CN117406121A - 一种储能电站锂离子电池的soh估计方法 - Google Patents
一种储能电站锂离子电池的soh估计方法 Download PDFInfo
- Publication number
- CN117406121A CN117406121A CN202311272772.6A CN202311272772A CN117406121A CN 117406121 A CN117406121 A CN 117406121A CN 202311272772 A CN202311272772 A CN 202311272772A CN 117406121 A CN117406121 A CN 117406121A
- Authority
- CN
- China
- Prior art keywords
- model
- soh
- training
- test
- sequence data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 28
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 28
- 238000004146 energy storage Methods 0.000 title claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 99
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 47
- 238000012417 linear regression Methods 0.000 claims abstract description 26
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007600 charging Methods 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development 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]
- G01R31/392—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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种储能电站锂离子电池的SOH估计方法,所述方法包括:采集锂离子电池满充后的弛豫电压数据和SOH值;从采集数据中提取多个特征和计算一阶差分电压数据;将数据集划分为训练集和测试集;构建LightGBM模型,分别采用训练集和测试集对模型训练和测试;构建一维卷积神经网络CNN,分别采用训练集和测试集对模型训练和测试;将所提取的特征、LightGBM模型和CNN模型估计的SOH值组合成特征数据集;构建线性回归LR模型,利用特征数据集对其训练和测试;将所提取的特征、LightGBM模型和CNN模型估计的SOH值输入至LR模型中,得到最终的SOH估计结果。该方法泛化能力好,估计精度高。
Description
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锂离子电池的SOH估计方法。
背景技术
随着近年来传统能源面临枯竭危机和生态环境的日益恶化,新能源的研究开发受到了广泛关注。锂离子电池作为新能源类型之一,逐渐在电网储能、电动汽车和航空航天等领域得到广泛应用。随着使用时间的推移,锂离子电池的健康寿命SOH会发生不可逆转的下降。当电池SOH低于一定阈值时,电池的储能性能会下降,并且故障发生率会增加。因此,准确估计电池的SOH对于电池的安全使用具有重要意义。
现有锂离子电池的SOH估计方法对于锂离子电池的运行工况具有较为严格的要求,例如基于部分恒流充电曲线的方法需要电池充电时完全经过设定的电压窗口,基于恒压充电曲线的方法会受到充电电流大小的影响,基于放电电压曲线的方法在面对实际运行场景时难以适用。此外,基于数据驱动的SOH估计方法只考虑了手动提取特征或者深度学习模型自动提取特征的方式。然而,两种特征提取方式都具有各自的特点和优势,并非是对立关系。因此,需要开发一种对电池运行工况要求低,并且综合手动提取和自动提取特征的SOH估计方法。
