一种基于极化电压的储能电池寿命快速评测方法及系统与流程

1.本发明属于储能电池技术领域，特别涉及一种基于极化电压的储能电池寿命快速检测方法及系统。


背景技术：

2.储能系统是解决可再生能源间歇性、随机性以及分布式电网并网问题的最佳方案，是支撑智能电网和新能源发展的关键技术，发展储能及其相关应用模式已经成为了构建智能电网和发展能源互联网的重要任务之一。
3.目前，储能系统(储能电站)的安全性、耐久性和可靠性是关注的核心要素，无论是国内还是国外，储能系统的安全与质量越来越受到重视。
4.伴随着电池使用充放电循环次数的增加，电池性能会下降，安全性也大幅下降，并且可能会导致一些灾难，因此建立快速评测电池使用寿命的方法不仅有助于评估新电池状态而且可以更好的支撑运行中电池系统的评估。
5.目前对于电池使用寿命的评测方法多基于数据驱动方法，从电池的监控测量指标进行分析与挖掘，该方法能回避一些电化学反应的复杂和专业性问题，具有较强的普适性。但是该方法仅能预测未来一次循环后的情况，且进行长时间序列与测试会发生数据漂移现象，无法在工程应用中实现储能电池寿命的快速评测。


技术实现要素：

6.本发明的目的在于提供一种基于极化电压的储能电池寿命快速评测方法及系统，以解决现有技术无法在工程应用中实现储能电池寿命的快速评测的技术问题。
7.为了实现上述目的，本发明采用如下技术方案：
8.第一方面，本发明提供一种基于极化电压的储能电池寿命快速评测方法，包括：
9.获取储能电池的极化电压；
10.将获得的储能电池的极化电压输入预先训练好的神经网络，获得储能电池的充放电能量保持率；
11.输出所述储能电池的充放电能量保持率；
12.其中，所述预先训练好的神经网络为基于极化电压训练的神经网络。
13.本发明进一步的改进在于：所述预先训练好的神经网络的训练过程，包括：
14.获取待分析储能电池在额定功率条件下n次循环性能测试中每次放电结束电压v0，搁置mmin后的电压v1，并将每次的v1-v0作为极化电压和每次循环后的实测充放电能量保持率为数据集；确定极化电压为输入量，充放电能量保持率为输出量，将数据集分为训练集和测试集；
15.将训练集的极化电压的试验数据作为输入，代入神经网络得到充放电能量保持率的输出值；比较计算得到的充放电能量保持率与对应实测充放电能量保持率，求出两者之间的误差；根据误差不断的修正神经网络各节点的权重与偏置；重复输入训练集中的下一
组极化电压进行训练，直至神经网络计算得到的充放电能量保持率的输出值与实测充放电能量保持率之间的误差小于给定阈值或达到预设最大迭代次数为止，获得修正后的神经网络；
16.选取测试集中的极化电压作为输入，验证修正后的神经网络是否符合要求，如果不符合要求返回继续训练，如果符合训练结束，获得训练好的神经网络。
17.本发明进一步的改进在于：n≥1000，m＝30。
18.本发明进一步的改进在于：所述预先训练好的神经网络为bp神经网络。
19.本发明进一步的改进在于：所述获取储能电池的极化电压的步骤中，所述储能电池的型号与训练神经网络所采用的储能电池型号相同。
20.本发明进一步的改进在于：所述获取储能电池的极化电压的步骤，具体包括：获取储能电池额定充放电功率放电结束时电压v0，搁置30min后的电压v1，并将v1-v0作为取储能电池的极化电压。
21.第二方面，本发明提供一种基于极化电压的储能电池寿命快速评测装置，包括：
22.获取模块，用于获取储能电池的极化电压；
23.计算模块，用于将获得的储能电池的极化电压输入预先训练好的神经网络，获得储能电池的充放电能量保持率；
24.输出模块，用于输出所述储能电池的充放电能量保持率；
25.其中，所述预先训练好的神经网络为基于极化电压训练的神经网络。
26.本发明进一步的改进在于：所述预先训练好的神经网络的训练过程，包括：
27.获取待分析储能电池在额定功率条件下n次循环性能测试中每次放电结束电压v0，搁置mmin后的电压v1，并将每次的v1-v0作为极化电压和每次循环后的实测充放电能量保持率为数据集；确定极化电压为输入量，充放电能量保持率为输出量，将数据集分为训练集和测试集；
28.将训练集的极化电压的试验数据作为输入，代入神经网络得到充放电能量保持率的输出值；比较计算得到的充放电能量保持率与对应实测充放电能量保持率，求出两者之间的误差；根据误差不断的修正神经网络各节点的权重与偏置；重复输入训练集中的下一组极化电压进行训练，直至神经网络计算得到的充放电能量保持率的输出值与实测充放电能量保持率之间的误差小于给定阈值或达到预设最大迭代次数为止，获得修正后的神经网络；
29.选取测试集中的极化电压作为输入，验证修正后的神经网络是否符合要求，如果不符合要求返回继续训练，如果符合训练结束，获得训练好的神经网络。
30.第三方面，本发明提供一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现所述的一种基于极化电压的储能电池寿命快速评测方法。
31.第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现所述的一种基于极化电压的储能电池寿命快速评测方法。
32.相对于现有技术，本发明具有以下有益效果：
33.本发明提供一种基于极化电压的储能电池寿命快速评测方法及系统，包括：获取
储能电池的极化电压；将获得的储能电池的极化电压输入预先训练好的神经网络，获得储能电池的充放电能量保持率；输出所述储能电池的充放电能量保持率；其中，所述预先训练好的神经网络为基于极化电压训练的神经网络。本发明以型式试验得到的循环性能数据作为数据集，通过bp神经网络建立极化电压与循环寿命的对应关系，得到一个反映储能电池循环寿命的快速评测方法，只需要获取一个储能电池的极化电压便可以快速准确的进行储能电池寿命评测；为工程应用中储能电池寿命的评测提供了快速评测方法，为电力系统的稳定运行提供重要的技术支撑。
34.本发明使用便于快速检测的状态量极化电压用于循环寿命的快速评测；基于同款电芯的循环性能实测数据作为基础数据，保证了寿命预测的模型建立的精度；使用bp神经网络模型以极化电压为输入量以放电能量保持率为输出量建立寿命预测模型；使用经过训练集与测试集考核的模型以及实际使用过程中的同等试验条件下的极化电压快速计算充放电能量保持率。
附图说明
35.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
36.图1为本发明实施例1一种基于极化电压的储能电池寿命快速评测方法的流程示意图；
37.图2为本发明另一种基于极化电压的储能电池寿命快速评测方法的流程示意图；
38.图3为本发明一种基于极化电压的储能电池寿命快速评测装置的结构示意图；
39.图4为本发明一种电子设备的结构框图。
具体实施方式
40.下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
41.以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
42.实施例1
43.请参阅图1所示，本发明提供一种基于极化电压的储能电池寿命快速评测方法，包括:
44.s1、获取待分析储能电池1000次循环性能测试中每次放电结束至搁置30min后的电压升高值作为极化电压的试验数据集；
45.s2、将试验数据集的前500次的极化电压的试验数据作为训练集，将后500次的极化电压的试验数据作为测试集，建立bp神经网络；确定极化电压、充放电功率及搁置时间为bp神经网络的输入量，充放电能量保持率为bp神经网络的输出量；
46.s3、将前500次的极化电压的试验数据作为输入，输入bp神经网络，计算出bp神经网络的实际输出；
47.s4、比较实际输出与实测的输出，求出两者之间的误差；
48.s5、根据误差不断的修正bp神经网络各节点的权重与偏置；
49.s6、重复步骤s2～s4，直至神经网络实际输出与期望输出之间的误差小于戈丁阈值或达到最大迭代次数为止，获得修正后的bp神经网络；
50.s7、选取测试集作为输入，验证修正后的bp神经网络是否符合要求，如果不符合要求返回步骤s2继续训练，如果符合训练结束，获得训练好的bp神经网络；
51.s8、针对工程现场使用的储能电池，通过额定充放电功率放电至循环性能测试中的电压并搁置30min后得到同等测试条件下的极化电压，并以此代入训练好的bp神经网络快速得到充放电能量保持率，以快速评测储能电池寿命。
52.实施例2
53.s1、分析储能电池型式试验数据，获取待分析储能电池在额定功率条件下1000次循环性能测试中每次放电结束电压v0，搁置30min后的电压v1，并将每次的v1-v0作为极化电压和每次循环后的充放电能量保持率为数据集；
54.s2、确定极化电压为输入量，充放电能量保持率为输出量，将试验数据集的前500次试验数据作为训练集，将后500次的试验数据作为测试集；
55.s3、将前500次的极化电压的试验数据作为输入，代入建立的bp神经网络得到充放电能量保持率的输出值；
56.s4、比较计算得到的充放电能量保持率与实测充放电能量保持率，求出两者之间的误差；
57.s5、根据误差不断的修正bp神经网络各节点的权重与偏置；
58.s6、重复步骤s2～s4，直至bp神经网络计算得到的输出值与实测值之间的误差小于戈丁阈值或达到最大迭代次数为止，获得修正后的bp神经网络；
59.s7、选取测试集中的极化电压作为输入，验证，获得修正后的bp神经网络是否符合要求，如果不符合要求返回步骤s2继续训练，如果符合训练结束，获得训练好的bp神经网络；
60.s8、针对工程现场使用的储能电池，通过额定充放电功率放电至循环性能测试中的电压并搁置30min后得到同等测试条件下的极化电压，并以此代入训练好的bp神经网络快速得到现有情况下的寿命特征值，以快速评测储能电池寿命。
61.实施例3
62.请参阅图2所示，本发明提供一种基于极化电压的储能电池寿命快速评测方法，包括：
63.s100、获取储能电池的极化电压；
64.s101、将获得的储能电池的极化电压输入预先训练好的神经网络，获得储能电池的充放电能量保持率；
65.s102、输出所述储能电池的充放电能量保持率；
66.其中，所述预先训练好的神经网络为基于极化电压训练的神经网络。
67.在一具体实施方式中，所述预先训练好的神经网络的训练过程，包括：
68.获取待分析储能电池在额定功率条件下1000次循环性能测试中每次放电结束电压v0，搁置30min后的电压v1，并将每次的v1-v0作为极化电压和每次循环后的实测充放电
能量保持率为数据集；确定极化电压为输入量，充放电能量保持率为输出量，将数据集分为训练集和测试集；
69.将训练集的极化电压的试验数据作为输入，代入bp神经网络得到充放电能量保持率的输出值；比较计算得到的充放电能量保持率与对应实测充放电能量保持率，求出两者之间的误差；根据误差不断的修正bp神经网络各节点的权重与偏置；重复输入训练集中的下一组极化电压进行训练，直至bp神经网络计算得到的充放电能量保持率的输出值与实测充放电能量保持率之间的误差小于给定阈值或达到预设最大迭代次数为止，获得修正后的bp神经网络；
70.选取测试集中的极化电压作为输入，验证修正后的bp神经网络是否符合要求，如果不符合要求返回继续训练，如果符合训练结束，获得训练好的bp神经网络。
71.在一具体实施方式中，所述获取储能电池的极化电压的步骤中，所述储能电池的型号与训练神经网络所采用的储能电池型号相同。
72.在一具体实施方式中，所述获取储能电池的极化电压的步骤，具体包括：获取储能电池额定充放电功率放电结束时电压v0，搁置30min后的电压v1，并将v1-v0作为取储能电池的极化电压。
73.实施例4
74.请参阅图3所示，本发明提供一种基于极化电压的储能电池寿命快速评测装置，包括：
75.获取模块，用于获取储能电池的极化电压；
76.计算模块，用于将获得的储能电池的极化电压输入预先训练好的神经网络，获得储能电池的充放电能量保持率；
77.输出模块，用于输出所述储能电池的充放电能量保持率；
78.其中，所述预先训练好的神经网络为基于极化电压训练的神经网络。
79.在一具体实施方式中，所述预先训练好的神经网络的训练过程，包括：
80.获取待分析储能电池在额定功率条件下1000次循环性能测试中每次放电结束电压v0，搁置30min后的电压v1，并将每次的v1-v0作为极化电压和每次循环后的实测充放电能量保持率为数据集；确定极化电压为输入量，充放电能量保持率为输出量，将数据集分为训练集和测试集；
81.将训练集的极化电压的试验数据作为输入，代入bp神经网络得到充放电能量保持率的输出值；比较计算得到的充放电能量保持率与对应实测充放电能量保持率，求出两者之间的误差；根据误差不断的修正bp神经网络各节点的权重与偏置；重复输入训练集中的下一组极化电压进行训练，直至bp神经网络计算得到的充放电能量保持率的输出值与实测充放电能量保持率之间的误差小于给定阈值或达到预设最大迭代次数为止，获得修正后的bp神经网络；
82.选取测试集中的极化电压作为输入，验证修正后的bp神经网络是否符合要求，如果不符合要求返回继续训练，如果符合训练结束，获得训练好的bp神经网络。
83.在一具体实施方式中，所述获取储能电池的极化电压的步骤中，所述储能电池的型号与训练神经网络所采用的储能电池型号相同。
84.在一具体实施方式中，所述获取储能电池的极化电压的步骤，具体包括：获取储能
电池额定充放电功率放电结束时电压v0，搁置30min后的电压v1，并将v1-v0作为取储能电池的极化电压。
85.实施例5
86.请参阅图4所示，本发明还提供一种实现一种基于极化电压的储能电池寿命快速评测方法的电子设备100；所述电子设备100包括存储器101、至少一个处理器102、存储在所述存储器101中并可在所述至少一个处理器102上运行的计算机程序103及至少一条通讯总线104。
87.存储器101可用于存储所述计算机程序103，所述处理器102通过运行或执行存储在所述存储器101内的计算机程序，以及调用存储在存储器101内的数据，实现实施例1、2或3所述的一种基于极化电压的储能电池寿命快速评测方法步骤。所述存储器101可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备100的使用所创建的数据(比如音频数据)等。此外，存储器101可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
88.所述至少一个处理器102可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器102可以是微处理器或者该处理器102也可以是任何常规的处理器等，所述处理器102是所述电子设备100的控制中心，利用各种接口和线路连接整个电子设备100的各个部分。
89.所述电子设备100中的所述存储器101存储多个指令以实现一种基于极化电压的储能电池寿命快速评测，所述处理器102可执行所述多个指令从而实现：
90.获取储能电池的极化电压；
91.将获得的储能电池的极化电压输入预先训练好的神经网络，获得储能电池的充放电能量保持率；
92.输出所述储能电池的充放电能量保持率；
93.其中，所述预先训练好的神经网络为基于极化电压训练的神经网络。
94.实施例6
95.所述电子设备100集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器及只读存储器(rom，read-only memory)。
96.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序
产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
97.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
98.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
99.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
100.最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

技术特征：
1.一种基于极化电压的储能电池寿命快速评测方法，其特征在于，包括：获取储能电池的极化电压；将获得的储能电池的极化电压输入预先训练好的神经网络，获得储能电池的充放电能量保持率；输出所述储能电池的充放电能量保持率；其中，所述预先训练好的神经网络为基于极化电压训练的神经网络。2.根据权利要求1所述的一种基于极化电压的储能电池寿命快速评测方法，其特征在于，所述预先训练好的神经网络的训练过程，包括：获取待分析储能电池在额定功率条件下n次循环性能测试中每次放电结束电压v0，搁置mmin后的电压v1，并将每次的v1-v0作为极化电压和每次循环后的实测充放电能量保持率为数据集；确定极化电压为输入量，充放电能量保持率为输出量，将数据集分为训练集和测试集；将训练集的极化电压的试验数据作为输入，代入神经网络得到充放电能量保持率的输出值；比较计算得到的充放电能量保持率与对应实测充放电能量保持率，求出两者之间的误差；根据误差不断的修正神经网络各节点的权重与偏置；重复输入训练集中的下一组极化电压进行训练，直至神经网络计算得到的充放电能量保持率的输出值与实测充放电能量保持率之间的误差小于给定阈值或达到预设最大迭代次数为止，获得修正后的神经网络；选取测试集中的极化电压作为输入，验证修正后的神经网络是否符合要求，如果不符合要求返回继续训练，如果符合训练结束，获得训练好的神经网络。3.根据权利要求2所述的一种基于极化电压的储能电池寿命快速评测方法，其特征在于，n≥1000，m＝30。4.根据权利要求1所述的一种基于极化电压的储能电池寿命快速评测方法，其特征在于，所述预先训练好的神经网络为bp神经网络。5.根据权利要求1所述的一种基于极化电压的储能电池寿命快速评测方法，其特征在于，所述获取储能电池的极化电压的步骤中，所述储能电池的型号与训练神经网络所采用的储能电池型号相同。6.根据权利要求1所述的一种基于极化电压的储能电池寿命快速评测方法，其特征在于，所述获取储能电池的极化电压的步骤，具体包括：获取储能电池额定充放电功率放电结束时电压v0，搁置30min后的电压v1，并将v1-v0作为取储能电池的极化电压。7.一种基于极化电压的储能电池寿命快速评测装置，其特征在于，包括：获取模块，用于获取储能电池的极化电压；计算模块，用于将获得的储能电池的极化电压输入预先训练好的神经网络，获得储能电池的充放电能量保持率；输出模块，用于输出所述储能电池的充放电能量保持率；其中，所述预先训练好的神经网络为基于极化电压训练的神经网络。8.根据权利要求7所述的一种基于极化电压的储能电池寿命快速评测装置，其特征在于，所述预先训练好的神经网络的训练过程，包括：获取待分析储能电池在额定功率条件下n次循环性能测试中每次放电结束电压v0，搁置mmin后的电压v1，并将每次的v1-v0作为极化电压和每次循环后的实测充放电能量保持
率为数据集；确定极化电压为输入量，充放电能量保持率为输出量，将数据集分为训练集和测试集；将训练集的极化电压的试验数据作为输入，代入神经网络得到充放电能量保持率的输出值；比较计算得到的充放电能量保持率与对应实测充放电能量保持率，求出两者之间的误差；根据误差不断的修正神经网络各节点的权重与偏置；重复输入训练集中的下一组极化电压进行训练，直至神经网络计算得到的充放电能量保持率的输出值与实测充放电能量保持率之间的误差小于给定阈值或达到预设最大迭代次数为止，获得修正后的神经网络；选取测试集中的极化电压作为输入，验证修正后的神经网络是否符合要求，如果不符合要求返回继续训练，如果符合训练结束，获得训练好的神经网络。9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至6中任意一项所述的一种基于极化电压的储能电池寿命快速评测方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至6中任意一项所述的一种基于极化电压的储能电池寿命快速评测方法。

技术总结
本发明属于储能电池技术领域，公开一种基于极化电压的储能电池寿命快速检测方法及系统；所述方法包括：获取储能电池的极化电压；将获得的储能电池的极化电压输入预先训练好的神经网络，获得储能电池的充放电能量保持率；输出所述储能电池的充放电能量保持率；其中，所述预先训练好的神经网络为基于极化电压训练的神经网络。本发明以型式试验得到的循环性能数据作为数据集，通过BP神经网络建立极化电压与循环寿命的对应关系，得到一个反映储能电池循环寿命的快速评测方法，只需要获取一个储能电池的极化电压便可以快速准确的进行储能电池寿命评测；为工程应用中储能电池寿命的评测提供了快速评测方法，为电力系统的稳定运行提供重要的技术支撑。提供重要的技术支撑。提供重要的技术支撑。


技术研发人员：郭翠静 官亦标 沈进冉 周淑琴 付珊珊 高飞 刘庆 樊义兴 褚永金 傅凯 刘施阳
受保护的技术使用者：国网湖南省电力有限公司电力科学研究院 国家电网有限公司
技术研发日：2023.07.04
技术公布日：2023/10/8