基于SOH量化电池容量衰减对异常电芯进行识别的方法与流程

本发明涉及电化学储能电站电池簇内电芯级别异常检测领域，特别涉及一种基于soh量化电池容量衰减对异常电芯进行识别的方法。

背景技术：

1、电化学储能系统已广泛应用于电动汽车、风力发电、太阳能发电等领域。其中，锂离子电池是目前最常用的电池技术之一。然而，由于电池的使用寿命有限，其容量会随着时间的推移而逐渐衰减，这可能导致电化学储能系统的性能下降或故障。为了确保电化学储能系统的安全和可靠性，对异常电芯进行及时识别非常重要。soh(state of health)是衡量电池健康状况的重要指标，可以用来评估电池的容量衰减情况。因此，基于soh量化电池容量衰减的方法可以用于识别异常电芯。

2、soh量化电池容量衰减对电化学储能系统异常电芯的识别方法是通过对电池的容量衰减进行定量分析来判断电芯是否异常。一般情况下，正常的电池在使用过程中容量会逐渐下降，但衰减的速度是相对稳定的。而异常电芯可能出现容量衰减速度异常快或异常慢的情况。

3、与本发明相关的现有技术一

4、现有技术一的技术方案：基于容量衰减速率的异常电芯识别方法(wang,z.,huang,w.,xiong,r.,&chen,z.(2018).astate-of-health quantification method forlithium-ion batteries based on capacity fading rate.ieee transactions onindustrial informatics,14(10),4519-4528.)，该方法通过计算电池容量的衰减速率来判断异常电芯。一般来说，正常的电池在使用过程中其容量会逐渐下降，但衰减的速率是相对稳定的。因此，通过测量和计算电池容量随时间的变化，可以得到容量衰减速率。如果某个电芯的衰减速率较快或较慢，与正常的衰减速率相比存在明显的偏差，则可以判定该电芯为异常电芯。

5、现有技术一的优缺点：该方法的优点是简单直观，不需要复杂的模型或算法来识别异常电芯。然而，该方法存在一个缺点，即忽略了容量衰减的非线性特性。因此，在某些情况下可能会导致误判，将正常电芯误判为异常电芯或反之。

6、与本发明相关的现有技术二

7、现有技术二的技术方案：基于容量衰减曲线拟合的异常电芯识别方法(li,b.,xiong,r.,gao,j.,&liu,z.(2017).an adaptive state-of-health quantificationmethod for lithium-ion batteries based on capacity fade curve fitting.appliedenergy,185,1893-1902.)，该方法利用容量衰减曲线的拟合方法来描述电池容量衰减的特性，从而识别异常电芯。首先，采集电池容量随时间变化的数据，并对其进行预处理。然后，利用合适的拟合算法或模型(如多项式拟合、指数拟合等)，将容量衰减曲线与已有的模型进行拟合。通过拟合曲线的参数或拟合残差，可以评估电芯的健康状态。异常电芯通常会导致拟合结果与正常电芯有明显的差异。

8、现有技术二的优缺点：该方法的优点在于更准确地描述了电池容量衰减的特性，提高了对异常电芯的识别准确性。然而，该方法的缺点是需要建立容量衰减曲线的模型，这增加了实施的复杂性，并要求针对不同类型的电池进行模型的开发和调整。

9、与本发明相关的现有技术三

10、现有技术三的技术方案：基于支持向量机的异常电芯识别方法(jin,c.,zhang,c.,chen,z.,&li,j.(2019).an abnormal cell identification method for lithium-ion batteries based on support vector machine.journal of energy storage,23,285-294.)，该方法利用支持向量机(support vector machine，简称svm)算法来识别异常电芯。支持向量机是一种常用的机器学习算法，可用于分类和识别问题。对于电池异常电芯的识别，首先需要构建一个训练数据集，其中包含已知健康状态和异常状态的电池样本。然后，利用这些样本进行训练，建立一个支持向量机模型。该模型可以通过测量未知电池样本与训练数据集中样本之间的相似性来判断其是否为异常电芯。

11、现有技术三的优缺点：该方法的优点在于具有较高的准确性和鲁棒性，适用于不同类型的电池以及工况变化较大的情况。然而，该方法的缺点是需要大量的训练数据集来建立支持向量机模型，并且对于特定应用场景可能需要进行适应性调整。

技术实现思路

1、本发明的目的在于解决电化学储能系统中异常电芯的准确鉴定和识别问题。本发明能提高异常电芯的准确鉴定能力，通过采用soh量化方法，结合电池容量衰减的特征，能够更准确地识别异常电芯。这有助于及时发现和处理异常电芯，避免其对整个储能系统的性能产生负面影响。其次，可以实现自动化和快速的异常电芯识别：本发明利用数据采集和分析技术，结合先进的算法和模型，能够实现对电池容量衰减特征的快速检测和识别。这降低了人工干预和判断的需求，提高了识别的自动化程度和效率。通过对异常电芯的准确识别，可以提供科学依据支持决策制定，提供可靠的数据和信息，为决策者制定合理的维护策略、优化运行策略和储能系统规划提供科学依据。这有助于提高储能系统的可靠性、经济性和可持续性。

2、为达到上述目的，本发明通过下述技术方案实现。

3、本发明提出一种基于soh量化电池容量衰减对异常电芯进行识别的方法，所述方法包括：

4、步骤1.采集电池簇簇内各单体电池的容量衰减数据；

5、步骤2.利用各单体电池的容量衰减数据计算各单体电池电芯的soh值；

6、步骤3.提取一段时间的电池簇簇簇内soh标准差及变异系数指标，基于dbscan聚类算法进行离群分析，识别离群soh值，从而识别异常电芯。

7、作为上述技术方案的改进之一，所述步骤1，包括：

8、通过电池管理系统或电池簇总控制单元获取各单体电池的容量衰减数据，包括电池单体温度、电压、电流和充放电时间。

9、作为上述技术方案的改进之一，所述步骤2，包括：

10、步骤2-1.根据电流定位充放电的运行状态对数据进行切割：从某次充电数据开始，至下一次放电数据之前，期间均记为持续充电数据；从某次放电数据开始，至下一次充电数据之前，期间均记为持续放电数据；

11、步骤2-2.筛选满足充电后静置时长t0的时刻ta和放电后静置时长t0的时刻tb；若无法同时筛选出ta和tb，则返回步骤1；若同时筛选出ta和tb，则进入步骤2-3；

12、步骤2-3.分别基于ocv-soc充电曲线和ocv-soc放电曲线使用ta和tb计算满充电量soc(ta)和满放电量soc(tb)，并判断计算的满充电量soc(ta)和满放电量soc(tb)是否均分别满足满充阈值和满放阈值；若满充电量soc(ta)不满足满充阈值或满放电量soc(tb)不满足满放阈值，则方法结束；若均满足，则进入步骤2-4；

13、步骤2-4.计算ta与tb之间的电池充放电量△ccell、soc差值△soccell和电池初始容量cnom，并利用计算得的△ccell、△soccell和cnom计算soh值sohcell；

14、步骤2-5.重复步骤2-2到步骤2-4，每筛选到一对相邻ta和tb计算一个soh值，取所有soh均值记作该电池单体的soh最终值。

15、作为上述技术方案的改进之一，所述步骤2-4中sohcell的计算式为：

16、

17、作为上述技术方案的改进之一，△ccell通过使用安时积分计算得到，公式如下：

18、

19、式中，t1为电池充放电量计算的起始时刻；tn为电池充放电量计算的终止时刻；i(ti)为ti时刻的串联回路电流，ti-1为ti-1时刻，n为总时刻数。

20、作为上述技术方案的改进之一，△soccell的计算式为：

21、δsoccell＝socend-socstart

22、其中，socend和socstart分别表示电池在充放电过程结束时刻和开始时刻的电量。

23、作为上述技术方案的改进之一，所述方法在步骤3之前，还包括：

24、通过soh值时序分布规律，结合dbscan密度聚类算法进行离群分析剔除不能聚类成堆的异常soh值；该异常soh值的产生原因包括检测设备异常。

25、作为上述技术方案的改进之一，所述结合dbscan密度聚类算法进行离群分析，包括：

26、①输入：样本集d＝{x1,x2,...,xj...,xm}，j＝1,2,...,m，m为样本总数，其中x1代表日内1号电池soh平均值，邻域参数(ε,minpts)，样本距离度量方式采取欧式距离；

27、②输出簇划分c，过程为：

28、i.初始化核心对象集合初始化聚类簇数k＝0，初始化未访问样本集合γ＝d，簇划分

29、ii.对于第j个样本xj，按下述步骤找出聚类核心对象：

30、a.通过距离度量方式，找出样本xj的-邻域子样本集nε(xj)；

31、b.通过子样本集样本个数满足|nε(xj)|≥minpts，将样本xj加入核心对象样本集合：ω＝ω∪{xj}；

32、iii.如核心对象集合则算法结束，否则转入步骤iv；

33、iv.在核心对象集合ω中，随机选择一个核心对象o，初始化当前核心对象队列ωcur＝{o}，初始化类别序号k＝k+1，初始化当前簇样本集合ωk＝{o}，更新未访问集合γ＝γ-{o}；

34、v.如果当前簇核心对象则当前聚类簇ck生成完毕，更新簇划分c＝{c1,c2,...,ck}，更新核心对象集合ω＝ω-ck，转入步骤ⅲ；否则更新核心对象集合ω＝ω-ck；

35、vi.在当前簇核心对象队列ωcur中取出一个核心对象o’，通过邻域距离找出所有的ε-邻域子集样本集nε(o’)，令δ＝nε(o’)∩γ，更新当前簇样本集合ck＝ck∪δ，更新未访问样本集合γ＝γ-δ，更新ωcur＝ωcur∪(δ∩ω)-o’，转入步骤v；

36、vii.输出结果为：簇划分c＝{c1,c2,...,ck}，对于未被识别为簇的soh数据点定义为异常soh值点。

37、本发明还提出一种基于soh量化电池容量衰减对异常电芯进行识别的系统，所述系统包括：

38、数据采集及处理模块，用于采集电池簇簇内各单体电池的容量衰减数据，并利用各单体电池的容量衰减数据计算各单体电池电芯的soh值；

39、异常电芯识别模块，用于提取一段时间的电池簇簇簇内soh标准差及变异系数指标，并基于dbscan聚类算法进行离群分析，识别离群soh值，即可识别异常电芯。

40、作为上述技术方案的改进之一，所述系统还包括：soh值剔除模块，用于通过soh值时序分布规律，结合dbscan密度聚类算法进行离群分析剔除不能聚类成堆的异常soh值；该异常soh值的产生原因包括检测设备异常。

41、本发明与现有技术相比优点在于：

42、本发明综合考虑soh量化和电池容量衰减特征，将soh量化与电池容量衰减特征相结合，充分利用了容量衰减作为评估电池健康状态的重要指标，以更全面、准确地识别异常电芯。同时引入了多种技术手段，本方法不仅采用了传统的容量衰减速率分析，还利用了安时积分和dbscan算法等多种技术手段，提高了异常电芯的识别准确性和可靠性。综上所述，基于soh量化电池容量衰减对电化学储能系统异常电芯的识别方法旨在提高电池异常电芯的准确鉴定能力，实现自动化和快速的识别过程，并为决策制定提供科学依据，从而保障储能系统的安全和性能。

43、本发明对提高电池异常电芯的准确识别率，准确鉴定和识别电化学储能系统中的异常电芯提供了有力的支撑，增强了诊断的准确性和可靠性。