一种基于多参数耦合的配电终端蓄电池SOH在线评估方法及系统与流程

摘要: 本发明属于配电自动化后备电池在线监测,尤其涉及一种基于多参数耦合的配电终端蓄电池soh在线评估方法及系统。背景技术:1、配电自动化ftu、dtu终端广泛分布于环...
一种基于多参数耦合的配电终端蓄电池SOH在线评估方法及系统与流程

本发明属于配电自动化后备电池在线监测,尤其涉及一种基于多参数耦合的配电终端蓄电池soh在线评估方法及系统。

背景技术:

1、配电自动化ftu、dtu终端广泛分布于环网柜、柱上开关、变电站,后备蓄电池以磷酸铁锂电池、铅酸电池为主,长期浮充、反复充放电循环会造成电芯活性物质衰减、内阻上升、可用容量下降;电网故障时蓄电池需提供应急供电,容量衰减会直接导致故障隔离、负荷转供失效,严重威胁配网供电可靠性。因此运维系统需要实时、精准获取每一块蓄电池健康状态soh。现有终端后备电池soh检测技术尚无明确清晰的技术路线,存在明显工程短板,行业缺少一种仅利用终端原生充放电曲线、环境、运行台账数据,兼顾多参数独立与耦合老化效应、客观赋权、适配全类型配电终端蓄电池的在线soh量化评估方案。因此,亟需一种科学、精准、利用配电终端采集的现有数据进行在线评估其后备电池健康状态的方法。

技术实现思路

1、本发明的目的在于针对现有配电终端蓄电池soh评估方法设备改造成本高、评估精度不足、无法大规模在线部署、忽略多因素耦合老化的缺陷,提供一种基于多参数耦合的配电终端蓄电池soh在线评估方法及系统,无需改造现场终端硬件,仅依托充放电曲线衍生指标与终端运行参数,构建融合独立非线性项、多参数耦合交互项、熵权客观赋权的评估模型,实现铅酸、磷酸铁锂蓄电池高精度在线soh量化评估,为配网蓄电池智能化运维提供量化决策依据。

2、为实现上述目的,本发明的技术方案是:一种基于多参数耦合的配电终端蓄电池soh在线评估方法,所述方法由配网运维主站执行,所述主站通过通信网络与多个ftu/dtu配电终端连接,所述方法包括以下步骤:

3、步骤s1、在线采集配电终端蓄电池多维运行特征参数,所述多维运行特征参数包括电压下降率δv,反映蓄电池维持电压的能力;蓄电池运行时的环境温度t,温度对化学反应速率和内阻有显著影响;电池循环寿命周期c,反映其历史损耗;蓄电池工作时承受的负载电流i,影响其放电深度;所述电压下降率由蓄电池充放电活化曲线计算得到;

4、步骤s2、参数归一化预处理,对采集的电压下降率、环境温度、电池循环寿命周期、实际负载电流分别做归一化处理,消除各参数量纲差异;

5、步骤s3、熵权法客观赋权,基于归一化参数矩阵依次计算指标占比、信息熵、差异系数,求解各参数独立权重;

6、步骤s4、构建多维度非线性模型,分别建立各参数独立非线性影响函数,同时构建任意两参数之间的非线性耦合交互函数;

7、步骤s5、综合健康指标融合计算,融合归一化参数、熵权权重、独立非线性项、耦合交互项,求解加权综合健康指标s;

8、步骤s6、soh数值映射转换,通过sigmoid映射函数将综合健康指标s映射至[0,100%]区间,得到蓄电池量化soh评估值;

9、步骤s7、蓄电池健康分级判定,基于预设三级soh阈值输出电池运维处置建议。

10、进一步的,步骤s1中的在线采集采用自适应活化方式,由配网运维主站通过通信网络向目标终端下发活化指令,控制终端断开市电并基于标准负载电流进行恒流放电;在放电过程中实时监测蓄电池端电压及环境温度t,并采用以下任一条件作为放电截止条件:条件一,电压跌落速率进入稳定区且累计放电时间达到预设下限,记录放电终值电压v2;条件二,电压触及预设的活化下限阈值,强制终止放电并记录终止电压v2;条件三,累计放电时间达到预设上限,终止放电;采集放电前的空载初始电压v1及恢复充电后的终值电压v3,计算电压下降率δv=(v1-v2)/v1;同时,主站读取终端上报的实时负载电流i及台账中的电池循环寿命周期c。

11、进一步的,步骤s1中电压下降率δv的在线采集计算流程包括:

12、步骤s1-1、市电正常供电状态下采集蓄电池空载初始电压v1;

13、步骤s1-2、断开市电,以配电终端标准负载电流0.2a恒流放电20min,记录放电终值电压v2,计算放电电压下降率δv放=|v1-v2|/v1;24v蓄电池放电电压下限阈值20v,48v蓄电池放电电压下限阈值38v,放电过程中电压提前跌落至下限阈值时立即终止活化测试,直接判定电池严重老化;

14、步骤s1-3、恢复市电充电20min,记录充电终值电压v3,计算充电电压变化率δv充=|v1-v3|/v1;

15、步骤s1-4、将δv放作为模型输入电压下降率δv。

16、进一步的,步骤s1-2中所述预设上限为25min,且根据负载电流i、循环寿命周期c和环境温度t自适应调整,表达式为t_max=f(i,c,t)≤25min;所述预设的活化下限阈值为:24v蓄电池系统为20v,48v蓄电池系统为38v。若放电过程中电压跌落至所述活化下限阈值,则将该样本标记为截止型样本;对于截止型样本,利用终止前的电压轨迹及后续步骤确定的基底指标ξ,反推等效电压下降率δv_est,并以δv_est替代δv参与步骤s3及后续建模计算。

17、进一步的,步骤s2归一化处理公式为:

18、

19、表示归一化后第i个蓄电池样本第j个参数,表示归一化前第i个蓄电池样本第j个参数,表示第i个样本的四个参数原始值中的最小值,表示第i个样本的四个参数原始值中的最大值。

20、进一步的,步骤s3熵权法具体包括:

21、步骤s3-1、构建n个蓄电池样本、4个评估参数的归一化矩阵;

22、步骤s3-2、计算归一化的第i个蓄电池样本第j个参数占全部样本该参数总和的比例;

23、步骤s3-3、计算第j项参数信息熵,其中;

24、步骤s3-4、计算各参数差异系数;

25、步骤s3-5、基于差异系数计算第j个参数权重,四个权重之和等于1;

26、步骤s3-6、最终得到权重向量:。

27、进一步的,步骤s3中熵权法基于全网终端在同一统计窗口内的归一化参数矩阵计算权重,使得权重分配随季节温度变化及电池批次差异动态自适应调整。

28、进一步的,步骤s3中采用熵权法计算各参数及耦合项客观权重的过程,基于全网终端在同一统计窗口内的归一化参数矩阵进行。所述统计窗口为同一时间段内全网络ftu/dtu终端上报数据的集合窗口;以该窗口内所有终端的归一化参数构成熵权法的输入矩阵,依次计算各参数指标占比、信息熵、差异系数,从而求解各参数及耦合项的客观权重。由于统计窗口随季节更替及终端批次投运动态滚动更新,所述权重分配随季节温度变化及电池批次差异动态自适应调整。

29、进一步的,步骤s4中各参数独立非线性影响函数表达式为:

30、电压下降率独立项:θδv(δv=exp(-a·δv));

31、环境温度独立项:,基准温度tref=25℃;

32、循环寿命独立项:;

33、负载电流独立项:;

34、式中a、β、γ、δ、ε为通过多批次铅酸、磷酸铁锂蓄电池充放电老化试验数据拟合得到的模型常数。

35、进一步的,步骤s4中的多维度非线性模型采用层级老化评估模型,包括:

36、第一层,老化基底指标,根据环境温度t、循环寿命周期c及负载电流i计算:=ωt·θt(t)+ωc·θc(c)+ωi·θi(i),其中θt(t)、θc(c)、θi(i)分别为环境温度、循环寿命及负载电流的独立非线性函数,ωt、ωc、ωi为对应的权重系数;

37、第二层,电压下降率独立项受该基底指标调制,表达式为θδv(δv,)=exp(-a·δv·ψ()),其中ψ()=1+μ·,μ为调制系数。

38、第三层,协同加速损伤项,包括温度-循环寿命耦合,以及电压下降率-循环寿命耦合等。

39、进一步的,步骤s4中两两参数非线性耦合交互项包括:

40、高温会加剧电压下降带来的损害,考虑电压下降率及温度两个参数间的耦合:

41、

42、高温条件下进行电池充放电循环,电池老化效应倍增。温度与循环寿命两个参数间的耦合效应如下:

43、

44、随着电池循环次数的增加,相同的电压下降率可代表着更严重的容量衰减和内阻增加。电压下降率与循环寿命间存在耦合效应:

45、

46、相比于小负载电流,在大负载电流下循环对电池寿命的损耗更大。因而,可认为循环寿命与负载电流两个参数间的非线性交互影响效应为:

47、

48、高温环境中,电池在大负载电流下工作可能导致电池热失控风险激增,温度与负载电池间存在耦合效应:

49、

50、其中,为交互作用强度系数,可通过数据拟合得到,其符号和大小体现了交互作用的性质和强度。

51、进一步的,步骤s4中的耦合交互项还包括拓扑邻域一致性校验项φnb,具体为:主站调取配电网拓扑结构,确定当前评估终端的邻域集合n(i);计算邻域内所有终端电压下降率的中位数δv_med及绝对中位差mad;若当前终端的电压下降率δv_i满足|δv_i-δv_med|>k·mad,则判定为异常偏离;若异常偏离且当前终端的环境温度t及循环寿命c与邻域中位数一致,则降低该δv_i在步骤s4中的权重;若异常偏离且当前终端的环境温度t偏高、循环寿命c偏大,则提高该δv_i的权重,并生成φnb参与步骤s5的融合计算;其中k为预设系数。

52、进一步的,步骤s6中将归一化后的各参数值与其熵权权重耦合,并融合各参数间的独立影响项和交互影响项,通过sigmoid函数映射到取值范围在[0,1]的soh值,公式为:

53、

54、

55、式中,为归一化后的第i类参数对应的独立非线性影响项,为第i类参数与第j类参数之间的耦合交互项,为第i类参数经熵权法计算得到的权重,为为第i类与第j类参数耦合项的权重系数,二者均由步骤s4中熵权法客观计算得到;sohi为第i个蓄电池样本的健康状态评估值,取值范围为[0,100%]。数值越接近100%,表示电池健康状态越好;数值越接近0,表示电池状态越差。s为加权综合指标,为独立非线性影响项的加权和与耦合交互项的加权和之和。k为陡度系数,描述s的变化对soh数值的影响程度。k值越大,表明s的微小变化即可导致soh数值剧烈变化。s0为中心点参数,对应于soh=0.5时的s值。

56、进一步的,步骤s7三级判定阈值标准为:

57、soh≥85%:判定电池健康,维持常规巡检周期,正常投入运行;

58、80%≤soh<85%:判定电池亚健康,缩短在线监测周期;

59、soh<80%:判定电池性能严重衰减,自动生成计划性更换工单并推送至运维人员的移动终端。

60、进一步的,所述方法以软件算法模块部署于配网运维主站,无需改造现场ftu/dtu配电终端硬件,仅采集终端原生电压、电流、温度、投运年限台账数据即可完成全网络蓄电池批量在线评估,同时兼容铅酸蓄电池、磷酸铁锂蓄电池两类配电终端主流后备电源。

61、进一步的,所述方法同步支持离线dcr内阻对照校准,将在线评估soh结果与专业设备离线直流内阻测试结果做相关性校验,修正模型拟合参数,提升评估精度;批量评估完成后输出区域电池健康统计报表,支撑配网蓄电池精细化运维决策。

62、进一步的,所述方法还包括被动特征融合步骤:在非活化工况下,主站持续采集终端蓄电池的浮充电压纹波方差σ2(v_float)及浮充电流长期漂移量δi_float;基于所述浮充电压纹波方差及浮充电流长期漂移量计算被动通道健康评估值soh_passive:

63、soh_passive=100/(1+exp(-kp·(σref2-σ2(v_float)-η·|δi_float|)))

64、式中,σref2为蓄电池出厂标称浮充电压纹波方差上限,kp为被动通道陡度系数,η为漂移量影响系数,各常数通过多批次铅酸、磷酸铁锂蓄电池浮充老化试验数据拟合得到;soh_passive值越接近100%表示电池在非活化工况下的健康程度越高。

65、结合活化通道得到的soh_active(即上述蓄电池样本的健康状态评估值sohi),按soh_final=α·soh_active+(1-α)·soh_passive计算最终soh值,其中α为随距离上次活化时间增加而增大的加权系数,满足α=min(1,αmin+(αmax-αmin)·(δtact/tcycle)),其中αmin为最小活化权重,αmax为最大活化权重,δtact为距离上次活化测试的累计时间,tcycle为预设活化周期,当δtact达到tcycle时α取1。以soh_final替代soh_active作为最终蓄电池健康状态评估值,用于步骤s7中的健康分级判定。

66、本发明还提供了一种基于多参数耦合的配电终端蓄电池soh在线评估系统,包括配网运维主站以及分布于配网中的多个ftu/dtu配电终端,所述主站包括:

67、活化调度模块,配置为向所述终端下发定时或触发式的活化指令,并接收终端上传的采样数据;

68、参数提取模块,配置为解析采样数据以获取电压下降率δv、环境温度t、负载电流i,并读取电池循环寿命周期c;

69、耦合评估引擎,配置为执行如上所述的基于多参数耦合的配电终端蓄电池soh在线评估方法,计算综合健康指标s及soh值;

70、运维决策模块,配置为根据soh值匹配预设的健康等级阈值,生成并下发巡检、预警或更换工单。

71、进一步的,所述耦合评估引擎进一步包括:

72、基底构建单元,用于根据环境温度t、循环寿命周期c及负载电流i计算老化基底指标;

73、调制计算单元,用于利用所述老化基底指标对电压下降率δv的敏感度进行调制;

74、拓扑校验单元,用于执行拓扑邻域一致性校验,输出校验后的权重修正因子。

75、本发明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,所述程序被处理器执行时实现如上所述的基于多参数耦合的配电终端蓄电池soh在线评估方法。

76、相较于现有技术,本发明具有以下有益效果:

77、(1)零硬件改造,工程落地性强

78、本发明部署于配网主站/变电站汇集单元,无需更换、加装现场配电终端硬件,仅利用终端原有充放电电压、电流、温度采集数据,适配存量海量 ftu/dtu 终端,改造成本极低,可全网规模化推广。

79、(2)多维度耦合建模,评估精度显著提升

80、突破传统单参数线性评估局限,同时刻画电压、温度、循环年限、负载电流各自独立非线性老化规律,以及参数间协同加速老化耦合效应,完整还原电池内部电化学衰减机理,相比单一电压阈值法、基础等效电路模型大幅降低误判率,同时兼容 48v/24v 铅酸、磷酸铁锂配电后备电池,一套算法实现全网所有终端蓄电池统一评估,降低运维系统算法开发、维护成本。

81、(3)量化分级输出,直接支撑智能运维

82、输出 0~100% 精确 soh 数值,并设置三级运维阈值,自动区分健康、亚健康、失效电池,批量生成区域电池老化统计数据,支撑运维人员提前制定更换计划,保障电网故障应急供电能力。