工業技術研究院 資訊與通訊研究所 何政祐 蔡昀翰

藉由高可靠度儲能感測硬體異常偵測技術，以冗餘感測架構配合異常偵測演算法，將複數獨立電池參數進行特徵比對，可協助儲能系統的安全管理。

前言

節能減碳已是公認的普世價值，我國也完成2025年再生能源政策與2050淨零碳排路徑目標，將加速電動載具的推動以及建置儲能設施克服再生能源產出之不穩定性，增進整體電網的強固力。然而因電池電化學運作複雜性與材料特性，一旦形成熱失控將造成難以撲滅的火災意外。現階段各國的電池相關意外時有所聞，造成民眾強烈的不信任感，使相關能源政策推動上面臨很大阻力。

由於錯誤的電池參數量測數據會造成電池的過充／過放而導致意外的發生，但目前傳統的單一電池參數量測與數值判別方法，並不易判別量測硬體異常所在。為此本文提出儲能感測硬體異常偵測技術，以複數獨立電池參數量測架構配合硬體異常偵測演算法，可正確判定硬體異常成因以確保電池量測數據之可靠性，增進電池系統後續運作管理的正確性。

儲能系統意外與成因

為彌補如太陽能、風力等再生能源大都具有的間歇性產能特性，各國無不努力投入儲能設備的開發導入，藉由各個儲能點當作能源蓄水池以強化整體電網的穩定性。然而儲能系統架構複雜包含電池芯（Battery Cell）、電池模組（Battery Pack）、電池機櫃及電池管理系統（Battery Management System，BMS）、功率調節器（Power Conversion System，PCS）、能源管理系統（Energy Management System， EMS）等部份以至於系統整合難度高，另外巨量電池芯品質控管也是一大挑戰，據統計韓國自2017～2022年間就發生了三十餘起的儲能系統意外[1]以及2021年澳洲特斯拉的大型儲能場域也發生大型火災意外[2]。各地不間斷的儲能意外新聞一直在衝擊著民眾的對於儲能系統的信心，各國政府無不加速訂定儲能安全的相關規範。然就成因分析儲能意外，包含了電池老化或出廠品質問題、電池絶緣失效、電池管理系統與電力轉換系統整合不良等複雜因素，需要可靠的先期異常偵測技術，以避免系統因錯誤判斷進入不可控的地步。

現階段的電池系統異常偵測方法，大都使用電池的電壓、電流及溫度等基本參數來進行特徵判斷，但受限於目前儲能系統之電池管理系統大都為單一感測硬體架構，因此當存在著當電池參數發生感測上的誤差時，因無參考對像數據，系統會難以判斷初期異常的發生和區分異常成因，以確保電池感測資訊的可靠性。而錯誤的電池參數資訊可能會造成電池充放電的誤控制，進而發生熱失控之火災意外。

高可靠度儲能感測硬體異常偵測技術

針對目前儲能單一感測架構難以確保感測資料的可靠性問題，本文將闡述基於冗餘（Redundant）架構之儲能感測硬體異常偵測技術，內容包含「高可靠度儲能感測硬體異常偵測平台」以及「硬體異常偵測演算法」，以進行電池系統異常判斷和提升儲能電池監測數據可靠性，以下為相關部份說明。

高可靠度儲能感測硬體異常偵測平台

基於單一感測的架構，因缺乏參考數據，以至於難以判斷自身量測的誤差與異常的成因。高可靠性儲能感測元件異常偵測平台，透過複數感測架構設計，以獲取獨立之感測資訊進行相互參考比對，並以演算法建立高可靠度之電池參數感測資訊。平台架構如圖1，包含1) 複數獨立連接之電池溫度／電壓／電流參數感測電路，進行互不影響之電池參數感測；2) 複數獨立電池參數監測單元，進行與電池組各感測電路之獨立連接與獨立電池參數監測；3) 電池參數數據分析單元，透過SPI／I2S等通訊協定連接各監測單元取得複數獨立監測資料並以硬體異常偵測演算法，分析監測資訊不合理的狀況，歸納出異常成因以及異常硬體所在，以確定電池參數資訊的可靠性，並傳輸至儲能管理單元之資料庫，使儲能管理系統可以藉此進行正確運作控制。

圖1 高可靠性儲能感測元件異常偵測平台架構

硬體異常偵測演算法

硬體異常偵測演算法是基於複數獨立電池即時監測資訊進行硬體異常判斷，可區分包含無異常、感測硬體異常以及電池本身異常等三種狀態，進而確認量測資訊的正確性，其具體實施流程為圖2所示，其中歷史監測資料分析比對方法包含：

1.電量－電壓參數分析 : 透過目前量測資料與歷史資料之電量電壓資訊，進行相關參數計算比對。若複數量測資料具差異，且有量測資料相關參數差值大於系統設定值，則其對應感測硬體則判定為異常，並進行異常回報。反之若量測資料之相關參數差值小於等於系統設定值，則可判斷為無異常之可靠資料，且進行更新近端歷史資料，並傳輸至遠端管理系統資料庫。另若複數量測資料相同，且相關參數值大於系統設定值，則可判定為電池異常，並進行異常回報，反之若相關參數差值小於等於系統值，則可認定變動程度合乎範圍且判定為無異常，為可靠之電池參數數據，並更新近端歷史資料庫與傳輸至遠端資料庫。

2.充放電曲線特徵分析：方法如圖3所示，透過量測資料與歷史資料的電量（Q）對電壓（V）之充電對應曲線（Raw data），進行dQ／dV的運算，並建立dQ／dV對電壓之對應曲線（Processed data），並透過波峰對齊，進行量測資料與歷史資料曲線比對。若複數量測資料具差異，且有量測資料與歷史資料曲線內數值差大於設定之閥值（Threshold），其對應感測硬體則判定為異常，並進行異常回報，反之可判斷為無異常之可靠量測資料。若複數量測資料無差異，且與歷史資料曲線內數值差大於設定之閥值（Threshold），則判定為電池異常並進行異常回報，反之可判斷為無異常之可靠量測資料，進行更新近端歷史資料庫與遠端資料庫。

圖2 硬體異常偵測演算法流程

圖3 充電資料特徵點分析

透過上述高可靠度儲能感測硬體異常偵測平台與硬體異常偵測演算法的實現，相對於目前一般作法可大幅提升電池參數資訊的可靠度，並具備區分異常資訊的成因；例如：來自電池本身或感測硬體的能力。

結論

受惠於再生能源設施的大量導入，儲能系統的角色日益重要，但由於鋰電池熱失控引發火災的高處理難度，因此對於巨量電池芯組成的儲能系統之初期安全檢測更顯重要，本文闡述之高可靠度儲能感測硬體異常偵測技術，透過冗餘感測架構配合異常偵測演算法，將複數獨立電池參數進行特徵比對，可早期發現感測與監測硬體的異常，以確保電池參數資訊的高可靠性，協助儲能系統安全管理達成防微杜漸之目標。

本研究承蒙經濟部能源局計畫（112-D0603）支持，特此致謝。

參考文獻

[1] BESS Failure Event Database. Available at: https://storagewiki.epri.com/index.php/BESS_Failure_Event_Database
[2] Crews battle Tesla battery fire at Moorabool, near Geelong. Available at:https://www.abc.net.au/news/2021-07-30/tesla-battery-fire-moorabool-geelong/100337488