CN106557637B - 一种储能产品的安全性能评价方法 - Google Patents
一种储能产品的安全性能评价方法 Download PDFInfo
- Publication number
- CN106557637B CN106557637B CN201611091455.4A CN201611091455A CN106557637B CN 106557637 B CN106557637 B CN 106557637B CN 201611091455 A CN201611091455 A CN 201611091455A CN 106557637 B CN106557637 B CN 106557637B
- Authority
- CN
- China
- Prior art keywords
- safety
- energy storage
- storage product
- model
- sensing
- 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.)
- Expired - Fee Related
Links
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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明提供了一种储能产品的安全性能评价方法,以智能传感技术为依托,与现代数据分析方法相结合,根据各类储能产品自身特性,发展不同传感技术进行重点因子安全数据采集;用分类检测的手段针对不同安全因子进行相关产品的传感测试;运用“人工神经网络***”、“稀疏核相关向量机”、“隐马尔科夫模型”、“线性动态***”等现代数据分析方法,建立安全因子对储能产品安全性影响的数据模型;通过模拟分析制定储能产品的安全性级别,形成安全识别与风险防范***;对储能产品安全性做出客观评价。
Description
技术领域
本发明属于储能产品安全领域,尤其是涉及一种储能产品的安全性能评价方法。
背景技术
中国是世界第一大储能产品的生产国,据统计目前全世界约50%以上的储能产品产自中国,占全世界产量的二分之一强。高工锂电产业研究所(GBII)调研显示,2012年中国新能源汽车、电网储能、通信基站等领域的成品锂电池组市场规模同比增长34.6%;其中,中国企业应用于国内外通信基站的锂电池市场规模更是增长了100%。储能产品作为人们日常工作、生活中频繁使用的机电产品,近几年,储能产品在化学结构上不断改进,化学性能不断提高,例如,提高了储能产品的容量和放电能力等,以满足以储能产品为电源的新型用电器具技术发展的需要,不断有新型号、新规格储能产品出现,储能产品的安全问题也日益突出。每年因其具有的人身、健康、环境危害等特性,发生的火灾***、血铅中毒、水与土壤环境污染等事故曾出不穷。
发明内容
有鉴于此,本发明旨在提出一种储能产品的安全性能评价方法,对储能产品的重点安全因子进行调研和筛选,利用多种新型传感检测技术,高灵敏实时地采集不同重点安全因子数据信息,并结合各类储能产品自身特性,通过对现有结果信息及传感检测信息的分析、拟合,建立针对典型储能产品的性能安全识别模型,通过模拟分析制定储能产品的安全性级别,形成性能安全识别与风险防范评价***。
为达到上述目的,本发明的技术方案是这样实现的:
一种储能产品的安全性能评价方法,包括以下步骤:
第一步为重点安全因子的筛选及现有安全检测结果信息采集:
主要集中在与储能相关的各类器材的安全性信息的收集整理和获取;
第二步为重点安全因子传感数据采集:
针对不同储能产品的重点安全因子,采取不同传感技术进行重点因子安全数据采集,用分类检测的手段针对不同安全因子进行相关产品的传感测试;
第三步为数据分析及安全识别模型的建立:
该阶段首先将现有安全检测的实验结果和传感数据进行处理与去噪,然后运用“人工神经网络***”、“稀疏核相关向量机”、“隐马尔科夫模型”、“线性动态***”等现代数据分析方法,建立安全因子对储能产品安全性影响的数据模型,通过k-折叠交叉验证法方法对模型可靠性进行验证,利用所建立模型模拟检测分析储能产品安全性能,测试结果与现有试验方法进行比对,验证模型的功效;
第四步为基于安全识别模型的模拟检测与风险防范:
主要通过对储能产品安全性试验过程中大量传感数据的采集,建立模拟安全实验数据库,并将安全识别模型应用到储能产品安全性实验过程中,对可能存在的风险进行预警和防范。
进一步的,第一步中信息的来源主要侧重于以下三方面:
a、根据储能产品的种类,分别对可能其存在的安全性危害进行分类;
b、对储能产品安全性危害的原理进行分析和推导,对可能产生危害结果和程度进行预判和评估;
c、通过总结现有各类储能产品的安全性试验标准,确定实验过程中重点关注信息及数据采集方法;储能产品包括一次电池、二次电池和铅酸蓄电池。
进一步的,第一步中a步骤所述的储能产品安全性危害包括变型、泄露、击穿、起火和***。
