CN117806440B - 备用电池单元的状态管控方法、系统、装置、设备及介质 - Google Patents
备用电池单元的状态管控方法、系统、装置、设备及介质 Download PDFInfo
- Publication number
- CN117806440B CN117806440B CN202410220297.6A CN202410220297A CN117806440B CN 117806440 B CN117806440 B CN 117806440B CN 202410220297 A CN202410220297 A CN 202410220297A CN 117806440 B CN117806440 B CN 117806440B
- Authority
- CN
- China
- Prior art keywords
- state
- state machine
- matrix
- model
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims description 237
- 238000012549 training Methods 0.000 claims description 95
- 238000001914 filtration Methods 0.000 claims description 47
- 230000010354 integration Effects 0.000 claims description 47
- 230000007704 transition Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 9
- 230000001172 regenerating effect Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000007726 management method Methods 0.000 claims 17
- 238000010586 diagram Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000007600 charging Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/28—Supervision thereof, e.g. detecting power-supply failure by out of limits supervision
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/30—Means for acting in the event of power-supply failure or interruption, e.g. power-supply fluctuations
- G06F1/305—Means for acting in the event of power-supply failure or interruption, e.g. power-supply fluctuations in the event of power-supply fluctuations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种备用电池单元的状态管控方法、系统、装置、设备及介质，涉及电池管理技术领域，该方法构建状态预测模型，根据上一时刻状态机的状态参数预测下一时刻状态机的状态，并在发送状态机切换指令前，首先根据预测的下一时刻状态机的状态与下一步要发送的状态机切换指令，判断当前状态参数下是否支持状态切换，当在判断出当前状态参数下支持状态切换时，发送状态机切换指令，这样可以为状态机切换提供指引，保证备用电池单元状态切换后安全可靠，提升存储系统的可靠性与稳定性。
Description
技术领域
本发明涉及电池管理技术领域，特别涉及一种备用电池单元的状态管控方法、系统、装置、设备及介质。
背景技术
为了提升存储设备的供电稳定性与可靠性，存储设备在PSU（Power Supply Unit，电源单元）冗余供电的基础上，额外增加了BBU（Battery Back-Up，备用电池单元），在PSU母线供电出现异常时刻及时切换到BBU供电。BBU从启动到正常运行备电以及进行测试、充放电、状态自检的过程，包含了大量的状态机，每个状态机代表BBU的状态。系统在运行过程中会向BBU发送状态机切换指令，以保证BBU正常有序工作。
然而，系统是根据当前负载运行状态以及当前的业务需求来发送状态机切换指令，没有考虑BBU自身状态，这会导致长时间运行后BBU出现未知的异常。另外，现有方案虽然会对系统的状态进行监测，但是这个过程在时间上存在滞后，影响BBU运行的可靠性。因此，如何解决上述技术缺陷已成为本领域技术人员亟待解决的技术问题。
发明内容
本发明的目的是提供一种备用电池单元的状态管控方法、系统、装置、设备及介质，能够保证备用电池单元状态切换后安全可靠，提升存储系统的可靠性与稳定性。
为解决上述技术问题，本发明提供了一种备用电池单元的状态管控方法，包括：
构建并训练状态预测模型；
将上一时刻备用电池单元的状态机的状态参数输入训练好的所述状态预测模型，以通过所述状态预测模型预测下一时刻所述状态机的状态；
比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态；
若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态不同，则不向所述备用电池单元发送所述状态机切换指令；
若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态相同，则向所述备用电池单元发送所述状态机切换指令。
在一些实施例中，构建并训练状态预测模型包括：
构建并训练卡尔曼滤波模型；
构建并训练相关性模型；
在模型训练过程中收集噪声数据；
整合所述卡尔曼滤波模型、所述相关性模型，得到卡尔曼滤波整合模型；所述卡尔曼滤波整合模型作为所述状态预测模型；
使用噪声数据训练所述卡尔曼滤波整合模型。
在一些实施例中，所述卡尔曼滤波模型为：；为t时刻状态机的参数矩阵，A为状态转移矩阵，/>为t-1时刻状态机的参数矩阵，/>为不确定参量，B为不确定参量对应的状态转移矩阵。
在一些实施例中，所述相关性模型为：；/>为t时刻状态机的参数矩阵，E为单位矩阵，/>为t-1时刻状态机的参数矩阵，C为协方差矩阵，D为协方差状态矩阵。
在一些实施例中，所述协方差矩阵为：
；
其中，表示预测的参数矩阵与预测的参数矩阵的协方差，表示预测的参数矩阵与真实的参数矩阵的协方差，表示真实的参数矩阵与真实的参数矩阵的协方差。
在一些实施例中，所述卡尔曼滤波整合模型为：；为t时刻状态机的参数矩阵，/>为t-1时刻状态机的参数矩阵，A为状态转移矩阵，E为单位矩阵，C为协方差矩阵，D为协方差状态矩阵，/>为不确定参量，B为不确定参量对应的状态转移矩阵，/>为矩阵偏移量，/>为相关性偏移量，K1与K2为系数；其中，当判断出下一时刻状态机的状态未发生改变，K1等于1，K2等于1；当判断出下一时刻状态机的状态发生改变，K1等于0，K2等于0。
