一种应用于核电站应急CAT蓄电池组实时监测和预警的融合算法

摘要：为实时监测核电站应急电源并及时反馈电池状态异常，本研究提出一种对应急电池组进行监测并收集数据实现实时报警的算法及系统。本研究通过数据分析得出核电站应急电池组在浮充状态下的正常区间，收集实时数据并进行预处理后作为融合算法的输入，并根据阈值及斜率分析判断是否出现异常，从而实现针对电池组在不同工况下的实时监测及报警。本研究结果经过验证，新建系统可以对浮充状态下的蓄电池异常进行有效报警，并为现场工程师预留出更长时间处理异常。

关键词：应急电池组；融合算法；实时监测报警；固定阈值；数据分析

0.引言

 

核电站为保证关键设施在紧急情况下依然可以安全运行，除通过主要电源（如发电设施）供电外，另备多套应急电源供电。应急电源除备用的柴油发电机组外，还设有多套蓄电池组。每套备用电池组由多个电池组成，且为了保证紧急情况的电力需求长期保持满电浮充状态。为保证应急电源可以随时应对特殊情况，核电站需要监测电池状态并及时处理故障。目前监测电池状态的主要方式有：1. Thevenin等效电路模型评估健康度[1]2.基于神经网络估算健康状态[2-3]。3.卡尔曼滤波法估算电池的荷电状态以此计算健康状态[3-4]。4. 通过对电池进行放电试验来估算出实际充电状态与理论充电状态之差，并基于差值估算电池组健康状态[3]。

由于核电站应急电池组长期处于浮充状态，工况单一且电流测量值误差较大，因此方法1、方法2以及方法3均无法满足需求。方法4只能在放电试验时获得电池组健康状态的估算值。考虑到放电试验间隔较长，如果在两次放电周期之间出现异常会导致在紧急状态下供电不足，从而造成额外损失甚至重大事故。

针对以上问题，本文提出一种基于固定阈值和大数据分析的融合算法的实时监测和报警系统。该系统的特点是：可以根据被监测参数的历史数据自动建模，并融合固定阈值进行预警和报警。本文所设计的系统成本低、部署快捷且可自动迭代优化。

1.固定阈值和大数据分析算法

1.1应急电源系统概览

应急电池组由多个电池组成并长期处于满电浮充状态。正常工况下，由厂用电通过充电器给负荷供电，当出现特殊情况导致厂用电丧失时，应急电源介入为安全相关负荷供电。

为保证应急电源时刻处于正常运行状态，核电站在应急电源电路上部署四个测点。其中测点1为电池序列内部测点，可以获得每个电芯的电压、环境温度；测点2测量进出蓄电池组的总电压和总电流；测点3用来测量充电器的电流和电压；测点4用来测量直流系统的母线电压和蓄电池电流。

由于应急电池组长时间处于满电浮充状态，其电路电流非常小，导致测点2和测点4在正常浮充状态下的电流读数误差较大，而环境温度被控温系统控制在正常区间内。针对此种情况，本文构建了一种基于固定阈值和大数据模型融合算法对应急电池进行监测和预警。

1.2固定阈值算法

本算法主要用于对电池组和电芯。每个被监测参数可根据阈值将报警类型分为红色、黄色两种报警。

以电压为例，超限n个单位时为黄色报警，超限n+k个单位时为红色报警，超限n+k个单位以上时为故障状态。

为保证模型的灵活度和可用性， n和k可根据实际情况设定。

1.3基于斜率的大数据分析算法

由于固定阈值仅考虑当前状态，容易误报或低估严重程度，本文提出一种基于斜率的大数据分析算法用于辅助预警。

首先基于历史数据计算被监测参数斜率，然后获得历史斜率期望及方差并拟合分布和置信区间。核心技术细节如下：

通过分析蓄电池组电压斜率密度，拟合出正态分布曲线，可以得知电压斜率大致呈正态分布但峰度更高。

通过式(1)及式(2)得到样本斜率的期望及样本斜率的标准差[5]。

其中样本斜率的期望为：

          (1)

样本斜率的标准差为：

              (2)

由于斜率可视作连续随机变量。因此，式中代表连续型随机变量（即斜率）的任一样本值，代表的分布密度函数，为样本数据中第条数据的斜率，为样本总量。本项目的样本数据量较大，因此可以将期望近似为样本均值并假定样本标准差等于总体标准差。基于式(1)及式(2)得出的结果，可以利用式(3)和式(4)计算置信区间。

其中，置信区间上限为：

            (3)

置信区间下限为：

             (4)

式中，为置信度为时的Z值。当斜率在置信区间外时，可认为出现异常。

2.融合算法

由于固定阈值算法和基于斜率的大数据分析算法的计算方式不同，因此本文提出一种融合算法输出结果。

由于电池故障会引发电压异常[6]，异常出现后，相关参数呈趋势性变化，因此可基于趋势预估参数值进行预警。

融合算法分别将根据实时数据的斜率和实时数据输入1.3中输出模型和1.2中的固定阈值模型并分别判断是否超限。如果斜率或固定阈值超限则估算下一时间点数据并判断是否进行斜率超限报警或升级固定阈值报警级别。正常数据会被纳入历史数据集用来更新模型。

3.基于电压数据的算法验证及分析

由于应急蓄电池实际故障较少，为对算法的准确性进行验证，本文在采用前述方法获取正常工况下的真实数据用于建模，并建立基于仿真故障数据的验证样本用于效果验证。

融合算法对红色报警预警效果较好，迟报率为0%，误报率为3%。而对黄色报警预警效果较差，其迟报率为21%，误报率为0%。

其原因是在固定阈值报警前，估算算法报警仅在斜率超限的情况下运行，因此斜率未超限时出现迟报。而在固定阈值报警时会直接估算下一时间点数据并判断超限，因此红色报警存在3%的误报率。

考虑到红色报警的严重程度高于黄色报警，因此红色报警可以接受一些误报但无法接受迟报，而黄色报警数量大于红色报警数量，高误报率会占用额外资源处理误报，因此本文认为融合算法的设计是有效且可以接受的。

 

4.结论

本文所设计的基于固定阈值和大数据分析模型设计的用于监测核电站内浮充工况蓄电池状态的融合算法和报警系统有以下优点：1、可根据历史正常运行状态数据自动更新模型，保持融合算法精确度和可用性。2、根据报警严重程度调整迟报率和误报率，保证在对严重故障迟报率较低的情况下降低较轻故障的误报率。通过验证和分析，证明了该算法的有效性。本文所设计的方法可用于对浮充状态蓄电池的健康监测及预警，但更广范围内的适用性，例如非浮充状态下蓄电池的健康监测及预警，仍需进一步验证。