技术领域
[0001] 本
发明属于储能产品安全领域，尤其是涉及一种储能产品的安全性能评价方法。
背景技术
[0002] 中国是世界第一大储能产品的生产国，据统计目前全世界约50％以上的储能产品产自中国，占全世界产量的二分之一强。高工锂电产业研究所(GBII)调研显示，2012年中国新
能源汽车、
电网储能、通信基站等领域的成品锂
电池组市场规模同比增长34.6％；其中，中国企业应用于国内外通信基站的锂电池市场规模更是增长了100％。储能产品作为人们日常工作、生活中频繁使用的机电产品，近几年，储能产品在化学结构上不断改进，化学性能不断提高，例如，提高了储能产品的容量和放
电能力等，以满足以储能产品为电源的新型用电器具技术发展的需要，不断有新型号、新规格储能产品出现，储能产品的安全问题也日益突出。每年因其具有的人身、健康、环境危害等特性，发生的火灾爆炸、血铅中毒、
水与
土壤环境污染等事故曾出不穷。
发明内容
[0003] 有鉴于此，本发明旨在提出一种储能产品的安全性能评价方法，对储能产品的重点安全因子进行调研和筛选，利用多种新型传感检测技术，高灵敏实时地采集不同重点安全因子数据信息，并结合各类储能产品自身特性，通过对现有结果信息及传感检测信息的分析、拟合，建立针对典型储能产品的性能安全识别模型，通过模拟分析制定储能产品的安全性级别，形成性能安全识别与
风险防范评价系统。
[0004] 为达到上述目的，本发明的技术方案是这样实现的：
[0005] 一种储能产品的安全性能评价方法，包括以下步骤：
[0006] 第一步为重点安全因子的筛选及现有安全检测结果信息采集：
[0007] 主要集中在与储能相关的各类器材的安全性信息的收集
整理和获取；
[0009] 针对不同储能产品的重点安全因子，采取不同传感技术进行重点因子安全数据采集，用分类检测的手段针对不同安全因子进行相关产品的传感测试；
[0010] 第三步为数据分析及安全识别模型的建立：
[0011] 该阶段首先将现有安全检测的实验结果和传感数据进行处理与去噪，然后运用“
人工神经网络系统”、“稀疏核相关向量机”、“隐
马尔科夫模型”、“线性动态系统”等现代数据分析方法，建立安全因子对储能产品安全性影响的数据模型，通过k-折叠交叉验证法方法对模型可靠性进行验证，利用所建立模型模拟检测分析储能产品安全性能，测试结果与现有试验方法进行比对，验证模型的功效；
[0012] 第四步为基于安全识别模型的模拟检测与风险防范：
[0013] 主要通过对储能产品安全性试验过程中大量传感数据的采集，建立模拟安全实验
数据库，并将安全识别模型应用到储能产品安全性实验过程中，对可能存在的风险进行预警和防范。
[0014] 进一步的，第一步中信息的来源主要侧重于以下三方面：
[0015] a、根据储能产品的种类，分别对可能其存在的安全性危害进行分类；
[0016] b、对储能产品安全性危害的原理进行分析和推导，对可能产生危害结果和程度进行预判和评估；
[0017] c、通过总结现有各类储能产品的安全性试验标准，确定实验过程中重点关注信息及数据采集方法；储能产品包括一次电池、二次电池和铅酸
蓄电池。
[0018] 进一步的，第一步中a步骤所述的储能产品安全性危害包括变型、泄露、击穿、起火和爆炸。
[0019] 进一步的，第二步中传感测试包括以下三种检测：
[0020] a、
电流检测：通过霍尔电流
传感器进行非
接触式测量；
[0021] b、
温度检测：通过红外热成像传感装置，对涉及电池温度变化的检测项目进行
可视化传感分析，测试电池热量变化，通过红外热成像图，直观区分电池不同部位的热量变化，避免因测温点不同引起的检测结果差别；
[0022] c、结构形态变化：针对各种涉及电池物理形态变化的重物冲击、振动、碰撞、自由跌落、
挤压电芯检测项目，采用
X射线、
超声波传感检测，通过成像设备将传感
信号转换为电池的内外部物理结构形貌，通过连续传感数据采集转换，分析各种检测项目过程中电池的物理结构形貌变化，从而判断其安全性能。
[0023] 进一步的，第二步中a步骤所述的霍尔传感器前加入一级放大
电路，实现对不同类型及容量电池的传感检测。
[0024] 进一步的，第三步中
数据处理方法主要包括内容：
[0025] a、通过以储能产品特征，参数，及安全性实验过程中安全因子作为模型输入向量，运用3层反向传播人工神经网络方法，对2007-2012年天津局工业品中心机电实验室的大量电池安全性检测试验数据进行训练和验证，经过SAS
软件进行大量
迭代运算，建立储能产品的材质、技术参数、各类安全因子对其安全性能影响的数据模型；
[0026] b、引入相关向量机，基于连续稀疏贝叶斯学习
算法建立相应的安全识别模型；
[0027] c、为处理为实时动态测量数据的传感数据，对数据中的时间相关性，引入隐马尔科夫模型及线性动态系统,使用Viterbi算法建立即时传感数据对于安全性影响的智能模型；
[0028] d、为进一步验证上述三个模型的可靠性，运用传统的k-折叠交叉验证验证方法对上述模型可靠性进行验证，选取误差最小的模型作为安全因子对储能产品安全性影响的数据模型；
[0029] e、通过大量实验验证，进一步比较模型预测结果与实际结果的一致性，评估模型功效，完善模型的准确性。
[0030] 相对于
现有技术，本发明所述的储能产品的安全性能评价方法具有以下优势：
[0031] 对储能产品如
铅酸蓄电池，二次动力锂电池，
燃料电池的重点安全因子进行调研和筛选，利用多种新型传感检测技术，高灵敏实时地采集不同重点安全因子数据信息，并结合各类储能产品自身特性，通过对现有结果信息及传感检测信息的分析、拟合，建立针对典型储能产品的性能安全识别模型，通过模拟分析制定储能产品的安全性级别，形成性能安全识别与风险防范评价系统，填补国内空白，其有益效果可应用于储能产品生产、储运和管理各个环节，以全面推动我国储能产品的开发和产业的升级换代。
具体实施方式
[0032] 在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
[0033] 本发明主要针对电池类储能产品进行研究，主要研究对象如下
[0034] ①一次电池：主要包括如普通锌锰电池，
碱性锌锰电池，锌-
氧化汞电池，锌-氧化
银电池，锌-空气电池，锂电池(锂-二氧化锰、锂-硫化
铜、锂-氟化
碳、锂-二氧化硫锂-亚硫酰氯等)等，
[0035] ②二次电池：主要包括
锂离子电池(液态锂离子电池、
聚合物锂离子电池)、镉镍电池、氢镍电池等。
[0036] ③铅酸蓄电池：主要包括起动用铅酸蓄电池；动力用铅酸蓄电池；固定型
阀控密封式铅酸蓄电池和其它类包括铅酸蓄电池等
[0037] 本发明主要包括以下四个步骤：
[0038] 第一步重点安全因子的筛选及现有安全检测结果信息采集：
[0039] 主要集中在与储能相关的各类器材的安全性信息的收集整理和获取。其信息的来源主要侧重于以下几个方面：
[0040] ①根据储能产品的种类，分别对其可能存在的安全性危害(如变型、泄露、击穿、起火、爆炸等)进行分类；
[0041] ②对储能产品安全性危害的原理进行分析和推导，对可能产生危害结果和程度进行预判和评估；
[0042] ③通过总结现有各类储能产品的安全性试验标准，确定实验过程中重点关注信息及数据采集方法。
[0043] 第二步为重点安全因子传感数据采集：
[0044] 针对不同电池的重点安全因子，采取不同传感技术进行重点因子安全数据采集；用分类检测的手段针对不同安全因子进行相关产品的传感测试。
[0045] 针对跌落、挤压、针刺、过度充放电等现有测试方式，采用新型传感技术(如霍尔元件电磁传感检测、红外遥感温度测试、X射线物理形貌分析、
超声波损伤实时探测等)，对检测目标的电流、
电压、温度、形变、损伤等因子进行传感测试，提高测试精确度、量化测试结果，研究不同传感技术对电池安全性检测结果的一致性。
[0046] 针对不同安全因子，拟通过不同传感检测方式建立传感检测方法：
[0047] ①电流检测：通过霍尔电流传感器进行非接触式测量。根据需要可以为霍尔传感器加入一级放大电路，实现对不同类型及容量电池的传感检测。
[0048] ②温度检测：通过红外热成像传感装置，对涉及电池温度变化的检测项目(如充放电测试)进行可视化传感分析，不仅测试电池热量变化，而且通过红外热成像图，直观区分电池不同部位的热量变化，避免因测温点不同引起的检测结果差别。
[0049] ③结构形态变化：针对各种涉及电池物理形态变化的重物冲击、振动、碰撞、自由跌落、挤压(电芯)等检测项目，采用X射线、超声波等传感检测，通过成像设备将传感信号转换为电池的内外部物理结构形貌(如锂电池正负极
位置)，通过连续传感数据采集转换，分析各种检测项目过程中电池的物理结构形貌变化，从而判断其安全性能。
[0050] 第三步为数据分析及安全识别模型的建立：
[0051] 该阶段首先将现有安全检测的实验结果和传感数据进行处理与去噪。然后运用“人工神经网络系统(artificial neural network)”、“稀疏核相关向量机(Sparse Kernel Relevance Vector Machine)”、“隐马尔科夫模型(Hidden Markov Model,HMM)”、“线性动态系统(Linear DynamicalSystem)”等现代数据分析方法，建立安全因子对储能产品安全性影响的数据模型。通过k-折叠交叉验证法(k-fold cross-validation)等方法对模型可靠性进行验证。利用所建立模型模拟检测分析储能产品安全性能，测试结果与现有试验方法进行比对，验证模型的“功效”。主要内容包括：
[0052] ①通过以储能产品特征，参数，及安全性实验过程中安全因子作为模型输入向量，运用3层(22×5×1)反向传播(back-propagation)人工神经网络方法，对2007-2012年天津局工业品中心机电实验室的大量电池安全性检测试验数据进行训练和验证，经过SAS软件进行大量迭代运算，建立储能产品的材质、技术参数、各类安全因子对其安全性能影响的数据模型；
[0053] ②由于人工神经网络系统方法在模型建立过程中可能出现“过学习”及模型难以解释的问题，同时其对样本需求量较大。对此通过前期对安全因子作用原理的调研，构建合理的核方程(Kernel Function)，同时为了避免训练和预测过程中的运用时间过久问题，引入相关向量机(Relevance VectorMachine)，基于连续稀疏贝叶斯学习算法(Sequential Sparse BayesianLearning Algorithm)建立相应的安全识别模型；
[0054] ③由于传感数据多为实时动态测量数据，对数据中的时间相关性，引入隐马尔科夫模型及线性动态系统(Linear Dynamical System),使用“Viterbi”算法建立即时传感数据对于安全性影响的智能模型；
[0055] ④为进一步验证上述三个模型的可靠性，运用传统的k-折叠交叉验证(k-fold cross-validation)等验证方法对上述模型可靠性进行验证，选取误差最小的模型作为安全因子对储能产品安全性影响的数据模型；
[0056] ⑤通过大量实验验证，进一步比较模型预测结果与实际结果的一致性，评估模型功效，完善模型的准确性。
[0057] 第四步为基于安全识别模型的模拟检测与风险防范：
[0058] 本阶段主要通过对储能产品安全性试验过程中大量传感数据的采集，建立模拟安全实验数据库，并将安全识别模型应用到储能产品安全性实验过程中，对可能存在的风险进行预警和防范。
[0059] 以上所述仅为本发明的较佳
实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。
