基于電壓極差特征的儲能電池組早期健康狀態檢測

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建設的不斷推進,大規模新能源并網對電網的穩定運行提出了巨大挑戰,電力系統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(SOH),能夠有效評估電池的使用壽命和老化程度,對于確保儲能系統安全穩定運行至關重要[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SOH估算。

對于電池組健康狀態估計,現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SOH評估方法,研究結果表明經過小規模樣本數據優化后的電池單體模型能夠實現對電池組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優化的BiLSTM模型實現對電池組的健康狀態評估;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工作會導致該單體發生過充過放,進一步影響整體性能。因此電池組健康狀態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、初始狀態的電池歐姆內阻。

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(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。

灰色關聯度分析是一種基于灰色系統理論的多因素統計方法,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;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,其中種群位置最優的記為P只,作為發現者;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,發現者位置更新如下:

(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次循環下的SOH估算結果;n為電池組的充放電循環總次數。

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,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。利用該充放電規范進行長期循環老化試驗,并通過上位機監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次循環后,容量衰減至218 Ah。電池組容量隨充放電循環的退化曲線如圖6所示。

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

圖7展示了不同循環次數下組內各單體電壓極差的變化情況。考察某一循環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象。當電池SOC接近100%時,也會出現極差上升的情況,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態,進而差值變小。

考察不同循環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),隨著循環次數的上升,電壓極差呈現出規律性下降:第99次循環時極差約為257 mV,而第720次循環后極差已衰減至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,在圖中表現為B、D、E處,較高循環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度分析法量化衡量與電池簇健康狀態的相關性。皮爾遜相關系數的絕對值、灰色關聯度越接近1,表明所提取的特征序列與電池組健康狀態相關性越強,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、灰色關聯度大于0.7的特征參數(即Uschar、Usdis),作為后續健康狀態監測模型的輸入。

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,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尋優,且在第7次迭代時已收斂到全局最優解。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。

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的預測結果,并與傳統的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在線監測具有可行性。

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。可以看出,SSA-BiLSTM模型的RMSE=7.108×10-4、MAE=6.08×10-4,較其他模型更具優越性,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,為儲能電站的早期故障預警提供有力保障。后續研究將在典型調峰/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檢測方法。通過開展儲能電池組循環老化試驗,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,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,相較于常規模型檢測精度更高,穩定性更好,能有效地應用于大容量儲能電池組SOH在線監測。