基于電壓極差特征的儲能電池組早期健康狀態(tài)檢測

朱沐雨, 馬宏忠, 宣文婧

(河海大學 能源與電氣學院,江蘇 南京 211100)

0 引言

隨著我國新型電力系統(tǒng)建設的不斷推進,大規(guī)模新能源并網對電網的穩(wěn)定運行提出了巨大挑戰(zhàn),電力系統(tǒng)對儲能的需求日益增多。鋰離子電池儲能技術具有效率高、應用靈活以及響應速度快等優(yōu)點,逐漸在電力儲能市場占有越來越重要的地位[1-4]。然而,儲能電站實際運行工況復雜,長期工作的儲能鋰離子電池組會出現(xiàn)不一致性擴大、性能衰退加劇和各測量指標估算精度下降等問題,嚴重制約了儲能電站的安全運行。因此,準確可靠地估計和檢測電池的健康狀態(tài)(SOH),能夠有效評估電池的使用壽命和老化程度,對于確保儲能系統(tǒng)安全穩(wěn)定運行至關重要[4-6]。

單體電池SOH的估算包括健康因子的提取和預測模型的建立兩個方面。目前,隨著深度學習算法的發(fā)展,基于數據驅動的SOH估計模型克服了復雜的等效建模和參數辨識問題,有較好的應用前景[7]。主流方法包括支持向量回歸、高斯過程回歸以及長短時記憶神經網絡[8-10]等。

同時,國內外學者對健康因子的提取也進行了大量研究。文獻[11]基于電池充電電壓曲線和容量增量曲線提取多個特征,并通過隨機森林算法中的基尼系數計算出各個特征的重要程度;文獻[12]分析了恒定充電過程中的溫差曲線,在規(guī)定電壓范圍內使用支持向量回歸建立與SOH的關系;文獻[13]對電壓、電流、溫度采樣序列進行卷積處理,結合長短時記憶(Long Short-Term Memory, LSTM)網絡和注意力機制實現(xiàn)SOH估算。

對于電池組健康狀態(tài)估計,現(xiàn)有文獻大都由單體至整體進行分析。文獻[14]提出了一種基于單體到模組遷移的磷酸鐵鋰儲能系統(tǒng)SOH評估方法,研究結果表明經過小規(guī)模樣本數據優(yōu)化后的電池單體模型能夠實現(xiàn)對電池組SOH的評估;文獻[15]通過對電池組內特征單體進行建模,在同時考慮單體容量退化和內阻增大的前提下,預測電池組的實際可充入電量。文獻[16]基于敏感電化學參數等健康因子,利用非線性系數溫度遞減步長模擬退火-反向傳播神經網絡(Nonlinear Coefficient Temperature Decreasing Step Size Simulated Annealing-Back Propagation,NSA-BP)神經網絡對儲能電池組各單體的SOH進行了估算,并選擇最小值作為整組的SOH。

然而,實時對電池組內各單體進行分析的工作量較大,不適用于實際儲能電站中對眾多大容量電池組的運維[17]。且部分文獻所提出的健康特征難以直接獲取,或是只適用于單體電池,無法反映整個電池組的運行特征。

對此,本文采用220 Ah大容量磷酸鐵鋰儲能電池組進行循環(huán)老化試驗,并提出一種基于電壓極差特征的電池組SOH檢測方法。電壓極差儲能電站易于測量,且該方法不需要考慮電池組內各單體的容量變化,減少了工作量。進一步地,通過相關性分析法從測量信號中提取高度相關的特征向量集。接著,利用SSA優(yōu)化的BiLSTM模型實現(xiàn)對電池組的健康狀態(tài)評估;最后通過對所建模型的估計誤差進行評估,驗證該檢測方法的可行性。

1 電池組相關參數

本文所研究的儲能電池組均為串聯(lián)電池組。由于單體電池間容量各不相同,一致性較差的單體總是率先達到充放電截止電壓[18],此時如果電池組繼續(xù)工作會導致該單體發(fā)生過充過放,進一步影響整體性能。因此電池組健康狀態(tài)可從容量和內阻角度定義,如下[19]:

(1)

(2)

