[发明专利]一种基于阻抗参数的SOH与SOC的在线协同估计方法及系统

说明书

本公开提出了一种基于阻抗参数的SOH与SOC的在线协同估计方法，包括：向蓄电池施加脉冲电流激励，采集充放电过程中充放电数据，基于蓄电池等效电路模型，结合蓄电池的充放电数据进行阻抗参数的辨识，引入循环神经网络模型，基于充放电数据和阻抗参数，协同估计SOC和SOH，具有较高的准确度并具有较好的泛化能力，考虑了SOC与SOH两者的强耦合性，避免单一变量估算带来的误差。

技术领域

本发明属于电池管理技术领域，具体涉及一种基于阻抗参数的SOH与SOC的在线协同估计方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

风力发电、光伏发电及以冷热源供给为主导的联产联供等分布式能源发电方式具有间歇性、不确定性及用电负荷本身的波动性及随机性，从微电网稳定性、经济性及与主电网的友好协同方面综合考虑，用户侧分布式储能装置成为高效微电网重要的组成部分并直接影响着微电网的性能。蓄电池通过可逆化学反应实现电能存储，使用寿命受充/放电特性、循环深度、环境温度、均衡性等多项参数指标的影响很大。多年来业界形成一种共识，大部分蓄电池损坏不是由于放电而是由于长时间过度充电导致的。蓄电池组的寿命在储能系统成本中占比较高并对储能系统有效寿命起着决定性作用。

发明人在研究中发现，目前蓄电池健康状态多采用离线检测，不能实时更新模型参数，适用性差，同时对于SOH与SOC的系统估算是直接通过开路电压法、阻抗估算法以及卡尔曼滤波等进行估算，无法实现实时估计，而且误差较大，卡尔曼滤波虽然适应性好，但受模型限制，因此面临蓄电池健康状态在线准确测量的难题。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于阻抗参数的SOH与SOC的在线协同估计方法，考虑同与容量相关的SOC与SOH参数耦合性，基于Thevenin电路模型，利用LSTM的动态逼近与长时间记忆能力，基于阻抗参数的SOH与SOC协同在线实现SOH与SOC的精确估计。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

一种基于阻抗参数的SOH与SOC的在线协同估计方法，包括：

向蓄电池施加脉冲电流激励，采集充放电过程中充放电数据；

基于蓄电池等效电路模型，结合蓄电池的充放电数据进行阻抗参数的辨识；

引入循环神经网络模型，基于充放电数据和阻抗参数，协同估计SOC和SOH。

进一步的技术方案，基于蓄电池等效电路模型，结合蓄电池的充放电数据进行阻抗参数的辨识，包括：

选择Thevenin等效电路模型作为蓄电池等效电路模型；

分析放电电流和端电压的变化情况，得到电流激励作用下的电压变化曲线；

分析电流激励作用下的电压变化曲线，进行阻抗参数的辨识。

进一步的技术方案，将采集的充放电数据转化为时间序列数据；

进一步的技术方案，引入循环神经网络模型，基于充放电数据和阻抗参数，协同估计SOC和SOH，包括：

引入LSTM循环神经网络模型，对LSTM循环神经网络模型进行训练和学习，结合当前时刻的时间序列数据和前一时刻荷电状态SOC_t-1构建SOC估算模型输出当前时刻的荷电状态SOC_t；

结合当前时刻的阻抗参数和当前时刻的荷电状态SOC_t，输入前一时刻脉冲充放电得到的SOH_t-1，再次引入LSTM循环神经网络模型，对LSTM循环神经网络模型进行训练和学习，构建SOH估算模型，估计蓄电池的健康状态SOH_t。