CN118050649A - 一种基于大数据的蓄电池监控管理系统 - Google Patents

Abstract

本发明涉及监控管理技术领域，具体公开了一种基于大数据的蓄电池监控管理系统，包括数据采集模块、数据存储模块、数据分析模块以及管理决策模块，其中，数据采集模块利用各种传感器实时监测电池的参数，并通过微控制器记录充放电循环次数，收集到的数据传输至数据存储模块；数据存储模块利用数据库管理系统和弹性云服务器存储数据，确保数据的存储和管理；数据分析模块通过电池健康状态评估单元和性能退化预测单元分析数据，采用深度神经网络模型预测电池的性能退化速度；管理决策模块根据分析结果，运用决策树算法自动生成维护提醒、告警信息和充放电策略。

Description

一种基于大数据的蓄电池监控管理系统

技术领域

本发明涉及监控管理技术领域，更具体地说，本发明涉及一种基于大数据的蓄电池监控管理系统。

背景技术

随着可再生能源和电动汽车的快速发展，蓄电池作为关键的能源存储和供应装置，在许多领域的应用日益广泛。然而，随着使用频率的增加和使用环境的变化，蓄电池的性能会逐渐退化，如容量下降、自放电率增加等问题，这些都会影响到电池的使用效率和使用寿命。因此，有效地监控和管理蓄电池的健康状况，预测其性能退化趋势，成为提高蓄电池使用效率和延长其使用寿命的关键。

传统的蓄电池管理系统通常依赖于简单的电池模型和规则，这些方法在处理复杂的电池使用环境和条件变化时往往显得不够准确和灵活；此外，这些系统很少能够实时地预测电池性能的退化趋势，或者在电池状态恶化之前提出有效的维护和管理建议。

在这样的背景下，不断有新的技术和方法被提出来弥补现有系统的不足。例如申请号CN 201610429947.3公开了一种铅酸蓄电池监控管理系统，上述发明方法中通过集成电池管理单元、电池串单元及电路板，实现了电池数据的实时监控和数据的智能分析，为铅酸蓄电池提供了一种有效的管理方案。但是上述发明在处理数据方面的能力有限，缺少对电池健康状态更深层次、更综合的数据收集，缺乏将电池的多维度参数综合考虑的能力，仅仅是对数据进行智能分析、展示和储存，没有提出利用数据对电池的性能退化进行预测和管理的决策，限制了对蓄电池进行维护管理的精确调整。

为了解决上述问题，现提供一种技术方案。

发明内容

为了克服现有技术的上述缺陷，本发明提供了一种基于大数据的蓄电池监控管理系统，通过集成大数据、深度神经网络模型和决策树算法，实现对蓄电池关键性能参数的监控、健康状态的分析和性能退化的预测，并提供决策建议，克服了传统蓄电池管理系统在准确性、灵活性不足以及无法实时预测性能退化等方面的缺陷，为电池的维护与管理提供了全面的科学依据。

为实现上述目的，本发明提供如下技术方案：

一种基于大数据的蓄电池监控管理系统，包括数据采集模块、数据存储模块、数据分析模块和管理决策模块，数据分析模块包括电池健康状态评估单元和性能退化预测单元；电池健康状态评估单元通过分析电池的电压、充放电循环次数和即时容量，结合电池温度和自放电率，获得电池健康状态评估指标，其中，获得电池健康状态评估指标的公式为：

;

式中，为电池电压，/>为电池温度，/>为电池即时容量，/>为充电循环次数，/>为自放电率；

性能退化预测单元利用深度神经网络模型，基于一段时间内的电池电压、电流、温度、自放电率、电池即时容量和充电效率，获得电池的性能退化速度预测值；

管理决策模块用于根据数据分析模块的输出结果，通过决策树算法生成电池维护提醒、告警信息和推荐充放电策略。

作为本发明进一步的方案，数据采集模块与数据分析模块相连接，数据分析模块与管理决策模块相连接，管理决策模块与用户界面相连接，数据采集模块与数据存储模块相连接，数据分析模块与数据存储模块相连接，管理决策模块与数据存储模块相连接，数据存储模块与用户界面相连接。

