CN114910793B - 一种储能电站串联电池组的soh估计方法 - Google Patents

一种储能电站串联电池组的soh估计方法 Download PDF

Info

Publication number
CN114910793B
CN114910793B CN202210435672.XA CN202210435672A CN114910793B CN 114910793 B CN114910793 B CN 114910793B CN 202210435672 A CN202210435672 A CN 202210435672A CN 114910793 B CN114910793 B CN 114910793B
Authority
CN
China
Prior art keywords
battery pack
discharge
data
voltage
terminal voltage
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.)
Active
Application number
CN202210435672.XA
Other languages
English (en)
Other versions
CN114910793A (zh
Inventor
梁子康
陈思哲
蒋健
曾龙
章云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202210435672.XA priority Critical patent/CN114910793B/zh
Publication of CN114910793A publication Critical patent/CN114910793A/zh
Application granted granted Critical
Publication of CN114910793B publication Critical patent/CN114910793B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明公开了一种储能电站串联电池组的SOH估计方法，所述方法包括：对电池组进行离线放电测试，构建原始特征数据集；根据原始数据，进一步计算以提取特征，与原始特征数据集合并，组成新特征数据集；对新特征数据集分别采用两种方法进行特征筛选，保留交集作为特征数据子集；对特征数据子集进行预处理；对特征数据子集进行划分；构建高斯回归模型；训练高斯回归模型；估计储能电站电池组的SOH。本发明不需要依赖满充满放理想测试工况，通过提取电池组中所有电池单体的有效信息，并取两种特征筛选方法的交集作为特征数据，能够在储能电站实际运行工况中进行电池组的SOH估计，减小了模型计算量，提高了SOH估计方法的精度和实时性。

Description

一种储能电站串联电池组的SOH估计方法
技术领域
本发明涉及电池储能技术领域，具体涉及一种储能电站串联电池组的SOH估计方法。
背景技术
为满足新型电力***安全运行及电能可靠供应的需求，需要在电网中引入大规模电池储能***，辅助实现调频调峰。为了保障电池储能电站能够安全良好地运行，需要对储能电站的电池组进行健康状态(SOH)估计。在储能电站中，电池组通常由多个电池串联组成。由于储能电站通常需要参与削峰填谷和主动频率支撑，电池组频繁在充放电模式间切换，很少能运行于满充满放工况。现有数据驱动的电池SOH估计方法一般针对电池单体，并且通常是基于满充满放理想工况下进行测试，难以直接应用于储能电站电池组SOH估计。此外，现有针对电池组SOH的估计方法，所提取特征一般只有电池组的总电流和总电压，没有提取电池单体特征，无法充分利用电池组中电池单体的有效信息，导致电池组SOH估计精度较低。
发明内容
本发明为克服上述现有储能电站电池组SOH估计方法面临的需要依赖满充满放的理想工况进行测试和估计精度不足的问题，提出了一种储能电站电池组SOH估计方法。
本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：
S1：在储能电站中对电池组进行离线放电测试，在电池组从充电截止电压放电至放电截止电压的过程中，令电池组多次暂停放电，在该过程中采集电池组中所有电池单体暂停放电前一采样时刻的端电压、暂停放电时刻的端电压瞬时上升值、暂停放电后端电压恢复到稳态值的全过程电压数据，并根据总放电量计算电池组SOH值，结合暂停放电前电池组的放电电流和端电压，构建原始特征数据集Dori；
S2：根据步骤S1所采集的原始特征数据集Dori，计算所有电池单体暂停放电前一采样时刻端电压值的范围和标准差，计算所有电池单体暂停放电时刻端电压瞬时上升值的标准差，计算所有电池单体暂停放电后端电压恢复到稳态值的全过程电压恢复速率，计算所有电池单体稳态端电压值的范围和标准差，与步骤S1中的原始特征数据集Dori合并，组成新特征数据集Dnew；
S3：分别采用皮尔逊相关系数法、递归特征消除法对步骤S2所述的新特征数据集Dnew进行特征筛选，将两种方法筛选得到的共同特征保留，形成特征数据子集Dsub；
S4：将特征数据子集Dsub划分为训练集和测试集，进行归一化处理；
S5：构建高斯回归模型；
S6：将训练集数据用于模型训练，满足条件则输出模型，否则重复S4-S6，直至模型满足条件；
S7：在储能电站运行期间，当某个电池组退出放电运行时，采集所述电池组电流和端电压，采集所述电池组中所有电池单体暂停放电前一采样时刻的端电压、暂停放电时刻端电压瞬时上升值、暂停放电后端电压恢复到稳态值的全过程电压数据，采用步骤S2所述方法从采集到的数据中提取步骤S3所述的特征数据子集Dsub对应的特征量，输入到训练完成的高斯回归模型中，估计所述电池组的SOH。
本方案中，步骤S1所述的原始特征数据集Dori，具体构建步骤如下：
S1-1：将电池组允许电流区间[0，Imax]进行N次等差划分，获得包括N个电流值的电流数据集如下：
I＝[I1,I2,...,IN]
S1-2：将电池组包含的电池单体数量记为K，将电池组充放电截止电压范围[Upack-dis，Upack-cha]进行M次等差划分，作为暂停放电点的电压值，获得包括M个电压值的电压数据集如下：
U＝[U1,U2,...,UM]
S1-3：从电流数据集I＝[I1,I2,...,IN]中选取第i个电流值对电池组进行恒流放电，期间M次暂停放电，每次暂停放电时采集电池组放电电流和端电压，采集电池组中所有电池单体暂停放电前一采样时刻的端电压、暂停放电时刻端电压瞬时上升值、暂停放电后端电压恢复到稳态值的全过程电压数据，并在达到放电截止电压时根据总放电量计算电池组SOH，基于获取的数据构建原始数据，对于第i个电流的第m次暂停放电原始数据形式如下：
Figure BDA0003612693470000033
S1-4：循环执行步骤S1-3，直至获取电池组以第i个电流放电期间，电压数据集U＝[U1，U2，...，UM]中所有M个电压值对应的原始数据，构成如下原始数据子集Dori，i：
Figure BDA0003612693470000031
S1-5：从电流数据集I＝[I1，I2，...，IN]中依次选取所有电流值，循环执行步骤S1-3至S1-4，获取电池组在N×M次暂停放电的原始数据，构成如下原始数据集Dori：
Figure BDA0003612693470000032
本方案中，步骤S2所述的新特征数据集Dnew，具体组成步骤如下：
S2-1：根据电池组在第i个电流的第m次暂停放电原始数据，提取所有电池单体暂停放电前一采样时刻端电压值的范围作为特征，记为
Figure BDA0003612693470000035
S2-2：根据电池组在第i个电流的第m次暂停放电原始数据，计算所有电池单体暂停放电前一采样时刻端电压值的标准差作为特征，记为
Figure BDA0003612693470000036
S2-3：根据电池组在第i个电流的第m次暂停放电原始数据，计算所有电池单体暂停放电时刻端电压瞬时上升值的标准差，记为
Figure BDA0003612693470000037
S2-4：根据电池组在第i个电流的第m次暂停放电原始数据，计算所有电池单体暂停放电后端电压恢复到稳态值的全过程电压恢复速率作为特征，记为
Figure BDA0003612693470000038
S2-5：根据电池组在第i个电流的第m次暂停放电原始数据，计算所有电池单体稳态端电压值的标准差作为特征，记为
Figure BDA0003612693470000034
S2-6：将步骤S2-1至S2-5所计算特征与步骤S1-3的原始数据Dori，i，m合并，得到电池组在第i个电流的第m次暂停放电的新特征数据形式如下：
Figure BDA0003612693470000044
S2-7：循环执行步骤S2-1至S2-6，直至获取电池组在第i个电流值下共M次放电的所有新特征数据，构成如下新特征数据子集Dnew，i：
Figure BDA0003612693470000041
S2-8：从电流数据集I＝[I1，I2，...，IN]中依次选取所有电流值，循环执行步骤S2-1至S2-7，获取电池组N×M次暂停放电的新特征数据，构成如下新特征数据集Dnew：
Figure BDA0003612693470000042
本方案中，步骤S3所述的特征筛选方法，具体步骤如下：
S3-1：将步骤S2所获得的新特征数据集Dnew的每个特征依次与电池组SOH进行皮尔逊相关系数检验，将相关系数绝对值在0.8以上的特征保留，其余特征去除，得到特征子集Dsub-1，相关系数的具体计算公式为：
Figure BDA0003612693470000043
其中，r的取值范围为[-1，1]，当r＞0时，变量线性正相关；当r＜0时，变量线性负相关；当r＝0时，变量之间无线性关系。
S3-2：将步骤S2所获得的新特征数据集Dnew作为初始特征子集输入到随机森林模型中，计算每个特征的重要性，并用交叉验证法计算初始特征子集的估计精度，从初始特征子集中去掉重要性最小的特征，获得一个新的特征子集；循环此操作进行迭代，直至遍历完所有特征，根据特征筛选的先后顺序，选定前6个特征作为优质特征，组成特征子集Dsub-2；
S3-3：将步骤S3-1和S3-2确定的特征子集Dsub-1和Dsub-2中共有的特征保留，组成最优特征子集Dsub。
本方案中，步骤S7所述的某个电池组退出放电运行时，估计该电池组的SOH，具体步骤如下：
S7-1：将步骤S6训练合格的高斯回归模型及其核函数参数导入到储能电站电池组管理***中；
S7-2：储能电站电池组管理***实时采集并监测所有电池组及其内部所有电池单体的电压和电流，当某个电池组退出放电运行时，采集所述电池组电流和端电压，采集所述电池组中所有电池单体暂停放电前一采样时刻的端电压、暂停放电时刻端电压瞬时上升值、暂停放电后端电压恢复到稳态值的全过程电压数据，采用步骤S2所述方法从采集到的数据中提取步骤S3所述的特征数据子集Dsub对应的特征量；
S7-3：对步骤S7-2获取的特征数据子集Dsub进行归一化处理，随后输入至步骤S7-1所导入的高斯回归模型中进行估计，得到该电池组的SOH。
与现有技术相比，本发明技术方案的有益效果是：
本发明提出的电池SOH估计方法不需要依赖满充满放理想测试工况，能够在削峰填谷、主动频率支撑等实际运行工况中进行电池组的SOH估计，更加适应储能电站实际工况；通过提取电池组中所有电池单体的有效信息，提高了电池组SOH估计精度；通过取两种特征筛选方法的交集作为特征数据，减小计算量，提高了SOH估计方法的实时性。
附图说明
图1为本发明提出的一种储能电站串联电池组的SOH估计方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
在一个具体的实施例中，如图1所示，一种储能电站串联电池组的SOH估计方法，包括以下步骤：
S1：在储能电站中对电池组进行离线放电测试，在电池组从充电截止电压放电至放电截止电压的过程中，令电池组多次暂停放电，在该过程中采集电池组中所有电池单体暂停放电前一采样时刻的端电压、暂停放电时刻的端电压瞬时上升值、暂停放电后端电压恢复到稳态值的全过程电压数据，并根据总放电量计算电池组SOH值，结合暂停放电前电池组的放电电流和端电压，构建原始特征数据集Dori；
S2：根据步骤S1所采集的原始特征数据集Dori，计算所有电池单体暂停放电前一采样时刻端电压值的范围和标准差，计算所有电池单体暂停放电时刻端电压瞬时上升值的标准差，计算所有电池单体暂停放电后端电压恢复到稳态值的全过程电压恢复速率，计算所有电池单体稳态端电压值的范围和标准差，与步骤S1中的原始特征数据集Dori合并，组成新特征数据集Dnew；
S3：分别采用皮尔逊相关系数法、递归特征消除法对步骤S2所述的新特征数据集Dnew进行特征筛选，将两种方法筛选得到的共同特征保留，形成特征数据子集Dsub；
S4：将特征数据子集Dsub划分为训练集和测试集，进行归一化处理；
S5：构建高斯回归模型；
S6：将训练集数据用于模型训练，满足条件则输出模型，否则重复S4-S6，直至模型满足条件；
S7：在储能电站运行期间，当某个电池组退出放电运行时，采集所述电池组电流和端电压，采集所述电池组中所有电池单体暂停放电前一采样时刻的端电压、暂停放电时刻端电压瞬时上升值、暂停放电后端电压恢复到稳态值的全过程电压数据，采用步骤S2所述方法从采集到的数据中提取步骤S3所述的特征数据子集Dsub对应的特征量，输入到训练完成的高斯回归模型中，估计所述电池组的SOH。
本方案中，步骤S1所述的原始特征数据集Dori，具体构建步骤如下：
S1-1：将电池组允许电流区间[0，Imax]进行N次等差划分，获得包括N个电流值的电流数据集如下：
I＝[I1,I2,...,IN]
S1-2：将电池组包含的电池单体数量记为K，将电池组充放电截止电压范围[Upack-dis，Upack-cha]进行M次等差划分，作为暂停放电点的电压值，获得包括M个电压值的电压数据集如下：
U＝[U1,U2,...,UM]
S1-3：从电流数据集I＝[I1,I2,...,IN]中选取第i个电流值对电池组进行恒流放电，期间M次暂停放电，每次暂停放电时采集电池组放电电流和端电压，采集电池组中所有电池单体暂停放电前一采样时刻的端电压、暂停放电时刻端电压瞬时上升值、暂停放电后端电压恢复到稳态值的全过程电压数据，并在达到放电截止电压时根据总放电量计算电池组SOH，基于获取的数据构建原始数据，对于第i个电流的第m次暂停放电原始数据形式如下：
Figure BDA0003612693470000073
S1-4：循环执行步骤S1-3，直至获取电池组以第i个电流放电期间，电压数据集U＝[U1,U2,...,UM]中所有M个电压值对应的原始数据，构成如下原始数据子集Dori,i：
Figure BDA0003612693470000071
S1-5：从电流数据集I＝[I1,I2,...,IN]中依次选取所有电流值，循环执行步骤S1-3至S1-4，获取电池组在N×M次暂停放电的原始数据，构成如下原始数据集Dori：
Figure BDA0003612693470000072
本方案中，步骤S2所述的新特征数据集Dnew，具体组成步骤如下：
S2-1：根据电池组在第i个电流的第m次暂停放电原始数据，提取所有电池单体暂停放电前一采样时刻端电压值的范围作为特征，记为
Figure BDA0003612693470000083
S2-2：根据电池组在第i个电流的第m次暂停放电原始数据，计算所有电池单体暂停放电前一采样时刻端电压值的标准差作为特征，记为
Figure BDA0003612693470000084
S2-3：根据电池组在第i个电流的第m次暂停放电原始数据，计算所有电池单体暂停放电时刻端电压瞬时上升值的标准差，记为
Figure BDA0003612693470000085
S2-4：根据电池组在第i个电流的第m次暂停放电原始数据，计算所有电池单体暂停放电后端电压恢复到稳态值的全过程电压恢复速率作为特征，记为
Figure BDA0003612693470000086
S2-5：根据电池组在第i个电流的第m次暂停放电原始数据，计算所有电池单体稳态端电压值的标准差作为特征，记为
Figure BDA0003612693470000088
S2-6：将步骤S2-1至S2-5所计算特征与步骤S1-3的原始数据Dori,i,m合并，得到电池组在第i个电流的第m次暂停放电的新特征数据形式如下：
Figure BDA0003612693470000087
S2-7：循环执行步骤S2-1至S2-6，直至获取电池组在第i个电流值下共M次放电的所有新特征数据，构成如下新特征数据子集Dnew,i：
Figure BDA0003612693470000081
S2-8：从电流数据集I＝[I1,I2,...,IN]中依次选取所有电流值，循环执行步骤S2-1至S2-7，获取电池组N×M次暂停放电的新特征数据，构成如下新特征数据集Dnew：
Figure BDA0003612693470000082
本方案中，步骤S3所述的特征筛选方法，具体步骤如下：
S3-1：将步骤S2所获得的新特征数据集Dnew的每个特征依次与电池组SOH进行皮尔逊相关系数检验，将相关系数绝对值在0.8以上的特征保留，其余特征去除，得到特征子集Dsub-1，相关系数的具体计算公式为：
Figure BDA0003612693470000091
其中，r的取值范围为[-1，1]，当r＞0时，变量线性正相关；当r＜0时，变量线性负相关；当r＝0时，变量之间无线性关系。
S3-2：将步骤S2所获得的新特征数据集Dnew作为初始特征子集输入到随机森林模型中，计算每个特征的重要性，并用交叉验证法计算初始特征子集的估计精度，从初始特征子集中去掉重要性最小的特征，获得一个新的特征子集；循环此操作进行迭代，直至遍历完所有特征，根据特征筛选的先后顺序，选定前6个特征作为优质特征，组成特征子集Dsub-2；
S3-3：将步骤S3-1和S3-2确定的特征子集Dsub-1和Dsub-2中共有的特征保留，组成最优特征子集Dsub。
本方案中，步骤S7所述的某个电池组退出放电运行时，估计该电池组的SOH，具体步骤如下：
S7-1：将步骤S6训练合格的高斯回归模型及其核函数参数导入到储能电站电池组管理***中；
S7-2：储能电站电池组管理***实时采集并监测所有电池组及其内部所有电池单体的电压和电流，当某个电池组退出放电运行时，采集所述电池组电流和端电压，采集所述电池组中所有电池单体暂停放电前一采样时刻的端电压、暂停放电时刻端电压瞬时上升值、暂停放电后端电压恢复到稳态值的全过程电压数据，采用步骤S2所述方法从采集到的数据中提取步骤S3所述的特征数据子集Dsub对应的特征量；
S7-3：对步骤S7-2获取的特征数据子集Dsub进行归一化处理，随后输入至步骤S7-1所导入的高斯回归模型中进行估计，得到该电池组的SOH。

Claims (3)

1.一种储能电站串联电池组的SOH估计方法，其特征在于，具体步骤如下：
S1：在储能电站中对电池组进行离线放电测试，在电池组从充电截止电压放电至放电截止电压的过程中，令电池组多次暂停放电，在该过程中采集电池组中所有电池单体暂停放电前一采样时刻的端电压、暂停放电时刻的端电压瞬时上升值、暂停放电后端电压恢复到稳态值的全过程电压数据，并根据总放电量计算电池组SOH值，结合暂停放电前电池组的放电电流和端电压，构建原始特征数据集Dori，具体构建步骤如下：
S1-1：将电池组允许电流区间[0，Imax]进行N次等差划分，获得包括N个电流值的电流数据集如下：
I＝[I1，I2，...，IN]；
S1-2：将电池组包含的电池单体数量记为K，将电池组充放电截止电压范围[Upack-dis，Upack-cha]进行M次等差划分，作为暂停放电点的电压值，获得包括M个电压值的电压数据集如下：
U＝[U1，U2，...，UM]；
s1-3：从电流数据集I＝[I1，I2，...，IN]中选取第i个电流值对电池组进行恒流放电，期间M次暂停放电，每次暂停放电时采集电池组放电电流和端电压，采集电池组中所有电池单体暂停放电前一采样时刻的端电压、暂停放电时刻端电压瞬时上升值、暂停放电后端电压恢复到稳态值的全过程电压数据，并在达到放电截止电压时根据总放电量计算电池组SOH，基于获取的数据构建原始数据，对于第i个电流的第m次暂停放电原始数据形式如下：
Figure FDA0004069924790000011
S1-4：循环执行步骤S1-3，直至获取电池组以第i个电流放电期间，电压数据集U＝[U1，U2，...，UM]中所有M个电压值对应的原始数据，构成如下原始数据子集Dori，i
Figure FDA0004069924790000012
S1-5：从电流数据集I＝[I1，I2，...，IN]中依次选取所有电流值，循环执行步骤S1-3至S1-4，获取电池组在N×M次暂停放电的原始数据，构成如下原始数据集Dori：
Figure FDA0004069924790000021
S2：根据步骤S1所采集的原始特征数据集Dori，计算所有电池单体暂停放电前一采样时刻端电压值的范围和标准差，计算所有电池单体暂停放电时刻端电压瞬时上升值的标准差，计算所有电池单体暂停放电后端电压恢复到稳态值的全过程电压恢复速率，计算所有电池单体稳态端电压值的范围和标准差，与步骤S1中的原始特征数据集Dori合并，组成新特征数据集Dnew，具体组成步骤如下：
S2-1：根据电池组在第i个电流的第m次暂停放电原始数据，提取所有电池单体暂停放电前一采样时刻端电压值的范围作为特征，记为
Figure FDA0004069924790000022
S2-2：根据电池组在第i个电流的第m次暂停放电原始数据，计算所有电池单体暂停放电前一采样时刻端电压值的标准差作为特征，记为
Figure FDA0004069924790000023
S2-3：根据电池组在第i个电流的第m次暂停放电原始数据，计算所有电池单体暂停放电时刻端电压瞬时上升值的标准差，记为
Figure FDA0004069924790000024
S2-4：根据电池组在第i个电流的第m次暂停放电原始数据，计算所有电池单体暂停放电后端电压恢复到稳态值的全过程电压恢复速率作为特征，记为
Figure FDA0004069924790000025
S2-5：根据电池组在第i个电流的第m次暂停放电原始数据，计算所有电池单体稳态端电压值的标准差作为特征，记为
Figure FDA0004069924790000026
S2-6：将步骤s2-1至S2-5所计算特征与步骤s1-3的原始数据Dori，i，m合并，得到电池组在第i个电流的第m次暂停放电的新特征数据形式如下：
Figure FDA0004069924790000027
S2-7：循环执行步骤S2-1至S2-6，直至获取电池组在第i个电流值下共M次放电的所有新特征数据，构成如下新特征数据子集Dnew，i：
Figure FDA0004069924790000031
S2-8：从电流数据集I＝[I1，I2，...，IN]中依次选取所有电流值，循环执行步骤s2-1至S2-7，获取电池组N×M次暂停放电的新特征数据，构成如下新特征数据集Dnew：
Figure FDA0004069924790000032
s3：分别采用皮尔逊相关系数法、递归特征消除法对步骤s2所述的新特征数据集Dnew进行特征筛选，将两种方法筛选得到的共同特征保留，形成特征数据子集Dsub；
S4：将特征数据子集Dsub划分为训练集和测试集，进行归一化处理；
S5：构建高斯回归模型；
S6：将训练集数据用于模型训练，满足条件则输出模型，否则重复S4-S6，直至模型满足条件；
S7：在储能电站运行期间，当某个电池组退出放电运行时，采集所述电池组电流和端电压，采集所述电池组中所有电池单体暂停放电前一采样时刻的端电压、暂停放电时刻端电压瞬时上升值、暂停放电后端电压恢复到稳态值的全过程电压数据，采用步骤S2所述方法从采集到的数据中提取步骤S3所述的特征数据子集Dsub对应的特征量，输入到训练完成的高斯回归模型中，估计所述电池组的SOH。
2.根据权利要求1所述的一种储能电站串联电池组的SOH估计方法，其特征在于，步骤S3所述的特征筛选方法，具体步骤如下：
S3-1：将步骤S2所获得的新特征数据集Dnew的每个特征依次与电池组SOH进行皮尔逊相关系数检验，将相关系数绝对值在0.8以上的特征保留，其余特征去除，得到特征子集Dsub-1，相关系数的具体计算公式为：
Figure FDA0004069924790000041
其中，r的取值范围为[-1，1]，当r＞0时，变量线性正相关，当r＜0时，变量线性负相关，当r＝0时，变量之间无线性关系；
S3-2：将步骤S2所获得的新特征数据集Dnew作为初始特征子集输入到随机森林模型中，计算每个特征的重要性，并用交叉验证法计算初始特征子集的估计精度，从初始特征子集中去掉重要性最小的特征，获得一个新的特征子集；循环此操作进行迭代，直至遍历完所有特征，根据特征筛选的先后顺序，选定前6个特征作为优质特征，组成特征子集Dsub-2；
S3-3：将步骤s3-1和S3-2确定的特征子集Dsub-1和Dsub-2中共有的特征保留，组成最优特征子集Dsub。
3.根据权利要求1所述的一种储能电站串联电池组的SOH估计方法，其特征在于，步骤S7所述的某个电池组退出放电运行时，估计该电池组的SOH，具体步骤如下：
S7-1：将步骤S6训练合格的高斯回归模型及其核函数参数导入到储能电站电池组管理***中；
S7-2：储能电站电池组管理***实时采集并监测所有电池组及其内部所有电池单体的电压和电流，当某个电池组退出放电运行时，采集所述电池组电流和端电压，采集所述电池组中所有电池单体暂停放电前一采样时刻的端电压、暂停放电时刻端电压瞬时上升值、暂停放电后端电压恢复到稳态值的全过程电压数据，采用步骤S2所述方法从采集到的数据中提取步骤S3所述的特征数据子集Dsub对应的特征量；
S7-3：对步骤S7-2获取的特征数据子集Dsub进行归一化处理，随后输入至步骤S7-1所导入的高斯回归模型中进行估计，得到该电池组的SOH。
CN202210435672.XA 2022-04-24 2022-04-24 一种储能电站串联电池组的soh估计方法 Active CN114910793B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210435672.XA CN114910793B (zh) 2022-04-24 2022-04-24 一种储能电站串联电池组的soh估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210435672.XA CN114910793B (zh) 2022-04-24 2022-04-24 一种储能电站串联电池组的soh估计方法

Publications (2)

Publication Number Publication Date
CN114910793A CN114910793A (zh) 2022-08-16
CN114910793B true CN114910793B (zh) 2023-03-31

Family

ID=82764772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210435672.XA Active CN114910793B (zh) 2022-04-24 2022-04-24 一种储能电站串联电池组的soh估计方法

Country Status (1)

Country Link
CN (1) CN114910793B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115598557B (zh) * 2022-08-26 2023-08-25 广东工业大学 一种基于恒压充电电流的锂电池soh估计方法
CN115508709A (zh) * 2022-08-31 2022-12-23 贵州电网有限责任公司 一种基于迁移学习的移动储能***串联电池组soh估计方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113189490A (zh) * 2021-05-17 2021-07-30 武汉理工大学 基于特征筛选和高斯过程回归的锂电池健康状态估计方法
CN113552491A (zh) * 2021-06-29 2021-10-26 广东工业大学 一种基于rnn模型的储能电站电池组soc估计方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020182276A1 (en) * 2019-03-08 2020-09-17 Hochschule Anhalt Method for estimating the state of charge soc of a battery assembly, corresponding apparatus for estimating the state of charge of a battery assembly and corresponding computer program
CN110703112A (zh) * 2019-10-14 2020-01-17 重庆大学 一种基于局部充电数据的电池组状态的在线估计方法
CN111323719A (zh) * 2020-03-18 2020-06-23 北京理工大学 一种电动汽车动力电池组健康状态在线确定方法和***
CN111398837A (zh) * 2020-04-01 2020-07-10 重庆大学 一种基于数据驱动的车用电池健康状态估计方法
US11703548B2 (en) * 2020-04-03 2023-07-18 Cummins Inc. Methods and systems for accelerated determining of state of health using incremental capacity analysis
CN111707951B (zh) * 2020-06-22 2021-04-06 北京理工大学 一种电池组一致性评估方法及***
CN112098851B (zh) * 2020-11-06 2021-03-12 北京理工大学 智能电池与其荷电状态在线估计方法及应用
CN113092933A (zh) * 2021-03-23 2021-07-09 武汉大学 一种基于lstm的单相接地故障选线方法及***
CN113267733B (zh) * 2021-04-13 2023-11-17 西安理工大学 基于高斯过程回归的锂电池健康状态估计的自动配置方法
CN113406521B (zh) * 2021-06-11 2023-04-28 上海电力大学 一种基于特征分析的锂电池健康状态在线估计方法
CN113552490B (zh) * 2021-06-29 2022-04-01 广东工业大学 一种基于休息恢复效应的可重构电池组soc估计方法
CN113740736B (zh) * 2021-08-31 2024-04-02 哈尔滨工业大学 一种基于深度网络自适应的电动汽车锂电池soh估算方法
CN113917334B (zh) * 2021-09-01 2023-11-17 西安理工大学 基于进化lstm自编码器的电池健康状态估计方法
CN113868597B (zh) * 2021-09-27 2023-03-10 电子科技大学 一种用于年龄估计的回归公平性度量方法
CN114200333A (zh) * 2021-10-25 2022-03-18 国网天津市电力公司电力科学研究院 一种铅酸蓄电池容量预测方法
CN114325393B (zh) * 2021-12-28 2024-07-19 惠州富基能源科技有限公司 基于pf和gpr的锂离子电池组soh自适应估算方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113189490A (zh) * 2021-05-17 2021-07-30 武汉理工大学 基于特征筛选和高斯过程回归的锂电池健康状态估计方法
CN113552491A (zh) * 2021-06-29 2021-10-26 广东工业大学 一种基于rnn模型的储能电站电池组soc估计方法

Also Published As

Publication number Publication date
CN114910793A (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN114910793B (zh) 一种储能电站串联电池组的soh估计方法
CN107957562B (zh) 一种锂离子电池剩余寿命在线预测方法
Yang et al. Online estimation of capacity fade and power fade of lithium-ion batteries based on input–output response technique
El Ghossein et al. Survey on electrical modeling methods applied on different battery types
CN111064253A (zh) 一种基于平均离散Fréchet距离的电池健康度快速评估方法
CN105974320B (zh) 一种液态或半液态金属电池荷电状态估计方法
CN107436412B (zh) 一种基于自学习估算动力电池功率方法
Huang et al. Accurate Thevenin's circuit-based battery model parameter identification
CN108132441B (zh) 储能电池模组荷电状态的运行范围确定方法及装置
CN113030758B (zh) 基于锂离子电池容量跳水点的老化预警方法、***、汽车及计算机存储介质
CN111208432A (zh) 用于电池的二阶rc等效电路模型参数实时辨识方法及装置
CN111487532B (zh) 一种基于层次分析法和熵值法的退役电池筛选方法及***
CN110531269B (zh) 一种串并联组合式电池堆的soc估算方法及电池管理***
CN115421050A (zh) 一种电池健康状态的估计方法、***、设备及存储介质
CN116953547A (zh) 一种储能电池健康度评估方法、***、设备及存储介质
CN115327415A (zh) 基于限定记忆递推最小二乘算法的锂电池soc估算方法
Xia et al. A computationally efficient implementation of an electrochemistry-based model for Lithium-ion batteries
CN112630658A (zh) 一种蓄电池寿命损耗评估方法和***
CN110639844B (zh) 一种空间飞行器用锂离子蓄电池一致性筛选方法
CN114720879A (zh) 基于bp神经网络的储能锂电池组老化模式自动识别方法
CN114252797A (zh) 一种基于不确定性估计的锂电池剩余使用寿命预测方法
CN114764124A (zh) 一种基于gan和lstm的锂电池soc估计方法
CN113255215A (zh) 一种基于电压片段的锂电池健康状态估计方法
CN112611973A (zh) 一种电池健康状态估算方法、***、设备和存储介质
Liu et al. An incremental updating method for online monitoring state-of-health of VRLA 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