风冷型锂离子电池储能集装箱热管理系统异常预警方法与流程

1.本发明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。


背景技术：

2.1.1背景技术
3.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。
4.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。本发明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。
5.1.2与本发明相关的现有技术一
6.1.2.1现有技术一的技术方案
7.一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。
8.1.2.2现有技术一的缺点
9.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。
10.1.3与本发明相关的现有技术二
11.1.3.1现有技术二的技术方案
12.一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。
13.1.3.2现有技术二的缺点
14.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。
15.1.4与本发明相关的现有技术三
16.1.4.1现有技术三的技术方案
17.一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。
18.1.4.2现有技术三的缺点
19.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。
20.1.5与本发明相关的现有技术四
21.1.5.1现有技术四的技术方案
22.一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。
23.1.5.2现有技术四的缺点
24.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。


技术实现要素：

25.本发明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：
26.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，本发明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。
27.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，本发明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。
28.具体地，为达到上述目的，本发明通过下述技术方案实现。
29.本发明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：
30.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；
31.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。
32.作为上述技术方案的改进之一，所述步骤1)具体包括：
33.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；
34.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)；
35.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；
36.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；
37.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。
38.作为上述技术方案的改进之一，所述步骤1-3)中，核密度估计kde模型f(y)的表达式为：
[0039][0040]
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；ya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；
[0041]
高斯核函数k(
·
)的表达式为：
[0042][0043]
作为上述技术方案的改进之一，所述步骤1-4)中，各空调制冷、制热健康度指标的计算式为：
[0044][0045][0046]
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。
[0047]
作为上述技术方案的改进之一，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：
[0048]
hli
制冷aci
＝coef
制冷
*x+b
制冷
[0049]
hli
制热aci
＝coef
制热
*x+b
制热
[0050]
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。
[0051]
作为上述技术方案的改进之一，所述步骤1-5)中，对空调系统进行异常风险判断，包括：
[0052]
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；
[0053]
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；
[0054]
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coef
制热
《0，则判定对应的第i号空调存在高风险制热异常；
[0055]
若hli
制热aci
未超出异常判定阈值时coef
制热
≥0，则判定对应的第i号空调存在低风险制热异常。
[0056]
作为上述技术方案的改进之一，所述步骤2)，具体包括：
[0057]
步骤2-1)按照设定的采样率，提取单日内电池簇风扇系统的关键数据，包括：时间、各空调制冷状态、各空调加热状态、电池簇内电芯温度和风扇继电器状态等，并对数据
