电池健康智能维护系统

 

        动力电池组健康监测与预测智能维护系统BatteryPHM-V1.1是实现在变工况下对电池和电池组的智能监控、故障预警以及智能健康预测的B/S管理分析系统，构建以运行机理为基础、数据驱动为主线、智能预诊维护为核心的复杂运行环境下的电池智能监控与预测系统。该系统通过对电池进行远程监控，掌握实时动态数据，实现对电池健康状态的实时追踪以及故障的实时预警。实现在复杂运行环境下（如异常环境温度、异常负载）电池的实时信号监测、基础数据管理、训练数据管理、模型管理、实时健康评估、评估结果查询、故障监控告警、事件查询等功能。通过上述系统集成性功能可有效地对电池健康状态进行实时监测、历史数据管理，以及基于既往数据的智能化建模分析，充分发挥深度学习方法的高鲁棒性与适应性，实现变工况下电池的健康评估和故障预警，为储能设备的健康运行提供保障，实现全程智能监测与个性化健康预测，对提高电池自身可靠度以及安全性意义重大。

        电池健康监测与维护系统依托底层核心的电池（组）健康智能维护算法模型工具箱BatteryAgent，主要包括八大模块：电池健康维护算法模型工具箱、数据中心模块；运行监控模块；健康评估模块；容量估计；故障诊断、电池包缺陷预示、健康与剩余寿命预测模块；告警监控模块以及电池健康画像模块。其中，数据中心模块主要统计和展示所有电池的整体状态；运行监控模块对电池参数（包括SOH指标、SOC指标、寿命指标、电压与温度等）实时监控与历史统计分析，状态统计、充电数据、健康度统计、容量估计、剩余寿命统计；健康评估模块从多传感信号中提取反映电池性能早期退化的特征集，指定电池健康指标，结合量化评估模型，能够实时评估电池运行的健康状态，分析电池健康退化的严重程度和等级。健康与剩余寿命预测模块主要是对电池组与电芯的健康与剩余寿命进行预测；告警监控模块根据实时的监测数据对电池可能出现的问题进行预警，其中包括电池组不一致预警（单体电池异常识别）；电池过压欠压预警；电池温升预警；电池SOC跳变；电池热失控预警；电池健康预警；电池寿命预测；电池画像模块记录电池组以及单体电池的历史电流与电压、历史内阻、历史充电（SOC）、历史温度、历史SOC。

电池（组）SOC、SOH、RUL预测试验台方案

实验采用的实验台设备如下图所示，可对试验充放电电压、电流、时间进行收集。

实验中采用的锂电池型号为：18650电池，800mAh

         不同充放电条件下，锂电池循环充放电实验，工况设置为恒流恒压充电、恒流放电过程。试验工况如下所示，CC为充电电流，CV为充电电压，DC为放电电流。

传感信号：电流、电压、充放电时间、内阻测试装置

数据介绍：循环充放电实验结果如下，可以看到电池在不同的健康状态中展示了电池的退化趋势。

动力电池组健康监测与预测智能维护系统BatteryPHM：

        进入深度学习及电化学机理驱动的电池（组）健康智能维护系统首页，左侧为菜单栏，包括数据中心、运行监控、电池算法、容量估计、健康评估、早期故障预示和电池画像七个主要模块。

        数据中心：该界面的主要功能是呈现设备组和电池组的相关信息，统计全部电池的整体运行状态。运用深度学习模型实现电池健康度评估，呈现全部电池的健康状态和故障告警信息。

（1）显示电池健康水平（优、良、中、差），电池健康水平五维分析。

（2）统计电池的故障告警分布，并且列出详细的电池紧急告警和提示告警列表，大致了解电池的整体运行状况。统计信息主要与故障告警中告警统计信息相对应。

        运行监控：此界面为电池运行监控模块，主要功能是呈现全部电池的状态统计（放电、充电、静置、离线）、充电信息（今日充电量、累计充电量）、电池运行信息（运行数量）、电池健康统计（SOH，剩余寿命）。

        电池健康统计（SOH，剩余寿命）的数据来源是健康评估模块的电池健康度，根据全部电池的健康度数据，绘制整体的电池健康状态和剩余寿命分布。

        电池算法：该界面的主要功能是利用电池的实时监测信号，分别对电池的SOH、剩余寿命（RUL）和SOC进行估计。下面进入针对单个电池组的模型训练和健康评估。

（1）设备选择

        点击电池组选择下拉菜单可对当前界面设备进行选择，选择相应设备即可切换不同电池组，如图2-8所示。

（2）模型选择

        系统对电池SOH、剩余寿命（RUL）和SOC估计进行分别估计，右侧是可供选择的评估模型，点击模型按钮，再点击模型训练跳转至对应模型的训练和测试页面。

（3）模型参数设置和训练

        进入模型训练和测试页面，首先需要设置模型的参数，比如LSTM-AE模型，需要设置LSTM隐藏神经元数、LSTM层数、训练批量（batch_size）、训练步数（epoch）和学习率（learning rate），如图2-10所示。参数设置完后，点击“模型训练”按钮，后台则会利用对应电池组的数据对模型进行训练，当出现如图2-11所示的界面，则表示训练完成。点击“确认”按钮后，显示信号数据和训练过程后的验证结果。

（4）健康评估模型测试

        点击“数据测试”按钮，则可以对训练完成的模型进行测试，页面中会呈现模型的测试结果。

（5）阈值输入

       点击“阈值输入”按钮，跳转阈值输入界面，对系统中的电池健康度进行标准阈值管理，使得不同工况下的阈值向标准阈值对齐，实现变化工况下的电池健康监测。

        容量估计：

        点击首页中“容量估计”按钮，进入电池容量评估界面。操作者可以根据自身需要选择对应的电池组。界面切换至所选电池组的健康评估页面，即为电池组#1的容量估计界面。该界面主要包含实时监控、运行参数和模型训练模块。

        首先，点击“运行参数”按钮，进入参数设置界面，可以设置容量预警阈值以及数据采集间隔参数。

        点击“实时监控”按钮，可以展示电池实时的电压、电流和温度变化，以及电池实时的容量估计结果。

        点击“模型训练”按钮，进入电池容量估计模型的训练界面，利用训练完成的模型可以实时评估电池的容量。右侧是可供选择的评估模型，点击模型按钮，再点击模型训练跳转至对应模型的训练和测试页面。

         进入模型训练和测试页面，首先需要设置模型的参数，比如BiLSTM模型，需要设置LSTM隐藏神经元数、LSTM层数、训练批量（batch_size）、训练步数（epoch）和学习率（learning rate），如图2-19所示。参数设置完后，点击“模型训练”按钮，后台则会利用对应电池组的数据对模型进行训练，当出现如图2-20所示的界面，则表示训练完成。点击“确认”按钮后，显示信号数据和训练过程后的验证结果，如图2-21所示。

        点击“数据测试”按钮，则可以对训练完成的模型进行测试，页面中会呈现模型的测试结果。

        健康评估：

        点击首页中“健康评估”按钮，进入电池健康评估界面。操作者可以根据自身需要选择对应的电池组。界面切换至所选电池组的健康评估页面，如图2-23所示，即为电池组#1的健康评估界面。此外，界面里可以查看电池组里某个单体电池的健康状态。

        从五个维度对电池的健康状态进行评估，包括健康度、充电行为、使用行为、一致性以及故障。图展示了电池健康状态总览结果。可以通过点击“健康度”、“充电”、“使用”、“一致性”和“故障”按钮详细了解电池不同维度的健康状况。图2-24 (a, b, c, d, e)分别是五个维度健康状况的界面。

图 (a)是电池健康度界面，将实时的电池监测数据输入到电池健康评估模型中，实时输出电池的SOH值和剩余寿命。

图 (b)和图(c)分别统计电池的充电行为和使用，不当的充电和使用行为将对电池的健康产生不利影响。

图 (d) 为电池一致性检测部分，监测电池组内部每个单体电池的开路电压信息，左侧显示单体电池的实时电压。当某个单体电池与其他电池的电压存在显著差异时，界面会出现红色以示告警。点击对应电池的名称，右侧会显示该电池的历史电压数据。

图 (e) 记录电池出现的告警信息，其中包括压差过大、温差过大、温升过高和SOC过低等预警。

        早期故障预示：

        点击首页中“早期故障预示”按钮，进入电池故障预示界面。操作者可以根据自身需要选择对应的电池组。界面切换至所选电池组的告警监控页面，如图2-25所示，即为电池组#1的告警监控界面。

早期故障预示模块主要监测电池组内部每个单体电池的实时电压、温度内阻等变化。当电池出现电压差趋势异常、单体瞬态压变异常、单体温度离群、整包内阻异常以及电芯内阻异常等问题，系统会给出对应的预警信息。其中电压差趋势异常预警、单体瞬态压变异常预警、单体温度离群预警、整包内阻异常预警以及电芯内阻异常预警的页面分别如图 (a, b, c, d, e)所示。

点击“告警统计”按钮，跳转到电池告警信息查看界面，可以查看电池组详细的告警信息，包括告警类型、告警时间、告警等级以及告警的具体位置。

 电池健康画像：

        点击首页中“电池画像”按钮，进入电池画像界面。电池画像模块记录电池历史电流与电压、历史充电行为（SOC）、历史温度以及历史使用行为（SOC）等数据，如图2-28所示。通过点击时间的下拉菜单按钮，选择具体时间段，再点击确定按钮，可以选择查询该时间段的电池的电压和电流等信息，如图2-29所示。

         BatteryPHM底层采用的电池（组）健康智能维护算法模型工具箱BatteryAgent融合了目前国际上各种先进的信息智能分析算法以算法工具箱的方式，涵盖了近200套算法模型，采用了一种开发的、模块化的结构实现系统电池（涵盖动力电池与储能电池）健康管理算法，能应用在不同的电池健康预诊场合，满足不同的类型电池的健康预诊与故障诊断需求，如不同的输入信号、不同的预诊功能需求，不同的存储能力等，采用Python编程语言，满足不同平台需求(包括Windows、Linux)。采用全Python语言，以B/S模式，通过前端与后端集成开发，采用开放的、模块化、多层架构的设计思想，采用了最新的信号处理、机理模型、机器学习、人工智能、深度学习、数据挖掘等技术，实现电池（组）故障诊断与健康退化预诊维护，进行电池基本状态、可靠性服役数据、历史充放电行为、健康变化趋势图、健康度评估与预测，剩余寿命预测全面对电池（组）进行健康状态评估与预测。

---