吉瓦级电化学储能电站信息架构与安防体系综述

李建林，武亦文，王 楠，熊俊杰，马速良

（1. 储能技术工程研究中心（北方工业大学）,北京市 100144；2. 国网综合能源服务集团有限公司,北京市 100032；3. 国网江西省电力有限公司电力科学研究院,江西省南昌市 330000）

0 引言

为响应中国2030 年碳达峰战略和促进清洁电能转型,吉瓦级新能源+电化学储能的发展模式值得重点关注［1］。作为一种灵活的储能资源,电化学储能近年来发展迅猛,已建成多个百兆瓦级示范工程。随着国内吉瓦级电化学储能电站示范项目的确立,中国青海省政府已经与国内相关企业分别签署吉瓦级电化学储能电站战略合作协议,计划在青海格尔木、乌图美仁等多个地区部署1 GW/2 GW·h电化学储能电站,中国山西、福建、河南等地也已经开始了对吉瓦级电化学储能电站建设的探讨并逐渐进入部署阶段。但电化学储能电站的安全始终是制约电化学储能发展的瓶颈。因此,研究吉瓦级电化学储能电站的信息架构与安防体系具有重要意义。

吉瓦级电化学储能电站的信息架构是其安防体系的基础支撑,而安防体系是电站信息架构的数据终端以及整个电站安全稳定运行的保障［2］。吉瓦级电化学储能电站的信息架构要满足其分布式站址的信息传输需求,并能够为安防体系的预警与消防环节提供准确、及时的数据支撑,在提高设备使用效率、运行寿命的同时优化电站经济性与安全性［3］。传统百兆瓦级电化学储能电站规模较小,其数据传输为多个集装箱并行上传至数据中心,数据量较小；由于目前吉瓦级电化学储能电站相关技术尚难以支撑单站规模达到吉瓦级,前期示范工程采用分布式站址,同时需要接受省级调度中心（简称省调）的统一调度,各个百兆瓦级子站需要与省调进行数据交互。因此,吉瓦级电化学储能电站面临两大问题：①单站规模远超目前百兆瓦级电化学储能电站,其信息架构承受的数据量显著增多,在与省调通信过程中,数据传输延迟也将导致省调指令存在偏差；②由于单站规模增大,其安全问题也更为突出,一旦某个集装箱发生火灾,吉瓦级电化学储能电站部分停运将导致严重经济损失。因此,有必要深入研究其安防体系,增强吉瓦级电化学储能电站的安全性。

目前,国内的吉瓦级电化学储能电站示范工程将陆续建成并投运。为推动吉瓦级电化学储能电站信息架构与安防体系的研究发展,本文从通信与监测、状态评估与维护、预警与消防3 个角度进行分析：分析了吉瓦级电化学储能电站的整体信息架构,讨论了在储能电站向吉瓦级规模发展的过程中可能存在的问题及对策；梳理了吉瓦级电化学储能电站状态评估与运维关键技术,剖析了电站状态评估与运维的技术形势；面向吉瓦级电化学储能电站的安防问题,从预警与消防2 个角度分析了故障预警及火灾消防措施,为吉瓦级电化学储能电站安防体系建设提供参考。

1 吉瓦级电化学储能电站信息架构

目前,储能电站单站达到吉瓦级规模技术难度较大,因此在吉瓦级电化学储能电站建设前期,都是以分布式吉瓦级电化学储能电站形式建设示范工程。与传统百兆瓦级电化学储能电站相比,吉瓦级电化学储能电站信息架构具有分布式建设、集中调控的特点。多个百兆瓦级子站在进行站内管控的同时,还需接受省调的统一调度,作为一个整体储能资源为区域电网提供服务。因此,海量数据汇聚于省调部门,省调需要据此判断吉瓦级电化学储能电站整体状态。建设可传输并处理海量数据的电站信息架构,同时提高电站安全性,是吉瓦级电化学储能电站建设面临的严峻挑战。

吉瓦级电化学储能电站的信息架构与安防体系见图1。在集装箱中电池管理系统（BMS）、能量管理系统（EMS）采集、汇集数据后送至调度中心,总站进行电池等关键设备的状态评估,生成对应的预警动作信号、设备维护指令等,指令下发至EMS,控制电池集装箱故障隔离并利用多级消防消除火灾事故,提高吉瓦级电化学储能电站安全性［4］。

图1 储能电站信息与安防架构Fig.1 Information and security architecture of energy storage power station

