CN104297577A - 基于超级电容器的老化状态估算检测系统及方法 - Google Patents

Abstract

本发明涉及一种基于超级电容器的老化状态估算检测系统及方法，其检测系统包括可编程电源、受试超级电容器、可编程负载、数据存储单元、数据采集通讯单元、数据运算处理单元和老化状态预估单元；其检测方法通过设定所需的工况，采集测试数据并进行分频降噪预处理，然后根据超级电容器模型对模型参数进行辨识并计算特征参数，由此进行老化状态评价。与现有技术相比，本发明可以检测不同阶段的超级电容器老化状态，具有应用普遍性广、工况针对性强，老化状态判断准确，老化检测耗时短，结果可靠性高等优点。

Description

基于超级电容器的老化状态估算检测系统及方法

技术领域

本发明涉及超级电容器检测系统，特别是涉及一种基于超级电容器的老化状态估算检测系统及方法。

背景技术

可再生能源的开发以及节能技术是当前世界各国的研究热点，而超级电容器是近年迅速发展的器件之一，其能量密度高于传统电容，功率密度远大于燃料电池和蓄电池，再加上充放电效率高、工作温度范围宽、循环寿命长等优点适于高频率、大电流快速充放电场合。

目前蓄电池失效特征与老化状态在国内外已有广泛研究，对应检测系统也逐渐加入单体状态检测，但超级电容器相关方面却略显匮乏，难于对超级电容器老化状态进行评估。迫切需要一款能够准确检测并估算老化状态的寿命评价系统。

在所检国内外公开报道的文献范围内，超级电容器虽是当前的研究热点，但主要集中在超级电容器本身生产工艺、制备方法与材料选型上，涉及大规模储能系统中的老化状态估算及其检测系统鲜有文献报道。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于超级电容器的老化状态估算检测系统及方法。

本发明的目的可以通过以下技术方案来实现：

一种基于超级电容器的老化状态估算检测系统，包括可编程电源、受试超级电容器、可编程负载、数据存储单元、数据采集通讯单元、数据运算处理单元和老化状态预估单元，所述可编程电源、受试超级电容器与可编程负载依次连接；所述数据采集通讯单元分别与可编程电源、受试超级电容器与可编程负载通过通讯线连接；所述数据采集通讯单元、数据运算处理单元与老化状态预估单元顺序连接；所述数据存储单元分别与采集通讯单元、数据运算处理单元与老化状态预估单元相连。

所述可编程电源包括电源网络输入、电力变换装置与电源控制单元，其中电源网络输入提供全检测系统的电能，通过电源控制单元输入具体检测的特定工况参数，并通过电力变换装置给出所需的电流波形，可编程电源的控制指令通过其电源控制单元给定。

受试超级电容器是待测超级电容器单体或模块或系统，可以是全新需要进行初始寿命核准的超级电容器，也可以是经过一定时间使用，需要判断具体老化状态的超级电容器。其一端与可编程电源相连，一端与可编程负载连接。数据通过通讯线连接到数据采集通讯单元，提供加载在超级电容器两端的电压、流过超级电容器的电流、受试超级电容器的壳体温度等相应数据。

所述的可编程负载包括负载控制单元与负载元件，其中负载控制单元编辑需要给定的负载输出并通过负载元件实现，负载元件与受试超级电容器相连，作为超级电容器特定工况给定的负载，提供超级电容器泄放能量作用。

数据存储单元存储的数据包括来自可编程电源、受试超级电容器、可编程负载的采集数据，以及系统自身所需的先验知识、超级电容器模型、老化数据表。

所述数据采集通讯单元采集来自可编程电源、受试超级电容器、可编程负载的数据后，不对数据进行分频降噪处理。

所述数据运算处理单元对数据采集通讯单元采集的数据进行分频降噪预处理后，选择模型阶数与模型类型，确定超级电容模型，对超级电容器模型的模型参数进行辨识，并据此计算特征参数，将结果传送至数据存储单元保存；其中，优化算法包括但不限于最小二乘类算法、进化计算、群体智能算法。

所述老化状态预估单元根据模型参数和特征参数的计算结果进行状态判断，在阈值比较的基础上，使用模式识别理论进一步进行老化状态评价，并将评价结果传送至数据存储单元保存；其中，模式识别理论包括但不限于聚类分析，决策树分析。

一种基于超级电容器的老化状态估算检测方法，包括以下步骤：

1)将想要检测的老化状态工作工况输入可编程电源，老化状态工作的电流激励信号特征包括电流幅值、电流脉冲、电流上升率；

2)常温下，通过已输入的电流激励信号对受试超级电容器进行激励，相同激励的测试需要连续重复完成3次，两两测试间隔相差30分钟以保证两两初始状态的热性能稳定；

3)同步采集受试超级电容器的测试数据，包括环境温度、壳体温度、单体电压、单体电流；

4)将得到的测试数据进行分频降噪预处理，去除采样过程中可能出现错误数据后，进行初始数据保存；

5)选择模型阶数与模型类型，确定超级电容器模型，该超级电容器模型为具有物理意义的模型，或是具有明显老化状态特征参数的模型；

6)对超级电容器模型的模型参数进行辨识，并据此计算特征参数，其中模型参数包括等效串联电阻、等效并联电阻、等效电容、等效电感，特征参数包括荷电状态、可用能量、脉冲功率、能量密度、功率密度；

7)将数据进行老化状态判断，在阈值比较的基础上，使用模式识别理论进一步进行老化状态评价，并将评价结果传送至数据存储单元保存；其中，模式识别理论包括但不限于聚类分析，决策树分析。

与现有技术相比，本发明具有以下优点：

1.本发明老化状态检测对象不同于现有锂电池或是其他蓄电池，测试对象是超级电容器，针对其静电存储的电容储能原理及能量密度高于传统电容，功率密度远大于燃料电池和蓄电池等特性，面向大规模储能系统应用的高功率器件老化状态估算。

2.本发明通过设置实际工况电流激励波形融合特定应用中的多个普遍特征，代替简单充放电波形作为输入，其老化状态检测的针对性比现有方法更强，可以直接得到具体应用的老化寿命状态，数据指向性更明确，特定工况的判断准确性更高。

3.本发明检测比照的参数更多，除如等效串联电阻、等效并联电阻、等效电容、等效电感等模型参数外，还需要同时检测包括荷电状态、可用能量、脉冲功率、能量密度、功率密度等特征参数，提高老化状态估算的检测精度。

4.本发明去除温控箱设置，仅在常温下完成，能够规避不同温度静置时间，大幅度降低检测所需时间，但测试数据通过先验知识库的多参数比对处理可以在不降低预测精度情况下得到相同的检测结果。

5.本发明除阈值比较的识别方法外，考虑实际应用更关注放电过程可以释放的脉冲功率、具体能量等参数，选用放电数据融合模式识别中先验知识使用、聚类识别与决策树等方法，增强老化状态评判标准，得到更加准确的老化状态估算结果。

附图说明

图1为本发明的检测系统的结构示意图。

图2为本发明的检测方法的工作流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，一种基于超级电容器的老化状态估算检测系统，包括可编程电源10、受试超级电容器20、可编程负载30、数据存储单元40、数据采集通讯单元41、数据运算处理单元42和老化状态预估单元43。

