CN114487857A - 数据中心蓄电池容量预测方法、装置及设备 - Google Patents
数据中心蓄电池容量预测方法、装置及设备 Download PDFInfo
- Publication number
- CN114487857A CN114487857A CN202210026792.4A CN202210026792A CN114487857A CN 114487857 A CN114487857 A CN 114487857A CN 202210026792 A CN202210026792 A CN 202210026792A CN 114487857 A CN114487857 A CN 114487857A
- Authority
- CN
- China
- Prior art keywords
- storage battery
- battery
- data
- discharge
- attenuation coefficient
- 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.)
- Pending
Links
Images
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了数据中心蓄电池容量检测方法和蓄电池容量衰减系数预测模型构建方法。其中,模型构建方法基于蓄电池历史充放电过程中的状态监测数据,获取电池容量衰减系数数据及相应的电池状态特征,并从这些数据中学习得到蓄电池容量衰减系数预测模型。这样,就不需要额外的实验或额外加装传感器,工作量小且容易实施,因此,可以有效提升模型构建效率。同时,这种处理方式充分考虑了电池内阻、温度、电压、使用时间、使用次数、电池型号等因素对电池实际容量的影响,因此,可以有效提升模型预测精度。
Description
技术领域
本申请涉及蓄电池管理技术领域,具体涉及蓄电池容量衰减系数预测模型构建方法和装置,数据中心蓄电池容量预测方法和装置,以及电子设备。
背景技术
蓄电池实际容量是数据中心运维过程中的一项重要基础数据。根据蓄电池容量,可计算蓄电池的可放电时长、电池荷电状态等指标,还可找出实际容量过低的电池进行更换,提高数据中心蓄电池的稳定性。蓄电池实际容量的计算方式主要是,先估计电池容量衰减系数,再计算电池额定容量与电池容量衰减系数的乘积得到蓄电池实际容量。因此,如何准确地估计电池容量衰减系数是核心问题。
一种典型的电池容量衰减系数估计方法包括如下步骤:1)对蓄电池做充分放电实验(电池放电放出所有的容量),每次充分放电后再充满电,记录放电次数、放电前内阻和温度、放电时电流和电压指标,并使用每次放电的放电量除以电池额定容量得到电池容量衰减系数;2)训练数据驱动的电池容量衰减系数预测模型,模型输入是内阻、温度、电池循环次数、电池电流,模型输出是电池容量衰减系数;3)通过模型进行电池容量衰减系数的预测。
然而,在实现本发明过程中,发明人发现上述技术方案均至少存在如下问题:这种方法需要进行充分放电实验,在现场增加传感器等设备采集实验数据,以获取输入模型的特征和对应的电池容量衰减系数数据,且电池循环次数只能在充分放电的场景下获得,工作量大,且总体准确率较低。因此,如何简化模型构建方式,以提升模型构建效率和模型预测精度,成为本领域技术人员迫切需要解决的问题。
发明内容
本申请提供蓄电池容量衰减系数预测模型构建方法,以解决现有技术存在的模型构建效率及模型预测精度均较低的问题。本申请另外提供蓄电池容量衰减系数预测模型构建装置,蓄电池容量预测方法和装置,以及电子设备。
本申请提供一种数据中心蓄电池容量预测方法,包括:
获取待预测蓄电池的起始时刻状态数据和目标时刻状态数据,作为待预测蓄电池的状态特征;
通过电池容量衰减系数预测模型,根据待预测蓄电池的状态特征,确定待预测蓄电池的电池容量衰减系数;
根据待预测蓄电池的电池容量衰减系数,确定待预测蓄电池的电池容量;
其中,所述模型采用如下方式构建:根据蓄电池历史充放电过程中的状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池;根据目标蓄电池的放电时长大于放电时长阈值的两次放电数据,确定目标蓄电池的状态特征和电池容量衰减系数;根据多个目标蓄电池的状态特征与电池容量衰减系数之间的对应关系,构建所述模型。
本申请还提供一种蓄电池容量衰减系数预测模型构建方法,包括:
获取蓄电池充放电过程中的历史状态监测数据;
根据所述历史状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池;
根据目标蓄电池的放电时长大于放电时长阈值的两次放电数据,确定目标蓄电池的状态特征和电池容量衰减系数;
根据多个目标蓄电池的状态特征与电池容量衰减系数之间的对应关系,构建电池容量衰减系数预测模型。
可选的,所述状态特征包括:电池出厂内阻,两次放电前电池的内阻、温度和/或电压,电池历史放电次数,电池总使用时长,电池额定容量。
可选的,所述根据所述历史状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池,包括:
根据历史状态监测数据,确定蓄电池的放电区间数据;
根据所述放电区间数据,获取有两次放电时长大于放电时长阈值的目标蓄电池。
