一种基于大数据分析的蓄电池智能管理系统

罗智燃，李永忠，喻光林

(1.贵州电网有限责任公司遵义供电局，贵州 遵义 563000；2.贵州创星电力科学研究院有限责任公司，贵州 贵阳 550002)

在变电站直流电源系统中，蓄电池为其关键性的构成之一，配置该部件的核心目的就是在交流电脱线后，蓄电池可以用作备用电为设备提供电源支持。这就要求蓄电池始终保持较优的健康状态，在需要蓄电池供电时，蓄电池可用且够用。

在蓄电池使用环节，往往会因为其故障，最终使得电力安全事故时常出现。由于蓄电池在直流电源系统中有着重要作用，为此，对其进行管理，应立足于以下两点：第一，对蓄电池故障及时发现及预判；第二，对蓄电池故障所带来的不利影响需要进行快速应对。本文结合蓄电池故障现象及失效原因分析[1-4]，提出一种基于大数据分析的蓄电池智能管理技术。该技术集“监测、判断、预防、保护”于一体，充分运用大数据分析[5]、人工智能、数字通讯等技术，多维度地判断蓄电池状态，分析蓄电池故障原因并做出瞬时响应并进行保护，杜绝因蓄电池故障导致的电力安全事故，有效提升蓄电池管理水平，使得该直流电源系统有着更高的安全级别。

1 基于大数据分析的蓄电池状态判断

目前，很多变电站蓄电池已安装有在线监测装置[6-10]，这些装置主要利用蓄电池内阻、温度、电压数据，按照人为设定的阈值来对蓄电池状态进行动态判断，其中涉及欠压、过压及内阻高等，只能在蓄电池故障发生以后“告警”，而不能实现主动发现、及早预警，在实际运行中并不能对蓄电池故障起到预防作用，更不具有对运维工作的指导性。变电站蓄电池在长期的运行过程中，产生了大量数据。如何利用好这些庞大数据，同时结合电化学技术，更准确地分析、判断蓄电池状态，识别出性能落后的单体电池以及可能引发蓄电池使用安全的因素，指导蓄电池的运维工作，是现在需要解决的问题。

1.1 基于大数据分析的告警策略

传统的蓄电池管理系统对告警的判断依赖于单个或多个阈值，准确性不高。本文通过对大数据分析，对于复杂或准确性要求高的告警，建立了数学模型。通过建模、滤波、训练、自学习等技术手段，实现一系列重要告警，如电池的健康状态(state of health，SOH)低、落后单体、充电故障、连接条松动等。

例如落后电池告警，通过分析电池的充电情况、放电情况、温度、内阻、历史数据等，提取了近20个特征，进行多种数学模型建模，最终输出准确度很高的判定结果。

基于电化学和大数据分析，对产生的告警做进一步分析，利用告警相关联设备的历史数据、关联数据，根据一定的算法，得到告警的原因、影响，以及解决建议，极大地提升了维护人员对告警产生后的可操作性、可维护性。

1.2 基于深度学习的蓄电池容量估算

电池在使用过程中容易出现劣化与老化现象，为此，要对电池健康态进行深入了解，包括SOH，它又可以称作劣化水平、寿命状态等。

长期以来，人们希望通过蓄电池的内阻值来判定蓄电池的 SOH，并在内阻的测量技术方面进行了大量的研究[11-15]。蓄电池的内阻在一定程度上可以表征蓄电池的SOH。但铅酸电池的内阻非常复杂且时刻都在变化，它包括欧姆内阻、电化学极化内阻及浓差极化内阻，同时不同的内阻测量方法所测量出来的值也是不一样的。从蓄电池行业的一些权威机构的测试数据来看，如图1所示，我们可以看出电导值与电池容量的关联并不大。比如电导百分比为80%左右时，电池的容量却在60%～100%之间分布。因此，用内阻值来评价电池的健康状态误差较大，操作指导性不强。

图1 内阻与容量分布图Fig.1 Distribution diagram of internal resistance and capacity

目前业内对于电池的SOH判断[16-23]还主要依赖于定期的人工核容。本文提出的蓄电池智能管理系统通过对海量的蓄电池运行数据进行分析，研究出各种和容量相关的特征，进行深度学习的数学建模，形成了适用于各种应用场景的蓄电池容量估算算法与模型。

(1)大数据分析

收集大量的蓄电池在不同状态下的运行数据(特别是通过智能充电技术所采集到的电池开路电压)，借助于大数据技术来对这些海量信息进行动态分析，为算法提供重要支持。

(2)数学建模

本算法模型是基于不同类型电池、不同放电倍率、不同SOH的电池放电数据，在进行电压归一和时间归一后曲线基本一致的原理下，对荷电率(state of charge，SOC)进行神经网络的回归预测。

图2 SOH预测模型Fig.2 SOH prediction model

通过该算法模型，寻找到放电过程中SOC与SOH的关系，可得到以下公式：

(1)

(2)

其中：Cr=当前放电条件下的保有容量

Cv=当电压等于v时已放出的容量值

Vs=起始电压

Ve=终止电压

v=当前电压值

f(v)=神经网络权值函数

求得Cr后，根据该型号电池的恒电流放电特性表，转换为标准放电条件下的保有容量：

(3)

图3 放电倍率与容量关系Fig.3 Relationship between discharge rate and capacity of battery

如无该型号电池的恒电流放电特性表，可使用以下公式：

(4)

然后：

(5)

其中：C0.1C=标准放电条件下的保有容量

Crated=额定容量

k=不同放电率下的容量比例

Vs,0.1C=0.1C下的稳定的起始电压，如无该数据，可用2.135(单格)

Ve=终止电压

Vr=额定电压

(3)模型校正

基于神经网络的计算模式，存在因为样本不足，或特征值不合理等各种因素影响，可能会产生较为严重的错误结果，因此需要结合以下简易模型，来对结果进行检验和纠正。

观察下图4。假设曲线A是样本库中平缓最长陡降最短的曲线，C是样本库中平缓最短陡降最长的曲线，那么需要预测的曲线C，它的预测值，必然在同等电压比时，介于A的实际值和B的实际值之间。

图4 SOH校正模型Fig.4 SOH Correction model

因此可以建立一个简易模型，将样本库中所有曲线，在电压比区间[100%,0%]，每隔1%，记下所有曲线在该电压比下的SOC最大最小值，形成一个矩阵：

设某放电曲线，最后的电压比为52%，则SOC的可能区间为：

[MIN52, MAX52]

另外，放出的容量作为最低条件不能忽略。设C为放电结束前放出的容量值，经过标准放电条件转换后为C0.1C，Crated为额定容量，则：

(6)

所以：

MIN=max(MINC, MIN52)

最后得出SOC的区间为：

[MIN, MAX52]

(4)模型训练流程

如图5所示。

图5 模型训练流程图Fig.5 Model training flow chart

(5)SOH计算流程

如图6所示。

图6 SOH计算流程图Fig.6 SOH calculation flow chart

2 蓄电池智能充电管理

从表1可以看出，蓄电池无论是在充电、放电及静置状态下，都存在着不同程度的副反应，特别是在浮充电阶段，正极腐蚀及氧复合反应等高于蓄电池充电、放电、开路状态，并且会随着充电电压和温度的升高而加速，这些副反应是导致蓄电池老化/劣化的根本原因。长期的研究和测试发现浮充型蓄电池累计过充电电量大约10C左右，电池寿命即告终止。

目前的蓄电池充电管理主要依赖于充电机，如三阶段充电，还有就是部分蓄电池在线监测装置具备电池均衡[24]功能，从研究降低蓄电池在浮充电过程中的副反应出发，采用智能充电机制[25-27]，以减少蓄电池的过充电量。在蓄电池组充满电的情况下，隔断蓄电池组的充电回路，并智能设定蓄电池的补充电时间及时长，从而使蓄电池既不过充电又不欠充电，解决长期浮充电条件下电池板栅腐蚀和失水等副反应问题，延缓电池老化，使得电池能够处于最佳健康态。

表1 蓄电池充放电原理Tab.1 Battery charging and discharging principle

具体实现方式是：在直流系统充电屏与蓄电池组之间串联一个智能充电管理模块(如图7所示)，对电池充电回路进行控制。通过持续监测蓄电池的SOC变化[28-30]，判定电池已经完全充满电的情况下自动断开智能充电管理模块中的充电接触器K1，使蓄电池进入休眠状态(既不充电也不放电)，避免持续的充电电流对电池的过充电，以减少蓄电池板栅腐蚀、失水以及发热等副反应，延缓蓄电池自身的老化和衰减；定期自动闭合充电接触器K1，补充蓄电池在休眠期间的自放电。由于不同品牌、型号、不同使用年限的电池的自放电率及充电效率都不尽相同，系统可自适应且动态调整补充电的时长，让蓄电池能够更好地处于满电态，使之具有更高的安全属性。

同时在蓄电池智能充电模块内并联大功率放电二极管D1，使蓄电池组的放电回路保持实时在线，当交流失电后，蓄电池组能够实现无缝切换。放电二极管采用2路冗余设计，确保放电过程的安全性。

蓄电池在过充电时会通过安全阀排出氢气，智能充电管理在减少电池内部副反应的同时，减少了氢气的析出，大幅降低因蓄电池排氢引发爆炸[31]的几率。

图7 蓄电池智能充电管理模块原理图Fig.7 Schematic diagram of intelligent charging management module

3 蓄电池开路电压测量

变电站蓄电池主要运行在长期浮充电模式下，而传统的电池巡检仪试图通过采集浮充电状态下的蓄电池的电压、电流、温度及内阻参数来了解蓄电池的状态，这种监测思路本身就有很大的问题。

管理蓄电池的本质，需要建立在反应机制、电化学原理基础之上，外部监测到的数据只是表象。浮充电状态下的蓄电池的电压实际上是充电机所提供的充电电压，相比较而言，蓄电池开路电压才能更加准确地展现出蓄电池状态。如图8所示，在浮充阶段，某只蓄电池的电压是高于其他电池的，但电池进入休眠阶段后，其开路电压则明显低于其他电池。这意味着，浮充电下的数据，不能很准确地体现蓄电池实际状态，存在着相应欺骗性与不确定性。

图8 蓄电池在浮充及休眠时的电压差异Fig.8 Voltage difference of storage battery during floating charge and dormancy

借助于系统的智能充电管理功能，在其休眠环节，相应电池单体所配置的采集模块，会对其开路电压进行采集，由此为大数据分析提供相应数据支持，可以更准确地识别出性能落后的单体电池。在蓄电池休眠时，测量蓄电池的内阻值可有效避免充电纹波干扰。由于没有电流流过，蓄电池的极化内阻将降至最低，此时测量得到的内阻值更接近蓄电池的欧姆内阻，这要比浮充电情形下的内阻值更具有参考性。

4 蓄电池组开路保护

4.1 蓄电池组开路产生的原因

由于制造过程工艺水平参差不齐，电池本身自劣化水平不同，以及使用过程中出现的一些不当操作等原因，导致蓄电池常常会出现非正常失效的问题。这个问题如不能及早发现、及时处理，会严重影响到整组蓄电池的安全运行，对直流电源系统安全、稳定属性带来极大影响。

蓄电池组开路大致分为两类，第一类是因为外力破坏或内力作用导致的突发性开路，如电池连线松脱、螺杆断裂和电池炸裂等；第二类是由于蓄电池工艺、质量不达标、老化和不正确维护等情况导致的内阻增大，引起板栅与汇流排连接处发热、老化和落焊等情形，使蓄电池内部产生很大的开路风险，在大电流冲击下，会产生相应的开路。第二类蓄电池开路最为隐蔽，危害极大，其内部开路不是提前发生的，而是在站用交流失去时，蓄电池组需要放电给负载进行供电，有开路隐患的蓄电池内部板栅和汇流排的焊接点可能会脱开，使蓄电池内部突然开路。

4.2 防开路功能将蓄电池故障对整个系统的影响降到最小

变电站蓄电池组主要采用的是多只电池串联的模式，且采用2V*104只(或108只)蓄电池居多，电池数量多，任何一个蓄电池出现开路故障都将影响整个直流系统。如何确保在蓄电池开路时母线不失压，目前的研究主要有以下两个方向：一是对于双重化配置的变电站，两组蓄电池通过柔性母联[32-33]装置互为备份；二是并联电源技术[34-35]，将传统的串联蓄电池改变为多组12V电池并联的方式，每小组均独立充电并升压向负载供电。

本系统是在不改变蓄电池组原有串联方式的前提下，将蓄电池组分为若干的蓄电池串，每串蓄电池并联一个DC/DC隔离升压模块，所有的DC/DC隔离升压模块的输出端均并联至直流母线，每个DC/DC隔离升压模块均可独立输出满足负载所需电压，在电池组没有故障的情况下，DC/DC隔离升压模块不介入工作，不改变电池组传统的充放电工作模式，只有当电池组出现开路等故障，且交流失电时，通过DC/DC隔离升压模块以隔离升压的方式使每个蓄电池串都可以独立输出满足负载所需电压。具体工作原理如图9所示。该系统杜绝了因单体电池开路而导致整组蓄电池失去应急备用供电能力的问题，大大提升变电站直流电源系统的安全等级。

图9 防开路工作原理图Fig.9 Schematic diagram of anti open circuit

5 火灾预防

通过建立火灾防控模型，对蓄电池火灾隐患(热失控、连接松动、漏液)进行全面监控，避免火灾事故的发生。

5.1 热失控预防

电池在使用过程中，由于环境温度过高、充电电压过高、电池安装间距不足导致的散热不良等因素会加速电池内部副反应速度。譬如正极板的腐蚀，失水导致的发热加速，就是因为电池温度上升，进而让电池内阻显著减小，而后者的下降，会进一步增加充电电流，于是温度就会上升。当超过120摄氏度时，ABS外壳就会软化(该材质的软化点仅为90摄氏度左右)，从而引发电池的热失控。热失控的后果就是电池容量下降、漏气等，严重时还会诱发电池燃烧、爆炸等。

蓄电池在老化到一定程度时，正常浮充也可能产生热失控。原因是：蓄电池在充电末期会产生电解水反应，由于氧复合效率的下降会导致电解液的损耗及电解液密度升高，使得氧复合电流增大，浮充电流不断升高又会加速电解液损耗及发热，最终引发电池热失控。

通过监测蓄电池组浮充末期的充电电流、温度及单体电压等数据的变化趋势，结合蓄电池组SOC，利用大数据分析技术综合判断电池组是否存在热失控风险。若系统算法判断存在热失控风险时，则推送告警并自动断开智能充电管理模块的充电接触器K1(如图6所示)，对蓄电池充电回路进行隔断。这样就能从源头上对该电池的热失控进行杜绝，规避火灾出现。

5.2 电池连接条松动监测

根据能量计算公式：

Q=I2RT

(7)

其中，T和Q分别为时间与能量，R与I则依次为表面电阻与电流。

电阻与电流越高，形成的热量就会显著越高。蓄电池在长期的充放电过程，热胀冷缩，将有可能会导致连接条的松动，使得连接条与电池端子的接触电阻升高，并且会随着时间的推移而加大，当温度上升到一定程度时，于是就容易导致电池端子发热，使得外壳材料被软化，进而起火冒烟。

通过监测单体电池在各阶段充放电过程中的温度及内阻变化趋势，以及单体电池与整组蓄电池进行数据横向比较，通过大数据及人工智能技术综合分析电池是否存在连接条松动隐患，在存在连接条松动隐患时推送告警。

5.3 电池组漏液风险监测

电池在使用过程中，极柱密封老化失效，外壳粘接老化失效会引发爬酸和漏液；同时安装运输时操作不当同样会造成电池外壳隐形破坏而未被发现，随着运行时间的增加，最终引发漏液现象。

在蓄电池组的正负母线上安装一个漏电流传感器采集蓄电池组正负母线的漏电流。系统核心算法根据采集到的漏电流值，再结合相关联的参数综合判断电池组是否存在漏液风险，当存在漏液引发火灾风险时推送告警，避免持续漏液引发的火灾事故。

6 应用效益分析

研制的两套蓄电池智能管理系统设备已安装应用于某220kV变电站的两组蓄电池上，运行状况良好，极大地提高了蓄电池的智能化管理水平，取得了预期的效果。

6.1 实现蓄电池的可视化管理

系统应用后，实现了蓄电池全面的可视化管理(如图10所示)，可实时呈现蓄电池组的剩余备电时间、SOC、SOH、电压、电流，单体电池的电压、温度、内阻数据以及环境温度。对于存在异常或隐患的电池，在推送告警的同时，会根据该告警的影响程度在柱状图上标识相应的警示色，如红色、橙色，以提醒运维人员关注并及时处理。

图10 蓄电池监控界面Fig.10 Battery monitoring interface

系统可查看蓄电池的充放电曲线，对于落后电池一目了然。如图11所示，在定期核容放电测试过程中，放电约3小时后，有4只电池的电压明显跌落。

图11 蓄电池充放电曲线图Fig.11 Charging and discharging curve of battery

6.2 蓄电池安全管理

本系统全面的蓄电池安全管理策略，杜绝了蓄电池开路、蓄电池组漏液、连接条松动、热失控等缺陷导致的安全事故。

6.3 降低蓄电池的报废率

本系统可精准识别落后单体，指导运维人员对落后的单体电池进行替换，大大降低蓄电池的报废率。

6.4 提升运维效率

本系统实现了蓄电池故障的原因分析及维护建议，并预留远程核容接口，大幅提升了蓄电池的运维效率。

7 结束语

本文所介绍的蓄电池智能管理技术，是基于多年实践所得的测量数据，利用大数据分析技术经过多维度的分析运算之后，综合分析判断电池的真实状态，实时发出整改信息，可以预防火灾等安全事故的发生，并且可以在出现电池开路等故障时进行保护，确保直流系统母线不失压，有效降低了由于蓄电池故障问题引起的损失，同时还利用智能充电管理技术(电池休眠技术)减少蓄电池使用过程中的副反应，可大大提升蓄电池的安全性和可用性。