CN111210049B - 基于lstm的变电站铅酸阀控蓄电池退化趋势预测方法 - Google Patents

基于lstm的变电站铅酸阀控蓄电池退化趋势预测方法 Download PDF

Info

Publication number
CN111210049B
CN111210049B CN201911236602.6A CN201911236602A CN111210049B CN 111210049 B CN111210049 B CN 111210049B CN 201911236602 A CN201911236602 A CN 201911236602A CN 111210049 B CN111210049 B CN 111210049B
Authority
CN
China
Prior art keywords
component
internal resistance
voltage
lstm
taking
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911236602.6A
Other languages
English (en)
Other versions
CN111210049A (zh
Inventor
刘斌
李瑞津
毕小熊
邓云书
李涛
刘祺
张学敏
郭伟
王斌
胡云
施迎春
岳斌
党军朋
赵华
叶文华
陈运忠
潘再金
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yuxi Power Supply Bureau of Yunnan Power Grid Co Ltd
Original Assignee
Yuxi Power Supply Bureau of Yunnan Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yuxi Power Supply Bureau of Yunnan Power Grid Co Ltd filed Critical Yuxi Power Supply Bureau of Yunnan Power Grid Co Ltd
Priority to CN201911236602.6A priority Critical patent/CN111210049B/zh
Publication of CN111210049A publication Critical patent/CN111210049A/zh
Application granted granted Critical
Publication of CN111210049B publication Critical patent/CN111210049B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/06—Lead-acid accumulators
    • H01M10/12—Construction or manufacture
    • H01M10/121—Valve regulated lead acid batteries [VRLA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
    • Y02P70/50—Manufacturing or production processes characterised by the final manufactured product

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Manufacturing & Machinery (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种基于LSTM的变电站铅酸阀控蓄电池退化趋势预测方法，该方法以历史电压、内阻数据为样本，通过EEMD进行多尺度分解，计算各分量含有率，忽略掉含有率数值较小的分量。将浮充时长、均充次数、筛选后的电压分量、筛选后的内阻分量分别进行归一化处理，作为LSTM神经网络的输入，进而分别预测各分量退化趋势，最后将所得结果进行集成，即为最终的预测结果。本方法可为变电站工作人员及时检修或更换电池提供依据，进而在保证蓄电池供电可靠性的同时，提高蓄电池利用率，保障变电站的可靠运行和电网安全。将本发明用于变电站直流系统中，相比现有的方法，能够更加准确、快速地预测蓄电池在给定使用计划对应时间段内的退化趋势。

Description

基于LSTM的变电站铅酸阀控蓄电池退化趋势预测方法
技术领域
本发明属于变电站铅酸阀控蓄电池人工智能控制技术领域，具体涉及一种基于长短期记忆神经网络(LSTM)的变电站铅酸阀控蓄电池电压、内阻预测方法。
背景技术
蓄电池作为变电站直流系统最为核心的部件，其承担着确保变电站保护设备、通信设备、自动化设备正常运行的重要使命，是变电站系统安全稳定运行的重要保障。然而由于蓄电池的使用状况、维护管理、生产设计等原因，蓄电池过早失效的情况时有发生，给变电站的安全运行带来风险。因此需要找到一种切实可行的方法来对变电站直流系统蓄电池的退化趋势进行预测，以提高蓄电池供电可靠性，减少因蓄电池失效而引起的电网重大事故。
目前，由于密封式铅酸阀控蓄电池具有性能优越、维护简单、安装方便、可靠性较高、不污染环境等众多优点，使得其在变电站直流系统中有着较多的应用。蓄电池作为一种备用电源，其受到变电站运行方式的影响，具有独特的运行特点：(1)在变电站正常运行期间，蓄电池组处于浮充状态，实际不带负载；(2)当电网出现事故导致变电站交流系统失电时，蓄电池组作为变电站应急电源为设备提供直流电源。因此，变电站直流系统中蓄电池长期处于浮充状态，只有在变电站停电或蓄电池连续全浮充三个月时蓄电池才进行一次均充。由此可见，蓄电池性能劣化参数是一种具有长期时间依赖特性的序列数据；同时电池容量、内阻等参数退化速率在寿命后期大于寿命前期，即该退化是非线性退化过程。故需要选择能够处理长时间序列且适合非线性问题的相关方法来进行蓄电池性能退化趋势预测。
发明内容
本发明的目的是为了解决现有技术的不足，提供一种基于长短期记忆神经网络(LSTM)的变电站铅酸阀控蓄电池性能退化趋势预测方法，该方法在计及变电站蓄电池均充、浮充运行特点的情况下，以大量历史电压和内阻数据为样本，训练精准的LSTM预测模型，提前掌握变电站直流系统蓄电池的性能退化趋势，为变电站工作人员及时检修或更换电池提供依据，进而提高蓄电池供电可靠性，保障变电站的可靠运行和电网安全。
为实现上述目的，本发明采用的技术方案如下：
基于LSTM的变电站铅酸阀控蓄电池退化趋势预测方法，包括如下步骤：
采用集成经验模态分解方法分别对采集到的电压、内阻数据进行分解；
计算分解得到的各分量的含有率，并以含有率为指标分别对电压、内阻的这些分量进行筛选；
对浮充时长、均充次数、筛选后的电压分量、筛选后的内阻分量分别进行归一化处理；
以归一化处理后的电压分量在某一时刻的值、该时刻到下一时刻之间归一化处理后的浮充时长和归一化处理后的均充次数作为LSTM模型的输入，以归一化处理后的电压分量在下一时刻的值作为LSTM模型的输出，对每个分量的LSTM模型进行训练，得到各个分量的LSTM电压预测模型；
以归一化处理后的内阻分量在某一时刻的值、该时刻到下一时刻之间归一化处理后的浮充时长和归一化处理后的均充次数作为LSTM模型的输入，以归一化处理后的内阻分量在下一时刻的值作为LSTM模型的输出，对每个分量的LSTM模型进行训练，得到各个分量的LSTM内阻预测模型；
将经过EEMD分解、含有率筛选并归一化处理后的电压或电压预测值作为输入，同时将该时刻到下一时刻之间归一化处理后的浮充时长和均充次数作为输入，带到相应分量的LSTM电压预测模型，得到各个分量的电压预测值，之后将各个分量的电压预测值累加，即为下一时刻蓄电池电压的预测值。
将经过EEMD分解、含有率筛选并归一化处理后的内阻或内阻预测值作为输入，同时将该时刻到下一时刻之间归一化处理后的浮充时长和均充次数作为输入，带到相应分量的LSTM内阻预测模型，得到各个分量的内阻预测值，之后将各个分量的内阻预测值累加，即为下一时刻蓄电池内阻的预测值；
进行含有率筛选，当分量的含有率小于含有率阈值λ，则忽略该分量。
本发明同时提供一种基于LSTM的阀控式铅酸蓄电池退化趋势预测系统，包括：
第一数据处理模块，用于采用集成经验模态分解方法分别对采集到的电压、内阻数据进行分解；
第二数据处理模块，用于计算分解得到的各分量的含有率，并以含有率为指标分别对电压、内阻的这些分量进行筛选；
第三数据处理模块，用于对浮充时长、均充次数、筛选后的电压分量、筛选后的内阻分量分别进行归一化处理；
LSTM模型构建模块，用于以归一化处理后的电压分量在某一时刻的值、该时刻到下一时刻之间归一化处理后的浮充时长和归一化处理后的均充次数作为LSTM模型的输入，以归一化处理后的电压分量在下一时刻的值作为LSTM模型的输出，对每个分量的LSTM模型进行训练，得到各个分量的LSTM电压预测模型；以归一化处理后的内阻分量在某一时刻的值、该时刻到下一时刻之间归一化处理后的浮充时长和归一化处理后的均充次数作为LSTM模型的输入，以归一化处理后的内阻分量在下一时刻的值作为LSTM模型的输出，对每个分量的LSTM模型进行训练，得到各个分量的LSTM内阻预测模型；
预测模块，将经过EEMD分解、含有率筛选并归一化处理后的内阻或内阻预测值作为输入，同时将该时刻到下一时刻之间归一化处理后的浮充时长和均充次数作为输入，带到相应分量的LSTM内阻预测模型，得到各个分量的内阻预测值，之后将各个分量的内阻预测值累加，即为下一时刻蓄电池内阻的预测值；将经过EEMD分解、含有率筛选并归一化处理后的电压或电压预测值作为输入，同时将该时刻到下一时刻之间归一化处理后的浮充时长和均充次数作为输入，带到相应分量的LSTM电压预测模型，得到各个分量的电压预测值，之后将各个分量的电压预测值累加，即为下一时刻蓄电池电压的预测值。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上述基于LSTM的变电站铅酸阀控蓄电池退化趋势预测方法的步骤。
本发明另外提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至2任一项所述基于LSTM的变电站铅酸阀控蓄电池退化趋势预测方法的步骤。
本发明考虑到在蓄电池性能退化过程中，其电压和内阻易于采集，且可以直接反映出蓄电池的老化情况，因而选择电压和内阻作为蓄电池性能指标来表征电池当前的老化程度。
本发明具体方法为：
一、数据的预处理
变电站铅酸阀控蓄电池有着独特的运行特点：当蓄电池处于浮充状态时，电池的板栅腐蚀处于最慢的状态，其衰退过程会受到环境温度、浮充电压等的影响，但只要蓄电池处于合适的温度并按规定设置好浮充电压，衰退过程将极其缓慢。当蓄电池均充时，其衰退过程会受到环境温度、放电深度、充电电压、均充次数等的影响，此过程是导致蓄电池衰退的主要原因，且每次均充导致的衰减幅度相比于浮充来说较为明显。换言之，在蓄电池的整个衰退过程中，除了自然衰退外，其还明显受到均充、浮充运行方式的影响。为此本发明首先对采集到的数据样本进行预处理，使浮充、均充等因素对蓄电池的寿命影响尽可能地分离开来。
1.基于EEMD的多尺度分解
EEMD又称集合经验模态分解，是基于EMD(经验模态分解)的一种针对非线性、非稳态信号的分析方法，其相较于传统的时频分析方法(比如小波变换、傅里叶变换等)，优点在于对一段未知信号，不需要做预先分析与研究，就可以直接开始分解，可自适应地表示信号的局部特征和全局退化趋势。具体做法如下：
步骤一：以采集到的电压、内阻数据样本作为原始信号x(t)，分N次给原始信号x(t)添加频率均匀的幅值系数为k1的高斯白噪声序列n(t)，如下所示：
xj(t)＝x(t)+k1·nj(t) (1)
式(1)中，j表示第j次添加高斯白噪声，其范围为1～N。nj(t)表示第j次添加的高斯白噪声序列，xj(t)表示第j次的混合信号。
步骤二：找出混合信号xj(t)中的全部局部极大值和极小值点，然后通过曲线拟合的方法结合各个极值点构造出上包络线和下包络线，这样信号xj(t)就被上下包络线所包络。
步骤三：由上下包络线可构造出它们的均值曲线m(t)，再用信号xj(t)减去均值曲线m(t)，得到一个分解模态分量H(t)。
步骤四：判断H(t)是否满足imf的两个约束条件：1)在整个数据段内，极值点的个数和过零点的个数相等或相差不超过一个；2)在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对于时间轴局部对称。如果满足约束条件，H(t)就是一个内涵模态分量(imf)；如果不满足，以该H(t)为混合信号重做步骤二～四，直到满足约束条件，使得H(t)为信号xj(t)对应的一个内涵模态分量(imf)。
步骤五：得到xj(t)对应的第i个内涵模态分量imfi(t)后，用混合信号xj(t)减去imfi(t)，所得结果作为新的信号，再次循环步骤二～四，得到xj(t)对应的第i+1个内涵模态分量imfi+1(t)。以此类推，直到残余分量r(t)为单调函数或者SD(筛分门限值，一般取值0.2～0.3)小于门限值时停止，其中，SD为：
Figure GDA0002412003390000051
式(2)中，T表示xj(t)最后一个数据对应的时刻，Hk(t)表示xj(t)对应的第k个分解模态分量，此时有
Figure GDA0002412003390000052
其中，m表示xj(t)分解得到的imf分量数，imfj，i(t)表示xj(t)对应的第i个内涵模态分量，rj(t)表示xj(t)对应的余量。
步骤六：对N次分解后的各imf分量求平均，即
Figure GDA0002412003390000053
Figure GDA0002412003390000054
式(4)、(5)中，j表示第j个混合信号，也表示第j次添加高斯白噪声，其范围为1～N。i表示同一混合信号中的第i个imf分量，其范围为1～m。imfj，i(t)表示第j个混合信号对应的第i个imf分量，rj(t)表示第j个混合信号对应的余量。imfi(t)为N个不同混合信号分解得到的第i个imf分量平均值，ri(t)为N个不同混合信号分解得到的余量平均值。
步骤七：将imf分量和余量求平均后所得结果叠加，即为最终结果x′(t)：
Figure GDA0002412003390000055
2.含有率筛选
步骤一：分别对原始数据以及各imf分量、余量进行积分，积分结果QV、QR、QHu如下所示：
Figure GDA0002412003390000056
Figure GDA0002412003390000057
Figure GDA0002412003390000061
式(7)、(8)、(9)中，T1为电压数据和内阻数据所对应的时间长度，单位为天；V为电压数据的集合；R为内阻数据的集合；Hu为电压数据或内阻数据对应的第u个EEMD分量。
步骤2：计算各分量的含有率。分量的含有率为其占原始信号的比例，本发明用相同时间内分量的积分占原始信号的积分的比值来表示。因此，各分量的含有率为：
Figure GDA0002412003390000062
Figure GDA0002412003390000063
式(10)、(11)中，λju表示电压数据对应的第u个分量的含有率；λRu表示内阻数据对应的第u个分量的含有率；
Figure GDA0002412003390000065
表示电压数据对应的第u个分量；
Figure GDA0002412003390000066
表示内阻数据对应的第u个分量。
步骤3：分量筛选。由于蓄电池的退化受浮充时间、均充次数、温度等多种因素的影响，但各因素影响大小不同，故本发明忽略对蓄电池退化影响较小的因素，在不影响预测结果精度的前提下减少后续计算量，以提高整个流程的计算速度。为此，本发明设置了含有率阈值λ(λ为常数)，当分量含有率小于λ时，将会被忽略。
3.数据样本的归一化处理
通过数据的归一化处理，可以使网络的训练数据更加有效和稳健，提高网络模型训练时的收敛速度。利用式(12)可把输入和输出数据归一化到0与1之间：
Figure GDA0002412003390000064
式(12)中，xmax和xmin是LSTM神经网络输入数据x的最大值和最小值，y为归一化后的值，x分别为经过EEMD分解和含有率筛选后的电压、内阻分量值以及浮充次数、均充时长。
二、LSTM的模型训练与精度验证
经EEMD多尺度分解和含有率筛选后，可得到N1个分量，而后分别用LSTM神经网络进行趋势预测，具体方法为：
1.LSTM的模型训练
将归一化所得电压或内阻数据分为A、B两组，A组作为训练样本，B组作为测试样本，训练样本组数A一般要大于测试样本组数B(例如，比例可以为70％、30％)。训练样本用作LSTM网络的输入，测试样本用于检验网络模型的性能。
步骤一：网络超参数初始化。本发明需人为设置的超参数包括：输入节点数m1(包括某一时刻的电压或内阻值，均充次数N2、浮充时长T2，即m1＝3)，隐藏节点数k1，输出节点数n1，学习率yita，误差阈值cost，最大迭代次数s，LSTM细胞核个数w(w一般小于3个)。
步骤二：权重偏置初始化。LSTM神经网络前向计算公式如下所示：
Figure GDA0002412003390000071
式(13)表示t时刻LSTM的前向计算公式。
Figure GDA0002412003390000072
为t时刻网络的三个输入，
Figure GDA0002412003390000073
为网络的最终输出。其中
Figure GDA0002412003390000074
为t-1时刻的电压或内阻网络输出值，其为一个n1维行向量，n1表示需要预测的电压或内阻个数，即输出节点数；
Figure GDA0002412003390000075
为t时刻的网络输入值，其为一个m1维的行向量，m1为单个样本的维数，即输入节点数；
Figure GDA0002412003390000076
为t-1时刻网络的单元状态；
Figure GDA0002412003390000077
为t时刻的电压、内阻输出值，也是一个n1维行向量。
Figure GDA0002412003390000078
分别表示t时刻的遗忘门输出，输入门输出，输出门输出和单元状态。
σ和tanh均为激活函数，其中σ为sigmoid函数，tanh为双曲正切函数，二者计算公式分别如下：
Figure GDA0002412003390000081
Figure GDA0002412003390000082
表示按元素乘，当
Figure GDA0002412003390000083
作用于两个向量时，运算如下：
Figure GDA0002412003390000084
当
Figure GDA0002412003390000085
作用于一个向量和一个矩阵时，运算如下：
Figure GDA0002412003390000086
当
Figure GDA0002412003390000087
作用于两个矩阵时，两个矩阵对应位置的元素相乘即可。
Wf、Wi、Wc、Wo分别代表遗忘门、输入门、当前输入单元状态和输出门的权重矩阵，bf、bi、bc、bo则表示遗忘门、输入门、当前输入单元状态和输出门的偏置矩阵，此8个参数是由网络训练而来，无需人为设置具体数值，但需人为指定矩阵维度，并由计算机产生0～1之间的随机数作为其初值。事实上，每个权重矩阵W都是两个矩阵拼接而成的，以Wf为例，它可看作是Wfh和Wfx两个矩阵拼接而成，即
Figure GDA0002412003390000088
故网络需要训练的参数包括Wfh，Wfx，Wih，Wix，Wch，Wcx，Woh，Wox，bf，bi，bc，bo12个参数。
本发明指定Wfx，Wix，Wcx，Wox为m1*k1的矩阵，Wfh，Wih，Wch，Woh为n1*k1的矩阵，bf，bi，bc，bo为1*k1的矩阵。
步骤三：前向计算。LSTM的前向计算如式(13)所示，前向计算可得到每个神经元的输出值，即
Figure GDA0002412003390000089
五个向量的值。通过前向计算，LSTM能更加有效地决定哪些信息被遗忘，哪些信息被保留，更加高效的处理长时间序列。
步骤四：根据损失函数C更新网络权重和偏置。损失函数C表示网络的误差大小，其值越小，则模型越精确，反之模型越不精确。其计算公式如下：
Figure GDA0002412003390000091
式(18)中，L表示训练样本总数，h(b)表示第b个训练样本的网络输出电压或内阻值，a(b)表示第b个训练样本对应的实际电压或内阻值。改变权重偏置值，就可改变C的大小，利用梯度下降算法可快速找到合适的权重和偏置，使C最小化，以达到误差阈值cost，加快网络收敛速度。
步骤五：重复步骤三、四，直到迭代次数等于s或误差小于误差阈值cost，停止训练。
步骤六：将EEMD各个分量的预测值相加即为网络最终预测值。
4.LSTM的精度验证
LSTM网络训练完成后，采用测试样本B进行测试，将网络模型的最终预测值与真实值进行比较。本发明采用统计误差评估LSTM神经网络的性能，本文采用的统计误差为均方根误差，计算公式分别如下：
Figure GDA0002412003390000092
式(19)中，yes，v为网络预测值，ya,v为实际值，M为网络预测值个数。若统计误差满足实际需求，则LSTM模型精确，可投入实际，若不满足实际需求，则改变网络超参数，重新训练网络模型。
模型训练完成后，根据预测得到的电压和内阻，使用已有的数据驱动方法辨识得到电池健康状态(SOH)大小，当SOH的值小于80％时，电池应被淘汰。
本发明与现有技术相比，其有益效果为：
本发明提出一种基于长短期记忆神经网络(LSTM)的变电站铅酸阀控蓄电池退化趋势预测方法。该方法将人工智能技术引入到变电站铅酸阀控蓄电池的退化趋势预测中，在考虑均充次数、浮充时长、温度等众多因素的情况下，以大量历史电压、内阻数据为样本，通过EEMD进行多尺度分解，通过计算各分量含有率，忽略掉含有率数值较小的分量，而后利用LSTM神经网络分别预测各分量退化趋势，最后将所得结果进行集成，即为最终的预测结果。本发明所提出的方法可以使得影响蓄电池寿命的众多因素尽可能地分离开来，在保证预测精度的同时，加快LSTM网络收敛速度，精度更高，用时更短。可为变电站工作人员及时检修或更换电池提供依据，进而在保证蓄电池可靠性的同时，提高蓄电池利用率，保障变电站的可靠运行和电网安全。将本发明用于变电站直流系统中，相比现有的方法，能够更加准确、快速的预测蓄电池在给定使用计划对应时间段内的退化趋势。
附图说明
图1为基于EEMD的多尺度分解流程图；
图2为含有率筛选流程图；
图3为基于LSTM的网络训练流程图；
图4是本发明基于LSTM的变电站铅酸阀控蓄电池退化趋势预测系统的结构示意图；
图5为本发明电子设备结构示意图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。
基于LSTM的变电站铅酸阀控蓄电池退化趋势预测方法，包括如下步骤：
采用集成经验模态分解方法分别对采集到的电压、内阻数据进行分解；
计算分解得到的各分量的含有率，并以含有率为指标分别对电压、内阻的这些分量进行筛选；
对浮充时长、均充次数、筛选后的电压分量、筛选后的内阻分量分别进行归一化处理；
以归一化处理后的电压分量在某一时刻的值、该时刻到下一时刻之间归一化处理后的浮充时长和归一化处理后的均充次数作为LSTM模型的输入，以归一化处理后的电压分量在下一时刻的值作为LSTM模型的输出，对每个分量的LSTM模型进行训练，得到各个分量的LSTM电压预测模型；
以归一化处理后的内阻分量在某一时刻的值、该时刻到下一时刻之间归一化处理后的浮充时长和归一化处理后的均充次数作为LSTM模型的输入，以归一化处理后的内阻分量在下一时刻的值作为LSTM模型的输出，对每个分量的LSTM模型进行训练，得到各个分量的LSTM内阻预测模型；
将经过EEMD分解、含有率筛选并归一化处理后的电压或电压预测值作为输入，同时将该时刻到下一时刻之间归一化处理后的浮充时长和均充次数作为输入，带到相应分量的LSTM电压预测模型，得到各个分量的电压预测值，之后将各个分量的电压预测值累加，即为下一时刻蓄电池电压的预测值。
将经过EEMD分解、含有率筛选并归一化处理后的内阻或内阻预测值作为输入，同时将该时刻到下一时刻之间归一化处理后的浮充时长和均充次数作为输入，带到相应分量的LSTM内阻预测模型，得到各个分量的内阻预测值，之后将各个分量的内阻预测值累加，即为下一时刻蓄电池内阻的预测值；
含有率筛选，当分量的含有率小于含有率阈值λ，则忽略该分量。
参见图1，采用EEMD进行多尺度分解，具体内容包括：
S11、以采集到的电压、内阻数据样本作为原始信号x(t)，分N次给原始信号x(t)添加频率均匀的幅值系数为k的高斯白噪声序列n(t)；
S12、找出混合信号xj(t)中的全部局部极大值和极小值点，然后通过曲线拟合的方法结合各个极值点构造出上包络线和下包络线，这样信号xj(t)就被上下包络线所包络；
S13、由上下包络线可构造出它们的均值曲线m(t)，再用信号xj(t)减去均值曲线m(t)，得到一个分解模态分量H(t)；
S14、由式(2)计算SD，得到imf1后，用混合信号xj(t)减去imf1(t)，所得结果作为新的信号，再次重复上述步骤，直到残余分量r(t)为单调函数或者SD(筛分门限值，一般取值0.2～0.3)小于门限值时停止；
S15、由式(4)、(5)对N次分解后的各imf分量求平均，最后集成即为EEMD分解结果。
参见图2，进行含有率筛选，具体内容包括：
S21、利用式(7)～(9)分别对原始数据以及各分量进行积分；
S22、利用式(10)、(11)计算各分量的含有率；
S23、将式(10)、(11)所得结果与含有率阈值λ相比较，保留含有率大于λ的分量，忽略含有率小于λ的分量。
参见图3，基于LSTM的网络训练，具体内容包括：
S31、以归一化后的历史电压或内阻数据、浮充时长、均充次数作为网络输入，开始训练LSTM网络模型；
S32、给定输入节点数m1，隐藏节点数k1，输出节点数n1，学习率yita，误差阈值cost，最大迭代次数s，指定各权重矩阵和偏置矩阵的维度，并用计算机产生0～1之间的随机数赋给各权重矩阵和偏置矩阵；
S33、前向计算。利用式(13)可计算得到每个神经元的输出值，即
Figure GDA0002412003390000121
Figure GDA0002412003390000122
五个向量的值；
S34、由式(18)计算损失函数，以此作为网络权重和偏置更新的依据；
S35、利用反向传播算法和梯度下降算法更新网络权重和偏置；
S36、判断网络迭代次数是否已达到最大值或误差小于误差阈值，是则输出LSTM模型，否则迭代次数加1，重复S33、S34、S35、S36。
如图4所示，一种基于LSTM的阀控式铅酸蓄电池退化趋势预测系统，包括：
第一数据处理模块101，用于采用集成经验模态分解方法分别对采集到的电压、内阻数据进行分解；
第二数据处理模块102，用于计算分解得到的各分量的含有率，并以含有率为指标分别对电压、内阻的这些分量进行筛选；
第三数据处理模块103，用于对浮充时长、均充次数、筛选后的电压分量、筛选后的内阻分量分别进行归一化处理；
LSTM模型构建模块104，用于以归一化处理后的电压分量在某一时刻的值、该时刻到下一时刻之间归一化处理后的浮充时长和归一化处理后的均充次数作为LSTM模型的输入，以归一化处理后的电压分量在下一时刻的值作为LSTM模型的输出，对每个分量的LSTM模型进行训练，得到各个分量的LSTM电压预测模型；以归一化处理后的内阻分量在某一时刻的值、该时刻到下一时刻之间归一化处理后的浮充时长和归一化处理后的均充次数作为LSTM模型的输入，以归一化处理后的内阻分量在下一时刻的值作为LSTM模型的输出，对每个分量的LSTM模型进行训练，得到各个分量的LSTM内阻预测模型；
预测模块105，将经过EEMD分解、含有率筛选并归一化处理后的电压或电压预测值作为输入，同时将该时刻到下一时刻之间归一化处理后的浮充时长和均充次数作为输入，带到相应分量的LSTM电压预测模型，得到各个分量的电压预测值，之后将各个分量的电压预测值累加，即为下一时刻蓄电池电压的预测值。
将经过EEMD分解、含有率筛选并归一化处理后的内阻或内阻预测值作为输入，同时将该时刻到下一时刻之间归一化处理后的浮充时长和均充次数作为输入，带到相应分量的LSTM内阻预测模型，得到各个分量的内阻预测值，之后将各个分量的内阻预测值累加，即为下一时刻蓄电池内阻的预测值；
在本发明实施例中，第一数据处理模块101采用集成经验模态分解方法分别对采集到的电压、内阻数据进行分解；之后，第二数据处理模块102计算分解得到的各分量的含有率，并以含有率为指标分别对电压、内阻的这些分量进行筛选；接着第三数据处理模块103对浮充时长、均充次数、筛选后的电压分量、筛选后的内阻分量分别进行归一化处理；之后，LSTM模型构建模块104以归一化处理后的电压分量在某一时刻的值、该时刻到下一时刻之间归一化处理后的浮充时长和归一化处理后的均充次数作为LSTM模型的输入，以归一化处理后的电压分量在下一时刻的值作为LSTM模型的输出，对每个分量的LSTM模型进行训练，得到各个分量的LSTM电压预测模型；以归一化处理后的内阻分量在某一时刻的值、该时刻到下一时刻之间归一化处理后的浮充时长和归一化处理后的均充次数作为LSTM模型的输入，以归一化处理后的内阻分量在下一时刻的值作为LSTM模型的输出，对每个分量的LSTM模型进行训练，得到各个分量的LSTM内阻预测模型；最后，预测模块105将经过EEMD分解、含有率筛选并归一化处理后的电压或电压预测值作为输入，同时将该时刻到下一时刻之间归一化处理后的浮充时长和均充次数作为输入，带到相应分量的LSTM电压预测模型，得到各个分量的电压预测值，之后将各个分量的电压预测值累加，即为下一时刻蓄电池电压的预测值；
将经过EEMD分解、含有率筛选并归一化处理后的内阻或内阻预测值作为输入，同时将该时刻到下一时刻之间归一化处理后的浮充时长和均充次数作为输入，带到相应分量的LSTM内阻预测模型，得到各个分量的内阻预测值，之后将各个分量的内阻预测值累加，即为下一时刻蓄电池内阻的预测值。
本发明实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图5为本发明实施例提供的电子设备结构示意图，参照图5，该电子设备可以包括：处理器(processor)201、通信接口(Communications Interface)202、存储器(memory)203和通信总线204，其中，处理器201，通信接口202，存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储器203中的逻辑指令，以执行如下方法：采用集成经验模态分解方法分别对采集到的电压、内阻数据进行分解；计算分解得到的各分量的含有率，并以含有率为指标分别对电压、内阻的这些分量进行筛选；对浮充时长、均充次数、筛选后的电压分量、筛选后的内阻分量分别进行归一化处理；以归一化处理后的电压分量在某一时刻的值、该时刻到下一时刻之间归一化处理后的浮充时长和归一化处理后的均充次数作为LSTM模型的输入，以归一化处理后的电压分量在下一时刻的值作为LSTM模型的输出，对每个分量的LSTM模型进行训练，得到各个分量的LSTM电压预测模型；以归一化处理后的内阻分量在某一时刻的值、该时刻到下一时刻之间归一化处理后的浮充时长和归一化处理后的均充次数作为LSTM模型的输入，以归一化处理后的内阻分量在下一时刻的值作为LSTM模型的输出，对每个分量的LSTM模型进行训练，得到各个分量的LSTM内阻预测模型；将经过EEMD分解、含有率筛选并归一化处理后的电压或电压预测值作为输入，同时将该时刻到下一时刻之间归一化处理后的浮充时长和均充次数作为输入，带到相应分量的LSTM电压预测模型，得到各个分量的电压预测值，之后将各个分量的电压预测值累加，即为下一时刻蓄电池电压的预测值；将经过EEMD分解、含有率筛选并归一化处理后的内阻或内阻预测值作为输入，同时将该时刻到下一时刻之间归一化处理后的浮充时长和均充次数作为输入，带到相应分量的LSTM内阻预测模型，得到各个分量的内阻预测值，之后将各个分量的内阻预测值累加，即为下一时刻蓄电池内阻的预测值。
此外，上述的存储器203中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于LSTM的变电站铅酸阀控蓄电池退化趋势预测方法，例如包括：采用集成经验模态分解方法分别对采集到的电压、内阻数据进行分解；计算分解得到的各分量的含有率，并以含有率为指标分别对电压、内阻的这些分量进行筛选；对浮充时长、均充次数、筛选后的电压分量、筛选后的内阻分量分别进行归一化处理；以归一化处理后的电压分量在某一时刻的值、该时刻到下一时刻之间归一化处理后的浮充时长和归一化处理后的均充次数作为LSTM模型的输入，以归一化处理后的电压分量在下一时刻的值作为LSTM模型的输出，对每个分量的LSTM模型进行训练，得到各个分量的LSTM电压预测模型；以归一化处理后的内阻分量在某一时刻的值、该时刻到下一时刻之间归一化处理后的浮充时长和归一化处理后的均充次数作为LSTM模型的输入，以归一化处理后的内阻分量在下一时刻的值作为LSTM模型的输出，对每个分量的LSTM模型进行训练，得到各个分量的LSTM内阻预测模型；将经过EEMD分解、含有率筛选并归一化处理后的电压或电压预测值作为输入，同时将该时刻到下一时刻之间归一化处理后的浮充时长和均充次数作为输入，带到相应分量的LSTM电压预测模型，得到各个分量的电压预测值，之后将各个分量的电压预测值累加，即为下一时刻蓄电池电压的预测值；将经过EEMD分解、含有率筛选并归一化处理后的内阻或内阻预测值作为输入，同时将该时刻到下一时刻之间归一化处理后的浮充时长和均充次数作为输入，带到相应分量的LSTM内阻预测模型，得到各个分量的内阻预测值，之后将各个分量的内阻预测值累加，即为下一时刻蓄电池内阻的预测值。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
应用实例
表1所示为实验采集到的24个月电压、内阻、浮充时长、均充次数样本数据：
表1样本数据
Figure GDA0002412003390000161
预测步骤如下：
1、EEMD分解
步骤一：将采集到的24个端电压数据序列作为原始信号，采用EEMD算法对其进行分解，分别得到10个imf分量和1个余量。
步骤二：将采集到的24个内阻数据序列作为原始信号，采用EEMD算法对其进行分解，分别得到13个imf分量和1个余量。
2、含有率筛选
步骤一：利用式(7)～(9)分别对原始端电压、内阻数据以及EEMD分解得到的各分量进行积分；
步骤二：利用式(10)、(11)计算各分量的含有率；
步骤三：当分量含有率小于含有率阈值λ(λ为常数，本发明设置含有率阈值λ为5％)时，忽略该分量。经过含有率筛选后，端电压数据序列保留8个imf分量和1个余量，内阻数据序列保留11个imf分量和1个余量。
3、归一化处理
利用式(12)对经过EEMD分解和含有率筛选后的9个端电压分量(8个imf分量和1个余量)、经过EEMD分解和含有率筛选后的12个内阻分量(11个imf分量和1个余量)、浮充时长、均充次数进行归一化处理。
4、LSTM网络训练
4.1端电压趋势训练与预测
步骤一：经过归一化处理后，以第1-20次的端电压数据作为训练样本，分别对各分量进行LSTM网络训练。此处以第p1个分量(p1范围为1～9)为例说明网络输入、输出：
输入：第t1次端电压值归一化值(t1范围为1～20)、第t1～t1+1次的浮充时长归一化值、第t1～t1+1次的均充次数归一化值
输出：第t1+1次的端电压归一化值
步骤二：网络训练完毕后，以第21-24次的端电压数据作为测试样本，检验LSTM网络模型精度，此处仍以第p1个分量(p1范围为1～9)为例说明网络输入、输出：
输入：第t2次端电压值(或端电压预测值)归一化值(t2范围为21～24)、第t2～t2+1次的浮充时长归一化值、第t2～t2+1次的均充次数归一化值
输出：第t2+1次的端电压归一化值
步骤三：将9个端电压分量的预测结果进行叠加，即为第t2+1次的端电压最终预测值。
4.2内阻趋势训练与预测
步骤一：经过归一化处理后，以第1-20次的内阻数据作为训练样本，进行LSTM网络训练。此处仍以第p2个分量(p2范围为1～12)为例说明网络输入、输出：
输入：第t3次内阻值归一化值(t3范围为1～20)、第t3～t3+1次的浮充时长归一化值、第t3～t3+1次的均充次数归一化值
输出：第t3+1次的内阻归一化值
步骤二：网络训练完毕后，以第21-24次的内阻数据作为测试样本，检验LSTM网络模型精度。此处仍以第p2个分量(p2范围为1～9)为例说明网络输入、输出：
输入：第t4次内阻值(或内阻预测值)归一化值(t4范围为21～24)、第t4～t4+1次的浮充时长归一化值、第t4～t4+1次的均充次数归一化值
输出：第t4+1次的内阻归一化值
步骤三：将12个内阻分量的预测结果进行叠加，即为第t4+1次的内阻最终预测值。
5、结果分析
(1)表2所示为21-24次的电压数据实际值与预测值，由上述步骤预测得到的电压结果为10.798，10.695，10.523，10.367。由式(19)计算得到均方根误差为0.0351，误差较小，满足实际需求。
表2端电压实际值与预测值
数据序列 实际值 预测值
21 10.819 10.798
22 10.731 10.695
23 10.562 10.523
24 10.408 10.367
(2)表3所示为21-24次的内阻数据实际值与预测值，由上述步骤预测得到的内阻结果为1103.622，1111.925，1124.846，1136.977。由式(19)计算得到均方根误差为8.254，误差较小，满足实际需求。
表3内阻实际值与预测值
数据序列 实际值 预测值
21 1109.65 1103.622
22 1118.96 1111.925
23 1132.89 1124.846
24 1148.02 1136.977
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.基于LSTM的变电站铅酸阀控蓄电池退化趋势预测方法，其特征在于，包括如下步骤：
采用集成经验模态分解方法分别对采集到的电压、内阻数据进行分解；
计算分解得到的各分量的含有率，并以含有率为指标分别对电压、内阻的这些分量进行筛选；
对浮充时长、均充次数、筛选后的电压分量、筛选后的内阻分量分别进行归一化处理；
以归一化处理后的电压分量在某一时刻的值、该时刻到下一时刻之间归一化处理后的浮充时长和归一化处理后的均充次数作为LSTM模型的输入，以归一化处理后的电压分量在下一时刻的值作为LSTM模型的输出，对每个分量的LSTM模型进行训练，得到各个分量的LSTM电压预测模型；
以归一化处理后的内阻分量在某一时刻的值、该时刻到下一时刻之间归一化处理后的浮充时长和归一化处理后的均充次数作为LSTM模型的输入，以归一化处理后的内阻分量在下一时刻的值作为LSTM模型的输出，对每个分量的LSTM模型进行训练，得到各个分量的LSTM内阻预测模型；
将经过EEMD分解、含有率筛选并归一化处理后的电压或电压预测值作为输入，同时将该时刻到下一时刻之间归一化处理后的浮充时长和均充次数作为输入，带到相应分量的LSTM电压预测模型，得到各个分量的电压预测值，之后将各个分量的电压预测值累加，即为下一时刻蓄电池电压的预测值；
将经过EEMD分解、含有率筛选并归一化处理后的内阻或内阻预测值作为输入，同时将该时刻到下一时刻之间归一化处理后的浮充时长和均充次数作为输入，带到相应分量的LSTM内阻预测模型，得到各个分量的内阻预测值，之后将各个分量的内阻预测值累加，即为下一时刻蓄电池内阻的预测值。
2.根据权利要求1所述的基于LSTM的变电站铅酸阀控蓄电池退化趋势预测方法，其特征在于，当分量的含有率小于含有率阈值λ，则忽略该分量。
3.基于LSTM的阀控式铅酸蓄电池退化趋势预测系统，其特征在于，包括：
第一数据处理模块，用于采用集成经验模态分解方法分别对采集到的电压、内阻数据进行分解；
第二数据处理模块，用于计算分解得到的各分量的含有率，并以含有率为指标分别对电压、内阻的这些分量进行筛选；
第三数据处理模块，用于对浮充时长、均充次数、筛选后的电压分量、筛选后的内阻分量分别进行归一化处理；
LSTM模型构建模块，用于以归一化处理后的电压分量在某一时刻的值、该时刻到下一时刻之间归一化处理后的浮充时长和归一化处理后的均充次数作为LSTM模型的输入，以归一化处理后的电压分量在下一时刻的值作为LSTM模型的输出，对每个分量的LSTM模型进行训练，得到各个分量的LSTM电压预测模型；以归一化处理后的内阻分量在某一时刻的值、该时刻到下一时刻之间归一化处理后的浮充时长和归一化处理后的均充次数作为LSTM模型的输入，以归一化处理后的内阻分量在下一时刻的值作为LSTM模型的输出，对每个分量的LSTM模型进行训练，得到各个分量的LSTM内阻预测模型；
预测模块，将经过EEMD分解、含有率筛选并归一化处理后的电压或电压预测值作为输入，同时将该时刻到下一时刻之间归一化处理后的浮充时长和均充次数作为输入，带到相应分量的LSTM电压预测模型，得到各个分量的电压预测值，之后将各个分量的电压预测值累加，即为下一时刻蓄电池电压的预测值；将经过EEMD分解、含有率筛选并归一化处理后的内阻或内阻预测值作为输入，同时将该时刻到下一时刻之间归一化处理后的浮充时长和均充次数作为输入，带到相应分量的LSTM内阻预测模型，得到各个分量的内阻预测值，之后将各个分量的内阻预测值累加，即为下一时刻蓄电池内阻的预测值。
4.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至2任一项所述基于LSTM的变电站铅酸阀控蓄电池退化趋势预测方法的步骤。
5.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至2任一项所述基于LSTM的变电站铅酸阀控蓄电池退化趋势预测方法的步骤。
CN201911236602.6A 2019-12-05 2019-12-05 基于lstm的变电站铅酸阀控蓄电池退化趋势预测方法 Active CN111210049B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911236602.6A CN111210049B (zh) 2019-12-05 2019-12-05 基于lstm的变电站铅酸阀控蓄电池退化趋势预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911236602.6A CN111210049B (zh) 2019-12-05 2019-12-05 基于lstm的变电站铅酸阀控蓄电池退化趋势预测方法

Publications (2)

Publication Number Publication Date
CN111210049A CN111210049A (zh) 2020-05-29
CN111210049B true CN111210049B (zh) 2023-01-31

Family

ID=70788010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911236602.6A Active CN111210049B (zh) 2019-12-05 2019-12-05 基于lstm的变电站铅酸阀控蓄电池退化趋势预测方法

Country Status (1)

Country Link
CN (1) CN111210049B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110988723B (zh) * 2019-12-17 2022-01-25 国网上海市电力公司 一种基于lstm的电池内阻预测及故障预警方法
CN112038670B (zh) * 2020-07-31 2021-09-14 上海捷氢科技有限公司 一种质子交换膜燃料电池及其水状态监测方法和装置
CN113065283A (zh) * 2021-03-26 2021-07-02 深圳技术大学 一种电池寿命预测方法、系统、电子装置及存储介质
CN114565151A (zh) * 2022-02-24 2022-05-31 苏州市职业大学 基于eemd与lstm模型电动汽车电池寿命预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292453A (zh) * 2017-07-24 2017-10-24 国网江苏省电力公司电力科学研究院 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法
CN108256697A (zh) * 2018-03-26 2018-07-06 电子科技大学 一种用于电力系统短期负荷的预测方法
CN109859469A (zh) * 2019-02-15 2019-06-07 重庆邮电大学 一种基于集成lstm神经网络的车流量预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292453A (zh) * 2017-07-24 2017-10-24 国网江苏省电力公司电力科学研究院 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法
CN108256697A (zh) * 2018-03-26 2018-07-06 电子科技大学 一种用于电力系统短期负荷的预测方法
CN109859469A (zh) * 2019-02-15 2019-06-07 重庆邮电大学 一种基于集成lstm神经网络的车流量预测方法

Also Published As

Publication number Publication date
CN111210049A (zh) 2020-05-29

Similar Documents

Publication Publication Date Title
CN111210049B (zh) 基于lstm的变电站铅酸阀控蓄电池退化趋势预测方法
CN112241608A (zh) 一种基于lstm网络和迁移学习的锂电池寿命预测方法
CN110187290B (zh) 一种基于融合型算法的锂离子电池剩余寿命预测方法
CN113064093B (zh) 储能电池荷电状态与健康状态联合估算方法及系统
CN111736084B (zh) 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法
CN113805064B (zh) 基于深度学习的锂离子电池组健康状态预测方法
CN112782591B (zh) 基于多电池数据融合的锂电池soh长期预测方法
CN111007401A (zh) 一种基于人工智能的电动汽车电池故障诊断方法及设备
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN110488202A (zh) 基于深度神经网络的车辆电池荷电状态估计方法
CN111948563A (zh) 一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法
CN115616414A (zh) 储能锂电池剩余寿命长时间序列预测方法及装置
CN114707712A (zh) 一种发电机组备件需求的预测方法
CN111191398B (zh) 基于svr的变电站直流系统蓄电池退化趋势预测方法
CN116796631A (zh) 一种计及约束条件的锂电池寿命预测方法
CN113687242A (zh) 基于ga算法优化改进gru神经网络的锂离子电池soh估计方法
CN113406503A (zh) 基于深度神经网络的锂电池soh在线估算方法
CN113409072A (zh) 一种经验模态分解和分布式gru神经网络及价格预测方法
CN115586444A (zh) 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法
CN116298936A (zh) 在不完全电压范围内的锂离子电池智能健康状态预测方法
CN113791351B (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
CN113408138B (zh) 一种基于二次融合的锂电池soh估计方法和系统
CN116893349A (zh) 一种基于高斯过程回归的电池健康状态预测方法和系统
CN111061708A (zh) 一种基于lstm神经网络的电能量预测与修复方法
CN114580705B (zh) 航电产品剩余寿命预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant