CN104569844A - 阀控密封式铅酸蓄电池健康状态监测方法 - Google Patents
阀控密封式铅酸蓄电池健康状态监测方法 Download PDFInfo
- Publication number
- CN104569844A CN104569844A CN201410854379.2A CN201410854379A CN104569844A CN 104569844 A CN104569844 A CN 104569844A CN 201410854379 A CN201410854379 A CN 201410854379A CN 104569844 A CN104569844 A CN 104569844A
- Authority
- CN
- China
- Prior art keywords
- mrow
- dod
- msub
- discharge
- battery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了阀控密封式铅酸蓄电池健康状态监测方法,根据蓄电池端电压(V)与已放电容量(DOD)变化曲线拟合的数学模型,辨识模型中的参数后才可以通过二分法求解电池在全容量放电情况下已放电容量(DOD*),然后使用温度变量将已放电容量(DOD*)换算为标准温度25℃时的已放电容量最后根据蓄电池的健康状态(SOH)的定义即可计算电池的SOH值。本发明的有益效果是铅酸蓄电池健康状态监测准确度高,且可以进行在线预测。
Description
技术领域
本发明属于电池技术领域,涉及阀控密封式铅酸蓄电池健康状态监测方法。
背景技术
健康状态——蓄电池在完全充电状态下,电池实际容量和额定容量的比值,用SOH表示,表征了电池性能的衰减程度;
蓄电池在线监测技术——在蓄电池组不退出电源系统的正常运行条件下,使用在线监测装置对蓄电池性能参数进行测试,并采用一定的计算方法或者数学模型,对数据进行分析,得出蓄电池健康状态的一种方法。
短时放电——利用蓄电池在线监测装置,不断开充电电源使蓄电池处于放电状态,时间为0.5小时,采样收集放电过程中的蓄电池电流、蓄电池已放电容量和各蓄电池电压等数据,用于监测蓄电池的健康状态。
本发明主要针对应用于变电站直流系统中的阀控密封式铅酸蓄电池在维护过程中,由于蓄电池特殊的阀控密封结构,使得维护人员在短时放电过程中难以准确获取蓄电池的健康状态的问题,采用阀控密封式铅酸蓄电池健康状态在线监测方法使用蓄电池的短时放电数据在线预测电池的健康状态。
现有使用放电过程数据预测蓄电池的健康状态方法主要使用核对性放电或者半容量核对性放电评估蓄电池的性能,该方法具有操作复杂、需要离线操作、时间过长、耗费大量的人力物力并且影响蓄电池的使用寿命的缺点;使用放电初期的CDF现象探索蓄电池的健康状态,由于影响CDF现象有许多因素,因此单一使用CDF现象预测蓄电池的健康状态的准确度不高。
本方法的目的是公开阀控密封式铅酸蓄电池健康状态监测方法,该方法使用蓄电池的短时放电数据预测电池的健康状态,且具有小于等于6%相对误差的准确度、可以进行在线预测,从而避免了对蓄电池进行长时间放电,因此不会影响蓄电池的循环寿命。
发明内容
本发明的目的在于提供阀控密封式铅酸蓄电池健康状态监测方法,解决了目前铅酸蓄电池健康状态监测准确度差,且难于进行在线预测的问题。
本发明所采用的技术方案是按照以下步骤进行:
步骤1:建立蓄电池端电压V与已放电容量DOD的函数模型如下:V(DOD)=α×exp[β*DOD]+θ0+θ1×DOD+θ2×DOD2+θ3×DOD3;
式中,V为蓄电池的放电端电压,DOD为蓄电池的已放电容量,α,β,θ0,θ1,θ2,θ3为函数的待定参数;
步骤2:对待估计电池的放电电压的数据预处理,处理过程如下:设要处理的数据使用u1,u2,…,uN表示,预处理后的数据用u′1,u′2,…,u′N表示,其中,N表示处理的放电电压样本数,数据点表示待估计电池的放电电压;
⑴数据的前2个数据点使用下面公式处理:
u′1=(3×u1+2×u2+1×u3+0×u4+(-1)×u5)/5
u′2=(4×u1+3×u2+2×u3+1×u4+0×u5)/10
⑵数据的第3个点至第N-2个点,即i=3,…,N-2时使用以下步骤进行处理,考虑运用点ui-2,ui-1,ui,ui+1,ui+2来估计点ui'的值(i表示待处理电池的第i个放电电压):
①求5点的平均值t表示子序列下标,取值为-2、-1、0、1、2,取0值时表示当前的第i个放电电压值;取1值时表示当前的第i个放电电压值的下一条放电电压值;取-1值时表示当前的第i个放电电压值的前一条放电电压值;
②求5点的绝对误差
③求5点的平均绝对误差
④求ui+t的权值wi+t,ui+t表示待估计电池的第i+t个放电电压值,表示5点的平均绝对误差,
如果条件成立(kx表示系数,本发明中取值为3),则wi+t=0;否则
⑤求ui的值,ui表示待估计电池的第i个放电电压值,如果(w0表示阈值,本发明中取值为1000),则
u′i=med{ui-2,…,ui+2};如果 则
⑶数据的最后2个数据点使用下面公式进行处理:
u'N-1=(0×uN-4+1×uN-3+2×uN-2+3×uN-1+4×uN)/10
u'N-2=(-1×uN-4+0×uN-3+1×uN-2+2×uN-1+3×uN)/5;
步骤3:对年检10h的放电电压数据先按照步骤2进行数据预处理后再对待测电池进行聚类;
首先提取年检时10h放电前3h放电数据的聚类特征:电池放电前期CDF区域的谷底电压ud、放电初始电压us、短时放电截止电压uc、短时放电电压差uvd、短时放电过程放电电压的平均值uva以及短时放电过程放电电压的中位值uvm,组成的数据Fi(ud,us,uc,uvd,uva,uvm)表示电池组中第i个单体电池的数据点,使用K-means聚类算法对聚类特征进行计算;
步骤4:使用各聚类类别中的电池数据进行模型参数辨识;
