Диагностиката на неизправности е критичен аспект за осигуряване на надеждна и ефективна работа на широкомащабни системи за съхранение на енергия от батерии (BESS). Като водещ доставчик на широкомащабни решения за съхранение на енергия от батерии, ние разбираме значението на точната диагностика на неизправностите за поддържане на производителността и дълголетието на тези системи. В този блог ще проучим различни методи за диагностика на грешки за широкомащабни BESS и ще обсъдим техните предимства и ограничения.
1. Въведение в широкомащабните батерийни системи за съхранение на енергия
Големите системи за съхранение на енергия от батерии играят жизненоважна роля в съвременните енергийни мрежи. Те могат да съхраняват излишната енергия по време на непиковите часове и да я освобождават по време на периодите на пиково търсене, като помагат за балансиране на мрежата, подобряване на качеството на електроенергията и интегриране на възобновяеми енергийни източници като слънчева и вятърна. Тези системи обикновено се състоят от множество батерийни модули, системи за преобразуване на енергия (PCS) и контролни блокове. Въпреки това, поради сложността и широкомащабния характер на тези системи, могат да възникнат повреди, които могат да доведат до намалена производителност, опасности за безопасността и дори системни повреди.
2. Често срещани грешки в BESS в голям мащаб
Преди да се задълбочим в методите за диагностика на неизправности, важно е да разберем често срещаните неизправности, които могат да възникнат в BESS в голям мащаб. Те включват:
- Неизправности на батерията: Като прекомерно зареждане, прекомерно разреждане, вътрешни къси съединения и влошаване на капацитета. Тези неизправности могат да повлияят на производителността и живота на батерията.
- Грешки в системата за преобразуване на мощност: Грешки в PCS, включително повреди на инвертора, неизправности на токоизправителя и проблеми с управляващата верига, могат да нарушат процеса на преобразуване и пренос на енергия.
- Неизправности на сензора и контролния блок: Неправилните показания на сензора или повреди в контролните блокове могат да доведат до неправилна работа на системата и неточно откриване на неизправности.
3. Методи за диагностика на повреди
3.1. Диагностика на грешки, базирана на модел
Методите за диагностика на грешки, базирани на модел, разчитат на математически модели на BESS за откриване и изолиране на грешки. Тези модели могат да опишат електрическото, топлинното и химическото поведение на батерията и другите компоненти в системата.
- Състояние - Космическо моделиране: Моделите състояние - пространство представят динамиката на системата чрез набор от диференциални уравнения. Чрез сравняване на действителния изход на системата с изхода, предвиден от модела, могат да бъдат открити грешки. Например, ако измереното напрежение на батерията се отклонява значително от напрежението, предсказано от модела състояние - пространство, това може да означава повреда на батерията.
- Моделиране на еквивалентна верига: Моделите на еквивалентни схеми използват елементи на веригата като резистори, кондензатори и източници на напрежение, за да представят електрическото поведение на батерията. Тези модели са относително прости и изчислително ефективни. Неизправностите могат да бъдат диагностицирани чрез наблюдение на параметрите на еквивалентната верига, като вътрешното съпротивление.
Предимството на методите, базирани на модели, е, че те могат да осигурят задълбочено разбиране на поведението на системата и могат да открият зараждащи се грешки. Тези методи обаче изискват точни модели и параметрите на модела могат да се променят с времето поради фактори като стареене на батерията, което може да повлияе на точността на диагностиката на неизправности.
3.2. Диагностика на грешки, управлявана от данни
Методите, управлявани от данни, разчитат на исторически данни и алгоритми за машинно обучение за откриване на грешки. Тези методи не изискват подробно познаване на физическия модел на системата.
- Изкуствени невронни мрежи (ANN): ANN могат да научат връзката между входа (напр. напрежение на батерията, ток, температура) и изхода (състояние на повреда) от исторически данни. Веднъж обучена, ANN може да се използва за класифициране на нови данни като нормални или дефектни. Например, многослоен персептрон (MLP) може да бъде обучен да открива грешки при презареждане на батерията въз основа на входните данни за напрежение и ток.
- Поддържащи векторни машини (SVM): SVM са друг популярен алгоритъм за машинно обучение за диагностика на грешки. Те могат да намерят оптималната хиперравнина, която разделя нормалните и грешните данни във високомерно пространство. SVM имат добра способност за обобщение и могат да обработват нелинейно разделими данни.
Предимството на методите, управлявани от данни, е, че те могат да се адаптират към промените в системата и могат да обработват сложни и нелинейни връзки. Те обаче изискват голямо количество висококачествени данни за обучение и ефективността на тези методи може да бъде повлияна от качеството и количеството на данните за обучение.
3.3. Обработка на сигнали - базирана на диагностика на грешки
Техниките за обработка на сигнали могат да се използват за анализиране на сигналите от BESS за откриване на грешки.
- Wavelet трансформация: Wavelet transform може да разложи сигнала на различни честотни компоненти. Чрез анализиране на вълновите коефициенти на напрежението на акумулатора или токовите сигнали могат да бъдат открити грешки. Например, внезапна промяна във високочестотните компоненти на сигнала на напрежението може да означава повреда на късо съединение.
- Бързо преобразуване на Фурие (FFT): FFT може да преобразува сигнал във времева област в сигнал в честотна област. Чрез анализиране на честотния спектър на сигналите могат да бъдат идентифицирани грешки. Например необичайни честотни компоненти в текущия сигнал може да показват повреда в системата за преобразуване на мощността.
Предимството на методите, базирани на обработка на сигнали, е, че те могат да осигурят откриване на грешки в реално време и са относително лесни за прилагане. Те обаче може да изискват усъвършенствани умения за обработка на сигнали и може да са чувствителни към шума в сигналите.
4. Подходът на нашата компания за диагностика на неизправности
Като голям доставчик на батерии за съхранение на енергия, ние комбинираме множество методи за диагностика на грешки, за да гарантираме надеждността и безопасността на нашите системи. Използваме методи, базирани на модели, за да разберем фундаменталното поведение на системата и да открием зараждащи се грешки. В същото време ние използваме базирани на данни методи, за да се адаптираме към промените в системата и да управляваме сложни взаимоотношения. Техниките за обработка на сигнали се използват и за откриване на грешки в реално време.
Ние също така предлагаме набор от висококачествени продукти за широкомащабно съхранение на енергия от батерии, като напрESS контейнерна кутия 10 фута,Полезни системи за съхранение на батерии, иПомощна програма - Scale Mv Station. Тези продукти са проектирани с усъвършенствани функции за диагностика на неизправности и защита, за да се гарантира тяхната надеждна работа.
5. Заключение и призив за действие
Диагностиката на неизправности е съществена част от широкомащабните системи за съхранение на енергия от батерии. Чрез използването на комбинация от методи, базирани на модел, базирани на данни и обработка на сигнали, ние можем ефективно да откриваме и изолираме повреди, гарантирайки надеждната и ефективна работа на тези системи.
Ако се интересувате от нашите широкомащабни решения за съхранение на енергия от батерии или имате някакви въпроси относно диагностиката на неизправности, моля не се колебайте да се свържете с нас за доставка и допълнителни дискусии. Ние се ангажираме да ви предоставим най-добрите продукти и услуги в областта на съхранението на енергия от батерии.
Референции
- Chen, X., & Zhang, Y. (2018). Диагностика на неизправности на системи за съхранение на енергия от батерии: преглед. Наука и технологии за съхранение на енергия, 7 (2), 191 - 202.
- Li, X., et al. (2019 г.). Метод за диагностика на грешки, управляван от данни за литиево-йонни батерии, базиран на изкуствени невронни мрежи. Journal of Power Sources, 422, 126 - 133.
- Wang, H., & Hu, C. (2017). Базирана на Wavelet трансформация диагностика на грешки за системи за съхранение на енергия от батерии. IEEE Transactions on Power Electronics, 32(10), 7832 - 7841.