CN101067644B - 蓄电池性能分析专家诊断方法 - Google Patents

Abstract

本发明公开了一种蓄电池性能分析专家诊断方法，将多个反映蓄电池性能的参数作为人工神经网络的输入，经过已学习生成的专家库的综合评判，输出各电池的容量、寿命预估等，并以此给出对各蓄电池的操作建议，因此得出的结果更符合蓄电池本身的状态。此外还对上述人工神经网络设计了自适应学习的功能。本发明有效的克服了以往以某一时刻，从单一的角度、单一的方法来评判阀控式铅酸蓄电池性能的缺点，且在阀控式铅酸蓄电池的运行中对其性能进行实时监测和性能评价，操作简单，避免了对蓄电池做核对性放电，不影响铅酸蓄电池的循环寿命。

Description

蓄电池性能分析专家诊断方法

技术领域

本发明涉及阀控式铅酸蓄电池性能在线检测和评价技术。

技术背景

阀控式铅酸蓄电池已被广泛地应用于电力、通信、交通、金融、部队等行业的电源***中，无论是在变电站、机房、移动基站、UPS等的后备电池，还是在发电机组启动电池等，其作用是当市电失电或整流器发生故障时，向用电负荷提供不间断的电力供应。所以在电源***中，电池扮演了非常重要的角色。

VRLA是一个复杂的电化学体系，它的寿命和性能与电极材料、工艺、活性物质的变化、运行状态等诸多因素相关，也是设备中容易损坏的部件之一。一般引起VRLA性能下降的原因大致可分为以下几类：失水、硫酸盐化、板栅的腐蚀和变形、活性物质软化、晶枝短路等等。

现有的测试评判蓄电池性能的方法：

目前实际在使用的电池测试方法主要有以下几种：核对性放电测试，电池电压巡检，电池内阻(电导)测试，放电容量估算。

1、核对性放电测试

作为电池容量的标准，核对性容量放电测试是最为标准的、有效的电池性能测试方法，它能真实反映电池所具有的放电能力，一般有离线式测试和在线式测试二种方法。

但遗憾的是，核对性容量放电测试工作量非常大，操作麻烦，在在线式测试时对***具有潜在的危险。而且由于电池具有有限的循环寿命，该方法也不宜经常使用，且不具有对电池运行性能的实时监测能力。

2、电池电压巡检

目前在电池测试设备中，在线监测的常用仪器就是电池组巡检仪，一般在线监测单体电池的电压、电流、温度，通过判断电池电压是否超限作为判断电池好坏的依据。

大量的实际经验表明，在运行中的电池电压(浮充或均充)和电池容量几乎没有相关性，实际使用中，我们一般只作为电池充电曲线或电池浮充数据的观察和记录。

3、电池内阻(电导)测试

1992年的国际电信年会(INTELEC)上，Dr.David Feder发表了关于电导和电池容量相关性的论文，提出了电导测量对电池测试的意义。电导测试由于其测试的方便快捷，并可用于发现失效电池，尤其对电池失水导致的内阻增加非常敏感，所以使用内阻或电导测试方法对及时发现失效电池，了解电池性能变化具有重要的参考意义。

但同样遗憾的是，电池容量和电池电导并没有很好的相关性。当电池容量在80％以上时，容量与电导之间几乎没有相关性，具有这种线性相关关系的电池绝大部分都是放电容量低于80％以下的失效电池。因而失去了实际测量的意义。

4、放电容量估算

通过5-15分钟的负载放电，估算电池的剩余容量。该测试方法的理论依据是放电曲线族的比对推算。但当电池性能劣化严重时，放电曲线将发生很大变易，导致估算值严重差异。同样由于电池厂家不同，电池本身的非一致性，也会导致估算的误差，所以该方法现在已很少使用。

综上所述，在现有的蓄电池性能测试评判中，都是以某一时刻，从单一的角度，并运用单一的方法来评判蓄电池的性能，然而电池由好变坏是一个非常复杂的过程，单一模型的评价是不充分的。这也就造成了迄今为止没有便捷、有效、准确测量蓄电池容量和性能的原因。

发明内容

铅蓄电池内部的电化学反应非常复杂，影响铅蓄电池寿命的因素也不止一个，因此，从单一的参数、单一的角度来评判电池的性能是不充分的。为解决现有技术存在的上述问题，将多个连续的、变化的、相互关联的信息(如铅蓄电池电压、电流、温度等)串联起来，作为综合评价阀控式铅蓄电池性能的指标，从而使作出的评价更为精准。

