【技术实现步骤摘要】
本专利技术涉及电池健康状态评估，尤其是指一种基于时间的电池健康状态评估的方法、系统、介质和设备。
技术介绍
1、电池的状态评估和健康管理是当前储能研究的热点之一，具有重要意义。电池具有诸多优势，如高能量密度、长寿命、低自放电率等，因此在电动汽车和并网储电系统中有着广泛的应用，可以成为我国能源脱碳快速转型的关键。在实际使用中，电池的性能会由于复杂的多维老化行为而恶化。为了确保运行过程中的安全性、可靠性和成本效益，必须对电池进行准确和稳健的健康监测。因此，越来越多的研究集中在开发更好地监测电池健康状况的工具和方法上。
2、电池的健康状态的估计预测方法可分为两类：基于模型的方法和基于数据驱动的方法。常见的基于模型的方法有电化学模型、等效电路模型、经验模型和机理模型，为了对储能单元老化行为相关的现象、状态和参数进行建模，这些方法通常使用偏微分方程、不同的滤波方法和统计工具来预测健康状态。但是由于电池中发生的复杂交互过程，导致计算复杂程度高，使得开发和测试基于模型的方法具有局限性。
3、与基于模型的方法相反，基于数据驱动的方法就可以解决基于模型的方法存在的这一缺点，基于数据驱动的方法不需要捕捉老化机制和详细的内部交互，仅需基于不同的特征健康指标就可以利用对输入输出函数关系进行黑箱建模来预测健康状态，提高了储能系统的状态评估准确性。常见的基于数据驱动的方法有使用人工神经网络的方法，在基于数据驱动的方法中，选择输入特征和目标是模型是必要步骤，输出目标是显示储能单元的健康状况，包括剩余使用寿命、剩余使用周期、电流阻抗与初
技术实现思路
1、为此，本专利技术所要解决的技术问题在于克服现有技术中的不足，提供一种基于时间的电池健康状态评估的方法、系统、介质和设备，可以实现对不同工作情况下和不同类型的电池的健康状态的有效评估。
2、为解决上述技术问题，本专利技术提供了一种基于时间的电池健康状态评估的方法，包括：
3、设置电池充放电的荷电状态区间和区间步长，在荷电状态区间内对电池进行循环充放电，记录每次充电过程中电池的健康状态和电池中每个电池包经过每个区间步长的充电时间；
4、根据电池中每个电池包经过每个区间步长的充电时间计算电池的健康状态和电池中每个电池包的充电时间之间的相关性，筛选相关性高的数据并分为训练集和测试集；
5、使用训练集训练分类模型，将测试集输入训练完成的分类模型得到预测的电池的健康状态；
6、计算预测的电池的健康状态的准确性，根据准确性调整筛选相关性高的数据时的筛选阈值直到准确性达到预设要求；
7、获取待测电池中每个电池包经过每个区间步长的充电时间并输入调整后的筛选阈值对应的训练完成的分类模型得到电池的健康状态评估结果。
8、在本专利技术的一个实施例中，所述在荷电状态区间内对电池进行循环充放电，记录每次充电过程中电池的健康状态和电池中每个电池包经过每个区间步长的充电时间，具体为：
9、记录每次充电过程中电池中每个电池包经过每个区间步长的充电时间，组合得到每次充电过程中电池中每个电池包的充电时间的特征向量为：
10、，
11、其中， n表示电池中的电池包的标号， i表示循环充放电的周期数，x n,i表示第 i次充电过程中电池中第n个电池包的充电时间的特征向量，δ s表示所述区间步长， γs 表示荷电状态区间的电荷量下限， s表示荷电状态区间的电荷量上限，表示第 i次充电过程中电池中第n个电池包从 γs到经过 j个区间步长的充电时间。
12、在本专利技术的一个实施例中，在所述根据电池中每个电池包经过每个区间步长的充电时间计算电池的健康状态和电池中每个电池包的充电时间之间的相关性前，将电池中每个电池包经过每个区间步长的充电时间进行归一化处理。
13、在本专利技术的一个实施例中，所述根据电池中每个电池包经过每个区间步长的充电时间计算电池的健康状态和电池中每个电池包的充电时间之间的相关性时，使用的相关性计算方法为皮尔森相关系数法；
14、经过皮尔森相关系数法计算后得到的相关性系数的取值范围为[-1,1]，当相关性系数的取值为-1时，表示电池的健康状态和电池中每个电池包的充电时间之间负相关；当相关性系数的取值为1时，表示电池的健康状态和电池中每个电池包的充电时间之间正相关且相关性最强；当相关性系数的取值为0时，表示电池的健康状态和电池中每个电池包的充电时间之间正相关且相关性最弱。
15、在本专利技术的一个实施例中，使用所述皮尔森相关系数法计算电池的健康状态和电池中每个电池包的充电时间之间的相关性时，计算公式为：
16、，
17、其中， n表示电池中的电池包的标号， γs 表示荷电状态区间的电荷量下限， s表示荷电状态区间的电荷量上限，表示从 γs充电至 s时电池的健康状态和电池中第 n个电池包的充电时间之间的相关性系数， i表示循环充放电的周期数，表示第 i次充电过程中电池中第n个电池包从 γs充电至 s的充电时间，表示电池中第 n个电池包从 γs充电至 s的所有循环充电周期的充电时间的平均值，表示第 i次充电过程中第 n个电池包的健康状态，表示第 n个电池包的所有循环充电周期的健康状态的平均值。
18、在本专利技术的一个实施例中，所述分类模型为前馈神经网络、递归神经网络、卷积神经网络、长短期记忆网络、支持向量机、相关向量机、高斯过程回归或集成学习。
19、在本专利技术的一个实施例中，所述计算预测的电池的健康状态的准确性时，将预测的电池的健康状态的均方根百分误差和平均绝对百分误差作为准确性的评价指标。
20、本专利技术还提供了一种基于时间的电池健康状态评估的系统，包括：
21、数据获取模块，用于设置电池充放电的荷电状态区间和区间步长，在荷电状态区间内对电本文档来自技高网...
【技术保护点】
1.一种电池健康状态评估的方法，其特征在于，包括：
2.根据权利要求1所述的电池健康状态评估的方法，其特征在于：所述在荷电状态区间内对电池进行循环充放电，记录每次充电过程中电池的健康状态和电池中每个电池包经过每个区间步长的充电时间，具体为：
3.根据权利要求1所述的电池健康状态评估的方法，其特征在于：在所述根据电池中每个电池包经过每个区间步长的充电时间计算电池的健康状态和电池中每个电池包的充电时间之间的相关性前，将电池中每个电池包经过每个区间步长的充电时间进行归一化处理。
4.根据权利要求1所述的电池健康状态评估的方法，其特征在于：所述根据电池中每个电池包经过每个区间步长的充电时间计算电池的健康状态和电池中每个电池包的充电时间之间的相关性时，使用的相关性计算方法为皮尔森相关系数法；
5.根据权利要求4所述的电池健康状态评估的方法，其特征在于：使用所述皮尔森相关系数法计算电池的健康状态和电池中每个电池包的充电时间之间的相关性时，计算公式为：
6.根据权利要求1所述的电池健康状态评估的方法，其特征在于：所述分类模型为前馈神经
7.根据权利要求1-6任一项所述的电池健康状态评估的方法，其特征在于：所述计算预测的电池的健康状态的准确性时，将预测的电池的健康状态的均方根百分误差和平均绝对百分误差作为准确性的评价指标。
8.一种电池健康状态评估的系统，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时实现如权利要求1-7任一项所述的电池健康状态评估的方法。
10.一种电池健康状态评估的设备，其特征在于：包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的电池健康状态评估的方法。
...【技术特征摘要】
1.一种电池健康状态评估的方法，其特征在于，包括：
2.根据权利要求1所述的电池健康状态评估的方法，其特征在于：所述在荷电状态区间内对电池进行循环充放电，记录每次充电过程中电池的健康状态和电池中每个电池包经过每个区间步长的充电时间，具体为：
3.根据权利要求1所述的电池健康状态评估的方法，其特征在于：在所述根据电池中每个电池包经过每个区间步长的充电时间计算电池的健康状态和电池中每个电池包的充电时间之间的相关性前，将电池中每个电池包经过每个区间步长的充电时间进行归一化处理。
4.根据权利要求1所述的电池健康状态评估的方法，其特征在于：所述根据电池中每个电池包经过每个区间步长的充电时间计算电池的健康状态和电池中每个电池包的充电时间之间的相关性时，使用的相关性计算方法为皮尔森相关系数法；
5.根据权利要求4所述的电池健康状态评估的方法，其特征在于：使用所述皮尔森相关系数法计算电池的健康状态和电池中每个电池包的充...
【专利技术属性】
技术研发人员：高波，任宇路，石智珩，姚俊峰，郝俊博，肖春，张娟，高晋峰，曹琼，张俊伟，李洋，朱志瑾，程改萍，张文强，赵金，马容婷，张鑫，高岱峰，吴志刚，张洋，武改萍，王帅斌，杨艳芳，陈晓芳，王锐，刘婷婷，王雅琳，王穆青，姚晓明，杨晓霞，闫春蕊，
申请(专利权)人：国网山西省电力公司营销服务中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。