CN116154900B - 一种电池储能电站的主动安全三级防控***及方法 - Google Patents
一种电池储能电站的主动安全三级防控***及方法 Download PDFInfo
- Publication number
- CN116154900B CN116154900B CN202310013840.0A CN202310013840A CN116154900B CN 116154900 B CN116154900 B CN 116154900B CN 202310013840 A CN202310013840 A CN 202310013840A CN 116154900 B CN116154900 B CN 116154900B
- Authority
- CN
- China
- Prior art keywords
- battery
- short circuit
- fault
- micro
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000002265 prevention Effects 0.000 title claims abstract description 58
- 238000004146 energy storage Methods 0.000 title claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 78
- 238000010223 real-time analysis Methods 0.000 claims abstract description 9
- 238000007600 charging Methods 0.000 claims description 59
- 238000003745 diagnosis Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013450 outlier detection Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000036541 health Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000013499 data model Methods 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000010277 constant-current charging Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000012495 reaction gas Substances 0.000 claims description 3
- 238000007086 side reaction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 22
- 238000007726 management method Methods 0.000 abstract description 11
- 238000007689 inspection Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 15
- 210000004027 cell Anatomy 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 208000032953 Device battery issue Diseases 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 210000001787 dendrite Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002900 effect on cell Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
- H02J7/00309—Overheat or overtemperature protection
-
- 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
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Power Engineering (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
Abstract
本发明提供一种电池储能电站的主动安全三级防控方法及***，涉及储能电站安全防控技术领域。以克服现有技术中电池管理***BMS及定期检修等方面存在的固有问题。该方法包括：基于电池运行数据进行实时分析，以对电池故障风险源进行在线识别；对电池微短路故障和电池异常衰竭故障进行早期预警；对电池热失控故障进行提前预警。所述电池储能电站的主动安全三级防控***应用于电池储能电站的主动安全三级防控方法。
Description
技术领域
本发明涉及储能电站安全防控技术领域，尤其涉及一种电池储能电站的主动安全三级防控方法及***。
背景技术
针对储能电站安全防控领域，安全问题已成为电池储能电站大规模应用的首要技术障碍。在运行监控方面，现有技术中针对已投运的储能电站多依靠电池管理***(BMS)对电池进行简单的状态评估，但由于BMS计算能力不足，存储空间有限，不具备储能安全状态评估及早期故障预警能力，且BMS本身存在失效风险，不足以保障电站的安全运行。在运行维护方面，国内目前普遍采用被动的定期检修策略，而电池从出现故障征兆到发生热失控之间往往只有数十到数百小时的时间，采用定期检修的方式难以及时发现劣化电池，最终可能导致安全事故的发生。
发明内容
为解决上述技术问题，本发明提供一种电池储能电站的主动安全三级防控方法及***，基于三级防控方法及***，克服现有技术中电池管理***BMS及定期检修等方面存在的固有问题。
本发明提供一种电池储能电站的主动安全三级防控方法，该方法包括：
步骤S1：基于电池运行数据进行实时分析，以对电池故障风险源进行在线识别；
步骤S2：对电池微短路故障和电池异常衰竭故障进行早期预警；
步骤S3：对电池热失控故障进行提前预警。
优选地，所述步骤S2包括：
步骤S2.1：基于电池运行数据进行特征提取，根据提取的特征，基于离群点检测和特征演化分析相结合的方法识别电池微短路故障，并基于微短路电池的内短路电阻进行分级预警；
步骤S2.2：基于电池运行数据提取反映电池健康状态的多维特征量，基于机理模型和数据模型构建电池异常衰竭识别算法，以在线识别异常衰竭电池，并基于异常衰竭电池的运行数据进行工程化的故障诊断。
优选地，所述步骤S2.1中基于离群点检测和特征演化分析相结合的方法识别电池微短路故障，并基于微短路电池的内短路电阻进行分级预警，包括：
步骤S2.11：将最先达到充电截止电压单体电池的电压曲线作为基准，计算单体电池剩余充电时间：Δtn，j＝tn，j-tn，0，其中，tn，0是首次充电的充电时间，tn，j是第j次充电的充电时间；
步骤S2.12：根据单体电池剩余充电时间，计算相邻单体电池两次充电的相对充电时间，公式为：其中，Δtn，j是第n个单体电池的剩余充电时间，Δtn-1，j是第n-1个单体电池的剩余充电时间；
步骤S2.13：统计相邻单体电池两次充电的相对充电时间Kn-n-1，j值异常的单体电池，计算异常的单体电池直流内阻，计算公式为：其中，Ik为充电电流，Uz-k，j及U1-k，j分别为异常的单体电池两侧的电压；
步骤S2.14：根据直流内阻Rk，j对异常的单体电池进行微短路故障识别，若相邻单体电池两次充电的相对充电时间Kn-n-1，j值异常且重复次数最多同时不存在直流内阻Rk，j异常，则判断异常的单体电池出现微短路故障；
步骤S2.15：计算微短路单体电池的剩余充电容量，计算公式为： 其中，I为充电电流，t1为电池组的充电结束时间，Δt为微短路单体电池的剩余充电时间；
步骤S2.16：计算微短路单体电池的漏电流，计算公式为：其中，CRC，n是第n次充电结束时，微短路单体电池的剩余充电容量，CRC，n-1是第n-1次充电结束时，微短路单体电池的剩余充电容量，Tn是第n次充电结束的时间，Tn-1是第n-1次充电结束的时间；
步骤S2.17：计算微短路单体电池的内短路电阻，计算公式为： 其中，UM是平均电压，Inf代表无穷大；
步骤S2.18：判断微短路单体电池的内短路电阻，
若内短路电阻大于10Ω，则进行1级报警；
若内短路电阻大于1Ω且小于10Ω，则进行2级报警；
若内短路电阻大于0.1Ω且小于1Ω，则进行3级报警；
若内短路电阻小于0.1Ω，则判定为电池热失控故障。
优选地，所述步骤S2.2包括：
步骤S2.21：利用递推最小二乘法在线估计单体电池内阻变化，计算单体电池内阻增加速率及特定SOC下开路电压变化率，采用恒流充电数据计算单体电池增量容量IC曲线，分析提取主峰值的变化特征量；
步骤S2.22:将内阻增加速率、开路电压变化率及主峰值的变化特征量作为电池异常衰竭的第一联合特征参数，将实际测量数据转换到故障特征空间，通过对电池特定故障模式下的仿真和实验数据的分析，提取电池故障特征；
步骤S2.23：采用模糊推理方法进行电池故障诊断，将电池故障特征的输入模糊化分类后与诊断决策规则库结合，通过规则做出决策再映射到故障诊断的输出变量，以在线识别异常衰竭电池，并基于异常衰竭电池的运行数据进行工程化的故障诊断。
优选地，所述步骤S2.23包括：
a、明确输入输出变量的论域和隶属度函数，根据对仿真和实验数据故障机理分析的结果建立故障特征向量与故障模式的联系；
b、根据电池实际运行数据在线计算故障特征向量，借助输入隶属度函数确定当前工况下电池特性出现各种故障的隶属度；
c、采用模糊诊断方法进行去模糊化，得到当前状态下发生各种故障的概率值；
d、基于预设的概率阈值判断电池是否发生异常衰竭故障。
优选地，所述步骤S3包括：
步骤S3.1：将电池短路是否发生、电池是否急剧升温、是否监测到热失控副反应产气数据作为第二联合特征参数；
步骤S3.2：利用热失控历史数据、实验数据训练机器学习模型，获得训练好的机器学习模型；
步骤S3.3：利用训练好的机器学习模型对第二联合特征参数进行判断，以实现对电池热失控故障提前预警。
与现有技术相比，本发明所提供的一种电池储能电站的主动安全三级防控方法具有如下有益效果：基于电池运行数据进行实时分析，以对电池故障风险源进行在线识别；对电池微短路故障和电池异常衰竭故障进行早期预警；对电池热失控故障进行提前预警。本发明通过对电池的健康状态进行实时评估，并对电站***进行主动安全三级预警。大大降低储能电站发生严重燃爆事故的风险，提高储能电站运维管理的效率。
本发明还提供一种电池储能电站的主动安全三级防控***，该***包括：
第一级防控模块，用于基于电池运行数据进行实时分析，以对电池故障风险源进行在线识别；
第二级防控模块，用于对电池微短路故障和电池异常衰竭故障进行早期预警；
第三级防控模块，用于对电池热失控故障进行提前预警。
优选地，所述第二级防控模块包括：
微短路单元：用于基于电池运行数据进行特征提取，根据提取的特征，基于离群点检测和特征演化分析相结合的方法识别电池微短路故障，并基于微短路电池的内短路电阻进行分级预警；
异常衰竭单元：用于基于电池运行数据提取反映电池健康状态的多维特征量，基于机理模型和数据模型构建电池异常衰竭识别算法，以在线识别异常衰竭电池，并基于异常衰竭电池的运行数据进行工程化的故障诊断。
与现有技术相比，本发明提供的一种电池储能电站的主动安全三级防控***的有益效果与上述技术方案所述一种电池储能电站的主动安全三级防控方法的有益效果相同，在此不做赘述。
本发明还提供一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任一项所述的一种电池储能电站的主动安全三级防控方法中的步骤。
与现有技术相比，本发明提供的电子设备的有益效果与上述技术方案所述一种电池储能电站的主动安全三级防控方法的有益效果相同，在此不做赘述。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的一种电池储能电站的主动安全三级防控方法中的步骤。
与现有技术相比，本发明提供的计算机可读存储介质的有益效果与上述技术方案所述一种电池储能电站的主动安全三级防控方法的有益效果相同，在此不做赘述。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了实施例一所提供的一种电池储能电站的主动安全三级防控方法流程图；
图2示出了现有技术中采用BMS对电池进行状态评估的示意图；
图3示出了实施例一所提供的离群点检测和特征演化分析示意图；
图4示出了实施例一所提供的电池微短路和电池异常衰竭识别示意图；
图5示出了实施例一所提供的三级防控下事故风险逐步降低的示意图；
图6示出了实施例二所提供的三级预警界面示意图；
图7示出了实施例二所提供的三级防控***软件架构示意图；
图8示出了实施例二所提供的智能检修界面示意图；
图9示出了实施例二所提供的设备日常巡检流程图；
图10示出了实施例二所提供的巡检路径导航示意图；
图11示出了实施例三所提供的一种电池储能电站的主动安全三级防控***的结构示意图。
具体实施方式
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
本实施例中提到的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况。“示例性的”或者“例如”等词用于表示作例子、例证或说明，旨在以具体方式呈现相关概念，不应被解释为比其他实施例或设计方案更优选或更具优势。
实施例一
图1示出了本发明实施例所提供的一种电池储能电站的主动安全三级防控方法流程图，如图1所示，该方法包括：
步骤S1：基于电池运行数据进行实时分析，以对电池故障风险源进行在线识别。
应理解，作为第一级防控，该阶段电池尚未损坏，但***中存在一些安全隐患，如电池组不一致性过大、电池管理***SOC误差过大、绝缘老化等，因此需要及时排除这些安全隐患以避免发生电池损坏。
现有储能电站通常依靠电池管理***BMS对电池进行管理，图2示出了现有技术中采用BMS对电池进行状态评估的示意图，如图2所示，BMS并不总是可靠，会存在SOC评估不准、继电器失效、均衡失效、电流检测失效、电压检测失效等一系列问题。
本发明实施例对电池故障风险源的识别，主要基于储能电站的海量运行数据实现。具体地，通过对全站电池运行数据的实时分析，及时识别电池故障风险源，并针对不同故障隐患推送相应的维护措施建议。
步骤S2：对电池微短路故障和电池异常衰竭故障进行早期预警。
应理解，作为第二级防控，电池微短路故障和电池异常衰竭故障属于两类缓类型的电池故障。
所述步骤S2包括：
步骤S2.1：基于电池运行数据进行特征提取，根据提取的特征，基于离群点检测和特征演化分析相结合的方法识别电池微短路故障，并基于微短路电池的内短路电阻进行分级预警。
可以理解的是，电池微短路故障是诱发电池热失控的重要原因。微短路往往由电芯内部枝晶引发，在早期对电池性能影响不大，但经过缓慢的发展很可能会演化成热失控。
如图3所示，针对电池微短路故障，本发明实施例提供一种电池内短路特征提取方法，该方法基于电池运行数据进行特征提取，根据提取的特征，采用基于离群点检测和特征演化分析相结合的方法识别电池微短路故障；同时提出基于漏电流的内短路电阻估算方法，实现对内短路严重程度的定量评估，并进行分级预警。具体流程为：
步骤S2.11：将最先达到充电截止电压单体电池的电压曲线作为基准，获取并计算单体电池剩余充电时间：Δtn，j＝tn，j-tn，0，其中，tn，0是首次充电的充电时间，tn，j是第j次充电的充电时间；
步骤S2.12：根据单体电池剩余充电时间，计算相邻单体电池两次充电的相对充电时间，公式为：其中，Δtn，j是第n个单体电池的剩余充电时间，Δtn-1，j是第n-1个单体电池的剩余充电时间；
步骤S2.13：统计相邻单体电池两次充电的相对充电时间Kn-n-1，j值异常的单体电池，计算异常的单体电池直流内阻，计算公式为：其中，Ik为充电电流，Uz-k，j及U1-k，j分别为异常的单体电池两侧的电压。
应理解，相邻单体电池两次充电的相对充电时间Kn-n-1，j值异常的原因一般为微短路或内阻较大。所以需要根据直流内阻Rk，j做进一步的分析。
步骤S2.14：由于微短路单体的相对充电时间随着充电次数的增加而延长，因而电池包中发生微短路的单体电池Kn-n-1，j值会大于其它正常单体电池。同时，内阻较大的单体电池由于每次充电时间存在波动，导致充电结束时电压波动较大，从而使得单体电池的Kn-n-1，j值增大，可根据单体电池的一致性并结合直流内阻Rk，j对Kn-n-1，j值的影响，对异常的单体电池进行微短路故障识别。若相邻单体电池两次充电的相对充电时间Kn-n-1，j值异常，且异常值出现次数多，同时不存在直流内阻Rk，j异常，表明相对充电时间异常不是由直流内阻异常引发，则判断异常的单体电池出现微短路故障。
应理解，这里的直流内阻Rk，j异常可以是直流内阻Rk，j一致性较好。
步骤S2.15：计算微短路单体电池的剩余充电容量，计算公式为： 其中，I为充电电流，t1为电池组的充电结束时间，Δt为微短路单体电池的剩余充电时间。
步骤S2.16：计算微短路单体电池的漏电流，计算公式为：其中，CRC，n是第n次充电结束时，微短路单体电池的剩余充电容量，CRC，n-1是第n-1次充电结束时，微短路单体电池的剩余充电容量，Tn是第n次充电结束的时间，TU-1是第n-1次充电结束的时间。
步骤S2.17：计算微短路单体电池的内短路电阻，计算公式为： 其中，UM是平均电压，Inf代表无穷大。
步骤S2.18：判断微短路单体电池的内短路电阻，
若内短路电阻大于10Ω，则进行1级报警；
若内短路电阻大于1Ω且小于10Ω，则进行2级报警；
若内短路电阻大于0.1Ω且小于1Ω，则进行3级报警；
若内短路电阻小于0.1Ω，则判定为电池热失控故障。
步骤S2.2：基于电池运行数据提取反映电池健康状态的多维特征量，基于机理模型和数据模型构建电池异常衰竭识别算法，以在线识别异常衰竭电池，并基于异常衰竭电池的运行数据进行工程化的故障诊断。
应理解，电池在正常情况下的老化过程非常缓慢，但在特定条件下某些劣化电池会加速衰减，原因包括电芯内部压力不均匀分布、负极析锂等。
如图4所示，本发明实施例基于电池运行数据提取反映电池健康状态的多维特征量，基于机理模型和数据模型构建电池异常衰竭识别算法，以在线识别异常衰竭电池，并基于异常衰竭电池的运行数据进行工程化的故障诊断。具体流程为：
