CN116644291A - 一种基于云边协同的储能电池多风险类型预警方法 - Google Patents

一种基于云边协同的储能电池多风险类型预警方法 Download PDF

Info

Publication number
CN116644291A
CN116644291A CN202310624107.2A CN202310624107A CN116644291A CN 116644291 A CN116644291 A CN 116644291A CN 202310624107 A CN202310624107 A CN 202310624107A CN 116644291 A CN116644291 A CN 116644291A
Authority
CN
China
Prior art keywords
battery
early warning
time
cloud
data
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.)
Pending
Application number
CN202310624107.2A
Other languages
English (en)
Inventor
任世鹏
李煊鹏
王悦童
刘彦廷
管宇轩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202310624107.2A priority Critical patent/CN116644291A/zh
Publication of CN116644291A publication Critical patent/CN116644291A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M50/00—Constructional details or processes of manufacture of the non-active parts of electrochemical cells other than fuel cells, e.g. hybrid cells
    • H01M50/50—Current conducting connections for cells or batteries
    • H01M50/569—Constructional details of current conducting connections for detecting conditions inside cells or batteries, e.g. details of voltage sensing terminals
    • 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

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种基于云边协同的储能电池多风险类型预警方法，所述方法包括以下步骤：步骤1：在边缘端采集电池的实时运行温度、电流、电压和气体信号；步骤2：对数据进行清洗、同步、格式转换预处理，并将处理后的数据上传至云端；步骤3：云端内部集成了电池状态演变模型，利用该模型和上传数据进行电池状态更新和参数估计；步骤4：边缘端进行实时风险评估，实现短时预警；该方案在云端获得不同电池状态下的参数估计的基础上，状态参数传输至边缘端，进行长时和中时预警。根据储能电池的实时数据和状态演变数据库，结合云端电池模型实现电池运行状态的精准预测及电池运行风险的超前预警。

