CN114487848B - 一种蓄电池的状态计算方法和装置 - Google Patents
一种蓄电池的状态计算方法和装置 Download PDFInfo
- Publication number
- CN114487848B CN114487848B CN202210051413.7A CN202210051413A CN114487848B CN 114487848 B CN114487848 B CN 114487848B CN 202210051413 A CN202210051413 A CN 202210051413A CN 114487848 B CN114487848 B CN 114487848B
- Authority
- CN
- China
- Prior art keywords
- storage battery
- capacity
- model
- data
- battery
- 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
Links
- 238000004364 calculation method Methods 0.000 title claims description 5
- 230000036541 health Effects 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims description 61
- 230000008569 process Effects 0.000 claims description 25
- 238000002474 experimental method Methods 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000013210 evaluation model Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000005311 autocorrelation function Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000013501 data transformation Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 14
- 229920006248 expandable polystyrene Polymers 0.000 abstract 2
- 238000011156 evaluation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请实施例公开了一种蓄电池的状态计算方法和装置，该方法包括：采用预设的蓄电池实际容量推理模型周期性获取待计算的蓄电池的当前实际容量，并由获取的多组当前实际容量组成容量时间序列；将当前实际容量输入预设的蓄电池健康评估模型，对蓄电池的健康度进行打分；将容量时间序列输入预设的蓄电池剩余寿命估计模型，获取蓄电池的剩余寿命。通过该实施例方案，实现了直观地给出蓄电池的健康状态和剩余寿命，为维保人员提前提供了维保的有用信息，从而为提高EPS备运行的安全可靠性，降低检修维保成本提供了技术基础。
Description
技术领域
本申请实施例涉及蓄电池监控技术，尤指一种蓄电池的状态计算方法和装置。
背景技术
EPS(Emergency power Supply，应急电源)设备是地铁站的重要设备，在市电故障和发生供电异常时能够继续向负载和照明系统进行供电，确保不停电，保证地铁站能继续平稳运行。蓄电池组是EPS设备中的重要部件，因此，对于蓄电池设备的健康状况的监控和管理就成为了EPS设备运维工作中的重点内容。
目前，EPS设备中对于蓄电池设备的健康状况的评估方法主要是基于蓄电池厂家提供的充放电循环曲线图，结合检修人员经验进行粗略评估。这种方法没有考虑不同电池的工况环境有差异，也忽略了电池的个体差异，泛化能力不足，实际实施过程中电池实际循环次数也难以确切统计。不能对健康状态给出直观具体的数字化描述，也无法给出预估的失效时间，从而不能为蓄电池的维修和替换留下充足的时间。
发明内容
本申请实施例提供了一种蓄电池的状态计算方法和装置，能够直观地给出蓄电池的健康状态和剩余寿命，为维保人员提前提供维保的有用信息，从而为提高EPS设备运行的安全可靠性，降低检修维保成本提供了技术基础。
本申请实施例提供了一种蓄电池的状态计算方法，所述方法可以包括：
采用预设的蓄电池实际容量推理模型周期性获取待计算的蓄电池的当前实际容量，并由获取的多组当前实际容量组成容量时间序列；
将所述当前实际容量输入预设的蓄电池健康评估模型，对所述蓄电池的健康度进行打分；
将所述容量时间序列输入预设的蓄电池剩余寿命估计模型，获取所述蓄电池的剩余寿命。
在本申请的示例性实施例中，所述采用预设的蓄电池实际容量推理模型周期性获取待计算的蓄电池的当前实际容量，可以包括：周期性执行以下操作：
获取待计算的蓄电池的实时运行数据；