发明内容
本发明的目的在于提供一种储能电站锂离子电池的SOH估计方法,该方法泛化能力好,估计精度高。
为了实现上述目的,本发明采用的技术方案是:一种储能电站锂离子电池的SOH估计方法,包括以下步骤:
S1:采集锂离子电池在每个循环中满充后静置5分钟期间的弛豫电压序列数据V,以及电池在每个循环的SOH标签值,组成原始数据集D1;
S2:根据步骤S1获得的原始数据集D1,计算每个循环中弛豫电压序列数据的最大值Vmax、最小值Vmin、香农熵Ventropy、平均值Vmean和标准差值Vstd作为特征,与SOH标签值组成特征数据集Df,1,计算弛豫电压序列数据的一阶差分电压序列数据ΔV,将弛豫电压序列数据V、一阶差分电压序列数据ΔV和对应SOH标签值组成特征数据集Df,2;
S3:以相同的划分方式对特征数据集Df,1和Df,2进行数据集划分,分别得到训练集Dtrain,1和Dtrain,2,测试集Dtest,1和Dtest,2;
S4:构建LightGBM模型,分别采用训练集Dtrain,1和测试集Dtest,1对LightGBM模型进行训练和测试,采用平均绝对误差MAE衡量LightGBM模型的估计精度,当模型在测试集上的MAE≤2%时,模型完成训练,否则重复步骤S4,直至满足该条件;
S5:构建一维卷积神经网络CNN,分别采用训练集Dtrain,2和测试集Dtest,2对CNN模型进行训练和测试,采用平均绝对误差MAE衡量CNN模型的估计精度,当模型在测试集上的MAE≤2%时,模型完成训练,否则重复步骤S5,直至满足该条件;
S6:将步骤S2提取的5个弛豫电压特征,即最大值Vmax、最小值Vmin、香农熵Ventropy、平均值Vmean和标准差值Vstd,以及LightGBM模型在特征数据集Df,1上输出的SOH估计结果、CNN模型在特征数据集Df,2上输出的SOH估计结果进行合并,与SOH标签值组成特征数据集Df,3,并将特征数据集Df,3按照步骤S3的划分方式进行数据集划分,得到训练集Dtrain,3和测试集Dtest,3;
S7:构建LR模型,分别采用训练集Dtrain,3和测试集Dtest,3对LR模型进行训练和测试,类似地,采用平均绝对误差MAE衡量线性回归LR模型的估计精度,当模型在测试集上的MAE≤1.5%时,模型完成训练,否则重复步骤S7,直至满足该条件;
S8:将步骤S4、S5、S7训练得到的LightGBM、CNN和LR模型导入电池管理***中,当储能电站中的锂离子电池完成充电并静置5分钟后,将采集到的弛豫电压序列数据按照步骤S2的方式提取特征和计算一阶差分电压序列数据,将5个弛豫电压特征输入至LightGBM模型中得到SOH估计结果,将原始弛豫电压序列数据和一阶差分电压序列数据输入至CNN模型中得到SOH估计结果,再将两个模型输出的SOH估计结果和5个弛豫电压特征共同输入至LR模型中,得到最终的SOH估计结果。
进一步地,步骤S1具体包括以下步骤:
S1-1:采集锂离子电池在每个循环中满充后静置5分钟期间的弛豫电压序列数据V,第i个循环的序列数据的具体形式为:
其中,Vi,n表示第i个循环的第n个电压值;
S1-2:将弛豫电压序列数据V与电池在每个循环的SOH标签值组成原始数据集D1,其具体形式如下:
进一步地,步骤S2具体包括以下步骤:
S2-1:根据步骤S1获取的原始数据集D1,计算每个循环中弛豫电压序列数据的最大值Vmax、最小值Vmin、香农熵Ventropy、平均值Vmean和标准差值Vstd作为特征,与SOH标签值组成特征数据集Df,1,并进行归一化处理,其具体形式如下:
其中,Vi,max表示第i个循环中弛豫电压的最大值,Vi,min表示第i个循环中弛豫电压的最小值,Vi,entropy表示第i个循环中弛豫电压的香农熵值,其计算公式为pn表示数据序列中出现第n个元素的值的概率,N表示数据序列中共有N个值,Vi,mean表示第i个循环中弛豫电压的平均值,Vi,std表示第i个循环中弛豫电压的标准差值;
S2-2:计算弛豫电压序列数据的一阶差分电压序列数据ΔV,第i个循环的序列数据的具体形式如下:
其中,ΔVi,n-1=Vi,n-1-Vi,n,将弛豫电压序列数据V、一阶差分电压序列数据ΔV和对应SOH标签值组成特征数据集Df,2,并进行归一化处理,其具体形式如下:
进一步地,步骤S4具体包括以下步骤:
