CN116759671B - 一种铅酸蓄电池的智能养护系统 - Google Patents
一种铅酸蓄电池的智能养护系统 Download PDFInfo
- Publication number
- CN116759671B CN116759671B CN202311021832.7A CN202311021832A CN116759671B CN 116759671 B CN116759671 B CN 116759671B CN 202311021832 A CN202311021832 A CN 202311021832A CN 116759671 B CN116759671 B CN 116759671B
- Authority
- CN
- China
- Prior art keywords
- battery
- storage battery
- data
- maintenance
- temperature
- 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.)
- Active
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 69
- 239000002253 acid Substances 0.000 title claims abstract description 15
- 230000008439 repair process Effects 0.000 claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000003745 diagnosis Methods 0.000 claims abstract description 19
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 239000000654 additive Substances 0.000 claims abstract description 10
- 238000013144 data compression Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 229920000642 polymer Polymers 0.000 claims abstract description 8
- 230000000996 additive effect Effects 0.000 claims abstract description 5
- 230000036541 health Effects 0.000 claims description 58
- 230000006870 function Effects 0.000 claims description 34
- 230000000694 effects Effects 0.000 claims description 17
- 108090000623 proteins and genes Proteins 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 13
- 210000000349 chromosome Anatomy 0.000 claims description 11
- 230000005195 poor health Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000010287 polarization Effects 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 8
- 210000004027 cell Anatomy 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 230000002277 temperature effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 9
- 230000007423 decrease Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000011149 active material Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005339 levitation Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 206010063493 Premature ageing Diseases 0.000 description 1
- 208000032038 Premature aging Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明提出了一种铅酸蓄电池的智能养护系统;该系统包括分布式监控模块、蓄电池性能诊断模块以及智能决策模块;分布式监控模块通过多个数据测量单元实时监控和采集蓄电池组的各项参数,并利用数据压缩技术将处理后的数据发送至集中式控制单元;集中式控制单元将数据提供给蓄电池性能诊断模块进行进一步处理和分析;蓄电池性能诊断模块分析电池的当前状态和性能,包括电池剩余容量、寿命预估等参数;智能决策模块根据蓄电池性能诊断模块的分析结果,利用遗传算法生成针对性的维护策略和修复建议,例如对劣化蓄电池注入有机高分子聚合物添加剂的建议剂量;这个系统提供了一个智能的方法来管理和维护铅酸蓄电池,有助于提高电池的使用寿命和性能。