设电池数学模型中的指数部分为e(DOD)=α×exp[β×DOD],多项式部分为p(DOD)=θ0+θ1×DOD+θ2×DOD2+θ3×DOD3,则电池数学模型可以写为u(DOD)=e(DOD)+p(DOD),设指数函数e(DOD)中的参数为Α=[α β]T,多项式函数p(DOD)中的参数为Θ=[θ0 θ1 θ2 θ3]T,采用基于递推最小二乘算法辨识模型参数;
步骤5:经过参数辨识得到模型参数,对模型f(DOD)=e(DOD)-p(DOD)-ue=0通过二分法求解待测电池放电到规定的终止电压ue=1.8V时电池的已放电容量DOD*;
式中,ue=1.8为规定的蓄电池的放电终止电压,模型的解DOD*即为蓄电池放电至规定放电终止电压ue时放出的容量;
进一步,在年检时,即处理的是蓄电池组进行10h全容量核对性放电或者5h半容量核对性放电数据时,放电电压数据经过步骤2(数据预处理)后进入步骤3(聚类算法)再进行步骤4(参数辨识);在月检或者季检时,即处理的0.5h的恒流短时放电数据时,放电电压数据经过步骤2(数据预处理)直接进行步骤4(参数辨识)。
进一步,所述步骤4中基于递推最小二乘算法辨识模型参数方法为:
Step 1:设多项式参数Θ0=0,即p(DOD)=0,指数参数A0=0;
Step2:重复(1)和(2),
(1)电池数学模型变形为ek(DOD)=u-pk-1(DOD),根据指数部分参数辨识方法从上一次指数参数值Ak-1得到更新值Ak;
(2)电池数学模型变形为pk+1(DOD)=u-ek(DOD),根据多项式参数辨识方法从上一次多项式参数值Θk得到更新值Θk+1;
直到指数参数与多项式参数满足以下收敛条件: 其中,εe=1×10-6,εp=1×10-6,n表示迭代的是第n次;
进一步,所述指数部分参数估计方法:假设已知多项式函数为pn(DOD),则电池数学模型可以改写为
e(DOD)≡α×exp[β×DOD]=u(DOD)-pn(DOD)
pn(DOD)是将电池模型函数迭代第n次后的多项式部分函数。
上式两边取自然对数,得到
ln(u(DOD)-pn(DOD))=lnα+β×DOD
设u'(DOD)=ln[u(DOD)-pn(DOD)],α'=ln(α),γ=[α' β]T,
φ=[1 DOD]T,上式变形为
u'(DOD)=γT*φ
参数α',β可以由下面的递推更新算法得到:
公式符号说明:
①φN+1-单体电池在放电过程中的第N+1个观测值,数值为
②QN-为2阶矩阵;
③-单体电池在放电过程中的第N个估计参数;
④I-为2阶单位矩阵,即
⑤ΦN+1-为2×1向量。
最后计算出参数α,β的估计值为
进一步,多项式部分参数估计方法:
将已辨识出的指数函数记为en(DOD),根据电池数学模型可以得到下列公式
u(DOD)-en(DOD)=θ0+θ1×DOD+θ2×DOD2+θ3×DOD3
上式中一旦时间确定了,蓄电池端电压和指数函数en(DOD)也是已知的。记Δu(DOD)=u(DOD)-en(DOD),θ=[θ0 θ1 θ2 θ3]T,上式可以写为
参数θ0,θ1,θ2,θ3可以由下面的递推更新算法得到:
公式符号说明:
①-单体电池在放电过程中的第N+1个观测值,数值为
②PN-为4阶矩阵;
③-单体电池在放电过程中的第N个估计参数;
④E-为4阶单位矩阵,即
⑤KN+1-为4×1向量。
进一步,所述步骤5中,若蓄电池表面平均温度不是25℃,则蓄电池的实际容量应按下式换算:式中,为换算为标准温度25℃时的容量的数值,单位为A·h;DOD*为实际情况下蓄电池已放电容量的预测值,单位为A·h;KT为不同环境温度系数修正因子,温度系数查询表见表2;使用下式计算VRLA蓄电池组中单体电池的健康状态SOH值:
其中,CN为待测单体电池的额定容量。
本发明的有益效果是铅酸蓄电池健康状态监测准确度高,且可以进行在线预测。
附图说明
图1是本发明阀控密封式铅酸蓄电池健康状态监测方法步骤示意图;
图2是本发明聚类算法步骤流程示意图;
图3是本发明数据预处理效果图;
图4是2号电池在放电过程中SOH估计值的跟踪曲线;
图5是2号电池在放电过程中SOH估计值的相对误差的绝对值曲线;
图6是运用10h数据估计2号电池—6号电池的SOH值、各电池实际SOH值以及相对误差的绝对值结果图;
图7是运用0.5h数据估计2号电池—6号电池的SOH值、各电池实际SOH值以及相对误差的绝对值结果图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明阀控密封式铅酸蓄电池健康状态监测方法步骤如图1所示,按照以下步骤进行:
步骤1:电池数学模型:蓄电池内部反应非常复杂,各个参数之间是呈高度非线性的,而且在不同的工作环境下,这些参数又是不断变化的。所以,通过蓄电池内部反应关系式来建立蓄电池模型基本上是异常复杂不现实的。在蓄电池实际运用中,通常测量电池的外部特性参数,因此根据蓄电池放电端电压变化曲线,分析放电曲线的形状及变化特征,从而建立蓄电池端电压V与已放电容量DOD的函数模型如下:
V(DOD)=α×exp[β×DOD]+θ0+θ1×DOD+θ2×DOD2+θ3×DOD3
式中,V为蓄电池的放电端电压;
DOD为蓄电池的已放电容量;
α,β,θ0,θ1,θ2,θ3为函数的待定参数。
步骤2:数据预处理;本发明进行数据预处理的数据是待估计电池的放电电压;数据预处理的目的:蓄电池外部参数在线监测设备在对放电过程中的蓄电池进行数据采集时,由于传感器精度、噪声等其他因素的影响,使采集到的数据存在失真,因此数据预处理以保证采集数据的质量。经过数据预处理得到平滑后的待测电池放电电压数据,用于后续的步骤3的聚类算法以及步骤4的参数辨识。
本方法综合5点线性平滑方法、移动窗口中位数方法以及移动窗口数据加权平均方法来完成蓄电池的放电过程端电压数据的平滑处理。假设要处理的数据使用u1,u2,…,uN表示,预处理后的数据用u′1,u'2,…,u'N表示,N表示处理的放电电压样本数;数据点表示待估计电池的放电电压;数据点的采集标准如下:
★数据采集分辨率要求
①蓄电池组放电电流(I)采集分辨率0.01A;
②蓄电池组已放电容量(DOD)采集分辨率1mA·h;
③单体电池放电电压(V)采集分辨率为1mV;
④单体电池表面温度(T)采集分辨率为0.1℃。
★数据采集频率要求
A、VRLA蓄电池组在0.5h短时放电状态(放电时间为0min——30min)采集频率要求如下:
①蓄电池组放电电流的采集频率为1smp/1min;
②蓄电池组已放电容量采集频率为1smp/1min;
③单体电池电压采集频率为1smp/1min;
④单体电池表面温度的采集频率为1smp/1min;
B、VRLA蓄电池组经过在0.5h后(放电时间为31min——放电终止时)采集频率要求如下:
①蓄电池组放电电流的采集频率为1smp/5min;
②蓄电池组已放电容量采集频率为1smp/5min;
③单体电池电压采集频率为1smp/5min;
④单体电池表面温度的采集频率为1smp/5min;
★数据实时性要求
VRLA蓄电池组在进行10h全容量核对性放电状态或者0.5h短时放电状态采集的每一条数据须在同一“时刻”,即要求每1min采集一条数据时,时间跨度不得超过1min;要求每5min采集一条数据时,时间跨度不得超过5min。
★数据完整性要求
VRLA蓄电池组在进行10h全容量核对性放电状态或者0.5h短时放电状态时采集的每一条数据要包含放电时间、已放电容量、放电电流、放电电压、电池表面温度,若某条记录中存在缺失数据时,采用该变量前一时刻采集的数值进行填补。
数据预处理具体步骤如下:
⑴数据的前2个数据点使用下面公式处理:
u′1=(3×u1+2×u2+1×u3+0×u4+(-1)×u5)/5
u'2=(4×u1+3×u2+2×u3+1×u4+0×u5)/10
⑵数据的第3个点至第N-2个点,即i=3,…,N-2时使用以下步骤进行处理,考虑运用点ui-2,ui-1,ui,ui+1,ui+2来估计点ui'的值(i表示待处理电池的第i个放电电压),
①求5点的平均值
平均值表示ui-2,ui-1,ui,ui+1,ui+2个电压值的算术平均值;t表示子序列下标,取值为-2-1012,取0值时表示当前的第i个放电电压值;取1值时表示当前的第i个放电电压值的下一条放电电压值;取-1值时表示当前的第i个放电电压值的前一条放电电压值。
②求5点的绝对误差
③求5点的平均绝对误差
④求ui+t的权值wi+t
ui+t表示待估计电池的第i+t个放电电压值,表示③中的5点的平均绝对误差。如果条件(kx表示系数,本发明中取值为3)成立,则wi+t=0;否则
⑤求ui的值
ui表示待估计电池的第i个放电电压值。
如果(w0表示阈值,本发明中取值为1000),则
u′i=med{ui-2,…,ui+2}
将所给的5点放电电压值(ui-2,ui-1,ui,ui+1,ui+2)从小到大或从大到小排列,中间的电压值就是ui'。
如果 则
⑶数据的最后2个数据点使用下面公式进行处理:
u'N-1=(0×uN-4+1×uN-3+2×uN-2+3×uN-1+4×uN)/10
u'N-2=(-1×uN-4+0×uN-3+1×uN-2+2×uN-1+3×uN)/5。
步骤3:聚类算法如图2所示;聚类算法目的:对年检10h的放电电压数据按照步骤2进行数据预处理并进行聚类,即将待测电池组中的单体电池根据电池的健康性能进行聚成不同的类;聚类算法结果:待测电池组中单体电池的类别号;数据预处理与聚类算法的关系:待测电池的放电电压数据经过数据预处理后才进入聚类算法模块。聚类算法具体步骤如下:
1.提取年检时10h放电前3h放电数据的聚类特征:电池放电前期CDF区域的谷底电压ud、放电初始电压us、短时放电截止电压uc、短时放电电压差uvd、短时放电过程放电电压的平均值uva以及短时放电过程放电电压的中位值uvm。以上特征组成的数据Fi(ud,us,uc,uvd,uva,uvm)表示电池组中第i个单体电池的数据点。
一般情况下变电站使用的蓄电池组每年会进行一次5h恒电流放电测试(即半容量核对性放电)或者进行一次10h恒电流放电测试(即全容量核对性放电),本发明聚类算法使用半容量核对性放电或者是全容量核对性放电的前3h放电数据可以正确的根据单体电池的健康性能聚成不同的类;
其中,聚类算法中的短时放电过程指的是:半容量核对性放电或者全容量核对性放电的前3h放电过程。
聚类特征说明:
①放电前期CDF区域谷底电压(ud):CDF区域的谷底电压指的是充足电的蓄电池在开始放电的几十秒到十几分钟的时间内,出现电池电压很快下降到某个数值,这个数值称为谷底电压。
②放电初始电压(us):短时放电过程的第一个电压值;
③短时放电结束电压(uc):短时放电过程最后电压值;
④短时放电电压差(uvd):即放电初始电压-短时放电结束电压;
⑤短时放电过程放电电压的平均值(uva):即短时放电过程中电池放电电压算术平均值;
⑥短时放电过程放电电压的中位值(uvm)。
2.本发明使用K-means聚类算法。K-means聚类算法步骤如下:
Step 1:根据蓄电池组的投运时间确定电池组的聚类数目k,随机选取k各中心点;
聚类数目k是由蓄电池组投运时间Tcom确定的,投运时间Tcom指的是从蓄电池组正式投入现场使用开始计时到电池组监测的时间,投运时间Tcom在蓄电池组进行10h全容量核对性放电或者5h半容量核对性放电时进行记录的。投运时间Tcom与聚类数目k的关系如下表所示:
投运时间与聚类算法聚类个数关系如表1所示。
表1
| 投运时间(年) | 聚类个数 |
| ≤2年 | 1 |
| >2以及≤6年 | 2 |
| >6年 | 3 |
Step 2:遍历所有数据,将每个数据划分到最近的中心点中;
所有数据指的是数据点Fi(i=1,2,…,n),n是电池组中单体电池的节数;最近是指,数据点Fi划分到Fi与各类中心点的欧式距离最小的那一类中。
Step 3:计算每个聚类的平均值,并作为新的中心点;这里中心点指的是类的质心。
Step 4:重复Step 2—Step 3,直到这k个中线点不再变化(收敛了),或执行了足够多的迭代。
步骤4:参数辨识,对数学模型中的[α,β]和[θ0,θ1,θ2,θ3]进行参数辨识,然后通过使用二分法与SOH的定义计算电池的健康状态(SOH值);