进行预处理，包括：剔除电芯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；
[0058]
步骤2-2)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2-3)；
[0059]
步骤2-3)根据预处理后的数据，分别计算提取日内空调制冷状态且风扇开启、空调制热状态且风扇开启两种工况下各电池簇簇内温度平均值和簇内温度设定分位数以及温度标准差和变异系数指标，并基于dbscan密度聚类算法对各电池簇簇内温度均值和设定分位数进行离群分析，得到各电池簇簇内温度离群识别结果，以及基于dbscan密度聚类算法对各电池簇簇内温度标准差和变异系数指标进行离群分析，得到各电池簇簇内温度离散性指标离群识别结果；
[0060]
步骤2-4)根据电池簇间各电池簇簇内温度离群识别结果和温度离散性指标离群识别结果，对电池簇风扇系统进行异常风险判断，进而给出相应的预警。
[0061]
作为上述技术方案的改进之一，所述步骤2-3)中，基于dbscan密度聚类算法对各电池簇簇内温度均值和设定分位数进行离群分析，得到各电池簇簇内温度离群识别结果，具体包括以下步骤：
[0062]
①
输入样本集d＝{x1,x2,...,xj...,xm}，其中xj代表日内j号电池簇的簇内温度平均值，设定分位数簇内温度，设置邻域参数(ε,minpts)，样本距离度量方式采取欧式距离；m为集装箱内总电池簇数；
[0063]
②
初始化核心对象集合初始化聚类簇数k＝0，初始化未访问样本集合γ＝d，初始化簇划分
[0064]
③
对于j＝1,2,...,m，按下述步骤找出聚类核心对象：
[0065]
a.通过距离度量方式，找出样本xj的ε邻域子样本集n
ε
(xj)；
[0066]
b.将子样本集样本个数满足|n
ε
(xj)|≥minpts的样本xj加入核心对象集合ω；
[0067]
c.重复步骤a和b，不断更新核心对象样本集合ω；
[0068]
④
若核心对象集合则算法结束，输出结果；若核心对象集合在核心对象集合ω中，随机选择一个核心对象o，初始化当前核心对象队列ω
cur
＝{o}，初始化类别序号k为k+1，初始化当前簇样本集合ωk＝{o}，更新未访问集合γ为γ-{o}；
[0069]
⑤
若当前簇核心对象队列则当前聚类簇ck生成完毕，更新簇划分c＝{c1,c2,...,ck}，更新核心对象集合，将当前核心对象集合更新为原集合与ck的交集，转入步骤
④
；若当前簇核心对象队列将当前核心对象更新为原集合与ck的交集；
[0070]
⑥
在当前簇核心对象队列ω
cur
中取出一个核心对象o’，通过邻域距离找出所有的ε-邻域子集样本集n
ε
(o’)，令集合δ＝n
ε
(o’)∩γ，更新当前簇样本集合ck为ck∪δ，更新未访问样本集合γ为γ-δ，更新ω
cur
为ω
cur
∪(δ∩ω)-o’，转入步骤
⑤
；
[0071]
⑦
输出结果为：簇划分c＝{c1,c2,...,ch,...,ck}，ch表示簇中的第h个簇，k为最终的总簇数；对于不隶属于任何簇的数据点定义为异常点。
[0072]
作为上述技术方案的改进之一，所述步骤2-4)中，对电池簇风扇系统进行风险判断，包括：
[0073]
若电池簇簇内同时存在两类离群，则电池簇对应的风扇为高风险；
[0074]
若电池簇簇内仅存在一类离群，则电池簇对应的风扇为低风险。
[0075]
本发明技术方案带来的有益效果：
[0076]
1.本发明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，对风冷型锂离子电池储能集装箱热管理系统(包括空调系统和电池簇风扇系统)进行异常预警；
[0077]
2.本发明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。
附图说明
[0078]
图1是本发明方法整体流程框图；
[0079]
图2是风冷型锂离子电池储能集装箱空调系统异常预警流程示意图；
[0080]
图3是风冷型锂离子电池储能集装箱电池簇风扇异常预警流程示意图。
具体实施方式
[0081]
以下结合实施例进一步说明本发明所提供的技术方案。
[0082]
如图1所示，为本发明方法实施例整体流程框图；具体地，如图2和图3所示，分别为本发明实施例的风冷型锂离子电池储能集装箱空调系统和电池簇风扇系统异常预警流程示意图。
[0083]
1.空调系统预警
[0084]
图2为风冷型锂离子电池储能集装箱空调系统异常预警流程示意图，该技术的整体设计思路为：理论上集装箱内各空调安装处附近的环境工况类似(温度、湿度等)，如各空调运行正常，则单日内各空调的制冷/制热出力情况应差别较小，因此分别建立单日内空调制冷、制热状态下的进出口风温差δt的统计分布模型，通过对比各空调统计分布差异即能够实现异常识别。具体预警流程如下：
[0085]
1)单日空调数据提取：针对待分析的储能集装箱，提取单日内箱内各空调系统的关键数据(采样率为1min)，包含时间、各空调进风温度、各空调回风温度、各空调压缩机状态、各空调电加热状态，并进行数据预处理，剔除进风/回风温度不在[-35℃～65℃]区间内的数据点、剔除原始数据中的空值；
[0086]
2)数据量判断：判断经预处理后的数据量是否满足预警建模要求(剔除后的数据点》900条)，如满足则进入下一步；
[0087]
3)制冷功能异常识别统计建模：提取单日各空调压缩机状态＝＝2(即压缩机工作状态)的回风温度、进风温度数据，计算单日各空调δt
制冷aci
＝进风温度
aci-回风温度
aci
(δt
制冷aci
代表制冷状态下集装箱内第i号空调的进风、回风温差)，并基于核密度估计(kernel density estimation，kde)建立各δt
制冷aci
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：
[0088][0089]
式中：f(x)为核密度估计kde模型的表达式，h为带宽；k(
·
)为核函数，本技术选取高斯核函数；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；xi为第i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。高斯核函数的表达式为：
[0090][0091]
