锂电池soh评估方法
技术领域
1.本技术提出了一种数据处理方法，特别是指锂电池soh评估方法。
背景技术：2.数学建模就是根据实际问题来建立数学模型，对数学模型来进行求解，然后根据结果去解决实际问题。当需要从定量的角度分析和研究一个实际问题时，人们就要在深入调查研究、了解对象信息、作出简化假设、分析内在规律等工作的基础上，用数学的符号和语言作表述来建立数学模型。
3.电能无疑是人类生活工作不可或缺的能源。
4.锂电池由于其具有较高的放电平台、循环使用寿命长、环保安全等优点，已经成为了电动汽车的重要动力来源。同时，随着微电网技术的快速发展，大规模电化学储能电站是消纳太阳能和风力等可再生能源发电的有效手段。磷酸铁锂电池由于充放电效率高、运行可靠、对环境的污染较小等优点，得到了广泛的应用。储能电站还能增加电网“弹性”，减小电网负荷冲击和电网发生故障时的影响范围。在电池全寿命周期的使用过程中，随着使用时间和电池充放电循环次数的增加，电池会出现容量、能量和功率等特征衰退现象，如不能及时发现并进行处理，其衰退现象会愈发严重，从而导致电池出现鼓包、破裂和发热等现象，严重时电池会发生热失控热扩散，导致汽车和储能电站火灾等严重后果。对于汽车和储能电站这类电池排列密集的场景，发生火灾常会导致重大人身伤亡事故和财产损失。为保证电池安全可靠运行，对电池进行健康状态(state of health，soh)评估及准确的短期状态预测，能够及时发现预警缺陷或者故障电池，降低事故隐患。这一技术对提高电动汽车安全性，扩大储能电站规模，推进实现碳中和目标具有重要意义，是当前研究的热点。
5.现有的锂电池soh评估方法中大致可以分为两大类：基于模型的方法与基于数据驱动的方法。基于模型的方法主要基于等效电路模型与电化学机理模型来构建锂电池的退化数学模型。这种方法适合单个或者少量锂电池soh评估，对于电动汽车或储能电站等电池数量庞大的场景，搭建模型的工作量较大，评估的时效性和准确性都将大打折扣。基于数据的方法是利用电池性能的测试数据，通过对数据进行信息挖掘，获得锂电池电池性能演变规律用于性能和寿命预测。这种方法能够避免构建和更新复杂模型，对于数量庞大的电池组具有很好的预测效率，但是现有技术采集数据评估时，仅考虑了锂电池电流、电压、内阻等常见参数，对于锂电池本身的设计安装和使用方式并没有考虑，因此驱动数据特征的选取，评估的准确性和可靠性仍有待提升。
6.中国专利申请号cn201811200371.9、申请日2018-10-16、名称为《一种锂离子电池的健康状态在线估计方法》；其公开了一种锂离子电池的健康状态在线估计方法。该方法主要包括：采用容量增量法从容量增量曲线中获取特征参数，利用多输出高斯过程回归模型方法完成特征参数与soh函数模型的建立，能更好地利用不同输出之间的潜在关联性，提高soh的估计精度。该方法电池无需经历完整的充放电过程，特征参数提取简单，有利于该方法在bms中的应用，但是此方法仅考虑电池自身充放电参数，没有考虑电池电压在静置时会
发生变化的实际情况。
7.中国专利申请号cn202010621694.6、申请日2020-06-30、名称为《一种储能电站站内电池单体寿命预测方法及系统》；其公开了一种储能电站站内电池单体寿命预测方法及系统。该方法主要包括：采集多个电池容量循环退化的历史测试数据，二次筛选出敏感程度高的特征。该方法考虑了内阻、放电时间及特定电压下的参数，但是没有考虑电池静置时电池电压变化时对应参数的变化情况。
技术实现要素：8.本技术提供了一种数据处理方法，能够对计及恢复电压特征的储能电站用锂电池soh进行更为精确的评估。
9.为了达到上述目的，本技术实施例提出了一种计及恢复电压特征的储能电站用锂电池soh评估方法，包括：
10.步骤1、获取每次循环时的电池健康状态的影响因素；其中所述电池健康状态的影响因素通过电阻和恢复电压表征；获取每次循环后的电池容量以获得电池的健康状态；
11.电池每次进行恒流充电或恒流放电结束10秒内每隔1秒采集电池的电压：u
10
,u
11
,u
12
,u
13
,u
14
,u
15
,u
16
,u
17
,u
18
,u
19
，其中第n块电池采集到的电压为：u
n0
,u
n1
,u
n2
,u
n3