S4-1:构建LightGBM模型,设定模型的学习率、估计器数量、树的最大深度;
S4-2:采用步骤S3获得的训练集Dtrain,1和测试集Dtest,1对LightGBM模型进行训练和测试,采用平均绝对误差MAE衡量LightGBM模型的估计精度,MAE的计算公式为:
其中,表示模型输出的电池在第l个循环的SOH估计结果,SOHl表示电池在第l个循环的SOH实际值;
当LightGBM模型在测试集上的MAE≤2%时,模型完成训练,否则重复步骤S4,直至满足该条件。
进一步地,步骤S5具体包括以下步骤:
S5-1:构建一维卷积神经网络CNN,设定模型的层数、卷积核数量、卷积核大小、卷积核的移动步长和学习率;
S5-2:采用步骤S3获得的训练集Dtrain,2和测试集Dtest,2对CNN模型进行训练和测试,采用平均绝对误差MAE衡量CNN模型的估计精度,当模型在测试集上的MAE≤2%时,模型完成训练,否则重复步骤S5,直至满足该条件。
进一步地,步骤S6具体包括以下步骤:
S6-1:将步骤S2提取的5个弛豫电压特征,即最大值Vmax、最小值Vmin、香农熵Ventropy、平均值Vmean和标准差值Vstd,以及LightGBM模型在特征数据集Df,1上输出的SOH估计结果、CNN模型在特征数据集Df,2上输出的SOH估计结果进行合并,与SOH标签值组成特征数据集Df,3,其具体形式如下:
其中,SOHi,LightGBM表示第i个循环中LightGBM模型输出的SOH估计值,SOHi,CNN表示第i个循环中CNN模型输出的SOH估计值;
S6-2:将特征数据集Df,3按照步骤S3的划分方式进行数据集划分,得到训练集Dtrain,3和测试集Dtest,3。
进一步地,步骤S7具体包括以下步骤:
S7-1:构建线性回归LR模型;
S7-2:采用步骤S6获得的训练集Dtrain,3和测试集Dtest,3对LR模型进行训练和测试,采用平均绝对误差MAE衡量LR模型的估计精度,当LR模型在测试集上的MAE≤1.5%时,模型完成训练,反之重复步骤S7-2,直至满足该条件。
与现有技术相比,本发明具有以下有益效果:提供了一种储能电站锂离子电池的SOH估计方法,该方法基于电池满充后短时间静置过程的弛豫电压数据估计SOH,对于电池充放电电流和放电方式无特定要求,有效降低了该方法对于电池运行条件的限制。此外,通过RF模型融合手动提取的5个弛豫电压特征、5个特征估计得到的SOH以及CNN模型自动提取特征并估计得到的SOH,有效集成了手动提取特征和自动提取特征的特点,并且对手动提取特征进行了二次利用。因此,该方法有效提高了估计精度。
附图说明
图1是本发明实施例的方法实现流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种储能电站锂离子电池的SOH估计方法,包括以下步骤:
S1:采集锂离子电池在每个循环中满充后静置5分钟期间的弛豫电压序列数据V,以及电池在每个循环的SOH标签值,组成原始数据集D1。
S2:根据步骤S1获得的原始数据集D1,计算每个循环中弛豫电压序列数据的最大值Vmax、最小值Vmin、香农熵Ventropy、平均值Vmean和标准差值Vstd作为特征,与SOH标签值组成特征数据集Df,1,计算弛豫电压序列数据的一阶差分电压序列数据ΔV,将弛豫电压序列数据V、一阶差分电压序列数据ΔV和对应SOH标签值组成特征数据集Df,2。
S3:以相同的划分方式对特征数据集Df,1和Df,2进行数据集划分,分别得到训练集Dtrain,1和Dtrain,2,测试集Dtest,1和Dtest,2。
S4:构建LightGBM模型,分别采用训练集Dtrain,1和测试集Dtest,1对LightGBM模型进行训练和测试,采用平均绝对误差MAE衡量LightGBM模型的估计精度,当模型在测试集上的MAE≤2%时,模型完成训练,否则重复步骤S4,直至满足该条件。
S5:构建一维卷积神经网络CNN,分别采用训练集Dtrain,2和测试集Dtest,2对CNN模型进行训练和测试,类似地,采用平均绝对误差MAE衡量CNN模型的估计精度,当模型在测试集上的MAE≤2%时,模型完成训练,否则重复步骤S5,直至满足该条件。
