基于云边协同的蓄电池健康度评估方法及系统与流程

本技术涉及蓄电池状态监测与健康评估，具体涉及一种基于云边协同的蓄电池健康度评估方法及系统。

背景技术：

1、蓄电池组是变电站直流电源系统的重要组成部分，通常由多只单体电池串联构成，用于在交流电源中断或站用负荷异常时向保护、控制及通信设备持续供电。蓄电池长期处于浮充状态，随着使用时间增加，会出现活性物质衰减、内阻增大及实际容量下降等问题，且同组单体之间的退化程度可能存在明显差异，因此需要及时掌握各单体电池的健康状态。

2、现有蓄电池健康评估主要采用核容试验、内阻测试或基于浮充电压的状态判断。核容试验需要进行较长时间的深度放电，实施周期长，对现场运行和人员配置要求较高，难以频繁开展；内阻和浮充电压易受温度、荷电状态、连接状态及测量误差影响，与实际剩余容量之间并非稳定对应。部分基于运行数据的评估方法需要较完整的充放电曲线或固定测试工况，但变电站蓄电池在正常运行期间通常仅发生持续时间较短、放电深度较浅的放电事件，单次事件包含的容量信息有限，难以直接形成可靠评估结果。

3、此外，不同事件的放电电流、环境温度和荷电状态不同，长期运行过程中电压与荷电状态的对应关系还会随老化发生变化，导致不同时段采集的数据难以统一比较和有效利用。因此，如何利用蓄电池日常运行中自然产生的短时放电数据，在降低现场测试负担的同时实现单体电池剩余容量的持续评估，仍是现有技术需要解决的问题。

技术实现思路

1、本技术实施例提供了一种基于云边协同的蓄电池健康度评估方法及系统，以至少解决如前所述相关技术中存在的部分技术问题。

2、根据本技术实施例第一方面，提供了一种基于云边协同的蓄电池健康度评估方法，包括：边缘设备检测串联蓄电池组在运行过程中发生的短时放电事件，截取所述短时放电事件时段内各单体电池的电压时间序列，并记录放电电流和电池温度；对所述电压时间序列滤波后计算各单体电池的电压一阶导数和二阶导数，并从中提取各单体电池的绝对导数特征值；根据同一所述短时放电事件中各单体电池的所述绝对导数特征值相对于组内基准值的偏差，计算各单体电池的差分导数特征值；依据所述放电电流和所述电池温度对所述绝对导数特征值和所述差分导数特征值进行归一化和温度校正，标注所述短时放电事件对应的荷电状态区间；云端按所述荷电状态区间将多次所述短时放电事件经归一化和温度校正后的所述绝对导数特征值和所述差分导数特征值填入各单体电池的累积特征表；云端将所述累积特征表中的所述绝对导数特征值和所述差分导数特征值输入回归模型，得到各单体电池的剩余容量估计值。

3、作为一种可选的方案，所述绝对导数特征值包括放电初段时间范围内所述一阶导数的均值、整个放电时段内所述二阶导数的均值、以及放电末段时间范围内一阶导数均值与放电初段时间范围内一阶导数均值的比值；所述差分导数特征值包括各单体电池的一阶导数均值相对于所述组内基准值的偏差以及各单体电池的二阶导数均值相对于组内二阶导数基准值的偏差。

4、作为一种可选的方案，在将多次所述短时放电事件的所述绝对导数特征值和所述差分导数特征值填入所述累积特征表时，当不同短时放电事件在所述荷电状态区间上存在重叠部分时，云端计算重叠部分内两次事件归一化温度校正后的绝对导数特征值之间的系统性偏差，根据所述系统性偏差与所述重叠部分内绝对导数特征值沿荷电状态方向的变化率之比确定后到事件的荷电状态标注修正量，将所述后到事件的荷电状态标注沿荷电状态方向平移所述修正量后再填入所述累积特征表。

5、作为一种可选的方案，云端根据同型号电池的历史数据统计所述重叠部分内系统性偏差的正常范围；当所述系统性偏差超出所述正常范围时，云端清除该单体电池的所述累积特征表中时间上较早的事件数据，仅保留时间上较新的事件数据。

