[发明专利]基于SA和ANN算法的铅酸蓄电池SOH估计方法

说明书

本发明公开了基于SA和ANN算法的铅酸蓄电池SOH估计方法，包括步骤：步骤S1，对铅酸蓄电池做循环充放电实验，记录实际容量与循环充放电实验的循环次数之间的一一对应关系，以及每次实验的充电阶段恒压充电和恒流充电的时间；步骤S2，基于步骤S1的试验结果，确定与铅酸蓄电池SOH关联度最高的影响因素，建立人工神经网络回归模型；步骤S3：通过改进的模拟退火算法，来训练人工神经网络回归模型中的权重和偏值，建立新回归模型，利用新回归模型对铅酸蓄电池SOH的电池容量数据点进行估计。本发明采用人工神经网络模型ANN，具有非线性逼近能力和泛化性能好，训练样本数量少，拟合精度高的优点，模型参数较少，计算速度快。

技术领域

本发明涉及铅酸蓄电池健康状态预测与评估技术领域，特别是涉及基于模拟退火算法(Simulated Annealing，SA)和人工神经网络(Artificial Neural Networks，ANN)算法的铅酸蓄电池SOH估计方法。

背景技术

随着变电站智能化程度的提高，变电站直流电源系统承担着支撑站内设备稳定运行的重大责任。铅酸蓄电池价格低廉、比功率大、技术较完善、回收利用率高，是变电站直流电源系统的核心部件。此外，铅酸蓄电池还广泛应用在大型光伏电站、储能设备、动力和起停装备等领域。

铅酸蓄电池的健康状态(State of Health,SOH)，能够反映蓄电池的运行状态和劣化程度，也称为循环寿命，是电池生命周期中不可逆变化量的定量刻画。蓄电池SOH的精确估计，可以科学指导蓄电池的更换，降低运行成本，保障直流供电的持续性和可靠性。

但是，目前针对铅酸蓄电池SOH估计的研究较少，主要包括基于模型的方法和基于数据驱动的方法。前者需要建立铅酸蓄电池的理化模型，由于许多反应机理尚未掌握，模型的估计精度和推广能力较差。后者主要包括机器学习的方法，例如相关向量机(RelevanceVector Machine,RVM)，高斯过程回归(Gaussian Process Regression，GPR)等，它们的核函数一般具有较多参数，训练数据较为困难，计算负担较大；同时，训练误差容易陷入局部最优解，难以收敛到令人满意的超参数解，严重影响回归模型的估计精度。

发明内容

本发明的目的是针对现有技术存在的技术缺陷，提供基于SA和ANN算法的铅酸蓄电池SOH估计方法。

为此，本发明提供了基于SA和ANN算法的铅酸蓄电池SOH估计方法，其包括以下步骤：

步骤S1，对铅酸蓄电池做循环充放电实验，记录铅酸蓄电池的实际容量与循环充放电实验的循环次数之间的一一对应关系，以及每次循环充放电实验中的充电阶段恒压充电和恒流充电的时间；

步骤S2，基于步骤S1的试验结果，获得循环充放电实验的总充电时间T、恒压充电时间T₁和恒流充电时间T₂，确定其中与铅酸蓄电池SOH关联度最高的影响因素，建立人工神经网络回归模型；

步骤S3：通过改进的模拟退火算法，来训练所述步骤S2建立的人工神经网络回归模型中的权重和偏值，建立新回归模型，并利用所建立的新回归模型，对铅酸蓄电池SOH的数据点进行重新估计。

优选地，所述步骤S1具体包括以下步骤：

步骤S11，首先，对铅酸蓄电池进行循环充放电实验，充电为阶段充电，即先进行恒流充电，达到预设充电截止电压后，保持为恒压充电，直到充电电流降到预设规定电流值以下；然后，进行恒流放电，同时记录铅酸蓄电池的端电压和电流数据；

步骤S12，根据铅酸蓄电池的电流数据，来计算铅酸蓄电池的实际容量；

步骤S13，通过循环执行步骤S11和步骤S12，对铅酸蓄电池进行多次循环充放电实验，实时记录铅酸蓄电池的实际容量与循环充放电实验的循环次数之间的一一对应关系，以及每次循环充放电实验中的充电阶段恒压充电和恒流充电的时长。