S6:将步骤S2提取的5个弛豫电压特征,即最大值Vmax、最小值Vmin、香农熵Ventropy、平均值Vmean和标准差值Vstd,以及LightGBM模型在特征数据集Df,1上输出的SOH估计结果、CNN模型在特征数据集Df,2上输出的SOH估计结果进行合并,与SOH标签值组成特征数据集Df,3,并将特征数据集Df,3按照步骤S3的划分方式进行数据集划分,得到训练集Dtrain,3和测试集Dtest,3。
S7:构建线性回归(LR)模型,分别采用训练集Dtrain,3和测试集Dtest,3对LR模型进行训练和测试,类似地,采用平均绝对误差MAE衡量线性回归LR模型的估计精度,当模型在测试集上的MAE≤1.5%时,模型完成训练,否则重复步骤S7,直至满足该条件。
S8:将步骤S4、S5、S7训练得到的LightGBM、CNN和LR模型导入电池管理***中,当储能电站中的锂离子电池完成充电并静置5分钟后,将采集到的弛豫电压序列数据按照步骤S2的方式提取特征和计算一阶差分电压序列数据,将5个弛豫电压特征输入至LightGBM模型中得到SOH估计结果,将原始弛豫电压序列数据和一阶差分电压序列数据输入至CNN模型中得到SOH估计结果,再将两个模型输出的SOH估计结果和5个弛豫电压特征共同输入至LR模型中,得到最终的SOH估计结果。
在本实施例中,步骤S1具体包括以下步骤:
S1-1:采集锂离子电池在每个循环中满充后静置5分钟期间的弛豫电压序列数据V,以第i个循环的序列数据为例,其具体形式为:
其中,Vi,n表示第i个循环的第n个电压值。
S1-2:将弛豫电压序列数据V与电池在每个循环的SOH标签值组成原始数据集D1,其具体形式如下:
步骤S2具体包括以下步骤:
S2-1:根据步骤S1获取的原始数据集D1,计算每个循环中弛豫电压序列数据的最大值Vmax、最小值Vmin、香农熵Ventropy、平均值Vmean和标准差值Vstd作为特征,与SOH标签值组成特征数据集Df,1,并进行归一化处理,其具体形式如下:
其中,Vi,max表示第i个循环中弛豫电压的最大值,Vi,min表示第i个循环中弛豫电压的最小值,Vi,entropy表示第i个循环中弛豫电压的香农熵值,其计算公式为pn表示数据序列中出现第n个元素的值的概率,N表示数据序列中共有N个值,Vi,mean表示第i个循环中弛豫电压的平均值,Vi,std表示第i个循环中弛豫电压的标准差值。
S2-2:计算弛豫电压序列数据的一阶差分电压序列数据ΔV,以第i个循环为例,其具体形式如下:
其中,ΔVi,n-1=Vi,n-1-Vi,n,将弛豫电压序列数据V、一阶差分电压序列数据ΔV和对应SOH标签值组成特征数据集Df,2,并进行归一化处理,其具体形式如下:
步骤S4具体包括以下步骤:
S4-1:构建LightGBM模型,设定模型的学习率、估计器数量、树的最大深度等参数。
S4-2:采用步骤S3获得的训练集Dtrain,1和测试集Dtest,1对LightGBM模型进行训练和测试,采用平均绝对误差MAE衡量LightGBM模型的估计精度,MAE的计算公式为:
其中,表示模型输出的电池在第l个循环的SOH估计结果,SOHl表示电池在第l个循环的SOH实际值。
当LightGBM模型在测试集上的MAE≤2%时,模型完成训练,否则重复步骤S4,直至满足该条件。
步骤S5具体包括以下步骤:
S5-1:构建一维卷积神经网络CNN,设定模型的层数、卷积核数量、卷积核大小、卷积核的移动步长和学习率。
S5-2:采用步骤S3获得的训练集Dtrain,2和测试集Dtest,2对CNN模型进行训练和测试,类似地,采用平均绝对误差MAE衡量CNN模型的估计精度,当模型在测试集上的MAE≤2%时,模型完成训练,否则重复步骤S5,直至满足该条件。
步骤S6具体包括以下步骤:
S6-1:将步骤S2提取的5个弛豫电压特征,即最大值Vmax、最小值Vmin、香农熵Ventropy、平均值Vmean和标准差值Vstd,以及LightGBM模型在特征数据集Df,1上输出的SOH估计结果、CNN模型在特征数据集Df,2上输出的SOH估计结果进行合并,与SOH标签值组成特征数据集Df,3,其具体形式如下:
其中,SOHi,LightGBM表示第i个循环中LightGBM模型输出的SOH估计值,SOHi,CNN表示第i个循环中CNN模型输出的SOH估计值。
S6-2:将特征数据集Df,3按照步骤S3的划分方式进行数据集划分,得到训练集Dtrain,3和测试集Dtest,3。
步骤S7具体包括以下步骤:
S7-1:构建线性回归LR模型;
S7-2:采用步骤S6获得的训练集Dtrain,3和测试集Dtest,3对LR模型进行训练和测试,采用平均绝对误差MAE衡量LR模型的估计精度,当LR模型在测试集上的MAE≤1.5%时,模型完成训练,反之重复步骤S7-2,直至满足该条件。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (7)
1.一种储能电站锂离子电池的SOH估计方法,其特征在于,包括以下步骤:
S1:采集锂离子电池在每个循环中满充后静置5分钟期间的弛豫电压序列数据V,以及电池在每个循环的SOH标签值,组成原始数据集D1;
S2:根据步骤S1获得的原始数据集D1,计算每个循环中弛豫电压序列数据的最大值Vmax、最小值Vmin、香农熵Ventropy、平均值Vmean和标准差值Vstd作为特征,与SOH标签值组成特征数据集Df,1,计算弛豫电压序列数据的一阶差分电压序列数据ΔV,将弛豫电压序列数据V、一阶差分电压序列数据ΔV和对应SOH标签值组成特征数据集Df,2;
S3:以相同的划分方式对特征数据集Df,1和Df,2进行数据集划分,分别得到训练集Dtrain,1和Dtrain,2,测试集Dtest,1和Dtest,2;
S4:构建LightGBM模型,分别采用训练集Dtrain,1和测试集Dtest,1对LightGBM模型进行训练和测试,采用平均绝对误差MAE衡量LightGBM模型的估计精度,当模型在测试集上的MAE≤2%时,模型完成训练,否则重复步骤S4,直至满足该条件;
S5:构建一维卷积神经网络CNN,分别采用训练集Dtrain,2和测试集Dtest,2对CNN模型进行训练和测试,采用平均绝对误差MAE衡量CNN模型的估计精度,当模型在测试集上的MAE≤2%时,模型完成训练,否则重复步骤S5,直至满足该条件;
S6:将步骤S2提取的5个弛豫电压特征,即最大值Vmax、最小值Vmin、香农熵Ventropy、平均值Vmean和标准差值Vstd,以及LightGBM模型在特征数据集Df,1上输出的SOH估计结果、CNN模型在特征数据集Df,2上输出的SOH估计结果进行合并,与SOH标签值组成特征数据集Df,3,并将特征数据集Df,3按照步骤S3的划分方式进行数据集划分,得到训练集Dtrain,3和测试集Dtest,3;
S7:构建LR模型,分别采用训练集Dtrain,3和测试集Dtest,3对LR模型进行训练和测试,类似地,采用平均绝对误差MAE衡量线性回归LR模型的估计精度,当模型在测试集上的MAE≤1.5%时,模型完成训练,否则重复步骤S7,直至满足该条件;
S8:将步骤S4、S5、S7训练得到的LightGBM、CNN和LR模型导入电池管理***中,当储能电站中的锂离子电池完成充电并静置5分钟后,将采集到的弛豫电压序列数据按照步骤S2的方式提取特征和计算一阶差分电压序列数据,将5个弛豫电压特征输入至LightGBM模型中得到SOH估计结果,将原始弛豫电压序列数据和一阶差分电压序列数据输入至CNN模型中得到SOH估计结果,再将两个模型输出的SOH估计结果和5个弛豫电压特征共同输入至LR模型中,得到最终的SOH估计结果。
2.根据权利要求1所述的一种储能电站锂离子电池的SOH估计方法,其特征在于,步骤S1具体包括以下步骤:
S1-1:采集锂离子电池在每个循环中满充后静置5分钟期间的弛豫电压序列数据V,第i个循环的序列数据的具体形式为:
其中,Vi,n表示第i个循环的第n个电压值;
S1-2:将弛豫电压序列数据V与电池在每个循环的SOH标签值组成原始数据集D1,其具体形式如下:
3.根据权利要求1所述的一种储能电站锂离子电池的SOH估计方法,其特征在于,步骤S2具体包括以下步骤:
S2-1:根据步骤S1获取的原始数据集D1,计算每个循环中弛豫电压序列数据的最大值Vmax、最小值Vmin、香农熵Ventropy、平均值Vmean和标准差值Vstd作为特征,与SOH标签值组成特征数据集Df,1,并进行归一化处理,其具体形式如下:
其中,Vi,max表示第i个循环中弛豫电压的最大值,Vi,min表示第i个循环中弛豫电压的最小值,Vi,entropy表示第i个循环中弛豫电压的香农熵值,其计算公式为pn表示数据序列中出现第n个元素的值的概率,N表示数据序列中共有N个值,Vi,mean表示第i个循环中弛豫电压的平均值,Vi,std表示第i个循环中弛豫电压的标准差值;
S2-2:计算弛豫电压序列数据的一阶差分电压序列数据ΔV,第i个循环的序列数据的具体形式如下:
其中,ΔVi,n-1=Vi,n-1-Vi,n,将弛豫电压序列数据V、一阶差分电压序列数据ΔV和对应SOH标签值组成特征数据集Df,2,并进行归一化处理,其具体形式如下:
4.根据权利要求1所述的一种储能电站锂离子电池的SOH估计方法,其特征在于,步骤S4具体包括以下步骤:
S4-1:构建LightGBM模型,设定模型的学习率、估计器数量、树的最大深度;
S4-2:采用步骤S3获得的训练集Dtrain,1和测试集Dtest,1对LightGBM模型进行训练和测试,采用平均绝对误差MAE衡量LightGBM模型的估计精度,MAE的计算公式为:
其中,表示模型输出的电池在第l个循环的SOH估计结果,SOHl表示电池在第l个循环的SOH实际值;
当LightGBM模型在测试集上的MAE≤2%时,模型完成训练,否则重复步骤S4,直至满足该条件。
5.根据权利要求1所述的一种储能电站锂离子电池的SOH估计方法,其特征在于,步骤S5具体包括以下步骤:
S5-1:构建一维卷积神经网络CNN,设定模型的层数、卷积核数量、卷积核大小、卷积核的移动步长和学习率;
S5-2:采用步骤S3获得的训练集Dtrain,2和测试集Dtest,2对CNN模型进行训练和测试,采用平均绝对误差MAE衡量CNN模型的估计精度,当模型在测试集上的MAE≤2%时,模型完成训练,否则重复步骤S5,直至满足该条件。
6.根据权利要求1所述的一种储能电站锂离子电池的SOH估计方法,其特征在于,步骤S6具体包括以下步骤:
S6-1:将步骤S2提取的5个弛豫电压特征,即最大值Vmax、最小值Vmin、香农熵Ventropy、平均值Vmean和标准差值Vstd,以及LightGBM模型在特征数据集Df,1上输出的SOH估计结果、CNN模型在特征数据集Df,2上输出的SOH估计结果进行合并,与SOH标签值组成特征数据集Df,3,其具体形式如下:
其中,SOHi,LightGBM表示第i个循环中LightGBM模型输出的SOH估计值,SOHi,CNN表示第i个循环中CNN模型输出的SOH估计值;
S6-2:将特征数据集Df,3按照步骤S3的划分方式进行数据集划分,得到训练集Dtrain,3和测试集Dtest,3。
7.根据权利要求1所述的一种储能电站锂离子电池的SOH估计方法,其特征在于,步骤S7具体包括以下步骤:
S7-1:构建线性回归LR模型;
S7-2:采用步骤S6获得的训练集Dtrain,3和测试集Dtest,3对LR模型进行训练和测试,采用平均绝对误差MAE衡量LR模型的估计精度,当LR模型在测试集上的MAE≤1.5%时,模型完成训练,反之重复步骤S7-2,直至满足该条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311272772.6A CN117406121A (zh) | 2023-09-28 | 2023-09-28 | 一种储能电站锂离子电池的soh估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311272772.6A CN117406121A (zh) | 2023-09-28 | 2023-09-28 | 一种储能电站锂离子电池的soh估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117406121A true CN117406121A (zh) | 2024-01-16 |
Family
ID=89495322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311272772.6A Pending CN117406121A (zh) | 2023-09-28 | 2023-09-28 | 一种储能电站锂离子电池的soh估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117406121A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116953554A (zh) * | 2023-07-25 | 2023-10-27 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于多片段数据的储能电站锂电池soh估计方法及装置 |
-
2023
- 2023-09-28 CN CN202311272772.6A patent/CN117406121A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116953554A (zh) * | 2023-07-25 | 2023-10-27 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于多片段数据的储能电站锂电池soh估计方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | An on-board model-based condition monitoring for lithium-ion batteries | |
CN104614630B (zh) | 一种电池微短路的识别方法 | |
CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
CN112034356B (zh) | 基于gp-ukf的电动汽车动力电池在线soh估算方法 | |
CN107612076A (zh) | 电池充电方法、装置、设备和存储介质 | |
CN107918103B (zh) | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 | |
CN110687450B (zh) | 基于相空间重构和粒子滤波的锂电池剩余寿命预测方法 | |
CN117406121A (zh) | 一种储能电站锂离子电池的soh估计方法 | |
CN108132441B (zh) | 储能电池模组荷电状态的运行范围确定方法及装置 | |
CN115453399B (zh) | 一种考虑不一致性的电池组soh估计方法 | |
CN110806541A (zh) | 一种基于ad-bas的锂电池模型参数辨识方法 | |
CN112215434A (zh) | 一种lstm模型的生成方法、充电时长预测方法及介质 | |
Cai et al. | Prediction of lithium-ion battery remaining useful life based on hybrid data-driven method with optimized parameter | |
CN114757340A (zh) | 基于神经网络集成的锂电池健康状态预测方法及*** | |
CN117554846B (zh) | 计及约束条件的锂电池寿命预测方法及*** | |
Rozaqi et al. | SOC estimation for Li-ion battery using optimum RLS method based on genetic algorithm | |
CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及*** | |
Wu et al. | State of health estimation for lithium-ion batteries in real-world electric vehicles | |
CN116953554A (zh) | 一种基于多片段数据的储能电站锂电池soh估计方法及装置 | |
CN113459897B (zh) | 一种基于电动汽车充电大数据的荷电状态修正及预测方法 | |
CN117022048A (zh) | 一种电动汽车电池荷电状态的评估方法 | |
CN116224085A (zh) | 一种基于数据驱动的锂电池健康状态评估方法 | |
CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 | |
CN116400224A (zh) | 一种基于工作温度矫正的电池剩余使用寿命预测方法 | |
CN113721151B (zh) | 基于双塔深度学习网络的电池容量预估模型及方法 |
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 |