6、作为一种可选的方案，所述归一化具体为所述绝对导数特征值和所述差分导数特征值分别基于所述放电电流计算；所述温度校正为将归一化后的所述绝对导数特征值和所述差分导数特征值基于阿伦尼乌斯关系的温度校正系数计算，统一校正至参考温度；所述温度校正系数中的活化能参数由云端根据同型号电池在多个温度条件下的运行数据通过回归拟合确定。

7、作为一种可选的方案，在所述累积特征表中同一荷电状态区间存在多次事件观测值时，按时间衰减权重对多次观测值进行加权平均，距当前时刻越近的事件所分配的权重越高。

8、作为一种可选的方案，所述回归模型为梯度提升回归树模型，由多棵分类回归树按顺序叠加构成；所述梯度提升回归树模型的训练标签来自核容试验测得的各单体电池实际容量百分比，训练输入为对应单体电池在核容试验时刻的所述累积特征表中的所述绝对导数特征值和所述差分导数特征值。

9、作为一种可选的方案，云端根据所述累积特征表中已有观测数据覆盖的荷电状态区间数量占总荷电状态区间数量的比例计算置信度指标；当所述置信度指标低于设定门限时，输出所述剩余容量估计值的区间估计；当所述置信度指标达到所述设定门限时，输出所述剩余容量估计值的点估计及误差范围。

10、作为一种可选的方案，当站点执行核容试验后，实测容量值回传云端；云端将所述实测容量值与对应的所述剩余容量估计值进行比较，并将所述实测容量值与对应的所述累积特征表状态作为新训练样本更新所述回归模型；云端根据同组各单体电池的实测容量排序验证所述差分导数特征值与容量排序之间的一致性，对不一致的单体电池在后续训练中降低其差分导数特征值的贡献，并将更新后的模型参数下发至边缘设备。

11、根据本技术实施例的第二方面，还提供一种基于云边协同的蓄电池健康度评估系统，包括边缘设备和与所述边缘设备通信连接的云端，所述边缘设备包括：事件检测及特征提取单元，被配置为检测串联蓄电池组在运行过程中发生的短时放电事件，截取所述短时放电事件时段内各单体电池的电压时间序列，并记录放电电流和电池温度；对所述电压时间序列滤波后计算各单体电池的电压一阶导数和二阶导数，并从中提取各单体电池的绝对导数特征值；差分特征计算单元，被配置为根据同一所述短时放电事件中各单体电池的所述绝对导数特征值相对于组内基准值的偏差，计算各单体电池的差分导数特征值；特征校正及区间标注单元，被配置为依据所述放电电流和所述电池温度对所述绝对导数特征值和所述差分导数特征值进行归一化和温度校正，并标注所述短时放电事件对应的荷电状态区间；所述云端包括：特征累积单元，被配置为按照所述荷电状态区间，将多次所述短时放电事件经归一化和温度校正后的所述绝对导数特征值和所述差分导数特征值填入各单体电池的累积特征表；容量估计单元，被配置为将所述累积特征表中的所述绝对导数特征值和所述差分导数特征值输入回归模型，得到各单体电池的剩余容量估计值。

12、本技术利用蓄电池组运行过程中自然发生的短时放电事件开展健康度评估，无需频繁实施深度放电核容试验，能够降低现场测试对直流电源系统正常运行的影响。通过提取各单体电池电压的一阶导数、二阶导数及其变化关系，并利用串联蓄电池组中各单体共享放电电流的条件构建相对于组内基准值的差分导数特征，可以减小放电工况差异对单体状态比较的干扰，提高退化单体的识别能力。对导数特征进行电流归一化和温度校正后，按照荷电状态区间累积多次短时放电事件的数据，并根据重叠区间内特征变化修正荷电状态标注偏差，使不同时期、不同工况下获得的局部数据能够形成具有连续性的容量特征。云端利用多站点数据完成模型训练和更新，边缘设备承担事件检测及特征计算，可在控制通信量和计算负荷的条件下持续输出单体电池剩余容量估计结果，并结合数据覆盖程度给出相应置信信息，从而为蓄电池检修和更换提供较为可靠的依据。

13、应当理解的是，以上的一般描述和后文的细节描述仅是示例性的和解释性的，并不能限制本公开。此外，本公开中的任一实施例并不需要达到上述的全部效果。