CN117805639A - 一种电化学储能电站锂电池微短路故障判断方法及系统 - Google Patents
一种电化学储能电站锂电池微短路故障判断方法及系统 Download PDFInfo
- Publication number
- CN117805639A CN117805639A CN202311427789.4A CN202311427789A CN117805639A CN 117805639 A CN117805639 A CN 117805639A CN 202311427789 A CN202311427789 A CN 202311427789A CN 117805639 A CN117805639 A CN 117805639A
- Authority
- CN
- China
- Prior art keywords
- battery
- charge
- data
- voltage
- short circuit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012983 electrochemical energy storage Methods 0.000 title claims abstract description 32
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 23
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 23
- 239000000178 monomer Substances 0.000 claims abstract description 19
- 238000004146 energy storage Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 230000003203 everyday effect Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000005518 electrochemistry Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 14
- 230000036541 health Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 19
- 238000009413 insulation Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- SLXKOJJOQWFEFD-UHFFFAOYSA-N 6-aminohexanoic acid Chemical compound NCCCCCC(O)=O SLXKOJJOQWFEFD-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明涉及储能电池检测领域,特别涉及一种电化学储能电站锂电池微短路故障判断方法及系统。本发明方法包括:步骤1.获取电化学储能电站集装箱每个模组内满足设定SOC值的电池数据,包括:时间、SOC值和电压;步骤2.计算每个电池单体前后两个充放电静置周期的电荷量差,如果电荷量差大于等于0,则无短路故障,返回步骤1;如果电荷量差小于0,则进入步骤3;步骤3.使用电荷量差、时间差和电压计算得到每个电池单体的内阻值;同时,对每个单体电池的电压数据进行线性拟合;步骤4.利用计算的内阻值和线性拟合的结果对电池单体是否发生微电路故障进行判断。本发明方法能够在线实时识别微短路问题,为电池的健康状况提供全面的评估。
Description
技术领域
本发明涉及储能电池检测领域,特别涉及一种电化学储能电站锂电池微短路故障判断方法及系统。
背景技术
集装箱储能系统(CESS)是针对移动储能市场的需求开发的集成化储能系统,储能集装箱的设计主要分为两部分电池仓和设备仓。目前锂离子电池电化学储能电站一般分为五个层次:电池单体、模组、电池簇、分系统、集装箱。主要的电化学储能运行检测数据依据以电池舱中的电池簇为最小文件记录单元。由此简化数据模块表达为:每个集装箱系统包含多套电池簇,每套电池簇包含多个电池摸组。
锂电池在使用过程中出现的最常见的安全问题,主要是电池内部的微短路问题。目前,对锂电池微短路检测方法主要有:绝缘脉冲测试,绝缘阻抗测试以及绝缘耐压测试三种:
1.绝缘脉冲测试:通过对电芯施加脉冲电压,用电势差U的变化来表征电介质(隔离膜)特性,等效判断了电池隔离膜的受损与否,借此来看电芯内部是否存在微短路问题。这种测试方式基于锂电池的容性机理,即等效为有极板和电介质的电容。其电容特性满足于C=(ε*S)/d=Q/U原理,电容的大小取决于ε、S、d,只要电介质不被击穿,原则上电容可以承受较大的电压充电。绝缘脉冲测试较为准确,其发送的脉冲能在极短时间内完成,灵敏度高,用时短。但电容的大小不是由Q(带电量)或U(电压)决定的,即电容的决定式为:C=εS/4πkd。其中,ε是一个常数,S为电容极板的正对面积,d为电容极板的距离,k则是静电力常量。常见的平行板电容器,电容为C=εS/d(ε为极板间介质的介电常数,S为极板面积,d为极板间的距离)
2.绝缘阻抗测试:基于欧姆定律(E=IR),通过用一个高电压激励到被测装置(或被测物)相互隔离的两端,持续一段时间,然后采集测试所产生的电流,利用欧姆定律计算出阻抗,进而来判断电芯内部是否有微短路,采集数据通过软件处理后得出被测物阻抗所用时间较长,灵敏度不高,并且通过电阻来判断电芯内部是否产生微短路较为不准确。
3.绝缘耐压测试:通过测试时给被测电芯施加一个电压,然后将此电压维持一段时间,检测电芯的漏电电流的大小,通过与制定标准的对比,从而来判断电芯内部是否有微短路。此种方法长时间对电芯施加一个高电压对电芯伤害较大,并且用时较长,灵敏度较低。
对比上述三种测试方式,可以看出绝缘脉冲测试具有高灵敏度、微损伤、测试时间超短等特点,而绝缘阻抗测试与绝缘耐压测试则灵敏度较低、测试精度不高、对电芯的损伤大,并且需要很长的测试时间。此测试一般都在电池出厂时候进行均需要专门的设备支持。
与本发明相关的现有技术一
现有技术一的技术方案:
公开号为CN116087813A的中国发明申请公开了一种锂电池微短路检测方法及系统:该发明提供了根据锂电池组内不同连接方式检测微短路故障的方法。它根据检测到的串联、并联或混合连接采用不同的诊断方法,实现针对不同连接方式电池组的故障及时检测。对于串联,采用端电压相关系数法检测微短路故障,端电压相关系数法通过计算单体电压与总电压的相关系数来检测微短路。对于并联,采用温度冗余法检测微短路故障。温度冗余法建立热模型计算单体间的温差阈值,超过阈值则判断有微短路。
现有技术一的缺点:
需要区分电池组内电池的串联或并联连接,针对不同连接采用不同检测方法,增加了复杂度。串联电池使用端电压相关系数法容易受到电池初始差异的影响。并联电池使用温度冗余法依赖热传导模型,容易产生误差。系统需要搭建多个检测模块,实现较复杂,计算和存储资源需求较大。仅针对瞬间短路进行检测,无法有效识别长时间的微短路。需要检测所有单体电压,数据量大,实时处理困难。
与本发明相关的现有技术二
现有技术二的技术方案:
公开号为CN115166564A的中国发明申请公开了一种在线量化评估磷酸铁锂电池微短路程度的方法:该方法利用开路电压差值积分实现了微短路程度的在线定量评估通过收集车辆运行参数,建模求解单体开路电压,积分电压差值得到指标S,并求S随时间的变化率评估微短路程度。S值稳定反映微短路特征,不受工况影响,可以准确评估微短路程度。方法可在线实时检测微小短路,适用于磷酸铁锂等电压平坦电池。仅需要最高最低单体电压,减少数据量,计算简单快速。
现有技术二的缺点:
需要搭建精确的电池模型,实际应用中模型误差可能存在。方法参数如a、b、c需要优化确定,增加了实现难度。仅考虑两个单体进行分析,无法全面评估电池组微短路情况。需获知电池容量参数,实车条件下不容易测量准确。方法对电压平台不平坦的电池效果存疑。
与本发明相关的现有技术三
现有技术三的技术方案:
公开号为CN114386537B的中国发明公开了一种基于CatBoost的锂电池故障诊断方法、装置及电子设备。该方法通过收集电池的动态和静态数据,对数据进行特征提取、主成分分析等处理,并使用SMOTE方法对样本较少的故障类别进行数据扩增。利用处理后的数据训练CatBoost故障诊断模型,该模型可以直接处理分类特征。该技术通过数据扩增提高了模型对不同故障的检测能力。
现有技术三的缺点:
需要收集大量电池历史数据以训练模型,数据量较大。SMOTE合成样本效果存在不确定性。CatBoost模型作为集成学习存在过拟合风险。对模型泛化能力和检测效果需要进一步验证。
发明内容
本发明的目的在于至少克服现有技术中存在的某些缺陷,随着电池使用,本发明从数据软件装置方面提出了一种检测的方法,具体提出一种电化学储能电站锂电池微短路故障判断方法及系统。
为达到上述目的,本发明通过下述技术方案实现。
本发明提出了一种电化学储能电站锂电池微短路故障判断方法,包括:
步骤1.获取电化学储能电站集装箱每个模组内满足设定SOC值的电池数据,包括:时间、SOC值和电压;
步骤2.计算每个电池单体前后两个充放电静置周期的电荷量差,如果电荷量差大于等于0,则无短路故障,返回步骤1;如果电荷量差小于0,则进入步骤3;
步骤3.使用电荷量差、时间差和电压计算得到每个电池单体的内阻值;同时,对每个单体电池的电压数据进行线性拟合;
步骤4.利用计算的内阻值和线性拟合的结果对电池单体是否发生微电路故障进行判断。
作为上述技术方案的改进之一,所述方法在步骤1之前还包括:
步骤0.采集电化学储能电站集装箱每个模组内的电池数据,包括:时间、总电流、SOC、电压,并根据总电流判定各电池单体的充电、放电或静置状态;对数据连续出现充电、放电和静置三种状态,则标记为一个充放电静置周期;
计算每个充放电静置周期每个单体电池的平均电压,并对所有充放电静置周期每个单体电池的平均电压进行求和,求和最大的电池单体即是充电最快的电池单体;
查找充电最快的电池单体满足设定阈值的SOC值,以及相应的电压值,并根据充电最快的电池单体的SOC值和电压值查找同模组的其他充电慢的电池单体的SOC值和电压值;
重复上述步骤,每天按照电池模组和充放电静置周期进行计算并保存在数据库中;
从数据库中选取电化学储能电站集装箱每个模组内满足设定SOC值的电池数据。
作为上述技术方案的改进之一,所述步骤3,在对每个单体电池的电压数据进行线性拟合之前,还包括:判断满足设定SOC值的电池数据和每个电池单体的电压数据是否均超过设定个数,若不满足,则数据不足,返回步骤1;若满足,则进行线性拟合。
作为上述技术方案的改进之一,每个电池单体的电荷量差通过前后两次的SOC值作差或安时积分计算得到。
作为上述技术方案的改进之一,每个电池单体的内阻值为每个电池单体在每个充放电静置周期内计算的电阻值加和求平均得到。
作为上述技术方案的改进之一,每个电池单体在每个充放电静置周期内计算的电阻值通过每个电池单体在每个充放电静置周期内的平均电压和泄漏电流作比得到;
所述泄漏电流通过电荷量差和时间差作比得到。
作为上述技术方案的改进之一,所述方法在步骤4之前还包括:设定电池单体发生微电路故障所满足的条件;该条件包括:
线性拟合的截距在设定范围内;
斜率小于设定值;和
内阻值小于设定阻值。
本发明还提出了一种电化学储能电站锂电池微短路故障判断系统,包括:数据获取模块、数据计算模块、数据处理模块和故障判断模块;其中,
所述数据获取模块,用于获取电化学储能电站集装箱每个模组内满足设定SOC值的电池数据,包括:时间、SOC值和电压;
所述数据计算模块,用于计算每个电池单体前后两个充放电静置周期的电荷量差,如果电荷量差大于等于0,则无短路故障,重新从数据获取模块获取数据;如果电荷量差小于0,则将电荷量差送入数据处理模块;
所述数据处理模块,用于使用电荷量差、时间差和电压计算得到每个电池单体的内阻值;同时,对每个单体电池的电压数据进行线性拟合;
所述故障判断模块,用于利用计算的内阻值和线性拟合的结果对电池单体是否发生微电路故障进行判断。
本发明与现有技术相比优点在于:
1.降低设备维护成本,减少发电损失:本方法的优势之一在于在不增加设备硬件成本的前提下,通过提前检测电池安全问题,有效降低了设备的维护成本。微短路的发生可能导致电池的持续充放电,轻微情况下会损害电池,而严重情况下可能引发热失控或爆炸等危险事件;因此,对电池的安全监测显得尤为重要,不仅保障设备的正常运行,还避免了发电量损失和潜在的安全隐患;
2.精细化电池状态监测,提前预测和维护:本方法允许对电池的运行状态进行精细化监测,通过设定不同的阈值,可以预测电池内阻的情况;基于预估的内阻值,可以选择最适合的时机进行维护或更换电池,以最低的成本实施必要的操作;这种精细化的预测和维护策略有助于最大程度地延长电池的使用寿命,同时降低了维护成本和生产中断的风险。
附图说明
图1是集装箱数据预处理流程示意图;
图2是集装箱电池微短路预警数据准备流程示意图;
图3是集装箱电池微短路预警流程示意图;
图4(a)和图4(b)分别是集装箱电池周期内电流和电压的示意图;
图5为集装箱电池数据库记录信息表。
具体实施方式
电化学储能集装箱一个电池簇每天获取一个运行数据表,一般举例每个数据表中包含M个电池单体,N个电池模组,则本装置方法的基本计算单元为i=M/N,即算法为按照模组预警锂电池的内短路装置。本发明提出一种锂离子电池发生微短路的数据表现特征和机器学习的技术结合,并用软件实现在线智能诊断装置。能够不增加额外检测成本的基础上,只需将此装置部署在电站在线数据服务器或者平台上,可实现对电站电池实时检测识别电池单体异常状态,增加电站安全运维。
