CN115659799A - 一种具备阈值自适应功能的锂电储能电站故障诊断方法 - Google Patents
一种具备阈值自适应功能的锂电储能电站故障诊断方法 Download PDFInfo
- Publication number
- CN115659799A CN115659799A CN202211304719.5A CN202211304719A CN115659799A CN 115659799 A CN115659799 A CN 115659799A CN 202211304719 A CN202211304719 A CN 202211304719A CN 115659799 A CN115659799 A CN 115659799A
- Authority
- CN
- China
- Prior art keywords
- model
- fault
- battery
- energy storage
- time
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种具备阈值自适应功能的锂电储能电站故障诊断方法。本发明的方法包括:步骤S1、生成算法数据,采用电‑热‑液体三维耦合仿真模型生成故障条件下的储能电站运行数据,主要采集单体极点温度参数;采用人为等效短路故障生成故障条件下的储能电站运行数据;步骤S2、分别采用多类型单时间步MFST的数据生成算法和单类型多时间步SFMT的数据生成算法训练LOF算法,得到所有样本异常值;步骤S3、采用格鲁布斯检验,根据样本数自适应调整阈值,进一步确认异常点。本发明应用LOF方法识别异常后,引入格鲁布斯检验,解决误报和因样本数量带来的阈值适应问题,提升锂电储能电站故障电池的识别准确性和可靠性。
Description
技术领域
本发明属于锂电储能电站技术领域,具体地说是一种具备阈值自适应功能的锂电储能电站故障诊断方法。
背景技术
通过故障诊断实现故障早期预警,及时采用相应的措施,减少热失控的发生,是提高锂离子电池安全性的重要手段之一。目前,国内外的故障诊断研究主要围绕电动汽车开展,针对储能系统的研究较少,而两者在电池结构、故障种类、在线监控和应用场景方面的要求不尽相同。电动汽车动力系统以同类新电池为主,而储能系统结构更加灵活,可能会采用不同种类不同新旧程度的电池;储能系统电池之间初始不一致较大,将为状态实时监控和故障诊断带来新的挑战。
现有的锂电储能系统中,安全故障诊断和预警通过电池管理系统(BMS)或能量管理系统(EMS)监测的关键参数超过人为设置的静态阈值时告警实现,BMS和EMS监测或计算的关键参数包括温度、电压、荷电状态(SOC)、电流、绝缘阻抗等。这种常规的故障识别方法并不能识别短板或安全隐患电芯的故障恶化过程,如微小外部短路或并联电池组中某电芯过充诱发微内部短路;该类渐变性故障,其宏观运行参数(例如电压)仍在监测阈值范围内是采用传统的阈值监测法无法有效识别,且渐变性故障极有可能在演变过程突然发生严重短路,引发储能系统热失控,造成严重危害。
为此,公开号为CN113640675的中国发明专利申请公开了基于Snippets特征提取的航空锂电池异常检测方法,该方法提取代表性特征子序列Snippet后使用局部异常因子(LOF)计算每个Snippet对应的异常值,实现了异常数据可观解释性和发现异常子片段;公开号为CN113484772A的中国发明专利基于小波变化对采集的电池电压进行降噪处理,利用训练好的堆叠自动编码器提取输入电压信号的特征参数,利用LOF进行离群点检测,识别电池故障,该方法能够在短时间内实时进行故障单体电池的检测识别,提高了单体电池故障诊断的准确度,减少漏报率。
然而,前述发明专利申请公开的方案存在以下不足:1、采用同一类型一段时间内的数据作为LOF算法的输入数据,如电压参数,具有局限性,算法判断的断准确性不高;2、对如何获取故障电池数据并未进行说明,业界储能故障数据获取是难点,而LOF算法所需的基础数据的准确获得对于故障电池的识别是至关重要的;3、没有考虑无异常数据及计算样品数量变化时的算法适应性问题以及判断阈值的自适应问题;4、应用LOF算法计算异常之前对样本进行降噪处理(降噪过程也是异常点识别并剔除过程),干扰了LOF算法对于微小故障的识别,故障诊断的准确性难以保证。
发明内容
本发明针对现有储能电站对渐变性故障少有考虑诊断、而基于LOF算法的锂电池故障识别方法在建立算法模型和应用时,故障电池基础参数获取困难、算法判断阈值难以确定等不足,提供一种基于LOF算法的、具备算法阈值自适应功能的锂电储能电站故障诊断方法,以对微小故障演变为严重故障前进行准确诊断和预警。
为实现上述目的,本发明采用如下技术方案:一种具备阈值自适应功能的锂电储能电站故障诊断方法,其包括:
步骤S1、生成算法数据,采用电-热-液体三维耦合仿真模型生成故障条件下的储能电站运行数据,主要采集单体极点温度参数;采用人为等效短路故障生成故障条件下的储能电站运行数据,验证模型及故障算法的可靠性;
步骤S2、分别采用多类型单时间步MFST的数据生成算法和单类型多时间步SFMT的数据生成算法训练LOF算法,得到所有样本异常值;
步骤S3、为防止数据的波动性和采样噪音造成的异常判断不准,采用格鲁布斯检验,根据样本数自适应调整阈值,进一步确认异常点。
进一步地,步骤S1分为以下步骤进行:
