【技术实现步骤摘要】
本专利技术涉及锂电池，特别涉及一种锂电池荷电状态和能量状态估计方法。
技术介绍
1、随着电力行业高速发展，由于化石能源对环境的污染巨大以及能源短缺日益严重，因此电力行业对清洁能源与储能的需求在快速增长。锂离子电池作为一种工作温度范围宽、充放电循环寿命长、能量密度高、使用时不影响环境的储能设备，被广泛的应用在储能系统和电动汽车中。在这些场景中，对锂电池状态的估计是非常重要的，荷电状态和能量状态是锂电池运行状态估计的重要指标，荷电状态表示锂电池的剩余可用能量和最大容量的比值，能量状态表示锂电池剩余可用能量与最大可用能量的比值。由于锂离子电池状态并非按照线性变化，并且具有时变的特性，因此需要对锂离子电池的荷电状态和能量状态进行精确的估计。
2、近年来，锂离子电池的荷电状态和能量状态估计已成为一个具有实际应用价值的重大热点课题，估算荷电状态和能量状态的方法主要分为三类，分别是直接测量的方法和基于模型的方法以及基于数据驱动的方法。安时积分法和功率积分法是估算荷电状态和能量状态的直接方法，但是容易受到不准确的初始值的影响，且传感器误差会逐渐累积导致估计值误差增加。开路电压法通过开路电压与电池荷电状态的关系曲线对荷电状态进行估算，但是这种方法需要较长的时间对电池进行静置，不能在实时工况下对电池荷电状态进行估算。为了克服直接测量方法的缺点，通过建立电池模型，并将其与滤波算法或观察器相结合的方法被广泛应用，基于电化学模型的方法是通过建立电池内部化学反应的模型来解释电池的老化机理。但是电化学模型通常包含多个复杂的方程和高度耦合的模型参数
技术实现思路
1、专利技术目的：针对现有技术存在的问题，本专利技术提供一种锂电池荷电状态和能量状态估计方法，能提高锂电池荷电状态和能量状态估计模型精度。
2、技术方案：本专利技术提出一种锂电池荷电状态与能量状态估计方法，包括以下步骤：
3、步骤1：收集不同工况下锂离子电池单体充放电的电压、电流、温度、荷电状态、能量状态数据，利用离群因子检测lof方法对异常数据进行剔除，构成原始样本；
4、步骤2：对原始样本中电压、电流、温度序列独立注入特定信噪比的高斯噪声，额外的生成一个独立的样本，称其为增强样本；将原始样本与增强样本合并形成train数据集，作为模型的训练输入；
5、步骤3：搭建timesnet-ec模型结构，搭建初步估计层与误差校正层双层结构；使用训练数据对timesnet神经网络进行初步训练，作为初步估计层，同时提取初步估计层对训练数据的误差序列，构建误差样本；利用timesnet-ec模型结构获取t时刻荷电状态和能量状态估计结果ypt；
6、步骤4：使用基于随机森林的贝叶斯优化对timesnet-ec模型的top_k、编码器/解码器输入大小、多头注意力模型的头数、dropout进行优化，搭建基于随机森林的贝叶斯优化-timesnet-ec模型结构；使用步骤2得到的训练集对基于随机森林的贝叶斯优化-timenet-ec模型进行训练，获得最佳模型超参数；
7、步骤5：利用优化后的模型对测试数据样本进行预测，得到最终荷电状态和能量状态预测值。
8、进一步地，所述步骤1中采用利用离群因子检测lof方法对异常数据进行剔除，构成原始样本trainorgin，包括以下步骤；
9、步骤1.1：计算每个数据点的第k距离邻域内各点的第k可达距离，其公式为：
10、reach_distk(o,p)＝max{dk(o),d(o,p)} (1)
11、其中，dk(o)为领域点o的第k距离，d(o,p)为邻域点o到点p的距离；
12、步骤1.2：计算每个点的局部第k局部可达密度，其公式为：
13、
14、其中，nk(p)为p点的第k距离邻域；
15、步骤1.3：计算每个数据点的第k局部离群因子：
16、
17、步骤1.4：根据步骤1.3中计算得到的每个数据点的局部离群因子lofk(p)，对最大的n个局部离群因子所述的数据点进行判断，如果数据点的lofk(p)远大于1，表明该数据点跟其它数据点疏远，为一个异常点，并将异常点剔除。
18、进一步地，所述步骤2中向原始样本中的电压、电流、温度序列独立注入特定信噪比的高斯噪声，形成增强样本，并与原始样本合并；包括以下步骤；
19、步骤2.1：按照一定的信噪比随机生成高斯噪声，生成指定信噪比的温度噪声tnoise、电压噪声unoise、电流噪声inoise，其公式为：
20、
21、其中ptrain为训练集数据的功率，pnoise表示生成的噪声的功率，snr表示信噪比；
22、步骤2.2：把步骤2.1中得到的噪声序列注入到原始样本的电压、电流、温度中，得到增强样本trainenhance，其公式为：
23、
24、其中tenhance、uenhance、ienhance分别为加入噪声后的电压、电流、温度数据。ttrain、utrain、itrain分别代表原始样本中的电压、电流、温度数据；
25、步骤2.3：把步骤2.2中得到的增强样本trainenhance与原始样本trainorgin合并，作为模型的训练输入，其公式为：
26、train＝(trainenhance,trainorgin) (6)
27、进一步地，所述步骤3中搭建的timesnet-ec模型结构，搭建初步估计层与误差校正层双层结构，具体包括以下步骤；
28、步骤3.1：使用处理好的train数据集对初步估计层的timesnet模型进行训练，提取训练过程中timesnet的估计结果，将估计值与实际值相减，获得估计误差序列；
29、步骤3.2：提取估计误差序列本文档来自技高网...
【技术保护点】
1.一种锂电池荷电状态与能量状态估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种锂电池荷电状态与能量状态估计方法，其特征在于，所述步骤1中采用利用离群因子检测LOF方法对异常数据进行剔除，构成原始样本Trainorgin，包括以下步骤；
3.根据权利要求1所述的一种锂电池荷电状态与能量状态估计方法，其特征在于，所述步骤2中向原始样本中的电压、电流、温度序列独立注入特定信噪比的高斯噪声，形成增强样本，并与原始样本合并；包括以下步骤；
4.根据权利要求1所述的一种锂电池荷电状态与能量状态估计方法，其特征在于，所述步骤3中搭建的TimesNet-EC模型结构，搭建初步估计层与误差校正层双层结构，具体包括以下步骤；
5.根据权利要求1所述的一种锂电池荷电状态与能量状态估计方法，其特征在于，所述步骤4中使用基于随机森林的贝叶斯优化对模型的top_k、编码器/解码器输入大小、多头注意力模型的头数、dropout进行优化，搭建基于随机森林的贝叶斯优化-TimesNet-EC模型结构，获得最佳模型超参数，包括以下步骤；
【技术特征摘要】
1.一种锂电池荷电状态与能量状态估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种锂电池荷电状态与能量状态估计方法，其特征在于，所述步骤1中采用利用离群因子检测lof方法对异常数据进行剔除，构成原始样本trainorgin，包括以下步骤；
3.根据权利要求1所述的一种锂电池荷电状态与能量状态估计方法，其特征在于，所述步骤2中向原始样本中的电压、电流、温度序列独立注入特定信噪比的高斯噪声，形成增强样本，并与原始样本合并；包括以下步骤；
4...
【专利技术属性】
技术研发人员：张越，张楚，王熠炜，陈佳雷，葛宜达，彭甜，纪捷，陈亚娟，
申请(专利权)人：淮阴工学院，
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。