CN112485676A - 一种数字镜像下的电池储能***状态估计预警方法 - Google Patents
一种数字镜像下的电池储能***状态估计预警方法 Download PDFInfo
- Publication number
- CN112485676A CN112485676A CN202011462758.9A CN202011462758A CN112485676A CN 112485676 A CN112485676 A CN 112485676A CN 202011462758 A CN202011462758 A CN 202011462758A CN 112485676 A CN112485676 A CN 112485676A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- deviation
- matrix
- battery
- soe
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000013178 mathematical model Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 4
- 229910052744 lithium Inorganic materials 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及一种数字镜像下的电池储能***状态估计预警方法。方法包括下述步骤：先采集若干个储能电池在正常运行状态下的多个时刻的样本，基于电池的电路等效模型，形成第k个电池的数学模型，输入各个t时刻的电流值Ik(t)，获得模型输出
和
计算电压偏差ΔUk(t)和SOE偏差ΔESOE,k(t)；整合K个电池电压偏差和SOE偏差组成矩阵A，并按行归一化处理；计算归一化矩阵各列的相似度，选择相似度低的典型代表构建记忆矩阵M；利用记忆矩阵求解出预测偏差值；统计分析预测偏差值的情况，判断电池是否正常，形成对储能电站状态的评估和预警。本发明方法较为简单、计算量低、易实现。
Description
技术领域：
本发明涉及电池储能***，具体涉及一种数字镜像下的电池储能***状态估计预警方法。
背景技术：
随着新能源发电规模和装机容量的提升，用于平衡新能源和电网矛盾的储能***开始迈向更大规模、容量的方向前进。与此同时，在电动汽车广泛地应用下，电池储能***获得了长足的发展应用。但是，储能电池自身的电化学过程导致其在不合理的监控管理过程中存在较大的安全隐患，国内对此报道屡见不鲜。因此，掌握储能电池的运行机理、解析储能电池的精确模型、开发状态评估以及预警管控技术的是进一步提升储能电池深入应用的关键问题。
目前，对于电池建模的常用建模方法有机理法、等效电路法和基于数据的实验方法。在基于机理的建模方法中，需要利用数学公式刻画出电池充放电的电化学过程，此类方法的优势在于可以准确清楚地描述出电池的运行过程，但电池的电化学过程极度复杂、涉及多物理场域的耦合问题，难以准确评估；而基于等效电路法将锂电池的运行的相关过程等效为等值的物理电气元件，利用电路解算形成对电池电气外特性的有效评价，比较经典的等效电路模型有Thevein模型、PNGV模型等，其优势在于大大简化了储能电池的模型，利用***辨识的方式整定模型参数，完成电池数字化建模过程；基于数据驱动的建模过程与基于机理和等效电路的相同之处在于均需要实际实验数据，但其不同之处在于不需要掌握电池原理，只根据大量的数据表征出电池输入和输出的函数关系，其主要问题在于优化的参数众多、需要数据量大，且不同电池间函数的差异往往需要重新计算建模。而在电池状态评估领域，目前主要围绕储能电池的剩余能力状态、健康程度进行分析，常见的卡尔曼估计及改进方法、现状发展火热的深度学习方法和人工智能技术共同推动着储能电站状态评估体系的发展。但是，对于储能电池模型和估计结合的数据-模型体系下的预警管控体系尚不成熟。
发明内容:
本发明围绕储能电池的预警问题，从储能电池物理***与模型偏差为切入点，提出一种基于数据和模型混合的储能电池和预警方案，为电池储能电站大规模安全应用奠定基础。具体技术方案如下：
一种数字镜像下的电池储能***状态估计预警方法，包括下述步骤：
步骤1：先采集若干个储能电池在正常运行状态下的多个时刻的样本，第k个电池在t时刻的电流Ik(t)、Uk(t)和ESOE,k(t)，基于电池的电路等效模型，根据第k个电池的电流、电压和SOE数据利用参数整定方法计算出电路等效模型的参数，形成第k个电池的数学模型，输入各个t时刻的电流值Ik(t)，获得模型输出
