一种基于多窗口归一化电压-容量健康指标动态融合的储能电池健康状态估计方法与流程

本发明涉及电池管理系统和储能电池状态评估，并且更具体地，涉及一种基于多窗口归一化电压-容量健康指标动态融合的储能电池健康状态估计方法。

背景技术：

1、随着新能源并网规模扩大和新型储能系统快速发展，锂离子电池广泛应用于电化学储能、电动汽车和梯次利用等场景。电池在长期循环过程中会出现容量衰减、内阻增加和电压响应变化等退化现象，其健康状态直接影响储能系统的安全性、可用容量、运维策略和寿命评估。因此，准确估计储能电池健康状态（state of health，soh）是电池管理系统中的关键技术之一。

2、现有 soh 获取方式中，较为直接的方法是进行完整充放电容量标定，即通过完整充电或完整放电测试得到当前可用容量，再与初始容量进行比较。然而，在实际储能电站运行中，电池通常处于动态功率、非完整循环、间歇启停和局部充放电状态，频繁进行完整容量标定会影响系统运行效率，也不符合工程现场连续运行要求。因此，利用局部运行数据提取健康指标，并建立健康指标与 soh 之间的映射关系，是更适合工程应用的技术方向。

3、已有方法通常从固定电压窗口或固定容量窗口中提取单一健康指标，例如固定电压区间内的区域容量、固定容量区间内的电压变化量、增量容量曲线峰值等。这些方法虽能在一定程度上避免完整容量测试，但仍存在以下不足：第一，实际储能运行片段不一定覆盖同一固定窗口，若仅依赖单一窗口，容易出现健康指标无法提取或有效样本不足的问题；第二，不同电芯即使型号和工况相同，其初始局部电压–容量曲线也可能存在偏移，未经归一化的健康指标容易受到初始差异影响，导致跨电芯建模稳定性下降；第三，单一电压响应或单一容量响应只能反映电池退化的某一方面，难以同时表征局部电压响应增强和局部容量衰减；第四，不同健康指标在不同 soh 区间内的预测可靠性可能不同，采用固定权重或单一模型难以充分利用不同退化阶段的局部优势。

4、因此，需要提出一种能够适应局部曲线覆盖范围不确定、能够减弱电芯初始差异、能够综合利用多类局部退化信息、并能够随退化阶段动态调整健康指标权重的储能电池soh 估计方法。

技术实现思路

1、针对现有技术的不足，本发明提供一种基于多窗口归一化电压-容量健康指标动态融合的储能电池健康状态估计方法。

2、根据本发明的一个方面，提供了一种基于多窗口归一化电压-容量健康指标动态融合的储能电池健康状态估计方法，包括：

3、对储能电池进行k次循环充放电试验，得到k次储能电池的容量数据集以及指标数据集；

4、基于储能电池的初始容量状态以及容量数据集，得到k次充放电实验的电池真实健康状态作为目标变量集；

5、对目标变量集进行合并相关系数计算，并进行异常点剔除没得到有效有效最优候选输入变量集；

6、以有效最优候选输入变量集作为输入，以目标变量集为输出训练预设数量的高斯过程回归模型，得到预设数量的储能电池健康状态预测模型；

7、基于有效最优候选输入变量集，对预设数量的储能电池健康状态预测模型的融合权重进行计算，得到储能电池健康状态融合模型；

8、基于预设数量的储能电池健康状态预测模型以及储能电池健康状态融合模型，对待预测储能电池进行健康状态预测，得到待预测储能电池的健康状态预测结果。

9、可选地，电池真实健康状态的计算表达式为：

10、

11、式中，为参考容量，即储能电池第一次完整循环测得的电池容量；为第

k次循环测得的电池容量，

soh

k为第

k次循环后电池真实健康状态。

12、可选地，指标数据集包括：局部电压响应、局部容量响应和电压—容量比值型健康指标；计算表达式分别为：

13、

14、式中，为储能电池的循环序号，为候选窗口序号；为第次循环中第个固定容量窗口内的局部电压响应；为第个固定容量窗口的起始电压；为第次循环的电压–容量曲线上与起始电压对应的容量；为第个固定容量窗口的容量增量；为第次循环中，在起始容量基础上增加后对应的插值电压；为第次循环中第个固定电压窗口内的局部容量响应；和分别为第个固定电压窗口的起始电压和终止电压；和分别为对应起始电压和终止电压处的容量；为第次循环中第个窗口对应的电压–容量比值型健康指标；对于放电过程，；对于充电过程，，其中，为固定电压窗口宽度；局部电压响应和局部容量响应均取正向幅值

15、可选地，对目标变量集进行合并相关系数计算，并进行异常点剔除没得到有效有效最优候选输入变量集，包括：

16、对指标数据集进行归一优化处理，得到优化指标数据集作为候选输入标量集，其中归一化指标数据集中电压—容量比值型健康指标进行归一化处理后，进行非线性缩放指数优化；

17、基于目标变量集，对候选输入变量集中每次循环中的多个输入变量进行合并相关系数计算，并根据合并相关系数计算结果筛选出每次循环中的最优候选输入变量，得到k次循环的最优候选输入变量集；

18、基于目标变量集，对k次循环的最优候选输入变量集进行异常点剔除，得到有效循环的有效最优候选输入变量集。

19、可选地，归一优化处理的计算表达式为：

20、

21、式中，、和分别为第次循环中第个候选窗口对应的归一化局部电压响应、归一化局部容量响应和归一化电压–容量比值型健康指标；

22、、和分别为参考循环在第个候选窗口下得到的局部电压响应参考值、局部容量响应参考值和电压–容量比值型健康指标参考值；参考循环为同一储能电池的第一条有效循环；

23、为非线性缩放指数，用于调节归一化电压–容量比值型健康指标的变化幅度；当时，对归一化电压–容量比值型健康指标的变化幅度进行压缩；

24、归一化后的电压—容量比值型健康指标的非线性缩放指数优化的表达式为：

25、

26、式中，γ为非线性缩放指数。

27、可选地，合并相关系数计算的表达式为：

28、

29、式中，表示第个电芯第次循环在第个候选窗口下得到的第类scaled健康指标；表示与该健康指标对应的真实健康状态；和分别表示合并全部训练电芯样本后对应变量的平均值，为电芯数量，为第个电芯包含的有效循环次数；表示健康指标类型，其中：

30、。

31、可选地，每次循环中的最优候选输入变量为每次循环中最优窗口内输入变量，其中最优窗口根据三类健康指标的计算结果确定，其中对于局部电压响应、局部容量响应，最优窗口为合并相关系数绝对值最大对应的窗口为最优窗口；

32、对于电压—容量比值型健康指标由局部电压响应、局部容量响应的最优窗口以及非线性缩放指数共同确定。

33、可选地，基于目标变量集，对k次循环的最优候选输入变量集进行异常点剔除，得到有效循环的有效最优候选输入变量集，包括：

34、按照循环序号由小到大的顺序，或者按照循环数据采集时间的先后顺序，对每个储能电池的循环样本进行排列，并使每个循环样本的最优候选输入变量与对应的真实健康状态一一对应；

35、以最优候选输入变量为自变量、对应的真实健康状态为因变量进行一阶线性拟合，得到各循环样本的健康状态拟合值，并按照下式计算第个循环样本的残差：

36、

37、式中，为第个循环样本的真实健康状态，为一阶线性拟合得到的健康状态拟合值

38、并结合全局 mad 判据和局部 hampel 判据识别异常点，被识别为异常点的样本进行剔除，得到有效最优候选输入变量集，其中全局 mad 判据和局部 hampel 判据分别为：

39、

40、

41、式中，为第个循环样本的拟合残差，为同一储能电池、同一类健康指标对应的全部循环样本残差集合；为全部残差的中位数；为全部循环样本残差的中位数绝对偏差，其表达式为：

42、

43、为按照循环先后顺序、以第个循环样本为中心建立的局部窗口内的残差集合；为局部残差集合的中位数绝对偏差，其表达式为：

44、

45、式中，为以第个循环样本为中心的局部窗口，局部窗口的半窗口宽度为，包括第个至第个循环样本；位于循环序列端部时，根据实际能够获得的相邻循环样本构建局部窗口。

46、可选地，高斯过程回归模型采用平方指数核函数描述输入样本之间的相似性；储能电池健康状态预测模型的融合权重根据试验样本集中各储能电池健康状态预测模型在不同健康状态位置处的局部预测误差，以及待预测储能电池中各类健康指标的可提取性确定，具体包括：将试验样本中的局部电压响应健康指标、局部容量响应健康指标和电压–容量比值型健康指标分别输入对应的储能电池健康状态预测模型，得到各类健康指标对应的健康状态预测值；对于健康状态位置，按照下式计算第类储能电池健康状态预测模型的局部均方根误差：

47、

48、式中，为试验样本集中真实健康状态位于健康状态位置的预设邻域内的样本集合，为样本集合中的样本数量，为第个试验样本的真实健康状态，为第类储能电池健康状态预测模型对第个试验样本得到的健康状态预测值，；根据局部均方根误差的倒数进行归一化，按照下式确定第类储能电池健康状态预测模型在健康状态位置处的基础融合权重：

49、

50、式中，为第类储能电池健康状态预测模型在健康状态位置处的基础融合权重；获取待预测储能电池第次循环中能够从局部电压–容量曲线提取的健康指标集合，将健康指标集合中的各类健康指标分别输入对应的储能电池健康状态预测模型，得到各类健康指标对应的初步健康状态预测值，并按照下式确定第次循环对应的初步健康状态位置：

51、

52、式中，为第次循环对应的初步健康状态位置，为健康指标集合中能够提取的健康指标数量；定义第类健康指标的可提取性变量，当第次循环能够提取第类健康指标时，，否则；根据基础融合权重和可提取性变量，按照下式确定第次循环中第类储能电池健康状态预测模型的实际融合权重：

53、

54、式中，为第次循环中第类储能电池健康状态预测模型的实际融合权重；根据实际融合权重，按照下式对各类储能电池健康状态预测模型的预测结果进行加权求和：

55、

56、式中，为待预测储能电池第次循环的健康状态融合预测结果；当第次循环仅能够提取一种健康指标时，将该健康指标对应的实际融合权重设置为1。

57、根据本发明的另一个方面，提供了一种基于多窗口归一化电压-容量健康指标动态融合的储能电池健康状态估计装置，包括：

58、试验模块，用于对储能电池进行k次循环充放电试验，得到k次储能电池的容量数据集以及指标数据集；

59、得到模块，用于基于储能电池的初始容量状态以及容量数据集，得到k次充放电实验的电池真实健康状态作为目标变量集；

60、第一计算模块，用于对目标变量集进行合并相关系数计算，并进行异常点剔除没得到有效有效最优候选输入变量集；

61、训练模块，用于以有效最优候选输入变量集作为输入，以目标变量集为输出训练预设数量的高斯过程回归模型，得到预设数量的储能电池健康状态预测模型；

62、第二计算模块，用于基于有效最优候选输入变量集，对预设数量的储能电池健康状态预测模型的融合权重进行计算，得到储能电池健康状态融合模型；

63、预测模块，用于基于预设数量的储能电池健康状态预测模型以及储能电池健康状态融合模型，对待预测储能电池进行健康状态预测，得到待预测储能电池的健康状态预测结果。

64、根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。

65、根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任一方面所述的方法。

66、从而，本发明在无需频繁进行完整容量标定的情况下，利用电池运行过程中可获取的局部电压–容量曲线，分别从固定容量窗口和固定电压窗口中提取局部电压响应和局部容量响应，构造归一化电压响应、归一化容量响应及归一化电压–容量比值健康指标；再通过跨电芯汇总 pearson 相关系数优化窗口参数，通过高斯过程回归建立健康指标与soh 之间的非线性映射关系，并根据试验集局部预测误差和运行片段中健康指标的可提取性动态确定融合权重，从而提高储能电池 soh 估计的精度、鲁棒性和工程适应性。