Diagnostyka usterek jest krytycznym aspektem zapewnienia niezawodnego i wydajnego działania wielkoskalowych akumulatorowych systemów magazynowania energii (BESS). Jako wiodący dostawca wielkoskalowych rozwiązań w zakresie magazynowania energii w akumulatorach, rozumiemy znaczenie dokładnej diagnostyki usterek w utrzymaniu wydajności i trwałości tych systemów. Na tym blogu przyjrzymy się różnym metodom diagnostyki usterek w BESS na dużą skalę oraz omówimy ich zalety i ograniczenia.
1. Wprowadzenie do wielkoskalowych akumulatorowych systemów magazynowania energii
Wielkoskalowe akumulatorowe systemy magazynowania energii odgrywają kluczową rolę w nowoczesnych sieciach energetycznych. Mogą magazynować nadwyżkę energii poza godzinami szczytu i uwalniać ją w okresach szczytowego zapotrzebowania, pomagając zrównoważyć sieć, poprawić jakość energii i zintegrować odnawialne źródła energii, takie jak energia słoneczna i wiatrowa. Systemy te zazwyczaj składają się z wielu modułów akumulatorowych, systemów konwersji mocy (PCS) i jednostek sterujących. Jednakże ze względu na złożoność i wielkoskalowy charakter tych systemów mogą wystąpić awarie, które mogą prowadzić do zmniejszenia wydajności, zagrożeń bezpieczeństwa, a nawet awarii systemu.
2. Typowe usterki w BESS na dużą skalę
Przed zagłębieniem się w metody diagnostyki usterek istotne jest zrozumienie typowych usterek, które mogą wystąpić w BESS na dużą skalę. Należą do nich:
- Awarie baterii: Takie jak nadmierne ładowanie, nadmierne rozładowanie, wewnętrzne zwarcia i spadek pojemności. Usterki te mogą mieć wpływ na wydajność i żywotność baterii.
- Awarie systemu konwersji mocy: Usterki w PCS, w tym awarie falownika, awarie prostownika i problemy z obwodami sterującymi, mogą zakłócać proces konwersji i przesyłu energii.
- Usterki czujnika i sterownika: Nieprawidłowe odczyty czujników lub awarie jednostek sterujących mogą prowadzić do nieprawidłowego działania systemu i niedokładnego wykrywania usterek.
3. Metody diagnozowania usterek
3.1. Diagnoza usterek na podstawie modelu
Metody diagnostyki usterek oparte na modelach opierają się na modelach matematycznych BESS w celu wykrywania i izolowania usterek. Modele te mogą opisywać zachowanie elektryczne, termiczne i chemiczne akumulatora oraz innych elementów systemu.
- Stan - Modelowanie Przestrzenne: Stan - modele przestrzenne przedstawiają dynamikę układu za pomocą zestawu równań różniczkowych. Porównując rzeczywistą moc wyjściową systemu z mocą przewidywaną przez model, można wykryć błędy. Przykładowo, jeśli zmierzone napięcie akumulatora odbiega znacząco od napięcia przewidywanego przez model stanu-przestrzeń, może to wskazywać na awarię akumulatora.
- Równoważne modelowanie obwodów: Równoważne modele obwodów wykorzystują elementy obwodów, takie jak rezystory, kondensatory i źródła napięcia, aby przedstawić zachowanie elektryczne akumulatora. Modele te są stosunkowo proste i wydajne obliczeniowo. Usterki można zdiagnozować monitorując parametry obwodu zastępczego, takie jak rezystancja wewnętrzna.
Zaletą metod opartych na modelach jest to, że mogą zapewnić dogłębne zrozumienie zachowania systemu i wykryć początkowe błędy. Metody te wymagają jednak dokładnych modeli, a parametry modelu mogą zmieniać się w czasie ze względu na takie czynniki, jak starzenie się baterii, które mogą mieć wpływ na dokładność diagnozowania usterek.
3.2. Dane – diagnostyka usterek
Metody oparte na danych opierają się na danych historycznych i algorytmach uczenia maszynowego w celu wykrywania błędów. Metody te nie wymagają szczegółowej znajomości modelu fizycznego układu.
- Sztuczne sieci neuronowe (ANN): SSN mogą uczyć się zależności między wejściem (np. napięciem, prądem, temperaturą akumulatora) a wyjściem (stanem błędu) na podstawie danych historycznych. Po przeszkoleniu sieć ANN może służyć do klasyfikowania nowych danych jako normalne lub wadliwe. Na przykład wielowarstwowy perceptron (MLP) można wytrenować tak, aby wykrywał błędy nadmiernego ładowania akumulatora w oparciu o dane wejściowe dotyczące napięcia i prądu.
- Maszyny wektorów nośnych (SVM): Maszyny SVM to kolejny popularny algorytm uczenia maszynowego do diagnostyki usterek. Potrafią znaleźć optymalną hiperpłaszczyznę oddzielającą normalne i wadliwe dane w przestrzeni wielowymiarowej. Maszyny SVM mają dobrą zdolność generalizowania i mogą obsługiwać dane, które nie są liniowo separowane.
Zaletą metod opartych na danych jest to, że można je dostosować do zmian w systemie i obsługiwać złożone i nieliniowe relacje. Wymagają one jednak dużej ilości wysokiej jakości danych do uczenia, a jakość i ilość danych szkoleniowych może wpływać na skuteczność tych metod.
3.3. Przetwarzanie sygnału — diagnostyka usterek na podstawie
Techniki przetwarzania sygnałów można wykorzystać do analizy sygnałów z BESS w celu wykrycia usterek.
- Transformacja falkowa: Transformacja falkowa może rozłożyć sygnał na różne składowe częstotliwości. Analizując współczynniki falkowe sygnałów napięciowych lub prądowych akumulatora, można wykryć uszkodzenia. Na przykład nagła zmiana składowych o wysokiej częstotliwości sygnału napięciowego może wskazywać na zwarcie.
- Szybka transformata Fouriera (FFT): FFT może przekształcić sygnał w dziedzinie czasu na sygnał w dziedzinie częstotliwości. Analizując widmo częstotliwości sygnałów, można zidentyfikować usterki. Na przykład nieprawidłowe składowe częstotliwości w sygnale prądowym mogą wskazywać na awarię w systemie konwersji mocy.
Zaletą metod opartych na przetwarzaniu sygnałów jest to, że umożliwiają one wykrywanie usterek w czasie rzeczywistym i są stosunkowo łatwe do wdrożenia. Mogą jednak wymagać zaawansowanych umiejętności przetwarzania sygnałów i mogą być wrażliwe na szum w sygnałach.
4. Podejście naszej firmy do diagnostyki usterek
Jako dostawca akumulatorów na dużą skalę łączymy wiele metod diagnostyki usterek, aby zapewnić niezawodność i bezpieczeństwo naszych systemów. Używamy metod opartych na modelach, aby zrozumieć podstawowe zachowanie systemu i wykryć początkowe błędy. Jednocześnie wykorzystujemy metody oparte na danych, aby dostosować się do zmian w systemie i obsługiwać złożone relacje. Techniki przetwarzania sygnału są również wykorzystywane do wykrywania usterek w czasie rzeczywistym.
Oferujemy również szeroką gamę wysokiej jakości produktów do wielkoskalowego magazynowania energii akumulatorowej, takich jakSkrzynia kontenerowa ESS 10FT,Systemy przechowywania akumulatorów w skali użytkowej, INarzędzie - Stacja Mv w skali. Produkty te zostały zaprojektowane z zaawansowanymi funkcjami diagnostyki usterek i zabezpieczeniami, aby zapewnić ich niezawodne działanie.
5. Wnioski i wezwanie do działania
Diagnostyka usterek jest istotną częścią wielkoskalowych systemów magazynowania energii w akumulatorach. Stosując kombinację metod opartych na modelach, danych i przetwarzaniu sygnałów, możemy skutecznie wykrywać i izolować usterki, zapewniając niezawodne i wydajne działanie tych systemów.
Jeśli interesują Cię nasze wielkoskalowe rozwiązania w zakresie magazynowania energii akumulatorowej lub masz jakiekolwiek pytania dotyczące diagnostyki usterek, skontaktuj się z nami w celu zamówienia i dalszych dyskusji. Zależy nam na dostarczaniu Państwu najlepszych produktów i usług w zakresie magazynowania energii akumulatorowej.
Referencje
- Chen, X. i Zhang, Y. (2018). Diagnostyka usterek systemów magazynowania energii akumulatorów: przegląd. Nauka i technologia magazynowania energii, 7(2), 191 - 202.
- Li, X. i in. (2019). Oparta na danych metoda diagnostyki usterek akumulatorów litowo-jonowych oparta na sztucznych sieciach neuronowych. Journal of Power Sources, 422, 126 - 133.
- Wang, H. i Hu, C. (2017). Diagnostyka usterek oparta na transformacji falkowej w systemach magazynowania energii w akumulatorach. Transakcje IEEE dotyczące elektroniki mocy, 32(10), 7832–7841.