步骤S11、建立储能系统中单体电池的电模型—戴维宁ECM模型,将锂离子电池等效为由一个理想无负载的电池、内阻RO、极化电阻RP以及极化电容CP组成的电路,开路电压为UOCV;正常工况下,工作电压U满足如下关系式:
U(t)=UOCV-UP(t)-ROI (13)
其中,I是工作电流,放电电流取正值,充电电流取负值;UP是极化电容的电压,t是当前时间;
根据ECM模型,求解不同电流I下的锂离子电池工作电压U,根据Bernardi计算电池的产热率qtot,单位是W/m3:
其中,Vb是锂离子电池的体积,qir是不可逆热,qre是可逆热,dUOCV/dT是温熵系数,T是电池的开式温度;
步骤S12、建立考虑有短路发生时的电模型
根据欧姆定律,IISC满足
式中,RISC是短路电阻;
电池的总电流Itot是自放电电流IISC和工作电流I之和傲视
Itot=I+IISC (20)
内短路下电池的总放热率qtot1比正常工况多了一项产热qISC,表示为:
步骤S13、建立热-流体模型,包括质量守恒、动量守恒和能量守恒控制方程
空气域的质量守恒方程:
动量守恒方程为:
能量守恒方程为:
电池的能量守恒方程没有左侧第二项,即对流项,右侧增加源项qt;
公式(22)~(24)中,ρ是密度,单位是kg/m3;t是时间,单位是s,是速度矢量,单位是m/s;p是静压,单位是Pa;μ是动力粘度,单位是Pa·s;λ是热导率,单位是W/m·K;cp是比热容,单位是J/(kg·K);
步骤S14、流动过程采用剪应力运输k-ω模型考虑湍流效应,方程如下:
其中,ui是方向速度分量,k是湍流动能,ω是湍流耗散率,代表由于平均速度梯度产生的湍流动能,Gω代表由于平均速度梯度产生的湍流耗散率,Γk和Γω分别代表了k和ω的有效扩散率,Yk和Yω分别代表湍流导致的k和ω的耗散,Dω是交叉扩散修正项;Sk和Sω表示自定义的源项;xi是与方向对应的坐标;
步骤S15、利用电模型和热-流体模型,耦合得到电-热-流体耦合模型,所述的电-热-流体耦合模型根据运行工况、电池种类和拓扑设计对各类储能系统在故障工况和正常工况下的电行为、热行为和流场情况进行仿真,利用人为等效短路故障试验数据验证仿真模型可靠性,进而对有限传感监测难以获取的运行参数进行仿真。
更进一步地,步骤S11中,UP满足如下关系式:
SOC的变化满足
其中,QN是锂离子电池的额定容量,对式(14)引入时间差分
其中,Δt是时间间隔的大小,m代表时间步的下标;类似地,对式(15)引入差分
更进一步地,步骤S15中,电-热-流体耦合模型的耦合过程如下:
热模型为电模型提供锂离子电池的温度,进而对电模型计算中的关键参数进行修正;而电模型通过输出电压、电流和SOC,利用Bernadi公式计算得到热模型中电池的产热率,从而完成模型的双向耦合计算。
更进一步地,步骤S15中,电-热-流体耦合模型的计算过程如下:
(1)根据每个锂离子电池上一个时间步热-流体模型计算的温度和电模型计算的SOC,通过双线性插值法和拟合法更新ECM模型的参数,包括RP、CP、RO、UOCV和dUOCV/dT;
(2)通过每个储能系统电池簇的充放电电流计算每个锂离子电池的电流;如果电池处于正常状态,依次计算UP、U、SOC和qtot;如果电池处于内短路状态,依次计算UP、U、IISC、Itot、SOC和qtot1;
(3)ECM计算的qtot和qtot1被作为锂离子电池热模型中能量守恒方程的源项,从而得到锂离子电池的温度T;如果当前时间步不是最后一个时间步,则保存热模型计算得到的锂离子电池的温度T以及ECM计算得到的SOC;然后再依据上述重新开始下一个时间步的耦合计算。
进一步地,所述的步骤S2包括:
步骤S21、基于电-热-流体三维耦合模型仿真得到的温度和电压数据集,分别选取连续时间步时两种变量电压和温度(单类型多时间步(SFMT)数据生成算法),即SFMT输入时计算异常值,得到基于温度SFMT算法的LOF异常值数据集A;
步骤S22、基于电-热-流体三维耦合模型仿真得到的温度和电压数据集,选取某一时间步的某簇所有电池的电压和温度变量(多类型单时间步(MFST)数据生成算法),即MFST输入时计算异常值,得到基于温度MFST算法的LOF异常值数据集B;
步骤S23,计算任意两点x和y之间的可达距离dk(x,y),定义为:
式中,dk(y)为点y的第k距离;d(x,y)表示任意两点x和y之间的距离;
步骤S24,计算任意点x的密度ρk(x),表示为:
式中,Pk(x)点是x的第k距离领域,也是任意点x的密度;
步骤S25,计算任意点x的局部异常因子,计算公式为:
进一步地,所述的步骤S3包括:
步骤S31,计算异常值数据集A和B的所有LOF的算术平均值
步骤S32,计算LOF的总体标准偏差估计值σ(LOF),即
步骤S33,计算异常值数据集A和B的Z-score,如下:
步骤S34,以模组为单位,根据电池单体电池数量,将Zi和设定的临界值Zthr(α,N)相比,其中α代表显著性水平;
当满足
Zi>Zthr(α,N) (33)
认定储能系统中异常点存在,在置信水平1-α下,x是一个异常点。
根据以上步骤得到对应于异常值数据集A和异常值数据集B的电压和温度异常分Z-score;针对不同材料电池、不同工况、不同故障程度的电池,采用类似方法获得各自对应的异常分,并利用格鲁布斯检验验证异常存在。
进一步地,所述的一种具备阈值自适应功能的锂电储能电站故障诊断方法,还包括:步骤S4、比较多类型单时间步和单类型多时间步两种数据生成算法,评价优劣性和适用场景。
更进一步地,考虑到三维多场运算的算力和计算成本,以及实际储能系统运行工况的特殊性,需要对步骤S4做如下考虑:
步骤S41,将单类型多时间步的电压MFST算法得到的结果Z-score-A(U)与单类型多时间步的温度MFST算法得到的结果Z-score-A(T)进行比较,关注监测时间段内短路工况下哪个Z-score最早出现最大值,即灵敏度更大;
步骤S42,将多类型单时间步的电压SFMT算法得到的结果Z-score-B(U)与多类型单时间步的温度SFMT算法得到的结果Z-score-B(T)进行比较,关注某时刻内短路工况下哪个变量Z-score值最大,即灵敏度更大;
步骤S43,针对不同程度故障和时间特征,甄选出最适宜的监测变量;如果电压数据更灵敏可靠,则可不选用三维仿真辅助进行故障诊断,直接依赖BMS监测数据作为输入参数,进行异常判断。
本发明具有的有益效果如下:通过三维仿真模拟故障工况,为LOF的算法生成和训练提供了多维的基础输入数据;同时,应用LOF方法识别异常后,引入格鲁布斯检验,解决误报和因样本数量带来的阈值适应问题,提升锂电储能电站故障电池的识别准确性和可靠性。
附图说明
图1是本发明实施例的LOF算法的计算流程图;
图2是本发明实施例的算法生成数据中电-热-流体(E-T-H)耦合模型耦合过程图;
图3是本发明实施例的电-热-流体(E-T-H)耦合模型计算过程图。
具体实施方式
下面结合本发明创造实施例的附图,对本发明创造实施例的技术方案进行解释和说明,但下述实施例仅为本发明创造的优选实施例,并非全部。基于实施方式中的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的其他实施例,都属于本发明创造的保护范围。
参见图1至图3,本发明的一种具备阈值自适应功能的锂电储能电站故障诊断方法,其包括:
步骤S1、算法数据的生成,采用E-T-H三维耦合模型生成故障条件下的储能电站运行数据,主要采集单体极点温度参数;采用人为等效短路故障生成故障条件下的储能电站运行数据,验证模型及故障算法的可靠性。
步骤S2、分别采用多类型单时间步(MFST)的数据生成算法和单类型多时间步(SFMT)的数据生成算法训练LOF,如图1所示,得到所有样本异常值。
步骤S3、为防止数据的波动性和采样噪音造成的异常判断不准,采用格鲁布斯检验,根据样本数自适应调整阈值,进一步确认异常点,提高识别精确度。
步骤S4、比较MFST和SFMT两种数据生成算法,评价优劣性和适用场景。
本实施例中,步骤S1采用数值仿真了克服现有异常识别输入数据中仅有电压这一变量的情况。现有储能系统及监测技术中,因成本和空间布局原因,无法对每节电芯的温度进行准确监测,而温度直接反映电池状态,与安全密切关联。通过三维建模仿真,能够获取异常和正常工况下单体电芯的热-电参数。
具体地,实施例中步骤S1分为以下步骤进行:
步骤S11、建立储能系统中单体电池的电模型—戴维宁ECM模型,将锂离子电池等效为由一个理想无负载的电池(开路电压为UOCV),内阻RO,极化电阻RP以及极化电容CP组成的电路。正常工况下:
工作电压U满足如下关系式
U(t)=UOCV-UP(t)-ROI, (13)
其中,I是电流,放电电流取正值,充电电流取负值,UP是极化电容的电压而t是当前时间。UP满足如下关系式
SOC的变化满足
其中,QN是锂离子电池的额定容量。对式(14)引入时间差分
其中,Δt是时间间隔的大小,m代表时间步的下标。类似地,对式(15)引入差分
因此,根据ECM模型,就可以求解不同电流I下的锂离子电池工作电压U。从而可以根据Bernardi计算电池的产热率qtot(单位是W/m3)
其中,Vb是锂离子电池的体积,qir是不可逆热,qre是可逆热,dUOCV/dT是温熵系数。
步骤S12、建立考虑有短路发生时的电模型:
根据欧姆定律,IISC满足:
电池的总电流Itot是自放电电流IISC和工作电流之和
Itot=I+IISC. (20)
内短路下电池的总放热率qtot比正常工况多了一项产热qISC,表示为:
步骤S13、建立热-流体模型,整个计算域包括电池、空气、铝壳以及其他的一些结构件和支撑件。这些区域的控制方程,包括质量守恒、动量守恒、能量守恒控制方程组成了热-流体模型。
空气域的质量守恒方程:
动量守恒方程为:
能量守恒方程为:
电池的能量守恒方程没有左侧第二项,即对流项,右侧增加了源项qt。
方程22~24中,ρ是密度,单位是kg/m3;t是时间,单位是s,是速度矢量,单位是m/s,p是静压,单位是Pa,μ是动力粘度,单位是Pa·s,λ是热导率,单位是W/m/K,cp是比热容,单位是J/(kg·K)。
步骤S14、流动过程采用剪应力运输k-ω模型来考虑湍流效应,方程如下:
其中,ui是方向速度分量,k是湍流动能,ω是湍流耗散率,代表由于平均速度梯度产生的湍流动能,Gω代表由于平均速度梯度产生的湍流耗散率,Γk和Γω分别代表了k和ω的有效扩散率,Yk和Yω分别代表湍流导致的k和ω的耗散,Dω是交叉扩散修正项。
步骤S15、模型耦合和计算过程分别见图2和图3,热模型主要为电模型提供锂离子电池的温度,而电模型为热模型提供锂离子电池的产热率,从而完成双向耦合计算。
电-热-流体耦合模型的耦合过程如下:热模型为电模型提供锂离子电池的温度,进而对电模型计算中的关键参数进行修正;而电模型通过输出电压、电流和SOC,利用Bernadi生热方程计算得到热模型中电池的产热率,从而完成模型的双向耦合计算。
电-热-流体耦合模型的计算过程如下:
(1)根据每个锂离子电池上一个时间步热-流体模型计算的温度和电模型计算的SOC,通过双线性插值法和拟合法更新ECM模型的参数,包括RP、CP、RO、UOCV和dUOCV/dT;
(2)通过每个储能系统电池簇的充放电电流计算每个锂离子电池的电流;如果电池处于正常状态,依次计算UP、U、SOC和qtot;如果电池处于内短路状态,依次计算UP、U、IISC、Itot、SOC和qtot1;
(3)ECM计算的qtot和qtot1将被作为锂离子电池热模型中能量守恒方程的源项,从而得到锂离子电池的温度T;如果当前时间步不是最后一个时间步,则保存热模型计算得到的锂离子电池的温度T以及ECM计算得到的SOC;然后再依据上述重新开始下一个时间步的耦合计算。
可以推断:电-热流体耦合模型可以根据运行工况、电池种类和拓扑设计对各类储能系统在故障工况(实施例为电芯内部短路)和正常工况下的电行为、热行为和流场情况进行仿真,利用人为等效短路故障试验数据验证仿真模型可靠性,进而对有限传感监测难以获取的运行参数进行仿真。
本实施例中,步骤S2中,锂离子电池最重要的可测量的运行参数包括温度(T),电流(I)以及电压(U),运行一段时间t后,假设锂离子电池储能系统所形成的数据集Y可以表示为:
其中,N是储能系统中锂离子电池单体的数量;t是当前时间步。
MFST生成算法为LOF方法所产生的输入数据
其中,N是研究对象总数。LOF方法是基于密度的异常检测方法,需要计算任意两点x和y之间的距离d(x,y),因此,它的算法时间和空间复杂度为O(N2)。于是,选择哪些数据作为LOF的输入与计算效率密切相关。锂离子电池储能系统有大量的运行数据,只有最能够反映锂离子电池当前运行状态的数据才有必要作为算法的输入。否则,将引起不必要的计算开销。
以电压为例,SFMT算法产生的输入数据为:
其中,W是滑动窗口的大小。此处使用滑动窗口是为了控制数据的维度。
类似地,SFMT基于温度产生的输入数据为:
计算某时刻或监测不同时间步中两个数据间的距离d(x,y);计算任意点x的第k距离dk(x),定义为点x与距离其第k远的点x′之间的距离d(x,x′)。由于距离点x距离为d(x,x′)的点可能不止一个,因此,Pk(x)中点的个数(|Pk(x)|)不少于k,即:
|Pk(x)|≥k. (5)
具体地,步骤S2包括:
步骤S21、基于三维电-热-流体(E-T-H)耦合模型仿真得到的温度和电压数据集,分别选取连续时间步时两种变量(电压和温度),即SFMT输入时计算异常值,得到基于温度SFMT算法的LOF数据集异常值A;
步骤S22、基于三维电-热-流体(E-T-H)耦合模型仿真得到的温度和电压数据集,选取某一时间步的某簇所有电池的电压和温度变量,即MFST输入时计算异常值,得到基于温度SFMT算法的LOF异常值数据集B;
步骤S23,计算任意两点x和y之间的可达距离dk(x,y),定义为:
步骤S24,计算任意点x的密度ρk(x),表示为:
步骤S25,计算任意点x的局部异常因子,计算公式为:
本实施例中,步骤S3包括:
步骤S31,计算数据集A和B的所有LOF的算术平均值,
步骤S32,计算LOF的总体标准偏差估计值σ(LOF),即
步骤S33,计算据集A和B的Z-score,如下:
步骤S34,以模组为单位,根据电池单体电池数量,例如100个电芯,将Zi和附表1中列出的临界值Zthr(α,N)相比,其中α代表显著性水平。
表1格鲁布斯检验临界值(单边检验)
N\α | 1% | 2.5% | 5% |
6 | 1.94 | 1.89 | 1.82 |
7 | 2.10 | 2.02 | 1.94 |
8 | 2.22 | 2.13 | 2.03 |
9 | 2.32 | 2.21 | 2.11 |
10 | 2.41 | 2.29 | 2.18 |
20 | 2.88 | 2.71 | 2.56 |
30 | —— | 2.91 | 2.75 |
40 | —— | 3.04 | 2.87 |
50 | —— | 3.13 | 2.96 |
100 | —— | 3.38 | 3.21 |
当满足
Zi>Zthr(α,N), (33)
认定储能系统中异常点存在,在置信水平1α下,x是一个异常点。
根据以上步骤得到对应于数据集A和数据集B的电压和温度异常分Z-score。针对不同材料电池、不同工况、不同故障程度的电池,可以采用类似方法获得各自对应的异常分,并利用格鲁布斯检验验证异常存在。
本实施例中,步骤S3生成的异常值和异常分可以对常规故障进行识别;然而,考虑到三维多场运算的算力和计算成本,以及实际储能系统运行工况的特殊性,需要对步骤S4做如下特别考虑:
步骤S41,将单类型多时间步的电压MFST算法得到的结果Z-score-A(U)与多时间步的温度MFST算法得到的结果Z-score-A(T)进行比较,关注监测时间段内短路工况下哪个Z-score最早出现最大值,即灵敏度更大;对应的监测变量(温度或电压)最能体现异常或故障识别的便捷性和准确性。
步骤S42,将多类型单时间步的电压SFMT算法得到的结果Z-score-B(U)与多类型单时间步的温度SFMT算法得到的结果Z-score-B(T)进行比较,关注某时刻内短路工况下哪个变量Z-score值最大,即灵敏度更大;对应的监测变量(温度或电压)最能体现异常或故障识别的便捷性和准确性。
步骤S43,针对不同程度故障和时间特征,可以甄选出最适宜的监测变量。如果电压数据更灵敏可靠,则可不选用三维仿真辅助进行故障诊断,直接依赖BMS监测数据作为输入参数,进行异常判断。
本发明的基于LOF方法的锂电池故障识别方法的有益效果是:通过三维多场仿真模拟故障工况,为LOF的算法生成和训练提供了多维的基础输入数据;同时,应用LOF方法识别异常后,引入格鲁布斯检验,解决误报和因样本数量带来的阈值适应问题,提升锂电储能电站故障电池的识别准确性和可靠性。
以上所述,仅为本发明创造的具体实施方式,但本发明创造的保护范围并不局限于此,熟悉该本领域的技术人员应该明白本发明创造包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明创造的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (10)
1.一种具备阈值自适应功能的锂电储能电站故障诊断方法,其特征在于,包括:
步骤S1、生成算法数据,采用电-热-液体三维耦合仿真模型生成故障条件下的储能电站运行数据,主要采集单体极点温度参数;采用人为等效短路故障生成故障条件下的储能电站运行数据,验证模型及故障算法的可靠性;
步骤S2、分别采用多类型单时间步MFST的数据生成算法和单类型多时间步SFMT的数据生成算法训练LOF算法,得到所有样本异常值;
步骤S3、为防止数据的波动性和采样噪音造成的异常判断不准,采用格鲁布斯检验,根据样本数自适应调整阈值,进一步确认异常点。
2.根据权利要求1所述的一种具备阈值自适应功能的锂电储能电站故障诊断方法,其特征在于,步骤S1分为以下步骤进行:
步骤S11、建立储能系统中单体电池的电模型—戴维宁ECM模型,将锂离子电池等效为由一个理想无负载的电池、内阻RO、极化电阻RP以及极化电容CP组成的电路,开路电压为UOCV;正常工况下,工作电压U满足如下关系式:
U(t)=UOCV-UP(t)-ROI (13)
其中,I是工作电流,放电电流取正值,充电电流取负值;UP是极化电容的电压,t是当前时间;
根据ECM模型,求解不同电流I下的锂离子电池工作电压U,根据Bernardi计算电池的产热率qtot,单位是W/m3,
其中,Vb是锂离子电池的体积,qir是不可逆热,qre是可逆热,dUOCV/dT是温熵系数,T是电池的开氏温度;
步骤S12、建立考虑有短路发生时的电模型
根据欧姆定律,IISC满足:
式中,RISC是短路电阻;
电池的总电流Itot是自放电电流IISC和工作电流I之和
Itot=I+IISC (20)
内短路下电池的总放热率qtot1比正常工况多了一项产热qIsC,表示为:
步骤S13、建立热-流体模型,包括质量守恒、动量守恒和能量守恒控制方程
空气域的质量守恒方程:
动量守恒方程为:
能量守恒方程为:
电池的能量守恒方程没有左侧第二项,即对流项,右侧增加源项qt;
公式(22)~(24)中,ρ是密度,单位是kg/m3;t是时间,单位是s,是速度矢量,单位是m/s;p是静压,单位是Pa;μ是动力粘度,单位是Pa·s;λ是热导率,单位是W/m/K;cp是比热容,单位是J/(kg·K);
步骤S14、流动过程采用剪应力运输k-ω模型考虑湍流效应,方程如下:
其中,ui是方向速度分量,k是湍流动能,ω是湍流耗散率,代表由于平均速度梯度产生的湍流动能,Gω代表由于平均速度梯度产生的湍流耗散率,Γk和Γω分别代表了k和ω的有效扩散率,Yk和Yω分别代表湍流导致的k和ω的耗散,Dω是交叉扩散修正项;Sk和Sω表示自定义的源项;xi是与方向对应的坐标;
步骤S15、利用电模型和热-流体模型,耦合得到电-热-流体耦合模型,所述的电-热-流体耦合模型根据运行工况、电池种类和拓扑设计对各类储能系统在故障工况和正常工况下的电行为、热行为和流场情况进行仿真,利用人为等效短路故障试验数据验证仿真模型可靠性,进而对有限传感监测难以获取的运行参数进行仿真。
4.根据权利要求2所述的一种具备阈值自适应功能的锂电储能电站故障诊断方法,其特征在于,步骤S15中,电-热-流体耦合模型的耦合过程如下:
热模型为电模型提供锂离子电池的温度,进而对电模型计算中的关键参数进行修正;而电模型通过输出电压、电流和SOC,利用Bernadi生热方程计算得到热模型中电池的产热率,从而完成模型的双向耦合计算。
5.根据权利要求4所述的一种具备阈值自适应功能的锂电储能电站故障诊断方法,其特征在于,步骤S15中,电-热-流体耦合模型的计算过程如下:
(1)根据每个锂离子电池上一个时间步热-流体模型计算的温度和电模型计算的SOC,通过双线性插值法和拟合法更新ECM模型的参数,包括RP、CP、RO、UOCV和dUOCV/dT;
(2)通过每个储能系统电池簇的充放电电流计算每个锂离子电池的电流;如果电池处于正常状态,依次计算UP、U、SOC和qtot;如果电池处于内短路状态,依次计算UP、U、IISC、Itot、SOC和qtot1;
(3)ECM计算的qtot和qtot1将被作为锂离子电池热模型中能量守恒方程的源项,从而得到锂离子电池的温度T;如果当前时间步不是最后一个时间步,则保存热模型计算得到的锂离子电池的温度T以及ECM计算得到的SOC;然后再依据上述重新开始下一个时间步的耦合计算。
6.根据权利要求1-5任一项所述的一种具备阈值自适应功能的锂电储能电站故障诊断方法,其特征在于,所述的步骤S2包括:
步骤S21、基于电-热-流体三维耦合模型仿真得到的温度和电压数据集,分别选取连续时间步时两种变量电压和温度,即SFMT输入时计算异常值,得到基于温度SFMT算法的LOF异常值数据集A;
步骤S22、基于电-热-流体三维耦合模型仿真得到的温度和电压数据集,选取某一时间步的某簇所有电池的电压和温度变量,即MFST输入时计算异常值,得到基于温度MFST算法的LOF异常值数据集B;
步骤S23,计算任意两点x和y之间的可达距离dk(x,y),定义为:
式中,dk(y)为点y的第k距离;d(x,y)表示任意两点x和y之间的距离;
步骤S24,计算任意点x的密度ρk(x),表示为:
式中,Pk(x)点是x的第k距离领域,也是任意点x的密度;
步骤S25,计算任意点x的局部异常因子,计算公式为:
7.根据权利要求6所述的一种具备阈值自适应功能的锂电储能电站故障诊断方法,其特征在于,所述的步骤S3包括:
步骤S31,计算异常值数据集A和B的所有LOF的算术平均值
步骤S32,计算LOF的总体标准偏差估计值σ(LOF),即
步骤S33,计算异常值数据集A和B的Z-score,如下:
步骤S34,以模组为单位,根据电池单体电池数量,将Zi和设定的临界值Zthr(α,N)相比,其中α代表显著性水平;
当满足
Zi>Zthr(α,N) (33)
认定储能系统中异常点存在,在置信水平1-α下,x是一个异常点。
根据以上步骤得到对应于异常值数据集A和异常值数据集B的电压和温度异常分Z-score;针对不同材料电池、不同工况、不同故障程度的电池,采用类似方法获得各自对应的异常分,并利用格鲁布斯检验验证异常存在。
8.根据权利要求1所述的一种具备阈值自适应功能的锂电储能电站故障诊断方法,其特征在于,还包括:步骤S4、比较多类型单时间步和单类型多时间步两种数据生成算法,评价优劣性和适用场景。
9.根据权利要求8所述的一种具备阈值自适应功能的锂电储能电站故障诊断方法,其特征在于,考虑到三维多场运算的算力和计算成本,以及实际储能系统运行工况的特殊性,需要对步骤S4做如下考虑:
步骤S41,将单类型多时间步的电压MFST算法得到的结果Z-score-A(U)与单类型多时间步的温度MFST算法得到的结果Z-score-A(T)进行比较,关注监测时间段内短路工况下哪个Z-score最早出现最大值,即灵敏度更大;
步骤S42,将多类型单时间步的电压SFMT算法得到的结果Z-score-B(U)与多类型单时间步的温度SFMT算法得到的结果Z-score-B(T)进行比较,关注某时刻内短路工况下哪个变量Z-score值最大,即灵敏度更大;
步骤S43,针对不同程度故障和时间特征,甄选出最适宜的监测变量。
10.根据权利要求9所述的一种具备阈值自适应功能的锂电储能电站故障诊断方法,其特征在于,步骤S43中,如果电压数据更灵敏可靠,则可不选用三维仿真辅助进行故障诊断,直接依赖BMS监测数据作为输入参数,进行异常判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211304719.5A CN115659799B (zh) | 2022-10-24 | 2022-10-24 | 一种具备阈值自适应功能的锂电储能电站故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211304719.5A CN115659799B (zh) | 2022-10-24 | 2022-10-24 | 一种具备阈值自适应功能的锂电储能电站故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115659799A true CN115659799A (zh) | 2023-01-31 |
CN115659799B CN115659799B (zh) | 2023-05-16 |
Family
ID=84992214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211304719.5A Active CN115659799B (zh) | 2022-10-24 | 2022-10-24 | 一种具备阈值自适应功能的锂电储能电站故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659799B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117433591A (zh) * | 2023-12-21 | 2024-01-23 | 河北省农林科学院农业信息与经济研究所 | 基于多传感器数据的自动化设备监测系统 |
CN117743805A (zh) * | 2024-02-19 | 2024-03-22 | 浙江浙能技术研究院有限公司 | 基于健康度评估反馈的发电机励磁系统分层级判别方法 |
CN117743805B (zh) * | 2024-02-19 | 2024-04-30 | 浙江浙能技术研究院有限公司 | 基于健康度评估反馈的发电机励磁系统分层级判别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504607A (zh) * | 2014-09-04 | 2015-04-08 | 国家电网公司 | 一种基于模糊聚类算法的光伏电站故障诊断方法 |
CN107064696A (zh) * | 2017-06-07 | 2017-08-18 | 中国人民解放军军事交通学院 | 汽车电热塞故障诊断系统及诊断方法 |
CN107395121A (zh) * | 2017-08-01 | 2017-11-24 | 河海大学常州校区 | 基于格拉布斯准则及离群点检测光伏阵列故障检测方法 |
US20210019211A1 (en) * | 2019-07-15 | 2021-01-21 | Bull Sas | Method and device for determining a performance indicator value for predicting anomalies in a computing infrastructure from values of performance indicators |
CN112787591A (zh) * | 2020-10-30 | 2021-05-11 | 福州大学 | 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 |
CN114429069A (zh) * | 2022-01-25 | 2022-05-03 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 干式电抗器的建模与故障预警方法、建模与故障预警系统 |
CN114720883A (zh) * | 2022-06-02 | 2022-07-08 | 国网浙江省电力有限公司电力科学研究院 | 一种基于孤立森林算法的锂电池故障识别方法 |
CN115097745A (zh) * | 2022-02-22 | 2022-09-23 | 国网陕西省电力有限公司电力科学研究院 | 一种基于数字孪生的变压器套管故障诊断系统及操作方法 |
-
2022
- 2022-10-24 CN CN202211304719.5A patent/CN115659799B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504607A (zh) * | 2014-09-04 | 2015-04-08 | 国家电网公司 | 一种基于模糊聚类算法的光伏电站故障诊断方法 |
CN107064696A (zh) * | 2017-06-07 | 2017-08-18 | 中国人民解放军军事交通学院 | 汽车电热塞故障诊断系统及诊断方法 |
CN107395121A (zh) * | 2017-08-01 | 2017-11-24 | 河海大学常州校区 | 基于格拉布斯准则及离群点检测光伏阵列故障检测方法 |
US20210019211A1 (en) * | 2019-07-15 | 2021-01-21 | Bull Sas | Method and device for determining a performance indicator value for predicting anomalies in a computing infrastructure from values of performance indicators |
CN112787591A (zh) * | 2020-10-30 | 2021-05-11 | 福州大学 | 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 |
CN114429069A (zh) * | 2022-01-25 | 2022-05-03 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 干式电抗器的建模与故障预警方法、建模与故障预警系统 |
CN115097745A (zh) * | 2022-02-22 | 2022-09-23 | 国网陕西省电力有限公司电力科学研究院 | 一种基于数字孪生的变压器套管故障诊断系统及操作方法 |
CN114720883A (zh) * | 2022-06-02 | 2022-07-08 | 国网浙江省电力有限公司电力科学研究院 | 一种基于孤立森林算法的锂电池故障识别方法 |
Non-Patent Citations (7)
Title |
---|
KUN DING等: "Fault detection of photovoltaic array based on Grubbs criterion and local outlier factor" * |
STEPHEN HOPKINS等: "Sub-Erroneous Outlier Detection of Cyber Attacks in a Smart Grid State Estimation System" * |
唐雅洁等: "基于XGBoost的双层协同实时校正超短期光伏预测" * |
李明超等: "基于密度分簇的长周期监测数据异常识别方法" * |
王银平: "长引水电站水力特性耦合数值模拟与试验研究" * |
董缇等: "锂离子电池热管理和安全性研究" * |
赵显赫等: "基于深度学习的储能锂离子电池健康状态估计" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117433591A (zh) * | 2023-12-21 | 2024-01-23 | 河北省农林科学院农业信息与经济研究所 | 基于多传感器数据的自动化设备监测系统 |
CN117433591B (zh) * | 2023-12-21 | 2024-02-27 | 河北省农林科学院农业信息与经济研究所 | 基于多传感器数据的自动化设备监测系统 |
CN117743805A (zh) * | 2024-02-19 | 2024-03-22 | 浙江浙能技术研究院有限公司 | 基于健康度评估反馈的发电机励磁系统分层级判别方法 |
CN117743805B (zh) * | 2024-02-19 | 2024-04-30 | 浙江浙能技术研究院有限公司 | 基于健康度评估反馈的发电机励磁系统分层级判别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115659799B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shang et al. | A multi-fault diagnosis method based on modified Sample Entropy for lithium-ion battery strings | |
Kang et al. | A multi-fault diagnostic method based on an interleaved voltage measurement topology for series connected battery packs | |
CN112838631B (zh) | 动力电池的充电动态管控装置和动力电池的充电诊断方法 | |
Wei et al. | Lyapunov-based thermal fault diagnosis of cylindrical lithium-ion batteries | |
Li et al. | Comparative study of the influence of open circuit voltage tests on state of charge online estimation for lithium-ion batteries | |
Lin et al. | Voltage-correlation based multi-fault diagnosis of lithium-ion battery packs considering inconsistency | |
CN111965559B (zh) | 一种锂离子电池soh在线估计方法 | |
CN103003709A (zh) | 电池状态估计装置以及电池状态估计方法 | |
CN109061537A (zh) | 基于观测器的电动车辆锂离子电池传感器故障诊断方法 | |
CN112345955B (zh) | 一种动力电池多故障在线诊断方法与系统 | |
CN115032542A (zh) | 一种基于混合模型的储能系统电池热失控预判方法 | |
CN112285570B (zh) | 一种基于衰减记忆滤波器的电动汽车故障诊断方法 | |
CN114137417B (zh) | 一种基于充电数据特征的电池内短路检测方法 | |
CN115494400B (zh) | 一种基于集成学习的锂电池析锂状态在线监控方法 | |
CN115659799A (zh) | 一种具备阈值自适应功能的锂电储能电站故障诊断方法 | |
CN114035086B (zh) | 基于信号处理的电池组多故障诊断方法 | |
CN115327386A (zh) | 一种基于电热耦合模型的电池组多故障诊断方法 | |
Wu et al. | A fault detection method of electric vehicle battery through Hausdorff distance and modified Z-score for real-world data | |
CN111537893A (zh) | 一种锂离子电池模组运行安全的评测方法、系统及电子设备 | |
Kamali et al. | Novel SOH estimation of lithium-ion batteries for real-time embedded applications | |
CN112009252B (zh) | 一种动力电池系统故障诊断及容错控制方法 | |
Gu et al. | A precise minor-fault diagnosis method for lithium-ion batteries based on phase plane sample entropy | |
Deng et al. | An improved algorithm of SOC testing based on open-circuit voltage-ampere hour method | |
CN116184248B (zh) | 一种串联电池组的微小短路故障检测方法 | |
Cai et al. | D-ukf based state of health estimation for 18650 type lithium battery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |