考慮隱患系數的鉛酸電池健康管理研究

黎劍波，伍銀波

（1.中國南方電網有限責任公司超高壓輸電公司廣州局，廣州 510663；2.廣東技術師范大學自動化學院，廣州 510665）

0 引言

閥控式鉛酸蓄電池（valve-regulated lead-acid battery，VRLA）在站用蓄電池中占據絕對優(yōu)勢。截至2020 年年底，廣州局（不含?？诜志郑┻\維8個換流站、1個變電站，總計達到106組，其中運行年限5 年以上的蓄電池組為26 組，占全部蓄電池組的25%。根據廣州局歷史運維經驗，運行時間達到5 年以上的蓄電池組出現容量問題的概率非常大［1］。廣州局運維的電池組類型均采用VRLA，其設計壽命均大于10 年。相關研究表明蓄電池故障次數占站用直流電源系統故障一半以上［2］，而站用直流電源系統故障往往會引起嚴重的后果，因此對蓄電池進行健康管理和故障預測就顯得異常重要。

1 VRLA失效分析

依據統計數據，廣州局蓄電池提前失效比例較高，而影響蓄電池壽命的因素是復雜多樣的，其中蓄電池的維護策略對蓄電池壽命有很大影響。通過合理的充放電管理策略、定期巡檢及數據分析等手段，均能有效提高蓄電池使用壽命。

相關研究表明蓄電池的失效模式主要有正極活性物質脫落、正板柵腐蝕、負極不可逆硫酸鹽化、負極匯流排腐蝕、電解液干涸、電池漏液、熱失控、短路、析氫等失效模式［3-5］，而正極活性物質脫落、正板柵腐蝕和熱失控是引起電池進一步失效劣化的主要元兇。這些失效模式，通過對蓄電池容量、開路電壓、浮充電壓、內阻、溫度等參數的檢測和外觀檢查能夠及時發(fā)現并排除。隨著投運電池組的增多，人工運維需要耗費巨大的人力物力，在線實時檢測和分析技術將成為未來蓄電池養(yǎng)護的主要手段。

2 VRLA健康管理

2.1 檢修規(guī)程

廣州局對蓄電池的運維主要是依據南方電網《電力設備檢修試驗規(guī)程》［6］的規(guī)定進行，檢修項目包括外觀檢查、內阻檢查、蓄電池容量檢查、單節(jié)蓄電池活化、更換單節(jié)蓄電池、整組蓄電池修復等13個項目。其中容量檢查采取周期性核對性充放電的方式進行檢驗，電池組新投運時，應開展核對性充放電試驗，10 h 率容量在第一次循環(huán)時應不低于0.95C10，在第3 次循環(huán)內應達到C10，且不大于1.15C10。投運4 年內每2 年一次，投運4 年以上每年一次，要求采用I10電流進行恒定電流放電，蓄電池容量應為標稱容量的80%及以上。

在現場作業(yè)實踐中，為了作業(yè)人員進行直觀判斷，以第8 小時I10恒流放電的電壓作為判別依據。若該電壓值低于1.8 V，則認為該節(jié)電池容量不足。針對容量不足的電池，應對單只電池采取活化措施，電池活化成功并投運3 個月后，再次對蓄電池進行核對性充放電試驗，如若不滿足要求，則視為該單只電池已故障，采取更換故障蓄電池。更換后蓄電池組仍達不到額定容量的80%時，應更換整組蓄電池。

2.1 基于核容數據的健康評估

依據現有作業(yè)規(guī)程，蓄電池定檢項目能夠完整記錄電池組的內阻數據、環(huán)境溫度數據、放電電流數據和放電電壓數據。實踐表明蓄電池提前失效很大一部分原因是和不當的充放電管理策略有關，研究浮充時電池內阻及均值、核容時電壓下降率等參數與電池組SOH（state of health）的關系，發(fā)現浮充時鉛酸電池內阻均值以及核容時單體電池電壓下降率與電池SOH 表現出極大的相關性［7］。文獻［8］采用灰色模型預測蓄電池的充放電電壓，并根據預測的電壓控制蓄電池的充放電時間，結果表明應用灰色系統對蓄電池健康管理能有效防止過充電和過放電現象發(fā)生。

為了更好利用核容數據分析蓄電池的健康度，本文在文獻［7］隱患指數的基礎上提出隱患系數，同時結合灰色模型，提出了一種融合的蓄電池監(jiān)控評估方法。其中隱患系數定義為單節(jié)電池在核容2～7 h 時間段內電壓下降率序列值平均值和整組電壓下降率序列均值的相對誤差，其中電壓下降率為放電電壓分段斜率值。如果遇到損壞電池，無法獲得該節(jié)電壓，則用0 V代替。

灰色系統論將信息部分明確、部分不明確的系統定義為灰色系統,灰色預測是應用灰色模型GM（grey model）對灰色系統進行分析、建模、求解、預測的過程?；疑到y對小樣本數據預測有很好的效果，常用的模型有GM（1，1）、GM（2，1）、GM（1，n）和Verhulst 等模型。模型精度評價采用殘差校驗和后驗差校驗相結合的方式，殘差校驗的指標為相對誤差百分比，一般要求小于20%，后驗差校驗的具體指標和精度等級如表1 所示。由于VRLA 核容充放電時，電壓變換具有明顯的規(guī)律性，并且樣本數量小，因此可以使用灰色預測模型，本文重點研究帶殘差修正的GM（1，1）模型。

表1 灰色模型精度評價

3 實驗驗證

3.1 GM（1,1）預測

為了驗證本文方法的有效性，利用Matlab2021a 軟件設計了一款灰色預測軟件。預測時只需要按照模板格式導入數據文件，即可觀察內阻曲線、電壓波動、放電電壓等數據?？砂磫喂?jié)進行灰色預測，也可按組進行批量分析。軟件展示放電電壓效果如圖1 所示，用戶可任選9 節(jié)電池進行電壓對比分析。

圖1 放電電壓曲線對比

軟件支持建模可行性分析和殘差修正，默認此2項功能均為開啟狀態(tài)。用戶導入數據文件后，軟件自動識別電池組節(jié)數和放電數據。軟件支持整組分析和單節(jié)電池預測，圖2 是某站#3 繼保室蓄電池組2 第22 節(jié)電壓預測效果，由于該組放電時有較多單節(jié)不合格，因此放電至第5 小時終止了實驗。而采用GM（1，1）模型可以預測后續(xù)數據，作為一種缺失數據的彌補手段。

圖2 GM（1，1）電壓預測效果

利用該軟件對南方電網超高壓輸電公司廣州局某800 kV換流站的5組蓄電池數據進行了分析，其中電池組電壓為220 V，單節(jié)電壓2 V，每組104 節(jié)，電池額定容量分別為200 Ah 和500 Ah。累計收集有效放電電壓數據1040 條，GM（1，1）模型測試結果如表2所示。

表2 灰色模型預測結果

狀態(tài)正常電池組，平均后驗差比低于0.2，小誤差概率均達到1。1#繼保室電池組1電池組有故障的3 節(jié)預測精度為2 級，良好的精度均為1 級。其他組中預測精度低的電池均是電壓有異常的，偏高或者排低都有，而僅有2 條故障電池放電記錄未被檢出。

3.2 隱患系數分析

電池組核容放電電壓通常1 小時記錄1 次，因此數據等間隔數據。在計算下降率時，可以直接用每段的斜率來作為下降率，則每節(jié)電池計算出一個下降率序列，求取序列平均值作為該節(jié)電池的下降率。然后求取整組電池下降率均值，計算每組下降率與均值的相對誤差即為隱患系數。用同樣的電壓放電數據，隱患系數分析結果如表3 所示。對于核容未發(fā)現問題的電池組，隱患系數越大說明該節(jié)電池出故障的概率越高。

實驗數據來自5 組蓄電池的2 次核容放電數據，其中有故障記錄有4 組。由表3 可以看出，隱患系數高的電池故障的概率非常高。1#繼保室電池組1 在2019～2020 年隱患系數前10 的編號，覆蓋了2020 年故障編號的60%；1#繼保室電池組2 在2019～2020 年隱患系數前10 的編號，覆蓋了2020 年故障編號的87.5%；2#繼保室電池組1 在2019～2020 年隱患系數前10 的編號，覆蓋了2020 年故障編號的57%；3#繼保室電池組2 在2019～2020 年隱患系數前10 的編號，覆蓋了2020 年故障編號的100%。電池組的壽命由組內狀態(tài)最差的單節(jié)決定，由表3可見隱患系數排前2的單節(jié)，出現在故障之列比例達到100%。

表3 隱患系數分析結果

3.3 應用案例

軟件能夠直觀展示灰色模型預測指標和隱患系數曲線，圖3 是3#繼保室電池組2 號電池組2019 年放電曲線分析結果。該組電池于2012 年11 月1 日投入使用，2019 年核容時未發(fā)現異常。在2020 年核容時，放電4 小時，#44、#64 節(jié)低于1.8V，放電4小時25分，#24、#50低于1.8 V，放電4小時30分，#41低于1.8 V，放電4小時50分，#19、#43 節(jié)低于1.8 V，#18 節(jié)1.865 V。圖3 標注出了8 個隱患系數按降序排列的值及編號，觀察發(fā)現他們分別是44、64、24、41、18、19、43 和65號，與2020年核容時的故障電池編號吻合度達到87.5%，僅50 號電池的隱患系數不太突出（實際排序在整組的前13.46%）。

圖3 整組分析結果對比

整組分析的結果包括灰色預測的殘差序列平均相對誤差、后驗差比、小誤差概率、精度等級以及隱患系數，其中小誤差概率越接近1 越好，其他指標都是越小越好。軟件最終會把原始數據和分析指標合并成一個Excel 文件，以便后續(xù)使用。

4 結語

本文給出了一種綜合考慮隱患系數和灰色模型預測指標的VRLA 電池健康狀況分析方法，詳細說明了該方法的原理及特點。通過Matlab2021a軟件實現該分析方法，經過對1040條放電電壓數據的測試和驗證，結果表明綜合使用灰色預測指標和隱患次數，能夠有效發(fā)現故障電池，準確率達到95%以上。