基于冲击负载响应特性的蓄电池容量在线动态估计方法与流程

本发明涉及电池检测领域，具体涉及一种基于冲击负载响应特性的蓄电池容量在线动态估计方法。

背景技术：

蓄电池作为不间断电源系统的能量储能单元，在电网掉电期间成为电能唯一提供者，其可靠性对系统至关重要。然而，随着循环次数增加和长时间老化，电池可用容量逐渐降低，甚至完全失效。因此，定期检查包含可用容量的电池实际状态是蓄电池维护的必要环节。现有的蓄电池状态检测技术手段主要有两种：一是采用定期充放电方式，核定电池的剩余容量，该方法可靠有效，但是存在耗费人力多、时间长，能量损耗大缺点，另外存在当放电至电量低时，出现电网停电，则没有足够的电能支撑负载的风险；二是采用内阻检测法判断电池的状态，其中离线式，仍然需要大量人工定期测试，耗时耗工，同时存在两次检测期间电池失效未能及时发现的风险；在线式的内阻测试法，虽然克服了离线式耗费大量人工的缺陷，但主动注入谐波，存在对系统负载和其他设备造成不良影响的隐患。

技术实现要素：

有鉴于此，本发明的目的在于提供一种基于冲击负载响应特性的蓄电池容量在线动态估计方法，无需额外增加传感器和特定负载，也不对蓄电池注入谐波，直接利用冲击负载作用下，蓄电池电流、端电压和温度等数据，通过训练好的机器学习智能算法，在线实时估计蓄电池剩余容量。

为实现上述目的，本发明采用如下技术方案：

一种基于冲击负载响应特性的蓄电池容量在线动态估计方法，提供一系统包括蓄电池，，采样处理电路，蓄电池容量在线估计器，通讯模块，远程监控系统，包括以下步骤：

步骤s1:通过采样处理电路对蓄电池电压、电流和温度进行实时采集；

步骤s2:当出现冲击性负载时，即电流超过预设阈值，将冲击期间实时采集的蓄电池电压、电流和温度数据传送至蓄电池剩余容量在线估计模块；

步骤s3:蓄电池容量在线估计模块根据得到的数据，由内置于蓄电池容量在线估计模块内小波分析特征提取后传递至机器学习算法，进行实时蓄电池剩余容量估计，得到蓄电池剩余容量估计值；

步骤s4:将蓄电池剩余容量估计值通过通信模块传送至远程监控系统进行实时监控。

进一步的，所述小波分析特征提取具体为：

步骤s21:采用小波变换提取有效数据特征，选择三阶daubechies小波，分解层数设置为11层；

步骤s22:将电压信号、电流信号和温度信号均分解为近似系数和详细系数,分解后重构，然后计算每层详细系数的能量;

步骤s23:尺度函数фj,k(t)和小波函数ψj,k(t)如式(1),(2)所示：

（1）

（2）

edj表示第j层详细系数能量：

i=1,2,…,n（3）

ea表示近似系数部分能量：

j=1,2,…,n（4）

etotal表示总能量，即详细系数能量部分和近似系数能量部分总和：

（5）

pj表示第j层细节系数能量占比：

（6）

式中n为数据长度,n为分解层数,pj为第j层细节系数能量占比；dk,j为第j层详细系数第k个数；aj,n为第n层近似系数第j个数。

进一步的，所述机器学习算法采用小脑模型神经网络算法，其中中间层选择8层，将小波分解的11层能量中1,3,9作为神经网络的输入，神经网络输出为蓄电池容量。

进一步的，所述蓄电池容量划分为，100%~90%,90%~80%,80%~70%,70%~60%，60%~50%，50%~0%六类；蓄电池电量soc在20%~100%。

进一步的，所述机器学习算法构建具体为：

步骤s31：搭建含冲击负载的蓄电池供电系统实验平台；

步骤s32：在同一个冲击负载作用下，采集不同蓄电池容量和不同soc情况下的响应特性曲线；

步骤s33：调整冲击负载的作用时间及幅值，返回步骤二，获取不同负载下的响应数据；

步骤s34：利用采集到的蓄电池电压、电流和温度数据，建立数据样本库；

步骤s35：采用小波分析，进行数据特征提取；

步骤s36：使用数据特征提取完成的数据、加上对应的冲击电流幅值和时间宽度、蓄电池温度，对小脑模型神经网络算法进行离线训练，直至其估计精度满足预设要求。

进一步的，所述小脑模型神经网络算法间层选择8层，并选取电压分解能量中的1,3,9层，电流、温度分解能量中的第三层能量，共五个特征信号作为神经网络的输入，神经网络输出为蓄电池容量。

