CN117272591A - 用于储能仿真实验的测试方法及系统 - Google Patents
用于储能仿真实验的测试方法及系统 Download PDFInfo
- Publication number
- CN117272591A CN117272591A CN202311055309.6A CN202311055309A CN117272591A CN 117272591 A CN117272591 A CN 117272591A CN 202311055309 A CN202311055309 A CN 202311055309A CN 117272591 A CN117272591 A CN 117272591A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- performance
- storage equipment
- data
- abnormal
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 190
- 238000004088 simulation Methods 0.000 title claims abstract description 47
- 238000010998 test method Methods 0.000 title claims abstract description 10
- 238000011056 performance test Methods 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000004044 response Effects 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 79
- 238000005094 computer simulation Methods 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提供了一种用于储能仿真实验的测试方法及系统,涉及储能仿真技术,方法包括:获取储能设备的运行参数;生成储能设备孪生模型;获取性能测试指标,包括充放电性能、循环寿命性能、响应时间性能、能耗损失性能;获取储能设备的多个预期运行环境,搭建多个运行场景;在多个运行场景下,根据多个性能测试指标依次对储能设备孪生模型进行性能测试,获得多个性能测试数据集合;构建环境‑性能对照表;根据所述环境‑性能对照表对储能设备的后续运行状态进行监管。能够解决现有的储能设备性能测试方法存在测试效率较低的技术问题,可以节约储能设备的性能测试时间,同时可以发现潜在威胁并及时处理,提高储能设备的运行安全性。
Description
技术领域
本公开涉及储能仿真技术,并且更具体地,涉及用于储能仿真实验的测试方法及系统。
背景技术
储能技术是指将能源在一段时间内存储起来,然后在需要时释放出来,以平衡能源供应和需求,提高能源系统的可靠性和可持续性。
储能仿真实验室是一个用于模拟和研究各种储能技术和系统的设施,储能仿真实验室的主要目的是通过计算机模拟和实验验证来评估不同储能技术的性能、效率和可行性,以及它们在实际能源系统中的应用。
现有的储能设备性能测试方法存在的不足之处在于:测试效率较低。
发明内容
因此,为了解决上述技术问题,本公开的实施例采用的技术方案如下:
用于储能仿真实验的测试方法,包括以下步骤:获取储能设备的运行参数,所述运行参数通过部署多个传感器对储能设备进行数据采集获得;生成储能设备孪生模型,所述储能设备孪生模型为基于数字孪生技术和所述运行参数进行仿真建模获得;获取性能测试指标,所述性能测试指标包括充放电性能、循环寿命性能、响应时间性能、能耗损失性能;获取储能设备的多个预期运行环境,并基于多个预期运行环境搭建多个运行场景;在多个运行场景下,根据多个性能测试指标依次对所述储能设备孪生模型进行性能测试,获得多个性能测试数据集合;基于多个运行场景和多个性能测试数据集合的映射关系构建环境-性能对照表;根据所述环境-性能对照表对储能设备的后续运行状态进行监管。
