一种电池组状态评估方法及系统与流程

摘要: 本发明涉及电池管理,具体涉及一种面向电池组,尤其是锂离子动力电池组、储能电池组及其他成组电池系统的荷电状态(soc)与健康状态(soh)联合评估方法及系统,适用...
一种电池组状态评估方法及系统与流程

本发明涉及电池管理,具体涉及一种面向电池组,尤其是锂离子动力电池组、储能电池组及其他成组电池系统的荷电状态(soc)与健康状态(soh)联合评估方法及系统,适用于电池管理系统(bms)、电池测试平台、动力电池运行监测与维护、储能电站运维以及电池退役筛查评价等场景。

背景技术:

1、大型电池系统通常由多个单体电芯串联形成电池组,或由多个串联支路并联形成串并联电池系统。在实际运行中,各单体之间不可避免地存在起始容量、欧姆内阻、极化特性、温升速率及老化速度的差异。上述差异在充放电过程中会引发“短板效应”——即荷电状态(soc)最低或健康状态(soh)较差的单体率先达到放电下限,而soc最高的单体率先达到充电上限,从而制约整组可用容量、输出功率和安全运行边界。

2、现有技术中,电池组soc的常用估计方法包括安时积分法、平均值法或单一电池包模型估计法。这些方法在单体一致性较好时尚可满足基本监测需求,但在老化不一致、容量衰减不均衡或工况波动剧烈时,平均soc值极易掩盖极端单体对整组充放电边界的真实约束,导致运维人员误判电池组剩余可用空间。此外,传统的电压阈值报警方式虽然能够发现明显的过压或欠压风险,但报警时机往往滞后,且难以区分导致异常的根源究竟是当前状态不一致、容量永久性衰减、内阻异常增大还是采样通道故障。

3、另一方面,动力电池测试平台、储能电站运维平台及其他电池系统运维平台每天产生海量的高频时序数据。现有系统普遍缺乏面向电芯级、工况级、模型参数级和评估结果级的分层数据管理结构,导致原始数据、清洗数据、算法参数、中间结果和预警结论之间难以有效关联,严重制约了异常复盘效率、模型迭代训练速度和运维闭环管理能力。

技术实现思路

1、(一)发明目的

2、本发明的目的在于克服上述现有技术的不足,提供一种电池组状态评估方法及系统,旨在实现以下目标:

3、构建能够同时反映最低soc单体和最高soc单体约束的组级soc合成指标,准确表征串联电池组的真实可用充放电窗口;

4、融合单体soc递推估计、电压异常事件统计和soh容量反算三种诊断手段,实现对短板电芯的精准定位及其异常类型的有效区分;

5、建立分层数据库管理体系,打通原始数据、清洗数据、模型参数、评估结果和预警结论之间的关联链路,提升算法复现性、模型训练效率和运维闭环能力;

6、提供灵活可配置的算法替代方案和部署方式,适配在线bms预警、测试平台分析、动力电池运行监测、储能电站运维及退役筛查等多类应用场景。

7、(二)技术方案

8、为实现上述目的,本发明采用如下技术方案:

9、一种电池组状态评估方法,包括以下步骤:

10、采集电池组运行数据,所述数据包括但不限于电池组总电压、串联支路电流或电池组总电流、各单体或各采样单元端电压、温度、时间戳、累计容量、功率、工况标识、电芯编号、电池组编号和测试条件;所述单体数量、电芯类型、额定容量、采样频率和采样通道数均可根据实际电池系统配置确定。

11、通过hppc或等效脉冲测试获得单体ocv-soc曲线,并辨识二阶rc等效电路模型参数,包括欧姆内阻r0、极化电阻r1/r2和极化电容c1/c2;模型参数可按照soc区间、温度区间和老化阶段建立查表或函数映射关系。

12、以对应串联支路电流或电池组总电流作为单体工作电流输入,以各单体端电压作为观测量,对每个电芯分别执行扩展卡尔曼滤波(ekf)或等效递推估计算法,实时输出各电芯soc_i轨迹、估计误差协方差和电压残差。所述等效递推估计算法可替换为无迹卡尔曼滤波、粒子滤波、滑模观测器、递推最小二乘结合滤波算法、神经网络估计算法或上述算法的组合。所述等效电路模型不限于二阶rc模型,可替换为一阶rc模型、三阶rc模型、电化学简化模型或数据驱动模型。

13、在同一时刻对全部单体soc_i进行统计,得到soc_min = min(soc_i)、soc_max =max(soc_i)和soc_avg = avg(soc_i)。其中,soc_min用于表征整组放电下限约束,soc_max用于表征整组充电上限约束。

14、按下式计算电池组可用窗口相对荷电状态soc_pack:

15、soc_pack = soc_min / (100% - soc_max + soc_min) × 100%

16、其中,soc_min表示当前最低soc单体仍可提供的等效放电裕度,100%-soc_max表示当前最高soc单体距离满电上限的等效充电裕度,100%-soc_max+soc_min表示在单体不一致状态下由可充裕度和可放裕度共同构成的等效可用soc窗口;该soc_pack表示电池组在上述可用窗口中的相对位置,而不是简单平均电量。

17、作为所述soc_pack公式的扩展方案,可在soc_min和soc_max基础上进一步引入容量权重、内阻权重、温度权重、估计置信度权重或电压残差权重,形成加权最值修正soc,具体表达式为:

18、soc_pack_weighted = (α·soc_min) / [(100% - soc_max)·β + soc_min·α]× 100%

19、其中,α和β分别为基于所述权重综合计算得到的放电裕度修正系数和充电裕度修正系数。

20、当soc_max、soc_min超出有效范围或分母小于预设阈值时,对输入soc进行限幅、滤波或保持上一有效值处理;当soc_max - soc_min超过预设不一致阈值时,输出电芯不一致预警,并将soc_pack与soc_min、soc_max、soc_avg同时上报。

