基于运行数据的储能电站电池组一致性评估方法

doi:10.19799/j.cnki.2095-4239.2023.0332

基于运行数据的储能电站电池组一致性评估方法

高欣^,¹, 王若谷¹, 高文菁², 邓泽军¹, 梁睿祺³, 杨騉³

1.国网陕西省电力科学研究院，陕西西安　710054

2.中国矿业大学，江苏徐州 221116

3.西安交通大学电气工程学院，陕西西安 710049

Consistency evaluation method of battery pack in energy storage power station based on running data

GAO Xin^,¹, WANG Ruogu¹, GAO Wenjing², DENG Zejun¹, LIANG Ruiqi³, YANG Kun³

1.Shanxi Electric Power Research Institute of State Electricity Network, Xi'an 710054, Shaanxi, China

2.China University of Mining and Technology, Xuzhou 221116, Jiangsu, China

3.Department of Electrical Engineering, Xi'an Jiaotong University, Xi'an 710049, Shaanxi, China

通讯作者: 高欣（1993—），女，硕士，从事储能系统研发，E-mail：18209183315@163.com。

收稿日期: 2023-05-09 修回日期: 2023-06-20

Received: 2023-05-09 Revised: 2023-06-20

摘要

本工作以大容量磷酸铁锂电池储能电站为研究对象，立足于储能系统中处于工程场景的电池组日常运行数据。首先，根据电池运行数据分析表征锂离子电池电压、温度的一致性关键参量；其次，提取能够有效反映电池组一致性的评估特征；最后，基于此类特征，将储能电站的一致性分析分为两个层次，提出了针对站内大规模电池组的一致性分析算法以及基于DBSCAN (density-based spatial clustering of applications with noise) 聚类的电池组内异常单体电池筛选算法。结果表明，所提算法能够高效地获取储能电站运行数据中与电池组一致性相关的关键电气特征量，准确判断储能系统内电池组的一致性情况以及定位可能出现故障的单体电池。本研究有助于判断在工程场景中大规模电池组的一致性状态，并能及时准确地筛选出异常单体电池，保障储能电站电池组的安全性。

关键词： 储能电站 ; 锂离子电池 ; DBSCAN聚类算法 ; 一致性评估

Abstract

This study takes a large-capacity power station of lithium iron phosphate battery energy storage as the research object, based on the daily operation data of battery packs in the engineering scene of energy storage systems. First, the key parameters characterizing the voltage and temperature consistency of Li-ion batteries were analyzed according to the operating data of the battery. Second, the evaluation features that can effectively reflect the battery pack consistency were extracted. Finally, based on such characteristics, the consistency analysis of the energy storage power station was divided into two levels, and the consistency analysis algorithm was proposed for large-scale battery packs in the station. Furthermore, a screening algorithm was proposed for abnormal cells in battery packs based on density-based spatial clustering of applications with noise (DBSCAN) clustering. The results showed that the proposed algorithm could efficiently obtain the key electrical characteristics related to the battery pack consistency in the operation data of the energy storage power station. Moreover, it could accurately judge the battery pack consistency in the energy storage system and locate the single battery that may fail. This study is helpful in judging the consistent state of large-scale battery packs in engineering scenarios. It can also timely and accurately screen out abnormal single batteries to ensure the battery packs' safety in energy storage power stations.

Keywords： energy storage power station ; lithium-ion batteries ; DBSCAN clustering algorithm ; consistency evaluation

PDF (1499KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

高欣, 王若谷, 高文菁, 邓泽军, 梁睿祺, 杨騉. 基于运行数据的储能电站电池组一致性评估方法[J]. 储能科学与技术, 2023, 12(9): 2937-2945

GAO Xin. Consistency evaluation method of battery pack in energy storage power station based on running data[J]. Energy Storage Science and Technology, 2023, 12(9): 2937-2945

为实现“双碳”目标，大量的可再生能源接入电网^[1]。但是风力、光伏等新能源发电受自然条件影响，具有波动性，影响了电网的稳定运行。储能系统能够弥补风力、光伏发电波动带来的功率缺额，实现电网调频，维持电网稳定^[2-3]。电化学储能是最广泛的用于调频的储能装置，由于电池在制造生产过程中不可避免地会出现差异^[4]，并且电池初始差异会随着电池运行时间的延长逐渐放大，使得电池组更容易出现过充过放情况。同时，由于储能电站规模较大，包含大量电池单体，而单体的异常会引发连锁效应。因此，及时对电化学储能电站进行一致性评估，是发现异常电池、提高储能装置的工作效率及安全性的重要手段^[5-7]。

