一種閥控式蓄電池性能分析模型的實現

黃永欽　葉技

【摘要】本文在對VRLA電池的失效機理及測試方法研究的基礎上，基于運行狀態下電池浮充電壓離散度、電池內阻變化、充放電曲線變化、使用年限的綜合反應，建立了VRLA電池的綜合失效分析數學模型。并對長期、大量的電池運行數據進行了分析驗證，證明模型對動態監測電池性能具有一定的實際意義，可用于電池的容量評估和壽命預測。

【關鍵詞】閥控式鉛酸蓄電池 失效 數學模型

【中圖分類號】TM912 【文獻標識碼】A 【文章編號】1672-5158（2013）04-0177-02

1、引言

不論是電力變電站、通信機房還是移動基站，蓄電池都是直流系統的重要主體，蓄電池健康狀態一直是后備用電池領域所重點關注的內容之一，它是系統可靠性依賴的最后一個環節，也是可靠性最薄弱的環節，近幾年來的使用情況表明閥控式鉛酸蓄電池并不是真正的免維護，

由于受其質量、性能或使用不當等原因，造成電池早期失效現象時有發生，如何快捷有效地檢測出性能下降及早期失效電池己成為直流系統在線監測的新課題，尤其對無人值班站更顯重要。

本文提出了一種實時在線預測的蓄電池性能專家模型：通過獲取蓄電池組運行時所監測到的電壓，電流，內阻等實時數據，經過模糊分析計算，預測出蓄電池的健康狀態。該模型的建立是基于大量的蓄電池監測數據，采用優化的SVR算法，可以實時的準確預測后備蓄電池在的供電能力。

2、模型的數學方法

本模型運用概率統計學和模糊聚類分析設計了四種方法，對浮充電壓監測數據進行處理和分析。基于這一處理分析的結果，不是一個電池容量描述的絕對值，它只是在當前電池組中的相對排名，然后與電池基礎數據比對，得出電池相對的容量值。（有關電導和充放電曲線的模型另文敘述）

方法一、表征了單節電池相對自身浮充電壓的變化。

方法二、表征了單節電池相對整組電池浮充電壓的變化。

方法三、表征了單節電池相對自身浮充電壓的離散度。

方法四、表征了單節電池相對整組電池浮充電壓的離散度。

簡要介紹該四種方法處理流程：

3、模型的數據驗證

3.1 數據輸入驗證

基于建模的依據假設，我們對大量的電池組運行狀況進行了長時間的跟蹤監測，獲得了大量的數據，并將這些數據輸入模型進行驗證。

以某電池組1的數據為例，從數據庫中對電池監測數據去除均充及放電數據后，輸入模型運算得出：

表一、某電池組1運行監測模型輸出結果：

注：上表列出了模型中方法一和方法二挑選出性能倒數的20節電池序號和評價參數，方法三和方法四挑選出性能倒數的25節電池序號和評價參數。表中第10列分別表示了4種方法都選中的電池，第11列表示了僅有3種方法選中的電池，第12列表示了僅有2種方法選中的電池。第13列是05年1月17日四個半小時核對性放電時由放電終止電壓值挑出的性能倒數的20節電池。

由上表可以明顯看出，核對性放電倒數前十節電池被挑出9節，倒數前二十節電池被挑出13節，隨著時間的推移，該模型的準確度將會有進一步的提高。

4、結論

本文所介紹的數學模型從一個全新的角度發現了浮充電壓數據中所隱藏的大量有用的電池狀態信息，并通過對二組電池組數據的分析驗證，證明本模型可以作為預測電池性能的一種方法，并具有一定的實際意義。

在對模型進行驗證的過程中，我們發現在均充之后的電池性能會有一定的改善，但還需要有更多的數據支持。

因蓄電池組是一個串聯系統，一個電池的變化可以動態的影響其他電池的浮充電壓變化，所以這種被動的電壓變化會對模型的判別帶來影響。

電池由好變壞是一個非常復雜的過程，單一模型的評價是不充分的，仍需要結合其它模型來共同評價電池的性能，如電導和充放電曲線的模型，但我們已從本文中看出了浮充電壓數據所隱含的信息量，這對我們實時了解電池性能是非常有利的。

在進一步的工作中，我們采用了模糊數學和人工神經網絡的診斷原理，以一種非線性處理方式，以某種拓撲結構，對包括電池運行電壓、電池內阻、電池充放電曲線等各種數據進行關聯，并得出判斷結論。其最大特點就是它的自適應功能，可以通過學習算法不斷地調整，從而不斷提高判斷的精度。一般通過3～6個月的數據積累，模型即可給出分析結果，隨著時間增加和測試結果的反饋，模型將不斷學習改進，分析精度也會得到提高。

正如我們前面電池失效數學建模原理所言，我們把連續的、相互關聯的各種信息，通過概率統計學、模糊數學和人工神經網絡等數學方法，形成一個完整的、綜合的電池失效數學分析模型，以期真正實現對閥控式鉛酸蓄電池VRLA的容量評估和壽命預測。