在一些实施例中，判断下一时刻状态机的状态是否发生改变包括：
判断预测出的下一时刻的状态参数是否低于上一时刻的状态参数的预设百分比；
若是，则下一时刻状态机的状态未发生改变；
若否，则下一时刻状态机的状态发生改变。
在一些实施例中，训练所述相关性模型包括：
选取第一时间段内的历史数据构建得到作为输入的参数矩阵；
选取第二时间段内的历史数据构建得到作为输出的参数矩阵；
通过作为输入的参数矩阵与作为输出的参数矩阵，训练相关性模型；
根据状态机的数量将训练数据分组，每组包括相同状态机的不同时刻的参数矩阵；
每轮训练中取同一组中的两个参数矩阵，训练相关性模型。
在一些实施例中，在模型训练过程中收集噪声数据包括：
统计根据输入数据预测出的状态参数与实测状态参数的方差；
若所述方差高于预设阈值，则所述输入数据为噪声数据，并保存所述输入数据。
在一些实施例中，还包括：
根据收集的噪声数据重新生成噪声数据；
使用重新生成的噪声数据训练所述卡尔曼滤波整合模型。
在一些实施例中，根据收集的噪声数据重新生成噪声数据包括：
设定噪声参数因子服从高斯分布；
根据收集的噪声数据进行拟合，求解得到高斯分布的参数；
根据求解得到的高斯分布，得到噪声数据。
在一些实施例中，比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态前还包括：
根据所述状态预测模型预测到的下一时刻所述状态机的状态参数与上一时刻所述状态机的状态参数，判断下一时刻所述状态机的状态参数是否稳定；
若下一时刻所述状态机的状态参数不稳定，则发出告警信号；
若下一时刻所述状态机的状态参数稳定，则比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态。
在一些实施例中，根据所述状态预测模型预测到的下一时刻所述状态机的状态参数与上一时刻所述状态机的状态参数，判断下一时刻所述状态机的状态参数是否稳定包括：
判断状态预测模型预测到的下一时刻所述状态机的参数矩阵与上一时刻所述状态机的参数矩阵的协方差矩阵是否高于历史协方差矩阵的最高值；
若是，则下一时刻所述状态机的状态参数不稳定；
若否，则下一时刻所述状态机的状态参数稳定。
在一些实施例中，还包括：
汇总备用电池单元的功率参数与控制参数；
记录备用电池单元的状态变化信息。
在一些实施例中，记录备用电池单元的状态变化信息包括：
备用电池单元的状态机每发生一次变化，记录当前的控制参数与功率参数，并将控制参数与功率参数记录为矩阵形式。
为解决上述技术问题，本发明还提供了一种备用电池单元的状态管控系统，包括：
建模平台，用于构建并训练状态预测模型，通过状态预测模型预测备用电池单元的状态机的状态；
微处理器，用于将上一时刻备用电池单元的状态机的状态参数输入训练好的所述状态预测模型，以通过所述状态预测模型预测下一时刻所述状态机的状态；
存储控制器，用于比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态；若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态不同，则不向所述备用电池单元发送所述状态机切换指令；若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态相同，则向所述备用电池单元发送所述状态机切换指令。
在一些实施例中，所述建模平台包括：
第一卡尔曼滤波器，用于构建并训练卡尔曼滤波模型与相关性模型；
第二卡尔曼滤波器，用于整合所述卡尔曼滤波模型、所述相关性模型，得到卡尔曼滤波整合模型，并使用噪声数据训练所述卡尔曼滤波整合模型；所述卡尔曼滤波整合模型作为所述状态预测模型。
为解决上述技术问题，本发明还提供了一种备用电池单元的状态管控装置，包括：
模型构建与训练模块，用于构建并训练状态预测模型；
预测模块，用于将上一时刻备用电池单元的状态机的状态参数输入训练好的所述状态预测模型，以通过所述状态预测模型预测下一时刻所述状态机的状态；
比对模块，用于比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态；
第一处理模块，用于若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态不同，则不向所述备用电池单元发送所述状态机切换指令；
第二处理模块，用于若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态相同，则向所述备用电池单元发送所述状态机切换指令。
为解决上述技术问题，本发明还提供了一种备用电池单元的状态管控设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上所述的备用电池单元的状态管控方法的步骤。
为解决上述技术问题，本发明还提供了一种介质，所述介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的备用电池单元的状态管控方法的步骤。
本发明所提供的备用电池单元的状态管控方法，包括：构建并训练状态预测模型；将上一时刻备用电池单元的状态机的状态参数输入训练好的所述状态预测模型，以通过所述状态预测模型预测下一时刻所述状态机的状态；比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态；若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态不同，则不向所述备用电池单元发送所述状态机切换指令；若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态相同，则向所述备用电池单元发送所述状态机切换指令。
可见，本发明所提供的备用电池单元的状态管控方法，构建状态预测模型，根据上一时刻状态机的状态参数预测下一时刻状态机的状态，并在发送状态机切换指令前，首先根据预测的下一时刻状态机的状态与下一步要发送的状态机切换指令，判断当前状态参数下是否支持状态切换，当在判断出当前状态参数下支持状态切换时，发送状态机切换指令，这样可以为状态机切换提供指引，保证备用电池单元状态切换后安全可靠，提升存储系统的可靠性与稳定性。
本发明所提供的备用电池单元的状态管控系统、装置、设备及介质均具有上述技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种备用电池单元的状态管控方法的流程示意图；
图2为本发明实施例所提供的另一种备用电池单元的状态管控方法的流程示意图；
图3为本发明实施例所提供的一种备用电池单元的状态管控系统的示意图；
图4为本发明实施例所提供的一种备用电池单元的状态管控装置的示意图。
具体实施方式
本发明的核心是提供一种备用电池单元的状态管控方法、系统、装置、设备及介质，能够保证备用电池单元状态切换后安全可靠，提升存储系统的可靠性与稳定性。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，图1为本发明实施例所提供的一种备用电池单元的状态管控方法的流程示意图，参考图1所示，该方法包括：
S101：构建并训练状态预测模型；
状态预测模型用于进行状态预测，状态预测模型可根据上一时刻备用电池单元的状态机的状态参数预测下一时刻状态机的状态参数。
在一些实施例中，构建并训练状态预测模型包括：
构建并训练卡尔曼滤波模型；
构建并训练相关性模型；
在模型训练过程中收集噪声数据；
整合所述卡尔曼滤波模型、所述相关性模型，得到卡尔曼滤波整合模型；所述卡尔曼滤波整合模型作为所述状态预测模型；
使用噪声数据训练所述卡尔曼滤波整合模型。
考虑到相同状态机之间的参数可能存在差异，本实施例在建立模型时针对相同状态机的参数特征引入相关性模型以描述相关性，同时考虑到存储系统对备用电池单元的可靠性有着较高的要求，对备用电池单元滤波掉的噪声数据进行二次优化处理，确保预测过程中不会产生状态误判操作。
其中，在一些实施例中，所述卡尔曼滤波模型为：；为t时刻状态机的参数矩阵，A为状态转移矩阵，/>为t-1时刻状态机的参数矩阵，/>为不确定参量，B为不确定参量对应的状态转移矩阵。
建立状态机矩阵，状态机矩阵如矩阵P所示：
。
将监测单元监测到的功率参数以及控制单元的控制参数整合为矩阵形式，得到状态机矩阵。状态机矩阵中主对角线上的因子为1。主对角线右上方的因子为功率参数，例如BBU电芯电压、BBU充电电流、BBU放电电流、BBU温度等。主对角线左下方的因子为控制参数，例如BBU充电使能信号、BBU放电使能信号、BBU电芯状态读取信号、充放电保护信号等。
建立卡尔曼滤波模型，卡尔曼滤波模型为，矩阵A为状态转移矩阵，状态转移矩阵与上一时刻状态机矩阵相乘得到卡尔曼滤波模型中的基础参量（状态观测值）。
矩阵为卡尔曼滤波模型中的不确定参量，用于描述两个时刻之间的状态参量可能出现的极端波动情况。矩阵B为不确定参量对应的状态转移矩阵，在训练过程中通过高斯分布生成数据来描述/>的不确定性。在描述不确定变量的过程中，针对备用电池单元每一时刻可能对应不同状态机，相同状态机矩阵在不同时刻参数值存在差异的特点，在卡尔曼滤波模型中对前后时刻相同或不同状态机特点进行识别，在求解过程中对下一时刻的状态参数进行预测，当根据预测的下一时刻的状态参数判断出下一时刻状态机的状态未发生改变时，通过相关性模型重新进行预测。
相关性模型构建了不同时刻状态机之间的关系，用于在判断出下一时刻状态机的状态未发生改变时，预测下一时刻的状态参数。
其中，在一些实施例中，所述相关性模型为：；为t时刻状态机的参数矩阵，E为单位矩阵，/>为t-1时刻状态机的参数矩阵，C为协方差矩阵，D为协方差状态矩阵。
即；/>为n阶单位矩阵。
相关性模型中状态转移矩阵A变为了n阶单位矩阵，即卡尔曼滤波模型中的状态观测值变为上一阶段的状态。在此基础上，引入协方差矩阵来表示相同状态之间的相关性，根据状态机矩阵中包含的参数信息，两两分析相同状态机矩阵之间的相关性后，构建协方差矩阵C。
在一些实施例中，所述协方差矩阵为：
；
其中，表示预测的参数矩阵与预测的参数矩阵的协方差，表示预测的参数矩阵与真实的参数矩阵的协方差，表示真实的参数矩阵与真实的参数矩阵的协方差。
在模型训练过程中，在下一轮训练时按照上一轮预测的参数矩阵与实际的参数矩阵的关系更新协方差矩阵。训练完成后得到协方差矩阵与其协方差状态矩阵的乘积，能够最大程度预测前后时刻相同状态机下状态参数变化。
在一些实施例中，所述卡尔曼滤波整合模型为：；/>为t时刻状态机的参数矩阵，/>为t-1时刻状态机的参数矩阵，A为状态转移矩阵，E为单位矩阵，C为协方差矩阵，D为协方差状态矩阵，/>为不确定参量，B为不确定参量对应的状态转移矩阵，/>为矩阵偏移量，/>为相关性偏移量，K1与K2为系数；其中，当判断出下一时刻状态机的状态未发生改变，K1等于1，K2等于1；当判断出下一时刻状态机的状态发生改变，K1等于0，K2等于0。
即卡尔曼滤波整合模型为：
；为t时刻状态机的参数矩阵，/>为t-1时刻状态机的参数矩阵，A为状态转移矩阵，/>为n阶单位矩阵，C为协方差矩阵，D为协方差状态矩阵，/>为不确定参量，B为不确定参量对应的状态转移矩阵，/>为矩阵偏移量，/>为相关性偏移量，K1与K2为系数；其中，当判断出下一时刻状态机的状态未发生改变，则K1等于1，K2等于1，当判断出下一时刻状态机的状态发生改变，则K1等于0，K2等于0。
即在整合卡尔曼滤波模型与相关性模型的过程中，引入新的参数K1与K2。当判断出下一时刻状态机状态未改变时，K1的值变为1。反之，下一时刻状态机状态改变，K1为0。同样，当判断出下一时刻状态机状态未改变时，K2的值变为1。反之，下一时刻状态机状态改变，K2为0。
同时，在整合卡尔曼滤波模型与相关性模型的过程中，引入新的参数：矩阵偏移量与相关性偏移量/>。根据生成的噪声数据对整合得到的卡尔曼滤波整合模型进行状态校正即代入噪声数据求解卡尔曼滤波整合模型，每次训练的输入数据为生成的噪声数据，输出为记录的噪声数据下一时刻的参数矩阵。训练完成后得到的卡尔曼滤波整合模型作为状态预测模型。
在一些实施例中，根据预测到的下一时刻状态机的状态参数判断下一时刻状态机的状态是否发生改变包括：
判断预测出的下一时刻的状态参数是否低于上一时刻的状态参数的预设百分比；
若是，则下一时刻状态机的状态未发生改变；
若否，则下一时刻状态机的状态发生改变。
例如，预设百分比为30%，则判断预测出的下一时刻的状态参数是否低于上一时刻的状态参数的30%；若是，则下一时刻状态机的状态未发生改变；若否，则下一时刻状态机的状态发生改变。
在一些实施例中，训练所述相关性模型包括：
训练所述相关性模型包括：
选取第一时间段内的历史数据构建得到作为输入的参数矩阵；
选取第二时间段内的历史数据构建得到作为输出的参数矩阵；
通过作为输入的参数矩阵与作为输出的参数矩阵，训练相关性模型；
根据状态机的数量将训练数据分组，每组包括相同状态机的不同时刻的参数矩阵；
每轮训练中取同一组中的两个参数矩阵，训练相关性模型。
本实施例分别从时间角度与状态机角度进行模型训练。在时间角度上训练时，选取t0~tn时刻的历史数据，并据此构建出参数矩阵作为输入，选取t1~tn+1时刻的历史数据，并据此构建出参数矩阵作为输出。每一轮训练根据tn时刻与tn+1时刻的输入数据，训练出相应的卡尔曼增益值。在状态机角度训练时，根据状态机的数量对训练数据进行分组，每组包含相同状态机下的不同时刻的参数矩阵，每一轮训练取同一组中的两个参数矩阵，训练出相应的协方差矩阵。
在上述训练过程中，收集生成的噪声数据。
在一些实施例中，在模型训练过程中收集噪声数据包括：
统计根据输入数据预测出的状态参数与实测状态参数的方差；
若所述方差高于预设阈值，则所述输入数据为噪声数据，并保存所述输入数据。
在训练过程中统计每次训练中根据输入预测出的参数数据与实测参数数据的方差，如果方差高于预设阈值，则认为该组训练的输入数据在当前模型下不具备预测能力，在卡尔曼滤波中被视为噪声数据滤除。此时，保存该噪声数据。
例如，预设阈值为15%。如果方差高于预设阈值，则认为该组训练的输入数据在当前模型下不具备预测能力，此时，保存该噪声数据。
训练过程中收集的噪声数据有限，为了获得大量的噪声数据，便于后续使用噪声数据训练卡尔曼滤波整合模型，在一些实施例中，还包括：
根据收集的噪声数据重新生成噪声数据；
使用重新生成的噪声数据训练所述卡尔曼滤波整合模型。
其中，在一些实施例中，根据收集的噪声数据重新生成噪声数据包括：
设定噪声参数因子服从高斯分布；
根据收集的噪声数据进行拟合，求解得到高斯分布的参数；
根据求解得到的高斯分布，得到噪声数据。
训练完成后，对噪声数据进行重新生成，假设卡尔曼滤波的噪声参数因子服从高斯分布，高斯分布如下所示：
；
带入收集的噪声数据进行拟合，得到高斯分布的参数情况，进而根据求解的高斯分布可以得到大量的噪声数据。
卡尔曼滤波模型中的噪声参数难以通过不确定参量表示。另外，由于备用电池单元的状态参数复杂，状态参数会出现无规律性的变化，每个状态机下的状态参数可能会短时间出现变化，因此卡尔曼滤波算法中滤除的噪声参数可能也包含了与状态变化相关的信息，因此在上述模型求解的基础上，利用求解完成的模型与得到的噪声数据对模型进行优化，得到卡尔曼滤波整合模型。
S102：将上一时刻备用电池单元的状态机的状态参数输入训练好的所述状态预测模型；
将上一时刻备用电池单元的状态机的状态参数输入到训练好的状态预测模型，状态预测模型输出预测到的下一时刻状态机的状态。
S103：比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态；
S104：若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态不同，则不向所述备用电池单元发送所述状态机切换指令；
S105：若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态相同，则向所述备用电池单元发送所述状态机切换指令。
如果预测的状态机的状态与下一步要发送给备用电池单元的状态机切换指令对应的状态不同，表明当前状态参数下不支持进行状态切换，此时不向备用电池单元发送状态机切换指令。如果预测的状态机的状态与下一步要发送给备用电池单元的状态机切换指令对应的状态相同，则正常向备用电池单元发送状态机切换指令，完成状态切换。
参考图2所示，在一些实施例中，比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态前还包括：
根据所述状态预测模型预测到的下一时刻所述状态机的参数矩阵与上一个所述状态机的参数矩阵，判断下一时刻所述状态机的状态参数是否稳定；
若下一时刻所述状态机的状态参数不稳定，则发出告警信号；
若下一时刻所述状态机的状态参数稳定，则比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态。
其中，在一些实施例中，根据所述状态预测模型预测到的下一时刻所述状态机的参数矩阵与上一个所述状态机的参数矩阵，判断下一时刻所述状态机的状态参数是否稳定包括：
判断状态预测模型预测到的下一时刻所述状态机的参数矩阵与上一时刻所述状态机的参数矩阵的协方差矩阵的参数是否高于历史协方差矩阵的参数的最高值；
若是，则下一时刻所述状态机的状态参数不稳定；
若否，则下一时刻状态机的状态参数稳定。
本实施例在预测得到下一时刻状态机的参数矩阵后，进行两轮判断。第一轮判断是为了判断下一时刻的状态参数是否稳定。如果上一时刻的参数矩阵与预测到的下一时刻的参数矩阵二者的协方差矩阵的状态参数高于历史协方差矩阵的状态参数的最高值，则认为下一时刻的状态参数大概率不稳定，此时发出告警信号。如果上一时刻的参数矩阵与预测到的下一时刻的参数矩阵二者的协方差矩阵的状态参数不高于历史协方差矩阵的状态参数的最高值，则认为下一时刻的状态参数稳定，此时进行第二轮判断。第二轮判断是为了判断下一步是否要发送状态机切换指令。比对状态预测模型预测的下一时刻状态机的状态与计划发送到备用电池单元的状态机切换指令对应的状态；如果预测的下一时刻状态机的状态与计划发送到备用电池单元的状态机切换指令对应的状态不同，则不向备用电池单元发送状态机切换指令。如果预测的下一时刻状态机的状态与计划发送到备用电池单元的状态机切换指令对应的状态相同，则向备用电池单元发送状态机切换指令。在判断出未来状态参数符合预测状态，以及控制器的状态切换指令与预测状态相吻合时，进行状态切换。预测出参数与状态异常的情况后，立即发出警报可以提高存储设备可靠性，在控制器对备用电池单元状态进行切换前提前进行预测并进行状态比对，可以确保备用电池单元状态切换后的状态安全可靠，提高存储系统的可靠性与稳定性。
在一些实施例中，还包括：
汇总备用电池单元的功率参数与控制参数；
记录备用电池单元的状态变化信息。
其中，记录备用电池单元的状态变化信息包括：
备用电池单元的状态机每发生一次变化，记录当前的控制参数与功率参数，并将控制参数与功率参数记录为矩阵形式。
备用电池单元的状态机每发生一次变化，即存储控制器每向备用电池单元发送一次状态机变化指令，就对当前的控制参数与功率参数进行记录，且记录成矩阵形式。将时间划分为t0至tn+1时刻，将历史数据与各个时刻一一对应。
综上所述，本发明所提供的备用电池单元的状态管控方法，构建状态预测模型，根据上一时刻状态机的状态参数预测下一时刻状态机的状态，并在发送状态机切换指令前，首先根据预测的下一时刻状态机的状态与下一步要发送的状态机切换指令，判断当前状态参数下是否支持状态切换，当在判断出当前状态参数下支持状态切换时，发送状态机切换指令，这样可以为状态机切换提供指引，保证备用电池单元状态切换后安全可靠，提升存储系统的可靠性与稳定性。
本发明还提供了一种备用电池单元的状态管控系统，下文描述的该系统可以与上文描述的方法相互对应参照。请参考图3，图3为本发明实施例所提供的一种备用电池单元的状态管控系统的示意图，结合图3所示，该系统包括：
建模平台11，用于构建并训练状态预测模型，通过状态预测模型预测备用电池单元的状态机的状态；
微处理器12，用于将上一时刻备用电池单元的状态机的状态参数输入训练好的所述状态预测模型，以通过所述状态预测模型预测下一时刻所述状态机的状态；
存储控制器13，用于比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态；若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态不同，则不向所述备用电池单元发送所述状态机切换指令；若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态相同，则向所述备用电池单元发送所述状态机切换指令。
在一些实施例中，所述建模平台11包括：
第一卡尔曼滤波器，用于构建并训练卡尔曼滤波模型与相关性模型；
第二卡尔曼滤波器，用于整合所述卡尔曼滤波模型、所述相关性模型，得到卡尔曼滤波整合模型，并使用噪声数据训练所述卡尔曼滤波整合模型；所述卡尔曼滤波整合模型作为所述状态预测模型。
第一卡尔曼滤波器输入参数矩阵，输出求解得到的卡尔曼滤波模型与相关性模型以及噪声数据。第二卡尔曼滤波器对卡尔曼滤波模型与相关性模型进行优化整合，得到卡尔曼滤波整合模型。卡尔曼滤波整合模型在训练完成后，根据上一时刻的状态参数预测下一时刻的状态参数。
在一些实施例中，所述卡尔曼滤波模型为：；为t时刻状态机的参数矩阵，A为状态转移矩阵，/>为t-1时刻状态机的参数矩阵，/>为不确定参量，B为不确定参量对应的状态转移矩阵。
在一些实施例中，所述相关性模型为：；/>为t时刻状态机的参数矩阵，E为单位矩阵，/>为t-1时刻状态机的参数矩阵，C为协方差矩阵，D为协方差状态矩阵。
在一些实施例中，所述协方差矩阵为：
；
其中，表示预测的参数矩阵与预测的参数矩阵的协方差，表示预测的参数矩阵与真实的参数矩阵的协方差，表示真实的参数矩阵与真实的参数矩阵的协方差。
