本發(fā)明涉及一種基于機理與數(shù)據(jù)融合驅動的鋰電池soc-soh聯(lián)合估計方法，屬于電力儲能。

背景技術：

1、隨著雙碳目標的不斷推進，以風電、光伏發(fā)電為代表的間歇式新能源發(fā)電在電力系統(tǒng)中的裝機比例顯著提高，電力系統(tǒng)的調頻、調峰等靈活調節(jié)需求也隨之增加。常規(guī)的抽水蓄能調節(jié)模式受地理環(huán)境的制約無法大規(guī)模建設和發(fā)展，而以鋰離子電池為代表的電化學儲能系統(tǒng)以其組態(tài)靈活、安裝方便和調節(jié)迅速等特點成為以新能源為主體的新型電力系統(tǒng)的重要調節(jié)資源。與此同時，由于鋰電池作為電化學反應系統(tǒng)其物理結構的封閉性，使其運行狀態(tài)的監(jiān)測和診斷非常困難。傳統(tǒng)的鋰電池荷電狀態(tài)估計(state?of?charge,soc)多以基于模型的方法再結合卡爾曼濾波系列算法為主，在環(huán)境依賴性方面和模型準確性等方面受限，出現(xiàn)估計精度不高、模型泛化能力不強、對初始條件敏感等問題，大多數(shù)鋰電池健康狀態(tài)估計(state?of?health,soh)采用神經(jīng)網(wǎng)絡算法，而神經(jīng)網(wǎng)絡可能不適用于其他類型或批次的電池，且作為一種“黑箱”模型，其內部決策過程難以解釋受限，出現(xiàn)模型的泛化能力和解釋性方面的問題。并且鋰電池soc及soh的單獨電池狀態(tài)估計忽略了二者之間的耦合性，使得soc和soh估計的速度和精度無法滿足實際應用的需要。特別是在一些極端事故，熱誘因，機械碰撞，不能及時的預警進而造成電池系統(tǒng)故障的蔓延和擴大，對人們的生命財產安全造成巨大傷害。因此有必要考慮鋰電池運行soc和soh之間的耦合關系，將其機理模型與數(shù)據(jù)模型相結合，開展鋰電池soc和soh的聯(lián)合估計，進一步提高鋰電池運行狀態(tài)監(jiān)測識別和診斷預警的水平。

技術實現(xiàn)思路

1、本發(fā)明目的在于針對上述現(xiàn)有技術缺陷和不足，提供一種基于機理與數(shù)據(jù)融合驅動的鋰電池soc-soh聯(lián)合估計方法，基于最小向量機-改進的無跡卡爾曼粒子濾波(lssvm-iupf)框架，利用三層iupf算法，以最優(yōu)狀態(tài)估計參數(shù)為目標，實現(xiàn)了soc-soh聯(lián)合精準估計，達到減少電池健康狀態(tài)soh和電池容量狀態(tài)soc的估計誤差的目的。

2、本發(fā)明為解決其技術問題所采用技術方案是：一種基于機理與數(shù)據(jù)融合驅動的鋰電池soc-soh聯(lián)合估計方法，包括如下步驟：

3、步驟1：分別構建鋰電池soc值和當前最大可用容量的時序的多維數(shù)據(jù)集，利用takens嵌入方法重構從初始時刻到k-1時刻的訓練數(shù)據(jù)，在相空間生成d維向量。

4、步驟2：相空間重構，將多維數(shù)據(jù)集重構出與動力系統(tǒng)相同的拓撲意義的相空間。

5、步驟3：將重構后的最小二乘支持向量機(lssvm，least?square?support?vectormachines)預測模型進行離線訓練。

6、步驟4：根據(jù)安時積分法和電池容量退化經(jīng)驗模型分別建立soc和soh估計的狀態(tài)方程；通過lssvm在線預測模型分別建立soc和soh估計的觀測方程。

7、步驟5：根據(jù)從初始時刻到k-1時刻的訓練數(shù)據(jù)訓練lssvm的離線模型，使用改進的無跡粒子濾波算法(iupf，intermediate?upf)估計在k時刻的回歸預測模型的lssvm參數(shù)。

8、步驟6：iupf算法在k時刻觀測到新的數(shù)據(jù)，系統(tǒng)使用增量式的學習方法，僅學習和更新新數(shù)據(jù)的信息，更新粒子權重，結合lssvm在線模型給出soc、soh和lssvm參數(shù)的進一步預測值。

9、步驟7：更新后的lssvm模型參數(shù)迭代到訓練數(shù)據(jù)集，以用于k+1時刻的狀態(tài)估計，從而實現(xiàn)電池soc和soh的聯(lián)合預測和數(shù)據(jù)驅動模型的在線更新。

10、其中，步驟4還包括如下步驟：

11、步驟4.1：根據(jù)安時積分法和電池容量退化經(jīng)驗模型分別建立soc和soh估計的iupf狀態(tài)方程；

12、步驟4.2：離線的lssvm訓練得到的soc和soh作為虛擬觀測值，利用lssvm回歸模型作為觀測方程。

13、進一步地，上述建立模型狀態(tài)方程的方法，基于安時積分法建立的soc估計的狀態(tài)方程離散化表示如下：

14、

15、sock為k時刻鋰電池的soc值；δtk為系統(tǒng)采樣時間；ck為k時刻的電池可用容量；ik為k時刻系統(tǒng)輸入電流。

16、進一步地，上述建立模型觀測方程的方法，基于容量衰減的經(jīng)驗模型建立容量的狀態(tài)方程的離散化表示如下：

17、ck+1＝ηcck+β1exp(-β2/δtk)+ξk

18、式中，ck為k時刻的電池可用容量；uoc,k為開路電壓；ξk為狀態(tài)噪聲；β1和β2是待確定的系數(shù)。

19、進一步地，多方法融合的soc-soh聯(lián)合估計方法，鋰離子電池健康狀態(tài)soh的定義如下：

20、

21、式中，sohk是第k時刻計算得到的soh值，cnew為電池出廠電容；ccurrent為電池當前最大可用電容。

22、進一步地，多方法融合的soc-soh聯(lián)合估計方法，lssvm觀測方程構建soc和soh的狀態(tài)方程離散化表示如下：

23、yk＝f(xk-1,sk)+ιk

24、式中，xi是狀態(tài)向量，sk是lssvm參數(shù)，lk是高斯白噪聲。

25、其中，步驟6還包括如下步驟：

26、步驟6.1：初始化n個初始狀態(tài)粒子xk；

27、步驟6.2：對每個采樣粒子應用改進的ukf算法進行權值優(yōu)化；

28、步驟6.3：計算粒子的重要性權重并進行歸一化；

29、步驟6.4：利用重采樣算法，對粒子進行復制和淘汰，并重新計算權重；

30、步驟6.5：進行相應的soc或soh的狀態(tài)估計；

31、步驟6.6：進行在線估計lssvm的參數(shù)更新。

32、一種soc-soh聯(lián)合估計模型系統(tǒng)，包括：

33、利用安時積分法和電池容量衰減的方式分別構建鋰離子電池的soc和當前容量的狀態(tài)方程，再利用iupf-lssvm框架通過迭代實現(xiàn)在線訓練數(shù)據(jù)驅動模型和電池狀態(tài)參數(shù)的進一步預測，利用最優(yōu)狀態(tài)估計模塊實現(xiàn)soc值和soh值的狀態(tài)估計。

34、進一步地，上述的soc-soh聯(lián)合估計模型系統(tǒng)，所述iupf-lssvm框架模塊，具體用于通過迭代實現(xiàn)在線訓練數(shù)據(jù)驅動模型和電池參數(shù)的進一步預測。

35、進一步地，上述的soc-soh聯(lián)合估計模型系統(tǒng)，所述最優(yōu)狀態(tài)估計模塊，輸出估計得到的soh值和soc值。

36、一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時，實現(xiàn)上文所述的基于多方法融合的soc-soh聯(lián)合估計方法。

37、一種設備(控制器/計算機設備/電子設備)，包括：存儲器，用于存儲數(shù)據(jù)；處理器，用于執(zhí)行所述算法指令，使得所述設備執(zhí)行實現(xiàn)如上文所述的一種機理與數(shù)據(jù)融合驅動的鋰電池soc-soh聯(lián)合估計方法的操作。

38、有益效果：

39、1、本發(fā)明提出了一種電池當前容量狀態(tài)soc和健康狀態(tài)soh的聯(lián)合狀態(tài)估計的模型，自主設計了lssvm-ipuf算法，克服了單一算法的估計存在精度低和收斂速度慢的問題，實現(xiàn)鋰電池soc和soh值估計更高的準確性，保證電池的穩(wěn)定運行。

40、2、本發(fā)明旨在基于多方法融合的技術理念，使鋰離子電池由于自身的可能存在的過充或者過放等問題具備荷電狀態(tài)及健康狀態(tài)的準確估算，優(yōu)化單一算法所存在的局限性，實現(xiàn)使用雙層算法來更精確地估計，使鋰離子電池的當前容量和健康狀態(tài)的估計具有更高的精確性和魯棒性，保障電力系統(tǒng)的安全、靈活運行，為鋰電池的高效利用提供技術支撐。

41、3、本發(fā)明提出的系統(tǒng)架構通過將soc值和端電壓實時更新代入soh的估計之中，以及將歐姆內阻實時更新代入soc的狀態(tài)估計，減小了多次充放電導致sei膜層加厚帶來的歐姆內阻增大的引起的soh估計誤差，實現(xiàn)信息的雙向流通，可使狀態(tài)估計在復雜的工況下，依舊具有穩(wěn)定、估算誤差小的優(yōu)點。