一种储能设备的SOC、SOH及RUL联合估计方法与流程

一种储能设备的soc、soh及rul联合估计方法
技术领域
1.本技术涉及一种储能设备的soc、soh及rul联合估计方法，属于储能系统管理领域。


背景技术：

2.储能设备通常由单个或者多个电芯串联或者并联组成，这些电芯的性能决定了储能设备的相关性能，比如储能设备在某一时间下的电量是由储能设备内所有电芯的电量共同决定，由于每个电芯可能因为生产工艺等因素，致使其性能上存在一定差异，如初始电量及最大电量不一致等。同时，在储能设备运行过程中，存在电芯电量随运行时间增加而衰减的情况，且因为不同电芯之间的衰减情况可能不一致，致使无法直接使用理论衰减曲线公式。上述情况使得储能设备的实际使用寿命可能与理论使用寿命存在一定差距，不利于设备维修时间预估等。
3.目前关于储能设备的荷电状态（soc）、健康状态（soh）以及剩余使用寿命（rul）的相关预计方式主要分为四类。
4.1、基于表征参数的方法。通过电芯的电化学性能指标，如电芯的阻抗谱等估计电芯的soc，再根据放电实验法等方式确认电芯的剩余容量，进而估计出电芯的soh，并根据衰减曲线得出rul。该方法精确度较高，但是该方法的主要问题在于：需要相关专业设备进行长时间检测才能得到相关结果，仅适用于实验室等特定环境。
5.2、安时积分法。通过电流数值的积分得到充入容量，并且根据ocv-soc表获取充放电前后的电池soc以算出soc的变化量，最后通过充入容量除以soc变化量得到电芯的容量以及soh。该方法为目前主流方法，但是该方法存在一些问题，如ocv-soc表需要电芯静置足够的时间，且对于电流传感器的要求较高等。在储能设备实际运行过程中，很多时候并不能满足相关条件，并且ocv-soc表随soh变化， ocv-soc表随电芯性能衰减而变化，但通常情况无法基于soh更新ocv-soc表，这将导致储能设备的soc和soh估计出现偏差，进而使得rul估算错误。
6.3、基于模型的方法。通过建立等效电路等电芯物理模型，结合卡尔曼滤波等算法，并基于实际数据对电芯的soc、soh以及rul进行等效估计。该方法也是目前较为常用的方法，但是该方法的计算成本较高，并且较为依赖模型的准确度。
7.4、基于数据驱动的方法。通过建立并训练以电芯电流、电压及温度等数据与电芯soc、soh及rul直接映射关系的模型，进行电芯soc、soh及rul的估算。该方法得到的结果精度较高，但是该方法存在计算成本高，对训练数据要求高和鲁棒性较低等问题。
8.基于现有储能设备的soc、soh以及rul估算存在的问题，有必要研究获得较高精度和鲁棒性并且计算成本较低的方法，进行储能设备相关性能的估算。


技术实现要素：

9.本技术提供了一种储能设备的soc、soh及rul联合估计方法，基于储能设备容量变
化进行相关性能指标的预测，能够在降低计算成本的同时提高预测估算的准确性。
10.所述储能设备的soc、soh及rul联合估计方法，其特征在于，所述方法至少包括以下步骤：获取储能设备的所有历史数据；基于所述历史数据获取所述储能设备的运行记录；设定所述储能设备的充放电周期，并根据所述储能设备的运行记录确定充放电周期；计算每个所述充放电周期内的所述储能设备的充放电效率；利用每个所述充放电周期内的所述储能设备的充放电效率，计算充放电状态下每个所述运行记录对应的设备电量和最大电量；根据所述储能设备的运行记录，计算所述储能设备的每个充放电周期对应的充放循环次数，并获取每个充放循环所对应的最大电量、设备运行时长和充放电效率；利用获取的每个充放循环所对应的最大电量、设备运行时长和充放电效率以及电芯理论衰减公式，获取soh预测数据、rul预测数据和充放电效率预测数据；利用所述soh预测数据和所述充放电效率预测数据，获取soc预测数据。
11.可选地，所述储能设备的充放电周期设定为：从所述储能设备的soc下限值开始充电至某一数值的soc，然后放电至所述储能设备的soc下限值的周期。
