基于宽带激励检测的储能CTM蓄电池快速联合SOC-SOH估计方法

是储能系统安全运转的重要参数。在处理SOC和SOH均不知道的储能电池状况估量时，SOC与SOH状况给电池状况估量工作带来了巨大挑战。因此，本文首要提出了一种快速的特征检测根据双向宽频电化学阻抗谱（EIS）的检测办法可压缩检测时刻。实验成果标明，该检测办法与安培小时积分法比较，可将SOC-SOH的预算时刻减少84.82%。其次，提出了一种根据双向检测EIS的特征提取与分类办法，其间部分特征与SOC单向强相关，而另一些特征与SOH单向强相关。根据这些特性，别离树立了SOC和SOH预算模型。第三，本文提出运用原子查找优化（ASO）算法来优化反向传达（BP）神经网络参数，完成全局优化，并根据上述分类特搜集树立SOC-SOH联合估量模型。第四，在不同SOC和SOH状况下收集了295组样本数据，并运用11种算法模型对35个不同状况下的样本进行SOC-SOH联合估量成果比照。其间，ASO-BP算法模型的精度最高，SOC估量差错为2.57%，SOH估量差错为0.838%。进一步比照了各种算法在建模速度和稳定性方面的差异。估量差错的箱线图、估量效果图以及建模时刻比照标明，ASO-BP算法模型在精度、速度和稳定性方面具有杰出优势。

导言

随着新能源电力的全面发展，电化学储能新式电力系统架构中发挥着日益重要的效果，也是调节电网平衡的重要技术途径[1]。Lithium ion batteries在能量密度和循环寿数方面具有明显优势，被广泛运用于储能范畴[2]。储能电池维持健康合理运转状况的才能会影响设备运转的经济性和可靠性。在电池日常保护中，battery management system (BMS)至关重要[[3], [4], [5]]，而SOC和SOH是BMS的要害参数[6]。对它们的快速估量能够反映电池的剩下电量和可用容量，完成储能电池组的一致性监管，及时调整储能系统的运转计划，防止因电池单体状况差异过大导致过充过放，从而下降电池组全体运转功率和安全性，并延长电池的运用寿数。
作为电池管理系统BMS的要害根底，SOC和SOH的快速精确估量已受到广泛关注，而特征的检测与提取办法是完成快速估量的要害要素之一。文献[7]利用偏微分方程树立了一个伪二维电化学模型来描绘电池的动态特性，并采用电化学模型参数辨识来完成SOH猜测。但是，过于杂乱的模型计算给参数辨识带来了巨大困难。文献[8]从完好充放电循环的电流、电压和温度曲线中提取了特定特征，如电压和电流改变率、放电时刻、峰值放电温度、恒流充电容量、恒压充电容量、放电容量以及增量容量曲线对应的峰值电压。该办法经过算法模型完成了SOH估量，且其特征提取相对充沛。但是，根据完好充放电循环检测的特征提取会消耗大量时刻和能量本钱，使其更适用于具有大量历史数据的在线检测场景。关于离线检测场景，工程运用中常用的办法是安时积分法，该办法能够一起收集SOC和SOH
SOC猜测关于精确预算SOH至关重要。文献[14]中运用的开路电压法需要经过长时刻静置来获取SOC状况的开路电压值。但是，磷酸铁锂电池在20%–80% SOC范围内的开路电压处于平整区域，改变趋势并不明显。随着电池老化，内部材料二次反响物继续累积，电池将经历容量下降、内阻添加、极化效应加重以及开路电压的改变[15]。开路电压、EIS、等效电路参数等的检测特征值也会受到SOC和SOH两个维度的干扰，即电池的SOC和SOH状况彼此耦合，这给不知道状况下的SOC-SOH猜测带来了巨大困难。文献[16]提出了一种SOC-SOH联合猜测办法，该办法提取电池充放电过程中的电压、电流和时刻等信息来优化用于SOH猜测的极限学习机模型，并进一步从充放电数据集中提取特征以完成精确的SOC猜测。文献[17]经过为锂离子电池构建二阶RC等效电路模型并在线辨识参数来完成SOH猜测，并树立了一个根据“的SOC猜测模型
数据驱动办法能够防止对电池内部杂乱电化学反响的描绘。经过外部检测提取温度、电流、电压、充放电时刻、阻抗等特征，能够直接树立与SOC或SOH的模型联系[21,22]。一起，该办法也防止了选择等效模型的问题，且面向成果的建模办法提高了SOH估量的功率[[23], [24], [25]]。此类办法的研究通常集中在算法模型和特征丈量获取办法上，其间触及的算法包含门控循环单元神经网络（GRU）[26]、随机森林（RF）[27]、极限学习机（ELM）[28]、核极限学习机（KELM）[29]、双向长短期记忆神经网络（BILSTM）[30]等。文献[31]剖析了容量增量曲线，并经过RF回归完成了SOH估量。文献[32]构建了一种变遗忘因子在线序列极限学习机来估量电池健康状况（SOH）。文献[33]经过差分进化（DE）回归模型树立了等效电路模型参数与SOC之间的数学联系。反向传达（BP）神经网络[34]具有较强的非线性映射和自适应才能，被广泛运用于电池状况估量中。但是，因为其初始参数的随机性，它们简单陷入

•  
•  
•  
•  

根据上述SOC与SOH状况的耦合联系以及耗时的状况估量问题，本文的主要贡献如下：1）运用双向宽频检测EIS办法完成快速特征提取，压缩了检测时刻本钱并下降了检测设备本钱。2）从双向检测EIS中提取多种特征，并根据偏相关剖析筛选出SOC特搜集与SOH特搜集，从而在不知道SOH状况下完成SOC区间估量。树立以每5% SOC为区间的SOH猜测模型，用于预算各SOC区间内的SOH值。该模型架构可明显下降检测能耗与时刻本钱。一起，根据双向EIS特征的提取，SOC-SOH的估量精度得以进一步提高。3）利用原子查找优化BP神经网络树立了全体功能更优的SOC-SOH联合估量模型。4）经过比照11种算法模型，本文讨论了所提办法在建模精度、速度及稳定性方面的优势，并提供了系统性评估。