可选的,所述根据历史状态监测数据,确定蓄电池的放电区间数据,包括:
根据历史状态监测数据,获取电压变化点数据;
根据电压变化点数据,确定蓄电池的放电区间数据。
可选的,所述历史状态监测数据包括对蓄电池组充放电产生的电池电压数据,所述蓄电池组包括多个单节蓄电池;
所述根据所述历史状态监测数据,确定蓄电池的放电区间数据,包括:
根据所述历史状态监测数据,获取各节蓄电池的放电区间数据;
将多节蓄电池的公共放电区间数据作为各节蓄电池的放电区间数据。
可选的,所述根据所述历史状态监测数据,确定蓄电池的放电区间数据,还包括:
根据所述历史状态监测数据,确定单节蓄电池的缺失数据占整组电池数据量的比例;
若所述比例小于或者等于比例阈值,则使用缺失数据前后的数据进行线性插值;
若所述比例大于比例阈值,则去除该节电池数据。
可选的,还包括:
从多个目标蓄电池中选取电池容量衰减系数在第一阈值至第二阈值之间的蓄电池;
根据选取的多个蓄电池的所述对应关系,构建所述模型。
可选的,还包括:
对所述历史状态监测数据进行下采样;
根据采样的历史状态监测数据,获取所述多个目标蓄电池。
可选的,所述历史状态监测数据包括:浮充时产生的状态变化数据,放电测试时产生的状态变化数据。
本申请还提供一种蓄电池容量衰减系数预测模型构建装置,包括:
历史数据获取单元,用于获取蓄电池充放电过程中的历史状态监测数据;
蓄电池选取单元,用于根据所述历史状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池;
训练数据生成单元,用于根据目标蓄电池的放电时长大于放电时长阈值的两次放电数据,确定目标蓄电池的状态特征和电池容量衰减系数;
模型训练单元,用于根据多个目标蓄电池的状态特征与电池容量衰减系数之间的对应关系,构建电池容量衰减系数预测模型。
本申请还提供一种蓄电池容量预测装置,包括:
特征获取单元,用于获取待预测蓄电池的起始时刻状态数据和目标时刻状态数据,作为待预测蓄电池的状态特征;
衰减系数预测单元,用于通过电池容量衰减系数预测模型,根据待预测蓄电池的状态特征,确定待预测蓄电池的电池容量衰减系数;
容量计算单元,用于根据待预测蓄电池的电池容量衰减系数,确定待预测蓄电池的电池容量;
其中,所述模型采用如下方式构建:根据蓄电池历史充放电过程中的状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池;根据目标蓄电池的放电时长大于放电时长阈值的两次放电数据,确定目标蓄电池的状态特征和电池容量衰减系数;根据多个目标蓄电池的状态特征与电池容量衰减系数之间的对应关系,构建所述模型。
本申请还提供一种电子设备,包括:
处理器和存储器;
所述存储器,用于存储实现蓄电池容量预测方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取待预测蓄电池的起始时刻状态数据和目标时刻状态数据,作为待预测蓄电池的状态特征;通过电池容量衰减系数预测模型,根据待预测蓄电池的状态特征,确定待预测蓄电池的电池容量衰减系数;根据待预测蓄电池的电池容量衰减系数,确定待预测蓄电池的电池容量;其中,所述模型采用如下方式构建:根据蓄电池历史充放电过程中的状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池;根据目标蓄电池的放电时长大于放电时长阈值的两次放电数据,确定目标蓄电池的状态特征和电池容量衰减系数;根据多个目标蓄电池的状态特征与电池容量衰减系数之间的对应关系,构建所述模型。
本申请还提供一种电子设备,包括:
处理器和存储器;
所述存储器,用于存储实现蓄电池容量衰减系数预测模型构建方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取蓄电池充放电过程中的历史状态监测数据;根据所述历史状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池;根据目标蓄电池的放电时长大于放电时长阈值的两次放电数据,确定目标蓄电池的状态特征和电池容量衰减系数;根据多个目标蓄电池的状态特征与电池容量衰减系数之间的对应关系,构建电池容量衰减系数预测模型。
本申请还提供一种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,当其在计算机上运行时,使得计算机执行上述各种方法。
本申请还提供一种包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各种方法。
与现有技术相比,本申请具有以下优点:
本申请实施例提供的蓄电池容量衰减系数预测模型构建方法,基于蓄电池历史充放电过程中的状态监测数据,获取电池容量衰减系数数据及相应的电池状态特征,并从这些数据中学习得到蓄电池容量衰减系数预测模型。这样,就不需要额外的实验或额外加装传感器,工作量小且容易实施,因此,可以有效提升模型构建效率。同时,这种处理方式充分考虑了电池内阻、温度、电压、使用时间、使用次数、电池型号等因素对电池实际容量的影响,因此,可以有效提升模型预测精度。