12.可选地，根据所述储能设备的运行记录确定充放电周期，包括：利用所述储能设备的运行记录中记录结束时的电压最小值v_min_end判断充放电周期；优选地，若所述储能设备的运行记录中，所述记录结束时的电压最小值v_min_end小于设定的电芯放电截止电压，则认为当前充放电周期结束，开始下一充放电周期。
13.可选地，充放电状态下每个所述运行记录对应的设备电量的计算方法，包括：设定设备电量的初始值为0，储能设备的最大电量为空值na，则充电状态下的设备电量的计算公式如式（1）所示：（1）放电状态下的设备电量的计算公式如式（2）所示：（2）其中ch_accumlate_e为设备电量，delta_e电量变化量，battery_eff_1为对应充放电周期内所述储能设备的充放电效率；对于充电记录，如果记录开始时的电压最小值v_min_sta小于设定的电芯满充电初始电压，并且记录结束时的电压最大值v_max_end大于等于电芯充电截止电压，则认为该记录的电量变化量delta_e为当前储能设备的最大电量，并且记录设备电量ch_accumlate_e等于电量变化量delta_e；如果仅记录结束时的电压最大值v_max_end大于等于电芯充电截止电压，则认为此时的设备电量ch_accumlate_e为当前储能设备的最大电量；对于放电记录，如果记录开始时的电压最大值v_max_sta大于电芯满放电电压，并且记录结束时的电压最小值v_min_end小于等于电芯放电截止电压，则认为该记录的电量
变化量delta_e除以对应充放电周期内所述储能设备的充放电效率battery_eff_1所得的数值为当前储能设备的最大电量，并且重置ch_accumlate_e为0；如果仅记录结束时的电压最小值v_min_end小于等于电芯放电截止电压，则重置ch_accumlate_e为0。
14.可选地，在获取每个充放循环所对应的最大电量、设备运行时长和充放电效率前，还包括：删除所述储能设备的运行记录中的无效数据；优选地，所述无效数据是指不满足电池理论充放电效率的数据。
15.可选地，所述储能设备的充放循环次数的计算方法为：利用所述储能设备的运行记录中的数据，计算记录结束时的累计充电电量；所述记录结束时的累计充电电量除以储能设备的额定电量得到所述储能设备的充放循环次数。
16.可选地，利用获取的每个充放循环所对应的最大电量、设备运行时长和充放电效率以及电芯理论衰减公式，获取soh预测数据、rul预测数据和充放电效率预测数据，包括：设定充放电效率的初始值以及所述充放循环次数与设备运行时长之间的关系公式、电芯理论衰减公式的初始参数，并预设输入数据的长度阈值；以充放循环对应的最大电量及充放电效率作为输入数据，若输入数据的长度小于所述长度阈值，则使用初始参数进行充放电效率预测数据、soh预测数据及rul预测数据的估算；若输入数据的长度大于等于所述长度阈值，则先对输入数据进行滤波处理，然后进行数据曲线拟合以得到拟合参数，采用所述拟合参数进行充放电效率预测数据、soh预测数据及rul预测数据的估算。
17.可选地，利用所述soh预测数据和所述充放电效率预测数据，获取soc预测数据，包括：针对选定的预测周期，利用所述soh预测数据，获取该周期内的所述储能设备的最大电量；计算储能设备在所述预测周期内的电量累计值，并基于所述电量累计值，计算所述soc预测数据；优选地，充电状态下，电量累计值=累计电量+充入电量；放电状态下，电量累计值=（累计电量-放电电量）/充放电效率预测数据。
18.对于预测周期的选取可以某一天、某一次充放电循环。
19.可选地，所述方法还包括：若所述soc预测数据为储能设备的soc上限值，但是预测周期内电芯电压并未达到储能设备的电芯截止电压，更新所述预测周期内的储能设备的最大电量为当前电量累计值，直至电芯电压达到储能设备的电芯截止电压；若所述soc预测数据为储能设备的soc下限值，但是预测周期内电芯电压未达到储能设备的电芯截止电压则继续运算，直至电芯电压达到电芯截止电压；若充电状态下，电芯电压达到电芯充电截止电压，但所述soc预测数据不为储能设备的soc上限值，则在此更新所述预测周期内的储能设备的最大电量为当前电量累计值，并且在充电结束之后，再将所述soc预测数据修正为储能设备的soc上限值；若放电状态下，电芯电压达到电芯放电截止电压，但所述soc预测数据不为储能设备的soc下限值，则在放电结束之后再将所述soc预测数据修正为储能设备的soc下限值。
20.可选地，所述方法还包括：利用所述soc预测数据进行所述rul预期数据的修正。
21.本技术能产生的有益效果包括：本技术所提供的储能设备的soc、soh及rul联合估计方法，通过结合电芯理论衰减曲线和设备历史容量情况，拟合出实际的设备容量衰减曲线，并且基于预测周期内soc的变化计算出其所对应的累计充电数据，及时修正设备容量衰减曲线，能够以较小的计算代价得到相较准确的soh及rul预测值。
附图说明
22.图1为本技术实施例中设备容量变化的预测情况图；图2为本技术实施例中预测的soc数据与采用安时积分法获得的soc数据比对图；图3为本技术实施例中修正后的设备容量变化的预测情况图。
具体实施方式
23.下面结合实施例详述本技术，但本技术并不局限于这些实施例。
24.设定存在某储能设备，其设备id为a1，由224个电芯组合而成，充满截止电压为3600mv，放空截止电压为2800mv， 额定电量为172kwh。历史数据获取时间为2022-06-29 00:00:00至2023-04-16 00:00:00，其中使用2023-04-16 00:00:00 至 2023-04-17 00:00:00 作为soc计算测试数据。
25.步骤1，获取设备a1所有历史数据，所述数据包括电压数据、功率数据、运行状态数据、累计充电电量数据、累计放电电量数据，如下表所示。如下表所示。
26.并设定设备a1的soc上限值为100%、soc下限值为0%、电芯充电截止电压为3600mv、电芯满充电初始电压为3000mv、电芯满放电初始电压为3300mv以及电芯放电截止电压为2800mv。
27.步骤2、基于步骤1所得运行状态数据，得到设备运行记录，即设备充放电时间段数据，并得出记录对应的充放电状态（ch_dis）、电量变化量（delta_e）、设备运行时长（run_
time）（比如天数）、记录对应时长（delta_time）、记录开始时的电压最大值（v_max_sta）、记录开始时的电压最小值（v_min_sta）、记录结束时的电压最大值（v_max_end）、记录结束时的电压最小值（v_min_end）。
28.通过计算记录结束时的累计充电电量（e_charge_ac），利用e_charge_ac 除以设备额定电量得到设备充放循环次数（cyc_time），并且使用记录结束时间的日期作为记录的记录日期（date）。
29.最后，根据记录的delta_e和delta_time排除无效数据，如排除delta_e为0或delta_time为0等，结果如下表所示，其中ch代表充电，dis代表放电，sto代表待机或者停机。
30.步骤3、设定充放电周期（ch_dis_period），即从设备a1的soc下限值开始充电至某一数值的soc，然后放电至设备a1的soc下限值的周期，并根据v_min_end来判断运行记录中所对应的ch_dis_period。判断方法为：默认ch_dis_period初始值为1（即初始充放电周期编号从1开始累加），如果记录中存在v_min_end小于设定的电芯放电截止电压，则认为当前充放电周期结束，开始下一充放电周期。得到的ch_dis_period情况，如下表所示：
31.步骤4、计算每个ch_dis_period内的充放电效率，记作battery_eff_1，即采用该ch_dis_period内的放电电量总值除以充电电量总值。结果如下表所示：
32.步骤5、设定设备电量（ch_accumlate_e）的初始值为0，储能设备的最大电量为空值na，根据运行记录对应的delta_e以及记录的充放电状态计算每个运行记录所对应的ch_accumlate_e，则充电状态下的设备电量的计算公式如式（1）所示： （1）放电状态下的设备电量的计算公式如式（2）所示：（2）对于充电记录，如果v_min_sta小于设定的电芯满充电初始电压，并且v_max_end大于等于电芯充电截止电压，则认为该记录的delta_e为当前储能设备的最大电量（energy），并且记录ch_accumlate_e等于delta_e；如果仅v_max_end大于等于电芯充电截止电压，则认为此时的ch_accumlate_e为当前储能设备的最大电量；对于放电记录，如果v_max_sta大于电芯满放电电压，并且v_min_end小于等于电芯放电截止电压，则认为该记录的电量变化量delta_e除以battery_eff所得的数值为当前储能设备的最大电量，并且重置ch_accumlate_e为0；如果仅v_min_end小于等于电芯放电截止电压，则重置ch_accumlate_e为0。上述过程中所得的最大电量均记作energy_1。部分计算结果如下表所示：
33.步骤6、根据充放电效率排除掉无效数据，即排除不满足锂电池理论充放电效率的数据，如充放电效率大于1或者小于0.9。然后基于步骤5所得数据，对于每个ch_dis_period对应的cyc_time，计算每个充放电循环所对应的最大电量（记作energy_2，即历史最大电量）、run_time、充放电效率（记作battery_eff_2，即历史充电效率）以及date，再排除掉energy_2为na的数据，得到如下表格：
34.即步骤6得到的数据为基于历史数据计算得到对应历史时期内的设备a1相关性能参数。
35.步骤7、基于步骤6所得数据和电芯理论衰减公式，获取soh预测数据、rul预测数据
和充放电效率预测数据。具体地：设定进行预测估算的充放电效率battery_eff的初始值以及充放循环次数与设备运行时长之间的关系公式的初始参数和电芯衰减公式的初始参数，并预设输入数据的长度阈值；以步骤6计算得到的历史最大电量及历史充放电效率作为输入数据，若输入数据的长度小于所述长度阈值，则使用上述初始参数进行充放电效率预测数据、soh预测数据及rul预测数据的估算；若输入数据的长度大于等于所述长度阈值，则先对输入数据使用sg滤波法（savitzky-golay filter）进行滤波处理，然后进行数据曲线拟合以得到拟合参数，采用所述拟合参数进行充放电效率预测数据、soh预测数据及rul预测数据的估算。
36.其中sg滤波法参考： savitzky a, golay m j e. smoothing and differentiation of data by simplified least squares procedures[j]. analytical chemistry, 1964, 36(8): 1627-1639。
[0037]
曲线拟合参考： montgomery d c., peck e a. , vining g. g. introduction to linear regression analysis[m]. 6th ed. hoboken: john wiley&sons, inc., 2021: 223-235。
[0038]
估算结果如图1所示，图中含有理论电芯衰减曲线、历史数据曲线（即设备容量衰减曲线）以及基于历史数据及sg滤波过滤后拟合生成的预测曲线。可以看出，当前状态下，设备a1的历史数据曲线所体现的衰减速率远大于理论电芯衰减曲线。同时，基于上述预测曲线，最终估算得出rul预测数据为579.520742次循环，即设备a1的使用寿命约到2025年1月30日。
[0039]
步骤8、在选定的预测周期内，基于所述soh预测数据，通过soh预测数据与设备额定电量相乘，得到预测最大电量（esti_energy）。然后计算预测周期内的电量累计值，采用所述电量累计值除以esti_energy，即得到 soc预测数据。
[0040]
具体地，本技术选择2023-4-16 00:00到2023-4-17 00:00这一天作为预测周期，计算得到该周期内的设备a1的预测最大电量（esti_energy）=162.59 kwh。然后获取这一天的电量累计值，则该周期的soc预测数据=电量累计值/ esti_energy。
[0041]
对比本技术方法预测的设备a1的soc数据和采用安时积分法获得的soc数据，结果如图2所示，从图中可以看出，相较目前所用安时积分法所得数据，本技术方法的预测结果更加准确。
[0042]
步骤9、基于获得的soc预测数据，对设备a1的预测最大电量（esti_energy）进行修正，修正后的预测最大电量为163.70 kwh，修正后的rul预期数据为589.220742333803次循环，即设备a1的使用寿命约到2025年2月19日。修正后的设备容量变化及预测数据情况如图3所示。
[0043]
以上所述，仅是本技术的几个实施例，并非对本技术做任何形式的限制，虽然本技术以较佳实施例揭示如上，然而并非用以限制本技术，任何熟悉本专业的技术人员，在不脱离本技术技术方案的范围内，利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例，均属于技术方案范围内。

技术特征：
1.一种储能设备的soc、soh及rul联合估计方法，其特征在于，所述方法至少包括以下步骤：获取储能设备的所有历史数据；基于所述历史数据获取所述储能设备的运行记录；设定所述储能设备的充放电周期，并根据所述储能设备的运行记录确定充放电周期；计算每个所述充放电周期内的所述储能设备的充放电效率；利用每个所述充放电周期内的所述储能设备的充放电效率，计算充放电状态下每个所述运行记录对应的设备电量和最大电量；根据所述储能设备的运行记录，计算所述储能设备的每个充放电周期对应的充放循环次数，并获取每个充放循环所对应的最大电量、设备运行时长和充放电效率；利用获取的每个充放循环所对应的最大电量、设备运行时长和充放电效率以及电芯理论衰减公式，获取soh预测数据、rul预测数据和充放电效率预测数据；利用所述soh预测数据和所述充放电效率预测数据，获取soc预测数据。2.根据权利要求1所述的方法，其特征在于，所述储能设备的充放电周期设定为：从所述储能设备的soc下限值开始充电至某一数值的soc，然后放电至所述储能设备的soc下限值的周期。3.根据权利要求2所述的方法，其特征在于，根据所述储能设备的运行记录确定充放电周期，包括：利用所述储能设备的运行记录中记录结束时的电压最小值v_min_end判断充放电周期；若所述储能设备的运行记录中，所述记录结束时的电压最小值v_min_end小于设定的电芯放电截止电压，则认为当前充放电周期结束，开始下一充放电周期。4.根据权利要求1所述的方法，其特征在于，充放电状态下每个所述运行记录对应的设备电量的计算方法，包括：设定设备电量的初始值为0，储能设备的最大电量为空值na，则，充电状态下的设备电量的计算公式如式（1）所示：（1）放电状态下的设备电量的计算公式如式（2）所示：（2）其中ch_accumlate_e为设备电量，delta_e电量变化量，battery_eff_1为对应充放电周期内所述储能设备的充放电效率；对于充电记录，如果记录开始时的电压最小值v_min_sta小于设定的电芯满充电初始电压，并且记录结束时的电压最大值v_max_end大于等于电芯充电截止电压，则认为该记录的电量变化量delta_e为当前储能设备的最大电量，并且记录设备电量ch_accumlate_e等于电量变化量delta_e；如果仅记录结束时的电压最大值v_max_end大于等于电芯充电截止电压，则认为此时的设备电量ch_accumlate_e为当前储能设备的最大电量；对于放电记录，如果记录开始时的电压最大值v_max_sta大于电芯满放电电压，并且记
录结束时的电压最小值v_min_end小于等于电芯放电截止电压，则认为该记录的电量变化量delta_e除以对应充放电周期内所述储能设备的充放电效率battery_eff_1所得的数值为当前储能设备的最大电量，并且重置ch_accumlate_e为0；如果仅记录结束时的电压最小值v_min_end小于等于电芯放电截止电压，则重置ch_accumlate_e为0。5.根据权利要求1所述的方法，其特征在于，在获取每个充放循环所对应的最大电量、设备运行时长和充放电效率前，还包括：删除所述储能设备的运行记录中的无效数据；所述无效数据是指不满足电池理论充放电效率的数据。6.根据权利要求4所述的方法，其特征在于，所述储能设备的充放循环次数的计算方法为：利用所述储能设备的运行记录中的数据，计算记录结束时的累计充电电量；所述记录结束时的累计充电电量除以储能设备的额定电量得到所述储能设备的充放循环次数。7.根据权利要求1所述的方法，其特征在于，利用获取的每个充放循环所对应的最大电量、设备运行时长和充放电效率以及电芯理论衰减公式，获取soh预测数据、rul预测数据和充放电效率预测数据，包括：设定充放电效率的初始值以及所述充放循环次数与设备运行时长之间的关系公式、电芯理论衰减公式的初始参数，并预设输入数据的长度阈值；以充放循环对应的最大电量及充放电效率作为输入数据，若输入数据的长度小于所述长度阈值，则使用初始参数进行充放电效率预测数据、soh预测数据及rul预测数据的估算；若输入数据的长度大于等于所述长度阈值，则先对输入数据进行滤波处理，然后进行数据曲线拟合以得到拟合参数，采用所述拟合参数进行充放电效率预测数据、soh预测数据及rul预测数据的估算。8.根据权利要求1所述的方法，其特征在于，利用所述soh预测数据和所述充放电效率预测数据，获取soc预测数据，包括：针对选定的预测周期，利用所述soh预测数据，获取该周期内的所述储能设备的最大电量；计算储能设备在所述预测周期内的电量累计值，并基于所述电量累计值，计算所述soc预测数据；其中，充电状态下，电量累计值=累计电量+充入电量；放电状态下，电量累计值=（累计电量-放电电量）/充放电效率预测数据。9.根据权利要求8所述的方法，其特征在于，所述方法还包括：若所述soc预测数据为储能设备的soc上限值，但是预测周期内电芯电压并未达到储能设备的电芯截止电压，更新所述预测周期内的储能设备的最大电量为当前电量累计值，直至电芯电压达到储能设备的电芯截止电压；若所述soc预测数据为储能设备的soc下限值，但是预测周期内电芯电压未达到储能设备的电芯截止电压则继续运算，直至电芯电压达到电芯截止电压；若充电状态下，电芯电压达到电芯充电截止电压，但所述soc预测数据不为储能设备的soc上限值，则在此更新所述预测周期内的储能设备的最大电量为当前电量累计值，并且在充电结束之后，再将所述soc预测数据修正为储能设备的soc上限值；
若放电状态下，电芯电压达到电芯放电截止电压，但所述soc预测数据不为储能设备的soc下限值，则在放电结束之后再将所述soc预测数据修正为储能设备的soc下限值。10.根据权利要求1所述的方法，其特征在于，所述方法还包括：利用所述soc预测数据进行所述rul预期数据的修正。

技术总结
本申请属于储能系统管理领域，公开了一种储能设备的SOC、SOH及RUL联合估计方法，包括：根据储能设备的运行记录确定充放电周期；计算每个充放电周期内储能设备的充放电效率，从而获得每个运行记录对应的设备电量和最大电量；然后计算储能设备的充放循环次数，并获取每个充放循环所对应的最大电量、设备运行时长和充放电效率，进而得到SOH、RUL和充放电效率对应的预测数据；最后利用SOH预测数据和充放电效率预测数据，获取SOC预测数据。本申请通过结合电芯理论衰减曲线和设备历史容量，拟合出实际的设备容量衰减曲线，并基于SOC的变化，修正设备容量衰减曲线，能够以较小的计算代价得到较准确的SOH及RUL预测值。准确的SOH及RUL预测值。准确的SOH及RUL预测值。


技术研发人员：石晨剑 张翼 张博 司睿强
受保护的技术使用者：西安奇点能源股份有限公司
技术研发日：2023.08.08
技术公布日：2023/9/7