روش‌های تشخیص خطا برای سیستم‌های ذخیره انرژی باتری در مقیاس بزرگ چیست؟ - وبلاگ

تشخیص خطا یک جنبه حیاتی برای اطمینان از عملکرد قابل اعتماد و کارآمد سیستم های ذخیره انرژی باتری در مقیاس بزرگ (BESS) است. به عنوان یک تامین کننده پیشرو در مقیاس بزرگ راه حل های ذخیره انرژی باتری، ما اهمیت تشخیص دقیق خطا در حفظ عملکرد و طول عمر این سیستم ها را درک می کنیم. در این وبلاگ، روش‌های مختلف تشخیص عیب را برای BESS در مقیاس بزرگ بررسی می‌کنیم و مزایا و محدودیت‌های آنها را مورد بحث قرار می‌دهیم.

1. مقدمه ای بر سیستم های ذخیره سازی انرژی باتری در مقیاس بزرگ

سیستم های ذخیره انرژی باتری در مقیاس بزرگ نقش حیاتی در شبکه های انرژی مدرن دارند. آنها می توانند انرژی اضافی را در ساعات غیر اوج مصرف ذخیره کرده و در دوره های اوج تقاضا آزاد کنند، به تعادل شبکه، بهبود کیفیت برق و ادغام منابع انرژی تجدیدپذیر مانند خورشید و باد کمک می کنند. این سیستم ها معمولاً از چندین ماژول باتری، سیستم های تبدیل توان (PCS) و واحدهای کنترل تشکیل شده اند. با این حال، به دلیل پیچیدگی و ماهیت مقیاس بزرگ این سیستم ها، خطاهایی ممکن است رخ دهد که ممکن است منجر به کاهش عملکرد، خطرات ایمنی و حتی خرابی سیستم شود.

2. خطاهای رایج در مقیاس بزرگ BESS

قبل از پرداختن به روش‌های تشخیص عیب، درک عیوب رایجی که می‌توانند در مقیاس بزرگ BESS رخ دهند، ضروری است. این موارد عبارتند از:

خرابی باتری: مانند شارژ بیش از حد، تخلیه بیش از حد، اتصال کوتاه داخلی و کاهش ظرفیت. این خطاها می تواند بر عملکرد و طول عمر باتری تأثیر بگذارد.
خطاهای سیستم تبدیل برق: خطاهای PCS، از جمله خرابی اینورتر، خرابی یکسو کننده، و مشکلات مدار کنترل، می توانند فرآیند تبدیل و انتقال انرژی را مختل کنند.
خرابی سنسور و واحد کنترل: خوانش نادرست سنسور یا خرابی در واحدهای کنترل می تواند منجر به عملکرد نامناسب سیستم و تشخیص نادرست عیب شود.

3. روش های عیب یابی

3.1. مدل - تشخیص خطا بر اساس

روش‌های تشخیص خطا مبتنی بر مدل بر مدل‌های ریاضی BESS برای شناسایی و جداسازی خطاها متکی هستند. این مدل ها می توانند رفتار الکتریکی، حرارتی و شیمیایی باتری و سایر اجزای سیستم را توصیف کنند.

حالت - مدل سازی فضا: مدل های حالت-فضا دینامیک سیستم را با مجموعه ای از معادلات دیفرانسیل نشان می دهند. با مقایسه خروجی واقعی سیستم با خروجی پیش بینی شده توسط مدل، می توان خطاها را تشخیص داد. به عنوان مثال، اگر ولتاژ باتری اندازه گیری شده به طور قابل توجهی از ولتاژ پیش بینی شده توسط مدل حالت - فضای انحراف داشته باشد، ممکن است نشان دهنده ایراد باتری باشد.
مدلسازی مدار معادل: مدل های مدار معادل از عناصر مدار مانند مقاومت ها، خازن ها و منابع ولتاژ برای نمایش رفتار الکتریکی باتری استفاده می کنند. این مدل ها نسبتا ساده و از نظر محاسباتی کارآمد هستند. عیب ها را می توان با نظارت بر پارامترهای مدار معادل، مانند مقاومت داخلی، تشخیص داد.

مزیت روش های مبتنی بر مدل این است که می توانند درک عمیقی از رفتار سیستم ارائه دهند و می توانند خطاهای اولیه را تشخیص دهند. با این حال، این روش ها نیاز به مدل های دقیق دارند و پارامترهای مدل ممکن است در طول زمان به دلیل عواملی مانند قدیمی شدن باتری تغییر کنند که می تواند بر دقت تشخیص عیب تأثیر بگذارد.

3.2. داده ها - تشخیص خطای محوری

روش‌های مبتنی بر داده برای شناسایی خطاها به داده‌های تاریخی و الگوریتم‌های یادگیری ماشین تکیه می‌کنند. این روش ها نیازی به دانش دقیق مدل فیزیکی سیستم ندارند.

شبکه های عصبی مصنوعی (ANN): شبکه های عصبی مصنوعی می توانند رابطه بین ورودی (به عنوان مثال، ولتاژ باتری، جریان، دما) و خروجی (وضعیت خطا) را از داده های تاریخی بیاموزند. پس از آموزش، ANN می تواند برای طبقه بندی داده های جدید به عنوان عادی یا معیوب استفاده شود. به عنوان مثال، یک پرسپترون چند لایه (MLP) را می توان برای تشخیص خطاهای شارژ بیش از حد باتری بر اساس داده های ورودی ولتاژ و جریان آموزش داد.
ماشین‌های بردار پشتیبانی (SVM): SVM ها یکی دیگر از الگوریتم های معروف یادگیری ماشین برای تشخیص عیب هستند. آنها می توانند ابر صفحه بهینه ای را پیدا کنند که داده های عادی و معیوب را در فضایی با ابعاد بالا جدا می کند. SVM ها توانایی تعمیم خوبی دارند و می توانند داده های غیرخطی قابل تفکیک را مدیریت کنند.

مزیت روش های مبتنی بر داده این است که می توانند با تغییرات سیستم سازگار شوند و روابط پیچیده و غیرخطی را مدیریت کنند. با این حال، آنها به مقدار زیادی داده با کیفیت بالا برای آموزش نیاز دارند و عملکرد این روش ها ممکن است تحت تأثیر کیفیت و کمیت داده های آموزشی قرار گیرد.

3.3. پردازش سیگنال - تشخیص خطا بر اساس

تکنیک های پردازش سیگنال را می توان برای تجزیه و تحلیل سیگنال های BESS به منظور شناسایی خطاها استفاده کرد.

تبدیل موجک: تبدیل موجک می تواند یک سیگنال را به اجزای فرکانس مختلف تجزیه کند. با تجزیه و تحلیل ضرایب موجک سیگنال های ولتاژ یا جریان باتری، می توان خطاها را تشخیص داد. به عنوان مثال، یک تغییر ناگهانی در اجزای فرکانس بالا سیگنال ولتاژ ممکن است نشان دهنده یک خطای اتصال کوتاه باشد.
تبدیل فوریه سریع (FFT): FFT می تواند سیگنال دامنه زمان را به سیگنال دامنه فرکانس تبدیل کند. با تجزیه و تحلیل طیف فرکانس سیگنال ها می توان خطاها را شناسایی کرد. به عنوان مثال، اجزای فرکانس غیرعادی در سیگنال فعلی ممکن است نشان دهنده نقص در سیستم تبدیل توان باشد.

مزیت روش‌های مبتنی بر پردازش سیگنال این است که می‌توانند تشخیص خطا را در زمان واقعی ارائه دهند و پیاده‌سازی نسبتاً آسانی دارند. با این حال، آنها ممکن است به مهارت های پیشرفته پردازش سیگنال نیاز داشته باشند و ممکن است به نویز در سیگنال ها حساس باشند.

Utility Scale Battery Storage Systems ESS Container Box 10FT

4. رویکرد شرکت ما به تشخیص خطا

به عنوان یک تامین کننده ذخیره انرژی باتری در مقیاس بزرگ، ما چندین روش تشخیص خطا را برای اطمینان از قابلیت اطمینان و ایمنی سیستم های خود ترکیب می کنیم. ما از روش های مبتنی بر مدل برای درک رفتار اساسی سیستم و تشخیص خطاهای اولیه استفاده می کنیم. در عین حال، ما از روش‌های مبتنی بر داده برای انطباق با تغییرات در سیستم و مدیریت روابط پیچیده استفاده می‌کنیم. تکنیک های پردازش سیگنال نیز برای تشخیص عیب بلادرنگ استفاده می شود.

ما همچنین طیف وسیعی از محصولات با کیفیت بالا را برای ذخیره انرژی باتری در مقیاس بزرگ، مانندجعبه کانتینر ESS 10FT،سیستم های ذخیره سازی باتری مقیاس ابزار، وUtility - Scale Mv Station. این محصولات با تشخیص عیب پیشرفته و ویژگی های حفاظتی طراحی شده اند تا از عملکرد قابل اعتماد آنها اطمینان حاصل شود.

5. نتیجه گیری و فراخوان برای اقدام

تشخیص عیب بخشی ضروری از سیستم های ذخیره انرژی باتری در مقیاس بزرگ است. با استفاده از ترکیبی از روش‌های مبتنی بر مدل، مبتنی بر داده، و مبتنی بر پردازش سیگنال، می‌توانیم به طور مؤثر خطاها را شناسایی و جدا کنیم و از عملکرد قابل اعتماد و کارآمد این سیستم‌ها اطمینان حاصل کنیم.

اگر به راه حل های ذخیره انرژی باتری در مقیاس بزرگ ما علاقه مند هستید یا در مورد تشخیص عیب سؤالی دارید، لطفاً برای تهیه و بحث های بیشتر با ما تماس بگیرید. ما متعهد هستیم که بهترین محصولات و خدمات را در زمینه ذخیره انرژی باتری به شما ارائه دهیم.

مراجع

Chen, X., & Zhang, Y. (2018). تشخیص عیب سیستم های ذخیره انرژی باتری: بررسی علم و فناوری ذخیره انرژی، 7 (2)، 191 - 202.
لی، ایکس، و همکاران. (2019). یک روش تشخیص عیب مبتنی بر داده برای بسته‌های باتری لیتیوم یونی بر اساس شبکه‌های عصبی مصنوعی. مجله منابع نیرو، 422، 126 - 133.
وانگ، اچ، و هو، سی (2017). تشخیص خطا مبتنی بر تبدیل موجک برای سیستم‌های ذخیره انرژی باتری IEEE Transactions on Power Electronics، 32(10)، 7832 - 7841.