一种阀控式蓄电池性能分析模型的实现

【摘要】本文在对VRLA电池的失效机理及测试方法研究的基础上，基于运行状态下电池浮充电压离散度、电池内阻变化、充放电曲线变化、使用年限的综合反应，建立了VRLA电池的综合失效分析数学模型。并对长期、大量的电池运行数据进行了分析验证，证明模型对动态监测电池性能具有一定的实际意义，可用于电池的容量评估和寿命预测。

【关键词】阀控式铅酸蓄电池 失效 数学模型

【中图分类号】TM912 【文献标识码】A 【文章编号】1672-5158（2013）04-0177-02

1、引言

不论是电力变电站、通信机房还是移动基站，蓄电池都是直流系统的重要主体，蓄电池健康状态一直是后备用电池领域所重点关注的内容之一，它是系统可靠性依赖的最后一个环节，也是可靠性最薄弱的环节，近几年来的使用情况表明阀控式铅酸蓄电池并不是真正的免维护，

由于受其质量、性能或使用不当等原因，造成电池早期失效现象时有发生，如何快捷有效地检测出性能下降及早期失效电池己成为直流系统在线监测的新课题，尤其对无人值班站更显重要。

本文提出了一种实时在线预测的蓄电池性能专家模型：通过获取蓄电池组运行时所监测到的电压，电流，内阻等实时数据，经过模糊分析计算，预测出蓄电池的健康状态。该模型的建立是基于大量的蓄电池监测数据，采用优化的SVR算法，可以实时的准确预测后备蓄电池在的供电能力。

2、模型的数学方法

本模型运用概率统计学和模糊聚类分析设计了四种方法，对浮充电压监测数据进行处理和分析。基于这一处理分析的结果，不是一个电池容量描述的绝对值，它只是在当前电池组中的相对排名，然后与电池基础数据比对，得出电池相对的容量值。（有关电导和充放电曲线的模型另文叙述）

方法一、表征了单节电池相对自身浮充电压的变化。

方法二、表征了单节电池相对整组电池浮充电压的变化。

方法三、表征了单节电池相对自身浮充电压的离散度。

方法四、表征了单节电池相对整组电池浮充电压的离散度。

简要介绍该四种方法处理流程：

3、模型的数据验证

3.1 数据输入验证

基于建模的依据假设，我们对大量的电池组运行状况进行了长时间的跟踪监测，获得了大量的数据，并将这些数据输入模型进行验证。

以某电池组1的数据为例，从数据库中对电池监测数据去除均充及放电数据后，输入模型运算得出：

表一、某电池组1运行监测模型输出结果：

注：上表列出了模型中方法一和方法二挑选出性能倒数的20节电池序号和评价参数，方法三和方法四挑选出性能倒数的25节电池序号和评价参数。表中第10列分别表示了4种方法都选中的电池，第11列表示了仅有3种方法选中的电池，第12列表示了仅有2种方法选中的电池。第13列是05年1月17日四个半小时核对性放电时由放电终止电压值挑出的性能倒数的20节电池。

由上表可以明显看出，核对性放电倒数前十节电池被挑出9节，倒数前二十节电池被挑出13节，随着时间的推移，该模型的准确度将会有进一步的提高。

4、结论

本文所介绍的数学模型从一个全新的角度发现了浮充电压数据中所隐藏的大量有用的电池状态信息，并通过对二组电池组数据的分析验证，证明本模型可以作为预测电池性能的一种方法，并具有一定的实际意义。

在对模型进行验证的过程中，我们发现在均充之后的电池性能会有一定的改善，但还需要有更多的数据支持。

因蓄电池组是一个串联系统，一个电池的变化可以动态的影响其他电池的浮充电压变化，所以这种被动的电压变化会对模型的判别带来影响。

电池由好变坏是一个非常复杂的过程，单一模型的评价是不充分的，仍需要结合其它模型来共同评价电池的性能，如电导和充放电曲线的模型，但我们已从本文中看出了浮充电压数据所隐含的信息量，这对我们实时了解电池性能是非常有利的。

在进一步的工作中，我们采用了模糊数学和人工神经网络的诊断原理，以一种非线性处理方式，以某种拓扑结构，对包括电池运行电压、电池内阻、电池充放电曲线等各种数据进行关联，并得出判断结论。其最大特点就是它的自适应功能，可以通过学习算法不断地调整，从而不断提高判断的精度。一般通过3～6个月的数据积累，模型即可给出分析结果，随着时间增加和测试结果的反馈，模型将不断学习改进，分析精度也会得到提高。

正如我们前面电池失效数学建模原理所言，我们把连续的、相互关联的各种信息，通过概率统计学、模糊数学和人工神经网络等数学方法，形成一个完整的、综合的电池失效数学分析模型，以期真正实现对阀控式铅酸蓄电池VRLA的容量评估和寿命预测。