用于储能仿真实验的测试系统,包括:运行参数获取模块,所述运行参数获取模块用于获取储能设备的运行参数,所述运行参数通过部署多个传感器对储能设备进行数据采集获得;储能设备孪生模型生成模块,所述储能设备孪生模型生成模块用于生成储能设备孪生模型,所述储能设备孪生模型为基于数字孪生技术和所述运行参数进行仿真建模获得;性能测试指标获取模块,所述性能测试指标获取模块用于获取性能测试指标,所述性能测试指标包括充放电性能、循环寿命性能、响应时间性能、能耗损失性能;运行场景搭建模块,所述运行场景搭建模块用于获取储能设备的多个预期运行环境,并基于多个预期运行环境搭建多个运行场景;性能测试模块,所述性能测试模块用于在多个运行场景下,根据多个性能测试指标依次对所述储能设备孪生模型进行性能测试,获得多个性能测试数据集合;环境-性能对照表构建模块,所述环境-性能对照表构建模块用于基于多个运行场景和多个性能测试数据集合的映射关系构建环境-性能对照表;储能设备监管模块,所述储能设备监管模块用于根据所述环境-性能对照表对储能设备的后续运行状态进行监管。
由于采用了上述技术方法,本公开相对于现有技术来说,取得的技术进步有如下几点:
解决了现有的储能设备性能测试方法存在测试效率较低的技术问题,通过获取储能设备的运行参数,所述运行参数通过部署多个传感器对储能设备进行数据采集获得;生成储能设备孪生模型,所述储能设备孪生模型为基于数字孪生技术和所述运行参数进行仿真建模获得;获取性能测试指标,所述性能测试指标包括充放电性能、循环寿命性能、响应时间性能、能耗损失性能;获取储能设备的多个预期运行环境,并基于多个预期运行环境搭建多个运行场景;在多个运行场景下,根据多个性能测试指标依次对所述储能设备孪生模型进行性能测试,获得多个性能测试数据集合;基于多个运行场景和多个性能测试数据集合的映射关系构建环境-性能对照表;根据所述环境-性能对照表对储能设备的后续运行状态进行监管。可以节约储能设备的性能测试时间,同时可以发现潜在威胁并及时处理,提高储能设备的运行安全性。
附图说明
为了更清楚地说明本公开的实施例的技术方案,下面将对实施例的描述中所需要使用的附图作简单的介绍。
图1为本申请提供了一种用于储能仿真实验的测试方法的流程示意图;
图2为本申请提供了一种用于储能仿真实验的测试方法中基于多个预期运行环境搭建多个运行场景的流程示意图;
图3为本申请提供了一种用于储能仿真实验的测试系统的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整的描述。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
基于上述描述,如图1所示,本公开提供了一种用于储能仿真实验的测试方法,包括:
获取储能设备的运行参数,所述运行参数通过部署多个传感器对储能设备进行数据采集获得;
本申请提供的方法用于对储能设备进行仿真性能测试,用于提高储能设备性能检测的效率,节约储能设备的性能测试时间,所述方法应用于一种用于储能仿真实验的测试系统。
首先,通过多个传感器对储能设备进行运行数据采集,其中传感器类型基于所采集的数据类型决定,其中包括电压传感器、功率传感器、电流传感器等装置,获得储能设备的运行参数,其中所述运行参数包括储能容量、放电功率、充电功率、充放电效率等数据。通过获得储能设备的运行参数,为下一步进行储能设备孪生模型搭建提供了数据支持。
生成储能设备孪生模型,所述储能设备孪生模型为基于数字孪生技术和所述运行参数进行仿真建模获得;
在一个实施例中,所述方法还包括:
对所述运行参数进行数据分析,确定运行参数数据类型,所述运行参数数据类型包括正确数据、错误数据、重复数据、异常数据、缺失数据;
对所述错误数据、所述重复数据、所述异常数据和所述缺失数据进行数据清洗,获得标准运行参数数据;
基于数字孪生技术,根据所述标准运行参数数据进行仿真建模,获得储能设备孪生模型。
首先,对获取的所述运行参数进行数据分析,其中数据分析是指对运行参数中数据的质量进行判断,确定运行参数数据类型,所述运行参数数据类型包括正确数据、错误数据、重复数据、异常数据、缺失数据。
然后对所述运行参数数据中的缺失数据进行补充,可通过现有的插值法来估计实现,所述插值法是指根据已知数据点,在缺失数据点的位置上进行估计,从而实现对缺失数据的填补,常见的插值方法包括线性插值、二次插值、三次样条插值等。对错误数据进行修复,其中数据修复方法可通过结合前后数据值或求平均值的方法进行修复;对所述重复数据进行冗余处理,降低数据维度,常见的重复数据降维方法包括基于统计学的方法、基于模型的方法、基于机器学习的方法等。对所述异常数据进行异常值替换,可通过现有的异常值替换法来实现,其中包括平均值替换、中位数替换、截断等方法,本领域技术人员可选择适配的方法进行数据处理。获得数据清洗完成的标准运行参数数据。
