CN110007239A

CN110007239A - 一种基于神经网络数据挖掘算法的蓄电池组预测方法和系统

Info

Publication number: CN110007239A
Application number: CN201910334507.3A
Authority: CN
Inventors: 朱小梅; 张立达; 王建军; 龚正源
Original assignee: Zhongfutong Group Co Ltd
Current assignee: Zhongfutong Group Co Ltd
Priority date: 2019-04-24
Filing date: 2019-04-24
Publication date: 2019-07-12
Anticipated expiration: 2039-04-24
Also published as: CN110007239B

Abstract

本发明涉及数据处理技术领域，特别涉及一种基于神经网络数据挖掘算法的蓄电池组预测方法和系统。所述一种基于神经网络数据挖掘算法的蓄电池组预测方法，包括步骤：采集预设个时间点各蓄电池组的电参数，所述电参数包括：电压值；将各个时间点对应的电参数及相对于电压最高点时间的时间增量输入数据训练曲线模型中进行训练，计算得蓄电池组的放电曲线。根据蓄电池组的放电曲线，即可知道蓄电池组的使用情况，可以预先对蓄电池组进行保养，或前往人工调试、替换，或蓄电池组损坏告警等，以避免机房偶尔断电，结果蓄电池组有问题，无法及时供电等的问题。

Description

一种基于神经网络数据挖掘算法的蓄电池组预测方法和系统

技术领域

本发明涉及数据处理技术领域，特别涉及一种基于神经网络数据挖掘算法的蓄电池组预测方法和系统。

背景技术

传统的通信电源维护保障主要采用蓄电池作为应急电源，在机房出现断电时，紧急切换至铅蓄电池直流供电，保障设备顺利进行。但此方式存在诸多问题：

1、机房断电情况多数为长时间偶发情况，电池长时间未保养无法确保正常工作状态；

2、出现电池损坏、老化造成电源供电不足的情况时，需人工前往调试、替换；

3、应急电源多数情况下为大量蓄电池组并联或串联而成，当其中一个电池存在问题时，需工作人员逐个检测，费时费力。

每个蓄电池组由于使用时间和放电次数不同，能够持续放电的时间无法确定。而每个蓄电池每次放电到供电恢复时间较短，无法确定该蓄电池组的放电曲线，故如何准确拟合蓄电池组的放电曲线并预测蓄电池组的性能成了一个亟需解决的问题。

发明内容

为此，需要提供一种基于神经网络数据挖掘算法的蓄电池组预测方法，用以解决现有技术中无法准确拟合蓄电池组的放电曲线并预测蓄电池组的性能的问题。具体技术方案如下：

一种基于神经网络数据挖掘算法的蓄电池组预测方法，包括步骤：采集预设个时间点各蓄电池组的电参数，所述电参数包括：电压值；将各个时间点对应的电参数及相对于电压最高点时间的时间增量输入数据训练曲线模型中进行训练，计算得蓄电池组的放电曲线。

进一步的，所述数据训练曲线模型为：y＝-e^wt+b+c。

进一步的，所述“采集预设个时间点各蓄电池组的电参数”，还包括步骤：根据预设的电参数阈值范围对采集到的电参数做筛选处理，筛选出符合规范的电参数。

进一步的，还包括步骤：根据预设的电参数阈值范围对采集到的电参数做筛选处理，对筛选出的不符合规范的电参数的蓄电池组进行进一步检查。

进一步的，还包括步骤：根据蓄电池组的放电曲线对蓄电池组使用寿命进行预测，根据寿命预测情况对蓄电池组采取维护措施，所述维护措施包括：蓄电池组替换、蓄电池组损坏告警或蓄电池组智能除硫。

为解决上述技术问题，还提供了一种基于神经网络数据挖掘算法的蓄电池组预测系统，具体技术方案如下：

一种基于神经网络数据挖掘算法的蓄电池组预测系统，包括：电参数采集模块和放电曲线生成模块；所述电参数采集模块连接所述放电曲线生成模块；所述电参数采集模块用于：采集预设个时间点各蓄电池组的电参数，所述电参数包括：电压值；所述放电曲线生成模块用于：将各个时间点对应的电参数及相对于电压最高点时间的时间增量输入数据训练曲线模型中进行训练，计算得蓄电池组的放电曲线。

进一步的，所述数据训练曲线模型为：y＝-e^wt+b+c。

进一步的，还包括：电参数筛选模块；所述电参数筛选模块用于：根据预设的电参数阈值范围对采集到的电参数做筛选处理，筛选出符合规范的电参数。

进一步的，所述电参数筛选模块还用于：根据预设的电参数阈值范围对采集到的电参数做筛选处理，对筛选出的不符合规范的电参数的蓄电池组进行进一步检查。

进一步的，还包括：放电曲线分析模块；所述放电曲线分析模块用于：根据蓄电池组的放电曲线对蓄电池组使用寿命进行预测，根据寿命预测情况对蓄电池组采取维护措施，所述维护措施包括：蓄电池组替换、蓄电池组损坏告警或蓄电池组智能除硫。

本发明的有益效果是：通过采集预设个时间点各蓄电池组的电参数，所述电参数包括：电压值；将各个时间点对应的电参数及相对于电压最高点时间的时间增量输入数据训练曲线模型中进行训练，即可计算得蓄电池组的放电曲线。根据蓄电池组的放电曲线，即可知道蓄电池组的使用情况，可以预先对蓄电池组进行保养，或前往人工调试、替换，或蓄电池组损坏告警等，以避免机房偶尔断电，结果蓄电池组有问题，无法及时供电等的问题。

附图说明

图1为具体实施方式所述一种基于神经网络数据挖掘算法的蓄电池组预测方法的流程图；

图2为具体实施方式所述一种基于神经网络数据挖掘算法的蓄电池组预测系统的模块示意图。

附图标记说明：

200、基于神经网络数据挖掘算法的蓄电池组预测系统，

201、电参数采集模块；

202、放电曲线生成模块。

具体实施方式

为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。

请参阅图1，在本实施方式中，一种基于神经网络数据挖掘算法的蓄电池组预测方法可应用在一种基于神经网络数据挖掘算法的蓄电池组预测系统上，所述一种基于神经网络数据挖掘算法的蓄电池组预测系统包括：电参数采集模块和放电曲线生成模块；所述电参数采集模块连接所述放电曲线生成模块。在本实施方式中，一种基于神经网络数据挖掘算法的蓄电池组预测方法的具体实施方式如下：

步骤S101：采集预设个时间点各蓄电池组的电参数，所述电参数包括：电压值。

步骤S102：将各个时间点对应的电参数及相对于电压最高点时间的时间增量输入数据训练曲线模型中进行训练，计算得蓄电池组的放电曲线。

进一步的，在本实施方式中，根据蓄电池组已有的放电曲线，可以看出放电时间越久蓄电池组电压下降越快，故采用的数据训练曲线模型如下：

y＝-e^wt+b+c

其中蓄电池组标准的电压为52V，上述公式中的wt+b趋近于负无穷时，y的值趋近于c。故以上公式可确定为：

y＝-e^wt+b+52

因在局站停电后蓄电池组开始工作，蓄电池组从开始放电到完全开始工作需要一段时间。因此截取蓄电池组开始放电后的高点到恢复供电前的低点做为蓄电池组放电曲线预测的训练数据。截取的数据中取每个时间点的电压值及相对于高点时间的时间增量数据作为预处理的数据训练曲线模型。

将相对于放电高点的时间增量和电压值输入数据训练曲线模型中进行训练，计算出放电公式中的w和b的值，即可得到蓄电池组的放电曲线。

在本实施方式中，采用的是backpropagation的方式进行，即采用迭代的算法来训练整个网络，随机设定初值，计算当前网络的输出，而后根据当前输出与label之间的差去改变前面各层的参数，直到收敛。

通过采集预设个时间点各蓄电池组的电参数，所述电参数包括：电压值；将各个时间点对应的电参数及相对于电压最高点时间的时间增量输入数据训练曲线模型中进行训练，即可计算得蓄电池组的放电曲线。根据蓄电池组的放电曲线，即可知道蓄电池组的使用情况，可以预先对蓄电池组进行保养，或前往人工调试、替换，或蓄电池组损坏告警等，以避免机房偶尔断电，结果蓄电池组有问题，无法及时供电等的问题。

进一步，面对采集到的海量蓄电池组的电参数，需要对其做筛选处理，具体可如下：根据预设的电参数阈值范围对采集到的电参数做筛选处理，筛选出符合规范的电参数。具体可如下：预设电参数阈值范围，在该阈值范围内的电参数为符合规范的电参数，不在该阈值范围内的电参数则为不符合规范的电参数。

进一步的，对筛选出的不符合规范的电参数的蓄电池组进行进一步检查。在实际应用中，不符合规范的电参数的蓄电池组一般是有问题的蓄电池组，则需对其进行进一步检查，以找出故障电池，

进一步的，在本实施方式中，可根据蓄电池组的放电曲线对蓄电池组使用寿命进行预测，根据寿命预测情况对蓄电池组采取维护措施，所述维护措施包括：蓄电池组替换、蓄电池组损坏告警或蓄电池组智能除硫。

请参阅图2，在本实施方式中，一种基于神经网络数据挖掘算法的蓄电池组预测系统200的具体实施方式如下：

一种基于神经网络数据挖掘算法的蓄电池组预测系统200，包括：电参数采集模块201和放电曲线生成模块202；所述电参数采集模块201连接所述放电曲线生成模块202；所述电参数采集模块201用于：采集预设个时间点各蓄电池组的电参数，所述电参数包括：电压值；所述放电曲线生成模块202用于：将各个时间点对应的电参数及相对于电压最高点时间的时间增量输入数据训练曲线模型中进行训练，计算得蓄电池组的放电曲线。

进一步的，所述数据训练曲线模型为：y＝-e^wt+b+c。

通过电参数采集模块201采集预设个时间点各蓄电池组的电参数，所述电参数包括：电压值；通过放电曲线生成模块202将各个时间点对应的电参数及相对于电压最高点时间的时间增量输入数据训练曲线模型中进行训练，即可计算得蓄电池组的放电曲线。根据蓄电池组的放电曲线，即可知道蓄电池组的使用情况，可以预先对蓄电池组进行保养，或前往人工调试、替换，或蓄电池组损坏告警等，以避免机房偶尔断电，结果蓄电池组有问题，无法及时供电等的问题。

需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接地将以上技术方案运用在其他相关的技术领域，均包括在本发明的专利保护范围之内。

Claims

1.一种基于神经网络数据挖掘算法的蓄电池组预测方法，其特征在于，包括步骤：

采集预设个时间点各蓄电池组的电参数，所述电参数包括：电压值；

将各个时间点对应的电参数及相对于电压最高点时间的时间增量输入数据训练曲线模型中进行训练，计算得蓄电池组的放电曲线。

2.根据权利要求1所述的一种基于神经网络数据挖掘算法的蓄电池组预测方法，其特征在于，

所述数据训练曲线模型为：y＝-e^wt+b+c。

3.根据权利要求1所述的一种基于神经网络数据挖掘算法的蓄电池组预测方法，其特征在于，

所述“采集预设个时间点各蓄电池组的电参数”，还包括步骤：

根据预设的电参数阈值范围对采集到的电参数做筛选处理，筛选出符合规范的电参数。

4.根据权利要求3所述的一种基于神经网络数据挖掘算法的蓄电池组预测方法，其特征在于，还包括步骤：

根据预设的电参数阈值范围对采集到的电参数做筛选处理，对筛选出的不符合规范的电参数的蓄电池组进行进一步检查。

5.根据权利要求1所述的一种基于神经网络数据挖掘算法的蓄电池组预测方法，其特征在于，还包括步骤：

根据蓄电池组的放电曲线对蓄电池组使用寿命进行预测，根据寿命预测情况对蓄电池组采取维护措施，所述维护措施包括：蓄电池组替换、蓄电池组损坏告警或蓄电池组智能除硫。

6.一种基于神经网络数据挖掘算法的蓄电池组预测系统，其特征在于，包括：电参数采集模块和放电曲线生成模块；

所述电参数采集模块连接所述放电曲线生成模块；

所述电参数采集模块用于：采集预设个时间点各蓄电池组的电参数，所述电参数包括：电压值；

所述放电曲线生成模块用于：将各个时间点对应的电参数及相对于电压最高点时间的时间增量输入数据训练曲线模型中进行训练，计算得蓄电池组的放电曲线。

7.根据权利要求6所述的一种基于神经网络数据挖掘算法的蓄电池组预测系统，其特征在于，

所述数据训练曲线模型为：y＝-e^wt+b+c。

8.根据权利要求6所述的一种基于神经网络数据挖掘算法的蓄电池组预测系统，其特征在于，还包括：电参数筛选模块；

所述电参数筛选模块用于：根据预设的电参数阈值范围对采集到的电参数做筛选处理，筛选出符合规范的电参数。

9.根据权利要求7所述的一种基于神经网络数据挖掘算法的蓄电池组预测系统，其特征在于，

所述电参数筛选模块还用于：根据预设的电参数阈值范围对采集到的电参数做筛选处理，对筛选出的不符合规范的电参数的蓄电池组进行进一步检查。

10.根据权利要求7所述的一种基于神经网络数据挖掘算法的蓄电池组预测系统，其特征在于，还包括：放电曲线分析模块；

所述放电曲线分析模块用于：根据蓄电池组的放电曲线对蓄电池组使用寿命进行预测，根据寿命预测情况对蓄电池组采取维护措施，所述维护措施包括：蓄电池组替换、蓄电池组损坏告警或蓄电池组智能除硫。