Description

一种基于云边协同的储能电池多风险类型预警方法
技术领域
本发明涉及一种预警方法，具体涉及一种基于云边协同的储能电池多风险类型预警方法，属于电力以及电池技术领域。
背景技术
储能电站是以大量的电池作为基础建立的，众多的电池模组通过串联或并联的方式密集排放，在运行过程中，储能电池可能会出现电、热等方面的安全问题，而一旦有模组出现问题该模组电池所产生的热量将会通过热传递、热辐射以及喷射燃烧物等方式使火灾快速向四周蔓延，形成一定的火灾规模，还会伴随爆炸等现象的发生，电池燃烧时还会产生有害气体。因此储能电站的火灾具有升温快、蔓延快、危害大等特点，如果不能在火灾发生前进行制止或在火灾前期快速抑制将会造成无法挽回的局面。如何在电池模组出现问题之前进行各种风险预警对储能行业的发展至关重要。
储能电池的预警涉及多维信号的采集，信号的处理与分析等问题。储能电池故障类型复杂，事故连发性高确定事故源头困难、耗时。现有的储能锂电池预警方法存在预警信号维度少、预警提前时间不足的问题。因此储能锂电池的预警迫切需要多维的信号来源和状态演变数据库，突破影响因素考虑不全面、数据处理能力弱的瓶颈。
云计算和边缘计算作为近年来新的信息技术发展模式，在智能电网等方面已得到初试，但在储能方面还鲜有研究。通过应用云边协同的储能电池多风险类型预警方法，利用云中心的弹性计算模式和边缘端的低时延响应能力，结合与电池模型计算，实现模型的分布式高效计算与数据的协调传输，确定风险类型，分析风险等级，预估风险发生时间，可以使储能电池的预警更加高效准确。
发明内容
本发明针对当前电池风险预警信号维度少、预警提前时间不足的问题，目的在于提供一种基于云边协同的储能电池多风险类型预警方法，根据储能电池的实时数据和状态演变数据库，结合云端电池模型实现电池运行状态的精准预测及电池运行风险的超前预警。
为实现上述目的，本发明采用了以下技术方案：
一种基于云边协同的储能电池多风险类型预警方法，包括以下步骤：
步骤1，边缘端采集电池的实时运行温度、电流、电压和气体信号；
通过各类传感器和采集器，如温度传感器，气体传感器等，获取到电池的各类参数，得到电池温度、电池电流、电池电压和气体信号的实时数据，连接数据传输通道，准备数据的实时上传以及存储；
进一步的，上述步骤1中所述传感器以及采集器指在电池的特定部位安装，可以实时采集、传输电池实时运行数据包括：电池温度、电池电流、电池电压和气体信号的实时数据；
步骤2，对数据进行清洗、同步、格式转换等预处理，并将处理后的数据上传至云端；
将采集到的数据存储到边缘端设备，边缘端对采集到的温度、电流、电压数据进行清洗、同步、格式转换等预处理，以减少数据传输的带宽和提高数据传输效率；边缘端将处理后的数据通过络传输协议上传至云端，云端接收到传输过来的数据进行数据存储；
步骤3,云端内部集成了电池状态演变模型，利用该模型和上传数据进行电池状态更新和参数估计；
电池状态演变数据库包含不同工作场景、不同型号的储能电池的温度、电流、电压、气体变化情况以及电池的实时数据、历史数据和相关参数；通过输入电池的实时数据、历史数据和相关参数，利用云端电池模型，对电池的状态进行分析和预测，并进行参数估计；
步骤4，边缘端进行实时风险评估，实现短时预警；在云端获得不同电池状态下的参数估计的基础上，状态参数传输至边缘端，进行长时和中时预警；
进一步的，在上述步骤4中，可以根据预定的特定风险类型，确定预警等级的划分标准；对电池数据进行周期性分析和比对，确定当前的风险等级。短时预警直接通过边缘端计算进行预警，中时和长时预警需要实时数据经过边缘端处理计算、数据上传云端、云端计算得到精准状态参数估计后，再将状态估计值传输至边缘端，以云边协同模式实现预警。同时，边缘端进行实时风险评估，当出现问题时能够及时报警并采取措施，确保电池安全运行。