基于数字孪生技术,根据所述标准运行参数数据进行仿真建模,其中仿真建模是指将所述标准运行参数数据输入三维仿真软件进行仿真建模,获得储能设备孪生模型。其中数字孪生技术是指充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程。
在一个实施例中,所述方法还包括:
获取所述储能设备的实时运行场景,并根据所述实时运行场景搭建模型测试环境;
在所述模型测试环境下,将所述储能设备孪生模型和所述储能设备进行同步运行,获得模拟运行参数和实时运行参数;
基于所述模拟运行参数和所述实时运行参数的偏差值对所述储能设备孪生模型的运行参数进行优化调整,获得所述储能设备孪生模型。
获取所述储能设备的实时运行场景,所述实时运行场景包括环境场景、并网场景、充电场景、放电场景等多个运行场景。然后根据所述实时运行场景搭建多个模型测试环境。
在所述多个模型测试环境下,依次将所述储能设备孪生模型和所述储能设备进行模拟同步运行,并对储能设备的运行参数和模拟同步运行过程中的运行参数进行记录,获得模拟运行参数和实时运行参数。将所述实时运行参数减去所述模拟运行参数,获得设备实施运行过程中的多个运行参数指标偏差值,然后根据多个运行参数指标偏差值对所述储能设备孪生模型的运行参数进行优化调整,获得所述储能设备孪生模型。
通过构建模型测试环境对所述储能设备孪生模型进行优化调整,可以提高模型的准确性和可靠性,从而可以提高储能设备孪生模型的模拟运行质量。
获取性能测试指标,所述性能测试指标包括充放电性能、循环寿命性能、响应时间性能、能耗损失性能;
获取储能设备的性能测试指标,其中所述性能测试指标包括充放电性能、循环寿命性能、响应时间性能、能耗损失性能。其中充放电性能是指评估储能系统在不同充放电速率下的效率、功率输出能力和能量存储能力。这可以帮助确定储能系统在不同负载条件下的适用性;所述循环寿命性能是指通过模拟不同的充放电循环,评估储能系统的寿命和性能衰减情况。这有助于了解储能系统的使用寿命以及长期运行的可靠性;所述响应时间性能是指测量储能系统从接收到充电或放电指令到实际响应的时间,这对于需要快速响应能力的应用,如频率调整和峰值削峰,非常重要。所述能耗损失性能是指评估储能系统在一段时间内不充放电时的能量损失程度,这可以衡量系统的自放电率和长期储存能力。通过获得储能设备的性能测试指标,为下一步进行储能设备的性能测试提供了支持。
获取储能设备的多个预期运行环境,并基于多个预期运行环境搭建多个运行场景;
如图2所示,在一个实施例中,所述方法还包括:
对多个预期运行环境进行环境参数分析,确定多个环境参数阈值集合;
其中,所述环境参数阈值包括温度阈值、湿度阈值、气压阈值、pH值阈值、振动频率阈值;
基于多个环境参数阈值集合搭建多个运行场景。
获得储能设备的多个预期运行环境,所述预期运行环境本领域技术人员可根据实际情况进行自定义设置,例如:高温高湿、低温低压、腐蚀、震动等环境。然后对多个预期运行环境进行环境参数分析,所述环境参数是指用于表征预期运行环境的参数指标阈值,其中包括温度阈值、湿度阈值、气压阈值、pH值阈值、振动频率阈值,其中pH值阈值空气中的PH范围,所述振动频率阈值包括振动频率、振动幅度,获得多个环境参数阈值集合。然后根据多个环境参数阈值集合进行储能设备孪生模型的运行环境搭建,获得多个运行场景。通过搭建多个运行场景,可以提高储能设备性能测试的实用性和合理性。
在多个运行场景下,根据多个性能测试指标依次对所述储能设备孪生模型进行性能测试,获得多个性能测试数据集合;
基于多个运行场景和多个性能测试数据集合的映射关系构建环境-性能对照表;
根据多个运行场景构建储能设备孪生模型的模拟运行场景,并将储能设备孪生模型依次放入多个模拟运行场景中进行模拟运行,并根据多个性能测试指标依次对所述储能设备孪生模型进行性能测试,获得多个性能测试数据集合,其中每个模拟运行场景对应一个性能测试数据集合。然后根据多个运行场景和多个性能测试数据集合的映射关系构建环境-性能对照表,通过构建环境-性能对照表,为下一步进行储能设备的性能对比提供了支持。
根据所述环境-性能对照表对储能设备的后续运行状态进行监管。
在一个实施例中,所述方法还包括:
获得储能设备的实时运行环境信息,所述实时运行环境信息通过多个传感器进行环境参数采集获得;
将所述实时运行环境信息输入所述环境-性能对照表进行性能匹配,获得储能设备的预期性能数据;
根据所述预期性能数据和储能设备的实时运行数据进行遍历比对,当所述实时运行数据不满足所述预期性能数据时,则将对应的性能指标标记为异常性能指标;
通过多个传感器对储能设备的运行环境参数进行采集,所述运行环境参数包括温度、湿度、气压等,获得储能设备的实时运行环境信息。然后将所述实时运行环境信息输入所述环境-性能对照表进行环境匹配,然后根据环境匹配结果获取对应的性能数据,并将所述性能数据作为预期性能数据。
对当前环境状态下的储能设备实时运行数据进行采集,获得储能设备的实时运行数据,然后根据所述预期性能数据对所述实时运行数据进行遍历比对,当所述实时运行数据中的运行指标小于所述预期性能数据的运行指标时,则该性能指标标记为异常性能指标,获得异常性能指标。
根据所述异常性能指标对储能设备进行监管。
在一个实施例中,所述方法还包括:
基于所述异常性能指标进行指标偏差值计算,获得异常性能偏差值;
设置异常性能偏差阈值,所述异常性能偏差阈值基于性能指标构建,其中不同性能指标的异常性能偏差阈值不同;
根据所述异常性能偏差阈值对所述异常性能偏差值进行判断,当所述异常性能偏差值大于所述异常性能偏差阈值时,则生成设备检修指令,并根据所述设备检修指令对所述储能设备进行检修。
将所述异常性能指标对应的预期性能数据减去实时运行数据,获得所述异常性能指标的指标偏差值。基于储能设备的性能指标和实际需求设置异常性能偏差阈值,其中不同性能指标的异常性能偏差阈值不同,性能指标需求较高的性能指标的偏差阈值设置较小。
然后根据所述异常性能偏差阈值对所述异常性能偏差值进行判断,当所述异常性能偏差值大于所述异常性能偏差阈值时,表征设备对应的性能指标不能满足当前需求,则生成设备检修指令,并根据所述设备检修指令对所述储能设备进行检修。通过上述方法解决了现有的储能设备性能测试方法存在测试效率较低的技术问题,可以节约储能设备的性能测试时间,同时可以发现潜在威胁并及时处理,提高储能设备的运行安全性。
在一个实施例中,所述方法还包括:
获取储能设备运行过程中的运行异常数据;
对所述运行异常数据进行异常解析,确定设备运行异常因子;
基于所述设备运行异常因子进行储能设备孪生模型的模拟运行,并根据模拟运行结果对所述设备运行异常因子进行处理。
获取储能设备运行过程中的运行异常数据,所述运行异常数据是指储能设备运行过程中的异常情况,例如:存在漏电、存储电量损失过快等情况。然后对所述运行异常数据进行异常解析,其中异常解析是指对造成异常情况的原因进行查询,确定设备运行异常因子,所述设备运行异常因子是指造成设备异常的原因,例如:温度过低导致设备电量损失过快等。然后根据所述设备运行异常因子对所述储能设备孪生模型进行模拟运行,获得模拟运行结果。当储能设备孪生模型的模拟运行结果中出现较大故障时,则立即对所述设备运行异常因子进行处理,当模拟运行结果中的设备异常情况在合理范围之内时,则在下次设备维修时对所述设备运行异常因子进行处理。通过对储能设备运行异常情况造成的故障趋势进行预测,可以及时发现潜在威胁并及时处理,从而提高储能设备的运行安全性。
在一个实施例中,如图3所示提供了一种用于储能仿真实验的测试系统,包括:
运行参数获取模块,所述运行参数获取模块用于获取储能设备的运行参数,所述运行参数通过部署多个传感器对储能设备进行数据采集获得;
储能设备孪生模型生成模块,所述储能设备孪生模型生成模块用于生成储能设备孪生模型,所述储能设备孪生模型为基于数字孪生技术和所述运行参数进行仿真建模获得;
性能测试指标获取模块,所述性能测试指标获取模块用于获取性能测试指标,所述性能测试指标包括充放电性能、循环寿命性能、响应时间性能、能耗损失性能;
运行场景搭建模块,所述运行场景搭建模块用于获取储能设备的多个预期运行环境,并基于多个预期运行环境搭建多个运行场景;
性能测试模块,所述性能测试模块用于在多个运行场景下,根据多个性能测试指标依次对所述储能设备孪生模型进行性能测试,获得多个性能测试数据集合;
环境-性能对照表构建模块,所述环境-性能对照表构建模块用于基于多个运行场景和多个性能测试数据集合的映射关系构建环境-性能对照表;
储能设备监管模块,所述储能设备监管模块用于根据所述环境-性能对照表对储能设备的后续运行状态进行监管。
在一个实施例中,所述系统还包括:
运行参数数据类型确定模块,所述运行参数数据类型确定模块用于对所述运行参数进行数据分析,确定运行参数数据类型,所述运行参数数据类型包括正确数据、错误数据、重复数据、异常数据、缺失数据;
标准运行参数数据获得模块,所述标准运行参数数据获得模块用于对所述错误数据、所述重复数据、所述异常数据和所述缺失数据进行数据清洗,获得标准运行参数数据;
储能设备孪生模型获得模块,所述储能设备孪生模型获得模块用于基于数字孪生技术,根据所述标准运行参数数据进行仿真建模,获得储能设备孪生模型。
在一个实施例中,所述系统还包括:
模型测试环境搭建模块,所述模型测试环境搭建模块用于获取所述储能设备的实时运行场景,并根据所述实时运行场景搭建模型测试环境;
运行参数获得模块,所述运行参数获得模块用于在所述模型测试环境下,将所述储能设备孪生模型和所述储能设备进行同步运行,获得模拟运行参数和实时运行参数;
优化调整模块,所述优化调整模块用于基于所述模拟运行参数和所述实时运行参数的偏差值对所述储能设备孪生模型的运行参数进行优化调整,获得所述储能设备孪生模型。
在一个实施例中,所述系统还包括:
环境参数分析模块,所述环境参数分析模块用于对多个预期运行环境进行环境参数分析,确定多个环境参数阈值集合;
环境参数阈值模块,所述环境参数阈值模块是指其中,所述环境参数阈值包括温度阈值、湿度阈值、气压阈值、pH值阈值、振动频率阈值;
运行场景搭建模块,所述运行场景搭建模块用于基于多个环境参数阈值集合搭建多个运行场景。
在一个实施例中,所述系统还包括:
实时运行环境信息获得模块,所述实时运行环境信息获得模块用于获得储能设备的实时运行环境信息,所述实时运行环境信息通过多个传感器进行环境参数采集获得;
预期性能数据获得模块,所述预期性能数据获得模块用于将所述实时运行环境信息输入所述环境-性能对照表进行性能匹配,获得储能设备的预期性能数据;
异常性能指标标记模块,所述异常性能指标标记模块用于根据所述预期性能数据和储能设备的实时运行数据进行遍历比对,当所述实时运行数据不满足所述预期性能数据时,则将对应的性能指标标记为异常性能指标;
储能设备监管模块,所述储能设备监管模块用于根据所述异常性能指标对储能设备进行监管。
在一个实施例中,所述系统还包括:
异常性能偏差值获得模块,所述异常性能偏差值获得模块用于基于所述异常性能指标进行指标偏差值计算,获得异常性能偏差值;
异常性能偏差阈值设置模块,所述异常性能偏差阈值设置模块用于设置异常性能偏差阈值,所述异常性能偏差阈值基于性能指标构建,其中不同性能指标的异常性能偏差阈值不同;
设备检修指令生成模块,所述设备检修指令生成模块用于根据所述异常性能偏差阈值对所述异常性能偏差值进行判断,当所述异常性能偏差值大于所述异常性能偏差阈值时,则生成设备检修指令,并根据所述设备检修指令对所述储能设备进行检修。
在一个实施例中,所述系统还包括:
运行异常数据获取模块,所述运行异常数据获取模块用于获取储能设备运行过程中的运行异常数据;
设备运行异常因子确定模块,所述设备运行异常因子确定模块用于对所述运行异常数据进行异常解析,确定设备运行异常因子;
设备运行异常因子处理模块,所述设备运行异常因子处理模块用于基于所述设备运行异常因子进行储能设备孪生模型的模拟运行,并根据模拟运行结果对所述设备运行异常因子进行处理。
综上所述,与现有技术相比,本公开的实施例具有以下技术效果:
(1)解决了现有的储能设备性能测试方法存在测试效率较低的技术问题,通过构建环境-性能对照表对储能设备的后续运行状态进行监管,可以节约储能设备的性能测试时间,同时可以发现潜在威胁并及时处理,提高储能设备的运行安全性。
(2)通过构建模型测试环境对所述储能设备孪生模型进行优化调整,可以提高模型的准确性和可靠性,从而可以提高储能设备孪生模型的模拟运行质量。
(3)通过对储能设备运行异常情况造成的故障趋势进行预测,可以及时发现潜在威胁并及时处理,从而提高储能设备的运行安全性。
以上所述实施例仅表达了本公开的几种实施方式,但并不能因此而理解为对发明专利范围的限制。因此,在不脱离如由所附权利要求限定的本公开构思的范围的情况下,本领域普通技术人员可做出各种类型的替换、修改和变更,并且这些替换、修改和变更都属于本公开的保护范围。
Claims (8)
1.用于储能仿真实验的测试方法,其特征在于,所述方法包括:
获取储能设备的运行参数,所述运行参数通过部署多个传感器对储能设备进行数据采集获得;
生成储能设备孪生模型,所述储能设备孪生模型为基于数字孪生技术和所述运行参数进行仿真建模获得;
获取性能测试指标,所述性能测试指标包括充放电性能、循环寿命性能、响应时间性能、能耗损失性能;
获取储能设备的多个预期运行环境,并基于多个预期运行环境搭建多个运行场景;
在多个运行场景下,根据多个性能测试指标依次对所述储能设备孪生模型进行性能测试,获得多个性能测试数据集合;
基于多个运行场景和多个性能测试数据集合的映射关系构建环境-性能对照表;
根据所述环境-性能对照表对储能设备的后续运行状态进行监管。
2.如权利要求1所述的方法,其特征在于,在基于数字孪生技术和所述运行参数进行仿真建模之前,还包括:
对所述运行参数进行数据分析,确定运行参数数据类型,所述运行参数数据类型包括正确数据、错误数据、重复数据、异常数据、缺失数据;
对所述错误数据、所述重复数据、所述异常数据和所述缺失数据进行数据清洗,获得标准运行参数数据;
基于数字孪生技术,根据所述标准运行参数数据进行仿真建模,获得储能设备孪生模型。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
获取所述储能设备的实时运行场景,并根据所述实时运行场景搭建模型测试环境;
在所述模型测试环境下,将所述储能设备孪生模型和所述储能设备进行同步运行,获得模拟运行参数和实时运行参数;
基于所述模拟运行参数和所述实时运行参数的偏差值对所述储能设备孪生模型的运行参数进行优化调整,获得所述储能设备孪生模型。
4.如权利要求1所述的方法,其特征在于,所述并基于多个预期运行环境搭建多个运行场景,还包括:
对多个预期运行环境进行环境参数分析,确定多个环境参数阈值集合;
其中,所述环境参数阈值包括温度阈值、湿度阈值、气压阈值、pH值阈值、振动频率阈值;
基于多个环境参数阈值集合搭建多个运行场景。
5.如权利要求1所述的方法,其特征在于,所述根据所述环境-性能对照表对储能设备的后续运行状态进行监管,还包括:
获得储能设备的实时运行环境信息,所述实时运行环境信息通过多个传感器进行环境参数采集获得;
将所述实时运行环境信息输入所述环境-性能对照表进行性能匹配,获得储能设备的预期性能数据;
根据所述预期性能数据和储能设备的实时运行数据进行遍历比对,当所述实时运行数据不满足所述预期性能数据时,则将对应的性能指标标记为异常性能指标;
根据所述异常性能指标对储能设备进行监管。
6.如权利要求5所述的方法,其特征在于,所述根据所述异常性能指标对储能设备进行监管,还包括:
基于所述异常性能指标进行指标偏差值计算,获得异常性能偏差值;
设置异常性能偏差阈值,所述异常性能偏差阈值基于性能指标构建,其中不同性能指标的异常性能偏差阈值不同;
根据所述异常性能偏差阈值对所述异常性能偏差值进行判断,当所述异常性能偏差值大于所述异常性能偏差阈值时,则生成设备检修指令,并根据所述设备检修指令对所述储能设备进行检修。
7.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取储能设备运行过程中的运行异常数据;
对所述运行异常数据进行异常解析,确定设备运行异常因子;
基于所述设备运行异常因子进行储能设备孪生模型的模拟运行,并根据模拟运行结果对所述设备运行异常因子进行处理。
8.用于储能仿真实验的测试系统,其特征在于,用于执行权利要求1-7中所述的用于储能仿真实验的测试方法中任意一项方法的步骤,所述系统包括:
运行参数获取模块,所述运行参数获取模块用于获取储能设备的运行参数,所述运行参数通过部署多个传感器对储能设备进行数据采集获得;
储能设备孪生模型生成模块,所述储能设备孪生模型生成模块用于生成储能设备孪生模型,所述储能设备孪生模型为基于数字孪生技术和所述运行参数进行仿真建模获得;
性能测试指标获取模块,所述性能测试指标获取模块用于获取性能测试指标,所述性能测试指标包括充放电性能、循环寿命性能、响应时间性能、能耗损失性能;
运行场景搭建模块,所述运行场景搭建模块用于获取储能设备的多个预期运行环境,并基于多个预期运行环境搭建多个运行场景;
性能测试模块,所述性能测试模块用于在多个运行场景下,根据多个性能测试指标依次对所述储能设备孪生模型进行性能测试,获得多个性能测试数据集合;
环境-性能对照表构建模块,所述环境-性能对照表构建模块用于基于多个运行场景和多个性能测试数据集合的映射关系构建环境-性能对照表;
储能设备监管模块,所述储能设备监管模块用于根据所述环境-性能对照表对储能设备的后续运行状态进行监管。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055309.6A CN117272591A (zh) | 2023-08-21 | 2023-08-21 | 用于储能仿真实验的测试方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055309.6A CN117272591A (zh) | 2023-08-21 | 2023-08-21 | 用于储能仿真实验的测试方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117272591A true CN117272591A (zh) | 2023-12-22 |
Family
ID=89203479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311055309.6A Pending CN117272591A (zh) | 2023-08-21 | 2023-08-21 | 用于储能仿真实验的测试方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272591A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117665221A (zh) * | 2024-02-01 | 2024-03-08 | 江苏镨赛精工科技有限公司 | 一种复合材料制品的性能检测方法及系统 |
-
2023
- 2023-08-21 CN CN202311055309.6A patent/CN117272591A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117665221A (zh) * | 2024-02-01 | 2024-03-08 | 江苏镨赛精工科技有限公司 | 一种复合材料制品的性能检测方法及系统 |
CN117665221B (zh) * | 2024-02-01 | 2024-05-24 | 江苏镨赛精工科技有限公司 | 一种复合材料制品的性能检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731159A (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CA3162702A1 (en) | Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium | |
CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
CN108205114B (zh) | 电池寿命的预测方法及系统 | |
KR102646875B1 (ko) | 모의전지 구축 방법 및 모의전지 구축 장치 | |
CN117272591A (zh) | 用于储能仿真实验的测试方法及系统 | |
CN113591364A (zh) | 燃料电池管理系统的管理方法及装置 | |
CN112180279A (zh) | 一种退役电池健康状态诊断专家系统 | |
CN114675187A (zh) | 一种物理机理和机器学习融合的锂离子电池寿命预测方法 | |
CN204030697U (zh) | 基于动态soc估算系统的电池管理系统 | |
CN111044924A (zh) | 一种全工况电池剩余容量确定方法及系统 | |
CN114859231B (zh) | 基于维纳过程和极限学习机的电池剩余寿命预测方法 | |
CN111506977A (zh) | 一种动力电池建模方法 | |
CN116221037A (zh) | 一种风电机组监测方法和装置 | |
TW202334664A (zh) | 電池管理裝置、電池管理程式 | |
CN113030760B (zh) | 电池寿命预测方法、设备及存储介质 | |
CN113642248A (zh) | 定位设备剩余使用时间的评估方法及装置 | |
CN114035052A (zh) | 一种基于能量窗的soc区间标定方法、系统及介质 | |
CN105720634A (zh) | 一种自学习的充电功率电流控制方法及系统 | |
KR20220016685A (ko) | 배터리 팩의 시뮬레이션 방법 | |
CN117590130A (zh) | 一种基于数字孪生的输电线路态势感知方法 | |
CN112836374B (zh) | 一种可靠性指标增量确定方法和系统 | |
CN109388829A (zh) | 一种电子产品寿命测算方法 | |
CN115047367A (zh) | 一种磷酸铁锂电芯判断循环寿命模拟方法 | |
CN105633488A (zh) | 一种电池组功率自适应控制的方法及系统 |
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 |