基于电压极差特征的储能电池组早期健康状态检测

朱沐雨, 马宏忠, 宣文婧

(河海大学 能源与电气学院,江苏 南京 211100)

0 引言

随着我国新型电力系统建设的不断推进,大规模新能源并网对电网的稳定运行提出了巨大挑战,电力系统对储能的需求日益增多。锂离子电池储能技术具有效率高、应用灵活以及响应速度快等优点,逐渐在电力储能市场占有越来越重要的地位[1-4]。然而,储能电站实际运行工况复杂,长期工作的储能锂离子电池组会出现不一致性扩大、性能衰退加剧和各测量指标估算精度下降等问题,严重制约了储能电站的安全运行。因此,准确可靠地估计和检测电池的健康状态(SOH),能够有效评估电池的使用寿命和老化程度,对于确保储能系统安全稳定运行至关重要[4-6]。

单体电池SOH的估算包括健康因子的提取和预测模型的建立两个方面。目前,随着深度学习算法的发展,基于数据驱动的SOH估计模型克服了复杂的等效建模和参数辨识问题,有较好的应用前景[7]。主流方法包括支持向量回归、高斯过程回归以及长短时记忆神经网络[8-10]等。

同时,国内外学者对健康因子的提取也进行了大量研究。文献[11]基于电池充电电压曲线和容量增量曲线提取多个特征,并通过随机森林算法中的基尼系数计算出各个特征的重要程度;文献[12]分析了恒定充电过程中的温差曲线,在规定电压范围内使用支持向量回归建立与SOH的关系;文献[13]对电压、电流、温度采样序列进行卷积处理,结合长短时记忆(Long Short-Term Memory, LSTM)网络和注意力机制实现SOH估算。

对于电池组健康状态估计,现有文献大都由单体至整体进行分析。文献[14]提出了一种基于单体到模组迁移的磷酸铁锂储能系统SOH评估方法,研究结果表明经过小规模样本数据优化后的电池单体模型能够实现对电池组SOH的评估;文献[15]通过对电池组内特征单体进行建模,在同时考虑单体容量退化和内阻增大的前提下,预测电池组的实际可充入电量。文献[16]基于敏感电化学参数等健康因子,利用非线性系数温度递减步长模拟退火-反向传播神经网络(Nonlinear Coefficient Temperature Decreasing Step Size Simulated Annealing-Back Propagation,NSA-BP)神经网络对储能电池组各单体的SOH进行了估算,并选择最小值作为整组的SOH。

然而,实时对电池组内各单体进行分析的工作量较大,不适用于实际储能电站中对众多大容量电池组的运维[17]。且部分文献所提出的健康特征难以直接获取,或是只适用于单体电池,无法反映整个电池组的运行特征。

对此,本文采用220 Ah大容量磷酸铁锂储能电池组进行循环老化试验,并提出一种基于电压极差特征的电池组SOH检测方法。电压极差储能电站易于测量,且该方法不需要考虑电池组内各单体的容量变化,减少了工作量。进一步地,通过相关性分析法从测量信号中提取高度相关的特征向量集。接着,利用SSA优化的BiLSTM模型实现对电池组的健康状态评估;最后通过对所建模型的估计误差进行评估,验证该检测方法的可行性。

1 电池组相关参数

本文所研究的储能电池组均为串联电池组。由于单体电池间容量各不相同,一致性较差的单体总是率先达到充放电截止电压[18],此时如果电池组继续工作会导致该单体发生过充过放,进一步影响整体性能。因此电池组健康状态可从容量和内阻角度定义,如下[19]:

(1)

(2)

式中:Cpcap为电池组中当前锂电池组最大放电容量;Cicap为电池组额定容量;Rtrse、Rprse、Rirse分别为寿命中止、当前状态、初始状态的电池欧姆内阻。

由于容量法参数易于获取,本文主要从容量的角度考虑SOH。

荷电状态(State of Charge,SOC)表征当前电池组剩余电量,是保证电池组安全可靠运行的重要参数之一,计算方法如式(2)所示:

SOC=1-Q/QZ×100%

(3)

式中:Q为放出电量;QZ为电池组当前总电量。

电池组电压极差反映了组内电池运行状态的差异,是评估电池组一致性的重要指标,其定义如下:

ΔU=Umax-Umin

(4)

式中:Umax为电池组内单体电压最大值;Umin为电池组内单体电压最小值。

由于电压易于直接测量和获取,且在电池组早期容量衰减过程中差异性明显,因此本文选取电压极差而非电池组内阻、温度极差作为表征SOH变化的指标。

2 算法介绍

2.1 相关性分析

皮尔逊(Pearson)相关系数是用于度量两个随机变量之间线性相关程度的指标,相关系数计算表达式如下[7]:

(5)

式中:E为均值计算;X和Y为电池组容量衰减特征序列。变量之间相关程度越高,皮尔逊相关系数越接近±1。

灰色关联度分析是一种基于灰色系统理论的多因素统计方法,通过分析各因素变化趋势的相似程度来判断因素之间的关联程度。其计算方法如下[20]:

fi(k)=

(6)

式中:y(k)为电池组健康状态;k为时步数;ρ为分辨系数,一般取0.5;xi(k)为第i个特征序列中第k个特征值,i为特征序列个数。

进一步计算不同特征的相关性r:

(7)

2.2 双向长短时记忆网络

BiLSTM是LSTM的变体结构,LSTM网络此处不再赘述,BiLSTM结构图如图1所示。该网络由前向LSTM与后向LSTM层构成,可以同时深度挖掘数据的历史和未来信息,提高预测精度。BiLSTM最终输出结果如式(8)所示:

图1 BiLSTM网络结构Fig.1 BiLSTM network structure

(8)

2.3 麻雀搜索算法

麻雀搜索算法(SSA)是2020年提出的一种优化算法,其灵感来自麻雀的捕食和反捕食行为。该算法收敛速度快、鲁棒性强,能够较好地解决多参数优化问题。SSA主要流程如下[21]:

设共有N只麻雀,其中种群位置最优的记为P只,作为发现者;剩余(N-P)只作为跟随者。D维解空间中,每只麻雀的位置设为x={x1,x2,…,xD},f=f{x1,x2,…,xD}作为其适应度值。在每次迭代过程中,发现者位置更新如下:

(9)

式中:Xi,j为第i只麻雀在第j维的信息;t为当前迭代次数;α∈(0,1]为随机数;itermax为最大迭代次数;R2∈[0,1]为安全值;ST∈[0.5,1]为预警值;Q为正态分布随机数。

跟随者位置更新如下:

(10)

当麻雀意识到危险时,会放弃当前食物,进行预警行为:

(11)

2.4 误差评价指标

为了更好地评估所提模型的精度,本文引入均方根误差(RMSE)、平均绝对误差(Mean Absolute Error,MAE)来度量误差大小,表达式如下[7]:

(12)

(13)

式中:y1为SOH真实值序列;yi为第i次循环下的SOH估算结果;n为电池组的充放电循环总次数。

结合上述算法分析,可初步构建电池组SOH检测方法流程图,如图2所示。

图2 检测方法流程图Fig.2 Flow chart of the detection method

3 试验设计与分析

3.1 试验平台搭建

本文选取比亚迪梯次利用电池组作为试验对象,规格型号为MCRSA08-LC,其由8块220 Ah的方型磷酸铁锂电池单体串联而成,如图3所示,其具体参数如表1所示。

表1 电池组的参数Tab.1 Parameters of the battery pack

图3 大容量磷酸铁锂电池组Fig.3 Large capacity lithium iron phosphate battery pack

完整的试验平台如图4所示,采用宁波拜特BT60V300AC2型号的电池测试系统,可测电压范围为0～60 V,最大充放电电流300 A。温控箱为HCEPET生产的HCJB1000L-20高低温交变湿热试验箱,可测温度范围为-20～100 ℃,电池组置于其中。上位机用于设置充放电指令和数据监测。

图4 电池测试试验平台Fig.4 Battery testing experimental platform

试验方案如下:设置环境温度为恒定25 ℃,将电池组电量放空并充分静置。如图5所示,采用恒流0.5 C(约110 A)充至截止条件(某一单体U-Cell≥3.65 V),静置30 min;采用恒流0.5 C放至放电截止条件(某一单体U-Cell ≤2.7 V),静置30 min,记录此时电池组最大容量,以此作为一次充放电循环。利用该充放电规范进行长期循环老化试验,并通过上位机监测软件实时获取电池电压、电流以及温度等参数。

图5 充放电过程中的电流电压曲线Fig.5 Current voltage curve during charging and discharging process

试验采用恒定电流是因为在满充满放恒流工况下,电池组每个老化循环下的最大可放电容量可以通过采集的电流和时间数据进行精准计算;如果按照复杂储能工况,则只能通过核容测试获取最大放电容量,试验数据点难以短时间内获取。此外,实际储能工况平均倍率约为0.5 C,故采用0.5 C恒流。

3.2 电压极差特征提取

试验测得初始电池组容量为240 Ah,经历720次循环后,容量衰减至218 Ah。电池组容量随充放电循环的退化曲线如图6所示。

图6 电池组容量退化曲线Fig.6 Battery pack capacity degradation curve

图7展示了不同循环次数下组内各单体电压极差的变化情况。考察某一循环周期的电压极差曲线,由于磷酸铁锂电池的特性,在SOC小于10%时,电压随充放电变化明显;又因为组内部各单体容量存在差异,电压极差被进一步放大,这种情况在放电至SOC=0%(达到某一单体电压截止条件)时尤为明显,极差可达340 mV(图7中E处)。因此,会呈现出放电末期电压极差迅速上升、充电初期电压极差骤降的现象。当电池SOC接近100%时,也会出现极差上升的情况,可达200～225 mV(图7中B处)。静置阶段电压极差随时间变化(图7中A、C处),这是由于静置过程中电池的欧姆极化降为零,内部的电化学极化和浓差极化不会随着电流的切断而立即消失,从而引起电压弛豫,但随时间变化逐渐趋于稳态,进而差值变小。

