一种储能场景单体电池SOH预测计算方法与流程

一种储能场景单体电池soh预测计算方法
技术领域
1.本发明属于电力技术领域，尤其是涉及一种储能场景单体电池soh预测计算方法。


背景技术：

2.电池的健康状态(state of health，soh)是判断电池老化程度的综合评价指标，与储能系统的稳定运行以及功率输出能力直接相关，是电池管理系统(battery management system，bms)在线估算的难点之一。容量增量分析是锂离子电池衰退机理分析的重要方法，它揭示了电池外部特性与内部变化的关系。本发明便是结合容量增量分析(increment capacity analysis，ica)曲线中包含的关键信息以及充电过程中的原始数据建立的电池soh估计模型，提供高效、准确的电池soh估计方法，有助于储能系统的精细化运营、管理。


技术实现要素：

3.本发明旨在解决上述技术问题，提供一种储能场景单体电池soh预测计算方法。
4.为了达到上述目的，本发明采用如下技术方案：
5.一种储能场景单体电池soh预测计算方法，包括以下步骤：
6.步骤1，采集储能系统电池的运行数据，运行数据包括单体电池的电压以及电流数据，对电池数据进行清洗，过滤异常数据以及填补缺失数据；
7.步骤2，将单体电池按照充电结束时刻电压进行分级并对其中部分电池按照安时法计算容量；
8.步骤3，根据电池的运行数据计算其容量增量曲线即ic曲线；
9.步骤4，根据ic曲线提取其中的特征；
10.步骤5，构建神经网络模型，以ic曲线特征和充电数据作为特征作为输入层的数据，对应的容量作为输出层对网络进行训练；
11.步骤6，将未采用安时法计算容量的电池作为带预测样本，并用神经网络对其进行预测，得到单体电池容量并计算soh。
12.作为优选，步骤1中，输入获取的方式根据使用场景不同而发生变化，若需要进行实时计算，则需通过云端进行数据传输、计算；离线计算则将本地数据导出之后在进行处理。
13.作为优选，步骤2中，对单体电池进行分档的步骤如下：大于3.55v，定义为ⅰ类电池，表示衰减较为严重的电池；小于3.55v且大于3.4v，定义为ⅱ类电池，代表衰减程度较轻的电池；小于3.4v，定义为ⅲ类电池，表示状态较为良好的电池；
14.针对ⅱ类电池数据，找出ⅰ类电池中归属于相同电池组的电压、电流数据，并以ⅱ类电池中结束充电时刻的电压为基准把ⅰ类电池中大于该电压值的电压和电流补全到ⅱ类电池中，针对ⅲ类电池也采取相同的操作；电池电压达到3.6v之后，其后时间的电压数据都置为2.8v；
[0015]ⅰ类以及ⅱ类电池的容量通过安时法直接进行计算得到，ⅲ类的容量采用神经网络模型进行预测得到。
[0016]
作为优选，步骤3中，ic曲线是计算dq/dv，q表示电池充入的电量，v表示电池的电压，反应电池单位冲入电量与相应电压变化量的比值；ic曲线的计算方法如下：
[0017]
令恒流充电电流为i，那么充入电量q＝it，则有dq＝i
·
dt，那么：
[0018]
dq/dv＝i
·
dt/dv；
[0019]
在更为一般的场景下dq/dv可表示为一个关于v的函数：
[0020][0021]
作为优选，步骤4中，由于同一节电池随着时间的推移，ic曲线中的ⅱ峰的峰值下降以及峰位右移且ⅱ峰的包络面积呈减少趋势，且同时期的两节电池，衰减较为严重的电池ⅱ峰峰位后移、ⅰ峰峰值下降，故从ic曲线中提取ⅰ峰、ⅱ峰、ⅲ峰的峰值以及ⅱ峰峰值对应的电压、包络面面积，作为ic曲线提取特征。
[0022]
作为优选，步骤5中，神经网络模型包括输入层、隐含层以及输出层；输入层中共包含363个神经元，1