将每次获取的所述实时运行数据输入所述蓄电池实际容量推理模型，获取蓄电池的当前实际容量。
在本申请的示例性实施例中，所述获取待计算的蓄电池的实时运行数据，可以包括：
通过预设的监控系统提供的接口获取预设时长内所述待计算的蓄电池全部的实时运行监测数据；
对所述实时运行监测数据进行预处理，获取所述实时运行数据；其中，所述预处理包括以下任意一种或多种：忽略缺失值、偏差检测、数据集成、数据规约和数据变换。
在本申请的示例性实施例中，预先创建所述蓄电池实际容量推理模型，可以包括：
获取具有容量标签的蓄电池运行数据组成的第一训练数据集；
采用所述第一训练数据集对预先建立的第一回归模型进行训练，获取所述蓄电池实际容量推理模型；所述第一回归模型是以蓄电池运行数据作为输入，以具有蓄电池容量和健康度打分的数据作为输出的网络模型。
在本申请的示例性实施例中，所述获取具有容量标签的蓄电池运行数据组成的第一训练数据集，可以包括：
对同型号的蓄电池样本进行充放电实验，并在实验过程中检测所述蓄电池样本的运行数据；
每隔预设时长根据所述蓄电池样本的运行数据记录所述蓄电池样本的容量，获取完整充放电过程中不同时段的实际容量；
根据记录的不同时段的实际容量对所述蓄电池样本的运行数据设置所述容量标签，并由设置有所述容量标签的蓄电池样本的运行数据组成所述第一训练数据集。
在本申请的示例性实施例中，预先创建所述蓄电池健康评估模型，可以包括：
获取具有健康因子标签的蓄电池实际容量组成的第二训练数据集；
采用所述第二训练数据集对预先建立的第二回归模型进行训练，获取所述蓄电池健康评估模型；所述第二回归模型是以蓄电池容量数据作为输入，以健康度打分数据作为输出的网络模型。
在本申请的示例性实施例中，所述获取具有健康因子标签的蓄电池实际容量组成的第二训练数据集，可以包括：
对同型号的蓄电池样本进行充放电实验，并在实验过程中检测所述蓄电池样本的运行数据；
根据所述蓄电池样本的运行数据提取所述蓄电池样本的健康因子；并每隔预设时长根据所述蓄电池样本的运行数据记录所述蓄电池样本的容量，获取完整充放电过程中不同时段的实际容量；
根据不同时段提取的健康因子对不同时段的实际容量设置所述健康因子标签，并由设置有所述健康因子标签的蓄电池样本的实际容量组成所述第二训练数据集。
在本申请的示例性实施例中，所述由获取的多组当前实际容量组成容量时间序列，可以包括：
将所述多组当前实际容量按照获取的时间先后顺序进行排序，获取所述容量时间序列。
在本申请的示例性实施例中，在将所述容量时间序列输入预设的蓄电池剩余寿命估计模型之前，所述方法还可以包括：
对获取的所述容量时间序列进行序列平稳性判断；
当判定所述容量时间序列中存在非平稳数据时，对所述非平稳数据进行平稳化处理。
在本申请的示例性实施例中，预先创建所述蓄电池剩余寿命估计模型，可以包括：
获取由均为平稳数据的容量时间序列样本组成的第三训练数据集；
采用所述第三训练数据集对预先建立的机器学习模型进行训练，获取所述蓄电池剩余寿命估计模型的初始模型；所述机器学习模型是以容量时间序列作为输入，以蓄电池剩余寿命作为输出，并基于自相关函数和偏自相关函数进行参数调整的网络模型；
对获取的所述初始模型的模型残差序列进行白噪声检验，当所述模型残差序列确定为白噪声序列时判定所述初始模型有效，并将该有效的初始模型作为所述蓄电池剩余寿命估计模型。
在本申请的示例性实施例中，所述获取由均为平稳数据的容量时间序列样本组成的第三训练数据集，可以包括：
对同型号的蓄电池样本进行充放电实验，并在实验过程中检测所述蓄电池样本的运行数据；
每隔预设时长根据所述蓄电池样本的运行数据记录所述蓄电池样本的容量，获取所述蓄电池样本完整充放电过程中不同时段的实际容量；
将标定有不同时段的实际容量按照时间先后顺序进行排序，获取容量时间序列样本；
对所述容量时间序列样本进行序列平稳性判断，并对所述容量时间序列样本中的非平稳数据进行平稳化处理；
采用均为平稳数据的容量时间序列样本组成所述第三训练数据集。
本申请实施例还提供了一种蓄电池的状态计算装置，可以包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现上述任意一项所述的蓄电池的状态计算方法。
与相关技术相比，本申请实施例可以包括：采用预设的蓄电池实际容量推理模型周期性获取待计算的蓄电池的当前实际容量，并由获取的多组当前实际容量组成容量时间序列；将所述当前实际容量输入预设的蓄电池健康评估模型，对所述蓄电池的健康度进行打分；将所述容量时间序列输入预设的蓄电池剩余寿命估计模型，获取所述蓄电池的剩余寿命。通过该实施例方案，实现了直观地给出蓄电池的健康状态和剩余寿命，为维保人员提前提供了维保的有用信息，从而为提高EPS设备运行的安全可靠性，降低检修维保成本提供了技术基础。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1为本申请实施例的蓄电池的状态计算方法流程图；
图2为本申请实施例的预先创建所述蓄电池实际容量推理模型的方法流程图；
图3为本申请实施例的预先创建所述蓄电池健康评估模型的方法流程图；
图4为本申请实施例的预先创建所述蓄电池剩余寿命估计模型的方法流程图；
图5为本申请实施例的蓄电池的状态计算装置组成框图。
具体实施方式
本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。
本申请实施例提供了一种蓄电池的状态计算方法，如图1所示，所述方法可以包括步骤S101-S103：
S101、采用预设的蓄电池实际容量推理模型周期性获取待计算的蓄电池的当前实际容量，并由获取的多组当前实际容量组成容量时间序列；
S102、将所述当前实际容量输入所述蓄电池健康评估模型，对所述蓄电池的健康度进行打分；
S103、将所述容量时间序列输入预设的蓄电池剩余寿命估计模型，获取所述蓄电池的剩余寿命。
在本申请的示例性实施例中，提出了一种蓄电池健康状态的评估方法以及蓄电池剩余寿命估计的方法，可以预先建立蓄电池评估模型，该蓄电池评估模型可以包括但不限于：蓄电池实际容量推理模型、蓄电池健康评估模型和蓄电池剩余寿命估计模型；可以利用预先建立的蓄电池实际容量推理模型推理蓄电池的当前实际容量，并利用蓄电池健康评估模型对蓄电池的当前实际容量进行数字化打分；利用推理出的当前实际容量构成的容量时间序列通过蓄电池剩余寿命估计模型推导蓄电池的剩余寿命。
在本申请的示例性实施例中，该蓄电池健康状态数字化评估以及剩余寿命估计方法解决了现有技术存在的如下问题：基于循环次数统计与循环充放电曲线进行比较的方法对人力物力资源消耗很高，不但费时费力，而且不能对健康状态给出直观具体的数字化描述，也不能给出剩余寿命的估计。难以进行设备状态的数字化展示，且不能为运维人员提供直观的时间规划。
在本申请的示例性实施例中，所述采用预设的蓄电池实际容量推理模型周期性获取待计算的蓄电池的当前实际容量，可以包括：周期性执行以下操作：
获取待计算的蓄电池的实时运行数据；
将每次获取的所述实时运行数据输入所述蓄电池实际容量推理模型，获取蓄电池的当前实际容量。
在本申请的示例性实施例中，可以预先创建该蓄电池实际容量推理模型，对于待评估的蓄电池(可以为单个蓄电池也可以为蓄电池组)，可以首先获取蓄电池运行的实时数据；并利用蓄电池实际容量推理模型对蓄电池实时运行数据进行分析，推理出蓄电池的当前实际容量。
在本申请的示例性实施例中，如图2所示，预先创建所述蓄电池实际容量推理模型，可以包括步骤S201-S202：
S201、获取具有容量标签的蓄电池运行数据组成的第一训练数据集。
在本申请的示例性实施例中，所述获取具有容量标签的蓄电池运行数据组成的第一训练数据集，可以包括：
对同型号的蓄电池样本进行充放电实验，并在实验过程中检测所述蓄电池样本的运行数据；
每隔预设时长根据所述蓄电池样本的运行数据记录所述蓄电池样本的容量，获取完整充放电过程中不同时段的实际容量；
根据记录的不同时段的实际容量对所述蓄电池样本的运行数据设置所述容量标签，并由设置有所述容量标签的蓄电池样本的运行数据组成所述第一训练数据集。
在本申请的示例性实施例中，可以根据收集的蓄电池的历史运行数据来获得该第一训练数据集，也可以通过进行充放电实验获取蓄电池运行过程中获得的实验数据，并通过这些实验数据来获得该第一训练数据集。
在本申请的示例性实施例中，针对根据实验数据来获得第一训练数据集的方案，在构建蓄电池实际容量推理模型之前，可以对蓄电池样本(即，进行实验的蓄电池)进行动态工况下的老化试验(具体可以为反复的充放电实验)，在实验过程中监测并记录实验过程中蓄电池样本的运行数据，并且每隔一段时间，对蓄电池样本的实际容量进行标定。将不同时段的实际容量标记在蓄电池样本的运行数据中，将大量的进行标记后的蓄电池样本的运行数据作为该第一训练数据集。
S202、采用所述第一训练数据集对预先建立的第一回归模型进行训练，获取所述蓄电池实际容量推理模型；所述第一回归模型是以蓄电池运行数据作为输入，以蓄电池容量数据作为输出的网络模型。
在本申请的示例性实施例中，可以使用开源数据科学包Scikit-learn进行机器学习方式的模型训练。
在本申请的示例性实施例中，所述获取待计算的蓄电池的实时运行数据，可以包括：
通过预设的监控系统提供的接口获取预设时长内所述待计算的蓄电池全部的实时运行监测数据；
对所述实时运行监测数据进行预处理，获取所述实时运行数据；其中，所述预处理包括以下任意一种或多种：忽略缺失值、偏差检测、数据集成、数据规约和数据变换。
在本申请的示例性实施例中，在对待计算(即待评估)的蓄电池进行评估之前，可以对待评估的蓄电池上具有的相应测点的传感器进行数据实时采集与实时传输，以获取待评估的蓄电池的实时运行数据。为了保证各个测点数据的可用性，在获取原始数据之后，可以对采集到的实时运行监测数据进行数据预处理，该预处理可以包括如下步骤：
(1)偏差检测：由于人工填写的工单会出现人为的数据输入错误、有意的错误以及数据退化等问题，从而导致偏差，数据集成时也可能导致数据不一致，所以需要进行偏差检测，以此可以消除噪声、离群点和需要考察的异常值；
(2)数据变换和数据离散化：对于模拟量数据，是在某个区间内进行震荡波动，为了方便特征提取，可以对模拟量数据进行变换。
在本申请的示例性实施例中，蓄电池实际容量推理模型可以按照固定周期进行调用，将每次获取的实时运行数据输入所述蓄电池实际容量推理模型，获取蓄电池的当前实际容量。
在本申请的示例性实施例中，蓄电池健康评估模型在蓄电池投入现场使用时即可开始运作，并可以实时根据蓄电池实际容量推理模型推理出的蓄电池的当前实际容量得到蓄电池的健康度，具体地可以通过打分的形式对蓄电池的健康度进行评估。
在本申请的示例性实施例中，在此之前，可以预先创建所述蓄电池健康评估模型。
在本申请的示例性实施例中，如图3所示，预先创建所述蓄电池健康评估模型，可以包括步骤S301-S302：
S301、获取具有健康因子标签的蓄电池实际容量组成的第二训练数据集。
在本申请的示例性实施例中，所述获取具有健康因子标签的蓄电池实际容量组成的第二训练数据集，可以包括：
对同型号的蓄电池样本进行充放电实验，并在实验过程中检测所述蓄电池样本的运行数据；
根据所述蓄电池样本的运行数据提取所述蓄电池样本的健康因子；并每隔预设时长根据所述蓄电池样本的运行数据记录所述蓄电池样本的容量，获取完整充放电过程中不同时段的实际容量；
根据不同时段提取的健康因子对不同时段的实际容量设置所述健康因子标签，并由设置有所述健康因子标签的蓄电池样本的实际容量组成所述第二训练数据集。
S302、采用所述第二训练数据集对预先建立的第二回归模型进行训练，获取所述蓄电池健康评估模型；所述第二回归模型是以蓄电池容量数据作为输入，以健康度打分数据作为输出的网络模型。
在本申请的示例性实施例中，可以根据收集的蓄电池的历史运行数据来获得该第二训练数据集，也可以通过进行充放电实验获取蓄电池运行过程中获得的实验数据，并通过这些实验数据来获得该第二训练数据集。
在本申请的示例性实施例中，针对根据实验数据来获得第二训练数据集的方案，在构建蓄电池健康估计模型之前，可以对蓄电池样本(即，进行实验的蓄电池)进行动态工况下的老化试验(具体可以为反复的充放电实验)，在实验过程中监测并记录实验过程中蓄电池样本的运行参数(例如，包括但不限于蓄电池的内阻)，提取健康因子(可以根据运行参数和预设的提取算法进行提取)，并且每隔一段时间，对蓄电池样本的实际容量进行标定。将提取的健康因子标记在蓄电池样本的实际容量中，将大量的进行标记后的蓄电池样本的实际容量作为该第二训练数据集。
在本申请的示例性实施例中，蓄电池健康评估模型在蓄电池投入现场使用时即可开始运作，并可以实时根据推理出的蓄电池的当前实际容量得到蓄电池当前的健康度评分。
在本申请的示例性实施例中，蓄电池剩余寿命估计模型必须积累一定的蓄电池实际容量，即，组成蓄电池的容量时间序列后进行剩余寿命估计，在未具备足够的数据量积累时无法进行使用。因此，对于待评估的蓄电池，可以通过蓄电池实际容量推理模型进行一段时间的实际容量推理之后，获取大量的蓄电池实际容量，组成该容量时间序列，在将该容量时间序列输入所述蓄电池剩余寿命估计模型，评估蓄电池的剩余寿命。蓄电池的预测起始点到蓄电池的失效阀值点之间的时长可以作为蓄电池(如锂离子电池)的剩余寿命。
在本申请的示例性实施例中，所述由获取的多组当前实际容量组成容量时间序列，可以包括：
将所述多组当前实际容量按照获取的时间先后顺序进行排序，获取所述容量时间序列。
在本申请的示例性实施例中，可以将每次蓄电池实际容量推理模型推理获得的当前实际容量作为一组当前实际容量，并且可以将每次通过蓄电池实际容量推理模型得到的当前实际容量按时间排序储存在预设的数据库中。数据库中的数据可以用于后续的剩余寿命模型训练和推理。
在本申请的示例性实施例中，在通过所述蓄电池剩余寿命估计模型评估蓄电池的剩余寿命之前，需要预先创建所述蓄电池剩余寿命估计模型。
在本申请的示例性实施例中，如图4所示，预先创建所述蓄电池剩余寿命估计模型，可以包括步骤S401-S403：
S401、获取由均为平稳数据的容量时间序列样本组成的第三训练数据集。
在本申请的示例性实施例中，所述获取由均为平稳数据的容量时间序列样本组成的第三训练数据集，可以包括：
对同型号的蓄电池样本进行充放电实验，并在实验过程中检测所述蓄电池样本的运行数据；
每隔预设时长根据所述蓄电池样本的运行数据记录所述蓄电池样本的容量，获取所述蓄电池样本完整充放电过程中不同时段的实际容量；
将标定有不同时段的实际容量按照时间先后顺序进行排序，获取容量时间序列样本；
对所述容量时间序列样本进行序列平稳性判断，并对所述容量时间序列样本中的非平稳数据进行平稳化处理；
采用均为平稳数据的容量时间序列样本组成所述第三训练数据集。
在本申请的示例性实施例中，可以根据收集的蓄电池的历史运行数据来获得该第三训练数据集，也可以通过进行充放电实验获取蓄电池运行过程中获得的实验数据，并通过这些实验数据来获得该第三训练数据集。
在本申请的示例性实施例中，针对根据实验数据来获得第三训练数据集的方案，在构建蓄电池剩余寿命估计模型之前，可以对蓄电池样本(即，进行实验的蓄电池)进行动态工况下的老化试验(具体可以为反复的充放电实验)，在实验过程中监测并记录实验过程中蓄电池样本的运行参数(例如，包括但不限于蓄电池的内阻)，并且每隔一段时间，对蓄电池样本的实际容量进行标定，将大量的进行标记后的蓄电池样本的实际容量存储到预设的数据库中。与蓄电池健康评估模型不同的是，该蓄电池剩余寿命估计模型以实际容量值的序列，即容量时间序列(或称容量退化序列)为输入数据，因此，在获取大量的蓄电池样本的实际容量以后，可以将这些蓄电池样本的实际容量按照时间先后顺序进行排序，获取容量时间序列样本。
在本申请的示例性实施例中，获取容量时间序列样本以后，可以进一步对该容量时间序列样本进行数据处理，例如，该数据处理可以包括序列的平稳性判断，如果判定该容量时间序列样本为非平稳的数据，则可以对这些非平稳的数据进行平稳化处理；以使得容量时间序列样本包含的均为平稳数据，并采用均为平稳数据的容量时间序列样本组成所述第三训练数据集。
S402、采用所述第三训练数据集对预先建立的机器学习模型进行训练，获取所述蓄电池剩余寿命估计模型的初始模型；所述机器学习模型是以容量时间序列作为输入，以蓄电池剩余寿命作为输出，并基于自相关函数和偏自相关函数进行参数调整的网络模型。
S403、对获取的所述初始模型的模型残差序列进行白噪声检验，当所述模型残差序列确定为白噪声序列时判定所述初始模型有效，并将该有效的初始模型作为所述蓄电池剩余寿命估计模型。
在本申请的示例性实施例中，在训练过程中，可以主要通过自相关函数和偏自相关函数进行初始模型的参数调整；初始模型参数确定后，可以对初始模型的适应性进行检验，即，对初始模型残差序列进行白噪声检验，如果初始模型残差序列确定为白噪声序列，则表明该初始模型有效，可以用作为最终的蓄电池剩余寿命估计模型。
在本申请的示例性实施例中，在对机器学习模型进行训练后，例如，获取有效的初始模型以后，可以对该有效的初始模型进行相应的性能评估，采用的手段可以包括但不限于ROC(受试者工作特征曲线)曲线等，可以在性能评估通过后再将有效的初始模型作为最终的蓄电池剩余寿命估计模型。
在本申请的示例性实施例中，通过以上方案便创建了所述蓄电池剩余寿命估计模型。基于该蓄电池剩余寿命估计模型，以及前述方案获得的待评估的蓄电池的容量时间序列，便可以将待评估的蓄电池的容量时间序列作为该蓄电池剩余寿命估计模型的输入，由该蓄电池剩余寿命估计模型输出蓄电池剩余寿命。
在本申请的示例性实施例中，在将所述容量时间序列输入预设的蓄电池剩余寿命估计模型之前，所述方法还可以包括：
对获取的所述容量时间序列进行序列平稳性判断；
当判定所述容量时间序列中存在非平稳数据时，对所述非平稳数据进行平稳化处理。
在本申请的示例性实施例中，在进行剩余寿命评估之前，也可以首先对待输入的容量时间序列进行数据处理，以确保输入数据的稳定性，从而保证了评估结果的精确性。
在本申请的示例性实施例中，本申请实施例方案至少具有以下几点优势：
1、通过建立蓄电池健康评估模型来对蓄电池的健康状态进行数字表示，根据健康度评分，及时发现蓄电池的运行异常和潜在故障。
2、通过建立蓄电池剩余寿命估计模型对蓄电池达到报废标准所剩时间进行估计，为维保人员提供准备备件提供了提前量，从而为提高EPS设备运行的安全可靠性，降低检修维保成本提供了技术基础。
3、可对蓄电池组内的每一个单体电池进行健康状态的数字评分，并给出剩余寿命天数。
4、节省大量人力物力资源。
5、可对蓄电池组进行全寿命周期的记录和分析，提供宝贵的蓄电池数据资料。
本申请实施例还提供了一种蓄电池的状态计算装置1，如图5所示，可以包括处理器11和计算机可读存储介质12，所述计算机可读存储介质12中存储有指令，当所述指令被所述处理器11执行时，实现上述任意一项所述的蓄电池的状态计算方法。
在本申请的示例性实施例中，前述的方法实施例中的任意实施例均适用于该装置实施例中，在此不再一一赘述。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
Claims (6)
1.一种蓄电池的状态计算方法，其特征在于，所述方法包括：
周期性执行以下操作：获取待计算的蓄电池的实时运行数据；将每次获取的所述实时运行数据输入所述蓄电池实际容量推理模型，获取蓄电池的当前实际容量，并由获取的多组当前实际容量组成容量时间序列；
将所述当前实际容量输入预设的蓄电池健康评估模型，对所述蓄电池的健康度进行打分；
将所述容量时间序列输入预设的蓄电池剩余寿命估计模型，获取所述蓄电池的剩余寿命；
其中，所述预设的蓄电池健康评估模型通过以下方法获得：获取具有健康因子标签的蓄电池实际容量组成的第二训练数据集；采用所述第二训练数据集对预先建立的第二回归模型进行训练，获取所述蓄电池健康评估模型；所述第二回归模型是以蓄电池容量数据作为输入，以健康度打分数据作为输出的网络模型；
所述预设的蓄电池剩余寿命估计模型通过以下方法获得：获取由均为平稳数据的容量时间序列样本组成的第三训练数据集；采用所述第三训练数据集对预先建立的机器学习模型进行训练，获取所述蓄电池剩余寿命估计模型的初始模型；所述机器学习模型是以容量时间序列作为输入，以蓄电池剩余寿命作为输出，并基于自相关函数和偏自相关函数进行参数调整的网络模型；所述蓄电池剩余寿命为蓄电池的预测起始点到蓄电池的失效阀值点之间的时长；对获取的所述初始模型的模型残差序列进行白噪声检验，当所述模型残差序列确定为白噪声序列时判定所述初始模型有效，并将该有效的初始模型作为所述蓄电池剩余寿命估计模型；
所述获取具有健康因子标签的蓄电池实际容量组成的第二训练数据集，包括：对同型号的蓄电池样本进行充放电实验，并在实验过程中检测所述蓄电池样本的运行数据；根据所述蓄电池样本的运行数据提取所述蓄电池样本的健康因子；并每隔预设时长根据所述蓄电池样本的运行数据记录所述蓄电池样本的容量，获取完整充放电过程中不同时段的实际容量；根据不同时段提取的健康因子对不同时段的实际容量设置所述健康因子标签，并由设置有所述健康因子标签的蓄电池样本的实际容量组成所述第二训练数据集。
2.根据权利要求1所述的蓄电池的状态计算方法，其特征在于，所述获取待计算的蓄电池的实时运行数据，包括：
通过预设的监控系统提供的接口获取预设时长内所述待计算的蓄电池全部的实时运行监测数据；
对所述实时运行监测数据进行预处理，获取所述实时运行数据；其中，所述预处理包括以下任意一种或多种：忽略缺失值、偏差检测、数据集成、数据规约和数据变换。
3.根据权利要求1或2所述的蓄电池的状态计算方法，其特征在于，预先创建所述蓄电池实际容量推理模型，包括：
获取具有容量标签的蓄电池运行数据组成的第一训练数据集；
采用所述第一训练数据集对预先建立的第一回归模型进行训练，获取所述蓄电池实际容量推理模型；所述第一回归模型是以蓄电池运行数据作为输入，以蓄电池容量数据作为输出的网络模型。
4.根据权利要求3所述的蓄电池的状态计算方法，其特征在于，所述获取具有容量标签的蓄电池运行数据组成的第一训练数据集，包括：
对同型号的蓄电池样本进行充放电实验，并在实验过程中检测所述蓄电池样本的运行数据；
每隔预设时长根据所述蓄电池样本的运行数据记录所述蓄电池样本的容量，获取完整充放电过程中不同时段的实际容量；
根据记录的不同时段的实际容量对所述蓄电池样本的运行数据设置所述容量标签，并由设置有所述容量标签的蓄电池样本的运行数据组成所述第一训练数据集。
5.根据权利要求1所述的蓄电池的状态计算方法，其特征在于，所述获取由均为平稳数据的容量时间序列样本组成的第三训练数据集，包括：
对同型号的蓄电池样本进行充放电实验，并在实验过程中检测所述蓄电池样本的运行数据；
每隔预设时长根据所述蓄电池样本的运行数据记录所述蓄电池样本的容量，获取所述蓄电池样本完整充放电过程中不同时段的实际容量；
将标定有不同时段的实际容量按照时间先后顺序进行排序，获取容量时间序列样本；
对所述容量时间序列样本进行序列平稳性判断，并对所述容量时间序列样本中的非平稳数据进行平稳化处理；
采用均为平稳数据的容量时间序列样本组成所述第三训练数据集。
6.一种蓄电池的状态计算装置，其特征在于，包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现如权利要求1-5任意一项所述的蓄电池的状态计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210051413.7A CN114487848B (zh) | 2022-01-17 | 2022-01-17 | 一种蓄电池的状态计算方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210051413.7A CN114487848B (zh) | 2022-01-17 | 2022-01-17 | 一种蓄电池的状态计算方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114487848A CN114487848A (zh) | 2022-05-13 |
| CN114487848B true CN114487848B (zh) | 2024-05-03 |
Family
ID=81512744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210051413.7A Active CN114487848B (zh) | 2022-01-17 | 2022-01-17 | 一种蓄电池的状态计算方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114487848B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116956639B (zh) * | 2023-09-15 | 2023-12-01 | 深圳海汇科技有限公司 | 一种基于数据分析的高散热性蓄电池评估方法及系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103760497A (zh) * | 2014-02-17 | 2014-04-30 | 中国联合网络通信集团有限公司 | 蓄电池的后评估方法及系统 |
| CN108646189A (zh) * | 2018-05-08 | 2018-10-12 | 国网陕西省电力公司电力科学研究院 | 一种面向铅酸蓄电池剩余容量预测的libsvm建模方法 |
| CN108710084A (zh) * | 2018-06-01 | 2018-10-26 | 王泽霖 | 一种电动汽车电源监控及能源管理系统 |
| CN109271374A (zh) * | 2018-10-19 | 2019-01-25 | 国网江苏省电力有限公司信息通信分公司 | 一种基于机器学习的数据库健康度打分方法和打分系统 |
| CN110346725A (zh) * | 2019-08-07 | 2019-10-18 | 优必爱信息技术（北京）有限公司 | 一种电池健康度评估模型的构建方法、评估方法和装置 |
| CN110888077A (zh) * | 2019-10-30 | 2020-03-17 | 无锡市产品质量监督检验院 | 一种基于arima时间序列的锂离子电池寿命加速评估方法 |
| CN111443294A (zh) * | 2020-04-10 | 2020-07-24 | 华东理工大学 | 一种锂离子电池剩余寿命间接预测方法及装置 |
| CN111680848A (zh) * | 2020-07-27 | 2020-09-18 | 中南大学 | 基于预测模型融合的电池寿命预测方法及存储介质 |
| WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN111983495A (zh) * | 2020-09-02 | 2020-11-24 | 海马汽车有限公司 | 电池组健康度确定方法及相关装置 |
| CN112018854A (zh) * | 2020-09-08 | 2020-12-01 | 广东省华南技术转移中心有限公司 | 电池充电控制方法、装置以及终端、存储介质 |
| CN112540318A (zh) * | 2020-12-22 | 2021-03-23 | 武汉理工大学 | 一种起动内燃机的铅酸蓄电池健康状态估算方法 |
| CN113221455A (zh) * | 2021-05-10 | 2021-08-06 | 北京和利时系统工程有限公司 | 一种设备的健康状态检测方法和装置 |
| CN113665630A (zh) * | 2021-10-21 | 2021-11-19 | 北京和利时系统集成有限公司 | 一种vobc和tcms一体化列车控制设备 |
| CN113820615A (zh) * | 2021-09-30 | 2021-12-21 | 国网福建省电力有限公司龙岩供电公司 | 一种电池健康度检测方法与装置 |
| CN113884937A (zh) * | 2021-11-22 | 2022-01-04 | 江南大学 | 基于分解集成策略的锂离子电池剩余寿命预测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11501583B2 (en) * | 2019-05-08 | 2022-11-15 | Ford Global Technologies, Llc | Vehicle battery health measurement and control systems and methods |
-
2022
- 2022-01-17 CN CN202210051413.7A patent/CN114487848B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103760497A (zh) * | 2014-02-17 | 2014-04-30 | 中国联合网络通信集团有限公司 | 蓄电池的后评估方法及系统 |
| CN108646189A (zh) * | 2018-05-08 | 2018-10-12 | 国网陕西省电力公司电力科学研究院 | 一种面向铅酸蓄电池剩余容量预测的libsvm建模方法 |
| CN108710084A (zh) * | 2018-06-01 | 2018-10-26 | 王泽霖 | 一种电动汽车电源监控及能源管理系统 |
| CN109271374A (zh) * | 2018-10-19 | 2019-01-25 | 国网江苏省电力有限公司信息通信分公司 | 一种基于机器学习的数据库健康度打分方法和打分系统 |
| WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN110346725A (zh) * | 2019-08-07 | 2019-10-18 | 优必爱信息技术（北京）有限公司 | 一种电池健康度评估模型的构建方法、评估方法和装置 |
| CN110888077A (zh) * | 2019-10-30 | 2020-03-17 | 无锡市产品质量监督检验院 | 一种基于arima时间序列的锂离子电池寿命加速评估方法 |
| CN111443294A (zh) * | 2020-04-10 | 2020-07-24 | 华东理工大学 | 一种锂离子电池剩余寿命间接预测方法及装置 |
| CN111680848A (zh) * | 2020-07-27 | 2020-09-18 | 中南大学 | 基于预测模型融合的电池寿命预测方法及存储介质 |
| CN111983495A (zh) * | 2020-09-02 | 2020-11-24 | 海马汽车有限公司 | 电池组健康度确定方法及相关装置 |
| CN112018854A (zh) * | 2020-09-08 | 2020-12-01 | 广东省华南技术转移中心有限公司 | 电池充电控制方法、装置以及终端、存储介质 |
| CN112540318A (zh) * | 2020-12-22 | 2021-03-23 | 武汉理工大学 | 一种起动内燃机的铅酸蓄电池健康状态估算方法 |
| CN113221455A (zh) * | 2021-05-10 | 2021-08-06 | 北京和利时系统工程有限公司 | 一种设备的健康状态检测方法和装置 |
| CN113820615A (zh) * | 2021-09-30 | 2021-12-21 | 国网福建省电力有限公司龙岩供电公司 | 一种电池健康度检测方法与装置 |
| CN113665630A (zh) * | 2021-10-21 | 2021-11-19 | 北京和利时系统集成有限公司 | 一种vobc和tcms一体化列车控制设备 |
| CN113884937A (zh) * | 2021-11-22 | 2022-01-04 | 江南大学 | 基于分解集成策略的锂离子电池剩余寿命预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114487848A (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3902992B1 (en) | Scalable system and engine for forecasting wind turbine failure | |
| CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
| CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
| CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
| CN110764493B (zh) | 一种适用于高速铁路的phm应用系统、方法及存储介质 | |
| CN108445410B (zh) | 一种监测蓄电池组运行状态的方法及装置 | |
| CN113708493B (zh) | 基于云边协同的配电终端运维方法、装置和计算机设备 | |
| CN105956734A (zh) | 动态设置it设备的性能的指标阈值的方法及系统 | |
| CN103617110A (zh) | 服务器设备状态检修系统 | |
| CN110119128B (zh) | 一种用于实验室用电设备的监控管理系统 | |
| CN110988559A (zh) | 基于物联网的变电站直流系统全生命周期的在线监测方法 | |
| CN114487848B (zh) | 一种蓄电池的状态计算方法和装置 | |
| JP2002532799A (ja) | 特にセメントキルンの技術プロセスにおけるセンサ予測のための事例ベース推論システムと方法および装置 | |
| CN110426634A (zh) | 一种用于驱动系统的异常预测的方法及设备 | |
| CN113221455A (zh) | 一种设备的健康状态检测方法和装置 | |
| CN115794532A (zh) | 多指标智能动态阈值监控方法及系统 | |
| CN110262460B (zh) | 一种结合聚类思想进行特征提取的砼活塞故障预测方法 | |
| CN117347869B (zh) | 储能电池管理系统数据分析方法、装置、电子设备及介质 | |
| CN110991853A (zh) | 一种基于故障智能诊断的设备可靠性动态评估方法 | |
| CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和系统 | |
| CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
| CN116975639A (zh) | 设备的异常防控系统及方法 | |
| CN108664696B (zh) | 一种冷水机组运行状态的测评方法及装置 | |
| CN109740191A (zh) | 风传感器剩余使用寿命的预测方法、装置及设备 | |
| CN115009948A (zh) | 一种电梯按需维保智能管理系统及其管理方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Jian Inventor after: Liu Yang Inventor after: Liu Xiaoshu Inventor after: Wang Xiaoliang Inventor after: Chai Jun Inventor before: Liu Yang Inventor before: Li Jian Inventor before: Liu Xiaoshu Inventor before: Wang Xiaoliang Inventor before: Chai Jun |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |