威尼斯人棋牌-威尼斯欢乐娱人城-首页

一种储能电站电池舱电池故障预判及定位的方法与流程

文档序号:24897655发布日期:2021-04-30 15:57
一种储能电站电池舱电池故障预判及定位的方法与流程

本发明涉及一种电化学储能故障处理方法,尤其涉及一种储能电站电池舱电池故障预判及定位的方法。



背景技术:

随着储能电站规模和应用范围的不断扩大,采用锂离子电池进行构架和运行的电站事故时有发生。锂离子储能电池能量密度高、热失控风险大,发生火灾后灭火难度极高,会造成严重直接损失和间接损失。因此对储能电站火灾预警功能的开发刻不容缓,提前发现,及时处理能够大大降低火灾的发生可能及危害。同时,随着电池循环次数得增加,电池一致性降低,同时电池的电性能、热性能、力学性能均发生衰减。因此,及时有效地预测储能电站电池故障并定位、溯源成为关键,但目前储能电站缺乏有效的电池故障主动预判系统。



技术实现要素:

发明目的:针对以上问题,本发明提出一种储能电站电池舱电池故障预判及定位的方法,用于储能电站电池故障预警和诊断,结合精准故障预判和模糊趋势分析,实现对电池单体、电池模组、电池簇等的多层级故障的预判及溯源定位,提升储能电站安全运行水平。

技术方案:本发明所采用的技术方案是一种储能电站电池舱电池故障预判及定位的方法,包括以下步骤:

(1)通过对单体电池健康度分析获取电池运行参数上下限阈值及当前状态下电池健康状态;所述的单体电池健康度分析包括以下步骤:

(11)通过主元分析法选择统计量;

(12)对所选择的历史数据采用核密度估计,结合统计方法得到概率密度函数并由此计算相应的阈值;其中所选择的历史数据包括两周以内电池的电压、温度和soc数据。

(13)根据所选择的历史数据计算各统计量的超限频率作为健康度去评估每个单体的健康状态。

(2)基于过去一段时间历史数据来预测未来一段时间内的电池性能变化趋势,结合上下限阈值对未来可能发生的故障进行预判及定位;同时对电池单体、电池组或电池簇的性能进行短时间内的突变预测,通过电池故障精准预判及定位来预测短时间内电池单体、电池组或电池簇的性能可能发生的故障,并且进行故障定位。

其中,所述的电池性能变化趋势包括以下步骤:

(21)通过灰度关联分析法分析待测特征量与容量两序列各因素发展趋势的相似程度,衡量两序列之间的相关性;通过皮尔森相关系数衡量两变量线性相关的程度;最后通过斯皮尔曼等级相关系数衡量两变量之间是否严格单调的相关性指标,进而确定健康因子;所述的步骤(21)所确定的健康因子为等时间间隔电压差序列,根据恒流充电模式下的监测时间、监测电压以及容量值,求取电压差得到。

(22)采用回声状态网络算法建立健康状态估计模型,以步骤(21)所确定的健康因子作为输入数据集,电池容量作为输出数据集训练健康状态估计模型,得到电池容量锂离子电池健康状态估计曲线;所述步骤(22)包括以下内容:将求取的等时间间隔待测参量序列与对应的容量序列分为训练集与测试集,健康状态估计模型的模型参数包括:储备池处理单元个数n,谱半径sr,储备池输入伸缩尺度is以及输入单元位移if;训练过程是通过逻辑回归训练健康状态估计模型的输出权值,使输出结果与实际结果的均方根误差最小,以及通过交叉验证的方法优化各参数值,使输出结果达到最优的状态;最后将测试数据的等时间间隔待测参量输入模型,估算电池的容量值,将电池的容量估算值与真实值对比,衡量模型的准确性。

(23)采用退化模型算法对锂离子电池健康状态进行预测,通过长短时记忆神经网络算法,对电池未来的健康因子状态进行预测,将预测的结果输入所述退化模型算法中得到容量估计值,预测锂离子电池的剩余寿命。

所述的长短期记忆神经网络算法包括以下内容:通过选取从第1个到第(n-m)个循环周期的等时间电压差数据,按顺序依次递推m个数据作为输入,选取从第m个到第n个循环周期的数据,按顺序依次递推m个数据作为输出;将所有数据划分为训练集和测试验证集,通过训练集训练长短期记忆神经网络模型,训练时首先进行数据归一化,预测结束后,再进行反归一化,得到预测结果的真实值。

步骤(2)中所述的电池故障精准预判及定位包括以下步骤:

(31)将过去一段时间以内的历史数据进行分析;所述的历史数据主要包括堆号、簇号、堆电压、堆soc、堆温差、簇电压、簇soc、簇压差、簇温差、绝缘电阻-、绝缘电阻+、单体电芯编号、单体电芯电压、单体电池温度、单体电池soc;

(32)通过弹性网络模型,预测出电池在未来一段时间内的数据值;所述的步骤(32)包括以下步骤:

(321)模型初始化;

(322)模型训练:用过去0~t-1时刻的三维输入数据与0~t-1时刻的soc输出数据训练模型,所述三维输入数据包括单体电池电压、soc和单体电池温度;

(323)soc预测:利用训练所得的弹性网络模型,用第t时刻的三维输入数据估计第t时刻的soc;

(324)返回实行模型初始化、模型训练和soc预测,区别在于模型训练是用0~t-2时刻的三维输入与1~t-1时刻的soc训练模型,soc预测则用第t时刻的三维输入数据预测第t+1时刻的soc;

(325)重复实行步骤(324),每次模型训练输入不变,输出递进一个时刻,soc预测则递进预测一个时刻,直到soc预测逐步递进为用第t时刻的输入预测第t+δt时刻的soc为止,得到当前时刻后δt内单体电池soc预测值。

(33)根据阈值判定未来短时间内是否有故障发生;

(34)根据故障树和故障与监测信号的关联矩阵,进行故障的故障定位、故障溯源。

首先,通过对储能电站的硬件和App方面可能发生的故障进行梳理、对储能电站的功能方面可能发生的故障进行梳理,构建储能电站典型故障树;其次,通过故障树的构建,分析储能电站主要故障类型的表征参量,进而建立主要故障类型及其相关表征参量的影响关系;再次,基于德尔菲法建立主要故障类型及其相关表征参量的影响权重分析,进行构建储能电站电池舱故障专家数据库;最后,通过电池故障精准预判工序来预判出表征参量的类型及权重关系,对电池故障进行精准预判及定位。

本发明所述的储能电站电池舱电池故障预判及定位的方法以计算机程序的形式存储在计算机可读存储介质中,该计算机程序使计算机实行上述电池故障预判及定位方法中的步骤。

有益效果:相比于现有技术,本发明具有以下优点:首先,本发明基于故障树、德尔菲法构建经验故障专家数据库,明确了储能电站电池舱硬件故障与表征参量之间的对应关系,实现了故障的判定与定位。其次,采用基于数据驱动的大数据分析方法,实现储能电站关键设备健康状态评估,提升了风险预警、故障溯源和智能决策能力。该技术的全面实施,可以明显提升储能电站的运维技术支撑水平和系统安全稳定水平。

附图说明

图1是本发明所述的单体电池健康度分析流程图;

图2是本发明所述的单体电池健康度评分标准;

图3是本发明所述的单体电压健康阈值线;

图4是本发明所述的单体温度健康阈值线;

图5是本发明所述的单体soc健康阈值线;

图6是本发明所述的性能变化趋势预测流程图;

图7是本发明所述的健康状态评估模型;

图8是本发明所述的性能变化趋势预测模型;

