摘要
储能是实现国家“双碳”战略目标的重要环节，在众多储能方案中，锂离子电池储能的效率最高，但锂离子电池成本高和不安全的问题影响其发展。准确掌握储能锂电池的健康状态(StateofHealth，SOH)能够提高对其的利用率，提高电池组的整体寿命和储能系统的工作性能。目前对于锂离子电池健康状态的研究在实用性上还有待提高，针对单体电池的研究较多，针对电池组的研究相对较少，此外大部分研究所用到的锂电池数据在实验室环境下获取，缺少对于实际数据的研究，据此本文主要针对实验获取的锂电池数据集以及实际数据进行SOH的研究。 首先介绍锂离子电池健康状态的评价指标以及相关参数，列举锂离了电池的不同连接方式以及分析其容量衰减原因。其次介绍研究用到的NASAPCoE公开数据集、CALCE公开数据集以及来自现场的实际储能数据，从充放电方式上对上述数据进行了分析。接着在Pycharm软件中搭建多种网络模型，分别以不同维度的特征作为模型输入，将长短期记忆(LongShortTermMemory，LSTM)网络与不同的时序网络进行对比，并基于遗传算法优化了LSTM网络的相关参数，得到较好的预测结果。 最后设计了基于STM32单片机的锂离子电池组数据采集系统，对比不同采集方案的优劣，选择使用模拟前端采样芯片(AnalogFrontEnd，AFE)进行各项数据的采集。设计的采集系统使用主从结构，在I．MX6ULL单片机上移植实时操作系统，提高系统的实时性，STM32单片机作为从机进行数据交互。将采集到的数据通过窗体应用程序进行展示以及发送至云平台，在云平台接收到数据后通过训练好的模型计算出电池组中各节单体电池的健康状态，预测精度满足设计要求。
NETL