一种基于融合特征的储能电站锂电池SOH估计方法与流程

本发明涉及电池储能，具体涉及一种基于融合特征的储能电站锂电池soh估计方法。

背景技术：

1、锂电池凭借高能量密度、低自放电率和长循环寿命等特点，在储能电站、微电网、航空航天和电动汽车等相关领域中得到广泛应用。锂电池在使用过程中，其可使用容量会逐渐衰减，并且故障发生概率会逐渐上升。通常采用健康状态(soh)衡量电池的寿命，并设定电池在出厂时soh为100％。当电池soh下降到一定程度时，及时将电池进行更换和维护。因此，准确地估计锂电池的soh对于保障电池的安全可靠性至关重要。

2、现有锂电池soh估计方法一般分为两类：模型法和数据驱动法。模型法存在计算量较大、需要电池老化的先验知识和鲁棒性不足等问题，因此，数据驱动法成为了研究热点。数据驱动法中，特征提取是影响估计精度的关键因素。一般会基于领域知识人为地从电池运行数据中提取若干个健康特征，或者利用深度学习端对端估计的能力自动提取特征。然而，两种特征提取方式都存在着不同的局限性。因此，需要开发一种更准确的锂电池soh估计方法。

技术实现思路

1、本发明的目的在于提供一种基于融合特征的储能电站锂电池soh估计方法，该方法泛化能力好，估计精度高。

2、为了实现上述目的，本发明采用的技术方案是：一种基于融合特征的储能电站锂电池soh估计方法，包括以下步骤：

3、s1：在储能电站正常运行温度下对多个未经使用的同型号锂电池进行老化循环测试，采集每个电池在测试过程中的电压、电流、相对充电容量和soh数据，将当前最大放电容量与标称容量的比值定义为soh，当电池soh下降至设定值时，停止测试；

4、s2：根据步骤s1获得的电池数据，按照设定的比例划分训练电池数据和测试电池数据，并分别将所有训练电池数据和测试电池数据组合成训练集dtrain和测试集dtest；

5、s3：对步骤s2获得的训练集和测试集进行特征提取，分别获得特征训练集dtrain-m和特征测试集dtest-m；

6、s4：构建深层神经网络模型dnn，利用步骤s3中经过特征提取的特征训练集dtrain-m对dnn进行训练，利用步骤s3中经过特征提取的特征测试集dtest-m对训练完成的dnn进行测试；

7、s5：构建一维卷积神经网络模型cnn，利用步骤s2中未经特征提取的训练集dtrain对cnn进行训练，利用步骤s2中未经过特征提取的测试集dtest对训练完成的cnn进行测试；

8、s6：将dnn和cnn分别在dtrain-m和dtrain上输出的soh估计值进行组合，得到二次训练集dtrain-s，将dnn和cnn分别在dtest-m和dtest上输出的soh估计值进行组合，得到二次测试集dtest-s；

9、s7：构建rf模型，利用二次训练集dtrain-s对rf模型进行训练，并利用二次测试集dtest-s对训练完成的rf模型进行测试；

10、s8：将步骤s4、s5和s7中训练好的dnn、cnn和rf模型保存至储能电站的电池管理系统中，当电池完成恒压充电时，从电池的原始恒压充电数据中提取特征，将提取出的特征输入至dnn模型中，将电池的原始恒压充电电流和相对充电容量序列数据输入至cnn模型中，然后将dnn和cnn模型分别输出的soh估计值同时输入至rf模型中，得到最终的soh估计结果。

11、进一步地，步骤s1具体包括以下步骤：

12、s1-1：在储能电站正常运行温度下对多个未经使用的同型号锂电池进行老化循环测试，其中以恒流恒压充电方式充电，充满电量后以恒流方式进行完全放电；

13、s1-2：采集每个电池在测试过程中的电压、电流、相对充电容量和soh数据；

14、s1-3：当soh下降至70％时，停止测试。

15、进一步地，步骤s2具体包括以下步骤：

16、s2-1：从步骤s1获得的电池老化循环测试数据中，截取出电池在恒压充电过程的电流icv、相对充电容量qcv和soh数据，第k个电池的第l个循环的数据dlk的具体形式如下：