对电池数据的多维特征进行分析是电池一致性状态评估的有效手段，其中多维特征指电池组或单体电池中与电池组一致性有关的关键电气参数，研究人员通过加权等数学手段计算电池的多维特征，来评估电池状态。黄保帅等人^[8]提出电池单体电压、单体内阻等电气参数是评价电池一致性的重要指标。Tian等人^[9]选取开路电压、欧姆内阻和极化内阻作为电池特征量，提出了一种基于多特征加权的锂离子电池组在线一致性评价方法。魏刚^[10]则通过对电池健康状态和功率状态进行分析，提出了一种基于阻抗谱的电池快速状态评估系统。靳文涛等人^[11]通过分析不同工况下的储能电站电池运行情况，提取单体电池平均电压、极差电压、电压标准差等参数作为电池组一致性评估特征量，采用层次分析法提出储能电池一致性评估方法。王帅等人^[12]通过构建电池模型，研究电池组放电电压曲线簇，将影响电池组的一致性特征量分为两类，为初始状态量和状态变化率。其中初始状态量包括初始内阻、初始容量等；状态变化率包括内阻变化率、容量衰减率等，并对以上特征量对一致性的影响程度进行了验证。程功^[13]通过电池组循环实验，分析了15个一致性表征参数的变化特征，建立表征电池一致性的参数统计特性演化模型，该模型对预测电池组一致性表征参数具有较高准确性和适应性。

此外，也可以通过对电池的特征进行聚类分析来判断电池的健康状态。潘岳等人^[14]根据大量的电池运行数据，综合考虑内短路引起的电池特性变化规律，提取相关电气参数作为评价指标，提出了一种锂电池内短路检测算法。所提算法能够通过DBSCAN聚类，精准定位内短路电池，并可以实现分级故障预警。曾建邦等人^[15]通过对聚类簇数的优化，重新选择初始簇心，提出了一种基于动态k值的K-means++聚类方法，以实现动力电池电压不一致故障的识别。程阳阳^[16]利用电池单体容量、电量、内阻三个电气参数，分析总结电池内部差异性规律，提出了一种基于改进型K-means聚类方法，实现了对退役电池的筛选重组，实验结果表明该方法能够实现筛选出一致性较高的单体电池。贾俊等人^[17]针对实际应用中工况复杂和数据质量较差的场景，提出了一种基于大量数据的电池状态综合评分及异常筛选算法，在电池早期运行时就可以实现对异常电池的筛选。Lin等人^[18]以电压孤立点、电压范围和压差作为特征变量，提出了基于K-means算法在线识别锂离子电池组的不一致性。

综合目前研究情况，专门针对真实储能电站整站电池的运行数据在线评估电池组一致性的研究仍然较少。本文提出基于多维特征的一致性评估算法以及异常单体电池筛选的二维特征聚类算法，分别利用储能电站的真实电池运行数据进行电池状态一致性评估，并实现异常单体的识别。本文首先介绍了储能电站的电池数据结构及数据处理方法；然后，分析电池健康状态一致性，评估所需的关键电气特征量，提出对应的电池组一致性评估算法，并对电池组一致性评估算法进行验证；最后，为定位导致不一致性电池组中的电池，提出一种基于DBSCAN的聚类算法对电池组内的电池单体异常进行识别，以获得出现故障的电池编号，以便对出现故障的电池进行及时更换和维修，提高储能电站运行的安全性。

1 储能电站数据结构与预处理算法

1.1　储能电站电池组数据结构

由于储能电站的电池在大多数时间都处于运行状态，所以电池数据量庞大，为了方便电池数据的写入和读取，储能电站大多采用CSV(Comma-Separated values)格式的文件存储电池数据。

储能电站的储能系统由多个电池堆组成，一个电池堆由多个电池簇并联组成，一个电池簇由数百个磷酸铁锂电池串联而成，储能系统中也存在电压监测装置、电流监测装置、容量监测装置及温度监测装置等一系列可以进行数据监测的装置，能够实现对电池堆、电池簇及单体电池性能参数的实时监测。储能电站一般以1分钟作为一个时间间隔对数据进行存储，电池数据包括电池电压、电流、SOC、SOH、温度等。本工作所分析的储能电站数据包括约600个CSV数据文件，文件中包含储能电站中4个Bank数月中的全部运行数据。

1.2　数据预处理

本工作以某个储能电站5个月的实际运行数据为例进行分析，所设计的电池数据预处理算法流程如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 电池数据预处理流程

Fig. 1 Battery data preprocessing process

主要包括三个关键环节：文件转码、数据提取、数据填充。首先，对电池数据文件进行转码，将文件均转为utf-8格式，以便后期对数据文件的提取与分析；然后，根据后续分析的需要，提取进行电池组一致性分析时需要的单体电池电压、温度以及储能电池组电流数据，删除其他无需采用的电池数据；最后，填充文件中的乱码数据，填补乱码的数据内容为同一时间采集装置所采集到的其他单体电池电压或温度数据的平均值，目的是减小乱码对实验分析的影响。

2 电池组的一致性评价算法

在锂离子电池充放电过程中涉及多个物理化学过程，如果内部的各物理化学变化一致，电池就能具有较高的一致性。为了提高电池一致性状态的评估准确性，本文提出了一种基于多特征量的电池一致性评估算法，综合考虑电池的多个电气特征量，以更加准确地实现电池的一致性状态评估。

2.1　电池组数据的特征量选取

储能电站属于工程场景，无法像实验室一样便捷地测量电池容量、SOC等电气参数，所以在储能电站储能系统的一致性评估中应尽量避免采用难以准确测量的参量。本工作选择储能电站电池组中电池单体电压和温度作为基本的特征评估参数，电压和温度都可以在储能电站的电池组中直接测得，且误差较小。为了展示电池组中电池单体的协同运行情况，本工作对电压和温度两个基本电气特征值进行处理，以期得到更多反映电池组一致性的特征量。

首先，假设储能系统电池组内有n个电池，以每分钟为一个采样点，对所有电池均采集q个电压数据和温度数据，将一天时间看作一个数据集合。有m天数据，即有m个数据集。采集电池组内电池的温差和压差序列如下所示：

T_{q}^{d i f f} = T_{q}^{m a x} - T_{q}^{m i n}

(1)

T_{m}^{d i f f} = (T_{1}^{d i f f}, T_{2}^{d i f f}, T_{3}^{d i f f} \dots T_{q}^{d i f f})

(2)

V_{q}^{d i f f} = V_{q}^{m a x} - V_{q}^{m i n}

(3)

V_{m}^{d i f f} = (V_{1}^{d i f f}, V_{2}^{d i f f}, V_{3}^{d i f f} \dots V_{q}^{d i f f})

(4)

式中， $T_{q}^{d i f f}$ 为电池组在第q个采集点时，电池组内最大电池温度和最小电池温度的差值； $T_{m}^{d i f f}$ 是第m个数据集中所有采集点的温度差值； $V_{q}^{d i f f}$ 为电池组在第q个采集点时，电池组内最大电池电压和最小电池电压的差值； $V_{m}^{d i f f}$ 是第m个数据集中所有采集点的电压差值。

为了更全面反映电池组的一致性，还要对各个采集点的所有电池数据求取样本熵。样本熵与方差具有基本相同统计规律，但是方差在计算单体电压等数值较小的数据时，其数量级会很小，太小的数量级不利于后续计算。温度熵和电压熵序列如下所示：

T E n_{m} = (T E n_{1}, T E n_{2}, T E n_{3} \dots T E n_{q})

(5)

V E n_{m} = (V E n_{1}, V E n_{2}, V E n_{3} \dots V E n_{q})

(6)

式中， $T E n_{q}$ 为电池组在第q个采集点时，电池组内电池温度的样本熵； $T E n_{m}$ 是第m个数据集中所有采集点的温度熵； $V E n_{q}$ 为电池组在第q个采集点时，电池组内电池电压的样本熵； $V E n_{m}$ 是第m个数据集中所有采集点的电压熵。

最后，再将电池的温差、压差、温度熵和电压熵进行计算，得到适用于储能电站的特征量，最终得到的电压特征量和温度特征量如表1、表2所示。

表1 电压特征量

Table 1 Voltage characteristic quantity

特征量名称	特征量得到方式
$m a x V_{m}^{d i f f}$	$m a x V_{m}^{d i f f} = m a x (V_{m}^{d i f f})$
$a v g V_{m}^{d i f f}$	$a v g V_{m}^{d i f f} = m e a n (V_{m}^{d i f f})$
$a v g V_{m}^{m a x}$	$a v g V_{m}^{m a x} = m e a n (V_{m}^{m a x})$
$a v g V E n_{m}$	$a v g V E n_{m} = m e a n (V E n_{m})$
$m a x V E n_{m}$	$m a x V E n_{m} = m a x (V E n_{m})$
$v a r V E n_{m}$	$v a r V E n_{m} = v a r (V E n_{m})$

新窗口打开| 下载CSV

表2 温度特征量

Table 2 Temperature characteristic quantity

特征量名称	特征量得到方式
$m a x T_{m}^{d i f f}$	$m a x T_{m}^{d i f f} = m a x (T_{m}^{d i f f})$
$a v g T_{m}^{d i f f}$	$a v g T_{m}^{d i f f} = m e a n (T_{m}^{d i f f})$
$a v g T_{m}^{m a x}$	$a v g T_{m}^{m a x} = m e a n (T_{m}^{m a x})$
$a v g T E n_{m}$	$a v g T E n_{m} = m e a n (T E n_{m})$
$m a x T E n_{m}$	$m a x T E n_{m} = m a x (T E n_{m})$
$v a r T E n_{m}$	$v a r T E n_{m} = v a r (T E n_{m})$

新窗口打开| 下载CSV

2.2　一致性评价算法

基于前文已知储能电站电池组的12个表征电池组一致性的特征量，为了能够进一步使得这些特征量更好地表征电池组的一致性，本文提出一种针对储能电站电池组的一致性评估算法，算法流程如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 电池组一致性评估算法流程