4)制热功能异常识别统计建模：提取单日各空调电加热状态＝＝1(即电加热工作状态)的回风温度、进风温度数据，计算单日各空调δt
制热aci
＝回风温度
aci-进风温度
aci
(δt
制热aci
代表制热状态下集装箱内第i号空调的回风、进风温差)，并同样使用公式(1)和(2)，基于kde建立各δt
aci
的概率密度分布模型。
[0092]
5)计算各空调制冷、制热健康度指标，如下所示：
[0093]
hli
制冷aci
＝max_δt
制冷aci
/max(max_δt
制冷ac0
,max_δt
制冷ac1
,...,max_δt
制冷aci
) (3)
[0094]
hli
制热aci
＝max_δt
制热aci
/max(max_δt
制热ac0
,max_δt
制热ac1
,...,max_δt
制热aci
) (4)
[0095]
式中：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
为第i号空调δt
制冷aci
kde概率密度模型中最大概率密度对应的进风、回风温差值；max_δt
制热aci
为第i号空调δt
制热aci
kde概率密度模型中最大概率密度对应的回风、进风温差值。
[0096]
6)判断hli
制冷aci
、hli
制热aci
是否超出异常判定阈值；若超出判定阈值，则对空调存在的异常风险进行判断；若未超出判定阈值，则继续基于历史五天的hli
制冷aci
、hli
制热aci
分别进行线性拟合(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为历史五天数据点数)，得出斜率coef
制冷
、coef
制热
，并根据斜率对空调存在的异常风险进行判断。
[0097]
7)进行空调风险判断：
[0098]
①
如coef
制冷
斜率《0或hli
制冷aci
超出异常判定阈值(0.45)，则判定该空调存在高风险制冷异常；
[0099]
②
如coef
制冷
斜率≥0，则判定该空调存在低风险制冷异常；
[0100]
③
如coef
制热
斜率《0或hli
制热aci
超出异常判定阈值(0.45)，则判定该空调存在高风险制热异常；
[0101]
④
如coef
制热
斜率≥0，则判定该空调存在低风险制热异常。
[0102]
2.电池簇风扇系统预警
[0103]
图3为风冷型锂离子电池储能集装箱电池簇风扇异常预警流程示意图，该技术的整体设计思路为：正常情况下当电池簇风扇及储能空调运行状态下集装箱内各电池簇电芯温度整体一致性较好，当某电池簇风扇异常时，会导致该簇内电芯温度分布的离散性增大，且该电池簇电芯整体温度出现较明显离群，通过聚类算法识别簇内温度离散性及簇间温度离群特征，能够实现电池簇风扇异常识别。具体预警流程如下：
[0104]
1)单日数据提取：针对待分析的储能集装箱，提取单日内箱内关键数据(采样率为1min)，包含时间、各空调压缩机状态、各空调电加热状态、电池簇内电芯温度、风扇继电器状态等，并进行数据预处理，剔除电芯温度不在[-35℃～65℃]区间内的数据点、剔除原始数据中的空值；
[0105]
2)数据量判断：判断经预处理后的数据量是否满足预警建模要求(剔除后的数据点》900条)，如满足则进入下一步；
[0106]
3)簇间电芯温度离群识别：分别提取日内空调制冷状态且风扇开启、空调制热状态且风扇开启两种工况下各簇簇内温度平均值、簇内温度80％分位数，基于dbscan密度聚
类对各簇簇内温度均值及80％分位数进行离群分析，识别离群电池簇，具体流程如下。(一个电池簇通常包含几百个电芯，簇内温度分位数是指的这些电芯温度的分位数(假设簇内有100个电芯温度值，80％分位数就是这100个温度值从小到大排列后的第80个值；该分位数可以考虑设置成可调变量，根据实际需要进行设置)
[0107]
①
输入：样本集d＝{x1,x2,...,xm}，其中x1代表日内1号电池簇的簇内温度平均值、80％分位数簇内温度，邻域参数(ε,minpts)，样本距离度量方式采取欧式距离；
[0108]
②
输出：簇划分c。
[0109]
3.1初始化核心对象集合初始化聚类簇数k＝0，初始化未访问样本集合γ＝d，簇划分
[0110]
3.2对于j＝1,2,...,m，按下述步骤找出聚类核心对象：
[0111]
a.通过距离度量方式，找出样本xj的-邻域子样本集n
ε
(xj)；
[0112]
b.通过子样本集样本个数满足|n
ε
(xj)|≥minpts，将样本xj加入核心对象样本集合：ω＝ω∪{xj}；
[0113]
3.3如核心对象集合则算法结束，否则转入步骤2.4；
[0114]
3.4在核心对象集合ω中，随机选择一个核心对象o，初始化当前核心对象队列ω
cur
＝{o}，初始化类别序号k＝k+1，初始化当前簇样本集合ωk＝{o}，更新未访问集合γ＝γ-{o}；
[0115]
3.5如果当前簇核心对象则当前聚类簇ck生成完毕，更新簇划分c＝{c1,c2,...,ck}，更新核心对象集合ω＝ω-ck，转入步骤3.3。否则更新核心对象集合ω＝ω-ck；
[0116]
3.6在当前簇核心对象队列ω
cur
中取出一个核心对象o’，通过邻域距离找出所有的ε-邻域子集样本集n
ε
(o’)，令δ＝n
ε
(o’)∩γ，更新当前簇样本集合ck＝ck∪δ，更新未访问样本集合γ＝γ-δ，更新ω
cur
＝ω
cur
∪(δ∩ω)-o’，转入3.5。
[0117]
3.7输出结果为：簇划分c＝{c1,c2,...,ck}，对于未被识别为簇的数据点定义为异常点。
[0118]
4)簇间电芯温度离散性指标离群识别：分别提取日内空调制冷状态且风扇开启、空调制热状态且风扇开启两种工况下各簇簇内温度标准差、变异系数指标，基于dbscan聚类算法进行离群分析，识别离群电池簇。
[0119]
5)电池簇风扇分级预警：汇总簇间电芯温度离群识别与簇间电芯温度离散性指标离群识别结果，对于同时存在两类离群的电池簇对应风扇为高风险，对于仅存在一类离群的电池簇对应风扇为低风险。
[0120]
从上述对本发明的具体描述可以看出，本发明实现了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，对风冷型锂离子电池储能集装箱内的空调系统和电池簇风扇系统进行实时异常预警。
[0121]
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。