,u
n4
,u
n5
,u
n6
,u
n7
,u
n8
,u
n9
；
12.其中电池额定电压为un，通过公式δu
nm
＝u
n-u
nm
计算第n块电池充电后第m秒电池测量电压与额定电压差；
13.δu
n0
,δu
n1
,δu
n2
,δu
n3
,δu
n4
,δu
n5
,δu
n6
,δu
n7
,δu
n8
,δu
n9
；
14.根据磷酸铁锂电池soh与特征参数关系的强弱及获取的实验数据，选择恢复电压与储能电池基础运行数据重构成为样本，电池soh为样本标签；
15.其中电池soh利用容量表示为：其中，q0为电池设计容量，由厂家标定或是通过测试的方式获得，q
now
为该电池当前最大容量；
16.步骤2、将考虑的参量转换为神经网络学习样本向量，其中第i个向量
[0017][0018]
其中i
ci
为第i次循环的充电(charge)的电流；u
oci
为第i次循环的开路(open circuit)电压；s
oci
为第i次循环的荷电状态(state of charge)；
△unm
为第n块电池充电后第m秒电池测量电压与额定电压差；sohi为第i个循环中电池的健康状态(state of health)；soci为电池剩余电量百分比soci为电池剩余电量百分比；
[0019]
步骤3、对获取的学习样本向量进行归一化处理，归一化公式为：其中x
max
为数据的最大值；x
min
为数据的最小值；
[0020]
归一化经过神经网络得到的数据还需要进行反归一处理；反归一化公式为：xi'＝(x
max-x
min
)xi+x
min
；
[0021]
以此获得的归一化向量：
[0022]
步骤4、利用归一下向量对神经挽留过进行训练，以获得对电池soh进行预测的神经网络训练模型。
[0023]
进一步的，所述方法还包括：
[0024]
采集电池工作电流、电压、电阻、工作温度参量；
[0025]
将采集到的数据传输至储能电站本地数据库进行存储，原始数据在站内数据库保留至少3个月以用于后续监测及使用。
[0026]
进一步的，所述方法还包括：
[0027]
将获取到的归一化向量中的一部分作为训练集样本，另一部分作为测试集样本。
[0028]
本技术的上述技术方案的有益效果如下：上述技术方案提出了一种计及恢复电压特征的储能电站用锂电池soh评估方法，其方案具有以下的至少一种优点：
[0029]
1、增加了恢复电压作为评估神经网络的输入向量，提高了评估效果的准确性，缩短了评估速度；
[0030]
2、恢复电压由电池的原始电压数据得到，不需要增加其他传感记录设备，避免了建设和维护成本的增加；
[0031]
3、增加了以恢复电压作为输入向量，提升了评估神经网络的泛化性能，便于移植用于其他不同规模的储能设备，避免了反复设计评估方法以及时间和资金的浪费；
[0032]
4、本技术方案合理，原理简单，容易实现，能够充分发挥评估神经网络的优势。
附图说明
[0033]
图1为本技术实施例的流程示意图；
[0034]
图2为本技术实施例的神经网络的示意图。
具体实施方式
[0035]
为使本技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
[0036]
本技术的目的在于提供一种计及恢复电压特征的储能电站用锂电池soh评估方法，用以解决电动汽车和大规模电化学储能电站中磷酸铁锂储能电池健康状态的准确评估问题。
[0037]
本技术实施例提出了一种计及恢复电压特征的储能电站用锂电池soh评估方法，其流程如图1所示的，采用如图2所示的神经网络；该方法包括：
[0038]
获取每次循环时的电阻和恢复电压作为表征电池健康状态的影响因素，获取每次循环后的电池容量以获得电池的健康状态。电池每次进行恒流充电或恒流放电后会进行一段时间的搁置以使电池达到电化学平衡，在搁置阶段，电池的电压会有一定的变化，将这种因搁置而产生变化的电压称为恢复电压。电池每次进行恒流充电或恒流放电结束10秒内每隔1秒采集电池的电压
[0039]u10
,u
11
,u
12
,u
13
,u
14
,u
15
,u
16
,u
17
,u
18
,u
19
，
[0040]
其中第n块电池采集到的电压为
[0041]un0
