袁世魁, 程力
(東南大學(xué)能源與環(huán)境學(xué)院,江蘇 南京 210096)
閥控式鉛酸(VRLA)蓄電池被廣泛用作后備電源或儲能裝置,隨著在線時間增加,蓄電池組的性能會逐漸下降,影響其蓄能能力。按照 VRLA 蓄電池維護規(guī)程,需要定期對電池組進行核對性放電試驗以評估其性能,但是對使用大量蓄電池的企業(yè)來說,核對性放電試驗需要耗費大量的人力物力,很難全面覆蓋,而且在電池健康狀況未知的情況下存在用電設(shè)備宕機風(fēng)險[1]。在交流電源停電時,常有蓄電池組由于供電能力不足而導(dǎo)致關(guān)鍵設(shè)備停電,給企業(yè)造成重大損失。因此,研究通過蓄電池組短時間放電進行性能評估的方法具有實際的應(yīng)用價值。
電池健康狀態(tài)(SOH)在數(shù)值上等于當(dāng)前電池的實際可用容量與新電池額定容量的比值[2],是評價蓄電池組性能的重要參數(shù)。本文中,筆者基于蓄電池在放電初始階段的 Coup de fouet(電壓陡降復(fù)升)現(xiàn)象,利用 BP 神經(jīng)網(wǎng)絡(luò)建立蓄電池 SOH 對谷底電壓和峰值電壓的性能估測模型,可在正常工作狀態(tài)下快速實現(xiàn)蓄電池性能估測,無需專門的長時間核對性放電試驗。
Coup de fouet(電壓陡降復(fù)升)[3]是指當(dāng)蓄電池由滿充狀態(tài)切換到放電狀態(tài)后,在最初的幾分鐘內(nèi),會出現(xiàn)一段短暫的電壓陡降,然后回升到放電平臺電壓的現(xiàn)象(見圖 1)。相關(guān)文獻表明[4-7],在相同的放電倍率下,谷底電壓和恢復(fù)電壓同電池實際可用容量約成正比,而不同的放電條件,例如電池放電率、溫度,會對谷底電壓和恢復(fù)電壓產(chǎn)生較大影響,因而當(dāng)采取基于 Coup de fouet 的方法估測電池 SOH 時,必須予以考慮。
圖1 Coup de fouet 原理圖
由于谷底電壓、峰值電壓、溫度、放電率與蓄電池 SOH 呈非線性,難以建立統(tǒng)一的模型,而神經(jīng)網(wǎng)絡(luò)算法具有高度非線性化、泛化性強、自學(xué)習(xí)等優(yōu)點[8],筆者將電池健康狀態(tài)(SOH)分為健康、劣化兩類,分別用“1”和“0”表示,以谷底電壓和恢復(fù)電壓為主要變量,利用放電率、溫度對谷底電壓和峰值電壓進行修正,通過 BP 神經(jīng)網(wǎng)絡(luò)算法,對蓄電池 SOH 進行分類。
神經(jīng)網(wǎng)絡(luò)模型中,輸入變量類型和數(shù)量的確定直接影響著模型預(yù)測結(jié)果的準確性和運行效率。根據(jù) Kolmgoerov 定理[9],三層的前饋網(wǎng)絡(luò)具有對任意精度連續(xù)函數(shù)逼近的能力,因此筆者采用三層 BP型神經(jīng)網(wǎng)絡(luò)對蓄電池 SOH 進行估計。
本文中,筆者利用江蘇電信的蓄電池遠程維護與評估系統(tǒng)收集的蓄電池放電過程數(shù)據(jù),對 Coup de fouet 現(xiàn)象進行建模研究。選取滿充蓄電池的放電過程,系統(tǒng)每 2.5 s 記錄下各單體的端電壓、電流、溫度等數(shù)據(jù)。通過對放電數(shù)據(jù)的處理,提取Coup de fouet 現(xiàn)象下電池單體的谷底和峰值電壓,以及其對應(yīng)時刻的放電率、溫度,并將其作為神經(jīng)網(wǎng)絡(luò)模型的輸入變量;獲取電池單體的健康狀態(tài)SOH,作為網(wǎng)絡(luò)模型的輸出變量。選取 480 組放電數(shù)據(jù)進行模擬,其中 240 組數(shù)據(jù)作為模型的訓(xùn)練樣本,另外 240 組數(shù)據(jù)作為測試樣本。其中有代表性的 10 組數(shù)據(jù)如表 1 所示。
由于自變量端電壓、電流、溫度三者的數(shù)據(jù)范圍差別較大,如果直接作為訓(xùn)練樣本,將會在模型的訓(xùn)練過程中造成嚴重誤差,且不利于模型的收斂,因此要對數(shù)據(jù)進行歸一化處理,以消除此影響。通過公式
表1 訓(xùn)練數(shù)據(jù)
將原始電壓數(shù)據(jù)映射到 0~1 范圍。式(1)中:xn為原始數(shù)據(jù);xm為歸一化數(shù)據(jù);max(X)、min(X)分別為變量x的最大值和最小值。為了修正電流和溫度對電壓的影響,分別將二者的原始數(shù)據(jù)除以一個較大的定值,這里電流I0取 100 A,溫度θ0取50 ℃。
本文中,神經(jīng)網(wǎng)絡(luò)模型的輸入變量為谷底電壓和峰值電壓,以及其相對應(yīng)的電流、溫度,即X=(Ut,Up,It,Ip,θt,θp)T,輸出變量Y以矩陣 (1, 0; 0,1)T分別代表電池的健康、劣化兩種狀態(tài)。模型學(xué)習(xí)參數(shù)如下:網(wǎng)絡(luò)隱層和輸出層采用標準 Sigmoid激活函數(shù);隱節(jié)點數(shù)取 10;學(xué)習(xí)率η=0.05;初始權(quán)值和偏移取 [-0.1,0.1]內(nèi)隨機值;最大訓(xùn)練次數(shù) 50 000;目標誤差函數(shù)分別用完全平方誤差EA和分類誤差Ea表示。在中,Ne為全部樣本輸入后,不符合期望輸出要求的實際輸出分量個數(shù);P為訓(xùn)練模式數(shù);m為輸出層神經(jīng)元數(shù)。
模型經(jīng)過學(xué)習(xí)訓(xùn)練后,可得到 BP 算法的進化曲線如圖 2 所示。從圖 2a 中可以看出,模型趨于收斂。由圖 2b 可以看出,經(jīng)過 3 000 次訓(xùn)練后,分類誤差Ea保持在 0.02 以下。之后,以另外 240組數(shù)據(jù)對模型進行測試,結(jié)果如表 2 所示。表 2中,Ci表示測試樣本中被分為Ci類的樣本數(shù),Cij表示被分為Ci,但被模型識別為Cj的樣本數(shù),其中i,j=1,2。從表 2 中可以看出,對 240 組測試樣本的識別精度為 94.17%。對比測試樣本的網(wǎng)絡(luò)輸出,C12、C21中大部分的模型輸出值在 0.3~0.7 之間,導(dǎo)致該部分電池在每次訓(xùn)練樣本后被識別時會出現(xiàn)略微差異。同時,研究樣本電池在本次放電過程前后的放電數(shù)據(jù)發(fā)現(xiàn),健康電池最先發(fā)生劣化的也集中在C12、C21兩部分。
圖2 BP 算法進化曲線
表2 BP 網(wǎng)絡(luò)對 240 組測試樣本的識別
本文中,筆者利用 VRLA 蓄電池放電過程Coup de fouet 中谷底電壓和峰值電壓與蓄電池健康狀態(tài) SOH 間的對應(yīng)關(guān)系,同時用不同放電條件下的放電率、溫度因素對其修正,建立了谷底電壓、峰值電壓、放電率、溫度與健康狀態(tài) SOH 的對應(yīng)數(shù)據(jù)模型,通過 BP 算法對模型進行訓(xùn)練。仿真結(jié)果表明,通過 BP 神經(jīng)網(wǎng)絡(luò)對蓄電池 Coup de fouet 建立的仿真模型可以有效地預(yù)測電池健康狀態(tài) SOH。由于測試時放電時間較短,不會對電池當(dāng)前所處的工作狀態(tài)產(chǎn)生影響,因而無需電池離線檢測,也無需進行長時間放電,相對傳統(tǒng)的核對性放電試驗檢測方法更為方便、高效,非常適用于作為后備電源的蓄電池 SOH 在線檢測。
參考文獻:
[1]桂長清.通信用密封鉛酸蓄電池組在線診斷技術(shù)[J].通信電源技術(shù), 2005(22), 44-46.
[2]RAND D A J, MOSELEY P T, GARCHE J, 等.閥控式鉛酸蓄電池[M].郭永榔, 胡俊梅, 王麗麗,等,譯.北京:機械工業(yè)出版社, 2007.
[3]BERNDT D, VOSS E.The voltage characteristics of a lead-acid cell during charge and discharge:Proceedings of the 4th International Power Sources Symposium, Brighton, September 1964[C]: 17-27.
[4]BOSE C S C, LAMAN E C.Battery state of health estimation through coup de fouet: Proceedings of the 22nd International Telecommunications Energy Conference,INTELEC, February 2000[C]: 597-601.
[5]PASCOE P E, ANBUKY A H.The behaviour of the coup de fouet of valve-regulated lead–acid batteries[J].Journal of Power Sources, 2002,111(2): 304-319.
[6]PASCOE P E, SIRISENA H, ANBUKY A H.Coup de fouet based VRLA battery capacity estimation:Proceedings of the First IEEE International Workshop on Electronic Design, Test and Applications (DELTA’02), IEEE, 2002[C]: 149-153.
[7]PASCOE P E, ANBUKY A H.Estimation of VRLA battery capacity using the analysis of the coup de fouet region: Proceedings of the Telecommunication Energy Conference, 1999.Intelec '99.The 21st International, IEEE, 1999[C]:114-122.
[8]CHARKHGARD M, FARROKHI M.Stateof charge estimation for lithium-ion battery using neural networks and EKF[J].Trans and Electron, 2010, 27: 4178-4187.DOI:10.11091tie.2010.2043035.source:IEEE.xplove.
[9]齊麗強, 王澤民.基于改進 BP 神經(jīng)網(wǎng)絡(luò)的風(fēng)光互補路燈蓄電池 SOC 預(yù)測研究[J].聲學(xué)與電子工程, 2017(3): 40-43.