【技术实现步骤摘要】
本申请涉及储能系统，尤其涉及一种储能系统soh估计方法、装置及设备。
技术介绍
1、储能系统的健康度(soh)反应了储能系统当前的健康状态，对储能系统的运行维护及安全预警等方面具有重要的参考价值。因此，对于储能系统当前soh的准确估计是储能系统运维的重要一环。
2、目前，针对储能soh的估计，可以基于专家经验对电芯进行拆解，根据电芯各部件材料的退化程度，从机理上分析和估计当前soh。但十分依赖专家知识，且无法对大量运行中的电芯进行拆解，因此，确定储能系统当前的soh不够便捷，实用性较低。此外，也可以根据外特性时序特征回归估计电芯当前soh。该方法依赖大量有准确soh标定值的数据(即当前电芯进行满充满放的最大容量)，而在实际储能系统运行时，充放电循环均不会采用满充满放的方式，因此，大量运行数据无准确soh标定值。在实验室中对电芯进行满充满放，获取有soh标定值的数据对，由实验室数据优化出模型，但由于实际工况比实验室中可进行实验的工况要复杂很多，导致实验室数据训练出的soh估计机器学习模型在实际工况中表现很差，误差很大。因此，获取准确的soh标定值的数据难度较大。
技术实现思路
1、有鉴于此，本申请实施例提供了一种储能系统soh估计方法、装置及设备，旨在提高对储能系统当前soh的评估的准确性和便捷性。
2、第一方面，本申请实施例提供了一种储能系统soh估计方法，所述方法包括：
3、获取储能系统实际工况运行的充放电的实际数据；
4、将所述实
5、将所述实际时序特征输入预设的soh预测模型，得到所述储能系统的soh估计值，所述soh预测模型是在训练完成实际工况特征提取模型时对应得到的。
6、可选的，所述实验室工况特征提取模型的训练方法，包括：
7、基于所述实验室训练数据和所述soh标定值，训练所述实验室工况特征提取模型以及所述soh预测模型，更新所述实验室工况特征提取模型的参数、所述soh预测模型的参数以及最新从所述实验室训练数据中提取的时序特征一；
8、迁移学习所述参数，得到实际工况特征提取模型；
9、将实际工况训练数据输入所述实际工况特征提取模型，得到时序特征二；
10、将所述时序特征一和所述时序特征二输入特征对齐模型，计算所述时序特征一和所述时序特征二的分布差异结果，并将所述分布差异结果反向传播，更新所述实验室工况特征提取模型的参数；
11、将所述时序特征一和所述时序特征二输入鉴别器，得到所述时序特征一以及时序特征二的分类预测概率，并基于所述时序特征一以及所述时序特征二的分类实际概率调整所述鉴别器参数；
12、继续执行所述基于所述实验室训练数据和所述soh标定值，训练所述实验室工况特征提取模型以及所述soh预测模型以及后续步骤，直至将所述soh预测模型、所述特征对齐模型以及所述鉴别器均训练至收敛，则得到训练好的实际工况特征提取模型和soh预测模型。
13、可选的，所述基于所述实验室训练数据和所述soh标定值，训练所述实验室工况特征提取模型以及所述soh预测模型，更新所述实验室工况特征提取模型的参数、所述soh预测模型的参数以及最新从所述实验室训练数据中提取的时序特征一，包括：
14、构建实验室工况特征提取模型和soh预测模型，将实验室训练数据输入所述实验室工况特征提取模型得到时序特征一，再将所述时序特征一输入所述soh预测模型，得到所述时序特征一的soh估计值；
15、将所述soh估计值和所述soh标定值的误差进行反向传播，更新所述实验室工况特征提取模型的参数、soh预测模型的参数以及所述实验室工况特征提取模块最新从实验室训练数据中提取的时序特征一。
16、可选的，所述将所述时序特征一和所述时序特征二输入鉴别器，得到所述时序特征一以及时序特征二的分类预测概率，并基于所述时序特征一以及所述时序特征二的分类实际概率调整所述鉴别器参数，包括：
17、将所述时序特征一和所述时序特征二输入鉴别器，得到所述时序特征一的分类预测概率以及时序特征二的分类预测概率；
18、根据时序特征一的分类预测概率和分类实际概率1之间的误差一，以及时序特征二的分类预测概率和分类实际概率0之间的误差二，进行误差反向传播，更新所述鉴别器的参数。
19、可选的，所述分布差异结果是采用互信息的方式确定的误差值。
20、可选的，所述实验室工况特征提取模型和所述实际工况特征提取模型均采用卷积神经网络cnn，所述实验室工况特征提取模型和所述实际工况特征提取模型的网络结构相同。
21、可选的，所述实验室训练数据是电芯在实验室中进行满充满放的过程中采集到的电压、电流和电芯温度的数据；