通常，工作中的阀控式密封铅酸蓄电池一般有以下几种基本的运行状态：浮充、均充以及放电。因此铅蓄电池的电压包括浮充电压、均充电压及放电电压。

图4描述了某节蓄电池更换前后的浮充电压表现，从电池更换前到更换后，电池浮充电压的波动由大变小，即电池浮充电压的离散性由大变小。这说明铅蓄电池浮充电压离散性与电池性能有关，性能好的电池浮充电压离散度小，性能差的电池浮充离散度大。

图5描述了某节性能较差蓄电池的均充电压表现，当较多数目的蓄电池串联使用时，容易出现电压不均衡的现象，长期处于这种状态，将造成某些落后蓄电池充电不完全，均充就是为了平衡整组蓄电池电压，对落后电池进行补充充电，使其恢复到完全充电的状态。从图5看，性能较差的电池其均充阶段的最高电压将窜到很高，而均充阶段的最低电压又跌到很低，此两电压之差远大于性能好的蓄电池。

图6描述了某组蓄电池动态放电后电池内阻的表现，蓄电池内阻包括欧姆内阻和极化内阻，其中欧姆内阻由电解液、电极材料、隔板等的内阻组成，极化内阻由电化学极化和浓差极化组成，内阻的变化主要由蓄电池内部电解液的浓度变化、电极材料的结构组成变化等因素引起，因此，电池内阻是表证蓄电池性能的一个重要指标。从图6看，性能较差的蓄电池其内阻远高于整组蓄电池的平均内阻。

长期以来，核对性放电是蓄电池容量测试准确可靠的方法，但是核对性放电时间长，操作复杂，风险大，且频繁地对蓄电池进行深放电，会产生硫酸铅沉淀，导致极板硫酸化，容量下降，因此不适宜对蓄电池进行频繁的深放电操作。通过观察短时充放电的曲线特征，发现蓄电池的短时充放电过程中的电压差与短时放电过程的结束点电压与蓄电池的性能有以下规律：短时充放电过程中的电压差较大及短时放电过程的结束点电压较低的蓄电池，其性能较差，反之亦成立。

温度是影响蓄电池寿命的又一重要因素，一般来说，蓄电池工作温度处于25℃左右对电池寿命最有利，超过25℃时，每升高10℃，蓄电池的容量将减少一半，这是因为过高的温度会导致蓄电池热失控，使蓄电池的电流及温度发生一种积累性的相互增强作用，缩短电池寿命。蓄电池工作温度与其容量的具体关系见图7。

为解决技术背景中提到的现有测试评判蓄电池性能方法的缺陷，以及鉴于上述参数与蓄电池性能的关系，本发明采用的技术方案是：蓄电池性能分析专家诊断方法，其特征在于将在线采集到的均充阶段各电池最大电压值、均充阶段各电池最小电压值、单体浮充电压离散度、整组浮充电压离散度、放电结束时刻的各电池的内阻值r(i)、短时放电结束时刻各电池的电压、短时充放电各电池电压差和温度中的两个或两个以上的参数作为人工神经网络的输入，由人工神经网络通过运算给出各节电池的性能评价结果，并给出相应操作建议；其中，当蓄电池处在核对性放电状态时，若是短时放电过程，记录短时放电结束时刻各电池的电压和短时充放电各电池电压差，并将最新得到的短时放电结束时刻各电池的电压、短时充放电各电池电压差以及当前温度值替换其原始初始值，带入网络运算；当蓄电池处在均充状态时，记录均充阶段各电池的最大电压值和均充阶段各电池的最小电压值，用最新得到的均充阶段各电池的最大电压值、均充阶段各电池的最小电压值以及当前温度替换其原始初始值，带入网络运算；当蓄电池处在浮充状态时，计算单体浮充电压离散度和整组浮充电压离散度，用最新得到的单体浮充电压离散度、整组浮充电压离散度以及当前温度替换其原始初始值，带入网络运算；当蓄电池处在放电状态时，计算放电结束时刻的各电池的内阻值r(i)，用最新得到的放电内阻值以及当前温度替换其原始初始值，带入网络运算；其中(i)表示第i节电池。其中

单体浮充电压离散度(μ_i)可由公式(3)得到：

${\mathrm{\μ}}_i=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{ij}},\mathrm{\Δ}{U}_{\mathrm{ij}}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}|U_{\mathrm{ij}}-{\mathrm{\μ}}_i|---\left(3\right)$

整组浮充电压离散度(μ_j)可由公式(4)得到：

${\mathrm{\μ}}_j=\frac{1}{\mathrm{num}}\underset{i=1}{\overset{\mathrm{num}}{\mathrm{\Σ}}}{U}_{\mathrm{ij}},\mathrm{\Δ}{U_{\mathrm{ij}}}^{\′}=\underset{i=1}{\overset{\mathrm{num}}{\mathrm{\Σ}}}|U_{\mathrm{ij}}-{\mathrm{\μ}}_j|---\left(4\right)$

式中：U_ij：第i节电池在第j个时刻的电压；

n：采集的时间长度；

μ_i：时间n内的第i节电池浮充电压平均值；

μ_j：第j时刻整组电池的浮充电压平均值；

num：蓄电池组的总节数；

ΔU_ij：单体浮充电压离散度；

ΔU′_ij：整组浮充电压离散度。

单体电池放电内阻可由公式(5)得到

r(i)＝[U_ij-U_ij+2]/I    (5)

其中，I为放电电流，U_ij是放电过程中第i节电池第j个时间点的电压，U_ij+2为放电过程中第i节电池第j+2个时间点的电压，其满足条件：(U_ij-U_ij+2)＞0.002本发明所采用的网络构架为两层的BP网络，

输入------->隐层------->输出

(n)------->(12)------->(2)

网络输入个数n由用户选定的蓄电池性能指标个数所决定。具体的网络拓扑结构见图1。

由以上分析可见，本发明的蓄电池性能分析专家诊断方法，将多个反映蓄电池性能的参数作为人工神经网络的输入，经过已学习生成的专家库的综合评判，输出各电池的容量、寿命预估等，并以此给出对各蓄电池的操作建议，因此得出的结果更符合蓄电池本身的状态。

本发明的另一特点是对上述人工神经网络设计了自适应学习的功能，当阀控式密封铅酸蓄电池进行了全容量或半容量核对性放电测试时，网络将自动更换学习样本，重新学习训练，形成一种新的评判体系。这种动态修正专家库的功能，使***更符合阀控式密封铅酸蓄电池运行环境及电池品牌的实际情况。

本发明克服了以往以某一时刻，从单一的角度、单一的方法来评判阀控式铅酸蓄电池性能的缺点，且在阀控式铅酸蓄电池的运行中对其性能进行实时监测和性能评价，操作简单，避免了对蓄电池做核对性放电，不影响铅酸蓄电池的循环寿命。

附图说明

图1：本发明中所用BP网络的具体拓扑结构

图2：本发明蓄电池状态判别流程

图3：本发明整个***处理流程

图4：某节电池更换前后的浮充电压表现

图5：某节性能较差电池的均充表现

图6：某组电池动态放电后电池内阻的表现

图7：蓄电池工作温度与容量的关系

图8：本***在某变电站的运行结果

具体实施方式

本实例介绍的网络结构采用8输入，2输出的结构。

通过蓄电池检测***采集蓄电池的实时运行数据，如电压、电流、温度等参数，并同时上传给后台计算机，通过应用输入接口进入软件***处理流程。

当上传的数据帧数达到要求时(有3帧数据积累)，进入电池运行状态判别模型，图2即是蓄电池运行状态判别流程。其中

Z₁：核对性放电状态；

Z₂：均充状态；

Z₃：浮充状态；

Z₄：放电状态。

当蓄电池状态处于Z₂时，且确定均充结束时刻，***用以下(1)、(2)式对均充电压进行处理：

均充阶段最大电压值(MU_j)：MU_j＝max(U_jt0......U_jtn)(1)

均充阶段最小电压值(mU_j)：mU_j＝min(U_jt0......U_jtn)(2)

用最新得到的均充阶段最大电压值、均充阶段最小电压值以及当前温度替换其原始初始值，代入网络运算，得一电池的预估容量和预估寿命，并据此给出针对各电池的操作建议。

当蓄电池状态处于Z₃时，则每当有3帧数据上传的时候，***用以下(3)、(4)式对浮充电压进行处理：

单体浮充电压离散度可由(3)式得到

${\mathrm{\μ}}_i=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{ij}},\mathrm{\Δ}{U}_{\mathrm{ij}}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}|U_{\mathrm{ij}}-{\mathrm{\μ}}_i|---\left(3\right)$

整组浮充电压离散度可由(4)式得到

${\mathrm{\μ}}_j=\frac{1}{\mathrm{num}}\underset{i=1}{\overset{\mathrm{num}}{\mathrm{\Σ}}}{U}_{\mathrm{ij}},\mathrm{\Δ}{U_{\mathrm{ij}}}^{\′}=\underset{i=1}{\overset{\mathrm{num}}{\mathrm{\Σ}}}|U_{\mathrm{ij}}-{\mathrm{\μ}}_j|---\left(4\right)$

