一種基于電池健康狀態的新能源電站智能充放電控制方法與流程

本技術涉及新能源電力，特別涉及一種基于電池健康狀態的新能源電站智能充放電控制方法。

背景技術：

1、隨著全球新能源產業的蓬勃發展，電動汽車和電儲能得到廣泛應用。動力電池和儲能電池的健康狀態監測和壽命預測成為業界關注的重點，對電池管理系統bms提出了更高要求。

2、授權公告號為cn117674369b的中國專利公開了一種新能源儲能電池組充放電安全管理系統，涉及智能能源管理技術領域，該系統通過響應時間調控，預防了不同充電樁區域電池組響應不一致的問題，確保電池組協同工作，降低了性能下降和安全隱患的風險。電池組衰退調控延長了電池組的使用壽命，降低了因電池老化引起的安全風險。實時負荷調控避免了電池組在高負荷狀態下運行，減少了過載風險。環境調控通過智能監測，降低了電池組在極端環境下的工作風險。這些調控策略不僅使系統能夠及時響應潛在風險，還通過優化電池組的運行狀態，提高了其整體安全性和可靠性。系統的智能管理和及時干預，有效保護了電池組免受損害，為新能源儲能電池組的安全運行提供了全面的解決方案。

3、現有技術未考慮電池單體之間在容量、內阻等特性參數上存在差異，電池狀態差異導致電池組性能不均衡問題，難以最大化電池組使用壽命。

技術實現思路

1、本技術旨在至少在一定程度上解決相關技術中的技術問題之一。為此，本技術的一個目的在于提出一種基于電池健康狀態的新能源電站智能充放電控制方法，實現了新能源電站的電池智能充放電控制。

2、本技術的一個方面提供了一種基于電池健康狀態的新能源電站智能充放電控制方法，包括：

3、步驟s100：收集不同類型、不同使用階段的電池的儲能數據，所述儲能數據包括容量、內阻、自放電率和循環次數，訓練電池健康狀態評估模型，以電池的儲能數據作為輸入數據，輸出soh值；

4、步驟s200：收集電池在充放電循環過程中的soh值、充放電倍率、溫度和放電深度，構建電池訓練樣本用于訓練電池壽命預測模型，基于訓練好的電池壽命預測模型預測電池的剩余循環壽命；

5、步驟s300：定義優化目標和約束條件，所述優化目標包括最小化電池組容量衰減速率、最小化電池組的soh差異、最小化電池組剩余循環壽命標準差和最大化電池組能量利用率，建立優化模型，求解得到最優的均衡充放電策略；

6、步驟s400：執行均衡充放電策略并實時預測每個電池的soh值，計算當前電池組的soh差異，當soh差異大于預設的差異閾值時，觸發下一輪均衡充放電策略的優化；

7、步驟s500：將soh值小于退役閾值的電池列為退役電池，對每個退役電池進行靜置和充放電實驗測試，計算每個退役電池的可用容量百分比，為其匹配梯次利用場景；

8、所述收集不同類型、不同使用階段的電池的儲能數據，所述儲能數據包括容量、內阻、自放電率和循環次數，訓練電池健康狀態評估模型，以電池的儲能數據作為輸入數據，輸出soh值的具體方法為：

9、步驟s110：應用多參數融合卡爾曼濾波算法，計算電池的容量和內阻；

10、步驟s120：在電池靜置下測得電池的自放電率，讀取bms記錄的循環次數；

11、步驟s130：將容量、內阻、自放電率和循環次數整合為電池的儲能數據，收集不同類型、不同使用階段的電池的儲能數據，并對對應的儲能數據標記其soh值，所述soh值作為健康狀態標簽，構建訓練樣本，每個訓練樣本包括電池的儲能數據和對應的soh值；

12、步驟s140：選擇高斯核作為核函數，構建svm回歸模型，所述svm回歸模型的表達式為：，且svm回歸模型滿足，其中，w為權重向量，為偏置項，為將映射到高維特征空間的函數，為容忍誤差，表示以為輸入數據預測的soh值；

13、步驟s150：引入松弛變量和，構建目標函數和約束條件，所述目標函數包括權重向量w的l2范數最小化目標函數和預測的soh值與真實的soh值之間的誤差懲罰函數；