其中，可编程电源10包括电源网络输入、电力变换装置与电源控制单元，其中电源网络输入提供全检测系统的电能，通过电源控制单元输入具体的想要检测的特定工况参数，并通过电力变换装置给出所需的电流波形。其中电源网络的输出端连接电力变换装置；电力变换装置一端与供电网络连接，一端与受试超级电容器相连，可编程电源控制通过其电源控制单元给定。受试超级电容器20是待测超级电容器单体或模块或系统，可以是全新需要进行初始寿命核准的超级电容器，也可以是经过一定时间使用，需要判断具体老化状态的超级电容器。其一端可编程电源10相连，一端可编程负载30连接。数据通过通讯线连接到数据采集通讯单元41，提供加载在超级电容器两端的电压、流过超级电容器的电流、受试超级电容器的壳体温度等相应数据。所述的可编程负载30包括负载控制单元与负载元件，其中负载控制单元编辑需要给定的负载输出并通过负载元件实现。负载元件与受试超级电容器20相连，作为超级电容器特定工况给定的负载提供超级电容器本身泄放能量作用。所述的数据存储单元40一方面用于存储来自可编程电源10、受试超级电容器20、可编程负载30的采集数据，一方面用于存储检测系统自身所需的先验知识、超级电容器模型、老化数据表等已有数据。数据存储单元40需要通过通讯线与数据采集通讯单元41、数据运算处理单元42与老化状态预估单元43分别连接。数据采集通讯单元41用于采集来自可编程电源10、受试超级电容器20、可编程负载30的数据，并不做任何数据分频降噪处理。其一端与数据存储单元40连接，一端与数据运算处理单元42连接。所述的数据运算处理单元42通过采集得到的数据进行分频降噪预处理，去除采样过程中可能出现的粗大误差、随机误差等错误数据，之后选择模型阶数与模型类型，通过希望判断的超级电容器模型进行对应的模型参数计算处理并将结果传送至数据存储单元40保存。其一端与数据采集通讯单元41连接，一端与老化状态预估单元43连接。所述的老化状态预估单元43通过计算得到的数据进行状态判断，在阈值比较的基础上，使用聚类分析，决策树等模式识别理论进一步进行老化状态评价并将评价结果传送至数据存储单元40保存。其一端与数据运算处理单元42连接，一端与数据存储单元40连接。

如图2所示，基于超级电容器的老化状态估算检测方法包括以下步骤：

步骤201、将想要检测的老化状态工作工况输入可编程电源，包括电流幅值、电流脉冲、电流上升率等需要施加的电流激励信号特征；

步骤202、常温下，通过已输入的电流波形对受试超级电容器进行激励，相同激励的测试需要连续重复完成3次，两两测试间隔相差30分钟以保证两两初始状态的热性能稳定；

步骤203、步骤202中需要同步采集受试超级电容器的环境温度、壳体温度、单体电压、单体电流等数据，保持足够高的采样率以确保数据还原准确；

步骤204、将得到的数据进行分频降噪预处理，去除采样过程中可能出现的粗大误差、随机误差等错误数据，同时进行初始数据保存；

步骤205、选择模型阶数与模型类型，选出希望判断的超级电容器模型，可以是具有物理意义的模型，或是具有明显老化状态特征参数的模型；

步骤206、使用算法辨识模型参数并据此计算特征参数，其中模型参数包括等效串联电阻、等效并联电阻、等效电容、等效电感等，特征参数包括荷电状态、可用能量、脉冲功率、能量密度、功率密度等；

步骤207、通过步骤206计算得到的数据进行老化状态判断，在阈值比较的基础上，使用阈值比较，聚类分析，决策树等评价手段并将评价结果传送至数据存储单元保存。

目前基于锂电池或蓄电池等电化学装置的健康状态估算与检测等方面有所研究，但一方面超级电容器与现有电化学储能装置工作原理并不相同，虽然存在一定电化学反应，但主要工作原理是静电存储的电容储能原理，且本身特性能量密度高于传统电容，功率密度远大于燃料电池和蓄电池等；另一方面，现有储能装置的老化状态检测并不面向应用，因此检测准确度普遍不高，所得检测结果往往与应用的实际老化存在较大差距，可能由此导致巨大的经济财产损失。本发明针对大规模储能系统应用，使用超级电容器作为对象，使用可编程电源输入面向实际使用的工况需求，计算常温下获取超级电容器所需工况的充放电特性，避免温度调整引起的检测时间大幅增加。所用方法需要重复三次保证结果的稳定性与准确性，能够在常温状态下通过已有先验知识库数据分析、模式识别等方法判断所有超级电容器工况对应到常温工况的老化状态，进一步提高判断准确性。本发明的检测耗时更短，工况针对性更强，能够覆盖工况更全，判断准确性更高，对降低不必要的储能装置更换，减少安全事故等实际大规模系统高可靠性运行具有深刻意义。

