一种电池储能系统爆炸危险测试方法与流程

本技术实施例涉及电化学储能安全，尤其涉及一种电池储能系统爆炸危险测试方法。

背景技术：

1、随着电池储能技术的快速发展，电池热失控安全问题日益受到关注。电池在热失控条件下会释放氢气、一氧化碳、甲烷等可燃气体，当可燃气体在电池所在的储能系统内部积聚并被点燃后，可能引发爆炸，造成安全隐患。

2、目前，对电池所在的储能系统的爆炸危险通常采用实验测试方法进行判断。实验测试方法以电池发生热失控时，电池所在的储能系统是否发生爆炸为判断依据，成本高、周期长，且仅能给出是否发生爆炸的定性结果。

技术实现思路

1、本技术实施例提供一种电池储能系统爆炸危险测试方法，可以基于待评估电池在热失控条件下的产气数据，通过化学动力学模型和预先训练的神经网络模型，快速得到待评估电池所在的储能系统的爆炸超压信息，从而准确分析待评估电池所在的储能系统的爆炸危险程度。

2、为达到上述目的，本技术的实施例采用如下技术方案：

3、第一方面，提供了电池储能系统爆炸危险测试方法，该方法包括：获取待评估电池在热失控条件下的产气数据，产气数据包括总产气量以及产气组分；根据产气组分，按预设混合规则与预设氧化性气体混合，得到预混气体；在预设条件下，将预混气体输入化学动力学模型，得到燃烧特征参数，燃烧特征参数包括层流火焰速度、绝热定容燃烧压力和有效路易斯数；将燃爆特征信息输入预先训练的神经网络模型，得到爆炸超压信息，爆炸超压信息用于评估待评估电池所在的储能系统的爆炸危险程度；燃爆特征信息包括燃烧特征参数和总产气量；其中，预设混合规则包括神经网路模型训练阶段构造样本预混气体时所采用的混合规则，预设混合规则用于确定预混气体的混合浓度；预设条件包括训练阶段利用化学动力学模型进行化学动力学计算时所采用的初始温度和初始压力；神经网络模型是以样本燃爆特征信息为输入，以对应的样本爆炸超压信息为监督进行训练得到的；样本爆炸超压信息是以样本预混气体为初始条件，采用计算流体力学模型模拟样本预混气体在储能系统内点火后的火焰传播和压力变化过程得到的压力分布情况确定的；模拟过程不包括电池热失控释放的气体的泄漏、输运、扩散和累积过程。

4、在第一方面的一种可能的实现方式中，化学动力学模型包括一维自由传播预混火焰模型、定容绝热平衡模型以及混合气输运特性模型；层流火焰速度是基于预混气体，根据一维自由传播预混火焰模型，在初始温度和初始压力下，确定火焰区域内的温度与产物浓度沿火焰传播方向上的分布，并进行网格加密和收敛性判断得到的；绝热定容燃烧压力是基于定容绝热平衡模型，在初始温度和初始压力下，对预混气体进行定容、绝热和化学平衡约束下的燃烧处理得到的。有效路易斯数是基于混合气输运特性模型，根据预混气体的热扩散率和产气组分中各可燃组分的质量扩散系数，确定各可燃组分的有效路易斯数，并根据各可燃组分的摩尔分数、燃烧热贡献或反应敏感度确定各可燃组分的权重，并对各可燃组分的有效路易斯数进行加权平均得到的。

5、在第一方面的另一种可能的实现方式中，获取待评估电池在热失控条件下的产气数据，包括：通过加热、过充或针刺方式触发待评估电池发生热失控，并收集热失控过程中待评估电池释放的气体；对收集的气体进行组分分析，得到各产气组分的摩尔分数或体积分数；在分时段收集热失控过程中待评估电池释放的气体的情况下，按各时段的产气摩尔数，对各时段的产气组分的摩尔分数或体积分数进行加权平均，将加权平均后的结果作为产气组分的摩尔分数或体积分数；将热失控过程中待评估电池释放的气体总量换算至基准温度和基准压力下的体积或摩尔数，得到总产气量。

6、在第一方面的另一种可能的实现方式中，样本燃爆特征信息是根据样本燃烧特征参数和样本总产气量确定的；样本燃烧特征参数是在预设条件下，将样本预混气体输入化学动力学模型得到的；样本燃烧特征参数包括样本层流火焰速度、样本绝热定容燃烧压力和样本有效路易斯数；样本预混气体是根据样本产气组分与预设氧化性气体按预设混合规则混合得到的；样本产气组分和样本总产气量是对电池样本进行热失控测试得到的。

7、在第一方面的另一种可能的实现方式中，训练样本中，部分样本的样本产气组分和样本总产气量是根据电池样本对应的样本产气组分和样本总产气量，采用最大化最小距离拉丁超立方或正交设计方法生成的；部分样本的样本产气组分和样本总产气量满足以下约束条件：部分样本的样本产气组分的摩尔分数大于或等于0；部分样本的样本产气组分的摩尔分数之和等于1；由部分样本的样本产气组分与预设氧化性气体按预设混合规则混合得到的预混气体的浓度处于可燃范围之内。

8、在第一方面的另一种可能的实现方式中，将爆炸超压信息与预设压力阈值进行比较；

9、根据比较结果确定待评估电池所在的储能系统的危险等级，危险等级用于评估待评估电池所在的储能系统的爆炸危险程度。

10、在第一方面的另一种可能的实现方式中，确定燃爆特征信息是否在训练样本的有效域内，有效域为根据训练样本中样本燃爆特征信息在特征空间中的分布所确定的区域范围，有效域基于马氏距离、凸包判定、最近邻距离或模型集成离散度中的至少一种方法确定；当燃爆特征信息不在有效域内时，将燃爆特征信息输入计算流体力学模型，得到对应的爆炸超压信息；将燃爆特征信息和对应的爆炸超压信息加入训练样本后重新训练神经网络模型。

11、在第一方面的另一种可能的实现方式中，根据待评估电池所在的电池储能系统的实际结构、设备布置、障碍物分布、通风关闭状态、舱门、泄压构件和边界条件，建立计算流体力学模型的三维计算域；方法还包括：根据样本总产气量和三维计算域内除设备和障碍物占据体积以外的空间体积，确定样本预混气体的混合浓度。

12、在第一方面的另一种可能的实现方式中，方法还包括：对计算流体力学模型进行网格独立性分析；使用组成可控的预混气体爆炸试验、缩比储能空间爆炸试验或公开验证算例对计算流体力学模型进行校核；校核包括对火焰到达时间、压力上升速率和峰值爆炸压力的校核；采用计算流体力学模型模拟样本预混气体点火后的火焰传播和压力变化过程，包括：在校核结果与试验或公开验证算例的结果之间的误差满足预设误差要求的情况下，采用计算流体力学模型模拟样本预混气体点火后的火焰传播和压力变化过程。

13、第二方面，提供了一种电子设备，包括：存储器、一个或多个处理器；存储器和处理器耦合；其中，存储器中存储有计算机程序代码，计算机程序代码包括计算机指令，当计算机指令被处理器执行时，使得电子设备执行上述第一方面任一项所述的电池储能系统爆炸危险测试方法。

14、第三方面，提供了一种计算机可读存储介质，包括计算机指令，当计算机指令在电子设备上运行时，使得电子设备执行上述第一方面任一项所述的电池储能系统爆炸危险测试方法。

15、第四方面，提供了一种计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行上述第一方面任一项所述的电池储能系统爆炸危险测试方法。

16、本技术实施例提供的方法中，以待评估电池在热失控条件下的产气数据为起点，使后续爆炸危险判断与具体电池的实际产气特性关联，使所获得的爆炸超压信息更符合电池实际产气状态，从而提高获得的爆炸超压信息的准确性。此外，根据产气组分，按预设混合规则与预设氧化性气体配制预混气体，并将该预混气体在预设条件下输入化学动力学模型，得到包括层流火焰速度、绝热定容燃烧压力和有效路易斯数的燃烧特征参数。由此，将复杂且难以直接比较的产气组成转化为具有明确物理意义的燃烧特征参数，从而为后续神经网络模型的训练与预测提供输入基础。

17、其次，本技术将包括燃烧特征参数和总产气量的燃爆特征信息输入预先训练的神经网络模型，得到爆炸超压信息。神经网络模型能够学习从热失控产气特征到爆炸超压之间的映射关系，在线预测时无需重复求解完整的火焰传播和压力变化过程，根据燃爆特征信息可直接得到预测得爆炸超压信息，从而提高预测效率。所得到的爆炸超压信息用于确定待评估电池所在的储能系统的爆炸危险程度，给出爆炸压力的定量结果，为储能系统泄爆参数优化、结构抗爆设计和安全评估提供更直接的定量依据。

18、另外，本技术实施例提供的方法中，在线预测阶段构造预混气体和进行化学动力学计算所采用的预设混合规则和预设条件，与训练阶段保持一致，使在线预测阶段输入神经网络模型的燃爆特征信息，与训练阶段的样本燃爆特征信息处于同一特征空间，从而提高神经网络预测结果的准确性和可靠性。神经网络模型训练所用的监督标签来自计算流体力学模拟，且该模拟以电池所在的储能系统为对象，使训练标签与在线预测目标一致，保证预测结果能够准确反映储能系统内的实际爆炸超压水平。同时，模拟过程不包括电池热失控释放的气体的泄漏、输运、扩散和累积过程，使计算流体力学模拟聚焦于预混气体点火后的火焰传播和压力变化，避免气体泄漏、输运、扩散和累积过程引入的额外不确定性，从而提高训练样本的可靠性和神经网络模型预测结果的准确性。