风冷型锂离子电池储能集装箱热管理系统异常预警方法技术方案

本发明专利技术涉及一种风冷型锂离子电池储能集装箱热管理系统异常预警方法，该方法包括：1)提取储能集装箱内各空调系统的数据，并对数据进行预处理；根据预处理后的数据，基于核密度估计KDE模型分别建立各空调制冷状态下和制热状态下的进风、回风温差的概率密度分布模型；根据概率密度分布模型，分别计算各空调制冷、制热健康度指标；根据各空调制冷、制热健康度指标对空调系统进行异常风险判断、给出相应的预警；2)提取储能集装箱内电池簇风扇系统的数据，并对数据进行预处理；根据预处理后的数据，采用DBSCAN密度聚类算法对相关数据进行离群分析，得到离群识别结果；根据离群识别结果，对电池簇风扇系统进行异常风险判断、给出相应的预警。预警。预警。

【技术实现步骤摘要】
风冷型锂离子电池储能集装箱热管理系统异常预警方法


[0001]本专利技术涉及储能集装箱内电池簇和空调预警领域，特别涉及一种风冷型锂离子电池储能集装箱热管理系统异常预警方法。

技术介绍

[0002]1.1
技术介绍

[0003]温度对锂离子电池的容量、充放电功率和安全性等都有很大的影响。储能系统集成的电池数目更多，电池容量也更大。储能系统电池排列也较为紧密，间隙较小，且电池模块的能量密度高、运行工况复杂多变，时常有高充放电倍率与低充放电倍率频繁切换的情况出现。这就容易造成电池组之间会出现热累积，系统内部产热不均匀、温度分布不均匀、电池间温度差异较大等问题。因此，热管理系统的安全稳定运行对于确保储能系统在全生命周期的温湿度保持在合理范围具有重要的作用。
[0004]目前国内外对于锂离子电池储能集装箱的热管理系统结构设计、热管理策略及控制方法与装置等方面开展了大量研究，但在基于储能集装箱在线监测数据分析的空调系统异常预警方面仍缺乏探索。本专利技术通过分析储能集装箱内各空调进出风温度的分布变化趋势及各电池簇内电芯的温度分布规律，提出一种风冷型锂离子电池储能集装箱热管理系统异常预警方法，该方法能够在集装箱内准确识别空调系统、电池簇风扇早期异常并发出分级预警信息，有效避免因热管理系统功能长期异常导致的电芯过热或温度分布不均等问题，提升储能集装箱的运行可靠性。
[0005]1.2与本专利技术相关的现有技术一
[0006]1.2.1现有技术一的技术方案
[0007]一种空调制冷预警方法(CN108826614A)、一种空调制热预警方法(CN108800422A)：该技术方案通过两个温度传感器分别检测室内距离空调最远点的温度和室外温度，通过空调的控制器计算室内、室外的温差，当室内温度低于室外温度的值高于判定阈值时发出告警。
[0008]1.2.2现有技术一的缺点
[0009]该技术仅通过对比室内室外温差判断空调运行状态，但对于风冷型锂离子电池储能集装箱各空调而言，其制冷、制热设定值随储能集装箱的运行工况动态变化，仅通过单个时刻的温差对比难以准确的识别其异常状态，此外该技术仅能够实现告警功能，不具备对空调早期异常的预警功能。
[0010]1.3与本专利技术相关的现有技术二
[0011]1.3.1现有技术二的技术方案
[0012]一种轨道车辆空调机组冷媒泄露预警方法(CN112696791A)：该技术方案提供了一种轨道车辆空调机组冷媒泄露预警方法，在实验室中模拟不同环境温度状态下空调机组正常工作稳定时各个传感器的参数变化规律，通过大数据建模，得到空调机组正常工作下的工作模型，利用大数据模型实现列车运营过程中的冷媒泄露预警。
[0013]1.3.2现有技术二的缺点
[0014]该技术仅提出通过多传感器数据进行大数据建模，但具体的建模过程并未具体提及。此外由于预警对象为轨道车辆空调系统，其运行工况及控制策略相对储能集装箱相比相对单一，且并不涉及多空调协调控制下的预警策略，因此不适用于针对储能集装箱的空调系统预警。
[0015]1.4与本专利技术相关的现有技术三
[0016]1.4.1现有技术三的技术方案
[0017]一种空调器故障预警方法及系统(CN110440390A)：该技术方案提出了一种基于空调室外机异常噪音次数、空调器异常电流次数与室内机异常噪音次数的空调器故障预警方法及系统，通过对各次数指标进行加权求和与打分，实现故障预警。
[0018]1.4.2现有技术三的缺点
[0019]该技术需要采集空调系统室外机的异常噪音次数，但对于储能集装箱而言，其所处运行环境的噪音源多、噪音复杂多变，基于噪音次数的异常识别难以应用。且该技术所涉及的评价指标中未考虑空调压缩机、冷凝泄露等原因导致的空调制冷/制热异常所导致的进出风温度偏差，因此难以准确识别空调的制冷制热异常。
[0020]1.5与本专利技术相关的现有技术四
[0021]1.5.1现有技术四的技术方案
[0022]一种电源系统的风扇故障预警方法和装置(CN110594177A)：该技术方案提出了一种电源系统的风扇故障预警方法，通过检测PWM风扇的风扇转速信号以获得风扇检测转速频率，基于PWM风扇PWM信号的占空比计算风扇转速频率阈值，基于所述风扇检测转速频率和所述风扇转速频率阈值生成风扇预警信息。风扇失效预警装置及其方法(CN102758787A)：该技术提出一种风扇失效预警装置及其方法，主要通过对析风扇马达电源的转速、电流峰值设置异常判定阈值实现风扇失效预警。
[0023]1.5.2现有技术四的缺点
[0024]上述技术仅通过对风扇转速频率、风扇马达转速值或电流峰值设定阈值实现预警分析，但由于在储能集装箱内风扇的运行状态收风扇连接情况、风扇电源状态、风扇转速、风扇通风口是否通畅等多因素影响，而当电池簇风扇出现异常时将会导致簇内电芯温度分布出现明显变化，上述技术仅通过分析风扇本体相关参数难以较为准确有效地识别储能电池簇风扇异常。

技术实现思路

[0025]本专利技术的目的在于实现对集装箱内空调系统和电池簇风扇系统进行实时预警的问题，提出了一种风冷型锂离子电池储能集装箱热管理系统异常预警方法，该方法实现了空调系统预警和电池簇风扇系统预警：
[0026]空调系统预警：为了提前预警因空调冷凝泄露、压缩机故障等原因导致的空调制冷、制热功能异常，本专利技术通过分析储能集装箱内各空调进出风温度的分布及变化趋势，提出一种风冷型锂离子电池储能集装箱空调系统异常预警方法，该方法能够在集装箱内多空调协调控制下准确识别空调系统早期异常并发出分级预警信息，有效避免因空调制冷/制热功能长期异常导致的电芯过热或温度分布不均等问题，提升储能集装箱的运行可靠性。
[0027]电池簇风扇系统预警：为了提前预警因电池簇风扇失效停转、风扇电源接线异常、风扇通风口堵塞等原因导致的电池簇风扇功能异常，本专利技术通过分析集装箱各电池簇内电芯的温度分布规律，集合LOF及DBSCAN密度聚类算法，提出一种风冷型锂离子电池储能集装箱电池簇风扇异常预警方法，该方法能够在集装箱内准确识别电池簇风扇早期异常并发出分级预警信息，有效避免因风扇失效停转、风扇接线异常等导致的电芯过热或温度分布不均等问题，提升储能集装箱的运行可靠性。
[0028]具体地，为达到上述目的，本专利技术通过下述技术方案实现。
[0029]本专利技术提出了一种风冷型锂离子电池储能集装箱热管理系统异常预警方法，所述储能集装箱热管理系统包括空调系统和电池簇风扇系统，该方法包括：
[0030]步骤1)提取空调系统的数据，进行预处理；根据预处理后的数据，基于核密度估计KDE模型分别建立各空调制冷状态下和制热状态下的进风、回风温差的概率密度分布模型；根据概率密度分布模型，分别计算各空调制冷、制热健康度指标，进而对空调系统进行异常风险判断并预警；
[0031]步骤2)提取电池簇风扇系统的数据，进行预处理；根据预处理后的数据，采用D本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风冷型锂离子电池储能集装箱热管理系统异常预警方法，所述储能集装箱热管理系统包括空调系统和电池簇风扇系统，该方法包括：步骤1)提取空调系统的数据，进行预处理；根据预处理后的数据，基于核密度估计KDE模型分别建立各空调制冷状态下和制热状态下的进风、回风温差的概率密度分布模型；根据概率密度分布模型，分别计算各空调制冷、制热健康度指标，进而对空调系统进行异常风险判断并预警；步骤2)提取电池簇风扇系统的数据，进行预处理；根据预处理后的数据，采用DBSCAN密度聚类算法进行离群分析，得到离群识别结果，进而对电池簇风扇系统进行异常风险判断并预警。2.根据权利要求1所述的风冷型锂离子电池储能集装箱热管理系统异常预警方法，其特征在于，所述步骤1)具体包括：步骤1
‑
1)按照设定的采样率提取单日内各空调系统的关键数据，包括：时间、各空调进风温度、各空调回风温度、各空调制冷状态和各空调电加热状态，并对数据进行预处理，包括：剔除进风/回风温度不在设定温度区间内的数据点和剔除原始数据中的空值；步骤1
‑
2)判断经预处理后的数据量是否满足设定的预警要求数据量，若不满足，则不需要进行预警；若满足，则进入步骤1
‑
3)；步骤1
‑
3)根据预处理后的数据，分别计算单日制冷状态下和制热状态下各空调的进风、回风温差，并基于核密度估计KDE模型分别建立各空调制冷状态下和制热状态下的进风、回风温差的概率密度分布模型，其中KDE模型采用自适应KDE算法实现带宽自动选择；步骤1
‑
4)根据建立的各空调制冷状态下和制热状态下的进风、回风温差的概率密度分布模型，分别计算各空调制冷、制热健康度指标；步骤1
‑
5)判断各空调制冷、制热健康度指标是否超出异常判定阈值；若超出，则对空调系统进行异常风险判断；若未超出，则基于各空调历史几天的制冷、制热健康度指标分别进行线性拟合，分别得出制冷、制热健康度指标的斜率coef
制冷
、coef
制热
，并根据斜率对空调系统进行异常风险判断，进而给出相应的预警。3.根据权利要求2所述的风冷型锂离子电池储能集装箱热管理系统异常预警方法，其特征在于，所述步骤1
‑
3)中，核密度估计KDE模型f(y)的表达式为：其中h为带宽；K(
·
)为高斯核函数；n为实际采集的单日内制冷或制热状态下空调进风回风温差的样本点个数；y
a
为第a个样本点，即某时刻制冷或制热状态下某台空调的进风回风温差值；y为核密度估计KDE模型自变量；高斯核函数K(
·
)的表达式为：4.根据权利要求2所述的风冷型锂离子电池储能集装箱热管理系统异常预警方法，其特征在于，所述步骤1
‑
4)中，各空调制冷、制热健康度指标的计算式为：
其中，HLI
制冷ACi
、HLI
制热ACi
分别为空调制冷、制热健康度指标；max_ΔT
制冷ACi
为制冷状态下第i号空调的进风、回风温差的概率密度分布模型中最大概率密度对应的进风、回风温差值；max_ΔT
制热ACi
为制热状态下第i号空调的进风、回风温差的概率密度分布模型中最大概率密度对应的进风、回风温差值；max(
·
)表示求最大函数；N表示总空调数。5.根据权利要求4所述的风冷型锂离子电池储能集装箱热管理系统异常预警方法，其特征在于，所述步骤1
‑
5)中，基于各空调历史几天的制冷、制热健康度指标分别进行线性拟合的表达式分别为：HLI
制冷ACi
＝coef
制冷
*x+b
制冷
HLI
制热ACi
＝coef
制热
*x+b
制热
其中，x为历史几天的数据点数；coef
制冷
为基于各空调历史几天的制冷健康度指标进行线性拟合时的斜率；coef
制热
为基于各空调历史几天的制热健康度指标进行线性拟合时的斜率；b
制冷
为制冷健康度线性拟合模型的偏置项；b
制热
为制热健康度线性拟合模型的偏置项。6.根据权利要求5所述的风冷型锂离子电池储能集装箱热管理系统异常预警方法，其特征在于，所述步骤1
‑
5)中，对空调系统进行异常风险判断，包括：若HLI
制冷ACi
超出异常判定阈值，或HLI
制冷ACi
未超出异常判定阈值时coef
制冷
<0，则判定对应的第i号空调存在高风险制冷异常；若HLI
制冷ACi
未超出异常判定阈值时coef
制冷
≥0，则判定对应的第i号空调存在低风险制冷异常；若HLI
制热ACi
超出异常判定阈值，或HLI
制热ACi
超出异常判定阈值时coe...

【专利技术属性】
技术研发人员：孙鹏，王逸超，王艳，苑海川，克潇，吕宏伟，王圣蛟，柳笛，范瑞娟，
申请(专利权)人：新源智储能源发展北京有限公司，
类型：发明
国别省市：