式中:Cpcap為電池組中當前鋰電池組最大放電容量;Cicap為電池組額定容量;Rtrse、Rprse、Rirse分別為壽命中止、當前狀態(tài)、初始狀態(tài)的電池歐姆內阻。

由于容量法參數易于獲取,本文主要從容量的角度考慮SOH。

荷電狀態(tài)(State of Charge,SOC)表征當前電池組剩余電量,是保證電池組安全可靠運行的重要參數之一,計算方法如式(2)所示:

SOC=1-Q/QZ×100%

(3)

式中:Q為放出電量;QZ為電池組當前總電量。

電池組電壓極差反映了組內電池運行狀態(tài)的差異,是評估電池組一致性的重要指標,其定義如下:

ΔU=Umax-Umin

(4)

式中:Umax為電池組內單體電壓最大值;Umin為電池組內單體電壓最小值。

由于電壓易于直接測量和獲取,且在電池組早期容量衰減過程中差異性明顯,因此本文選取電壓極差而非電池組內阻、溫度極差作為表征SOH變化的指標。

2 算法介紹

2.1 相關性分析

皮爾遜(Pearson)相關系數是用于度量兩個隨機變量之間線性相關程度的指標,相關系數計算表達式如下[7]:

(5)

式中:E為均值計算;X和Y為電池組容量衰減特征序列。變量之間相關程度越高,皮爾遜相關系數越接近±1。

灰色關聯(lián)度分析是一種基于灰色系統(tǒng)理論的多因素統(tǒng)計方法,通過分析各因素變化趨勢的相似程度來判斷因素之間的關聯(lián)程度。其計算方法如下[20]:

fi(k)=

(6)

式中:y(k)為電池組健康狀態(tài);k為時步數;ρ為分辨系數,一般取0.5;xi(k)為第i個特征序列中第k個特征值,i為特征序列個數。

進一步計算不同特征的相關性r:

(7)

2.2 雙向長短時記憶網絡

BiLSTM是LSTM的變體結構,LSTM網絡此處不再贅述,BiLSTM結構圖如圖1所示。該網絡由前向LSTM與后向LSTM層構成,可以同時深度挖掘數據的歷史和未來信息,提高預測精度。BiLSTM最終輸出結果如式(8)所示:

圖1 BiLSTM網絡結構Fig.1 BiLSTM network structure

(8)

2.3 麻雀搜索算法

麻雀搜索算法(SSA)是2020年提出的一種優(yōu)化算法,其靈感來自麻雀的捕食和反捕食行為。該算法收斂速度快、魯棒性強,能夠較好地解決多參數優(yōu)化問題。SSA主要流程如下[21]:

設共有N只麻雀,其中種群位置最優(yōu)的記為P只,作為發(fā)現(xiàn)者;剩余(N-P)只作為跟隨者。D維解空間中,每只麻雀的位置設為x={x1,x2,…,xD},f=f{x1,x2,…,xD}作為其適應度值。在每次迭代過程中,發(fā)現(xiàn)者位置更新如下:

(9)

式中:Xi,j為第i只麻雀在第j維的信息;t為當前迭代次數;α∈(0,1]為隨機數;itermax為最大迭代次數;R2∈[0,1]為安全值;ST∈[0.5,1]為預警值;Q為正態(tài)分布隨機數。

跟隨者位置更新如下:

(10)

當麻雀意識到危險時,會放棄當前食物,進行預警行為:

(11)

2.4 誤差評價指標

為了更好地評估所提模型的精度,本文引入均方根誤差(RMSE)、平均絕對誤差(Mean Absolute Error,MAE)來度量誤差大小,表達式如下[7]:

(12)

(13)

式中:y1為SOH真實值序列;yi為第i次循環(huán)下的SOH估算結果;n為電池組的充放電循環(huán)總次數。

結合上述算法分析,可初步構建電池組SOH檢測方法流程圖,如圖2所示。

圖2 檢測方法流程圖Fig.2 Flow chart of the detection method

3 試驗設計與分析

3.1 試驗平臺搭建

本文選取比亞迪梯次利用電池組作為試驗對象,規(guī)格型號為MCRSA08-LC,其由8塊220 Ah的方型磷酸鐵鋰電池單體串聯(lián)而成,如圖3所示,其具體參數如表1所示。