17、

18、其中，表示第k个电池在第l个循环中的第n个电流数据，表示第k个电池在第l个循环中的第n个充电容量数据，等于0，n为电池在恒压充电阶段采集数据的最大长度；

19、s2-2：以电池单体数据为单位，按照4:1的比例划分训练电池数据和测试电池数据，并分别将所有训练电池数据和测试电池数据组合成训练集dtrain和测试集dtest，其具体形式分别如下：

20、

21、其中，t表示用于构成训练集的电池数量，t表示总电池数量；

22、其中，第k个电池的完整的老化循环测试数据dk的形式如下：

23、

24、进一步地，步骤s3具体包括以下步骤：

25、s3-1：根据步骤s2划分的电池训练集和测试集，提取出恒压充电总时长tcv，计算恒压充电电流数据的平均值imean和方差ivar，充电容量数据的平均值qmean和方差qvar，第k个电池的第l个循环的电流方差和充电容量方差的计算公式如下：

26、

27、s3-2：将步骤s3-1中计算得到的恒压充电总时长tcv、恒压充电电流数据的平均值imean和方差ivar、充电容量数据的平均值qmean和方差qvar，与soh值进行组合，对应于步骤s2所划分的训练集和测试集，分别得到特征训练集dtrain-m和特征测试集dtest-m，其具体形式如下：

28、

29、其中，第k个电池的数据形式为

30、进一步地，步骤s4具体包括以下步骤：

31、s4-1：构建深层神经网络模型dnn，设置模型的层数和全连接层的神经元个数；

32、s4-2：利用步骤s3中经过特征提取的训练集dtrain-m对dnn进行训练，利用步骤s3中经过特征提取的测试集dtest-m对训练完成的dnn进行测试，以平均绝对误差mae衡量模型的性能，mae的计算方式如下：

33、

34、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，设定dnn在测试集上的mae小于2％为验证条件，当dnn不满足验证条件时，重复步骤s4-1至s4-2，直至满足验证条件。

35、进一步地，步骤s5具体包括以下步骤：

36、s5-1：构建一维卷积神经网络模型cnn，设置模型的层数、卷积层中的卷积核大小和移动步长、全连接层的神经元个数；

37、s5-2：利用步骤s2中未经特征提取的训练集dtrain对cnn进行训练，利用步骤s2中未经过特征提取的测试集dtest对训练完成的cnn进行测试，以平均绝对误差mae衡量模型的性能，设定cnn在测试集上的mae小于2％为验证条件，当cnn不满足验证条件时，重复步骤s5-1至s5-2，直至满足验证条件。

38、进一步地，步骤s6具体包括以下步骤：

39、s6-1：将步骤s4和步骤s5中得到的dnn和cnn分别在dtrain-m和dtrain上输出的soh估计值进行组合，得到二次训练集dtrain-s，将dnn和cnn分别在dtest-m和dtest上输出的soh估计值进行组合，得到二次测试集dtest-s，二次训练集dtrain-s和二次测试集dtest-s的具体形式如下：

40、

41、其中，第k个电池的数据形式为

42、进一步地，步骤s7具体包括以下步骤：

43、s7-1：构建rf模型，设置决策树的数量；

44、s7-2：用步骤s6获得的二次训练集dtrain-s对rf模型进行训练，利用步骤s6获得的二次测试集dtest-s对训练完成的rf模型进行测试，以平均绝对误差mae衡量模型的性能，设定cnn在测试集上的mae小于1.5％为验证条件，当cnn不满足验证条件时，重复步骤s7-1至s7-2，直至满足验证条件。

45、与现有技术相比，本发明具有以下有益效果：提供了一种基于融合特征的储能电站锂电池soh估计方法，该方法首先选择电池的恒压充电数据进行特征提取，避免了充电起点随机性对估计精度的影响；其次提取了若干个特征以估计soh；然后，利用一维卷积神经网络模型cnn自动提取特征并估计soh；最后，通过随机森林rf模型融合两个soh估计结果，得到最终的估计值。相比现有方法，本发明通过融合人为提取的特征和cnn自动提取的特征的估计结果，能够有效利用两种特征提取方式的优势，有效提高了泛化能力和估计精度。