从工业4.0看储能系统锂电池寿命的预测

2015-04-04叶笑冬王子健

上海电气技术 2015年1期

叶笑冬，陆宇，王子健，李劲

上海电气集团股份有限公司中央研究院，上海 200070

2010年，作为制造业强国的德国，正式推出了 “工业4.0”项目，该项目是德国《高技术战略2020》十大未来项目之一，其目的在于奠定德国在关键工业技术上的国际领先地位。2013年底，德国电气电子和信息技术协会发布了德国首个“工业4.0”标准化路线图，以加强德国作为技术经济强国的核心竞争力。与此同时，中国也积极跟踪先进国家制造业的发展趋势，力争从制造大国转变成为制造强国。为此，工业与信息化部先后发布了《高端装备制造业“十二五”发展规划》、《智能制造装备产业“十二五”发展规划》子规划、《智能制造装备产业“十二五”发展路线图》，明确把智能制造装备作为高端装备制造业的发展重点领域，以实现制造过程的智能化。正在发展智能电网的电力行业，同样也将经历工业4.0阶段，作为支撑智能电网的核心技术——储能技术，也必须适应智能制造发展的需要。

1 工业4.0

“工业4.0”被德国学术界和产业界普遍认为是工业第四次革命，通过传统制造业和ICT(信息通信技术)技术的深度融合，总体掌控从消费需求到生产制造的所有过程，由此实现高效生产管理［1］。“工业4.0”包含了由集中式控制向分散式增强型控制的基本模式转变，目标是建立一个高度灵活的个性化和数字化的产品与服务的生产模式。

纵观工业革命的前三个阶段，“工业4.0”是发展到一定阶段的必然产物［1］。虽然“工业4.0”的主要两大主题是智能工厂和智能制造［2-3］，但是这两大主题的最终结果是生产出满足市场、满足客户需要的产品。智能工厂的基本组件，某种意义上讲也是智能化的产品，因此，不管是最终交付到用户手中的产品，还是为了生产产品的那些基本组件，今后的发展趋势都是智能化的产品。

德国提出“工业4.0”有其自身发展的需要，其根本原因在于解决劳动力短缺的问题［4］，但是德国绘制的宏伟蓝图正是为了满足人们的终极目标:客户的个性化定制、供应商快速地提供高质量和性价比最优的产品、制造商在多样化小批量的订单中仍然盈利。只有智能工厂、智能制造、智能产品的生产价值链的高度统一才能实现，要达到这个目标，相关的技术需要发展到一定阶段才能实现。随着第三次工业革命的兴起和发展，计算机技术、互联网技术、传感器技术、3D仿真技术、云计算技术、嵌入式技术、物联网技术、大数据技术、故障诊断与预测技术等为“工业4.0”奠定了坚实的基础。作为传统制造业领先的德国，其在工业信息技术和工业软件领域也处于创新领导地位，已率先具备了迈向“工业4.0”的条件。

2 储能系统的锂电池寿命预测问题

杰里米·里夫金(Jeremy Rifkin)提出的第三次工业革命实际上是一场新能源的革命，带动了智能电网的发展。其中，储能控制技术是支撑智能电网发展的核心技术，而电池状态估算(SOC)技术，又是目前储能控制技术中的核心技术［5］。然而随着锂电池应用的日益广泛，健康状态(SOH)的估计和寿命预测技术，将成为未来的重要核心技术。锂电池寿命预测的准确度将直接影响到用户的维护计划和维护成本，相关文献指出［6］，寿命预测的方法分为两类:即基于经验的方法和基于性能的方法。其中，基于经验的方法包括循环周期数法、安时法与加权安时法、面向事件的老化积累法;基于性能的方法包括基于机理的预测、基于特征的预测、基于数据驱动的预测。基于机理的预测，其测试较为复杂，建立完善的老化模型存在一定困难。基于特征的预测，测量也比较复杂，需要专门的测量仪器，如果对EIS阻抗谱进行在线快速测量，也需要进一步的研究。相对而言，基于数据驱动的预测，其测试手段简单，对于电池复杂的物理化学演变过程中存在的机理和特征并不关心，而是通过测试数据为基础，利用数学统计方法或者利用人工神经网络模型，得到拟合的锂电池寿命曲线。但这种方法也存在局限性，因为预测的精度和准确性依赖于大量的数据积累以及积累这些数据花费的大量时间。另外，人工神经网络模型对电池寿命初期的预测结果比较满意，但是后期结果较差，这说明电池老化过程的复杂性，人工神经网络模型的训练维度也要复杂得多，仅靠有限量数据会带来不小的偏差。由于实际储能系统使用的锂电池存在个体差异和用户使用场合的差异，都将导致老化过程不尽相同，使用同一个拟合的参数集，显然精度和准确率的可信度值得怀疑，这无疑给锂电池寿命预测技术的发展带来了很大的挑战。

3 解决思路

电池老化的物理化学过程是个复杂的过程，电池无可避免地存在个体差异性，实际用户的运行工况和条件也各不相同，所以无法使用通用、统一的方法解决实际使用的锂离子电池预测问题。工业4.0的发展路线给我们提供了另一个解决思路:把设备型嵌入式数据库技术应用到储能系统，为解决锂电池个性化差异的问题提供了很好的途径。

首先，ARM公司开发的RISC架构，其CPU内核的成功推广，极大地推动了嵌入式系统的发展，ARM发展到今天，CPU的性能已经有了很大的提升。最新信息表明，ARM正在积极进入低功耗、微型化服务器市场，说明其强劲的性能足以应对应用的场合。其次，传感器技术的发展使快速感知、精确测量成为可能。另外，嵌入式数据库的研究已经有30年的历史，技术已日益成熟，按嵌入的对象不同，嵌入式数据库可分为三类:软件嵌入数据库、设备嵌入数据库、内存数据库［7］;按用户应用方式来分可包括:通用的嵌入式数据库和针对具体的对象设计开发的专用嵌入式数据库［8］。当前主流的嵌入式数据库包括:Oracle公司的 Berkeley DB、Sysbase公司的 Adaptive Server Anywhere、Relex的Linter、开源数据库 SQLite，国内方舟公司的Noahbase、人大金仓 kingbase 等［9］。其中，Berkeley DB和SQLite属于开源的嵌入式数据库。

综上所述，在储能系统中部署嵌入式数据库并进行个性化分析已具备了条件。

首先，以50 kW·h锂电池储能系统为例，分析一下数据存储量。系统中，锂电池电池单元数将近300个。锂电池最主要的数据采集量包括充放电电压、充放电电流、温度、充放电时间等，储能系统的采集量都是缓慢变化的量，采样周期以1 s为间隔。另外，实际的储能电池的充放电大部分情况都是采用恒流或恒功率方式，因此记录频繁的数据主要是电压和温度，如果按2个字节进行保存，那么每秒需要保存1200字节的数据，如果简单地进行存储，则1天的数据量就要达到1 GB，显然这种方式不可取。实际上，锂电池的充电通常采用先恒流后恒压，放电通常采用恒流。对比较复杂的充电过程进行分析可知，保证测量精度在1%的情况下［10］，在全充的情况下，电压从2.75～4.2 V，共经历了近40个测试点，每个测试点包含了电压、电流、两点之间的时间、温度，又由于电压和电流只有一个可变量，因此可以看成每个点共有3个数据量产生(以2字节计则需要6字节数据量)，以储能锂电池10000循环寿命(一次完整的充放电)计算，采集数据为720 MB数据，如果算上放电时产生的数据量，则电池整个寿命周期产生的数据量为1.44 GB，这对于嵌入式数据库还是能够承受的。

其次，具体实施可以考虑以下步骤。

在设计阶段:对嵌入式系统和嵌入式数据库进行适当的选型，并进行合理的裁剪和移植，再对采集的数据进行必要的优化，以节省嵌入式系统的有限空间。从控制成本的角度考虑，可以选择开源的操作系统和嵌入式数据库，并对此进行定制，以适用于储能系统的应用需求。

在运行阶段:根据原先实验室数据研究和计算得到的离线参数数据，对电池循环寿命进行预测，因为正如前面所述，初期的预测还是比较准确的。

在运行期间通过高性能的ARM芯片，利用已知有效的算法进行参数修改，在线修正预测曲线。

如果当前算法已无法满足需要，或者需要更复杂的计算时，则通过云技术获取最新算法。同时，云端可选择性地随时获取大量的相关数据，进行更深层次的挖掘和计算，并更新其他用户端的算法或参数，快速调整预测曲线，使预测的准确性大幅度提升成为可能。

值得指出的是，由于模块化的设计，具有系统扩展性好、成本和质量控制有效保障的特点，所以储能系统采用模块化设计是一种必然的选择。以50 kW·h为例，把50 kW·h电池组作为一个基本模块，那么电池的信息量已经可以确定，则相关的嵌入式数据库方案也就定型，所以作为模块的一部分，今后也不存在扩容的问题。相比使用集中式的数据库方案而言(比如PC机+数据库方式)，具有很大的优势。