CN108445410A - 一种监测蓄电池组运行状态的方法及装置 - Google Patents

Abstract

本发明介绍了一种监测蓄电池组运行状态的方法及装置，该方法包括：获取待监测蓄电池组的当前监测数据；获取所述待监测蓄电池组的设定时间段的历史监测数据，并根据所述历史监测数据，利用机器学习算法建立运行状态分析模型；根据所述当前监测数据，利用所述运行状态分析模型，分析出所述待监测蓄电池组的运行状态。本发明能够及时发现或预判蓄电池组的异常或故障，提高蓄电池组的运行稳定性、安全性和可靠性。

Description

一种监测蓄电池组运行状态的方法及装置

技术领域

本发明涉及动力环境设备运行状态评估领域，尤其涉及一种监测蓄电池组运行状态的方法及装置。

背景技术

作为动力环境的重要组成部分，蓄电池组是为数据中心、工业中心等设备提供后备电力支持的重要设备。由于规模较大的数据中心、工业中心蓄电池系统的管理人员常常管理着成百上千的蓄电池，实时的掌握所有蓄电池的运行状态是非常困难的，而当蓄电池系统出现异常或故障时，可能会对其所支撑的业务造成较大的影响。因此，快速、高效的确定蓄电池的运行状态，对蓄电池组进行运行状态分析是数据、工业中心高效运行、业务不间断、整体高可用的迫切需求。

目前，蓄电池组状态检测时，通常需要停止整个蓄电池组的运行，操作人员携带蓄电池检测仪对整个蓄电池组的蓄电池依次进行充放电检测等操作，通过计算蓄电池剩余容量来判断蓄电池状态。这种检测方法的检测时效性差、效率低下、成本较高且会造成蓄电池组停止运行等后果。

发明内容

本发明的主要目的在于提出一种监测蓄电池组运行状态的方法及装置，能够及时发现或预判蓄电池组的异常或故障，提高蓄电池组的运行稳定性、安全性和可靠性。

为实现上述目的，本发明提供了一种监测蓄电池组运行状态的方法，所述方法包括：

获取待监测蓄电池组的当前监测数据；

获取所述待监测蓄电池组的设定时间段的历史监测数据，并根据所述历史监测数据，利用机器学习算法建立运行状态分析模型；

根据所述当前监测数据，利用所述运行状态分析模型，分析出所述待监测蓄电池组的运行状态。

可选的，所述获取待监测蓄电池组的当前监测数据，包括：

分别获取所述待监测蓄电池组中的各个监测点的当前监测数据；

对各个监测点的当前监测数据进行预处理操作，并将预处理操作后的各个监测点的当前监测数据存储到预设数据库中。

可选的，所述当前监测数据包括：标签数据和特征数据；

所述预处理操作至少包括以下之一：数据清洗处理、去噪处理、数据插值处理、时间轴对齐处理。

可选的，所述获取所述待监测蓄电池组的设定时间段的历史监测数据，并根据所述历史监测数据，利用机器学习算法建立运行状态分析模型，包括：

从所述历史监测数据中确定出标签数据和特征数据，并根据从所述历史监测数据中确定出的标签数据和特征数据形成时序向量；

根据所述时序向量，利用机器学习算法建立运行状态分析模型；

其中，运行状态分析模型包括：当前状态评估子模型和未来状态预测子模型。

可选的，所述根据所述当前监测数据，利用所述运行状态分析模型，分析出所述待监测蓄电池组的运行状态，包括：

分别根据每个监测点的当前监测数据中的特征数据，利用所述当前状态评估子模型，得到对应的每个监测点的第一拟合标签数据；

分别根据每个监测点的第一拟合标签数据、每个监测点的当前监测数据中的标签数据、以及每个监测点的预设告警级别数据，分析出对应的每个监测点的当前运行状态；

分别根据每个监测点的当前监测数据中的标签数据，利用所述未来状态预测子模型，得到对应的每个监测点的第二拟合标签数据；

分别根据每个监测点的第二拟合标签数据以及每个监测点的预设告警级别数据，分析出对应的每个监测点的未来运行状态；

根据所有监测点的当前运行状态，确定出所述待监测蓄电池组的当前运行状态；并根据所有监测点的未来运行状态，确定出所述待监测蓄电池组的未来运行状态。

此外，为实现上述目的，本发明还提出一种监测蓄电池组运行状态的装置，所述装置包括：

获取模块，用于获取待监测蓄电池组的当前监测数据；

训练模块，用于获取所述待监测蓄电池组的设定时间段的历史监测数据，并根据所述历史监测数据，利用机器学习算法建立运行状态分析模型；

分析模块，用于根据所述当前监测数据，利用所述运行状态分析模型，分析出所述待监测蓄电池组的运行状态。

可选的，所述获取模块，具体用于：

分别获取所述待监测蓄电池组中的各个监测点的当前监测数据；对各个监测点的当前监测数据进行预处理操作，并将预处理操作后的各个监测点的当前监测数据存储到预设数据库中。

可选的，所述当前监测数据包括：标签数据和特征数据；

所述预处理操作至少包括以下之一：数据清洗处理、去噪处理、数据插值处理、时间轴对齐处理。

可选的，所述训练模块，具体用于；

从所述历史监测数据中确定出标签数据和特征数据，并根据从所述历史监测数据中确定出的标签数据和特征数据形成时序向量；根据所述时序向量，利用机器学习算法建立运行状态分析模型；其中，运行状态分析模型包括：当前状态评估子模型和未来状态预测子模型。

可选的，所述分析模块，具体用于：

分别根据每个监测点的当前监测数据中的特征数据，利用所述当前状态评估子模型，得到对应的每个监测点的第一拟合标签数据；分别根据每个监测点的第一拟合标签数据、每个监测点的当前监测数据中的标签数据、以及每个监测点的预设告警级别数据，分析出对应的每个监测点的当前运行状态；分别根据每个监测点的当前监测数据中的标签数据，利用所述未来状态预测子模型，得到对应的每个监测点的第二拟合标签数据；分别根据每个监测点的第二拟合标签数据以及每个监测点的预设告警级别数据，分析出对应的每个监测点的未来运行状态；根据所有监测点的当前运行状态，确定出所述待监测蓄电池组的当前运行状态；并根据所有监测点的未来运行状态，确定出所述待监测蓄电池组的未来运行状态。

本发明提出的监测蓄电池组运行状态的方法及装置，通过建立针对蓄电池组的运行状态分析模型，提供对蓄电池组运行状态的分析结果，并进一步给出当前蓄电池组的运行状态评分，及时发现或预判蓄电池组的异常或故障，提高了蓄电池组运行的稳定性、安全性和可靠性。

附图说明

图1是本发明第一实施例的监测蓄电池组运行状态的方法的流程图；

图2是本发明第二实施例的监测蓄电池组运行状态的方法的流程图；

图3是本发明第三实施例的监测蓄电池组运行状态的装置的组成结构示意图。

具体实施方式

为更进一步阐述本发明为达成预定目的所采取的技术手段及功效，以下结合附图及较佳实施例，对本发明进行详细说明如下。

本发明第一实施例，提出了一种监测蓄电池组运行状态的方法，如图1所示，该方法具体包括以下步骤：

步骤S101：获取待监测蓄电池组的当前监测数据。

具体的，步骤S101，包括：

步骤A1：分别获取所述待监测蓄电池组中的各个监测点的当前监测数据。优选的，在所述待监测蓄电池组的每个蓄电池上设置至少一个监测点，以获取所述待监测蓄电池组中的每个蓄电池的当前监测数据。

优选的，所述当前监测数据包括：各个监测点的内阻值、温度值和电压值。

步骤A2：对各个监测点的当前监测数据进行预处理操作，并将预处理操作后的各个监测点的当前监测数据存储到预设数据库中。

进一步的，所述当前监测数据包括：Label标签数据和Feature特征数据。

所述预处理操作至少包括以下之一：数据清洗处理、去噪处理、数据插值处理、时间轴对齐处理。通过预处理操作，确保所有当前监测数据合法。

优选的，将预处理操作后的各个监测点的当前监测数据存储到结构化数据库中(例如，MySQL)，以供后续训练使用。

步骤S102：获取所述待监测蓄电池组的设定时间段的历史监测数据，并根据所述历史监测数据，利用机器学习算法建立运行状态分析模型。

具体的，步骤S102，包括：

步骤B1：从所述历史监测数据中确定出标签数据和特征数据，并根据从所述历史监测数据中确定出的标签数据和特征数据形成时序向量。

需要说明的是，所述历史监测数据为蓄电池组在正常运行时获取到的监测数据。

步骤B2：根据所述时序向量，利用机器学习算法建立运行状态分析模型。

其中，运行状态分析模型包括：当前状态评估子模型和未来状态预测子模型。

优选的，当前状态评估子模型为以下模型中的任意一种：支持向量机回归分析模型、逻辑斯谛回归分析模型、回归树回归分析模型；未来状态预测子模型为以下模型中的任意一种：基于时间序列的灰色系统预模型、长短期精神网络模型、动态加权平均模型。

步骤S103：根据所述当前监测数据，利用所述运行状态分析模型，分析出所述待监测蓄电池组的运行状态。

具体的，所述步骤S103，包括：

分别根据每个监测点的当前监测数据中的特征数据，利用所述当前状态评估子模型，得到对应的每个监测点的第一拟合标签数据；

分别根据每个监测点的第一拟合标签数据、每个监测点的当前监测数据中的标签数据、以及每个监测点的预设告警级别数据，分析出对应的每个监测点的当前运行状态；

分别根据每个监测点的当前监测数据中的标签数据，利用所述未来状态预测子模型，得到对应的每个监测点的第二拟合标签数据；

分别根据每个监测点的第二拟合标签数据以及每个监测点的预设告警级别数据，分析出对应的每个监测点的未来运行状态；

根据所有监测点的当前运行状态，确定出所述待监测蓄电池组的当前运行状态；并根据所有监测点的未来运行状态，确定出所述待监测蓄电池组的未来运行状态。

优选的，在本实施例中，当前监测数据中的温度值和电压值为特征数据，当前监测数据中的内阻值为标签数据。根据监测点的当前监测数据中的温度值和电压值，利用当前状态评估子模型，拟合出监测点的第一拟合内阻数据，并将第一拟合内阻数据与监测点的当前监测数据中的内阻值进行比较，以确认该监测点的运行状态是否正常，若第一拟合内阻数据和真实的内阻值的差值大于第一预设阈值，则说明该监测点处的蓄电池出现异常或故障；若第一拟合内阻数据和真实的内阻值的差值小于第一预设阈值，则继续将第一拟合内阻数据和该监测点的预设告警级别数据进行比较，以确认该监测点处的蓄电池的当前运行状态。另外，根据该监测点的当前监测数据中的内阻值，利用未来状态预测子模型，拟合出该监测点的第二拟合内阻数据，并将该第二拟合内阻数据与该监测点的预设告警级别数据进行比较，以确认该监测点处的蓄电池在未来设定时间段内的运行状态。

本实施例可以分析蓄电池组当前及未来设定时间段内的运行状态是否正确。当分析监测点所在的蓄电池的当前运行状态时，需要将第一拟合内阻数据先后与真实的内阻值和预设告警级别数据进行比较；当分析监测点所在的蓄电池在未来设定时间段内的运行状态时，只需要将第二拟合内阻数据和预设告警级别数据进行比较。

进一步的，在步骤S103之后，所述方法还包括：

将所述待监测蓄电池组的的运行状态分析结果存储到所述预设数据库中，为后续的状态分析提供数据支持。

本实施例基于构建的运行状态分析模型，对所述待监测蓄电池组的运行状态进行综合的分析，得到所述待监测蓄电池组中的每个蓄电池的运行状态分析结果、所述待监测蓄电池组的整体运行状态分析结果、以及包含所述待监测蓄电池组的动力室的运行状态分析结果。

本发明第二实施例，提出了一种监测蓄电池组运行状态的方法，如图2所示，该方法具体包括以下步骤：

步骤S201：获取待监测蓄电池组的当前监测数据，并对获取到的当前监测数据进行预处理。

具体的，步骤S201，包括：

步骤A1：分别获取所述待监测蓄电池组中的各个监测点的当前监测数据。优选的，在所述待监测蓄电池组的每个蓄电池上设置至少一个监测点，以获取所述待监测蓄电池组中的每个蓄电池的当前监测数据。

步骤A2：对各个监测点的当前监测数据进行预处理操作，并将预处理操作后的各个监测点的当前监测数据存储到预设数据库中。

对于一般的蓄电池组而言，其主要的当前监测数据包括蓄电池组中单个蓄电池的温度、电压及内阻；针对所获取的当前监测数据，清除当前监测数据中的非法数据；另外，针对所获取的当前监测数据，为保证时间轴的对齐，进行插值、时间点对齐等预处理操作；在得到预处理完成的数据后，将预处理完成的当前监测数据存入结构化数据库MySQL，以供后续动态模型训练使用。

步骤S202：获取所述待监测蓄电池的设定时间段的历史监测数据，并根据所述历史监测数据，利用机器学习算法建立运行状态分析模型。

具体的，步骤S202，包括：

步骤B1：动态获取一定时间长度的待监测蓄电池组正常运行的历史监测数据，选择关键特征参数数据作为标签数据，其余参数数据作为特征数据，经过标准化模型之后形成时序向量。在实施例中，选择蓄电池的温度、电压作为特征数据，蓄电池的内阻作为标签数据反应蓄电池的运行状态；

步骤B2：使用历史时序向量数据集构建基于机器学习算法的运行状态分析模型；其中，运行状态分析模型包括：当前状态评估子模型和未来状态预测子模型。

优选的，在本实施例中，当前状态评估子模型为支持向量机回归分析模型，未来状态预测子模型为基于时间序列的灰色系统预模型。

步骤S203：根据所述当前监测数据，利用所述运行状态分析模型，分析出所述待监测蓄电池组的运行状态，并对所述待监测蓄电池组的运行状态进行综合评分。

具体的，所述步骤S203，包括：

步骤C1：将当前时刻采集到的当前监测数据输入到当前状态评估子模型中进行计算，得到拟合内阻值(相当于第一实施例中的第一拟合内阻值)，并将拟合内阻值与当前时刻采集到的内阻值进行比较，如果差异较大，则说明蓄电池组出现异常或故障，可能的异常为采集设备异常；如果差异不大，则将拟合内阻值与人工设定的内阻告警级别数据进行比较，若拟合内阻值在内阻告警级别数据的正常范围内，则说明蓄电池组运行正常，否则根据拟合内阻值在内阻告警级别数据中所处的警告范围，例如1级警告、2级警告等，进行异常告警；

步骤C2：将当前时刻采集到的内阻值输入到未来状态预测子模型中进行内阻预测，得到预测内阻值(相当于第一实施例的第二拟合内阻值)，并将预测内阻值与内阻告警级别数据进行比较，若预测内阻值在内阻告警级别数据的正常范围内，则说明蓄电池组运行正常，否则根据预测内阻值在内阻告警级别数据中所处的警告范围，例如1级警告、2级警告等，进行异常告警。

在本实施例中，通过输入当前监测数据中的温度值和电压值来拟合出拟合内阻值，并根据拟合内阻值进行当前运行状态分析；通过输入当前监测数据中的内阻值来拟合指定时间段后的预测内阻值，并根据预测内阻值进行未来运行状态分析。优选的，为保证预测确定度，选择1小时作为指定时间段。

在本实施例中，待监测蓄电池组内可能存在多个蓄电池，或存在多个蓄电池组，当任意蓄电池发生异常告警或预警时，都给出异常/故障分析结果。

步骤C3：综合待监测蓄电池组中的各个蓄电池的当前运行状态分析结果和未来运行状态分析结果，分析待监测蓄电池组当前及指定时间段后的运行状态是否正常，并根据分析结果与告警级别数据的偏离程度进行评分。可以理解的是，在本实施例中当前状态评估子模型和未来状态预测子模型都将存在计算所得到的拟合内阻值或预测内阻值，通过将其与人工设定的内阻告警级别数据相对比，每一告警级别都对应着一段区间，因此可以计算拟合内阻值或预测内阻值的偏离程度，确认两个模型计算结果的状态评分，再根据人工设定的当前状态与预测状态的评分权重得到最终的待监测蓄电池组的加权评分。

需要理解的是，在本实施例中，待监测蓄电池组可能存在多个蓄电池或蓄电池组，因此还需要对蓄电池的整体进行评分。以1个蓄电池组包含多节蓄电池为例，通过上述步骤为每一节蓄电池都将得到一个评分，将评分归一化，并根据归一化后评分的倒数确认每一节蓄电池在整体中的权重值，从而计算得到待监测蓄电池组整体的评分。

步骤S204：将所述待监测蓄电池组的运行状态分析结果以及评分结果存储到指定数据库中。

优选的，选择MySQL作为指定数据库，使用Python完成脚本在每一次计算后将结果存入数据库中。

本发明第三实施例，提出了一种监测蓄电池组运行状态的装置，如图3所示，该装置具体包括以下组成部分：

获取模块301，用于获取待监测蓄电池组的当前监测数据；

训练模块302，用于获取所述待监测蓄电池组的设定时间段的历史监测数据，并根据所述历史监测数据，利用机器学习算法建立运行状态分析模型；

分析模块303，用于根据所述当前监测数据，利用所述运行状态分析模型，分析出所述待监测蓄电池组的运行状态。

具体的，获取模块301，用于：

分别获取所述待监测蓄电池组中的各个监测点的当前监测数据；对各个监测点的当前监测数据进行预处理操作，并将预处理操作后的各个监测点的当前监测数据存储到预设数据库中。

进一步的，所述当前监测数据包括：标签数据和特征数据；

所述预处理操作至少包括以下之一：数据清洗处理、去噪处理、数据插值处理、时间轴对齐处理。

进一步的，训练模块302，具体用于：

从所述历史监测数据中确定出标签数据和特征数据，并根据从所述历史监测数据中确定出的标签数据和特征数据形成时序向量；根据所述时序向量，利用机器学习算法建立运行状态分析模型；其中，运行状态分析模型包括：当前状态评估子模型和未来状态预测子模型。

更进一步的，分析模块303，具体用于：

分别根据每个监测点的当前监测数据中的特征数据，利用所述当前状态评估子模型，得到对应的每个监测点的第一拟合标签数据；分别根据每个监测点的第一拟合标签数据、每个监测点的当前监测数据中的标签数据、以及每个监测点的预设告警级别数据，分析出对应的每个监测点的当前运行状态；分别根据每个监测点的当前监测数据中的标签数据，利用所述未来状态预测子模型，得到对应的每个监测点的第二拟合标签数据；分别根据每个监测点的第二拟合标签数据以及每个监测点的预设告警级别数据，分析出对应的每个监测点的未来运行状态；根据所有监测点的当前运行状态，确定出所述待监测蓄电池组的当前运行状态；并根据所有监测点的未来运行状态，确定出所述待监测蓄电池组的未来运行状态。

本发明实施例中介绍的监测蓄电池组运行状态的方法及装置，通过建立针对蓄电池组的运行状态分析模型，提供对蓄电池组运行状态的分析结果，并进一步给出当前蓄电池组的运行状态评分，及时发现或预判蓄电池组的异常或故障，提高了蓄电池组运行的稳定性、安全性和可靠性。

本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。

本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种监测蓄电池组运行状态的方法，其特征在于，所述方法包括：

获取待监测蓄电池组的当前监测数据；

获取所述待监测蓄电池组的设定时间段的历史监测数据，并根据所述历史监测数据，利用机器学习算法建立运行状态分析模型；

根据所述当前监测数据，利用所述运行状态分析模型，分析出所述待监测蓄电池组的运行状态。

2.根据权利要求1所述的监测蓄电池组运行状态的方法，其特征在于，所述获取待监测蓄电池组的当前监测数据，包括：

分别获取所述待监测蓄电池组中的各个监测点的当前监测数据；

对各个监测点的当前监测数据进行预处理操作，并将预处理操作后的各个监测点的当前监测数据存储到预设数据库中。

3.根据权利要求2所述的监测蓄电池组运行状态的方法，其特征在于，所述当前监测数据包括：标签数据和特征数据；

所述预处理操作至少包括以下之一：数据清洗处理、去噪处理、数据插值处理、时间轴对齐处理。

4.根据权利要求3所述的监测蓄电池组运行状态的方法，其特征在于，所述获取所述待监测蓄电池组的设定时间段的历史监测数据，并根据所述历史监测数据，利用机器学习算法建立运行状态分析模型，包括：

从所述历史监测数据中确定出标签数据和特征数据，并根据从所述历史监测数据中确定出的标签数据和特征数据形成时序向量；

根据所述时序向量，利用机器学习算法建立运行状态分析模型；

其中，运行状态分析模型包括：当前状态评估子模型和未来状态预测子模型。

5.根据权利要求4所述的监测蓄电池组运行状态的方法，其特征在于，所述根据所述当前监测数据，利用所述运行状态分析模型，分析出所述待监测蓄电池组的运行状态，包括：

分别根据每个监测点的当前监测数据中的特征数据，利用所述当前状态评估子模型，得到对应的每个监测点的第一拟合标签数据；

分别根据每个监测点的第一拟合标签数据、每个监测点的当前监测数据中的标签数据、以及每个监测点的预设告警级别数据，分析出对应的每个监测点的当前运行状态；

分别根据每个监测点的当前监测数据中的标签数据，利用所述未来状态预测子模型，得到对应的每个监测点的第二拟合标签数据；

分别根据每个监测点的第二拟合标签数据以及每个监测点的预设告警级别数据，分析出对应的每个监测点的未来运行状态；

根据所有监测点的当前运行状态，确定出所述待监测蓄电池组的当前运行状态；并根据所有监测点的未来运行状态，确定出所述待监测蓄电池组的未来运行状态。

6.一种监测蓄电池组运行状态的装置，其特征在于，所述装置包括：

获取模块，用于获取待监测蓄电池组的当前监测数据；

训练模块，用于获取所述待监测蓄电池组的设定时间段的历史监测数据，并根据所述历史监测数据，利用机器学习算法建立运行状态分析模型；

分析模块，用于根据所述当前监测数据，利用所述运行状态分析模型，分析出所述待监测蓄电池组的运行状态。

7.根据权利要求6所述的监测蓄电池组运行状态的装置，其特征在于，所述获取模块，具体用于：

分别获取所述待监测蓄电池组中的各个监测点的当前监测数据；对各个监测点的当前监测数据进行预处理操作，并将预处理操作后的各个监测点的当前监测数据存储到预设数据库中。

8.根据权利要求7所述的监测蓄电池组运行状态的装置，其特征在于，所述当前监测数据包括：标签数据和特征数据；

所述预处理操作至少包括以下之一：数据清洗处理、去噪处理、数据插值处理、时间轴对齐处理。

9.根据权利要求8所述的监测蓄电池组运行状态的装置，其特征在于，所述训练模块，具体用于；

从所述历史监测数据中确定出标签数据和特征数据，并根据从所述历史监测数据中确定出的标签数据和特征数据形成时序向量；根据所述时序向量，利用机器学习算法建立运行状态分析模型；其中，运行状态分析模型包括：当前状态评估子模型和未来状态预测子模型。

10.根据权利要求9所述的监测蓄电池组运行状态的装置，其特征在于，所述分析模块，具体用于：

分别根据每个监测点的当前监测数据中的特征数据，利用所述当前状态评估子模型，得到对应的每个监测点的第一拟合标签数据；分别根据每个监测点的第一拟合标签数据、每个监测点的当前监测数据中的标签数据、以及每个监测点的预设告警级别数据，分析出对应的每个监测点的当前运行状态；分别根据每个监测点的当前监测数据中的标签数据，利用所述未来状态预测子模型，得到对应的每个监测点的第二拟合标签数据；分别根据每个监测点的第二拟合标签数据以及每个监测点的预设告警级别数据，分析出对应的每个监测点的未来运行状态；根据所有监测点的当前运行状态，确定出所述待监测蓄电池组的当前运行状态；并根据所有监测点的未来运行状态，确定出所述待监测蓄电池组的未来运行状态。