CN117054892A - 一种储能电站电池健康状态的评估方法、装置及管理方法 - Google Patents
一种储能电站电池健康状态的评估方法、装置及管理方法 Download PDFInfo
- Publication number
- CN117054892A CN117054892A CN202311309810.0A CN202311309810A CN117054892A CN 117054892 A CN117054892 A CN 117054892A CN 202311309810 A CN202311309810 A CN 202311309810A CN 117054892 A CN117054892 A CN 117054892A
- Authority
- CN
- China
- Prior art keywords
- battery
- soh
- model
- energy storage
- target
- 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 78
- 238000011156 evaluation Methods 0.000 title claims abstract description 52
- 238000007726 management method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000013210 evaluation model Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000036541 health Effects 0.000 claims abstract description 28
- 238000013526 transfer learning Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 34
- 238000007599 discharging Methods 0.000 claims description 33
- 210000004027 cell Anatomy 0.000 claims description 32
- 239000000178 monomer Substances 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 14
- 238000005520 cutting process Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 10
- 230000005012 migration Effects 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 9
- 238000007600 charging Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000012983 electrochemical energy storage Methods 0.000 description 6
- 230000002457 bidirectional effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000002035 prolonged effect Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- BNOODXBBXFZASF-UHFFFAOYSA-N [Na].[S] Chemical compound [Na].[S] BNOODXBBXFZASF-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 238000010281 constant-current constant-voltage charging Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种储能电站电池健康状态SOH的评估方法、评估装置及管理方法,涉及电池技术领域。所述方法包括:基于神经网络构建SOH评估模型;获取源域数据,并将源域数据训练SOH评估模型,得到源域模型;获取预设数量的目标域数据,并将预设数量的目标域数据重训练源域模型,得到SOH评估的迁移学习模型;基于SOH评估的迁移学习模型评估储能电站目标电池的健康状态。以至少解决相关技术中存在的由于无法获取全面的电池组运行数据训练评估模型,且评估对象由电池单体改变至电池组时数据分布有区别,使得SOH评估准确性低、评估模型失效的问题。
Description
技术领域
本发明涉及电池技术领域,尤其涉及一种储能电站电池健康状态SOH的评估方法、评估装置及管理方法。
背景技术
储能电站电池通常具有较大的容量和高能量密度,可以在低负荷时充电,高负荷时放电,以平衡电力***的供需差异。储能电站电池可以用于平衡电网的负荷波动、提供备用电力、储存可再生能源等。常见的储能电站电池类型包括铅酸电池、锂离子电池、钠硫电池等。
通过准确评估和在线监测储能电站电池的健康状态,可以优化电池的使用策略、延长电池的寿命、降低故障风险,并为储能***的设计和管理提供依据;可以优化调度、容量规划和故障诊断,从而延长电池的循环次数,以确保储能***的稳定运行;还可以识别出潜在的故障特征和异常行为,并提供预警信息,以便采取相应的维修和替换措施,避免电池故障对储能***造成影响。
目前,对储能电池健康状态的评估方法包括:获取储能电池实际运行过程中的实际运行数据,将实际运行数据输入预训练好的用于储能电池SOH(State of Health,电池健康状态)估算的长短期记忆网络LSTM,获得储能电池的SOH估算值。
而上述评估方法在实际部署时,需要将评估对象转变为电化学储能电站电池单体、电池模组、电池簇、电池堆和电池舱时,由于数据分布上存在的差异,导致了评估准确性降低或者模型失效、储能电站在运行阶段初期无法进行SOH和RUL(Remaining UsefulLife,寿命剩余预测)准确评估的问题,必须通过完整的储能电站运行数据的重新训练,才可能充分发挥评估模型的性能。然而获取重训练所需的运行数据耗费的时间和人工成本巨大,严重阻碍了该方法的在储能电站的应用。
发明内容
本发明所要解决的技术问题是针对现有技术的上述不足,提供一种储能电站电池健康状态SOH的评估方法、评估装置及管理方法,能在实验室数据异地训练SOH评估模型的基础上,结合少量的储能电站运行数据重训练评估模型,达到准确评估电站电池单体、电池模组、电池簇、电池堆和电池舱SOH的目的,实现场站评估冷启动。
第一方面,本发明提供一种储能电站电池健康状态SOH的评估方法,包括:基于神经网络构建SOH评估模型;获取源域数据,并将源域数据训练SOH评估模型,得到源域模型;获取预设数量的目标域数据,并将预设数量的目标域数据重训练源域模型,得到SOH评估的迁移学习模型;基于SOH评估的迁移学习模型评估储能电站目标电池的健康状态。
优选地,目标电池包括电池单体、电池模组、电池簇、电池堆、电池舱的任一种。
所述获取源域数据,并将源域数据训练SOH评估模型,具体包括:获取实验室多个电池单体分别在放电过程中的容量增量数据集,得到源域数据,其中,容量增量满足以下公式:
,
和/>分别为相邻两个时刻的放电容量,放电容量的单位为安时,/>和/>分别为相邻两个时刻电池的端电压,端电压的单位为伏;将源域数据作为模型输入,训练和测试SOH评估模型。
优选地,在所述获取实验室多个电池单体分别在放电过程中的容量增量数据集之后,以及在得到源域数据之前,所述评估方法还包括:将实验室多个电池单体分别在放电过程中的容量增量数据集进行平滑处理;以下述公式的电压为依据将平滑处理后的容量增量数据集切割成两个第一短特征样本集:
其中,为实验室电池单体的放电截止电压,b为实验室电池单体的充电截止电压。
优选地,所述获取实验室多个电池单体分别在放电过程中的容量增量数据集,具体包括:获取实验室多个电池单体分别在放电过程中满足以下预设条件的容量增量数据集,预设条件包括电压幅值大于第一阈值,电压幅值的单位变化幅度大于第二阈值。
优选地,所述获取预设数量的目标域数据,并将预设数量的目标域数据重训练源域模型,具体包括:获取储能电站目标电池分别在放电过程中的容量增量数据集,得到预设数量的目标域数据;将预设数量的目标域数据作为源域模型输入,重训练和重测试源域模型。
优选地,在所述获取储能电站目标电池分别在放电过程中的容量增量数据集之后,以及,在得到预设数量的目标域数据之前,所述评估方法还包括:将储能电站目标电池分别在放电过程中的容量增量数据集进行平滑处理;以下述公式的电压为依据将平滑处理后的容量增量数据集切割成两个第二短特征样本集:
其中,A为储能电站目标电池的放电截止电压,B为储能电站目标电池的充电截止电压。
优选地,所述基于神经网络构建SOH评估模型,具体包括:基于长短时记忆网络LSTM和门控循环单元GRU构建SOH评估模型;确定SOH评估模型的层数、每层的神经元数量及激活函数;初始化SOH评估模型的参数。
第二方面,本发明还提供一种储能电站电池健康状态SOH的评估装置,包括构建模块、预训练模块、重训练模块和评估模块。
构建模块,用于基于神经网络构建SOH评估模型。预训练模块,与构建模块连接,用于获取源域数据,并将源域数据训练SOH评估模型,得到源域模型。重训练模块,与预训练模块连接,用于获取预设数量的目标域数据,并将预设数量的目标域数据重训练源域模型,得到SOH评估的迁移学习模型。评估模块,与重训练模块连接,用于基于SOH评估的迁移学习模型评估储能电站目标电池的健康状态。
优选地,目标电池包括电池单体、电池模组、电池簇、电池堆、电池舱的任一种。
预训练模块具体用于获取实验室多个电池单体分别在放电过程中的容量增量数据集,得到源域数据,其中,容量增量满足以下公式:
和/>分别为相邻两个时刻的放电容量,/>和/>分别为相邻两个时刻电池的端电压,将源域数据作为模型输入,训练和测试SOH评估模型。
第三方面,本发明还提供一种储能电站电池的管理方法,包括:根据第一方面所述的储能电站电池健康状态SOH的评估方法得到储能电站目标电池的健康状态;根据健康状态优化目标电池的使用策略或预测目标电池的故障。
本发明提供的储能电站电池健康状态SOH的评估方法、评估装置及管理方法,通过先在源域数据完成评估模型的预训练,再将预训练后的评估模型迁移到目标域数据的少量数据集上进行重训练,最终获得能够评估电池组、电池簇等目标电池的SOH评估的迁移学习模型,即使在评估对象或场景发生改变的情况下,该SOH评估的迁移学习模型仍是有效的,故可获得准确性高的评估结果。通过迁移学习突破数据间的分布限制、解决传统机器学习模型在部署后不能直接使用,而需要现场数据重新训练的问题,实现利用电池单体SOH评估模型对电池组SOH评估的目的,通过少量样品形成的评估模型实现对整站运行状态评估的可能性。
附图说明
图1为本发明实施例1的一种储能电站电池健康状态SOH的评估方法的流程示意图;
图2为本发明实施例1的一种SOH评估的迁移学习模型的结构示意图;
图3为本发明实施例1的一种SOH评估的迁移学习模型的迁移路径示意图;
图4为本发明实施例2的一种储能电站电池健康状态SOH的评估装置的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面将结合附图对本发明实施方式作进一步地详细描述。
可以理解的是,此处描述的具体实施例和附图仅仅用于解释本发明,而非对本发明的限定。
可以理解的是,在不冲突的情况下,本发明中的各实施例及实施例中的各特征可相互组合。
可以理解的是,为便于描述,本发明的附图中仅示出了与本发明相关的部分,而与本发明无关的部分未在附图中示出。
可以理解的是,本发明的实施例中所涉及的每个单元、模块可仅对应一个实体结构,也可由多个实体结构组成,或者,多个单元、模块也可集成为一个实体结构。
可以理解的是,在不冲突的情况下,本发明的流程图和框图中所标注的功能、步骤可按照不同于附图中所标注的顺序发生。
可以理解的是,本发明的流程图和框图中,示出了按照本发明各实施例的***、装置、设备、方法的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可代表一个单元、模块、程序段、代码,其包含用于实现规定的功能的可执行指令。而且,框图和流程图中的每个方框或方框的组合,可用实现规定的功能的基于硬件的***实现,也可用硬件与计算机指令的组合来实现。
可以理解的是,本发明实施例中所涉及的单元、模块可通过软件的方式实现,也可通过硬件的方式来实现,例如单元、模块可位于处理器中。
实施例1
如图1所示,本实施例提供一种储能电站电池健康状态SOH的评估方法,包括:
步骤101,基于神经网络构建SOH评估模型。
具体地,基于神经网络构建SOH评估模型包括:基于长短时记忆网络LSTM和门控循环单元GRU构建SOH评估模型;确定SOH评估模型的层数、每层的神经元数量及激活函数;初始化SOH评估模型的参数。
本实施例中,选取LSTM和GRU网络及其变体作为主网络进行建模,如图2所示,主网络由2层隐含层构成,第一层隐含层(即隐含层1)的神经元数量设计为32个,第二层隐含层(即隐含层2)的神经元数量设计为48个。以GRU等为主网络的迁移学习模型在用于对电池组SOH评估时,由于训练、预测时间短,符合储能电站中电池的运行检测对时效性的要求,适宜在大规模电化学储能电站场景下部署。其中,主网络还可以是LSTM(Long Short-TermMemory,长短时记忆网络),Bi-LSTM(Bidirectional Long Short-Term Memory,双向长短时记忆网络),CNN-LSTM(Convolutional Neural Network - Long Short-Term Memory,卷积神经网络 - 长短时记忆网络),GRU(Gated Recurrent Unit,门控循环单元),Bi-GRU(Bidirectional Gated Recurrent Unit,双向门控循环单元)。
步骤102,获取源域数据,并将源域数据训练SOH评估模型,得到源域模型。
具体地,获取源域数据,并将源域数据训练SOH评估模型,包括:获取实验室多个电池单体分别在放电过程中的容量增量数据集,得到源域数据,其中,容量增量满足以下公式:
,
和/>分别为相邻两个时刻的放电容量,放电容量的单位为安时,/>和/>分别为相邻两个时刻电池的端电压,端电压的单位为伏;将源域数据作为模型输入,训练和测试SOH评估模型。
本实施例中,如图3所示,源域数据为实验室产生的电池单体数据的集合,数据包括SOH、电压、容量、倍率等,本实施例选取放电过程中的容量增量曲线作为SOH评估模型的输入,源域数据可分为训练集和测试集,训练集和测试集的数量比例优选为9:1,数量比例越大越能保证模型评估效果的质量。
可选地,获取实验室多个电池单体分别在放电过程中的容量增量数据集,具体包括:获取实验室多个电池单体分别在放电过程中满足以下预设条件的容量增量数据集,预设条件包括电压幅值大于第一阈值,电压幅值的单位变化幅度大于第二阈值。
本实施例中,储能电池的放电过程中,测试设备所直接记录的信息具有密集而且平滑的特点,但反映的信息相对较少。作为样品的实验室电池单体的容量在较大电压区间内的变化幅度很小,只有在第一阈值(如3 V)以上的区间内才发生较大的变化。类似地,电压曲线只有在放电接近结束时,才会展现出明显的区别,在占据大部分时间过程的平台期,不同循环次数、不同SOH的样品数据区别较小。采用直接记录的信息作为特征不利于迁移学习快速、准确地完成训练和评估任务。因此,SOH评估模型的输入采用了电池放电过程中的容量增量曲线,通过计算实验室多个电池单体样品在同一时刻的容量增量和电压的比值得到,容量增量的计算方法如下所示:
。
且由于磷酸铁锂电池电压曲线平台期长且平缓,在提取IC(IncrementalCapacity,容量增量)特征的过程中,会发生的情况从而引发错误,因此设定了电压变化相关的第二阈值(如0.3 mV),缩短了平台期数据的比例,解决了特征提取的障碍,提高了模型训练的效率。
可选地,在所述获取实验室多个电池单体分别在放电过程中的容量增量数据集之后,以及在得到源域数据之前,所述评估方法还包括:将实验室多个电池单体分别在放电过程中的容量增量数据集进行平滑处理;以下述公式的电压为依据将平滑处理后的容量增量数据集切割成两个第一短特征样本集:
其中,为实验室电池单体的放电截止电压,b为实验室电池单体的充电截止电压。
本实施例中,平滑处理包括Savitzky-Golay(萨维茨基-戈雷方法),平滑处理的目的去除数据的噪声,可有效提高评估模型的准确率。以电压为依据将数据集切割两个短特征样本集的效果:容量增量dQ/dV是由容量和电压得出的,因此利用电压为区分,对序列长度进行分割,操作上比较便捷。且以电压代替SOC(State of Charge,荷电状态)作为切割依据避免了电池容量衰退导致SOC反复标定的问题。切割为短特征样本集可缩短模型的训练和评估时间,提高评估效率。本实施例的实验室电池单体的两个第一短特征样本集的电压范围分别为和/>。
步骤103,获取预设数量的目标域数据,并将预设数量的目标域数据重训练源域模型,得到SOH评估的迁移学习模型。
本实施例中,预设数量可理解为少量的,即本实施例可用少量的目标域数据进行重训练。目标电池包括电池单体、电池模组、电池簇、电池堆、电池舱的任一种。目标域数据为储能电站的电池单体、电池模组、电池簇、电池堆和电池舱的数据集合,如图3所示,数据包括SOH、电压、容量、倍率等。当SOH评估的迁移学习模型需要用于评估电池簇的健康状态,则将源域模型迁移至电池簇的少量数据集上进行重训练,从而得到可应用于电池簇的SOH评估的迁移学习模型。同理,若将源域模型迁移至电池模组的少量数据集上进行重训练,从而得到可应用于电池模组的SOH评估的迁移学习模型。迁移学习的前提可以表示为:源域是被迁移的对象,通常来说源域的数据量更大,且标注丰富;目标域是赋予知识、实现标注的对象。利用源域数据去学习一个目标域上的预测函数/>,使/>在目标域中的误差最小,就完成了知识从源域向目标域的迁移,x是样本,y是标签,Ns为源域空间,Nt为目标域空间。
迁移目标函数可以表示为:
为函数/>达到最小值时变量的取值,
为函数在数据集/>上的期望,
为损失函数。
模型测试源域和测试目标域数据集获取途径示例:参考电化学储能电站参与调峰任务时的运行状态,储能电池的放电电流变化频繁且迅速。储能电站中的电池工作时所采用的充放电倍率较低,在0.5~1C 倍率之间,罕见以超过1C倍率进行充放电的情况。在考虑到简化实验流程的要求下,将实验的主要工步设计为0.8 C的恒流充放电过程,并根据样品自身容量上的差异,设定了不同大小的充放电电流。为了保证输入输出功率的相对稳定,电化学储能电站在运行过程中,未采用动力电池中普遍采用的恒流-恒压充电方式,回避了恒压的充电过程。此外在预实验中发现,电池组实验样品在充放电达到截止电压后,开路电压恢复到稳定需要比电池单体实验样品更长的时间,故将电池组的实验流程中静置时间延长了10 min,消除了极化效应对测量可能造成的影响。
具体地,获取预设数量的目标域数据,并将预设数量的目标域数据重训练源域模型,具体包括:获取储能电站目标电池分别在放电过程中的容量增量数据集,得到预设数量的目标域数据;将预设数量的目标域数据作为源域模型输入,重训练和重测试源域模型。
本实施例中,由于传统机器学习模型在电池单体数据集上训练完成后,直接用于对储能电站电池组SOH评估的结果不准确,需要获取储能电站电池组全部的老化运行数据进行重训练,而全部的老化运行数据在储能电站初期难以获取,故本实施例将源域模型迁移至少量的目标域数据进行重训练,通过使用小规模样本对实验室电池单体评估模型再训练优化的迁移学习方法,可以提高模型对电池组SOH评估的准确性,快速、低成本地建立电池组SOH评估模型。如图2所示,得到源域模型后,将源域模型的第一层隐含层信息冻结,第二层隐含层保持激活,导入从储能电站随机抽取的目标域数据对第二层隐含层参数进行再次训练优化,对电池组的SOH进行测试评估,最终获得电池组SOH评估的迁移学习模型。其中,目标域数据可分为训练集和测试集,训练集和测试集的数量比例优选为9:1。
可选地,在所述获取储能电站目标电池分别在放电过程中的容量增量数据集之后,以及,在得到预设数量的目标域数据之前,所述评估方法还包括:将储能电站目标电池分别在放电过程中的容量增量数据集进行平滑处理;以下述公式的电压为依据将平滑处理后的容量增量数据集切割成两个第二短特征样本集:
其中,A为储能电站目标电池的放电截止电压,B为储能电站目标电池的充电截止电压。
本实施例中,切割为短特征样本集可缩短SOH评估的迁移学习模型的训练和评估时间,提高评估效率。本实施例的储能电站电池组的两个第二短特征样本集的电压范围分别为和/>。
步骤104,基于SOH评估的迁移学习模型评估储能电站目标电池的健康状态。
本实施例提供的储能电站电池健康状态SOH的评估方法,从储能电站的应用角度出发,设计了从电池单体到电池模组、电池簇、电池堆、电池舱迁移的大容量磷酸铁锂储能***SOH的评估方法。由于传统机器学***滑处理用于去除数据的噪声,可有效提高评估模型的准确率。以电压为依据将数据集切割两个短特征样本集的效果:操作上比较便捷且以电压代替SOC(State of Charge,荷电状态)作为切割依据避免了电池容量衰退导致SOC反复标定的问题。切割为短特征样本集可缩短模型的训练和评估时间,提高评估效率。
实施例2
如图4所示,本实施例提供一种储能电站电池健康状态SOH的评估装置,包括构建模块41、预训练模块42、重训练模块43和评估模块44。
构建模块41,用于基于神经网络构建SOH评估模型。
预训练模块42,与构建模块41连接,用于获取源域数据,并将源域数据训练SOH评估模型,得到源域模型。
重训练模块43,与预训练模块42连接,用于获取预设数量的目标域数据,并将预设数量的目标域数据重训练源域模型,得到SOH评估的迁移学习模型。
评估模块44,与重训练模块43连接,用于基于SOH评估的迁移学习模型评估储能电站目标电池的健康状态。
可选地,目标电池包括电池单体、电池模组、电池簇、电池堆、电池舱的任一种。
预训练模块具体用于获取实验室多个电池单体分别在放电过程中的容量增量数据集,得到源域数据,其中,容量增量满足以下公式:
和/>分别为相邻两个时刻的放电容量,/>和/>分别为相邻两个时刻电池的端电压,还用于将源域数据作为模型输入,训练和测试SOH评估模型。
可选地,预训练模块还用于将实验室多个电池单体分别在放电过程中的容量增量数据集进行平滑处理,以及,用于以下述公式的电压为依据将平滑处理后的容量增量数据集切割成两个第一短特征样本集:
其中,为实验室电池单体的放电截止电压,b为实验室电池单体的充电截止电压。
可选地,预训练模块,用于获取实验室多个电池单体分别在放电过程中满足以下预设条件的容量增量数据集。预设条件包括电压幅值大于第一阈值,电压幅值的单位变化幅度大于第二阈值。
可选地,重训练模块具体用于获取储能电站目标电池分别在放电过程中的容量增量数据集,得到预设数量的目标域数据,以及,用于将预设数量的目标域数据作为源域模型输入,重训练和重测试源域模型。
可选地,重训练模块用于将储能电站目标电池分别在放电过程中的容量增量数据集进行平滑处理,以及,用于以下述公式的电压为依据将平滑处理后的容量增量数据集切割成两个第二短特征样本集:
其中,A为储能电站目标电池的放电截止电压,B为储能电站目标电池的充电截止电压。
可选地,构建模块具体用于基于长短时记忆网络LSTM和门控循环单元GRU构建SOH评估模型,并确定SOH评估模型的层数、每层的神经元数量及激活函数,以及,用于初始化SOH评估模型的参数。
实施例3
本实施例提供一种储能电站电池的管理方法,包括:
步骤301,根据实施例1所述的储能电站电池健康状态SOH的评估方法得到储能电站目标电池的健康状态。
步骤302,根据健康状态优化目标电池的使用策略或预测目标电池的故障。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种储能电站电池健康状态SOH的评估方法,其特征在于,包括:
基于神经网络构建SOH评估模型;
获取源域数据,并将源域数据训练SOH评估模型,得到源域模型;
获取预设数量的目标域数据,并将预设数量的目标域数据重训练源域模型,得到SOH评估的迁移学习模型;
基于SOH评估的迁移学习模型评估储能电站目标电池的健康状态。
2.根据权利要求1所述的方法,其特征在于,目标电池包括电池单体、电池模组、电池簇、电池堆、电池舱的任一种,
所述获取源域数据,并将源域数据训练SOH评估模型,具体包括:
获取实验室多个电池单体分别在放电过程中的容量增量数据集,得到源域数据,其中,
容量增量满足以下公式:
,/>和/>分别为相邻两个时刻的放电容量,放电容量的单位为安时,/>和/>分别为相邻两个时刻电池的端电压,端电压的单位为伏;
将源域数据作为模型输入,训练和测试SOH评估模型。
3.根据权利要求2所述的方法,其特征在于,在所述获取实验室多个电池单体分别在放电过程中的容量增量数据集之后,以及在得到源域数据之前,还包括:
将实验室多个电池单体分别在放电过程中的容量增量数据集进行平滑处理;
以下述公式的电压为依据将平滑处理后的容量增量数据集切割成两个第一短特征样本集:
其中,/>为实验室电池单体的放电截止电压,b为实验室电池单体的充电截止电压。
4.根据权利要求2所述的方法,其特征在于,所述获取实验室多个电池单体分别在放电过程中的容量增量数据集,具体包括:
获取实验室多个电池单体分别在放电过程中满足以下预设条件的容量增量数据集,
预设条件包括电压幅值大于第一阈值,电压幅值的单位变化幅度大于第二阈值。
5.根据权利要求2所述的方法,其特征在于,所述获取预设数量的目标域数据,并将预设数量的目标域数据重训练源域模型,具体包括:
获取储能电站目标电池分别在放电过程中的容量增量数据集,得到预设数量的目标域数据;
将预设数量的目标域数据作为源域模型输入,重训练和重测试源域模型。
6.根据权利要求5所述的方法,其特征在于,在所述获取储能电站目标电池分别在放电过程中的容量增量数据集之后,以及,在得到预设数量的目标域数据之前,还包括:
将储能电站目标电池分别在放电过程中的容量增量数据集进行平滑处理;
以下述公式的电压为依据将平滑处理后的容量增量数据集切割成两个第二短特征样本集:
其中,A为储能电站目标电池的放电截止电压,B为储能电站目标电池的充电截止电压。
7.根据权利要求1所述的方法,其特征在于,所述基于神经网络构建SOH评估模型,具体包括:
基于长短时记忆网络LSTM和门控循环单元GRU构建SOH评估模型;
确定SOH评估模型的层数、每层的神经元数量及激活函数;
初始化SOH评估模型的参数。
8.一种储能电站电池健康状态SOH的评估装置,其特征在于,包括构建模块、预训练模块、重训练模块和评估模块,
构建模块,用于基于神经网络构建SOH评估模型,
预训练模块,与构建模块连接,用于获取源域数据,并将源域数据训练SOH评估模型,得到源域模型,
重训练模块,与预训练模块连接,用于获取预设数量的目标域数据,并将预设数量的目标域数据重训练源域模型,得到SOH评估的迁移学习模型,
评估模块,与重训练模块连接,用于基于SOH评估的迁移学习模型评估储能电站目标电池的健康状态。
9.根据权利要求8所述的装置,其特征在于,目标电池包括电池单体、电池模组、电池簇、电池堆、电池舱的任一种,
预训练模块具体用于获取实验室多个电池单体分别在放电过程中的容量增量数据集,得到源域数据,其中,
容量增量满足以下公式:
,/>和/>分别为相邻两个时刻的放电容量,放电容量的单位为安时,/>和/>分别为相邻两个时刻电池的端电压,端电压的单位为伏,
将源域数据作为模型输入,训练和测试SOH评估模型。
10.一种储能电站电池的管理方法,其特征在于,包括:
根据权利要求1-7任一项所述的储能电站电池健康状态SOH的评估方法得到储能电站目标电池的健康状态;
根据健康状态优化目标电池的使用策略或预测目标电池的故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311309810.0A CN117054892B (zh) | 2023-10-11 | 2023-10-11 | 一种储能电站电池健康状态的评估方法、装置及管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311309810.0A CN117054892B (zh) | 2023-10-11 | 2023-10-11 | 一种储能电站电池健康状态的评估方法、装置及管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117054892A true CN117054892A (zh) | 2023-11-14 |
CN117054892B CN117054892B (zh) | 2024-02-27 |
Family
ID=88667766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311309810.0A Active CN117054892B (zh) | 2023-10-11 | 2023-10-11 | 一种储能电站电池健康状态的评估方法、装置及管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117054892B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669272A (zh) * | 2024-02-01 | 2024-03-08 | 华北电力大学 | 电池储能集装箱多状态混合精度的建模方法、***及设备 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160018472A1 (en) * | 2014-07-18 | 2016-01-21 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
US20170123009A1 (en) * | 2015-10-30 | 2017-05-04 | Samsung Electronics Co., Ltd. | Apparatus and method for estimating state of health (soh) of battery, and apparatus and method for generating soh estimation model |
CN111638465A (zh) * | 2020-05-29 | 2020-09-08 | 浙大宁波理工学院 | 基于卷积神经网络和迁移学习的锂电池健康状态估计方法 |
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 |
CN112834945A (zh) * | 2020-12-31 | 2021-05-25 | 东软睿驰汽车技术(沈阳)有限公司 | 评估模型建立方法、电池健康状态评估方法及相关产品 |
WO2021208309A1 (zh) * | 2020-04-17 | 2021-10-21 | 许继集团有限公司 | 用于储能电站电化学电池在线评估的方法和*** |
CN113962154A (zh) * | 2021-10-22 | 2022-01-21 | 山东大学 | 一种基于迁移学习的锂电池核温评估方法及*** |
CN114167301A (zh) * | 2021-11-30 | 2022-03-11 | 同济大学 | 一种基于电动汽车实车数据的动力电池评估方法 |
US20220179009A1 (en) * | 2020-12-03 | 2022-06-09 | Robert Bosch Gmbh | Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods |
CN114839540A (zh) * | 2022-05-17 | 2022-08-02 | 西安交通大学 | 一种基于深度学习算法的锂离子电池剩余寿命在线预测方法 |
CN114859249A (zh) * | 2022-07-06 | 2022-08-05 | 苏州清研精准汽车科技有限公司 | 一种电池包容量的检测方法和装置 |
CN115015760A (zh) * | 2022-05-10 | 2022-09-06 | 香港中文大学(深圳) | 基于神经网络、迁移集成学习的锂电池健康状态评估方法 |
CN115166561A (zh) * | 2022-07-12 | 2022-10-11 | 西南石油大学 | 一种基于cnn-gru组合神经网络的锂电池寿命预测方法 |
CN115219937A (zh) * | 2022-07-20 | 2022-10-21 | 重庆理工大学 | 基于深度学习的不同老化路径储能电池健康状态估计方法 |
CN115389946A (zh) * | 2022-09-20 | 2022-11-25 | 金陵科技学院 | 一种基于等压升能量和改进gru的锂电池健康状态估计方法 |
WO2023027048A1 (ja) * | 2021-08-24 | 2023-03-02 | 恒林日本株式会社 | 電池パラメータ推定方法、装置、デバイス及び媒体 |
DE102022211063A1 (de) * | 2021-10-27 | 2023-04-27 | Robert Bosch Engineering And Business Solutions Private Limited | Controller zum Abschätzen charakteristischer Parameter einer Batterie und Verfahren dafür |
WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及*** |
CN116540134A (zh) * | 2023-05-06 | 2023-08-04 | 重庆邮电大学 | 一种基于gwo-lstm的锂离子电池健康状态估计方法 |