22、所述实际工况训练数据是电芯在实际工况的充放电过程中采集到的电压、电流和电芯温度的数据。
23、第二方面，本申请还提供了一种储能系统soh估计装置，包括获取模块、实际工况特征提取模块和soh预测模块，所述获取模块的输出端连接所述实际工况特征提取模块的输入端，所述实际工况特征提取模块连接所述soh预测模块；
24、所述获取模块，用于获取储能系统实际工况运行的充放电的实际数据；
25、所述实际工况特征提取模块，用于从所述实际数据提取实际时序特征；所述实际工况特征提取模块是通过迁移学习和对抗训练结合训练得到的，所述迁移学习的参数为实验室工况特征提取模块的参数，所述对抗训练是基于实验室工况特征提取模块从实验室训练数据提取的时序特征一和实际工况特征从模块提取实际工况训练数据提取的时序特征二进行的对抗训练，所述实验室工况特征提取模块是基于实验室中采集电芯充放电的实验室训练数据训练的，所述实验室训练数据对应有soh标定值；
26、所述soh预测模块，用于根据所述实际时序特征预测得到所述储能系统的soh估计值，所述soh预测模块是基于实验室工况特征提取模型提取实验室训练数据的时序特征一和所述soh标定值训练得到的。
27、可选的，还包括：实验室数据模块、实际工况数据模块、实验室工况特征提取模块、鉴别器、特征对齐模块和确认模块；
28、所述实验室工况特征提取模块连接所述soh预测模块，用于获取所述实验室训练数据和所述soh标定值，训练所述实验室工况特征提取模型以及所述soh预测模型，更新所述实验室工况特征提取模型的参数、所述soh预测模型的参数以及最新从所述实本文档来自技高网...
【技术保护点】
1.一种储能系统SOH估计方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述实验室工况特征提取模型的训练方法，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述实验室训练数据和所述SOH标定值，训练所述实验室工况特征提取模型以及所述SOH预测模型，更新所述实验室工况特征提取模型的参数、所述SOH预测模型的参数以及最新从所述实验室训练数据中提取的时序特征一，包括：
4.根据权利要求2所述的方法，其特征在于，所述将所述时序特征一和所述时序特征二输入鉴别器，得到所述时序特征一以及时序特征二的分类预测概率，并基于所述时序特征一以及所述时序特征二的分类实际概率调整所述鉴别器参数，包括：
5.根据权利要求2所述的方法，其特征在于，
6.根据权利要求1所述的方法，其特征在于，所述实验室工况特征提取模型和所述实际工况特征提取模型均采用卷积神经网络CNN，所述实验室工况特征提取模型和所述实际工况特征提取模型的网络结构相同。
7.根据权利要求1所述的方法，其特征在于，
8.一
9.根据权利要求8所述的装置，其特征在于，还包括：实验室数据模块、实际工况数据模块、实验室工况特征提取模块、鉴别器、特征对齐模块和确认模块；
10.一种储能系统SOH估计设备，其特征在于，包括存储器和处理器，所述存储器用于存储指令或代码，所述处理器用于执行所述指令或代码，以使所述设备执行权利要求1-7任意一项所述的一种储能系统SOH估计方法。
...【技术特征摘要】
1.一种储能系统soh估计方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述实验室工况特征提取模型的训练方法，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述实验室训练数据和所述soh标定值，训练所述实验室工况特征提取模型以及所述soh预测模型，更新所述实验室工况特征提取模型的参数、所述soh预测模型的参数以及最新从所述实验室训练数据中提取的时序特征一，包括：
4.根据权利要求2所述的方法，其特征在于，所述将所述时序特征一和所述时序特征二输入鉴别器，得到所述时序特征一以及时序特征二的分类预测概率，并基于所述时序特征一以及所述时序特征二的分类实际概率调整所述鉴别器参数，包括：
5.根据权利要求2所述的方法，其特征在于，
6.根据权利要求1所述的方法，其特征在于，所述实验...
【专利技术属性】
技术研发人员：余兴泓，方日，曹伟，
申请(专利权)人：阳光电源股份有限公司，
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。