一种云端储能全量电芯内阻计算和评估方法与流程

1.本发明涉及电池管理领域，具体涉及一种云端储能全量电芯内阻计算和评估方法。


背景技术：

2.随着储能技术的进步，越来越多的储能系统接入电网，为打造坚强电网、智慧电网提供了弹性、可调度的能源储备。针对集中式、分布式的储能系统运行运维来说，其电池的安全运行都是首要考虑的因素，电池主要由电芯和保护电芯的保护板构成。
3.不同储能系统之间，不可避免的存在对电池簇、pack(电池包)的成组、结构、装配、环境的差异，均会影响系统的运行特性。同时，由于锂离子电池的高度非线性以及退化特征，其容量衰减是多个物理化学过程耦合在一起的，复杂的衰退机制使得锂电池的参数变化是复杂的、多纬度的。因此，对于具有“短板效应”的电芯，仅仅在pack的层级对电池进行统计和分析，是无法精确掌握其内部电芯级参数的变化和趋势，因为电芯级的个体容量衰减、内阻值增加、内部短路以及电池自放电的增大等，都会极大影响系统整体的运行特性。
4.储能系统包含了电池、bms(电池管理系统)、pcs(储能变流器)和外部辅助设备等等，为达到较良好的运行工况，需要对其运行数据进行合理的监控、分析和管理。其中，电池内阻极大的影响了系统的可用功率，同时也是电池健康状态soh(state of health)的重要参考指标。通过电池内阻的衰减趋势，甚至可以预测性的评估电池的剩余使用寿命。所以，内阻的确定对于上述问题都有至关重要的意义。
5.目前，较常见的电池内阻获取方法，分为交流测量法和直流测量法：1)交流测量法(又称交流注入法)，在测量电池内阻的时候，施加交流小电流于电池正负极性，通过测量其电压的响应得出内阻值，作者陈宝明在他的文章《电池内阻在线测量实验系统的设计与制作》中介绍了一个比较常用的交流注入方法：当信号源给电池注入一个交流电流信号，测量出电池两端产生的交流电压信号和输入的电流，就可计算出电池的内阻；2)直流测量法(又称直流放电法)根据公式r＝u/i，测试设备让电池在短时间内(一般为2～3s)强制通过一个很大的恒定直流电流，测量此时电池两端的电压，并按公式计算出当前的电池内阻。hppc(混合脉冲功率特性)测试方法，则是根据直流测量的原理进行计算。专利cn111257774a，专利cn111722134a，均是利用直流方法的原理，通过在工作周期内产生阶跃的功率脉冲，并利用直流电压、电流的变化求取内阻。
6.专利cn109856557a《一种在线监控锂离子电池电化学阻抗测试方法》，则是将直流法与交流法相结合，选取交流阻抗谱图中电化学阻抗区域拐点处的频率时间作为直流法阻抗测试的脉冲时间，而脉冲电流选取1c以内的小倍率电流，通过这种小倍率电流脉冲的直流阻抗测试，而达到由直流法在线监控电池电化学阻抗变化的目的。
7.交流测量的不足：线路易受到外界的干扰，精度没直流测量法高。由于电池的内阻是在毫欧级，和测试线的电阻一样，获取的响应电压很容易受到干扰，所以滤除相关干扰获取有效的响应电压是关键。该方法的测量精度误差一般在1％～2％之间，小容量的电池(常
用电子产品的电池)一般采用此方法。
8.直流测量一般应用于大容量的电池(大容量的铅酸电池、或是锂电池)测试，该方法的不足：1、需要产生大电流，否则电压差值和电流差值变化都很小，用这个很小的差值进行计算会放大采集和计算误差；2、bms工作周期非常短，电于压传感器和电流传感器响应快慢可能会不一致，电压对电流响应的延时等，会导致内阻计算的偏差；3、单次计算存在偏差，得到的内阻非常不稳定，违背内阻渐变的原理，需要进行多次测试；4、无法在系统正常运行过程中进行在线检测，需要进行hppc(混合脉冲)脉冲充放电来检测，不便于系统的持续运行。
9.因此，希望有一种电池内阻计算方法来克服或至少减轻现有技术的上述缺陷。


技术实现要素：

10.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的云端储能全量电芯内阻计算和评估方法。
11.依据本发明的一个方面，提供了一种云端储能全量电芯内阻计算和评估方法，包括：
12.获取电芯级全量数据，并对获取的所述电芯级全量数据进行划分存储；
13.将存储的电芯级全量数据输入预设评估模型，获得电芯内阻数据库，其中所述预设评估模型是根据戴维南定理建立的等效数学模型；
14.通过所述电芯内阻数据库建立电芯内阻数据矩阵，计算所述电芯内阻数据矩阵的特征向量；
15.分析每个所述特征向量之间的相关性，用以评估电池状态。
16.可选地，所述获取电芯级全量数据，并对获取的电芯级全量数据进行划分存储的方法包括在大数据平台或本地端，获取任意时段的电池簇内电芯级全量数据，将该数据以等时间间隔进行划分。
17.可选地，所述电芯级全量数据包括电池簇/电芯的电流、电压、soc(荷电状态)曲线。
18.可选地，所述等效数学模型包括一阶、二阶或多阶rc模型。
19.可选地，所述电芯内阻包括欧姆内阻、极化内阻，在预设评估模型中，采用电阻阻值模拟所述欧姆内阻，采用阻容网络表征所述极化内阻。
20.可选地，所述预设评估模型包括：
21.构建ocv开压电路与soc荷电状态的函数关系式以及函数关系式的最小二乘法向量表达式；
22.基于函数关系式的最小二乘法向量表达式，根据soc在预设区间范围内的数据片段，得到电芯的参数拟合值；
23.根据所述参数拟合值对欧姆内阻进行分析后，得到电芯的欧姆内阻可视化结果并筛选出异常值。
24.可选地，所述的筛选包括分别从内阻差值、电压外特性、空间一致性上模拟电芯的分布，其中内阻差值利用同一簇内所有电芯的数据，电压外特性利用得到的等效开路电压模拟电芯的表现，空间一致性为不同pack间处于同一位置电芯的数据。
25.可选地，所述的数据在处理时，先将数据标准化处理，所述的标准化处理包括将数据缩放到均值为0，方差为1的规格。
26.可选地，所述的方法还包括对标准化处理后的数据进行归一化处理。
27.可选地，所述的方法还包括对数据进行相关性分析。
28.可选地，所述的方法还包括对电芯筛选评估进行量化输出，进而指导运行和运维。
29.可选地，分析每个所述特征向量之间的相关性，用以评估电池状态，还包括：
30.采用欧氏距离对电池状态中电芯筛选评估进行分类，量化输出结果。
31.依据本发明的又一方面，提供了一种云端储能全量电芯内阻评估系统，包括：
32.采集单元，用于实时采集电池数据，存储采集的电池数据；
33.处理单元，用于模型规范化处理所述电池数据；
34.分析单元，用于设定不同的时间阈值，针对不同的时间阈值分析所述电池数据；
35.评估单元，用于根据不同的分析结果评估电池状态。
36.依据本发明的又一方面，提供了一种电子设备，包括：存储器和处理器；
37.所述存储器用于存储程序指令；
38.所述处理器用于调用所述存储器中的程序指令执行上述云端储能全量电芯内阻计算和评估方法。
39.依据本发明的又一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序指令，所述计算机程序指令被执行时，实现上述云端储能全量电芯内阻计算和评估方法。
40.由上述可知，本发明的技术方案，提供一种云端储能全量电芯内阻计算和评估方法，利用大数据平台的历史运行数据，通过拟合电芯等效数学模型，基于数据驱动的方式计算电芯内阻变化，具有全量覆盖、拟合精度高的优点，克服了传统方法下只涉及到簇、pack级的内阻计算不精确、无法对簇内全量电芯进行计算和评估的问题。同时，也避免了传统方法在运行过程中对储能施加阶跃脉冲功率，甚至需停机进行测试的弊端。并且基于所求取的全量电芯内阻数据，对其参数进行评估和分类，可以快速定位、筛选出离群的电芯编号，从而能够辅助指导储能系统的运行、运维策略。
附图说明
41.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
42.图1示出了任意一簇全量电芯的电压曲线之一；
43.图2示出了任意一簇全量电芯的电压曲线之二；
44.图3示出了任意一簇在一天内的充放电特性曲线；
45.图4示出了电池二阶rc等效模型示意图；
46.图5示出了电池簇内电芯的r0阻值；
47.图6a示出了电池簇内电芯的r0阻值的三维可视化示意图之一；
48.图6b示出了电池簇内电芯的r0阻值的三维可视化示意图之二；
49.图7a示出了从内阻差值上描述电芯分布的示意图；
50.图7b示出了从电压外特性上描述电芯分布的示意图；
51.图7c示出了从空间一致性上描述电芯分布的示意图；
52.图8a示出了内阻差值与电压外特性的相关性示意图；
53.图8b示出了电压外特性与空间一致性的相关性示意图；
54.图8c示出了内阻差值与空间一致性的相关性示意图；
55.图9示出了电芯数据筛选与评估示意图。
具体实施方式
56.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
57.以下结合附图，详细说明本发明各实施例提供的技术方案。
58.实施例1
59.本实施例提供一种云端储能全量电芯内阻计算和评估方法，包括：
60.s1、获取电芯级全量数据，并对获取的所述电芯级全量数据进行划分存储；
61.本领域技术人员应当知晓电池主要由电芯和保护板两大块构成。
62.该步骤在具体实施时，通常可按以下方式进行：
63.在大数据平台或本地端，获取电芯级全量数据，所述电芯级全量数据包括电池簇/电芯的电压、电流、soc曲线。例如
①
获取某一时段的电池簇内全量电芯的电压信息，将该数据以等时间间隔进行划分(秒级或分钟级)。如图1中得到的是2021年7月22日的能量型储能电池簇1，其内部的全量电芯电压曲线，按一分钟级时间间隔划分，因此一天内将有1440个时间间隔。电池簇由216个电芯串联组成。因此数据格式是1440*216的电压数据量。其中x轴是时间单位，y轴是电芯的编号，z轴代表某一时刻、某一电芯的电压采集值。
64.图1和图2示出了任意一簇全量电芯的电压曲线，通过对图2中的曲线观察，第45号电芯的电压存在明显的偏差。
65.②
获取电芯的电流运行数据，由于本发明针对簇内的电芯是串联结构，流过电流是一致的，因此只需要获取到簇的总电流曲线即可。该方法同样适用于并联或串并联结构，只需分开计算各电芯电流的数据。
66.同理，在大数据平台或本地端得到图3中的对应的簇总电流、总电压和soc曲线，按一分钟级时间间隔划分，一天划分为1440个时间间隔。储能的运行模式是：夜间充电，白天电价峰值放电，电价平期补电。
67.可见，若仅仅通过总电压和总电流的差值来分析内阻，将得到对外的总内阻值，却无法更细致、精确的描述出内部所有电芯的内阻状态。特别是电芯的“短板效应”会极大的影响整体的运行特性，必须精确描述、量化出全量电芯的内阻值。
68.图3示出了任意一簇在一天内的充放电特性曲线。
69.s2、根据戴维南定理，建立等效数学模型，将存储的电芯级全量数据代入等效数学模型中，获得电芯内阻数据库；
70.该步骤在具体实施时，通常可按以下方式进行：
71.(1)模型参数在线辨识。例如，针对磷酸铁锂电池，利用数学公式建立等效数学模型，电芯的模型通常有rc模型，二阶及多阶以上rc模型等。磷酸铁锂电池的内阻分为欧姆内阻和极化内阻，欧姆内阻由电极材料、电解液、隔膜电阻及各部分零件的接触电阻组成，极化内阻是指电化学反应由极化引起的电阻，包括电化学极化和浓差极化引起的电阻。用于模拟电池在极化的产生和消除过程中所表现出的动态特性。
72.为精确描述电芯变化特性，本发明采用二阶rc等效电路模型，通过参数辨识准确估算非线性特性。在模型中，通过电阻描述欧姆内阻，通过两个阻容网络(rc网络)描述极化内阻，e是电池开路电压，在同一温度下与soc有固定的函数关系；r0是电池欧姆内阻；i是流过电池的电流，r1c1和r2c2构成两个阻容回路，用于模拟电池在极化的产生和消除过程中所表现出的动态特性。
73.由戴维南定理，得到如下关系式：
[0074][0075][0076]
v(t)＝e(s,t)-i(t)r
0-i(t)r1(1-exp(-t/(r1c1)))-i(t)r2(1-exp(-t/(r2c2)))(2)
[0077]
式中，t为采样时刻，e(s,t)表示电池开路电压，它在特定温度条件下，有特定的ocv与soc的函数对应关系曲线。
[0078]
当前先行设置待求解的变量，分别是r0、r1、c1、r2、c2，自变量i(t)，因变量v(t)。构建公式(2)的最小二乘法向量表达式：
[0079]
y＝α*x β
ꢀꢀ
(3)
[0080]
其中，α＝[r0，r1(1-exp(-t/(r1c1))，r2(1-exp(-t/(r2c2))]，x＝[i(t)]，y＝[v(t)-e(s,t)]，
[0081]
β为残差向量。采用最小二乘法，使残差的平方和最小，则得到：
[0082][0083]
进一步的，由于v(t)、i(t)是在t时刻的电压、电流，可以直接在大数据平台或本地端获取得到。而e(s,t)为ocv-soc对应的函数，在t时刻也有对应的数值。继续对式(4)的二次函数进行求导，导数为0的时候取得最小值：
[0084][0085]
进而：
[0086]
v(t1) ... v(tm)-[e(s,t1) ... e(s,tm)]＝α[i(t1) ... i(tm)]
ꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0087]
式中，v(t)、i(t)均是已知的，而e(s,t)是未知的，但可以明确的是，在任一t时刻，
e(s,t)都是有具体实际意义的值。对于开路电压(ocv)处于平台期的锂电池，荷电状态(soc)的变化几乎不引起开路电压的变化。因此，在公式(6)中截取出soc在[0.2，0.8]区间范围的数据片段，此时的开路电压变化较小，可等效为恒定的数值。同时，内阻的计算值也是随容量的变化而变化，呈中间变化平缓，两端变化快速的特点，而在[0.2，0.8]的soc范围时内阻可以保持较好的一致性，以此来求解出变量α内的等效内阻。
[0088]
本发明所提出的方案是，在前述分析的基础上，截取出soc在[0.2，0.8]区间的数据片段，并增加待求解的等效开路电压，设置为变量e，使得：
[0089]
v(t1) ... v(tn)-ne＝α[i(t1) ... i(tn)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0090]
故待求解的变量，变化后分别是e、r0、r1、c1、r2、c2，同时公式(4)经过变化之后，得到：
[0091][0092]
将筛选后的v(t)、i(t)数据代入，对公式(8)进行求解，得到所有电芯的参数拟合值。节选出电芯的部分拟合数据，如下表：
[0093]
表1电芯数据列表
[0094][0095][0096]
s3、通过所述电芯内阻数据库建立电芯内阻数据矩阵，计算所述电芯内阻数据矩阵的特征向量；
[0097]
该步骤在具体实施时，通常可按以下方式进行：
[0098]
首先对欧姆内阻r0进行分析与筛选，其余的参数通过同理则可以得出。对电芯的欧姆内阻可视化，如图5所示。图中可以看到存在明显的异常值，其中前三名分别为第45、102、170号电芯。对其数据做3σ计算，得到
[0099]
均值：0.0005192491977233525，标准差：9.345373196741397e-05，
[0100]
下限：0.00023888800182111057，上限：0.0007996103936255944。
[0101]
因此，筛选出的异常电芯编号和越限值分别为：
[0102]
[[0.0008063652519535399,18],[0.0009459146854555062,45],
[0.0008162551101448272,66],[0.0009243223475185519,102],[0.000807619158532184,114],[0.0008282107912748434,162],[0.0008863232903658249,170],[0.000818269577033306,186]]，共8个异常电芯。
[0103]
仅单一维度不足以判别筛选重点关注电芯，故依据表1数据构建三维可视化，x轴为pack编号，y轴为pack内部的电芯编号，z轴为欧姆内阻的值，共18pack*12c＝216个数据点；如图6a、图6b所示。
[0104]
从图6b中发现，在每一pack固定的第6个位置，内阻值都是异常偏大的，考虑到欧姆内阻是由电极材料、电解液、隔膜电阻及各部分零件的接触电阻组成，这部分是由于空间结构、接触所影响的。简单将其划分为异常电芯是不合理的，因此构建了电芯的筛选的特征向量。
[0105]
如图7a、图7b、图7c所示，分别从内阻差值、电压外特性、空间一致性上来描述电芯的分布，其中内阻差值利用同一簇内所有电芯的数据，电压外特性利用前述得到的等效开路电压描述电芯的表现，空间一致性为不同pack间处于同一位置电芯的数据进行分析。
[0106]
上述数据均先进行标准化(standardization)处理，缩放到均值为0，方差为1的规格。由于存在不同量纲，会影响后续机器学习时的权重，故而进一步的归一化处理，对不同特征维度的伸缩变换，目的是使各个特征维度对目标函数的影响权重是一致的。
[0107]
标准化：
[0108]
归一化：
[0109]
s4、分析每个所述特征向量之间的相关性，用以评估电池状态。
[0110]
图8a、8b、8c描述了特征向量之间相关性分析，图8a为内阻差值与电压外特性的相关性，能够看到在电芯的空间离散程度，x轴筛选出在连续时间序列上的偏离程度，y轴上描述电压的偏离程度，可以明显获取到内阻和电压同时较为明显偏离的偏离点；图8b为电压外特性与空间一致性的相关性，在空间一致性上可能过滤掉由于结构、接触件所导致的异常数据；图8c为内阻差值与空间一致性的相关性，每台pack上的第6个位置的电芯内阻偏差较大，但在同一空间分布维度下，其一致性表现较好。
[0111]
综合上述分析，需要对电芯筛选评估进行量化输出，进而指导运行和运维。本方案中采用欧氏距离进行分类。两个n维向量a(x11,x12,
…
,x1n)与b(x11,x12,
…
,x1n)之间的欧氏距离：
[0112][0113]
本方案基于欧氏距离，进行聚类。不同于k-means算法对聚类中心进行迭代而导致结果的不唯一性。本方案中基于三种维度的数据，由于数据已经进行归一化，其异常的极值点是固定的，同时根据当前所有电芯的均值点，构建二分类方法来进行筛选。
[0114]
二分类方法步骤如下所示：1)确定两个聚类中心点，分别为极值点[1，0，1]，以及所有电芯的均值点[xavg，yavg，zavg]；2)根据公式，分别计算各电芯数据到此两个聚类中
心的欧氏距离；3)比较与两个聚类中心的距离远近，以此来划分判别电芯所属的集群。通过上述方法，得到筛选分类结果，如图9所示。红色圆体为异常/需重点关注的电芯，星标为正常的电芯集群。
[0115]
结论：经评估，共有2个需重点关注电芯，分别为：第45号电芯、第170号电芯。
[0116]
综上所述，本发明的技术方案，采用大数据驱动的方式计算电池内阻，通过对搭建的电芯等效模型进行在线参数辨识，对电压、电流与内阻间的关系进行拟合。不同于直流内阻法需要采集秒级甚至毫秒级的变化信号，同时单次测量存在偏差的问题。本发明记录电池正常运行过程中的连续时间、电压和电流值，对于数据颗粒度以及精度要求降低。在电流变化阶跃大的过程数据，参数拟合对其的偏重更大，能够很好的表征电压随电流变化的特性；同时能够获取连续的电压和电流运行数据，所求取的等效内阻具有更好的适配性、稳定性。同时，不需要采用类似hppc的方法刻意施加功率变化信号，本发明避免了对正常运行过程的干扰，甚至需停机、静置进行开路电压测量的弊端。进一步的，对于求解得到的内阻值，构建多维度特征向量，综合从内阻差值、电压外特性、空间一致性上对电芯进行评估，避免了由于单一维度下的评估偏差。本方法不限于在云端实施，可将本方法下沉到本地端进行边缘计算处理。
[0117]
需要说明的是：
[0118]
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0119]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0120]
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0121]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0122]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0123]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的云端储能全量电芯内阻计算和评估系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0124]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。