[发明专利]一种储能电池健康状态辨识方法

说明书

本发明具体涉及一种储能电池健康状态辨识方法。该方法首先采集储能电池在一次充放电测试过程中的端电压信号，组成含有类别的样本数据集合A；然后，计算每个样本的特征值，形成可以表征原始信号特点的特征向量，组成含有类别的样本特征集合B；接着，生成若干个差异化的支持向量机模型；然后，以遗传算法种群个体的0‑1编码选择部分支持向量机模型，并将特征集合B输入得到多个以概率向量方式表征的储能电池健康情况辨识结果，形成对若干支持向量机模型的筛选方案，即储能电池健康情况辨识方案。多次支持向量集成的方式大幅提升了诊断模型的鲁棒性，利用遗传算法快速、自动地实现了对诊断过程的优化，提升了故障诊断性能。

技术领域：

本发明涉及储能电池技术领域，具体涉及一种储能电池健康状态辨识方法。

背景技术：

近年来，随着电力的需求增加，电力系统的规模日益扩大，电网的复杂度也越来越大，同时，国家现在大力发展智能电网、可再生能源、分布式能源使得对储能技术的需求也日益增大，储能电池扮演着越来越重要的角色。储能电池可以为电网运行提供调峰、调频、备用、黑启动等多种服务，提高风、光等可再生能源的消纳水平，支撑分布式电力及微网，是提升传统电力系统灵活性、经济性和安全性的重要手段以及促进能源生产消费开放共享和灵活交易、实现多能协同的核心基础。

由于过充电或过放电等原因会对电池造成损伤，储能电池的健康状况、充电不均衡等因素会导致安全性出现问题，评估储能电池的状态分析其健康情况，对于提高储能电池安全性和可靠性是十分重要的。随着机器学习和智能优化技术的发展，面向储能电池健康状态辨识的智能化监测服务获得应用，建立智能的储能电池健康状态诊断模型已成为储能电池系统研究重点。为了提升诊断模型性能，智能优化技术开始被应用于优化诊断模型参数或者分析特征重要程度之中。目前，对于基于智能优化算法优化模型参数的研究较多，一般基于额外的验证数据或者交叉验证方式设计对诊断模型性能的评价。但是，增加额外验证数据的方式往往只有在大数据样本规模的应用中才有意义；而交叉验证方式计易造成训练数据容量降低、样本集合划分影响较大等问题。从另外一个角度上讲，过度强调诊断模型参数的优化忽视了特征优劣造成的影响，造成诊断性能提升有限。因此，亟需一种提升储能电池健康状态评估效率的储能电池健康状态评估方法。

发明内容：

本发明提出一种结合遗传优化算法、支持向量模型以及诊断证据融合相结合的新思路，实现一种遗传筛选融合下储能电池健康状态辨识方法。

该方法首先采集m个健康和故障2种情况储能电池在一次充放电测试过程中的端电压信号，并标注每个信号的健康情况C,(C＝+1表示健康，C＝-1表示故障)组成含有类别的样本数据集合A；然后，对样本集合A中每个样本定义n个关键特征的计算方式，计算每个样本的特征值，形成可以表征原始信号特点的特征向量，组成含有类别的样本特征集合B；接着，不断随机设置以诊断概率向量形式输出的支持向量机模型参数，生成若干个差异化的支持向量机模型；然后，以遗传算法种群个体的0-1编码选择部分支持向量机模型，并将特征集合B输入得到多个以概率向量方式表征的储能电池健康情况辨识结果，以D-S证据理论融合后所得结果最优为目标，通过选择、交叉、变异等遗传算法操作，形成对若干支持向量机模型的筛选方案，即储能电池健康情况辨识方案；最后，在实测数据验证辨识方案性能后，将基于本发明设计的辨识方案应用于储能电池健康情况评估中。具体的技术方案如下：

一种储能电池健康状态辨识方法，包括下述步骤：

步骤1：获取与待测储能电池同型号储能电池充放电测试过程端电压数据样本，利用测量设备采集m个健康或故障2种情况的同型号储能电池在一次充放电测试过程中的端电压信号U⁽ⁱ⁾，(i＝1,2,…,m)，并标注每个信号的健康情况组成含有类别的样本数据集合A，

A＝{(U⁽ⁱ⁾C⁽ⁱ⁾),i＝1,2,...,m,C＝+1或-1}；其中，C⁽ⁱ⁾表示第i个测量的储能电池所属类型C，C＝+1表示健康，C＝-1表示故障；