和
步骤2：计算电压偏差ΔUk(t)和SOE偏差ΔESOE,k(t)；
步骤3：整合K个电池电压偏差和SOE偏差组成矩阵A，并按行归一化处理；然后，计算归一化矩阵各列的相似度，选择相似度低的典型代表构建记忆矩阵M；
步骤4：根据实时新测储能电池和模型的电压ΔUk(n)、SOE偏差ΔESOE,k(n)，利用记忆矩阵求解出预测偏差值；
步骤5：统计分析预测偏差值的情况，判断电池是否正常，形成对储能电站状态的评估和预警。
与最接近的现有技术相比，本发明的优异效果是：本发明技术方案中，利用电池正常状态的实测数据和电路等效模型，建立了电池正常状态下的数学模型，并历史上真实物理***的测量值与数学模型模拟值的偏差形成用于电池状态估计和预警的记忆矩阵，通过对偏差值的相似度计算，精简出具有代表性的偏差状态，可以有效且简约地描述出实际运行储能电池监测量和电池正常值的偏差行为，然后基于记忆矩阵可以快速地计算出当前储能电池与模型计算值偏差的预测值，进而简单地形成对当前储能电池状态的评估，相比于目前已有方法，本发明方法较为简单、计算量低、易实现，并且通过实际运行值和模型值的偏差描述，降低了储能电池长期运行数据对记忆矩阵的影响，有助于提高储能电站状态的稳健预警。
附图说明：
图1本发明方法流程示意图。
图2是锂电池一阶Thevenin等效电路示意图。
图3是本发明实施例中步骤3.4中构建记忆矩阵M流程示意图。
图4是电池状态预警判断流程示意图。
具体实施方式：
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种数字镜像下的电池储能***状态估计预警方法，图1展示出了本实施例中的所述方法实施过程的流程图；一种数字镜像下的电池储能***状态估计预警方法，包括下述步骤：
步骤1：获取数据构建电池数学模型；
步骤1.1：采集K个储能电池在正常运行状态下的T个时刻的电流、电压和能量状态数据，其中第k个电池在t时刻的电流Ik(t)、电压Uk(t)和能量状态ESOE,k(t),k＝1,2,…,K,t＝1,2,…,T；
步骤1.2：根据电池等效电路模型，获得第k个储能锂电池输出电压
和能量状态
和电流
的函数关系；
步骤1.3：基于步骤1.1所测得K个储能电池正常状态下T个时刻的电流、电压和能量状态数据，利用参数整定方法计算出储能电池数学模型参数，完成K个储能电池的模型建立；
步骤2：计算历史测量数据与模型数据的偏差；具体如下：
步骤2.1：将步骤1.1所测储能电池的电流输入至步骤1.3生成的数学模型中，可以计算出第k个储能电池在t时刻的输出电压
和能量状态
步骤2.2：计算电压模型值和实测值的偏差，计算能量状态模型值和实测值的偏差，其中计算第k个储能电池在t时刻的数学模型计算值
与测量值(Uk(t)，ESOE,k(t))的差值，获得电池电压偏差
和SOE偏差
步骤3：根据偏差相似度选择典型代表，构建记忆矩阵M；
步骤3.1：将步骤2所得K个储能电池在1～T时间内的电压偏差ΔUk(t)和能量状态偏差ΔESOE,k(t)整合成2K行、T列的矩阵A：
步骤3.2：对矩阵A中的数据按行进行归一化处理获得矩阵B，归一化后矩阵B的第(i,j)个元素bi(j)为
步骤3.3：计算步骤3.2中矩阵B各列向量的相似度，其中第p列和第q列的相似度
步骤3.4：去除相似度高的列向量，选择相似度低的典型代表，形成记忆矩阵M；具体操作过程如下：
步骤3.4.1：令p＝1，q＝2，定义相似度阈值δ；
步骤3.4.2：计算矩阵B中第p列和第q列的d(p,q)，若d(p,q)≥δ，则删除矩阵B的第q列，否则保留第q列，q＝q+1直至q值到达矩阵B的最大列数；
步骤3.4.3：判断p是否矩阵B的最大列数，若否，则令p＝p+1，q＝p+1并返回步骤3.3.2，若是，则矩阵B退化成的新矩阵定义为记忆矩阵M；
步骤4：根据记忆矩阵M求解实时测量电池数据与模型数据偏差的预测值；
步骤4.1：实时新测储能***K个电池在n时刻的电流、电压和能量状态，其中第k个储能电池的电流Ik(n)、电压Uk(n)和能量状态ESOE,k(n),k＝1,2,…,K,n>t，将第k个储能电池的电流Ik(n)输入步骤1.3所得模型中，获得模型计算的电压
和能量状态
步骤4.2：计算K个储能电池在n时刻的电压偏差和SOE偏差，其中第k个储能电池的电压偏差
和SOE偏差
组成列向量
利用步骤3.2中的归一化过程的参数，将列向量yobs归一化处理生成Cobs＝[c1 c2 ... c2K c2K]T，
其中
步骤4.3：根据步骤3.3所得记忆矩阵M和步骤4.2所得向量Cobs，根据公式Η＝(MT⊙M)-1(MT⊙Cobs)可以计算出预测值向量：
