一种配微电网协同下储能装置的SOH估计方法及设备与流程

本发明涉及soh估计，具体为一种配微电网协同下储能装置的soh估计方法及设备。

背景技术：

1、随着配电网和微电网协同运行程度不断提高，储能系统在源网荷储协调、可再生能源消纳、电能质量维持和紧急功率支撑等方面发挥着越来越重要的作用。储能电池在长期运行中会受到循环次数、环境温度、充放电倍率、电网调度策略和负荷波动等因素影响，其容量逐步衰减，内阻逐步变化，因此需要对其健康状态进行持续估计。而传统的soh（state of health，健康状态）估计方法通常仅采集电池本体的局部数据（可以是电压、电流、温度）。然而，储能装置在微电网中运行，其老化过程深受配电网侧全局运行环境（如负荷波动、并网点电压偏差、峰谷调度策略）的影响。现有技术忽略了配电网侧的全局运行数据对电池老化特征的耦合影响，导致在复杂工况下soh估计精度下降。

技术实现思路

1、本发明的目的是提供一种配微电网协同下储能装置的soh估计方法及设备，实现了配微电网协同下储能装置的高精度、低算力消耗的soh估计。

2、为解决上述技术问题，本发明采用的技术方案为：

3、本发明提供一种配微电网协同下储能装置的soh估计方法，包括：

4、s1、采集微电网侧储能装置的局部运行数据和配电网侧的全局运行数据；

5、s2、基于所述局部运行数据在储能装置的局部电压区间内提取局部轻量特征，并基于所述全局运行数据提取工况修正特征；

6、s3、利用注意力机制基于所述工况修正特征对所述局部轻量特征进行动态权重调整，进而进行配微协同特征融合以生成协同特征向量；

7、s4、根据储能装置的电池类型调用预存的参数模板，并根据所述工况修正特征对所述参数模板的噪声参数进行动态调整，以构建对应的状态空间模型；

8、s5、基于所述状态空间模型对所述协同特征向量进行卡尔曼滤波估计，得到soh估计结果。

9、可选的，所述基于所述局部运行数据在储能装置的局部电压区间内提取局部轻量特征，并基于所述全局运行数据提取工况修正特征的步骤，包括：

10、s21、基于所述局部运行数据选取微电网侧储能装置在充电过程中的局部电压区间；

11、s22、在选取的所述局部电压区间内提取局部轻量特征；所述局部轻量特征包括增量容量峰值特征和恒压充电容量特征；所述增量容量峰值特征表征储能装置的容量衰减情况；所述恒压充电容量特征表征储能装置的内阻变化情况和容量退化情况；

12、s23、基于所述全局运行数据提取工况修正特征，所述工况修正特征包括负荷波动系数、电压偏差系数、充放电协同因子和温度影响系数。

13、可选的，所述利用注意力机制基于所述工况修正特征对所述局部轻量特征进行动态权重调整，进而进行配微协同特征融合以生成协同特征向量的步骤，包括：

14、s31、将所述工况修正特征映射为查询向量，将所述局部轻量特征分别映射为键向量和值向量；

15、s32、计算所述查询向量与所述键向量之间的相关性得分，并根据所述相关性得分生成动态注意力权重；

16、s33、基于所述动态注意力权重对所述值向量进行加权融合，以生成所述协同特征向量。

17、可选的，所述噪声参数包括过程噪声参数和观测噪声参数；所述根据所述工况修正特征对所述参数模板的噪声参数进行动态调整的步骤，包括：

18、s41、基于所述工况修正特征中的负荷波动系数和电压偏差系数得到噪声增益因子；

19、s42、利用所述噪声增益因子对所述过程噪声参数和所述观测噪声参数进行动态调整修正。

20、可选的，通过以下方式构建对应的状态空间模型：

21、s43、基于所述协同特征向量构建双观测通道；所述双观测通道包括基于增量容量峰值特征构建的第一观测通道和基于恒压充电容量特征构建的第二观测通道；

22、s44、利用所述增量容量峰值特征驱动状态更新通道，对储能装置的电池容量状态进行递推；

23、s45、利用所述恒压充电容量特征驱动参数自适应通道，对状态空间模型的参数进行实时修正。

24、可选的，还包括：s6、将协同特征向量、soh估计结果、局部轻量特征和工况修正特征上传至云平台；云平台基于上传数据对状态空间模型的参数模板进行优化，并下发优化后的参数模板至边缘终端进行更新。

25、可选的，所述采集微电网侧储能装置的局部运行数据和配电网侧的全局运行数据的步骤，还包括：s11、对所述局部运行数据和所述全局运行数据进行预处理，所述预处理包括去噪、标准化、时序对齐和缺失数据补全；通过插值和历史趋势结合的方法进行缺失数据补全。

26、可选的，所述局部运行数据表征储能装置运行状态，所述局部运行数据包括电压数据、电流数据、荷电状态数据和温度数据；所述全局运行数据表征储能装置所处外部运行环境状态，所述全局运行数据包括区域总负荷数据、并网点电压波动数据、电网频率数据和峰谷时段数据。

27、可选的，当所述储能装置的电池类型为三元锂电池时，所述局部电压区间为3.7v至4.1v。

28、本发明还提供一种终端设备，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如上述方法。

29、本发明的有益效果：1、通过采集微电网侧局部运行数据与配电网侧全局运行数据，打破了仅依赖本地数据估计soh的局限。利用注意力机制基于全局工况修正特征对局部轻量特征进行动态权重调整与融合，实现了配微协同的特征提取，消除了复杂电网波动对电池特征提取的干扰，显著提升了特征的鲁棒性。进一步地，根据电池类型调用参数模板并结合工况特征动态调整状态空间模型的噪声参数，使得卡尔曼滤波能够自适应不同电池特性及多变的运行环境，解决了固定参数模型在工况变化下估计精度下降的问题。该方法实现了配微电网协同下储能装置的高精度、低算力消耗的soh估计，兼顾了数据隐私与实时性，大幅提高了储能系统全生命周期的管理效率与安全性。

30、2、通过在充电过程的特定局部电压区间（可以是3.7v至4.1v）内提取增量容量峰值特征和恒压充电容量特征，以精准捕捉电池的核心老化特征。增量容量峰值特征反映活性锂离子的损失，表征容量衰减；恒压充电容量特征反映电池内阻的变化，从而综合评估电池的容量退化与功率衰退情况，提取的特征均对老化敏感。通过引入配电网侧的全局运行数据，提取负荷波动系数、电压偏差系数、充放电协同因子和温度影响系数等工况修正特征，能够全面量化外部复杂环境对电池运行的影响，这使得模型具备了对外部电网工况的感知能力。将这两类特征结合，使得soh估计不仅依赖于电池自身的反应，还能根据实际运行环境（工况修正特征）进行动态修正，抑制了复杂工况（如剧烈负荷波动、电压偏差）对特征提取的干扰，提升了特征的鲁棒性与泛化能力，为后续高精度的状态估计奠定了坚实基础。

31、3、引入基于工况修正特征的动态噪声调整机制，解决了传统卡尔曼滤波在变工况下易发散的问题。具体而言，利用负荷波动系数和电压偏差系数计算噪声增益因子，并以此实时修正状态空间模型的过程噪声与观测噪声参数。这种设计使得滤波器能够自适应电网环境的变化，当负荷波动剧烈或电压偏差较大时，自动增益因子会提升噪声协方差，防止滤波器因模型失配而发散；反之则降低噪声权重，保证稳态估计精度。构建的双观测通道实现了电池老化物理过程的精准解耦与协同估计，基于增量容量峰值特征的第一观测通道专门用于驱动状态更新，精准捕捉电池的容量衰减轨迹；而基于恒压充电容量特征的第二观测通道则负责驱动参数自适应通道，实时修正模型参数以跟踪内阻变化等极化效应。使得soh估计不仅能够区分不同类型的老化特征，还能通过参数自适应通道实现模型的在线校正，从而在电池全生命周期内保持高精度估计。