本发明与现有技术相比具有以下有益效果：

本发明无需对蓄电池进行长时间满冲满放，也无需对蓄电池主动注入其他谐波信号，直接利用冲击性负载作用下、实时监测的电池电压、电流和温度数据，即可对蓄电池的容量进行快速、准确、实时的估计，适合不间断电源系统，减少电池维护成本，及时发现蓄电池容量减少或失效问题，提高系统的可靠性。

附图说明

图1是本发明基于冲击负载响应特性的蓄电池容量在线动态估计智能装置；

图2是本发明方法流程图；

图3是本发明一实施例中蓄电池冲击负载响应特性。

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。

请参照图1，本发明提供一种基于冲击负载响应特性的蓄电池容量在线动态估计智能方法，蓄电池容量在线动态估计回路如图1所示，该系统包含电网，整流电路，蓄电池，常规负载，冲击性负载，采样处理电路，蓄电池在线估计模块，通讯网络，远程监控系统。

本实施例冲击性负载选择高压断路器为例。电网正常工作时，由电网对常规负载和高压断路器供电；当电网故障断开时，由蓄电池对恒定负载和高压断路器供电。

在线动态估计智能方法具体实施方法包括以下步骤：

步骤s1：如图一所示，保持对电池电压、电流和温度在线实时监测；

步骤s2：当由直流操作电源供电的高压断路器动作时，会产生一个短时间的大冲击电流，属于冲击性负载。

步骤s3:当检测到电池电流瞬间增大的幅值大于预先设定值时，将负载突变期间采集的电池电压、电流和温度输送至蓄电池容量在线估计器，在线估计器内包含冲击负载响应特性特征提取和蓄电池剩余容量在线估计算法，采集的数据由内置于估计器内小波分析特征提取后传递至机器学习算法进行蓄电池容量实时估计;

步骤s4:通过通讯网络，把蓄电池实时容量传送到远程监控端，进行下一步的处理；否则继续对蓄电池电压、电流和温度进行检测；

本实施例中，把冲击负载作用下采集到的电压响应曲线数据以及电流和温度，采用小波变换提取有效数据特征。

电压响应特性如图3所示，案列选择三阶daubechies小波，分解层数设置为11层。其中尺度函数фj,k(t)和小波函数ψj,k(t)如式(1),(2)所示，分别作为低通和高通滤波器。电压信号被分解为近似系数aj和详细系数dj,分解后重构，然后计算每层详细系数的能量。电流和温度信号分解过程同电压分解过程一致。

（1）

（2）

edj表示第j层详细系数能量：

i=1,2,…,n（3）

ea表示近似系数部分能量：

j=1,2,…,n（4）

etotal表示总能量，即详细系数能量部分和近似系数能量部分总和：

（5）

pj表示第j层细节系数能量占比：

（6）

本实施例中，所述的蓄电池剩余容量在线估计算法，利用小波分析提取的特征，结合冲击电流大小、持续时间和冲击时刻蓄电池温度，输入训练好的机器学习智能算法，完成蓄电池剩余容量的估计，并把输出的估计容量值结果通过通讯网络，传输给远程监控系统。

本实施例中，所述的训练好的机器学习智能算法，该训练好的机器学习智能算法，是事先通过离线训练完成的，如图2所示，机器学习智能算法离线训练步骤如下：

步骤一：搭建含冲击负载的蓄电池供电系统实验平台；

步骤二：在同一个冲击负载作用下，采集不同蓄电池容量和不同soc情况下的响应特性曲线；

步骤三：调整冲击负载的作用时间及幅值，返回步骤二，获取不同负载下的响应数据；

步骤四：利用步骤二和步骤三所采集到的蓄电池电压、电流和温度数据，建立数据样本库；

步骤五：采用小波分析，进行数据特征提取；

步骤六：使用数据特征提取完成的数据、加上对应的冲击电流幅值和时间宽度、蓄电池温度，对机器学习算法进行离线训练，直至其估计精度满足要求。

本实施例中，所述的基于冲击负载响应特性的蓄电池容量在线动态估计智能方法，其特征在于，步骤二蓄电池容量和电量参数，其中蓄电池容量划分为，100%~90%,90%~80%,80%~70%,70%~60%，60%~50%，50%~0%六类；蓄电池电量soc在20%~100%。

本实施例中，所述的基于冲击负载响应特性的蓄电池容量在线动态估计智能方法，其特征在于，步骤六所述机器学习算法选择小脑模型神经网络。其中中间层选择8层，并选取电压分解能量中的1,3,9层，电流、温度分解能量中的第三层能量，共五个特征信号作为神经网络的输入，神经网络输出为蓄电池容量。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。