[發明專利]一種用于分布式儲能系統的鋰電池狀態估計方法

有效

• 申請號: 202010826666.8
• 申請日: 2020-08-17
• 公開（公告）號: CN112098845B
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 孟錦豪;彭紀昌;馬俊鵬;王順亮;劉天琪
• 申請（專利權）人: 四川大學
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/388;G01R31/392;G06N3/04;G06N3/08
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 李林合

1.一種用于分布式儲能系統的鋰電池狀態估計方法，其特征在于，包括以下步驟：

S1、采用門控循環單元循環神經網絡建立基于深度學習的鋰電池健康狀態估計模型；

S2、采用鋰電池的二階等效電路模型聯合擴展卡爾曼濾波算法，實時估計分布式儲能單元管理系統的鋰電池荷電狀態，具體包括：

利用鋰電池的二階等效電路模型的輸出電壓與電池端電壓測量值形成偏差，將該偏差作為擴展卡爾曼濾波器的輸入，計算鋰電池荷電狀態估計的校正偏差，進而實時估計分布式儲能單元管理系統的鋰電池荷電狀態；

S3、將數據調度中心估計的鋰電池健康狀態信息與分布式儲能單元電池管理系統記錄的歷史數據進行信息交互，同步更新鋰電池荷電狀態估計過程中的電池容量和鋰電池健康狀態估計模型。

2.根據權利要求1所述的用于分布式儲能系統的鋰電池狀態估計方法，其特征在于，所述步驟S1具體包括：

針對各個分布式儲能單元的鋰電池進行離線加速老化測試，采集鋰電池充電過程中的電流、電壓和溫度數據作為訓練樣本，采用門控循環單元循環神經網絡建立基于深度學習的鋰電池健康狀態估計模型。

3.根據權利要求2所述的用于分布式儲能系統的鋰電池狀態估計方法，其特征在于，所述鋰電池健康狀態估計模型的訓練方法為：

S11、初始化模型參數，所述模型參數包括學習率η，慣量β，隱含層權重系數W_z、W_r、W_h、W_x、b_z、b_r、b_h，輸出層權重系數W_o、b_o；

S12、計算前向傳播參數，表示為：

r_t＝σ(W_r[h_t-1,x_t]+b_r)

z_t＝σ(W_z[h_t-1,x_t]+b_z)

y_t＝W_oh_t+b_o

其中，表示元素相乘運算，σ(x)、tanh(x)為激活函數，x_t為神經網絡t時刻的輸入，h_t'為臨時的隱含層輸出，h_t為隱含層t時刻的輸出，z_t為更新門在t時刻的輸出，r_t為重置門在t時刻的輸出，y_t為神經網絡的輸出；

S13、更新輸出層權重系數，表示為：

W_o,t＝W_o,t-1+ΔW_o,t

b_o,t＝b_o,t-1+Δb_o,t

其中，f_cost(x)為損失函數，W_o,t與b_o,t分別為t時刻輸出層的權重系數與偏置，ΔW_o,t與Δb_o,t為t時刻輸出層權重系數與偏置的變化量，η為學習率，β為動量系數，與分別為權重系數與偏置的梯度；

S14、更新隱含層權重系數，表示為：

W_z,t＝W_z,t-1+ΔW_z,t

W_r,t＝W_r,t-1+ΔW_r,t

W_h,t＝W_h,t-1+ΔW_h,t

W_x,t＝W_x,t-1+ΔW_x,t

其中，W_z,t、W_r,t、W_h,t、W_x,t為t時刻隱含層的權重系數，ΔW_z,t、ΔW_r,t、ΔW_h,t、ΔW_x,t為t時刻隱含層權重系數的變化量，為各權重系數的梯度；

S15、重復步驟S12至S14，直至滿足預設訓練截止條件。