考虑寿命周期的超级电容耦合锂电池储能容量分配方法

技术领域

本发明涉及储能技术领域，具体为考虑寿命周期的超级电容耦合锂电池储能容量分配方法。

背景技术

锂电池因其高能量密度和长寿命等优点，广泛应用于各类储能系统中。然而，锂电池的寿命预测精度较低，主要由于传统预测方法中，内阻、电压、电流和温度等输入变量之间存在相互影响，导致预测结果不准确。这种情况限制了锂电池的有效利用，并增加了维护成本。

同时，超级电容以其快速充放电的特性，成为储能系统中重要的组成部分。超级电容和锂电池的结合，可以充分利用各自的优势，提高能量分配效率。然而，现有技术中，超级电容和锂电池的能量分配策略未能充分优化，未能有效延长锂电池的使用寿命。

现有的储能系统在性能优化方面也存在不足，未能综合考虑多输入变量和时域-频域数据处理方法，导致系统整体性能欠佳。现有技术中，对锂电池寿命的预测模型主要以内阻、电压、电流和温度等单一变量为基础，未能有效结合这些变量的相互关系，预测精度较低。

本发明提出了一种考虑寿命周期的超级电容耦合锂电池储能容量分配方法，实现了锂电池寿命的高精度预测和最佳能量分配。

发明内容

鉴于上述存在的问题，提出了本发明。

因此，本发明解决的技术问题是利用超级电容的快速充放电特性与锂电池的高能量密度特性，通过优化两者的协同工作，实现能量的高效管理和分配。提高了储能系统的整体性能，解决了传统方法中存在的锂电池寿命预测精度低、能量分配不合理及系统性能欠佳的问题。

为解决上述技术问题，本发明提供如下技术方案：考虑寿命周期的超级电容耦合锂电池储能容量分配方法，包括：

通过传感器获取锂电池的参数数据，并对参数数据进行预处理，滤除噪声并进行归一化处理；

将预处理后的锂电池参数数据进行变量耦合和相关性分析，计算线性和非线性拟合度，得到综合拟合度；

利用加权平均法将输入变量耦合为单一综合输入量；

将综合输入量通过傅里叶变换转换为频域综合输入量；

根据频域综合输入量进行寿命周期预测，获得预测结果，将频域预测结果通过逆傅里叶变换转换回时域，形成时域预测结果；

对时域预测结果进行信号丢失补偿，通过时域和频域混叠的方法处理补偿后的时域预测结果。

作为本发明所述的考虑寿命周期的超级电容耦合锂电池储能容量分配方法的一种优选方案，其中：所述参数数据包括内阻R、电压V、电流I和温度T;

所述变量耦合是使用机器学习算法构建预测模型对预处理后的锂电池参数数据进行预测，根据历史数据进行训练，预测未来的参数变化，将参数数据R、V、I、T输入到预测模型中，得到预测结果X

所述相关性分析包括对预测结果X

作为本发明所述的考虑寿命周期的超级电容耦合锂电池储能容量分配方法的一种优选方案，其中：所述线性拟合度表示为，

，

其中，

所述非线性拟合度表示为，

，

，

，

其中，

所述综合拟合度表示为，

，

其中，

作为本发明所述的考虑寿命周期的超级电容耦合锂电池储能容量分配方法的一种优选方案，其中：所述将输入变量耦合为单一综合输入量表示为，

，

，

，

其中，A表示综合输入量，

作为本发明所述的考虑寿命周期的超级电容耦合锂电池储能容量分配方法的一种优选方案，其中：所述傅里叶变换包括将综合输入量

，

其中，

作为本发明所述的考虑寿命周期的超级电容耦合锂电池储能容量分配方法的一种优选方案，其中：所述寿命周期预测包括根据频域综合输入量

所述频域预测模型表示为，

，

其中，

所述高斯滤波平滑表示为，

，

，

其中，

所述幅度归一化表示为，

，

其中，

作为本发明所述的考虑寿命周期的超级电容耦合锂电池储能容量分配方法的一种优选方案，其中：所述逆傅里叶变换包括将频域预测结果

，

其中，

作为本发明所述的考虑寿命周期的超级电容耦合锂电池储能容量分配方法的一种优选方案，其中：所述补偿后的时域预测结果是对时域预测结果进行信号丢失补偿，表示为，

，

其中，

根据最终预测结果

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述考虑寿命周期的超级电容耦合锂电池储能容量分配方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述考虑寿命周期的超级电容耦合锂电池储能容量分配方法的步骤。

