Dijagnostika kvarova kritičan je aspekt osiguravanja pouzdanog i učinkovitog rada velikih sustava za pohranu baterije (BESS). Kao vodeći dobavljač velikih rješenja za pohranu energije baterija, razumijemo važnost točne dijagnoze kvarova u održavanju performansi i dugovječnosti ovih sustava. U ovom blogu istražit ćemo različite metode dijagnoze grešaka za veliki BESS i raspravljati o njihovim prednostima i ograničenjima.
1. Uvod u velike baterijske sustave za pohranu energije
Sustavi baterijskog skladištenja energije velikih razmjera igraju vitalnu ulogu u modernim energetskim mrežama. Oni mogu pohraniti višak energije tijekom sati izvan najveće potrošnje i osloboditi je tijekom razdoblja najveće potražnje, pomažući uravnotežiti mrežu, poboljšati kvalitetu električne energije i integrirati obnovljive izvore energije poput sunca i vjetra. Ovi se sustavi obično sastoje od više baterijskih modula, sustava za pretvorbu energije (PCS) i upravljačkih jedinica. Međutim, zbog složenosti i prirode velikih razmjera ovih sustava, mogu se pojaviti greške koje mogu dovesti do smanjenih performansi, sigurnosnih opasnosti, pa čak i kvarova sustava.
2. Uobičajene greške u velikom BESS-u
Prije nego što se upustite u metode dijagnoze kvarova, bitno je razumjeti uobičajene kvarove koji se mogu pojaviti u velikom BESS-u. To uključuje:
- Greške na bateriji: Kao što su prekomjerno punjenje, prekomjerno pražnjenje, unutarnji kratki spojevi i degradacija kapaciteta. Ove greške mogu utjecati na rad i životni vijek baterije.
- Greške sustava za pretvorbu energije: Greške u PCS-u, uključujući kvarove pretvarača, kvarove ispravljača i probleme s upravljačkim krugom, mogu poremetiti proces pretvorbe i prijenosa energije.
- Greške senzora i upravljačke jedinice: Netočna očitanja senzora ili kvarovi u upravljačkim jedinicama mogu dovesti do nepravilnog rada sustava i netočnog otkrivanja greške.
3. Metode dijagnostike kvarova
3.1. Dijagnostika kvara temeljena na modelu
Metode dijagnoze grešaka temeljene na modelu oslanjaju se na matematičke modele BESS-a za otkrivanje i izolaciju grešaka. Ovi modeli mogu opisati električno, toplinsko i kemijsko ponašanje baterije i drugih komponenti u sustavu.
- Modeliranje stanja - prostora: Modeli prostora stanja predstavljaju dinamiku sustava skupom diferencijalnih jednadžbi. Usporedbom stvarnog izlaza sustava s izlazom predviđenim modelom, mogu se otkriti greške. Na primjer, ako izmjereni napon baterije značajno odstupa od napona predviđenog modelom prostora stanja, to može ukazivati na kvar baterije.
- Modeliranje ekvivalentnog kruga: Modeli ekvivalentnog kruga koriste elemente kruga kao što su otpornici, kondenzatori i izvori napona za predstavljanje električnog ponašanja baterije. Ovi modeli su relativno jednostavni i računalno učinkoviti. Greške se mogu dijagnosticirati praćenjem parametara ekvivalentnog kruga, kao što je unutarnji otpor.
Prednost metoda temeljenih na modelu je u tome što mogu pružiti dubinsko razumijevanje ponašanja sustava i mogu otkriti početne greške. Međutim, ove metode zahtijevaju točne modele, a parametri modela mogu se mijenjati tijekom vremena zbog čimbenika kao što je starenje baterije, što može utjecati na točnost dijagnoze greške.
3.2. Dijagnostika kvarova vođena podacima
Metode vođene podacima oslanjaju se na povijesne podatke i algoritme strojnog učenja za otkrivanje grešaka. Ove metode ne zahtijevaju detaljno poznavanje fizičkog modela sustava.
- Umjetne neuronske mreže (ANN): ANN-ovi mogu naučiti odnos između ulaza (npr. napona baterije, struje, temperature) i izlaza (status greške) iz povijesnih podataka. Jednom obučen, ANN se može koristiti za klasificiranje novih podataka kao normalnih ili neispravnih. Na primjer, višeslojni perceptron (MLP) može se osposobiti za otkrivanje grešaka u prepunjenju baterije na temelju ulaznih podataka o naponu i struji.
- Support Vector Machines (SVM): SVM-ovi su još jedan popularan algoritam strojnog učenja za dijagnozu grešaka. Oni mogu pronaći optimalnu hiperravninu koja razdvaja normalne i neispravne podatke u visokodimenzionalnom prostoru. SVM-ovi imaju dobru sposobnost generalizacije i mogu rukovati nelinearno odvojivim podacima.
Prednost metoda vođenih podacima je u tome što se mogu prilagoditi promjenama u sustavu i mogu rukovati složenim i nelinearnim odnosima. Međutim, one zahtijevaju veliku količinu visokokvalitetnih podataka za obuku, a na izvedbu ovih metoda može utjecati kvaliteta i količina podataka za obuku.
3.3. Obrada signala - dijagnostika kvara na temelju
Tehnike obrade signala mogu se koristiti za analizu signala iz BESS-a radi otkrivanja grešaka.
- Wavelet transformacija: Wavelet transformacija može rastaviti signal na različite frekvencijske komponente. Analizom valićnih koeficijenata napona baterije ili strujnih signala mogu se detektirati kvarovi. Na primjer, iznenadna promjena u visokofrekventnim komponentama naponskog signala može ukazivati na kvar kratkog spoja.
- Brza Fourierova transformacija (FFT): FFT može pretvoriti signal vremenske domene u signal frekvencijske domene. Analizom frekvencijskog spektra signala mogu se identificirati kvarovi. Na primjer, komponente abnormalne frekvencije u trenutnom signalu mogu ukazivati na grešku u sustavu pretvorbe energije.
Prednost metoda koje se temelje na obradi signala je u tome što mogu pružiti detekciju greške u stvarnom vremenu i relativno su jednostavne za implementaciju. Međutim, mogu zahtijevati napredne vještine obrade signala i mogu biti osjetljivi na šum u signalima.
4. Pristup naše tvrtke dijagnozi kvarova
Kao veliki dobavljač baterijskih pohrana energije, kombiniramo višestruke metode dijagnoze grešaka kako bismo osigurali pouzdanost i sigurnost naših sustava. Koristimo metode temeljene na modelu za razumijevanje temeljnog ponašanja sustava i otkrivanje početnih grešaka. U isto vrijeme koristimo metode temeljene na podacima za prilagodbu promjenama u sustavu i upravljanje složenim odnosima. Tehnike obrade signala također se koriste za detekciju greške u stvarnom vremenu.
Također nudimo niz visokokvalitetnih proizvoda za skladištenje energije velikih baterija, kao što suESS kontejnerska kutija 10 FT,Utility Scale Battery Storage Systems, iUtility - Scale Mv Station. Ovi su proizvodi dizajnirani s naprednom dijagnostikom grešaka i značajkama zaštite kako bi se osigurao njihov pouzdan rad.
5. Zaključak i poziv na akciju
Dijagnostika kvarova bitan je dio velikih sustava za pohranu energije baterija. Korištenjem kombinacije metoda temeljenih na modelu, podataka i obrade signala, možemo učinkovito otkriti i izolirati greške, osiguravajući pouzdan i učinkovit rad ovih sustava.
Ako ste zainteresirani za naša rješenja za pohranu energije iz baterija velikih razmjera ili imate bilo kakvih pitanja o dijagnozi kvarova, slobodno nas kontaktirajte radi nabave i daljnjih rasprava. Posvećeni smo pružanju najboljih proizvoda i usluga u području baterijskog skladištenja energije.
Reference
- Chen, X. i Zhang, Y. (2018). Dijagnostika kvarova baterijskih sustava za pohranu energije: pregled. Energy Storage Science and Technology, 7(2), 191 - 202.
- Li, X. i sur. (2019). Metoda dijagnoze kvarova vođena podacima za litij - ionske baterije temeljena na umjetnim neuronskim mrežama. Journal of Power Sources, 422, 126 - 133.
- Wang, H. i Hu, C. (2017). Dijagnostika kvara temeljena na Wavelet transformaciji za sustave za pohranu baterije. IEEE Transactions on Power Electronics, 32(10), 7832 - 7841.