【技术实现步骤摘要】
本专利技术属于电池，特别是涉及一种基于机器学习与时间常数比的储能电池健康状态估计方法与估计系统。
技术介绍
1、储能电池的soh(state ofhealth，电池健康度)是电化学储能系统重要的信息。目前存在有两种广泛使用的电池健康状态估计方法。第一种是全充电容量(full chargecapacity，fcc)估计。不幸的是，要获得fcc的信息需要进行长期充放电测试。因此，fcc估计不是快速soh估计方法。第二个估计方法是内部阻抗估计。然而，这个soh估计的方法可能会因为环境阻抗的影响产生较大的误差。
2、现有技术1公开了一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备(cn114578237a)，主要包括电池老化数据集分析、最佳区间筛选与特征提取、离线建模训练与评估、数据采样与在线soh估计4个步骤，但现有技术1存在的不足是提取的特征变量较少，模型较简单并且未考虑电池的电化学特性。
3、现有技术2公开了电池寿命评估方法及装置(cn105785278a)，方法包括：获取待测电池在放电状态下的时间常数τ1；根据所述待测电池在出厂时的时间常数τ0和所述待测电池处于老化状态时的时间常数τaged以及获取的所述待测电池在放电状态下的时间常数τ1，计算所述待测电池的soh值；检测所述soh值是否大于预设值；若所述soh值小于所述预设值，则评估所述待测电池老化。但现有技术2存在的不足是仅应用了电池时间常数与soh计算的相关特性，并且仅能评估出电池是否老化无法计算出电池的具体老化程度。
>技术实现思路
1、为解决现有技术中存在的不足，本专利技术提供一种基于机器学习的储能电池健康状态估计方法与估计系统。
2、本专利技术提出了一种基于机器学习与时间常数比的储能电池健康状态估计方法与估计系统。选择时间常数作为老化准则的原因有两个。首先，时间常数表示充电过程中终端电压的响应速度。第二，时间常数表示电池内部化学变化反应。本专利技术以储能电池soh快速估计为目标，提出的估计方法解决了现有技术soh估计的问题。时间常数比是一种新的老化效应判据，使用这一新的标准并结合机器学习技术使得该估计方法实现无环境阻抗快速soh估计的目的。
3、本专利技术采用如下的技术方案。
4、步骤1：采集储能电池历史运行数据，包括新出厂的新电池及运行设定时间后的电池历史运行数据，计算运行设定时间后的电池的时间常数比、新出厂的新电池的时间常数比，构建储能电池soh预测模型训练数据集；
5、步骤2：对步骤1中的储能电池soh预测模型训练数据集数据进行预处理；
6、步骤3：构建储能电池soh预测模型，根据步骤2经过预处理的数据集进行储能电池soh预测模型训练及优化；
7、步骤4：对步骤3训练完成的储能电池soh预测模型进行精确度验证，当储能电池soh预测模型预测误差小于设定误差阈值时，停止训练，否则返回步骤3，直到储能电池soh预测模型预测误差小于设定误差阈值；
8、步骤5：输入需要估计soh的储能电池实际运行数据到步骤4训练完成的储能电池soh预测模型中，可得到该储能电池当前soh。
9、本专利技术具体包括以下优选方案。
10、在一种可能的实现方式中，步骤1中，储能电池类型为新出厂新电池及运行一段时间后的电池，
11、其中，新电池为投运时间范围为2个月内的电池，
12、运行一段时间后的电池为投运时间范围为2个月～1年的电池。
13、在一种可能的实现方式中，步骤1中，储能电池soh预测模型训练数据包括：电池电压、时间、新电池时间常数、运行一段时间后的电池时间常数、新电池的时间常数比、运行一段时间后的电池的时间常数比、电池的真实soh。
14、在一种可能的实现方式中，步骤1中，电池tm时刻的时间常数的计算公式为：
15、
16、其中，tm-1为电池前一个或设定的多个间隔时段的采样时刻，m大于等于2，为同一颗电池tm和tm-1时刻的对应的电压值。
17、在一种可能的实现方式中，步骤1中，电池时间常数比的计算公式为：
18、tcr＝tcm/tcm-1
19、其中，tcm、tcm-1分别为同一颗电池相同时间间隔下，不同时刻的时间常数。
20、在一种可能的实现方式中，步骤2中，储能电池soh预测模型训练数据集数据预处理过程包括：数据清洗、数据切分，
21、其中数据清洗包括：缺失值处理、异常值检测、数据相关性检查、噪声处理；
22、数据切分包括：打乱数据、按照指定比例切分数据。