本发明基于电化学储能电站数据及应用于实际储能电站中,主要依据锂离子电池工作原理、工作发生微短路的数据特征、通过一套算法包含不限于最小二乘法、线性拟合回归法、移动平均法、线性插值、差分等的数据技术,定量计算微短路的电阻值同时检测电化学储能电站集装箱内单体电池是否存在微短路。本发明提出了一种基于大数据技术的创新方法,通过挖掘每个集装箱中的电池簇内的单体电池的连续多天每次充电末端SOC、电压趋势以及泄漏电流等参数,来计算电阻值,并线性拟合判断单体电池是否发生微短路现象。这一检测方法不仅能够在线实时识别微短路问题,还能够为电化学储能电站集装箱电池系统的健康状况提供全面的评估。这一创新方法将为电池管理和维护提供重要支持,为电站集装箱的安全和稳定运行保驾护航。
下面结合附图和实施例对本发明的技术方案进行详细的说明。
实施例1
图1为集装箱数据预处理流程示意图,图2为集装箱电池微短路预警数据准备流程图示意图,图3为集装箱电池微短路预警流程示意图。本发明技术的主要实现过程为上述的三个流程图,即通过数据预处理、集装箱电池数据准备、集装箱电池微短路预警三块大数据技术,实现实时检测电化学储能电站集装箱中电池是否发生了微短路,如果触发预警,即此电池存在微短路,需要进行维修或者更换。此三个模块的预测流程技术实现描述如下:
1、集装箱数据预处理
数据预处理部分分为判断数据充放电静置次数,一次充电放电静置记作一个周期,算法实施按照上述周期进行。每个周期内至少满足出现一次充电、放电、静置,且充放电深度(根据不同的电池型号做出不同的参数,测试发现深度需要SOC大于40,并且末端SOC大于95%)满足计算初步要求后,读取当天数据,对每次充放电静置的周期数据进行预处理,数据周期判定为根据总电流判定,总电流大于5A则标记为放电,总电流小于-5A则标记为充电,总电流在-5A到5A范围内,标记为静置。集装箱中电池簇数据每天按照5秒进行采样记录,对连续数据出现充电,放电,静置三种状态,则标记为一个周期,样例如图示4(a)-图4(b)展示。
①数据字段主要包括为时间、总电流、SOC、电压1到电压N,采样频率为5秒每一帧。
②数据变为numeric,电压在0V到5V范围内,电流在±1000A范围内,缺失值前后项填充。
③周期数据按照5秒进行resample,如果电压数据存在缺失,按照上一非缺失的电压值填充。
对每次充电周期的每个模组数据计算当次周期每个电池的平均电压Umi,m为第m个模组,i为m个模组的第i个电池。
对每个模组每个周期的SOC末端10%以内的单体电压数据进行线性递增填充,电池每个周期唯一标识:集装箱-分系统-电池簇-电池模组-电池单体-日期-第i个周期。对模组中所有单体电压数据求和,求和最大的单体即是充电最快的电池单体,找出充电最快的单体电压存入到数据库中。
2、电站集装箱微短路判断数据准备
接上,每个模组每个充放电静置周期数据预处理结束后,继续按照此计算:
步骤1:记录充电最快的单体电压在SOC大于等于0.95或者0.99的行号、电压值。
步骤2:如果有多行,选择最接近0.95或者0.99的行中的最后一行记录,举例:soc存在0.943,0.947,0.952,0.984,0.987,0.993,选择记录soc等于0.952和0.993的两行数据进行记录。
步骤3:记录相关信息:1电压值、2时间值、时间戳3SOC值、4电池单体5文件名称等,根据单体电池每个周期唯一标识:集装箱-分系统-电池簇-电池模组-电池单体-日期-第i个周期,合并上一流程图的电压值Umi,也就是最快的单体电池保存的数据有SOC大于等于0.99和0.95的两条瞬时数据,数据列有:1瞬时电压值、2时间值、时间戳3SOC值、4电池单体5文件名称。然后根据集装箱-分系统-电池簇-电池模组-电池单体-日期-第i个周期找到当周期,本电池的流程1集装箱数据预处理中计算得到的平均电压Umi。举例如表1:最快充电单体记录样式。按照全部的模组,依次保存到数据库中。
表1最快充电单体记录样式图
步骤4:对同模组的其他充电慢的电池,以最快电池为标准循环查找:举例一个模组中包含12个电池串联,电池2为步骤1中的模组最快充电电池,则对电池1,电池3,电池4,电池5,电池6,电池7,电池8,电池9,电池10,电池11,电池12,进行循环以下操作:
1soc等于0.952和0.993的两行对应的电池1,电池3,电池4,电池5,电池6,电池7,电池8,电池9,电池10,电池11,电池12的实时电压值,实时时间值(时间转换成时间戳)和实时SOC值,2电池1,电池3,电池4,电池5,电池6,电池7,电池8,电池9,电池10,电池11,电池12的实时电压值对应到电池2中的电压值,此新的电压值对应的新SOC值,新时间值。
如果存在多行,则记录最后一行的SOC值对应的:1电压值、2时间值-时间戳、3SOC值、4电池单体、5文件名称等。
步骤5:以上数据每天按照电池模组和充放电静置周期进行计算并保存在数据库中。
以下截取3个电池单体举例,电压3也就是电池3为最快电池,原始数据样式如表2集装箱电池原始数据表。按照表1的记录内容,电池1也就是电压1记录第2行,电池2也就是电压2记录第4行。
表2集装箱电池原始数据表
3、电站集装箱微短路单体电池预警
电站数据存储大于等于5天后,开始实施单体电池的微短路判断和预警算法
步骤1:获取同一个电池记录的数据库中5天记录SOC接近0.99的数据或者数据库中5天记录SOC接近0.95数据,如果5天的数据分别记录了多个soc0.99的数据,则优先使用此组数据,否则使用0.95的数据。样例如图5集装箱电池数据库记录信息表。
步骤2:根据单体电池每个周期唯一标识:集装箱-分系统-电池簇-电池模组-电池单体-日期-第i个周期,计算每个单体电池前后两次SOC差或者安时积分也就是不同测量标准的电荷量差,记录为ΔSOC或者ΔAH,ΔSOC计算为上下两行相减可以得到相邻两个周期的ΔSOC。ΔAH计算为步骤1同一行两个时间戳相减,得到时间差Δt,步骤2依据电荷量=电流*时间,对电流取绝对值*时间差Δt,步骤3,上下两行相减可以得到相邻两个周期的ΔAH。
泄露电流ΔI=ΔSOC/Δt或者ΔI=ΔAH/Δt。
步骤3:正常电池上下两行的soc值或者电压值应该围绕在一个稳定的数据上下,假如电池发生了内短路,相当于电池并联了一个较大的电阻,在电池运行过程中,电池的内短路产生的此电阻一直在消耗电量,分流电流,使得电压或者soc一直下降。因此估计电阻选择整个计算周期内的平均电压。如果容量差也就是电荷量差大于等于0,则不预警。反之小于0,则说明可能电池内部有微短路出现,电阻在消耗电量,所以容量降低,由于实际中存在测量误差,所以需要多次移动平均,得到准确的电阻值,根据唯一标识,找出电池两次对应的电压值,然后得到第m个模组的第i个电池平均电压Umr,(因为正常电池上下两行的soc值或者电压值应该围绕在一个稳定的数据上下,但是因为有了内短路,也就是电池内部有了一个较大的电阻值,在电池运行过程中,电池的内短路产生的电阻一直在消耗电量,使得电压或者soc一直下降。因此估计电阻选择整个计算周期内的平均电压。)
步骤4:依据欧姆公式,可以得到电池的一次内阻值,假设5天数据有N个周期,则移动平均N次,计算最终R为
步骤5:根据单体电池唯一标识集装箱-分系统-电池簇-电池模组-电池单体-日期-第i个周期,判断1:数据是否超过5个;判断2:电压数据是否在2到4之间,如果数据不满足条件,则不预警,如果数据满足条件,则对单体电压的5天电压数据进行最小二乘线性拟合:X为时间差前后数据,Y为电压。最小二乘法就是找到一组直线的参数,使得目标函数最小,本方法的目标函数为拟合的直线y的电压值与真实单体电压末端SOC的5天电压值差距最小。
步骤6:判断:1线性拟合的截距在3到4之间,2斜率小于β,3内阻值小于γΩ。如果同时满足,则预警该电池。
步骤7:对模块内的每个电池重复步骤1到步骤6的判断,找到所有需预警的电池。
步骤8:输出整个集装箱预警结果。
实施例2
本发明还提出了一种电化学储能电站锂电池微短路故障判断系统,包括:数据获取模块、数据计算模块、数据处理模块和故障判断模块;其中,
所述数据获取模块,用于获取电化学储能电站集装箱每个模组内满足设定SOC值的电池数据,包括:时间、SOC值和电压;
所述数据计算模块,用于计算每个电池单体前后两个充放电静置周期的电荷量差,如果电荷量差大于等于0,则无短路故障,重新从数据获取模块获取数据;如果电荷量差小于0,则将电荷量差送入数据处理模块;
所述数据处理模块,用于使用电荷量差、时间差和电压计算得到每个电池单体的内阻值;同时,对每个单体电池的电压数据进行线性拟合;
所述故障判断模块,用于利用计算的内阻值和线性拟合的结果对电池单体是否发生微电路故障进行判断。
本发明的主要创新点:本方法在不增加软硬件设施成本的前提下,利用现有的储能集装箱运行数据,旨在提前检测电池的安全性问题。
1.通过储能电站的实际运行海量数据,以5秒的采样频率获取测点数据,发现和实施了电池在运行过程中发生微短路的理论和实际数据特征算法、并且使用软件形式可以对单个单体电池检测内短路情况,并估算其电阻值。
2.本方法融合了大数据技术和多种算法,其中包括最小二乘法、线性拟合回归法、移动平均法、线性插值、差分等算法。
3.利用上述方法,可以对集装箱电站中电池的微短路问题进行识别和维护,从而提前采取措施确保电池的安全性。
总之,本方法不仅能够降低设备维护成本和发电损失,还能通过精细化的电池状态监测和提前预测,有效地保障电池的安全性和运行稳定性。这对于储能集装箱运行的可靠性和安全性是一个有效的方法装置。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种电化学储能电站锂电池微短路故障判断方法,包括:
步骤1.获取电化学储能电站集装箱每个模组内满足设定SOC值的电池数据,包括:时间、SOC值和电压;
步骤2.计算每个电池单体前后两个充放电静置周期的电荷量差,如果电荷量差大于等于0,则无短路故障,返回步骤1;如果电荷量差小于0,则进入步骤3;
步骤3.使用电荷量差、时间差和电压计算得到每个电池单体的内阻值;同时,对每个单体电池的电压数据进行线性拟合;
步骤4.利用计算的内阻值和线性拟合的结果对电池单体是否发生微电路故障进行判断。
2.根据权利要求1所述的电化学储能电站锂电池微短路故障判断方法,其特征在于,所述方法在步骤1之前还包括:
步骤0.采集电化学储能电站集装箱每个模组内的电池数据,包括:时间、总电流、SOC、电压,并根据总电流判定各电池单体的充电、放电或静置状态;对数据连续出现充电、放电和静置三种状态,则标记为一个充放电静置周期;
计算每个充放电静置周期每个单体电池的平均电压,并对所有充放电静置周期每个单体电池的平均电压进行求和,求和最大的电池单体即是充电最快的电池单体;
查找充电最快的电池单体满足设定阈值的SOC值,以及相应的电压值,并根据充电最快的电池单体的SOC值和电压值查找同模组的其他充电慢的电池单体的SOC值和电压值;
重复上述步骤,每天按照电池模组和充放电静置周期进行计算并保存在数据库中;
从数据库中选取电化学储能电站集装箱每个模组内满足设定SOC值的电池数据。
3.根据权利要求1所述的电化学储能电站锂电池微短路故障判断方法,其特征在于,所述步骤3,在对每个单体电池的电压数据进行线性拟合之前,还包括:判断满足设定SOC值的电池数据和每个电池单体的电压数据是否均超过设定个数,若不满足,则数据不足,返回步骤1;若满足,则进行线性拟合。
4.根据权利要求1所述的电化学储能电站锂电池微短路故障判断方法,其特征在于,每个电池单体的电荷量差通过前后两次的SOC值作差或安时积分计算得到。
5.根据权利要求1所述的电化学储能电站锂电池微短路故障判断方法,其特征在于,每个电池单体的内阻值为每个电池单体在每个充放电静置周期内计算的电阻值加和求平均得到。
6.根据权利要求5所述的电化学储能电站锂电池微短路故障判断方法,其特征在于,每个电池单体在每个充放电静置周期内计算的电阻值通过每个电池单体在每个充放电静置周期内的平均电压和泄漏电流作比得到;
所述泄漏电流通过电荷量差和时间差作比得到。
7.根据权利要求1所述的电化学储能电站锂电池微短路故障判断方法,其特征在于,所述方法在步骤4之前还包括:设定电池单体发生微电路故障所满足的条件;该条件包括:
线性拟合的截距在设定范围内;
斜率小于设定值;和
内阻值小于设定阻值。
8.一种电化学储能电站锂电池微短路故障判断系统,其特征在于,包括:数据获取模块、数据计算模块、数据处理模块和故障判断模块;其中,
所述数据获取模块,用于获取电化学储能电站集装箱每个模组内满足设定SOC值的电池数据,包括:时间、SOC值和电压;
所述数据计算模块,用于计算每个电池单体前后两个充放电静置周期的电荷量差,如果电荷量差大于等于0,则无短路故障,重新从数据获取模块获取数据;如果电荷量差小于0,则将电荷量差送入数据处理模块;
所述数据处理模块,用于使用电荷量差、时间差和电压计算得到每个电池单体的内阻值;同时,对每个单体电池的电压数据进行线性拟合;
所述故障判断模块,用于利用计算的内阻值和线性拟合的结果对电池单体是否发生微电路故障进行判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311427789.4A CN117805639A (zh) | 2023-10-31 | 2023-10-31 | 一种电化学储能电站锂电池微短路故障判断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311427789.4A CN117805639A (zh) | 2023-10-31 | 2023-10-31 | 一种电化学储能电站锂电池微短路故障判断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117805639A true CN117805639A (zh) | 2024-04-02 |