进一步的，短时预警瞄准电池热失控，在边缘端以较高的频率监测电池的温度、电流、电压和气体等参数；根据预设的安全阈值，当电池的温度超过阈值或变化超出阈值时，触发温度预警信号；触发短路预警信号；触发产气预警信号；
进一步的，步骤4中的中时预警，在边缘端采集电池的温度、电流、电压参数；数据经过数据库分析与云端电池模型计算，得到电池内部压力预测参数、电池结构状态预测参数、电池电化学状态预测参数及其对应可信度；边缘端获取的T1、T2、T3、T4时间节点电池状态值，如果对应时刻的数据可信度低于可信度阈值，便设置为NaN；进一步的，T1、T2、T3、T4由用户设定，中时预警可在20天内自选数个时间节点，一般默认设定中时预警时间节点选取如表1所示；
表1中时预警时间节点选取
预警类型 T1 T2 T3 T4
中时预警 1天 7天 15天 20天
进一步的，步骤4中的长时预警，在边缘端采集电池的温度、电流、电压参数；数据经过数据库分析与云端电池模型计算，得到电池实际容量、电池剩余循环寿命、电池实际容量与电池剩余循环寿命模组间方差及其对应可信度；边缘端获取的T1、T2、T3、T4时间节点电池状态值，如果对应时刻的数据可信度低于可信度阈值，便设置为NaN；进一步的，T1、T2、T3、T4由用户设定，长时预警可在30天至3个月内自选数个时间节点，一般默认设定长时预警时间节点选取如表2所示；
表2长时预警时间节点选取
预警类型 T1 T2 T3 T4
长时预警 30天 45天 60天 90天
进一步的，在上述步骤4中，边缘测获取各时间节点状态参数后，对比各风险发生时的状态参数阈值，确定各风险发生时间段；
本发明相对现有技术具有以下有益效果：
本方法可以针对储能电池的多种风险类型进行预警，包括过充、过放、过温、短路等多种风险类型。这有助于提高储能电池的安全性和可靠性。此外，本发明可以根据实际应用需求进行灵活配置和部署，可以应用于不同类型和规模的储能电池系统中，包括家庭储能系统、商业储能系统和工业储能系统等。
本发明提出的储能电池多风险类型预警方法基于一套云边协同体系，云端采用高效能计算技术，依靠高效的信息传递机制，实现云端与边缘端工作协同的预警筛查，整体计算与存储容量大，模拟速度快，系统响应时延低，同时，通过不断学习和更新模型，可以不断提高预测精度和准确性。
附图说明
图1为本发明方法流程图；
图2为基于云边协同的储能电池多风险类型预警体系示意图。
具体实施方式
为了加深对本发明的理解，下面结合附图对本实施例做详细的说明。
实施例1：参见图1、图2，一种基于云边协同的储能电池多风险类型预警方法，包括以下步骤：
步骤1，边缘端采集电池的实时运行温度、电流、电压和气体信号；
通过各类传感器和采集器，如温度传感器，气体传感器等，获取到电池的各类参数，得到电池温度、电池电流、电池电压和气体信号的实时数据，连接数据传输通道，准备数据的实时上传以及存储；
其中，上述步骤1中所述传感器以及采集器指在电池的特定部位安装，可以实时采集、传输电池实时运行数据包括：电池温度、电池电流、电池电压和气体信号的实时数据；
步骤2，对数据进行清洗、同步、格式转换等预处理，并将处理后的数据上传至云端；
将采集到的数据存储到边缘端设备，边缘端对采集到的温度、电流、电压数据进行清洗、同步、格式转换等预处理，以减少数据传输的带宽和提高数据传输效率；边缘端将处理后的数据通过络传输协议上传至云端，云端接收到传输过来的数据进行数据存储；
步骤3，云端内部集成了电池状态演变模型，利用该模型和上传数据进行电池状态更新和参数估计；
