[发明专利]一种储能场景单体电池SOH预测计算方法

权利要求书

1.一种储能场景单体电池SOH预测计算方法，其特征在于，包括以下步骤：

步骤1，采集储能系统电池的运行数据，运行数据包括单体电池的电压以及电流数据，对电池数据进行清洗，过滤异常数据以及填补缺失数据；

步骤2，将单体电池按照充电结束时刻电压进行分级并对其中部分电池按照安时法计算容量；

步骤3，根据电池的运行数据计算其容量增量曲线即IC曲线；

步骤4，根据IC曲线提取其中的特征；

步骤5，构建神经网络模型，以IC曲线特征和充电数据作为特征作为输入层的数据，对应的容量作为输出层对网络进行训练；

步骤6，将未采用安时法计算容量的电池作为带预测样本，并用神经网络对其进行预测，得到单体电池容量并计算SOH。

2.如权利要求1所述的一种储能场景单体电池SOH预测计算方法，其特征在于，步骤1中，输入获取的方式根据使用场景不同而发生变化，若需要进行实时计算，则需通过云端进行数据传输、计算；离线计算则将本地数据导出之后在进行处理。

3.如权利要求1所述的一种储能场景单体电池SOH预测计算方法，其特征在于，步骤2中，对单体电池进行分档的步骤如下：大于3.55V，定义为Ⅰ类电池，表示衰减较为严重的电池；小于3.55V且大于3.4V，定义为Ⅱ类电池，代表衰减程度较轻的电池；小于3.4V，定义为Ⅲ类电池，表示状态较为良好的电池；

针对Ⅱ类电池数据，找出Ⅰ类电池中归属于相同电池组的电压、电流数据，并以Ⅱ类电池中结束充电时刻的电压为基准把Ⅰ类电池中大于该电压值的电压和电流补全到Ⅱ类电池中，针对Ⅲ类电池也采取相同的操作；电池电压达到3.6V之后，其后时间的电压数据都置为2.8V；

Ⅰ类以及Ⅱ类电池的容量通过安时法直接进行计算得到，Ⅲ类的容量采用神经网络模型进行预测得到。

4.如权利要求1所述的一种储能场景单体电池SOH预测计算方法，其特征在于，步骤3中，IC曲线是计算dQ/dV，Q表示电池充入的电量，V表示电池的电压，反应电池单位冲入电量与相应电压变化量的比值；IC曲线的计算方法如下：

令恒流充电电流为I，那么充入电量Q＝It，则有dQ＝I·dt，那么：

dQ/dV＝I·dt/dV；

在更为一般的场景下dQ/dV可表示为一个关于V的函数：

5.如权利要求1所述的一种储能场景单体电池SOH预测计算方法，其特征在于，步骤4中，由于同一节电池随着时间的推移，IC曲线中的Ⅱ峰的峰值下降以及峰位右移且Ⅱ峰的包络面积呈减少趋势，且同时期的两节电池，衰减较为严重的电池Ⅱ峰峰位后移、Ⅰ峰峰值下降，故从IC曲线中提取Ⅰ峰、Ⅱ峰、Ⅲ峰的峰值以及Ⅱ峰峰值对应的电压、包络面面积，作为IC曲线提取特征。

6.如权利要求1所述的一种储能场景单体电池SOH预测计算方法，其特征在于，步骤5中，神经网络模型包括输入层、隐含层以及输出层；输入层中共包含363个神经元，1-360的神经元用来输入电压数据；361-363的神经元用来输入IC曲线的特征；隐含层有2层，每层包含20个神经元；输出层有1个神经元，表示预测得到的容量；前一层神经元与当前层神经元的连接方式为全连接，且不存在回路。