一种基于电化学机理的储能电池热失控预测方法和系统与流程

本发明涉及储能电池热失控检测，尤其涉及一种基于电化学机理的储能电池热失控预测方法、系统、设备和介质。

背景技术：

1、随着可再生能源如太阳能和风能的不断发展，能源的清洁化和多样化已成为全球能源发展的趋势。新能源储能技术为可再生能源的间歇性和不可控性提供了解决方案，为能源安全和环境保护提供了支撑。

2、新能源储能电池技术在取得显著进展的同时，仍然存在一些不足和安全风险。例如，储能电池在充放电过程中可能会受到外部冲击或高温等因素的影响，导致发生短路、过热，从而发生电池热失控问题。

3、目前，现有的储能电池热失控检测方法主要有以下几种：温度探测、电压和电流探测、对某一气体特定浓度探测、红外成像。其中，温度探测、电压和电流探测、对某一气体特定浓度探测的方法主要步骤是：设定报警阈值；监测温度或者电压、电流或者特定气体浓度；当探测数据超出阈值时，发出警报。红外成像方法则使用红外相机监测电池的热像图，寻找异常热点，当检测到异常热点时，发出警报。

4、本技术发明人在实现本发明实施例技术方法的过程中，至少发现现有技术中存在如下技术问题：

5、温度探测、电压和电流探测、对某一气体特定浓度探测的现有方法，不能及时反映电池内部的热失控情况，没有考虑温度波动这一影响因素，会影响检测结果的准确性，且检测结果具有滞后性，由于从采集数据到输出检测结果需要花费时间，因此生成的检测结果只能反映过去某时刻的热失控状况，无法客观反映当前热失控状况，更无法预测热失控发展情况；而红外成像，则成本较高，维护相对复杂。

6、综上，现有的储能电池热失控检测方法存在检测结果滞后、检测准确性不足、易受环境干扰、成本和复杂性较高的问题。

技术实现思路

1、本发明实施例提供一种基于电化学机理的储能电池热失控预测方法、系统、设备和介质，解决了现有的储能电池热失控检测方法存在的检测结果滞后、检测准确性不足、易受环境干扰、成本和复杂性较高的问题。

2、本发明实施例一方面提供了一种基于电化学机理的储能电池热失控预测方法，包括：

3、步骤s1：分别采集储能电池发生异常情况下的环境温度数据样本、co电化学传感器第一输出电压数据样本和co电化学传感器第二输出电压数据样本；

4、步骤s2：对数据样本进行数据离群值检验，去除所述数据样本中的异常值，得到环境温度检验数据、co电化学传感器第一输出电压检验数据和co电化学传感器第二输出电压检验数据；

5、步骤s3：分别对检验数据求加权平均值，得到环境温度加权平均值、co电化学传感器第一输出电压加权平均值和co电化学传感器第二输出电压加权平均值，并求得co电化学传感器单位时间的电极电势差；

6、步骤s4：基于所述环境温度加权平均值，得到环境温度补偿系数；

7、步骤s5：建立co电极反应模型，获得参与co电极反应的电子个数；获取储能电池的实时温度；基于所述参与co电极反应的电子个数、所述co电化学传感器单位时间的电极电势差、所述实时温度和所述环境温度补偿系数，获得电极动力学butler-volmer方程；基于所述电极动力学butler-volmer方程，得到co电化学传感器输出电流密度；

8、步骤s6：基于co电化学传感器中电流密度与反应速率的关联式，得到与所述co电化学传感器输出电流密度对应的co电化学传感器co反应速率，式中v为反应速率，k为反应速度与电流密度的比例系数，i为电流密度；

9、步骤s7：将所述co电化学传感器co反应速率代入logistic回归模型，得到热失控发生概率。

10、可选的，所述步骤s5中的所述电极动力学butler-volmer方程的公式为:

11、；

12、式中，i为电流密度、i0为原电流密度、为电极反应的传递系数、a为环境温度补偿系数、z为参与co电极反应的电子个数、f为法拉第常数、r为理想气体常数、t为实时温度、η为单位时间内的电极电势差。

13、可选的，还包括：

14、分别采集储能电池发生异常情况下的h2浓度数据样本、voc浓度数据样本和烟雾浓度数据样本；

15、对浓度数据样本进行数据离群值检验，去除所述浓度数据样本中的异常值，得到h2浓度检验数据、voc浓度检验数据和烟雾浓度检验数据；

16、分别对浓度检验数据构造向量，并对获得的h2浓度向量、voc浓度向量和烟雾浓度向量进行l2范数归一化处理；

17、对归一化处理后的数据求取加权平均值，得到h2浓度加权平均值、voc浓度加权平均值和烟雾浓度加权平均值；

18、将所述h2浓度加权平均值、voc浓度加权平均值、烟雾浓度加权平均值和所述co电化学传感器co反应速率共同代入所述logistic回归模型，得到热失控发生概率修正值。

19、可选的，所述l2范数归一化的公式为：

20、；

21、；

22、式中，x1，x2，...，xn，为向量中每个维度的具体数值，n为1*n维向量的维度数。

23、可选的，所述步骤s2中的对数据样本进行数据离群值检验，具体为：

24、运用格拉布斯检验法和四分位数的tukey’s test法进行两次数据离群值检验，

25、其中，所述格拉布斯检验法对应的公式为：

26、；

27、；

28、；

29、式中，gq为检验结果，xq为检验的样本，为平均值，s为标准差，下标q为检测的样本序号；

30、所述四分位数的tukey’s test法对应的公式为：

31、最小估计值：;

32、最大估计值：;

33、式中，q1为下四分位数，q3为上四分位数，k取1.5时，超出范围的样本数据判定为中度异常值，k取3时，超出范围的样本数据判定为极度异常值，所述范围为从最小估计值到最大估计值的数值。

34、可选的，所述步骤s3中的求加权平均值的公式为：

35、

36、式中，为加权平均值，w为加权权重，为检验数据，y为检验数据的个数。

37、可选的，所述步骤s7中的logistics回归模型的数学表达式如下：

38、；

39、式中，p为概率，β0,β1,β2,...,βm为模型系数，j1,j2,...,jm为与热失控相关的影响参数。

40、另一方面，本发明实施例还提供一种基于电化学机理的储能电池热失控预测系统，包括：

41、采集模块，用于分别采集储能电池发生异常情况下的环境温度数据样本、co电化学传感器第一输出电压数据样本和co电化学传感器第二输出电压数据样本；

42、检验模块，用于对数据样本进行数据离群值检验，去除所述数据样本中的异常值，得到环境温度检验数据、co电化学传感器第一输出电压检验数据和co电化学传感器第二输出电压检验数据；

43、计算模块，用于分别对检验数据求加权平均值，得到环境温度加权平均值、co电化学传感器第一输出电压加权平均值和co电化学传感器第二输出电压加权平均值，并求得co电化学传感器单位时间的电极电势差；

44、获取模块，用于基于所述环境温度加权平均值，得到环境温度补偿系数；

45、构建模块，用于建立co电极反应模型，获得参与co电极反应的电子个数；获取储能电池的实时温度；基于所述参与co电极反应的电子个数、所述co电化学传感器单位时间的电极电势差、所述实时温度和所述环境温度补偿系数，获得电极动力学butler-volmer方程；基于所述电极动力学butler-volmer方程，得到co电化学传感器输出电流密度；

46、获得模块，用于基于co电化学传感器中电流密度与反应速率的关联式，得到与所述co电化学传感器输出电流密度对应的co电化学传感器co反应速率，式中v为反应速率，k为反应速度与电流密度的比例系数，i为电流密度；

47、预测模块，用于将所述co电化学传感器co反应速率代入logistic回归模型，得到热失控发生概率。

48、本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前述实施例中基于电化学机理的储能电池热失控预测方法的步骤。

49、本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述实施例中基于电化学机理的储能电池热失控预测方法的步骤。

50、本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

51、本发明的步骤s2能够对数据样本进行数据离群值检验，改善数据分布的同时，去除数据样本中的异常值，消除异常值本身对结果的不良影响，减少对数据分析结果的误导性，提高预测模型的稳定性和可靠性，有利于提高预测结果的准确性；本发明步骤s5中的电极动力学butler-volmer方程能够考虑环境温度补偿系数对co电化学传感器化学反应的影响，更加精准地体现co的反应速率，避免环境温度对结果的干扰，减少环境因素给预测结果带来的不良影响，进一步提高预测结果的准确性。总体上来说，由于co是储能电池热失控情况下产生的代表性气体，能够客观地反映电池内部情况，co的反应速率越大，说明储能电池热失控情况越严重，因此本发明通过对co极度敏感的化学反应进行分析，基于灵敏度极高的co电极反应模型，使用电极动力学butler-volmer方程和电流密度与反应速率的关联式能够分析得到co的反应速率，与现有的探测方法相比，能够提高检测的灵敏度；本发明能够将co反应速率作为logistic回归模型的主要参数，对储能电池的热失控发展情况进行预测，得到热失控发生概率，将此概率作为预警的判断依据，方便工作人员及时对热失控前期的异常情况采取有效处理措施，避免异常情况发展为热失控造成的重大安全事故；本发明的实现无需额外增加红外相机、热成像图像分析算法等，后期的维护相对简单，与红外成像方法相比，能够有效降低成本。

52、进一步，所述步骤s5中的所述电极动力学butler-volmer方程的公式为：

53、；式中，i为电流密度、i0为原电流密度、为电极反应的传递系数、a为环境温度补偿系数、z为参与co电极反应的电子个数、f为法拉第常数、r为理想气体常数、t为实时温度、η为单位时间内的电极电势差。能够给出一种具体的电极动力学butler-volmer方程公式，反映实时温度t、单位时间内的电极电势差η、温度补偿系数a和参与co电极反应的电子个数z四者作为自变量，与电流密度i这一因变量之间的关联。

54、再进一步，方法还包括：分别采集储能电池发生异常情况下的h2浓度数据样本、voc浓度数据样本和烟雾浓度数据样本；对浓度数据样本进行数据离群值检验，去除所述浓度数据样本中的异常值，得到h2浓度检验数据、voc浓度检验数据和烟雾浓度检验数据；分别对浓度检验数据构造向量，并对获得的h2浓度向量、voc浓度向量和烟雾浓度向量进行l2范数归一化处理；对归一化处理后的数据求取加权平均值，得到h2浓度加权平均值、voc浓度加权平均值和烟雾浓度加权平均值；将所述h2浓度加权平均值、voc浓度加权平均值、烟雾浓度加权平均值和所述co电化学传感器co反应速率共同代入所述logistic回归模型，得到热失控发生概率修正值。对浓度检验数据构造向量，对向量进行l2范数归一化处理，既能够消除特征间的量纲影响，也能够避免某些特征因数值过大或过小而产生影响，增强模型收敛速度和稳定性。总体来说，能够以co反应速率为主，h2浓度、voc浓度和烟雾浓度为辅，多维度分析并预测得到热失控发生概率修正值，该修正值与仅将co反应速度作为主要参数得到的热失控发生概率值相比，更贴合热失控实际发生情况，准确度更高。

55、又进一步，所述l2范数归一化的公式为：；；式中，x1，x2，...，xn，为向量中每个维度的具体数值，n为1*n维向量的维度数。能够提供一种具体的l2范数归一化公式，便于对h2浓度向量、voc浓度向量和烟雾浓度向量进行处理。

56、还进一步，所述步骤s2中的对数据样本进行数据离群值检验，具体为：运用格拉布斯检验法和四分位数的tukey’s test法进行两次数据离群值检验，其中，所述格拉布斯检验法对应的公式为：；；；式中，gq为检验结果，xq为检验的样本，为平均值，s为标准差，下标q为检测的样本序号；所述四分位数的tukey’s test法对应的公式为：最小估计值：；最大估计值：；式中，q1为下四分位数，q3为上四分位数，k取1.5时，超出范围的样本数据判定为中度异常值，k取3时，超出范围的样本数据判定为极度异常值，所述范围为从最小估计值到最大估计值的数值。运用格拉布斯检验法和四分位数的tukey’s test法进行数据离群值检验，两种检验方法互相配合，能够更全面地评估数据的异常情况，有效识别出异常值，提高检验效果。

57、更进一步，所述步骤s3中的求加权平均值的公式为：；式中，为加权平均值，w为加权权重，为检验数据，y为检验数据的个数。能够提供一种具体的求得加权平均值的公式，方便从多个检验数据中得到具有代表性的数据，即得到经过处理后的每组样本数据的代表值，用于提高预测结果的准确性。

58、再进一步，所述步骤s7中的logistics回归模型的数学表达式如下：

59、；式中，p为概率，β0,β1,β2,...,βm为模型系数，j1,j2,...,jm为与热失控相关的影响参数。能够提供一种具体的logistics回归模型，方便根据实际需要选择热失控相关的影响参数及其数量，提高适用范围。