表1 電池組的參數Tab.1 Parameters of the battery pack

圖3 大容量磷酸鐵鋰電池組Fig.3 Large capacity lithium iron phosphate battery pack

完整的試驗平臺如圖4所示,采用寧波拜特BT60V300AC2型號的電池測試系統(tǒng),可測電壓范圍為0～60 V,最大充放電電流300 A。溫控箱為HCEPET生產的HCJB1000L-20高低溫交變濕熱試驗箱,可測溫度范圍為-20～100 ℃,電池組置于其中。上位機用于設置充放電指令和數據監(jiān)測。

圖4 電池測試試驗平臺Fig.4 Battery testing experimental platform

試驗方案如下:設置環(huán)境溫度為恒定25 ℃,將電池組電量放空并充分靜置。如圖5所示,采用恒流0.5 C(約110 A)充至截止條件(某一單體U-Cell≥3.65 V),靜置30 min;采用恒流0.5 C放至放電截止條件(某一單體U-Cell ≤2.7 V),靜置30 min,記錄此時電池組最大容量,以此作為一次充放電循環(huán)。利用該充放電規(guī)范進行長期循環(huán)老化試驗,并通過上位機監(jiān)測軟件實時獲取電池電壓、電流以及溫度等參數。

圖5 充放電過程中的電流電壓曲線Fig.5 Current voltage curve during charging and discharging process

試驗采用恒定電流是因為在滿充滿放恒流工況下,電池組每個老化循環(huán)下的最大可放電容量可以通過采集的電流和時間數據進行精準計算;如果按照復雜儲能工況,則只能通過核容測試獲取最大放電容量,試驗數據點難以短時間內獲取。此外,實際儲能工況平均倍率約為0.5 C,故采用0.5 C恒流。

3.2 電壓極差特征提取

試驗測得初始電池組容量為240 Ah,經歷720次循環(huán)后,容量衰減至218 Ah。電池組容量隨充放電循環(huán)的退化曲線如圖6所示。

圖6 電池組容量退化曲線Fig.6 Battery pack capacity degradation curve

圖7展示了不同循環(huán)次數下組內各單體電壓極差的變化情況?？疾炷骋谎h(huán)周期的電壓極差曲線,由于磷酸鐵鋰電池的特性,在SOC小于10%時,電壓隨充放電變化明顯;又因為組內部各單體容量存在差異,電壓極差被進一步放大,這種情況在放電至SOC=0%(達到某一單體電壓截止條件)時尤為明顯,極差可達340 mV(圖7中E處)。因此,會呈現(xiàn)出放電末期電壓極差迅速上升、充電初期電壓極差驟降的現(xiàn)象。當電池SOC接近100%時,也會出現(xiàn)極差上升的情況,可達200～225 mV(圖7中B處)。靜置階段電壓極差隨時間變化(圖7中A、C處),這是由于靜置過程中電池的歐姆極化降為零,內部的電化學極化和濃差極化不會隨著電流的切斷而立即消失,從而引起電壓弛豫,但隨時間變化逐漸趨于穩(wěn)態(tài),進而差值變小。

考察不同循環(huán)次數的電壓極差曲線,可以看出,放電截止后的靜置階段(圖7中A處),隨著循環(huán)次數的上升,電壓極差呈現(xiàn)出規(guī)律性下降:第99次循環(huán)時極差約為257 mV,而第720次循環(huán)后極差已衰減至213 mV,與電池組容量退化的趨勢相同。這是由于一致性較差的單體電池容量完全放出,導致充電截止電壓較高,放電截止電壓較低;隨著電池老化加劇,一致性較差的單體極化電壓變化幅度更大,進一步導致電壓極差減小。此外,隨著循環(huán)次數增加,完成整個電壓極差變化周期所用的時間明顯縮短,在圖中表現(xiàn)為B、D、E處,較高循環(huán)次數的極差曲線總是率先達到峰值點和轉折點。

根據上述分析,初步提取電壓極差曲線中的特征參數如下:充電/放電后靜置30 min的電壓極差Uschar/Usdis;充電/放電截止時的電壓極差Uechar/Uedis;電壓極差變化周期Trange。

3.3 健康因子篩選

對于上述提取的Uschar、Usdis、Uechar、Uedis、Trange五組特征參數,采用皮爾遜相關系數和灰色關聯(lián)度分析法量化衡量與電池簇健康狀態(tài)的相關性。皮爾遜相關系數的絕對值、灰色關聯(lián)度越接近1,表明所提取的特征序列與電池組健康狀態(tài)相關性越強,相關性分析結果如表2所示。本文保留皮爾遜相關系數絕對值大于0.8、灰色關聯(lián)度大于0.7的特征參數(即Uschar、Usdis),作為后續(xù)健康狀態(tài)監(jiān)測模型的輸入。

表2 特征相關性分析結果Tab.2 Feature correlation analysis results

4 模型效果驗證

本文將720組電池組循環(huán)老化數據約以5…2進行劃分,其中訓練集500組,測試集220組。利用麻雀搜索優(yōu)化算法對BiLSTM網絡的學習率、隱含層神經元個數以及訓練次數進行尋優(yōu),設置麻雀搜索算法種群數目為15,最大迭代次數為20次,預警值ST為0.7,其適應度進化曲線如圖8所示。圖8中的拐點處表明SSA算法成功跳出局部極值繼續(xù)尋優(yōu),且在第7次迭代時已收斂到全局最優(yōu)解。此時,隱含層神經元為119、初始學習率為0.019 1、最大訓練次數為148,可認為BiLSTM網絡性能達到最優(yōu)。

圖8 SSA適應度進化曲線Fig.8 SSA fitness evolution curve

圖9展示了所建立的SSA-BiLSTM模型對儲能電池組健康狀態(tài)的預測結果,并與傳統(tǒng)的SOH估計機器學習方法進行了對比,包括高斯過程回歸(GPR)、支持向量機(SVM)、長短時記憶網絡(LSTM)。其中,GPR選用徑向基核函數,核函數超參數σl設為5.7,標準差σf設為4.5;SVM懲罰因子c設為4.0,選用徑向基核函數,核函數參數g設為0.1;LSTM隱含層神經元設為100,訓練次數350次,初始學習率0.02。各訓練集、測試集劃分比例與SSA-BiLSTM相同。

圖9 模型預測結果Fig.9 Model prediction results

圖10展示了SOH估計的絕對誤差。對于所提取的健康因子,SOH估計誤差均在±0.8%以內,說明電壓極差特征應用于電池組健康狀態(tài)在線監(jiān)測具有可行性。

圖10 SOH估計絕對誤差Fig.10 Absolute error in SOH estimation

相比SSA-BiLSTM模型,GPR參數優(yōu)化復雜,且參數選擇對精度影響高[7];SVM對異常值較為敏感,魯棒性較差[22];LSTM僅依靠正向序列信息進行預測,有一定局限性[23]。各模型的RMSE、MAE評估結果如表3所示?？梢钥闯?SSA-BiLSTM模型的RMSE=7.108×10-4、MAE=6.08×10-4,較其他模型更具優(yōu)越性,預測結果更接近真實值。因此在實際應用中,通過易直接測量的電壓極差特征,結合本文所建模型,能夠實時反映當前電池組的健康狀態(tài),為儲能電站的早期故障預警提供有力保障。后續(xù)研究將在典型調峰/調頻工況下進行SOH評估,進一步驗證模型的泛化能力并作出改進。

表3 各模型評估結果Tab.3 Evaluation results of each model

5 結語

針對大容量電池組健康狀態(tài)估算復雜的問題,本文提出了一種基于單體電壓極差的儲能電池組早期健康狀態(tài)檢測方法。通過開展儲能電池組循環(huán)老化試驗,提取電壓極差特征應用于SOH估計。結果表明,所提取的電壓極差特征不僅易于獲取,且在常規(guī)SOH估計模型下,預測絕對誤差均低于±0.8%。因此,電壓極差特征能夠作為健康因子評估電池組的健康狀態(tài),有效避免了對組內單體電池逐一估計,減少了電池組SOH檢測的復雜度,有利于儲能電站的安全運行與維護。同時,進一步建立SSA-BiLSTM估計模型,相較于常規(guī)模型檢測精度更高,穩(wěn)定性更好,能有效地應用于大容量儲能電池組SOH在線監(jiān)測。