23、在一种可能的实现方式中，步骤3中，储能电池soh预测模型训练的输入数据为：步骤2中数据集内经过预处理后的运行一段时间的电池数据，包括时间、电池电压、时间常数比。
24、在一种可能的实现方式中，步骤3中，储能电池soh预测模型采用的机器学习模型为随机决策森林，储能电池soh预测模型训练及优化为通过交叉验证的方式选择随机森林最优参数，包括树的数量及树的深度；
25、其中交叉验证选择随机森林最优参数的步骤为：
26、划分数据集：
27、将步骤2中经过预处理的数据集划分为k个相同大小的子集；
28、进行交叉验证：
29、对于每一个特定的树的数量和深度，都进行以下步骤：
30、a.对于每一个子集，都将其作为验证集，其余的k-1个子集作为训练集；
31、b.在训练集上训练储能电池soh预测模型；
32、c.在验证集上测试储能电池soh预测模型，并记录其性能；
33、d.计算k次验证的平均性能；
34、选择最优参数：
35、重复以上步骤，对不同的树的数量和深度进行交叉验证，选择使得验证性能最高的树的数量和深度作为最优参数。
36、在一种可能的实现方式中，步骤3中，储能电池soh预测模型训练及优化为：
37、对于不平衡的数据集，通过赋予样本权重系数，使得时间、电池电压、时间常数比三种样本在模型训练中同等重要，即：
38、(时间数据量*k1)：(电池电压数据量*k2)：(时间常数比数据量*k3)＝1:1:1
39、其中，k1、k2、k3分别为时间、电池电压、时间常数比的权重系数。
40、在一种可能的实现方式中，步骤3中，储能电池soh预测模型训练及优化为：
41、对储能电池soh预测模型应用损失函数进行调优，损失函数公式为：
42、
43、其中，n为总样本数量，yi为电池真实soh值，电池预测soh值。
44、储能电池健康状态估计系统，包括数据采集模块、数据预处理模块、预测模型训练与优化模块、模型精确度验证模块、电池soh预测模块；
45、数据采集模块采集储能电池历史运行数据，包括新本文档来自技高网...
【技术保护点】
1.基于机器学习与时间常数比的储能电池健康状态估计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于机器学习与时间常数比的储能电池健康状态估计方法，其特征在于，
3.根据权利要求2所述的基于机器学习与时间常数比的储能电池健康状态估计方法，其特征在于，
4.根据权利要求3所述的基于机器学习与时间常数比的储能电池健康状态估计方法，其特征在于，
5.根据权利要求4所述的基于机器学习与时间常数比的储能电池健康状态估计方法，其特征在于，
6.根据权利要求1所述的基于机器学习与时间常数比的储能电池健康状态估计方法，其特征在于；
7.根据权利要求1所述的基于机器学习与时间常数比的储能电池健康状态估计方法，其特征在于，
8.根据权利要求1所述的基于机器学习与时间常数比的储能电池健康状态估计方法，其特征在于，
9.根据权利要求7所述的基于机器学习与时间常数比的储能电池健康状态估计方法，其特征在于，
10.根据权利要求8所述的基于机器学习与时间常数比的储能电池健康状态估计方法，其特
11.一种基于权利要求1-10所述储能电池健康状态估计方法的储能电池健康状态估计系统，包括数据采集模块、数据预处理模块、预测模型训练与优化模块、模型精确度验证模块、电池SOH预测模块；其特征在于，
...【技术特征摘要】
1.基于机器学习与时间常数比的储能电池健康状态估计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于机器学习与时间常数比的储能电池健康状态估计方法，其特征在于，
3.根据权利要求2所述的基于机器学习与时间常数比的储能电池健康状态估计方法，其特征在于，
4.根据权利要求3所述的基于机器学习与时间常数比的储能电池健康状态估计方法，其特征在于，
5.根据权利要求4所述的基于机器学习与时间常数比的储能电池健康状态估计方法，其特征在于，
6.根据权利要求1所述的基于机器学习与时间常数比的储能电池健康状态估计方法，其特征在于；
...
【专利技术属性】
技术研发人员：朱立位，伏祥运，岳付昌，宋家康，李红，刘晗，赵伟森，李相俊，牛萌，
申请(专利权)人：国网江苏省电力有限公司连云港供电分公司，
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。