Description
技术领域
本发明涉及铅酸蓄电池维护技术领域,尤其涉及一种铅酸蓄电池的智能养护系统。
背景技术
铅酸蓄电池是一种成熟的能源存储技术,广泛用于汽车、电力系统、备用电源和其他工业应用中。然而,铅酸蓄电池的性能和寿命受到许多因素的影响,包括充放电策略、环境温度、电池内部化学反应等。过去的养护策略通常以经验规则为基础,这些规则可能并不总是适应所有的工作环境和使用条件。此外,蓄电池的健康状况和寿命预测通常依赖于繁琐的手动检查和评估,这对于大规模电池系统来说是非常困难和低效的。
为了克服这些问题,已经有一些方法提出来实现电池的实时监控和性能评估。然而,这些方法通常需要专门的硬件设备和复杂的分析算法,这增加了系统的复杂性和成本。另外,这些方法通常无法提供具体的维护策略和修复建议,使得电池的管理和养护仍然依赖于经验和手动操作。
因此,存在一种需求,即实现对铅酸蓄电池的实时监控、性能评估和智能养护,以提高电池的使用效率和寿命,同时降低维护的复杂性和成本。
发明内容
本申请提供一种铅酸蓄电池的智能养护系统,以提高电池的使用效率和寿命。
本申请提供的智能养护系统,包括:分布式监控模块、蓄电池性能诊断模块以及智能决策模块;
其中,所述分布式监控模块,通过多个数据测量单元实时监控和采集蓄电池组的各项参数,并通过数据压缩技术将处理后的数据发送至集中式控制单元,所述集中式控制单元将数据提供给所述蓄电池性能诊断模块以供其进行进一步处理和分析;
所述蓄电池性能诊断模块,通过接收分布式监控模块采集的数据,分析蓄电池的当前状态和性能,包括但不限于电池剩余容量、寿命预估等参数;
所述智能决策模块,基于所述蓄电池性能诊断模块的分析结果,利用遗传算法生成针对性的维护策略和修复建议,包括但不限于对劣化蓄电池注入有机高分子聚合物添加剂的建议剂量。
更进一步地,所述通过数据压缩技术将处理后的数据发送至集中式控制单元,包括:
针对短时间内变化不大的数据,采用增量编码;
针对趋势变化的数据,采用预测性编码;
将编码后的数据发送至集中式控制单元;
其中,所述增量编码仅记录和传输电池参数相较于上次的变化量,所述预测性编码则基于前几次的参数变化来预测下一次的参数值,只记录和传输预测值和实际值的差异。
更进一步地,所述蓄电池性能诊断模块包括一个基于电化学的蓄电池模型,该模型使用电池实时数据(如电压,电流,温度)作为输入,通过模型计算得出电池的剩余容量(SOC)。
更进一步地,所述的基于电化学的蓄电池模型进一步考虑电池的化学动力学和热效应,其使用的电池电压V、电流I、温度T和充电状态SOC之间的关系如下:
V = E(SOC, T) - R(T)I - KQ/(Q0(SOC, T)-It) + Aexp(-B(T)I) - M(T)(T-T0),其中,E(SOC, T)为电池的开路电压,R(T)为电池的内阻,Q0(SOC, T)为电池的名义容量,KQ/(Q0(SOC, T) - It)为电池的极化电压,Aexp(-B(T)I)为电池的浓差极化电压,M(T)(T - T0)为电池的温度效应。
更进一步地,所述蓄电池性能诊断模块进一步包括一个健康状况计算子模块,该子模块根据公式H(SOC, T) = E(SOC, T) - Q0(SOC, T) - R(T) - B(T) - M(T)计算蓄电池的健康状况,其中H表示电池健康状况的函数,SOC表示蓄电池的状态量,T表示温度,E、Q0、R、B、M是针对特定蓄电池类型和工作环境的函数,用于分析蓄电池的开路电压、名义容量、内阻、电压-电流关系和热效应。
更进一步地,所述智能决策模块具体用于:
针对每个蓄电池,根据其健康状况、工作环境和历史工作数据,确定一个可能的维护和修复策略集合;
将每个蓄电池的维护和修复策略表示为一个染色体,其中每个染色体由多个基因组成,每个基因代表一种具体的维护或修复行动;
定义一个适应度函数,该函数考虑了蓄电池群体的总健康度和策略的总成本,用于评估每个策略的效果;
使用遗传算法搜索策略空间,包括选择、交叉和变异操作,以寻找最优的维护策略和修复建议。
更进一步地,所述适应度函数定义为:
,其中,X是一个维护策略和修复建议,TotalHealth(X)是在该策略下群体的总健康度,N是蓄电池的总数,Cost(X)是该策略的总成本,w1和w2是权重因子,用来平衡健康度和成本之间的关系。
更进一步地,在所述选择操作中,引入一个基于健康状况的偏置选择机制,该机制使得健康状况较差的蓄电池更倾向于选择执行更多维护和修复行动的策略,所述基于健康状况的偏置选择机制,通过将健康状况较差的蓄电池对应的基因在计算适应度时赋予更高的权重来实现。
更进一步地,在所述交叉操作中,采用一个基于健康状况的动态交叉点选择策略,该策略将交叉点设置在健康状况差异最大的蓄电池对应的基因处。
更进一步地,在所述变异操作中,引入一个基于健康状况的动态变异率策略,该策略设置健康状况较差的蓄电池对应的基因有更高的变异率。
本发明的创造性主要体现在以下几点:(1)分布式监控模块通过多个数据测量单元实时监控和采集蓄电池组的各项参数,增强了系统对电池的实时了解和监控,且通过数据压缩技术有效减少了数据传输量,提高了数据处理效率。(2)蓄电池性能诊断模块对接收到的数据进行详细的分析和处理,能准确判断蓄电池的当前状态和性能,为后续的智能决策提供了准确的依据。(3)智能决策模块利用遗传算法基于诊断模块的分析结果生成针对性的维护策略和修复建议。遗传算法模拟了自然进化过程的搜索策略,具有全局搜索能力,能在大规模、复杂的搜索空间中寻找优化解,为智能养护系统提供更优化的策略。
本发明有益的技术效果体现在以下几点:
(1)提高电池使用效率:实时监控和智能决策的应用能够有效预防电池的过度充电或过度放电,从而提高电池的使用效率。
(2)延长电池寿命:通过智能诊断和优化的维护策略,可以减少电池过早老化和损坏的风险,从而有效延长电池的使用寿命。
(3)减轻维护负担:此系统能够自动进行电池监控和智能决策,大大减轻了人工维护的负担,同时通过专业化的决策算法,提高了电池维护的准确性和效率。
(4)节约成本:通过优化的电池维护策略,能够有效降低因电池损坏导致的更换和维修成本,同时减少因电池性能下降导致的能源浪费,从而节约了总体成本。
附图说明
图1是本申请第一实施例提供的一种铅酸蓄电池的智能养护系统的示意图。
图2是本申请第一实施例涉及的分布式监控模块的示意图。
实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
本申请第一实施例提供一种铅酸蓄电池的智能养护系统,如图1所示包括分布式监控模块101,蓄电池性能诊断模块103以及智能决策模块105。
分布式监控模块101,通过图2所示的多个数据测量单元(DMU)203实时监控和采集蓄电池组的各项参数,并通过数据压缩技术将处理后的数据发送至集中式控制单元(CCU)201,所述集中式控制单元201将数据提供给所述蓄电池性能诊断模块以供其进行进一步处理和分析。
DMU被直接连接到每一组蓄电池,每个单元可管理最多250节电池或者更多。每个DMU都具有自己的数据采集模块,可以实时监控并记录电池电压、内阻、极柱温度等参数。这些参数可以通过在线四线法测量方式进行采集。DMU还有自己的微处理器和存储设备,可以进行初步的数据处理和存储。
CCU可以连接和管理多个DMU。它使用高速数据总线和网络技术,将所有DMU的数据集中起来,并进行实时的数据处理和分析。CCU具有高性能的处理器和大容量的存储设备,可以实时监控和记录所有蓄电池的状态。
在传统的集中式设计中,所有数据的采集和处理都是在一个中心设备上进行的。这种设计方案虽然简洁,但是当系统需要处理大量电池数据时,就会遇到数据传输和处理的瓶颈。这是因为中心设备需要同时处理大量的输入和输出任务,而且所有数据都需要经过一条通道,这会导致数据传输的瓶颈。
为了解决这个问题,本实施例提供的分布式监控模块采用了分布式设计。在这种设计中,数据的采集和初步处理任务被分散到各个(DMU)上进行。每个DMU被分配到一组蓄电池,并对这组电池进行监测。DMU将采集到的电池数据进行初步处理,然后再将处理后的数据发送给CCU。通过这种方式,大大减轻了CCU的负担,提高了系统的效率和稳定性。
DMU的初步处理可以包括数据清洗、异常值处理和数据标准化。
(1)数据清洗:DMU首先会对采集到的原始数据进行清洗,比如剔除明显的错误读数或者信号丢失等异常数据。
(2)异常值处理:清洗后的数据会进一步进行异常值检测,可能会采用例如基于IQR(四分位距)的方法识别并处理异常值,以防止它们对后续处理的影响。
(3)数据标准化:数据标准化是将不同范围和量纲的数据转化为同一范围的无量纲数据,便于进行数据分析。例如,可以采用最常用的Z-score标准化方法,该方法将每个参数值减去其均值,然后除以其标准差,公式为:
Z = (X - μ) / σ,其中,X是原始参数值,μ是该参数的均值,σ是该参数的标准差。
数据初步处理完成后,DMU将会利用数据压缩技术,即增量编码(Delta Encoding)和预测性编码(Predictive Coding)将处理后的数据进行压缩。
增量编码和预测性编是两种可以独立使用,也可以结合使用的数据压缩技术。它们都是基于一种核心理念:不直接编码和传输原始数据,而是编码和传输数据的变化信息,因为变化信息通常比原始数据更容易压缩。
在使用增量编码时,只记录和传输与上一次采集数据的差值。这种方法非常适合于数据在短时间内变化不大的情况。例如,在监控蓄电池电压时,假设前一次电压为Vt-1,这一次电压为Vt,那么只需记录和传输ΔV = Vt - Vt-1。
测性编码则是在增量编码的基础上更进一步,它利用历史数据预测未来的数据,然后只记录和传输预测值与实际值之间的差值。例如,可以采用一种简单的线性预测模型,假设下一次的电压值等于这一次的电压值,即P = Vt,然后计算差值E = Vt+1 - P。这种方法尤其适用于数据变化有一定规律或趋势的情况。
在实际应用中,可以根据数据的特性和需求,选择合适的压缩技术。例如,对于短时间内变化不大的数据,增量编码可能就足够好;而对于具有明显趋势或周期性的数据,预测性编码可能会有更好的效果。
在分布式监控模块中,各种参数的变化特性和速率会有所不同,因此可以根据各参数的特性选择不同的编码方式。
增量编码适用的数据:
(1)电池电压:电池电压在正常工作状态下,短时间内的变化不会很大,稳定性较好,适合使用增量编码。
