一种基于恒压充电时长的储能电站锂电池容量估计方法与流程

1.本发明涉及电池储能技术领域，具体涉及一种基于恒压充电时长的储能电站锂电池容量估计方法。


背景技术：

2.储能电站中包含了大量锂离子电池，锂电池的安全稳定性对储能电站具有直接影响，因此，实时准确估计其中的锂电池健康状态对于储能电站至关重要。在大多数应用场景中，储能电站主要是起到移峰填谷和平抑新能源波动等作用，其中的锂电池经常处于不完全放电的状态，这导致无法直接根据锂电池的放电容量来测量出锂电池的容量。
3.在现有方法中，主要分为模型法和数据驱动法。模型法需要大量电池老化的先验知识来建立物理模型模拟电池，同时在不同运行环境下，模型的鲁棒性会严重受到影响。而数据驱动法可以不需要建立物理模型，通过将电池的运行参数输入到机器学习、深度学习模型中，即可得到电池的容量估计值。现有数据驱动法中，所采用的特征大部分是从恒流充电曲线中提取的，在面临储能电站的应用场景时，这些特征会因为电池的充电起始点具有随机性而可能无法适用；另一类特征是从电池增量容量曲线中提取的峰值和谷值，例如cn115186579a《一种基于容量增量变化量曲线的锂电池健康状态估计方法》，公开了“一种基于容量增量变化量曲线的锂电池健康状态估计方法，包括：获取锂电池数据；建立等电压差电压序列以及其与充电电量的对应关系以构建容量增量变化量曲线；利用随机森林方法分析容量增量变化量曲线上各函数值重要性；筛选该曲线上可作为表征参数的函数值；通过神经网络建立表征参数与锂电池健康状态的映射关系；应用神经网络估计锂电池健康状态。本发明的锂电池健康状态估计方法的精度和准确性高，通用性较好”，然而电池的增量容量曲线容易受到测量噪声影响，往往需要进行滤波处理，同时当电流较大时，会无法有效获取增量容量曲线。除了特征适用性问题，算法模型的设计也至关重要。现有方法采用单个模型进行容量估计，这容易存在模型泛化能力不足的问题。


技术实现要素：

4.基于上述技术问题，发明提供了一种基于恒压充电时长的储能电站锂电池容量估计方法，具体步骤为：
5.采集锂电池管理系统在每个充电周期中监测到的恒压充电过程数据和锂电池在每个充放电循环中的最大放电容量数据，其中，所述恒压充电过程数据包括充电电压数据、充电电流数据和对应的时间节点数据；
6.根据所述充电电流数据和时间节点数据构建每个充电周期的充电电流-时间变化曲线，通过所述充电电流-时间变化曲线获取锂电池在每个充电周期中的恒压充电总时长、充电时间序列和充电差分时间序列；
7.分别计算所述充电时间序列和充电差分时间序列的香农熵，计算充电电流数据的香农熵，将所述充电时间序列的香农熵、充电差分时间序列的香农熵、充电电流数据的香农
熵和恒压充电总时长组合作为特征向量，特征向量对应的最大放电容量数据作为标签，构建特征预处理数据集；
8.采用极值归一化法对特征预处理数据集进行归一化处理获得特征数据集，并按照预设比例将特征数据集划分为训练集和测试集；
9.在锂电池管理系统中搭建多模型组合回归模型，所述多模型组合回归模型包括一支持向量回归模型、一岭回归模型和一高斯回归模型，将训练集分别输入支持向量回归模型、岭回归模型和高斯回归模型进行训练，通过测试集调整支持向量回归模型、岭回归模型和高斯回归模型的模型参数设置并进行性能验证，当模型的性能符合要求后，保存所述模型参数设置到锂电池管理系统中；
10.在锂电池管理系统中搭建一bp神经网络模型，将支持向量回归模型、岭回归模型和高斯回归模型输出的容量估计值合并作为一个新的特征向量，新的特征向量对应的最大放电容量作为标签，组成一个新的特征数据集，将所述新的特征数据集按比例划分为新的训练集和新的测试集，利用新的训练集和新的测试集对bp神经网络模型进行训练和性能验证，将符合性能要求的bp神经网络模型的模型参数保存至锂电池管理系统中；
11.当储能电站的锂电池管理系统监测到电池开始恒压充电时，采集锂电池管理系统在每个充电周期中监测到的恒压充电过程数据，并输入至保存于锂电池管理系统中的支持向量回归模型、岭回归模型、高斯回归模型和bp神经网络获得锂电池在当前充放电循环中的容量值。
12.优选的，通过所述充电电流-时间变化曲线获取锂电池在每个充电周期中的充电时间序列和充电差分时间序列具体为：
13.将充电电流等间隔划分为n段，计算每个充电电流段的时间长度，得到充电时间序列t
n，seq
，对充电时间序列t
n，seq
进行一阶差分，获得长度为n-1的充电差分时间序列
△
t
n，seq
，以公式表达为：
14.t
n，seq
＝[t1，t2，
…
，tn，
…
，tn]；
[0015]
△
tn＝t
n+1-tn；
[0016]
△
t
n，seq
＝[
△
t1，
△
t2，
…
，
△
tn，
…
，
△
t
n-1
]；
[0017]
式中，tn表示第n个充电电流间隔的时间长度，
△
tn表示tn与t
n+1
之间的差值。
[0018]
优选的，分别计算所述充电时间序列和充电差分时间序列的香农熵以公式表达为：
[0019][0020][0021]
式中，t
n，shan
为充电时间序列的香农熵集合，pn为充电时间序列中出现tn的值的概率，
△
t
n，shan
为充电差分时间序列的香农熵集合，p
n’为充电差分时间序列中出现
△
tn的值的概率。
[0022]
优选的，计算充电电流数据的香农熵以公式表达为：
[0023]in，seq
＝[i1，i2，
…
，in，
…
，in]；
[0024][0025]
式中，i
n，seq
为充电电流数据，in为第n个充放电循环中的充电电流数据值，i
n，shan
为充电电流数据的香农熵集合，为时间序列中出现in的值的概率。
[0026]
优选的，将所述充电时间序列的香农熵、充电差分时间序列的香农熵、充电电流数据的香农熵和恒压充电总时长组合作为特征向量，以公式表达为：
[0027]f1，n
＝[t
cv，n
，t
n，n，shan
，
△
t
n，n，shan
，i
n，shan
]；
[0028]
式中，f
1，n
为第n个充放电循环的特征向量，t
cv，n
为第n个充放电循环的恒压充电总时长，i
n，shan
为第n个充放电循环的充电电流数据的香农熵。
[0029]
优选的，构建特征预处理数据集具体为：
[0030]
将每个充放电循环对应的最大放电容量数据作为标签，将特征向量与标签值组合构建特征预处理数据集d，以公式表达为：
[0031][0032]
式中，cn为第n个充放电循环对应的最大放电容量数据。
[0033]
优选的，进行性能验证具体为：
[0034]
采用均方根误差作为多模型组合回归模型的性能量化指标，预设性能合格阈值，利用测试集对多模型组合回归模型进行测试，并在测试过程中调整多模型组合回归模型的模型参数，直至测试结果达到性能合格阈值，此时多模型组合回归模型的性能符合要求，性能验证结束。
[0035]
本技术还提供了一种基于恒压充电时长的储能电站锂电池容量估计系统，包括数据采集单元、数据处理单元、控制单元和输出单元，其中：
[0036]
所述数据采集单元用于采集锂电池管理系统在每个充电周期中监测到的恒压充电过程数据，其中，所述恒压充电过程数据包括充电电压数据、充电电流数据和对应的时间节点数据；
[0037]
所述数据处理单元的输入端与数据采集单元的输出端电连接，用于获取锂电池管理系统在每个充电周期中监测到的恒压充电过程数据，根据恒压充电过程数据中的充电电流数据和时间节点数据构建每个充电周期的充电电流-时间变化曲线，通过所述充电电流-时间变化曲线获取锂电池在每个充电周期中的恒压充电总时长、时间序列和差分时间序列；
[0038]
所述数据处理单元还用于分别计算所述时间序列和差分时间序列的香农熵，计算充电电流数据的香农熵，将所述时间序列的香农熵、差分时间序列的香农熵、充电电流数据的香农熵和恒压充电总时长组合作为特征向量，构建容量估计特征数据集；
[0039]
所述控制单元的输入端与所述数据处理单元的输出端电连接，用于获取容量估计特征数据集，所述控制单元内部设置有训练完成的多模型组合回归模型和bp神经网络模
型，将所述容量估计特征数据集输入多模型组合回归模型获得容量估计值，将所述容量估计值输入bp神经网络模型获得锂电池在当前循环中的容量值，其中，所述多模型组合回归模型包括一支持向量回归模型、一岭回归模型和一高斯回归模型；
[0040]
所述输出单元的输入端与控制单元的输出端电连接，用于获取锂电池在当前循环中的容量值并展示。
[0041]
本技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任一实施例所述的一种基于恒压充电时长的储能电站锂电池容量估计方法。
[0042]
本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的一种基于恒压充电时长的储能电站锂电池容量估计方法。
[0043]
与现有技术相比，本发明的有益效果是：
[0044]
1、本发明提供了一种基于恒压充电时长的储能电站锂电池容量估计方法，从锂电池的恒压充电过程中提取多个基于恒压充电时间的统计特征和电流的统计特征，包括充电时间序列的香农熵、充电差分时间序列的香农熵、充电电流数据的香农熵和恒压充电总时长，有效提高了特征的适用范围，也更加适应储能电站的实际运行工况；
[0045]
2、本发明提供了一种基于恒压充电时长的储能电站锂电池容量估计方法，通过bp神经网络来融合多模型组合回归模型的容量估计，更合理客观地对每个回归模型输出的估计结果分配权重，提高了模型的泛化能力，所述多模型组合回归模型集成了支持向量回归模型、岭回归模型和高斯回归模型三种模型的估计结果，有效提高了估计精度。
附图说明
[0046]
图1是本发明实施例中方法流程图。
具体实施方式
[0047]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0048]
实施例一
[0049]
本发明实施例1公开了一种基于恒压充电时长的储能电站锂电池容量估计方法，具体包括以下步骤：
[0050]
s1、采集锂电池管理系统在每个充电周期中监测到的恒压充电过程数据和锂电池在每个充放电循环中的最大放电容量数据；
[0051]
具体的，所述恒压充电过程数据包括充电电压数据、充电电流数据和对应的时间节点数据；
[0052]
s2、根据所述充电电流数据和时间节点数据构建每个充电周期的充电电流-时间变化曲线，通过所述充电电流-时间变化曲线获取锂电池在每个充电周期中的恒压充电总时长、充电时间序列和充电差分时间序列；
[0053]
s21、通过所述充电电流-时间变化曲线获取锂电池在每个充电周期中的充电时间序列和充电差分时间序列具体为：
[0054]
将充电电流等间隔划分为n段，计算每个充电电流段的时间长度，得到充电时间序列t
n，seq
，对充电时间序列t
n，seq
进行一阶差分，获得长度为n-1的充电差分时间序列
△
t
n，seq
，以公式表达为：
[0055]
t
n，seq
＝[t1，t2，
…
，tn，
…
，tn]；
[0056]
△
tn＝t
n+1-tn；
[0057]
△
t
n，seq
＝[
△
t1，
△
t2，
…
，
△
tn，
…
，
△
t
n-1
]；
[0058]
式中，tn表示第n个充电电流间隔的时间长度，
△
tn表示tn与t
n+1
之间的差值；
[0059]
s3、分别计算所述充电时间序列和充电差分时间序列的香农熵，计算充电电流数据的香农熵，将所述充电时间序列的香农熵、充电差分时间序列的香农熵、充电电流数据的香农熵和恒压充电总时长组合作为特征向量，特征向量对应的最大放电容量数据作为标签，构建特征预处理数据集；
[0060]
s31、分别计算所述充电时间序列和充电差分时间序列的香农熵以公式表达为：
[0061][0062][0063]
式中，t
n，shan
为充电时间序列的香农熵集合，pn为充电时间序列中出现tn的值的概率，
△
t
n，shan
为充电差分时间序列的香农熵集合，p
n’为充电差分时间序列中出现
△
tn的值的概率；
[0064]
s32、计算充电电流数据的香农熵以公式表达为：
[0065]in，seq
＝[i1，i2，
…
，in，
…
，in]；
[0066][0067]
式中，i
n，seq
为充电电流数据，in为第n个充放电循环中的充电电流数据值，i
n，shan
为充电电流数据的香农熵集合，为时间序列中出现in的值的概率；
[0068]
s33、将所述充电时间序列的香农熵、充电差分时间序列的香农熵、充电电流数据的香农熵和恒压充电总时长组合作为特征向量，以公式表达为：
[0069]f1，n
＝[t
cv，n
，t
n，n，shan
，
△
t
n，n，shan
，i
n，shan
]；
[0070]
式中，f
1，n
为第n个充放电循环的特征向量，t
cv，n
为第n个充放电循环的恒压充电总时长，i
n，shan
为第n个充放电循环的充电电流数据的香农熵；
[0071]
s34、构建特征预处理数据集具体为：
[0072]
将每个充放电循环对应的最大放电容量数据作为标签，将特征向量与标签值组合构建特征预处理数据集d，以公式表达为：
[0073][0074]
式中，cn为第n个充放电循环对应的最大放电容量数据；
[0075]
s4、采用极值归一化法对特征预处理数据集进行归一化处理获得特征数据集，并按照预设比例4:1将特征数据集划分为训练集和测试集；
[0076][0077]
式中，f
‘1为进行归一化处理后获得的特征向量集合，f1为特征向量集合，获得的特征数据集d'以公式表达为：
[0078][0079]
s5、在锂电池管理系统中搭建多模型组合回归模型，在本实施例中，提取的特征为基于恒压充电时间的多个统计特征和电流的统计特征，为了捕捉多个特征之间的相关性，所述多模型组合回归模型包括一支持向量回归模型svr、一岭回归模型krr和一高斯回归模型gpr，基于恒压充电时间的统计特征和电流的统计特征，将训练集分别输入支持向量回归模型、岭回归模型和高斯回归模型进行训练，通过测试集调整支持向量回归模型、岭回归模型和高斯回归模型的模型参数设置并进行性能验证，当模型的性能符合要求后，保存所述模型参数设置到锂电池管理系统中，通过组合多个回归模型，可以增强对不同类型数据的适应能力，并提高整体回归模型的鲁棒性，减少对单个模型的过度拟合的风险，从而提高整体回归模型的泛化能力，获得更准确和稳定的估计结果；
[0080]
s51、进行性能验证具体为：
[0081]
采用均方根误差rmse作为多模型组合回归模型的性能量化指标，预设性能合格阈值，利用测试集对多模型组合回归模型进行测试，并在测试过程中调整多模型组合回归模型的模型参数，直至测试结果达到性能合格阈值，此时多模型组合回归模型的性能符合要求，性能验证结束；
[0082]
s6、在锂电池管理系统中搭建一bp神经网络模型，将支持向量回归模型、岭回归模型和高斯回归模型输出的容量估计值合并作为一个新的特征向量，新的特征向量对应的最大放电容量作为标签，组成一个新的特征数据集，将所述新的特征数据集按比例划分为新的训练集和新的测试集，利用新的训练集和新的测试集对bp神经网络模型进行训练和性能
验证，将符合性能要求的bp神经网络模型的模型参数保存至锂电池管理系统中；
[0083]
s61、将支持向量回归模型、岭回归模型和高斯回归模型输出的容量估计值合并作为一个新的特征向量，新的特征向量对应的最大放电容量作为标签，组成一个新的特征数据集d
new
以公式表达为：
[0084][0085]
其中，新的特征向量集合f2以公式表达为：
[0086]f2，n
＝[c
svr，n
，c
krr，n
，c
gpr，n
]；
[0087][0088]
式中，f
2，n
为第n个充放电循环的新的特征向量，
[0089]csvr，n
，c
krr，n
，c
gpr，n
分别为第n个充放电循环中支持向量回归模型、岭回归模型和高斯回归模型输出的容量估计值；
[0090]
s7、当储能电站的锂电池管理系统监测到电池开始恒压充电时，采集锂电池管理系统在每个充电周期中监测到的恒压充电过程数据，并输入至保存于锂电池管理系统中的支持向量回归模型、岭回归模型、高斯回归模型和bp神经网络获得锂电池在当前充放电循环中的容量值；
[0091]
实施例二
[0092]
本发明还提供了一种基于恒压充电时长的储能电站锂电池容量估计系统，包括数据采集单元、数据处理单元、控制单元和输出单元，其中：
[0093]
所述数据采集单元用于采集锂电池管理系统在每个充电周期中监测到的恒压充电过程数据，其中，所述恒压充电过程数据包括充电电压数据、充电电流数据和对应的时间节点数据；
[0094]
所述数据处理单元的输入端与数据采集单元的输出端电连接，用于获取锂电池管理系统在每个充电周期中监测到的恒压充电过程数据，根据恒压充电过程数据中的充电电流数据和时间节点数据构建每个充电周期的充电电流-时间变化曲线，通过所述充电电流-时间变化曲线获取锂电池在每个充电周期中的恒压充电总时长、时间序列和差分时间序列；
[0095]
所述数据处理单元还用于分别计算所述时间序列和差分时间序列的香农熵，计算充电电流数据的香农熵，将所述时间序列的香农熵、差分时间序列的香农熵、充电电流数据
的香农熵和恒压充电总时长组合作为特征向量，构建容量估计特征数据集；
[0096]
所述控制单元的输入端与所述数据处理单元的输出端电连接，用于获取容量估计特征数据集，所述控制单元内部设置有训练完成的多模型组合回归模型和bp神经网络模型，将所述容量估计特征数据集输入多模型组合回归模型获得容量估计值，将所述容量估计值输入bp神经网络模型获得锂电池在当前循环中的容量值，其中，所述多模型组合回归模型包括一支持向量回归模型、一岭回归模型和一高斯回归模型；
[0097]
所述输出单元的输入端与控制单元的输出端电连接，用于获取锂电池在当前循环中的容量值并展示。
[0098]
实施例三
[0099]
本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如实施例一所述的一种基于恒压充电时长的储能电站锂电池容量估计方法。
[0100]
实施例四
[0101]
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例一所述的一种基于恒压充电时长的储能电站锂电池容量估计方法。
[0102]
值得说明的是，本发明所述的系统、电子设备和计算机可读存储介质，均与实施例一的一种基于恒压充电时长的储能电站锂电池容量估计方法基于相同的发明构思，具体技术内容不再赘述。
[0103]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种基于恒压充电时长的储能电站锂电池容量估计方法，其特征在于，具体步骤为：采集锂电池管理系统在每个充电周期中监测到的恒压充电过程数据和锂电池在每个充放电循环中的最大放电容量数据，其中，所述恒压充电过程数据包括充电电压数据、充电电流数据和对应的时间节点数据；根据所述充电电流数据和时间节点数据构建每个充电周期的充电电流-时间变化曲线，通过所述充电电流-时间变化曲线获取锂电池在每个充电周期中的恒压充电总时长、充电时间序列和充电差分时间序列；分别计算所述充电时间序列和充电差分时间序列的香农熵，计算充电电流数据的香农熵，将所述充电时间序列的香农熵、充电差分时间序列的香农熵、充电电流数据的香农熵和恒压充电总时长组合作为特征向量，特征向量对应的最大放电容量数据作为标签，构建特征预处理数据集；采用极值归一化法对特征预处理数据集进行归一化处理获得特征数据集，并按照预设比例将特征数据集划分为训练集和测试集；在锂电池管理系统中搭建多模型组合回归模型，所述多模型组合回归模型包括一支持向量回归模型、一岭回归模型和一高斯回归模型，将训练集分别输入支持向量回归模型、岭回归模型和高斯回归模型进行训练，通过测试集调整支持向量回归模型、岭回归模型和高斯回归模型的模型参数设置并进行性能验证，当模型的性能符合要求后，保存所述模型参数设置到锂电池管理系统中；在锂电池管理系统中搭建一bp神经网络模型，将支持向量回归模型、岭回归模型和高斯回归模型输出的容量估计值合并作为一个新的特征向量，新的特征向量对应的最大放电容量作为标签，组成一个新的特征数据集，将所述新的特征数据集按比例划分为新的训练集和新的测试集，利用新的训练集和新的测试集对bp神经网络模型进行训练和性能验证，将符合性能要求的bp神经网络模型的模型参数保存至锂电池管理系统中；当储能电站的锂电池管理系统监测到电池开始恒压充电时，采集锂电池管理系统在每个充电周期中监测到的恒压充电过程数据，并输入至保存于锂电池管理系统中的支持向量回归模型、岭回归模型、高斯回归模型和bp神经网络获得锂电池在当前充放电循环中的容量值。2.根据权利要求1所述的一种基于恒压充电时长的储能电站锂电池容量估计方法，其特征在于，通过所述充电电流-时间变化曲线获取锂电池在每个充电周期中的充电时间序列和充电差分时间序列具体为：将充电电流等间隔划分为n段，计算每个充电电流段的时间长度，得到充电时间序列t
n，seq
，对充电时间序列t
n，seq
进行一阶差分，获得长度为n-1的充电差分时间序列
△
t
n，seq
，以公式表达为：t
n，seq
＝[t1，t2，
…
，t
n
，
…
，t
n
]；
△
t
n
＝t
n+1-t
n
；
△
t
n，seq
＝[
△
t1，
△
t2，
…
，
△
t
n
，
…
，
△
t
n-1
]；式中，t
n
表示第n个充电电流间隔的时间长度，
△
t
n
表示t
n
与t
n+1
之间的差值。3.根据权利要求2所述的一种基于恒压充电时长的储能电站锂电池容量估计方法，其特征在于，分别计算所述充电时间序列和充电差分时间序列的香农熵以公式表达为：
式中，t
n，shan
为充电时间序列的香农熵集合，p
n
为充电时间序列中出现t
n
的值的概率，
△
t
n，shan
为充电差分时间序列的香农熵集合，p
n’为充电差分时间序列中出现
△
t
n
的值的概率。4.根据权利要求3所述的一种基于恒压充电时长的储能电站锂电池容量估计方法，其特征在于，计算充电电流数据的香农熵以公式表达为：i
n，seq
＝[i1，i2，
…
，i
n
，
…
，i
n
]；式中，i
n，seq
为充电电流数据，i
n
为第n个充放电循环中的充电电流数据值，i
n，shan
为充电电流数据的香农熵集合，为时间序列中出现i
n
的值的概率。5.根据权利要求4所述的一种基于恒压充电时长的储能电站锂电池容量估计方法，其特征在于，将所述充电时间序列的香农熵、充电差分时间序列的香农熵、充电电流数据的香农熵和恒压充电总时长组合作为特征向量，以公式表达为：f
1，n
＝[t
cv，n
，t
n，n，shan
，
△
t
n，n，shan
，i
n，shan
]；式中，f
1，n
为第n个充放电循环的特征向量，t
cv，n
为第n个充放电循环的恒压充电总时长，i
n，shan
为第n个充放电循环的充电电流数据的香农熵。6.根据权利要求5所述的一种基于恒压充电时长的储能电站锂电池容量估计方法，其特征在于，构建特征预处理数据集具体为：将每个充放电循环对应的最大放电容量数据作为标签，将特征向量与标签值组合构建特征预处理数据集d，以公式表达为：式中，c
n
为第n个充放电循环对应的最大放电容量数据。7.根据权利要求1所述的一种基于恒压充电时长的储能电站锂电池容量估计方法，其特征在于，进行性能验证具体为：采用均方根误差作为多模型组合回归模型的性能量化指标，预设性能合格阈值，利用测试集对多模型组合回归模型进行测试，并在测试过程中调整多模型组合回归模型的模型参数，直至测试结果达到性能合格阈值，此时多模型组合回归模型的性能符合要求，性能验证结束。8.一种基于恒压充电时长的储能电站锂电池容量估计系统，其特征在于，包括数据采集单元、数据处理单元、控制单元和输出单元，其中：
所述数据采集单元用于采集锂电池管理系统在每个充电周期中监测到的恒压充电过程数据，其中，所述恒压充电过程数据包括充电电压数据、充电电流数据和对应的时间节点数据；所述数据处理单元的输入端与数据采集单元的输出端电连接，用于获取锂电池管理系统在每个充电周期中监测到的恒压充电过程数据，根据恒压充电过程数据中的充电电流数据和时间节点数据构建每个充电周期的充电电流-时间变化曲线，通过所述充电电流-时间变化曲线获取锂电池在每个充电周期中的恒压充电总时长、时间序列和差分时间序列；所述数据处理单元还用于分别计算所述时间序列和差分时间序列的香农熵，计算充电电流数据的香农熵，将所述时间序列的香农熵、差分时间序列的香农熵、充电电流数据的香农熵和恒压充电总时长组合作为特征向量，构建容量估计特征数据集；所述控制单元的输入端与所述数据处理单元的输出端电连接，用于获取容量估计特征数据集，所述控制单元内部设置有训练完成的多模型组合回归模型和bp神经网络模型，将所述容量估计特征数据集输入多模型组合回归模型获得容量估计值，将所述容量估计值输入bp神经网络模型获得锂电池在当前循环中的容量值，其中，所述多模型组合回归模型包括一支持向量回归模型、一岭回归模型和一高斯回归模型；所述输出单元的输入端与控制单元的输出端电连接，用于获取锂电池在当前循环中的容量值并展示。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的一种基于恒压充电时长的储能电站锂电池容量估计方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7任一项所述的一种基于恒压充电时长的储能电站锂电池容量估计方法。

技术总结
本发明涉及一种基于恒压充电时长的储能电站锂电池容量估计方法，采集锂电池的恒压充电数据和容量数据；根据采集的数据，获取恒压充电时长、充电时间和差分充电时间序列；对两个时间序列提取特征，并结合容量标签值构成数据集；对数据集进行归一化并划分为训练集和测试集；搭建多模型组合回归模型，用训练集和测试集训练并检验所有回归模型；搭建BP神经网络，利用多模型组合回归模型的估计结果训练BP模型；用BP模型融合三种回归模型的输出结果并估计电池的容量。本发明通过提取了多个基于恒压充电时间的统计特征和电流的统计特征，提高了模型的适用范围，通过多模型融合提高了模型泛化性，有效提高了估计精度。有效提高了估计精度。有效提高了估计精度。


技术研发人员：陈大玮 陈金玉 张伟骏 李相俊 汪震 张昊天 李智诚 韩晓岚 邓超平 范元亮 张抒凌 高统彤 郑红旭
受保护的技术使用者：国网福建省电力有限公司电力科学研究院
技术研发日：2023.07.14
技术公布日：2023/10/20