CN113850016B - 一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法 - Google Patents

Abstract

本发明公开一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法，具体步骤包括：1)采集蓄电池工作状态信号，并获取电池容量退化原始数据；2)对蓄电池容量退化数据进行变分模态分解，得到不同尺度的子序列；3)基于优化核极限学习机建立各子序列预测模型，并采用蝙蝠算法优化KELM模型的正则化参数和核参数，获取子序列预测值；4)叠加子序列预测值，最终获取容量预测值，结合失效阈值估计蓄电池剩余寿命。本发明针对间歇工作模式下仿真变电站直流电源系统蓄电池退化非平稳和非单调特性，对容量退化数据进行模态分解，有效降低信号复杂性，并利用Bat优化子序列预测模型参数，更好地捕捉容量退化局部时序特征，从而提高电池剩余寿命预测精度。

Description

一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法

技术领域

本发明涉及一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法，属于蓄电池健康管理技术领域。

背景技术

变电站担负着各地区供电任务，是电网的重要枢纽。仿真变电站直流电源系统为变电站继电保护装置、开关控制设备、仿真运行设备等供电，蓄电池是直流电源中的关键一环，其可作为备用电源在仿真变电站断电或故障时迅速替换，当站用交流电源发生异常或中断时，可有效切除故障回路，确保仿真变电站正常运行。蓄电池性能退化或失效会引发变电站供电不稳甚至造成安全事故。因此，需要研究蓄电池剩余寿命(Remaining UsefulLife，RUL)预测技术，从而为蓄电池智能维护和科学管理提供决策信息，并增强仿真变电站安全性及可靠性。

现有蓄电池RUL预测方法大致分为基于模型和数据驱动两种方法。基于模型方法利用电池失效机理模型或经验退化模型来预测电池剩余寿命，其预测精度依赖于所建模型准确度，然而由于电池工作原理及工作条件复杂性，通常难以建立精确普适的寿命模型。数据驱动方法基于各类传感监测数据，利用机器学习方法挖掘电池容量退化规律，并跟踪和预测电池退化趋势，从而估计电池剩余寿命，是一类较为实用的方法。仿真变电站蓄电池作为应急和替换电源，其工作模式具有间歇性，会导致容量在常规退化过程中存在再生现象，使得电池退化规律呈现随机性、复杂性和非平稳性，使用传统单一预测模型难以对其进行准确预测。因此，对间歇工作模式下仿真变电站蓄电池寿命进行准确预测是一个亟待解决的问题。

发明内容

本发明为解决现有技术中存在的问题，提出一种基于信号分解和预测重组的仿真变电站蓄电池剩余寿命预测方法。首先，利用变分模态分解(Variational ModeDecomposition，VMD)技术对对蓄电池容量退化数据进行信号分解；然后，构建基于核极限学习机(Kernel Extreme Learning Machine，KELM)的分量预测模型，并利用蝙蝠(Bat)算法优化KELM模型参数；最后对各分量预测值进行组合获取容量预测结果，结合失效阈值实现蓄电池剩余寿命预测。

本发明为实现上述目的，采用基于VMD和Bat优化KELM的仿真变电站蓄电池剩余寿命预测方法，包括如下步骤：

步骤1、实时采集蓄电池工作状态信号，并基于容量估计方法计算蓄电池在K个循环周期下的放电容量，从而获得蓄电池容量退化数据Q(1),Q(2),…,Q(K)，Q(t)表示第t个循环周期下的放电容量，t＝1,…,K；其中工作状态信号包括工作电流和端电压；

步骤2、对蓄电池容量退化数据进行变分模态分解VMD，获得N个不同模态的子序列{u₁(1),u₁(2),…,u₁(K)}，{u₂(1),u₂(2),…,u₂(K)}，…，{u_N(1),u_N(2),…,u_N(K)}；

步骤3、基于步骤2中的各子序列，分别构造训练集；

步骤4、基于核极限学习机KELM构建预测模型，基于步骤3中的训练集，采用蝙蝠Bat算法优化预测模型中的正则化参数和核参数，完成预测模型的训练，获得N个基于Bat-KELM的预测模型；

步骤5、将{u_n(K-τ+1),u_n(K-τ+2),…,u_n(K)}作为对应基于Bat-KELM的预测模型的输入，获得预测值u_n(K+1)，再将{u_n(K-τ+2),u_n(K-τ+3),…,u_n(K+1)}作为对应基于Bat-KELM的预测模型的输入，重复进行P次预测，获得预测值u_n(K+P)，P个预测值构成预测结果序列{u_n(K+1),u_n(K+2),…,u_n(K+P)}；其中，τ为基于Bat-KELM的预测模型的输入节点数；

步骤6、将步骤5中各预测结果序列进行叠加，获得容量预测结果{Q(K+1),Q(K+2),…,Q(K+P)}，结合预设的容量失效阈值Q_threshold对蓄电池进行剩余寿命预测。

本发明针对间歇工作条件下的仿真变电站蓄电池剩余寿命预测问题，利用VMD分解技术实现了电池整体退化分量、再生分量和随机分量的有效解耦，降低了容量退化信号的复杂性和非平稳性，并利用Bat优化的KELM构建分量预测模型(N个基于Bat-KELM的预测模型)，提高了各分量预测精度，从而有效提高了蓄电池容量整体预测精度，以实现仿真变电站蓄电池准确剩余寿命预测。

附图说明

图1是仿真变电站直流电源系统蓄电池剩余寿命预测流程图；

图2是基于三种方法的蓄电池容量预测曲线对比图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

图1为仿真变电站直流电源系统蓄电池剩余寿命预测流程图，本发明采用基于VMD分解和Bat优化KELM组合预测的方法对蓄电池进行剩余寿命预测，具体实施方式如下：

步骤1、实时采集蓄电池工作状态信号，包括工作电流和端电压，并基于容量估计方法计算蓄电池在当前放电周期下的放电容量，从而获取不同循环周期下的容量退化数据Q(t)(t＝1,…,K)。

步骤2、对蓄电池容量退化数据进行VMD分解，获取N个不同模态子序列{u₁(1),u₁(2),…,u₁(K)}，{u₂(1),u₂(2),…,u₂(K)}，…，{u_N(1),u_N(2),…,u_N(K)}。

步骤2.1、将蓄电池容量退化数据Q(t)分解为N个模态函数u_n(t)，假设每个模态的有限带宽具有中心频率ω_n，使各模态估计带宽和最小，由此产生受约束变分问题为：

其中，表示对t求偏导数，δ(t)为冲击函数，/>为子序列预估中心频率，s.t.表示约束条件。

步骤2.2、通过引入拉格朗日乘子λ和二次惩罚因子C'，得到增广拉格朗日函数为：

步骤2.3、利用乘法算子交替法求解迭代式(2)，通过更新u_n(t)、ω_n及λ，寻找增广拉格朗日函数的鞍点。然后利用傅里叶等距变换，转换迭代后的结果到频域上，当满足式(3)时得到模态子序列；否则继续更新u_n(t0、ω_n及λ。

其中，和/>为分别为/>和/>的傅里叶变换，e为判别精度，k表示迭代次数。

步骤3、基于KELM建立预测模型，基于各子序列构造训练集，并利用Bat算法优化预测模型的正则化参数和核参数，获得N个基于Bat-KELM的预测模型。

步骤3.1、针对第n个子序列，构造包括J个训练样本的训练集，其中第j个训练样本的输入为第j个训练样本的输出为τ为预测模型的输入节点数。

步骤3.2、基于KELM构建第n个子序列的预测模型，模型表达式为：

其中，y(xⁿ)为模型输出η为正则化参数；I为单位矩阵；为训练样本输出矩阵K(·)为核函数，选用径向基核函数/>γ为核参数；Ω_ELM为核矩阵，/>

步骤3.3、由步骤3.2的模型表达式可知正则化参数η和核参数γ需要预先设定，因此采用Bat方法模拟蝙蝠捕食行为自适应搜索寻优KELM模型参数，包括如下步骤：

(1)设定待优化参数矩阵为θ＝{γ,η}，设计适应度函数为：

其中，为KELM模型预测输出。

(2)进行种群初始化，通过均匀分布随机采样I个粒子{θ_i(0),i＝1,…,I}作为初始粒子群，对第i个粒子随机分配搜索脉冲频率f_i＝[f_min,f_max]、脉冲频度r_i(0)和音强A_i(0)，其中f_min为脉冲频率最小值，f_max为脉冲频率最大值。

(3)进行蝙蝠全局搜索，更新粒子脉冲频率、速度及位置。

f_i＝f_min+(f_max-f_min)β' (6)

v_i(κ)＝v_i(κ-1)+(θ_i(κ-1)-θ_best)f_i (7)

θ_i(κ)＝θ_i(κ-1)+v_i(κ) (8)

其中，β'为[0,1]之间的随机数；v_i(κ)为κ次迭代时第i个粒子速度；θ_i(κ)为κ次迭代时第i个粒子位置；θ_best为粒子群全局最优位置。

(4)进行蝙蝠局部搜索，从均匀分布[0,1]中随机生成rand₁，若rand₁＜r_i(κ-1)，则接受利用式(8)更新粒子位置；若rand₁＞r_i(κ-1)，则采用下式计算粒子位置：

θ_i(κ)＝θ_best+εA' (9)

其中，ε为[0,1]范围内的随机数，A'为粒子平均音强。

(5)从均匀分布[0,1]中随机生成rand₂，若rand₂＜A_i(κ-1)且G(θ_i(κ))＜G(θ_best)，则粒子位置为θ_i(κ)，更新脉冲音强A_i(κ)和脉冲频度r_i(κ)，以调整粒子局部搜索能力。

A_i(κ)＝δA_i(κ-1) (10)

r_i(κ)＝r_i(0)[1-exp(-ξκ)] (11)

其中，δ为衰减系数，ξ为增强系数。

(6)基于式(5)计算各粒子适应度函数值，并更新全局最优值θ_best。

θ_best＝min{G(θ₁(κ)),G(θ₂(κ)),…,G(θ_I(κ))} (12)

(7)当算法达到最大迭代次数或精度阈值时，停止优化迭代，获取最优参数，并带入预测模型中，得到优化后的预测模型，否则转入步骤(3)，继续迭代。

步骤4、将{u_n(K-τ+1),u_n(K-τ+2),…,u_n(K)}作为对应基于Bat-KELM的预测模型的输入，获得预测值u_n(K+1)，再将{u_n(K-τ+2),u_n(K-τ+3),…,u_n(K+1)}作为对应基于Bat-KELM的预测模型的输入，重复进行P次预测，获得预测值u_n(K+P)，P个预测值构成预测结果序列{u_n(K+1),u_n(K+2),…,u_n(K+P)}。

步骤5、将步骤4中的子序列预测结果进行叠加，获取容量预测结果为{Q(K+1),Q(K+2),…,Q(K+P)}，并结合容量失效阈值对蓄电池进行剩余寿命预测，公式如下：

其中，RUL为剩余寿命预测值，Q_threshold为容量失效阈值。

为验证本发明所提方法的有效性，采用实测的蓄电池退化数据进行实例分析。分别采用KELM、VMD+KELM以及本发明所提VMD+Bat-KELM三种方法进行容量及剩余寿命预测。以蓄电池前70个循环周期的容量数据构建训练集，后续容量数据作为测试集，分别对三种方法进行模型训练及测试。每种方法均取10次运行结果的平均值进行性能分析。

表1为基于三种方法对蓄电池进行容量及剩余寿命预测的性能评价指标，包括容量预测均方根误差(Root Mean Square Error，RMSE)、平均绝对百分比误差(MeanAbsolute Percentage Error，MAPE)以及RUL预测绝对误差。图2给出了基于三种方法进行容量趋势预测的曲线对比图。由表1和图2可知，本发明所提方法可准确跟踪容量变化趋势，预测性能评价指标最小，剩余寿命预测结果最准确。这表明本发明方法可有效降低电池退化信号的复杂性和非平稳性，更好地捕捉分量特征变化规律，并利用Bat优化预测模型参数，进一步提升了模型对非线性退化规律的学习性能，从而提高了预测准确性。

表1基于三种方法的蓄电池预测性能评价指标

以上所述仅为本发明的具体实施例，并非因此限制本发明的专利范围，凡是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，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法，其特征在于该方法包括如下步骤：

步骤1、实时采集蓄电池工作状态信号，并基于容量估计方法计算蓄电池在K个循环周期下的放电容量，从而获得蓄电池容量退化数据Q(1),Q(2),…,Q(K)，Q(t)表示第t个循环周期下的放电容量，t＝1,…,K；其中工作状态信号包括工作电流和端电压；

步骤2、对蓄电池容量退化数据进行变分模态分解VMD，获得N个不同模态的子序列{u₁(1),u₁(2),…,u₁(K)}，{u₂(1),u₂(2),…,u₂(K)}，…，{u_N(1),u_N(2),…,u_N(K)}；

步骤3、基于步骤2中的各子序列，分别构造训练集；

步骤4、基于核极限学习机KELM构建预测模型，基于步骤3中的训练集，采用蝙蝠Bat算法优化预测模型中的正则化参数和核参数，完成预测模型的训练，获得N个基于Bat-KELM的预测模型；

步骤5、将{u_n(K-τ+1),u_n(K-τ+2),…,u_n(K)}作为对应基于Bat-KELM的预测模型的输入，获得预测值u_n(K+1)，再将{u_n(K-τ+2),u_n(K-τ+3),…,u_n(K+1)}作为对应基于Bat-KELM的预测模型的输入，重复进行P次预测，获得预测值u_n(K+P)，P个预测值构成预测结果序列{u_n(K+1),u_n(K+2),…,u_n(K+P)}；其中，τ为基于Bat-KELM的预测模型的输入节点数，n＝1,2,…,N；

步骤6、将步骤5中各预测结果序列进行叠加，获得容量预测结果{Q(K+1),Q(K+2),…,Q(K+P)}，结合预设的容量失效阈值Q_threshold对蓄电池进行剩余寿命预测。

2.如权利要求1所述的一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法，其特征在于，所述步骤2中对蓄电池容量退化数据进行VMD分解的受约束变分模型为：

其中，表示对t求偏导数，δ(t)为冲击函数，/>为子序列预估中心频率，j为虚数单位，s.t.表示约束条件，ω_n为第n个模态的有限带宽具有中心频率。

3.如权利要求1所述的一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法，其特征在于，所述步骤3中第n个子序列构造的训练集包括J个训练样本，第j个训练样本的输入为第j个训练样本的输出为/>其中j＝1,2,…,J。

4.如权利要求3所述的一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法，其特征在于，所述步骤4中，基于KELM构建第n个子序列的预测模型为：

其中，为模型输出；η为正则化参数；I为单位矩阵；/> γ为核参数，j'＝1,2,…,J；Ω_ELM为核矩阵，其第j行第j'列元素

5.如权利要求4所述的一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法，其特征在于，所述步骤4中采用蝙蝠Bat算法优化第n个子序列的预测模型中的正则化参数η和核参数γ的具体步骤为：

(1)设定待优化参数矩阵为θ＝{γ,η}，设计适应度函数为：

其中，为第n个子序列的预测模型的预测输出；

(2)进行种群初始化，通过均匀分布随机采样I个粒子{θ_i(0),i＝1,…,I}作为初始粒子群，对每个粒子随机分配搜索脉冲频率、脉冲频度和脉冲音强；

(3)进行蝙蝠全局搜索，更新粒子脉冲频率、速度及粒子位置；

(4)进行蝙蝠局部搜索，更新粒子位置；

(5)调整粒子局部搜索能力，更新脉冲音强和脉冲频度；

(6)计算各粒子目标函数值，并更新全局最优位置θ_best：

θ_best＝min{G(θ₁(κ)),G(θ₂(κ)),…,G(θ_I(κ))}

其中，θ_i(κ)为κ次迭代时第i个粒子位置，i＝1,…,I；

(7)当达到最大迭代次数或设定精度阈值时，停止迭代优化，获得最优正则化参数η和核参数γ，否则转入步骤(3)，继续迭代。

6.如权利要求1所述的一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法，其特征在于，所述步骤6中