技术领域
[0001] 本发明属于电池安全管理技术领域，尤其涉及一种磷酸铁锂电池储能系统的安全状态诊断方法及系统。
相关背景技术
[0002] 光伏、风电等新能源开发利用的规模不断扩大，电力储能行业也随之发展迅速。电化学储能作为构建新型电力系统的重要支撑技术，迎来了前所未有的发展机遇期，是应用规模最大、近年来增幅最快的新型储能技术。其中，磷酸铁锂电池由于具备放电时间长、响应速度快、转换效率高、不受自然条件制约、便于规模化应用等优势，是电化学储能的主流技术路线，装机容量占比较高，然而其安全运行问题也逐渐凸显，严重影响储能电站的安全稳定运行，造成严重的经济损失及社会影响。因此，随着锂电池储能行业的发展，开展储能系统安全状态的评价与早期预警及事故风险的管控等研究具有重要意义。储能系统普遍采用的是磷酸铁锂电池模组，个别电池的热失控很容易波及附近的其它电池，最终导致整个系统无法正常运行，甚至会引发严重安全问题。
[0003] 发明人发现，目前电池储能系统安全解决方案中，主要的技术路线是基于电池管理系统(Battery Management System，BMS)获取电池电压、电流和温度等电气数据，通过数据驱动模型计算电芯的安全状态，但是，其缺点在于没有考虑形变、噪声、气体含量以及电压预设区间内的dQ/dV‑U峰面积等参数的影响，不能准确的对磷酸铁锂电池储能系统进行安全预测，且电池的电压、电流和温度等电气数据和电池安全状态的关联度不够高，预测结果往往不准确。
具体实施方式
[0046] 下面结合附图与实施例对本发明作进一步说明。
[0047] 应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
[0048] 实施例1：
[0049] 本实施例提供了一种磷酸铁锂电池储能系统的安全状态诊断方法，如图1所示，在储能系统的模组中选取一颗或者多颗电芯，通过BMU和传感器监测电芯运行过程中的电压、电流、温度、形变、电芯外部噪声、模组仓中的H2、CO、CO2、CH4、C2H6、C2H4、C3H6、O2气体含量。从BMU、传感器收集的数据通过BMS实时传递到云端，在云端对数据进行预处理，处理完成的数据传入训练完成的深度学习神经网络进行计算，可以迅速输出储能系统的安全状态评估值，及早识别系统的不安全状态、发出预警并快速进行响应。本实施例中方法的主要步骤为：
[0050] S1、本实施例中，可选的，利用电池管理系统获取电压、电流、电芯大面中心温度等，通过形变传感器获取电芯大面形变，通过声音传感器获取电芯外部噪声，通过气体传感器获取模组仓中的H2、CO、CO2、CH4、C2H6、C2H4、C3H6和O2气体含量，所有数据均为1s获取一个数据点；其中，气体传感器获取的单位可以设置为ppm。
[0051] S2、如图2所示，本实施例中的安全状态预测模型采用深度学习神经网络，是基于一种多层感知机理的前馈神经网络体系，该神经网络具备多输入参数、多隐藏层以及多神经元数，并可根据新的数据实时学习。
[0052] 可选的，所述深度学习神经网络的输入层参数包括电压，电流，温度，形变，噪声，模组仓中的H2、CO、CO2、CH4、C2H6、C2H4、C3H6和O2气体含量，以及电压区间4～5V之间的dQ/dV‑U峰面积。
[0053] 其中，电压区间4～5V之间的dQ/dV‑U峰面积的测试方法如下：从BMU中读取电芯的电压、电流和时间参数，每隔60s取一个数据点，其中dQ/dV的计算方法如下：
[0054]
[0055] 其中，I为电流；t为采样间隔，可选的为60s；U1为上一次采样点的电压；U2为当前采样点的电压。如图3中所示，以当前采样点的电压U2为横坐标，dQ/dV为纵坐标的图。
[0056] 通过积分算法计算出4V～5V之间的第一个特征峰的峰面积，该峰面积既是神经网络的输入特征向量之一。
[0057] 本实施例中，深度学习神经网络输入参数均通过以下归一化公式，转化为取值在0‑1之间的值。
[0058]
[0059] 其中，x’是归一化后的数据；x是原始数据；xmin是数据集中的最小值；xmax是数据集中的最大值。
[0060] 本实施例中，深度学习神经网络输出参数为电池安全状态(SOS)，是一个取值范围为0～1的数值。
[0061] 本实施例中，可选的，电池安全状态(SOS)的计算公式如下：
[0062]
[0063] 其中，SOSk(xk)为输入物理量xk的安全状态值，其计算方法定义如下：
[0064]