21、设置单体低压阈值v_low和高压阈值v_high,统计各电芯在充电、放电和静置过程中的越限次数、持续时间和发生工况;低压越限次数最多的电芯作为放电短板候选,高压越限次数最多的电芯作为充电短板候选。

22、选取预设soc区间或电压区间,对充电或放电过程中的电流进行安时积分,结合soc变化量和标称容量cn反算单体可用容量,并分别计算soh_charge和soh_discharge,取二者较小值或加权值作为soh_cell。

23、将soc_min对应电芯、soc_max对应电芯、所述电压越限事件、所述递推估计的电压残差、soh_cell及温度信息进行交叉验证,输出异常电芯编号、异常类型、短板方向、风险等级和维护建议。所述异常类型至少包括低soc短板、高soc充电受限、容量衰减、内阻或极化异常、采样异常。

24、本发明还提供一种电池组状态评估系统,包括:

25、数据采集模块,用于采集电池组运行数据,所述数据至少包括各单体端电压、串联支路电流或电池组总电流、温度及时间戳;

26、单体soc估计模块,用于基于各单体的等效电路模型,以对应串联支路电流或电池组总电流作为输入、各单体端电压作为观测量,分别递推估计各单体荷电状态soc_i;

27、最值统计与组级soc合成模块,用于在同一时刻统计全部单体soc_i,提取最小值soc_min、最大值soc_max及平均值soc_avg,并按上述公式计算电池组综合荷电状态soc_pack,执行边界处理及不一致预警触发;

28、电压异常筛查模块,用于根据各单体端电压与预设高、低压阈值的比较结果,统计越限事件并识别充电短板候选和放电短板候选;

29、soh反算模块,用于基于安时积分与soc变化量反算各单体健康状态soh_cell;

30、联合诊断模块,用于将soc_min对应电芯、soc_max对应电芯、所述越限事件、递推估计的电压残差、soh_cell及温度进行交叉验证,输出异常电芯编号、异常类型及风险等级;

31、分层数据库管理模块,至少包括原始数据层ods、清洗标准层dwd和应用结果层ads;所述ods层保存采集的原始时序数据;所述dwd层保存经去噪、时间对齐、单位统一和异常标记后的数据;所述ads层保存模型参数、soc/soh评估结果、异常事件、预警等级和报告视图;各层之间通过电芯编号、电池组编号、工况标识和时间戳进行关联,形成数据采集、处理、评估、训练和回写的闭环;

32、结果回写接口,用于通过配置文件保存数据库连接参数和算法运行参数,利用数据库连接池读取测试数据并转化为算法输入数据表;算法完成后将soc_pack、soc_min、soc_max、soh_cell、异常电芯编号和预警结论写回数据库,供电池管理系统bms、测试平台或运维系统调用。

33、所述分层数据库管理模块所采用的数据库可在postgresql基础上扩展timescaledb,也可替换为influxdb、mysql、sqlite、国产关系型数据库或其他支持事务管理和时序数据处理的数据库。

34、所述预设高、低压阈值、用于soh反算的预设soc区间或电压区间、预警等级划分标准以及不一致性判据阈值,均根据电芯类型、bms策略、测试标准以及动力电池系统、储能电池系统或其他电池系统的运行要求进行配置化设定。

35、所述系统的部署方式不限于本地上位机,还部署于bms主控芯片、边缘网关、云平台服务器或测试实验室服务器中,采用本地运算、边缘计算或云端分布式计算模式运行。

36、(三)有益效果

37、相较于现有技术,本发明具有以下显著优点:

38、(1)组级soc合成公式同时考虑最低soc单体和最高soc单体,能够准确体现串联电池组由短板电芯决定的可充边界和可放边界,弥补了传统平均soc在成组评估中的信息失真缺陷。该公式以soc_min表征当前可放裕度、以(100%-soc_max)表征当前可充裕度,二者之和构成等效可用soc窗口,soc_pack即为电池组在该窗口中的相对位置,直观反映整组真实可用状态。在此基础上,还可引入容量权重、内阻权重、温度权重、估计置信度权重或电压残差权重,形成加权最值修正soc,以适应不同电芯体系和工况的差异化需求。通过边界限幅、滤波保持及不一致阈值预警机制,保证算法在各种极端工况下的稳定性和鲁棒性。

39、(2)通过单体soc递推估计、电压阈值事件统计和soh容量反算的三重组合诊断,实现多源信息交叉验证,可降低单一判据的误报率,提高异常诊断的准确性和可靠性。该方法能够区分“当前状态不一致(可均衡恢复)”与“长期健康度不一致(需更换或维修)”两类本质不同的问题,并定位异常或老化单体,为运维人员提供故障定位和处置依据。

40、(3)数据库采用ods、dwd、ads三层架构,完整保存原始数据、清洗数据、模型参数和评估结果,大幅提高了算法复现性、模型训练效率、异常复盘速度和运维报告生成能力。

41、(4)本发明既可用于在线bms实时预警,也可离线用于电池测试平台、bms硬件在环(hil)测试、动力电池运行数据分析、储能电站历史数据分析及电池退役筛查评价,适用范围广泛。

42、(5)输出结果同时包含soc_pack、soc_min、soc_max、soh_cell、异常电芯编号、风险等级和维护建议等多元信息,其中soc_pack反映整组综合状态,soc_min和soc_max分别指示放电短板和充电短板,soh_cell反映各单体健康衰减程度,异常电芯编号和异常类型实现精确定位,风险等级和维护建议直接指导运维动作,便于上层系统或运维人员据此制定充放电策略、均衡控制或更换计划。