‑
360的神经元用来输入电压数据；361
‑
363的神经元用来输入ic曲线的特征；隐含层有2层，每层包含20个神经元；输出层有1个神经元，表示预测得到的容量；前一层神经元与当前层神经元的连接方式为全连接，且不存在回路。
[0023]
采用上述技术方案后，本发明具有如下优点：
[0024]
1、本发明对锂离子电池在老化过程中内部变化趋势和容量增量曲线变化规律进行研究，分析了容量增量曲线变化与电池内部变化规律，获得利用容量增量曲线获取电池健康状态信息的理论基础。
[0025]
2、本发明利用容量增量曲线数据提取估算电池健康状态的特征参数，分析了容量增量曲线变化规律，选取曲线中各峰值与峰值对应电压值作为对比序列，电池剩余容量作为参考序列。对比各参数与电池剩余容量关联性，根据关联性分析结果，选取能够表征电池健康状态估计的关键特征参数。
[0026]
3、本发明建立了基于容量增量曲线特征参数的锂离子电池soh估计模型，确定容量增量曲线中特征参数作为模型输入量，电池剩余容量作为模型输出量，利用神经网络模型实现电池soh的估算。使用电池循环老化数据对模型进行训练，分析不同训练参数下模型精度差异与置信区间影响。通过验证数据结果检测模型估算精度，结果表明该估算模型具备较高的精度。
附图说明
[0027]
图1为一种储能场景单体电池soh预测计算方法的流程图；
[0028]
图2为储能场景下单体电池的电压曲线；
[0029]
图3为储能场景下单体电池的ic曲线；
[0030]
图4为储能场景下单体电池在不同时期的ic曲线；
[0031]
图5为储能场景下不同单体电池在相同时期的ic曲线；
[0032]
图6为神经网络的部分连接结构示意图。
具体实施方式
[0033]
以下结合附图及具体实施例，对本发明作进一步的详细说明。
[0034]
如图1所示，一种储能场景单体电池soh预测计算方法，包括以下步骤：
[0035]
步骤1，数据获取：
[0036]
采集储能系统电池运行数据，要求电压采集精度为10mv以内；
[0037]
输入获取的方式根据使用场景不同而发生变化，若需要进行实时计算，则需通过云端进行数据传输、计算；离线计算则将本地数据导出之后在进行处理。本发明中需要的数据包括单体电池的电压以及电流数据。
[0038]
对电池的运行数据进行清洗，过滤异常数据以及填补缺失数据。
[0039]
步骤2，数据预处理：
[0040]
首先根据电池结束充电时刻电压对电池进行分档：大于3.55v，定义为ⅰ类电池，表示衰减较为严重的电池；小于3.55v且大于3.4v，定义为ⅱ类电池，代表衰减程度较轻的电池；小于3.4v，定义为ⅲ类电池，表示状态较为良好的电池。
[0041]
针对ⅱ类电池数据，需要找出ⅰ类电池中归属于相同电池组的电压、电流数据，并以ⅱ类电池中结束充电时刻的电压为基准把ⅰ类电池中大于该电压值的电压和电流补全到ⅱ类电池中。针对ⅲ类电池也采取相同的操作。
[0042]
经过上述处理之后的电池电压达到3.6v之后，其后时间的电压数据都置为2.8v。比如1#电池在4:35时，电压到达3.6v且充电结束，该时间之后的电压数据都变为2.8v。
[0043]ⅰ类以及ⅱ类电池的容量可通过安时法直接进行计算得到，ⅲ类的容量会采用模型进行预测得到。
[0044]
步骤3，计算ic曲线：
[0045]
锂离子电池容量增量分析法即ica是研究锂离子电池衰退机理分析常用的方法。该方法能将平缓的电压平台转换为增量曲线中的峰值。通过电池循环中的数据，能够计算容量增量曲线，曲线能够反映出电池内部电化学变化的特征。
[0046]
容量增量曲线是计算dq/dv，q表示电池充入的电量，v表示电池的电压。该指标反应的便是电池单位冲入电量与相应电压变化量的比值，在电压平台处，电压变化很小，而充入的电量很大，该指标数值便会很大。该数值的计算可通过如下方式：
[0047]
常见的容量增量曲线是在恒流充电过程中电池数据基础上计算得到，令恒流充电电流为i，那么充入电量q＝it，则有dq＝i
·
dt，那么：
[0048]
dq/dv＝i
·
dt/dv
[0049]
在更为一般的场景下dq/dv可表示为一个关于v的函数：
[0050][0051]
图2、图3为储能场景下单体电池的电压曲线以及对应的ic曲线。图4为储能场景下单体电池在不同时期的ic曲线；图5为储能场景下不同单体电池在相同时期的ic曲线；
[0052]
步骤4，提取特征：
[0053]
通过对大量ic曲线的观察以及结合大量论文
[1],[2]
发现以下结论：
[0054]
1.同一节电池随着时间的推移(衰减程度的加重)，ic曲线中的ⅱ峰的峰值下降以及峰位(峰值对应的电压)右移且ⅱ峰的包络面积呈减少趋势；
[0055]
2.同时期的两节电池，衰减较为严重的电池ⅱ峰峰位后移、ⅰ峰峰值下降。
[0056]
从ic曲线中提取ⅰ峰、ⅱ峰、ⅲ峰的峰值以及ⅱ峰峰值对应的电压、包络面面积。需要说明的是，除了从ic曲线中提取特征之外，还会将充电过程中的电压数据作为特征。
[0057]
其中，论文可参考：
[0058]
[1]张昊.基于ic曲线特征参数的锂离子电池soh估计及dsp实现[d].北京:北京交通大学.2018.
[0059]
[2]张绍红,郑英,朱骞,洪木南,刘波.磷酸铁锂蓄电池ic曲线在健康状态估计算法中的应用[c].重庆:中国汽车工程学会年会论文集.2020.
[0060]
步骤5，构建、训练模型：
[0061]
本发明将神经网络作为模型，通过其卓越的非线性拟合能力来构建输入特征与容量之间的函数关系，网络共分为3个部分：输入层、隐含层以及输出层。输入层中共包含363个神经元，1
‑
360的神经元用来输入电压数据；361
‑
363的神经元用来输入ic曲线的特征。隐含层有2层，每层包含20个神经元。输出层有1个神经元，表示预测得到的容量。前一层神经元与当前层神经元的连接方式为全连接，且不存在回路。图6展示了网络部分的部分连接结构。
[0062]
此处用于训练模型的数据为ⅰ类以及ⅱ类电池组成的样本，ⅲ类电池组成的数据集合作为测试集。经过对模型参数的调整，在验证集上误差在2.5％左右。
[0063]
步骤6，预测并计算soh：
[0064]
将ⅲ类电池的数据特征传入模型，得到预测值容量；ⅰ类以及ⅱ类的容量通过安时法计算得到。最终的soh值由当前容量除以出厂单体电池容量计算得到。
[0065]
以某数据中心配套的储能电站为例，该电站使用的单体电芯额定容量250ah，额定电压3.2v，初始容量为0.8kwh。在运行14个月之后，采集了该电站中所有电芯的数据，计算其ic曲线并获取特征，利用上述方法计算所有电芯的容量并计算了soh。预测的结果如下表所示：
[0066]
表1预测结果
[0067][0068][0069]
经过统计发现，soh在80％至90％的单体电池占比70.85％，soh在70％至80％的单
体电池占比27.05％，其余电池的soh皆在70％以下。
[0070]
除上述优选实施例外，本发明还有其他的实施方式，本领域技术人员可以根据本发明作出各种改变和变形，只要不脱离本发明的精神，均应属于本发明所附权利要求所定义的范围。