基于单体到模组迁移的磷酸铁锂储能系统SOH评估方法

为了解决传统机器学习的电池健康状态(state of health,SOH)评估方法在应用于大规模电化学储能电站的应用场景时,存在的数据处理慢和评估效果差等问题,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。基于实验获取了磷酸铁锂电池和电池组的老化数据集,构建了迁移学习的SOH评估模型框架,验证了小规模样本再训练模型的评估效果;测试了采用长短时记忆神经网络(long short-term memory networks,LSTM)和门控循环单元(gated recurrent unit,GRU)等模型的评估效果;对比了不同片段的短特征样本数据对评估结果的影响。研究结果证明,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;以GRU为主网络的迁移学习模型对电池组SOH的评估综合性能最优;采用电压区间为24.5~30 V片段短特征数据集的模型,能够进一步提高评估准确性和速度,对电池组SOH评估均方差可降低至0.1%,符合大规模储能电站场景下的使用需求。研究成果为电化学储能电站的运行状态评估方法提供可能的技术参考和数据支撑。