一种基于数据驱动的储能电池容量预测方法与流程

本申请涉及一种基于数据驱动的储能电池容量预测方法，属于电池领域。

背景技术：

1、储能正在成为当今许多国家推进碳中和目标进程的关键技术之一。以可充放电的锂电池系统为代表的电化学储能，具有技术成熟度高、建设工期短、配置灵活等特点，被认定为储能领域最具潜力和发展最快的方向。在储能电池生产出厂过程中，需要对其容量进行标定，目前传统标定方法为进行完整充放电，然后将电池充电至所需荷电状态(soc)。然而，上述步骤不仅需要长时间占用测试设备，既产生大量时间成本，影响生产效率，也会引起较大的设备损耗；同时，长时间的充电步骤也会造成极高的用电成本，降低最终受益。采用合适的方法缩短出厂分容工序能够降低时间与耗电量成本，也能减少设备损耗。

2、传统的安时法、开路电压法等方法一般原理较简单，计算量小，但通常准确性差，误差随时间累积，采样误差无法进行修正。

3、基于经验模型的预测方法，如thevenin模型、rint模型、rc模型，能够实时预测电池容量，且预测精度比传统方法高，同时可以实现闭环控制，但预测准确度严重依赖经验模型的精确程度。

4、基于物理模型的预测方法对电池机制有更好理解，然而由于内部机制的复杂性，使用这种模型很难实现对不同电池实现精确预测的广泛鲁棒性，而且计算量极大。

5、为了解决上述问题，本申请提供一种基于数据驱动的预测方法，不需要考虑电池内部物理化学机理，预测精确度不依赖于电池模型，只需要足够的电池实验数据便可实现良好的预测效果，并且在预测上具有更好的方便性和鲁棒性。

6、dd230175i-dl

技术实现思路

1、根据本申请的一个方面，提供了一种基于数据驱动的储能电池容量预测方法，该方法基于储能电池的电化学大数据信息，通过不同独立算法及融合算法学习出电池电化学特征和输出容量的映射关系，以实现储能电池容量的快速预测和智能标定。

2、为实现上述目的，本发明提供一种基于数据驱动的储能电池容量预测方法，包括如下步骤：

3、s1：获取待测数据并进行预处理，获得所述待测数据的衍生数据特征；

4、s2：特征提取：评估每种所述衍生数据特征的重要性，选择得分高的所述衍生数据特征作为容量预测模型的输入；

5、s3：模型构建：通过对比不同测试算法模型的预测效果，选择效果最佳的一种构建所述容量预测模型；

6、以不同所述衍生数据特征组合范围或数值区间作为输入，输出则为所需预测容量对象的电池容量预测结果；

7、s4：模型训练：抽取所述待测数据的90％构建训练集对所述容量预测模型进行训练；

8、使用剩余10％构建测试集对所述容量预测模型进行测试；

9、采用交叉验证，对所述容量预测模型进行无放回地训练；

10、s5：模型评价：对比不同模型产生的误差，获得最佳模型算法框架，选取准确率最高的容量预测模型参数，作为最终容量预测模型，实现最精准的容量预测模型。

11、可选地，所述步骤s1具体包括如下步骤：

12、s1-1：数据采集，采集目标储能电芯分容充放电数据作为待测数据；

13、s1-2：数据清洗，检测所述待测数据的合理性，删除明显异常或存在缺失的数据；

14、s1-3：数据处理，采用滤波平滑处理所述待测数据；

15、通过插值获得等电量间隔的离散数据，所述电量间隔可根据所需离散数据取点总数变动。

16、可选地，为了增加预测模型的准确度，可引入不同范围的衍生数据特征类型，所述衍生数据特征包括dv/dq、dq/dv、充放电曲线、曲线特征峰位置、峰值、峰面积、半峰宽、一定电量区间的电压降等至少一种。

17、可选地，通过对不同所述衍生数据特征进行排列组合形成不同的特征组进行所述模型构建。

18、可选地，所述步骤s1-1具体包括：分别在不同环境中采集不同批次的储能电芯分容充放电数据作为待测数据，即训练数据面向多个批次的储能电芯。尽可能包含不同测试环境的影响。

19、可选地，为了消除量纲差异大带来的数值问题，所述s1-3还包括对所述待测数据进行归一化和标准化处理；

20、所述归一化方法为(xi–xmin)/(xmax–xmin)，其中，xi为当前数据点，xmin为数据最小值，xmax为数据最大值；

21、所述标准化方法为(xi–μ)/σ，μ为均值，为σ标准差。

22、可选地，所述机器学习算法包括随机森林、线性回归、lasso、xgboost中任意一项。

23、可选地，所述测试算法模型可以为独立算法模型或不同算法模型的融合算法。

24、可选地，所述算法模型中的独立算法模型采用线性回归、逻辑回归、高斯过程、贝叶斯、支持向量机、决策树、随机森林、catboost、xgboost、adaboost、lightboost、神经网络中任意一项。

25、可选地，所述融合算法采用投票法、平均法、排序法、stacking、blending中任意一项。

26、可选地，所述模型评价采用平均误差、最大误差、均方误差、均方根误差、可决系数中任意一项或多项指标进行分析对比。

27、可选地，采用特征不同数值区间涉及到最终产线分容工序时所需耗时与耗电量的大小，在保证尽可能准确的预测精度的同时，应考虑缩小所需所述衍生数据特征数值区间。

28、可选地，所述s2步骤中采用机器学习算法评估所述衍生数据特征的重要性。

29、本申请能产生的有益效果包括：

30、1)本申请所提供的基于数据驱动的储能电池容量预测方法，基于储能电池的电化学大数据信息，通过不同独立算法及融合算法学习出电池电化学特征和输出容量的映射关系，以实现储能电池容量的快速预测和智能标定；

31、2)本申请所提供的基于数据驱动的储能电池容量预测方法，通过特征类型和区间优化、特征重要性筛选、算法选择和组合优化，使得容量预测结果更加精准；

32、3)本申请所提供的基于数据驱动的储能电池容量预测方法，将上述模型应用于储能电芯产线出厂标定环节，只需在分容工序进行少量充电时间(如0-20％ soc充电过程)，即可获得准确的电芯容量标定，加快电芯出厂过程。该方法使得储能电芯生产时可以极大程度节省时间成本、电量成本以及降低设备损耗。

技术特征：

1.一种基于数据驱动的储能电池容量预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于数据驱动的储能电池容量预测方法，其特征在于，所述步骤s1具体包括如下步骤：

3.根据权利要求1所述的基于数据驱动的储能电池容量预测方法，其特征在于，所述衍生数据特征包括以下至少一种：dv/dq、dq/dv、充放电曲线、曲线特征峰位置、峰值、峰面积、半峰宽。

4.根据权利要求3所述的基于数据驱动的储能电池容量预测方法，其特征在于，通过对不同所述衍生数据特征进行排列组合形成不同的特征组进行所述模型构建。

5.根据权利要求2所述的基于数据驱动的储能电池容量预测方法，其特征在于，所述步骤s1-1具体包括：分别在不同环境中采集不同批次的储能电芯分容充放电数据作为待测数据。

6.根据权利要求2所述的基于数据驱动的储能电池容量预测方法，其特征在于，所述s1-3还包括对所述待测数据进行归一化和标准化处理；

7.根据权利要求1所述的基于数据驱动的储能电池容量预测方法，其特征在于，所述机器学习算法包括随机森林、线性回归、lasso、xgboost中任意一项。

8.根据权利要求1所述的基于数据驱动的储能电池容量预测方法，其特征在于，所述测试算法模型为独立算法模型或不同算法模型的融合算法。

9.根据权利要求8所述的基于数据驱动的储能电池容量预测方法，其特征在于，所述算法模型中的独立算法模型采用线性回归、逻辑回归、dd230175i-dl

10.根据权利要求8所述的基于数据驱动的储能电池容量预测方法，其特征在于，所述融合算法采用投票法、平均法、排序法、stacking、blending中任意一项。

技术总结
本申请公开了一种基于数据驱动的储能电池容量预测方法，包括数据采集、数据清洗和处理、特征提取、模型构建、模型训练和模型评价，该方法基于储能电池的电化学大数据信息，通过不同独立算法及融合算法学习出电池电化学特征和输出容量的映射关系，以实现储能电池容量的快速预测和智能标定。

技术研发人员：孙丹,陈驰
受保护的技术使用者：厦门稀土材料研究所
技术研发日：
技术公布日：2024/12/5