电池状态演变数据库包含不同工作场景、不同型号的储能电池的温度、电流、电压、气体变化情况以及电池的实时数据、历史数据和相关参数；通过输入电池的实时数据、历史数据和相关参数，利用云端电池模型，对电池的状态进行分析和预测，并进行参数估计；
步骤4，边缘端进行实时风险评估，实现短时预警；在云端获得不同电池状态下的参数估计的基础上，状态参数传输至边缘端，进行长时和中时预警；
在上述步骤4中，可以根据预定的特定风险类型，确定预警等级的划分标准；对电池数据进行周期性分析和比对，确定当前的风险等级。短时预警直接通过边缘端计算进行预警，中时和长时预警需要实时数据经过边缘端处理计算、数据上传云端、云端计算得到精准状态参数估计后，再将状态估计值传输至边缘端，以云边协同模式实现预警。同时，边缘端进行实时风险评估，当出现问题时能够及时报警并采取措施，确保电池安全运行。
其中，短时预警瞄准电池热失控，进一步包括，在边缘端以较高的频率监测电池的温度、电流、电压和气体等参数；根据预设的安全阈值，当电池的温度超过阈值或变化超出阈值时，触发温度预警信号、短路预警信号和产气预警信号；
其中中时预警，进一步包括，在边缘端监测电池的温度、电流、电压等参数；数据经过数据库分析与云端电池模型计算，得到电池内部压力预测参数、电池结构状态预测参数、电池电化学状态预测参数及其对应可信度；边缘端获取的T1、T2、T3、T4时间节点电池状态值，如果对应时刻的数据可信度低于可信度阈值，便设置为NaN；进一步的，T1、T2、T3、T4由用户设定，中时预警可在20天内自选数个时间节点，一般默认设定中时预警时间节点选取如表1所示；
表1中时预警时间节点选取
预警类型 T1 T2 T3 T4
中时预警 1天 7天 15天 20天
进一步的，边缘端获取各时间节点状态参数后，对比各风险发生时的状态参数阈值，确定各风险发生时间段；
其中长时预警，进一步包括，在边缘端监测电池的温度、电流、电压等参数；数据经过数据库分析与云端电池模型计算，得到电池实际容量、电池剩余循环寿命、电池实际容量与电池剩余循环寿命模组间方差及其对应可信度；边缘端获取的T1、T2、T3、T4时间节点电池状态值，如果对应时刻的数据可信度低于可信度阈值，便设置为NaN；进一步的，T1、T2、T3、T4由用户设定，长时预警可在30天至3个月内自选数个时间节点，一般默认设定长时预警时间节点选取如表2所示；
表2长时预警时间节点选取
预警类型 T1 T2 T3 T4
长时预警 30天 45天 60天 90天
进一步的，边缘端获取各时间节点状态参数后，对比各风险发生时的状态参数阈值，确定各风险发生时间段；
进一步的，在上述步骤4中，短时预警瞄准电池热失控，短时预警类型如表3所示；
表3短时预警类型
进一步的，在上述步骤4中，中时预警预警瞄准电池状态和结构变化预警，中时预警类型如表4所示；
表4中时预警类型
进一步的，在上述步骤4中，长时预警瞄准电池使用效率和一致性，长时预警类型如表5所示；
表5长时预警类型
实施例2：参见图1、图2，本发明适用于数据传输效率高的储能电站，具体的，本实施例的基于云边协同的储能电池分级风险预警方法包括以下步骤：
步骤1，边缘端采集电池的实时运行温度、电流、电压和气体信号；
通过各类传感器和采集器，如温度传感器，气体传感器等，获取到电池的各类参数，得到电池温度、电池电流、电池电压和气体信号的实时数据，连接数据传输通道，准备数据的实时上传以及存储；
进一步的，上述步骤1中所述传感器以及采集器指在电池的特定部位安装，可以实时采集、传输电池实时运行数据包括：电池温度、电池电流、电池电压和气体信号的实时数据；
步骤2，对数据进行清洗、同步、格式转换等预处理，并将处理后的数据上传至云端；