Fig. 2 Flow of battery pack consistency evaluation algorithm

首先，将特征量进行相关性方向统一化处理，即基于工程背景知识，判断特征量与电池组一致性的关系，如果特征量与电池组一致性成正比，则对特征量求导，使得全部的特征量都与电池组一致性成反比，这样有助于接下来对电池组的一致性分析。然后，不同特征量的数量级会有较大差异，例如：样本熵和平均值等。使用原本的特征量容易在计算过程中出现截断误差，导致计算精度下降，需要对所有的特征量进行归一化处理，使特征量的数量级保持一致。所以本研究采用最大最小标准化方法对特征量进行归一化，将原始数据转换到[0,1]的范围内，有利于后续的特征量分析。归一化公式如式(7)所示。

x^{'} = \frac{x - m i n (x)}{m a x (x) - m i n (x)}

(7)

式中， $x^{'}$ 为归一化后的数据； $x$ 为归一化前的原始数据； $m i n (x)$ 为所有原始数据中最小的值； $m a x (x)$ 为所有原始数据中最大的值。

最后，由于工程场景每个特征量都有各自的表征特点，需要对不同的特征量赋予权重。而在实际应用中，主观权重和客观权重可以结合使用。决策者可以结合个人经验和主观权重来进行初步评估，并使用客观方法对权重进行修正和调整，以提高决策的准确性和可信度^[19]。由于储能电站电池运行情况在实验室无法复制，难以获取大量运行数据，所以考虑将十二个特征量赋予相同的权重，即求取十二个特征量的平均值作为获得表征电池组一致性的参数值S。该值越大代表电池组一致性越差。当此一致性评估方法在储能电站中应用后，基于长时间的电站一致性评估结果的准确性，再采用客观赋权方法对12个特征量的权重进行调整，最终再获得一个较为准确的权重分配。

2.3　一致性评价算法实现

2.3.1　算法实现过程

本文所提算法需要储能电站中多个电池组的运行数据，包括电池组电流、电池组内单体电池电压和温度，所提方法的主要步骤如下。

①根据电池组电流，依据2.2节内容对150天内的所有电池运行数据进行预处理；

②依据3.2节内容提取第k天电池组内单体电池电压及温度特征量(150≥k≥1)；

③依据3.3节内容对第k天特征量进行处理和计算；

④得到一个可以表征第k天电池组一致性的参数；

⑤使k=k+1；

⑥重复进行步骤②③④⑤。

2.3.2　算法实现结果

在某储能电站四个电池组中的算法实现结果，如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 电池组一致性变化曲线

Fig. 3 Battery string consistency curve

图3的折线图中，横坐标代表电池组的运行天数，由于本工作对储能电站电池组150天的运行数据进行分析，所以横坐标最大值为150；纵坐标表示3.3.1节中通过一致性评价算法计算得出的表征电池组一致性的参数，此参数越大代表电池组的一致性越差。将四个电池组在每一天的一致性表征参数相连，即可产生四条不同颜色的曲线，分别代表四个电池组的一致性变化。可以从图中明显看出：随着电池组运行天数的增加，所有电池组的一致性参数均出现了较为明显的上升，符合电池组在循环过程中由于单体电池的老化而出现的正常电池组不一致性升高情况；从图中还可以看出电池组的一致性曲线在某些时间出现较大的波动，这是因为储能电站属于工程场景，所以电池组的一致性指标会受到储能电站的运行状态影响，当储能电站处于较大功率运行时，电池组的一致性相比于低功率运行场景会出现明显的升高^[11]；图中还可以观察到当由于运行状态的改变而导致电池组的一致性出现变化时，这四个电池组的趋势基本保持一致，这表明当电池组的运行状态发生改变时，本算法也能较为快速准确地评估电池组的一致性情况。所以，在工程场景时，可以基于电池组的一致性评估结果对储能电站的大规模电池组进行维护和调整，有效提高储能电站的运行效率和安全性。

3 组内异常单体电池筛选算法

当通过电池组一致性评估算法得到某个电池组的一致性较差时，就需要一种针对电池组内异常电池的筛选算法，对电池组内的单体电池进行逐个分析，找到电池组内表现差的单体电池后，对表现较差的单体电池进行维修或替换，即可有效提高电池组的一致性。

3.1　DBSCAN聚类算法

DBSCAN (density-based spatial clustering of applications with noise)为具有噪声的基于密度的聚类方法，是一种基于密度的空间聚类算法^[20]。该算法无须设置聚类个数，通过邻域半径和最少点数目的设置对聚类点的簇进行划分，将簇定义为密度相连点的最大集合。此方法的优点是可以在具有离群点的空间数据集中发现任意形状的簇。算法设置过程中需要设置两个参数，分别为邻域半径eps和最少点数目minpoints，算法流程如下：

①选取对象点h，选取标准是其未被归为某个簇或者标记为离群点；然后，对h的邻域进行观察，若邻域内其他对象点的数目 $L_{1}$ ≥minpoints，则将邻域内所有对象点加入临时簇 Q；若邻域内点的数目 $L_{1}$ <minpoints，则将h点标记为离群点；

