[发明专利]基于POA-SVR的海岛环境下储能电池状态监测方法

说明书

本发明公开了一种基于POA‑SVR的海岛环境下储能电池状态监测方法，通过POA算法有效解决SVR算法内核参数选择困难问题，相比于传统的SVR优化算法，本发明在局部搜索中的开发能力和向全局最优的收敛能力更强，对储能电池状态更好的预测精度。同时考虑到海岛气候环境的特殊性，本发明以海岛环境下获得的储能电池数据，从电池基本监测量中提取得到11组多维特征向量，训练POA‑SVR预测模型，使用训练完成的模型，在线实时监测储能电池SOH；同时训练POA‑SVR荷电状态预测模型，进行海岛环境下储能电池在线SOC监测，以此达到SOC和SOH联合预测目的，为海岛环境下实现储能电池稳定的运行提供了技术支持。

技术领域

本发明属于储能电池状态监测技术领域，具体涉及一种基于POA-SVR的海岛环境下储能电池状态监测方法。

背景技术

储能设备作为工业系统中的不可或缺的部分，储能电池状态对于系统的稳定性有着很重要的影响，而对于储能电池而言，电池的健康状态(state of health，SOH)和荷电状态(state of charge，SOC)是其最为重要的状态量，准确的SOC预测对防止电池过充、过放以及延迟电池循环寿命具有重要作用。同时随着电池使用次数的增加，电池性能会有所下降，电池容易发生热失控、内短路等安全问题，导致设备或者系统瘫痪，严重可能导致灾难性事故发生，因此准确的储能电池状态的估计对储能系统的估计有着非常重要的意义。

在海岛环境下，其自然环境相当恶劣，雨季多湿度高，形成了与大陆不同的气候环境，而储能电池的健康状态和荷电状态的预测又易受到外界环境影响，不能及时的预测其健康状态可能会导致严重的安全事故，降低了设备可靠性。目前以数据驱动的方式进行储能电池状态监测的研究，大部分采用的数据集为实验室所获得，很少有学者考虑到现场环境复杂性对储能电池的影响，且在具体的海岛环境下的相关研究技术也甚少。

同时在基于数据驱动进行电池状态估计方法中，支持向量回归是一种非常典型的算法，在目前的研究中也有大量学者对支持向量回归进行优化研究，其较未优化的支持向量回归预测的效果较好，但在预测精度上依然拥有较大误差同时在对储能电池进行状态监测中，大部分学者集中在使用模型驱动进行电池的SOC估计以及使用数据驱动进行电池的SOH估计，但是尚未有学者使用POA-SVR算法进行储能电池SOC及SOH联合估计。文献[徐佳宁,倪裕隆,朱春波.基于改进支持向量回归的锂电池剩余寿命预测[J].电工技术学报,2021,36(17):12]中使用了改进蚁狮优化算法优化支持向量回归进行了电池剩余有效寿命(RUL)的预测，但是可以看出优化后的支持向量回归仍然存在较大的预测误差，且未考虑到对电池的联合估计。公开号为CN111443293A的中国专利申请提出了一种基于数据驱动的锂电池健康状态SOH估算方法，该方法中使用了数据驱动的方法进行了锂电池健康状态SOH估算，但是未考虑到使用数据驱动对电池SOC的联合预测，同时该方法在提取输入量时未考虑到输入量的多样性，使预测精度大大降低。

发明内容

鉴于上述，本发明提供了一种基于POA-SVR的海岛环境下储能电池状态监测方法，能够实现海岛环境下储能电池的SOC和SOH联合预测，且有效提高模型预测精度。

一种基于POA-SVR的海岛环境下储能电池状态监测方法，包括如下步骤：

(1)从海岛储能设备数据集中提取电池循环数据作为健康因子，对健康因子进行归一化预处理；

(2)构建基于POA-SVR的算法模型；

(3)利用健康因子以及对应的SOH标签对上述算法模型进行训练，得到电池健康状态(即剩余寿命)的预测模型H1；

(4)利用健康因子中的电流电压数据以及对应的SOC标签对上述算法模型进行训练，得到电池荷电状态(即剩余电量)的预测模型H2；

(5)实时监测海岛环境下储能电池的健康因子，将相应的数据输入至预测模型H1和H2中，即可得到关于储能电池健康状态和荷电状态的预测结果。