(2)浮冲电流:在正常的浮冲状态下,浮冲电流是相对稳定的,因此适合使用增量编码。
预测性编码(Predictive Coding)适用的数据:
(1)电池温度:电池温度可能会有一定的趋势性和周期性变化,例如,随着使用的增长,电池的温度可能会逐渐升高;在一天内,电池温度可能会有早晚低,中午高的周期性变化。因此,对电池温度的监控数据,使用预测性编码可能会有更好的效果。
(2)充放电电流:电池在充电和放电过程中,电流会有明显的变化趋势,例如在充电过程中,电流会从高逐渐降低;在放电过程中,电流会从低逐渐增高。因此,对电流的监控数据,使用预测性编码可以有效地记录和传输这种趋势信息。
蓄电池性能诊断模块103,通过接收分布式监控模块采集的数据,分析蓄电池的当前状态和性能,包括但不限于电池剩余容量(SOC)、寿命预估(SOH)等参数。
蓄电池性能诊断模块103的具体实施可以基于电化学和物理混合模型,主要分为以下几个步骤:
(1)基于电化学的蓄电池模型构建,该模型使用电池实时数据(电压,电流,温度)作为输入,并通过模型计算得出电池的剩余容量(SOC,State Of Charge)。
本实施例提供一个蓄电池模型,它同时考虑电池的化学动力学和热效应。假设电池电压V、电流I、温度T和充电状态SOC之间的关系如下:
V = E(SOC, T) - R(T)I - KQ/(Q0(SOC, T)-It) + Aexp(-B(T)I) - M(T)(T-T0),这个模型的特点在于它将温度T纳入到了模型中,这意味着模型能够更好地捕捉到温度对电池性能的影响。这个模型中的各项参数如下:
E(SOC, T):这是电池的开路电压,它是电池的充电状态SOC和温度T的函数。这意味着电池的开路电压不仅取决于电池的充电状态,还取决于电池的温度。通常,E对SOC的依赖性可以通过一系列的实验测量获得。温度T对E的影响可以通过一个线性项进行描述,例如,其中E0是一个初始值,a,b是通过实验获得的常数。
R(T):这是电池的内阻,它是温度T的函数。电池的内阻通常会随着温度的升高而降低。可以用一个线性函数或指数函数来描述这种关系,例如 或者,其中,R0是初始温度下的电池的内阻,c是常数,通过实验获得。
Q0(SOC, T):这是电池的名义容量,它是电池的充电状态SOC和温度T的函数。电池的名义容量可能会随着电池的充电状态和温度的变化而变化。Q0(SOC, T)使用指数函数,例如是一个初始的电池的名义容量,d和e是通过实验获得常数。
B(T):这是描述电池电压随电流变化的经验参数,它是温度T的函数。在不同的温度下,电池电压随电流的变化可能会不同。B(t)使用一个线性函数来描述这种关系,例如,其中B0是初始温度条件下的一个数值,f是常数,通过实验获得。
M(T):这是电池的热效应参数,它是温度T的函数。电池的热效应可能会对电池的电压产生影响。M(T)使用一个线性函数描述这种关系,例如。其中,M0是M的一个初始值,g是通过实验获得的常数。
T0:这是电池的标准温度,通常设为25摄氏度。
It代表的是从电池开始放电或充电以来的积累电流。
K: 电池放电过程中的极化常数。在实际操作中,电池在放电过程中,电极之间的反应导致电流的流动,会形成一个称为极化电压的潜在阻力,它会阻碍电流的进一步流动。参数K就是这个极化电压和电池的名义容量Q0的比例关系的表现。具体来说,KQ/(Q0(SOC,T)-It)这一项表示的就是极化电压,其中Q0(SOC, T)是电池的名义容量,It是电池当前已经放出的电量。极化电压通常会随着电池放电的进行而增加。K通过实验获得。Q表示电池的总充电量,即电池从完全放电到完全充满电所能接受的最大电量。
A: 电池的动态行为参数,影响电压与电流之间的动态关系。在Aexp(-B(T)I)这一项中,Aexp(-B(T)I)表示的是电池的动态行为,具体来说,当电流I变化时,电池的电压V会有一个瞬时的反应,这个反应是由电池的内部化学反应引起的,A就是这个动态行为的强度,B(T)则是描述这个动态行为随温度变化的参数。A可以通过实验获得。
该模型的参数可以根据分布式监控模块提供的历史数据,经过参数拟合获得。拟合的方法可以是非线性最小二乘法,或者其他适合的优化算法。在建立该模型后,就可以使用电池实时数据(电压,电流,温度)作为输入,通过该模型计算得出电池的剩余容量。
(2)基于物理的健康状态评估:可以通过跟踪电池的内阻R和最大充电容量Q0的变化来评估电池的健康状态(State of Health,SOH)。内阻R的增加可能是由于电池内部电解质老化或活性物质腐蚀等原因引起的,最大充电容量Q0的降低可能是由于电池活性物质消耗引起的。这两个参数都可以通过电池的充放电测试或在线监测数据来测量和跟踪。
本实施例提供的具体公式如下:
H(SOC, T) = E(SOC, T) - Q0(SOC, T) - R(T) - B(T) - M(T),在这个健康状况计算公式H(SOC, T)中,H表示电池健康状况,它是基于SOC(电池的状态量)和T(电池的温度)的函数。下面是公式中每一项的详细说明:
E(SOC, T):这是电池的开路电压,它是电池的充电状态SOC和温度T的函数。这意味着电池的开路电压不仅取决于电池的充电状态,还取决于电池的温度。例如,对于一种特定的铅酸电池,当SOC=1(电池充满电)和T=25°C(常温)时,可能有E(1, 25)=12.6V。然而,如果SOC降低到0.5(电池电量只剩一半),则E可能降低到12V。另一方面,如果温度升高到45°C,电池的开路电压可能会进一步降低。
Q0(SOC, T):这是电池的名义容量,它是电池的充电状态SOC和温度T的函数。电池的名义容量可能会随着电池的充电状态和温度的变化而变化。例如,一块新的电池在充满电(SOC=1)和25°C的温度下可能有Q0(1, 25)=100Ah,但是随着电池的使用(比如SOC降低到0.5)和温度的升高(比如升高到45°C),Q0可能降低到80Ah。
R(T):这是电池的内阻,它是温度T的函数。电池的内阻通常会随着温度的升高而降低。例如,一块新的电池在25°C的温度下可能有R(25)=0.01Ω,但是当温度升高到45°C时,R可能降低到0.008Ω。
B(T):这是描述电池电压随电流变化的经验参数,它是温度T的函数。在不同的温度下,电池电压随电流的变化可能会不同。例如,一块新的电池在25°C的温度下可能有B(25)=0.05,但是当温度升高到45°C时,B可能降低到0.04。
M(T):这是电池的热效应参数,它是温度T的函数。电池的热效应可能会对电池的电压产生影响。例如,一块新的电池在25°C的温度下可能有M(25)=0.001,但是当温度升高到45°C时,M可能增大到0.002。
这个公式通过考虑电池的开路电压、名义容量、内阻、电压-电流关系和热效应来评估电池的健康状况,从而使电池性能诊断更加准确。该公式的参数可以根据分布式监控模块提供的历史数据,经过拟合等方法获得。
该公式可以由蓄电池性能诊断模块中的健康状况计算子模块执行。所述健康状况计算子模块的结果可被所述智能决策模块用于生成具有针对性的维护策略和修复建议。
智能决策模块105,基于所述蓄电池性能诊断模块的分析结果,生成针对性的维护策略和修复建议,包括但不限于对劣化蓄电池注入有机高分子聚合物添加剂的建议剂量。
智能决策模块主要依赖于蓄电池性能诊断模块和分布式监控模块提供的各种数据和分析结果来制定蓄电池的维护策略和修复建议。以下是这些模块提供的关键信息:
蓄电池性能诊断模块提供了电池的状态和健康度分析结果,这些结果是智能决策模块制定决策的重要依据。具体包括:
a. 剩余容量(SOC):这是反映电池当前电量的重要指标,可以用来判断电池是否需要充电,或者制定电池充电策略。
b. 寿命预估(SOH):这是评估电池健康状况的重要指标,智能决策模块可以根据这个指标来决定是否需要对电池进行维护或者修复,以及选择具体的维护和修复行动。
分布式监控模块提供的实时监控数据和历史数据也是制定决策的重要依据。这些数据主要包括:
a. 实时监控数据:包括电池的电压、电流、温度等,这些数据可以用来评估电池的当前运行状态,如电池是否过热,是否过充或过放等,对于制定决策非常重要。
b. 历史数据:包括电池历史充放电数据、环境条件数据等,通过分析历史数据,智能决策模块可以理解电池的使用模式,例如充放电周期,深度,频率等,这些信息对于制定维护策略和修复建议非常重要。
在这两个模块提供的信息基础上,智能决策模块通过基于进化算法的优化框架,来寻找使得某个目标函数(如总体健康度和总成本)最优的维护策略和修复建议。
本实施例中,假设有一个大型蓄电池群,每个蓄电池都有一定的健康度,这由其状态参数(例如电压,电流,温度等)和内部参数(例如内阻,最大容量等)确定。本实施例的目标是最大化群体的总健康度,同时最小化维护和修复的总成本。
首先,需要定义适应度函数。这是一个用于评估特定维护策略和修复建议的好坏的函数。在这个案例中,可以定义适应度函数如下:
,其中,X是一个维护策略和修复建议,TotalHealth(X)是在该策略下群体的总健康度,N是蓄电池的总数,Cost(X)是该策略的总成本,w1和w2是权重因子,用来平衡健康度和成本之间的关系。
TotalHealth(X): 这是指在应用策略和修复建议X后,蓄电池组总体的健康状况或性能。可以通过每个蓄电池的各项性能指标(如电压,电流,温度等)来评估每个蓄电池的健康状态,然后把所有蓄电池的健康状态加总起来得到总的健康度。策略下群体的总健康度可以利用蓄电池性能诊断模块提供的健康状况计算公式H(SOC, T)计算得到。
Cost(X): 这是指实施维护策略和修复建议X的总成本。成本可能包括硬件更换费用,修复操作的劳动费用,添加有机高分子聚合物添加剂的费用等。在实际应用中,成本的计算可能比较复杂,因为它需要考虑各种因素,如维修人员的薪水,设备的折旧,材料的价格等。本实施例中可以简化成本的计算,比如只考虑材料的价格和工时费用。
因此,可以看到,TotalHealth(X)和Cost(X)是由维护策略和修复建议X决定的两个因素。通过调整这个策略,可以找到一个在成本和健康度之间平衡的最优解。
在量化维护策略和修复建议时,可以使用一系列的参数来表示。例如,对于一块蓄电池,其维护策略和修复建议可以包括以下内容:
(1)注入有机高分子聚合物添加剂的剂量:这是一个连续的数值,可以根据实际需要进行量化。可以将其归一化到0和1之间,然后使用一个实数或者固定长度的二进制串来表示。有机高分子聚合物添加剂被用于改善蓄电池的性能,特别是在铅酸蓄电池中。它们一般被用来修复电池的损害、提高电池的寿命和充放电效率。注入这种添加剂的剂量对TotalHealth(X)产生重要影响,因为TotalHealth(X)是电池健康状况的一个度量。TotalHealth(X)随着添加剂剂量的增加而提高。注入有机高分子聚合物添加剂的剂量与TotalHealth(X)之间的关系,可以通过实验和数据分析获得。
(2)调整充电和放电策略:例如,可以调整充电电流,放电深度等参数。这些参数也可以归一化到0和1之间,并使用实数或者二进制串来表示。充电和放电策略对于电池的健康状况有重要影响,因此它们可以显著影响TotalHealth(X)的值。以下是其中的一些关键因素:
充电电流:过大的充电电流可能会引起电池过热,进而降低电池的寿命和性能。因此,通过降低充电电流,会提高TotalHealth(X)。
放电深度(Depth of Discharge,DoD):电池的放电深度也会影响电池的健康状况。通常,深度放电(例如,电池电量从100%放电到0%)会对电池产生较大的压力,并可能导致电池寿命缩短。因此,通过限制放电深度,会提高TotalHealth(X)。
(3)替换电池:这是一个二元决策,可以使用0或1来表示。替换电池后TotalHealth(X)的值,可以通过蓄电池性能诊断模块提供的针对该替换电池的历史数据进行计算获得。
因此,一个维护策略和修复建议可以被表示为一个参数向量或者编码串,例如:
X = [0.5, 0.3, 1, 0.7, 0, ...];
在这个向量中,每个元素对应一种维护或修复行动。对于连续的参数,可以使用实数或者固定长度的二进制串来表示。对于离散的参数,可以使用整数或者二元编码来表示。在下面的遗传算法中,这个向量将被看作是一个染色体。
然后,使用遗传算法来搜索策略空间。在遗传算法中,每一个策略都被表示为一个染色体,每个染色体由多个基因组成,每个基因对应一种具体的维护或修复行动。染色体的适应度就是其对应策略的适应度函数值。
在遗传算法中,首先随机生成一个初始的种群,种群中的每个染色体都是一个可能的维护和修复策略。然后可以使用以下创新性的算法步骤进行操作:
选择:遗传算法的选择过程旨在以高适应度的染色体更大的概率被选中进入下一代。在此过程中,本实施例引入一个基于健康状况的偏置选择机制,即对于健康状况较差的蓄电池,更倾向于选择执行更多维护和修复行动的策略。这可以通过将健康状况较差的蓄电池对应的基因在计算适应度时赋予更高的权重来实现。为了实现这个目标,可以在计算适应度时引入一个权重因子,这个权重因子与蓄电池的健康状况成反比,也就是说,蓄电池的健康状况越差,对应的权重因子就越大。这样,健康状况差的蓄电池所对应的维护和修复策略就有更大的概率被选中,进而促使这些蓄电池得到更多的维护和修复。
交叉:在交叉操作中,可以采用一个基于健康状况的动态交叉点选择策略。具体来说,可以将交叉点设置在健康状况差异最大的蓄电池对应的基因处,以此来增强种群的多样性和遗传算法的探索能力。
变异:在变异操作中,可以引入一个基于健康状况的动态变异率策略。具体来说,可以设置健康状况较差的蓄电池对应的基因有更高的变异率,这样可以增加对于改善健康状况较差的蓄电池的尝试。
以上的选择、交叉和变异操作都强调了对健康状况较差的蓄电池更多的关注,这是因为这些蓄电池更需要维护和修复,因此在优化过程中应当给予他们更高的优先级。这些创新性的算法设计增加了遗传算法的搜索效率和优化性能,有助于找到更好的维护策略和修复建议。
最后,本实施例就得到的最优染色体对应的就是最优的维护策略和修复建议。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
Claims (4)
1.一种铅酸蓄电池的智能养护系统,其特征在于,包括分布式监控模块、蓄电池性能诊断模块以及智能决策模块;
其中,所述分布式监控模块,通过多个数据测量单元实时监控和采集蓄电池组的各项参数,并通过数据压缩技术将处理后的数据发送至集中式控制单元,所述集中式控制单元将数据提供给所述蓄电池性能诊断模块以供其进行进一步处理和分析;
所述蓄电池性能诊断模块,通过接收分布式监控模块采集的数据,分析蓄电池的当前状态和性能,包括电池剩余容量、寿命预估,所述蓄电池性能诊断模块进一步包括一个健康状况计算子模块,该健康状况计算子模块根据如下公式计算蓄电池的健康状况:
;
其中,H表示电池健康状况的函数;SOC表示蓄电池的剩余容量;表示温度;/>表示电池的开路电压,其为基于电池的剩余容量/>和温度/>的函数;/>表示电池的名义容量,其为电池的充电状态/>和温度/>的函数;/>表示电池的内阻,其为温度/>的函数;/>描述电池电压随电流变化的经验参数,其为温度/>的函数;/>表示电池的热效应参数,其为温度/>的函数;
所述智能决策模块,基于所述蓄电池性能诊断模块的分析结果,利用遗传算法生成针对性的维护策略和修复建议,包括对劣化蓄电池注入有机高分子聚合物添加剂的建议剂量,所述智能决策模块具体用于:
针对每个蓄电池,根据其健康状况、工作环境和历史工作数据,确定一个维护和修复策略集合;
将每个蓄电池的维护和修复策略表示为一个染色体,其中每个染色体由多个基因组成,每个基因代表一种具体的维护或修复行动;
定义一个适应度函数,该函数考虑了蓄电池群体的总健康度以及维护和修复策略的总成本,用于评估每个维护和修复策略的效果;
使用遗传算法搜索策略空间,包括选择、交叉和变异操作,以寻找最优的维护策略和修复建议;
其中,所述适应度函数定义为:
;
其中,是一个维护策略和修复建议,/>是该维护策略和修复建议下群体的总健康度,通过每个蓄电池的各项性能指标来评估每个蓄电池的健康状态,然后把所有蓄电池的健康状态加总起来得到群体的总健康度;N是蓄电池的总数;Cost(X)是该维护策略和修复建议的总成本;w1和w2是权重因子,用来平衡总健康度和成本之间的关系;
其中,在所述选择操作中,引入一个基于健康状况的偏置选择机制,该基于健康状况的偏置选择机制使得健康状况较差的蓄电池更倾向于选择执行更多维护和修复行动的策略,所述基于健康状况的偏置选择机制,通过将健康状况较差的蓄电池对应的基因在计算适应度时赋予更高的权重来实现;
其中,在所述交叉操作中,采用一个基于健康状况的动态交叉点选择策略,该基于健康状况的动态交叉点选择策略将交叉点设置在健康状况差异最大的蓄电池对应的基因处;
其中,在所述变异操作中,引入一个基于健康状况的动态变异率策略,该基于健康状况的动态变异率策略设置健康状况较差的蓄电池对应的基因有更高的变异率。
2.根据权利要求1所述的智能养护系统,其特征在于,所述通过数据压缩技术将处理后的数据发送至集中式控制单元,包括:
针对短时间内变化不大的数据,采用增量编码;
针对趋势变化的数据,采用预测性编码;
将编码后的数据发送至集中式控制单元;
其中,所述增量编码仅记录和传输电池参数相较于上次的变化量,所述预测性编码则基于前几次的参数变化来预测下一次的参数值,只记录和传输预测值和实际值的差异。
3.根据权利要求1所述的智能养护系统,其特征在于,所述蓄电池性能诊断模块包括一个基于电化学的蓄电池模型,该模型使用电池实时数据作为输入,通过模型计算得出电池的剩余容量SOC。
4.根据权利要求3所述的智能养护系统,其特征在于,所述的基于电化学的蓄电池模型进一步考虑电池的化学动力学和热效应,其使用的电池电压V、电流I、温度T和电池的剩余容量SOC之间的关系如下:
;
其中,为电池的开路电压,其为电池的剩余容量/>和温度/>的函数,温度对电池的开路电压的影响通过一个线性项进行描述;/>为电池的内阻,其为温度/>的函数,温度T对于电池的内阻的影响用一个线性函数或者指数函数来描述;/>为电池的名义容量,其为电池的剩余容量/>和温度/>的函数,电池的剩余容量/>和温度对于电池的名义容量的影响可以通过指数函数来描述;/>为电池的极化电压,/>为电池的浓差极化电压,/>为电池的温度效应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311021832.7A CN116759671B (zh) | 2023-08-15 | 2023-08-15 | 一种铅酸蓄电池的智能养护系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311021832.7A CN116759671B (zh) | 2023-08-15 | 2023-08-15 | 一种铅酸蓄电池的智能养护系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116759671A CN116759671A (zh) | 2023-09-15 |
CN116759671B true CN116759671B (zh) | 2024-02-23 |
Family
ID=87948116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311021832.7A Active CN116759671B (zh) | 2023-08-15 | 2023-08-15 | 一种铅酸蓄电池的智能养护系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116759671B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324582A (zh) * | 2011-08-12 | 2012-01-18 | 重庆东电通信技术有限公司 | 一种多功能铅酸蓄电池智能维护装置及容量预测方法 |
CN115166557A (zh) * | 2022-06-17 | 2022-10-11 | 广东电网有限责任公司广州供电局 | 一种蓄电池健康状态评估系统及方法 |
CN116011993A (zh) * | 2023-01-10 | 2023-04-25 | 九源云(广州)智能科技有限公司 | 一种基于cps架构的蓄电池健康管理系统 |
KR20230080112A (ko) * | 2021-11-29 | 2023-06-07 | 하진호 | 배터리 현재 상태 예측을 위한 배터리 진단 장치 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10209314B2 (en) * | 2016-11-21 | 2019-02-19 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
-
2023
- 2023-08-15 CN CN202311021832.7A patent/CN116759671B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324582A (zh) * | 2011-08-12 | 2012-01-18 | 重庆东电通信技术有限公司 | 一种多功能铅酸蓄电池智能维护装置及容量预测方法 |
