一种基于数据融合技术的变电站蓄电池组状态评估方法

摘要

本发明公开了一种基于数据融合技术的变电站蓄电池组状态评估方法，对变电站直流系统蓄电池组的电参量及状态参量进行划分，分析不同监控量在状态评估中的作用；对状态参量进行判定；针对不同电参量建立数学分析模型，对当前蓄电池组的运行状态进行分析；同时结合蓄电池组的历史数据，建立历史数据趋势分析模型，预测蓄电池组的运行状态；最终通过数据的深度融合数据，给出当前蓄电池组运行状态的评价。通过该方法可以实现对蓄电池组运行状态进行预测评估，且该方法简单易用，可以为直流运维检修人员提供依据。

说明书

技术领域

本发明属于变电站检测技术领域，尤其是涉及一种基于数据融合技术蓄电池组状态评估方法。

背景技术

蓄电池是变电站直流电源的重要组成部分，作为后备电源广泛应用于变电站，其可靠性直接影响到电网的安全运行。一旦直流系统出现问题，蓄电池组会作为备用电源为负载供电，因此蓄电池组的运行状态就显得十分重要。目前，针对蓄电池组的健康状况、状态评估一直是一个难题。

针对这个问题，目前主要有以下两种解决方法，一是利用蓄电池在线监测设备对蓄电池运行数据进行监测，目前这种方法可以实现对蓄电池电压、内阻、温度等数据的监测，只能通过数据的异常、告警等方式进行蓄电池状态的监测，但此种方法往往很难发现蓄电池潜在的风险，在当前数据正常的情况下，很难对蓄电池的运行状态进行判断，同时也无法对蓄电池的运行状态进行预测。二是对蓄电池组进行核对性放电，这种方法能够比较准确的估算蓄电池的容量，但是无法综合判断蓄电池的状态，如蓄电池组脱离母线问题，同时这种方法人力物力成本较高，需要花费较高的时间成本、人力成本；间隔时间较长，对蓄电池组运行状态的评估预测更无从谈起。

发明内容

针对上述问题，本发明提出了一种基于数据融合技术的蓄电池组状态评估方法，提供一种蓄电池组状态评估的方法，实现对当前蓄电池组运行状态的综合判断，为直流运维检修人员提供依据。

本发明采用如下技术方案：

一种基于数据融合技术的变电站蓄电池组状态评估方法，所述评估方法包括如下步骤：

(1)对变电站直流系统蓄电池组的电参量及状态参量进行划分，分析不同监控量在状态评估中的作用；

(2)状态参量进行判定，如果蓄电池组脱离母线或开路，系统整体评估结果为异常，结束状态评估，如果蓄电池组正常接入，执行步骤(3)；

(3)针对不同电参量建立数学分析模型，对当前蓄电池组的运行状态进行分析；

(4)同时结合蓄电池组的历史数据，建立历史数据趋势分析模型，预测蓄电池组的运行状态；

(5)最终通过数据的深度融合步骤(3)和步骤(4)的数据，给出当前蓄电池组运行状态的评价。

所述步骤(1)包括确定影响蓄电池组运行状态的电参量及状态参量，对不同的遥测、遥信数据进行合理的划分，提供蓄电池状态评估分析的依据；

其中，电参量及状态参量指蓄电池在线监测的参数，电参量包括蓄电池单体电压、蓄电池单体内阻、蓄电池温度，状态参量包括蓄电池组脱离母线状态、蓄电池组开路状态。

根据步骤(1)选择的状态参量、电参量，分别建立Bang-Bang模型即阈值边界控制模型，Bang-Bang模型如下：

Bang-Bang模型可用于电参量与状态参量的分析，其中U为输入参量，A、B为输入参量的阈值。

所述蓄电池单体内阻(电压)是缓慢变化的，通过内阻(电压)纵向比较的方法来提前预测蓄电池健康状态，针对蓄电池的单体内阻(电压)建立趋势判断数学模型，趋势判断数学模型如下所示：

其中β-为内阻(电压)变化率阈值；

ee(k)-内阻(电压)变化率；

取最新一次内阻(电压)数据与上一次内阻(电压)数据比较的内阻(电压)变化率，记录趋势模型连续输出为1的次数，当满足一定次数(可进行设置)时，可预测蓄电池组运行状态异常。

所述步骤(4)包括定义蓄电池状态评估结果为正常、异常、严重三种等级，根据Bang-Bang模型和趋势判断模型的输出，数据融合决策分析综合判断蓄电池的运行状态。

所述正常、异常、严重三种等级的划分如下：

正常：Bang-Bang模型和趋势判断模型输出都为0；

异常：趋势判断模型输出1或者Bang-Bang模型电参量输出为1；

严重：Bang-Bang模型状态参量输出为1或者趋势模型输出累计到达设定次数n。

所述数据融合决策分析采用如下规则：

规则1：当所有参量的Bang-Bang模型和趋势判断模型输出都为0时，系统整体评估状态为正常；

规则2：当有参量的Bang-Bang模型输出或者趋势判断模型输出为1时，系统整体评估为异常；

规则3：当有参量异常时，判断此参量的重要等级，当重要等级为严重时，系统整体评估结果为严重；

当有参量异常时，判断趋势模型输出累计到达设定次数n时，系统整体评估状态为严重。

采用如上技术方案取得的有益技术效果为：

1、该发明提出了一种针对蓄电池组运行状态的评估方法，通过该方法可以实现对蓄电池组运行状态进行预测评估，且该方法简单易用，可以为直流运维检修人员提供依据。

2、该发明在实现对蓄电池数据在线监测的基础上，结合了内阻历史数据及单体电压实时数据等对蓄电池状况进行判断，通过对数据进行分析，提高了数据的有效利用。

3、该发明能够解决核对性放电周期长、花费大量人力物力的问题，能够及时的给出蓄电池组健康状态的判断，对变电站的安全可靠运行提供了有力的支撑与保障。

附图说明

图1为基于数据融合技术的变电站蓄电池组状态评估方法流程图；

图2为Bang-Bang模型判断实例图；

图3为Bang-Bang模型判断结果图；

图4为趋势判断模型实例图；

图5为趋势判断模型判定蓄电池单体的电压和内阻实例图。

图6为蓄电池运行状态评估实例图。

具体实施方式

结合附图1至6对本发明的具体实施方式做进一步说明：

一种基于数据融合技术的变电站蓄电池组状态评估方法，如图1所示，所述评估方法包括如下步骤：

(1)对变电站直流系统蓄电池组的电参量及状态参量进行划分，分析不同监控量在状态评估中的作用；

(2)状态参量进行判定，如果蓄电池组脱离母线或开路，系统整体评估结果为严重，结束状态评估，如果蓄电池组正常接入，执行步骤(3)；

(3)针对不同电参量建立数学分析模型，对当前蓄电池组的运行状态进行分析；

(4)同时结合蓄电池组的历史数据，建立历史数据趋势分析模型，预测蓄电池组的运行状态；

(5)最终通过数据的深度融合步骤(3)和步骤(4)的数据，给出当前蓄电池组运行状态的评价。

定义蓄电池状态评估结果为正常、异常、严重三种等级，根据Bang-Bang模型和趋势判断模型的输出，数据融合决策分析综合判断蓄电池的运行状态。

所述正常、异常、严重三种等级的划分如下：

正常：Bang-Bang模型和趋势判断模型输出都为0；

异常：趋势判断模型输出1或者Bang-Bang模型电参量输出为1；

严重：Bang-Bang模型状态参量输出为1或者趋势模型输出累计到达设定次数n。

所述数据融合决策分析采用如下规则：

规则1：当所有参量的Bang-Bang模型和趋势判断模型输出都为0时，系统整体评估状态为正常；

规则2：当有参量的Bang-Bang模型输出或者趋势判断模型输出为1时，系统整体评估为异常；

规则3：当有参量异常时，判断此参量的重要等级，当重要等级为严重时，系统整体评估结果为异常；

当有参量异常时，判断趋势模型输出累计到达设定次数n时，系统整体评估状态为严重。

所述步骤(1)包括确定影响蓄电池组运行状态的电参量及状态参量，对不同的遥测、遥信数据进行合理的划分，提供蓄电池状态评估分析的依据；

蓄电池在线监测的参数主要包括电池总电压、单体电池浮充电压、单体电池放电电压、电池内阻、温度等。

单体电压，通过实时监测蓄电池的浮充电压可以及时检查出故障电池，但是在实际应用中会存在蓄电池浮充电压正常而电池输出不足的现象。这是由于浮充电压和电解液的关系受内部氧再化合的影响，浮充电压存在一定的偏移量，存在浮充电压正常但放电容量不足现象，不能完全反映蓄电池状态。因此将蓄电池的浮充电压作为一个辅助电参量进行蓄电池的状态判断。

单体内阻，蓄电池的单体内阻是蓄电池性能参数的一个重要指标，其与蓄电池的容量之间存在一定的非线性关系，可以最为蓄电池状态判断的一个重要依据。蓄电池的内阻是缓慢变化的，有问题的蓄电池内阻会相应增大。针对蓄电池内阻数据的处理采用纵向比较的方法进行分析判断，建立相应的趋势分析数学模型。

蓄电池温度，蓄电池温度作为蓄电池性能的一个重要指标，也可以反映蓄电池的运行状态，可以防止热失控现象的发生。

蓄电池容量，蓄电池容量能够准确表征蓄电池的健康状态，但是蓄电池容量的估算一直是一个难题。本方法将不采用这种间接量。

综上所述，蓄电池状态评估判断电变量的选取选择蓄电池单体电压、蓄电池单体内阻、蓄电池温度。

蓄电池监控的状态参量众多，包括蓄电池组脱离母线状态、蓄电池组开路状态、蓄电池熔断器状态、蓄电池单体电压超限状态、蓄电池组与直流母线的偏离状态、刀闸位置异常状态等，本方法选用蓄电池组运行状态最重要的两个状态参量：蓄电池组脱离母线状态、蓄电池组开路状态。

根据步骤(1)选择的参量，分别建立Bang-Bang模型即阈值边界控制模型，Bang-Bang模型如下：

Bang-Bang模型可用于电参量与状态参量的分析，其中U为输入参量，A、B为输入参量的阈值。

Bang-Bang模型在状态参量分析中的应用：

Bang-Bang模型可用于分析脉冲信号、开关量信号，Bang-Bang模型对状态参量的分析时，蓄电池组脱离母线状态、蓄电池组开路状态输入信号为开关量信号0，蓄电池组接入状态，输入的开关量信号为1。

Bang-Bang模型在电参量分析中的应用，如图2所示，以电参量为例：

图中横坐标为蓄电池单体编号，纵坐标为蓄电池单体电压量，蓄电池单体电压量额定电压为2.0V，设定A、B为输入参量的阈值分别为1.8、2.5。

如图所示，第二组蓄电池组中编号#87的蓄电池单体电压量为1.721V，Bang-Bang模型电参量输出为1，如图3所示，判定#87蓄电池单体电压量欠压，#87蓄电池单体所在的蓄电池组异常。

所述蓄电池单体内阻(电压)是缓慢变化的，通过内阻(电压)纵向比较的方法来提前预测蓄电池健康状态，针对蓄电池的单体内阻(电压)建立趋势判断数学模型，趋势判断数学模型如下所示：

其中β-为内阻(电压)变化率阈值；

ee(k)-内阻(电压)变化率；

取最新一次内阻(电压)数据与上一次内阻(电压)数据比较的内阻(电压)变化率，记录趋势模型连续输出为1的次数，当满足一定次数(可进行设置)时，可预测蓄电池组运行状态异常。

趋势判断数学模型在电参量分析中的应用，如图4所示，以电参量蓄电池内阻为例：

选取第一组蓄电池组中编号#27的蓄电池单体，图中横坐标为检测日期，纵坐标为对应检测日期的检测电压值，由图可见，编号#27的蓄电池单体电压稳定，单体电压变化小于设定的阈值β，输出量为0，编号#27的蓄电池单体运行正常。

阈值β可以根据不同的现场进行配置，例如2V蓄电池单体默认参数如下：单体内阻：β＝0.1(2V电池)，单体电压：β＝0.05(2V电池)。

如图5所示，选取第一组蓄电池组中编号#1的蓄电池单体，图中横坐标为检测日期，纵坐标分别对应检测日期的检测电压值和检测电阻。编号#1的蓄电池单体电压稳定，单体电压变化小于设定的阈值β，输出量为0；编号#1的蓄电池单体的内阻有变化但变化小于设定的阈值β，输出量为0；综合判断，编号#1的蓄电池单体运行正常。

在实际应用中，如图6所示，蓄电池组的电压异常、蓄电池组的单体电阻异常、单体电压异常，对当前蓄电池组运行状态的评价为蓄电池脱离母线，评估状态为严重。

当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的指导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。