CN116609673A (zh) * | 2023-05-22 | 2023-08-18 | 重庆大学 | 基于充电特征和迁移学习的电池剩余寿命预测方法及装置 |
CN116679232A (zh) * | 2023-06-08 | 2023-09-01 | 重庆大学 | 基于混合神经网络和迁移学习的锂电池健康状态估计方法 |
CN116819372A (zh) * | 2023-05-30 | 2023-09-29 | 单则明 | 一种神经网络计算储能电池健康状态的方法 |
-
2023
- 2023-10-11 CN CN202311309810.0A patent/CN117054892B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160018472A1 (en) * | 2014-07-18 | 2016-01-21 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
US20170123009A1 (en) * | 2015-10-30 | 2017-05-04 | Samsung Electronics Co., Ltd. | Apparatus and method for estimating state of health (soh) of battery, and apparatus and method for generating soh estimation model |
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 |
WO2021208309A1 (zh) * | 2020-04-17 | 2021-10-21 | 许继集团有限公司 | 用于储能电站电化学电池在线评估的方法和*** |
CN111638465A (zh) * | 2020-05-29 | 2020-09-08 | 浙大宁波理工学院 | 基于卷积神经网络和迁移学习的锂电池健康状态估计方法 |
US20220179009A1 (en) * | 2020-12-03 | 2022-06-09 | Robert Bosch Gmbh | Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods |
CN112834945A (zh) * | 2020-12-31 | 2021-05-25 | 东软睿驰汽车技术(沈阳)有限公司 | 评估模型建立方法、电池健康状态评估方法及相关产品 |
WO2023027048A1 (ja) * | 2021-08-24 | 2023-03-02 | 恒林日本株式会社 | 電池パラメータ推定方法、装置、デバイス及び媒体 |
CN113962154A (zh) * | 2021-10-22 | 2022-01-21 | 山东大学 | 一种基于迁移学习的锂电池核温评估方法及*** |
DE102022211063A1 (de) * | 2021-10-27 | 2023-04-27 | Robert Bosch Engineering And Business Solutions Private Limited | Controller zum Abschätzen charakteristischer Parameter einer Batterie und Verfahren dafür |
CN114167301A (zh) * | 2021-11-30 | 2022-03-11 | 同济大学 | 一种基于电动汽车实车数据的动力电池评估方法 |
WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及*** |
CN115015760A (zh) * | 2022-05-10 | 2022-09-06 | 香港中文大学(深圳) | 基于神经网络、迁移集成学习的锂电池健康状态评估方法 |
CN114839540A (zh) * | 2022-05-17 | 2022-08-02 | 西安交通大学 | 一种基于深度学习算法的锂离子电池剩余寿命在线预测方法 |
CN114859249A (zh) * | 2022-07-06 | 2022-08-05 | 苏州清研精准汽车科技有限公司 | 一种电池包容量的检测方法和装置 |
CN115166561A (zh) * | 2022-07-12 | 2022-10-11 | 西南石油大学 | 一种基于cnn-gru组合神经网络的锂电池寿命预测方法 |
CN115219937A (zh) * | 2022-07-20 | 2022-10-21 | 重庆理工大学 | 基于深度学习的不同老化路径储能电池健康状态估计方法 |
CN115389946A (zh) * | 2022-09-20 | 2022-11-25 | 金陵科技学院 | 一种基于等压升能量和改进gru的锂电池健康状态估计方法 |
CN116540134A (zh) * | 2023-05-06 | 2023-08-04 | 重庆邮电大学 | 一种基于gwo-lstm的锂离子电池健康状态估计方法 |
CN116609673A (zh) * | 2023-05-22 | 2023-08-18 | 重庆大学 | 基于充电特征和迁移学习的电池剩余寿命预测方法及装置 |
CN116819372A (zh) * | 2023-05-30 | 2023-09-29 | 单则明 | 一种神经网络计算储能电池健康状态的方法 |
CN116679232A (zh) * | 2023-06-08 | 2023-09-01 | 重庆大学 | 基于混合神经网络和迁移学习的锂电池健康状态估计方法 |
