[发明专利]一种数据驱动的实时在线锂电池SoC精确估计方法

说明书

本发明公开了一种数据驱动的实时在线锂电池SoC精确估计方法，采用数据驱动方法实时计算SOC，可以避免同等估计精度物理建模的复杂性，并且模型在应用到同类项目时，只需通过数据自行学习调整模型参数，而不需要重新建模，并且通过实时数据及时更新模型参数，以适配电池工作状态、电池性能退化状态、环境工况的变化，获得最佳估计精度。充分利用了试验数据和实时数据，基于试验数据构建粗模型，可以避免实时数据不足时无法构建数据驱动模型的不足。同时，试验数据可为SOC模型构建在参数选择、效果评估方面提供经验指导，提高建模效率。

技术领域

本发明涉及电化学储能技术领域，尤其涉及一种数据驱动的实时在线锂电池SoC精确估计方法。

背景技术

目前，锂电池储能行业正在快速发展，根据前瞻产业研究院《中国储能行业市场前瞻与投资预测分析报告》的预测，到2025年电化学储能装机规模有望达到55.9GW。在应用场景方面，锂电池储能在基站储能、IDC储能、工商业储能用户侧、电网侧和发电侧都具备丰富的应用场景，并且正在朝向多元化发展。

荷电状态(SOC)是电池的可用容量，是储能电池进行充放实现削峰填谷、备电等应用的重要依据，因此要实现对SOC的实时在线精确估计。目前进行SOC估计的方法主要包括放电实验法、安时积分法、开路电压法、内阻法、卡尔曼滤波法以及以神经网络为代表的机器学习方法。其中，放电实验法不能实现在线估计；安时积分法只单纯从外部记录进出电池的电量，但忽略了电池内部状态的变化。同时电流测量不准，造成SOC计算误差会不断累积，需要定期不断校准；开路电压法需要电池长期静置，并且电池充放电比率导致的电流波动会使电池开路电压发生变化，从而导致电池组的开路电压不一致，使得预测的剩余电量与电池实际剩余电量产生较大偏差；卡尔曼滤波法的精确性很大程度依赖于电池等效模型的建立，复杂性高且计算量。

有资料显示，近年来，基于机器学习的数据驱动方法开始在SOC估计中得到应用，并且往往能够得到较高的估计精度。数据驱动方法不需要构建精细的电池物理模型，并且能够充分利用电池运行时产生的大量监测数据，在同等估计精度下，相较于其它依赖于电池模型的估计方法具有更好的经济性和可行性。

中国专利文献CN107064811A公开了一种“锂电池SOC在线估计方法”。包括以下步骤：1)测量电池的开路电压，根据OCV-SOC曲线得到电池荷电状态初值；2)建立电池的二阶RC等效模型，估算电池等效模型的参数初值；3)启动估算程序，根据电池荷电状态的初值和电池等效模型的参数初值，设定状态方程的匹配系数初值；4)利用自适应无迹卡尔曼滤波算法得到当前电池荷电状态值，根据OCV-SOC曲线得到当前的开路电压；5)启动带遗忘因子的最小二乘法对当前电池等效模型的参数进行辨识，将辨识出来的参数更新状态方程的匹配系数，求出下一时刻电池荷电状态值；6)重复步骤4)和5)，得到每个时刻的电池荷电状态值。上述技术方案无法在系统运行期前自适应地调整和切换用于SOC实时在线估计模型，导致计算结果不够精确。

发明内容

本发明主要解决原有的技术方案无法在系统运行期前自适应地调整和切换用于SOC实时在线估计模型的技术问题，提供一种数据驱动的实时在线锂电池SoC精确估计方法，采用数据驱动方法实时计算SOC，可以避免同等估计精度物理建模的复杂性，并且模型在应用到同类项目时，只需通过数据自行学习调整模型参数，而不需要重新建模，并且通过实时数据及时更新模型参数，以适配电池工作状态、电池性能退化状态、环境工况的变化，获得最佳估计精度。

本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：

S1收集锂电池实验室试验数据并分组构建数据集；

S2对数据集进行数据处理并构建必要的特征；

S3对数据集进行电池衰退识别；