首页 > 资讯 > 一种基于深度学习结合EIS数据的储能电池健康状态估计方法与估计系统与流程

一种基于深度学习结合EIS数据的储能电池健康状态估计方法与估计系统与流程

泰然健康网
2025-11-07 07:12

本发明属于电池健康状态估计，具体涉及一种基于深度学习结合eis数据的储能电池健康状态估计方法与估计系统。

背景技术：

1、锂离子电池的需求和使用日益增加，它提供了强大的性能，能量高，功率密集，容量大，对安全等级提出严格的要求与性能监控。从便携式能源储存到应用于电力运输，大规模智能电网和可再生电池储能系统(battery energy storage system，bes)，达到电池制造的新里程碑。因此，随着电池的功率和能量的等级的迅速增长，更加复杂的电池健康状态(state of health，soh)估计方法是必要的，以提供储能电池更加可靠的和长期的在正常标准内运行并提高未来的价值。电池健康状态(soh)的常规间接估计方法是基于容量衰减随时间区域和内部直流电阻相应变化的分析方法，电池充电状态(state of charge，soc)估计是基于电压特性和库仑计数法。其他常规直接估计方法如降解电池电极等方法通过显微镜可直接观察到原子水平和结构的恶化，准确的证明了电池的性能和老化。然而，这种方法是不可接受，因为这是一种破坏性的检查。此外，还有一些基于数据驱动的间接对电池健康状态(soh)进行估计的方法，包括采用lstm、cnn等深度学习算法建立预测模型，这种方法对数据量要求巨大且对模型部署的硬件配置要求较高，不具有普适性。为改善上述问题，本文提出了一种基于深度学习结合电化学阻抗谱(electrochemical impedancespectroscopy，eis)数据的储能电池健康状态估计方法。

2、现有技术1公开了电池健康评估方法、装置、电子设备及可读存储介质(cn116338470a)，包括响应于接收的电流脉冲信号，获取电流脉冲信号在目标电池中产生的电压变化值和电化学阻抗变化值；根据电压变化值和电化学阻抗变化值，确定目标电池的健康度，但是该现有技术1存在的不足是仅使用了电压、电流和eis三个特征变量，导致对于储能电池健康状态估计的精度较低。

3、现有技术2公开了一种基于深度学习的储能电池健康状态在线评估方法及系统(cn115980611a)，包括：获取储能电池实际运行过程中的实际运行数据；将所述储能电池实际运行过程中的实际运行数据输入预训练好的用于储能电池soh估算的长短期记忆网络lstm，获得储能电池的soh估算值，但是该现有技术2存在的不足是输入的特征变量仅有电池运行数据，特征变量较少，电池soh预测结果不准确。

4、现有技术3公开了一种基于transformer的储能电池寿命预测算法(cn115267575a)，利用机器学习的方法对电池soh的进行预测；从储能设备采集的长周期数据的情况下，从储能电池的额定信息和状态监测数据(电压、电流、温度、soc等)挖掘其中隐含的电池健康状态信息及其演变规律，实现电池soh预测；通过实时监控储能设备储能电池数据，建立基于时间序列的流式数据形式的电池自身及储能设备状态数据表，基于transformer算法，通过对当前soh和未来soh建模分析，验证了该算法对储能电池寿命预测的可靠性和准确度。但是该现有技术3存在的不足是输入的特征变量仅有电池运行数据，特征变量较少，电池soh预测结果不准确。

技术实现思路

1、为解决现有技术中存在的不足，本发明提出了一种基于深度学习结合eis数据的储能电池健康状态估计方法与估计系统。为了克服这些挑战，本文提出了一种创新的方法，使用深度学习算法中的门控循环神经网络(gated recurrent neural network，grnn)提供快速可靠的参数估计，是为了更好地捕捉时序数据中间隔较大的依赖关系，门控循环单元(gatedrecurrent unit，gru)是一种常用的门控循环神经网络，也是循环神经网络的一种，也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。同时使用来自eis的先前数据作为误差评估的离线数据库，eis以其高精度而闻名，可直接利用电池系统的阻抗信息。

2、本发明采用如下的技术方案。

3、一种基于深度学习结合eis数据的储能电池健康状态估计方法，包括以下步骤：

4、步骤1：采集储能电池运行数据，并对采集数据预处理；

5、步骤2：基于步骤1预处理后的数据，采集储能电池的eis数据；

6、步骤3：对步骤2中采集的储能电池eis数据进行预处理；

7、步骤4：基于步骤1、步骤3中的预处理后的储能电池实时运行数据、预处理后的eis数据，构建储能电池soh预测模型训练数据集；

8、步骤5：搭建储能电池soh预测深度学习模型，并将步骤4中的储能电池soh预测模型训练数据集的储能电池eis数据输入到深度学习模型中，提取电池健康状态的特征；

9、步骤6：训练步骤5搭建的储能电池soh预测深度学习模型；

10、步骤7：对步骤6训练后的储能电池soh预测模型误差评估，当储能电池soh预测模型误差小于预设阈值时，评估通过，转入步骤8，否则，返回至上述步骤5进行优化，重复进行步骤5-7，直至模型评估通过；

11、步骤8：基于步骤7中评估通过的储能电池soh预测模型，结合提取的特征向量，对储能电池进行健康状态预测。

12、本发明具体包括以下优选方案。

13、在一种可能的实现方式中，步骤1中，储能电池运行数据包括：电流、电压和温度；

14、数据预处理包括数据清洗、归一化操作；

15、其中数据清洗包括去除异常值、插值补充。

16、在一种可能的实现方式中，步骤2中，储能电池eis数据包括：

17、溶液电阻、电荷转移电阻、扩散阻抗、双电层电容、扩散电化学阻抗、电池的相角。

18、在一种可能的实现方式中，步骤3中，储能电池eis数据预处理步骤包括：数据清洗、数据去噪、数据归一化、特征提取；

19、储能电池eis数据清洗采用自适应滤波，滤波器公式为：

20、

21、其中，xi表示输入信号的第i个样本，yn表示输出信号的第n个样本，wi表示自适应滤波器的权重系数，n表示自适应滤波器的大小。

22、在一种可能的实现方式中，步骤3中，数据去噪采用去噪自编码器，去噪自编码器的公式如下：

23、

24、其中，w和b分别表示自编码器的权重和偏置，xi表示输入数据的第i个样本，h表示自编码器的激活函数，λ表示正则化系数，m为总数。

25、在一种可能的实现方式中，步骤5中，深度学习模型为门控循环神经网络，门控循环神经网络特征提取公式为：

26、ht＝σ(wihxt+bih+rt⊙(whhht-1+bhh))

27、rt＝σ(wihxt+bir+whrht-1+bhr)

28、zt＝tanh(wizxt+biz+rt⊙(whzht-1+bhz))

29、ht＝(1-zt)⊙ht-1+zt⊙ht

30、其中，xt为输入序列，ht为输出序列，rt为重置门，zt为更新门，σ为sigmoid函数，⊙为逐元素乘积，w和b为可训练的权重和偏置项。

31、在一种可能的实现方式中，步骤5中，深度学习模型使用的激活函数为不同的激活函数进行投票集成后的激活函数，激活函数采用relu、leakyrelu和elu。

32、在一种可能的实现方式中，步骤5中，投票集成的执行步骤为：

33、(1)分别使用relu、leakyrelu和elu作为激活函数，训练三个相同架构的独立神经网络模型；

34、(2)三个独立神经网络模型生成各自预测结果；

35、(3)对于分类问题，采用多数投票方法；对于回归问题，取三个模型平均预测结果；

36、(4)分类问题中，存在平票的情况下，采取以下策略之一：

37、随机选择一个预测结果；

38、选择预测结果，其中得分较高的模型的预测结果权重较高；

39、(5)使用投票集成的结果对模型性能进行评估。

40、在一种可能的实现方式中，步骤6中，储能电池soh预测模型采用设置目标函数和自适应学习算法进行训练。

41、在一种可能的实现方式中，步骤6中，模型训练方法引入正则化方法，使用dropout来随机丢弃一部分神经元。

42、在一种可能的实现方式中，步骤6中，对储能电池soh预测模型计算损失函数，损失函数公式为：

43、

44、其中，n为总样本数量，yi为电池真实soh值，电池预测soh值。

45、在一种可能的实现方式中，步骤8中，储能电池健康状态预测公式为：

46、yt＝f(wxt+b)

47、其中，xt为特征序列，yt为输出序列，f为激活函数，w和b为可训练的权重和偏置项。

48、在一种可能的实现方式中，还包括步骤9：健康状态监控，根据步骤8储能电池健康状态预测结果，对储能电池健康状态进行实时监控，并进行异常报警。

49、储能电池健康状态估计系统，包括电池实时运行数据采集和预处理模块、电池eis数据采集模块、电池eis数据预处理模块、电池soh预测模型训练数据集构建模块、电池soh预测模型搭建模块、电池soh预测模型训练模块、电池soh预测模型误差评估模块和电池健康状态预测模块，其特征在于，

50、电池实时运行数据采集和预处理模块对储能电池实时运行数据采集和预处理；

51、电池eis数据采集模块采集储能电池的eis数据；

52、电池eis数据预处理模块对电池eis数据采集模块采集储能电池的eis数据进行预处理；

53、电池soh预测模型训练数据集构建模块负责对电池实时运行数据采集和预处理模块和电池eis数据预处理模块预处理后的储能电池实时运行数据、预处理后的eis数据，构建储能电池soh预测模型训练数据集；

54、电池soh预测模型搭建模块负责搭建储能电池soh预测深度学习模型，并将电池eis数据预处理模块预处理后的储能电池eis数据输入到深度学习模型中，提取电池健康状态的特征；

55、电池soh预测模型训练模块负责训练电池soh预测模型搭建模块搭建好的深度学习模型；

56、电池soh预测模型误差评估模块负责对电池soh预测模型训练模块训练后的储能电池soh预测模型误差评估，当储能电池soh预测模型误差小于预设阈值时，评估通过，转入电池健康状态预测模块，否则，返回至电池soh预测模型搭建模块进行优化，重复进行电池soh预测模型搭建模块、电池soh预测模型训练模块和电池soh预测模型误差评估模块，直至模型评估通过；

57、电池健康状态预测模块基于电池soh预测模型误差评估模块中评估通过的储能电池soh预测模型，结合提取的特征向量，对储能电池进行健康状态预测。

58、在一种可能的实现方式中，还包括电池健康状态监控模块，根据电池健康状态预测模块预测结果，对储能电池健康状态进行实时监控，并进行异常报警。

59、本发明与现有技术相比，其显著的有益效果为：

60、(1)本发明所使用的数据驱动方法具有更好的性能。其中，门控循环单元gru相比于其他深度学习算法具有强大的数据特征提取能力和更高的精度，具备更少的参数、更快的计算速度、更小的内存占用量；

61、(2)现有技术中储能电池soh估算间隔相对较长，周期以天为单位；本发明进一步降低计算量且更符合电池特性；

62、(3)本发明使用来自eis的先前数据作为误差评估的离线数据库，电化学阻抗谱(electrochemical impedance spectroscopy,eis)以其高精度而闻名，可直接利用电池系统的阻抗信息，使得模型预测结果更准确。