将采集到的数据存储到边缘端设备，边缘端对采集到的温度、电流、电压数据进行清洗、同步、格式转换等预处理，以减少数据传输的带宽和提高数据传输效率；边缘端将处理后的数据通过络传输协议上传至云端，云端接收到传输过来的数据进行数据存储；
步骤3，云端内部集成了电池状态演变模型，利用该模型和上传数据进行电池状态更新和参数估计；
电池状态演变数据库包含不同工作场景、不同型号的储能电池的温度、电流、电压、气体变化情况以及电池的实时数据、历史数据和相关参数；通过输入电池的实时数据、历史数据和相关参数，利用云端电池模型，对电池的状态进行分析和预测，并进行参数估计；
步骤4，边缘端进行实时风险评估，实现短时预警；在云端获得不同电池状态下的参数估计的基础上，状态参数传输至边缘端，进行长时和中时预警；
进一步的，在上述步骤4中，可以根据预定的特定风险类型，确定预警等级的划分标准；对电池数据进行周期性分析和比对，确定当前的风险等级。短时预警直接通过边缘端计算进行预警，中时和长时预警需要实时数据经过边缘端处理计算、数据上传云端、云端计算得到精准状态参数估计后，再将状态估计值传输至边缘端，以云边协同模式实现预警。同时，边缘端进行实时风险评估，当出现问题时能够及时报警并采取措施，确保电池安全运行。
进一步的，其中短时预警瞄准电池热失控，进一步包括，在边缘端以较高的频率监测电池的温度、电流、电压和气体等参数；根据预设的安全阈值，当电池的温度超过阈值或变化超出阈值时，触发温度预警信号；触发短路预警信号；触发产气预警信号；
其中中时预警，进一步包括，在边缘端监测电池的温度、电流、电压等参数；数据经过数据库分析与云端电池模型计算，得到电池内部压力预测参数、电池结构状态预测参数、电池电化学状态预测参数及其对应可信度；边缘端获取的T1、T2、T3、T4时间节点电池状态值，如果对应时刻的数据可信度低于可信度阈值，便设置为NaN；进一步的，T1、T2、T3、T4由用户设定，中时预警可在20天内自选数个时间节点，一般默认设定中时预警时间节点为1天、3天、7天、15天；
进一步的，边缘端获取各时间节点状态参数后，对比各风险发生时的状态参数阈值，确定各风险发生时间段；
其中长时预警，进一步包括，在边缘端监测电池的温度、电流、电压等参数；数据经过数据库分析与云端电池模型计算，得到电池实际容量、电池剩余循环寿命、电池实际容量与电池剩余循环寿命模组间方差及其对应可信度；边缘端获取的T1、T2、T3、T4时间节点电池状态值，如果对应时刻的数据可信度低于可信度阈值，便设置为NaN；进一步的，T1、T2、T3、T4由用户设定，长时预警可在30天至3个月内自选数个时间节点，一般默认设定长时预警时间节点为30天、45天、60天、90天；
进一步的，边缘端获取各时间节点状态参数后，对比各风险发生时的状态参数阈值，确定各风险发生时间段；
进一步的，在上述步骤4中，边缘端获取各时间节点状态参数后，对比各风险发生时的状态参数阈值，确定各风险发生时间段；如达到用户设置的阈值后，云端向用户端发送警告信息并记录。
综上所述，本发明详细介绍了一种基于云边协同的储能电池多风险类型预警方法，以多维信号监测为基础构建边缘端和云端，结合边缘自适应阈值算法与电池风险类型集，进行分级风险预警，高效准确地判断了故障可能发生的类型及时间段，对储能电站的安全具有重要意义。
本发明不仅限定于在上述实例中所描述的内容，而是以权利要求所限定的范围为准。同时，本发明所属领域的一般技术人员在该实例的基础上所做的任何修改、补充或等效替换，都在本发明的权利要求所保护范围内，本说明书内容不应理解为对本发明的限制。
需要说明的是上述实施例，并非用来限定本发明的保护范围，在上述技术方案的基础上所作出的等同变换或替代均落入本发明权利要求所保护的范围。

