一种家用储能系统的SOH估算方法与流程

本申请涉及家用储能，尤其是一种家用储能系统的soh估算方法。

背景技术：

1、随着可再生能源和分布式储能的迅速发展，电动汽车和储能电站应用前景广阔，电化学储能是解决新能源问题的重要技术，在动力电池和储能电池技术中占据主导地位，广泛应用于民用及军工领域。电池在其充放电循环过程中，其内部会发生不可逆的物理化学过程，形成固体电解质中间相(solid-electrolyte interphase，sei)。活性锂的丢失和恶劣的外部工作条件(例如高温或低温环境)严重影响了电池内部电化学反应，导致电池内阻升高和容量持续下降，这一现象称为电池退化。电池退化会带来电池性能下降、电池使用寿命缩短等一系列安全与可靠性问题，甚至导致用电设备性能下降或系统故障，引发火灾爆炸事故，所以对电池的退化检测非常重要。

2、利用bms(battery management system，电池管理系统)来估算电池的soh(stateof health，电池健康度)是对电池进行退化检测的重要手段。soh的本质是电池的实时容量与额定容量的比值，电池的实时容量由于电池内部活性锂的损失具有时变性和非线性，使得依赖于电池的动态运行条件很难准确确定电池的化学过程，因此无法通过直接测量电池容量或内阻判断电池的soh。

3、由于soh无法通过传感器直接测量，因此目前国内外研究人员做了大量研究来进行soh的预测，目前对于soh的估算主要采用基于物理/数学模型的方法，这种方法通过构建一个准确的估算模型可以达到较高的估算准确性，但是要构建一个准确的估算模型需要准确辨识得到估算模型中所有重要参数，参数辨识过程依赖于算法的收敛性与收敛速度，同时受到环境温度、电池类型等外界条件影响，因此往往需要大量数据来学习建立估算模型以实现准确预测，导致运算量大、建模耗时较长。另外，在家用储能(简称户储)场景下，家用储能场景的电池具有分布性特点，且往往由逆变器来控制电池的充放电策略，在实际充放电过程中，并不会出现完整的满充满放，也就是电池可能在此时处于放电场景，在下一时刻就会变成充电场景，且电流值也随着逆变器的控制而发生变化，这种场景下就无法通过理论的满充满放去记载一次充放电场景中的各个阶段电压值的变化，所以往往采用定频方式来采集数据，数据量非常庞大，对于大规模学习的成本非常高昂，导致实际难以针对家用储能场景来建立有效适用的soh估算模型。

技术实现思路

1、本申请人针对上述问题及技术需求，提出了一种家用储能系统的soh估算方法，本申请的技术方案如下：

2、一种家用储能系统的soh估算方法，该soh估算方法包括：

3、获取家用储能系统中的bms采集到的各个电池在各个采样时刻的原始实时运行数据；

4、筛选出各个电池在电池状态发生变化的时段内的原始实时运行数据作为典型数据上报给云端系统；

5、获取云端系统基于每个电池的典型数据建立得到的电池的电芯模型，基于各个电池的电芯模型估算得到家用储能系统中各个电池的soh估算值。

6、本申请的有益技术效果是：

7、本申请公开了一种家用储能系统的soh估算方法，该soh估算方法针对家用储能系统采用分布式储能结构以及充放电场景多变的特点，从bms采集到的数量庞大的原始实时运行数据中筛选出电池状态发生变化的时段内的典型数据上传到云端系统用于建立各个电池的电芯模型，可以滤除数据价值低的冗余数据，主要利用数据价值高的数据来进行建模，可以在保证预测水平的基础上降低运算量和实现难度，满足家用储能系统的实际工况应用需要。

8、针对典型数据离散且家用储能系统场景无法通过理论的满充满放来记载一次充放电场景中的各个阶段电压值的变化的特点，本申请根据满充满放的电压将典型数据转变为充放电循环的关系，继而构建得到电池的单位充放电量的电压差随着电压和充电循环次数的变化曲线，实现soh的估算，不仅易于实现还具备较强的机理性描述。

9、本申请针对家用储能系统不同电池的典型数据构建各个电池的电芯模型，对于各个电池的个性化预测非常重要，且会定期更新电芯模型以不断优化，在长时间运行场景中也有较高的可靠性和准确性。

技术特征：

1.一种家用储能系统的soh估算方法，其特征在于，所述soh估算方法包括：

2.根据权利要求1所述的soh估算方法，其特征在于，所述电池的每组典型数据至少包括所述电池在对应的采样时刻的电压、充放电量以及充放电状态，每组典型数据的充放电状态用于指示所述典型数据是在所述电池的充电状态下或放电状态下采集得到的；

3.根据权利要求2所述的soh估算方法，其特征在于，建立得到充电能量差走势曲线和放电能量差走势曲线包括：

4.根据权利要求3所述的soh估算方法，其特征在于，建立得到充电能量差走势曲线以及放电能量差走势曲线包括：

5.根据权利要求4所述的soh估算方法，其特征在于，确定任意充电循环次数a的单位充电量的平均电压差以及任意放电循环次数b的单位放电量的平均电压差包括：

6.根据权利要求3所述的soh估算方法，其特征在于，确定所述电池在充电状态下的各组典型数据所属的充电循环次数以及在放电状态下的各组典型数据所属的放电循环次数，包括：

7.根据权利要求2所述的soh估算方法，其特征在于，所述基于各个电池的电芯模型估算得到所述家用储能系统中各个电池的soh估算值包括：

8.根据权利要求1所述的soh估算方法，其特征在于，采集到的每个电池在每个采样时刻的原始实时运行数据的数据类型包括充放电数据和运行状态数据，所述充放电数据用于指示电池在当前采样时刻的电压、电流、温度和充放电量，所述运行状态数据用于指示电池在当前采样时刻的充放电状态以及电池告警保护状态；

9.根据权利要求8所述的soh估算方法，其特征在于，所述筛选出各个电池在电池状态发生变化的时段内的原始实时运行数据作为典型数据，包括对于每个电池：

10.根据权利要求1所述的soh估算方法，其特征在于，所述家用储能系统采用分布式储能结构且包括多个电池，每个电池对应不同的典型数据和不同的电芯模型，所述云端系统每隔预定时间间隔更新各个电池的电芯模型，任意两个电池对应的电芯模型的更新频率相同或不同。

技术总结
本申请公开了一种家用储能系统的SOH估算方法，涉及家用储能技术领域，该方法在获取家用储能系统中的BMS采集到的各个电池在各个采样时刻的原始实时运行数据后，筛选出各个电池在电池状态发生变化的时段内的原始实时运行数据作为典型数据上报给云端系统用于建立各个电池的电芯模型，然后基于各个电池的电芯模型估算得到家用储能系统中各个电池的SOH估算值。该SOH估算方法针对家用储能系统采用分布式储能结构以及充放电场景多变的特点，可以滤除数据价值低的冗余数据，主要利用数据价值高的数据来进行建模，可以在保证预测水平的基础上降低运算量和实现难度，满足家用储能系统的实际工况应用需要。

技术研发人员：钱增磊,朱帅帅,刘子叶
受保护的技术使用者：江苏果下科技有限公司
技术研发日：
技术公布日：2024/1/15