一种移动储能系统串联电池组SOH估计方法技术方案

本发明专利技术公开了一种移动储能系统串联电池组的SOH估计方法，所述方法包括：令电池组循环充放电测试，构建实测数据集；根据实测数据进一步提取特征，与实测数据集合并，组成特征数据集；采用部分特征结合熵权法评估电池组一致性；采用相关性分析筛选特征数据集中高相关性特征，并与一致性评估结果合并组成新特征数据集；搭建DNN和LSTM网络模型，用新特征数据集进行基础模型训练；用少量其他电池组数据结合迁移学习方法再次训练得到TL

【技术实现步骤摘要】
一种移动储能系统串联电池组SOH估计方法


[0001]本专利技术涉及电池储能
，尤其涉及一种移动储能系统串联电池组SOH估计方法。

技术介绍

[0002]移动储能系统需要串联多个电池单体组成电池组满足运行电压要求。为了保障移动储能系统的安全性和电池组性能良好，需要对电池组进行实时健康状态(SOH)估计。由于电池不可避免存在生产参数差异，随着使用时间的积累，电池组的不一致问题会不断加剧，并直接影响电池组SOH与各电池单体SOH。
[0003]现有方法未充分考虑电池组一致性问题，难以保证电池组SOH的估计精度；其次，现有电池组SOH估计方法通常用单特征进行估计，存在对电池组及其所有单体的有效信息使用不完整问题；常用的单一模型对特征与输出量的映射关系存在挖掘不充分问题；现有方法的泛化性存在不足，面对不同类型应用对象时，需要重新采集大量数据并花费大量时间对模型重新训练。

