储能卡特蓄电池健康状态估计的改进型协同竞争粒子群优化与非线性系数温度递减模拟退火-反向传播方法

现在，准确树立电池模型及实践储能条件下有用的健康状况(SOH)估量已成为新能源储能站面临的首要难题。为此，本文提出一种根据协作竞赛粒子群优化(CCPSO)与非线性的SOH估量办法系数温度提出了一种递减模拟退火-反向传播(NSA-BP)神经网络办法。本研讨的创新性首要体现在：设计了多维度健康目标(HIs)的特征提取办法，构建了改善型NSA-BP网络用于健康状况(SOH)预算。该研讨在电池健康状况预算方面的奉献首要在于辅助电池替换并供应相关经济参阅。针对不同电池组在25°C条件下开展了低倍率恒流储能衰减试验与变倍率储能衰减试验。试验成果表明，均方根差错(RMSE) 与均匀绝对差错所提办法在0.5倍率条件下的均方根差错(RMSE)与均匀绝对差错(MAE)分别为0.00588和0.00481，而在变倍率条件下对应数值为0.00732和0.00639。相同工况下，改善后的健康状况(SOH)估量办法在RMSE和MAE目标上均优于改善前办法，这为储能电池的高效监测供应了根据。储能电池.

引言

因为电力结构的重大变革，电化学储能技能日益遍及[1,2]。为保证锂离子电池的安全运用并实现电池状况的高效预算，相关研讨显得尤为重要[3,4]。电池管理体系(BMS)的中心功用之一，是经过对健康状况(SOH)及其他状况参数的有用监测，保证体系安全稳定运转[5]。SOH目标直接反映了电池的最大可用容量与能源供应才能[[6], [7], [8]]。SOH的界说通常根据容量、内阻、可循环锂离子数量以及正极固相锂离子分散时刻等参数[9,10]。针对电池组SOH界说，Diao等学者经过当时电池组最大可用能量与额外能量之比进行界定[11]。SOH的评价含义首要体现在三个方面：首要含义在于判别电池能量供应才能与可用容量空间[12]；其次在于量化当时电池经济性目标[13]；终究含义则体现在反常单体挑选与劣化单体替换需求判定[14]。现有大多数电池组SOH预算办法缺乏工程适用性，亟需改善预算思路以提高其普适性[[15], [16], [17], [18]]。
推动本研讨的首要动机是根据锂离子电池的高效储能体系当时的市场需求，这体现了本工刁难相关研讨领域的影响。关于该领域而言，最中心的问题在于如何高效替换劣化电池并挑选反常电池。所开发的健康状况（SOH）估量办法可适用于多种工况，能为新式储能体系中的电池替换供应有用参阅根据。
SOH获取办法包含直接丈量与直接预算两类。常用直接丈量法为库仑计数法（Coulomb counting method）和电化学阻抗谱（EIS）法[19,20]。库仑计数法经过电流与荷电状况（SOC）核算SOH[21,22]，但该办法差错会持续累积[23,24]。EIS法可经过部分内阻抗准确量化SOH，但需进行很多复杂试验且耗时较长[25]。
直接估量办法更契合工程需求，首要包含根据模型的办法、数据驱动办法以及混合办法。其中根据模型的办法首要分为根据等效电路模型(ECM-based)和根据电化学模型(EM-based)的办法。根据模型的办法施行步骤包含模型树立、参数辨识和滤波结构构建。经过剖析不同等效电路模型的复杂度、精度与鲁棒性，Hu等验证了带迟滞效应的一阶RC模型是最适用于磷酸铁锂(LiFePO4)电池[26]。等效电路模型(ECM)参数辨识办法首要涉及曲线拟合比较法、最小二乘法及智能优化算法[15,27]。随后引进滤波算法，吴等学者构建了萤火虫粒子滤波算法用于健康状况(SOH)估量[28]。因为等效电路模型难以解析电池内部改变，其精度受到限制。因而，在需要更高精度估量的场景中，通常选用根据电化学模型(EM)的办法。常见电化学模型包含准二维(P2D)模型及其简化模型，其中P2D模型的简化途径首要有两种。榜首种办法是简化公式表达式[29,30]，第二种办法是简化结构或参数[31]。单粒子(SP)模型和扩展单粒子(ESP)模型均根据第二种办法。Wu等学者根据SP模型，经过剖析锂离子浓度差在完全充电态与完全放电态之间随衰减的改变，实现了SOH估量[32]。值得注意的是，因为物理模型复杂度高且核算功率低，在某些实践使用场景中并不适用。
常见的数据驱动型SOH估量办法包含：根据人工神经网络（ANN-based）的办法、根据支撑向量机（SVM-based）的办法、根据含糊逻辑（FL-based）的办法、根据增量容量（IC-based）的办法，以及根据差分电压（DV-based）的办法[[33], [34], [35], [36]]。根据人工神经网络的估量办法可细分为：根据前馈神经网络（FFNN-based）的办法、根据递归神经网络（RNN-based）的办法、根据深度神经网络（DNN-based）的办法和根据卷积神经网络（CNN-based）的办法。在根据RNN的办法中，长短期回忆网络（LSTM）已成为主流技能。Li等人开发了一种用于多电池信息同享的主动状况盯梢LSTM模型，以获取电池状况[37]。近年来，根据CNN的办法、根据SVM的办法以及根据IC的办法被广泛使用于健康状况（SOH）估量领域。针对车载SOH估量，Bockrath等人根据时序CNN提出了一种端到端解决方案[38]。Gu等人则经过数据预处理与CNN-Transformer交融结构开发了SOH估量办法[39]。Liu团队选用直接增强健康目标（HI）结合支撑向量机（SVM）实现了SOH预算[40]。He等人对根据滤波和电压-容量模型的IC剖析办法进行了深入研讨[41]。
根据模型的办法难以平衡功率与精度。数据驱动办法高度依靠数据质量和健康目标（HIs），而部分混合办法能对上述办法构成互补。混合办法的中心思想在于整合不同估量办法：Son等学者从机械与电化学演化呼应中提取多物理特征作为健康目标[42]；根据电化学机理与传统等效电路模型（ECM）树立了混合物理模型[43]；Liu研讨团队则结合支撑向量机（SVM）与长短期回忆网络（LSTM），构建多特征交融模型进行健康状况（SOH）估量[44]。根据极点随机树的特征提取办法，段等人提出了一种改善的极限学习机，构建了全新的SOH估量结构[45]。在江等人的研讨中，经过结合自注意力机制与根据卷积自编码器的主动特征提取办法，开发了一种SOH估量办法[46]。邓等人交融搬迁学习与长短期回忆网络(LSTM)，构建了SOH估量模型[47]。陈等人则选用门控循环单元神经网络(GRUNN)，提出了一种SOH估量结构[48]。但是，上述混合办法均存在一个一起的研讨空白，即未能充分考虑工作条件改变后网络的适用性，特别是关于将电压、电流和温度直接作为健康目标（HIs）的端到端网络。电压、电流和温度的改变会明显影响这些输入与健康状况（SOH）估量之间的关联性，导致网络的可靠性和准确性下降。因而，在固定网络架构下树立适用于多工作条件的SOH估量模型，成为本文的研讨要点。未来，直接丈量办法的发展趋势将致力于取得更准确的丈量成果；根据模型的办法将聚集于物理模型与滤波算法的优化；而数据驱动办法及相关混合办法则趋向于树立具有更高普适性和核算功率的估量模型。
本研讨提出了一种混合型储能电池组健康状况(SOH)估量算法。一方面根据ESP模型，选用CCPSO算法辨识退化过程中正负极最大固相锂离子浓度；另一方面经过增量容量-差分电压(IC-DV)曲线对两种退化形式进行量化。将辨识成果与量化成果一起作为健康目标(HIs)。随后，经过灰色关联剖析（GRA）和皮尔逊相关性剖析（PCA）办法验证了SOH序列与健康目标（HIs）之间的强相关性。终究，将上述HIs作为NSA-BP模型的输入、SOH序列作为模型输出，经过训练与测试后即可取得长期SOH估量成果。
本研讨的首要创新点包含以下部分。首先，在参数辨识环节引进协作与竞赛策略以优化辨识成果；其次，选用NSA算法对BP神经网络的初始参数进行优化；第三，提出了一种退化形式的量化办法；最终，所提办法在工作条件改变时无需重新训练网络，明显提高了算法的通用性与适用性。
本文其余部分组织如下：第二节进行数学剖析，包含ESP模型构建、ESP-MCM电池组建模、CCPSO参数识别、IC-DV量化剖析、皮尔逊相关性批改剖析、灰色关联度剖析以及NSA-BP估量模型构建。第三节详细描述了试验平台建立、模型验证与估量成果剖析。最终，第四节阐述了全文的重要结论与研讨展望。