【技术实现步骤摘要】
本专利技术涉及新能源，特别涉及一种锂离子电池的状态预测方法及系统。
技术介绍
1、为应对光伏发电、风力发电的间歇性问题，电化学储能技术已成为电网的关键手段。由于锂离子电池能量密度高、寿命长、充放电倍率高、环保、安全性高、且可制定性强，因此其被广泛应用于储能领域，目前锂离子电池全球占比约70％以上。但是，随着锂离子电池长时间的充电放电，其容量、健康状态soh、剩余寿命rul会衰减，性能将降低。而电池的soh及rul通常无法直接测量，在电池soh未知的情况下，电池荷电状态soc预测的准确性会受到影响，易出现过充和过放的现象，进而加剧锂离子电池的老化，增加电化学储能的成本以及热失控的风险。基于此，准确预测锂离子电池，尤其是储能电站中的储能锂离子电池的soh及rul至关重要。
2、现有的锂离子电池健康状态soh预测方法主要分为直接测量法、基于模型的预测方法和基于数据驱动的预测方法，而锂离子电池剩余寿命rul预测主要通过数据驱动的预测方法。
3、其中直接测量法包括库仑计数法及安时积分法，这类方法是在实验室环境下测量锂离子电池的容量衰减特性，通过计算公式得到soh的估计值。直接测量法操作简单，但实用性较差，难以用于大规模储能电站锂离子电池soh的实时在线预测。
4、基于模型的预测方法包括其中基于电化学模型、等效电路模型和经验降解模型等的预测方法。通常需要详细的物理模型、化学反应和复杂的算法来预测电池的soh，计算复杂度非常高，易受外界因素的影响，难以建立适用性高的稳定模型，且电池的种类较多，针对单一种类电
5、基于数据驱动的soh及rul预测方法不需要考虑锂离子电池内部复杂的物理模型、化学反应等，只需要提取大量的电池老化数据，通过离线训练建立锂离子电池健康特征与soh和rul之间的非线性映射关系，就能够提高soh和rul预测的精度并实现实时在线推理。其包括多层感知机mlp、卷积神经网络cnn、时间卷积网络tcn、循环神经网络rnn、长短期记忆网络lstm、门控循环单元gru等，其中gru和lstm是改进的rnn模型，克服了rnn梯度爆炸的问题，非线性建模能力更强，相较于lstm，gru在预测精度几乎不变的情况下速度更快，但单一的预测模型难以较好地处理大量的高维电池数据，稳定性较低，预测精度不高。例如，杨智鹏等人为解决大规模电化学储能电站应用场景中机器学习电池soh预测数据处理速度慢和预测精度低的问题，提出一种基于单体到模组迁移的磷酸铁锂储能系统soh预测方法，以gru为主网络进行迁移学习，提高了准确性和预测速度，但单一的gru网络对soh预测时鲁棒性较低，且预测精度有待进一步提高。巫春玲等人提出一种基于变分模态分解和极限学习机集成模型的锂离子电池健康状态预测方法，通过变分模态分解vmd分解电池的soh序列，降低soh回升的影响，将分解的模态分量作为核极限学习机kelm的输入，实现soh预测，但实际过程中无法得到真实的soh，soh只能通过电池的其他特征进行预测，该技术实用性较差，难以实现算法的落地。董浩等人通过分析不同温度下锂离子电池荷电状态soc和充电电压的变化曲线，提出基于温度和soc的锂离子电池健康因子提取及soh在线预测的方法，根据环境温度差异选取电压和电流作为健康因子，利用遗传-爬山优化算法优化elm的网络结构参数，进而实现soh的在线预测，但其提取的锂离子健康因子数量过少，且仅通过简单结构的elm无法更好地去预测soh，准确性有较大的提升空间。廖力等人提出一种基于多健康特征融合的锂离子电池soh和rul预测方法，从电池充电曲线中提取三个与容量退化有关的特征，输入到改进的引力搜索算法优化支持向量回归模型，实现soh和rul的预测，但该方法提取的特征较少，丢失了许多电池关键信息，且svr模型复杂度较低，处理高维信息能力偏弱，具有较低的非线性建模能力，特征提取能力有限。尹春杰等人提出基于lstm的锂离子电池soh预测方法，相较于传统soh预测方法降低了预测误差，但人为选定网络结构以及训练参数无法较好地提升模型的预测性能。
技术实现思路
1、针对现有技术中的部分或全部问题，本专利技术第一方面提供一种锂离子电池的状态预测方法，包括：
