Dijagnostika kvarova je kritičan aspekt osiguravanja pouzdanog i efikasnog rada sistema za skladištenje energije baterija velikih razmjera (BESS). Kao vodeći dobavljač rješenja za skladištenje energije baterija velikih razmjera, razumijemo važnost precizne dijagnoze kvarova u održavanju performansi i dugovječnosti ovih sistema. U ovom blogu ćemo istražiti različite metode dijagnoze kvarova za BESS velikih razmjera i razgovarati o njihovim prednostima i ograničenjima.
1. Uvod u velike baterijske sisteme za skladištenje energije
Sistemi za pohranu energije baterija velikih razmjera igraju vitalnu ulogu u modernim energetskim mrežama. Oni mogu skladištiti višak energije tokom sati van špica i oslobađati je tokom perioda najveće potražnje, pomažući u balansiranju mreže, poboljšanju kvaliteta električne energije i integraciji obnovljivih izvora energije kao što su solarna energija i vjetar. Ovi sistemi se obično sastoje od više baterijskih modula, sistema za konverziju energije (PCS) i kontrolnih jedinica. Međutim, zbog složenosti i velike prirode ovih sistema, može doći do kvarova, što može dovesti do smanjenih performansi, sigurnosnih opasnosti, pa čak i kvarova sistema.
2. Uobičajeni kvarovi u BESS-u velikih razmjera
Prije upuštanja u metode dijagnoze kvarova, bitno je razumjeti uobičajene greške koje se mogu pojaviti u BESS-u velikih razmjera. To uključuje:
- Greške baterije: Kao što su prekomjerno punjenje, prekomjerno pražnjenje, unutrašnji kratki spojevi i degradacija kapaciteta. Ove greške mogu utjecati na performanse i vijek trajanja baterije.
- Greške sistema za pretvaranje energije: Greške u PCS-u, uključujući kvarove pretvarača, kvarove ispravljača i probleme s upravljačkim krugom, mogu poremetiti proces konverzije i prijenosa energije.
- Greške senzora i upravljačke jedinice: Neispravna očitavanja senzora ili kvarovi u upravljačkim jedinicama mogu dovesti do nepravilnog rada sistema i netačne detekcije kvara.
3. Metode dijagnoze kvara
3.1. Model - Dijagnostika kvarova zasnovana na modelu
Metode dijagnoze grešaka zasnovane na modelu oslanjaju se na matematičke modele BESS-a za otkrivanje i izolovanje kvarova. Ovi modeli mogu opisati električno, termalno i hemijsko ponašanje baterije i drugih komponenti u sistemu.
- Stanje - svemirsko modeliranje: Modeli stanja i prostora predstavljaju dinamiku sistema skupom diferencijalnih jednačina. Poređenjem stvarnog izlaza sistema sa izlazom predviđenim modelom, greške se mogu otkriti. Na primjer, ako izmjereni napon baterije značajno odstupa od napona predviđenog modelom stanja - prostora, to može ukazivati na kvar baterije.
- Modeliranje ekvivalentnog kola: Modeli ekvivalentnih kola koriste elemente kola kao što su otpornici, kondenzatori i izvori napona za predstavljanje električnog ponašanja baterije. Ovi modeli su relativno jednostavni i računski efikasni. Greške se mogu dijagnosticirati praćenjem parametara ekvivalentnog kola, kao što je unutrašnji otpor.
Prednost metoda zasnovanih na modelu je u tome što mogu pružiti dubinsko razumijevanje ponašanja sistema i mogu otkriti početne greške. Međutim, ove metode zahtijevaju precizne modele, a parametri modela se mogu promijeniti tokom vremena zbog faktora kao što je starenje baterije, što može utjecati na točnost dijagnoze kvara.
3.2. Dijagnostika kvarova vođena podacima
Metode vođene podacima oslanjaju se na historijske podatke i algoritme mašinskog učenja za otkrivanje grešaka. Ove metode ne zahtijevaju detaljno poznavanje fizičkog modela sistema.
- Umjetne neuronske mreže (ANN): ANN mogu naučiti odnos između ulaza (npr. napon baterije, struja, temperatura) i izlaza (status greške) iz historijskih podataka. Jednom obučena, ANN se može koristiti za klasifikaciju novih podataka kao normalnih ili neispravnih. Na primjer, višeslojni perceptron (MLP) može se osposobiti za otkrivanje grešaka pri prekomjernom punjenju baterije na osnovu ulaznih podataka o naponu i struji.
- Podržava vektorske mašine (SVM): SVM-ovi su još jedan popularan algoritam za strojno učenje za dijagnozu grešaka. Oni mogu pronaći optimalnu hiperravninu koja razdvaja normalne i pogrešne 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 sistemu i rukovati složenim i nelinearnim odnosima. Međutim, oni zahtijevaju veliku količinu visokokvalitetnih podataka za obuku, a na učinak ovih metoda može uticati kvalitet i kvantitet podataka o obuci.
3.3. Obrada signala - Dijagnostika grešaka zasnovana na
Tehnike obrade signala mogu se koristiti za analizu signala iz BESS-a radi otkrivanja kvarova.
- Wavelet Transform: Wavelet transformacija može razložiti signal na različite frekvencijske komponente. Analizom talasnih koeficijenata napona baterije ili strujnih signala, greške se mogu otkriti. Na primjer, iznenadna promjena visokofrekventnih komponenti naponskog signala može ukazivati na kvar u kratkom spoju.
- Brza Fourierova transformacija (FFT): FFT može konvertovati signal vremenskog domena u signal u frekvencijskom domenu. Analizom frekvencijskog spektra signala mogu se identifikovati greške. Na primjer, abnormalne frekvencijske komponente u trenutnom signalu mogu ukazivati na grešku u sistemu konverzije energije.
Prednost metoda zasnovanih na obradi signala je u tome što one mogu obezbijediti detekciju grešaka u realnom vremenu i relativno su jednostavne za implementaciju. Međutim, oni mogu zahtijevati napredne vještine obrade signala i mogu biti osjetljivi na šum u signalima.
4. Pristup naše kompanije dijagnostici kvarova
Kao veliki dobavljač baterije za skladištenje energije, kombinujemo više metoda dijagnoze kvarova kako bismo osigurali pouzdanost i sigurnost naših sistema. Koristimo metode zasnovane na modelima za razumijevanje fundamentalnog ponašanja sistema i otkrivanje početnih grešaka. U isto vrijeme, koristimo metode vođene podacima kako bismo se prilagodili promjenama u sistemu i upravljali složenim odnosima. Tehnike obrade signala se takođe koriste za detekciju grešaka u realnom vremenu.
Također nudimo niz visokokvalitetnih proizvoda za skladištenje energije baterija velikih razmjera, kao što suESS Container Box 10FT,Uslužni sistemi za pohranu baterija, iUtility - Scale Mv Station. Ovi proizvodi su dizajnirani s naprednom dijagnostikom kvarova i zaštitnim funkcijama kako bi se osigurao njihov pouzdan rad.
5. Zaključak i poziv na akciju
Dijagnoza kvara je bitan dio sistema za skladištenje energije velikih baterija. Koristeći kombinaciju metoda zasnovanih na modelu, podacima i obradi signala, možemo efikasno otkriti i izolovati greške, osiguravajući pouzdan i efikasan rad ovih sistema.
Ako ste zainteresirani za naša rješenja za pohranu energije baterija velikih razmjera ili imate bilo kakva pitanja o dijagnostici kvarova, slobodno nas kontaktirajte radi nabavke i daljnjih razgovora. Posvećeni smo pružanju najboljih proizvoda i usluga u području skladištenja energije baterija.
Reference
- Chen, X., & Zhang, Y. (2018). Dijagnostika kvarova sistema za pohranu energije baterija: pregled. Nauka i tehnologija skladištenja energije, 7(2), 191 - 202.
- Li, X., et al. (2019). Metoda dijagnoze grešaka vođena podacima za litijum-jonske baterije zasnovana na veštačkim neuronskim mrežama. Journal of Power Sources, 422, 126 - 133.
- Wang, H. i Hu, C. (2017). Talasna transformacija - dijagnoza kvarova zasnovana na kvaru za sisteme za skladištenje energije baterija. IEEE Transactions on Power Electronics, 32(10), 7832 - 7841.