阀控铅酸vrla蓄电池内阻的分析

阀控铅酸vrla蓄电池内阻的分析

由于有很多这样的优点，卫压铅酸钠（vla）电池无需水，具有良好的充电能力，并且具有良好的功率密度，因此在电池系统中用作备用电源，这起着非常重要的作用。它的健康状态将影响系统的安全稳定运行。VRLA蓄电池的内阻大小可反映电池的性能情况,表示电池老化的程度,影响电池的容量和使用寿命通过试验的方法可以较为准确地测试出电池内阻,文献通过智能算法可以准确有效地得到预测数据,文献本文分析了VRLA蓄电池内阻变化原因,量化内阻影响因素,将充放电状态、充放电电压电流、电池温度作为预测模型输入,构建基于LSTM的VRLA蓄电池内阻预测模型,提出VRLA蓄电池两级告警方法和基于预测内阻值及其变化率的电池预警方法,快速准确定位电池故障,发出电池告警和预警信号。1基于lstm的嵌入式阴影代理模型1.1vrla蓄电池放电对电池内阻的影响VRLA蓄电池内阻R包括金属内阻R电池故障会导致电池内阻的突变,此时电池还未达到使用寿命所对应的充放电次数区间;而电池老化是由于电池长期使用导致电池内阻持续增加,电池内阻涨幅不大,但是当电池达到使用寿命所对应的充放电次数区间,电池内阻会超过阈值;人工可排除故障也会导致电池内阻增加,如传感器失灵、线头松动,电池信号采集或者电池管理设备的故障会导致电池内阻的突变。VRLA蓄电池内阻受工作状态和环境状态多方面因素影响。当VRLA蓄电池放电时,极板细孔内的电解液密度减小,接触电阻和电解液电阻系数增大,同时正、负极板上硫酸铅逐渐积累,而硫酸铅为不良导体,导致电池内阻随放电时间增长而不断增大;充电时电池的内阻与放电过程相反,随时间不断减小,因此,VRLA蓄电池的充放电状态影响电池内阻;蓄电池的内阻与电池寿命密切相关,随着VRLA蓄电池工作时间的增加,其本身会逐渐劣化,这时电池的内阻就会不断增大,剩余容量也随之降低,因此,VRLA蓄电池的充放电次数影响电池内阻;电池温度明显影响电池内阻,当电池温度升高时,电解液的活动加强,电池内阻减少,当电池温度降低时,电解液的活动减弱,电池内阻增大。1.2vrla蓄电池内阻预测模型建立LSTM由循环神经网络(RNN)衍生而来,其特点是能够记忆并学习长短期依赖信息,基本框架为输入门,遗忘门和输出门,上一时刻的遗忘门和本时刻的遗忘门有信息交互,其结构单元图如图1所示。选择遗忘门:式中:f为遗忘权重;激活函数σ为Simgoid函数,输出结果在[0,1]之间;W选择输入门:式中:i为输入权重;W记忆单元函数为:式中:C记忆单元状态时刻更新,将上一时刻记忆值C式中:o为输出权重;W构建LSTM的VRLA蓄电池内阻预测模型,首先对电池内阻造成影响的特征因素进行分析,并选择电池内阻影响因素作为模型输入,为:充放电状态S(0,1),其中0代表充电状态,1代表放电状态;充放电电压U;充放电电流I;电池温度T对输入数据进行预处理,记录第一次充放电对应的S(0,1)、U、I、T,以此类推,形成m组数据,并测量每组数据对应的电池内阻R,n节电池共形成n×m组数据集。构建基于LSTM的电池内阻预测模型,将n×m组数据集中的十分之七组数据集作为预测模型的训练集,通过LSTM训练确定网络参数,并以剩下的十分之三的数据集作为测试集,对形成的电池内阻预测模型进行测试,验证预测模型的准确性,LSTM阀控铅酸蓄电池内阻预测模型流程图如图3所示。2vrla蓄电池故障预警方法采集运行状态下的VRLA蓄电池数据并进行告警处理分析可以反映当前电池的运行和性能情况,但是这种方式往往不能很好地预测电池故障,因此采用LSTM智能算法,根据电池内阻影响因素,预测电池内阻。通过VRLA蓄电池的预测内阻进行故障预警,并通过电池的内阻及其变化率判断电池故障原因,具体操作流程图如图4所示。预测第n+1节VRLA蓄电池的电池内阻值,采集第n+1节VRLA蓄电池的S设置电池内阻阈值R3vrla蓄电池放电内阻预测结果构建VRLA蓄电池在线监控试验平台,如图5所示,设定阈值R表1为VRLA蓄电池充电试验数据,表2为VRLA蓄电池放电试验数据,表3为内阻预测结果和实际结果对比及其误差,通过大量试验验证,内阻预测值小于所设阈值5mΩ,所提预测模型的误差在3%以内,能够较好地预测电池内阻。表4为电池状态预估,计算铅酸蓄电池内阻变化率均不超过阈值0.5mΩ/s,预估电池状态正常。4vrla蓄电池内阻预测模型的构建本文分析了VRLA蓄电池内阻变化原因和影