作为本发明进一步的方案，数据采集模块通过电压传感器和霍尔效应电流传感器测量一段时间内的电池电压和电流，并实时监控电池的充电和放电过程，通过NTC热敏电阻测量一段时间内电池温度，通过静置放电测试获得电池的即时容量和自放电率，通过比较电池在充电过程中实际接受的能量与充电器提供的能量，获得充电效率，将上述数据传输给微控制器，微控制器记录每次电池从放电状态转换为充电状态，用时间戳标记每次状态变更，标识为充放电状态的开始，获得充放电循环次数。

作为本发明进一步的方案，微控制器通过总线与传感器相连接，并通过无线通信技术将采集的数据实时传输至数据存储模块。

作为本发明进一步的方案，性能退化预测单元将采集的一段时间内的电池电压、电流、温度、自放电率、电池即时容量和充电效率按照8:2的比例设置参数训练集和参数验证集，使用训练集对深度神经网络模型进行训练，利用验证集对模型的预测准确性进行验证，最终输出电池性能退化速度预测值，其中，输出电池性能退化速度预测值的步骤为：

步骤S1，接收输入数据，包括采集的一段时间内的电池电压、电流、温度、自放电率、电池即时容量和充电效率；

步骤S2，根据计算获得电池电压在一段时间内的变化率、充放电电流在一段时间内的平均值和温度波动性，其中，计算温度波动性的公式为：

;

式中，为时间/>处的温度值，/>为采集时间的起始点，/>为采集时间的终点，为时间/>处的温度值；

步骤S3，将电池电压在一段时间内的变化率、充放电电流在一段时间内的平均值、温度波动性、自放电率、电池即时容量和充电效率组成固定长度的输入向量，将输入向量输入深度神经网络，得到深度神经网络模型，输出层为电池性能退化速度预测值，其中，深度神经网络模型中的层第/>项神经元的输出策略公式为：

;

式中，为第/>层第/>项神经元的输出，/>为表示第/>层神经元的总数；/>为第/>层神经元的索引，/>为从第/>层的第/>个神经元到第/>层的第/>个神经元之间的权重，/>为第/>层中第/>个神经元的输出值，/>为第/>层中第/>个神经元的偏置项。

作为本发明进一步的方案，管理决策模块将数据分析模块提供的电池健康状态评估指标和性能退化速度预测值作为决策树算法的输入，整合和格式化接收到的数据，选择区分电池状态的特征作为节点，递归分割数据集构建决策树，在构建的决策树中，每个叶节点根据电池健康状态评估指标和性能退化预测值与预设的阈值进行比较，确定电池的具体状态，依据这些状态，生成维护提醒、告警信息和充放电策略。

作为本发明进一步的方案，管理决策模块包括维护提醒单元、告警单元和策略优化单元，其中，维护提醒单元根据电池健康状态评估指标的决策结果，当电池健康状态评估指标低于预设的阈值时，生成维护提醒；告警单元用于当电池预测退化速度超过预定范围时，生成告警信息；策略优化单元结合电池的健康状况和性能退化趋势，当电池健康状态评估指标低于预定阈值且电池预测退化速度超过预定范围时，推荐充放电策略，包括降低充电速度和调整充放电深度，并同步发出告警信息和维护提醒。

作为本发明进一步的方案，数据存储模块采用PostgreSQL数据库管理系统存储数据，并部署在云服务器上。

作为本发明进一步的方案，还包括用户界面，用于展示电池的实时和历史数据、告警信息和维护提醒。

与现有技术相比，本发明一种基于大数据的蓄电池监控管理系统的有益点在于：

本发明通过大数据分析电池的运行参数，综合评估电池的健康状态，这种方法能够有效识别电池性能的微小变化，提供精确的电池状态监控，及时发现潜在的性能退化和故障风险，此外，采用深度神经网络模型分析电池的运行数据，不仅能够准确评估当前的电池状态，还能够预测电池的性能退化趋势。使得电池维护和更换计划可以更加科学和合理地制定，避免了意外故障和性能下降，延长了电池的使用寿命。

与现有技术相比，本发明一种基于大数据的蓄电池监控管理系统的有益点在于：

本发明通过决策树算法，根据电池的健康状态和性能退化预测结果，自动生成维护提醒、告警信息和充放电策略，提高了电池管理的效率和效果，且能够根据电池的实际使用情况，优化充放电过程，进一步提升电池的使用效率和延长其使用周期。

附图说明

图1为本发明一种基于大数据的蓄电池监控管理系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

实施例1

如图1所示，一种基于大数据的蓄电池监控管理系统，包括数据采集模块、数据存储模块、数据分析模块和管理决策模块。

数据采集模块通过电压传感器和霍尔效应电流传感器测量一段时间内的电池电压和电流，并实时监控电池的充电和放电过程，通过NTC热敏电阻测量一段时间内电池温度，通过静置放电测试获得电池的即时容量和自放电率，通过比较电池在充电过程中实际接受的能量与充电器提供的能量，获得充电效率，将上述数据传输给STM32微控制器，STM32微控制器记录每次电池从放电状态转换为充电状态，用时间戳标记每次状态变更，标识为充放电状态的开始，获得充放电循环次数。

本发明实施例中的STM32微控制器通过I²C总线与传感器相连接，并通过4G LTE模块将采集的数据实时传输至数据存储模块。

数据存储模块采用PostgreSQL数据库管理系统存储数据，并部署在亚马逊AWSEC2云服务器上。

数据分析模块包括电池健康状态评估单元和性能退化预测单元；电池健康状态评估单元通过分析电池的电压、充放电循环次数和即时容量，结合电池温度和自放电率，获得电池健康状态评估指标，其中，获得电池健康状态评估指标的公式为：

;

式中，为电池电压，/>为电池温度，/>为电池即时容量，/>为充电循环次数，/>为自放电率。

性能退化预测单元将采集的一段时间内的电池电压、电流、温度、自放电率、电池即时容量和充电效率按照8:2的比例设置参数训练集和参数验证集，使用训练集对深度神经网络模型进行训练，利用验证集对模型的预测准确性进行验证，最终输出电池性能退化速度预测值，其中，输出电池性能退化速度预测值的步骤为：

步骤S1，接收输入数据，包括采集的一段时间内的电池电压、电流、温度、自放电率、电池即时容量和充电效率；

步骤S2，根据计算获得电池电压在一段时间内的变化率、充放电电流在一段时间内的平均值和温度波动性，其中，计算温度波动性的公式为：

;

式中，为时间/>处的温度值，/>为采集时间的起始点，/>为采集时间的终点，为时间/>处的温度值；

计算充放电电流在一段时间内的平均值的公式为：

;

式中，为时间/>处的电流值，/>为采集时间的起始点，/>为采集时间的终点；

计算电池电压在一段时间内的变化率的公式为：

;

式中，为时间/>处的电压值，/>为时间/>处的电压值，/>为采集时间的起始点，/>为采集时间的终点；

步骤S3，将电池电压在一段时间内的变化率、充放电电流在一段时间内的平均值、温度波动性、自放电率、电池即时容量和充电效率组成固定长度的输入向量，将输入向量输入深度神经网络，得到深度神经网络模型，输出层为电池性能退化速度预测值，其中，深度神经网络模型中的层第/>项神经元的输出策略公式为：

;

式中，为第/>层第/>项神经元的输出，/>为表示第/>层神经元的总数；/>为第/>层神经元的索引，/>为从第/>层的第/>个神经元到第/>层的第/>个神经元之间的权重，/>为第/>层中第/>个神经元的输出值，/>为第/>层中第/>个神经元的偏置项。

管理决策模块用于根据数据分析模块的输出结果，通过决策树算法生成电池维护提醒、告警信息和推荐充放电策略。

本发明实施例中通过决策树算法生成电池维护提醒、告警信息和推荐充放电策略包括以下步骤：

步骤A1，接收数据分析模块提供的电池健康状态评估指标和性能退化速度预测值作为决策树算法的输入，整合和格式化接收到的数据，将这些不同的数据维度融合到一起，形成一个统一的数据集，将数据集构造为特征向量的形式，电池的每一次监测都由一组特征值表示，这些特征值对应于电池的运行参数和健康指标；

步骤A2，基于收集的数据，首先计算整个数据集的熵，接下来计算在特征A的条件下，数据集D的熵，即条件熵，最后，信息增益被定义为数据集D的熵与特征A给定条件下数据集D的条件熵之差；通过信息增益选择区分电池状态的特征作为节点，电池健康状态评估指标和性能退化速度预测值是主要的特征，信息增益最高的特征将被选为决策树的节点，以最有效地区分不同的电池状态；

步骤A3，以特征选择结果为基础，递归分割数据集构建决策树，每一次分割都基于当前最佳特征的阈值，直到节点数据量低于最小分割阈值；

步骤A4，在构建的决策树中，每个叶节点根据电池健康状态评估指标和性能退化预测值与预设的阈值进行比较，以确定电池的具体状态，依据这些状态，生成维护提醒、告警信息和推充放电策略。

以下是一个Python代码示例，使用决策树算法生成电池维护提醒、告警信息和推荐充放电策略，请注意，这个例子仅作为一个起始点，实际应用中可能需要根据实际情况和设备接口进行调整；

import numpy as np

np.random.seed(42)

battery_health_indices = np.random.rand(10)

predicted_degradation = np.random.rand(10) * 0.1#

# 根据电池状态和退化速度生成决策建议

for health_index, degradation_rate in zip(battery_health_indices,predicted_degradation):

maintenance_reminder = "No action needed"

warning_message = ""

charging_recommendation = "Normal charging"

if health_index<0.8:

maintenance_reminder = "Maintenance required"

if degradation_rate>0.05:

warning_message = "Warning: High degradation rate"

if health_index<0.8 and degradation_rate>0.05:

charging_recommendation = "Reduce charging speed; adjust chargingdepth"

print(f"Health Index: {health_index:.2f}, Degradation Rate:{degradation_rate:.2%}, "

f"Recommendation: {maintenance_reminder}, {warning_message},{charging_recommendation}")

此代码仅作为示例，实际应用中需要根据具体情况进行适当的修改和调整。

本发明实施例中的管理决策模块包括维护提醒单元、告警单元和策略优化单元，其中，维护提醒单元根据电池健康状态评估指标的决策结果，当电池健康状态评估指标低于初始电池的80%时，生成维护提醒；告警单元用于当电池预测退化速度达到一年内电池健康状态评估指标下降超过5％时，生成告警信息；策略优化单元结合电池的健康状况和性能退化趋势，当电池健康状态评估指标低于初始电池的80%且电池预测退化速度达到一年内电池健康状态评估指标下降超过5％时，推荐充放电策略，包括降低充电速度和调整充放电深度，并同步发出告警信息和维护提醒。

本发明实施例中的蓄电池监控管理系统还包括用户界面，用于展示电池的实时和历史数据、告警信息和维护提醒。

本发明实施例中的数据采集模块与数据分析模块相连接，数据分析模块与管理决策模块相连接，管理决策模块与用户界面相连接，数据采集模块与数据存储模块相连接，数据分析模块与数据存储模块相连接，管理决策模块与数据存储模块相连接，数据存储模块与用户界面相连接。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作出的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于大数据的蓄电池监控管理系统，包括数据采集模块、数据存储模块、数据分析模块和管理决策模块，其特征在于，

数据分析模块包括电池健康状态评估单元和性能退化预测单元；所述电池健康状态评估单元通过分析电池的电压、充放电循环次数和即时容量，结合电池温度和自放电率，获得电池健康状态评估指标，其中，获得所述电池健康状态评估指标的公式为：

;

式中，为电池电压，/>为电池温度，/>为电池即时容量，/>为充电循环次数，/>为自放电率；

所述性能退化预测单元利用深度神经网络模型，基于一段时间内的电池电压、电流、温度、自放电率、电池即时容量和充电效率，获得电池的性能退化速度预测值；

管理决策模块用于根据数据分析模块的输出结果，通过决策树算法生成电池维护提醒、告警信息和推荐充放电策略。

2.根据权利要求1所述的一种基于大数据的蓄电池监控管理系统，其特征在于，所述数据采集模块与所述数据分析模块相连接，所述数据分析模块与所述管理决策模块相连接，所述管理决策模块与用户界面相连接；所述数据采集模块与所述数据存储模块相连接，所述数据分析模块与所述数据存储模块相连接，所述管理决策模块与所述数据存储模块相连接，所述数据存储模块与用户界面相连接。

3.根据权利要求1所述的一种基于大数据的蓄电池监控管理系统，其特征在于，所述数据采集模块通过电压传感器和霍尔效应电流传感器测量一段时间内的电池电压和电流，并实时监控电池的充电和放电过程，通过NTC热敏电阻测量一段时间内电池温度，通过静置放电测试获得电池的即时容量和自放电率，通过比较电池在充电过程中实际接受的能量与充电器提供的能量，获得充电效率，将上述数据传输给微控制器，所述微控制器记录每次电池从放电状态转换为充电状态，用时间戳标记每次状态变更，标识为充放电状态的开始，获得充放电循环次数。

4.根据权利要求3所述的一种基于大数据的蓄电池监控管理系统，其特征在于，所述微控制器通过总线与传感器相连接，并通过无线通信技术将采集的数据实时传输至所述数据存储模块。

5.根据权利要求1所述的一种基于大数据的蓄电池监控管理系统，其特征在于，所述性能退化预测单元将采集的一段时间内的电池电压、电流、温度、自放电率、电池即时容量和充电效率按照8:2的比例设置参数训练集和参数验证集，使用训练集对所述深度神经网络模型进行训练，利用验证集对模型的预测准确性进行验证，最终输出电池性能退化速度预测值，其中，输出所述电池性能退化速度预测值的步骤为：

步骤S1，接收输入数据，包括采集的一段时间内的电池电压、电流、温度、自放电率、电池即时容量和充电效率；

步骤S2，根据计算获得电池电压在一段时间内的变化率、充放电电流在一段时间内的平均值和温度波动性，其中，计算温度波动性的公式为：

;

式中，为时间/>处的温度值，/>为采集时间的起始点，/>为采集时间的终点，/>为时间/>处的温度值；

步骤S3，将电池电压在一段时间内的变化率、充放电电流在一段时间内的平均值、温度波动性、自放电率、电池即时容量和充电效率组成固定长度的输入向量，将输入向量输入深度神经网络，得到深度神经网络模型，输出层为电池性能退化速度预测值，其中，深度神经网络模型中的层第/>项神经元的输出策略公式为：

;

式中，为第/>层第/>项神经元的输出，/>为表示第/>层神经元的总数；/>为第/>层神经元的索引，/>为从第/>层的第/>个神经元到第/>层的第/>个神经元之间的权重，为第/>层中第/>个神经元的输出值，/>为第/>层中第/>个神经元的偏置项。

6.根据权利要求1所述的一种基于大数据的蓄电池监控管理系统，其特征在于，所述管理决策模块将数据分析模块提供的电池健康状态评估指标和性能退化速度预测值作为决策树算法的输入，整合和格式化接收到的数据，选择区分电池状态的特征作为节点，递归分割数据集构建决策树，在构建的决策树中，每个叶节点根据所述电池健康状态评估指标和性能退化预测值与预设的阈值进行比较，确定电池的具体状态，依据这些状态，生成维护提醒、告警信息和充放电策略。

7.根据权利要求1所述的一种基于大数据的蓄电池监控管理系统，其特征在于，所述管理决策模块包括维护提醒单元、告警单元和策略优化单元，其中，维护提醒单元根据电池健康状态评估指标的决策结果，当电池健康状态评估指标低于预设的阈值时，生成维护提醒；告警单元用于当电池预测退化速度超过预定范围时，生成告警信息；策略优化单元结合电池的健康状况和性能退化趋势，当电池健康状态评估指标低于预定阈值且电池预测退化速度超过预定范围时，推荐充放电策略，包括降低充电速度和调整充放电深度，并同步发出告警信息和维护提醒。

8.根据权利要求1所述的一种基于大数据的蓄电池监控管理系统，其特征在于，所述数据存储模块采用PostgreSQL数据库管理系统存储数据，并部署在云服务器上。

9.根据权利要求1所述的一种基于大数据的蓄电池监控管理系统，其特征在于，还包括用户界面，用于展示电池的实时和历史数据、告警信息和维护提醒。