Family
ID=90432465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311427789.4A Pending CN117805639A (zh) | 2023-10-31 | 2023-10-31 | 一种电化学储能电站锂电池微短路故障判断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117805639A (zh) |
-
2023
- 2023-10-31 CN CN202311427789.4A patent/CN117805639A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108306065A (zh) | 锂离子电池配组方法及锂离子电池配组系统 | |
CN111036575B (zh) | 一种基于温度变化分析的锂离子电池分选方法 | |
US8984943B2 (en) | Inspection apparatus and inspection method for lithium ion secondary battery, and secondary battery module | |
CN113696786B (zh) | 电池均衡方法及系统 | |
CN104237643B (zh) | 动力电池包内连接电阻检测方法 | |
CN106707180A (zh) | 一种并联电池组故障检测方法 | |
CN114430080A (zh) | 一种基于运行数据的动力电池电芯异常自放电的识别方法 | |
Huang et al. | State of health estimation of lithium-ion batteries based on the regional frequency | |
CN116401585B (zh) | 一种基于大数据的储能电池失效风险评估方法 | |
CN113933732A (zh) | 新能源汽车动力电池健康状态分析方法、系统及存储介质 | |
CN106696712A (zh) | 动力电池故障检测方法、系统及电动车辆 | |
CN108333548A (zh) | 绝缘电阻测量设备及故障自诊断方法 | |
CN112485693B (zh) | 一种基于温度概率密度函数的电池健康状态快速评估方法 | |
CN111579121B (zh) | 在线诊断新能源汽车电池包内温度传感器故障的方法 | |
CN107037375B (zh) | 电池直流内阻测量方法及装置 | |
Zheng et al. | Quantitative short circuit identification for single lithium-ion cell applications based on charge and discharge capacity estimation | |
CN112327170B (zh) | 基于神经网络的动力电池全周期剩余寿命估算方法 | |
CN112051512A (zh) | 一种梯次利用分选方法及储能系统 | |
CN111896880A (zh) | 一种电动车用锂离子电池寿命的检测方法 | |
CN113687251A (zh) | 一种基于双模型的锂离子电池组电压异常故障诊断方法 | |
CN110988700B (zh) | 一种叉车锂离子电池模组健康度评价方法 | |
CN117007975A (zh) | 一种通过采集储能电池电芯多点温度对电池容量衰减评估进行强化学习的方法 | |
CN111766526A (zh) | 一种锂离子电池电化学极化阻抗的检测方法 | |
CN112649735A (zh) | 一种快速得到电池包总容量的方法 | |
CN117805639A (zh) | 一种电化学储能电站锂电池微短路故障判断方法及系统 |
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 |