杨 铭 闻 铖 严玲玲 牟京亚 孙金莉 由 勇

（1、国网湖北省电力有限公司，湖北 武汉430077 2、国网湖北省电力有限公司检修公司，湖北 武汉430050 3、北京匠芯电池科技有限公司，北京102606)

1 概述

蓄电池电源柜是开关站、变电所、配电室等机构用于掉电后恢复供电的重要备份电能存储设备，其工作特点在于平时要保证充满电、无故障，供电异常时要保证能供电、电量足，具有“养兵千日，用兵一时”的特点。由于传统铅酸蓄电池的电化学原理，决定了虽然具有单体成本比较低的优势，但是也有自放电率高、能量密度低、运行维护工作复杂的劣势。国家电力行业标准DL/T-459-200 和DL/T724-2000 中明确规定铅酸电池电源柜必须在一定时间内对蓄电池组进行核对性放电，该项工作不但损耗电能，更重要的是在放电过程中蓄电池电源柜的储能下降为原来的1/n，极端情况下降到1/2；放电次数多，每四年或每年进行；严重损耗铅酸电池寿命。备用电池维护要求高，每隔几个月就要对备用电池进行充电；在线电池由于自放电率高需要一直进行浮充充电供电，能量浪费大，电池没有管理控制系统，内阻等监控参数需要人工测量，维护自动化程度低，成本高。新型锂离子电池具有能量密度大，自放电率低，循环寿命长，在线监控方便等优点在工业和民用领域应用广泛，技术成熟。但是，如果不对替换锂电池进行实时性能能监控，则锂电池在安全方面的缺点难以避免。实时估计锂电池当前健康状态（Start of Health,SOH）成为锂电池替换变电站直流系统铅酸电池成功的关键。

2 循环神经网络状态评估方法

循环神经网络（RNN）研究始于20 世纪80-90 年代。循环网络分为：输入层，隐层，承接层和输出层等四层。其状态结构如图1 所示。输入层、隐层、输出层采用顺序结构，具备前馈神经网路的有点。在隐层和输入层之间具有一个承接层，承接层通常又称为状态层，它能够记忆隐藏层单元在前一时刻的输出值，记忆的输出值按照一定的规则反馈给输入层[3]。

图1 RNN 状态结构图

RNN 的状态方程如公式（1）所示：

其中，t 表示时间，X,O 表示输入和输出，U,W,V 分别表示此刻时间、输入、输出的权重。St 表示t 时刻的记忆。g(·)为输出层的传递函数，可以看作中间层在输出过程的一种组合。f(·)为中间层神经元的传递函数，可以使用符号函数作为一种传递函数。

由于RNN 具备在有限的时间内通过数值计算逼近函数的功能，可以将RNN 的记忆性能用来反映电池安时积分与电压差分之间的特征关系，因此采用RNN 做电池健康度研究具有较好的适应性。

3 模型建立与分析

3.1 样本选取

根据变电站替换用锂电池特点，电池组样本选取国内某大型电池企业的三元电池组。电池组数据采用监控器上传数据作为训练数据，通过数据进行清洗整理，数据融合方式获取原始数据。对相关数据进行电化学参量计算，得到该型电池包的容量增量曲线（Incremental Capacity Analysis, ICA）。ICA 曲线面积可以表示为当前状态下的SOH 计算量。再通过折算公式将不同温度倍率数据折算为标准25 摄氏度，1C 倍率的折算数据，再通过容量增量的计算，得到ICA 曲线。通过最后一次数据后的国标条件完整充电过程计算实际容量。

归一化方法是为了保证样本数在相同评价尺度上进行比较。归一化一本原理是对原始数据进行线性变换，使结果映射到指定区间范围内。其中零值归一化方法是将原始数据的均值和标准差进行相应的归一化。针对实验数据特点在计算ICA 曲线前我们采用了均值归一化方法。其公式为：

式中，kn为归一数据，K 为原始数据，kmax为样本最大值，kmin为样本最小值。反归一方法采用postmnmx 方法，其计算公式为：

式中，y 为原始数据，yn为归一数据，ymax为样本最大值，ymin为样本最小值。

3.2 构建模型

通过RNN 网络模型，第一步确定学习函数为ICA 下降权值，设定阈值学习函数0.05 的学习率，设定梯度下降函数为输入层、承接层和输出层函数，设定为符号函数为隐层函数[4]，设定学习迭代次数最大为8000 次。计算流程如下图所示：

图2 RNN 学习流程图

3.3 结果分析

图3 测试锂电池预测ICA 曲线与原曲线对比

表1 测试锂电池预测曲线面积误差分析表

通过比较经RNN 网络经学习后，能够较好的计算出ICA 预测曲线，预测曲线与实际容量计算值之间误差值在可以接受范围之内。该方法适合实时估计锂电池当前健康状态评估。

4 结论

采用锂电池替换变电站直流电源中的铅酸电池改进传统的电池接线和管理方式，改变变电站直流电源运行维护制度，使得锂电池的技术优势得到更好的发挥，具有较高的经济、技术优势。通过RNN 网络能够实现实时估计锂电池当前健康状态评估，提高锂电池运行监控技术。