Η＝[h1 h2 … h2K-1 h2K]T，假设
则
中第(i，j)个元素为
步骤5：分析偏差预测值的情况，判断储能电池是否正常，形成预警方案；
步骤5.1：基于记忆矩阵计算矩阵B中各个列向量的预测值，构成矩阵
统计误差矩阵
各行的均值μ和标准差向量σ，计算公式如下：
步骤5.2：判断步骤4.3中获得第n个时刻的预测值向量H是否满足H∈(μ-3σ,μ+3σ)，若满足则在n个时刻全部储能电池均处于正常状态；假设index为奇数，若第index行和第index+1行均不满足hindex∈(μindex-3σindex,μindex+3σindex)，则判断第((index+1)/2)号储能电池状态不健康，应该立刻预警；若第index行和第index+1行仅一行不满足hindex∈(μindex-3σindex,μindex+3σindex)，则判断第((index+1)/2)号储能电池状态可能不健康，应该重点关注，以便及时预警。
Claims (2)
1.一种数字镜像下的电池储能***状态估计预警方法，其特征在于，所述方法包括下述步骤：
步骤1：先采集若干个储能电池在正常运行状态下的多个时刻的样本，第k个电池在t时刻的电流Ik(t)、Uk(t)和ESOE,k(t)，基于电池的电路等效模型，根据第k个电池的电流、电压和SOE数据利用参数整定方法计算出电路等效模型的参数，形成第k个电池的数学模型，输入各个t时刻的电流值Ik(t)，获得模型输出
和
步骤2：计算电压偏差ΔUk(t)和SOE偏差ΔESOE,k(t)；
步骤3：整合K个电池电压偏差和SOE偏差组成矩阵A，并按行归一化处理；然后，计算归一化矩阵各列的相似度，选择相似度低的典型代表构建记忆矩阵M；
步骤4：根据实时新测储能电池和模型的电压ΔUk(n)、SOE偏差ΔESOE,k(n)，利用记忆矩阵求解出预测偏差值；
步骤5：统计分析预测偏差值的情况，判断电池是否正常，形成对储能电站状态的评估和预警。
2.根据权利要求1所述一种数字镜像下的电池储能***状态估计预警方法，其特征在于，所述方法包括下述步骤：
步骤1：获取数据构建电池数学模型；
步骤1.1：采集K个储能电池在正常运行状态下的T个时刻的电流、电压和能量状态数据，其中第k个电池在t时刻的电流Ik(t)、电压Uk(t)和能量状态ESOE,k(t),k＝1,2,…,K,t＝1,2,…,T；
步骤1.2：根据电池等效电路模型，获得第k个储能锂电池输出电压
和能量状态
和电流
的函数关系；
步骤1.3：基于步骤1.1所测得K个储能电池正常状态下T个时刻的电流、电压和能量状态数据，利用参数整定方法计算出储能电池数学模型参数，完成K个储能电池的模型建立；
步骤2：计算历史测量数据与模型数据的偏差；具体如下：
步骤2.1：将步骤1.1所测储能电池的电流输入至步骤1.3生成的数学模型中，可以计算出第k个储能电池在t时刻的输出电压
和能量状态
步骤2.2：计算电压模型值和实测值的偏差，计算能量状态模型值和实测值的偏差，其中计算第k个储能电池在t时刻的数学模型计算值
与测量值(Uk(t)，ESOE,k(t))的差值，获得电池电压偏差
和SOE偏差
步骤3：根据偏差相似度选择典型代表，构建记忆矩阵M；
步骤3.1：将步骤2所得K个储能电池在1～T时间内的电压偏差ΔUk(t)和能量状态偏差ΔESOE,k(t)整合成2K行、T列的矩阵A：
步骤3.2：对矩阵A中的数据按行进行归一化处理获得矩阵B，归一化后矩阵B的第(i,j)个元素bi(j)为
步骤3.3：计算步骤3.2中矩阵B各列向量的相似度，其中第p列和第q列的相似度
步骤3.4：去除相似度高的列向量，选择相似度低的典型代表，形成记忆矩阵M；具体操作过程如下：
步骤3.4.1：令p＝1，q＝2，定义相似度阈值δ；
步骤3.4.2：计算矩阵B中第p列和第q列的d(p,q)，若d(p,q)≥δ，则删除矩阵B的第q列，否则保留第q列，q＝q+1直至q值到达矩阵B的最大列数；
步骤3.4.3：判断p是否矩阵B的最大列数，若否，则令p＝p+1，q＝p+1并返回步骤3.3.2，若是，则矩阵B退化成的新矩阵定义为记忆矩阵M；
步骤4：根据记忆矩阵M求解实时测量电池数据与模型数据偏差的预测值；
步骤4.1：实时新测储能***K个电池在n时刻的电流、电压和能量状态，其中第k个储能电池的电流Ik(n)、电压Uk(n)和能量状态ESOE,k(n),k＝1,2,…,K,n>t，将第k个储能电池的电流Ik(n)输入步骤1.3所得模型中，获得模型计算的电压
和能量状态
步骤4.2：计算K个储能电池在n时刻的电压偏差和SOE偏差，其中第k个储能电池的电压偏差
和SOE偏差
组成列向量
利用步骤3.2中的归一化过程的参数，将列向量yobs归一化处理生成Cobs＝[c1 c2 ... c2K c2K]T，
其中
步骤4.3：根据步骤3.3所得记忆矩阵M和步骤4.2所得向量Cobs，根据公式Η＝(MT⊙M)-1(MT⊙Cobs)可以计算出预测值向量：
Η＝[h1 h2 … h2K-1 h2K]T，假设
则
中第(i，j)个元素为
步骤5：分析偏差预测值的情况，判断储能电池是否正常，形成预警方案；
步骤5.1：基于记忆矩阵计算矩阵B中各个列向量的预测值，构成矩阵
统计误差矩阵
各行的均值μ和标准差向量σ，计算公式如下：
步骤5.2：判断步骤4.3中获得第n个时刻的预测值向量H是否满足H∈(μ-3σ,μ+3σ)，若满足则在n个时刻全部储能电池均处于正常状态；假设index为奇数，若第index行和第index+1行均不满足hindex∈(μindex-3σindex,μindex+3σindex)，则判断第((index+1)/2)号储能电池状态不健康，应该立刻预警；若第index行和第index+1行仅一行不满足hindex∈(μindex-3σindex,μindex+3σindex)，则判断第((index+1)/2)号储能电池状态可能不健康，应该重点关注，以便及时预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011462758.9A CN112485676B (zh) | 2020-12-14 | 2020-12-14 | 一种数字镜像下的电池储能***状态估计预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011462758.9A CN112485676B (zh) | 2020-12-14 | 2020-12-14 | 一种数字镜像下的电池储能***状态估计预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112485676A true CN112485676A (zh) | 2021-03-12 |
| CN112485676B CN112485676B (zh) | 2024-05-28 |
Family
ID=74916931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011462758.9A Active CN112485676B (zh) | 2020-12-14 | 2020-12-14 | 一种数字镜像下的电池储能***状态估计预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112485676B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103954913A (zh) * | 2014-05-05 | 2014-07-30 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池寿命预测方法 |
| CN107944721A (zh) * | 2017-11-30 | 2018-04-20 | 厦门理工学院 | 一种通用的基于数据挖掘的机器学习方法、装置以及*** |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
-
2020
- 2020-12-14 CN CN202011462758.9A patent/CN112485676B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103954913A (zh) * | 2014-05-05 | 2014-07-30 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池寿命预测方法 |
| CN107944721A (zh) * | 2017-11-30 | 2018-04-20 | 厦门理工学院 | 一种通用的基于数据挖掘的机器学习方法、装置以及*** |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘双白 等: "基于加权AAKR算法的发电设备状态预警技术研究", 热能动力工程, no. 07, pages 235 - 241 * |
| 刘欣博 等: "基于扩展卡尔曼滤波法的锂离子电池荷电状态估算方法研究", 北方工业大学学报, vol. 28, no. 01, pages 49 - 56 * |
