[发明专利]储能电池荷电状态与健康状态联合估算方法及系统

说明书

本发明提供一种储能电池荷电状态与健康状态联合估算方法及系统，属于储能电池技术领域，实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。本发明基于LSTM的SOC与SOH联合估算模型，能够实现对储能电池健康状态和荷电状态的在线监测，LSTM循环网络具有长时间记忆能力，可以更好的跟踪动态性能变化，估算精确度高于单独的SOC估算模型，且具有很好的泛化能力和鲁棒性。

技术领域

本发明涉及储能电池技术领域，具体涉及一种基于具有长时间记忆及动态特征跟踪能力的LSTM循环神经网络的储能电池荷电状态与健康状态联合估算方法及系统。

背景技术

储能是应对风、光等新能源发电强波动性与间歇性问题，大力提升电网吸纳新能源发电能力的重要手段，是各层级智能电网及微电网重要的组成部件之一。

采用储能电池组构成的电化学储能系统在动态响应等方面具有独特的性能优势，备受世界各国关注。其中，储能电池的状态监测与有效管理不可或缺。荷电状态SOC与健康状态SOH是表征储能电池实际状况的两个基本评价参数，但两者均只是定义量，不是可直接测得的物理量。

传统的单独的SOC估计算法有开路电压法、安时积分法以及扩展卡尔曼滤波法等。这些算法有些需要长期静置后估计结果，实时性差；有些在恶劣环境下容易积累噪声的误差以及采样精度带来的误差，估计精确度差。

目前常用的SOH估计方式主要有两类：一是使用离线数据驱动的方式。该方法对前期实验数据的准备要求较高，计算量大，而且得到的模型仅仅适用于对应的电池类型，而不具备扩展性与通用性，易产生较大误差。二是使用在线参数跟踪的方法。如，双Kalman滤波算法，该算法对电池模型要求较高，没有考虑外部环境的偏置噪声，在特定情况下易导致噪声积累，削弱了估算的抗干扰能力。

发明内容

本发明的目的在于提供一种基于LSTM循环神经网络，实现储能电池SOC和SOH实时在线估算，且提高了估算精确度的储能电池荷电状态与健康状态联合估算方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

第一方面，本发明提供一种储能电池荷电状态与健康状态联合估算方法，对于工作于不断充放电循环的储能电池，每间隔一定充放电循环周期后，执行标准的恒流恒压充电过程，所述方法包括：

实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；

当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；

将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。

优选的，收集储能电池历史参数数据作为训练样本，训练得到所述健康状态预测模型和所述荷电状态预测模型；其中，所述储能电池历史参数数据包括不同工况下的电压、电流、温度、荷电状态、健康状态。

优选的，使用MATLAB平台，搭建长短期记忆网络LSTM和循环神经网络RNN作为基础网络，训练得到所述健康状态预测模型。

优选的，将恒流恒压阶段当前时刻的电压、电流、温度及前一时刻的健康状态输入基础网络，输出当前时刻的健康状态，训练测试确定LSTM网络的最优模型参数，得到所述健康状态预测模型。

优选的，使用MATLAB平台，搭建长短期记忆网络LSTM和循环神经网络RNN作为基础网络，训练得到所述荷电状态预测模型。