考虑隐患系数的铅酸电池健康管理研究

2022-01-11黎剑波伍银波

现代计算机 2021年32期

黎剑波，伍银波

（1.中国南方电网有限责任公司超高压输电公司广州局，广州 510663；2.广东技术师范大学自动化学院，广州 510665）

0 引言

阀控式铅酸蓄电池（valve-regulated lead-acid battery，VRLA）在站用蓄电池中占据绝对优势。截至2020 年年底，广州局（不含海口分局）运维8个换流站、1个变电站，总计达到106组，其中运行年限5 年以上的蓄电池组为26 组，占全部蓄电池组的25%。根据广州局历史运维经验，运行时间达到5 年以上的蓄电池组出现容量问题的概率非常大［1］。广州局运维的电池组类型均采用VRLA，其设计寿命均大于10 年。相关研究表明蓄电池故障次数占站用直流电源系统故障一半以上［2］，而站用直流电源系统故障往往会引起严重的后果，因此对蓄电池进行健康管理和故障预测就显得异常重要。

1 VRLA失效分析

依据统计数据，广州局蓄电池提前失效比例较高，而影响蓄电池寿命的因素是复杂多样的，其中蓄电池的维护策略对蓄电池寿命有很大影响。通过合理的充放电管理策略、定期巡检及数据分析等手段，均能有效提高蓄电池使用寿命。

相关研究表明蓄电池的失效模式主要有正极活性物质脱落、正板栅腐蚀、负极不可逆硫酸盐化、负极汇流排腐蚀、电解液干涸、电池漏液、热失控、短路、析氢等失效模式［3-5］，而正极活性物质脱落、正板栅腐蚀和热失控是引起电池进一步失效劣化的主要元凶。这些失效模式，通过对蓄电池容量、开路电压、浮充电压、内阻、温度等参数的检测和外观检查能够及时发现并排除。随着投运电池组的增多，人工运维需要耗费巨大的人力物力，在线实时检测和分析技术将成为未来蓄电池养护的主要手段。

2 VRLA健康管理

2.1 检修规程

广州局对蓄电池的运维主要是依据南方电网《电力设备检修试验规程》［6］的规定进行，检修项目包括外观检查、内阻检查、蓄电池容量检查、单节蓄电池活化、更换单节蓄电池、整组蓄电池修复等13个项目。其中容量检查采取周期性核对性充放电的方式进行检验，电池组新投运时，应开展核对性充放电试验，10 h 率容量在第一次循环时应不低于0.95C10，在第3 次循环内应达到C10，且不大于1.15C10。投运4 年内每2 年一次，投运4 年以上每年一次，要求采用I10电流进行恒定电流放电，蓄电池容量应为标称容量的80%及以上。

在现场作业实践中，为了作业人员进行直观判断，以第8 小时I10恒流放电的电压作为判别依据。若该电压值低于1.8 V，则认为该节电池容量不足。针对容量不足的电池，应对单只电池采取活化措施，电池活化成功并投运3 个月后，再次对蓄电池进行核对性充放电试验，如若不满足要求，则视为该单只电池已故障，采取更换故障蓄电池。更换后蓄电池组仍达不到额定容量的80%时，应更换整组蓄电池。

2.1 基于核容数据的健康评估

依据现有作业规程，蓄电池定检项目能够完整记录电池组的内阻数据、环境温度数据、放电电流数据和放电电压数据。实践表明蓄电池提前失效很大一部分原因是和不当的充放电管理策略有关，研究浮充时电池内阻及均值、核容时电压下降率等参数与电池组SOH（state of health）的关系，发现浮充时铅酸电池内阻均值以及核容时单体电池电压下降率与电池SOH 表现出极大的相关性［7］。文献［8］采用灰色模型预测蓄电池的充放电电压，并根据预测的电压控制蓄电池的充放电时间，结果表明应用灰色系统对蓄电池健康管理能有效防止过充电和过放电现象发生。

为了更好利用核容数据分析蓄电池的健康度，本文在文献［7］隐患指数的基础上提出隐患系数，同时结合灰色模型，提出了一种融合的蓄电池监控评估方法。其中隐患系数定义为单节电池在核容2～7 h 时间段内电压下降率序列值平均值和整组电压下降率序列均值的相对误差，其中电压下降率为放电电压分段斜率值。如果遇到损坏电池，无法获得该节电压，则用0 V代替。

灰色系统论将信息部分明确、部分不明确的系统定义为灰色系统,灰色预测是应用灰色模型GM（grey model）对灰色系统进行分析、建模、求解、预测的过程。灰色系统对小样本数据预测有很好的效果，常用的模型有GM（1，1）、GM（2，1）、GM（1，n）和Verhulst 等模型。模型精度评价采用残差校验和后验差校验相结合的方式，残差校验的指标为相对误差百分比，一般要求小于20%，后验差校验的具体指标和精度等级如表1 所示。由于VRLA 核容充放电时，电压变换具有明显的规律性，并且样本数量小，因此可以使用灰色预测模型，本文重点研究带残差修正的GM（1，1）模型。

表1 灰色模型精度评价

3 实验验证

3.1 GM（1,1）预测

为了验证本文方法的有效性，利用Matlab2021a 软件设计了一款灰色预测软件。预测时只需要按照模板格式导入数据文件，即可观察内阻曲线、电压波动、放电电压等数据。可按单节进行灰色预测，也可按组进行批量分析。软件展示放电电压效果如图1 所示，用户可任选9 节电池进行电压对比分析。

图1 放电电压曲线对比

软件支持建模可行性分析和残差修正，默认此2项功能均为开启状态。用户导入数据文件后，软件自动识别电池组节数和放电数据。软件支持整组分析和单节电池预测，图2 是某站#3 继保室蓄电池组2 第22 节电压预测效果，由于该组放电时有较多单节不合格，因此放电至第5 小时终止了实验。而采用GM（1，1）模型可以预测后续数据，作为一种缺失数据的弥补手段。

图2 GM（1，1）电压预测效果

利用该软件对南方电网超高压输电公司广州局某800 kV换流站的5组蓄电池数据进行了分析，其中电池组电压为220 V，单节电压2 V，每组104 节，电池额定容量分别为200 Ah 和500 Ah。累计收集有效放电电压数据1040 条，GM（1，1）模型测试结果如表2所示。

表2 灰色模型预测结果

状态正常电池组，平均后验差比低于0.2，小误差概率均达到1。1#继保室电池组1电池组有故障的3 节预测精度为2 级，良好的精度均为1 级。其他组中预测精度低的电池均是电压有异常的，偏高或者排低都有，而仅有2 条故障电池放电记录未被检出。

3.2 隐患系数分析

电池组核容放电电压通常1 小时记录1 次，因此数据等间隔数据。在计算下降率时，可以直接用每段的斜率来作为下降率，则每节电池计算出一个下降率序列，求取序列平均值作为该节电池的下降率。然后求取整组电池下降率均值，计算每组下降率与均值的相对误差即为隐患系数。用同样的电压放电数据，隐患系数分析结果如表3 所示。对于核容未发现问题的电池组，隐患系数越大说明该节电池出故障的概率越高。

实验数据来自5 组蓄电池的2 次核容放电数据，其中有故障记录有4 组。由表3 可以看出，隐患系数高的电池故障的概率非常高。1#继保室电池组1 在2019～2020 年隐患系数前10 的编号，覆盖了2020 年故障编号的60%；1#继保室电池组2 在2019～2020 年隐患系数前10 的编号，覆盖了2020 年故障编号的87.5%；2#继保室电池组1 在2019～2020 年隐患系数前10 的编号，覆盖了2020 年故障编号的57%；3#继保室电池组2 在2019～2020 年隐患系数前10 的编号，覆盖了2020 年故障编号的100%。电池组的寿命由组内状态最差的单节决定，由表3可见隐患系数排前2的单节，出现在故障之列比例达到100%。

表3 隐患系数分析结果

3.3 应用案例

软件能够直观展示灰色模型预测指标和隐患系数曲线，图3 是3#继保室电池组2 号电池组2019 年放电曲线分析结果。该组电池于2012 年11 月1 日投入使用，2019 年核容时未发现异常。在2020 年核容时，放电4 小时，#44、#64 节低于1.8V，放电4小时25分，#24、#50低于1.8 V，放电4小时30分，#41低于1.8 V，放电4小时50分，#19、#43 节低于1.8 V，#18 节1.865 V。图3 标注出了8 个隐患系数按降序排列的值及编号，观察发现他们分别是44、64、24、41、18、19、43 和65号，与2020年核容时的故障电池编号吻合度达到87.5%，仅50 号电池的隐患系数不太突出（实际排序在整组的前13.46%）。