一种基于融合特征的储能电站锂电池SOH估计方法技术

本发明专利技术涉及一种基于融合特征的储能电站锂电池SOH估计方法，该方法包括：获取多个同型号锂电池的电压、电流、相对充电容量和SOH数据；根据采集的数据划分训练集和测试集；对训练集和测试集进行特征提取；构建深层神经网络模型DNN，分别用特征训练集和特征测试集对其训练和测试；构建一维卷积神经网络模型CNN，分别用训练集和测试集对其训练和测试；将DNN和CNN输出值进行组合，得到二次训练集和测试集；构建RF模型，用二次训练集和测试集对其训练和测试；DNN和CNN的SOH估计值输入至RF模型得到最终的SOH估计值。该方法泛化能力好，估计精度高。

【技术实现步骤摘要】

本专利技术涉及电池储能，具体涉及一种基于融合特征的储能电站锂电池soh估计方法。

技术介绍

1、锂电池凭借高能量密度、低自放电率和长循环寿命等特点，在储能电站、微电网、航空航天和电动汽车等相关领域中得到广泛应用。锂电池在使用过程中，其可使用容量会逐渐衰减，并且故障发生概率会逐渐上升。通常采用健康状态(soh)衡量电池的寿命，并设定电池在出厂时soh为100％。当电池soh下降到一定程度时，及时将电池进行更换和维护。因此，准确地估计锂电池的soh对于保障电池的安全可靠性至关重要。

2、现有锂电池soh估计方法一般分为两类：模型法和数据驱动法。模型法存在计算量较大、需要电池老化的先验知识和鲁棒性不足等问题，因此，数据驱动法成为了研究热点。数据驱动法中，特征提取是影响估计精度的关键因素。一般会基于领域知识人为地从电池运行数据中提取若干个健康特征，或者利用深度学习端对端估计的能力自动提取特征。然而，两种特征提取方式都存在着不同的局限性。因此，需要开发一种更准确的锂电池soh估计方法。

技术实现思路

1、本本文档来自技高网...

【技术保护点】

1.一种基于融合特征的储能电站锂电池SOH估计方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于融合特征的储能电站锂电池SOH估计方法，其特征在于，步骤S1具体包括以下步骤：

3.根据权利要求1所述的一种基于融合特征的储能电站锂电池SOH估计方法，其特征在于，步骤S2具体包括以下步骤：

4.根据权利要求1所述的一种基于融合特征的储能电站锂电池SOH估计方法，其特征在于，步骤S3具体包括以下步骤：

5.根据权利要求1所述的一种基于融合特征的储能电站锂电池SOH估计方法，其特征在于，步骤S4具体包括以下步骤：

6.根...

【技术特征摘要】

1.一种基于融合特征的储能电站锂电池soh估计方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于融合特征的储能电站锂电池soh估计方法，其特征在于，步骤s1具体包括以下步骤：

3.根据权利要求1所述的一种基于融合特征的储能电站锂电池soh估计方法，其特征在于，步骤s2具体包括以下步骤：

4.根据权利要求1所述的一种基于融合特征的储能电站锂电池soh估计方法，其特征在于，步骤s3具体包括以下步骤：

5.根据权...

【专利技术属性】
技术研发人员：范元亮，黄兴华，吴涵，方略斌，朱俊伟，陈伟铭，李泽文，李凌斐，林建利，何锋，梁子康，陈思哲，郑宇，
申请(专利权)人：国网福建省电力有限公司，
类型：发明
国别省市：