基于最小二乘法的储能电池荷电和健康状态在线估计方法技术

本发明专利技术公开一种基于最小二乘法的储能电池荷电和健康状态在线估计方法，根据储能电池内特性将储能电池的内部结构建模为二阶电路模型；采用最小二乘方法，利用历史数据对储能电池内部二阶电路模型中的参数进行辨识，实现在一定误差前提下，获取最满足端口电路特性的充放电仿真曲线；然后通过建立SOC、SOH估计公式，基于充放电仿真曲线实现SOC和SOH状态估计。本发明专利技术准确在线估计电池充放电过程中电池的荷电状态变化，调度员可以清楚的根据电池当前状态和指令后状态变化下发调度指令，避免过充过放，有利于充分发挥储能电池在电力系统中的应用潜力，提升电力系统的经济性和安全性。提升电力系统的经济性和安全性。提升电力系统的经济性和安全性。

【技术实现步骤摘要】
基于最小二乘法的储能电池荷电和健康状态在线估计方法


[0001]本专利技术属于储能电池
，具体涉及一种基于最小二乘法的储能电池荷电和健康状态在线估计方法

技术介绍

[0002]储能是指通过介质或设备，利用化学或物理的方法把能量存储起来，根据应用需求以特定能量形式释放的过程，通常说的储能是指针对电能的储能。储能技术应用广泛，储能的作用主要是提高电力稳定性和可用性，储存的能量可以用做应急能源，也可以用于在电网负荷低的时候储能，在电网高负荷的时候输出能量，用于削峰填谷，减轻电网波动，同时还可以增强可再生能源利用。
[0003]随着电力系统、新能源发电(风能、太阳能等)、清洁能源动力汽车等行业的飞速发展，对储能技术尤其大规模储能技术提出了更高的要求。由于风能、太阳能等可再生能源发电具有不连续、不稳定、不可控的特性，可再生能源大规模并入电网会给电网的安全稳定运行带来严重的冲击，而大规模储能系统可有效实现可再生能源发电的调幅调频、平滑输出、跟踪计划发电，从而减小可再生能源发电并网对电网的冲击，提高电网对可再生能源发电的消纳能力，解决弃风、弃光问题。因此，储能技术在电力系统中的广泛应用将成为智能电网发展的一个必然趋势。
[0004]为了使储能电池与电力系统(配电网)达到更高的适配度，实现对电网电压、功率调整进行更有效的配合，对储能电池实时状态(特别是荷电状态和健康状态)的准确估计就显得尤为重要。只有掌握单体电池或电池组的实时状态，才能做出准确有效的调度决策，防止过充、过放、过温、短路等故障的发生。为此储能系统必须配备相应的电池管理系统，而荷电状态估算作为bms的核心部分，是操作人员控制电池充放电的依据，对于延长电池寿命和保证电池的安全有着重要意义。
[0005]随着可再生能源的大量并网，其不确定性给传统电网带来了诸多新挑战。储能电池由于其强大的缓冲能力，在电力系统中应用的比例不断提高。然而由于储能电池充放电过程中的出力特性不能准确估计，这给电力系统优化调度增加了不安全因素和不经济因素。调度过程中过充过放都会增加事故发生的可能性，也会减少电池的使用寿命。

技术实现思路

[0006]本专利技术解决的技术问题：提供一种通过电池内部模型参数的构建与辨识来实现荷电状态估计，对多种储能电池均有很好的普适性的基于最小二乘法的储能电池荷电和健康状态在线估计方法。
[0007]技术方案：为了解决上述技术问题，本专利技术采用的技术方案如下：
[0008]一种基于最小二乘法的储能电池荷电和健康状态在线估计方法，包括：首先，根据储能电池内特性将储能电池的内部结构建模为二阶电路模型；采用最小二乘方法，利用历史数据对储能电池内部二阶电路模型中的参数进行辨识，实现在一定误差前提下，获取最
满足端口电路特性的充放电仿真曲线；然后通过建立SOC、SOH估计公式，基于充放电仿真曲线实现SOC和SOH状态估计。
[0009]具体包括以下步骤：
[0010]S1：收集额定工作条件下储能电池的电流和电压数据；
[0011]S2：构建储能电池二阶电路内部模型；
[0012]S3：建立二阶电路的网络拓扑频域方程，经Z变换得到差分方程，然后利用最小二乘法的辨识模型，基于充放电数据识别模型参数；
[0013]S4：根据获得的电池二阶模型进行充放电曲线仿真。
[0014]S5：SOC和SOH状态估计
[0015]作为优选，步骤S1中，历史数据包括充电和放电两个过程的中的端电压电压、端电流电流数据，数据量的大小应满足下列步骤中求解待定系数的要求。
[0016]作为优选，步骤S3中，二阶电路的网络拓扑频域方程为：
[0017][0018]把电流I当成系统输入，电压U当成系统输出，利用z变换，把上式变换成差分方程的模式，具体公式为：
[0019]U(k)＝(1
‑
k1‑
k2)U
oc
(k)+k1U(k
‑
1)+k2U(k
‑
2)+k3I(k
‑
1)+k5I(k
‑
2)
[0020]写成最小二乘的形式，可以得到：
[0021][0022][0023]θ＝[(1
‑
k1‑
k2)U
oc
，k1，k2，k3，k4，k5]T
[0024]式中：表示数据向量，表示数据向量的转置，k1，k2，k3，k4，k5为待定系数、θ为待定系数向量，可由与实际数据比对获取；
[0025]k1，k2，k3，k4，k5和电池模型的参数关系，如下：
[0026][0027][0028][0029][0030][0031]通过求解得到二阶电路模型的元件参数，式中：T为采样时间。
[0032]作为优选，步骤S4中，根据已获取的电池内部二阶模型，对电池充放电曲线进行仿真，包括充放电过程中的电压、电流数据。
[0033]作为优选，步骤S5中，历史研究表明SOC与V
oc
有很好的线性相关性，但由于V
oc
的测
量需要一段时间才能达到热力学平衡下的稳定状态，凭借V
oc
估计SOC只适合离线状态下的状态估计，不能满足在线估计的要求。因此在本步骤中引入电压变化率的概念V
′
oc
，经数据比对发现SOC与1/V
′
oc
也有很好的线性相关性，可建立SOC状态估计公式如下：
[0034]SOC(％)＝α
·
V
oc
+β
·
(1/V
′
oc
)+γ
[0035]其中V
oc
为开路电压；为充放电电压变化仿真曲线的斜率，α，β，γ为待定系数，可由与实际数据比对获取。
[0036]作为优选，步骤S5中，为满足SOH在线状态估计的要求，建立SOH状态估计公式如下：
[0037]SOH(％)＝λ(SOC)
·
[m
·
(1/V
′
oc
)+n][0038]λ(SOC)＝a+b
·
(SOC)+c
·
(SOC)2+d
·
(SOC)3[0039]其中m，n，a，b，c，d为待定系数，可由与实际数据比对获取，λ为与SOC呈三次相关的修正系数，可以看出SOH的估计公式并不依赖循环次数的测量。
[0040]有益效果：与现有技术相比，本专利技术具有以下优点：
[0041]本专利技术的基于最小二乘法的在线估计储能电池荷电状态和健康状态的建模方法，基于最小二乘法对电池内部建立假想二阶内部模型，使用最小二乘法进行参数辨识。根据二阶内部模型进行充放电曲线仿真，利用新颖的估计公式能够更为准确地在线估计电池的荷电状态和健康状态。这将有利于储能电池在电力系统中的并网，更加准确有效地发挥应对不确定性地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于最小二乘法的储能电池荷电和健康状态在线估计方法，其特征在于，包括：首先，根据储能电池内特性将储能电池的内部结构建模为二阶电路模型；采用最小二乘方法，利用历史数据对储能电池内部二阶电路模型中的参数进行辨识，实现在一定误差前提下，获取最满足端口电路特性的充放电仿真曲线；然后通过建立SOC、SOH估计公式，基于充放电仿真曲线实现SOC和SOH状态估计。2.根据权利要求1所述的基于最小二乘法的储能电池的荷电状态估计方法，其特征在于，具体包括以下步骤：S1：收集额定工作条件下储能电池的电流和电压数据；S2：构建储能电池二阶电路内部模型；S3：建立二阶电路的网络拓扑频域方程，经Z变换得到差分方程，然后利用最小二乘法的辨识模型，基于充放电数据识别模型参数；S4：根据获得的电池二阶模型进行充放电曲线仿真；S5：SOC和SOH状态估计。3.根据权利要求1所述的基于最小二乘法的储能电池的荷电状态估计方法，其特征在于：步骤S1中，历史数据包括充电和放电两个过程的中的端电压电压、端电流电流数据，数据量的大小应满足下列步骤中求解待定系数的要求。4.根据权利要求1所述的基于最小二乘法的储能电池的荷电状态估计方法，其特征在于：步骤S3中，二阶电路的网络拓扑频域方程为：把电流I当成系统输入，电压U当成系统输出，利用z变换，把上式变换成差分方程的模式，具体公式为：U(k)＝(1
‑
k1‑
k2)U
oc
(k)+k1U(k
‑
1)+k2U(k
‑
2)+k3I(k
‑
1)+k5I(k
‑
2)写成最小二乘的形式，可以得到：写成最小二乘的形式，可以得到：θ＝[(1
‑
k1‑
k2)U
oc
，k1，k2，k3，k4，k5]
T
式中：表示数据向量，表示数据向量的转置，k1，k2，k3，k4，k5为待定系数、θ为待定系数向量，可由与实际数据...

【专利技术属性】
技术研发人员：李正烁，刘刚，袁朝勇，严学庆，钱军，
申请(专利权)人：江苏欧力特能源科技有限公司，
类型：发明
国别省市：