Claims (8)

1.一种基于超级电容器的老化状态估算检测系统，其特征在于，包括可编程电源、受试超级电容器、可编程负载、数据存储单元、数据采集通讯单元、数据运算处理单元和老化状态预估单元，所述可编程电源、受试超级电容器与可编程负载依次连接；所述数据采集通讯单元分别与可编程电源、受试超级电容器与可编程负载通过通讯线连接；所述数据采集通讯单元、数据运算处理单元与老化状态预估单元顺序连接；所述数据存储单元分别与采集通讯单元、数据运算处理单元与老化状态预估单元相连。

2.根据权利要求1所述的一种基于超级电容器的老化状态估算检测系统，其特征在于，所述的可编程电源包括电源网络输入、电力变换装置与电源控制单元，其中电源网络输入提供全检测系统的电能，通过电源控制单元输入具体检测的特定工况参数，并通过电力变换装置给出所需的电流波形，可编程电源的控制指令通过其电源控制单元给定。

3.根据权利要求1所述的一种基于超级电容器的老化状态估算检测系统，其特征在于，所述的可编程负载包括负载控制单元与负载元件，其中负载控制单元编辑需要给定的负载输出并通过负载元件实现，负载元件与受试超级电容器相连，作为超级电容器特定工况给定的负载，提供超级电容器泄放能量作用。

4.根据权利要求1所述的一种基于超级电容器的老化状态估算检测系统，其特征在于，数据存储单元存储的数据包括来自可编程电源、受试超级电容器、可编程负载的采集数据，以及系统自身所需的先验知识、超级电容器模型、老化数据表。

5.根据权利要求1所述的一种基于超级电容器的老化状态估算检测系统，其特征在于，所述数据采集通讯单元采集来自可编程电源、受试超级电容器、可编程负载的数据后，不对数据进行分频降噪处理。

6.根据权利要求4所述的一种基于超级电容器的老化状态估算检测系统，其特征在于，所述数据运算处理单元对数据采集通讯单元采集的数据进行分频降噪预处理后，选择模型阶数与模型类型，确定超级电容模型，对超级电容器模型的模型参数进行辨识，并据此计算特征参数，将结果传送至数据存储单元保存；其中，优化算法包括但不限于最小二乘类算法、进化计算、群体智能算法。

7.根据权利要求6所述的一种基于超级电容器的老化状态估算检测系统，其特征在于，所述老化状态预估单元根据模型参数和特征参数的计算结果进行状态判断，在阈值比较的基础上，使用模式识别理论进一步进行老化状态评价，并将评价结果传送至数据存储单元保存；其中，模式识别理论包括但不限于聚类分析，决策树分析。

8.一种基于超级电容器的老化状态估算检测方法，其特征在于，包括以下步骤：

1)将想要检测的老化状态工作工况输入可编程电源，老化状态工作的电流激励信号特征包括电流幅值、电流脉冲、电流上升率；

2)常温下，通过已输入的电流激励信号对受试超级电容器进行激励，相同激励的测试需要连续重复完成3次，两两测试间隔相差30分钟以保证两两初始状态的热性能稳定；

3)同步采集受试超级电容器的测试数据，包括环境温度、壳体温度、单体电压、单体电流；

4)将得到的测试数据进行分频降噪预处理，去除采样过程中可能出现错误数据后，进行初始数据保存；

5)选择模型阶数与模型类型，确定超级电容器模型，该超级电容器模型为具有物理意义的模型，或是具有明显老化状态特征参数的模型；

6)对超级电容器模型的模型参数进行辨识，并据此计算特征参数，其中模型参数包括等效串联电阻、等效并联电阻、等效电容、等效电感，特征参数包括荷电状态、可用能量、脉冲功率、能量密度、功率密度；

7)将数据进行老化状态判断，在阈值比较的基础上，使用模式识别理论进一步进行老化状态评价，并将评价结果传送至数据存储单元保存；其中，模式识别理论包括但不限于聚类分析，决策树分析。