技术实现思路

[0004]本专利技术的目的是为了提供一种移动储能系统串联电池组SOH估计方法，模型泛化能力好，估计精度高。
[0005]为解决以上技术问题，本专利技术的技术方案为：一种移动储能系统串联电池组SOH估计方法，包括：
[0006]S1：通过对串联电池组进行循环充放电测试，构建实测数据集；通过对实测数据集进行特征提取，并将特征与实测数据集合并，组成特征数据集；采用特征结合熵权法评估电池组一致性；采用相关性分析对特征数据集进行特征筛选并将筛选的特征与一致性评估结果合并组成新特征数据集；
[0007]S2：搭建DNN和LSTM网络模型，用新特征数据集进行基础模型训练；
[0008]S3：通过步骤S1的方法获取其他电池组的新特征数据集结合迁移学习方法对DNN和LSTM网络模型再次训练得到TL
‑
DNN模型和TL
‑
LSTM模型；
[0009]S4：当移动储能系统中某个串联电池组充电完成时，通过步骤S1的方法获取当前电池组的新特征数据集后输入到TL
‑
DNN模型和TL
‑
LSTM模型中，融合两种模型输出结果估计电池组的SOH。
[0010]进一步地，步骤S1具体包括：
[0011]S1.1：通过对串联电池组进行循环充放电测试获取源域数据，在每次充电测试期间，采集所述电池组电流和端电压，采集所述电池组中所有电池单体从充电结束前一采样时刻到充电结束后端电压降低至稳态值的全过程电压数据，并将采集的所有电流、电压数据作为特征；在每次放电测试期间，根据所述电池组的总放电量计算SOH，并将SOH作为标签，构建实测数据集D1；
[0012]S1.2：根据步骤S1.1所采集的实测数据集D1进行特征提取，将所提取特征与步骤S1.1所获得的电池组电流、电压数据特征和SOH标签合并，组成特征数据集D2，并进行归一化处理；
[0013]S1.3：根据步骤S1.2所获得的特征数据集D2，采用熵权法确定每个特征的权重，将所有特征进行加权求和，实现对电池组的一致性评估，并将电池组一致性评估结果作为新增特征；
[0014]S1.4：对步骤S1.2所获得的特征数据集D2进行相关性分析，根据相关性分析结果筛选出高相关性特征，并将筛选出的特征量与步骤S1.3所获得的电池组一致性评估结果特征共同组成新特征数据集D3。
[0015]进一步地，步骤S1.1的实测数据集D1构建方法如下：
[0016]S1.11：记电池组中电池单体数量为M，将当前型号电池组的充电电流从0到最大额定电流I
max
均匀选取N个电流值，获得充电电流数据集如下：
[0017]I＝[I1,I2,...,I
N
][0018]其中，I表示充电电流数据集，I
N
表示充电电流数据集中第N个电流值；
[0019]S1.12：记循环总次数为T，每次循环中，依次从步骤S1.11所获得的充电电流数据集中选取一个电流值对电池组进行恒流恒压充电，充电期间持续采集电池组电流和端电压，充电结束时采集电池组中所有电池单体从充电结束前一采样时刻到充电结束后端电压降低至稳态值的全过程电压数据，将采集的电流、电压数据作为特征；
[0020]S1.13：对步骤S1.12充电完成的电池组进行恒流放电直至放电截止电压，根据总放电量计算电池组的SOH，并将SOH作为标签；
[0021]S1.14：将步骤S1.12所获得的电池组电流、电压数据特征与步骤S1.13所获取的SOH标签合并，构建实测数据集D1。
[0022]进一步地，步骤S1.2具体包括：
[0023]S1.21：根据步骤S1.1所构建的实测数据集D1，计算所有电池单体充电结束前一采样时刻端电压值的范围和方差，计算所有电池单体充电结束时刻端电压瞬时下降值的方差，计算所有电池单体充电结束后端电压降低到稳态值的全过程电压恢复速率的方差，计算所有电池单体稳态端电压值的范围和方差；其中方差的计算公式为：
[0024][0025]其中，θ
t
‑
j
表示在在第t个循环中第j个特征的方差；x
t
‑
mj
表示在第t个循环中第m个电池的第j个特征；M表示电池单体数量；表示在第t个循环中第j个特征的平均值；
[0026]S1.22：将步骤S1.21所计算提取的数据与步骤S1.1所获得的电池组电流、端电压特征和SOH标签合并，组成特征数据集D2，并进行Min
‑
Max归一化处理，归一化的计算公式为：
[0027][0028]其中，a
t
‑
j
表示归一化后第t个循环中第j个特征的特征值，x
t
‑
j
表示第t个循环中第j个特征的特征值；max
0≤t≤T
(x
t
‑
j
)表示在所有循环中第j个特征的最大值，min
0≤t≤T
(x
t
‑
j
)表示在所有循环中第j个特征的最小值，T表示循环总次数。
[0029]进一步地，步骤S1.3具体包括：
[0030]S1.31：根据步骤S1.2中归一化处理后所获得的特征数据集D2，提取其中所有电池单体充电结束前一采样时刻端电压值的方差、所有电池单体充电结束时刻端电压瞬时下降值的方差、所有电池单体充电结束后端电压降低到稳态值的全过程电压恢复速率的方差和所有电池单体稳态端电压值的方差作为特征；
[0031]S1.32：采用熵权法方法对步骤S1.31中的特征分别赋予权重，熵权法的计算公式为：
[0032][0033]其中，k为常数，S
j
表示第j个特征的信息熵，J表示特征数量；
[0034]权重计算公式为：
[0035][0036]其中，ω
j
