【技术实现步骤摘要】
本专利技术涉及电池储能，具体涉及一种储能电站锂离子电池的soh估计方法。
技术介绍
1、随着近年来传统能源面临枯竭危机和生态环境的日益恶化，新能源的研究开发受到了广泛关注。锂离子电池作为新能源类型之一，逐渐在电网储能、电动汽车和航空航天等领域得到广泛应用。随着使用时间的推移，锂离子电池的健康寿命soh会发生不可逆转的下降。当电池soh低于一定阈值时，电池的储能性能会下降，并且故障发生率会增加。因此，准确估计电池的soh对于电池的安全使用具有重要意义。
2、现有锂离子电池的soh估计方法对于锂离子电池的运行工况具有较为严格的要求，例如基于部分恒流充电曲线的方法需要电池充电时完全经过设定的电压窗口，基于恒压充电曲线的方法会受到充电电流大小的影响，基于放电电压曲线的方法在面对实际运行场景时难以适用。此外，基于数据驱动的soh估计方法只考虑了手动提取特征或者深度学习模型自动提取特征的方式。然而，两种特征提取方式都具有各自的特点和优势，并非是对立关系。因此，需要开发一种对电池运行工况要求低，并且综合手动提取和自动提取特征的soh估计方法。
技术实现思路
1、本专利技术的目的在于提供一种储能电站锂离子电池的soh估计方法，该方法泛化能力好，估计精度高。
2、为了实现上述目的，本专利技术采用的技术方案是：一种储能电站锂离子电池的soh估计方法，包括以下步骤：
3、s1：采集锂离子电池在每个循环中满充后静置5分钟期间的弛豫电压序列数据v，以及电池在每个循环的so
4、s2：根据步骤s1获得的原始数据集d1，计算每个循环中弛豫电压序列数据的最大值vmax、最小值vmin、香农熵ventropy、平均值vmean和标准差值vstd作为特征，与soh标签值组成特征数据集df,1，计算弛豫电压序列数据的一阶差分电压序列数据δv，将弛豫电压序列数据v、一阶差分电压序列数据δv和对应soh标签值组成特征数据集df,2；
5、s3：以相同的划分方式对特征数据集df,1和df,2进行数据集划分，分别得到训练集dtrain,1和dtrain,2，测试集dtest,1和dtest,2；
6、s4：构建lightgbm模型，分别采用训练集dtrain,1和测试集dtest,1对lightgbm模型进行训练和测试，采用平均绝对误差mae衡量lightgbm模型的估计精度，当模型在测试集上的mae≤2％时，模型完成训练，否则重复步骤s4，直至满足该条件；
7、s5：构建一维卷积神经网络cnn，分别采用训练集dtrain,2和测试集dtest,2对cnn模型进行训练和测试，采用平均绝对误差mae衡量cnn模型的估计精度，当模型在测试集上的mae≤2％时，模型完成训练，否则重复步骤s5，直至满足该条件；
8、s6：将步骤s2提取的5个弛豫电压特征，即最大值vmax、最小值vmin、香农熵ventropy、平均值vmean和标准差值vstd，以及lightgbm模型在特征数据集df,1上输出的soh估计结果、cnn模型在特征数据集df,2上输出的soh估计结果进行合并，与soh标签值组成特征数据集df,3，并将特征数据集df,3按照步骤s3的划分方式进行数据集划分，得到训练集dtrain,3和测试集dtest,3；
9、s7：构建lr模型，分别采用训练集dtrain,3和测试集dtest,3对lr模型进行训练和测试，类似地，采用平均绝对误差mae衡量线性回归lr模型的估计精度，当模型在测试集上的mae≤1.5％时，模型完成训练，否则重复步骤s7，直至满足该条件；
10、s8：将步骤s4、s5、s7训练得到的lightgbm、cnn和lr模型导入电池管理系统中，当储能电站中的锂离子电池完成充电并静置5分钟后，将采集到的弛豫电压序列数据按照步骤s2的方式提取特征和计算一阶差分电压序列数据，将5个弛豫电压特征输入至lightgbm模型中得到soh估计结果，将原始弛豫电压序列数据和一阶差分电压序列数据输入至cnn模型中得到soh估计结果，再将两个模型输出的soh估计结果和5个弛豫电压特征共同输入至lr模型中，得到最终的soh估计结果。
11、进一步地，步骤s1具体包括以下步骤：
12、s1-1：采集锂离子电池在每个循环中满充后静置5分钟期间的弛豫电压序列数据v，第i个循环的序列数据的具体形式为：
