超级电容储能模块的健康状态估计方法
【专利摘要】本发明公开了一种超级电容储能模块的健康状态估计方法，包括以下步骤：S100：设定超级电容模块单体电气参数阈值；S200：实时采集超级电容模组的运行数据；S300：由所述运行数据结合神经网络模型确定超级电容模组内各单体的电气特征参数；S400：判断各单体的电气特征参数是否落入阀值区间；S500：对超级电容储能模块进行故障维护。本发明提供的一种超级电容储能模块的健康状态估计方法，可以满足大规模超级电容储能系统的应用需要，能为储能系统的状态检修提供数据支持。
【专利说明】
超级电容储能模块的健康状态估计方法
技术领域
[0001]本发明属于储能技术领域，具体地说，涉及一种超级电容储能模块的健康状态估计方法。
【背景技术】
[0002]以风能和太阳能为代表的新能源发电技术是解决环境污染和化石能源短缺的重要手段。但在实际应用中，由于此类能源的波动性会造成输出电能不稳定、并网困难和电能质量差等缺点。为解决此问题，储能技术被认为是新能源发电技术与应用中的重要支撑环节，因而受到世界各国研究人员的普遍重视。
[0003]在各种电化学储能器件中，超级电容的综合性能介于传统电容器和蓄电池之间，在能量密度和功率密度性能方面具有较好的互补性能。此外，还具有可大电流充放电和使用温度范围宽等优点，因此在储能技术领域具有广阔应用前景。
[0004]实际应用中，超级电容储能系统通常由超级电容模块串并联构成，每一模块内部又是由多节超级电容单体串联构成。因此储能系统整体性能的可靠性，取决于每一单体的可靠性。由于超级电容模块在使用过程中受内部各单体间性能不一致性、环境温度、充放电倍率和循环使用次数等因素的影响会产生性能的劣化。此外在新能源发电领域等重要应用场合对安全性和可靠性有较高要求，因此需要对超级电容的健康状态等关键信息及时知晓。也即，如果能在实际运行过程中对超级电容模块的健康状态进行准确地估计，就能及时合理地对整个储能系统进行维护和检修，从而有利于提高储能系统的可靠性和延长其使用寿命O
[0005]目前，在所检文献范围内，有关超级电容模块的健康状态估计方法报道较少，缺少一种适用于工程实际应用的超级电容模块健康状态估计方法。
【发明内容】
[0006]有鉴于此，本发明所要解决的技术问题是提供一种超级电容储能模块的健康状态估计方法。
[0007]为了解决上述技术问题，本发明公开了一种超级电容储能模块的健康状态估计方法，包括以下步骤:
[0008]S100:设定超级电容模块单体电气参数阈值；
[0009]S200:实时采集超级电容模组的运行数据；
[0010]S300:由所述运行数据结合神经网络模型确定超级电容模组内各单体的电气特征参数；
[0011]S400:判断各单体的电气特征参数是否落入阀值区间；
[0012]S500:对超级电容储能模块进行故障维护。
[0013]进一步的，所述SlOO中，所述超级电容模块单体电气参数阈值为，超级电容储能模块内每一超级电容单体的电气特征参数的正常工作范围。
[0014]进一步的，所述S200中，的所述运行数据包括:工作电流、工作电压、工作环境温度。
[0015]进一步的，所述S200中，所述运行数据在超级电容储能模块实际运行过程中实时米集。
[0016]进一步的，所述S300中，所述电气特征参数包括:等效串联电阻值和电容值。
[0017]进一步的，所述S300中，所述神经网络模型的建模方法包括以下步骤:
[0018]S310:利用神经网络训练数据集对神经网络模型进行训练，得到训练后的模型；
[0019]S320:利用模型测试数据集对神经网络模型进行测试；
[0020]S330:通过对神经网络模型的输出和超级电容单体真实输出进行误差对比分析来判断神经网络模型的精度；
[0021 ] S331:如果精度满足要求，即建模结束；
[0022]S332:如果精度不满足要求，则重新进行训练和测试，直到模型精度满足要求为止。
[0023]进一步的，所述神经网络训练数据集包括:电流、电压和温度数据。
[0024]进一步的，所述模型测试数据集包括:电流、电压和温度数据。
[0025]进一步的，所述S320中，所述测试方法为:
[0026]S321:所述模型测试数据集作用到所述神经网络模型获得模型预测输出；
[0027]S322:所述模型测试数据集作用到所述超级电容单体上获得对象真实输出；
[0028]S323:所述模型预测输出与所述对象真实输出进行误差对比分析。
[0029]进一步的，所述S500中，如果故障是由该模块内某几个单体失效造成，则可以采用对这些故障单体进行替换处理，如果该模块内所有单体全部失效，则更换该超级电容储能模块。
[0030]与现有技术相比，本发明可以获得包括以下技术效果:
[0031]I)本发明的针对超级电容储能模块的健康状态估计方法，可以满足大规模超级电容储能系统的应用需要，能为储能系统的状态检修提供数据支持。
[0032]2)本发明的针对超级电容储能模块的健康状态估计方法，在分析模块内每一单体当前电气特征参数值时所采用的神经网络模型，具有泛化能力强，模型精度高的特点，可以保证获得更准确的健康状态估计结果。
[0033]3)本发明的针对超级电容储能模块的健康状态估计方法，其估计结果可以定位到模块内具体出现健康状态劣化的单体，数据指向明确，因此在对储能模块进行故障维护时可以替换出现劣化的单体而保留健康状态正常的单体，降低系统维护成本。
[0034]4)本发明的针对超级电容储能模块的健康状态估计方法，采用阈值比较方法，方法简单易实现，可操作性强，具有很好的适用性和应用价值。
[0035]5)本发明的针对超级电容储能模块的健康状态估计方法可作为储能系统管理系统中的一个子模块随系统运行时实时应用，也可作为一项单独功能独立应用于超级电容制造商的实验分析，所得结果对于超级电容生产工艺的改进和优化具有指导意义。当然，实施本发明的任一产品必不一定需要同时达到以上所述的所有技术效果。
【附图说明】
[0036]此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中:
[0037]图1是本发明实施例提供的超级电容储能模块健康状态估计方法流程图；
[0038]图2是本发明实施例提供的超级电容单体神经网络模型建模方法图。
【具体实施方式】
[0039]以下将配合附图及实施例来详细说明本发明的实施方式，藉此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
[0040]本发明的实施例提供的一种超级电容储能模块的健康状态估计方法，如图1所示，包括以下步骤:
[0041]S100:设定超级电容模块单体电气参数阈值；
[0042]S200:实时采集超级电容模组的运行数据；
[0043]S300:由所述运行数据结合神经网络模型确定超级电容模组内各单体的电气特征参数；
[0044]S400:判断各单体的电气特征参数是否落入阀值区间；
[0045]S500:对超级电容储能模块进行故障维护。
[0046]本实施例中，所述SlOO中，所述超级电容模块单体电气参数阈值为，超级电容储能模块内每一超级电容单体的电气特征参数的正常工作范围。
[0047]可选地，所述S200中，的所述运行数据包括:工作电流、工作电压、工作环境温度。
[0048]可选地，所述S200中，所述运行数据在超级电容储能模块实际运行过程中实时采集。
[0049]可选地，所述S300中，所述电气特征参数包括:等效串联电阻值和电容值。
[0050]可选地，所述S500中，如果故障是由该模块内某几个单体失效造成，则可以采用对这些故障单体进行替换处理，如果该模块内所有单体全部失效，则更换该超级电容储能模块。
[0051]如图2所示，S300中的所述神经网络模型的建模方法，包括以下步骤:
[0052]S310:利用神经网络训练数据集100对神经网络模型进行训练，得到训练后的神经网络模型200;
[0053]S320:利用模型测试数据集300对神经网络模型200进行测试；
[0054]S330:通过对神经网络模型200的模型预测输出210和超级电容单体400的对象真实输出410进行误差对比分析来判断神经网络模型的精度；
[0055]S331:如果精度满足要求，即建模结束；
[0056]S332:如果精度不满足要求，则重新进行训练和测试，直到模型精度满足要求为止。
[0057]可选地，所述神经网络训练数据集包括:电流、电压和温度数据。
[0058]可选地，所述模型测试数据集包括:电流、电压和温度数据。
[0059]S320中的所述测试方法为:
[0060]S321:所述模型测试数据集作用到所述神经网络模型获得模型预测输出；
[0061 ] S322:所述模型测试数据集作用到所述超级电容单体上获得对象真实输出；
[0062]S323:所述模型预测输出与所述对象真实输出进行误差对比分析。
[0063]本发明的实施例中提供的一种超级电容储能模块的健康状态估计方法，包括以下技术效果:
[0064]I)本发明的针对超级电容储能模块的健康状态估计方法，可以满足大规模超级电容储能系统的应用需要，能为储能系统的状态检修提供数据支持。
[0065]2)本发明的针对超级电容储能模块的健康状态估计方法，在分析模块内每一单体当前电气特征参数值时所采用的神经网络模型，具有泛化能力强，模型精度高的特点，可以保证获得更准确的健康状态估计结果。
[0066]3)本发明的针对超级电容储能模块的健康状态估计方法，其估计结果可以定位到模块内具体出现健康状态劣化的单体，数据指向明确，因此在对储能模块进行故障维护时可以替换出现劣化的单体而保留健康状态正常的单体，降低系统维护成本。
[0067]4)本发明的针对超级电容储能模块的健康状态估计方法，采用阈值比较方法，方法简单易实现，可操作性强，具有很好的适用性和应用价值。
[0068]5)本发明的针对超级电容储能模块的健康状态估计方法可作为储能系统管理系统中的一个子模块随系统运行时实时应用，也可作为一项单独功能独立应用于超级电容制造商的实验分析，所得结果对于超级电容生产工艺的改进和优化具有指导意义。
[0069]还需要说明的是，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
[0070]上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
【主权项】
1.一种超级电容储能模块的健康状态估计方法，其特征在于，包括以下步骤: S10:设定超级电容模块单体电气参数阈值； S200:实时采集超级电容模组的运行数据； S300:由所述运行数据结合神经网络模型确定超级电容模组内各单体的电气特征参数； S400:判断各单体的电气特征参数是否落入阀值区间； S500:对超级电容储能模块进行故障维护。2.如权利要求1所述的方法，其特征在于，所述SlOO中，所述超级电容模块单体电气参数阈值为，超级电容储能模块内每一超级电容单体的电气特征参数的正常工作范围。3.如权利要求1所述的方法，其特征在于，所述S200中，所述运行数据包括:工作电流、工作电压、工作环境温度。4.如权利要求1所述的方法，其特征在于，所述S200中，所述运行数据在超级电容储能模块实际运行过程中实时采集。5.如权利要求1所述的方法，其特征在于，所述S300中，所述电气特征参数包括:等效串联电阻值和电容值。6.如权利要求1所述的方法，其特征在于，所述S300中，所述神经网络模型的建模方法包括以下步骤: S310:利用神经网络训练数据集对神经网络模型进行训练，得到训练后的模型； S320:利用模型测试数据集对神经网络模型进行测试； S330:通过对神经网络模型的输出和超级电容单体真实输出进行误差对比分析来判断神经网络模型的精度； S331:如果精度满足要求，即建模结束； S332:如果精度不满足要求，则重新进行训练和测试，直到模型精度满足要求为止。7.如权利要求6所述的方法，其特征在于，所述S320中，所述神经网络训练数据集包括:电流、电压和温度数据。8.如权利要求6所述的方法，其特征在于，所述S320中，所述模型测试数据集包括:电流、电压和温度数据。9.如权利要求6所述的方法，其特征在于，所述S320中，所述测试的方法为: S321:所述模型测试数据集作用到所述神经网络模型获得模型预测输出； S322:所述模型测试数据集作用到所述超级电容单体上获得对象真实输出； S323:所述模型预测输出与所述对象真实输出进行误差对比分析。10.如权利要求1所述的方法，其特征在于，所述S500中，如果故障是由该模块内某几个单体失效造成，则采用对这些故障单体进行替换处理，如果该模块内所有单体全部失效，则更换该超级电容储能模块。
【文档编号】G01R31/00GK106093615SQ201610364241
【公开日】2016年11月9日
【申请日】2016年5月26日
【发明人】赵洋
【申请人】东莞理工学院