,u
n1
,u
n2
,u
n3
,u
n4
,u
n5
,u
n6
,u
n7
,u
n8
,u
n9
。
[0042]
其中电池额定电压为un，通过公式δu
nm
＝u
n-u
nm
计算第n块电池充电后第m秒电池
测量电压与额定电压差
[0043]
δu
n0
,δu
n1
,δu
n2
,δu
n3
,δu
n4
,δu
n5
,δu
n6
,δu
n7
,δu
n8
,δu
n9
。
[0044]
除了恢复电压数据之外，同时采集电池工作电流、电压、电阻、工作温度等参量，采集到的数据传输至储能电站本地数据库进行存储，原始数据在站内数据库保留至少3个月，便于后续监测及使用。
[0045]
根据磷酸铁锂电池soh与特征参数关系的强弱及获取的实验数据，选择恢复电压与储能电池基础运行数据重构成为样本，电池soh为样本标签。电池soh利用容量进行表示，q0为电池设计容量，该参数可以由厂家标定或是通过测试的方式获得，q
now
为该电池当前最大容量，以此作为学习样本标签，其有如下关系：
[0046][0047]
将考虑的参量转换为神经网络学习样本向量，其中第i个向量
[0048][0049]
其中i
ci
为第i次循环的充电(charge)的电流；u
oci
为第i次循环的开路(open circuit)电压；s
oci
为第i次循环的荷电状态(state of charge)；
△unm
为第n块电池充电后第m秒电池测量电压与额定电压差；sohi为第i个循环中电池的健康状态(state of health)；soci为电池剩余电量百分比soci为电池剩余电量百分比。
[0050]
为保证神经网络处理数据的速度及收敛的可靠性并防止数据类型和大小对神经网络预测结果可能产生的影响，需要将数据进行归一化处理以符合先置条件。归一化处理可以使得数据大小相对的更加接近，从而使得一些样本数据值差距大而样本数量较少的数据可以得到妥善处理。
[0051]
归一化公式为：
[0052][0053]
归一化经过神经网络得到的数据还需要进行反归一处理。
[0054]
反归一化公式为：
[0055]
xi'＝(x
max-x
min
)xi+x
min
[0056]
式中：x
max
代表数据的最大值；x
min
代表数据的最小值。
[0057]
以此获得的归一化向量：
[0058][0059]
以上述向量作为样本后对神经网络进行训练，形成用于判断和预测电池soh的神经网络。实验组数据设置80％的样本为训练集，20％的样本为测试集。在神经网络成型后，导入新的样本进行计算，实现对储能电站内电池的短期soh预测。
[0060]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序。在计算机上加载和执行所述计算机程序时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机程序可以存储在计算机可读存储介质中，或
者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，高密度数字视频光盘(digital video disc，dvd))、或者半导体介质(例如，固态硬盘(solid state disk，ssd))等。
[0061]
本领域普通技术人员可以理解：本技术中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本技术实施例的范围，也表示先后顺序。
[0062]
本技术中的至少一个还可以描述为一个或多个，多个可以是两个、三个、四个或者更多个，本技术不做限制。在本技术实施例中，对于一种技术特征，通过“第一”、“第二”、“第三”、“a”、“b”、“c”和“d”等区分该种技术特征中的技术特征，该“第一”、“第二”、“第三”、“a”、“b”、“c”和“d”描述的技术特征间无先后顺序或者大小顺序。
[0063]
本技术中各表所示的对应关系可以被配置，也可以是预定义的。各表中的信息的取值仅仅是举例，可以配置为其他值，本技术并不限定。在配置信息与各参数的对应关系时，并不一定要求必须配置各表中示意出的所有对应关系。例如，本技术中的表格中，某些行示出的对应关系也可以不配置。又例如，可以基于上述表格做适当的变形调整，例如，拆分，合并等等。上述各表中标题示出参数的名称也可以采用通信装置可理解的其他名称，其参数的取值或表示方式也可以通信装置可理解的其他取值或表示方式。上述各表在实现时，也可以采用其他的数据结构，例如可以采用数组、队列、容器、栈、线性表、指针、链表、树、图、结构体、类、堆、散列表或哈希表等。
[0064]
本技术中的预定义可以理解为定义、预先定义、存储、预存储、预协商、预配置、固化、或预烧制。
[0065]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0066]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0067]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。
技术特征：1.一种锂电池soh评估方法，其特征在于，包括：步骤1、获取每次循环时的电池健康状态的影响因素；其中所述电池健康状态的影响因素通过电阻和恢复电压表征；获取每次循环后的电池容量以获得电池的健康状态；电池每次进行恒流充电或恒流放电结束10秒内每隔1秒采集电池的电压：u
10
,u
11
,u
12
,u
13
,u
14
,u
15
,u
16
,u
17
,u
18
,u
19
，其中第n块电池采集到的电压为：u
n0
,u
n1
,u
n2
,u
n3
,u
n4
,u
n5
,u
n6
,u
n7
,u
n8
,u
n9
；其中电池额定电压为u
n
，通过公式δu
nm
＝u
n-u
nm
计算第n块电池充电后第m秒电池测量电压与额定电压差；δu
n0
,δu
n1
,δu
n2
,δu
n3
,δu
n4
,δu
n5
,δu
n6
,δu
n7
,δu
n8
,δu
n9
；根据磷酸铁锂电池soh与特征参数关系的强弱及获取的实验数据，选择恢复电压与储能电池基础运行数据重构成为样本，电池soh为样本标签；其中电池soh利用容量表示为：其中，q0为电池设计容量，由厂家标定或是通过测试的方式获得，q
now
为该电池当前最大容量；步骤2、将考虑的参量转换为神经网络学习样本向量，其中第i个向量量转换为神经网络学习样本向量，其中第i个向量其中i
ci
为第i次循环的充电的电流；u
oci
为第i次循环的开路电压；s
oci
为第i次循环的荷电状态；
△
u
nm
为第n块电池充电后第m秒电池测量电压与额定电压差；soh
i
为第i个循环中电池的健康状态；soc
i
为电池剩余电量百分比；步骤3、对获取的学习样本向量进行归一化处理，归一化公式为：其中x
max
为数据的最大值；x
min
为数据的最小值；归一化经过神经网络得到的数据还需要进行反归一处理；反归一化公式为：x
′
i
＝(x
max-x
min
)x
i
+x
min
；以此获得的归一化向量：步骤4、利用归一下向量对神经挽留过进行训练，以获得对电池soh进行预测的神经网络训练模型。2.根据权利要求1所述的锂电池soh评估方法，其特征在于，所述方法还包括：采集电池工作电流、电压、电阻、工作温度参量；将采集到的数据传输至储能电站本地数据库进行存储，原始数据在站内数据库保留至少3个月以用于后续监测及使用。3.根据权利要求1所述的锂电池soh评估方法，其特征在于，所述方法还包括：将获取到的归一化向量中的一部分作为训练集样本，另一部分作为测试集样本。
技术总结本申请实施例提出了一种计及恢复电压特征的储能电站用锂电池SOH评估方法，包括：获取每次循环时的电池健康状态的影响因素；其中所述电池健康状态的影响因素通过电阻和恢复电压表征；获取每次循环后的电池容量以获得电池的健康状态；将考虑的参量转换为神经网络学习样本向；对获取的学习样本向量进行归一化处理和反归一处理，以获得归一化向量；利用归一下向量对神经挽留过进行训练，以获得对电池SOH进行预测的神经网络训练模型。进行预测的神经网络训练模型。进行预测的神经网络训练模型。
技术研发人员：王楠 李振 郝添翼 李雅泊 周喜超 刘文超 杨智鹏
受保护的技术使用者：西安交通大学
技术研发日：2022.07.11
技术公布日：2022/11/1