在一些实施例中，所述卡尔曼滤波整合模型为：；/>为t时刻状态机的参数矩阵，/>为t-1时刻状态机的参数矩阵，A为状态转移矩阵，E为单位矩阵，C为协方差矩阵，D为协方差状态矩阵，/>为不确定参量，B为不确定参量对应的状态转移矩阵，/>为矩阵偏移量，/>为相关性偏移量，K1与K2为系数；其中，当判断出下一时刻状态机的状态未发生改变，K1等于1，K2等于1；当判断出下一时刻状态机的状态发生改变，K1等于0，K2等于0。
在一些实施例中，建模平台11判断下一时刻状态机的状态是否发生改变的方式包括：
判断预测出的下一时刻的状态参数是否低于上一时刻的状态参数的预设百分比；
若是，则下一时刻状态机的状态未发生改变；
若否，则下一时刻状态机的状态发生改变。
在一些实施例中，微控制器12训练所述相关性模型的方式包括：
选取第一时间段内的历史数据构建得到作为输入的参数矩阵；
选取第二时间段内的历史数据构建得到作为输出的参数矩阵；
通过作为输入的参数矩阵与作为输出的参数矩阵，训练相关性模型；
根据状态机的数量将训练数据分组，每组包括相同状态机的不同时刻的参数矩阵；
每轮训练中取同一组中的两个参数矩阵，训练相关性模型。
在一些实施例中，微控制器12在模型训练过程中收集噪声数据的方式包括：
统计根据输入数据预测出的状态参数与实测状态参数的方差；
若所述方差高于预设阈值，则所述输入数据为噪声数据，并保存所述输入数据。
在一些实施例中，微控制器12还用于：
根据收集的噪声数据重新生成噪声数据；
使用重新生成的噪声数据训练所述卡尔曼滤波整合模型。
在一些实施例中，微控制器12具体用于：
设定噪声参数因子服从高斯分布；
根据收集的噪声数据进行拟合，求解得到高斯分布的参数；
根据求解得到的高斯分布，得到噪声数据。
在一些实施例中，存储控制器13还用于：
根据所述状态预测模型预测到的下一时刻所述状态机的状态参数与上一时刻所述状态机的状态参数，判断下一时刻所述状态机的状态参数是否稳定；
若下一时刻所述状态机的状态参数不稳定，则发出告警信号；
若下一时刻所述状态机的状态参数稳定，则比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态。
在一些实施例中，存储控制器13具体用于：
判断状态预测模型预测到的下一时刻所述状态机的参数矩阵与上一时刻所述状态机的参数矩阵的协方差矩阵是否高于历史协方差矩阵的最高值；
若是，则下一时刻所述状态机的状态参数不稳定；
若否，则下一时刻所述状态机的状态参数稳定。
在一些实施例中，微控制器12还用于：
汇总备用电池单元的功率参数与控制参数；
记录备用电池单元的状态变化信息。
在一些实施例中，微控制器12具体用于：
备用电池单元的状态机每发生一次变化，记录当前的控制参数与功率参数，并将控制参数与功率参数记录为矩阵形式。
本发明所提供的备用电池单元的状态管控系统，构建状态预测模型，根据上一时刻状态机的状态参数预测下一时刻状态机的状态，并在发送状态机切换指令前，首先根据预测的下一时刻状态机的状态与下一步要发送的状态机切换指令，判断当前状态参数下是否支持状态切换，当在判断出当前状态参数下支持状态切换时，发送状态机切换指令，这样可以为状态机切换提供指引，保证备用电池单元状态切换后安全可靠，提升存储系统的可靠性与稳定性。
本发明还提供了一种备用电池单元的状态管控装置，下文描述的该装置可以与上文描述的方法相互对应参照。请参考图4，图4为本发明实施例所提供的一种备用电池单元的状态管控装置的示意图，结合图4所示，该装置包括：
模型构建与训练模块10，用于构建并训练状态预测模型；
预测模块20，用于将上一时刻备用电池单元的状态机的状态参数输入训练好的所述状态预测模型，以通过所述状态预测模型预测下一时刻所述状态机的状态；
比对模块30，用于比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态；
第一处理模块40，用于若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态不同，则不向所述备用电池单元发送所述状态机切换指令；
第二处理模块50，用于若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态相同，则向所述备用电池单元发送所述状态机切换指令。
在一些实施例中，模型构建与训练模块10包括：
第一构建单元，用于构建并训练卡尔曼滤波模型；
第二构建单元，用于构建并训练相关性模型；
收集单元，用于在模型训练过程中收集噪声数据；
整合单元，用于整合所述卡尔曼滤波模型、所述相关性模型，得到卡尔曼滤波整合模型；所述卡尔曼滤波整合模型作为所述状态预测模型；
使用噪声数据训练所述卡尔曼滤波整合模型。
在一些实施例中，所述卡尔曼滤波模型为：；为t时刻状态机的参数矩阵，A为状态转移矩阵，/>为t-1时刻状态机的参数矩阵，/>为不确定参量，B为不确定参量对应的状态转移矩阵。
在一些实施例中，所述相关性模型为：；/>为t时刻状态机的参数矩阵，E为单位矩阵，/>为t-1时刻状态机的参数矩阵，C为协方差矩阵，D为协方差状态矩阵。
在一些实施例中，所述协方差矩阵为：
；
其中，表示预测的参数矩阵与预测的参数矩阵的协方差，表示预测的参数矩阵与真实的参数矩阵的协方差，表示真实的参数矩阵与真实的参数矩阵的协方差。
在一些实施例中，所述卡尔曼滤波整合模型为：；/>为t时刻状态机的参数矩阵，/>为t-1时刻状态机的参数矩阵，A为状态转移矩阵，E为单位矩阵，C为协方差矩阵，D为协方差状态矩阵，/>为不确定参量，B为不确定参量对应的状态转移矩阵，/>为矩阵偏移量，/>为相关性偏移量，K1与K2为系数；其中，当判断出下一时刻状态机的状态未发生改变，K1等于1，K2等于1；当判断出下一时刻状态机的状态发生改变，K1等于0，K2等于0。
在一些实施例中，判断下一时刻状态机的状态是否发生改变包括：
判断预测出的下一时刻的状态参数是否低于上一时刻的状态参数的预设百分比；
若是，则下一时刻状态机的状态未发生改变；
若否，则下一时刻状态机的状态发生改变。
在一些实施例中，第二构建单元包括：
第一选择单元，用于选取第一时间段内的历史数据构建得到作为输入的参数矩阵；
第二选择单元，用于选取第二时间段内的历史数据构建得到作为输出的参数矩阵；
第一训练单元，用于通过作为输入的参数矩阵与作为输出的参数矩阵，训练相关性模型；
分组单元，用于根据状态机的数量将训练数据分组，每组包括相同状态机的不同时刻的参数矩阵；
第二训练单元，用于每轮训练中取同一组中的两个参数矩阵，训练相关性模型。
在一些实施例中，收集单元包括：
统计单元，用于统计根据输入数据预测出的状态参数与实测状态参数的方差；
保存单元，用于若所述方差高于预设阈值，则所述输入数据为噪声数据，并保存所述输入数据。
在一些实施例中，还包括：
噪声重新生成模块，用于根据收集的噪声数据重新生成噪声数据；
训练模块，用于使用重新生成的噪声数据训练所述卡尔曼滤波整合模型。
在一些实施例中，噪声重新生成模块包括：
设定单元，用于设定噪声参数因子服从高斯分布；
拟合单元，用于根据收集的噪声数据进行拟合，求解得到高斯分布的参数；
确定单元，用于根据求解得到的高斯分布，得到噪声数据。
在一些实施例中，还包括：
判断模块，用于根据所述状态预测模型预测到的下一时刻所述状态机的状态参数与上一时刻所述状态机的状态参数，判断下一时刻所述状态机的状态参数是否稳定；
告警模块，用于若下一时刻所述状态机的状态参数不稳定，则发出告警信号；
若下一时刻所述状态机的状态参数稳定，则比对模块30比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态。
在一些实施例中，判断模块具体用于：
判断状态预测模型预测到的下一时刻所述状态机的参数矩阵与上一时刻所述状态机的参数矩阵的协方差矩阵是否高于历史协方差矩阵的最高值；
若是，则下一时刻所述状态机的状态参数不稳定；
若否，则下一时刻所述状态机的状态参数稳定。
在一些实施例中，还包括：
汇总模块，用于汇总备用电池单元的功率参数与控制参数；
记录模块，用于记录备用电池单元的状态变化信息。
在一些实施例中，记录模块具体用于：
备用电池单元的状态机每发生一次变化，记录当前的控制参数与功率参数，并将控制参数与功率参数记录为矩阵形式。
本发明所提供的备用电池单元的状态管控装置，构建状态预测模型，根据上一时刻状态机的状态参数预测下一时刻状态机的状态，并在发送状态机切换指令前，首先根据预测的下一时刻状态机的状态与下一步要发送的状态机切换指令，判断当前状态参数下是否支持状态切换，当在判断出当前状态参数下支持状态切换时，发送状态机切换指令，这样可以为状态机切换提供指引，保证备用电池单元状态切换后安全可靠，提升存储系统的可靠性与稳定性。
本发明还提供了一种备用电池单元的状态管控设备，该设备包括存储器和处理器。
存储器，用于存储计算机程序；
处理器，用于执行计算机程序实现如下的步骤：
构建并训练状态预测模型；将上一时刻备用电池单元的状态机的状态参数输入训练好的所述状态预测模型，以通过所述状态预测模型预测下一时刻所述状态机的状态；比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态；若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态不同，则不向所述备用电池单元发送所述状态机切换指令；若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态相同，则向所述备用电池单元发送所述状态机切换指令。
对于本发明所提供的设备的介绍请参照上述方法实施例，本发明在此不做赘述。
本发明所提供的备用电池单元的状态管控设备，构建状态预测模型，根据上一时刻状态机的状态参数预测下一时刻状态机的状态，并在发送状态机切换指令前，首先根据预测的下一时刻状态机的状态与下一步要发送的状态机切换指令，判断当前状态参数下是否支持状态切换，当在判断出当前状态参数下支持状态切换时，发送状态机切换指令，这样可以为状态机切换提供指引，保证备用电池单元状态切换后安全可靠，提升存储系统的可靠性与稳定性。
本发明还提供了一种介质，该介质上存储有计算机程序，计算机程序被处理器执行时可实现如下的步骤：
构建并训练状态预测模型；将上一时刻备用电池单元的状态机的状态参数输入训练好的所述状态预测模型，以通过所述状态预测模型预测下一时刻所述状态机的状态；比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态；若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态不同，则不向所述备用电池单元发送所述状态机切换指令；若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态相同，则向所述备用电池单元发送所述状态机切换指令。
该介质可以包括：U盘、移动硬盘、只读存储器（Read-Only Memory ，ROM）、随机存取存储器（Random Access Memory ，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
对于本发明所提供的介质的介绍请参照上述方法实施例，本发明在此不做赘述。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备以及介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的介质中。
以上对本发明所提供的备用电池单元的状态管控方法、系统、装置、设备及介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明的保护范围。
Claims (17)
1.一种备用电池单元的状态管控方法，其特征在于，包括：
构建并训练状态预测模型；
将上一时刻备用电池单元的状态机的状态参数输入训练好的所述状态预测模型，以通过所述状态预测模型预测下一时刻所述状态机的状态；
比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态；
若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态不同，则不向所述备用电池单元发送所述状态机切换指令；
若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态相同，则向所述备用电池单元发送所述状态机切换指令；
构建并训练状态预测模型包括：
构建并训练卡尔曼滤波模型；
构建并训练相关性模型；
在模型训练过程中收集噪声数据；
整合所述卡尔曼滤波模型、所述相关性模型，得到卡尔曼滤波整合模型；所述卡尔曼滤波整合模型作为所述状态预测模型；
使用噪声数据训练所述卡尔曼滤波整合模型；所述卡尔曼滤波整合模型为：；/>为t时刻状态机的参数矩阵，/>为t-1时刻状态机的参数矩阵，A为状态转移矩阵，E为单位矩阵，C为协方差矩阵，D为协方差状态矩阵，/>为不确定参量，B为不确定参量对应的状态转移矩阵，/>为矩阵偏移量，/>为相关性偏移量，K1与K2为系数；其中，当判断出下一时刻状态机的状态未发生改变，K1等于1，K2等于1；当判断出下一时刻状态机的状态发生改变，K1等于0，K2等于0。
2.根据权利要求1所述的状态管控方法，其特征在于，所述卡尔曼滤波模型为：；/>为t时刻状态机的参数矩阵，A为状态转移矩阵，/>为t-1时刻状态机的参数矩阵，/>为不确定参量，B为不确定参量对应的状态转移矩阵。
3.根据权利要求2所述的状态管控方法，其特征在于，所述相关性模型为：； />为t时刻状态机的参数矩阵，E为单位矩阵，为t-1时刻状态机的参数矩阵，C为协方差矩阵，D为协方差状态矩阵。
4.根据权利要求3所述的状态管控方法，其特征在于，所述协方差矩阵为：
；
其中，
表示预测的参数矩阵与预测的参数矩阵的协方差，
表示预测的参数矩阵与真实的参数矩阵的协方差，
表示真实的参数矩阵与真实的参数矩阵的协方差。
5.根据权利要求1所述的状态管控方法，其特征在于，判断下一时刻状态机的状态是否发生改变包括：
判断预测出的下一时刻的状态参数是否低于上一时刻的状态参数的预设百分比；
若是，则下一时刻状态机的状态未发生改变；
若否，则下一时刻状态机的状态发生改变。
6.根据权利要求1所述的状态管控方法，其特征在于，训练所述相关性模型包括：
选取第一时间段内的历史数据构建得到作为输入的参数矩阵；
选取第二时间段内的历史数据构建得到作为输出的参数矩阵；
通过作为输入的参数矩阵与作为输出的参数矩阵，训练相关性模型；
根据状态机的数量将训练数据分组，每组包括相同状态机的不同时刻的参数矩阵；
每轮训练中取同一组中的两个参数矩阵，训练相关性模型。
7.根据权利要求1所述的状态管控方法，其特征在于，在模型训练过程中收集噪声数据包括：
统计根据输入数据预测出的状态参数与实测状态参数的方差；
若所述方差高于预设阈值，则所述输入数据为噪声数据，并保存所述输入数据。
8.根据权利要求7所述的状态管控方法，其特征在于，还包括：
根据收集的噪声数据重新生成噪声数据；
使用重新生成的噪声数据训练所述卡尔曼滤波整合模型。
9.根据权利要求8所述的状态管控方法，其特征在于，根据收集的噪声数据重新生成噪声数据包括：
设定噪声参数因子服从高斯分布；
根据收集的噪声数据进行拟合，求解得到高斯分布的参数；
根据求解得到的高斯分布，得到噪声数据。
10.根据权利要求1至9任一项所述的状态管控方法，其特征在于，比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态前还包括：
根据所述状态预测模型预测到的下一时刻所述状态机的状态参数与上一时刻所述状态机的状态参数，判断下一时刻所述状态机的状态参数是否稳定；
若下一时刻所述状态机的状态参数不稳定，则发出告警信号；
若下一时刻所述状态机的状态参数稳定，则比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态。
11.根据权利要求10所述的状态管控方法，其特征在于，根据所述状态预测模型预测到的下一时刻所述状态机的状态参数与上一时刻所述状态机的状态参数，判断下一时刻所述状态机的状态参数是否稳定包括：
判断状态预测模型预测到的下一时刻所述状态机的参数矩阵与上一时刻所述状态机的参数矩阵的协方差矩阵是否高于历史协方差矩阵的最高值；
若是，则下一时刻所述状态机的状态参数不稳定；
若否，则下一时刻所述状态机的状态参数稳定。
12.根据权利要求1所述的状态管控方法，其特征在于，还包括：
汇总备用电池单元的功率参数与控制参数；
记录备用电池单元的状态变化信息。
13.根据权利要求12所述的状态管控方法，其特征在于，记录备用电池单元的状态变化信息包括：
备用电池单元的状态机每发生一次变化，记录当前的控制参数与功率参数，并将控制参数与功率参数记录为矩阵形式。
14.一种备用电池单元的状态管控系统，其特征在于，包括：
建模平台，用于构建并训练状态预测模型，通过状态预测模型预测备用电池单元的状态机的状态；
微处理器，用于将上一时刻备用电池单元的状态机的状态参数输入训练好的所述状态预测模型，以通过所述状态预测模型预测下一时刻所述状态机的状态；
存储控制器，用于比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态；若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态不同，则不向所述备用电池单元发送所述状态机切换指令；若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态相同，则向所述备用电池单元发送所述状态机切换指令；
所述建模平台包括：
第一卡尔曼滤波器，用于构建并训练卡尔曼滤波模型与相关性模型；
第二卡尔曼滤波器，用于整合所述卡尔曼滤波模型、所述相关性模型，得到卡尔曼滤波整合模型，并使用噪声数据训练所述卡尔曼滤波整合模型；所述卡尔曼滤波整合模型作为所述状态预测模型；所述卡尔曼滤波整合模型为：；/>为t时刻状态机的参数矩阵，/>为t-1时刻状态机的参数矩阵，A为状态转移矩阵，E为单位矩阵，C为协方差矩阵，D为协方差状态矩阵，/>为不确定参量，B为不确定参量对应的状态转移矩阵，/>为矩阵偏移量，/>为相关性偏移量，K1与K2为系数；其中，当判断出下一时刻状态机的状态未发生改变，K1等于1，K2等于1；当判断出下一时刻状态机的状态发生改变，K1等于0，K2等于0。
15.一种备用电池单元的状态管控装置，其特征在于，包括：
模型构建与训练模块，用于构建并训练状态预测模型；
预测模块，用于将上一时刻备用电池单元的状态机的状态参数输入训练好的所述状态预测模型，以通过所述状态预测模型预测下一时刻所述状态机的状态；
比对模块，用于比对所述状态预测模型预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态；
第一处理模块，用于若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态不同，则不向所述备用电池单元发送所述状态机切换指令；
第二处理模块，用于若预测的下一时刻所述状态机的状态与计划发送到所述备用电池单元的状态机切换指令对应的状态相同，则向所述备用电池单元发送所述状态机切换指令；
模型构建与训练模块包括：
第一构建单元，用于构建并训练卡尔曼滤波模型；
第二构建单元，用于构建并训练相关性模型；
收集单元，用于在模型训练过程中收集噪声数据；
整合单元，用于整合所述卡尔曼滤波模型、所述相关性模型，得到卡尔曼滤波整合模型；所述卡尔曼滤波整合模型作为所述状态预测模型；
使用噪声数据训练所述卡尔曼滤波整合模型；所述卡尔曼滤波整合模型为：；为t时刻状态机的参数矩阵，/>为t-1时刻状态机的参数矩阵，A为状态转移矩阵，E为单位矩阵，C为协方差矩阵，D为协方差状态矩阵，/>为不确定参量，B为不确定参量对应的状态转移矩阵，/>为矩阵偏移量，/>为相关性偏移量，K1与K2为系数；其中，当判断出下一时刻状态机的状态未发生改变，K1等于1，K2等于1；当判断出下一时刻状态机的状态发生改变，K1等于0，K2等于0。
16.一种备用电池单元的状态管控设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至13任一项所述的备用电池单元的状态管控方法的步骤。
17.一种介质，其特征在于，所述介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至13任一项所述的备用电池单元的状态管控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410220297.6A CN117806440B (zh) | 2024-02-28 | 2024-02-28 | 备用电池单元的状态管控方法、系统、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410220297.6A CN117806440B (zh) | 2024-02-28 | 2024-02-28 | 备用电池单元的状态管控方法、系统、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117806440A CN117806440A (zh) | 2024-04-02 |
| CN117806440B true CN117806440B (zh) | 2024-05-17 |
Family
ID=90426979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410220297.6A Active CN117806440B (zh) | 2024-02-28 | 2024-02-28 | 备用电池单元的状态管控方法、系统、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117806440B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000057482A (ja) * | 1998-08-07 | 2000-02-25 | Nippon Telegr & Teleph Corp <Ntt> | 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体 |
| CN103346769A (zh) * | 2013-04-12 | 2013-10-09 | 威盛电子股份有限公司 | 状态机电路及状态调整方法 |
| CN103781168A (zh) * | 2014-02-18 | 2014-05-07 | 中国科学院声学研究所 | 蜂窝网络中的功率分配方法和系统 |
| CN109634398A (zh) * | 2018-12-14 | 2019-04-16 | 郑州云海信息技术有限公司 | 一种bbu故障管理系统、bbu以及存储设备 |
| CN116466244A (zh) * | 2023-06-20 | 2023-07-21 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于支持向量机的电池荷电状态异常检测方法 |
| CN116880931A (zh) * | 2023-06-29 | 2023-10-13 | 中国科学院信息工程研究所 | 面向分支预测器的预测方法及分支预测器 |
| CN117543537A (zh) * | 2023-10-15 | 2024-02-09 | 国网天津市电力公司电力科学研究院 | 一种代理购电用户电量预测方法、装置、存储介质 |
-
2024
- 2024-02-28 CN CN202410220297.6A patent/CN117806440B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000057482A (ja) * | 1998-08-07 | 2000-02-25 | Nippon Telegr & Teleph Corp <Ntt> | 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体 |
| CN103346769A (zh) * | 2013-04-12 | 2013-10-09 | 威盛电子股份有限公司 | 状态机电路及状态调整方法 |
| CN103781168A (zh) * | 2014-02-18 | 2014-05-07 | 中国科学院声学研究所 | 蜂窝网络中的功率分配方法和系统 |
| CN109634398A (zh) * | 2018-12-14 | 2019-04-16 | 郑州云海信息技术有限公司 | 一种bbu故障管理系统、bbu以及存储设备 |
| CN116466244A (zh) * | 2023-06-20 | 2023-07-21 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于支持向量机的电池荷电状态异常检测方法 |
| CN116880931A (zh) * | 2023-06-29 | 2023-10-13 | 中国科学院信息工程研究所 | 面向分支预测器的预测方法及分支预测器 |
| CN117543537A (zh) * | 2023-10-15 | 2024-02-09 | 国网天津市电力公司电力科学研究院 | 一种代理购电用户电量预测方法、装置、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117806440A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE102016101789B4 (de) | System und Verfahren zum Batteriemanagement | |
| Zhang et al. | Fault detection of networked control systems with missing measurements | |
| EP2830145B1 (en) | Storage battery monitoring method and storage battery monitoring system | |
| CN101953017A (zh) | 一种智能型容错电池管理系统 | |
| WO2014162765A1 (ja) | 電池監視システム及び識別情報設定方法 | |
| CN115902646B (zh) | 一种储能电池故障识别方法及系统 | |
| CN116880151A (zh) | 一种多余度计算机控制系统 | |
| EP4235198A1 (en) | Apparatus and method for managing battery | |
| CN117394412A (zh) | 一种电网储能系统的调度控制系统及方法 | |
| CN117806440B (zh) | 备用电池单元的状态管控方法、系统、装置、设备及介质 | |
| CN107480051B (zh) | 一种核电厂数字化反应堆保护系统软件测试系统及方法 | |
| CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
| KR20220060931A (ko) | 배터리 관리 장치 및 방법 | |
| US20240168093A1 (en) | Device and Method for Predicting Low Voltage Failure of Secondary Battery, and Battery Control System Comprising Same Device | |
| CN115483763B (zh) | 一种铅酸电池储能电站监控管理系统及方法 | |
| CN116683431A (zh) | 一种配电系统恢复力快速评估指标与评估方法及系统 | |
| CN112966785B (zh) | 一种智能化星座状态识别方法和系统 | |
| JP7524469B2 (ja) | 電池管理装置および方法 | |
| CN106160034A (zh) | 一种电池均衡控制装置及方法 | |
| CN116525980B (zh) | 电池的监控方法、系统和存储介质 | |
| CN117387925B (zh) | 一种阻尼器性能连续测试方法及系统 | |
| CN117609927B (zh) | 排碳机构的生产状态确定方法、装置与电子设备 | |
| CN113671402B (zh) | 深空探测器锂离子蓄电池组故障检测方法 | |
| CN117910148B (zh) | 基于影子模式的bms优化方法、系统、介质及设备 | |
| CN114676578A (zh) | 一种考虑隐性故障的电网稳控系统状态评估方法 |
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 |