Изобретение относится к области мониторинга и аналитики аккумуляторных батарей.
Предложенный способ имеет широкий спектр применения и может быть использован для мониторинга и аналитики аккумуляторных батарей, размещенных на любых объектах инфраструктуры и промышленности, в частности, в системах бесперебойного питания в медицине, производстве, транспорте в дистанционном режиме посредством web-интерфейса.
Из уровня техники широко известны способы мониторинга и аналитики аккумуляторных батарей, например, известен способ прогнозирования остаточной емкости аккумуляторной батареи на основе нейронной сети (CN 107037373 A, G01R31/36, опубл. 11.08.2017). Способ прогнозирования остаточной емкости аккумуляторной батареи заключается в том, что измеряют такие параметры аккумуляторных батарей как напряжение, сила тока и остаточная мощность аккумуляторных батарей с помощью по меньшей мере одного измерительного модуля, выполненного с возможностью подключения к аккумуляторным батареям. Передают полученные данные в процессор. Выполняют построение начальной модели прогнозирования оставшейся мощности аккумуляторных батарей на основе нейронных сетей.
Данный способ не учитывает такие параметры как текущий уровень заряда аккумуляторных батарей, время заряда аккумуляторных батарей при текущей нагрузке, степень деградации аккумуляторных батарей, таким образом, данный способ не обладает достаточной точностью прогнозирования поведения аккумуляторных батарей на исследуемом объекте.
Наиболее близким техническим решением, принятым за прототип, является способ мониторинга аккумуляторных батарей на основе модели (EP 3826102 A1, кл. МПК H01M10/48, H01M10/617, H01M10/627, H01M10/633, H01M50/251, H01M50/284, опубл. 26.05.2021), заключающийся в том, что измеряют такие параметры аккумуляторных батарей как напряжение, температура, сила тока с помощью по меньшей мере одного измерительного модуля, выполненного с возможностью подключения к аккумуляторным батареям. Далее передают полученные данные от по меньшей мере одного измерительного модуля по меньшей мере одному контроллеру, соединенному с ним. После чего данные от по меньшей мере одного контроллера передают в процессор. Обрабатывают с помощью процессора входные данные в соответствии с заранее определенной моделью и рассчитывают разность между расчетной температурой и измеренной температурой модуля аккумуляторных батарей.
Данный способ не учитывает при мониторинге такие характеристики аккумуляторных батарей как текущий уровень заряда аккумуляторных батарей, время разряда аккумуляторных батарей при текущей нагрузке, степень деградации аккумуляторных батарей, что не позволяет получать достоверную и полноценную информацию о состоянии аккумуляторных батарей, то есть не обладает достаточной точностью прогнозирования поведения аккумуляторных батарей на исследуемом объекте.
Таким образом, техническая проблема заключается в создании способа мониторинга и предиктивной аналитики аккумуляторных батарей, позволяющего получать точные и исчерпывающие данные о состоянии аккумуляторных батарей дистанционно в режиме реального времени, что позволит своевременно реагировать на изменения, происходящие в системе энергоснабжения, и обеспечить их бесперебойную работу.
Технический результат, достигаемый заявленным способом мониторинга и предиктивной аналитики аккумуляторных батарей, заключается в повышении точности прогнозирования поведения аккумуляторных батарей на исследуемом объекте.
Техническая проблема решается тем, что измеряют напряжение, температуру, силу тока аккумуляторных батарей с помощью по меньшей мере одного измерительного модуля, выполненного с возможностью подключения к модулю аккумуляторных батарей, отличающийся тем, что измерения проводят непрерывно с периодом не реже одного измерения в 2 секунды, далее передают полученные данные от по меньшей мере одного измерительного модуля по меньшей мере одному контроллеру, соединенному с ним, далее данные от по меньшей мере одного контроллера передают в модуль предварительной обработки данных, далее - в модуль прогнозирования остаточной емкости аккумуляторных батарей, размещенный на по меньшей мере одном сервере, где с помощью алгоритмов нейронной сети, способной запоминать исторические данные и при прогнозировании будущих значений учитывать эту информацию, определяют прогнозируемые значения остаточной емкости аккумуляторных батарей, далее данные передают в модуль постобработки данных, где определяют данные текущего уровня заряда аккумуляторных батарей, времени разряда аккумуляторных батарей при текущей нагрузке, степени деградации аккумуляторных батарей с учетом данных о номинальных характеристиках аккумуляторных батарей и результатов технической экспертизы состояния каждой аккумуляторной батареи на этапе ее ввода в эксплуатацию, а также прогнозируемых значений остаточной емкости аккумуляторных батарей, полученных в модуле прогнозирования остаточной емкости аккумуляторных батарей.
Определение остаточной емкости аккумуляторных батарей в модуле прогнозирования остаточной емкости аккумуляторных батарей на основании данных, полученных с помощью по меньшей мере одного измерительного модуля, позволяет построить точную обучаемую модель остаточной емкости аккумуляторных батарей, что позволяет повысить точность прогнозирования поведения аккумуляторных батарей на исследуемом объекте.
Учет данных об остаточной емкости аккумуляторных батарей, полученных в модуле прогнозирования остаточной емкости аккумуляторных батарей, а также данных о номинальных характеристиках аккумуляторных батарей и результатов технической экспертизы состояния каждой аккумуляторной батареи на этапе ее ввода в эксплуатацию при определении данных текущего уровня заряда аккумуляторных батарей, времени разряда аккумуляторных батарей при текущей нагрузке, степени деградации аккумуляторных батарей, позволяет повысить точность прогнозирования поведения аккумуляторных батарей на исследуемом объекте за счет получения характеристик аккумуляторных батарей, определенных с точностью не менее 85%, соответственно, повысить скорость реагирования на изменения в системе энергоснабжения для обеспечения бесперебойного электроснабжения, которое является важнейшим принципом организации надежной работы объектов инфраструктуры.
Сущность заявленного изобретения поясняется блок-схемой.
На фиг.1 изображена блок-схема процесса обработки данных способа мониторинга и предиктивной аналитики аккумуляторных батарей.
На фиг. 2 изображены графики поведения прогнозного значения остаточной емкости аккумуляторной батареи (обозначено синим цветом) и реальные значения остаточной емкости аккумуляторной батареи (обозначено красным цветом).
Способ мониторинга и предиктивной аналитики аккумуляторных батарей реализован с помощью системы мониторинга и предиктивной аналитики аккумуляторных батарей, содержащей программно-аппаратный комплекс, включающий по меньшей мере один измерительный модуль. Измерительный модуль имеет возможность подключения к каждому аккумулятору, входящему в состав модуля аккумуляторных батарей, и с возможностью сбора данных о таких параметрах аккумуляторных батарей как напряжение, температура и сила тока заряда или разряда.
При этом датчик температуры может быть встроен в клемму для подключения к аккумуляторной батарее.
Подключение измерительного модуля к клеммам аккумуляторов может быть осуществлено посредством проводной связи через специализированные контактные переходники. При этом к измерительному модулю может быть подключено до 5-ти аккумуляторов либо 4 аккумулятора и 1 датчик тока заряда или разряда в ветке. Измерительный модуль представляет собой печатную плату с установленными электронными компонентами, помещенную в пластиковый корпус.
В целях осуществления способа мониторинга и предиктивной аналитики аккумуляторных батарей может быть использован, например, измерительный модуль МКА4+, который передает данные контроллеру по проприетарному двухпроводному протоколу с гальванической развязкой.
Кроме того, измерительный модуль выполнен с возможностью подключения к аккумуляторам любого номинала (2/6/12 В), а также может получать питание от аккумуляторов по измерительным проводам.
При этом измерительный модуль характеризуется контролируемыми напряжениями с дискретностью 0,01 В в диапазоне:
от 1,4 до 2,7 В с погрешностью ±0,02 В для аккумуляторной батареи 2 В;
от 5,6 до 7,6 В с погрешностью ±0,06 В для аккумуляторной батареи 6 В;
от 10 до 15 В с погрешностью ±0,12 В для аккумуляторной батареи 12 В;
Также измерительный модуль выполнен с возможностью контроля температуры в диапазоне от -55°C до +100°C с дискретностью 0,1°C и погрешностью - не хуже ±2°C, при этом удаленность от контроллера не должна превышать 50 м.
Удаленность измерительного модуля от контролируемых аккумуляторных батарей не должна превышать более 20 м.
Система мониторинга и предиктивной аналитики аккумуляторных батарей может быть масштабирована в зависимости от количества аккумуляторных батарей, подлежащих мониторингу.
Данные, полученные измерительным модулем от аккумуляторных батарей, передают в контроллер, выполненный в виде печатной платы с установленными электронными компонентами, помещенный в пластиковый корпус. Контроллер способен получать данные от по меньшей мере одного измерительного модуля по проводному или беспроводному каналу связи.
Для осуществления способа мониторинга и предиктивной аналитики аккумуляторных батарей может быть использован, например, контроллер АКБ-12/485. Данный контроллер выполнен с возможностью получения и обработки данных от 10 измерительных модулей одновременно.
Система мониторинга и предиктивной аналитики аккумуляторных батарей снабжена модулем предварительной обработки данных, полученных от по меньшей мере одного контроллера. При этом контроллер может иметь встроенный web-интерфейс и может быть выполнен с возможностью передачи измеренных параметров аккумуляторных батарей в блок обработки данных по физическим каналам передачи Ethernet или RS-485 (протоколы ModBus, SNMP).
В блоке предварительной обработки осуществляют предобработку измерений напряжения, температуры и силы тока заряда или разряда аккумуляторных батарей, полученных от по меньшей мере одного контроллера, для возможности передачи их в модуль прогнозирования остаточной емкости аккумуляторных батарей.
Далее в модуле прогнозирования остаточной емкости аккумуляторных батарей с помощью алгоритмов нейронной сети определяют остаточную емкость аккумуляторных батарей.
Модуль постобработки данных выполнен с возможностью определения времени разряда аккумуляторных батарей при текущей нагрузке и степени деградации аккумуляторных батарей с учетом данных о номинальных характеристиках аккумуляторных батарей и результатов технической экспертизы состояния каждой аккумуляторной батареи на этапе ее ввода в эксплуатацию, а также данных об остаточной емкости аккумуляторных батарей, полученных в модуле прогнозирования остаточной емкости аккумуляторных батарей.
Кроме того, к результатам вычислений прогнозируемой величины остаточной емкости аккумуляторных батарей, полученных с помощью алгоритмов нейронных сетей в модуле прогнозирования остаточной емкости аккумуляторных батарей, в модуле постобработки данных могут быть применены в зависимости от задач, поставленных при реализации способа, условия, уточняющие поведение прогнозируемой величины остаточной емкости аккумуляторных батарей, например, может быть задан минимальный процент снижения остаточной емкости в процессе эксплуатации в день (%), максимальный прирост остаточной емкости за окно данных (%), максимальное снижение остаточной емкости за окно данных (%), а также заданы зависимости: зависимость между величиной снижения остаточной емкости и разрядом импульсами тока (%), зависимость между эксплуатацией при превышенной температуре градус/день и снижением остаточной емкости (%), зависимость между глубиной разряда в рамках 1 цикла и снижением остаточной емкости (%), зависимость между величиной перезаряда в пределах 1 цикла и снижением остаточной емкости, зависимость между отклонением напряжения от среднего в группе и снижением остаточной емкости (%).
Техническая экспертиза аккумуляторных батарей, данные которой учитывают при осуществлении вычислений данных текущего уровня заряда аккумуляторных батарей, времени разряда аккумуляторных батарей при текущей нагрузке, степени деградации аккумуляторных батарей представляет собой ряд мероприятий, направленных на оценку состояния аккумуляторных батарей в системе гарантированного питания, до и на этапе внедрения системы мониторинга и предиктивной аналитики аккумуляторных батарей.
Результаты технической экспертизы состояния каждой аккумуляторной батареи на этапе ее ввода в эксплуатацию могут включать в себя такие данные как результаты анализа ранее проведенных контрольно-тренировочных циклов, результаты проведения дополнительных контрольно-тренировочных циклов, результаты анализа технической документации на аккумуляторную батарею, анализ журнала проведенных регламентных работ по обслуживанию системы гарантированного питания, включая аккумуляторные батареи.
Результаты определения остаточной емкости аккумуляторных батарей, текущего уровня заряда аккумуляторных батарей, времени разряда аккумулятора при текущей нагрузке и степени деградации аккумулятора выводится в web-интерфейсе пользователя.
Осуществляют способ мониторинга и предиктивной аналитики аккумуляторных батарей следующим образом.
Проводят измерения напряжения U, температуры t и силы тока I заряда или разряда аккумуляторных батарей с помощью по меньшей мере одного измерительного модуля, выполненного с возможностью подключения к каждому аккумулятору, входящему в состав аккумуляторной батареи, с помощью клемм.
При этом измерительный модуль имеет 12-битный АЦП. Измеренные параметры из единиц АЦП преобразуются в напряжение, а далее в измеряемую величину. Например, значение 2000 ед. АЦП равно 2000 мВ (1мВ на ед), делитель напряжения на входе измерения равен 1\6, таким образом, напряжение на входе составляет 12000 мВ.
Измерения проводят непрерывно с периодом не реже одного измерения в 2 секунды, при этом период зависит от количества подключенных измерительных модулей.
Далее полученные данные передают от по меньшей мере одного измерительного модуля по проводному или беспроводному каналу связи по меньшей мере одному контроллеру. Далее данные от по меньшей мере одного контроллера по проводному или беспроводному каналу связи передают в модуль предварительной обработки данных, размещенный на по меньшей мере одном сервере, при этом сервер может располагаться удаленно при наличии между ними локальной вычислительной сети Ethernet не хуже 10Base-T (IEEE 802.3i).
В модуле предварительной обработки данных полученные измерительным модулем данные температуры аккумуляторных батарей, их напряжения и данные силы тока заряда или разряда аккумуляторных батарей приводят к необходимому для работы с нейронной сетью виду, а именно, преобразуют в массив чисел с распределением значений в диапазоне от 0 до 1.
После чего данные передают по http протоколу.
В теле запроса передается JSON в формате:
{
success: True,
prediction: [0.1,0.2,...]
})
Далее предобработанные данные температуры аккумуляторных батарей, их напряжения и данные силы тока заряда или разряда аккумуляторных батарей передают в модуль прогнозирования остаточной емкости аккумуляторных батарей, размещенный на по меньшей мере одном сервере, где с помощью алгоритмов нейронной сети определяют остаточную емкость аккумуляторных батарей.
Для реализации данного изобретения сервер должен обладать характеристиками, не ниже указанных: процессор INTEL Core i7-9700KF LGA1151-v2 OEM (Coffee Lake), жесткий диск Western Digital Black 3.5 " 500 Gb SATA III 64 Mb 7200 rpm WD5003AZEX, SSD диск SAMSUNG 2.5" 860 EVO 250 Гб SATA III V-NAND 3bit MLC (MZ-76E250BW), материнская плата GIGABYTE B365 HD3, оперативная память Kingston DDR4 16Gb 2400MHz pc-19200 (KVR24N17D8/16), видеокарта GIGABYTE GeForce RTX 3070 8192Mb AORUS MASTER V1.1 (GV-N3070AORUS M-8GD V1.1.).
Процессы, происходящие в аккумуляторных батареях в ходе эксплуатации, поддаются теоретической оценке, однако их взаимосвязь в группе, большое количество типов (модель, производитель и прочее), большое количество внешних факторов радикально усложняют получение искомого результата (остаточной емкости аккумуляторной батареи) классическими математическими методами. В связи с этим в рамках данного изобретения предложено использования алгоритмов нейронных сетей.
Остаточная емкость аккумулятора наиболее сложный для оценки параметр, который выражается в процентах от номинальной емкости и характеризует наивысшую достижимую в настоящий момент эксплуатации емкость при разряде фиксированным током в течение установленного времени до установленного напряжения на одном элементе в аккумуляторной батарее.
В качестве нейронной сети в целях осуществления способа используют гибридную модель со сверточными слоями и LSTM-функциями. Данный тип нейронной сети способен запоминать исторические данные и при прогнозировании будущих значений учитывать эту информацию. Это достигается за счет того, что повторяющийся модуль модели имеет комбинацию четырех слоев, взаимодействующих друг с другом.
Следует отметить, что выбранный формат входных данных также и удобен эксперту для создания наборов данных, так как для корректной оценки ему требуется производить сравнительный анализ с предыдущими циклами заряда/разряда конкретной группы, а также сравнивать аккумуляторы в группе.
На вход нейронной сети подаются окна с данными в 500 записей текущего цикла заряда или разряда аккумуляторных батарей, а также по 500 записей 4 предыдущих аналогичных циклов. Если 4 цикла у данной группы аккумуляторов еще не накоплено, то в набор данных дублируются те, которые уже есть. Так как аккумуляторов в группе может быть различное количество и аккумуляторы могут быть номинальным напряжением 2, 4, 6, 12 Вольт, то для обучения нейросети производят унификацию. Это достигается за счет того, что каждый аккумулятор рассматривается в виде набора элементов номинальным напряжением 2 Вольта. А группы формируются из 6, 12, 18, 24, 30 элементов. Анализ групп с большим количеством элементов производится набором данных для обучения, состоящим из 6 - 30 элементов. Дальнейшие увеличение наборов групп с большим количеством элементов не рационально, так как значительно увеличивает трудозатраты на формирования наборов данных для обучения. При этом допускается дообучение на конкретной конфигурации элементов в группе.
Также в систему заносят характеристики аккумуляторов, полученные от производителя и результаты технической экспертизы состояния каждого аккумулятора на этапе внедрения системы, в частности, номинальное напряжение U, (В), номинальная емкость Сн (Ач), интервал замера номинальной емкости (час), температура замера номинальной емкости (°С), внутреннее сопротивление аккумулятора (мОм), предельное напряжение заряда в буферном режиме (В/эл), предельный ток заряда, доля С, температурная компенсация заряда элемента (мВ/°С), срок эксплуатации (лет), гарантийный срок эксплуатации (лет), количество циклов/лет в буферном режиме, характеристика DOD, саморазряд %/год, характер нагрузки.
На фиг. 2 представлены прогнозные значения остаточной емкости аккумуляторной батареи, определенные с помощью заявленного изобретения, и реальные значения. По оси Х указано время поступления данных от контроллеров в систему мониторинга и предиктивной аналитики аккумуляторных батарей (1ед.= 4с.), по оси Y - значения остаточной емкости аккумуляторных батарей в долях (100% соответствует 1).
Среднеквадратичная ошибка (RMSE) и средняя абсолютная ошибка (MAE) - это метрики, используемые для оценки работы модели. Эти показатели характеризуют точность прогнозов и величину отклонения от фактических значений остаточной емкости. Таким образом, в результате построения нейронной сети MAE равно 5.7% RMSE - 6.3%, что свидетельствует о высокой точности полученных с помощью нейронной сети значений.
В результате обучения была получена свертка нейронной сети, которая определяет данные с точностью около 95%. Точность получена при помощи вычисления среднего абсолютного отклонения графика от размеченных данных.
При дообучении нейронной сети изменяют параметр input_shape для первого слоя. Значение параметра соответствует размеру входных данных, предназначенных для дообучения.
Далее прогнозируемые значения остаточной емкости аккумуляторных батарей передают в модуль постобработки данных, где определяют текущий уровень заряда аккумуляторных батарей, время разряда аккумуляторных батарей при текущей нагрузке, степень деградации аккумуляторных батарей.
Текущий уровень заряда аккумуляторных батарей отражает изменение емкости аккумулятора в конкретный момент времени. Текущий уровень заряда выражается при заряде аккумулятора в процентах от остаточной емкости и постепенно возрастает. При разряде аккумулятора текущий уровень заряда выражается в процентах от доступной емкости и постепенно снижается.
Доступная емкость отражает нелинейную зависимость изменения текущей емкости от величины тока разряда и от отличия текущей температуры от ее значения, принятого при нормировании номинальной емкости.
Эти зависимости даются производителем аккумулятора в графическом виде, который оцифровывается и переводится в формулу на этапе ввода статических характеристик аккумулятора.
Таким образом, для расчета текущего уровня заряда используют данные о номинальных характеристиках аккумуляторных батарей и результатов технической экспертизы состояния каждой аккумуляторной батареи на этапе ее ввода в эксплуатацию, то есть вводят в систему параметры экспертной оценки текущей остаточной емкости аккумуляторов на старте ввода системы аналитики, то есть исходной остаточной емкости.
При этом исходная остаточная емкость является точкой отсчета для дальнейшей оценки, условно принимают исходную остаточную емкость за вычисленное на предыдущей итерации значение.
Уровень заряда аккумулятора не может быть более 100%. Если уровень заряда равен 100% - это означает полный заряд аккумулятора и его переход в режим «хранения» (или «простоя»). В этом режиме аккумулятор не принимает и не отдает накопленную энергию. Протекающий ток минимален и является паразитным током саморазряда.
Оценка уровня заряда производится при помощи следующего алгоритма:
Этап 1. Если I >=0, то система питания находится в режиме заряда. В случае, если в архивных данных отсутствуют сведения, касающиеся уровня заряда (SOC) аккумуляторных батарей, то принимают SOC=85% у каждого аккумулятора. Иначе SOC=архивное значение.
Этап 2. Если сила тока I < 0 некоторое время t, то система питания находится в режиме разряда. При этом опытным путем установлено, что для точной оценки требуется 5 измерений, которые проводят 1 раз в 4 сек. В этом случае блокируют вычисление SOC, при этом параметр SOC принимают равным SOCнр - уровень заряда в начале разряда. Сравнивают напряжение каждого аккумулятора с предыдущим значением. При снижении изменения напряжения ниже 100 мВ/сек фиксируют текущее напряжение аккумулятора в переменной Uпр - просадка напряжения при разряде. Разность между Uпр и величиной U=10,8 В (при 12В аккумуляторе) приравнивают к SOC. В каждый конкретный разряд каждого аккумулятора вычисляют значение напряжения dU мВ, деленное на процент (dU%), показывающее на сколько должно снизиться напряжение, чтобы уровень заряда упал на 1 процент. Далее разблокируют вычисление SOC. После чего текущее значение SOC вычисляют по формуле SOC = (U - 10,8)/dU%, где U - напряжение, полученное от измерительного модуля. Если SOC < 0, то приравнивают SOC к 0.
Этап 3. Если ток > 0 некоторое время t, то система питания перешла в режиме заряда. При этом опытным путем было установлено, что для достижения высокой точности измерений достаточно 5 измерений, проведенных 1 раз в 4 сек. Далее блокируют вычисление SOC, при этом SOC принимают равным SOCкр (уровень заряда в конце разряда). Далее сравнивают напряжение каждого аккумулятора U с предыдущим значением. При снижении изменения напряжения ниже 100 мВ/сек фиксируют значение напряжения аккумулятора в переменной Uсз - скачок напряжения при заряде. Далее разблокируют вычисление SOC. Разность между Uсз и величиной переменной Uпред = 13,5 В (для 12В аккумуляторов) - предельное напряжение приравнивают к уровню заряда, равного 85% за минусом текущего SOC (оставшийся от режима разряд). Далее вычисляют напряжение dU мВ, деленное на процент (dU%), показывающее на сколько должно снизиться напряжение, чтобы уровень заряда упал на 1 процент. Далее разблокируют вычисление SOC. Текущее значение SOC вычисляют по формуле SOC = (U - Uсз)/dU%.
Этап 4. По мере стабилизации напряжения аккумуляторов при заряде, то есть в том случае когда напряжение не изменяется за определенный интервал времени t, фиксируют текущее значение напряжения в переменной Uпн - предельное напряжение. При этом опытным путем было установлено, что время t = 48ч. Далее устанавливают SOC = 85%. Запоминают текущий ток в переменной Iст - ток стабилизации отдельно по каждому аккумулятору.
Допускают, что Iст соответствует 15% SOC, вычисляют Iст в Амперах, приходящийся на процент заряда (dI%). Дальнейшее снижение тока I от уровня Iст до нуля преобразуют в прибавку к текущему уровню заряда SOC. Итого, получают еще до 15 %.
Этапы 5...N. Дополнительно по каждому циклу заряда-разряда в отдельном архиве сохраняют SOCнр, SOCкр, Uпр, Uсз, а также количество циклов заряда-разряда нарастающим итогом.
Также в модуле постобработки данных определяют время разряда аккумулятора, величина которого при текущей нагрузке определяется по текущему уровню заряда SOC, мощности нагрузки, остаточной емкости Со с поправкой на температуру. Формула расчета применяется усредненной для ряда аккумуляторов, имеющих достаточно близкие друг к другу свойства, например, для аккумуляторов фирмы Дельта, тип DT1207 с напряжением предельного разряда 1,8 В/эл может быть применена следующая формула:
t= 56,374*(Pф*100*Coto*Еакк/(К*N*n*Cn*SOC))-1,362, где
t - время разряда аккумуляторной батареи при текущей нагрузке, мин,
Рф - фактическая мощность нагрузки, Вт, рассчитанная по измеренному току и напряжению,
Сoto - остаточная емкость аккумулятора с учетом температуры, Ач,
Сoto=Со/Сn*(0,0086Т2+0,91519Т+81,31), где
Сo - остаточная емкость аккумулятора, полученная в модуле прогнозирования остаточной емкости аккумуляторных батарей, Ач,
Сn - номинальная емкость аккумулятора, Ач,
Т - температура аккумулятора фактическая, С°,
Еакк - коэффициент коррекции отдачи элемента аккумулятора конкретной марки аккумулятора, относительно DT1207 вычисляется по формуле:
Еакк = Ракк/Cn/0.19, где
Ракк - мощность 10-часового разряда элемента аккумулятора до напряжения 1,8 В, Вт
Сn - номинальная емкость аккумулятора, Ач,
коэффициент 0.19 - мощность 10-часового разряда аккумулятора DT1207 (Ракк),
К - КПД инвертора в виде числа менее 1, для систем постоянного тока К=1, задается в системе на основании данных технической экспертизы,
N - количество аккумуляторов в группе, шт.,
n - количество элементов в аккумуляторе, шт. (ходовые 1, 2, 3, 4, 6, 12),
SOC - уровень заряда аккумуляторных батарей непосредственно перед разрядом, %.
Для аккумулятора Narada 6-GFM-170F (12V / 170Ah) будет использоваться следующая формула:
t=56,223*(Pф*100*Coto*Еакк/(К*N*n*Cn*SOC))-1,367,где
t - время разряда аккумуляторной батареи при текущей нагрузке, мин,
Рф - фактическая мощность нагрузки, Вт, рассчитанная по измеренному току и напряжению,
Сoto - остаточная емкость аккумулятора с учетом температуры, Ач,
Сoto=Со/Сn*(0,0091Т2+0,9263Т+82,76), где
Сo - остаточная емкость аккумулятора, полученная в модуле прогнозирования остаточной емкости аккумуляторных батарей, Ач,
Сn - номинальная емкость аккумулятора, Ач,
Т - температура аккумулятора фактическая, С°,
Еакк - коэффициент коррекции отдачи элемента аккумулятора конкретной марки аккумулятора, относительно Narada 6-GFM-170F вычисляется по формуле:
Еакк = Ракк/Cn/0.19, где
Ракк - мощность 10-часового разряда элемента аккумулятора до напряжения 1,8 В, Вт
Сn - номинальная емкость аккумулятора, Ач,
коэффициент 0.19 - мощность 10-часового разряда аккумулятора Narada 6-GFM-170F (Ракк),
К - КПД инвертора в виде числа менее 1, для систем постоянного тока К=1, задается в системе на основании данных технической экспертизы,
N - количество аккумуляторов в группе, шт.,
n - количество элементов в аккумуляторе, шт. (ходовые 1, 2, 3, 4, 6, 12),
SOC - уровень заряда аккумуляторных батарей непосредственно перед разрядом, %.
Далее в блоке постобработки осуществляют расчет степени деградации аккумуляторных батарей с учетом данных об остаточной емкости аккумуляторных батарей, рассчитанных при помощи алгоритмов нейронной сети в модуле прогнозирования остаточной емкости.
Степень деградации аккумулятора по емкости (%) СДе = (Сн-Со) *100/Сн,
где Сн - номинальная емкость аккумулятора, значение которой относится к известным номинальным характеристикам аккумуляторных батарей, Ач,
Со - остаточная емкость, полученная в модуле прогнозирования остаточной емкости аккумуляторных батарей, Ач.
Определенная таким образом величина степени деградации аккумуляторных батарей может быть использована для оценки пригодности использования отдельного аккумулятора к дальнейшей эксплуатации.
Степень деградации аккумуляторной батареи определяется по остаточной емкости аккумуляторной батареи, рассчитанной при помощи алгоритмов нейронной сети, также учитываются данные номинальной емкости аккумуляторной батареи, полученные от производителя. При этом при расчете степени деградации также учитываются данные технической экспертизы, проведенной при введении аккумуляторной батареи в эксплуатацию, в частности, эксперт вносит в систему величину остаточной емкости, характеризующую аккумуляторную батарею на старте эксплуатации системы аналитики.
В целях повышения точности оценки остаточной емкости и соответственно точности определения степени деградации аккумуляторной батареи, а также прогноза времени разряда, предусмотрено обучение нейросети. Обучение нейросети возможно за счет увеличения количества и/или качества измерительных приборов, за счет увеличения количества входных переменных, поскольку даже незначительная взаимосвязь входных данных с искомым параметром имеет достаточно большое значение. Обучение нейросети также возможно за счет увеличения количества данных, учитываемых при обучении сети, в частности, использование аккумуляторов разных производителей, а также разных типов аккумуляторов, проведение экспериментов в разных режимах и т.д.
Также в целях повышения точности оценки остаточной емкости аккумуляторной батареи предусмотрена фильтрация шума от измерительных модулей, которая может быть реализована посредством снабжения системы фильтрами, размещенными перед входами нейросети, а также на выходе нейросети для более плавного изменения прогноза. При этом фильтры представляют собой алгоритм, предназначенный для фильтрации недопустимых значений, полученных от нейронной сети, выходящих за заданные пороговые значения.
Для увеличения точности оценки остаточной емкости аккумуляторной батареи на конкретном объекте предусмотрено дообучение нейронной сети на архивных данных этого объекта. Процесс дообучения нейронной сети на конкретном объекте позволит получать более точные данные параметров для аккумуляторов, которые установлены на объекте. Это возможно, поскольку нейронная сеть, обученная на большом наборе данных обучающей выборки, уже имеет необходимые веса (логику) процессов, протекающих в аккумуляторах. Дообучение такой сети на архивных данных процессов заряда и разряда аккумуляторов на конкретном объекте позволит адаптировать нейронную сеть под конкретные типы аккумуляторов, которые установлены в системах гарантированного энергосбережения данного объекта. Это позволит иметь более точные данные об остаточной емкости аккумуляторных батарей, соответственно, о времени разряда аккумуляторных батарей при нагрузке, а также о степени их деградации.
Пример реализации способа мониторинга и предиктивной аналитики (СМПА) аккумуляторных батарей.
Осуществляют измерения напряжения (U), температуры (t) и силы тока (I) заряда или разряда группы, состоящей из 4-х аккумуляторов типа DT1207 (12B) с помощью по меньшей мере одного измерительного модуля МКА4+, подключенного к каждому аккумулятору, входящему в состав аккумуляторной батареи, с помощью клемм.
Измеренные параметры из единиц АЦП преобразуются в напряжение, а далее в измеряемую величину. Например, значение 2000 ед. АЦП равно 2000 мВ (1мВ на ед), делитель напряжения на входе измерения равен 1\6, таким образом, напряжение на входе составляет 12000 мВ.
Для 4-х аккумуляторов группы измерения осуществляют 1 раз в 2 секунды.
Далее полученные данные передают от измерительного модуля по беспроводному каналу связи контроллеру АКБ-12/485.
Далее данные от по меньшей мере одного контроллера по беспроводному каналу связи передают в модуль предварительной обработки данных, размещенный на сервере, расположенном удаленно по сети Ethernet не хуже 10Base-T (IEEE 802.3i).
В модуле предварительной обработки данных полученные измерительным модулем данные приводят к необходимому для работы с нейронной сетью виду, а именно, преобразуют в массив чисел с распределением значений в диапазоне от 0 до 1.
После чего предобработанные данные температуры аккумуляторных батарей, их напряжения и данные силы тока заряда или разряда аккумуляторных батарей по http протоколу передают в модуль прогнозирования остаточной емкости аккумуляторных батарей, размещенный на удаленном сервере.
В теле запроса передается JSON в формате:
{
success: True,
prediction: [0.1,0.2,...]
})
Модуль прогнозирования остаточной емкости в качестве нейронной сети в целях осуществления изобретения использует гибридную модель со сверточными слоями и LSTM-функциями.
Математический вид нейронной сети может быть представлен следующим образом:
model = keras.Sequential()
model.add(keras.layers.Conv1D(32, 1, activation='relu', input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(keras.layers.Bidirectional(keras.layers.LSTM(32, return_sequences=True)))
model.add(keras.layers.Bidirectional(keras.layers.LSTM(32, return_sequences=True)))
model.add(keras.layers.Flatten())
model.add(keras.layers.Dense(1))
model.built = True
if weights:
model.load_weights(weights)
model.compile(loss='mean_squared_error', optimizer=keras.optimizers.Adam(0.001), metrics=[tf.metrics.MeanAbsoluteError()])
Нейронная сеть построена с использованием следующих весовых коэффициентов.
Таблица 1 - Весовые коэффициенты для построения нейронной сети
Весовые коэффициенты слоев нейросеть генерирует самостоятельно, исходя из внутренней логики, выстраивая их в соответствии с размером входного слоя.
Далее прогнозируемые значения остаточной емкости аккумуляторных батарей передают в модуль постобработки данных, где определяют текущий уровень заряда аккумуляторных батарей, время разряда аккумуляторных батарей при текущей нагрузке, степень деградации аккумуляторных батарей.
При этом данные передаются по http протоколу, в теле запроса передается JSON в формате:
{
success: True,
prediction: [0.1,0.2,...]
}
На выходе модуля постобработки для группы из четырех аккумуляторов определяют текущий уровень заряда аккумуляторных батарей SOC, степень деградации аккумуляторных батарей (%) СДе = (Сн-Со) *100/Сн, где Сн - номинальная емкость аккумулятора, значение которой относится к известным номинальным характеристикам аккумуляторных батарей, Ач, Со - остаточная емкость, полученная в модуле прогнозирования остаточной емкости аккумуляторных батарей, Ач, а также время разряда аккумуляторных батарей при текущей нагрузке по формуле:
t= 56,374*(Pф*100*Coto*Еакк/(К*N*n*Cn*SOC))-1,362, где
t - время разряда аккумуляторной батареи при текущей нагрузке, мин,
Рф - фактическая мощность нагрузки, Вт, рассчитанная по измеренному току и напряжению,
Сoto - остаточная емкость аккумулятора с учетом температуры, Ач,
Сoto=Со/Сn*(0,0086Т2+0,91519Т+81,31), где
Сo - остаточная емкость аккумулятора, полученная в модуле прогнозирования остаточной емкости аккумуляторных батарей, Ач,
Сn - номинальная емкость аккумулятора, Ач,
Т - температура аккумулятора фактическая, С°,
Еакк - коэффициент коррекции отдачи элемента аккумулятора конкретной марки аккумулятора, относительно DT1207 вычисляется по формуле:
Еакк = Ракк/Cn/0.19, где
Ракк - мощность 10-часового разряда элемента аккумулятора до напряжения 1,8 В, Вт
Сn - номинальная емкость аккумулятора, Ач,
коэффициент 0.19 - мощность 10-часового разряда аккумулятора DT1207 (Ракк),
К - КПД инвертора в виде числа менее 1, для систем постоянного тока К=1, задается в системе на основании данных технической экспертизы,
N - количество аккумуляторов в группе, шт.,
n - количество элементов в аккумуляторе, шт. (ходовые 1, 2, 3, 4, 6, 12),
SOC - уровень заряда аккумуляторных батарей непосредственно перед разрядом, %.
Оценить точность прогноза времени от момента неполного или полного заряда до полного разряда аккумулятора с неизвестной остаточной емкостью при изменяющемся токе практически невозможно. Нам не известны технические средства, которые могут это делать в режиме реального времени. Можно произвести косвенную оценку, сделав ряд контрольных экспериментов при стабильных параметрах и сравнив прогнозируемые показания системы с реальным временем до разряда. Для оценки потребуется зафиксировать реальную остаточную емкость тестовых аккумуляторов, так как именно остаточная емкость имеет наибольший вес в прогнозе времени работы до полного разряда. Также следует условиться, что уровень заряда на момент старта разряда считаем 100%, то есть тестовые аккумуляторы должны быть полностью заряжены.
Для оценки остаточной емкости существует ряд методов, нами был использован прямой метод разряда током 0,05 С или 0,1 С до напряжения на 12-ти вольтовом аккумуляторе 10,8 В, при котором нормируется емкость, а также и при температуре нормирования.
Для проверок был подготовлен испытательный стенд в составе:
- группа из 2-х аккумуляторов Дельта ДТ 12В 7Ач;
- источник постоянного тока со стабилизацией тока и напряжения в качестве зарядного устройства;
- стабилизатор тока 0,35 А в качестве нагрузки 0,05С;
- стабилизатор мощности в качестве нагрузки 0,15С;
Порядок действий:
Выполняли контрольный разряд током 0.05С до снижения напряжения ниже 10,8 В хотя бы на одном аккумуляторе с фиксацией фактической температуры при разряде.
С учетом нормированного времени разряда 20 часов (72000 сек.) производили вычисление фактической емкости аккумулятора №1 55952/72000=0,7771 от номинальной, равной 7 Ач, что составляет 0,7771*7 = 5,44 Ач.
Второй аккумулятор не достиг напряжения 10,8 В, т.е. он имеет емкость больше первого. При работе аккумуляторов в группе мы не имеем возможности производить их разряд раздельно, чтобы определить момент достижения каждым из аккумуляторов уровня 10,8 В. Поэтому интерполяционно продолжив график напряжения получаем дополнительное время работы 70 минут. Тогда емкость составит 55952+4200=60152/72000=0,8354 от номинала или 5,85 Ач. С учетом температуры сделали поправку и внесли величины емкостей в настройки системы. При работе системы учет влияния температуры на процесс заряда или разряда будет производиться автоматически вычислительным модулем программы.
В период с 8:33 11.11.22 по 12:30 12.11.22 производили заряд аккумуляторов.
В период с 12:39 12.11.22 по 15:34 12.11.22 выполняли контрольный разряд током около 0,15С при условии постоянной мощности нагрузки. Для исключения влияния на остаточную емкость очередного разряда до предельных 10,8 В и получения неискаженных результатов, разряд производили до 11,5 В на любом аккумуляторе. Считается, что при этом в аккумуляторе остается около 20 % емкости.
Для ориентировочной оценки времени работы до полного разряда применили линейную интерполяцию.
В таблице 2 представлены результаты сравнения реального времени до полного разряда с прогнозируемым системой аналитики.
Таблица 2 - Измеренные и определенные системой параметры аккумуляторных батарей при разряде током 0.15С (начало разряда 12:39 12.11.22, конец разряда 17:39 12.11.22).
Данные, представленные в таблице 2 показывают, что точность прогноза составляет более 85%.
В период с 17:26 16.11.22 по 18:59 16.11.22 выполняли контрольный разряд комбинированным током. Вначале около 0,15С при условии постоянной мощности нагрузки. Затем током около 1С с лампой накаливания 115 Вт в нагрузке. Затем вновь током около 0,15С при условии постоянной мощности нагрузки до напряжения 10,8 В на худшем аккумуляторе. Результаты представлены в таблице 3.
Таблица 3 - Измеренные и определенные системой параметры аккумуляторных батарей при разряде комбинированным током (начало разряда 17:26 16.11.22, конец разряда 18:59 16.11.22
Представленные данные показывают, что точность прогноза составляет более 87,5%.
В таблицах 4-6 приведен численный пример реализации способа при заряде группы аккумуляторов и при их разряде.
Таблица 4 - Первичный контроль системы мониторинга и предиктивной аналитики
Таблица 5 - Разряд группы АКБ 48В
Таблица 6 - Заряд группы АКБ 48В
Таким образом, заявленный способ мониторинга и предиктивной аналитики аккумуляторных батарей позволяет получать точные и исчерпывающие данные о состоянии аккумуляторных батарей в режиме реального времени в дистанционном режиме, что способствует своевременному реагированию на изменения, происходящие в системе энергоснабжения, и обеспечению ее бесперебойной работы.
Изобретение относится к области мониторинга и аналитики аккумуляторных батарей. Технический результат заключается в повышении точности прогнозирования поведения аккумуляторных батарей на исследуемом объекте. Для этого измеряют напряжение, температуру, силу тока аккумуляторных батарей с помощью по меньшей мере одного измерительного модуля, выполненного с возможностью подключения к модулю аккумуляторных батарей. Передают полученные данные от по меньшей мере одного измерительного модуля по меньшей мере одному контроллеру, соединенному с ним. Далее данные от по меньшей мере одного контроллера передают в модуль предварительной обработки данных, далее - в модуль прогнозирования остаточной емкости аккумуляторных батарей, где определяют остаточную емкость аккумуляторных батарей. Далее данные передают в модуль постобработки данных, где определяют данные текущего уровня заряда аккумуляторных батарей, времени разряда аккумуляторных батарей при текущей нагрузке, степени деградации аккумуляторных батарей с учетом данных о номинальных характеристиках аккумуляторных батарей и результатов технической экспертизы состояния каждой аккумуляторной батареи на этапе ее ввода в эксплуатацию, а также данных об остаточной емкости аккумуляторных батарей, полученных в модуле прогнозирования остаточной емкости аккумуляторных батарей. 2 ил., 6 табл.
Способ мониторинга и предиктивной аналитики аккумуляторных батарей, заключающийся в том, что измеряют напряжение, температуру, силу тока аккумуляторных батарей с помощью по меньшей мере одного измерительного модуля, выполненного с возможностью подключения к модулю аккумуляторных батарей, отличающийся тем, что измерения проводят непрерывно с периодом не реже одного измерения в 2 секунды, далее передают полученные данные от по меньшей мере одного измерительного модуля по меньшей мере одному контроллеру, соединенному с ним, далее данные от по меньшей мере одного контроллера передают в модуль предварительной обработки данных, далее – в модуль прогнозирования остаточной емкости аккумуляторных батарей, размещенный на по меньшей мере одном сервере, где с помощью алгоритмов нейронной сети, способной запоминать исторические данные и при прогнозировании будущих значений учитывать эту информацию, определяют прогнозируемые значения остаточной емкости аккумуляторных батарей, далее данные передают в модуль постобработки данных, где определяют данные текущего уровня заряда аккумуляторных батарей, времени разряда аккумуляторных батарей при текущей нагрузке, степени деградации аккумуляторных батарей с учетом данных о номинальных характеристиках аккумуляторных батарей и результатов технической экспертизы состояния каждой аккумуляторной батареи на этапе ее ввода в эксплуатацию, а также прогнозируемых значений остаточной емкости аккумуляторных батарей, полученных в модуле прогнозирования остаточной емкости аккумуляторных батарей.
| 0 |
|
SU120777A1 | |
| CN 102761141 A, 31.10.2012 | |||
| EP 3826102 A1, 26.05.2021 | |||
| АВТОМАТИЗИРОВАННАЯ СИСТЕМА КОНТРОЛЯ И ДИАГНОСТИКИ АККУМУЛЯТОРНЫХ БАТАРЕЙ | 2005 |
|
RU2283504C1 |
| CN 116008811 A, 25.04.2023. | |||