②对临时簇 Q 中所有未被选取过的对象点n的邻域进行观察，若邻域内其他对象点的数目 $L_{2}$ ≥minpoints，则将这些点加入临时簇 Q；若n未归于任何一个簇，则将n归入簇 C；

③重复步骤②，继续检查临时簇 Q 中未被选取过的对象点；

④重复步骤①～③，直到所有对象点都归入某个簇或者标记为离群点。

3.2　特征量选取和聚类分析

假设要判断当天电池组中单体电池的一致性，应选取当天储能电站的电池数据。而对电池进行聚类分析时，需要选取一个或多个表征电池一致性情况的特征量，特征量的选取直接关系到聚类结果的准确性，所以使用Z标准化方法提取电池数据的特征量。

Z标准化方法是一种比较常见的标准化方法，也叫标准差标准化方法，根据原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化，最终得到的Z-score值可以评估样本数据至整体数据的距离，体现样本的离散程度。具体步骤如图4所示，若一个电池组有n个电池，且一天时间内有p个数据采集点，即每个电池都有p个温度数据和p个电压数据。使用Z标准化方法计算每个采集点电压数据的Z-score值 $V_{z, i}^{p}$ 和温度数据的Z-score值 $T_{z, i}^{p}$ ，其中i为电池的编号，p为采集点序号。 $V_{z, i}^{p}$ 和 $T_{z, i}^{p}$ 即代表在采集点采集数据时此单体电池与电池组内其他电池的离散情况。然后，分别计算每个单体电池在所有采集点的电池电压Z-score值的平均值和温度Z-score值的平均值，即可得到单体电池在当天的电压平均Z-score值 $a v g V_{z, i}$ 和温度平均Z-score值 $a v g T_{z, i}$ 。

a v g V_{z, i} = (V_{z, i}^{1} + V_{z, i}^{2} + V_{z, i}^{3} + \dots + V_{z, i}^{p}) / n

(8)

a v g T_{z, i} = (T_{z, i}^{1} + T_{z, i}^{2} + T_{z, i}^{3} + \dots + T_{z, i}^{p}) / n

(9)

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 异常单体电池筛选算法流程

Fig. 4 Abnormal battery screening algorithm flow

然后将电池组内所有单体电池的电压平均Z-score值 $a v g V_{z, i}$ 和温度平均Z-score值 $a v g T_{z, i}$ 组成两个特征数据集，使用这两个特征数据集作为两个特征量，通过DBSCAN聚类算法对电池进行二维聚类，聚类图中的横坐标代表单体电池的电压离散情况，纵坐标代表温度离散情况，每一个电池为一个对象点。DBSCAN聚类后，若对象点为离群点，则证明此电池数据与组内其他的电池数据距离较远，即电池可能出现故障，所以通过观察聚类图中的离群点就可以观察到可能出现异常的单体电池，具体流程如图4所示。

3.3　异常单体电池筛选算法实现

3.3.1　实现过程

本文所提算法针对储能电站中四个电池组的运行数据，包括电池组的电流、电池组内单体电池的电压和温度数据。算法主要步骤如下所示：

①选取最后一天的数据进行提取，过滤采集点中电流为0的点，提高分析效率；

②依据3.2节内容分别计算每个采集点所有电池的电压Z-score值和温度Z-score值；

③求出每个电池的电压Z-score值平均值和温度Z-score值平均值，分析每个电池距离整体电池的离散程度；

④得到表征每个电池一致性的电压特征参数和温度特征参数，并基于3.1节内容以这两个特征参数为基础进行DBSCAN二维聚类；

⑤绘制聚类图，判断单体电池的一致性情况。

3.3.2　算法结果

算法的实现基于某储能电站中四个电池组某天的电池运行数据，每个电池组选取前76个电池进行分析，其中DBSCAN聚类算法我们设置eps为0.3，minpoints为2，得到不同电池组的聚类图如图5所示。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 异常单体电池筛选算法结果

Fig. 5 Result of abnormal battery screening algorithm

图5(a)～(d)分别为四个电池组的单体电池聚类结果，可以从图中明显看出BANK1中第19号、67号电池，BANK2中的19号、31号电池以及BANK4中的第67号电池的电压与其他电池相比，出现了较大差异。其中BANK4的第67号电池与其他电池的差异最大，而BANK3中的第46号电池的电压和温度相比其他电池也出现了一定差异。

3.3.3　结果验证

以BANK4的电池数据对聚类分析结果进行验证，取此日期电池运行数据中前300个采集点数据，绘制76个电池的电压变化曲线图，结果如图6所示。可以看到第67号电池的电压变化明显异常于其他75个电池，且第67号电池的Z-score值为5.92，证明67号电池的电压变化与其他电池相比具有极大的差异。综上所述，本文所提出的基于DBSCAN聚类的组内异常单体电池筛选算法具有良好的准确性，能够较为准确和快速地识别电池组中一致性较差的电池，有助于工作人员对这些异常电池进行及时修理或替换，提高储能电站的运行效率和安全性。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 BANK4单体电池电压变化情况

