用于训练驱动数据模型的方法及估算电池剩余寿命的方法技术

本申请涉及电能储能技术领域，公开一种用于训练驱动数据模型的方法及估算电池剩余寿命的方法

【技术实现步骤摘要】
用于训练驱动数据模型的方法及估算电池剩余寿命的方法


[0001]本申请涉及电能储能
，例如涉及一种用于训练驱动数据模型的方法及估算电池剩余寿命的方法
。

技术介绍

[0002]目前，在储能电站的电能储能系统中，电池作为核心零部件，其性能决定了系统的可靠运行能力
。
锂离子电池因其高能量密度
、
高功率密度
、
低自放电和长寿命而在储能电站中得到广泛应用
。
为了给电网负载侧提供足够的电力和能量，需要一个由数百或数千个串联并联的电池组成的电池组
。
荷电状（
SOC
）和健康状态（
SOH
）是指示电池组状态的两个重要参数
。SOC
表示电池剩余容量，
SOH
表示电池健康状态
。
他们的准确估计有助于有效管理电池组，延长电池组寿命，并延长储能电站使用里程
。
[0003]目前，卡尔曼滤波器（
KF
）是估计电池状态的最流行方法之一
。
对于
KF
，假设电池的动态模型和电池外部输入的统计特性是已知的
。
在实践中，基于经验构建的电池模型和假设的噪声统计知识通常具有一定的误差，尤其是在储能电站中，由于温度分布不一致性
、
电池参数不一致性以及传感器噪声不一致性，导致实际工程中，输入量的噪声统计特性是难以描述的，这将容易导致滤波器不稳定或发散
。<br/>进而得出不符合预期的结果
。
与此同时，在神经网络中，运用历史序列对未来状态进行预测的方法，受历史序列中的噪声影响较大，容易出现噪声累积而引起的预测发散现象，导致数据驱动模型的失效
。
从而导致电池剩余寿命估算不准确
。
[0004]在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：电能储能系统中，急需一种高鲁棒性的数据驱动模型来准确估计电池的剩余寿命
。
[0005]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息
。