13、
14、其中，vi,n表示第i个循环的第n个电压值；
15、s1-2：将弛豫电压序列数据v与电池在每个循环的soh标签值组成原始数据集d1，其具体形式如下：
16、
17、进一步地，步骤s2具体包括以下步骤：
18、s2-1：根据步骤s1获取的原始数据集d1，计算每个循环中弛豫电压序列数据的最大值vmax、最小值vmin、香农熵ventropy、平均值vmean和标准差值vstd作为特征，与soh标签值组成特征数据集df,1，并进行归一化处理，其具体形式如下：
19、
20、其中，vi,max表示第i个循环中弛豫电压的最大值，vi,min表示第i个循环中弛豫电压的最小值，vi,entropy表示第i个循环中弛豫电压的香农熵值，其计算公式为pn表示数据序列中出现第n个元素的值的概率，n表示数据序列中共有n个值，vi,mean表示第i个循环中弛豫电压的平均值，vi,std表示第i个循环中弛豫电压的标准差值；
21、s2-2：计算弛豫电压序列数据的一阶差分电压序列数据δv，第i个循环的序列数据的具体形式如下：
22、
23、其中，δvi,n-1＝vi,n-1-vi,n，将弛豫电压序列数据v、一阶差分电压序列数据δv和对应soh标签值组成特征数据集df,2，并进行归一化处理，其具体形式如下：
24、
25、进一步地，步骤s4具体包括以下步骤：
26、s4-1：构建lightgbm模型，设定模型的学习率、估计器数量、树的最大深度；
27、s4-2：采用步骤s3获得的训练集dtrain,1和测试集dtest,1对lightgbm模型进行训练和测试，采用平均绝对误差mae衡量lightgbm模型的估计精度，mae的计算公式为：
28、
29、其中，表示模型输出的电池在第l个循环的soh估计结果，sohl表示电池在第l个循环的soh实际值；
30、当lightgbm模型在测试集上的mae≤2％时，模型完成训练，否则重复步骤s4，直至满足该条件。
31、进一步地，步骤s5具体包括以下步骤：
32、s5-1：构建一维卷积神经网络cnn，设定模型的层数、卷积核数量、卷积核大小、卷积核的移动步长和学习率；
33、s5-2：采用步骤s3获得的训练集dtrain,2和测试集dtest,2本文档来自技高网...
【技术保护点】
1.一种储能电站锂离子电池的SOH估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种储能电站锂离子电池的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所述的一种储能电站锂离子电池的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所述的一种储能电站锂离子电池的SOH估计方法，其特征在于，步骤S4具体包括以下步骤：
5.根据权利要求1所述的一种储能电站锂离子电池的SOH估计方法，其特征在于，步骤S5具体包括以下步骤：
6.根据权利要求1所述的一种储能电站锂离子电池的SOH估计方法，其特征在于，步骤S6具体包括以下步骤：
7.根据权利要求1所述的一种储能电站锂离子电池的SOH估计方法，其特征在于，步骤S7具体包括以下步骤：
【技术特征摘要】
1.一种储能电站锂离子电池的soh估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种储能电站锂离子电池的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所述的一种储能电站锂离子电池的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所述的一种储能电站锂离子电池的soh估计方法，其特...
【专利技术属性】
技术研发人员：黄兴华，范元亮，吴涵，陈扩松，朱俊伟，李泽文，陈伟铭，林建利，李凌斐，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：
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。