14、步驟s160：將目標函數轉化為對偶問題；

15、步驟s170：將訓練樣本輸入svm回歸模型，求解該對偶問題，得到拉格朗日乘子的最優解和、偏置項的最優解，根據最優解得到最終的svm回歸模型；

16、步驟s180：采用均方誤差作為svm回歸模型的損失函數，優化模型參數，得到最終的電池健康狀態評估模型，利用訓練好的電池健康狀態評估模型預測電池的soh值；

17、所述應用多參數融合卡爾曼濾波算法，計算電池的容量和內阻的具體方法為：

18、步驟s111：選擇電池的容量和內阻作為狀態變量，構建狀態向量；

19、所述狀態向量為，其中，為k時刻電池的容量，為k時刻電池的內阻；

20、步驟s112：基于狀態向量建立狀態方程，建立觀測量和狀態向量之間的觀測變量方程，所述觀測量采用電池的端口電壓和溫度，所述觀測變量方程包括端口電壓觀測方程和溫度觀測方程；

21、所述狀態方程的方程式為：，其中，a為狀態轉移矩陣，b為輸入矩陣，為k-1時刻的狀態向量，為充放電電流，為過程噪聲；

22、所述端口電壓觀測方程的方程式為：，其中，為開路電壓函數，為k時刻的充放電電流，當充電時為正，放電時為負，為端口電壓；

23、所述溫度觀測方程的方程式為：，其中，為電池的溫度，為環境溫度，為溫升系數；

24、步驟s113：給定初始狀態估計值和誤差協方差矩陣；

25、步驟s114：讀取bms采集的充放電電流和觀測量，對于每次采樣的k時刻，根據狀態方程得到k時刻預測的狀態向量，所述預測的狀態向量包括預測的容量和預測的內阻；

26、步驟s115：利用k-1時刻的狀態轉移矩陣和誤差協方差矩陣，預測k時刻的誤差協方差矩陣；

27、步驟s116：基于電池的最大容量和充放電電流，分別計算端口電壓觀測方程的雅可比矩陣和溫度觀測方程的雅可比矩陣，根據雅可比矩陣計算卡爾曼增益矩陣；

28、步驟s117：利用觀測量和卡爾曼增益矩陣對預測的狀態向量進行修正，計算得到當前k時刻的狀態向量，并得到更新后k時刻的誤差協方差矩陣；

29、步驟s118：輸出計算得到的k時刻的狀態向量，得到k時刻電池的容量和內阻；

30、所述收集電池在充放電循環過程中的soh值、充放電倍率、溫度和放電深度，構建電池訓練樣本用于訓練電池壽命預測模型，基于訓練好的電池壽命預測模型預測電池的剩余循環壽命的具體方法為：

31、步驟s210：對電池進行完整的充放電循環，直到其容量下降到電池退役標準值，記錄從開始到電池實際退役的循環次數，該循環次數作為對應電池的剩余循環壽命；

32、步驟s220：在電池充放電循環過程中，每發生一次充放電循環，記錄循環結束時刻電池的soh值、充放電倍率、溫度和放電深度，所述充放電倍率為充放電電流與電池額定容量的比值，所述溫度通過溫度傳感器進行收集，所述放電深度為電池放電容量和電池額定容量的比值；

33、步驟s230：將歷史時間電池的soh值、充放電倍率、溫度和放電深度按照時間順序排列得到soh序列、充放電倍率序列、溫度序列和放電深度序列；

34、步驟s240：預設時間步長度la，采用滑動窗口方法在soh序列、充放電倍率序列、溫度序列和放電深度序列上分別獲取電池訓練樣本的輸入序列；

35、步驟s250：對于每個輸入序列，其對應的樣本標簽為當前時間窗口末端時刻起至電池實際退役的剩余循環壽命，基于輸入序列和對應的剩余循環壽命，構建電池訓練樣本；

36、步驟s260：將lstm模型作為訓練電池壽命預測模型的初始模型，將輸入序列作為輸入數據，對應的剩余循環壽命作為輸出數據，利用電池訓練樣本對lstm模型進行訓練，損失函數為預測的剩余循環壽命與真實的剩余循環壽命之間的均方誤差，以最小化損失函數的值作為訓練目標，當損失函數達到收斂時，訓練完成；

37、步驟s270：利用訓練好的電池壽命預測模型預測當前電池的剩余循環壽命；

38、所述優化目標的具體定義方法為：

39、步驟s310：根據電池循環次數、soh值、充放電倍率和溫度，計算電池的容量衰減速率，根據每個電池的容量和容量衰減速率，計算電池組容量衰減速率；

40、所述電池的容量衰減速率的計算公式為：，其中，表示第h個電池在當前時刻k的容量衰減速率，表示第h個電池在當前時刻k的循環次數，表示第h個電池在當前時刻k的soh值，表示第h個電池在當前時刻k的充放電倍率，表示第h個電池在當前時刻k的溫度，、、、、為第h個電池的擬合系數；

41、所述電池組容量衰減速率的計算公式為：，其中，表示電池組在當前時刻k的容量衰減速率，為電池組中電池的個數，表示第h個電池在當前時刻k的容量；

42、步驟s320：以最小化電池組容量衰減速率為第一優化目標，得到第一優化目標函數；

43、所述第一優化目標函數的函數表達式為：，其中，和分別為優化時域的起止時刻；

44、步驟s330：根據電池的soh值計算電池組的soh差異，以最小化電池組的soh差異為第二優化目標，得到第二優化目標函數；

45、所述soh差異的計算公式為：，其中，為電池組soh均值；

46、所述第二優化目標函數的函數表達式為：；

47、步驟s340：根據電池的剩余循環壽命計算電池組剩余循環壽命標準差，以最小化電池組剩余循環壽命標準差作為第三優化目標，得到第三優化目標函數；

48、所述電池組剩余循環壽命標準差的計算公式為：，其中，表示在當前時刻k的電池組剩余循環壽命標準差，為第h個電池在當前時刻k的剩余循環壽命，表示在當前時刻k電池組的剩余循環壽命均值；

49、所述電池組的剩余循環壽命均值的計算公式為：；

50、所述第三優化目標函數的函數表達式為：；

51、步驟s350：根據電池的標稱容量、允許的最高充電電壓和最低放電電壓計算電池在額定條件下的最大可用能量，根據電池的充放電功率和電池在額定條件下的最大可用能量計算電池在優化時域內的能量利用率，得到電池組能量利用率，以最大化電池組能量利用率作為第四優化目標，得到第四優化目標函數；

52、所述電池在額定條件下的最大可用能量的計算公式為：，其中，、、分別為第h個電池的標稱容量、允許的最高充電電壓和最低放電電壓；

53、所述電池在優化時域內的能量利用率的計算公式為：，其中，為第h個電池在當前時刻k的充放電功率；

54、所述電池組能量利用率的計算公式為：；

55、所述第四優化目標函數的計算公式為：；

56、所述約束條件的具體定義方法為：

57、步驟s360：將電池在優化時域內的充放電功率作為決策變量，將第一優化目標函數、第二優化目標函數、第三優化目標函數、第四優化目標函數整合為優化目標，定義約束條件包括充放電功率上下限約束、荷電狀態范圍約束、總功率平衡約束，建立優化模型；

58、所述約束條件具體包括：所述充放電功率上下限約束的表達式為：，其中，和分別表示當前soh值允許的最小充放電功率和最大充放電功率，nh為電池總數；所述荷電狀態范圍約束的表達式為：，其中，、分別表示最小荷電狀態值和最大荷電狀態值，表示第h個電池在時刻k的荷電狀態值；所述荷電狀態值根據充放電電流和容量，基于微分方程求解得到，所述微分方程為：，其中，為第h個電池在時刻k的端口電壓，為第h個電池在時刻k的充放電電流，為第h個電池在時刻k的容量；所述總功率平衡約束的表達式為：，其中，為外部負載功率需求，正值表示放電，負值表示充電；

59、所述求解得到最優的均衡充放電策略的具體方法為：

60、步驟s370：采用改進的非支配排序遺傳算法對優化目標進行求解，得到pareto最優解集，其中每個最優解包含電池在優化時域內每個時刻的充放電功率的時間序列；

61、步驟s380：從pareto最優解集中選擇一個最優解作為當前的均衡充放電策略；

62、所述執行均衡充放電策略并實時預測每個電池的soh值，計算當前電池組的soh差異，當soh差異大于預設的差異閾值時，觸發下一輪均衡充放電策略的優化的具體方法為：

63、步驟s410：執行均衡充放電策略，通過bms實時監測電池的端口電壓、充放電電流、溫度、自放電率和循環次數，預測得到每個電池的soh值，并計算電池組的soh差異；