Non-Patent Citations (2)
Title |
---|
LEI CAI等: "Multiobjective Optimization of Data-Driven Model for Lithium-Ion Battery SOH Estimation With Short-Term Feature", 《IEEE TRANSAC TIONS ON POWER ELECTRONICS》, vol. 35, no. 11, XP011801391, DOI: 10.1109/TPEL.2020.2987383 * |
郑文斌等: "基于迁移学习的锂电池SOH估算实验设计", 《实验技术与管理》, vol. 39, no. 8, pages 57 - 58 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669272A (zh) * | 2024-02-01 | 2024-03-08 | 华北电力大学 | 电池储能集装箱多状态混合精度的建模方法、***及设备 |
CN117669272B (zh) * | 2024-02-01 | 2024-04-19 | 华北电力大学 | 电池储能集装箱多状态混合精度的建模方法、***及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117054892B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8306781B2 (en) | Professional diagnosis method of battery performance analysis | |
CN110161425B (zh) | 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法 | |
EP2581754B1 (en) | Battery adaptive learning management system | |
US20170115355A1 (en) | Maximum capacity estimator for battery state of health and state of charge determinations | |
CN111190111B (zh) | 电化学储能电池荷电状态估算方法、装置及*** | |
CN113052464B (zh) | 电池储能***可靠性评估方法及*** | |
CN112051511A (zh) | 基于多通道技术的动力电池健康状态的估计方法及*** | |
CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
CN117054892B (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
CN103424712A (zh) | 基于粒子群优化的电池剩余容量在线测量方法 | |
Jiang et al. | An aging-aware soc estimation method for lithium-ion batteries using xgboost algorithm | |
Liu et al. | A new dynamic SOH estimation of lead‐acid battery for substation application | |
CN114636948A (zh) | 一种储能***寿命评估方法、装置、电子设备及存储介质 | |
CN115616425A (zh) | 电池性能分析方法、电子设备及储能*** | |
CN115480180A (zh) | 一种新能源电池健康诊断分析方法 | |
De Sousa et al. | Comparison of different approaches for lead acid battery state of health estimation based on artificial neural networks algorithms | |
Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
Luiz et al. | Representing the accumulator ageing in an automotive lead-acid battery model | |
CN116819364A (zh) | 电池健康度的确定方法、应用方法、电子设备及存储介质 | |
Tian et al. | Consistency evaluation of electric vehicle battery pack: multi-feature information fusion approach | |
CN111274539A (zh) | 一种基于交替最小二乘法的锂电池soh估计方法 | |
CN115951225A (zh) | 一种电池均衡优化容量估计方法和装置 | |
CN115718261A (zh) | 蓄电池容量估计方法、训练方法、寿命估计方法及装置 | |
Vatani et al. | Cycling lifetime prediction model for lithium-ion batteries based on artificial neural networks | |
CN116804715A (zh) | 一种判断导致电池***出现不一致原因的方法 |
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 |