表示第j个特征对应的特征权重；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种移动储能系统串联电池组SOH估计方法，其特征在于：包括：S1：通过对串联电池组进行循环充放电测试，构建实测数据集；通过对实测数据集进行特征提取，并将特征与实测数据集合并，组成特征数据集；采用特征结合熵权法评估电池组一致性；采用相关性分析对特征数据集进行特征筛选并将筛选的特征与一致性评估结果合并组成新特征数据集；S2：搭建DNN和LSTM网络模型，用新特征数据集进行基础模型训练；S3：通过步骤S1的方法获取其他电池组的新特征数据集结合迁移学习方法对DNN和LSTM网络模型再次训练得到TL
‑
DNN模型和TL
‑
LSTM模型；S4：当移动储能系统中某个串联电池组充电完成时，通过步骤S1的方法获取当前电池组的新特征数据集后输入到TL
‑
DNN模型和TL
‑
LSTM模型中，融合两种模型输出结果估计电池组的SOH。2.根据权利要求1所述的一种移动储能系统串联电池组SOH估计方法，其特征在于：步骤S1具体包括：S1.1：通过对串联电池组进行循环充放电测试获取源域数据，在每次充电测试期间，采集所述电池组电流和端电压，采集所述电池组中所有电池单体从充电结束前一采样时刻到充电结束后端电压降低至稳态值的全过程电压数据，并将采集的所有电流、电压数据作为特征；在每次放电测试期间，根据所述电池组的总放电量计算SOH，并将SOH作为标签，构建实测数据集D1；S1.2：根据步骤S1.1所采集的实测数据集D1进行特征提取，将所提取特征与步骤S1.1所获得的电池组电流、电压数据特征和SOH标签合并，组成特征数据集D2，并进行归一化处理；S1.3：根据步骤S1.2所获得的特征数据集D2，采用熵权法确定每个特征的权重，将所有特征进行加权求和，实现对电池组的一致性评估，并将电池组一致性评估结果作为新增特征；S1.4：对步骤S1.2所获得的特征数据集D2进行相关性分析，根据相关性分析结果筛选出高相关性特征，并将筛选出的特征量与步骤S1.3所获得的电池组一致性评估结果特征共同组成新特征数据集D3。3.根据权利要求2所述的移动储能系统串联电池组SOH估计方法，其特征在于：步骤S1.1的实测数据集D1构建方法如下：S1.11：记电池组中电池单体数量为M，将当前型号电池组的充电电流从0到最大额定电流I
max
均匀选取N个电流值，获得充电电流数据集如下：I＝[I1,I2,...,I
N
]其中，I表示充电电流数据集，I
N
表示充电电流数据集中第N个电流值；S1.12：记循环总次数为T，每次循环中，依次从步骤S1.11所获得的充电电流数据集中选取一个电流值对电池组进行恒流恒压充电，充电期间持续采集电池组电流和端电压，充电结束时采集电池组中所有电池单体从充电结束前一采样时刻到充电结束后端电压降低至稳态值的全过程电压数据，将采集的电流、电压数据作为特征；S1.13：对步骤S1.12充电完成的电池组进行恒流放电直至放电截止电压，根据总放电量计算电池组的SOH，并将SOH作为标签；S1.14：将步骤S1.12所获得的电池组电流、电压数据特征与步骤S1.13所获取的SOH标
签合并，构建实测数据集D1。4.根据权利要求2所述的移动储能系统串联电池组SOH估计方法，其特征在于：步骤S1.2具体包括：S1.21：根据步骤S1.1所构建的实测数据集D1，计算所有电池单体充电结束前一采样时刻端电压值的范围和方差，计算所有电池单体充电结束时刻端电压瞬时下降值的方差，计算所有电池单体充电结束后端电压降低到稳态值的全过程电压恢复速率的方差，计算所有电池单体稳态端电压值的范围和方差；其中方差的计算公式为：其中，θ
t
‑
j
表示在在第t个循环中第j个特征的方差；x
t
‑
mj
表示在第t个循环中第m个电池的第j个特征；M表示电池单体数量；表示在第t个循环中第j个特征的平均值；S1.22：将步骤S1.21所计算提取的数据与步骤S1.1所获得的电池组电流、端电压特征和SOH标签合并，组成特征数据集D2，并进行Min
‑
Max归一化处理，归一化的计算公式为：其中，a
t
‑
j
表示归一化后第t个循环中第j个特征的特征值，x
t
‑
j
表示第t个循环中第j个特征的特征值；max
0≤t≤T
(x
t
‑
j
)表示在所有循环中第j个特征的最大值，min
0≤t≤T
(x
t
‑
j
)表示在所有循环中第j个特征的最小值，T表示循环总次数。5.根据权利要求2所述的移动储能系统串联电池组SOH估计方法，其特征在于：步骤S1.3具体包括：S1.31：根据步骤S1.2中归一化处理后所获得的特征数据集D2，提取其中所有电池单体充电结束前一采样时刻端电压值的方差、所有电池单体充电结束时刻端电压瞬时下降值的方差、所有电池单体充电结束后端电压降低到稳态值的全过程电压恢复速率的方差和所有电池单体稳态端电压值的方差作为特征；S1.32：采用熵权法方法对步骤S1.31中的特征分别赋予权重，熵权法的计算公式为：其中，k为常数，S
j
表示第j个特征的信息熵，J表示特征数量；权重计算公式为：其中，ω
j
表示第j个特征对应的特征权重；S1.33：对步骤S1.31中提取的...

【专利技术属性】
技术研发人员：罗兴，许国胜，王雅芸，史晓鹤，熊晓鑫，薛嵩，王海威，许洪华，陶以彬，李跃龙，周晨，庄俊，余豪杰，冯鑫振，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：