式中：

U_ij：第i节电池在第j个时刻的电压；

n：采集的时间长度；

μ_i；时间n内的第i节电池浮充电压平均值；

μ_j：第j时刻整组电池的浮充电压平均值；

num：蓄电池组的总节数；

ΔU_ij：单体浮充电压离散度；

ΔU′_ij：整组浮充电压离散度。

用最新得到的单体浮充电压离散度、整组浮充电压离散度以及当前温度替换其原始初始值，代入网络运算，得一电池的预估容量和预估寿命，并据此给出针对各电池的操作建议。

当蓄电池状态处于Z₄，则检测到放电结束时刻时，***用以下(5)式对放电数据进行处理，得到各电池的内阻值：

r(i)＝[U_ij-U_ij+2]/I    (5)

其中，(i)表示第i节电池，I为放电电流，U_ij是放电过程中第i节电池第j个时间点的电压，U_ij+2为放电过程中第i节电池第j+2个时间点的电压，其满足条件：(U_ij-U_ij+2)＞0.002

对以上得到的内阻值运用公式(6)进行修正，

$R\left(i\right)=40.404\×{[r\left(i\right)-\stackrel{\‾}{r}]}^2+0.5836371---\left(6\right)$

式中为整组蓄电池的平均内阻。

用最新得到的放电内阻值以及当前温度替换其原始初始值，代入网络运算，得一电池的预估容量和预估寿命，并据此给出针对各电池的操作建议。

当蓄电池状态处于Z₁时，分以下两种情况：

(1)若是短时放电过程，则在检测到核对性放电结束时刻时，记录各电池此次放电最后点电压值、以及此次短时充放电的电压差。

用最新得到的各电池短时放电最后点电压值、短时充放电的电压差以及当前温度替换其原始初始值，代入网络运算，得到电池的预估容量和预估寿命，并据此给出针对各电池的操作建议。

(2)若是全容量或半容量放电过程，***将自动更换人工神经网络的学习样本和教师样本，对网络进行重新学习、训练，形成一套更符合当前组蓄电池实际情况的电池性能评判规则。

具体学习样本更换步骤如下：

①根据此次核对性放电结果对蓄电池按其性能进行排序；

②当此组蓄电池节数超过12节时，选取以上排序结果集中前四节，后四节以及中间四节蓄电池此次核对性放电过程最后点电压值，并替换原学习样本中相应参数；其中选取中间四节电池时其存储位置可按(7)式进行计算。

起始位置＝num\2-1    (7)

式中num为该组蓄电池的电池节数；

对电池节数＜12节的蓄电池组，选取所有电池此次核对性放电过程最后点电压值，替换原样本中相应参数，并对未作更换的样本进行标记，以待下次核对性放电时进行更换；

③更换学习样本中其他性能参数，具体规则如下：

读取步骤②中所选电池的离此次核对性放电最近时刻的单体浮充电压离散度、整组浮充电压离散度、均充电压最大值、均充电压最小值、动态放电内阻值、短时放电结束时刻各电池的电压、短时充放电各电池电压差和温度替换原学习样本中的相应参数值

④更换教师样本

读取步骤②中所选电池在此次核对性放电后网络计算所得的预估容量、预估寿命，并替换教师样本中相应各参数值。

⑤在获得新学习样本和教师样本之后，对网络进行重新学习，形成新的蓄电池性能评判规则。

图8是本发明在实例中运行的结果，图上电池号(1)按模型输出参数预估性能从小到大排列，电池号(2)按蓄电池的放电内阻值从大到小排列，电池号(3)按放电过程中各节电池的电压差(这里选择第一点电压和第三点电压的差值)从大到小排列。其中表中红色标注的电池号为与电池号中所列电池重叠的电池号。

从表中可以清楚看到：在电池放电内阻排名前48名里，有16节电池与预估性能较差(80以下)的电池重合，而预估性能较差(80以下)的电池号都能从动态放电过程中计算得到的电压差排名前25名与最后3名中找到。

综上所述，本发明应用人工智能的知识来综合评判蓄电池性能，通过截取均充阶段各电池的最大电压值(MU_j)、均充阶段各电池的的最小电压值(mU_j)、单体浮充电压离散度(μ_i)、整组浮充电压离散度(μ_j)、放电时各电池的内阻值r(i)、短时放电结束时刻各电池的电压、短时充放电各电池电压差和温摩中的任意两个以上的参数输入人工神经网络，经过已学习生成的专家库的综合评判，给出各节电池的性能评价结果，并给出相应操作建议。这种将多个连续的、变化的、相互关联的信息串联起来，作为综合评价阀控式铅酸蓄电池性能的指标，克服了以往从单一的角度，用单一的方法来评判蓄电池性能的缺点，从而使作出的评价更为精准。且在铅酸蓄电池的运行中对其性能进行实时监测和性能评价，操作简单，避免了对蓄电池做核对性放电，不影响铅酸蓄电池的循环寿命。

本发明的另一特点是对上述人工神经网络设计了自适应学习的功能，当阀控式密封铅酸蓄电池进行了全容量或半容量核对性放电测试时，网络将自动更换学习样本，重新学习训练，形成一种新的评判体系。这种动态修正专家库的功能，使***更符合阀控式密封铅酸蓄电池运行环境及电池品牌的实际情况。

应该理解到的是：上述实施例只是对本发明的说明，而不是对本发明的限制，任何不超出本发明实质精神范围内的发明创造，均落入本发明的保护范围之内。

Claims (5)

1.蓄电池性能分析专家诊断方法，其特征在于将在线采集到的均充阶段各电池的最大电压值、均充阶段各电池的的最小电压值、单体浮充电压离散度、整组浮充电压离散度、放电结束时刻的各电池的内阻值r(i)、短时放电结束时刻各电池的电压、短时充放电各电池电压差和温度中的两个或两个以上的参数输入人工神经网络，由人工神经网络通过运算给出各节电池的性能评价结果，并给出相应操作建议；其中，当蓄电池处在核对性放电状态时，若是短时放电过程，记录短时放电结束时刻各电池的电压和短时充放电各电池电压差，并将最新得到的短时放电结束时刻各电池的电压、短时充放电各电池电压差以及当前温度值替换其原始初始值，带入网络运算；当蓄电池处在均充状态时，记录均充阶段各电池的最大电压值和均充阶段各电池的最小电压值，用最新得到的均充阶段各电池的最大电压值、均充阶段各电池的最小电压值以及当前温度替换其原始初始值，带入网络运算；当蓄电池处在浮充状态时，计算单体浮充电压离散度和整组浮充电压离散度，用最新得到的单体浮充电压离散度、整组浮充电压离散度以及当前温度替换其原始初始值，带入网络算；当蓄电池处在放电状态时，计算放电结束时刻的各电池的内阻值r(i)，用最新得到的放电内阻值以及当前温度替换其原始初始值，带入网络运算；其中i表示第i节电池。

2.如权利要求1所述的蓄电池性能分析专家诊断方法，其特征在于所述的单体浮充电压离散度由以公式(3)得到：

${\mathrm{\μ}}_i=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{ij}},\mathrm{\Δ}{U}_{\mathrm{ij}}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}|U_{\mathrm{ij}}-{\mathrm{\μ}}_i|---\left(3\right)$

整组浮充电压离散度由公式(4)式得到：

${\mathrm{\μ}}_j=\frac{1}{\mathrm{num}}\underset{i=1}{\overset{\mathrm{num}}{\mathrm{\Σ}}}{U}_{\mathrm{ij}},\mathrm{\Δ}{U_{\mathrm{ij}}}^{\′}=\underset{i=1}{\overset{\mathrm{num}}{\mathrm{\Σ}}}|U_{\mathrm{ij}}-{\mathrm{\μ}}_j|---\left(4\right)$

式中：

U_ij：第i节电池在第j个时刻的电压；

n：采集的时间长度；

μ_i：时间n内的第i节电池浮充电压平均值；

μ_j：第j时刻整组电池的浮充电压平均值；

num：蓄电池组的总节数；

ΔU_ij：单体浮充电压离散度；

ΔU_ij′：整组浮充电压离散度。

3.如权利要求1所述的蓄电池性能专家诊断方法，其特征在于所述的放电结束时刻的各电池的内阻值r(i)由公式(5)得到：

r(i)＝[U_ij-U_ij+2]/I    (5)

4.如权利要求3所述的蓄电池性能专家诊断方法，其特征在于将各电池的内阻值的修正值R(i)作为人工神经网络的输入，所述的各电池的内阻值的修正值R(i)可由公式(6)得到：

$R\left(i\right)=40.404\×{[r\left(i\right)-\stackrel{\‾}{r}]}^2+0.5836371$ (6)

式中

为整组蓄电池的平均内阻。

5.如权利要求1所述的蓄电池性能专家诊断方法，其特征还在于，对所述人工神经网络设计了自适应学习的功能，当阀控式密封铅酸蓄电池进行了全容量或半容量核对性放电时，网络将自动更换学习样本，重新学习训练，形成一种新的评判体系。

Images