Fig. 6 BANK4 Battery voltage change

4 总结

本文以真实的储能电站运行数据为基础，提出了一种从电池组层面到单体电池层面的一致性评估算法。首先，综合考虑了储能电站中电池组运行的电流数据和电池组的单体电池数据，实现了对电池组运行数据的特征量提取、计算和分析，完成对不同电池组一致性评估。然后，基于电池组内单体电池的电压及温度数据，采用DBSCAN聚类算法对单体电池进行二维特征聚类，成功实现对电池组内异常单体电池的筛选，得到组内可能出现异常单体电池的编号，且聚类结果与电池真实数据相吻合。本文所提出的算法具有良好的迁移性，不仅可以应用于储能电站，也可以应用于小规模的电池串联场景，可以切实有效地帮助工作人员及时发现异常电池，提高储能系统的运行效率和安全性。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

武昭原, 周明, 王剑晓, 等. 双碳目标下提升电力系统灵活性的市场机制综述[J]. 中国电机工程学报, 2022, 42(21): 7746-7763.

[本文引用: 1]

WU Z Y, ZHOU M, WANG J X, et al. Review on market mechanism to enhance the flexibility of power system under the dual-carbon target[J]. Proceedings of the Chinese Society for Electrical Engineering, 2022, 42(21): 7746-7763.

[本文引用: 1]

[2]

王宁, 陈志强, 刘明义, 等. 基于模糊综合评价的锂离子电池健康状态评估[J]. 发电技术, 2022, 43(5): 784-791.

[本文引用: 1]

WANG N, CHEN Z Q, LIU M Y, et al. Health status assessment of lithium-ion battery based on fuzzy comprehensive evaluation[J]. Power Generation Technology, 2022, 43(5): 784-791.

[本文引用: 1]

[3]

黄燕琴, 聂金泉, 王敖, 等. 锂离子电池不一致性综述[J]. 时代汽车, 2022(5): 102-107.

[本文引用: 1]

HUANG Y Q, NIE J Q, WANG A, et al. Review on inconsistent of lithium-ion batteries[J]. Auto Time, 2022(5): 102-107.

[本文引用: 1]

[4]

王琳舒. 锂离子动力电池一致性分析模型及其影响因素的仿真分析[D]. 北京: 北京有色金属研究总院, 2020.

[本文引用: 1]

WANG L S. Consistency analysis model of lithium-ion power battery and simulation analysis of its influencing factors[D]. Beijing: General Research Institute for Nonferrous Metals, 2020.

[本文引用: 1]

[5]

SEQUINO L, VAGLIECO B M. Potential of infrared temperature measurements for the online estimation of the state-of-charge of a Li-polymer battery[J]. Journal of Energy Storage, 2021, 44: 103532.

[本文引用: 1]

[6]

杨胜杰, 罗冰洋, 王菁, 等. 基于容量增量曲线峰值区间特征参数的锂离子电池健康状态估算[J]. 电工技术学报, 2021, 36(11): 2277-2287.

YANG S J, LUO B Y, WANG J, et al. State of health estimation for lithium-ion batteries based on peak region feature parameters of incremental capacity curve[J]. Transactions of China Electrotechnical Society, 2021, 36(11): 2277-2287.

[7]

刘宇龄, 孟锦豪, 彭乔, 等. 基于NSGA-Ⅱ遗传算法的锂电池均衡指标优化[J]. 储能科学与技术, 2023, 12(6): 1946-1956.

[本文引用: 1]

LIU Y L, MENG J H, PENG Q, et al. NSGA-Ⅱ genetic algorithm-based optimization of the lithium battery equalization index[J]. Energy Storage Science and Technology, 2023, 12(6): 1946-1956.

[本文引用: 1]

[8]

黄保帅, 张巍. 基于单体一致性对动力锂电池性能的影响研究[J]. 电源技术, 2018, 42(9): 1310-1311, 1320.

[本文引用: 1]

HUANG B S, ZHANG W. Influence of cell consistency on performance of power lithium battery[J]. Chinese Journal of Power Sources, 2018, 42(9): 1310-1311, 1320.

[本文引用: 1]

[9]

TIAN J Q, WANG Y J, LIU C, et al. Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles[J]. Energy, 2020, 194: 116944.

[本文引用: 1]

[10]

魏刚. 基于阻抗谱的锂离子电池快速状态评估系统设计[D]. 哈尔滨: 哈尔滨工业大学, 2020.

[本文引用: 1]

WEI G. Design of rapid state evaluation system for lithium-ion battery based on impedance spectrum[D]. Harbin: Harbin Institute of Technology, 2020.

[本文引用: 1]

[11]

靳文涛, 李煜阳, 贾学翠, 等. 储能电站电池一致性综合评估方法研究[J]. 电器与能效管理技术, 2022(5): 23-28.

[本文引用: 2]

JIN W T, LI Y Y, JIA X C, et al. Research on comprehensive evaluation method of battery consistency in energy storage power station[J]. Electrical & Energy Management Technology, 2022(5): 23-28.

[本文引用: 2]

[12]

王帅, 尹忠东, 郑重, 等. 电池模组一致性影响因素在放电电压曲线簇上的表征[J]. 电工技术学报, 2020, 35(8): 1836-1847.

[本文引用: 1]

WANG S, YIN Z D, ZHENG Z, et al. Representation of influence factors for battery module consistency on discharge voltage curves[J]. Transactions of China Electrotechnical Society, 2020, 35(8): 1836-1847.

[本文引用: 1]

[13]

程功. 电池组一致性的统计特性与变化规律研究[D]. 北京: 北京交通大学, 2017.

[本文引用: 1]

CHENG G. Study on statistical characteristics and changing rules of consistency of battery pack[D]. Beijing: Beijing Jiaotong University, 2017.

[本文引用: 1]

[14]

潘岳, 韩雪冰, 欧阳明高, 等. 锂离子电池内短路检测算法及其在实际数据中的应用[J]. 储能科学与技术, 2023, 12(1): 198-208.

[本文引用: 1]

PAN Y, HAN X B, OUYANG M G, et al. Research on the detection algorithm for internal short circuits in lithium-ion batteries and its application to real operating data[J]. Energy Storage Science and Technology, 2023, 12(1): 198-208.

[本文引用: 1]

[15]

曾建邦, 张月娅, 张壮, 等. 基于动态k值K-means++聚类的电动汽车动力电池电压不一致故障识别方法[J]. 中国科学(技术科学), 2023, 53(1): 28-40.

[本文引用: 1]

ZENG J B, ZHANG Y Y, ZHANG Z, et al. Identification of power battery voltage inconsistency faults in electric vehicles based on K-means++ clustering with dynamic k-values[J]. Scientia Sinica (Technologica), 2023, 53(1): 28-40.

[本文引用: 1]

[16]

程阳阳. 一种基于改进型K-means聚类算法的退役电池组筛选重组方法[J]. 能源工程, 2022, 42(4): 36-42, 55.

[本文引用: 1]

CHENG Y Y. An improved K-means clustering algorithm based screening and recombination method of retired battery pack[J]. Energy Engineering, 2022, 42(4): 36-42, 55.

[本文引用: 1]

[17]

贾俊, 胡晓松, 邓忠伟, 等. 数据驱动的锂离子电池健康状态综合评分及异常电池筛选[J]. 机械工程学报, 2021, 57(14): 141-149, 159.

[本文引用: 1]

JIA J, HU X S, DENG Z W, et al. Data-driven comprehensive evaluation of lithium-ion battery state of health and abnormal battery screening[J]. Journal of Mechanical Engineering, 2021, 57(14): 141-149, 159.

[本文引用: 1]

[18]

LIN D, LI Z H, FENG Y B, et al. Research on inconsistency identification of lithium-ion battery pack based on operational data[C]//2021 4th IEEE International Conference on Industrial Cyber-Physical Systems (ICPS). May 10-12, 2021, Victoria, BC, Canada. IEEE, 2021: 498-502.

[本文引用: 1]

[19]

郭亚军. 综合评价理论、方法及应用[M]. 北京: 科学出版社, 2007.

[本文引用: 1]

GUO Y J. Theory, method and application of comprehensive evaluation[M]. Beijing: Science Press, 2007.

[本文引用: 1]

[20]

SANDER J, ESTER M, KRIEGEL H P, et al. Density-based clustering in spatial databases: The algorithm GDBSCAN and its applications[J]. Data Mining and Knowledge Discovery, 1998, 2(2): 169-194.

[本文引用: 1]

... 为实现“双碳”目标，大量的可再生能源接入电网^[1].但是风力、光伏等新能源发电受自然条件影响，具有波动性，影响了电网的稳定运行.储能系统能够弥补风力、光伏发电波动带来的功率缺额，实现电网调频，维持电网稳定^[2-3].电化学储能是最广泛的用于调频的储能装置，由于电池在制造生产过程中不可避免地会出现差异^[4]，并且电池初始差异会随着电池运行时间的延长逐渐放大，使得电池组更容易出现过充过放情况.同时，由于储能电站规模较大，包含大量电池单体，而单体的异常会引发连锁效应.因此，及时对电化学储能电站进行一致性评估，是发现异常电池、提高储能装置的工作效率及安全性的重要手段^[5-7]. ...

... 对电池数据的多维特征进行分析是电池一致性状态评估的有效手段，其中多维特征指电池组或单体电池中与电池组一致性有关的关键电气参数，研究人员通过加权等数学手段计算电池的多维特征，来评估电池状态.黄保帅等人^[8]提出电池单体电压、单体内阻等电气参数是评价电池一致性的重要指标.Tian等人^[9]选取开路电压、欧姆内阻和极化内阻作为电池特征量，提出了一种基于多特征加权的锂离子电池组在线一致性评价方法.魏刚^[10]则通过对电池健康状态和功率状态进行分析，提出了一种基于阻抗谱的电池快速状态评估系统.靳文涛等人^[11]通过分析不同工况下的储能电站电池运行情况，提取单体电池平均电压、极差电压、电压标准差等参数作为电池组一致性评估特征量，采用层次分析法提出储能电池一致性评估方法.王帅等人^[12]通过构建电池模型，研究电池组放电电压曲线簇，将影响电池组的一致性特征量分为两类，为初始状态量和状态变化率.其中初始状态量包括初始内阻、初始容量等；状态变化率包括内阻变化率、容量衰减率等，并对以上特征量对一致性的影响程度进行了验证.程功^[13]通过电池组循环实验，分析了15个一致性表征参数的变化特征，建立表征电池一致性的参数统计特性演化模型，该模型对预测电池组一致性表征参数具有较高准确性和适应性. ...

... 图3的折线图中，横坐标代表电池组的运行天数，由于本工作对储能电站电池组150天的运行数据进行分析，所以横坐标最大值为150；纵坐标表示3.3.1节中通过一致性评价算法计算得出的表征电池组一致性的参数，此参数越大代表电池组的一致性越差.将四个电池组在每一天的一致性表征参数相连，即可产生四条不同颜色的曲线，分别代表四个电池组的一致性变化.可以从图中明显看出：随着电池组运行天数的增加，所有电池组的一致性参数均出现了较为明显的上升，符合电池组在循环过程中由于单体电池的老化而出现的正常电池组不一致性升高情况；从图中还可以看出电池组的一致性曲线在某些时间出现较大的波动，这是因为储能电站属于工程场景，所以电池组的一致性指标会受到储能电站的运行状态影响，当储能电站处于较大功率运行时，电池组的一致性相比于低功率运行场景会出现明显的升高^[11]；图中还可以观察到当由于运行状态的改变而导致电池组的一致性出现变化时，这四个电池组的趋势基本保持一致，这表明当电池组的运行状态发生改变时，本算法也能较为快速准确地评估电池组的一致性情况.所以，在工程场景时，可以基于电池组的一致性评估结果对储能电站的大规模电池组进行维护和调整，有效提高储能电站的运行效率和安全性. ...

... 此外，也可以通过对电池的特征进行聚类分析来判断电池的健康状态.潘岳等人^[14]根据大量的电池运行数据，综合考虑内短路引起的电池特性变化规律，提取相关电气参数作为评价指标，提出了一种锂电池内短路检测算法.所提算法能够通过DBSCAN聚类，精准定位内短路电池，并可以实现分级故障预警.曾建邦等人^[15]通过对聚类簇数的优化，重新选择初始簇心，提出了一种基于动态k值的K-means++聚类方法，以实现动力电池电压不一致故障的识别.程阳阳^[16]利用电池单体容量、电量、内阻三个电气参数，分析总结电池内部差异性规律，提出了一种基于改进型K-means聚类方法，实现了对退役电池的筛选重组，实验结果表明该方法能够实现筛选出一致性较高的单体电池.贾俊等人^[17]针对实际应用中工况复杂和数据质量较差的场景，提出了一种基于大量数据的电池状态综合评分及异常筛选算法，在电池早期运行时就可以实现对异常电池的筛选.Lin等人^[18]以电压孤立点、电压范围和压差作为特征变量，提出了基于K-means算法在线识别锂离子电池组的不一致性. ...

... 最后，由于工程场景每个特征量都有各自的表征特点，需要对不同的特征量赋予权重.而在实际应用中，主观权重和客观权重可以结合使用.决策者可以结合个人经验和主观权重来进行初步评估，并使用客观方法对权重进行修正和调整，以提高决策的准确性和可信度^[19].由于储能电站电池运行情况在实验室无法复制，难以获取大量运行数据，所以考虑将十二个特征量赋予相同的权重，即求取十二个特征量的平均值作为获得表征电池组一致性的参数值S.该值越大代表电池组一致性越差.当此一致性评估方法在储能电站中应用后，基于长时间的电站一致性评估结果的准确性，再采用客观赋权方法对12个特征量的权重进行调整，最终再获得一个较为准确的权重分配. ...

... DBSCAN (density-based spatial clustering of applications with noise)为具有噪声的基于密度的聚类方法，是一种基于密度的空间聚类算法^[20].该算法无须设置聚类个数，通过邻域半径和最少点数目的设置对聚类点的簇进行划分，将簇定义为密度相连点的最大集合.此方法的优点是可以在具有离群点的空间数据集中发现任意形状的簇.算法设置过程中需要设置两个参数，分别为邻域半径eps和最少点数目minpoints，算法流程如下： ...

〈

〉