KR20230080112A (ko) * | 2021-11-29 | 2023-06-07 | 하진호 | 배터리 현재 상태 예측을 위한 배터리 진단 장치 |
CN115166557A (zh) * | 2022-06-17 | 2022-10-11 | 广东电网有限责任公司广州供电局 | 一种蓄电池健康状态评估系统及方法 |
CN116011993A (zh) * | 2023-01-10 | 2023-04-25 | 九源云(广州)智能科技有限公司 | 一种基于cps架构的蓄电池健康管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116759671A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
Hu et al. | Battery lifetime prognostics | |
Zhang et al. | Research on electric vehicle charging safety warning model based on back propagation neural network optimized by improved gray wolf algorithm | |
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
Zhou et al. | A novel health indicator for on-line lithium-ion batteries remaining useful life prediction | |
Lyu et al. | A partial charging curve-based data-fusion-model method for capacity estimation of Li-Ion battery | |
Liu et al. | Future ageing trajectory prediction for lithium-ion battery considering the knee point effect | |
CN116401585B (zh) | 一种基于大数据的储能电池失效风险评估方法 | |
Liu et al. | Online health prognosis for lithium-ion batteries under dynamic discharge conditions over wide temperature range | |
CN113657360A (zh) | 锂电池健康状态估计方法、装置、设备及可读存储介质 | |
CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
Liu et al. | An improved method of state of health prediction for lithium batteries considering different temperature | |
Long et al. | Multi-parameter optimization method for remaining useful life prediction of lithium-ion batteries | |
CN112937369B (zh) | 一种基于马氏过程的动力电池组主动均衡控制方法 | |
CN117949851A (zh) | 一种电池状态联合估计方法及系统 | |
CN116759671B (zh) | 一种铅酸蓄电池的智能养护系统 | |
CN117825970A (zh) | 电池退化分析方法、装置、设备及存储介质 | |
CN117893059A (zh) | 基于传感器的储能数据采集分析方法及系统 | |
Salucci et al. | Simple statistical models and sequential deep learning for lithium-ion batteries degradation under dynamic conditions: Fractional polynomials vs neural networks | |
Zhao et al. | Research on the remaining useful life prediction method for lithium-ion batteries by fusion of feature engineering and deep learning | |
CN114740356A (zh) | 一种相似电压序列的动力电池剩余寿命间接预测方法 | |
WO2022250076A1 (ja) | 電池管理システム、電池管理方法、および電池管理プログラム | |
CN116774057B (zh) | 一种训练电池寿命预测模型和预测电池寿命的方法及装置 | |
WO2024111395A1 (ja) | 電池管理システム、電池管理方法、および電池管理プログラム |
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 |