Claims (9)

1.一种基于云边协同的储能电池多风险类型预警方法，其特征在于，所述方法包括以下步骤：
步骤1：在边缘端采集电池的实时运行温度、电流、电压和气体信号；
步骤2：对数据进行清洗、同步、格式转换预处理，并将处理后的数据上传至云端；
步骤3：云端内部集成了电池状态演变模型，利用该模型和上传数据进行电池状态更新和参数估计；
步骤4：边缘端进行实时风险评估，实现短时预警；在云端获得不同电池状态下的参数估计的基础上，状态参数传输至边缘端，进行长时和中时预警。
2.根据权利要求1所述的基于云边协同的储能电池多风险类型预警方法，其特征在于，步骤1中，边缘端负责采集电池实时运行温度、电流、电压和气体信号的步骤，具体如下：
1-1：通过热、电、气体多种传感器实时监测电池的温度、电流、电压和气体。
3.根据权利要求1所述的基于云边协同的储能电池多风险类型预警方法，其特征在于，步骤2中，边缘端对采集到的数据进行预处理，并将处理后的数据上传至云端的步骤，具体如下：
2-1：对采集到的温度、电流、电压数据进行清洗、同步、格式转换预处理，以减少无效数据对系统的干扰，提升数据质量；
2-2：将处理后的数据通过有线或无线传输方式上传至云端。
4.根据权利要求1所述的基于云边协同的储能电池多风险类型预警方法，其特征在于，步骤3中，其中云端内部集成了电池内部演变模型，利用该模型和上传数据进行电池状态更新和参数估计，具体如下：
3-1：建立电池状态演变数据库，记录电池的实时数据、历史数据和相关参数；
3-2：利用云端电池模型，对描述电池状态的多种参数进行评估，包括电池内部压力参数、电池结构状态参数、电池电化学状态参数、电池当前容量、电池剩余循环次数。
5.根据权利要求1所述的基于云边协同的储能电池多风险类型预警方法，其特征在于，步骤4中，其中预警等级根据瞄准风险类型分为长时、中时和短时三个等级的步骤，具体如下：
4-1：根据特定风险类型，确定预警等级的划分标准；具体标准如下：
4-1-1：由于温度异常、发生内短路、产生气体是电池即将发生热失控的标志性预警信号，且电池热失控发生极为迅速，若不及时采取干预措施，将导致严重后果，故将此三类瞄准电池热失控的事故划入高预警等级；
4-1-2：由于内部压力异常、内部结构异常、内部电化学状态异常是单颗电池结构状态变化的标志性预警信号，此类事故若不加预防，会在一定时间后引发前述三种热失控预警情况，对故将此三类瞄准电池结构状态变化的事故划入中预警等级；
4-1-3：由于实际容量衰减、剩余循环寿命不足、实际容量与电池剩余循环寿命模组间方差增大是是单颗电池使用效率降低与电池模组间一致性降低的标志性预警信号，此类事故若不加预防，会在一定时间后引发前述三种电池结构状态变化，对故将此三类瞄准单颗电池使用效率降低与电池模组间一致性的事故划入低预警等级；
4-2：结合电池实时运行数据与状态参数进行分析，确定当前的风险等级,具体确定方法如下：
4-2-1：通过电流、电压、温度、气体实时信号，进行针对电池热失控的短时高风险预警；
4-2-2：通过电池内部压力参数、电池结构状态参数、电池电化学状态参数，进行针对电池结构状态变化的中时中风险预警；
4-2-3：通过电池实际容量、电池剩余循环寿命、电池实际容量与电池剩余循环寿命模组间方差，进行针对单颗电池使用效率降低与电池模组间一致性的长时低风险预警。
6.根据权利要求1所述的基于云边协同的储能电池多风险类型预警方法，其特征在于，步骤4中，其中短时预警直接通过边缘测计算进行预警，中时和长时预警需要实时数据经过边缘端处理、数据上传云端、云端计算得到精准状态参数估计后，再将状态估计值传输至边缘端，以云边协同模式实现预警。
7.根据权利要求1所述的基于云边协同的储能电池多风险类型预警方法，其特征在于，步骤4中，短时预警瞄准电池热失控，具体如下：
a.在边缘端采集电池的温度、电流、电压和气体等参数；
b.根据预设的安全阈值，当电池的温度超过阈值或变化超出阈值时，触发温度预警信号；
c.根据预设的安全阈值，当电池的电压、电流超过阈值或变化超出阈值时，触发短路预警信号；
d.根据预设的安全阈值，当电池的气体信号超过阈值时，触发产气预警信号。
8.根据权利要求1所述的基于云边协同的储能电池多风险类型预警方法，其特征在于，步骤4中，中时预警预警具体如下：
a.在边缘端采集电池的温度、电流、电压参数；
b.数据经过云端电池模型，得到电池内部压力预测参数、电池结构状态预测参数、电池电化学状态预测参数及其对应可信度；
c.边缘端获取的T1、T2、T3、T4时间节点电池状态值，如果对应时刻的数据可信度低于可信度阈值，便设置为NaN；
d.T1、T2、T3、T4由用户设定，中时预警可在20天内自选数个时间节点，默认设定中时预警时间节点选取如表1所示：
表1中时预警时间节点选取
预警类型 T1 T2 T3 T4 中时预警 1天 7天 15天 20天
e.边缘测获取各时间节点状态参数后，对比各风险发生时的状态参数阈值，确定各类风险发生时间段。
9.根据权利要求1所述的基于云边协同的储能电池多风险类型预警方法，其特征在于，步骤4中，长时预警预警具体如下：
a.在边缘端采集电池的温度、电流、电压参数；
b.数据经过云端电池模型，得到电池实际容量、电池剩余循环寿命、电池实际容量与电池剩余循环寿命模组间方差及其对应可信度；
c.边缘端获取的T1、T2、T3、T4时间节点电池状态值，如果对应时刻的数据可信度低于可信度阈值，便设置为NaN；
d.T1、T2、T3、T4由用户设定，长时预警可在30天至3个月内自选数个时间节点，默认设定长时预警时间节点选取如表2所示：
表2长时预警时间节点选取
预警类型 T1 T2 T3 T4 长时预警 30天 45天 60天 90天
e.边缘测获取各时间节点状态参数后，对比各风险发生时的状态参数阈值，确定各类风险发生时间段进行预警。
CN202310624107.2A 2023-05-30 2023-05-30 一种基于云边协同的储能电池多风险类型预警方法 Pending CN116644291A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310624107.2A CN116644291A (zh) 2023-05-30 2023-05-30 一种基于云边协同的储能电池多风险类型预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310624107.2A CN116644291A (zh) 2023-05-30 2023-05-30 一种基于云边协同的储能电池多风险类型预警方法

Publications (1)

Publication Number Publication Date
CN116644291A true CN116644291A (zh) 2023-08-25

Family

ID=87622594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310624107.2A Pending CN116644291A (zh) 2023-05-30 2023-05-30 一种基于云边协同的储能电池多风险类型预警方法

Country Status (1)

Country Link
CN (1) CN116644291A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117439223A (zh) * 2023-10-27 2024-01-23 南通沃太新能源有限公司 一种储能系统的安全控制方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117439223A (zh) * 2023-10-27 2024-01-23 南通沃太新能源有限公司 一种储能系统的安全控制方法及系统

Similar Documents

Publication Publication Date Title
CN116775408B (zh) 一种储能设备运行状态的智能监测方法
CN112186275A (zh) 一种基于云端的bms体系
CN116644291A (zh) 一种基于云边协同的储能电池多风险类型预警方法
CN109446661A (zh) 一种考虑锂电池退化特性的剩余寿命预测方法
CN116080456A (zh) 基于物联网控制的移动式充电桩及其储能充电监管系统
CN114801751A (zh) 一种基于数据分析的汽车电池故障预测系统
CN116455085A (zh) 一种电池储能电站智能监控系统
CN111929579B (zh) 发电机在线故障诊断方法、设备及计算机设备
CN116800199A (zh) 一种分布式光伏运行电能质量监测与分析方法
CN116308304A (zh) 基于元学习概念漂移检测的新能源智慧运维方法及系统
CN111509319A (zh) 一种储能电源phm管理系统
CN116400239B (zh) 一种铁铬液流电池的储能智能监测方法
CN116014902B (zh) 一种光伏并网逆变器用全自动化老化监测系统
CN212895016U (zh) 一种基于LoRa无线测控技术的铝电解槽况诊断系统
CN116736134B (zh) 一种实时性储能电池数据监测方法及装置
CN105548873A (zh) 用于在线监测装置实现开关设备健康诊断的方法及系统
CN116754967A (zh) 用于储能电站电化学电池在线评估的方法和系统
CN115799673A (zh) 一种多维感知的储能电池管理系统
CN114579659A (zh) 一种梯次利用动力电池利用潜力评估及分选系统和方法
CN112234940B (zh) 考虑限功率与运行效率的逆变器输出功率异常预警方法
CN109507468B (zh) 一种基于关联特征的汇流箱支路电流检测方法及系统
CN113098132A (zh) 一种基于群智能优化的改进机器学习故障诊断系统
CN117113282B (zh) 一种多元数据融合的设备健康预测诊断方法
CN116908694B (zh) 一种家用储能系统的soh估算方法
CN117761468A (zh) 一种新能源发电站多参数运行状态监控方法及系统

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