CN110556595A - 储能用磷酸铁锂电池安全管理系统的质态失衡预测方法 - Google Patents

Abstract

本发明公开了一种应用于储能用磷酸铁锂电池安全管理系统的质态失衡预测方法，根据电阻放电过程中阻抗的变化趋势信息来分析电池的电化学特性，进行一致性判别。采集所有电池的时间‑阻抗数据曲线，建立预测数学模型，计算该数学模型与原始数据曲线的相关系数，判断出电化学特性与其他电池相比较有明显差异的电池，并将电池编号及时报告给管理员，以及时更换电池。该方法可以大大节省人力成本，对实现储能电池系统的一致性管理、保障储能电站的运行寿命和预期经济收益具有显著促进作用。

Description

储能用磷酸铁锂电池安全管理系统的质态失衡预测方法

技术领域

本发明属于蓄电池技术领域，具体为一种用于电池安全管理系统的质态失衡预测方法。

背景技术

在储能用磷酸铁锂电池安全管理系统中，储能用磷酸铁锂电池的质态失衡研究一直是很重要的问题。受生产工艺影响，电池出厂时的内部化学元素或多或少存在差异，而电池在应用时大部分场合需要编组使用，随着日积月累的循环充放电，电池之间的不一致性就会越来越大，导致某个单体电池质量严重下降，整簇充放电指标均达不到要求，其他单体质量下降的速率也在上升，充放电发热频次明显增多，带来极大安全隐患。这种一致性问题在具有容量大、串数多、分布空间大、电池间温差大等特点的储能电池系统中表现的尤为严重。

现有的对电池系统质态失衡检测研究多从电池电芯温度、电池电压、外壳体征即检查螺栓紧固性等参数来表征特性。这些参数及表象并不能准确反映电池的内部性能，在使用中无法对电池进行有效、合理的管理及维护。而对电池的内部阻抗的检测，能实现精度高，重复性好的检测效果，并有效反应电池的质量特征。此外，目前用于预测判断异常电池的数据分析方法多采用求取数据平均值得到标准模型，再利用该模型与电池数据比较找出异常电池，该方法会极大程度上受到异常数据点的影响，异常数据点越多，得到的数学模型效果越差，对异常电池的预测结果就越偏离正确值。

发明内容

技术问题：为解决现有技术存在的问题，本发明提出了一种应用于储能用磷酸铁锂电池安全管理系统的质态失衡预测方法，该方法通过电池的内阻检测模块测量得到在某一时间段电池的持续放电过程中内部等效阻抗的变化数据，结合神经网络预测数学模型，并与电池数据进行比较，及时检测出异常的单体电池并给出异常反馈，实现储能电池系统的一致性管理，保障储能电站的运行寿命和经济收益。

技术方案：本发明是一种储能用磷酸铁锂电池安全管理系统的质态失衡预测方法，该方法包括如下步骤：

步骤1，按采样周期t_c测量时间段t内电池放电过程中的阻抗，并绘制时间-阻抗曲线；

步骤2，同步骤1，测量储能电站内所有n个电池的阻抗并绘制n条时间-阻抗曲线；

步骤3，随机选取n条曲线中的m条，建立模型f₁；

步骤4，使用模型f₁测试n条曲线上的各阻抗数据点，若阻抗误差小于阈值h_z，则认定该数据点为局内点，局内点总数记为s₁；

步骤5，按照下式计算模型准确率c₁：

步骤6，重复步骤3、4、5，按照下式选取迭代次数k，建立模型f₁～f_k：

其中，ε表示每次选取一个局内点在样本中所占的概率，q表示计算模型参数所需的最小数据点数，p表示被测参数测量值的可信程度；

步骤7，从f₁～f_k中选取模型准确率最高的模型作为预测模型f^*，计算每条曲线与预测模型f^*的相关系数R，若R小于阈值h_R，则认为该电池与其它电池有明显差异；

步骤8，将有明显差异的电池编号信息发送至远程报警客户端，提醒更换电池。

其中，将n个电池编号为1、2…n，采样周期t_c为1分钟，采样时间t为2小时，即每条曲线共计120个阻抗数据点。

m的选取原则为m不小于n个电池中的75％。

所述预测模型利用BP神经网络算法建立，预测模型的建立过程如下：

(1)对该批次n个电池的时间-阻抗曲线进行编号：1，2...n；

(2)随机选取m条曲线，其中m不小于所有n个电池数量的75％；以这些曲线所有点的输入、输出值(x，y)作为数据集合，利用如下BP神经网络算法，预测出数学模型：

④以时间x序列为输入向量，以与时间相对应的阻抗值y作为输出向量，隐含层为单隐含层；

⑤设置网络参数，包括隐含层节点数，训练函数，目标误差参数，对网络进行训练；

⑥网络训练结束，提取出所有的权值、阈值，按照网络的运算法则，得到阻抗与时间的数学关系，完成对阻抗数学模型的建立；

(3)采用步骤(2)得到的预测模型测试n条曲线的所有数据点，根据步骤(1)所述每条曲线有120个点，利用模型的误差阈值h_z判断数据点是否属于局内点，局内点总数记为s；

若数据点的值为(x，y)，将x作为预测模型的输入值，根据模型得到预测输出值y′，当|y′-y|＜h_z时，该点(x，y)就是局内点，否则不是局内点；

再根据式(1)评估模型的准确率c：

(4)重复步骤(2)、(3)，重复次数即代次数为k。

所述相关系数R，若某个电池的特性曲线与预测模型曲线的相关系数阈值h_R小于0.9，则判断该电池特性差异大。

有益效果：本发明公开了一种应用于储能用磷酸铁锂电池安全管理系统的质态失衡预测方法，根据电阻放电过程中阻抗的变化趋势信息来分析电池的电化学特性，找出电化学特性与其他电池相比较有明显差异的电池并报警。同时考虑到允许电池的特性同步产生相似的变化，本发明的预测模型可以根据电池的数据及时更新，找出同批次电池中有明显差异的个体。该方法对实现储能电池系统的一致性管理、保障储能电站的运行寿命和预期经济收益具有显著促进作用。

附图说明

图1是识别特性异常的电池方法流程图。

图2是建立数学预测模型的流程图。

具体实施方式

本发明是一种应用于储能用磷酸铁锂电池安全管理系统的质态失衡预测方法，包括以下步骤：

1、利用阻抗检测模块测量出同批次、同一时间段2小时内所有n个电池的放电特性，即测量该批次电池的时间-阻抗数据曲线，数据采样周期为1分钟，每条数据曲线共计120个数据点，将n个电池的数据曲线发送给远程服务器。

2、远程服务器根据批量的曲线数据，根据有效数据集计算数学预测模型。

其中，预测模型的建立过程如下：

(1)对该批次n个电池的时间-阻抗曲线进行编号：1，2...n；

(2)随机选取m条曲线，其中m不小于所有n个电池数量的75％；以这些曲线所有点的输入、输出值(x，y)作为数据集合，利用如下BP神经网络算法，预测出数学模型：

⑦以时间x序列为输入向量，以与时间相对应的阻抗值y作为输出向量，隐含层为单隐含层；

⑧设置网络参数，包括隐含层节点数，训练函数，目标误差参数，对网络进行训练；

⑨网络训练结束，提取出所有的权值、阈值，按照网络的运算法则，得到阻抗与时间的数学关系，完成对阻抗数学模型的建立。

(3)采用步骤(2)得到的预测模型测试n条曲线的所有数据点，根据步骤(1)所述每条曲线有120个点，利用模型的误差阈值h_z判断数据点是否属于局内点，局内点总数记为s。

若数据点的值为(x，y)，将x作为预测模型的输入值，根据模型得到预测输出值y′，当|y′-y|＜h_z时，该点(x，y)就是局内点，否则不是局内点。

再根据式(1)评估模型的准确率c：

(4)重复步骤(2)、(3)，重复次数为k。

当计算出新的模型准确率比上一次迭代过程后得到的准确率更高时，就则更新模型参数。通过一定次数的迭代，最终得到准确率最高的预测模型。

迭代次数k直接影响算法的效率和模型精度，最小迭代次数须满足式(2)：

其中，ε表示每次选取一个局内点在样本中所占的概率，q表示计算模型参数所需的最小数据点数，p表示被测量参数测量值可信程度，p值一般要求0.95～0.99之间，可通过提高局内点在数据集中所占的比例来减小迭代次数。

3、利用步骤2得到的预测模型分别对n条曲线进行数据测试，计算每条曲线与预测模型曲线的相关系数R。

以一条曲线的120个点为例，点的坐标分别为(x_i，y_i)，i取值为1～120，将120个点的x坐标作为预测模型的输入值，得到120个预测输出值y_i′，原始数据的平均值为则相关系数的计算公式如式(3)所示：

4、判断每条曲线对应的相关系数值，当该值小于0.9时，将该曲线对应的电池编号信息发送给远程报警客户端装置，及时提醒管理员更换电池。

下面结合附图，对本发明作进一步说明。本实施案例在以本发明技术方案为前提下进行实施，但本发明的保护范围不限于下述的实施例。

本案例以某批次100个电池为例，在电池堆中某一区域安装电池阻抗测量模块，根据以往放电数据统计，每天上午10：00～12：00属于集中放电段，阻抗测量模块每天在10：00～12：00开始工作统计两个小时内的电池阻抗变化数据，并将100个电池的数据曲线上传到远程服务器，远程服务器进行模型预测和计算分析，识别单体特异电池，并向电池管理者发起报警。

本案例实施流程如图1所示，具体的实施步骤如下：

(1)服务器收到100个电池的数据曲线后，对电池曲线进行编号1，2，3...100。以1号电池为例，时间-阻抗值如表1所示。

表1 编号1电池放电阻抗变化表

(2)设置迭代次数k为50。

(3)任取75条曲线的数据，进行曲线拟合。

拟合方法采用神经网络预测，输入数据为时间序列的处理值，值的范围为0～120，单位min，输出数据为阻抗值，单位mΩ。

考虑到阻抗的变化曲线函数类型未知，因此采用多项式基神经网络拟合曲线的共轭梯度方法，步骤如下：

对于给定的一组数据x_i，y_i(i＝0，1，2，...，N-1)，求作m次多项式：

设：

W＝[a₀，a₁，a₂，...，a_m]^T，Y＝[y₀，y₁，y₂，...，y_N-1]^T (5)

则公式可改写为矩阵形式：XW＝Y，令方程有唯一解，设则上式为X为输入向量，Y为输出向量，W为神经网络训练权值，对权值的求解采用共轭梯度算法，具体如下：

①将时间x∈[0，120]压缩到即随机给定初值向量W＝[a₀，a₁，a₂，...，a_m]^T，计算出误差

②k＝0，1，2，...，N-1，计算出残余误差向量r_k+1，增益系数β_k+1，及性能指标

③判断性能指标能否满足J小于最小误差，如满足则结束，不满足则重复步骤②训练过程。

(4)根据电池的阻抗值大小确定模型的局内点阈值，设置为0.05mΩ，记录数学模型的参数，用该数学模型去测试100条曲线的所有数据点，判断是否属于局内点，并使用式(1)计算该模型的准确率。

(5)迭代次数加1，重复步骤(3)、(4)，当模型准确率大于前一次迭代过程的模型参数值时，更新模型参数，保存最新模型，直至迭代次数等于50。

(6)利用步骤(5)最终得到的数学模型去测试100条数据曲线，使用式(3)计算每条数据曲线与模型的相关系数，记录相关系数值。

以1号电池为例，根据数学模型得到预测值，与原始值对比，计算相关系数。

预测值如表2所示：

表2 编号1电池原始值与模型预测值

根据上表计算1号电池与模型曲线的相关系数：

0.94大于0.9，因此1号电池满足要求，不属于特性异常的电池。

(7)遍历上述100条曲线对应的相关系数，当该值小于0.9时，将对应的电池编号通过服务器发送给管理员，给出预警。

Claims (5)

1.一种储能用磷酸铁锂电池安全管理系统的质态失衡预测方法，其特征在于该方法包括如下步骤：

步骤1，按采样周期t_c测量时间段t内电池放电过程中的阻抗，并绘制时间-阻抗曲线；

步骤2，同步骤1，测量储能电站内所有n个电池的阻抗并绘制n条时间-阻抗曲线；

步骤3，随机选取n条曲线中的m条，建立模型f₁；

步骤4，使用模型f₁测试n条曲线上的各阻抗数据点，若阻抗误差小于阈值h_z，则认定该数据点为局内点，局内点总数记为s₁；

步骤5，按照下式计算模型准确率c₁：

步骤6，重复步骤3、4、5，按照下式选取迭代次数k，建立模型f₁～f_k：

其中，ε表示每次选取一个局内点在样本中所占的概率，q表示计算模型参数所需的最小数据点数，p表示被测参数测量值的可信程度；

步骤7，从f₁～f_k中选取模型准确率最高的模型作为预测模型f^*，计算每条曲线与预测模型f^*的相关系数R，若R小于阈值h_R，则认为该电池与其它电池有明显差异；

步骤8，将有明显差异的电池编号信息发送至远程报警客户端，提醒更换电池。

2.根据权利要求1所述的储能用磷酸铁锂电池安全管理系统的质态失衡预测方法，其特征在于，将n个电池编号为1、2…n，采样周期t_c为1分钟，采样时间t为2小时，即每条曲线共计120个阻抗数据点。

3.根据权利要求1所述的储能用磷酸铁锂电池安全管理系统的质态失衡预测方法，其特征在于m的选取原则为m不小于n个电池中的75％。

4.根据权利要求1所述的储能用磷酸铁锂电池安全管理系统的质态失衡预测方法，其特征在于所述预测模型利用BP神经网络算法建立，预测模型的建立过程如下：

(1)对该批次n个电池的时间-阻抗曲线进行编号：1,2…n；

(2)随机选取m条曲线，其中m不小于所有n个电池数量的75％；以这些曲线所有点的输入、输出值(x，y)作为数据集合，利用如下BP神经网络算法，预测出数学模型：

①以时间x序列为输入向量，以与时间相对应的阻抗值y作为输出向量，隐含层为单隐含层；

②设置网络参数，包括隐含层节点数，训练函数，目标误差参数，对网络进行训练；

③网络训练结束，提取出所有的权值、阈值，按照网络的运算法则，得到阻抗与时间的数学关系，完成对阻抗数学模型的建立；

(3)采用步骤(2)得到的预测模型测试n条曲线的所有数据点，根据步骤(1)所述每条曲线有120个点，利用模型的误差阈值h_z判断数据点是否属于局内点，局内点总数记为s；

若数据点的值为(x，y)，将x作为预测模型的输入值，根据模型得到预测输出值y'，当|y'-y|＜h_z时，该点(x，y)就是局内点，否则不是局内点；

再根据式(1)评估模型的准确率c：

(4)重复步骤(2)、(3)，重复次数即代次数为k。

5.根据权利要求1所述的储能用磷酸铁锂电池安全管理系统的质态失衡预测方法，其特征在于所述相关系数R，若某个电池的特性曲线与预测模型曲线的相关系数阈值h_R小于0.9，则判断该电池特性差异大。