技术实现思路

[0006]为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括
。
所述概括不是泛泛评述，也不是要确定关键／重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言
。
[0007]本公开实施例提供一种用于训练驱动数据模型的方法及估算电池剩余寿命的方法，以提高数据驱动模型的鲁棒性并提高估计电池的剩余寿命的精度
。
[0008]在一些实施例中，提供了一种用于训练驱动数据模型的方法，包括：建立离线电池数据库和在线电池数据库；建立初始数据驱动模型；根据离线电池数据库和在线电池数据库，对初始数据驱动模型进行训练，得到目标驱动数据模型
。
[0009]在一些实施例中，提供了一种用于估算电池剩余寿命的方法，所述方法应用于储能电站，所述方法包括：获取储能电站的电池的容量衰退曲线和健康因子；将健康因子输入
已经训练的第一目标数据驱动模型，以得到电池储能电站的电池健康状态；将容量衰退曲线输入已经训练的第二目标数据驱动模型，以得到储能电站的电池剩余寿命；其中，第一目标数据驱动模型和第二目标数据驱动模型分别采用如上述实施例所述的用于训练驱动数据模型的方法获得的
。
[0010]在一些实施例中，提供了一种用于训练驱动数据模型的装置，包括处理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行如上述任一实施例所述的用于训练驱动数据模型的方法
。
[0011]在一些实施例中，一种用于估算电池剩余寿命的装置，其特征在于包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在执行所述程序指令时，执行如上述任一实施例所述的用于估算电池剩余寿命的方法
。
[0012]在一些实施例中，提供了一种储能电站，包括：电站本体；和如上述实施例所述的用于估算电池剩余寿命的装置，设置于电站本体
。
[0013]本公开实施例提供的用于训练驱动数据模型的方法及估算电池剩余寿命的方法，可以实现以下技术效果：本公开提供的用于训练驱动数据模型的方法，包括：建立离线电池数据库和在线电池数据库；建立初始数据驱动模型；根据离线电池数据库和在线电池数据库，对初始数据驱动模型进行训练，得到目标驱动数据模型
。
[0014]本公开通过建立离线电池数据库和在线电池数据库，并分别利用离线电池数据库和在线电池数据库，对初始数据驱动模型进行训练，进而得到用于对电池寿命进行估算的目标驱动数据模型，以提高对电池剩余寿命的精准趋势预测，提高系统的可靠性和稳定性
。
[0015]以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请
。
附图说明
[0016]一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：图1是本公开一个实施例提供的用于训练驱动数据模型的方法的流程示意图；图2是本公开再一个实施例提供的用于训练驱动数据模型的方法的流程示意图；图3是本公开实施例提供的自适应
H∞
滤波的方法的求解过程的示意图；图4是本公开一个实施例提供的用于电池剩余寿命的估算方法的示意图；图5是本公开再一个实施例提供的用于电池剩余寿命的估算方法的示意图；图6是本公开又一个实施例提供的用于电池剩余寿命的估算方法的示意图；图7是本公开实施例提供的一种储能电站的示意图
。
[0017]附图标记：
700、
处理器；
701、
存储器；
702、
通信接口；
703、
总线
。
具体实施方式
[0018]为了能够更加详尽地了解本公开实施例的特点与
技术实现思路
，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例
。
在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解
。
然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施
。
在其它情况下，为简化附图，熟知的结构和装置可以简化展示
。
[0019]本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序
。
应该理解这样使用的术语在适当情况下可以互换，以便这里描述的本公开实施例的实施例
。
此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于训练驱动数据模型的方法，其特征在于，包括：建立离线电池数据库和在线电池数据库；建立初始数据驱动模型；根据离线电池数据库和在线电池数据库，对初始数据驱动模型进行训练，得到目标驱动数据模型
。2.
根据权利要求1所述的方法，其特征在于，根据离线电池数据库和在线电池数据库，对初始数据驱动模型进行训练，得到目标驱动数据模型的步骤包括：利用离线电池数据库对初始数据驱动模型，得到训练后数据驱动模型；利用在线电池数据库对训练后数据驱动模型进行验证，得到目标驱动数据模型
。3.
根据权利要求2所述的方法，其特征在于，离线电池数据库包括离线健康因子，利用离线电池数据库对初始数据驱动模型，得到训练后数据驱动模型的步骤包括：获取离线电池数据库中的离线健康因子；将离线健康因子输入初始数据驱动模型中进行训练；通过训练，调整初始数据驱动模型的参数设置，得到训练后的第一数据驱动模型
。4.
根据权利要求2所述的方法，其特征在于，离线电池数据库包括离线容量衰退曲线，利用离线电池数据库对初始数据驱动模型，得到训练后的数据驱动模型的步骤包括：获取离线电池数据库中的离线容量衰退曲线；将离线容量衰退曲线输入初始数据驱动模型中进行训练；通过训练，调整初始数据驱动模型的参数设置，得到训练后的第二数据驱动模型
。5.
根据权利要求1至4中任一项所述的方法，其特征在于，建立离线电池数据库的步骤包括：获取储能电站所用电池的电池参数；根据电池参数，进行加速老化实验与参数标定实验；获取实验所得的容量衰退曲线和离线健康因子；根据容量衰退曲线和离线健康因子，建立离线电池数据库
。6.
根据权利要求5所述的方法，其特征在于，离线健康因子包括离线极化内阻
、
离线极化电容
、
离线扩散内阻和离线扩散电容
。7.
根据权利要求1至4中任一项所述的方法，其特征在于，建立在线电池数据库的步骤包括：获取电池的电流值和电压值；根据电流值和电压值，得到去噪后的电池荷电状态；将电流值
、
电压值和去噪后的电池荷电状态，输入等效电路模型，得到在线健康因子和在线健康状态；根据在线健康因子和在线健康状态，建立在线电池数据库
。8.
根据权利要求7所述的方法，其特征在于，在线健康因子包括在线极化内阻
、
在线极化电容
、
在线扩散内阻和在线扩散电容
。9.
根据权利要求7所述的方法，其特征在于，根据电流值和电压值，得到去噪后的电池荷电状态的步骤包括：根据电流值和电压值，利用自适应
H∞
滤波方法，得到去噪后的电池荷电状态
。
10.
根据权利要求7所述的方法，其特征在于，等效电路模型为粒子群算法模型
。11.
根据权利要求3所述的方法，其特征在于，利用在线电池数据库对训练后数据驱动模型进行验证，得到目标驱动数据模型的步骤包括：获取在线电池数据库中的在线健康因子；将在线健康因子输入第一数据驱动模型进行训练，并输出第一健康状态；获取在线电池数据库中的在线健康状态；根据第一健康状态和在线健康状态，对第一数据驱动模型进行验证，得到第一目标驱动数据模型
。12.
根据权利要求
11
所述的方法，其特征在于，根据第一健康状态和在线健康状态，对第一数据驱动模型进行验证，得到第一目标驱动数据模型的步骤，包括：计算第一健康状态与在线健康状态的差值；在差值小于预设值的情况下，完成对第一数据驱动模型的验证，得到第一目标驱动数据模型
。13.
根据权利要求
12
所述的方法，其特征在于，计算第一健康状态与在线健康状态的差值的步骤包括：在预设时长内，周期性获取计算第一健康状态与在线健康状态的差值
。14.
根据权利要求
13
所述的方法，其特征在于，预设时长的取值范围为：大于或等于
12
小时，且小于或等于
24
小时；预设值的取值范围为：大于或等于
1%
，且小于或等于
3%。15.
根据权利要求4所述的方法，其特征在于，利用在线电池数据库对训练后数据驱动模型进行验证，得到目标驱动数据模型的步骤包括：获取在线电池数据库的在线容量衰退曲线；将在线容量衰退曲线输入第二数据驱动模型，得到第二目标驱动数据模型
。16.
根据权利要求1至4中任一项所述的方法，其特征在于，建立初始数据驱动模型的步骤包括：建立
Transformer
模型；其中，
Transformer
模型包括编码组件和解码组件，编码组件包括：自注意力层和前馈网络层，解码组件包括多头注意力机制层
。17.
一种用于估算电池剩余寿命的方法，其特征在于，所述方法应用于储能电站，所述方法包括：获取储能电站的电池的容量衰退曲线和健康因子；将健康因子输入已经训练的第一目标数据驱动模型，以得到电池储能电站的电池健康状态；将容量衰退曲线输入已经训练的第二目标数据驱动模型，以得到储能电站的电池剩余寿命；其中，第一目标数据驱动模型和第二目标数据驱动模型分别采用如权利要求1所述的用于训练驱动数据模型的方法获得的
。18.
根...

【专利技术属性】
技术研发人员：曾繁鹏，刘敬，何振宇，杨树，方壮志，施洪生，刘金辉，张嘉豪，牟宪民，
申请(专利权)人：江苏林洋能源股份有限公司，
类型：发明
国别省市：