进一步的,第二步中传感测试包括以下三种检测:
a、电流检测:通过霍尔电流传感器进行非接触式测量;
b、温度检测:通过红外热成像传感装置,对涉及电池温度变化的检测项目进行可视化传感分析,测试电池热量变化,通过红外热成像图,直观区分电池不同部位的热量变化,避免因测温点不同引起的检测结果差别;
c、结构形态变化:针对各种涉及电池物理形态变化的重物冲击、振动、碰撞、自由跌落、挤压电芯检测项目,采用X射线、超声波传感检测,通过成像设备将传感信号转换为电池的内外部物理结构形貌,通过连续传感数据采集转换,分析各种检测项目过程中电池的物理结构形貌变化,从而判断其安全性能。
进一步的,第二步中a步骤所述的霍尔传感器前加入一级放大电路,实现对不同类型及容量电池的传感检测。
进一步的,第三步中数据处理方法主要包括内容:
a、通过以储能产品特征,参数,及安全性实验过程中安全因子作为模型输入向量,运用3层反向传播人工神经网络方法,对2007-2012年天津局工业品中心机电实验室的大量电池安全性检测试验数据进行训练和验证,经过SAS软件进行大量迭代运算,建立储能产品的材质、技术参数、各类安全因子对其安全性能影响的数据模型;
b、引入相关向量机,基于连续稀疏贝叶斯学习算法建立相应的安全识别模型;
c、为处理为实时动态测量数据的传感数据,对数据中的时间相关性,引入隐马尔科夫模型及线性动态***,使用Viterbi算法建立即时传感数据对于安全性影响的智能模型;
d、为进一步验证上述三个模型的可靠性,运用传统的k-折叠交叉验证验证方法对上述模型可靠性进行验证,选取误差最小的模型作为安全因子对储能产品安全性影响的数据模型;
e、通过大量实验验证,进一步比较模型预测结果与实际结果的一致性,评估模型功效,完善模型的准确性。
相对于现有技术,本发明所述的储能产品的安全性能评价方法具有以下优势:
对储能产品如铅酸蓄电池,二次动力锂电池,燃料电池的重点安全因子进行调研和筛选,利用多种新型传感检测技术,高灵敏实时地采集不同重点安全因子数据信息,并结合各类储能产品自身特性,通过对现有结果信息及传感检测信息的分析、拟合,建立针对典型储能产品的性能安全识别模型,通过模拟分析制定储能产品的安全性级别,形成性能安全识别与风险防范评价***,填补国内空白,其有益效果可应用于储能产品生产、储运和管理各个环节,以全面推动我国储能产品的开发和产业的升级换代。
具体实施方式
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
本发明主要针对电池类储能产品进行研究,主要研究对象如下
①一次电池:主要包括如普通锌锰电池,碱性锌锰电池,锌-***电池,锌-氧化银电池,锌-空气电池,锂电池(锂-二氧化锰、锂-硫化铜、锂-氟化碳、锂-二氧化硫锂-亚硫酰氯等)等,
②二次电池:主要包括锂离子电池(液态锂离子电池、聚合物锂离子电池)、镉镍电池、氢镍电池等。
③铅酸蓄电池:主要包括起动用铅酸蓄电池;动力用铅酸蓄电池;固定型阀控密封式铅酸蓄电池和其它类包括铅酸蓄电池等
本发明主要包括以下四个步骤:
第一步重点安全因子的筛选及现有安全检测结果信息采集:
主要集中在与储能相关的各类器材的安全性信息的收集整理和获取。其信息的来源主要侧重于以下几个方面:
①根据储能产品的种类,分别对其可能存在的安全性危害(如变型、泄露、击穿、起火、***等)进行分类;
②对储能产品安全性危害的原理进行分析和推导,对可能产生危害结果和程度进行预判和评估;
③通过总结现有各类储能产品的安全性试验标准,确定实验过程中重点关注信息及数据采集方法。
第二步为重点安全因子传感数据采集:
针对不同电池的重点安全因子,采取不同传感技术进行重点因子安全数据采集;用分类检测的手段针对不同安全因子进行相关产品的传感测试。
针对跌落、挤压、针刺、过度充放电等现有测试方式,采用新型传感技术(如霍尔元件电磁传感检测、红外遥感温度测试、X射线物理形貌分析、超声波损伤实时探测等),对检测目标的电流、电压、温度、形变、损伤等因子进行传感测试,提高测试精确度、量化测试结果,研究不同传感技术对电池安全性检测结果的一致性。
针对不同安全因子,拟通过不同传感检测方式建立传感检测方法:
①电流检测:通过霍尔电流传感器进行非接触式测量。根据需要可以为霍尔传感器加入一级放大电路,实现对不同类型及容量电池的传感检测。
②温度检测:通过红外热成像传感装置,对涉及电池温度变化的检测项目(如充放电测试)进行可视化传感分析,不仅测试电池热量变化,而且通过红外热成像图,直观区分电池不同部位的热量变化,避免因测温点不同引起的检测结果差别。
③结构形态变化:针对各种涉及电池物理形态变化的重物冲击、振动、碰撞、自由跌落、挤压(电芯)等检测项目,采用X射线、超声波等传感检测,通过成像设备将传感信号转换为电池的内外部物理结构形貌(如锂电池正负极位置),通过连续传感数据采集转换,分析各种检测项目过程中电池的物理结构形貌变化,从而判断其安全性能。
第三步为数据分析及安全识别模型的建立:
该阶段首先将现有安全检测的实验结果和传感数据进行处理与去噪。然后运用“人工神经网络***(artificial neural network)”、“稀疏核相关向量机(Sparse KernelRelevance Vector Machine)”、“隐马尔科夫模型(Hidden Markov Model,HMM)”、“线性动态***(Linear DynamicalSystem)”等现代数据分析方法,建立安全因子对储能产品安全性影响的数据模型。通过k-折叠交叉验证法(k-fold cross-validation)等方法对模型可靠性进行验证。利用所建立模型模拟检测分析储能产品安全性能,测试结果与现有试验方法进行比对,验证模型的“功效”。主要内容包括:
①通过以储能产品特征,参数,及安全性实验过程中安全因子作为模型输入向量,运用3层(22×5×1)反向传播(back-propagation)人工神经网络方法,对2007-2012年天津局工业品中心机电实验室的大量电池安全性检测试验数据进行训练和验证,经过SAS软件进行大量迭代运算,建立储能产品的材质、技术参数、各类安全因子对其安全性能影响的数据模型;
②由于人工神经网络***方法在模型建立过程中可能出现“过学习”及模型难以解释的问题,同时其对样本需求量较大。对此通过前期对安全因子作用原理的调研,构建合理的核方程(Kernel Function),同时为了避免训练和预测过程中的运用时间过久问题,引入相关向量机(Relevance VectorMachine),基于连续稀疏贝叶斯学习算法(SequentialSparse BayesianLearning Algorithm)建立相应的安全识别模型;
③由于传感数据多为实时动态测量数据,对数据中的时间相关性,引入隐马尔科夫模型及线性动态***(Linear Dynamical System),使用“Viterbi”算法建立即时传感数据对于安全性影响的智能模型;
④为进一步验证上述三个模型的可靠性,运用传统的k-折叠交叉验证(k-foldcross-validation)等验证方法对上述模型可靠性进行验证,选取误差最小的模型作为安全因子对储能产品安全性影响的数据模型;
⑤通过大量实验验证,进一步比较模型预测结果与实际结果的一致性,评估模型功效,完善模型的准确性。
第四步为基于安全识别模型的模拟检测与风险防范:
本阶段主要通过对储能产品安全性试验过程中大量传感数据的采集,建立模拟安全实验数据库,并将安全识别模型应用到储能产品安全性实验过程中,对可能存在的风险进行预警和防范。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种储能产品的安全性能评价方法,其特征在于:包括以下步骤:
第一步为重点安全因子的筛选及现有安全检测结果信息采集:
集中在与储能相关的各类器材的安全性信息的收集整理和获取;
第二步为重点安全因子传感数据采集:
针对不同储能产品的重点安全因子,采取不同传感技术进行重点因子安全数据采集,用分类检测的手段针对不同安全因子进行相关产品的传感测试;
第三步为数据分析及安全识别模型的建立:
该步骤首先将现有安全检测的实验结果和传感数据进行处理与去噪,然后运用现代数据分析方法,建立安全性影响的数据模型;
第四步为基于安全识别模型的模拟检测与风险防范:
通过对储能产品安全性试验过程中大量传感数据的采集,建立模拟安全实验数据库,并将安全识别模型应用到储能产品安全性实验过程中,对可能存在的风险进行预警和防范;
第三步中数据分析包括内容:
a、通过以储能产品特征,参数,及安全性实验过程中安全因子作为模型输入向量,运用3层反向传播人工神经网络方法,对检测试验数据进行训练和验证,经过SAS软件进行大量迭代运算,建立储能产品的材质、技术参数、各类安全因子对其安全性能影响的数据模型;
b、引入相关向量机,基于连续稀疏贝叶斯学习算法建立相应的安全识别模型;
c、为处理为实时动态测量数据的传感数据,对数据中的时间相关性,引入隐马尔科夫模型及线性动态***,使用Viterbi算法建立即时传感数据对于安全性影响的智能模型;
d、为进一步验证上述数据模型、安全识别模型以及隐马尔科夫模型的可靠性,运用传统的k-折叠交叉验证验证方法对上述数据模型、安全识别模型以及隐马尔科夫模型可靠性进行验证,选取误差最小的模型作为安全因子对储能产品安全性影响的数据模型;
e、通过大量实验验证,进一步比较模型预测结果与实际结果的一致性,评估模型功效,完善模型的准确性。
2.根据权利要求1所述的储能产品的安全性能评价方法,其特征在于:第一步中信息的来源主要侧重于以下三方面:
a、根据储能产品的种类,分别对可能其存在的安全性危害进行分类;
b、对储能产品安全性危害的原理进行分析和推导,对可能产生危害结果和程度进行预判和评估;
c、通过总结现有各类储能产品的安全性试验标准,确定实验过程中重点关注信息及数据采集方法。
3.根据权利要求2所述的储能产品的安全性能评价方法,其特征在于:第一步中a步骤所述的储能产品安全性危害包括变型、泄露、击穿、起火和***。
4.根据权利要求1所述的储能产品的安全性能评价方法,其特征在于:第二步中传感测试包括以下三种检测:
a、电流检测:通过霍尔电流传感器进行非接触式测量;
b、温度检测:通过红外热成像传感装置,对涉及储能产品温度变化的检测项目进行可视化传感分析,测试储能产品热量变化,通过红外热成像图,直观区分储能产品不同部位的热量变化,避免因测温点不同引起的检测结果差别;
c、结构形态变化:针对各种涉及储能产品物理形态变化的重物冲击、振动、碰撞、自由跌落、挤压电芯检测项目,采用X射线、超声波传感检测,通过成像设备将传感信号转换为储能产品的内外部物理结构形貌,通过连续传感数据采集转换,分析各种检测项目过程中储能产品的物理结构形貌变化,从而判断其安全性能。
5.根据权利要求4所述的储能产品的安全性能评价方法,其特征在于:第二步中a步骤所述的霍尔电流传感器前加入一级放大电路,实现对不同类型及容量储能产品的传感检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611091455.4A CN106557637B (zh) | 2016-12-01 | 2016-12-01 | 一种储能产品的安全性能评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611091455.4A CN106557637B (zh) | 2016-12-01 | 2016-12-01 | 一种储能产品的安全性能评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106557637A CN106557637A (zh) | 2017-04-05 |
CN106557637B true CN106557637B (zh) | 2020-07-17 |
Family
ID=58445549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611091455.4A Expired - Fee Related CN106557637B (zh) | 2016-12-01 | 2016-12-01 | 一种储能产品的安全性能评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106557637B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472516A (zh) * | 2018-11-27 | 2019-03-15 | 广州中国科学院工业技术研究院 | 动力电池***火灾风险检测方法、装置及计算机设备 |
CN110228450B (zh) * | 2019-06-06 | 2020-11-13 | 浙江吉利控股集团有限公司 | 一种电动汽车安全管理***及方法 |
CN112729700B (zh) * | 2019-10-28 | 2023-09-12 | 无锡新迪新能源车业有限公司 | 一种锂电池组快速检测装置 |
CN111006834A (zh) * | 2019-12-24 | 2020-04-14 | 汕头大学 | 一种基于传感器信号实时监测评估电池碰撞损伤的方法 |
CN116150566B (zh) * | 2023-04-20 | 2023-07-07 | 浙江浙能迈领环境科技有限公司 | 船舶燃料供应安全监测***及其方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8423484B2 (en) * | 2009-01-23 | 2013-04-16 | Oxfordian, Llc | Prognostics and health management method for aging systems |
CN101739511A (zh) * | 2009-12-16 | 2010-06-16 | 南京信息工程大学 | 一种减排林生态***安全评价方法 |
CN102062842B (zh) * | 2010-12-28 | 2012-10-03 | 天津出入境检验检疫局工业产品安全技术中心 | 质子交换膜燃料电池安全性能测试方法及装置 |
CN103186575B (zh) * | 2011-12-29 | 2016-04-06 | 无锡物联网产业研究院 | 一种传感数据的聚类分析方法和*** |
CN104881587A (zh) * | 2015-06-16 | 2015-09-02 | 北京亿利智慧能源科技有限公司 | 一种电动汽车充电机性能评价方法 |
-
2016
- 2016-12-01 CN CN201611091455.4A patent/CN106557637B/zh not_active Expired - Fee Related
Non-Patent Citations (1)
Title |
---|
Skill Evaluation of Human Operators in Partly Automated Mobile Working Machines;Kalevi Tervo等;《IEEE Transactions on Automation Science and Engineering 》;20090818;第133-142页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106557637A (zh) | 2017-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106557637B (zh) | 一种储能产品的安全性能评价方法 | |
Yang et al. | Review on state-of-health of lithium-ion batteries: Characterizations, estimations and applications | |
Yao et al. | A novel intelligent method for fault diagnosis of electric vehicle battery system based on wavelet neural network | |
Song et al. | Remaining life prediction of lithium-ion batteries based on health management: A review | |
Yu et al. | Challenges and outlook for lithium-ion battery fault diagnosis methods from the laboratory to real world applications | |
CN106153732B (zh) | 锂离子电池内部无损检测方法及该电池健康状态检测方法 | |
CN109604186A (zh) | 动力电池性能柔性评估分选方法 | |
CN111308355A (zh) | 基于深度学习的变电站蓄电池状态检测分析方法 | |
CN115166563B (zh) | 一种动力电池老化状态评估与退役筛选方法及*** | |
CN106814320B (zh) | 一种磷酸铁锂动力电池循环寿命预测*** | |
CN104849403B (zh) | 监测锂离子电池膨胀的方法 | |
CN104502844A (zh) | 一种基于交流阻抗的动力锂电池劣化程度诊断方法 | |
CN102221675A (zh) | 基于模式识别技术的蓄电池容量判断方法 | |
CN114280479A (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
CN101738998A (zh) | 一种基于局部判别分析的工业过程监测***及方法 | |
CN115542099A (zh) | 一种在线gis局部放电检测方法和装置 | |
CN109615273A (zh) | 一种电动汽车充电设施状态评价方法与*** | |
CN105954695A (zh) | 一种基于同步的同质传感器突变参数识别方法与装置 | |
Liu et al. | Online diagnosis and prediction of power battery voltage comprehensive faults for electric vehicles based on multi-parameter characterization and improved K-means method | |
Chernov et al. | Intelligent decision support for power grids using deep learning on small datasets | |
CN117554821A (zh) | 基于深度学习网络的储能电池在线监测管理方法及*** | |
CN117007977A (zh) | 一种储能电池健康状态诊断方法 | |
CN104504265A (zh) | 一种在役桥梁监测信息安全评估的方法 | |
Liu et al. | Prediction method for battery self-discharge voltage drop based on pre-classifier | |
Haiying et al. | Research on the consistency of the power battery based on multi-points impedance spectrum |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200717 Termination date: 20201201 |