本申请实施例提供的数据中心蓄电池容量预测方法,通过获取待预测蓄电池的起始时刻状态数据和目标时刻状态数据,作为待预测蓄电池的状态特征;通过上述方式构建的电池容量衰减系数预测模型,根据待预测蓄电池的状态特征,确定待预测蓄电池的电池容量衰减系数;根据待预测蓄电池的电池容量衰减系数,确定待预测蓄电池的电池容量。这样,就不需要额外的实验或额外加装传感器,工作量小且容易实施,因此,可以有效提升蓄电池容量预测效率。同时,这种处理方式充分考虑了电池内阻、温度、电压、使用时间、使用次数、电池型号等因素对电池实际容量的影响,因此,可以有效提升蓄电池容量预测精度。
附图说明
图1本申请提供的蓄电池容量衰减系数预测模型构建方法的实施例的流程示意图;
图2a本申请提供的模型构建方法的实施例的电压突变点示意图;
图2b本申请提供的模型构建方法的实施例的电压突变点放大示意图;
图3本申请提供的模型构建方法的实施例的衰减系数示意图;
图4本申请提供的数据中心蓄电池容量检测方法的实施例的流程示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
在本申请中,提供了蓄电池容量衰减系数预测模型构建方法和装置,数据中心蓄电池容量预测方法和装置,以及电子设备。在下面的实施例中逐一对各种方案进行详细说明。
第一实施例
请参考图1,其为本申请的蓄电池容量衰减系数预测模型构建方法的流程图。在本实施例中,所述方法可包括如下步骤:
步骤S101:获取蓄电池充放电过程中的历史状态监测数据。
蓄电池(Storage Battery)是将化学能直接转化成电能的一种电气化学设备。蓄电池具体如下特性:放电后,能够用充电的方式使内部活性物质再生,即把电能储存为化学能;需要放电时再次把化学能转换为电能。例如,生活中常用的手机电池、汽车上用的蓄电池(俗称电瓶)、数据中心蓄电池等。
以数据中心的蓄电池为例,可对其日常使用过程中的状态数据进行监测并记录,形成蓄电池充放电过程中的历史状态监测数据。从状态属性角度看,所述历史状态监测数据包括但不限于:放电前的内阻、温度、电流、电压等,此外还可包括电池位置、电池编号、时间等数据。从数据产生方式看,所述历史状态监测数据包括但不限于:放电测试时产生的状态变化数据,浮充时产生的状态变化数据。
在实际应用中,数据中心通常会定期对蓄电池做放电实验,但并非充分放电实验,无需放出所有的电池容量。例如,数据中心每半年对蓄电池做放电实验,并监测记录电池放电过程中的状态变化数据。
蓄电池是充电装置,除对常规负载供电外,还向蓄电池提供浮充电流,这种运行方式称为浮充(floating charge)运行。因此,蓄电池可随电源线路电压上下波动而进行充放电。当负载较轻而电源线路电压较高时,蓄电池即进行充电,当负载较重或电源发生意外中断时,蓄电池则进行放电,分担部分或全部负载。这样,蓄电池便起到稳压作用,并处于备用状态。
具体实施时,为了得到足够的供电电压,数据中心电池通常采用整组电池供电方式,如20节一组、120节一组。以铅蓄电池为例,其能反复充电、放电,它的单体电压是2V,电池是由一个或多个单体构成的电池组,常见的有2V、4V、6V、8V、24V蓄电池,如数据中心设备上用的蓄电池是6个铅蓄电池串联成12V的电池组。在本实施例中,数据中心蓄电池有2V和12V两种,其中12V的铅酸蓄电池是6个2V电池串联而成。
步骤S103:根据所述历史状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池。
本申请实施例提供的模型构建方法,基于蓄电池历史充放电过程中的状态监测数据,获取电池容量衰减系数数据及相应的电池状态特征,这些训练样本对应的蓄电池需满足一定的条件,即:有两次放电时长大于放电时长阈值。
所述放电时长阈值,可根据应用需求设置。在实际应用中,放电时长阈值越大,则符合条件的蓄电池越少,训练数据越少,但其为放电测试数据的可能性越大,由此计算出的衰减系数有效性越高。相反的,放电时长阈值越小,则符合条件的蓄电池越多,训练数据越多,但其为放电测试数据的可能性越小,计算出的衰减系数有效性越低。例如,对于数据中心的蓄电池,可设置为15分钟,这样可以获取到有两次放电时长在15分钟以上的蓄电池。
在一个示例中,步骤S103可包括如下子步骤:
步骤S1031:根据历史状态监测数据,确定蓄电池的放电区间数据。
所述放电区间数据是蓄电池的放电时间段数据,如放电时间段为2021/12/13 17:21-17:53。
具体实施时,可先根据历史状态监测数据,生成电池放电记录数据;再根据电池放电记录数据,确定蓄电池的放电区间数据。所述电池放电记录数据,包括但不限于:电池标识,放电时间段,放电电压数据,放电前的电池数据。其中,电池标识可以是电池设备编号,该编号与电池放置的位置相关。放电时间段可包括起始放电时间和结束放电时间,放电电压数据可包括放电时间段内的多个时刻的电压数据,放电前的电池数据可包括放电前的电池内阻、温度、电压等。表1示出了本实施例中的电池放电记录数据。
在一个示例中,步骤S1031可包括如下子步骤:
步骤S1031-1:根据历史状态监测数据,获取电压变化点数据。
步骤S1031-3:根据电压变化点数据,确定蓄电池的放电区间数据。
具体实施时,可通过变化点检测算法,根据历史状态监测数据,获取电压变化点数据。放电过程中,电池电压降低。放电结束后,电池进行充电,电压升高。变化点检测算法可识别单节电池电压降低和升高,如一段时间内,单节电池电压先下降后升高,则作为这节电池的放电区间。
在实际应用中,电压数据中经常会存在突变点,如图2a所示的毛刺,这种突变数据会对放电区间的确定产生干扰。为了解决这个问题,步骤S1033可采用如下方式实现:先通过判断数据数值和斜率的变化,识别数据中的干扰性突变并进行平滑处理,经过平滑之后可消除电压突变点;再根据平滑处理后的数据,确定放电区间。图2b是毛刺放大之后的样子,突起部分是原始数据,平滑之后变成下方直线。
在一个示例中,数据中心通常对整组电池进行放电,所述蓄电池组包括多个单节蓄电池,所述历史状态监测数据包括对蓄电池组充放电产生的电池电压数据。在这种情况下,放电区间也是整组电池公共的。步骤S1031可采用如下方式实现:1)根据所述历史状态监测数据,获取各节蓄电池的放电区间数据;2)将多节蓄电池的公共放电区间数据作为各节蓄电池的放电区间数据。采用这种方式,使得选取同组电池公共的放电区间作为电池放电区间。
步骤S1033:根据所述放电区间数据,获取有两次放电时长大于放电时长阈值的目标蓄电池。
在确定蓄电池的放电区间数据后,就可以将该数据与放电时长阈值进行比对,根据比对结果,选取出有两次放电时长大于放电时长阈值的目标蓄电池。
在实际应用中,为了得到足够的供电电压,数据中心蓄电池一般20节/120节一组,一组电池一起放电。一组电池在放电过程中产生的原始电压数据量较大,如每节电池每10秒即产生一个电压数据。这样,就会导致需要根据较大数据量的历史状态检测数据,获取多个目标蓄电池。
为了减少计算量,提高模型构建效率,本实施例提供的方法还可包括如下步骤:对所述历史状态监测数据进行下采样;相应的,步骤S103可采用如下方式实现:根据采样的历史状态监测数据,获取所述多个目标蓄电池。例如,可对整组电池的原始电压数据进行下采样,如对于每10秒产生一次的原始电压数据,每1分钟记录一个电压数据,这样可有效减少数据量,从而降低计算复杂度。
在实际应用中,原始电压数据可能存在缺失,为了提升训练数据质量,本实施例提供的方法还可包括如下步骤:根据所述历史状态监测数据,确定单节蓄电池的缺失数据占整组电池数据量的比例;若所述比例小于或者等于比例阈值,则使用缺失数据前后的数据进行线性插值;若所述比例大于比例阈值,则去除该节电池数据。例如,如果单节电池缺失数据占总数据量1%以内,则使用缺失数据前后的数据进行线性插值;如果单节电池缺失数据超过总数据量1%,则剔除该节电池数据。
步骤S105:根据目标蓄电池的放电时长大于放电时长阈值的两次放电数据,确定目标蓄电池的状态特征和电池容量衰减系数。
一个目标蓄电池的一组状态特征和电池容量衰减系数之间的对应关系,即构成了一条训练数据。一个目标蓄电池可具有多组状态特征和电池容量衰减系数之间的对应关系,多个目标蓄电池对应的多个状态特征和电池容量衰减系数之间的对应关系,即构成了整个训练数据集。
所述状态特征,包括但不限于:电池出厂内阻,两次放电前电池的内阻、温度和/或电压,电池历史放电次数,电池总使用时长,电池额定容量。电池出厂内阻,可以是电池生产出厂后的内阻,或者是电池刚投入使用的内阻,可以用电池厂家给的参考值。在实际应用中,如果没有厂家给的出厂内阻值,这个内阻值可以用算法得到,如通过历史内阻数据,剔除异常值之后取10%分位数值,即实际使用内阻数据中获取值替代。电池额定容量,可用来区分不同型号的电池。
所述电池容量衰减系数,可根据选取的同一节蓄电池前后两次放电记录计算得到。在本实施例中,电池容量衰减系数等于两次放电时电池电压下降到相同值时放出电量的比值。如图3所示,则电池容量衰减系数alpha=t2*I2/t1*I1。其中t1、t2为同一节电池两次放电至相同电压(典型地,该电压值可取第一次放电时电压的15%分位数)所需时间,I1、I2为同一节电池两次放电时的电流。具体实施时,可分别取第一次放电时的多个电压数据,按上述公式计算多次衰减系数,再取多个衰减系数的平均值作为电池容量衰减系数。例如,可分别取第一次放电时电压的10%和15%分位数,按上述公式计算两次衰减系数,再取两个衰减系数的平均值作为电池容量衰减系数。
例如,模型训练用的特征x=[2.718,25.3,2.747,25.4,1.952,1,0.4,0.4,13.398,13.387,1073,26,360],容量衰减系数y=[0.827]。其中,x从左到右分别是:第一次放电内阻,第一次放电温度,第二次放电内阻,第二次放电温度,内阻参考值(出厂值),历史放电次数,第一次放电电流,第二次放电电流,第一次放电电压,第二次放电电压,电池使用时长(单位天),两次放电时间间隔(单位天),电池额定容量(单位是安时AH)。y是用两次放电电压数据算出来的,可参见图3所示的曲线图。
在一个示例中,由于数据中心蓄电池数据存在一些异常数据或电池发生过更换等原因,需要对数据做出筛选,选取电池容量衰减系数值在0.7-1.0之间的数据。为了获取具有代表性的衰减系数,所述方法还可包括如下步骤:从多个目标蓄电池中选取电池容量衰减系数在第一阈值至第二阈值之间的蓄电池;根据选取的多个蓄电池的所述对应关系,构建所述模型。例如,第一阈值为0.7,第二阈值为1,则选取电池容量衰减系数值在0.7-1.0之间的数据。
步骤S107:根据多个目标蓄电池的状态特征与电池容量衰减系数之间的对应关系,构建电池容量衰减系数预测模型。
所述模型,可选用树模型,如LightGBM等。模型的输入数据是上述状态特征,输出数据是采用上述方式计算得到的电池容量衰减系数。根据大量训练数据对模型进行训练,在模型收敛后,保存模型。具体实施时,电池容量衰减系数预测模型训练时可使用开源的机器学习算法模型。
从上述实施例可见,本申请实施例提供的蓄电池容量衰减系数预测模型构建方法,基于蓄电池历史充放电过程中的状态监测数据,获取电池容量衰减系数数据及相应的电池状态特征,并从这些数据中学习得到蓄电池容量衰减系数预测模型。这样,就不需要额外的实验或额外加装传感器,工作量小且容易实施,因此,可以有效提升模型构建效率。同时,这种处理方式充分考虑了电池内阻、温度、电压、使用时间、使用次数、电池型号等因素对电池实际容量的影响,因此,可以有效提升模型预测精度。
第二实施例
在上述的实施例中,提供了一种蓄电池容量衰减系数预测模型构建方法,与之相对应的,本申请还提供一种蓄电池容量衰减系数预测模型构建装置。该装置是与上述方法的实施例相对应。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种蓄电池容量衰减系数预测模型构建装置,包括:历史数据获取单元,蓄电池选取单元,训练数据生成单元,模型训练单元。
历史数据获取单元,用于获取蓄电池充放电过程中的历史状态监测数据;蓄电池选取单元,用于根据所述历史状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池;训练数据生成单元,用于根据目标蓄电池的放电时长大于放电时长阈值的两次放电数据,确定目标蓄电池的状态特征和电池容量衰减系数;模型训练单元,用于根据多个目标蓄电池的状态特征与电池容量衰减系数之间的对应关系,构建电池容量衰减系数预测模型。
可选的,所述状态特征包括但不限于:电池出厂内阻,两次放电前电池的内阻、温度和/或电压,电池历史放电次数,电池总使用时长,电池额定容量。
可选的,所述蓄电池选取单元包括:放电区间确定单元和选取单元。放电区间确定单元,用于根据历史状态监测数据,确定蓄电池的放电区间数据;选取单元,用于根据所述放电区间数据,获取有两次放电时长大于放电时长阈值的目标蓄电池。
可选的,所述放电区间确定单元,具体用于根据历史状态监测数据,获取电压变化点数据;根据电压变化点数据,确定蓄电池的放电区间数据。
可选的,所述历史状态监测数据包括对蓄电池组充放电产生的电池电压数据,所述蓄电池组包括多个单节蓄电池;所述放电区间确定单元,具体用于根据所述历史状态监测数据,获取各节蓄电池的放电区间数据;将多节蓄电池的公共放电区间数据作为各节蓄电池的放电区间数据。
可选的,所述放电区间确定单元,还用于根据所述历史状态监测数据,确定单节蓄电池的缺失数据占整组电池数据量的比例;若所述比例小于或者等于比例阈值,则使用缺失数据前后的数据进行线性插值;若所述比例大于比例阈值,则去除该节电池数据。
可选的,所述装置还可包括:训练数据选取单元。训练数据选取单元,用于从多个目标蓄电池中选取电池容量衰减系数在第一阈值至第二阈值之间的蓄电池;模型训练单元,具体用于根据选取的多个蓄电池的所述对应关系,构建所述模型。
可选的,所述装置还可包括:数据采样单元,用于对所述历史状态监测数据进行下采样;蓄电池选取单元,具体用于根据采样的历史状态监测数据,获取所述多个目标蓄电池。
可选的,所述历史状态监测数据包括:浮充时产生的状态变化数据,放电测试时产生的状态变化数据。
第三实施例
在上述的实施例中,提供了一种蓄电池容量衰减系数预测模型构建方法,与之相对应的,本申请还提供一种电子设备。该装置是与上述方法的实施例相对应。由于设备实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本实施例的一种电子设备,该电子设备包括:处理器和存储器;存储器,用于存储实现蓄电池容量衰减系数预测模型构建方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取蓄电池充放电过程中的历史状态监测数据;根据所述历史状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池;根据目标蓄电池的放电时长大于放电时长阈值的两次放电数据,确定目标蓄电池的状态特征和电池容量衰减系数;根据多个目标蓄电池的状态特征与电池容量衰减系数之间的对应关系,构建电池容量衰减系数预测模型。
第四实施例
与上述的蓄电池容量衰减系数预测模型构建方法相对应,本申请还提供一种数据中心蓄电池容量预测方法。本实施例与第一实施例内容相同的部分不再赘述,请参见实施例一中的相应部分。
请参考图4,其为本申请的蓄电池容量预测方法的流程图。在本实施例中,所述方法可包括如下步骤:
步骤S401:获取待预测蓄电池的起始时刻状态数据和目标时刻状态数据,作为待预测蓄电池的状态特征。
在使用上述实施例构建的模型进行实际预测时,待预测蓄电池的状态特征x从左到右可以分别是:该电池历史上第一次放电内阻,该电池历史上第一次放电温度,当前内阻,当前温度,内阻参考值(出厂值),历史放电次数,该电池历史上第一次放电电流,当前放电电流(当前没有放电,使用当前负载功率除以电池组电压进行估计),该电池历史上第一次放电电压,当前电压,电池使用时长(单位天),当前和历史上第一次放电时间间隔(单位天)。
步骤S403:通过电池容量衰减系数预测模型,根据待预测蓄电池的状态特征,确定待预测蓄电池的电池容量衰减系数。
所述模型,可采用如下方式构建:根据蓄电池历史充放电过程中的状态监测数据,获取有两次放电时长大于放电时长阈值的多个第二目标蓄电池;根据第二目标蓄电池的放电时长大于放电时长阈值的两次放电数据,确定第二目标蓄电池的状态特征和电池容量衰减系数;根据多个第二目标蓄电池的状态特征与电池容量衰减系数之间的对应关系,构建所述模型。
步骤S405:根据待预测蓄电池的电池容量衰减系数,确定待预测蓄电池的电池容量。待预测蓄电池的电池容量,可以是电池容量衰减系数与额定电池容量的乘积。
本申请实施例提供的方法,通过利用数据中心现有的蓄电池相关数据,合理且充分的模型输入特征设计,充分考虑了多种因素对蓄电池容量衰减系数的影响,保证了电池实际容量的预测精度。预测得到的电池实际容量,可用于计算蓄电池的可放电时长,还可以用于电池荷电状态(SOC)的计算。通过实验表明,在验证数据集上,电池实际容量预测平均误差为电池额定容量的3.5%。
从上述实施例可见,本申请实施例提供的数据中心蓄电池容量预测方法,通过获取待预测蓄电池的起始时刻状态数据和目标时刻状态数据,作为待预测蓄电池的状态特征;通过上述方式构建的电池容量衰减系数预测模型,根据待预测蓄电池的状态特征,确定待预测蓄电池的电池容量衰减系数;根据待预测蓄电池的电池容量衰减系数,确定待预测蓄电池的电池容量。这样,就不需要额外的实验或额外加装传感器,工作量小且容易实施,因此,可以有效提升蓄电池容量预测效率。同时,这种处理方式充分考虑了电池内阻、温度、电压、使用时间、使用次数、电池型号等因素对电池实际容量的影响,因此,可以有效提升蓄电池容量预测精度。
第五实施例
在上述的实施例中,提供了一种蓄电池容量预测方法,与之相对应的,本申请还提供一种蓄电池容量预测装置。该装置是与上述方法的实施例相对应。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种蓄电池容量预测装置,包括:特征获取单元,衰减系数预测单元,容量计算单元。
特征获取单元,用于获取待预测蓄电池的起始时刻状态数据和目标时刻状态数据,作为待预测蓄电池的状态特征;衰减系数预测单元,用于通过电池容量衰减系数预测模型,根据待预测蓄电池的状态特征,确定待预测蓄电池的电池容量衰减系数;容量计算单元,用于根据待预测蓄电池的电池容量衰减系数,确定待预测蓄电池的电池容量。
其中,所述模型采用如下方式构建:根据蓄电池历史充放电过程中的状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池;根据目标蓄电池的放电时长大于放电时长阈值的两次放电数据,确定目标蓄电池的状态特征和电池容量衰减系数;根据多个目标蓄电池的状态特征与电池容量衰减系数之间的对应关系,构建所述模型。
第六实施例
在上述的实施例中,提供了一种蓄电池容量预测方法,与之相对应的,本申请还提供一种电子设备。该装置是与上述方法的实施例相对应。由于设备实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本实施例的一种电子设备,该电子设备包括:处理器和存储器;存储器,用于存储实现蓄电池容量预测方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取待预测蓄电池的起始时刻状态数据和目标时刻状态数据,作为待预测蓄电池的状态特征;通过电池容量衰减系数预测模型,根据待预测蓄电池的状态特征,确定待预测蓄电池的电池容量衰减系数;根据待预测蓄电池的电池容量衰减系数,确定待预测蓄电池的电池容量;其中,所述模型采用如下方式构建:根据蓄电池历史充放电过程中的状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池;根据目标蓄电池的放电时长大于放电时长阈值的两次放电数据,确定目标蓄电池的状态特征和电池容量衰减系数;根据多个目标蓄电池的状态特征与电池容量衰减系数之间的对应关系,构建所述模型。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
2、本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (14)
1.一种数据中心蓄电池容量预测方法,其特征在于,包括:
获取待预测蓄电池的起始时刻状态数据和目标时刻状态数据,作为待预测蓄电池的状态特征;
通过电池容量衰减系数预测模型,根据待预测蓄电池的状态特征,确定待预测蓄电池的电池容量衰减系数;
根据待预测蓄电池的电池容量衰减系数,确定待预测蓄电池的电池容量;
其中,所述模型采用如下方式构建:根据蓄电池历史充放电过程中的状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池;根据目标蓄电池的放电时长大于放电时长阈值的两次放电数据,确定目标蓄电池的状态特征和电池容量衰减系数;根据多个目标蓄电池的状态特征与电池容量衰减系数之间的对应关系,构建所述模型。
2.一种蓄电池容量衰减系数预测模型构建方法,其特征在于,包括:
获取蓄电池充放电过程中的历史状态监测数据;
根据所述历史状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池;
根据目标蓄电池的放电时长大于放电时长阈值的两次放电数据,确定目标蓄电池的状态特征和电池容量衰减系数;
根据多个目标蓄电池的状态特征与电池容量衰减系数之间的对应关系,构建电池容量衰减系数预测模型。
3.根据权利要求2的方法,其特征在于,所述状态特征包括:电池出厂内阻,两次放电前电池的内阻、温度和/或电压,电池历史放电次数,电池总使用时长,电池额定容量。
4.根据权利要求2的方法,其特征在于,所述根据所述历史状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池,包括:
根据历史状态监测数据,确定蓄电池的放电区间数据;
根据所述放电区间数据,获取有两次放电时长大于放电时长阈值的目标蓄电池。
5.根据权利要求4的方法,其特征在于,所述根据历史状态监测数据,确定蓄电池的放电区间数据,包括:
根据历史状态监测数据,获取电压变化点数据;
根据电压变化点数据,确定蓄电池的放电区间数据。
6.根据权利要求4的方法,其特征在于,
所述历史状态监测数据包括对蓄电池组充放电产生的电池电压数据,所述蓄电池组包括多个单节蓄电池;
所述根据所述历史状态监测数据,确定蓄电池的放电区间数据,包括:
根据所述历史状态监测数据,获取各节蓄电池的放电区间数据;
将多节蓄电池的公共放电区间数据作为各节蓄电池的放电区间数据。
7.根据权利要求6的方法,其特征在于,
所述根据所述历史状态监测数据,确定蓄电池的放电区间数据,还包括:
根据所述历史状态监测数据,确定单节蓄电池的缺失数据占整组电池数据量的比例;
若所述比例小于或者等于比例阈值,则使用缺失数据前后的数据进行线性插值;
若所述比例大于比例阈值,则去除该节电池数据。
8.根据权利要求2的方法,其特征在于,还包括:
从多个目标蓄电池中选取电池容量衰减系数在第一阈值至第二阈值之间的蓄电池;
根据选取的多个蓄电池的所述对应关系,构建所述模型。
9.根据权利要求2的方法,其特征在于,还包括:
对所述历史状态监测数据进行下采样;
根据采样的历史状态监测数据,获取所述多个目标蓄电池。
10.根据权利要求2的方法,其特征在于,所述历史状态监测数据包括:浮充时产生的状态变化数据,放电测试时产生的状态变化数据。
11.一种蓄电池容量衰减系数预测模型构建装置,其特征在于,包括:
历史数据获取单元,用于获取蓄电池充放电过程中的历史状态监测数据;
蓄电池选取单元,用于根据所述历史状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池;
训练数据生成单元,用于根据目标蓄电池的放电时长大于放电时长阈值的两次放电数据,确定目标蓄电池的状态特征和电池容量衰减系数;
模型训练单元,用于根据多个目标蓄电池的状态特征与电池容量衰减系数之间的对应关系,构建电池容量衰减系数预测模型。
12.一种蓄电池容量预测装置,其特征在于,包括:
特征获取单元,用于获取待预测蓄电池的起始时刻状态数据和目标时刻状态数据,作为待预测蓄电池的状态特征;
衰减系数预测单元,用于通过电池容量衰减系数预测模型,根据待预测蓄电池的状态特征,确定待预测蓄电池的电池容量衰减系数;
容量计算单元,用于根据待预测蓄电池的电池容量衰减系数,确定待预测蓄电池的电池容量;
其中,所述模型采用如下方式构建:根据蓄电池历史充放电过程中的状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池;根据目标蓄电池的放电时长大于放电时长阈值的两次放电数据,确定目标蓄电池的状态特征和电池容量衰减系数;根据多个目标蓄电池的状态特征与电池容量衰减系数之间的对应关系,构建所述模型。
13.一种电子设备,其特征在于,包括:
处理器和存储器;
所述存储器,用于存储实现蓄电池容量预测方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取待预测蓄电池的起始时刻状态数据和目标时刻状态数据,作为待预测蓄电池的状态特征;通过电池容量衰减系数预测模型,根据待预测蓄电池的状态特征,确定待预测蓄电池的电池容量衰减系数;根据待预测蓄电池的电池容量衰减系数,确定待预测蓄电池的电池容量;其中,所述模型采用如下方式构建:根据蓄电池历史充放电过程中的状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池;根据目标蓄电池的放电时长大于放电时长阈值的两次放电数据,确定目标蓄电池的状态特征和电池容量衰减系数;根据多个目标蓄电池的状态特征与电池容量衰减系数之间的对应关系,构建所述模型。
14.一种电子设备,其特征在于,包括:
处理器和存储器;
所述存储器,用于存储实现蓄电池容量衰减系数预测模型构建方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取蓄电池充放电过程中的历史状态监测数据;根据所述历史状态监测数据,获取有两次放电时长大于放电时长阈值的多个目标蓄电池;根据目标蓄电池的放电时长大于放电时长阈值的两次放电数据,确定目标蓄电池的状态特征和电池容量衰减系数;根据多个目标蓄电池的状态特征与电池容量衰减系数之间的对应关系,构建电池容量衰减系数预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210026792.4A CN114487857A (zh) | 2022-01-11 | 2022-01-11 | 数据中心蓄电池容量预测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210026792.4A CN114487857A (zh) | 2022-01-11 | 2022-01-11 | 数据中心蓄电池容量预测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114487857A true CN114487857A (zh) | 2022-05-13 |
Family
ID=81509089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210026792.4A Pending CN114487857A (zh) | 2022-01-11 | 2022-01-11 | 数据中心蓄电池容量预测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114487857A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116160878A (zh) * | 2023-04-25 | 2023-05-26 | 浙江新诺力电源科技有限公司 | 一种换电控制系统及方法、计算机可读介质及电子设备 |
-
2022
- 2022-01-11 CN CN202210026792.4A patent/CN114487857A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116160878A (zh) * | 2023-04-25 | 2023-05-26 | 浙江新诺力电源科技有限公司 | 一种换电控制系统及方法、计算机可读介质及电子设备 |
CN116160878B (zh) * | 2023-04-25 | 2023-07-18 | 浙江新诺力电源科技有限公司 | 一种换电控制系统及方法、计算机可读介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11215679B2 (en) | Method and apparatus for detecting micro short circuit of battery | |
US8719195B2 (en) | Battery adaptive learning management system | |
US11105861B2 (en) | Device and method for estimating battery resistance | |
CN115511013A (zh) | 一种大规模储能电站异常电池识别方法、设备及存储介质 | |
CN113848489A (zh) | 电池的短路识别方法、装置及存储介质 | |
JP2013081332A (ja) | 充電制御機能を備えた電池システム、および充電システム | |
CN115149122B (zh) | 电池安全的预警方法及装置 | |
CN114487857A (zh) | 数据中心蓄电池容量预测方法、装置及设备 | |
CN112834946A (zh) | 一种评估电池电芯衰减程度的方法及装置 | |
CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
CN116482557A (zh) | 一种基于电池内阻的电池管理方法、装置、电子设备及介质 | |
CN113866646B (zh) | 基于极化阻抗压升的电池簇不一致性在线监测方法 | |
US6850036B2 (en) | Method for checking power status of batteries | |
WO2021169162A1 (zh) | 电池备电单元监测方法、装置、服务器及可读存储介质 | |
CN112034353B (zh) | 一种电池寿命预测方法以及系统 | |
CN117148166A (zh) | 电池安全等级预测方法、装置、计算机设备及存储介质 | |
JP7058620B2 (ja) | 充電装置および充電方法 | |
CN115693916B (zh) | 一种变电站直流电源智能在线监测方法及系统 | |
CN115742865A (zh) | 基于行驶里程预测的电动汽车热管理方法和系统 | |
CN110850304A (zh) | 一种满充电检测方法、装置和存储介质 | |
CN116500482B (zh) | 磷酸铁锂电池soh的估测方法及可读存储介质 | |
US20230268753A1 (en) | Intelligent battery charging based on history | |
CN117368763A (zh) | 基于soc算法的锂电池管理方法、装置、设备及存储介质 | |
CN117233637A (zh) | 锂电池容量跳水监控方法、装置、计算机设备和存储介质 | |
CN118263959A (zh) | 电芯的均衡方法、系统、芯片和介质 |
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 |