CN117312927B - 全钒液流电池储能系统的电解液泄露故障预测方法及装置 - Google Patents
全钒液流电池储能系统的电解液泄露故障预测方法及装置 Download PDFInfo
- Publication number
- CN117312927B CN117312927B CN202311600430.2A CN202311600430A CN117312927B CN 117312927 B CN117312927 B CN 117312927B CN 202311600430 A CN202311600430 A CN 202311600430A CN 117312927 B CN117312927 B CN 117312927B
- Authority
- CN
- China
- Prior art keywords
- flow battery
- redox flow
- energy storage
- storage system
- vanadium redox
- 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
- 229910052720 vanadium Inorganic materials 0.000 title claims abstract description 140
- 238000004146 energy storage Methods 0.000 title claims abstract description 124
- 239000003792 electrolyte Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000008859 change Effects 0.000 claims abstract description 22
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000003449 preventive effect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000003247 decreasing effect Effects 0.000 description 3
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 229910001456 vanadium ion Inorganic materials 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000013543 active substance Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 239000008151 electrolyte solution Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- VLOPEOIIELCUML-UHFFFAOYSA-L vanadium(2+);sulfate Chemical compound [V+2].[O-]S([O-])(=O)=O VLOPEOIIELCUML-UHFFFAOYSA-L 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
- H01M8/04664—Failure or abnormal function
- H01M8/04679—Failure or abnormal function of fuel cell stacks
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/18—Regenerative fuel cells, e.g. redox flow batteries or secondary fuel cells
- H01M8/184—Regeneration by electrochemical means
- H01M8/188—Regeneration by electrochemical means by recharging of redox couples containing fluids; Redox flow type batteries
-
- 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
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Fuel Cell (AREA)
- Manufacturing & Machinery (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Evolutionary Biology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
Abstract
本申请提供了一种全钒液流电池储能系统的电解液泄露故障预测方法及装置，涉及电池技术领域，包括获取当前周期的全钒液流电池储能系统的内部数据以及前一周期的全钒液流电池储能系统的内部数据；当前周期的内部子数据符合安全阈值时，将当前周期的全钒液流电池储能系统的内部数据和前一周期的内部子数据输入预先构建的电解液泄露故障预测模型，判断全钒液流电池储能系统的内部变化趋势类型；当全钒液流电池储能系统的内部变化趋势类型为波动型时，即刻向客户端发出故障预警。本发明具有通过提前预测电解液泄露，可以采取相应的预防措施，避免泄漏事故的发生，从而提高电池系统的安全性和可靠性，从而降低维护成本的效果。
Description
技术领域
本发明涉及电池技术领域，尤其涉及一种全钒液流电池储能系统的电解液泄露故障预测方法及装置。
背景技术
全钒液流电池储能系统是一种氧化还原电池储能系统，其活性物质是循环流动的硫酸钒盐。在这种电池储能系统中，电能以化学能的方式存储在不同价态钒离子的硫酸电解液中。通过外接泵，电解液被压入电池堆体内，在机械动力作用下，使其在不同的储液罐和半电池的闭合回路中循环流动。电池组使用质子交换膜作为隔膜，电解质溶液平行流过电极表面并发生电化学反应。双电极板用于收集和传导电流，从而使储存在电解液中的化学能转换成电能。
但是电解液的泄露会导致全钒液流电池储能系统性能全面下降，二价水合钒离子容易在空气中氧化，导致容量损失。此外，高腐蚀性的正极和负极电解液可能会混合，这将直接影响全钒液流电池储能系统的性能和寿命。因此，亟需提出一种全钒液流电池储能系统的电解液泄露故障预测方法及装置。
发明内容
为了实现提高全钒液流电池储能系统的安全性和可靠性，降低维护成本，本申请提供一种全钒液流电池储能系统的电解液泄露故障预测方法及装置。
第一方面，提供提供一种全钒液流电池储能系统的电解液泄露故障预测方法，包括以下步骤：
获取当前周期的全钒液流电池储能系统的内部数据以及前一周期的全钒液流电池储能系统的内部数据；所述内部数据包括不少于两种内部子数据；
分别判断当前周期的所述内部子数据是否符合安全阈值；
当前周期的所述内部子数据符合安全阈值时，将当前周期的全钒液流电池储能系统的内部数据和前一周期的所述内部子数据输入预先构建的电解液泄露故障预测模型，判断所述全钒液流电池储能系统的内部变化趋势类型；
当所述全钒液流电池储能系统的内部变化趋势类型为波动型时，即刻向客户端发出故障预警。
可选的，所述内部子数据包括全钒液流电池内部压力值、全钒液流电池内部气体种类、全钒液流电池内部超声波传播情况、全钒液流电池内部有机挥发监测情况、全钒液流电池内部温度值中的至少两种。
可选的，所述获取当前周期的全钒液流电池储能系统的内部数据，包括：
同时获取当前周期的全钒液流电池储能系统的内部数据；
或，
判断目标数据的获取方式是否存在干涉；所述目标数据包括需要获取的所述内部子数据；
当所述目标数据的获取方式不存在干涉时，判断目标数据的个数是否超过预设并行个数；
当所述目标数据的个数超过预设并行个数时，确定所述目标数据的采集分组个数；
将所述目标数据按照所述采集分组个数均衡分配，按照随机抽取的采集分组的序号顺序分组获取当前周期的所述目标数据。
可选的，所述当所述目标数据的个数超过预设并行个数时，确定所述目标数据的采集分组个数，包括：
目标数据的个数=目标数据的个数/预设并行个数+1
可选的，所述方法还包括：
当所述目标数据的获取方式存在干涉时，将存在干涉的目标数据分别分在不同采集分组；
按照随机抽取的采集分组的序号顺序分组获取当前周期的所述目标数据。
可选的，所述波动型包括在一段时间内呈现上下波动的趋势，所述内部变化趋势类型还包括稳定型。
可选的，构建所述电解液泄露故障预测模型，包括：
获取历史周期N-1的全钒液流电池储能系统的内部数据、历史周期N的全钒液流电池储能系统的内部数据、历史周期N+1的全钒液流电池储能系统的内部数据；
基于历史周期N-1的全钒液流电池储能系统的内部数据和历史周期N的全钒液流电池储能系统的内部数据，确定历史周期目标内部数据的差异值；
将历史周期目标内部数据的差异值与所述历史周期N+1的全钒液流电池储能系统的内部数据进行绑定，并将所述历史周期N+1的全钒液流电池储能系统的内部数据的类型作为全钒液流电池储能系统的内部变化趋势类型。
可选的，所述方法还包括：
当前周期的所述内部子数据不符合安全阈值：
即刻向客户端发出故障预警；
或，
将所有当前周期的所述内部子数据进行加权运算，确定全钒液流电池储能系统安全指数；
判断所述全钒液流电池储能系统安全指数是否属于正常范围；
当所述全钒液流电池储能系统安全指数不属于正常范围，即刻向客户端发出故障预警；
当所述全钒液流电池储能系统安全指数属于正常范围，将当前周期的全钒液流电池储能系统的内部数据和前一周期的所述内部子数据输入预先构建的电解液泄露故障预测模型，判断所述全钒液流电池储能系统的内部变化趋势类型。
第二方面，本申请提供提供一种全钒液流电池储能系统的电解液泄露故障预测装置，包括：
获取模块，用于获取当前周期的全钒液流电池储能系统的内部数据以及前一周期的全钒液流电池储能系统的内部数据；所述内部数据包括不少于两种内部子数据；
判断模块，用于分别判断当前周期的所述内部子数据是否符合安全阈值；
预测模块，用于当前周期的所述内部子数据符合安全阈值时，将当前周期的全钒液流电池储能系统的内部数据和前一周期的所述内部子数据输入预先构建的电解液泄露故障预测模型，判断所述全钒液流电池储能系统的内部变化趋势类型；
报警模块，用于当所述全钒液流电池储能系统的内部变化趋势类型为波动型时，即刻向客户端发出故障预警。
综上所述，本申请包括以下至少一种有益技术效果：通过提前预测电解液泄露，可以采取相应的预防措施，避免泄漏事故的发生，从而提高电池系统的安全性和可靠性，从而降低维护成本。
附图说明
图1是本申请实施例主要体现一种全钒液流电池储能系统的电解液泄露故障预测方法的流程图；
图2是本申请实施例主要体现一种全钒液流电池储能系统的电解液泄露故障预测装置的结构框图。
附图标记：10、获取模块；20、判断模块；30、预测模块；40、报警模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例的附图，对本申请实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于所描述的本申请的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。
除非另作定义，此处使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请专利申请说明书以及权利要求书中使用的“一个”或者“一”等类似词语，不表示数量限制，而是表示存在至少一个。
本说明书提供一种全钒液流电池储能系统的电解液泄露故障预测方法，图1是本发明实施例的一种全钒液流电池储能系统的电解液泄露故障预测方法的流程图，包括以下步骤：
S110：获取当前周期的全钒液流电池储能系统的内部数据以及前一周期的全钒液流电池储能系统的内部数据；内部数据包括不少于两种内部子数据；
可选的，内部子数据包括全钒液流电池内部压力值、全钒液流电池内部气体种类、全钒液流电池内部超声波传播情况、全钒液流电池内部有机挥发监测情况、全钒液流电池内部温度值中的至少两种。
在本说明书的具体实施方式中，周期，可以是时间周期，例如一天、一小时、一分钟等，也可以是运行周期，例如电池的一次充放电过程。获取当前周期和前一周期的数据，目的是进行对比分析，以了解电池系统的运行情况和性能变化。
获取内部数据时，需要获取至少两种不同类型的内部子数据。例如，可以获取全钒液流电池内部压力值和全钒液流电池内部有机挥发监测情况，或者获取全钒液流电池内部气体种类和全钒液流电池内部超声波传播情况。获取多种不同类型的内部子数据有助于更全面地了解电池系统的运行情况和性能变化。
可选的，S110，包括：
同时获取当前周期的全钒液流电池储能系统的内部数据；
或，
判断目标数据的获取方式是否存在干涉；目标数据包括需要获取的内部子数据；
当目标数据的获取方式不存在干涉时，判断目标数据的个数是否超过预设并行个数；
当目标数据的个数超过预设并行个数时，确定目标数据的采集分组个数；
将目标数据按照采集分组个数均衡分配，按照随机抽取的采集分组的序号顺序分组获取当前周期的目标数据。
在本说明书的具体实施方式中，在获取全钒液流电池储能系统的内部数据时，可能存在某些数据获取方式之间的干涉。例如，测量电解液的温度可能需要一个温度传感器，而测量电解液的压力可能需要一个压力传感器，这两个传感器可能无法在同一位置或同一时间点工作。因此，需要判断目标数据的获取方式是否存在干涉，以避免这种情况。
同时，将目标数据均衡地分配到不同的采集分组中，然后按照随机抽取的采集分组的序号顺序来获取当前周期的目标数据，这样做可以避免由于数据采集设备的处理能力限制而导致的数据获取延迟。
可选的，当目标数据的个数超过预设并行个数时，确定目标数据的采集分组个数，包括：
目标数据的个数=目标数据的个数/预设并行个数+1
可选的，方法还包括：
当目标数据的获取方式存在干涉时，将存在干涉的目标数据分别分在不同采集分组；
按照随机抽取的采集分组的序号顺序分组获取当前周期的目标数据。
在本说明书的具体实施方式中，为了解决目标数据的获取方式存在干涉的问题，将存在干涉的目标数据分配到不同的采集分组中，这样可以确保每个采集分组中的目标数据不会有获取方式上的干涉，从而可以在不同的时间段或不同的位置获取到这些目标数据。
可选的，波动型包括在一段时间内呈现上下波动的趋势，内部变化趋势类型还包括稳定型。
在本说明书的具体实施方式中，单调递增：数据在一段时间内持续上升，没有下降的趋势。例如，在某段时间内，全钒液流电池储能系统的温度持续上升，这就是一种单调递增的趋势。
单调递减：数据在一段时间内持续下降，没有上升的趋势。例如，在某段时间内，全钒液流电池储能系统的压力持续下降，这就是一种单调递减的趋势。
稳定型：数据在一段时间内呈现出相对稳定的趋势，没有明显的上升或下降趋势。例如，在某段时间内，全钒液流电池储能系统的电压保持在相对稳定的范围内，这就是一种稳定型的趋势。
S120：分别判断当前周期的内部子数据是否符合安全阈值；
可选的，方法还包括：
当前周期的内部子数据不符合安全阈值：
即刻向客户端发出故障预警；
或，
将所有当前周期的内部子数据进行加权运算，确定全钒液流电池储能系统安全指数；
判断全钒液流电池储能系统安全指数是否属于正常范围；
当全钒液流电池储能系统安全指数不属于正常范围，即刻向客户端发出故障预警；
当全钒液流电池储能系统安全指数属于正常范围，将当前周期的全钒液流电池储能系统的内部数据和前一周期的内部子数据输入预先构建的电解液泄露故障预测模型，判断全钒液流电池储能系统的内部变化趋势类型。
在本说明书的具体实施方式中，将所有当前周期的内部子数据进行加权运算，确定全钒液流电池储能系统安全指数，这是一种综合考虑多个内部子数据的方法，通过加权运算将多个内部子数据合并为一个综合指标，即全钒液流电池储能系统安全指数，加权运算可以根据每个内部子数据的重要性和敏感性来设置权重，从而更加准确地反映整个系统的安全状况。
S130：当前周期的内部子数据符合安全阈值时，将当前周期的全钒液流电池储能系统的内部数据和前一周期的内部子数据输入预先构建的电解液泄露故障预测模型，判断全钒液流电池储能系统的内部变化趋势类型；
在本说明书的具体实施方式中，需要注意的是，即使当前周期的内部子数据符合安全阈值，也并不意味着系统完全没有问题。因此，将当前周期的内部数据和前一周期的内部子数据输入预先构建的电解液泄露故障预测模型进行分析是非常必要的。通过分析数据的内部变化趋势类型，可以及时发现潜在的问题并采取相应的措施，以避免问题的扩大和系统的故障。
可选的，构建电解液泄露故障预测模型，包括：
获取历史周期N-1的全钒液流电池储能系统的内部数据、历史周期N的全钒液流电池储能系统的内部数据、历史周期N+1的全钒液流电池储能系统的内部数据；
基于历史周期N-1的全钒液流电池储能系统的内部数据和历史周期N的全钒液流电池储能系统的内部数据，确定历史周期目标内部数据的差异值；
将历史周期目标内部数据的差异值与历史周期N+1的全钒液流电池储能系统的内部数据进行绑定，并将历史周期N+1的全钒液流电池储能系统的内部数据的类型作为全钒液流电池储能系统的内部变化趋势类型。
S140：当全钒液流电池储能系统的内部变化趋势类型为波动型时，即刻向客户端发出故障预警。
在本说明书的具体实施方式中，在全钒液流电池储能系统中，波动型内部变化趋势意味着某些关键参数（如电解液的温度、压力、流量和浓度，电池组的电压、电流和功率等）在一段时间内呈现上下波动的趋势，而不是单调递增或单调递减。这种波动可能是由于系统的不稳定操作、设备故障或其他干扰因素引起的。
当检测到全钒液流电池储能系统的内部变化趋势类型为波动型时，系统应立即向客户端发出故障预警。这可以通过发送电子邮件、短信、APP推送或其他方式实现。故障预警应包含有关波动型内部变化趋势的详细信息，例如涉及的参数、波动幅度和持续时间等，以便相关人员能够及时发现并处理问题。
波动型内部变化趋势可能意味着全钒液流电池储能系统存在潜在的问题或故障，但不意味着系统已经失效或无法运行。因此，在收到故障预警后，相关人员应尽快对系统进行检查和诊断，以确定问题的根源并采取相应的措施。如果问题比较严重或需要进一步的分析和处理，可以将故障预警升级为更高级别的警报，以便吸引更多关注和资源来解决问题。
本发明中，通过提前预测电解液泄露，可以采取相应的预防措施，避免泄漏事故的发生，从而提高电池系统的安全性和可靠性，从而降低维护成本。
本说明书还提供一种全钒液流电池储能系统的电解液泄露故障预测装置，图2是本发明实施例的一种全钒液流电池储能系统的电解液泄露故障预测装置的结构框图，包括：
获取模块10，用于获取当前周期的全钒液流电池储能系统的内部数据以及前一周期的全钒液流电池储能系统的内部数据；内部数据包括不少于两种内部子数据；
判断模块20，用于分别判断当前周期的内部子数据是否符合安全阈值；
预测模块30，用于当前周期的内部子数据符合安全阈值时，将当前周期的全钒液流电池储能系统的内部数据和前一周期的内部子数据输入预先构建的电解液泄露故障预测模型，判断全钒液流电池储能系统的内部变化趋势类型；
报警模块40，用于当全钒液流电池储能系统的内部变化趋势类型为波动型时，即刻向客户端发出故障预警。
本发明实施例的装置的功能已经在上述的方法实施例中进行了描述，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (9)
1.一种全钒液流电池储能系统的电解液泄露故障预测方法，其特征在于，包括以下步骤：
获取当前周期的全钒液流电池储能系统的内部数据以及前一周期的全钒液流电池储能系统的内部数据；所述内部数据包括不少于两种内部子数据；
分别判断当前周期的所述内部子数据是否符合安全阈值；
当前周期的所述内部子数据符合安全阈值时，将当前周期的全钒液流电池储能系统的内部数据和前一周期的所述内部子数据输入预先构建的电解液泄露故障预测模型，判断所述全钒液流电池储能系统的内部变化趋势类型；
当所述全钒液流电池储能系统的内部变化趋势类型为波动型时，即刻向客户端发出故障预警。
2.根据权利要求1所述的全钒液流电池储能系统的电解液泄露故障预测方法，其特征在于，所述内部子数据包括全钒液流电池内部压力值、全钒液流电池内部气体种类、全钒液流电池内部超声波传播情况、全钒液流电池内部有机挥发监测情况、全钒液流电池内部温度值中的至少两种。
3.根据权利要求2所述的全钒液流电池储能系统的电解液泄露故障预测方法，其特征在于，所述获取当前周期的全钒液流电池储能系统的内部数据，包括：
同时获取当前周期的全钒液流电池储能系统的内部数据；
或，
判断目标数据的获取方式是否存在干涉；所述目标数据包括需要获取的所述内部子数据；
当所述目标数据的获取方式不存在干涉时，判断目标数据的个数是否超过预设并行个数；
当所述目标数据的个数超过预设并行个数时，确定所述目标数据的采集分组个数；
将所述目标数据按照所述采集分组个数均衡分配，按照随机抽取的采集分组的序号顺序分组获取当前周期的所述目标数据。
4.根据权利要求3所述的全钒液流电池储能系统的电解液泄露故障预测方法，其特征在于，所述当所述目标数据的个数超过预设并行个数时，确定所述目标数据的采集分组个数，包括：
目标数据的个数=目标数据的个数/预设并行个数+1。
5.根据权利要求3所述的全钒液流电池储能系统的电解液泄露故障预测方法，其特征在于，还包括：
当所述目标数据的获取方式存在干涉时，将存在干涉的目标数据分别分在不同采集分组；
按照随机抽取的采集分组的序号顺序分组获取当前周期的所述目标数据。
6.根据权利要求1所述的全钒液流电池储能系统的电解液泄露故障预测方法，其特征在于，所述波动型包括在一段时间内呈上下波动的趋势，所述内部变化趋势类型还包括稳定型。
7.根据权利要求1所述的全钒液流电池储能系统的电解液泄露故障预测方法，其特征在于，构建所述电解液泄露故障预测模型，包括：
获取历史周期N-1的全钒液流电池储能系统的内部数据、历史周期N的全钒液流电池储能系统的内部数据、历史周期N+1的全钒液流电池储能系统的内部数据；
基于历史周期N-1的全钒液流电池储能系统的内部数据和历史周期N的全钒液流电池储能系统的内部数据，确定历史周期目标内部数据的差异值；
将历史周期目标内部数据的差异值与所述历史周期N+1的全钒液流电池储能系统的内部数据进行绑定，并将所述历史周期N+1的全钒液流电池储能系统的内部数据的类型作为全钒液流电池储能系统的内部变化趋势类型。
8.根据权利要求1所述的全钒液流电池储能系统的电解液泄露故障预测方法，其特征在于，还包括：
当前周期的所述内部子数据不符合安全阈值：
即刻向客户端发出故障预警；
或，
将所有当前周期的所述内部子数据进行加权运算，确定全钒液流电池储能系统安全指数；
判断所述全钒液流电池储能系统安全指数是否属于正常范围；
当所述全钒液流电池储能系统安全指数不属于正常范围，即刻向客户端发出故障预警；
当所述全钒液流电池储能系统安全指数属于正常范围，将当前周期的全钒液流电池储能系统的内部数据和前一周期的所述内部子数据输入预先构建的电解液泄露故障预测模型，判断所述全钒液流电池储能系统的内部变化趋势类型。
9.一种全钒液流电池储能系统的电解液泄露故障预测装置，其特征在于，包括：
获取模块（1），用于获取当前周期的全钒液流电池储能系统的内部数据以及前一周期的全钒液流电池储能系统的内部数据；所述内部数据包括不少于两种内部子数据；
判断模块（2），用于分别判断当前周期的所述内部子数据是否符合安全阈值；
预测模块（3），用于当前周期的所述内部子数据符合安全阈值时，将当前周期的全钒液流电池储能系统的内部数据和前一周期的所述内部子数据输入预先构建的电解液泄露故障预测模型，判断所述全钒液流电池储能系统的内部变化趋势类型；
报警模块（4），用于当所述全钒液流电池储能系统的内部变化趋势类型为波动型时，即刻向客户端发出故障预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311600430.2A CN117312927B (zh) | 2023-11-28 | 2023-11-28 | 全钒液流电池储能系统的电解液泄露故障预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311600430.2A CN117312927B (zh) | 2023-11-28 | 2023-11-28 | 全钒液流电池储能系统的电解液泄露故障预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117312927A CN117312927A (zh) | 2023-12-29 |
| CN117312927B true CN117312927B (zh) | 2024-03-12 |
Family
ID=89273995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311600430.2A Active CN117312927B (zh) | 2023-11-28 | 2023-11-28 | 全钒液流电池储能系统的电解液泄露故障预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117312927B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105242211A (zh) * | 2015-09-02 | 2016-01-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种全钒液流电池故障快速检测定位方法 |
| CN106910919A (zh) * | 2017-05-05 | 2017-06-30 | 湖南省德沃普储能有限公司 | 全钒液流电池储能系统电堆电解液防漏自动检测系统及方法 |
| CN111445462A (zh) * | 2020-03-30 | 2020-07-24 | 国家计算机网络与信息安全管理中心 | 一种基于神经网络和热像图的蓄电池漏液检测方法 |
| AU2020101399A4 (en) * | 2020-07-17 | 2020-08-20 | North University Of China | A Full Vanadium Flow Battery Management System Based on Embedded Chip |
| KR102219191B1 (ko) * | 2019-08-23 | 2021-02-23 | 한국에너지기술연구원 | 레독스 흐름전지 시스템과 레독스 흐름전지의 모니터링 방법 및 레독스 흐름전지의 제어방법 |
| CN112487031A (zh) * | 2020-11-27 | 2021-03-12 | 江西江铃集团新能源汽车有限公司 | 单体电池故障检测方法、装置、可读存储介质及电子设备 |
| CN115902646A (zh) * | 2023-01-06 | 2023-04-04 | 中国电力科学研究院有限公司 | 一种储能电池故障识别方法及系统 |
| JP2023076312A (ja) * | 2021-11-22 | 2023-06-01 | 中国電力株式会社 | 機械学習装置及び蓄電池状態判定装置 |
| CN116413604A (zh) * | 2022-10-21 | 2023-07-11 | 杭州安脉盛智能技术有限公司 | 一种电池参数监测方法、系统、装置及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10886553B2 (en) * | 2016-12-19 | 2021-01-05 | Vionx Energy Corporation | Large scale flow battery system |
-
2023
- 2023-11-28 CN CN202311600430.2A patent/CN117312927B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105242211A (zh) * | 2015-09-02 | 2016-01-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种全钒液流电池故障快速检测定位方法 |
| CN106910919A (zh) * | 2017-05-05 | 2017-06-30 | 湖南省德沃普储能有限公司 | 全钒液流电池储能系统电堆电解液防漏自动检测系统及方法 |
| KR102219191B1 (ko) * | 2019-08-23 | 2021-02-23 | 한국에너지기술연구원 | 레독스 흐름전지 시스템과 레독스 흐름전지의 모니터링 방법 및 레독스 흐름전지의 제어방법 |
| CN111445462A (zh) * | 2020-03-30 | 2020-07-24 | 国家计算机网络与信息安全管理中心 | 一种基于神经网络和热像图的蓄电池漏液检测方法 |
| AU2020101399A4 (en) * | 2020-07-17 | 2020-08-20 | North University Of China | A Full Vanadium Flow Battery Management System Based on Embedded Chip |
| CN112487031A (zh) * | 2020-11-27 | 2021-03-12 | 江西江铃集团新能源汽车有限公司 | 单体电池故障检测方法、装置、可读存储介质及电子设备 |
| JP2023076312A (ja) * | 2021-11-22 | 2023-06-01 | 中国電力株式会社 | 機械学習装置及び蓄電池状態判定装置 |
| CN116413604A (zh) * | 2022-10-21 | 2023-07-11 | 杭州安脉盛智能技术有限公司 | 一种电池参数监测方法、系统、装置及存储介质 |
| CN115902646A (zh) * | 2023-01-06 | 2023-04-04 | 中国电力科学研究院有限公司 | 一种储能电池故障识别方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 《Battery leakage fault diagnosis based on multi-modality multi-classifier fusion decision algorithm 》;Zhengjie Zhang等;《Journal of Energy Storage》;全文 * |
| 《一种基于斯皮尔曼秩相关结合神经网络的电池组内部短路故障检测算法》;高明裕 等;《电子与信息学报》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117312927A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sutharssan et al. | A review on prognostics and health monitoring of proton exchange membrane fuel cell | |
| CN101493503B (zh) | 用电化学阻抗谱表征电池的方法 | |
| US8420271B2 (en) | Method to improve reliability of a fuel cell system using low performance cell detection at low power operation | |
| US11626607B2 (en) | Methods and systems for determining average oxidation state of redox flow battery systems | |
| CN103872359B (zh) | 利用故障堆健康监测器运行燃料电池系统的方法 | |
| US10797300B2 (en) | Repairable electrochemical energy storage device | |
| Khaki et al. | Voltage loss and capacity fade reduction in vanadium redox battery by electrolyte flow control | |
| Zhang et al. | A health management review of proton exchange membrane fuel cell for electric vehicles: Failure mechanisms, diagnosis techniques and mitigation measures | |
| Zhang et al. | Phm‐oriented degradation indicators for batteries and fuel cells | |
| US8280659B2 (en) | Early detection of minimum cell voltage degradation of a fuel cell stack | |
| CN111460656B (zh) | 一种电力机房通信电源运行寿命评估方法和系统 | |
| CN115047044A (zh) | 一种微流控气体传感器技术的电解液气体检测装置及方法 | |
| CN117312927B (zh) | 全钒液流电池储能系统的电解液泄露故障预测方法及装置 | |
| Jacome et al. | A review of model-based prognostic for proton exchange membrane fuel cell under automotive load cycling | |
| US11476479B2 (en) | Fuel cell system and method for determining fuel cell stack reusability | |
| Reichelt et al. | Assessment of the reliability of vanadium‐redox flow batteries | |
| Wu et al. | Methods for estimating the accumulated nitrogen concentration in anode of proton exchange membrane fuel cell stacks based on back propagation neural network | |
| KR102642886B1 (ko) | 레독스 배터리의 동작 상태를 확인하는 방법 및 장치 | |
| US20230327154A1 (en) | Assessing health of a fuel stack using fuel cell voltage diagnostics | |
| Li et al. | Health state monitoring and predicting of proton exchange membrane fuel cells: A review | |
| CN114814588B (zh) | 一种蓄电池容量快速估算方法 | |
| CN115795269A (zh) | 一种电堆故障的预判方法、装置、存储介质及设备 | |
| CN117706378B (zh) | 一种液流电池充放电性能测试方法、系统及存储介质 | |
| KR20240041988A (ko) | 비정상 베어셀의 식별 방법, 장치, 전자기기 및 저장 매체 | |
| Ruan et al. | Life Prediction Method of Power Battery for New Energy Vehicle |
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 |