[0065] 其中，xk为物理量的当前值；x0为SOSk＝1时物理量的值；xlimit为物理量xk可接受的安全状态的极限值；SOCk＝1时为完全安全状态。由此可以得出以下结论：
[0066] 当0≤SOSk＜tanh(1)时，对于物理量xk来说，系统处于安全状态；当tanh(1)≤SOSk≤1时，对于物理量xk来说，系统处于不安全状态。
[0067] 由此类推当预警系统的输入物理量个数为n时，系统的安全状态判断方法如下：
[0068] 0≤SOS＜tanh(1)时，系统处于安全状态，此时，无需对系统进行干预即可保证系统安全运行；
[0069] tanh(1)≤SOS＜1‑(1‑tanh(1))n时，系统处于预警状态，表示系统处于风险运行的状态下，该状态表示系统运行存在安全隐患，持续运行不会发生热安全事故但是电芯体系产生不可逆破坏，此时后台程序发出预警信号，提醒人工或者BMS提早做出反应；
[0070] 1‑(1‑tanh(1))n≤SOS≤1时，系统处于危险运行状态下，持续运行必然会发生热安全事故，此时后台程序发出预警信号，并立刻停止系统运行。
[0071] S3、深度学习神经网络的训练：
[0072] 本实施例中所述深度学习神经网络训练所需的数据集包括输入参数集和输出参数集，输入参数集的收集了一批磷酸铁锂储能电芯运行过程中电压、电流、温度、形变、噪声、模组仓中的H2、CO、CO2、CH4、C2H6、C2H4、C3H6、O2气体含量、电压区间4～5V之间的dQ/dV‑U峰面积参数，输出参数集为输入参数对应的系统的安全状态评估值，是通过对系统状态进行观测评估得到的取值。该数据集包含了磷酸铁锂储能系统不同运行状态下的数据，可以真实反应储能系统的运行特征。
[0073] 本实施例中所述深度学习神经网络的计算原理如下：
[0074] S3.1、初始化神经网络：
[0075] 在第一次训练的时候，采用随机数来初始化神经网络，如果已经有训练完成的神经网络，可以用训练完成的神经网络来初始化，神经网络的主体为一组权重值矩阵W，这里需要定义神经网络的层数以及每一层的神经节点数，比如定义一个神经节点数分别为n1、n2、n3和n4的神经网络，该网络一共四层，则初始化三个权重矩阵，其维度分别为n1+1×n2+1、n2+1×n3+1和n3+1×n4。除了最后一层输出层外，每层均加入一个偏置值b，可以使神经网络快速收敛。
[0076] S3.2、正向传播：
[0077] 前向传播第j层的第i个神经元的输入值δj，i等于第j‑1层所有神经元的值δj‑1，i乘以其与第j层第i个神经元连接权重wj‑1，i的乘积之和加上第j层第i个神经元的偏置形成；假设第j‑1层共有K个神经元，假设第j层共有M个神经元，即：
[0078]
[0079] 每一层的输出值为：
[0080] aj，i(x)＝active(δj，i(x))
[0081] 其中，active()是激活函数，它的作用是对数据进行非线性分类，可选的有sigmod、tanh和relu。
[0082] 输出层的输入向量为yi＝(yi1，yi2，…，yiq)，输出向量为yo＝(yo1，yo2，…yoq)，期望输出向量为do＝(d1，d2，…，dq)。
[0083] 计算误差函数为：
[0084]
[0085] S3.3、误差反向传播：
[0086] 根据误差函数更新当前层的权重：
[0087]
[0088] 其中，α为学习率。
[0089] 将每一层的输出值作为输入值，使用更新后的权重进行反向计算：
[0090]
[0091] aj‑1，i(x)＝active(δj‑1，i(x))
[0092] 计算得到的值再次用于计算前一层的误差e和更新权重值，由此对所有权重值进行更新完成，称为一次学习。
[0093] 在整个训练过程中，可以定义学习次数或者限定误差函数的阀值使模型收敛。
[0094] S3.4、使用训练完成的神经网络进行预测：
[0095] 输入预测数据的输入向量，进行一次正向传播计算，输出层的输出向量yo＝(yo1，yo2，…yoq)就是预测值。
[0096] S3.5、不同的物理量的变化对电芯热失控的影响程度是不同的，因此本实施例中，在进行神经网络训练的时候，引入物理量与电池安全状态(SOS)的相关性对神经网络的学习过程进行修正，其具体操作如下所示：
[0097] 物理量与电池安全状态(SOS)的相关性可以用关联系数表示，其定义如下：
[0098]
[0099] 其中，SOSk为输入物理量xk的安全状态值；SOS为当前输入数据正向计算得到的电池安全状态输出值；在神经网络进行反向传导计算时，该物理量的权重计算公式修改为：
[0100]
[0101] 由此，在进行神经网络训练的时候，加强了与系统电池安全状态(SOS)关联性高的物理量的学习权重，而减弱了与系统关联性低的物理量的学习权重，这有利于学习得到准确度更高的神经网络。
[0102] 实施例2：
[0103] 本实施例中，采用储能系统模组中的电芯在以下工况下运行：起始状态电芯的SOC＝100％，电芯的充电电流为0.5C，同时电芯的大面处贴着1000W加热的加热片。在测试过程中，采用实施例1中磷酸铁锂电池储能系统的安全状态诊断方法预测电芯的安全状态，电芯的电压、温度、SOS如图4所示。
[0104] 图4中，随着测试的进行，系统预测电芯的SOS从0.38逐渐增加到0.99，体现了电芯失控的全过程。如图4中点①所示，当时间小于100s时，SOS<0.762(tanh(1))，在这段时间内，电芯处于安全运行的状态下，电芯内部无不可逆反应发生，如图4中点②所示，当时间在4
大于100s小于440s时，电芯SOS在0.762～0.997(1‑(1‑tanh(1)))之间运行，表示电芯处于风险运行状态下，此时电芯虽然没有发生热失控，但是其内部已经有不可逆反应发生，电芯已经失效，当时间>440s时，电芯SOS>0.997，电芯处于危险运行状态，持续运行将发生热失控。设计测试值显示，如图4中点所示，电芯的开阀时间为540s，因此本发明所述算法相比于电芯开阀提前440s发出预警。
[0105] 在该实例中，通过提出的神经网络算法SOS预测值和通过公式计算得到的实际值对比如图5所示，相比于实际值，预测值平方根误差为2.83％。
[0106] 实施例3：
[0107] 本实施例提供了一种磷酸铁锂电池储能系统的安全状态诊断系统，包括：
[0108] 数据采集模块，被配置为：获取电池的相关参数，所述相关参数包括电压、电流、温度、形变、噪声、气体含量以及电压预设区间内的dQ/dV‑U峰面积；
[0109] 诊断预测模块，被配置为：根据获取的相关参数，以及预设的安全状态预测模型，得到电池的安全状态；其中，所述安全状态预测模型采用主体为一组权重值矩阵的神经网络，神经网络学习时，根据误差函数更新当前层的权重，将每一层的输出值作为输入值，使用更新后的权重进行反向计算，计算得到的值再次用于计算前一层的误差和更新权重值，引入相关参数与电池安全状态的相关性对更新的权重值进行修正。
[0110] 可选的，所述气体含量包括模组仓中的H2、CO、CO2、CH4、C2H6、C2H4、C3H6和O2气体含量。
[0111] 可选的，电池安全状态的计算公式为：
[0112]
[0113] 其中，SOS为电池安全状态；SOSk(xk)为相关参数的安全状态值，xk为相关参数的当前值；x0为完全安全状态SOSk＝1时相关参数的值；xlimit为相关参数可接受的安全状态的极n限值。0≤SOS＜tanh(1)时，处于安全状态；tanh(1)≤SOS＜1‑(1‑tanh(1)) 时，处于预警状n
态；1‑(1‑tanh(1)) ≤SOS≤1时，处于危险运行状态下，需立刻停止运行；其中，n为相关参数的数量。
[0114] 可选的，相关参数的权重计算公式为：
[0115]
[0116] 其中，W为权重；α为学习率；e为误差；SOSk为输入相关参数的安全状态值；SOS为当前输入数据正向计算得到的电池安全状态输出值。
[0117] 可选的，误差函数为：
[0118]
[0119] 其中，e为误差；di为期望输出向量；yoi为输出向量；q、i和k为常数。
[0120] 所述系统的工作方法与实施例1的磷酸铁锂电池储能系统的安全状态诊断方法相同，这里不再赘述。
[0121] 实施例4：
[0122] 本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了实施例1所述的磷酸铁锂电池储能系统的安全状态诊断方法的步骤。
[0123] 实施例5：
[0124] 本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序，所述处理器执行所述程序时实现了实施例1所述的磷酸铁锂电池储能系统的安全状态诊断方法的步骤。
[0125] 实施例6：
[0126] 本实施例提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时，实现了实施例1所述的磷酸铁锂电池储能系统的安全状态诊断方法的步骤。
[0127] 以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。