图9是本发明所述的电池故障精准预判及定位流程图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

本发明所述的储能电站电池舱电池故障预判及定位的方法,包括单体电池健康度分析、电池性能变化趋势预测、电池故障精准预判及定位。通过对单体电池健康度分析获取单体电池的上下限阈值及对当前状态下的单体电池健康状态进行评估,若某个或某些单体电池健康度过低,则更换该储能电站电池舱相应电池模组;同时将单体电池健康阈值与电池管理系统(bms)设定的模组及电池簇的电压、电流、温度、soc阈值一起作为电池故障预判的判据。通过电池性能变化趋势预测基于过去一段时间的历史数据来预测未来一段时间内(小时级或天级)的电池性能呈现的变化趋势,若预测到电池单体和/或电池组和/或电池簇的某个和/或某些性能即将超过阈值时,通过电池故障精准预判及定位进行故障的预判及定位;同时若检测到电池单体和/或电池组和/或电池簇的某个和/或某些性能可能会发生极短时间内的突变时,则可以通过电池故障精准预判及定位功能来进行预测短时间(分钟级)可能发生的故障,并且通过故障专家数据库来对相应故障定位和识别。

(1)单体电池健康度分析。

电池健康度分析又包括历史数据分析、阈值确定、健康度分析三个环节。

历史数据分析包括通过建立主元模型选择统计量。数据的收集和预处理数据是建立统计模型的基础,选择对生产过程的监测最有效的以及对产品质量有影响的数据,数据之间应该具有一定的相关性。通过主元模型来筛选满足条件的数据。本实施例中最终筛选出电池的电压、温度、soc数据进行分析。

阈值确定包括:针对两周的单体数据,采用核密度估计,结合统计方法得到概率密度函数,由此计算相应的控制限(即阈值),如图1所示。

如图2所示,为本发明所述的单体电池健康度评分标准。健康度分析包括根据前两周的控制限得出最新几天电压、温度、soc的超限频率作为健康度去评估每个单体的健康状态;健康度体现了单体电池性能指标(主要包括电压、soc、温度)在未来一段时间会长期处于正常工作范围内的上下限的可能性。其中电压健康度的定义为在过去两周内电压数据采集信息中出现在超过报警值的频次,如图3所示。soc健康度的定义为在过去两周内soc数据采集信息中出现在超过报警值的频次,如图4所示。温度健康度的定义为在过去两周内温度数据采集信息中出现在超过报警值的频次,如图5所示。

(2)电池性能变化趋势预测。

电池性能变化趋势预测包括:历史数据分析寻找健康因子、建立健康状态评估模型、趋势预测三个环节,如图6所示。

历史数据分析寻找健康因子包括通过灰度关联分析法分析待测特征量与容量两序列各因素发展趋势的相似程度,衡量两序列之间的相关性;通过皮尔森相关系数衡量两变量线性相关的程度;最后通过斯皮尔曼等级相关系数衡量两变量之间是否严格单调的相关性指标,进而确定健康因子;

如图7所示,建立健康状态评估模型是指通过灰度系数相关性分析,采用与电池容量具有较强相关性的健康因子建立起健康状态估计模型,训练模型并得到锂离子电池健康状态估计曲线,健康状态估计模型则是采用回声状态网络(esn)算法实现。

基于回声状态网络(esn)算法的健康状态评估模型的构建流程如下:(1)数据准备;(2)esn建模;(3)模型预测。

数据准备包括:提取恒流充电模式下的监测时间,监测电压以及容量值;选取从起始开始一定时间间隔的电压,求取电压差构建等时间间隔电压差序列。

esn建模包括:将求取的等时间间隔待测参量序列与对应的容量序列分为训练集与测试集。esn的模型参数共有四个,储备池处理单元个数n,谱半径sr,储备池输入伸缩尺度is以及输入单元位移if。训练过程是通过逻辑回归训练esn模型的输出权值,使输出结果与实际结果的均方根误差最小,以及通过交叉验证的方法优化四个参数值,使输出结果达到最优的状态。

建模预测包括:将测试数据的等时间间隔待测参量输入模型,估算电池的容量值,将电池的容量估算值与真实值对比,衡量模型的准确性。

如图8所示,趋势预测包括通过长短时记忆网络(lstm)算法,对电池未来循环次数的健康因子状态进行预测,将预测的结果输入健康状态估计模型得到容量估计值,预测锂离子电池的剩余寿命。

lstm神经网络模型的运算策略为:实验通过选取从第1个到第(n-10)个循环周期的等时间电压差数据,按顺序依次递推10个数据作为输入,选取从第10个到第n个循环周期的数据,按顺序依次递推10个数据作为输出。将所有数据划分为训练集和测试验证集。由于lstm神经网络对数值大小比较敏感,所以首先进行归一化,将所有数据换算到0到1之间,预测结束后,再进行反归一化,得到预测结果的真实值。

(3)电池故障精准预判及定位。

电池故障精准预判及定位包括:将过去1小时的历史数据进行分析;通过弹性网络方法,对历史数据通过多元统计进行贡献度分析;基于此,根据阈值判定未来10min是否有故障发生(即进行故障识别);基于故障失效模式分析,对预判故障进行危害度分析;然后根据故障树和故障与监测信号的关联矩阵,进行故障的故障定位、故障溯源,如图9所示。

其中,历史数据主要包括堆号、簇号、堆电压、堆soc、堆温差、簇电压、簇soc、簇压差、簇温差、绝缘电阻-、绝缘电阻+、单体电芯编号、单体电芯电压、单体电池温度、单体电池soc等。其中-和+代表电池系统总正和总负处测得的绝缘电阻

贡献度分析包括:通过弹性网络模型en预测出电池在未来一段时间内的数值,并通过多元统计进行贡献度的分析,分析出在这段时间内的哪个时间点最有可能发生故障,进行对故障进行预判。

其中,弹性网络模型en预测方法包括:。

(1)初始化en。

(2)训练模型。用过去0-59时刻(分钟级)共一小时内的三维输入数据(单体电压、soc、单体温度)与过去0-59时刻(分钟级)的soc输出数据拟合en模型。

(3)soc预测。利用训练所得的en模型,用第60时刻(分钟级)的三维输入(单体电压、soc、单体温度)输入数据估计第60时刻的soc数据,这样即可得到当前时刻后第1分钟的单体soc值。

(4)预测下一时刻的单体soc。返回实行第一步至第三步,区别在于第二步用0-58时刻(分钟级)的三维输入(单体电压、soc、单体温度)与1-59时刻(分钟级)的soc拟合。并且第三步用第60时刻的输入预测第61时刻的soc,这样即可得到当前时刻后第2分钟的单体soc值。

(5)重复第四步,返回实行模型初始化、模型训练和soc预测,模型训练输入不变,输出递进一个时刻,每次向前预测1分钟,直到第三步为用第60时刻的输入预测第70时刻的soc为止。这样即可得到当前时刻后10分钟单体soc预测值。

电池故障精准定位包括储能电站典型故障树构建、电站主要故障类型及其相关表征参量的影响关系分析、电站主要故障类型及其相关表征参量的影响权重分析。首先通过对储能电站的硬件和App方面可能发生的故障进行梳理、对储能电站的功能方面可能发生的故障进行梳理,构建储能电站典型故障树;其次,通过故障树的构建,分析储能电站主要故障类型的发生可能会通过哪些表征参量(包括但不限于电压、电流、温度、soc、绝缘电阻等)来体现出来,进而建立主要故障类型及其相关表征参量的影响关系分析;再次,基于德尔菲法建立主要故障类型及其相关表征参量的影响权重分析,进行构建储能电站电池舱故障专家数据库。最后,通过电池故障精准预判工序来预判出表征参量的类型及权重关系,对电池故障进行精准预判及定位。

本领域内的技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全App实施例、或结合App和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器实行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上实行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上实行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,应当理解:本领域普通技术人员基于所描述的本发明的实施例,在无需创造性劳动的前提下经修改或替换所形成的所有方法或产品,均应涵盖在本发明的权利要求保护范围之内。

再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1

威尼斯人棋牌|威尼斯欢乐娱人城

XML 地图 | Sitemap 地图