1.1 吉瓦级电化学储能电站整体信息架构

吉瓦级电化学储能电站子站的规模可达数百兆瓦级别,接受省调的统一调控。一方面,电站整体的运行模式由省调根据当前电力系统运行情况进行调度,相比传统百兆瓦级电化学储能电站而言,子站运行模式难以自主控制,因此电站的信息架构也将相应改变；另一方面,多个子站之间存在相互间通信,因此面临百兆瓦级电站间数据交互、信息共享问题。

吉瓦级电化学储能电站信息架构涉及储能电池、功率变换器（PCS）、站内变压器等电气元件模块以及监控装置、消防装置、电源装置等,而通信系统是各个部件以及站内通信与总站之间连接的桥梁［5］；另一方面,与百兆瓦级电化学储能电站相比［6］,为了集成吉瓦级电化学储能电站,同一区域电网内的百兆瓦级子站数量将明显增多,为保证吉瓦级电化学储能电站接受调度指令的响应速度以及整体性,各个子站之间的信息交互也将更为频繁。

电站规模扩大导致监控对象增多,带来了新的难题：百兆瓦级电化学储能电站仅单个电池堆每秒上行及下行数据就达到数千至上万个,吉瓦级电化学储能电站必然面临海量数据的处理问题；当出现异常,如何在海量电池中定位故障电池,以及在哪个管控层级切除故障电池［7］。针对上述问题,需要对吉瓦级电化学储能电站BMS、PCS、EMS、数据中心等关键组成部分在整体信息架构中的位置、监控功能、职责范围等进行讨论,分析吉瓦级电化学储能电站对信息架构需求,以总结提出可行的技术路线。吉瓦级电化学储能电站的通信结构如图2 所示。

图2 储能电站通信架构Fig.2 Communication structure of energy storage power station

1.2 吉瓦级电化学储能电站关键设备数据

以吉瓦级电化学储能电站的信息架构为监测、控制、告警等数据提供传输通道,因此可以通过分析数据传输的需求及其走向,归纳出电站整体信息架构的不足及改进方法［8］。BMS 汇总统一电池簇内各个电池模组所采集的数据,并内置直接故障隔离功能；同一个集装箱内的BMS 信息在EMS 处汇集并进行简化处理,加大其采样间隔以减小数据量,并对下属BMS 进行控制；最终子站的全部EMS 数据上报数据中心,进行电站级别的整体调度与控制［9］。

1）BMS 监测数据

BMS 对电池单体及电池簇进行监测,在发生异常时及时对电池进行保护。根据《大型电化学储能电站电池监控数据管理规范》［10］及《电化学储能电站用锂离子电池管理系统技术规范》［11］等标准整理出储能电站BMS 数据采集标准,见表1。标准中对BMS 电池监测测点、监测数据类别、采样精度、采样频率等给出建议；同时也对BMS 的功能给出建议,应能够计算荷电状态（SOC）、事件顺序控制（SOE）等状态参数,进行故障诊断及保护,管理电芯过充、过放、过温及不均衡状况并实现统计记录功能。

表1 储能电站BMS 数据采集标准Table 1 Data acquisition standard of BMS for energy storage power stations

目前,国内兆瓦级以及百兆瓦级电化学储能电站的电压及温度采样周期均遵循表1 中要求,青海等部分百兆瓦级电站采样频率可达15 ms/次。在兆瓦级电站向百兆瓦级电站发展过程中,储能集装箱数据量没有明显变化,可以预见,吉瓦级电化学储能电站的集装箱数据量与百兆瓦级储能电站相比将不会出现显著变化。

虽然单个集装箱数据量没有显著变化,但集装箱的数量增长为数据中心的数据汇总带来了很大压力。电化学储能电站集装箱数量随电站容量同比例增长。目前,BMS 之间多使用串行通信,虽然对通信线路要求低,传输速度却很慢,在数据上传中难免出现通信延迟、抢占通信信道等问题,且一旦某个BMS 出现故障,其下顺位的BMS 将无法继续通信；另一方面,十倍于百兆瓦级电化学储能电站的数据量汇集于数据中心,给数据处理、数据记录、设备信息跟踪等重要功能带来了挑战,因此BMS 需要向智能化发展,增加BMS 中的数据处理以及控制功能,尽量减少数据中心中汇总的数据量,以此优化电站数据结构［12］。BMS 是数据采集的终端,也是吉瓦级电化学储能电站监控电池状态的基础设备,其技术发展对电站的安全性以及经济效益具有重要意义。对吉瓦级电化学储能电站BMS 提出以下建议：①优化BMS 上行通信方式,研究并行通信可行性,将每个BMS 作为独立测控终端与上级通信,减少BMS 传输数据时抢占通信信道带来的数据延迟问题；②增加BMS 智能化程度,将低难度的数据处理、逻辑判断及控制功能集成于BMS 之中,可以减少上层数据中心的数据处理压力,优化电站整体数据结构。

2）PCS 运行调度

吉瓦级电化学储能电站中的PCS 是储能电池与电网连接的桥梁,通常多个电池簇挂载在同一PCS 低压直流母线上,根据吉瓦级电化学储能电站不同的应用场景,直接接在交流母线送出或经过变压器升压接入高压交流输电线上传输。

PCS 并网存在2 个主要问题：①吉瓦级电化学储能电站需要多台PCS 并联提高功率转换能力,由于并网时一般采用LCL 滤波器,因此面临谐振尖峰数量增多导致系统失稳的问题［13］；②主流PCS 器件难以精确控制,且PCS 升压能力不足,需要变压器升压才能并入电网。

针对以上问题,可以对吉瓦级电化学储能电站PCS 技术发展方向提出以下建议：①针对吉瓦级电化学储能电站多PCS 并联谐振尖峰问题,可考虑如有源阻尼控制、下垂控制等PCS 控制策略,提高电站并网安全性；②面向未来柔性直流输电的电网发展趋势,可以结合模块化多电平换流器（MMC）等新型技术设立试点集装箱,探索MMC 直接并网的可行性。

3）EMS 数据汇流

EMS 用于信息计算、记录、信息上报及下行指令控制,每个集装箱配备一套EMS。每个集装箱中的EMS 可以对此集装箱数据进行汇总,并与上级通信,将监测数据及电池SOC 等状态估计数据、某些故障发生后BMS 上传的告警信号等上传。吉瓦级电化学储能电站规模较大,因此站内集装箱数量众多,为EMS 同时实现能量管理、策略制定等功能带来压力。而目前国内多数储能电站集装箱的BMS中尚未集成计算、控制等功能,仅供数据的汇总、上传。各集装箱EMS 汇总数据后数据压力大,因此工程应用中EMS 将对数据进行采样,在不影响状态监测的情况下减少数据量。吉瓦级电化学储能电站数据流向如图3 所示。

图3 吉瓦级电化学储能电站数据流Fig.3 Data flow of gigawatt electrochemical energy storage power station

根据GB/T 34131—2017《电化学储能电站用电池管理系统技术规范》［14］,大规模储能电池管理系统应尽量采用多层次结构。但目前EMS 运行压力大,主要因为：目前BMS 集成功能较少,EMS 需要同时进行储能电池的能量管理、电气设备监控等；EMS 还需要管理PCS,制定PCS 动作策略并对其进行控制。为解决上述问题,可以将EMS 功能分散,设立功率管理系统（PMS）进行PCS 策略制定及控制,而EMS 仅负责储能电池能量管理及电气设备监控,保障系统的安全稳定运行。吉瓦级电化学储能电站数据量更大,因此将其控制功能层级化、分散化将有助于减小设备运行压力、提高控制实时性、保障电站安全。

1.3 监控系统

典型大规模电化学储能电站监控系统的通信架构如图4 所示。

图4 储能电站监控系统通信架构Fig.4 Communication architecture of monitoring system for energy storage power station

Q/GDW 1887—2013《电网配置储能系统监控及通信技术规范》［15］中规定,大规模电化学储能电站监控系统分为站控层、间隔层和过程层。其中对于监控系统整体可靠性指标以及实时性指标的要求如表2 所示。

依据表2 中要求,可以在不同层级选择以太网、控制器局域网络（CAN）总线、RS485总线这3 种组网方式,不同层级组网方式的选择应综合考虑传输距离、传输速率等因素。以太网是一种传输距离远、传输速率快的组网方式,其安全性能也较好,但远距离传输时成本较高,且对环境要求很高,因此仅适用于站控层内部及对外通信,在环境较好的就地监控系统中也可以使用。以太网支持IEC 61850 通信协议；CAN 总线具有良好的环境适应性,同时成本低,长、短距离传输性能均较为优异,但由于其传输方式为半双工,主要在间隔层及过程层之中使用；RS485总线在从站通信异常时将影响下一从站通信,且节点上只能有一个数据发送端,因此,将RS485 总线用于监控终端的动作信号及响应信号传输,以及PCS 与电池堆之间的指令传输。

表2 储能系统可靠性与实时性指标Table 2 Reliability and real-time indexes of energy storage system

吉瓦级电化学储能电站EMS 需要处理海量数据,但通过控制采样频率可以控制其数据量。当数据汇总于站内的数据中心,多维度、多样化、巨大数据量将给吉瓦级电化学储能电站的EMS、储能数据中心信息处理能力带来巨大考验。因此,针对吉瓦级电化学储能电站数据量庞大、设备维护难的问题,有必要建立基于大数据的储能监控云平台,根据用户不同的工作负载进行动态的资源调整［16］。其主要服务包括“基础设施即服务（infrastructure as a service,IaaS）”“平台即服务（platform as a service,PaaS）”“软件即服务（software as a service,SaaS）”3 种功能。吉瓦级电化学储能电站大数据云平台架构如图5 所示。

图5 储能电站大数据云平台架构Fig.5 Architecture of big-data cloud platform for energy storage power station

利用云平台IaaS 可以对吉瓦级电化学储能电站数据监测、告警等实时性要求高的数据进行处理,将计算设备、网络设备、存储设备等基础设施进行虚拟化并封装,以便数据的计算、估计、拟合等；利用云平台PaaS 对数据进行计算以及深度挖掘。使用云平台提供的服务进行吉瓦级电化学储能电站的数据处理,比起EMS 和数据中心等的数据处理能力,云平台可调用动态资源空间,因此实际应用中占用内存过大的估计、预测等算法均可以使用,能够增加数据处理精度及准确性；利用云平台SaaS 可以优化调度中心业务处理,利用云平台数据空间大的特点,建立吉瓦级电化学储能电站设备全寿命周期数据库,追踪设备的出场数据、运行时长、折损情况等,便于数据预测及预警、运行及设备维护检修等计划的制订。

吉瓦级电化学储能电站的信息架构为应对大数据量、更低时延的要求,应基于现有标准规范,在保障信息安全性与传输稳定性的前提下,对数据进行精简处理。同时,可探索具有更高性能的数据传输技术,建立结构更合理、精确性及实时性更高的吉瓦级电化学储能电站信息架构。

2 吉瓦级电化学储能电站状态评估及运维

吉瓦级电化学储能电站监控系统采集储能电池的电流、电压等状态信息,巨大的数据量要求必须借助明确、有效的快速数据决策方法,因此需要建立数据评价指标体系,依据评价指标体系评估吉瓦级电化学储能电站运行状态,针对吉瓦级电化学储能电站的不同运行状态给出调度、检修、告警等指令。然而,如储能电池SOC［17］和储能电池健康状态（SOH）2 种最为关键的储能电池状态量无法直接测量得到,因此需要使用参数整定方法结合改进卡尔曼滤波算法对它们进行估计。

2.1 吉瓦级电化学储能电池状态估计

SOC 与SOH 联合估计流程如图6 所示。

图6 SOC 与SOH 联合估计流程图Fig.6 Flow chart of joint estimation of SOC and SOH

目前,对于电池SOC 与SOH 的估计主要分为独立估计与联合估计。其中,独立估计在对其中一个参数进行估计时忽略另一参数对其的影响,在前一参数确定后估计另一参数。文献［18］使用开路电压法计算电池SOC,之后使用SOC 对SOH 进行估计,此方法较好地减小了电池模型非线性带来的估计误差,但未考虑SOH 变化给SOC 估计带来的误差。文献［19］采用拓展卡尔曼滤波对SOC 进行估计,然后利用拟合算法获得内阻,从而对SOH 进行估计,同样未考虑SOH 与SOC 之间的耦合关系,从而引入了估计误差。独立估计方法计算结构简单,但其缺点在于忽略了SOC 与SOH 之间的耦合关系,预测精度下降。

联合估计考虑SOC 与SOH 之间的耦合关系,建立了SOC 与SOH 之间的联合模型,在SOC 与SOH 的每次计算中都考虑对方带来的影响,将对方当作变化的参数进行估计。其中,依赖模型的SOC与SOH 估计使用双观测器实现二者的估算,并在估算过程中相互迭代。文献［20］使用在线自适应电路模型,通过卡尔曼估计电池SOC,最小二乘法观测电池容量,二者集成以联合估算。虽然学者们不断提出新型算法及改进观测器提高模型法精度,电池模型的不准确仍旧制约其精度；基于数据驱动的联合估计模型可以回避电池建模误差,文献［21］利用非线性自回归神经网络实现SOC 与SOH 的联合估算,避免了电池建模误差的同时考虑了SOC 与SOH 的耦合关系,在计算的速度与精度之间取得了较好的平衡。

电池SOC 和SOH 的估计需要较高的算法精确度,而状态估计的准确性将影响储能电池运行的短期以及长期效益。由于联合估计计算量较大、过程误差难以把控,因此对于百兆瓦级在数据中心设备能够支撑的情况下,应尽量采用基于数据驱动的联合估计方法,令SOC 和SOH 在估计过程中相互耦合,提升估计准确性。

2.2 吉瓦级电化学储能电站评价指标

通过可测量状态量对储能电站的电池模组、电池簇、电池堆甚至电站整体SOC 以及电芯SOH 进行精确估计后,可以根据可测量状态量及不可测量状态量制定吉瓦级电化学储能电站指标体系,以指标体系规范电站的运行与管控,指导设备的检修和维护。吉瓦级电化学储能电站评价指标见图7。

图7 吉瓦级电化学储能电站评价指标Fig.7 Evaluation indexes of gigawatt electrochemical energy storage power station

指标大致可分为依据可测量状态量制定的指标以及依据SOC 及SOH 此类不可测量状态量所制定指标。其中,SOC 代表电化学储能电池模块短期充放电能力,可以量化电化学储能电站剩余能量。SOH 代表储能电池长期充放电能力,可以定量描述吉瓦级电化学储能电池各电池模组老化情况,可以直观地体现储能电池各参数的变化情况。

除了SOC 和SOH 两个最关键的储能电池性能指标外,可测量状态量的组合亦能够反映电池模组的运行状态。由图7 可见,各个可测量状态量可以反映吉瓦级电化学储能电站电池模组的运行状态,计算简单且占用运行内存少,可以集成于BMS 或EMS 用于超快速异常判断及故障隔离。由表3 可以看出,建立规范的电化学储能电站评价指标体系可以及时发现过充、过放等电池异常状态,并且能够有效预防小型故障的发生,防止电池模组及电池簇异常状态发展为大型事故［22］。目前国内的储能设备暂无统一标准,电池集装箱型号、结构、消防标准等均不相同。因此,吉瓦级电化学储能电站应建立并严格遵守通用的指标体系,在故障发生前阻止其继续发展,才能在不干扰吉瓦级电化学储能电站的整体或局部运行的前提下,及时有效排除可能发生的电气设备故障。

表3 评价指标分析Table 3 Analysis of evaluation indexes

2.3 吉瓦级电化学储能电站设备维护

吉瓦级电化学储能电站规模庞大,其设备安全性极其重要。通过建立评价指标体系的方法可以显著提高电化学储能电站的安全性、规范性和可靠性［23］,但随着吉瓦级电化学储能电站的持续运行出力,设备将自然老化及性能下降［24］,因此有必要制定合理且实用的检修计划,保障电站关键设备维持良好性能。

传统的兆瓦/百兆瓦级电化学储能电站使用“计划检修+事后检修”模式,不同的时期制定不同的检修计划。当前新能源并网占比显著提升且未来很长时间提升趋势不会降低,电网的随机性与波动性将有所增加,电化学储能电站的运行工况也面临着较大的不确定性。传统周期检修方法无法将设备的历史运行状态以及当前健康状态纳入考虑因素。周期检修方法根据当前不同的季度及运行情况,设置固定的检修周期。此方法可以对设备进行规律性的检查与维修,但对设备的管理较差,设备检修时可能发生档期冲突,同时对设备的故障判定条件也难以设定。对吉瓦级电化学储能电站而言,周期检修方法可以作为设备维护的后备保障,但不能仅依靠周期检修方法保证设备的安全性。

事后检修是一种不具有超前性的事故弥补措施,当设备已经发生故障后对设备进行检修与维护,而无法响应设备状态告警信号。故障发生后设备的检修维护非常必要,其响应时间应尽量短,才能将故障的影响降至最低。

文献［25］以设备超负荷情况作为判断依据,动态调整设备维护开始时间,有效地防止了设备超负荷运转,但未考虑维护时间对下一层级调度的影响。文献［26］在传统模型的基础上建立了以维护时间最短为约束的维修模型,但未考虑维修时间改变对设备轮换以及故障应急的影响；文献［27］利用粒子群算法优化储能电站的检修周期,在保证电站运行可靠性的基础上进行了经济性寻优,但粒子群算法寻优易陷入局部最优解,实际应用中存在一定问题。

目前,针对检修周期的优化算法仍在不断发展,但吉瓦级电化学储能电站面临着海量电芯带来的超大数据量,使得已有的检修周期制定策略均出现了一定的局限性。因此,吉瓦级电化学储能电站的检修计划制定需要结合新兴技术,制定具有实时性的检修策略。借助储能大数据云平台,可以对设备进行全寿命追踪,还可以借助云平台强大的数据处理能力进行数据特征挖掘与计算,一旦发现某设备出现故障前兆或其故障可能性过高,可立即安排检修计划,通过持续的提前检修保证设备运行在良好状态；同时应结合运行数据及其关键设备全寿命周期状况,借助云平台高精度风险评估结果,细化检修目标至设备具体部位,减小检修工作难度和耗时的同时避免不同设备同期出现问题导致工作人员档期冲突、人力资源不足。

吉瓦级电化学储能电站的状态评估及运维技术应统筹考虑,对设备的状态评估需保证精确性、低时延、低计算量,以精确的评价指标体系保证准确无误的控制与状态监测。分布式吉瓦级电化学储能电站的评价指标与传统百兆瓦级电化学储能电站相比差别不大,但在精确度与计算速度方面存在改进空间；设备维护方面应保留事后检修模式及计划检修模式,探索实时检修的可行性以及对应技术方案。储能大数据云平台等新型技术可以作为吉瓦级电化学储能电站状态评估及运维技术的发展方向,其海量的计算资源以及强大的数据处理、计算能力契合吉瓦级电化学储能电站需求,具有实际应用的潜力。

3 吉瓦级电化学储能电站故障预警与消防

吉瓦级电化学储能电站的信息架构不仅用于制订运行、检修计划等,还是电站安防体系的重要基础。由于吉瓦级电化学储能电站规模庞大,设备众多,给故障预警以及火灾消防的控制带来了阻碍。虽然单个分布式子站采集数据量并未上升,但其运行计划受省调控制,根据区域电网运行状况灵活改变,子站的运行模式将更为灵活。面对这种情况,储能电池的运行状态改变将更为频繁,其承受的压力以及损耗也将变大,因此需要依托更为精确、数据承受能力更强的吉瓦级电化学储能电站信息架构,利用高精度、低延迟的预警与消防技术提高电站的安全性。

吉瓦级电化学储能电站的故障可大致分为2 类：一类为电池过充、过放导致的电流、电压过高,此类故障易于发现,且通过切断线路等手段可以完成隔离；另一类即电池热失控。电池热失控是一种不可阻断的故障,当热失控发生时,虽然BMS 能够立刻切断电池模块或电池簇两端电流,但热失控已经无法自发停止,同时链式反应将导致周围电池温度越过热失控阈值,发生连锁反应［28-29］。一旦火焰蔓延到集装箱规模,则只能向集装箱灌水,整个集装箱将被废弃。可见,吉瓦级电化学储能电站的安全防护必须在电池温度升高到阈值前监测其异常并动作,尽可能提前监测到热失控故障的发生［30］。故障消防与预警流程如图8 所示。

图8 消防与预警流程Fig.8 Fire fighting and early warning process

3.1 故障预警技术

百兆瓦级电化学储能电站利用站控中心的数据计算、处理功能对设备异常状态进行检测。而对于吉瓦级电化学储能电站而言,其站内故障仍由站内数据中心进行计算与处理,但各个分布式子站数据需要上传至省级调度部门进行统一管理,虽然数据上传过程需要一定时延,难以由省调对各个子站形成统一的实时监管,但有利于设备全寿命跟踪信息的校正,可以建立吉瓦级电化学储能电站的镜像电站或利用大数据平台技术对各个设备的运行状态进行仿真形式的跟踪,以便发现设备的异常运行数据。另一方面,对电池模组内部温度进行检测的方式无法在所有电芯处布置测点,典型电池模组内仅布置4 到6 个测温点,对电芯局部故障发热的监测存在局限性。烟雾探测器只能检测空气中烟雾浓度,而当电池包内部已经鼓胀导致破裂后,电池火灾已经蔓延开来。因此,吉瓦级电化学储能电站的故障预警技术仍需要向全方位、低延迟、高精度的方向进一步发展。

现有的故障预警技术可以根据其对故障事件判断原理不同分为2 类：利用经验进行预警以及利用模型进行预警。基于经验的预警方法利用专家给出的意见,结合模糊的方法为故障因素主观赋权,建立故障风险模型。文献［31］使用主成分分析及聚类分析对历史火灾形势数据进行了分析,较好地总结出了火灾特征状况,但没有考虑分级之间的模糊化。文献［32］使用层次分析法建立了综合考虑多安全因素的风险评价模型,但是也没有考虑分级之间模糊化问题。文献［33］利用多位专家给出的火灾预警因素计算阈值,使用模糊聚类建立火灾风险评估模型,此方法具有较高的数据分类识别精度,结果划分较为明确,但较为依赖隶属度阈值选择的精确性。为解决阈值依赖问题,提高阈值的精确性,文献［34］利用模糊层次分析法对专家评分进行模糊化处理,使得层次分析法中阈值的精确度提高,使其具有更高的故障筛选与分级精度。

基于模型的预警方法根据对正常运行数据的预测与实际运行数据的残差判断［35-36］,残差过大说明实际运行数据发生故障。非线性状态估计技术（NSET）是一种典型的残差预警方法。文献［37］使用NSET 对风电机组齿轮箱温度进行监测,建立了正常运行时的记忆矩阵,可预测正常运行时的数据,因此当输入故障数据时输出结果将发生变化。此类方法模型简单且判断速度快,但对于记忆矩阵中不包含的数据特征无效,因此对于训练数据的全面性要求较高。神经网络是近年来兴起的黑箱建模方法,通过训练多层神经网络参数来预测数据。文献［38］使用径向基函数（RBF）神经网络对风电机组变桨系统进行故障预警,使用滑动窗口模型减小外界干扰导致的误告警,使用核密度估计法估计异常状态阈值,可以有效地在故障前提前预警；文献［39］使用广义回归神经网络判断风机故障,基于小概率事件假设计算置信上限作为阈值,利用滑动窗模型判断故障发生。可看出,基于模型的预警方法均要求提前训练好包含正常运行状态信息的数据模型,且其数据模型对于预警效果影响很大；另一方面,其数据模型的建立需要较为全面的正常运行数据,训练样本较大为宜。

基于模型的预警技术还包括镜像电站技术。通过仿真建立吉瓦级电化学储能电站模型,按照真实的电站并网电压、需求功率等建立模型。在吉瓦级电化学储能电站运行时同步运行镜像电站,由于镜像电站是完全基于数学表达所得到的模型,因此不存在误差影响。一旦吉瓦级储能电站电流、电压、温度等数据出现偏差,其与镜像电站状态量残差增大,超过阈值后判定为故障。此类模型精确度高,对电站下一刻状态预测更为精确,但模型建立困难,目前仍处在研究阶段,尚无法投入实际使用。

目前,已有的故障预警方法各有优劣,需要视具体情况选用［40］。对于吉瓦级电化学储能电站而言,其故障预警方法要求能够处理超大数据量,并且要预先探测出故障的发生,因此可选用基于模型的预警方法,使用群优化算法、梯度下降算法及神经网络的反向传播优化其模型参数,在保证计算速度的同时提升预警精确度；另一方面,加大如镜像电站等新型技术研发力度,优化预警方法与促进技术成熟并重,提高吉瓦级电化学储能电站的安全性能。吉瓦级电化学储能电站故障预警环节如图9 所示。

图9 储能电站故障预警Fig.9 Fault early warning of energy storage power station

3.2 基于信息架构的消防体系

储能电站典型消防报警设计参照《火灾自动报警系统设计规范》［41］,注重于温度感应与烟雾探测器探测故障,这种报警方式属于电池热扩散事故发生之后的报警,其参考建筑类火灾自动报警系统的设计方案并不适用于储能电池热失控早期预警。而一旦热失控发生,电池热失控超过阈值温度后即使切断电流仍然会继续发展,最终导致冒烟、燃烧或爆炸事故。因此,在提高预警方法准确性与正确率的同时,还应建设吉瓦级电化学储能电站多级消防体系,通过多层的消防体系保障储能电站的消防安全。

由于吉瓦级电化学储能电站设备众多,一旦发生电池集装箱火灾等较为严重的故障,导致储能电站部分停运,不但会造成子站的经济损失、人员受伤,还会导致分布式吉瓦级电化学储能电站的整体运行情况被打乱,省调部门的统一调度出现混乱,从而影响区域电网的安全稳定运行［42］。因此,为满足吉瓦级电化学储能电站对安全性能的高要求［43］,应增加电站安防体系的冗余度,将储能电站的消防措施分为多级布置,包括电池模组灭火环节、电池柜灭火环节、电池集装箱灭火环节,通过信息上传渠道与信息架构对接,对设备进行实时监测,通过三级消防措施保护储能电池集装箱,尽可能缩小灭火导致的电池损坏的范围,减小火灾经济损失［44-45］。目前技术较为成熟的几种灭火剂效果对比如表4 所示。

表4 不同灭火剂效果对比Table 4 Comparison of effects of different fire extinguishing agents

国内已有许多锂电池火灾方面的研究。初期对锂离子电池火灾灭火剂研究探索后发现ABC 干粉、七氟丙烷、水等均能在锂电池火灾中有效灭火,其中水对于抑制温升效果最佳。由BMS 对电池状态进行监测,并在电池发生超温、过流、过压、欠压等故障时采取对应策略；当BMS 控制的通风、跳闸、空调等方式没有明显效果,储能电池集装箱发生火灾后或热失控特征气体传感器报警后,火灾报警联动控制系统动作,灭火装置启动对火灾集装箱进行灭火。

目前,储能电站消防所采用的标准一般为电气设备火灾消防标准,但储能电池火灾具有易复燃的特点,火灾首次熄灭后数分钟之内均存在复燃风险；已有的对储能电池电、热、机械滥用实验发现,电池火灾在开放空间内难以熄灭,当火焰蔓延至电池柜后已经难以抑制,仅有集装箱注水可取得较好效果；从吉瓦级储能电站的成本方面考虑,尽可能缩小火灾范围、减少对于相邻设备的影响,是降低火灾经济损失、提高安全性的根本措施。为解决上述问题,给出一种吉瓦级电化学储能电站三级消防体系,见图10。

图10 储能电站三级消防体系Fig.10 Three-level fire fighting system of energy storage power station

通过电池模组级、电池柜级、电池集装箱级的多级消防措施,可以提高储能电站的安全裕度；气溶胶等新型灭火剂体积小,适合模组内灭火,传统的七氟丙烷、细水雾等灭火剂可用于抑制电池柜火焰,但需要配合密封结构降低相邻设备损坏风险,而集装箱注水是最终保障,吉瓦级电化学储能电站每个集装箱均应具备注水孔,防止发生大规模安全事故。

吉瓦级电化学储能电站的信息架构是其安防体系的基础,而安防体系是整个电站的安全保障。通过预警加三级消防的安防体系,各级措施冗余且通过信息架构互补互联互通,可以保证电站具有较好的安全稳定性。同时,许多精确度更高且计算量低的预警技术以及低成本、有实效的新型消防手段不断涌现。各种新型技术手段的效果经过实测后,在技术成熟可以嵌入安防体系中,提高吉瓦级电化学电站的安全性。

4 结语

本文从吉瓦级电化学储能电站的数据监控体系、状态评估技术以及预警消防机制3 个角度对其运维与管控技术进行剖析,得出如下结论和建议。

1）吉瓦级电化学储能电站的信息监测体系应遵循层次化结构和数字化管理。建设分布式BMS 和EMS 汇聚至站内数据中心或云端数据中心统一监测管控的多层次信息体系,降低数字监控体系的传输时延,提高数据有效性是保障吉瓦级电化学储能电站数字化可视交互、智慧化运营管理的实践基础。

2）吉瓦级电化学储能电站运维管控技术呈现出精密化评估以及智能化决策的发展趋势,众多新型技术中,基于数据-模型混合驱动的状态估计算法具有强稳健性、高准确性、低复杂度的特点,是提升电站智能化、精密化的有效手段,也是建立设备状态决策平台的关键技术。

3）吉瓦级电化学储能电站的安防体系需采用多级冗余互补设计。高预见性、低时延的潜在风险预警保护策略,配合电池模组-柜体-箱舱多层级结构、细水雾-气溶胶-水淹等多灭火方式的安防体系是电站可靠安全运行的重要保障。

感谢国网江西省电力有限公司项目（52182021001F）对本文研究工作的支持。