本发明的有益效果：本发明提供的考虑寿命周期的超级电容耦合锂电池储能容量分配方法提高了锂电池寿命预测的精度，减少了变量间的相互影响，从而优化了能量分配策略。通过计算各输入变量的线性和非线性拟合度，得出综合拟合度，并利用加权平均法将输入变量耦合为单一综合输入量，简化了输入，提高了预测精度。傅里叶变换和逆傅里叶变换的应用，使得频域与时域的数据处理更为高效，通过信号丢失补偿，进一步增强了预测结果的准确性。通过频域综合输入量调整锂电池和超级电容间的能量流动，实现了最佳能量分配策略，减少了锂电池的负载，延长了其使用寿命。采用时域-频域混叠方法处理输入数据，显著提高了系统的响应速度和效率，增强了储能系统的可靠性和稳定性。不仅提高了锂电池寿命预测的精度和系统性能，还有效减少了电池维护成本，整体提升了储能系统的经济性和可靠性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明一个实施例提供的考虑寿命周期的超级电容耦合锂电池储能容量分配方法的整体流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

实施例1

参照图1，为本发明的一个实施例，提供了考虑寿命周期的超级电容耦合锂电池储能容量分配方法，包括：

通过传感器获取锂电池的参数数据，并对参数数据进行预处理，滤除噪声并进行归一化处理；

将预处理后的锂电池参数数据进行变量耦合和相关性分析，计算线性和非线性拟合度，得到综合拟合度；

利用加权平均法将输入变量耦合为单一综合输入量；

将综合输入量通过傅里叶变换转换为频域综合输入量；

根据频域综合输入量进行寿命周期预测，获得预测结果，将频域预测结果通过逆傅里叶变换转换回时域，形成时域预测结果；

对时域预测结果进行信号丢失补偿，通过时域和频域混叠的方法处理补偿后的时域预测结果。

所述参数数据包括内阻R、电压V、电流I和温度T;

所述变量耦合是使用机器学习算法构建预测模型对预处理后的锂电池参数数据进行预测，根据历史数据进行训练，预测未来的参数变化，将参数数据R、V、I、T输入到预测模型中，得到预测结果X

所述相关性分析包括对预测结果X

所述线性拟合度表示为，

，

其中，

所述非线性拟合度表示为，

，

，

，

其中，

所述综合拟合度表示为，

，

其中，

所述将输入变量耦合为单一综合输入量表示为，

，

，

，

其中，A表示综合输入量，

通过窗口剪函数

所述傅里叶变换包括将综合输入量

，

其中，

所述寿命周期预测包括根据频域综合输入量

所述频域预测模型表示为，

，

其中，

频域预测模型

使用机器学习算法（采用支持向量机或随机森林）。通过训练频域特征和对应的目标变量（锂电池的剩余寿命）来构建模型。

为了提高预测精度，使用深度学习算法（采用卷积神经网络CNN或长短期记忆网络LSTM），处理频域特征，捕捉潜在的模式和趋势。

进行数据采集，收集大量锂电池的历史数据，包括内阻（R）、电压（V）、电流（I）和温度（T）。数据预处理：对采集的数据进行预处理，滤除噪声并进行归一化处理。对预处理后的综合输入量A 进行傅里叶变换，获取频域综合输入量

从频域综合输入量

选择机器学习算法或深度学习算法，使用频域特征和目标变量进行模型训练，通过交叉验证和网格搜索等方法优化模型参数。

使用验证数据集评估模型的性能，通过指标如均方误差（MSE）、R方（R²）等衡量预测精度。

使用独立测试数据集测试模型的泛化能力，确保模型在不同数据集上的稳定性。

将训练好的模型部署到实际应用中，通过输入新的频域综合输入量

所述高斯滤波平滑表示为，

，

，

其中，

所述幅度归一化表示为，

，

其中，

所述逆傅里叶变换包括将频域预测结果

，

其中，

所述补偿后的时域预测结果是对时域预测结果进行信号丢失补偿，表示为，

，

其中，

高斯加权和目的是对信号进行加权平均处理。高斯权重函数

表示信号在位置

首先，对信号序列

将索引

使用余弦函数计算补偿因子，并将其应用于时域预测结果

使用高斯加权能够强调局部信息，使得与当前索引位置较近的信号值贡献更大，从而保留信号的局部特性。这种权重分布有助于平滑信号，并减少噪声的影响。通过余弦函数对高斯加权和进行相位调整，能够有效地补偿信号中的相位误差。

根据最终预测结果

预设调整阈值的设定通过首先分析历史数据，收集锂电池和超级电容的历史运行数据，包括负载变化、能量消耗、充放电周期等。对历史数据进行预处理，滤除噪声并进行归一化处理。

从历史数据中提取特征，包括负载变化趋势、能量消耗模式、充放电速率等。

使用K-means聚类算法将历史数据划分为若干组，分析不同负载情况下的能量分配策略。

基于聚类分析的结果，计算各组数据的平均负载水平，并设定动态阈值。采用加权平均或动态规划等方法，以确保阈值的合理性和适应性。

通过历史数据和实际运行情况，使用粒子群优化算法不断调整和优化阈值，以确保其适应实际应用中的变化。

若锂电池承载主要负载，确保稳定的能量供应，根据负载需求，动态调整锂电池的充放电速率，确保其在安全范围内高效运行，实时监控锂电池的SOC和SOH，确保在安全范围内运行。

超级电容用于平滑负载波动，吸收瞬时能量冲击，保护锂电池免受大电流冲击，在负载瞬时增加时，超级电容快速释放能量，减少锂电池的瞬时负荷，在负载瞬时降低时，超级电容快速充电，存储多余能量，避免浪费。

若超级电容承载主要负载，减少锂电池的负载，提高锂电池的使用寿命，根据负载需求，动态调整超级电容的充放电速率，确保其在安全范围内高效运行，实时监控超级电容的SOC和SOH，确保在安全范围内运行。

锂电池主要用于提供基准能量，确保基本能量需求，锂电池保持基本的充放电速率，提供稳定的基准能量输出，在负载波动时，将主要负载转移到超级电容，保护锂电池。

使用模糊控制算法，根据负载变化和锂电池状态，动态调整能量分配策略。结合机器学习算法，预测未来负载变化趋势，提前调整能量分配策略。

实施例2

本发明的一个实施例，其不同于前两个实施例的是：

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置）、便携式计算机盘盒（磁装置）、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编辑只读存储器（EPROM或闪速存储器）、光纤装置以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

实施例3

为本发明的一个实施例，提供了考虑寿命周期的超级电容耦合锂电池储能容量分配方法，为了验证本发明的有益效果，通过仿真实验进行科学论证。

对比使用本发明的方法和传统方法进行锂电池寿命预测和能量分配。实验将通过获取锂电池和超级电容的参数数据，进行寿命预测和能量分配策略优化，并分析两种方法在预测精度、能量分配效率和性能方面的差异。

使用Matlab搭建仿真实验环境，准备锂电池和超级电容的模拟数据，包括内阻、电压、电流和温度等参数。

通过传感器模拟器获取锂电池和超级电容的参数数据，进行预处理，滤除噪声并进行归一化处理。

传统方法实验使用传统的寿命预测模型（本仿真实验传统方法采用线性回归模型）对锂电池的寿命进行预测，进行能量分配策略的模拟，计算能量分配效率和锂电池寿命预测的精度。

本发明方法实验使用本发明的寿命预测模型，包括变量耦合、相关性分析、傅里叶变换和逆傅里叶变换、信号丢失补偿等步骤，对锂电池的寿命进行预测。优化能量分配策略，通过频域综合输入量调整锂电池和超级电容间的能量流动，实现最佳能量分配。

记录两种方法在寿命预测精度、能量分配效率和响应速度方面的数据，对比分析两种方法的实验结果。实验结果如表1所示。

表1 实验结果对比表：

本发明方法的锂电池寿命预测误差低于传统方法，通过综合输入变量和相关性分析，减少了变量间的相互影响，提高了预测精度。能量分配效率高于传统方法，通过频域综合输入量调整锂电池和超级电容间的能量流动，实现了最佳能量分配策略，有效减少了锂电池的负载，响应时间较传统方法有显著改善，采用时域-频域混叠方法处理输入数据，增强了响应速度，故障稳定性更高，通过优化能量分配和提高预测精度，本发明方法提高了可靠性和稳定性，显著降低了电池维护成本，通过提高寿命预测精度和优化能量分配策略，减少了锂电池的维护频率和成本。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。