CN115856690B - 一种储能电池SoH检测方法、装置、设备及存储介质 - Google Patents
一种储能电池SoH检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115856690B CN115856690B CN202211418842.XA CN202211418842A CN115856690B CN 115856690 B CN115856690 B CN 115856690B CN 202211418842 A CN202211418842 A CN 202211418842A CN 115856690 B CN115856690 B CN 115856690B
- Authority
- CN
- China
- Prior art keywords
- equivalent circuit
- circuit model
- frequency equivalent
- low frequency
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001453 impedance spectrum Methods 0.000 claims abstract description 96
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000009792 diffusion process Methods 0.000 claims description 44
- 239000007787 solid Substances 0.000 claims description 38
- 230000005284 excitation Effects 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 101100042631 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SIN3 gene Proteins 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 230000036541 health Effects 0.000 description 8
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 6
- 229910052744 lithium Inorganic materials 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 238000001566 impedance spectroscopy Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000013543 active substance Substances 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种储能电池SoH检测方法、装置、设备及存储介质。该方法包括：确定当前环境温度及当前电池电量SOC下的阻抗谱；根据所述阻抗谱构建全频等效电路模型结构；提取所述全频等效电路模型结构中的中低频等效电路模型结构；基于所述中低频等效电路模型结构、所述阻抗谱结合预设参数辨识模型确定中低频等效电路模型参数；将所述中低频等效电路模型参数、当前温度参数及当前电池电量SOC参数输入至神经网络模型确定储能电池SoH。本方案通过阻抗谱实现精确预测储能电池SoH。
Description
技术领域
本发明实施例涉及储能电池技术，尤其涉及一种储能电池SoH检测方法、装置、设备及存储介质。
背景技术
储能可有效应对风、光等新能源发电的强波动性与间歇性问题，也是大力提升电网吸纳新能源发电能力的重要手段，是各层级智能电网及微电网重要的组成部件之一。锂电池作为储能元件，具有能量和功率密度高、寿命长、无记忆效应等优点，其在储能领域得到了广泛的使用。但随着锂电池充放电循环次数的增加，锂电池内阻增大，活性物质减少，健康状态(State of health,SoH，SoH)不断衰减，增大了大规模储能电池组发生热失控蔓延的风险，不利于储能电站的安全稳定运行。SoH作为定量分析电池安全性的指标，对其进行准确的估计能够保证储能电池的运行安全，同时能够为制定下一步运行与检修计划提供依据。
现有的估计储能电池SoH方法是通过直接采集储能电池的电流及电压外特性数据，并通过电流、电压数据获取等效电路模型，进而估计储能电池SoH，由于现有技术中，采集储能电池的电流及电压数据为静态过程，且储能电池的电流及电压数据为外特性数据，采用等效电路模型预测储能电池SoH的方法，其泛化能力差，不适用动态工况下储能电池SoH预测，其预测结果不精确。
发明内容
本发明提供一种储能电池SoH检测方法、装置、设备及存储介质，以实现通过阻抗谱精确预测储能电池SoH。
第一方面，本发明实施例提供了一种储能电池SoH检测方法，该方法包括:
确定当前环境温度及当前电池电量SOC下的阻抗谱；
根据所述阻抗谱构建全频等效电路模型结构；
提取所述全频等效电路模型结构中的中低频等效电路模型结构；
基于所述中低频等效电路模型结构、所述阻抗谱结合预设参数辨识模型确定中低频等效电路模型参数；
将所述中低频等效电路模型参数、当前环境温度参数及当前电池电量SOC参数输入至神经网络模型确定储能电池SoH。
可选的，确定当前环境温度及当前电池电量SOC下的阻抗谱，包括：
设置阻抗谱激发电路输出不同频率的激发信号；其中，所述阻抗谱激发电路包括预设个数移位寄存器及异或门；
在不同频率的所述激发信号下，获取当前环境温度及当前电池电量SOC下的待测储能电池的电流值及电压值；
根据不同频率的所述激发信号、当前环境温度及当前电池电量SOC下的待测储能电池的所述电流值及所述电压值确定当前环境温度及当前电池电量SOC下的阻抗谱。
可选的，所述参数辨识模型为非线性最小二乘回归模型；
所述储能电池SoH检测方法还包括：
对所述阻抗谱做预处理得到复数域阻抗谱；
根据所述阻抗谱构建全频等效电路模型结构，包括：
根据所述复数域阻抗谱构建全频等效电路模型结构；
基于所述中低频等效电路模型结构、所述阻抗谱结合预设参数辨识模型确定中低频等效电路模型参数，包括：
基于所述中低频等效电路模型结构、所述复数域阻抗谱结合所述非线性最小二乘回归模型确定中低频等效电路模型参数。
可选的，还包括:
提取中低频等效电路模型参数中的中低频等效电路模型关联参数；
将所述中低频等效电路模型参数、当前环境温度参数及当前电池电量SOC参数输入至神经网络模型确定储能电池SoH，包括：
将所述中低频等效电路模型关联参数、当前环境温度参数及当前电池电量SOC参数输入至神经网络模型确定储能电池SoH。
可选的，所述中低频等效电路模型结构包括：第一电阻、第二电阻、第一固态扩散阻抗及第二固态扩散阻抗；
所述第二电阻与所述第一固态扩散阻抗并联电连接，所述第一电阻及第二电阻串联电连接，所述第二固态扩散阻抗与所述第一固态扩散阻抗串联电连接；
基于所述中低频等效电路模型结构、所述复数域阻抗谱结合预设参数辨识模型确定中低频等效电路模型参数，包括：
基于所述中低频等效电路模型结构、所述复数域阻抗谱结合预设参数辨识模型确定所述第一电阻的第一阻值参数、所述第二电阻的第二阻值参数、所述第一固态扩散阻抗的第一电容参数及第一比例参数、所述第二固态扩散阻抗的第二电容参数及第二比例参数。
可选的，提取中低频等效电路模型参数中的中低频等效电路模型关联参数，包括：
提取所述第一电阻的第一阻值参数、所述第二电阻的第二阻值参数、所述第一固态扩散阻抗的第一电容参数及第一比例参数、所述第二固态扩散阻抗的第二电容参数及第二比例参数中的所述第一固态扩散阻抗的第一电容参数及第一比例参数、所述第二固态扩散阻抗的第二电容参数。
可选的，所述神经网络模型包括门控循环单元神经网络；
所述储能电池SoH检测方法，还包括：
根据历史中低频等效电路模型参数、不同环境温度参数及不同电池电量SOC参数确定所述门控循环单元神经网络模型。
第二方面，本发明实施例还提供了一种储能电池SoH检测装置，该装置包括:
阻抗谱确定模块，用于确定当前环境温度及当前电池电量SOC下的阻抗谱；
电路模型构建模块，用于根据所述阻抗谱构建全频等效电路模型结构；
提取模块，用于提取所述全频等效电路模型结构中的中低频等效电路模型结构；
电路模型参数确定模块，用于基于所述中低频等效电路模型结构、所述阻抗谱结合预设确定的参数辨识模型确定中低频等效电路模型参数；
储能电池SoH确定模块，用于将所述中低频等效电路模型参数、当前环境温度参数及当前电池电量SOC参数输入至神经网络模型确定储能电池SoH。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的储能电池SoH检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现第一方面所述的储能电池SoH检测方法。
本发明实施例，通过确定当前环境温度及当前电池电量SOC下的阻抗谱；根据阻抗谱构建全频等效电路模型结构；提取所述全频等效电路模型结构中的中低频等效电路模型结构；基于所述中低频等效电路模型结构、所述阻抗谱结合预设参数辨识模型确定中低频等效电路模型参数；将所述中低频等效电路模型参数、当前温度参数及当前电池电量SOC参数输入至神经网络模型确定储能电池SoH，如此通过阻抗谱实现了精确预测储能电池SoH。
附图说明
图1是本发明实施例提供的一种储能电池SoH检测方法的流程图；
图2是本发明实施例提供的另一种储能电池SoH检测方法的流程图；
图3是本发明实施例提供的阻抗谱激发电路的结构示意图；
图4是本发明实施例提供的全频等效电路模型结构的结构示意图；
图5是本发明实施例提供的中低频等效电路模型结构的结构示意图；
图6是本发明实施例提供的一种储能电池SoH检测装置的结构示意图；
图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1是本发明实施例提供的一种储能电池SoH检测方法的流程图，本实施例可适用于检测储能电池SoH情况，该方法可以由储能电池SoH检测装置来执行，如图1所示，该方法具体包括如下步骤：
S110、确定当前环境温度及当前电池电量SOC下的阻抗谱。
其中，阻抗谱可以通过电化学阻抗方法测量得到，一般地，电化学阻抗方法为通过给待测储能电池系统施加一个频率不同的小振幅的交流正弦电势波，从而测量交流电势与电流信号的比值(待测储能电池系统的阻抗)随正弦波频率w的变化以得到阻抗谱的过程。在实际的储能电池的循环老化试验中，可以采集当前环境温度、当前电池电量SOC唯一确定的阻抗谱。
S120、根据阻抗谱构建全频等效电路模型结构。
其中，全频等效电路模型结构包括低频段等效电路模型结构、中频段等效电路模型结构及高频端等效电路模型；各频段的等效电路模型结构的等效阻抗变化与对应频段的阻抗谱的阻抗变化相一致；阻抗谱依据等效阻抗变化相一致原则可以构建全频段等效电路模型结构。
S130、提取全频等效电路模型结构中的中低频等效电路模型结构。
其中，由于阻抗谱中中低频段的各等效阻抗为影响锂电池健康的敏感特征，阻抗谱中高频段的各等效阻抗为影响锂电池健康的较不敏感特征；对应的，提取全频等效电路模型结构中的中低频等效电路模型结构，可以为后续锂电池健康SoH的预测节约数据计算时间。
S140、基于中低频等效电路模型结构、阻抗谱结合预设参数辨识模型确定中低频等效电路模型结构参数。
其中，预设参数辨识模型为预先训练好的参数辨识模型，可以用来实现对中低频等效电路模型结构中参数的辨识；具体的，在实际的储能电池的循环老化试验中，可以以10％电池电量SOC、以5℃环境温度为间隔，采集不同环境温度、不同电池电量SOC的阻抗谱，以得到动态变化的阻抗谱；根据动态变化的阻抗谱可以构建不同的全频等效电路模型结构，从不同的全频等效电路模型结构中提取不同的中低频等效电路模型结构；并根据不同的中低频等效电路模型结构及动态变化的阻抗谱训练得到预设参数辨识模型；然后将当前的阻抗谱及当前阻抗谱确定的中低频等效电路模型结构输入至训练好的预设参数辨识模型中，可以得到中低频等效电路模型结构参数。
S150、将中低频等效电路模型结构参数、当前温度参数及当前电池电量SOC参数输入至神经网络模型确定储能电池SoH。
其中，神经网络模型为预先训练好的网络模型；具体的，可根据历史中低频等效电路模型参数、不同环境温度参数及不同电池电量SOC参数训练得到神经网络模型。这里需说明的是，历史中低频等效电路模型参数为历史不同的中低频等效电路模型结构、储能电池充放电循环回路中不同环境温度及不同电池电量SOC下的阻抗谱输入至训练好的预设参数辨识模型中得到的历史不同的中低频等效电路模型结构参数；将当前温度参数、当前电池电量SOC参数及当前中低频等效电路模型结构参数输入至训练好的神经网络模型可以确定当前的储能电池SoH。
本发明通过阻抗谱外特性数据，并基于阻抗谱外特性数据构建全频段等效电路模型结构，提取全频等效电路模型结构中的中低频等效电路模型结构；基于中低频等效电路模型结构、阻抗谱结合预设参数辨识模型确定中低频等效电路模型参数；将中低频等效电路模型参数、当前环境温度参数及当前电池电量SOC参数输入至神经网络模型确定储能电池SoH，如此实现了精确预测储能电池SoH，预测速度较快。
可选的，在上述实施例的基础上，进一步优化，图2是本发明实施例提供的另一种储能电池SoH检测方法的流程图，如图2所示，该方法包括以下步骤：
S210、确定当前环境温度及当前电池电量SOC下的阻抗谱。
其中，本实施例中可以基于阻抗谱激发电路确定阻抗谱；具体的，设置阻抗谱激发电路输出不同频率的激发信号；图3是本发明实施例提供的额阻抗谱激发电路的结构示意图，如图3所示，阻抗谱激发电路包括预设个数移位寄存器K及异或门G；当阻抗谱激发电路输入固定的时钟信号，通过改变移位寄存器K的个数，从而使得该电路输出不同频率的激发信号；在不同频率的激发信号下，获取当前环境温度及当前电池电量SOC下的待测储能电池的电流值及电压值；根据不同频率的激发信号、当前环境温度及当前电池电量SOC下的待测储能电池的电流值及电压值确定当前环境温度及当前电池电量SOC下的阻抗谱。由于阻抗谱激发电路结构简单，基于阻抗谱激发电路确定阻抗谱的速度较快，同时利用该电路可广泛适用于不同的应用场景。
S220、对阻抗谱做预处理得到复数域阻抗谱。
具体的，对当前环境温度及当前电池电量SOC下得到阻抗谱上各频率w下的各电流值及各电压值进行傅里叶变换分别得到V(jw)及I(jw)，对应得到傅里叶变化后的电池阻抗Z(jw)为：
并根据V(jw)及I(jw)确定电池阻抗Z(jw)的幅值|Z(jw)|及相位θz(jw)分别为：
θz(jw)＝θV(jw)-θi(jw)
由此电池阻抗Z(jw)可具体定义为：Z(jw)＝Z(jw)Re+jZ(jw)Im；
Z(jw)Re＝|Z(jw)|cosθz(jw)
Z(jw)Im＝｜Z(jw)｜sinθz(jw)
以上述电池阻抗的实部Z(jw)Re作为横坐标，以电池阻抗的虚部Z(jw)Im作为纵坐标可以得到复数域阻抗谱。
S230、根据复数域阻抗谱构建全频等效电路模型结构。
其中，图4是本发明实施例提供的全频等效电路模型结构的结构示意图，如图4所示，根据各频率下的复数域阻抗谱l上的等效电阻变化与全频等效电路模型结构的等效阻抗变化一致，全频等效电路模型结构可以等效为高频段等效电路模型结构001、中频段等效电路模型结构002及低频段等效电路模型结构002；高频段等效电路模型结构001为由电感L、电阻r1及电阻r2与固态扩散电容CPE3并联构成的高频域的电荷传递阻抗组成；中频段等效电路模型结构002包括：第一电阻R0、第二电阻R1、第一固态扩散阻抗CPE1；低频段等效电路模型结构003包括第二固态扩散阻抗CPE2；第二电阻R1与第一固态扩散阻抗CPE1并联电连接，第一电阻R0及第二电阻R1串联电连接，第二固态扩散阻抗CPE2与第一固态扩散阻抗CPE1串联电连接；
其中，第一固态扩散阻抗CPE1的阻抗表达式为：
上述中QCPE1(jw)为第一固态扩散阻抗的等效电容值；αCPE1为第一固态扩散阻抗的弥散指数；αCPE1可调节变化；
第二固态扩散阻抗CPE2的阻抗表达式为：
上述中QCPE2(jw)为第二固态扩散阻抗的等效电容值；αCPE2为第二固态扩散阻抗的弥散指数；αCPE2可调节变化。固态扩散电容CPE3的表达式也类似。
S240、提取全频等效电路模型结构中的中低频等效电路模型结构。
其中，图5是本发明实施例提供的中低频等效电路模型结构的结构示意图，如图5所示，提取到的中低频等效电路模型结构为第一电阻R0、第二电阻R1、第一固态扩散阻抗CPE1及第二固态扩散阻抗CPE2。
S250、基于中低频等效电路模型结构、复数域阻抗谱结合非线性最小二乘回归模型确定中低频等效电路模型参数。
其中，参数辨识模型为非线性最小二乘回归模型；非线性最小二乘回归模型可适用于复数域阻抗谱；基于中低频等效电路模型结构、复数域阻抗谱结合非线性最小二乘回归模型可确定中低频等效电路模型参数分别为：第一电阻的第一阻值参数R0、第二电阻的第二阻值参数R1、第一固态扩散阻抗的第一电容参数QCPE1(jw)及第一比例参数αCPE1、第二固态扩散阻抗的第二电容参数QCPE2(jw)及第二比例参数αCPE2。
S260、提取中低频等效电路模型参数中的中低频等效电路模型关联参数。
其中，中低频等效电路模型关联参数为各中低频等效电路模型参数与储能电池SoH参数之间发展趋势的相似或相异程度衡量因素间关联程度较高的参数；提取中低频等效电路模型关联参数的方法为：获取历史中低频等效电路模型参数；根据历史中低频等效电路模型参数与各先验储能电池SoH参数进行关联性处理以得到中低频等效电路模型关联参数。历史中低频等效电路模型参数与各先验储能电池SoH参数进行关联性程度可以以关联系数表征；关联系数ξi(k)为：
式子中，x0(k)为历史各环境温度、各电池电量下的储能电池SoH参数参考序列，xi(k)为历史各环境温度、各电池电量下的各中低频等效电路模型参数比较序列；minimixk|x0(k)-xi(k)|表示两序列最小绝对值，maximaxk|x0(k)-xi(k)|表示两序列最大绝对值，ρ为分辨系数，通常取0.5。
考虑到储能电池在实际工作中包括若干次充放电循环次数，关联度ri进一步计算如下：
式中，n表示储能电池的充放电循环次数。在充放电循环，若两个参数同步变化程度越高，ri越接近1。经过计算，历史电池电量下的各中低频等效电路模型参数中关联度较高的参数为第一固态扩散阻抗的第一电容参数QCPE1(jw)、第二固态扩散阻抗的第二电容参数QCPE2(jw)及第二比例参数αCPE2，故提取到的中低频等效电路模型关联参数为第一固态扩散阻抗的第一电容参数QCPE1(jw)、第二固态扩散阻抗的第二电容参数QCPE2(jw)及第二比例参数αCPE2。
S270、将中低频等效电路模型关联参数、当前温度参数及当前电池电量SOC参数输入至神经网络模型确定储能电池SoH。
其中，神经网络模型包括门控循环单元神经网络；在确定当前储能电池SoH之前，首先确定训练好的门控循环单元神经网络模型，门控循环单元神经网络模型可包括输入层、GRU层、全连接层及输出层；GRU层内各神经元可进行如下计算：
式子中，Xt为输入向量特征，Zt和rt表示t时刻的更新门和重置门，Wz、Wr、Wh分别为输入向量权重矩阵，为t时刻备选的更新信息；
为了预测当前循环的储能电池SoH，采用全连接层将隐藏状态转换为预期输出为：
SoH＝Wht+b
上式中，W和b是全连接层的权重和偏差，SoH为当前循环的储能电池的健康状态；
然后根据中低频等效电路模型关联参数、当前环境温度参数及当前电池电量SOC参数构成出当前循环i下的储能电池健康特征Xi＝[QCPE1i，αCPE2i，QCPE2i,Ti,soc,],其中健康特征分别为：第一电容参数QCPE1(jw)、第二电容参数QCPE2(jw)、第二比例参数αCPE2、当前环境温度及当前电池电量SOC，并将各储能电池健康特征输入至训练好的门控循环单元神经网络模型以确定当前的储能电池SoH。
本实施例，具体将对阻抗谱做预处理得到复数域阻抗谱，根据复数域阻抗谱构建全频等效电路模型结构，提取全频等效电路模型结构中的中低频等效电路模型结构，并基于中低频等效电路模型结构、复数域阻抗谱结合非线性最小二乘回归模型确定中低频等效电路模型参数，并提取中低频等效电路模型参数中的中低频等效电路模型关联参数，由于提取到中低频等效电路模型关联参数与储能电池SoH关联度高，利用中低频等效电路模型关联参数、当前温度参数及当前电池电量SOC参数输入至神经网络模型进一步实现了精确预测储能电池SoH，大大提升了预测储能电池SoH的速度。
本发明实施例所提供的储能电池SoH检测装置可执行本发明任意实施例所提供的储能电池SoH检测方法，具备执行方法相应的功能模块和有益效果。图6是本发明实施例提供的一种储能电池SoH检测装置的结构示意图，如图6所示，该装置包括：
阻抗谱确定模块10，用于确定不同环境温度及不同电池电量SOC下的阻抗谱；
电路模型构建模块20，用于根据阻抗谱构建全频等效电路模型结构；
提取模块30，用于提取全频等效电路模型结构中的中低频等效电路模型结构；
电路模型参数确定模块40，用于基于中低频等效电路模型结构、阻抗谱结合预设确定的参数辨识模型确定中低频等效电路模型参数；
储能电池SoH确定模块50，用于将中低频等效电路模型参数、当前环境温度参数及当前电池电量SOC参数输入至神经网络模型确定储能电池SoH。
图7为本发明实施例提供的一种电子设备的结构示意图，如图7所示，该设备包括处理器70、存储器71、输入装置72和输出装置73；设备中处理器70的数量可以是一个或多个，图7中以一个处理器70为例；设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接，图7中以通过总线连接为例。
存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的储能电池SoH检测方法对应的程序指令/模块。处理器70通过运行存储在存储器71中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的储能电池SoH检测方法。
存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器71可进一步包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种储能电池SoH检测方法，该方法包括：
确定不同环境温度及不同电池电量SOC下的阻抗谱；
根据所述阻抗谱构建全频等效电路模型结构；
提取所述全频等效电路模型结构中的中低频等效电路模型结构；
基于所述中低频等效电路模型结构、所述阻抗谱结合预设参数辨识模型确定中低频等效电路模型参数；
将所述中低频等效电路模型参数、当前温度参数及当前电池电量SOC参数输入至神经网络模型确定储能电池SoH。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的储能电池SoH检测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种储能电池SoH检测方法，其特征在于，包括:
确定当前环境温度及当前电池电量SOC下的阻抗谱；
根据所述阻抗谱构建全频等效电路模型结构；
提取所述全频等效电路模型结构中的中低频等效电路模型结构；
基于所述中低频等效电路模型结构、所述阻抗谱结合预设参数辨识模型确定中低频等效电路模型参数；
将所述中低频等效电路模型参数、当前环境温度参数及当前电池电量SOC参数输入至神经网络模型确定储能电池SoH；
确定当前环境温度及当前电池电量SOC下的阻抗谱，包括：
设置阻抗谱激发电路输出不同频率的激发信号；其中，所述阻抗谱激发电路包括预设个数移位寄存器及异或门；
在不同频率的所述激发信号下，获取当前环境温度及当前电池电量SOC下的待测储能电池的电流值及电压值；
根据不同频率的所述激发信号、当前环境温度及当前电池电量SOC下的待测储能电池的所述电流值及所述电压值确定当前环境温度及当前电池电量SOC下的阻抗谱；
所述参数辨识模型为非线性最小二乘回归模型；
所述储能电池SoH检测方法还包括：
对所述阻抗谱做预处理得到复数域阻抗谱；
根据所述阻抗谱构建全频等效电路模型结构，包括：
根据所述复数域阻抗谱构建全频等效电路模型结构，
基于所述中低频等效电路模型结构、所述阻抗谱结合预设参数辨识模型确定中低频等效电路模型参数，包括：
基于所述中低频等效电路模型结构、所述复数域阻抗谱结合所述非线性最小二乘回归模型确定中低频等效电路模型参数；
还包括:
提取中低频等效电路模型参数中的中低频等效电路模型关联参数；
将所述中低频等效电路模型参数、当前环境温度参数及当前电池电量SOC参数输入至神经网络模型确定储能电池SoH，包括：
将所述中低频等效电路模型关联参数、当前环境温度参数及当前电池电量SOC参数输入至神经网络模型确定储能电池SoH；
所述中低频等效电路模型结构包括：第一电阻、第二电阻、第一固态扩散阻抗及第二固态扩散阻抗；
基于所述中低频等效电路模型结构、所述阻抗谱结合预设参数辨识模型确定中低频等效电路模型参数，包括：
基于所述中低频等效电路模型结构、所述复数域阻抗谱结合预设参数辨识模型确定所述第一电阻的第一阻值参数、所述第二电阻的第二阻值参数、所述第一固态扩散阻抗的第一电容参数及第一比例参数、所述第二固态扩散阻抗的第二电容参数及第二比例参数。
2.根据权利要求1所述的储能电池SoH检测方法，其特征在于，所述第二电阻与所述第一固态扩散阻抗并联电连接，所述第一电阻及第二电阻串联电连接，所述第二固态扩散阻抗与所述第一固态扩散阻抗串联电连接。
3.根据权利要求2所述的储能电池SoH检测方法，其特征在于，提取中低频等效电路模型参数中的中低频等效电路模型关联参数，包括：
提取所述第一电阻的第一阻值参数、所述第二电阻的第二阻值参数、所述第一固态扩散阻抗的第一电容参数及第一比例参数、所述第二固态扩散阻抗的第二电容参数及第二比例参数中的所述第一固态扩散阻抗的第一电容参数及第一比例参数、所述第二固态扩散阻抗的第二电容参数。
4.根据权利要求1所述的储能电池SoH检测方法，其特征在于，所述神经网络模型包括门控循环单元神经网络；
所述储能电池SoH检测方法，还包括：
根据历史中低频等效电路模型参数、不同环境温度参数及不同电池电量SOC参数确定所述门控循环单元神经网络模型。
5.一种储能电池SoH检测装置，采用如权利要求1-4任一项所述的储能电池SoH检测方法进行控制，其特征在于，包括:
阻抗谱确定模块，用于确定当前环境温度及当前电池电量SOC下的阻抗谱；
电路模型构建模块，用于根据所述阻抗谱构建全频等效电路模型结构；
提取模块，用于提取所述全频等效电路模型结构中的中低频等效电路模型结构；
电路模型参数确定模块，用于基于所述中低频等效电路模型结构、所述阻抗谱结合预设确定的参数辨识模型确定中低频等效电路模型参数；
储能电池SoH确定模块，用于将所述中低频等效电路模型参数、当前环境温度参数及当前电池电量SOC参数输入至神经网络模型确定储能电池SoH。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的储能电池SoH检测方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-4中任一项所述的储能电池SoH检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211418842.XA CN115856690B (zh) | 2022-11-14 | 2022-11-14 | 一种储能电池SoH检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211418842.XA CN115856690B (zh) | 2022-11-14 | 2022-11-14 | 一种储能电池SoH检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115856690A CN115856690A (zh) | 2023-03-28 |
| CN115856690B true CN115856690B (zh) | 2025-01-28 |
Family
ID=85663320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211418842.XA Active CN115856690B (zh) | 2022-11-14 | 2022-11-14 | 一种储能电池SoH检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115856690B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109143108A (zh) * | 2018-07-25 | 2019-01-04 | 合肥工业大学 | 一种基于电化学阻抗谱的锂离子电池soh的估计方法 |
| CN113884935A (zh) * | 2021-11-02 | 2022-01-04 | 桂林电子科技大学 | 基于锂电池在线电化学阻抗谱测量的soh估算系统和方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100395516B1 (ko) * | 1998-11-19 | 2003-12-18 | 금호석유화학 주식회사 | 비선형등가회로모형을이용한축전장치의특성인자수치화방법및장치 |
| CN109765496A (zh) * | 2018-12-20 | 2019-05-17 | 西安交通大学 | 一种基于在线电化学阻抗谱测量的电池健康状态估计方法 |
| WO2021040146A1 (en) * | 2019-08-27 | 2021-03-04 | Samsung Electronics Co., Ltd. | Method and system for determining health parameter of a battery |
| CN111610452B (zh) * | 2020-06-04 | 2023-02-03 | 上海理工大学 | 一种基于电化学阻抗谱低频区域的锂离子电池端电压估计 |
| CN114091279A (zh) * | 2021-11-26 | 2022-02-25 | 广东电网有限责任公司 | 锂电池等效电路模型的辨识方法、系统、计算设备和介质 |
| CN115032540B (zh) * | 2022-04-02 | 2024-09-20 | 中国人民解放军国防科技大学 | 锂离子电池健康状态估计方法、装置、设备及介质 |
-
2022
- 2022-11-14 CN CN202211418842.XA patent/CN115856690B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109143108A (zh) * | 2018-07-25 | 2019-01-04 | 合肥工业大学 | 一种基于电化学阻抗谱的锂离子电池soh的估计方法 |
| CN113884935A (zh) * | 2021-11-02 | 2022-01-04 | 桂林电子科技大学 | 基于锂电池在线电化学阻抗谱测量的soh估算系统和方法 |
Non-Patent Citations (1)
| Title |
|---|
| An improvement of equivalent circuit model for state of health estimation of lithium-ion batteries based on mid-frequency and low-frequency electrochemical impedance spectroscopy;Chun Chang等;measurement;20220815;第3.2-4.3节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115856690A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113064093B (zh) | 储能电池荷电状态与健康状态联合估算方法及系统 | |
| CN111157897B (zh) | 评估动力电池的方法、装置、存储介质及处理器 | |
| Feng et al. | State of health estimation of large-cycle lithium-ion batteries based on error compensation of autoregressive model | |
| Zhang et al. | Data-driven state of health estimation in retired battery based on low and medium-frequency electrochemical impedance spectroscopy | |
| Chen et al. | State of health estimation for lithium-ion battery based on particle swarm optimization algorithm and extreme learning machine | |
| CN113447828A (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
| Huang et al. | State of health estimation of lithium-ion batteries based on fine-tuning or rebuilding transfer learning strategies combined with new features mining | |
| CN109901072B (zh) | 基于历史数据与实验室测试数据的退役电池参数检测方法 | |
| Tang et al. | Battery state of health estimation under dynamic operations with physics-driven deep learning | |
| CN117233636A (zh) | 锂电池的健康状态确定方法、装置、设备和存储介质 | |
| Ardeshiri et al. | Gated recurrent unit least-squares generative adversarial network for battery cycle life prediction | |
| Sun et al. | State of health estimation for lithium-ion batteries based on current interrupt method and genetic algorithm optimized back propagation neural network | |
| CN117930063A (zh) | 基于电化学阻抗谱与drt预测退役电池健康状态的方法 | |
| Yang et al. | State of health estimation based on GAN-LSTM-TL for lithium-ion batteries | |
| Zhang et al. | SOH estimation and RUL prediction of lithium batteries based on multidomain feature fusion and CatBoost model | |
| CN115575841A (zh) | 基于电化学阻抗谱的退役电池健康状态评估方法及系统 | |
| CN116125279A (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
| CN115856690B (zh) | 一种储能电池SoH检测方法、装置、设备及存储介质 | |
| Yu et al. | Research on rapid extraction of internal resistance of lithium battery based on short-time transient response | |
| Hu et al. | Health factor analysis and remaining useful life prediction for batteries based on a cross-cycle health factor clustering framework | |
| CN111337833B (zh) | 一种基于动态时变权重的锂电池容量集成预测方法 | |
| Liu et al. | An Ultrasonic Wave-Based Method for Efficient State-of-Health Estimation of Li-Ion Batteries | |
| CN115267586A (zh) | 锂电池soh评估方法 | |
| Zhang et al. | State-of-charge estimation for lithium primary batteries: Methods and verification | |
| Li et al. | Core temperature estimation method of lithium-ion battery based on an improved recurrent neural network algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |