本發(fā)明屬于電池故障預測，具體涉及一種蓄電池健康狀態(tài)評估方法、系統(tǒng)、設備及介質。

背景技術：

1、隨著新型配電網技術的不斷發(fā)展，配電終端設備(ftu、dtu、故指等)的可靠性和穩(wěn)定性對配電系統(tǒng)整體運行至關重要。蓄電池作為配電終端的關鍵儲能部件，通常用于支持配電終端設備的控制和通信功能。然而，蓄電池的健康狀態(tài)會隨著使用時間和環(huán)境條件的變化而惡化，直接影響配電終端的可靠性。目前，蓄電池的健康狀態(tài)監(jiān)測主要依賴定期人工檢查，或通過單一指標(如電壓)進行簡單評估，這種方法無法實時、準確地反映蓄電池的健康狀態(tài)，存在潛在風險。

2、經檢索，公開號為cn115407216a的專利文獻公開了一種環(huán)網柜蓄電池健康狀態(tài)在線監(jiān)測系統(tǒng)，包括：監(jiān)測終端和監(jiān)測服務器；從控模塊用于采集蓄電池的電壓、電流、溫度數(shù)據信息，并將采集的數(shù)據信息傳輸給主控模塊；數(shù)據處理單元用于對蓄電池在充電或放電狀態(tài)下基于soc算法估算蓄電池的soc值；實時檢測蓄電池電流i，利用安式積分法估算當前時間的蓄電池soc值，通過獲取蓄電池充放電電量，通過充放電電量以及soc值得出蓄電池的衰減狀態(tài)；能夠對蓄電池內阻、容量等參數(shù)進行精準在線辨識，能夠在本地對蓄電池健康狀態(tài)進行精準研判和及時預設指令運維，上傳預警數(shù)據信號。這種裝置確保了環(huán)網柜蓄電池作為后備供電的可靠性。雖然該專利文獻案包含了對溫度的監(jiān)測，但未充分考慮溫度對電池性能和壽命的綜合影響，缺乏有效的溫度補償機制：

3、1)溫度對soc計算的影響：溫度對蓄電池的充放電特性影響顯著，低溫條件下電池的內阻增大，電化學反應速率下降，導致soc估算不準確。未提到如何結合溫度變化進行soc的動態(tài)調整，也未引入溫度補償模型。

4、2)溫度對電池衰退的長期影響：溫度不僅影響電池的即時性能，還對其長期健康狀態(tài)有顯著影響，尤其是在長期高溫工況下，電池的容量衰減會加速。該專利未提及如何通過監(jiān)測溫度變化預估電池的長期衰退趨勢，缺乏對熱效應導致的健康衰減的預測能力。

5、因此，開發(fā)一種基于多參數(shù)的動態(tài)健康狀態(tài)評估方法，能夠實時監(jiān)測蓄電池的健康狀況，并提前預測可能出現(xiàn)的故障和隱患，對于保障配電終端的穩(wěn)定運行具有重要意義。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種蓄電池健康狀態(tài)評估方法、系統(tǒng)、設備及介質，解決了現(xiàn)有方法預測電池故障還不夠精確的問題。

2、本發(fā)明是通過以下技術方案來實現(xiàn)：

3、本發(fā)明公開了一種蓄電池健康狀態(tài)評估方法，包括：

4、獲取配電終端內的蓄電池的關鍵運行參數(shù)；所述關鍵運行參數(shù)包括蓄電池電壓、蓄電池充電電流、蓄電池運行溫度和蓄電池運行年限；

5、利用關鍵運行參數(shù)計算蓄電池健康狀態(tài)評價指標參數(shù)；所述蓄電池健康狀態(tài)評價指標參數(shù)包括蓄電池內阻、內阻變化率和蓄電池充電狀態(tài)、蓄電池運行年限和蓄電池運行溫度；

6、對蓄電池健康狀態(tài)評價指標參數(shù)進行預處理，得到預處理的健康狀態(tài)評估數(shù)據；

7、將預處理的健康狀態(tài)評估數(shù)據輸入至構建好的健康度評估模型中，得到代表蓄電池健康狀態(tài)的蓄電池健康度；

8、通過時間序列分析算法對蓄電池健康度進行趨勢動態(tài)預測，得到趨勢預測結果。

9、進一步，蓄電池內阻的計算過程具體如下：

10、使用最小二乘法進行線性回歸，擬合出蓄電池電壓與蓄電池充電電流的線性關系，得到線性回歸模型；

11、線性回歸模型為：

12、ui＝aii+b

13、其中，ui為蓄電池電壓，ii為蓄電池充電電流；

14、基于線性回歸模型，使用最小二乘法計算a：

15、

16、其中，n為某段連續(xù)時間電壓電流的連續(xù)采樣次數(shù)；i＝1,2...n；某段連續(xù)時間為t-▽t至t時刻；

17、通過溫度補償模型對蓄電池溫度補償前內阻進行補償，得到蓄電池內阻，溫度補償模型如下：

18、rc(t)＝r(t)·(1+α(t(t)-tref))

19、其中，rc(t)是蓄電池內阻，具體為t時刻溫度補償后的內阻值；r(t)＝a，r(t)是在t時刻計算出的蓄電池溫度補償前內阻；α是溫度補償系數(shù)；t(t)為蓄電池在t時刻的運行溫度；tref是參考運行溫度。

20、進一步，內阻變化率δrc通過如下公式計算：

21、

22、內阻變化率的計算是基于在不同時間點測量的內阻值；rc(t1)代表在t1時刻得到的蓄電池內阻；rc(t2)代表在t2時刻得到的蓄電池內阻。

23、進一步，蓄電池充電狀態(tài)采用構建的soc溫度補償模型計算，soc溫度補償模型如下：

24、

25、其中，soccom(t)是在t時刻進行經過溫度補償后的蓄電池soc；soccom(t0)是在初始時刻t0經過溫度補償后的蓄電池soc；ucom(t)為在t時刻進行溫度補償后的蓄電池電壓；icom(t)是在t時刻進行溫度補償后的蓄電池電流；k為常數(shù)；

26、ucom(t)＝uocv(t)+β·(t(t)-tref)

27、uocv(t)＝u(t)-i(t)×rc(t)

28、icom(t)＝i(t)·(1+γ(t(t)-tref))

29、soccom(t0)＝focv(ucom(t0))

30、其中，uocv(t)是蓄電池在t時刻的電壓；β是電壓的溫度補償系數(shù)；t(t)為蓄電池在t時刻的運行溫度；tref是參考運行溫度；

31、u(t)是蓄電池在t時刻的電壓；i(t)是蓄電池在t時刻的充電電流；γ是基于溫度的電流修正因子；rc(t)是蓄電池內阻；focv()是通過實驗擬合得到的電壓與soc的標準關系函數(shù)；ucom(t0)為在初始時刻t0經過溫度補償后的的蓄電池電壓。

32、進一步，所述健康度評估模型根據蓄電池健康狀態(tài)評價指標參數(shù)構建得到，表達式為：

33、h(t)＝ω1·f1(rc(t))+ω2·f2(δrc(t))+ω3·f3(soccom(t))+ω4·f4(a(t))+ω5·f5(t(t))

34、其中，h(t)代表蓄電池健康度；ω1、ω2、ω3、ω4、ω5是各項指標的權重，滿足rc(t)代表蓄電池內阻，soccom(t)代表蓄電池充電狀態(tài)，a(t)代表蓄電池在t時刻的運行年限；t(t)蓄電池在t時刻的運行溫度；

35、f1、f2、f3、f4、f5是將各個指標映射到標準健康度的函數(shù)。

36、進一步，所述f1(rc(t))計算模型如下：

37、

38、其中，rer是蓄電池典型內阻值；rfail是蓄電池故障內阻值；

39、f2(δrc(t))計算模型如下：

40、

41、其中，μδr是蓄電池典型內阻期望變化率；σδr是標準差，反映允許的變化率波動范圍；

42、f3(soccom(t))計算模型如下：

43、

44、其中，socmin是蓄電池正常運行允許的最低soc；socmax是蓄電池正常運行允許的最高soc；socer是蓄電池正常運行允許的最佳soc下限；

45、f4(a(t))計算模型如下：

46、

47、其中，aer是蓄電池標稱使用壽命；amax是蓄電池最大使用壽命；

48、f5(ti(t))計算模型如下：

49、

50、其中，tref是蓄電池運行參考溫度；tsca是蓄電池溫度影響的衰減因子；tmin是蓄電池允許運行的最低溫度，tmax是蓄電池允許運行的最高溫度。

51、進一步，所述蓄電池健康度分級標準為：健康、良好、一般、較差、危險；

52、對應的蓄電池健康度取值范圍為：健康：h(t)>90％；良好：h(t)在80％～90％之間；一般：h(t)在60％～80％之間；較差：h(t)在40％～60％之間；危險：h(t)<40％；h(t)代表蓄電池健康度；

53、所述時間序列分析算法包括自回歸移動平均模型和指數(shù)加權平均模型相結合的綜合模型，所述自回歸移動平均模型用于對蓄電池健康度的短期運行狀態(tài)進行預測，得到蓄電池的短期健康狀態(tài)預測值；所述指數(shù)加權平均模型用于對蓄電池健康度的長期運行趨勢進行捕捉，得到蓄電池的長期健康狀態(tài)預測值；

54、自回歸移動平均模型和指數(shù)加權平均模型的預測結果構成了整體的趨勢預測結果；

55、根據當前蓄電池健康度和趨勢預測結果，生成蓄電池運維建議；所述蓄電池運維建議包括優(yōu)化充放電策略、調整維護周期以及建議更換蓄電池。

56、本發(fā)明還公開了一種蓄電池健康狀態(tài)評估系統(tǒng)，包括：

57、數(shù)據獲取模塊，用于獲取配電終端內的蓄電池的關鍵運行參數(shù)；所述關鍵運行參數(shù)包括蓄電池電壓、蓄電池充電電流、蓄電池運行溫度和蓄電池運行年限；

58、參數(shù)處理模塊，用于利用關鍵運行參數(shù)計算蓄電池健康狀態(tài)評價指標參數(shù)；所述蓄電池健康狀態(tài)評價指標參數(shù)包括蓄電池內阻、內阻變化率和蓄電池充電狀態(tài)、蓄電池運行年限和蓄電池運行溫度；

59、預處理模塊，用于對蓄電池健康狀態(tài)評價指標參數(shù)進行預處理，得到預處理的健康狀態(tài)評估數(shù)據；

60、評估模塊，用于將預處理的健康狀態(tài)評估數(shù)據輸入至構建好的健康度評估模型中，得到代表蓄電池健康狀態(tài)的蓄電池健康度；

61、動態(tài)預測模塊，用于通過時間序列分析算法對蓄電池健康度進行趨勢動態(tài)預測，得到趨勢預測結果。

62、本發(fā)明還公開了一種計算機設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)所述蓄電池健康狀態(tài)評估方法的步驟。

63、本發(fā)明還公開了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)所述蓄電池健康狀態(tài)評估方法的步驟。

64、與現(xiàn)有技術相比，本發(fā)明具有以下有益的技術效果：

65、本發(fā)明涉及一種用于配電終端的蓄電池健康狀態(tài)動態(tài)評估方法，旨在通過實時監(jiān)測和分析計算蓄電池內阻、內阻變化率、運行溫度、運行年限和充電狀態(tài)(soc)等關鍵參數(shù)，準確評估其健康狀態(tài)。該方法包括數(shù)據采集與預處理、健康度評估模型建立、健康狀態(tài)實時評估與趨勢預測以及動態(tài)維護建議生成。本發(fā)明通過構建多參數(shù)綜合健康度評估模型，并結合時間序列分析技術進行趨勢預測，能夠實時、準確地評估配電終端蓄電池的健康狀態(tài)，并提供有效的維護建議，提升配電終端設備的整體運行可靠性。

66、本發(fā)明不僅能夠實時評估蓄電池的當前健康狀態(tài)，還結合時間序列分析技術，對健康狀態(tài)進行動態(tài)預測，提前識別潛在故障趨勢，相比于現(xiàn)有技術中的靜態(tài)評估方法，本發(fā)明能夠更好地應對蓄電池健康狀態(tài)的動態(tài)變化，提高預警和維護的及時性。

67、相比于現(xiàn)有技術專注于某一特定類型或環(huán)境下的蓄電池，本發(fā)明的方法適用于各種類型的蓄電池和不同的配電終端設備，具有更廣泛的應用范圍，能夠更好適應智能電網和配電自動化系統(tǒng)的不同需求。

68、進一步，本發(fā)明基于多維度的關鍵參數(shù)，包括內阻、內阻變化率、溫度、運行年限和充電狀態(tài)soc等，對蓄電池的健康狀態(tài)進行綜合評估，現(xiàn)有技術通常只關注單一或少數(shù)幾個參數(shù)，無法全面反映蓄電池的實際健康狀況。

69、進一步，本發(fā)明特別考慮了溫度對蓄電池健康狀態(tài)的影響，通過溫度補償模型對內阻和soc等參數(shù)進行校正，現(xiàn)有技術可能忽略溫度的影響或補償不足，而本發(fā)明的溫度補償機制提高了在不同工作環(huán)境下評估結果的準確性，特別是在極端溫度條件下，能夠提供更可靠的健康狀態(tài)評估。