【技术实现步骤摘要】
用于储能系统智能预警安防的基于多物理参数的安全预警方法
[0001]本专利技术属于安全预警
,尤其涉及一种用于储能系统智能预警安防的基于多物理参数的安全预警方法。
技术介绍
[0002]储能主要包括热能、动能、电能、电磁能、化学能等能量的存储,储能是能源变革和电力转型的关键一环,安全、高效、经济的电化学储能系统,广泛适配发电、电网和用电领域,助力优化能源结构、强化电力系统安全、降低能源使用成本。
[0003]储能系统为发电侧提供存储及输出管理,电化学储能技术与可再生能源发电技术形成联合系统。储能系统为输配电侧提供智慧的负荷管理,根据电网负荷情况及时调峰调频。储能系统为用户提供峰谷套利模式和稳定的电源质量管理。
[0004]锂离子电池具有能量密度高、循环寿命长、自放电率小、无记忆效应、绿色环保等优点,在储能领域具有广阔的应用前景。目前锂离子电池技术重要有钴酸锂、锰酸锂、磷酸铁锂、钛酸锂等不同类型并得到了广泛的应用。
[0005]锂离子电池目前被广泛应用于储能领域。锂离子电池是储能电站电能的能量载体,其电极体系组分具有很高的热失控危险性,封装成电池后其热失控危险性加剧。
[0006]储能电站锂离子电池的火灾爆炸事故,主要是电池单体发生热失控后使得电池起火燃烧,进一步热失控扩展到相邻电池,从而形成大规模火灾,在受限空间中气体积聚到一定程度时,遇到点火源,又会发生爆炸。尽管锂离子电池存在自引发内短路致使热失控的风险,但是概率很低,仅为百万分之一。一般认为,热失控是在外部诱发条件如热滥用、 ...
【技术保护点】
【技术特征摘要】
1.用于储能系统智能预警安防的基于多物理参数的安全预警方法,其特征在于包括热失控预警步骤;热失控预警步骤:中央控制器在连续两个采样周期,确定五层BP神经网络的输入层神经元向量x={x1,x2,x3,x4,x5};其中,x1为电池模组内的气压值,x2为电池模组内VOC气体的浓度;x3为电池模组内CO气体的浓度;x4为电池模组内CO2气体的浓度;x5为电池模组内的温度值;其中,输入层神经元xi={xi1,xi2,...,xiM},i={1,2,3,4,5}其中,M为电池模组的数量,xi为第i项的检测数据;输入层神经元向量映射到隐层,隐层的神经元为m个;得到输出层神经元向量o;其中,o为预警装置的工作状态;输出层神经元向量值为当o=1时,预警装置进行一级告警(电池漏液告警);当o=2时,预警装置进行热失控风险二级告警;当o=3时,预警装置进行热失控风险三级告警;当o=0时,预警装置不告警;当电池模组内的内压满足:x10为电池模组内的气压值的历史稳定数据;电池包模组内VOC、一氧化碳、二氧化碳气体的浓度均满足:xi0为第i项的历史稳定数据;电池模组内温度值的变化满足:x50为电池模组内温度值的历史稳定数据;预警装置进行热失控风险三级告警,告警信号同步给安全管理系统;当电池模组内的内压满足:x10为电池模组内的气压值的历史稳定数据;电池模组内VOC、一氧化碳、二氧化碳气体的浓度均满足:xi0为第i项的历史稳定数据;i={2,3,4};电池模组内温度值的变化满足:x50为电池模组内温度值的历史稳定数据;预警装置进行热失控风险二级告警,告警信号同步给安全管理系统;当电池模组内的内压满足:x10为电池模组内的气压值的历史稳定数据;电池模组内VOC气体的浓度满足:x20为电池模组内VOC气体的浓度的历史稳定数据;电池模组内一氧化碳、二氧化碳气体的浓度均满足:xi0为第i项的历史稳定数据;电池模组内温度值的变化满足:x50为电池模组内温度值的历史稳定数据;预警装置进行热失控风险一级告警,告警信号同步给安全管理系统;当电池模组内的内压满足:x10为电池模组内的气压值的历史稳定数据;
电池模组内VOC气体的浓度满足:x20为电池模组内VOC气体的浓度的历史稳定数据;电池模组内一氧化碳、二氧化碳气体的浓度均满足:xi0为第i项的历史稳定数据;电池模组内温度值的变化满足:x50为电池模组内温度值的历史稳定数据;预警装置不发出告警或者解除告警,解除告警信息同步给安全管理系统。2.根据权利要求1所述用于储能系统智能预警安防的基于多物理参数的安全预警方法,其特征在于还包括恶劣天气预警步骤;恶劣天气预警步骤:在3小时时间周期内,恶劣天气预警频率默认为4hPa/3hr,表示在3小时内,气压持续下降累计超过所设置的频率4hPa,其中,输入层神经元xi={xi1,xi2,...,xiM},i={1,2,3,4,5}其中,M为电池模组的数量;输入层向量映射到隐层,隐层的神经元为m个;得到输出层神经元向量o;其中,o为预警装置的工作状态;输出层神经元值为当o=1时,预警装置进行恶劣天气告警,当o=0时,预警装置不告警或者解除告警。确定五层BP神经网络的输入层神经元向量x={x1,x2,x3,x4,x5};其中,x1为电池模组内的气压值,x2为电池模组内VOC气体的浓度;x3为电池模组内CO气体的浓度;x4为电池模组内CO2气体的浓度;x5为电池模组内的温度值;当电池模组内的内压满足:电池模组内VOC气体的浓度满足:电池模组内一氧化碳、二氧化碳气体的浓度均满足:i={3,4};电池模组内温度值的变化满足:式中,x1为电池内压的检测数据,x10为电池内压的历史稳定数据,x2为电池模组内VOC气体的浓度的检测数据,x20为电池模组内VOC气体的浓度的历史稳定数据,xi为第i项的检测数据,xi0为第i项的历史稳定数据,x5为电池模组内温度值的检测数据,x50为电池模组内温度值的历史稳定数据;预警装置发出恶劣天气告警,告警信息同步给安全管理系统;当电池模组内的内压满足:电池模组内VOC气体的浓度满足:电池模组内一氧化碳、二氧化碳气体的浓度均满足:i={3,4};电池模组内温度值的变化满足:式中,x1为电池内压的检测数据,x10为电池内压的历史稳定数据,x2为电池模组内VOC气体的浓度的检测数据,x20为电池模组内VOC气体的浓度的历史稳定数据,xi为第i项的检测数据,xi0为第i项的历史稳定数据,x5为电池模组内温度值的检测数据,x50为电池模组内温度值的历史稳定数据;预警装置不告警或者解除告警,解除告警信息同步给安全管理系统。
3.根据权利要求1所述用于储能系统智能预警安防的基于多物理参数的安全预警方法,其特征在于还包括凝露预警步骤;凝露预警步骤:中央控制器在连续两个采样周期,确定三层BP神经网络的输入层神经元向量x={x1,x5,x6};其中,x1为电池模组内的气压值;x5为电池模组内的温度值;x6为电池模组内的相对湿度值;其中,所述输入层神经元xi={xi1,xi2,...,xiM},i={1,2,3}其中,M为电池模组的数量;输入层向量映射到隐层,隐层的神经元为m个;得到输出层神经元向量o;其中,o为预警装置的工作状态;所述输出层神经元值为当o...
【专利技术属性】
技术研发人员:杨超,闫乐山,杨梓墨,
申请(专利权)人:金天弘能源科技北京有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。