刘 灏 黎 明 向青海
(国能大渡河瀑布沟水力发电总厂)
0 引言
瀑布沟水电站使用的德国荷贝克公司阀控铅酸蓄电池具有长寿命、 免补水、 密封好等优点, 但在恶劣环境下易提前失效。蓄电池组是直流系统的唯一电源, 在失电紧急情况下至关重要。然而, 原监测维护装置功能不齐备, 无法实时全面监测电池性能。因此, 需要建设一套在线监测系统, 确保水电站直流电源系统蓄电池安全管理和智能监测, 在电力中断或紧急情况下可靠应对。
1 研究内容、 意义及国内外发展
1.1 研究内容
综上所述, 瀑布沟水电站需要建设一套在线监测系统, 包括就地监测装置和一体化监测分析平台。监测装置使用先进的传感器采集技术, 实时监测蓄电池单体的电压、 内阻、 电流和温度等关键数据, 并传输至中央监测平台。一体化监测分析平台通过数据处理和算法分析, 评估蓄电池组的健康状态, 并提供警报和维护建议。该系统有助于保障电站的正常运行, 提高蓄电池组的寿命和可靠性。
1.2 研究意义
1) 运维模式创新: 该研究改变了运维模式, 提高效率, 增强直流系统的安全可靠性。
2) 应用推广性强: 成果适用于老站点和新建站点, 在变电站直流系统中广泛应用和推广。
3) 节能增效: 智能运维管理系统降低了电池使用成本, 远程监测和运维功能减少了安全事故, 提高了节能效果。
1.3 国内外发展
国外电池厂商长期以来一直在对电池充放电系统的控制进行研究。目前, 充放电系统面临两大技术挑战: 控制电池的充放电过程和对性能落后的电池进行在线处理[1-4]。美国的Alber 和LEM 等公司制造的设备, 特别是BOS 蓄电池检测装置, 在实时监测方面发挥重要作用。该系统能够连续实时监测蓄电池的重要参数, 并自动检测其工作性能, 并及时发出预警。通过采集和分析蓄电池的运行信息, 系统软件能够生成相应报告, 实现对蓄电池的实时监控[5]。
近年来国内科研人员对电池均衡技术进行了研究, 提出了两种主要方法: 1) 更换故障电池组, 常用但不解决不一致性问题; 2) 安装电池管理系统, 在单体电池上安装管理单元, 结合软件系统实时监测电池状态, 排查故障电池并告警[6]。
2 研究方向
2.1 数据模型
2.1.1 神经网络算法放电模型
为预测蓄电池组的剩余容量, 采用了前馈式神经网络技术, 并建立了基于Levenberg-Marquardt 优化的BP 神经网络模型。该模型通过在线监测设备获取电池的实时数据并将其输入到模型进行计算。同时, 综合分析预测电池的健康状况, 并利用蓄电池相关信息对模型进行修正。
在蓄电池组放电时进行模糊分类和自适应求解。这样, 能够实时而准确地预测后备蓄电池在断电情况下的供电能力。
2.1.2 反映蓄电池容量的因素
1) 浮充特征
作为直流系统电源, 电池组处于浮动状态, 主要是为了补充ⅤRLA自放电损耗并向负载提供电流。由于电极材料、 安装和成型过程的不稳定性和不一致性, 电池性能是离散的。当不同性能的电池组合投入运行时, 每个电池的浮充电压会非常不同, 导致浮充电压分散度增加。分析表明, 浮充电压色散与电池的SOH 密切相关, 并且浮充电压的色散随着SOH 的减小而增大。图1示出了特定电池组中的1#和7#电池的浮充电压与平均浮充电压之间的比较。放电后, 1#和7#电池的容量明显低于其他电池[8]。如图1所示。
图1 长期的欠充或过充的电池浮充电压
2) 放电电压陡降复升特征
当一个充满电的电池在早期放电时, 电压会有一个短暂的突然下降, 但电压会很快再次上升。这种电压快速下降和上升的过程被描述为电压再次下降和上升的阶段。电压短暂下降的最低点称为“槽底电压”,上升的最高点称为“恢复电压”。
3) 内阻特征
内阻是预测电池容量的重要指标之一, 只有通过内阻在线检测, 才能准确预测电池的健康状态。内阻数据不仅可以补充电池性能分析, 还可以识别特别劣化的电池。由于电池内阻数据较小, 通常在mA 级,外部噪声和干扰会对内阻的测量产生一定的影响, 使得内阻在线检测较为困难。
4) 其它影响因素
一般来说, 电池的使用寿命为8-10年。在这段时间之后, 认为电池性能正在迅速下降。从大量实测的历史数据和经验可以得出, 调试时间与电池SOH之间存在一定的关系。在初始调试期间, 电池的SOH会有一定程度的增加, 但随着调试时间的增加, SOH 会逐渐降低。
2.1.3 剩余放电时间综合分析模型
Levenberg-Marquardt 优化BP 神经网络网络具体结构图如图2所示。
图2 网络结构图
基于Levenberg-Marquardt 优化BP 神经网络的计算过程介绍如下:
(1) 设置网络各权值和阀值的初始值。
(2) 计算网络的实际输出及隐层单元的状态, 励函数为Sigmoid函数。
(3) 判断误差, 误差大于设定的预期误差, 则对权值和阈值进行修正
(4) Levenberg-Marquardt 优化后的修正方法。对权值和阈值进行修正具体的方法如下:
式中,H为Hessian矩阵;
diag[H]为Hessian 矩阵的对角矩阵;λ为根据训练误差而改变的变量参数, [10-6, 106];d为修正参量的下降梯度。
(5) 将修正后的权值阀值进行计算, 直至误差达到设定的预期值, 结束循环计算, 输出神经网络拟合值。
1) 网络应用
采用Levenberg Marquardt 算法对BP 神经网络进行优化, 学习样本训练, 获取权值和阈值矩阵。从分析现有电池组运行数据中提取学习样本。系统运行一段时间后, 从现场运行数据中提取新的学习样本和教师样本, 重新训练新的权值和阈值, 使其更符合实际情况。网络结构图如图3所示。
图3 网络结构图
2) 放电时刻模糊分类以及自适应求解
蓄电池放电分为两个过程: 平稳降压降压。研究发现, 有些电池在平稳下降的过程中会产生较高的电压, 但在快速下降的过程中会出现更快的电压下降。举例说明, 图4 显示的是相同放电电流下电池A、 B、 C 放电曲线。C 电池是否剩余放电时间不如A、 B 电池, 仅靠放电过程无法确定。只有在T1时刻后才能推断C 电池剩余放电时间较短, 但此时已接近放电在放电前期无法准确得知电池剩余放电时间。如图4。
图4 蓄电池放电曲线
电池电流放电下的曲线按容量大小可分为标准曲线的四大类。通过结合前次放电容量或估计SOH与当前放电电压进行模糊分类, 然后自适应求解各种类型的标准曲线, 计算出蓄电池组的容量及放电剩余时间。流程如图5 所示。
图5 标准曲线四大类
SOH 分类根据求得的浮充模型的预测性能, 可以根据相应的隶隶属度函数:
式 中, Capi≤为 第i节 电 池 预 测 的 性 能 值;f(Capi)为分类的类别号。
3) 放电电压分类
根据放电过程中放电时刻t的放电电压Ⅴ, 以及该时刻‘第一类容量’的模拟输出电压Ⅴ1 (t), ‘第二类容量’的模拟输出电压Ⅴ2 (t), ‘第三类容量’的模拟输出电压Ⅴ3 (t), ‘第四类容量’的模拟输出电压Ⅴ4 (t), 这5 个参量建立隶属度函数。隶属度函数:
式中,f1(t) 为4 个参量中的最小值;f2(t) 为分类的类别号。
4) 模糊控制器
基于以上的浮充模型的性能分类和放电电压分类, 基于模糊规则建立合理的模糊规则控制器, 见表1 模糊规则。通过以上的模糊控制器可以求得最终的分类号 (如表1) 。
表1 模糊规则
5) 容量累积算法的放电模型
实时容量的计算方式:
式中,Q为蓄电池容量 (AH);T为放电小时数(H);η为放电容量系数;t为实际电池所在地最低环境温度值;α为电池温度系数(1/℃), 当放电小时率≥10 时, 取α=0.006; 当10>放电小时率≥1 时,取α=0.008; 当放电小时率<1 时, 取α=0.01; 放电容量系数 (η) 表, 如表2。
6) 容量累积计算
对于阶梯型负荷, 采用分段计算法计算 (如图6) 。
图6 阶梯负荷
目前m最小值为6s, 可根据要求定制精度。通过以上公式, 实时计算出剩余容量。
2.2 实例分析
电池自燃的主要原因是电池漏液, 其中铅酸蓄电池漏液可分为正负极柱漏液和底壳漏液两种情况。正负极柱漏液会导致电池正负极短路, 产生大量热量,迅速升高温度, 引发燃烧和爆炸。针对正负极漏液情况, 需要实时监测每个后备蓄电池的正负极是否有漏液。为此, 可以在电池的正负极上加装导电环以防止漏液, 具体示意图如图7所示。
图7 导电环
为了监测电池漏液, 可采用单体监控模块实时采集正负极柱和导电环电压。无漏液时, 电压值为0。漏液时, 会采集到非零电压并准确判断是正极还是负极漏液。另外, 底壳漏液可通过六轴姿态传感器监测电池鼓包, 避免自燃火灾 (如图8) 。
图8 六轴姿态传感器
3 主要功能与实现
3.1 主要功能
3.1.1 容量预估
利用前馈式神经网络技术建立放电模型, 进行验算, 对蓄电池组的残余容量进行精确的预测。通过前馈神经网络和优η化的BP模型, 对电池的剩余容量进行精确预测, 提高可靠性和效率。
3.1.2 除硫养护
1) 蓄电池脉冲除硫的基本原理
硫酸铅晶体附着在电池极板上, 作为防止电化学反应的绝缘层。通过施加足够高的电压, 就能将绝缘层击穿, 使之从绝缘性变成导电性。在控制充电电流和脉冲宽度的情况下, 防止气体析出的同时击穿硫酸铅结晶。通过添加负脉冲降低电池温升, 减少极板的气体析出, 从而达到消除脉冲硫化的作用[9]。
2) 技术原理
硫离子具有五种不同的能级状态, 其中稳定的共价键能级状态是硫化现象的一种稳定形式。要打破硫化层的结构, 就需要提供使原子跃迁到高能带上的特定能量, 解除它们之间的羁绊。脉冲修复装置通过产生特定频率的脉冲来实现与硫化原子的谐振, 从而将硫化原子转变成自由离子, 使之溶解在电解液中, 从而重新投入到电化学反应中。脉冲的参数有周期, 电压, 占空比, 幅值, 上升时间, 脱硫强度等[10]。
3) 技术实现
电脉冲生成: 产生高频、 高幅值的电脉冲信号,用于清除蓄电池内的硫化物。
电脉冲传输: 将电脉冲信号传输到蓄电池组中,确保信号传递到正负极。
电脉冲作用: 电脉冲与蓄电池内的硫化物反应,引起其分解并形成可溶解的化合物。
除硫效果检测: 监测电压、 电流和容量等参数,评估脉冲除硫的效果。
4) 除硫装置波形
脉冲波可将硫酸铅结晶体转化为可逆的硫酸铅,具有较高的电化学性, 使其能正常参与充放电反应,其修复率在60%左右[11]。
3.1.3 漏液监测
漏液监测技术主要采用导电环的电压采集。通过差分采样技术, 高分辨率采集正负极对导电环的电压值和符号, 准确判断电池极柱是否漏液。
3.1.4 变形监测
难点在于传感器的选择和算法。在应用过程中,为了保证形变的精度, 需要采样很高的灵敏度, 这又带来误判的问题。因此优化了算法, 既保证精度, 又100%不会误判。
3.1.5 电压均衡
通过监控每个电芯的电压, 将电流从高压电芯低压电芯, 达到平衡。当某一蓄电池的设定的阈值时,电流就会被导入到其它蓄电池中电池组中的设定的电压差为止。
3.2 项目实施
该系统已经在大渡河瀑布沟水电站直流系统进行了安装试点, 共完成机组直流系统、 公用直流系统、进水口直流系统、 通信直流系统共14组蓄电池在线监测系统安装调试, 并接入一体化平台, 目前运行稳定, 效果良好, 通过集中管理平台, 可实时查看电池组的性能状态、 安全系数、 后备时长, 剩余容量、 使用寿命等关键参数, 符合该研究项目所设定的目标。
4 结束语
直流系统蓄电池组全生命周期智能管理系统是一套经过多年工作经验积累与研发的解决方案。该系统提供全面的监控和控制功能, 包括健康和故障诊断等。通过全面监测和分析电池组状态, 及时检测潜在问题并采取维护措施, 确保安全运行。系统还具备自动化控制功能, 优化充放电过程, 延长电池组寿命,确保系统稳定可靠运行。