在年检时,即处理的是蓄电池组进行10h全容量核对性放电或者5h半容量核对性放电数据时,放电电压数据经过步骤2(数据预处理)后进入步骤3(聚类算法)在进行步骤4(参数辨识);
在月检或者季检,即处理的0.5h的恒流短时放电数据时,放电电压数据经过步骤2(数据预处理)直接进行步骤4(参数辨识)。
模型参数估计总体思路:
设电池数学模型中的指数部分为e(DOD)=α×exp[β×DOD],多项式部分为p(DOD)=θ0+θ1×DOD+θ2×DOD2+θ3×DOD3,则电池数学模型可以写为u(DOD)=e(DOD)+p(DOD),设指数函数e(DOD)中的参数为
Α=[α β]T,多项式函数p(DOD)中的参数为Θ=[θ0 θ1 θ2 θ3]T。基于递推最小二乘算法辨识模型参数的基本步骤是:
Step 1:设多项式参数Θ0=0,即p(DOD)=0,指数参数A0=0;
Step2:重复(1)和(2),
(1)电池数学模型变形为ek(DOD)=u-pk-1(DOD),根据指数部分参数辨识方法从上一次指数参数值Ak-1得到更新值Ak;
(2)电池数学模型变形为pk+1(DOD)=u-ek(DOD),根据多项式参数辨识方法从上一次多项式参数值Θk得到更新值Θk+1;
直到指数参数与多项式参数满足以下收敛条件: 其中,εe=1×10-6,εp=1×10-6,n表示迭代的是第n次;
A、指数部分参数估计,假设已知多项式函数为pn(DOD),则电池数学模型可以改写为
e(DOD)≡α×exp[β×DOD]=u(DOD)-pn(DOD),
pn(DOD)电池模型函数迭代第n次后已知的多项式部分函数。
上式两边取自然对数,得到
ln(u(DOD)-pn(DOD))=lnα+β×DOD
设u'(DOD)=ln[u(DOD)-pn(DOD)],α'=ln(α),γ=[α' β]T,
φ=[1 DOD]T,上式变形为
u'(DOD)=γT*φ
参数α',β可以由下面的递推更新算法得到:
公式符号说明:
①φN+1-单体电池在放电过程中的第N+1个观测值,数值为
②QN-为2阶矩阵;
③-单体电池在放电过程中的第N个估计参数;
④I-为2阶单位矩阵,即
⑤ΦN+1-为2×1向量。
最后计算出参数α,β的估计值为
B、多项式部分参数估计
将A部分已辨识出的指数函数记为en(DOD),根据电池数学模型可以得到下列公式
u(DOD)-en(DOD)=θ0+θ1×DOD+θ2×DOD2+θ3×DOD3
在上式中一旦时间确定了,蓄电池端电压和指数函数en(DOD)也是已知的。记Δu(DOD)=u(DOD)-en(DOD),θ=[θ0 θ1 θ2 θ3]T,
上式可以写为
参数θ0,θ1,θ2,θ3可以由下面的递推更新算法得到:
公式符号说明:
①-单体电池在放电过程中的第N+1个观测值,数值为
②PN-为4阶矩阵;
③-单体电池在放电过程中的第N个估计参数;
④E-为4阶单位矩阵,即
⑤KN+1-为4×1向量。
步骤5:模型求解:
经过步骤4(参数辨识)部分,电池数学模型中的参数估计出来后通过步骤5(模型求解)中的二分法求解待测电池预计放电到规定的终止电压ue=1.8V时电池的已放电容量DOD*;
改写电池数学模型,可以得到有下面的函数
f(DOD)=e(DOD)-p(DOD)-ue=0
式中,ue=1.8,为蓄电池全容量核对性放电时规定的放电终止电压。运用二分法求解函数f(DOD)的根,解DOD*即为蓄电池放电至规定放电终止电压ue时可以放出的容量。
步骤6:SOH预测;
◆待测蓄电池组放电测试时,若蓄电池表面平均温度不是25℃,则蓄电池的实际容量应按下式换算:
式中,——换算为标准温度25℃时的容量的数值,单位为A·h;
DOD*——实际情况下蓄电池已放电容量的预测值,单位为A·h;
KT——不同环境温度系数修正因子,温度系数查询表见表2。
◆使用下式计算VRLA蓄电池组中单体电池的健康状态SOH值:
其中,CN——为待测单体电池的额定容量。
表2
| 初始温度(℃) | 温度修正因子(KT) | 初始温度(℃) | 温度修正因子(KT) |
| 4.4 | 0.670 | 26.1 | 1.007 |
| 7.2 | 0.735 | 26.7 | 1.011 |
| 10.0 | 0.790 | 27.2 | 1.017 |
| 12.8 | 0.840 | 27.8 | 1.023 |
| 15.6 | 0.882 | 28.3 | 1.030 |
| 18.3 | 0.920 | 28.9 | 1.035 |
| 18.9 | 0.927 | 29.4 | 1.040 |
| 19.4 | 0.935 | 30.0 | 1.045 |
| 20.0 | 0.942 | 30.6 | 1.050 |
| 20.6 | 0.948 | 31.1 | 1.055 |
| 21.1 | 0.955 | 31.6 | 1.060 |
| 21.7 | 0.960 | 32.2 | 1.065 |
| 22.2 | 0.970 | 35.0 | 1.090 |
| 22.8 | 0.975 | 37.8 | 1.112 |
| 23.4 | 0.980 | 40.6 | 1.140 |
| 23.9 | 0.985 | 43.3 | 1.162 |
| 24.5 | 0.990 | 46.1 | 1.210 |
| 25.0 | 1.000 | —— | —— |
| 25.6 | 1.002 | —— | —— |
本发明数据预处理效果图如图3所示。图4是2号电池在放电过程中SOH估计值的跟踪曲线。图5是2号电池在放电过程中SOH估计值的相对误差的绝对值曲线。图6是运用10h数据估计2号电池—6号电池的SOH值、各电池实际SOH值以及相对误差的绝对值结果图。图7是运用0.5h数据估计2号电池—6号电池的SOH值、各电池实际SOH值以及相对误差的绝对值结果图。表3是使用1号电池-6号电池做了3次放电实验,运用0.5h数据估计的SOH值以及相对误差绝对值的运行结果。
表3
综上实验结果可见,本发明方法有效克服了以往以全容量核对性放电数据或者半容量核对性放电数据,放电时间长、成本高的方法以及单一使用CDF现象预测蓄电池的健康状态的准确度不高的缺点,本发明方法仅使用蓄电池的0.5h放电数据估计电池的健康状态,具有6%以内的准确度,可以进行在线预测以便对电池性能实时监测,从而避免了对蓄电池进行长时间放电,不会影响蓄电池的循环寿命。
以上所述仅是对本发明的较佳实施方式而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施方式所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (6)
1.阀控密封式铅酸蓄电池健康状态监测方法,其特征在于按照以下步骤进行:
步骤1:建立蓄电池端电压V与已放电容量DOD的函数模型:
V(DOD)=α×exp[β*DOD]+θ0+θ1×DOD+θ2×DOD2+θ3×DOD3,
式中,V为蓄电池的放电端电压,DOD为蓄电池的已放电容量,α,β,θ0,θ1,θ2,θ3为函数的待定参数;
步骤2:对待估计电池的放电电压的数据预处理,处理过程如下:设要处理的数据使用u1,u2,…,uN表示,预处理后的数据用u′1,u′2,…,u′N表示,其中,N表示处理的放电电压样本数,数据点表示待估计电池的放电电压,
(1)数据的前2个数据点使用下面公式处理:
u′1=(3×u1+2×u2+1×u3+0×u4+(-1)×u5)/5
u′2=(4×u1+3×u2+2×u3+1×u4+0×u5)/10;
(2)数据的第3个点至第N-2个点,即i=3,…,N-2时使用以下步骤进行处理,考虑运用点ui-2,ui-1,ui,ui+1,ui+2来估计点u′i的值:
求5点的平均值t表示子序列下标,取值为-2、-1、0、1、2,取0值时表示当前的第i个放电电压值;取1值时表示当前的第i个放电电压值的下一条放电电压值;取-1值时表示当前的第i个放电电压值的前一条放电电压值;
求5点的绝对误差
求5点的平均绝对误差
求ui+t的权值wi+t,ui+t表示待估计电池的第i+t个放电电压值,表示5点的平均绝对误差,如果条件成立,则wi+t=0,否则kx表示系数,本发明中取值为3,求ui的值,ui表示待估计电池的第i个放电电压值,如果(w0表示阈值,本发明中取值为1000),则
u′i=med{ui-2,…,ui+2}
如果 则
(3)数据的最后2个数据点使用下面公式进行处理:
u′N-1=(0×uN-4+1×uN-3+2×uN-2+3×uN-1+4×uN)/10
u′N-2=(-1×uN-4+0×uN-3+1×uN-2+2×uN-1+3×uN)/5;
步骤3:对年检10h的放电电压数据按照步骤2进行数据预处理并进行聚类;首先提取年检时10h放电前3h放电数据的聚类特征:电池放电前期CDF区域的谷底电压ud、放电初始电压us、短时放电截止电压uc、短时放电电压差uvd、短时放电过程放电电压的平均值uva以及短时放电过程放电电压的中位值uvm,组成的数据Fi(ud,us,uc,uvd,uva,uvm)表示电池组中第i个单体电池的数据点,使用K-means聚类算法对聚类特征进行计算;2 -->
步骤4:对进行聚类的数据进行参数辨识;
设电池数学模型中的指数部分为e(DOD)=α×exp[β×DOD],多项式部分为p(DOD)=θ0+θ1×DOD+θ2×DOD2+θ3×DOD3,则电池数学模型写为u(DOD)=e(DOD)+p(DOD),设指数函数e(DOD)中的参数为Α=[α β]T,多项式函数p(DOD)中的参数为Θ=[θ0 θ1 θ2 θ3]T,采用基于递推最小二乘算法辨识模型参数;
步骤5:经过参数辨识得到的参数,对模型f(DOD)=e(DOD)-p(DOD)-ue=0通过二分法求解待测电池预计放电到规定的终止电压ue=1.8V时电池的已放电容量DOD*;
式中,ue=1.8为蓄电池全容量核对性放电时规定的放电终止电压,运用二分法求解函数f(DOD)的根,解DOD*即为蓄电池在放电过程中放电至规定放电终止电压ue时放出的容量。
2.按照权利要求1所述阀控密封式铅酸蓄电池健康状态监测方法,其特征在于:所述蓄电池组在年检时进行10h全容量核对性放电或者5h半容量核对性放电数据时,放电电压数据经过步骤2后进入步骤3,在进行步骤4的参数辨识;在月检或者季检,即处理的0.5h的恒流短时放电数据时,放电电压数据经过步骤2直接进行步骤4的参数辨识。
3.按照权利要求1所述阀控密封式铅酸蓄电池健康状态监测方法,其特征在于:所述步骤4中基于递推最小二乘算法辨识模型参数方法为:
Step 1:设多项式参数Θ0=0,即p(DOD)=0,指数参数A0=0;
Step2:重复(1)和(2),
(1)电池数学模型变形为ek(DOD)=u-pk-1(DOD),根据指数部分参数辨识方法从上一次指数参数值Ak-1得到更新值Ak;
(2)电池数学模型变形为pk+1(DOD)=u-ek(DOD),根据多项式参数辨识方法从上一次多项式参数值Θk得到更新值Θk+1;
直到指数参数与多项式参数满足以下收敛条件: 其中,εe=1×10-6,εp=1×10-6,n表示迭代的是第n次。
4.按照权利要求1所述阀控密封式铅酸蓄电池健康状态监测方法,其特征在于:所述指数部分参数估计方法:假设已知多项式函数为pn(DOD),则电池数学模型改写为
e(DOD)≡α×exp[β×DOD]=u(DOD)-pn(DOD),
pn(DOD)电池模型函数迭代第n次后已知的多项式部分函数,
上式两边取自然对数,得到
ln(u(DOD)-pn(DOD))=lnα+β×DOD
设u′(DOD)=ln[u(DOD)-pn(DOD)],α′=ln(α),γ=[α′ β]T,φ=[1 DOD]T,上式变形为
u′(DOD)=γT*φ
参数α′,β由下面的递推更新算法得到:
公式符号说明:
①φN+1-单体电池在放电过程中的第N+1个观测值,数值为 其中tN+1是放电过程中的放电时间;
②QN-为2阶矩阵;
③-单体电池在放电过程中的第N个估计参数;
④I-为2阶单位矩阵,即
⑤ΦN+1-为2×1向量;
最后计算出参数α,β的估计值为
5.按照权利要求4所述阀控密封式铅酸蓄电池健康状态监测方法,其特征在于:多项式部分参数估计方法,将已辨识出的指数函数记为en(DOD),根据电池数学模型得到下列公式
u(DOD)-en(DOD)=θ0+θ1×DOD+θ2×DOD2+θ3×DOD3
在上式中一旦时间确定了,蓄电池端电压和指数函数en(DOD)也是已知的,记Δu(DOD)=u(DOD)-en(DOD),θ=[θ0 θ1 θ2 θ3]T,上式写为
参数θ0,θ1,θ2,θ3由下面的递推更新算法得到:
公式符号说明:
①-单体电池在放电过程中的第N+1个观测值,数值为 其中tN+1是放电过程中的放电时间
②PN-为4阶矩阵;
③-单体电池在放电过程中的第N个估计参数;
④E-为4阶单位矩阵,即
⑤KN+1-为4×1向量。
6.按照权利要求1所述阀控密封式铅酸蓄电池健康状态监测方法,其特征在于:所述步骤5中,若蓄电池表面平均温度不是25℃,则蓄电池的实际容量应按下式换算:式中,为换算为标准温度25℃时的容量的数值,单位为A·h;DOD*为实际情况下蓄电池已放电容量的预测值,单位为A·h;KT为不同环境温度系数修正因子;使用下式计算VRLA蓄电池组中单体电池的健康状态SOH值:
其中,CN为待测单体电池的额定容量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410854379.2A CN104569844B (zh) | 2014-12-31 | 2014-12-31 | 阀控密封式铅酸蓄电池健康状态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410854379.2A CN104569844B (zh) | 2014-12-31 | 2014-12-31 | 阀控密封式铅酸蓄电池健康状态监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104569844A true CN104569844A (zh) | 2015-04-29 |
| CN104569844B CN104569844B (zh) | 2017-06-16 |
Family
ID=53086367
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410854379.2A Expired - Fee Related CN104569844B (zh) | 2014-12-31 | 2014-12-31 | 阀控密封式铅酸蓄电池健康状态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104569844B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105158698A (zh) * | 2015-08-28 | 2015-12-16 | 江苏大学 | 基于充电电压曲线的电池组健康状态在线估算方法 |
| CN105548900A (zh) * | 2016-01-07 | 2016-05-04 | 北京北交新能科技有限公司 | 一种轨道交通用动力电池健康状态评估方法 |
| CN106093778A (zh) * | 2016-05-30 | 2016-11-09 | 浙江南都电源动力股份有限公司 | 电池状态预测方法及系统 |
| CN106610475A (zh) * | 2015-10-21 | 2017-05-03 | 深圳市沃特玛电池有限公司 | 一种电池组健康度评估方法 |
| CN106646267A (zh) * | 2017-02-13 | 2017-05-10 | 云南电网有限责任公司电力科学研究院 | 配电终端电池寿命检测方法及装置 |
| CN108037460A (zh) * | 2017-12-05 | 2018-05-15 | 上海空间电源研究所 | 一种批产锂离子电池容量实时评估方法 |
| CN108110283A (zh) * | 2017-12-15 | 2018-06-01 | 湖南德沃普新能源有限公司 | 一种液流电池储能系统异常数据识别方法 |
| CN109541473A (zh) * | 2018-10-18 | 2019-03-29 | 东北电力大学 | 基于放电量加权累加的铅炭电池健康状态估算方法 |
| CN110709717A (zh) * | 2017-04-17 | 2020-01-17 | 密歇根大学董事会 | 基于松弛电压估计移动设备的电池健康的方法 |
| CN112530049A (zh) * | 2020-11-20 | 2021-03-19 | 清华四川能源互联网研究院 | 电池状态监测方法和装置、电子设备及存储介质 |
| CN113805080A (zh) * | 2021-09-15 | 2021-12-17 | 力高(山东)新能源技术有限公司 | 一种判断电池组电芯异常的方法 |
| CN114646880A (zh) * | 2022-04-13 | 2022-06-21 | 中国铁塔股份有限公司江西省分公司 | 一种铅酸电池智能诊断方法及系统 |
| CN119556154A (zh) * | 2024-12-16 | 2025-03-04 | 广东电网有限责任公司 | 蓄电池组运行状态确定方法和系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1186912A (ja) * | 1997-09-08 | 1999-03-30 | Sanden Corp | 低温貯蔵庫の蓄電池寿命判定方法及び低温貯蔵庫 |
| CN101369005A (zh) * | 2007-08-17 | 2009-02-18 | 费小奕 | 密封铅酸蓄电池的检测方法 |
| CN101769994A (zh) * | 2010-01-13 | 2010-07-07 | 四川电力试验研究院 | 阀控式密封铅酸蓄电池50%放电容量测试方法 |
| EP2118953B1 (fr) * | 2007-02-16 | 2010-12-22 | Electricfil Automotive | Procede de diagnostic d'une batterie plomb-acide d'un vehicule automobile et systeme pour sa mise en oeuvre |
| CN102866361A (zh) * | 2012-08-31 | 2013-01-09 | 惠州市亿能电子有限公司 | 一种电池组soh在线估算方法 |
| CN103217651A (zh) * | 2013-04-18 | 2013-07-24 | 中国科学院广州能源研究所 | 一种蓄电池荷电状态的估算方法和系统 |
| CN103344920A (zh) * | 2013-07-01 | 2013-10-09 | 华为技术有限公司 | 一种检测电池健康状态的方法及设备 |
-
2014
- 2014-12-31 CN CN201410854379.2A patent/CN104569844B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1186912A (ja) * | 1997-09-08 | 1999-03-30 | Sanden Corp | 低温貯蔵庫の蓄電池寿命判定方法及び低温貯蔵庫 |
| EP2118953B1 (fr) * | 2007-02-16 | 2010-12-22 | Electricfil Automotive | Procede de diagnostic d'une batterie plomb-acide d'un vehicule automobile et systeme pour sa mise en oeuvre |
| CN101369005A (zh) * | 2007-08-17 | 2009-02-18 | 费小奕 | 密封铅酸蓄电池的检测方法 |
| CN101769994A (zh) * | 2010-01-13 | 2010-07-07 | 四川电力试验研究院 | 阀控式密封铅酸蓄电池50%放电容量测试方法 |
| CN102866361A (zh) * | 2012-08-31 | 2013-01-09 | 惠州市亿能电子有限公司 | 一种电池组soh在线估算方法 |
| CN103217651A (zh) * | 2013-04-18 | 2013-07-24 | 中国科学院广州能源研究所 | 一种蓄电池荷电状态的估算方法和系统 |
| CN103344920A (zh) * | 2013-07-01 | 2013-10-09 | 华为技术有限公司 | 一种检测电池健康状态的方法及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 周震涛: "锂离子动力蓄电池充放电基本性能的研究", 《华南理工大学学报(自然科学版)》 * |
| 李刚: "基于自适应神经网络模糊推理系统的蓄电池SOH预测", 《微型机与应用》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105158698A (zh) * | 2015-08-28 | 2015-12-16 | 江苏大学 | 基于充电电压曲线的电池组健康状态在线估算方法 |
| CN106610475A (zh) * | 2015-10-21 | 2017-05-03 | 深圳市沃特玛电池有限公司 | 一种电池组健康度评估方法 |
| CN106610475B (zh) * | 2015-10-21 | 2019-08-20 | 深圳市沃特玛电池有限公司 | 一种电池组健康度评估方法 |
| CN105548900A (zh) * | 2016-01-07 | 2016-05-04 | 北京北交新能科技有限公司 | 一种轨道交通用动力电池健康状态评估方法 |
| CN105548900B (zh) * | 2016-01-07 | 2018-06-08 | 北京北交新能科技有限公司 | 一种轨道交通用动力电池健康状态评估方法 |
| CN106093778A (zh) * | 2016-05-30 | 2016-11-09 | 浙江南都电源动力股份有限公司 | 电池状态预测方法及系统 |
| CN106093778B (zh) * | 2016-05-30 | 2018-12-04 | 浙江南都电源动力股份有限公司 | 电池状态预测方法及系统 |
| CN106646267A (zh) * | 2017-02-13 | 2017-05-10 | 云南电网有限责任公司电力科学研究院 | 配电终端电池寿命检测方法及装置 |
| CN106646267B (zh) * | 2017-02-13 | 2023-09-08 | 云南电网有限责任公司电力科学研究院 | 配电终端电池寿命检测方法及装置 |
| US11215675B2 (en) | 2017-04-17 | 2022-01-04 | The Regents Of The University Of Michigan | Method to estimate battery health for mobile devices based on relaxing voltages |
| CN110709717A (zh) * | 2017-04-17 | 2020-01-17 | 密歇根大学董事会 | 基于松弛电压估计移动设备的电池健康的方法 |
| CN110709717B (zh) * | 2017-04-17 | 2022-01-25 | 密歇根大学董事会 | 基于松弛电压估计移动设备的电池健康的方法 |
| CN108037460A (zh) * | 2017-12-05 | 2018-05-15 | 上海空间电源研究所 | 一种批产锂离子电池容量实时评估方法 |
| CN108037460B (zh) * | 2017-12-05 | 2020-04-14 | 上海空间电源研究所 | 一种批产锂离子电池容量实时评估方法 |
| CN108110283A (zh) * | 2017-12-15 | 2018-06-01 | 湖南德沃普新能源有限公司 | 一种液流电池储能系统异常数据识别方法 |
| CN108110283B (zh) * | 2017-12-15 | 2020-03-27 | 湖南德沃普电气股份有限公司 | 一种液流电池储能系统异常数据识别方法 |
| CN109541473B (zh) * | 2018-10-18 | 2020-12-29 | 东北电力大学 | 基于放电量加权累加的铅炭电池健康状态估算方法 |
| CN109541473A (zh) * | 2018-10-18 | 2019-03-29 | 东北电力大学 | 基于放电量加权累加的铅炭电池健康状态估算方法 |
| CN112530049A (zh) * | 2020-11-20 | 2021-03-19 | 清华四川能源互联网研究院 | 电池状态监测方法和装置、电子设备及存储介质 |
| CN113805080A (zh) * | 2021-09-15 | 2021-12-17 | 力高(山东)新能源技术有限公司 | 一种判断电池组电芯异常的方法 |
| CN113805080B (zh) * | 2021-09-15 | 2022-12-06 | 力高(山东)新能源技术股份有限公司 | 一种判断电池组电芯异常的方法 |
| CN114646880A (zh) * | 2022-04-13 | 2022-06-21 | 中国铁塔股份有限公司江西省分公司 | 一种铅酸电池智能诊断方法及系统 |
| CN119556154A (zh) * | 2024-12-16 | 2025-03-04 | 广东电网有限责任公司 | 蓄电池组运行状态确定方法和系统 |
| CN119556154B (zh) * | 2024-12-16 | 2025-12-05 | 广东电网有限责任公司 | 蓄电池组运行状态确定方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104569844B (zh) | 2017-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104569844B (zh) | 阀控密封式铅酸蓄电池健康状态监测方法 | |
| CN116577686B (zh) | 一种基于局部阶段充电数据的多工况soh估计方法和系统 | |
| CN114114049B (zh) | 一种基于样本迁移的锂离子电池寿命预测方法 | |
| CN114280479B (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
| CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
| CN110161425B (zh) | 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法 | |
| CN107785624B (zh) | 一种评估锂电池性能的方法 | |
| CN110658462B (zh) | 一种基于数据融合与arima模型的锂电池在线寿命预测方法 | |
| CN114609523B (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 | |
| CN109633477B (zh) | 基于ekf-gpr和日常片段数据的电池组健康状态的实时监控方法 | |
| CN101504443B (zh) | 一种锂离子电池放电容量的预测方法 | |
| Wang et al. | A novel OCV curve reconstruction and update method of lithium-ion batteries at different temperatures based on cloud data | |
| CN108519556A (zh) | 一种基于循环神经网络的锂离子电池soc预测方法 | |
| CN113030761A (zh) | 一种超大规模储能电站电池健康状态的评估方法及系统 | |
| CN115267575A (zh) | 一种基于Transformer的储能电池寿命预测算法 | |
| CN112989690B (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
| CN103926536A (zh) | 基于dst和bmc技术的锂离子电池剩余使用寿命预测方法 | |
| CN116224085B (zh) | 一种基于数据驱动的锂电池健康状态评估方法 | |
| CN103412264B (zh) | 蓄电池组内单体电池一致性的评价方法 | |
| CN116908699A (zh) | 一种基于lstm和多特征的锂电池健康预测方法及系统 | |
| CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
| CN110703120A (zh) | 基于粒子滤波和长短时记忆网络的锂离子电池寿命预测方法 | |
| CN113791351A (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
| CN106569138A (zh) | 一种基于性能退化的卫星小子样镉镍蓄电池寿命预测方法 | |
| CN115436814B (zh) | 一种锂离子电池剩余寿命的概率预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170616 Termination date: 20171231 |