2、从充放电循环中提取锂离子电池的运行参数，其中所述运行参数包括电压、电流、温度、充放电时长以及容量；
3、基于所述运行参数确定指定特征，并将所述指定特征进行归一化处理；
4、基于归一化处理后的特征，确定当前充放电循环后的锂离子电池的最大可用容量；
5、基于所述最大可用容量，确定所述锂离子电池的健康状态；以及
6、基于所述最大可用容量，确定所述锂离子电池的剩余寿命。
7、进一步地，所述指定特征根据如下步骤确定：
8、选取多块锂离子电池进行充放电老化试验；
9、通过传感器每隔指定时长采集所述锂离子电池的状态参数，其中所述状态参数包括电压、电流、温度、充放电时长以及容量；
10、基于所述状态参数确定每一个充放电循环的健康因子，其中所述健康因子包括充放电时的电压、电流及温度的极值、平均值，等压升、等压降、等温升的充放电时长，等时间间隔的充放电的电压、温度，以及充放电电压、温度曲线围成的区域面积；
11、确定每个健康因子与锂离子的电池容量、剩余寿命之间的皮尔逊相关系数；以及
12、将与所述锂离子的电池容量、剩余寿命之间的皮尔逊相关系数高于指定值的健康因子作为指定特征。
13、进一步地，所述指定值为0.6。
14、进一步地，将所述指定特征进行归一化处理包括：
15、采用极小极大数据归一化方法将所述指定特征归一化至0到1之间。
16、进一步地，通过第一预测模块确定当前充放电循环后的锂离子电池的最大可用容量，以及第二预测模块确定所述锂离子电池的剩余寿命，其中所述第一、第二预测模块包括：
17、线性加权模块，其用于对输入特征矩阵进行线性加权，其中第一预测模块的输入特征矩阵包括归一化处理后的特征矩阵，以及所述第二预测模块的输入特征矩阵包括归一化处理后的特征矩阵及所述第一预测模块预测得到的最大可用容量；
18、自注意力模块，其用于计算线性加权后的特征矩阵的自注意力，并进行残差连接；
19、残差模块，其用于对自注意力模块的输出进行空间维度变换，并进行残本文档来自技高网...
【技术保护点】
1.一种锂离子电池的状态预测方法，其特征在于，包括步骤：
2.如权利要求1所述的状态预测方法，其特征在于，所述指定特征根据如下步骤确定：
3.如权利要求2所述的状态预测方法，其特征在于，所述指定值为0.6。
4.如权利要求1所述的状态预测方法，其特征在于，将所述指定特征进行归一化处理包括步骤：
5.如权利要求1所述的状态预测方法，其特征在于，所述第一、第二预测模块包括：
6.如权利要求5所述的状态预测方法，其特征在于，所述残差模块通过两个卷积核数量不同的一维卷积层对自注意力模块的输出进行空间维度变换，其中所述卷积核的尺寸为1、步长为1。
7.如权利要求1所述的状态预测方法，其特征在于，还包括步骤：对所述第一、第二预测模块进行预训练，其中训练集及测试集根据如下步骤得到：
8.如权利要求7所述的状态预测方法，其特征在于，所述第二预测模块的训练集中还包括实际的锂离子电池容量，以及其测试集还包括提前预测的锂离子电池容量。
9.如权利要求1所述的状态预测方法，其特征在于，还包括，对所述第一、第二
10.一种锂离子电池的状态预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种锂离子电池的状态预测方法，其特征在于，包括步骤：
2.如权利要求1所述的状态预测方法，其特征在于，所述指定特征根据如下步骤确定：
3.如权利要求2所述的状态预测方法，其特征在于，所述指定值为0.6。
4.如权利要求1所述的状态预测方法，其特征在于，将所述指定特征进行归一化处理包括步骤：
5.如权利要求1所述的状态预测方法，其特征在于，所述第一、第二预测模块包括：
6.如权利要求5所述的状态预测方法，其特征在于，所述残差模块通过两个卷积核数量不同的一维卷积层对自注意力模块的...
【专利技术属性】
技术研发人员：简定辉，石良君，
申请(专利权)人：广州汇电云联数科能源有限公司，
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。