64、步驟s420：預設差異閾值，當soh差異大于預設的差異閾值時，觸發下一輪均衡充放電策略的優化，基于更新的soh值和電池的剩余循環壽命，生成新的最優的均衡充放電策略；

65、所述將soh值小于退役閾值的電池列為退役電池，對每個退役電池進行靜置和充放電實驗測試，計算每個退役電池的可用容量百分比，為其匹配梯次利用場景的具體方法為：

66、步驟s510：預設電池的退役閾值，比較每個電池的soh值與退役閾值的大小，將soh值小于退役閾值的電池列為退役電池，取出退役電池；

67、步驟s520：對退役電池進行72h靜置自放電實驗，分別測量0h和72h的電池端口電壓、，計算電壓降幅；

68、步驟s530：對退役電池進行充放電實驗測試，記錄退役電池的放電容量；

69、步驟s540：基于退役電池的放電容量和額定容量的比值，計算退役電池的放電深度；

70、步驟s550：所述梯次利用場景包括家庭備用電源場景、低速電動車場景、不間斷電源場景，當放電深度＞0.8且電壓降幅時，將退役電池分配至家庭備用電源場景，當且電壓降幅時，將退役電池分配至低速電動車場景，當且電壓降幅時，將退役電池分配至不間斷電源場景；其余退役電池進行回收處理。

71、本技術的一個方面提供了一種基于電池健康狀態的新能源電站智能充放電控制裝置，包括：

72、電池健康預測模塊，用于收集不同類型、不同使用階段的電池的儲能數據，所述儲能數據包括容量、內阻、自放電率和循環次數，訓練電池健康狀態評估模型，以電池的儲能數據作為輸入數據，輸出soh值；

73、剩余壽命預測模塊，用于收集電池在充放電循環過程中的soh值、充放電倍率、溫度和放電深度，構建電池訓練樣本用于訓練電池壽命預測模型，基于訓練好的電池壽命預測模型預測電池的剩余循環壽命；

74、均衡策略優化模塊，用于定義優化目標和約束條件，所述優化目標包括最小化電池組容量衰減速率、最小化電池組的soh差異、最小化電池組剩余循環壽命標準差和最大化電池組能量利用率，建立優化模型，求解得到最優的均衡充放電策略；

75、策略優化觸發模塊，用于執行均衡充放電策略并實時預測每個電池的soh值，計算當前電池組的soh差異，當soh差異大于預設的差異閾值時，觸發下一輪均衡充放電策略的優化；

76、退役電池處理模塊，用于將soh值小于退役閾值的電池列為退役電池，對每個退役電池進行靜置和充放電實驗測試，計算每個退役電池的可用容量百分比，為其匹配梯次利用場景。

77、本技術的一個方面提供了一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時，以實現一種基于電池健康狀態的新能源電站智能充放電控制方法中的步驟。

78、本技術的一個方面提供了一種可讀存儲介質，所述可讀存儲介質存儲有計算機程序，所述計算機程序適于處理器進行加載，以執行一種基于電池健康狀態的新能源電站智能充放電控制方法中的步驟。

79、本技術提出的一種基于電池健康狀態的新能源電站智能充放電控制方法相對于現有技術，具備以下優點：

80、本技術創新采用了多參數融合卡爾曼濾波算法計算電池的容量和內阻，提高了容量和內阻估計的精度，采用了svm回歸模型訓練電池健康狀態評估模型，引入了松弛變量和核函數，提高了soh預測的準確性。

81、本技術采用了lstm模型訓練電池壽命預測模型，可以有效捕捉電池狀態隨時間變化的特征，預測電池的剩余循環壽命。

82、本技術提出了最小化電池組容量衰減速率、最小化電池組soh差異、最小化電池組剩余循環壽命標準差和最大化電池組能量利用率的多目標優化模型，通過均衡充放電策略的優化，可以延緩電池組的老化，減小電池之間的soh和壽命差異，提高電池組能量利用效率。

83、本技術引入了soh差異閾值，當soh差異超過閾值時觸發均衡充放電策略的重新優化，實現了策略的自適應更新。

84、本技術提出了基于電壓降幅和放電深度的退役電池分類方法，可匹配至家庭備用電源、低速電動車、不間斷電源等不同梯次利用場景，實現了電池全生命周期管理。