论文部分内容阅读
电力／通信系统中的直流电源设备主要选用阀控铅酸(VRLA)蓄电池。由于这种蓄电池又被称为“免维护”蓄电池，这就给操作人员一种误解，认为该种蓄电池不需要维护，使得在很多场合VRLA蓄电池实际上处于一种长期完全不维护的状态。实际上蓄电池作为一种电化学产品，对使用环境和运行工况都有比较严格的要求，因此，如何监测VRLA蓄电池的运行状态，对其建立起一套有效的维护管理方法，具有重要的现实意义。本文在深入分析VRLA蓄电池工作原理及使用性能的基础上，提出了一种新型的完全在线的蓄电池内阻的检测方法，并在山东星锐电力科技有限公司生产的BMMS220-18A蓄电池组在线状态检测装置中获得了实际应用。该方法针对现有的两种内阻检测方法——直流放电法和交流注入法中存在的缺陷，将被测单体蓄电池分别对两组负载进行放电，通过对两次的放电电流、电压进行计算得到蓄电池的内阻值。实践证明，该方法克服了整组蓄电池在线放电存在的安全隐患，减小了放电功率，降低了设备制造成本，使故障的定位更加精确。VRLA蓄电池是一个复杂的非线性系统，在充放电过程中，蓄电池内部存在着极为复杂的物理和化学变化，为了实现对蓄电池内阻变化趋势的预测，本文分别采用了灰色系统、神经网络和模糊控制三种方法对VRLA蓄电池内阻进行建模，并对结果进行了横向比较。仿真结果表明采用动态新息GM(1，1)模型预测的精度高，能够准确的判断出故障点；采用RBF神经网络预测精度高，但是需要大量的样本进行学习，实现较为困难；模糊控制的方法虽然结果存在静差，但当离线的模糊控制表建立以后，程序运行速度很快，可以满足实时在线的要求。在实现对VRLA蓄电池内阻预测的基础上，本文还结合VRLA蓄电池的其他参考因素(电压、电流、温度)的影响，对VRLA蓄电池荷电状态(SOC)进行预测。仿真结果表明采用RBF神经网络方法需要同传统的蓄电池容量监测方法结合使用，先用传统方法判断出各时刻的蓄电池荷电状态，再通过神经网络进行预测，这种方法工作量大，实现较为困难，目前仅停留在理论阶段；而采用模糊控制的方法程序实现容易，运行速度快，但精度还需要进一步的提高。由此可见，本文已经基本实现了对蓄电池运行状态的离线分析，通过对VRLA蓄电池内阻和荷电状态的预测，可以准确的找到VRLA蓄电池容量失效的时刻，实现对蓄电池运行状态的监测和故障预报。但是若要满足实时在线的监测和预报，还需要继续检测蓄电池的各项参数，改进理论模型，进一步提高预测精度，并完善该算法在嵌入式系统中的实现。