步骤S2.21：利用递推最小二乘法在线估计单体电池内阻变化，计算单体电池内阻增加速率及特定SOC下开路电压变化率，采用恒流充电数据计算单体电池增量容量IC曲线，分析提取主峰值的变化特征量。
步骤S2.22:将内阻增加速率、开路电压变化率及IC主峰值的变化特征量作为电池异常衰竭的第一联合特征参数，将实际测量数据转换到故障特征空间，通过对电池特定故障模式下的仿真和实验数据的分析，进行电池故障特征的挖掘和提取。
步骤S2.23：采用模糊推理方法进行电池故障诊断，将电池故障特征的输入模糊化分类后与诊断决策规则库结合，通过规则做出决策再映射到故障诊断的输出变量，以在线识别异常衰竭电池，并基于异常衰竭电池的运行数据进行工程化的故障诊断。
应理解，由于电池个体的差异，第一联合特征参数的变化量不尽相同，会在一个数值区间内浮动，难以采用基于阈值的二值逻辑界定是否发生电池异常衰竭。为了解决这个问题，本发明实施例采用模糊推理方法进行电池故障诊断，将电池故障特征的输入模糊化分类后直接与诊断决策规则库结合，通过规则做出决策再映射到故障诊断的输出变量，以在线识别异常衰竭电池，并基于异常衰竭电池的运行数据进行工程化的故障诊断。具体流程为：
a、明确输入输出变量的论域和隶属度函数，根据对仿真和实验数据故障机理分析的结果建立故障特征向量与故障模式的联系；
b、根据电池实际运行数据在线计算故障特征向量，借助输入隶属度函数确定当前工况下电池特性出现各种故障的隶属度，即评价当前故障特征向量的变化程度；
c、采用模糊诊断方法进行去模糊化，得到当前状态下发生各种故障的概率值；
d、基于给定的概率阈值，例如95％，判断电池是否发生异常衰竭。
本发明实施例提供的第二级防控通过对电池微短路故障和电池异常衰竭故障进行早期预警，可以及早发现劣化电池并及时更换可避免发生热失控。
步骤S3：对电池热失控故障进行提前预警。
应理解，第三级防控主要针对突变型的电池故障。通过对电芯“电压-温度”提取联合特征，采用模式识别的方法把热失控发生前的异常征兆识别出来，进而可通过提前采取相应的措施，避免热失控的蔓延和事故扩大。
具体地，所述步骤S3包括：
步骤S3.1：将电池内短路是否发生、电池是否出现急剧升温、是否监测到热失控副反应产气等数据作为第二联合特征参数。
步骤S3.2：利用热失控历史数据、实验数据等训练机器学习模型，获得训练好的机器学习模型。
步骤S3.3：利用训练好的机器学习模型对第二联合特征参数进行判断，以实现对电池热失控故障提前预警，应理解，提前预警的时间尺度为数十秒。
与现有的BMS及定期检修等相比，本发明实施例通过监测评估电池的运行状态，对***的早期故障进行识别和三级预警。图5示出了三级防控预警的示意图，如图5所示，从左到右，依次为第一级防控、第二级防控和第三级防控。具体地，如图5所示，第一级防控是故障风险源在线识别，是电池未损坏时，通过及时排除风险源可避免发生电池损坏，属于排除外部风险隐患；第二级防控是电池故障早期预警，是在线识别电池微短路和电池异常衰竭，通过对劣化电池及时更换可避免发生热失控，属于排除电池早期故障；第三级防控是热失控提前预警，是在热失控发生之前，通过提前预警可及时启动主动热管理***，属于为了避免事故进一步扩大。通过三级防控预警可以采取有针对性的维护措施，把可能造成严重事故的风险因素扼杀在摇篮里。大大降低储能电站发生严重燃爆事故的风险，提高储能电站的主动安全，提高储能电站运维管理的效率。
实施例二
以应用三级防控体系的清华四川能源互联网研究院电池储能电站主动安全及智能运维***为例。目前该智能运维***已在北京、河北、江苏等地多个储能电站落地应用，大大降低了储能电站发生严重燃爆事故的风险，提高了储能电站运维管理的效率。
具体地，图6示出了实施例二提供的三级预警界面示意图，如图6所示，该运维***采用实时大数据处理架构，可以对电池的健康状态进行实时评估，并对电站***进行主动安全三级预警。在此基础上，该***可为电站运维提供智能化的辅助服务，包括检修周期优化、劣化单元定位、检修操作推荐、检修记录生成等，支撑电站的主动运维。
图7示出了实施例二所提供的三级防控***软件架构示意图。如图7所示，从三级防控***软件架构图可以看出，三级防控***以采集***及外部监控***获取的海量大数据为基础，通过业务中台与核心算法可实现一系列功能。
图8示出了实施例二所提供的智能检修界面示意图。如图8所示，智能运检***兼容国网PMS***，生成具体的检修任务，将检修任务以表格形式推送到智能运检终端，辅助运检人员实施检修。例如采用二维码标签实现防止电池更换管理的误操作，保证更换电池信息快速准确地录入。
图9示出了实施例二所提供的设备日常巡检流程图。如图9所示，智能运检***具备设备日常巡检功能，该功能主要用于无纸化的巡检任务的交互执行，便于巡检制定人员制定巡检计划，并通过移动终端以及设备二维码的方式便于巡检执行人员执行巡检任务，及时记录发现的设备问题，并将该设备问题记录到巡检记录中。
图10示出了实施例二所提供的巡检路径导航示意图。如图10所示，在巡检过程中，制定科学合理的巡检路径不仅可以极大地提高巡检效率，还可以避免出现误操作。储能电站具有占地范围较广、元器件数量大等特点，使得设备故障定位存在困难。集装箱中电池模组的外观尺寸一致，极容易混淆。智能运检***将对全站电池模组和电池管理***等设备部署二维码标签，实现设备标识统一编码。以二维码标签为入口，可以在移动终端上快速打开该设备的信息。智能运检***可以在应用故障专家诊断功能过程中结合二维码设备标签，实现设备快速定位、历史信息读取、故障根本原因分析、智能运检决策等。
实施例三
图11示出了本发明实施例三提供的一种电池储能电站的主动安全三级防控***的结构示意图，如图11所示，该***包括：
第一级防控模块1，用于基于电池运行数据进行实时分析，以对电池故障风险源进行在线识别；
第二级防控模块2，用于对电池微短路故障和电池异常衰竭故障进行早期预警；
第三级防控模块3，用于对电池热失控故障进行提前预警。
优选地，所述第二级防控模块2包括：
微短路单元：用于基于电池运行数据进行特征提取，根据提取的特征，基于离群点检测和特征演化分析相结合的方法识别电池微短路故障，并基于微短路电池的内短路电阻进行分级预警；
异常衰竭单元：用于基于电池运行数据提取反映电池健康状态的多维特征量，基于机理模型和数据模型构建电池异常衰竭识别算法，以在线识别异常衰竭电池，并基于异常衰竭电池的运行数据进行工程化的故障诊断。
与现有技术相比，本发明实施例提供的一种电池储能电站的主动安全三级防控***的有益效果与上述技术方案所述一种电池储能电站的主动安全三级防控方法的有益效果相同，在此不做赘述。
此外，本发明实施例还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述一种电池储能电站的主动安全三级防控方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
此外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种电池储能电站的主动安全三级防控方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
计算机可读存储介质包括：永久性和非永久性、可移动和非可移动媒体，是可以保留和存储供指令执行设备所使用指令的有形设备。计算机可读存储介质包括：电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备以及上述任意合适的组合。计算机可读存储介质包括：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带存储、磁带磁盘存储或其他磁性存储设备、记忆棒、机械编码装置(例如在其上记录有指令的凹槽中的穿孔卡或凸起结构)或任何其他非传输介质、可用于存储可以被计算设备访问的信息。按照本发明实施例中的界定，计算机可读存储介质不包括暂时信号本身，例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如穿过光纤电缆的光脉冲)或通过导线传输的电信号。
在本申请所提供的几个实施例中，应该理解到，所披露的装置、电子设备和方法，可以通过其他的方式实现。例如，以上描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的、机械的或其他的形式连接。
所述作为分离部件说明的单元可以是或也可以不是物理上分开的，作为单元显示的部件可以是或也可以不是物理单元，既可以位于一个位置，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或全部单元来解决本发明实施例方案要解决的问题。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术作出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(包括：个人计算机、服务器、数据中心或其他网络设备)执行本发明各个实施例所述方法的全部或部分步骤。而上述存储介质包括如前述所列举的各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换的技术方案，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种电池储能电站的主动安全三级防控方法，其特征在于，包括：
步骤S1：基于电池运行数据进行实时分析，以对电池故障风险源进行在线识别；
步骤S2：对电池微短路故障和电池异常衰竭故障进行早期预警；
步骤S3：对电池热失控故障进行提前预警；
所述步骤S2包括：
步骤S2.1：基于电池运行数据进行特征提取，根据提取的特征，基于离群点检测和特征演化分析相结合的方法识别电池微短路故障，并基于微短路电池的内短路电阻进行分级预警；
步骤S2.2：基于电池运行数据提取反映电池健康状态的多维特征量，基于机理模型和数据模型构建电池异常衰竭识别算法，以在线识别异常衰竭电池，并基于异常衰竭电池的运行数据进行工程化的故障诊断，判断发生故障的具体部位及故障类型；
所述步骤S2.1中基于离群点检测和特征演化分析相结合的方法识别电池微短路故障，并基于微短路电池的内短路电阻进行分级预警，包括：
步骤S2.11：将最先达到充电截止电压单体电池的电压曲线作为基准，计算单体电池剩余充电时间：Δtn,j＝tn,j-tn,0，其中，tn,0是首次充电的充电时间，tn,j是第j次充电的充电时间；
步骤S2.12：根据单体电池剩余充电时间，计算相邻单体电池两次充电的相对充电时间，公式为：其中，Δtn,j是第n个单体电池的剩余充电时间，Δtn-1,j是第n-1个单体电池的剩余充电时间；
步骤S2.13：统计相邻单体电池两次充电的相对充电时间Kn-n-1,j值异常的单体电池，计算异常的单体电池直流内阻，计算公式为：其中，Ik为充电电流，Uz-k,j及U1-k,j分别为异常的单体电池两侧的电压；
步骤S2.14：根据直流内阻Rk,j对异常的单体电池进行微短路故障识别，若相邻单体电池两次充电的相对充电时间Kn-n-1,j值异常且重复次数最多同时不存在直流内阻Rk,j异常，则判断异常的单体电池出现微短路故障；
步骤S2.15：计算微短路单体电池的剩余充电容量，计算公式为：其中，I为充电电流，t1为电池组的充电结束时间，Δt为微短路单体电池的剩余充电时间；
步骤S2.16：计算微短路单体电池的漏电流，计算公式为：其中，CRC,n是第n次充电结束时，微短路单体电池的剩余充电容量，CRC,n-1是第n-1次充电结束时，微短路单体电池的剩余充电容量，Tn是第n次充电结束的时间，Tn-1是第n-1次充电结束的时间；
步骤S2.17：计算微短路电池的内短路电阻，计算公式为：其中，UM是平均电压，Inf代表无穷大；
步骤S2.18：判断微短路电池的内短路电阻，
若内短路电阻大于10Ω，则进行1级报警；
若内短路电阻大于1Ω且小于10Ω，则进行2级报警；
若内短路电阻大于0.1Ω且小于1Ω，则进行3级报警；
若内短路电阻小于0.1Ω，则判定为电池热失控故障。
2.根据权利要求1所述的一种电池储能电站的主动安全三级防控方法，其特征在于，
所述步骤S2.2包括：
步骤S2.21：利用递推最小二乘法在线估计电池内阻变化,计算电池内阻增加速率及特定SOC下开路电压变化率，采用恒流充电数据计算电池增量容量IC曲线，分析提取主峰值的变化特征量；
步骤S2.22:将内阻增加速率、开路电压变化率及主峰值的变化特征量作为电池异常衰竭的第一联合特征参数，将实际测量数据转换到故障特征空间，通过对电池特定故障模式下的仿真和实验数据的分析，提取电池故障特征；
步骤S2.23：采用模糊推理方法进行电池故障诊断，将电池故障特征的输入模糊化分类后与诊断决策规则库结合，通过规则做出决策再映射到故障诊断的输出变量，以在线识别异常衰竭电池，并基于异常衰竭电池的运行数据进行工程化的故障诊断。
3.根据权利要求2所述的一种电池储能电站的主动安全三级防控方法，其特征在于，
所述步骤S2.23包括：
a、明确输入输出变量的论域和隶属度函数，根据对仿真和实验数据故障机理分析的结果建立故障特征向量与故障模式的联系；
b、根据电池实际运行数据在线计算故障特征向量，借助输入隶属度函数确定当前工况下电池特性出现各种故障的隶属度；
c、采用模糊诊断方法进行去模糊化，得到当前状态下发生各种故障的概率值；
d、基于预设的概率阈值判断电池是否发生异常衰竭故障。
4.根据权利要求1所述的一种电池储能电站的主动安全三级防控方法，其特征在于，
所述步骤S3包括：
步骤S3.1：将电池短路是否发生、电池是否急剧升温、是否监测到热失控副反应产气数据作为第二联合特征参数；
步骤S3.2：利用热失控历史数据、实验数据训练机器学习模型，获得训练好的机器学习模型；
步骤S3.3：利用训练好的机器学习模型对第二联合特征参数进行判断，以实现对电池热失控故障提前预警。
5.一种电池储能电站的主动安全三级防控***，其特征在，包括：
第一级防控模块，用于基于电池运行数据进行实时分析，以对电池故障风险源进行在线识别；
第二级防控模块，用于对电池微短路故障和电池异常衰竭故障进行早期预警；
第三级防控模块，用于对电池热失控故障进行提前预警；
所述第二级防控模块包括：
微短路单元：用于基于电池运行数据进行特征提取，根据提取的特征，基于离群点检测和特征演化分析相结合的方法识别电池微短路故障，并基于微短路电池的内短路电阻进行分级预警；
异常衰竭单元：用于基于电池运行数据提取反映电池健康状态的多维特征量，基于机理模型和数据模型构建电池异常衰竭识别算法，以在线识别异常衰竭电池，并基于异常衰竭电池的运行数据进行工程化的故障诊断；
基于离群点检测和特征演化分析相结合的方法识别电池微短路故障，并基于微短路电池的内短路电阻进行分级预警，包括：
将最先达到充电截止电压单体电池的电压曲线作为基准，计算单体电池剩余充电时间：Δtn,j＝tn,j-tn,0，其中，tn,0是首次充电的充电时间，tn,j是第j次充电的充电时间；
根据单体电池剩余充电时间，计算相邻单体电池两次充电的相对充电时间，公式为：其中，Δtn,j是第n个单体电池的剩余充电时间，Δtn-1,j是第n-1个单体电池的剩余充电时间；
统计相邻单体电池两次充电的相对充电时间Kn-n-1,j值异常的单体电池，计算异常的单体电池直流内阻，计算公式为：其中，Ik为充电电流，Uz-k,j及U1-k,j分别为异常的单体电池两侧的电压；
根据直流内阻Rk,j对异常的单体电池进行微短路故障识别，若相邻单体电池两次充电的相对充电时间Kn-n-1,j值异常且重复次数最多同时不存在直流内阻Rk,j异常，则判断异常的单体电池出现微短路故障；
计算微短路单体电池的剩余充电容量，计算公式为：其中，I为充电电流，t1为电池组的充电结束时间，Δt为微短路单体电池的剩余充电时间；
计算微短路单体电池的漏电流，计算公式为：其中，CRC,n是第n次充电结束时，微短路单体电池的剩余充电容量，CRC,n-1是第n-1次充电结束时，微短路单体电池的剩余充电容量，Tn是第n次充电结束的时间，Tn-1是第n-1次充电结束的时间；
计算微短路电池的内短路电阻，计算公式为：其中，UM是平均电压，Inf代表无穷大；
判断微短路电池的内短路电阻，
若内短路电阻大于10Ω，则进行1级报警；
若内短路电阻大于1Ω且小于10Ω，则进行2级报警；
若内短路电阻大于0.1Ω且小于1Ω，则进行3级报警；
若内短路电阻小于0.1Ω，则判定为电池热失控故障。
6.一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-4中任一项所述的一种电池储能电站的主动安全三级防控方法中的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的一种电池储能电站的主动安全三级防控方法中的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310013840.0A CN116154900B (zh) | 2023-01-05 | 2023-01-05 | 一种电池储能电站的主动安全三级防控***及方法 |
| PCT/CN2023/139023 WO2024146353A1 (zh) | 2023-01-05 | 2023-12-15 | 一种电池储能电站的主动安全三级防控***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310013840.0A CN116154900B (zh) | 2023-01-05 | 2023-01-05 | 一种电池储能电站的主动安全三级防控***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116154900A CN116154900A (zh) | 2023-05-23 |
| CN116154900B true CN116154900B (zh) | 2023-11-28 |
Family
ID=86350180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310013840.0A Active CN116154900B (zh) | 2023-01-05 | 2023-01-05 | 一种电池储能电站的主动安全三级防控***及方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116154900B (zh) |
| WO (1) | WO2024146353A1 (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116154900B (zh) * | 2023-01-05 | 2023-11-28 | 北京西清能源科技有限公司 | 一种电池储能电站的主动安全三级防控***及方法 |
| CN116488352B (zh) * | 2023-06-20 | 2023-09-12 | 北京航能绿电科技有限公司 | 用于储能电站的电路安全监测预警方法 |
| CN116500459B (zh) * | 2023-06-28 | 2023-08-29 | 中汽研汽车检验中心(常州)有限公司 | 锂电池安全性能评估方法、装置、存储介质及电子设备 |
| CN117559016B (zh) * | 2023-12-28 | 2024-04-05 | 黑龙江瑞兴科技股份有限公司 | 一种智能电池管理***及电池管理方法 |
| CN117686921B (zh) * | 2024-02-02 | 2024-05-31 | 江苏林洋亿纬储能科技有限公司 | 检测电池内短路的方法和***及计算设备 |
| CN117719345B (zh) * | 2024-02-06 | 2024-05-17 | 湖北工业大学 | 一种基于ic曲线考虑老化的电池微短路量化方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108711893A (zh) * | 2018-04-08 | 2018-10-26 | 江西优特汽车技术有限公司 | 一种动力电池热失控预警***和方法 |
| CN109991556A (zh) * | 2019-04-08 | 2019-07-09 | 洛阳理工学院 | 一种针对磷酸铁锂动力电池短期衰竭故障的诊断方法 |
| CN112014745A (zh) * | 2020-08-27 | 2020-12-01 | 洛阳理工学院 | 一种针对动力电池的三级故障诊断方法 |
| CN112924873A (zh) * | 2021-02-04 | 2021-06-08 | 上海玫克生储能科技有限公司 | 电池包微短路的在线诊断方法及*** |
| CN114417948A (zh) * | 2021-06-18 | 2022-04-29 | 重庆长安汽车股份有限公司 | 一种基于神经网络预测电池热失控的方法 |
| CN114487889A (zh) * | 2021-12-31 | 2022-05-13 | 国网江苏电力设计咨询有限公司 | 一种基于预充电流脉冲的电池内短路故障识别方法 |
| JP2022143739A (ja) * | 2021-03-18 | 2022-10-03 | アクソンデータマシン株式会社 | リチウムイオン２次電池の安全性維持制御装置 |
| CN115308617A (zh) * | 2022-06-06 | 2022-11-08 | 北京西清能源科技有限公司 | 一种锂离子电池内部短路诊断方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210099504A (ko) * | 2020-02-04 | 2021-08-12 | 삼성전자주식회사 | 배터리 시스템에서 배터리의 작동 상태를 검출하는 방법 및 시스템 |
| CN116154900B (zh) * | 2023-01-05 | 2023-11-28 | 北京西清能源科技有限公司 | 一种电池储能电站的主动安全三级防控***及方法 |
-
2023
- 2023-01-05 CN CN202310013840.0A patent/CN116154900B/zh active Active
- 2023-12-15 WO PCT/CN2023/139023 patent/WO2024146353A1/zh unknown
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108711893A (zh) * | 2018-04-08 | 2018-10-26 | 江西优特汽车技术有限公司 | 一种动力电池热失控预警***和方法 |
| CN109991556A (zh) * | 2019-04-08 | 2019-07-09 | 洛阳理工学院 | 一种针对磷酸铁锂动力电池短期衰竭故障的诊断方法 |
| CN112014745A (zh) * | 2020-08-27 | 2020-12-01 | 洛阳理工学院 | 一种针对动力电池的三级故障诊断方法 |
| CN112924873A (zh) * | 2021-02-04 | 2021-06-08 | 上海玫克生储能科技有限公司 | 电池包微短路的在线诊断方法及*** |
| JP2022143739A (ja) * | 2021-03-18 | 2022-10-03 | アクソンデータマシン株式会社 | リチウムイオン２次電池の安全性維持制御装置 |
| CN114417948A (zh) * | 2021-06-18 | 2022-04-29 | 重庆长安汽车股份有限公司 | 一种基于神经网络预测电池热失控的方法 |
| CN114487889A (zh) * | 2021-12-31 | 2022-05-13 | 国网江苏电力设计咨询有限公司 | 一种基于预充电流脉冲的电池内短路故障识别方法 |
| CN115308617A (zh) * | 2022-06-06 | 2022-11-08 | 北京西清能源科技有限公司 | 一种锂离子电池内部短路诊断方法 |
Non-Patent Citations (6)
| Title |
|---|
| Case Study of an Electric Vehicle Battery Thermal Runaway and Online Internal Short-Circuit Detection;Wei Gao;《IEEE Transactions on Power 》;全文 * |
| Electrical Analysis about internal short circuit using additional resistance in high energy lithium-ion battery;Seungyun Han;《2020 20th International Conference on Control, Automation and Systems (ICCAS)》;全文 * |
| Fault diagnosis and quantitative analysis of micro-short circuits for lithium-ion batteries in battery packs;Kong, Xiangdong;<JOURNAL OF POWER SOURCES>;全文 * |
| 刘力硕 ; 张明轩 ; 卢兰光 ; *** ; 冯旭宁 ; 郑岳久 ; 韩雪冰 ; 潘岳 ; .锂离子电池内短路机理与检测研究进展.储能科学与技术.2018,(06),全文. * |
| 动力电池性能异常衰减的原因及机理分析;陈永胜;孙焕丽;毛俊;;电源技术(04);全文 * |
| 锂离子电池内短路机理与检测研究进展;刘力硕;张明轩;卢兰光;***;冯旭宁;郑岳久;韩雪冰;潘岳;;储能科学与技术(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024146353A1 (zh) | 2024-07-11 |
| CN116154900A (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116154900B (zh) | 一种电池储能电站的主动安全三级防控***及方法 | |
| CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及*** | |
| Zhang et al. | A Wiener process model with dynamic covariate for degradation modeling and remaining useful life prediction | |
| CN111257755B (zh) | 一种预防性检测诊断电池包方法 | |
| CN110146817A (zh) | 锂电池故障的诊断方法 | |
| CN114386537B (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
| Qiu et al. | Fault diagnosis for lithium-ion battery energy storage systems based on local outlier factor | |
| CN116660759B (zh) | 基于bms电池管理***的电池寿命预测方法及装置 | |
| He et al. | Voltage abnormality-based fault diagnosis for batteries in electric buses with a self-adapting update model | |
| Wei et al. | Multi-level data-driven battery management: From internal sensing to big data utilization | |
| CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
| CN115684792A (zh) | 一种基于人工智能的电气自动化设备检测*** | |
| Wang et al. | Prognostics and health management system for electric vehicles with a hierarchy fusion framework: concepts, architectures, and methods | |
| Li et al. | A Novel Method for Lithium‐Ion Battery Fault Diagnosis of Electric Vehicle Based on Real‐Time Voltage | |
| CN117169751A (zh) | 基于机器学习的储能电站故障监测管理***与方法 | |
| Lin et al. | A hybrid multiscale permutation entropy-based fault diagnosis and inconsistency evaluation approach for lithium battery of E-vehicles | |
| CN113935423A (zh) | 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与*** | |
| CN116901707A (zh) | 一种动力电池组故障预警方法、***及车辆 | |
| CN117419829A (zh) | 过热故障的预警方法、装置和电子设备 | |
| Wang et al. | An inconsistency fault diagnosis method for lithium-ion cells in the battery pack based on piecewise dimensionality reduction and outlier identification | |
| CN116070140B (zh) | 一种配电变电站安全运行状态监测***及方法 | |
| CN105759217A (zh) | 一种基于可测数据的铅酸蓄电池组在线故障诊断方法 | |
| CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
| Xia et al. | Technologies for Energy Storage Power Stations Safety Operation: Battery State Evaluation Survey and a Critical Analysis | |
| Degla et al. | An Enhanced Neural Network Application for a Lithium-ion Battery Pack State-of-Health Estimator |
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 |