考察不同循环次数的电压极差曲线,可以看出,放电截止后的静置阶段(图7中A处),随着循环次数的上升,电压极差呈现出规律性下降:第99次循环时极差约为257 mV,而第720次循环后极差已衰减至213 mV,与电池组容量退化的趋势相同。这是由于一致性较差的单体电池容量完全放出,导致充电截止电压较高,放电截止电压较低;随着电池老化加剧,一致性较差的单体极化电压变化幅度更大,进一步导致电压极差减小。此外,随着循环次数增加,完成整个电压极差变化周期所用的时间明显缩短,在图中表现为B、D、E处,较高循环次数的极差曲线总是率先达到峰值点和转折点。

根据上述分析,初步提取电压极差曲线中的特征参数如下:充电/放电后静置30 min的电压极差Uschar/Usdis;充电/放电截止时的电压极差Uechar/Uedis;电压极差变化周期Trange。

3.3 健康因子筛选

对于上述提取的Uschar、Usdis、Uechar、Uedis、Trange五组特征参数,采用皮尔逊相关系数和灰色关联度分析法量化衡量与电池簇健康状态的相关性。皮尔逊相关系数的绝对值、灰色关联度越接近1,表明所提取的特征序列与电池组健康状态相关性越强,相关性分析结果如表2所示。本文保留皮尔逊相关系数绝对值大于0.8、灰色关联度大于0.7的特征参数(即Uschar、Usdis),作为后续健康状态监测模型的输入。

表2 特征相关性分析结果Tab.2 Feature correlation analysis results

4 模型效果验证

本文将720组电池组循环老化数据约以5…2进行划分,其中训练集500组,测试集220组。利用麻雀搜索优化算法对BiLSTM网络的学习率、隐含层神经元个数以及训练次数进行寻优,设置麻雀搜索算法种群数目为15,最大迭代次数为20次,预警值ST为0.7,其适应度进化曲线如图8所示。图8中的拐点处表明SSA算法成功跳出局部极值继续寻优,且在第7次迭代时已收敛到全局最优解。此时,隐含层神经元为119、初始学习率为0.019 1、最大训练次数为148,可认为BiLSTM网络性能达到最优。

图8 SSA适应度进化曲线Fig.8 SSA fitness evolution curve

图9展示了所建立的SSA-BiLSTM模型对储能电池组健康状态的预测结果,并与传统的SOH估计机器学习方法进行了对比,包括高斯过程回归(GPR)、支持向量机(SVM)、长短时记忆网络(LSTM)。其中,GPR选用径向基核函数,核函数超参数σl设为5.7,标准差σf设为4.5;SVM惩罚因子c设为4.0,选用径向基核函数,核函数参数g设为0.1;LSTM隐含层神经元设为100,训练次数350次,初始学习率0.02。各训练集、测试集划分比例与SSA-BiLSTM相同。

图9 模型预测结果Fig.9 Model prediction results

图10展示了SOH估计的绝对误差。对于所提取的健康因子,SOH估计误差均在±0.8%以内,说明电压极差特征应用于电池组健康状态在线监测具有可行性。

图10 SOH估计绝对误差Fig.10 Absolute error in SOH estimation

相比SSA-BiLSTM模型,GPR参数优化复杂,且参数选择对精度影响高[7];SVM对异常值较为敏感,鲁棒性较差[22];LSTM仅依靠正向序列信息进行预测,有一定局限性[23]。各模型的RMSE、MAE评估结果如表3所示。可以看出,SSA-BiLSTM模型的RMSE=7.108×10-4、MAE=6.08×10-4,较其他模型更具优越性,预测结果更接近真实值。因此在实际应用中,通过易直接测量的电压极差特征,结合本文所建模型,能够实时反映当前电池组的健康状态,为储能电站的早期故障预警提供有力保障。后续研究将在典型调峰/调频工况下进行SOH评估,进一步验证模型的泛化能力并作出改进。

表3 各模型评估结果Tab.3 Evaluation results of each model

5 结语

针对大容量电池组健康状态估算复杂的问题,本文提出了一种基于单体电压极差的储能电池组早期健康状态检测方法。通过开展储能电池组循环老化试验,提取电压极差特征应用于SOH估计。结果表明,所提取的电压极差特征不仅易于获取,且在常规SOH估计模型下,预测绝对误差均低于±0.8%。因此,电压极差特征能够作为健康因子评估电池组的健康状态,有效避免了对组内单体电池逐一估计,减少了电池组SOH检测的复杂度,有利于储能电站的安全运行与维护。同时,进一步建立SSA-BiLSTM估计模型,相较于常规模型检测精度更高,稳定性更好,能有效地应用于大容量储能电池组SOH在线监测。