| 王博 等: "电站风机故障智能预警技术的应用研究", 热能动力工程, vol. 32, no. 10, pages 66 - 70 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112485676B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Lithium battery state-of-health estimation via differential thermal voltammetry with Gaussian process regression | |
| CN111443294B (zh) | 一种锂离子电池剩余寿命间接预测方法及装置 | |
| CN112763929B (zh) | 一种储能电站***电池单体健康预测方法及装置 | |
| Wang et al. | State of health estimation based on modified Gaussian process regression for lithium-ion batteries | |
| Li et al. | A mutated particle filter technique for system state estimation and battery life prediction | |
| CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
| CN111443293A (zh) | 一种基于数据驱动的锂电池健康状态soh估算方法 | |
| CN113777496A (zh) | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 | |
| CN110658462B (zh) | 一种基于数据融合与arima模型的锂电池在线寿命预测方法 | |
| CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
| CN112098873B (zh) | 基于充电电压曲线几何特征的锂电池健康状态估计方法 | |
| CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
| CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
| Huang et al. | State of health estimation of lithium-ion batteries based on fine-tuning or rebuilding transfer learning strategies combined with new features mining | |
| Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
| CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
| Wang et al. | An efficient state-of-health estimation method for lithium-ion batteries based on feature-importance ranking strategy and PSO-GRNN algorithm | |
| CN117420442A (zh) | 一种基于mnq-lstm的电池剩余寿命预测方法 | |
| CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 | |
| CN116840724A (zh) | 一种锂离子电池健康状况估计及剩余使用寿命预测方法 | |
| CN112485676A (zh) | 一种数字镜像下的电池储能***状态估计预警方法 | |
| CN113255215B (zh) | 一种基于电压片段的锂电池健康状态估计方法 | |
| CN115267586A (zh) | 锂电池soh评估方法 | |
| Shi et al. | Data-Driven Online Prediction of Discharge Capacity and End-of-Discharge of Lithium-Ion Batteries |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |