CN116774077A - 储能电站电池的健康检测方法、装置、设备及存储介质 - Google Patents
储能电站电池的健康检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116774077A CN116774077A CN202310737613.2A CN202310737613A CN116774077A CN 116774077 A CN116774077 A CN 116774077A CN 202310737613 A CN202310737613 A CN 202310737613A CN 116774077 A CN116774077 A CN 116774077A
- Authority
- CN
- China
- Prior art keywords
- data
- feature data
- battery
- target
- energy storage
- 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.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 69
- 238000004146 energy storage Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012216 screening Methods 0.000 claims abstract description 36
- 238000001914 filtration Methods 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 22
- 230000035945 sensitivity Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000003066 decision tree Methods 0.000 claims description 12
- 230000001629 suppression Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000007599 discharging Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000032683 aging Effects 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000007784 solid electrolyte Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 210000001787 dendrite Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004299 exfoliation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000005195 poor health Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种储能电站电池的健康检测方法、装置、设备及存储介质，该方法包括：对储能电站中已退役的电池采集多个参数的原始数据；以相距指定距离的原始数据为参考，从原始数据中筛选出候选特征数据；以相邻的候选特征数据为参考，从候选特征数据筛选出目标特征数据；滤除部分无效的目标特征数据；若完成滤除，则依据目标特征数据构建尺度不变与旋转不变的电池特征数据；依据电池特征数据对储能电站电池生成表征健康状态的指标。本实施例将特征从高维降低到低维，减少了信息冗余，使得电池特征数据可以全面表征电池的特征，提高特征的独立性，拟合出与评估健康高相关的指标，从而提高评估健康状态的精确度。
Description
技术领域
本发明涉及电网的技术领域，尤其涉及一种储能电站电池的健康检测方法、装置、设备及存储介质。
背景技术
随着清洁能源在电力***中的渗透率逐步提高，在电力***部署了众多的储能电站，通过储能电站的电池可实现减废风光、削峰填谷等调度目标。
为保证储能电站中的电池的安全性和可靠性，目前多是对储能电站中的电池评估SOH(健康状态)，SOH普遍认为是实际可用容量与额定容量的比值，实际可用容量，即，SOH＝Qaged/Qrated×100％，其中，Qaged为实际可用容量，Qrated为额定容量。
由于内阻增大是电池容量衰减的主要原因之一，并且伴生于整个生命周期，因此，可以基于电池的实际内阻与新电池的内阻间之间的关系估测SOH，即，SOH＝(REOL-RCurrent)/(REOL-RBOL)×100％，其中，RBOL为新电池在出厂时的内阻，REOL为电池生命周期终止时的内阻，RCurrent为电池的实际内容。
但是，电池的容量受其他因素影响而发生衰减，单独基于内阻测试检测SOH的精确度较低。
发明内容
本发明提供了一种储能电站电池的健康检测方法、装置、设备及存储介质，以解决如何提高检测储能电站中电池的健康状态的精确度。
根据本发明的一方面，提供了一种储能电站电池的健康检测方法，包括：
对储能电站中已退役的电池采集多个参数的原始数据；
以相距指定距离的所述原始数据为参考，从所述原始数据中筛选出候选特征数据；
以相邻的所述候选特征数据为参考，从所述候选特征数据筛选出目标特征数据；
滤除部分无效的所述目标特征数据；
若完成滤除，则依据所述目标特征数据构建尺度不变与旋转不变的电池特征数据；
依据所述电池特征数据对所述储能电站电池生成表征健康状态的指标。
可选地，所述以相距指定距离的所述原始数据为参考，从所述原始数据中筛选出候选特征数据，包括：
以当前所述原始数据作为圆心、指定距离为直径生成圆形的边界；
在所述边界上判断是否存在排序连续、数值大于或等于当前所述原始数据的多个其他所述原始数据；
若是，则确定当前所述原始数据为候选特征数据。
可选地，所述以相邻的所述候选特征数据为参考，从所述候选特征数据筛选出目标特征数据，包括：
加载基于贪心算法构建的决策树；
将与当前所述候选特征数据相邻的多个其他所述候选特征数据输入所述决策树中，以决策出当前所述候选特征数据是否为目标特征数据。
可选地，所述滤除部分无效的所述目标特征数据，包括：
对所述目标特征数据执行非极大值抑制；
若完成所述非极大值抑制，则筛选出与当前所述目标特征数据邻近的多个其他所述目标特征数据；
对当前所述目标特征数据与多个其他所述目标特征数据之间的差值取绝对值并对所述绝对值求和，作为当前所述目标特征数据的敏感度；
若所述敏感度小于预设的阈值，则滤除当前所述目标特征数据。
可选地，所述依据所述目标特征数据构建尺度不变和/或旋转不变的电池特征数据，包括：
查询预设的缩放因子、层数；
计算所述缩放因子与各个所述层数之间的乘积，得到缩放系数；
计算所述目标特征数据与各个所述缩放系数之间的比值，得到缩放之后的所述目标特征数据；
将缩放之后的所述目标特征数据写入各层的优先级矩阵中，作为尺度不变的电池特征数据。
可选地，所述依据所述目标特征数据构建尺度不变与旋转不变的电池特征数据，还包括：
在所述优先级矩阵内，以缩放之后的所述目标特征数据为圆心、构建圆形的邻域；
在所述邻域中定位质心；
将所述邻域中对缩放之后的所述目标特征数据生成主方向，作为旋转不变的电池特征数据，其中，所述主方向为从缩放之后的所述目标特征数据指向所述质心的方向。
可选地，所述依据所述电池特征数据对所述储能电站电池生成表征健康状态的指标，包括：
依据所述电池特征数据对所述储能电站电池生成等幅放电时间、直流内阻与等幅放电升温，作为表征健康状态的指标。
根据本发明的另一方面，提供了一种储能电站电池的健康检测装置，包括：
原始数据采集模块，用于对储能电站中已退役的电池采集多个参数的原始数据；
候选特征数据筛选模块，用于以相距指定距离的所述原始数据为参考，从所述原始数据中筛选出候选特征数据；
目标特征数据筛选模块，用于以相邻的所述候选特征数据为参考，从所述候选特征数据筛选出目标特征数据；
目标特征数据滤除模块，用于滤除部分无效的所述目标特征数据；
电池特征数据生成模块，用于若完成滤除，则依据所述目标特征数据构建尺度不变与旋转不变的电池特征数据；
健康指标生成模块，用于依据所述电池特征数据对所述储能电站电池生成表征健康状态的指标。
可选地，所述候选特征数据筛选模块包括：
边界生成模块，用于以当前所述原始数据作为圆心、指定距离为直径生成圆形的边界；
边界数值判断模块，用于在所述边界上判断是否存在排序连续、数值大于或等于当前所述原始数据的多个其他所述原始数据；若是，则执行候选特征数据确定模块；
候选特征数据确定模块，用于确定当前所述原始数据为候选特征数据。
可选地，所述目标特征数据筛选模块包括：
决策树加载模块，用于加载基于贪心算法构建的决策树；
目标特征数据决策模块，用于将与当前所述候选特征数据相邻的多个其他所述候选特征数据输入所述决策树中，以决策出当前所述候选特征数据是否为目标特征数据。
可选地，所述目标特征数据滤除模块包括：
非极大值抑制模块，用于对所述目标特征数据执行非极大值抑制；
邻近特征数据筛选模块，用于若完成所述非极大值抑制，则筛选出与当前所述目标特征数据邻近的多个其他所述目标特征数据；
敏感度计算模块，用于对当前所述目标特征数据与多个其他所述目标特征数据之间的差值取绝对值并对所述绝对值求和，作为当前所述目标特征数据的敏感度；
敏感度滤除模块，用于若所述敏感度小于预设的阈值，则滤除当前所述目标特征数据。
可选地，所述电池特征数据生成模块包括：
缩放参数查询模块，用于查询预设的缩放因子、层数；
缩放系数计算模块，用于计算所述缩放因子与各个所述层数之间的乘积，得到缩放系数；
特征缩放模块，用于计算所述目标特征数据与各个所述缩放系数之间的比值，得到缩放之后的所述目标特征数据；
优先级矩阵生成模块，用于将缩放之后的所述目标特征数据写入各层的优先级矩阵中，作为尺度不变的电池特征数据。
可选地，所述电池特征数据生成模块还包括：
邻域构建模块，用于在所述优先级矩阵内，以缩放之后的所述目标特征数据为圆心、构建圆形的邻域；
质心定位模块，用于在所述邻域中定位质心；
主方向生成模块，用于将所述邻域中对缩放之后的所述目标特征数据生成主方向，作为旋转不变的电池特征数据，其中，所述主方向为从缩放之后的所述目标特征数据指向所述质心的方向。
可选地，所述健康指标生成模块包括：
健康因子计算模块，用于依据所述电池特征数据对所述储能电站电池生成等幅放电时间、直流内阻与等幅放电升温，作为表征健康状态的指标。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的储能电站电池的健康检测方法。
根据本发明的另一方面，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存储有计算机程序，所述计算机程序用于使处理器执行时实现本发明任一实施例所述的储能电站电池的健康检测方法。
在本实施例中，对储能电站中已退役的电池采集多个参数的原始数据；以相距指定距离的原始数据为参考，从原始数据中筛选出候选特征数据；以相邻的候选特征数据为参考，从候选特征数据筛选出目标特征数据；滤除部分无效的目标特征数据；若完成滤除，则依据目标特征数据构建尺度不变与旋转不变的电池特征数据；依据电池特征数据对储能电站电池生成表征健康状态的指标。本实施例经过粗筛、精筛、有效性筛选、尺度/旋转不变构建电池特征数据，将特征从高维降低到低维，减少了信息冗余，使得电池特征数据可以全面表征电池的特征，提高特征的独立性，拟合出与评估健康高相关的指标，从而提高评估健康状态的精确度。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种储能电站电池的健康检测方法的流程图；
图2是根据本发明实施例一提供的一种电池老化机制的示意图；
图3是根据本发明实施例一提供的一种电池在不同循环次数下、时间与电压衰减之间的关系图；
图4是根据本发明实施例一提供的一种电池在不同循环次数下、电压与放电速率之间的关系图；
图5是根据本发明实施例一提供的一种电池在不同循环次数下、健康因子与SOH之间的关系图；
图6是根据本发明实施例二提供的一种储能电站电池的健康检测装置的结构示意图；
图7是实现本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种储能电站电池的健康检测方法的流程图，该方法可以由储能电站电池的健康检测装置来执行，该储能电站电池的健康检测装置可以采用硬件和/或软件的形式实现，该储能电站电池的健康检测装置可配置于电子设备中。如图1所示，该方法包括：
步骤101、对储能电站中已退役的电池采集多个参数的原始数据。
在储能电站电池(如锂电池)的生命周期内，SOH的衰减过程与诸多外部多种因素相关，也与电池内部材料的老化相关。
如图2所示，老化因素包括时间、高温、低温、高SOC(State of Charge，剩余电量)、低SOC、高电流强度、高压，等等，这些老化因素可作用的衰减机制包括SEI(SolidElectrolyte Interphase，固体电解质界面)生长、SEI降解、电解液降解、隔膜损伤、石墨剥落、析锂/枝晶、电接触下降、电极结构塌陷、集流体腐蚀，这些衰减机制所产生的衰减模式包括内阻增大、活性材料损失、锂离子损失、自放电增高，这些衰减模式所产生的效应包括容量衰减、性能衰减。
在本实施例中，储能电站中部署的多为已退役的电池，如新能源汽车的动力电池等，对于已退役的电池，可以在测试平台中对储能电站电池进行电池包本体(Pack)测试，分级作为采样周期，在该采样周期中采集多个与SOH相关程度较高的参数的原始数据(即参数值)，例如，充放电的电压、电路、温度，等等。
步骤102、以相距指定距离的原始数据为参考，从原始数据中筛选出候选特征数据。
在提取储能电站电池作为特征的参数时，通过实际测量的原始数据通常是高维的，其中包含信息冗杂，容易造成数据维灾难，不利于实时准确的评估分析，因此，可以对原始数据进行降维。
在本实施例中，可以遍历所有原始数据，以与当前原始数据相距指定距离的其他原始数据为参考、对当前原始数据进行评估，对所有原始数据进行粗筛，从中筛选出部分原始数据，记为候选特征数据。
在具体实现中，可以在二维空间中，以当前原始数据(视为一个点)作为圆心、指定距离(如6)为直径生成圆形的边界，在边界上判断是否存在排序连续、数值大于或等于当前原始数据的多个(k个)其他原始数据；若是，则确定当前原始数据为候选特征数据。
示例性地，k的取值为12。在某些情况下，为了使候选特征数据的取值更加迅速，以保证候选特征数据的时效性，在k＝1、3、5、9、13上取值，若不符合条件，则按12个点(即原始数据)重新取值比较。
步骤103、以相邻的候选特征数据为参考，从候选特征数据筛选出目标特征数据。
在本实施例中，可以可以遍历所有候选特征数据，基于机器学习方法，以与当前候选特征数据相邻的其他候选特征数据为参考、对当前候选特征数据进行评估，对所有候选特征数据进行精筛，从中选择部分候选特征数据，记为目标特征数据。
在具体实现中，可以加载基于贪心算法ID3构建的决策树，将与当前候选特征数据相邻的多个(如16个)其他候选特征数据输入决策树中，以决策出当前候选特征数据是否为目标特征数据。
步骤104、滤除部分无效的目标特征数据。
在本实施例中，可以对目标特征数据进行有效性筛选，在所有目标特征数据中滤除部分无效的目标特征数据，剩余部分有效的目标特征数据。
在具体实现中，为减少因非极大值局部过多聚集造成的误差，可以对目标特征数据执行非极大值抑制，保证不会出现多个目标特征数据。
若完成非极大值抑制，则筛选出与当前目标特征数据邻近的多个其他目标特征数据，对当前目标特征数据与多个其他目标特征数据之间的差值取绝对值并对绝对值求和，作为当前目标特征数据的敏感度，将敏感度与预设的阈值进行比较。
若敏感度小于预设的阈值，表示当前目标特征数据的敏感度较低，则滤除当前目标特征数据，从而保留敏感度较高的目标特征数据。
步骤105、若完成滤除，则依据目标特征数据构建尺度不变与旋转不变的电池特征数据。
在滤除部分无效的目标特征数据之后，对于剩余有效的目标特征数据，可以使用这些目标特征数据构建尺度不变和/或旋转不变的电池特征数据，所谓尺度不变，可以指特征的比例不会发生变化，所谓旋转不变，可以指特征在缩放的过程中方向性不变。
在具体实现中，可以查询预设的缩放因子scaleFactor(如1.2)、层数nlevels(如nlevels的上限值为8)。
针对各个层数，计算缩放因子与各个层数之间的乘积，得到缩放系数，计算目标特征数据与各个缩放系数之间的比值，得到缩放之后的目标特征数据，将缩放之后的目标特征数据写入各层的优先级矩阵中，作为各个维度下、尺度不变的电池特征数据。
那么，缩放的过程表示为：I＇＝I/(scaleFactor*k)，其中，I＇为优先级矩阵，I为目标特征数据的集合，k＝1，2，……，nlevels。
此外，在优先级矩阵内，以缩放之后的目标特征数据r为圆心、构建圆形的邻域；在邻域中定位质心，将邻域中对缩放之后的目标特征数据生成主方向，作为旋转不变的电池特征数据，其中，主方向为从缩放之后的目标特征数据指向质心的方向。
进一步地，优先级矩阵定义为mpq＝∑x,y∈rxpyqI(x,y)，I(x,y)为缩放之后的目标特征数据的数值，则优先级矩阵的质心为假设角坐标为0，则向量的角度记为主方向/>
步骤106、依据电池特征数据对储能电站电池生成表征健康状态的指标。
在本实施例中，可以选择合适的电池特征数据，将这些电池特征数据进行运算，对储能电站电池生成表征健康状态的指标，可记为健康因子。
在具体实现中，可以依据电池特征数据对储能电站电池生成等幅放电时间、直流内阻与等幅放电升温，作为表征健康状态的指标，弥补单个指标评估健康状态偏差较大的缺点，进一步提高评估电池的健康状态的精确度，并缩短测量评估时间。
其中，等幅放电时间可以指释放幅度相同的电能消耗的时间，直流内阻可以指在工作条件下电池的电压变化与相应的放电电流变化之比，等幅放电升温可以指释放幅度相同的电能电池升高的温度。
进一步而言，可以通过实时积分法直接估计电池的有效容量的变化：
其中，ΔQ为有效容量的变化值，i为充放电的瞬时电流值，t为时间，te为充放电的开始时间，ts为充放电的结束时间。
如果电池的充电电流和放电电流恒定，则可以根据充电时间和放电时间预电预测电池的有效容量，简化了安时积分法的计算过程。
ΔQ＝I×(te-ts)
其中，ΔQ为有效容量的变化值，I为充放电充放电的有效电流值，te为充放电的开始时间，ts为充放电的结束时间。
图3示出了电池在不同循环次数下、时间与电压衰减之间的关系图，其中，曲线301的循环次数为1次，曲线302的循环次数为50次，曲线303的循环次数为200次。
如图3所示，电池内部电压在运行2000s-3000s时迅速下降，电池随着放电时间的增加，电池中的化学能逐渐转换为电能，总能量减少，处在不稳定状态的离子增多使得电压下降迅速。在电池刚开始放电时，电压下降速度相对来说均匀，具有较强的线性程度。其线性阶段约占整个电池放电过程的90％，因此，次线性区域的占比长短可作为电池衰减程度的评估指标。
在评估之前，电池的放电一般要满足以下条件：
1、放电时间不能时间跨度太小，以至于无法观测到电压非线性化下降的区间，造成差过大。
2、为了保证测试的实时性，放电时间的跨度不能太大。
3、不同电池有不同的健康状况，确保选举区间电池的健康状态区分能力。
为了选择合适的电池放电时间区间跨度，图4绘制了电池在不同循环次数下、电压与放电速率之间的关系图，其中，曲线401的循环次数为1次，曲线402的循环次数为50次，曲线403的循环次数为200次。
如图4所示，当电池的电压在3.7V-4.2V时，放电时间对放电速率的影响较大，不同健康状态的电池表现出明显区别，结合多组数据比较，3.30V-3.35V作为放电区间较为适宜。
电池经过长期使用，健康状况不佳，各种器材损耗导致直流内阻上升，直流内阻高的电池将在充放电过程中产生更多的热量，热量的流逝导致化学能电能转换效率降低，伏安特性比较软，接入的标称放电区间变短。在不同SOC下的电池内部化学溶剂成分比例不同，导致电池的直流内阻变化。
电池在充放电过程中伴随着极化反应，因此，电池的发热源还包括了有化学反应放热和极化反应放热。电池的工作温度过高会影响电池的寿命，过高的温度会加速电池的老化过程，使电池运行的稳定性下降，增大电池运行的危险性。充放电次数，充放电循环次数、电池运行时外部环境温度、电池荷电状态、电池健康状态等多种因素都会影响电池温度的变化。
在控制其他变量一定的前提下，测量电池放电过程中温度曲线，并绘制了电池运行温度与电压的曲线图。由图4可知，放电电压在3.0V-3.4V时，电池温和电压的升高相关性较强，与电池循环次数也表现出较强的相关。
为了验证本发明所提出健康评估标准的有效性，将SOH及电池循环次数及电池健康状态评估因子数据量化并做归一化处理：
其中，R为归一化结果，D为待归一化的数据，Dmax与Dmin分别为待归一化的数据的最大值与最小值，因为数据采集周期为15s，导致图中等幅放电时间曲线存在阶梯变化现象。
如图5所示，SOH 503随循环次数增加大体呈下降趋势，在SOH下降的过程中，SOH与等幅放电时间501呈明显的正相关，SOH与等幅放电温升(含直流内阻)502大体上负相关，证明了等幅放电时间、直流内阻与等幅放电升温可以在一定程度上表征电池的SOH。
为更客观、直观地描述等幅放电时间、直流内阻、等幅放电升温分别与SOH的关系，分别对两两做相关度分析，如下表所示。
| 指标 | 1号电池 | 2号电池 | 3号电池 | 4号电池 |
| 等幅放电时间 | 0.9928 | 0.9436 | 0.9694 | 0.9686 |
| 直流内阻 | -0.9762 | -0.9512 | -0.9514 | -0.9596 |
| 等幅放电升温 | -0.9789 | -0.9826 | -0.9331 | -0.9682 |
由上表可知，等幅放电时间、直流内阻、等幅放电升温分别与SOH之间的相关性的绝对值均大于0.95，相关性高，其中，等幅放电时间与SOH正相关，直流内阻、等幅放电温升与SOH均负相关。
在本实施例中，对储能电站中已退役的电池采集多个参数的原始数据；以相距指定距离的原始数据为参考，从原始数据中筛选出候选特征数据；以相邻的候选特征数据为参考，从候选特征数据筛选出目标特征数据；滤除部分无效的目标特征数据；若完成滤除，则依据目标特征数据构建尺度不变与旋转不变的电池特征数据；依据电池特征数据对储能电站电池生成表征健康状态的指标。本实施例经过粗筛、精筛、有效性筛选、尺度/旋转不变构建电池特征数据，将特征从高维降低到低维，减少了信息冗余，使得电池特征数据可以全面表征电池的特征，提高特征的独立性，拟合出与评估健康高相关的指标，从而提高评估健康状态的精确度。
实施例二
图6为本发明实施例二提供的一种储能电站电池的健康检测装置的结构示意图。如图6所示，该装置包括：
原始数据采集模块601，用于对储能电站中已退役的电池采集多个参数的原始数据；
候选特征数据筛选模块602，用于以相距指定距离的所述原始数据为参考，从所述原始数据中筛选出候选特征数据；
目标特征数据筛选模块603，用于以相邻的所述候选特征数据为参考，从所述候选特征数据筛选出目标特征数据；
目标特征数据滤除模块604，用于滤除部分无效的所述目标特征数据；
电池特征数据生成模块605，用于若完成滤除，则依据所述目标特征数据构建尺度不变与旋转不变的电池特征数据；
健康指标生成模块606，用于依据所述电池特征数据对所述储能电站电池生成表征健康状态的指标。
在本发明的一个实施例中，所述候选特征数据筛选模块602包括：
边界生成模块，用于以当前所述原始数据作为圆心、指定距离为直径生成圆形的边界；
边界数值判断模块，用于在所述边界上判断是否存在排序连续、数值大于或等于当前所述原始数据的多个其他所述原始数据；若是，则执行候选特征数据确定模块；
候选特征数据确定模块，用于确定当前所述原始数据为候选特征数据。
在本发明的一个实施例中，所述目标特征数据筛选模块603包括：
决策树加载模块，用于加载基于贪心算法构建的决策树；
目标特征数据决策模块，用于将与当前所述候选特征数据相邻的多个其他所述候选特征数据输入所述决策树中，以决策出当前所述候选特征数据是否为目标特征数据。
在本发明的一个实施例中，所述目标特征数据滤除模块604包括：
非极大值抑制模块，用于对所述目标特征数据执行非极大值抑制；
邻近特征数据筛选模块，用于若完成所述非极大值抑制，则筛选出与当前所述目标特征数据邻近的多个其他所述目标特征数据；
敏感度计算模块，用于对当前所述目标特征数据与多个其他所述目标特征数据之间的差值取绝对值并对所述绝对值求和，作为当前所述目标特征数据的敏感度；
敏感度滤除模块，用于若所述敏感度小于预设的阈值，则滤除当前所述目标特征数据。
在本发明的一个实施例中，所述电池特征数据生成模块605包括：
缩放参数查询模块，用于查询预设的缩放因子、层数；
缩放系数计算模块，用于计算所述缩放因子与各个所述层数之间的乘积，得到缩放系数；
特征缩放模块，用于计算所述目标特征数据与各个所述缩放系数之间的比值，得到缩放之后的所述目标特征数据；
优先级矩阵生成模块，用于将缩放之后的所述目标特征数据写入各层的优先级矩阵中，作为尺度不变的电池特征数据。
在本发明的一个实施例中，所述电池特征数据生成模块605还包括：
邻域构建模块，用于在所述优先级矩阵内，以缩放之后的所述目标特征数据为圆心、构建圆形的邻域；
质心定位模块，用于在所述邻域中定位质心；
主方向生成模块，用于将所述邻域中对缩放之后的所述目标特征数据生成主方向，作为旋转不变的电池特征数据，其中，所述主方向为从缩放之后的所述目标特征数据指向所述质心的方向。
在本发明的一个实施例中，所述健康指标生成模块606包括：
健康因子计算模块，用于依据所述电池特征数据对所述储能电站电池生成等幅放电时间、直流内阻与等幅放电升温，作为表征健康状态的指标。
本发明实施例所提供的储能电站电池的健康检测装置可执行本发明任意实施例所提供的储能电站电池的健康检测方法，具备执行储能电站电池的健康检测方法相应的功能模块和有益效果。
实施例三
图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，如储能电站电池的健康检测方法。
在一些实施例中，储能电站电池的健康检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的储能电站电池的健康检测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行储能电站电池的健康检测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
实施例四
本发明实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序在被处理器执行时实现如本发明任一实施例所提供的储能电站电池的健康检测方法。
计算机程序产品在实现的过程中，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种储能电站电池的健康检测方法，其特征在于，包括：
对储能电站中已退役的电池采集多个参数的原始数据；
以相距指定距离的所述原始数据为参考，从所述原始数据中筛选出候选特征数据；
以相邻的所述候选特征数据为参考，从所述候选特征数据筛选出目标特征数据；
滤除部分无效的所述目标特征数据；
若完成滤除，则依据所述目标特征数据构建尺度不变与旋转不变的电池特征数据；
依据所述电池特征数据对所述储能电站电池生成表征健康状态的指标。
2.根据权利要求1所述的方法，其特征在于，所述以相距指定距离的所述原始数据为参考，从所述原始数据中筛选出候选特征数据，包括：
以当前所述原始数据作为圆心、指定距离为直径生成圆形的边界；
在所述边界上判断是否存在排序连续、数值大于或等于当前所述原始数据的多个其他所述原始数据；
若是，则确定当前所述原始数据为候选特征数据。
3.根据权利要求1所述的方法，其特征在于，所述以相邻的所述候选特征数据为参考，从所述候选特征数据筛选出目标特征数据，包括：
加载基于贪心算法构建的决策树；
将与当前所述候选特征数据相邻的多个其他所述候选特征数据输入所述决策树中，以决策出当前所述候选特征数据是否为目标特征数据。
4.根据权利要求1所述的方法，其特征在于，所述滤除部分无效的所述目标特征数据，包括：
对所述目标特征数据执行非极大值抑制；
若完成所述非极大值抑制，则筛选出与当前所述目标特征数据邻近的多个其他所述目标特征数据；
对当前所述目标特征数据与多个其他所述目标特征数据之间的差值取绝对值并对所述绝对值求和，作为当前所述目标特征数据的敏感度；
若所述敏感度小于预设的阈值，则滤除当前所述目标特征数据。
5.根据权利要求1所述的方法，其特征在于，所述依据所述目标特征数据构建尺度不变和/或旋转不变的电池特征数据，包括：
查询预设的缩放因子、层数；
计算所述缩放因子与各个所述层数之间的乘积，得到缩放系数；
计算所述目标特征数据与各个所述缩放系数之间的比值，得到缩放之后的所述目标特征数据；
将缩放之后的所述目标特征数据写入各层的优先级矩阵中，作为尺度不变的电池特征数据。
6.根据权利要求5所述的方法，其特征在于，所述依据所述目标特征数据构建尺度不变与旋转不变的电池特征数据，还包括：
在所述优先级矩阵内，以缩放之后的所述目标特征数据为圆心、构建圆形的邻域；
在所述邻域中定位质心；
将所述邻域中对缩放之后的所述目标特征数据生成主方向，作为旋转不变的电池特征数据，其中，所述主方向为从缩放之后的所述目标特征数据指向所述质心的方向。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述依据所述电池特征数据对所述储能电站电池生成表征健康状态的指标，包括：
依据所述电池特征数据对所述储能电站电池生成等幅放电时间、直流内阻与等幅放电升温，作为表征健康状态的指标。
8.一种储能电站电池的健康检测装置，其特征在于，包括：
原始数据采集模块，用于对储能电站中已退役的电池采集多个参数的原始数据；
候选特征数据筛选模块，用于以相距指定距离的所述原始数据为参考，从所述原始数据中筛选出候选特征数据；
目标特征数据筛选模块，用于以相邻的所述候选特征数据为参考，从所述候选特征数据筛选出目标特征数据；
目标特征数据滤除模块，用于滤除部分无效的所述目标特征数据；
电池特征数据生成模块，用于若完成滤除，则依据所述目标特征数据构建尺度不变与旋转不变的电池特征数据；
健康指标生成模块，用于依据所述电池特征数据对所述储能电站电池生成表征健康状态的指标。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的储能电站电池的健康检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序用于使处理器执行时实现权利要求1-7中任一项所述的储能电站电池的健康检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310737613.2A CN116774077A (zh) | 2023-06-21 | 2023-06-21 | 储能电站电池的健康检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310737613.2A CN116774077A (zh) | 2023-06-21 | 2023-06-21 | 储能电站电池的健康检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116774077A true CN116774077A (zh) | 2023-09-19 |
Family
ID=88005878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310737613.2A Pending CN116774077A (zh) | 2023-06-21 | 2023-06-21 | 储能电站电池的健康检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116774077A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117872168A (zh) * | 2024-03-12 | 2024-04-12 | 苏州市洛肯电子科技有限公司 | 一种内嵌rfid新能源电池智能检测方法及*** |
| CN117949831A (zh) * | 2024-03-27 | 2024-04-30 | 牡丹江师范学院 | 一种可调式物理相似模拟实验平台 |
-
2023
- 2023-06-21 CN CN202310737613.2A patent/CN116774077A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117872168A (zh) * | 2024-03-12 | 2024-04-12 | 苏州市洛肯电子科技有限公司 | 一种内嵌rfid新能源电池智能检测方法及*** |
| CN117872168B (zh) * | 2024-03-12 | 2024-06-11 | 苏州市洛肯电子科技有限公司 | 一种内嵌rfid新能源电池智能检测方法及*** |
| CN117949831A (zh) * | 2024-03-27 | 2024-04-30 | 牡丹江师范学院 | 一种可调式物理相似模拟实验平台 |
| CN117949831B (zh) * | 2024-03-27 | 2024-05-31 | 牡丹江师范学院 | 一种可调式物理相似模拟实验平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116774077A (zh) | 储能电站电池的健康检测方法、装置、设备及存储介质 | |
| CN116502112B (zh) | 一种新能源电源测试数据管理方法及*** | |
| CN116008827A (zh) | 一种锂离子电池析锂电位的确定方法、装置及电子设备 | |
| CN114114047A (zh) | 电池故障检测方法和装置 | |
| CN114660461A (zh) | 电池健康状态的评估方法、装置、电子设备和存储介质 | |
| CN116699446A (zh) | 退役电池快速分选方法、装置、设备及存储介质 | |
| CN116754981B (zh) | 电池容量预测方法、装置、电子设备及存储介质 | |
| CN115421046B (zh) | 动力电池梯度利用筛选方法、装置、设备及存储介质 | |
| CN115395613B (zh) | 电池充电管理方法、装置、电子设备及存储介质 | |
| CN116736164A (zh) | 一种车辆蓄电池老化的识别方法、装置、设备及介质 | |
| CN115754772A (zh) | 一种电池容量衰减处理方法、装置、设备和存储介质 | |
| CN115692885A (zh) | 一种电池析锂保护方法、装置、电子设备和存储介质 | |
| CN113805084B (zh) | 电池容量衰减的计算方法、装置、计算机设备及存储介质 | |
| CN115267556A (zh) | 电池寿命衰降分析方法、存储介质及电子设备 | |
| CN117706390B (zh) | 一种电池荷电状态滚动优化估计方法及装置 | |
| CN113030750B (zh) | 锂电池剩余使用参数的检测方法和装置 | |
| CN118068199B (zh) | 一种电池充放电曲线预测方法、装置、电子设备和存储介质 | |
| CN116679217A (zh) | 基于二阶等效电路的soh检测方法、装置、设备及介质 | |
| CN115792628A (zh) | 一种动力电池安全性评估方法、装置、设备和存储介质 | |
| CN117289140A (zh) | 一种电池故障诊断方法、装置、设备及存储介质 | |
| CN117970157A (zh) | 一种电芯性能分析方法、装置、设备、介质及产品 | |
| CN117680396A (zh) | 一种电化学电池的分选方法、装置、设备和介质 | |
| CN117092535A (zh) | 电池去极化状态的判断方法、装置、电子设备及存储介质 | |
| CN117851853A (zh) | 一种窃电用户定位方法、装置、设备及存储介质 | |
| CN118376925A (zh) | 一种电池容量的估算方法及装置 |
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 |