预估蓄电池放电时长的分析方法与流程

本发明涉及一种蓄电池领域，尤其涉及一种预估蓄电池放电时长的分析方法。

背景技术：

蓄电池的应用场景有很多，比如可作为基站电源的重要组成部分，对基站及机房来说，当有交流输入时，开关电源同时给负载和蓄电池供电；当无交流输入时，由开关电源控制蓄电池给负载供电；当蓄电池的电量耗尽而交流输入依然没有恢复时，为了保证负载得到持续供电，需人工带着发电机到基站上发电。基站一旦退服，将会给运营商带来难以估量的直接经济损失和巨大的负面影响，因此，对基站蓄电池组可放电时长的准确预测尤为重要。

现有的蓄电池组可放电时长的预测方法主要包括以下三种。

第一种是依靠自然停电，当基站存在停电记录且停电时间足够长时，一线人员凭借记忆或手工统计出基站蓄电池的可放电时长值备用。这种方式的缺点是现网存量及新建基站数量庞大，需要消耗大量的人工成本和时间成本，且误差较大。

第二种是依靠人员经验，长期负责基站维护的人员，凭借多年的蓄电池维护经验，根据自然停电期间蓄电池的放电情况，凭借经验对其可放电时长进行预估。此种方式的缺点是现场维护人员的流动性很大，经验复制率低，现场人员只对自己维护区域内的基站蓄电池性能情况比较熟悉，一旦更换区域，经验几乎为零，无法批量复制和大面积应用；并且需要消耗大量的人工成本和时间成本，得到的预估结果误差较大。

第三种是依靠基站管理维护人员定期对每个基站上的蓄电池进行全容量放电，记录全容量放电过程中的放电时间，此种方式的缺点是基站基数庞大，维护人员有限，难以做到大批量的全容量放电测试，并消耗大量的人工成本和时间成本。

技术实现要素：

本发明的目的是提供一种预估蓄电池放电时长的分析方法，将完全放电蓄电池的放电曲线进行归类处理，得到不同线型的拟合放电曲线，再将待预测时长蓄电池的部分放电曲线与拟合放电曲线进行匹配，从而能够准确预估蓄电池的可放电时长，该方法具有流程简单，易于操作，成本低的优点；并且能够通过修正参数对可放电时长进行修正，保证预估可放电时长的准确性和有效性。

为实现上述目的，本发明提供了一种预估蓄电池放电时长的分析方法，所述方法包括：

采集第一蓄电池完全放电全过程中的第一放电数据；

根据所述第一放电数据和采集时间生成第一放电曲线；

依据所述第一放电曲线按照曲线相似度进行分类处理，得到放电曲线组；

将每个放电曲线组进行曲线拟合，从而生成该放电曲线组的拟合放电曲线；

采集第二蓄电池部分放电全过程中的第二放电数据；

根据所述第二放电数据和采集时间生成第二放电曲线段；

将所述第二放电曲线段与多个拟合放电曲线进行匹配处理，得到匹配度最高的第一拟合放电曲线；

根据所述第一拟合放电曲线与所述第二放电曲线段得到所述第二蓄电池的剩余使用时间。

优选的，在所述将所述第二放电曲线段与多个拟合放电曲线进行匹配处理，得到匹配度最高的第一拟合放电曲线之前，所述方法还包括：

对所述拟合放电曲线进行分段，得到稳定期拟合放电曲线段和衰减期拟合放电曲线段。

优选的，所述采集第二蓄电池部分放电全过程中的第二放电数据具体为：

采集所述第二蓄电池从充满电起始的部分放电过程中的第二放电数据。

进一步优选的，所述将所述第二放电曲线段与多个拟合放电曲线进行匹配处理，得到匹配度最高的第一拟合放电曲线具体为：

对所述第二放电曲线段进行分段；

当所述第二放电曲线段为稳定期放电曲线段时，将所述第二放电曲线段与多个拟合放电曲线的稳定期拟合放电曲线段进行匹配处理，得到匹配度最高的第一拟合放电曲线；

当所述第二放电曲线段包括稳定期放电曲线段和衰减期放电曲线段，将所述第二放电曲线段与多个拟合放电曲线的稳定期拟合放电曲线段和衰减期拟合放电曲线段进行匹配处理，得到匹配度最高的第一拟合放电曲线。

优选的，所述将所述第二放电曲线段与多个拟合放电曲线进行匹配处理，得到匹配度最高的第一拟合放电曲线具体为：

将所述第二放电曲线段与所述多个拟合放电曲线的任意部分进行匹配，得到匹配度最高的第一拟合放电曲线。

优选的，在所述将每个放电曲线组进行曲线拟合，从而生成该放电曲线组的拟合放电曲线之后，所述方法还包括：

对所述拟合放电曲线进行验证，得到所述拟合放电曲线相对应的修正参数。

进一步优选的，所述对所述拟合放电曲线进行验证，得到所述拟合放电曲线相对应的修正参数具体为：

对同一所述放电曲线组的所述第一放电曲线进行切割，得到第一放电曲线段；

根据所述第一放电曲线段和相对应的拟合放电曲线得到相对应的预估剩余使用时间；

根据所述预估剩余使用时间和实际剩余使用时间得到预估-实际剩余使用时间比值；

根据同一所述放电曲线组得到的多个预估-实际剩余使用时间比值得到该放电曲线组的拟合放电曲线相对应的修正参数。

进一步优选的，在所述对同一所述放电曲线组的所述第一放电曲线进行切割，得到第一放电曲线段之后，所述方法还包括：

根据所述第一放电曲线和所述第一放电曲线段得到所述实际剩余使用时间。

进一步优选的，在所述根据所述第一拟合放电曲线与所述第二放电曲线段得到所述第二蓄电池的剩余使用时间之后，所述方法还包括：

获取所述第一拟合放电曲线相对应的修正参数；

根据所述修正参数，对所述剩余使用时间进行修订。

优选的，所述放电数据包括所述蓄电池的电压、电流和温度。

本发明实施例提供的预估蓄电池放电时长的分析方法，将完全放电蓄电池的放电曲线进行归类处理，得到不同线型的拟合放电曲线，再将待预测时长蓄电池的部分放电曲线与拟合放电曲线进行匹配，从而能够准确预估蓄电池的可放电时长，该方法具有流程简单，易于操作，成本低的优点；并且能够通过修正参数对可放电时长进行修正，保证预估可放电时长的准确性和有效性。

附图说明

图1a-图1c为本发明实施例提供的一种蓄电池放电曲线；

图2为本发明实施例提供的预估蓄电池放电时长的分析方法流程图；

图3a-图3c为本发明实施例提供的另一种蓄电池放电曲线。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

为便于理解本发明的技术方案，首先对本发明的原理进行介绍。

蓄电池的可放电时长可以通过电压-时间曲线来获得，其中电压为蓄电池的放电电压，时间为电压所对应的时刻。在整个放电过程中，曲线的趋势为，随着时刻的增加，放电电压逐渐下降。当放电电压降至预设电压，比如46.5v时，认为电量耗尽。根据某个时刻(此时电压为u＞46.5v)之前的曲线数据，通过机器学习的方式预测该时刻之后的曲线走势，从而在一定误差内得出从该时刻放电至电压为46.5v所持续的时间。

理论上，对于一组性能良好的电池，从放电开始至放电至预设电压，其电压-时间曲线近乎直线，但是在实际运行的过程中，电池的放电曲线各种各样，具体如图1所示，包括但不限于直线型、类抛物线型、“之”字型等曲线。而曲线的线型是由电池的性能决定的。在蓄电池的放电过程中，跟踪蓄电池的放电数据，可以使用机器学习的方法在一定程度上利用已经发生的放电数据来判断蓄电池的性能，从而预测接下来的蓄电池放电曲线走势，获得蓄电池的剩余放电时长。

本发明的预估蓄电池放电时长的分析方法是基于上述原理实现的，图2为本发明实施例提供的预估蓄电池放电时长的分析方法流程图。如图2所示，本实施例提供的预估蓄电池放电时长的分析方法包括如下步骤：

步骤101，采集第一蓄电池完全放电全过程中的第一放电数据；

需要说明的是，本发明所称的第一蓄电池是指从充满状态开始，完成完全放电过程的蓄电池，所述蓄电池包括但不限于铅酸电池和锂电池；第一放电数据是指第一蓄电池的放电数据，放电数据包括但不限于电压、电流、温度和采集时间数据。该蓄电池可以是安装在基站上的电池，第一蓄电池的数量可以为多个，只要从充满状态完成完全放电过程的蓄电池均可以成为第一蓄电池，具体可以通过基站的电池管理系统(batterymanagementsystem，bms)对蓄电池完全放电全过程中的第一放电数据进行采集。

步骤102，根据第一放电数据和采集时间生成第一放电曲线；

具体的，将采集到的第一放电数据处理为第一蓄电池的第一放电曲线，第一放电曲线包括但不限于电压-时间的曲线图、电流-时间的曲线图、温度-时间的曲线图以及在同一个图中展示的混合参数曲线图。为简明清晰展示蓄电池的放电曲线，第一放电曲线优选为电压-时间的曲线图。

步骤103，依据第一放电曲线按照曲线相似度进行分类处理，得到放电曲线组；

在一个具体的例子中，将得到的多个第一蓄电池的电压-时间的曲线图依据曲线线型相似度进行分类，从而得到不同线型的放电曲线组，其中线型包括但不限于直线型、类抛物线型和“之”字型。需要说明的是，在分类过程中，如果找不到相似线型的曲线，就将该曲线单独分为一组。

步骤104，将每个放电曲线组进行曲线拟合，从而生成该放电曲线组的拟合放电曲线；

具体的，可以通过机器学习的手段运用各种算法将每个放电曲线组的多个放电曲线进行曲线拟合，从而生成该放电曲线组对应的拟合放电曲线。

为保证得到线型的完整性和全面性，只要基站的bms采集到完整完全放电的放电数据就生成第一放电曲线，并将新的第一放电曲线与拟合放电曲线进行线型匹配，如果没有与新的第一放电曲线线型相匹配的拟合放电曲线，就将新的第一放电曲线单独分为一组，并生成相对应的拟合放电曲线，从而不断增加和积累新线型的拟合放电曲线，保证拟合放电曲线的完整性和全面性。

步骤105，采集第二蓄电池部分放电全过程中的第二放电数据；

本发明所称的第二蓄电池是指待预测剩余放电时长的蓄电池，该蓄电池只进行了部分放电，没有进行完全放电。

在一个具体的例子中，为了便于基站蓄电池的管理，需要知晓蓄电池的可放电时长，具体可以采用远程放电的方法对蓄电池进行远程部分放电，并通过基站的bms对蓄电池部分放电过程中的第二放电数据进行采集。

在采集第二蓄电池部分放电过程中的第二放电数据时，依据第二蓄电池当前的电量状态可以分成两种情况：一种是采集第二蓄电池从充满电起始的部分放电过程中的第二放电数据；另一种是采集第二蓄电池从非充满电起始的部分放电过程中的第二放电数据。

步骤106，根据第二放电数据和采集时间生成第二放电曲线段；

与所述步骤102相似，将采集到的第二放电数据处理为第二蓄电池的第二放电曲线段，第二放电曲线段包括但不限于电压-时间的曲线图、电流-时间的曲线图、温度-时间的曲线图以及在同一个图中展示的混合参数曲线图。为简明清晰展示蓄电池的放电曲线，第二放电曲线段优选为电压-时间的曲线图。

步骤107，将第二放电曲线段与多个拟合放电曲线进行匹配处理，得到匹配度最高的第一拟合放电曲线；

在一个具体的例子中，在此之前所述方法还包括：对拟合放电曲线进行分段，得到稳定期拟合放电曲线段和衰减期拟合放电曲线段，稳定期拟合放电曲线段是指蓄电池平稳放电期间对应的放电曲线段，衰减期拟合放电曲线段是指蓄电池平稳放电期之后的放电曲线段。

依据步骤105所述的第二蓄电池当前的电量状态两种情况，当蓄电池从充满状态开始进行放电时，对得到的第二放电曲线段进行分段，依据蓄电池放电时间的长短分段结果包括两种：一种是蓄电池放电时间较短，得到的第二放电曲线段为稳定期放电曲线段；另一种是蓄电池放电时间较长，但仍处于未完全放电状态，则第二放电曲线段包括稳定期放电曲线段和衰减期放电曲线段，下面针对两种分段结果对拟合放电曲线匹配过程进行详述。

具体的，如果第二放电曲线段为稳定期放电曲线段时，将第二放电曲线段与多个拟合放电曲线的稳定期拟合放电曲线段进行匹配处理，得到匹配度最高的第一拟合放电曲线。

如果第二放电曲线段包括稳定期放电曲线段和衰减期放电曲线段，将第二放电曲线段与多个拟合放电曲线的稳定期拟合放电曲线段和衰减期拟合放电曲线段进行匹配处理，得到匹配度最高的第一拟合放电曲线。为了得到准确性高的蓄电池预估可放电时长，优选对电量为充满状态的蓄电池进行远程放电，且得到的放电曲线包括稳定期放电曲线段和部分衰减期放电曲线段，再将稳定期放电曲线段和部分衰减期放电曲线段与多个拟合放电曲线的稳定期拟合放电曲线段和衰减期拟合放电曲线段进行匹配处理，从而得到匹配度最高的第一拟合放电曲线。

当蓄电池从未充满状态开始进行放电时，则根据采集的第二放电数据得到的第二放电曲线段可能是部分稳定期放电曲线段、部分衰减期放电曲线段或部分稳定期和部分衰减期放电曲线段之和，因此将第二放电曲线段与多个拟合放电曲线的任意部分进行匹配，得到匹配度最高的第一拟合放电曲线。

步骤108，根据第一拟合放电曲线与第二放电曲线段得到第二蓄电池的剩余使用时间。

具体的，运用各种算法(比如最小二乘法)对第二放电曲线段与得到匹配度最高的第一拟合放电曲线进行处理分析，预估第二蓄电池的剩余使用时间。将远程放电的时间和预估的剩余使用时间进行相加得到所述第二蓄电池的总的放电时长。

在优选的实施例中，为保证预估的剩余使用时间的准确性，通过修正参数对预估的剩余使用时间进行修正，因此在步骤104在将每个放电曲线组进行曲线拟合，从而生成该放电曲线组的拟合放电曲线之后，所述方法还包括：对拟合放电曲线进行验证，得到拟合放电曲线相对应的修正参数。

具体的，对同一放电曲线组的第一放电曲线进行切割，得到第一放电曲线段，在此之后根据第一放电曲线和第一放电曲线段得到实际剩余使用时间；根据第一放电曲线段和相对应的拟合放电曲线得到相对应的预估剩余使用时间；根据预估剩余使用时间和实际剩余使用时间进行计算得到预估-实际剩余使用时间比值。在一个具体的例子中，第一放电曲线对应的可放电时长为8.5小时，选取放电时长0-6小时时间段内的第一放电曲线段，根据放电曲线段和相对应的拟合放电曲线得到相对应的预估剩余使用时间为2.3小时，则该第一放电曲线的预估-实际剩余使用时间比值为2.3/(8.5-6)＝0.92。

对同一放电曲线组得到的多个预估-实际剩余使用时间比值进行处理，包括但不限于计算多个预估-实际剩余使用时间比值的平均值，得到该放电曲线组的拟合放电曲线相对应的修正参数，由此每个线型的拟合放电曲线都对应一个修正参数。需要说明的是，为保证修正参数的准确性和有效性，当有新的完全放电的第一放电曲线生成时，将新的第一放电曲线进行线型划分，并通过上述方法对相对应的拟合放电曲线进行验证，从而更新拟合放电曲线相对应的修正参数，进而保证拟合放电曲线修正参数的准确性和有效性。

在步骤108根据第一拟合放电曲线与第二放电曲线段得到第二蓄电池的剩余使用时间之后，所述方法还包括：获取匹配度最高的第一拟合放电曲线相对应的修正参数；根据修正参数，对剩余使用时间进行修订，从而得到更加准确的剩余可放电时长。

在一个具体的例子中，基站供电设备组合是开关电源与蓄电池组，开关电源起到380v交流转换到直流48v的作用；蓄电池组通常为铅酸电池，采用24支2v电池串连而成48v系统。对基站蓄电池剩余可放电时长的预测主要包括如下步骤：

首先，进行数据的筛选。具体的，使用机器学习的时候，需要有训练集和测试集，而在蓄电池可放电时长的预测中，需要大量的完全放电曲线数据作为训练集。因此，需要从大量的停电数据中筛选出符合要求的完全放电曲线数据。

其次，对曲线进行分类。预测是通过放电电压u之前的数据，来预测电压u之后的数据，因此电压u之前的曲线线型和数据决定了之后的曲线走势。根据大量曲线分析，在u之前的曲线段，主要有以下三种线型：直线线型、类抛物线线型和“之”字型线型，通过该曲线段是否出现明显拐点以及拐点个数将三种线型分开，具体如图3所示，划大数据集为三个数据集。

再次，进行机器学习。对于每一个数据集，都是一种类型的全放电曲线，通过机器学习的方式，学习电压u之前的曲线数据特征和可放电时长的关系，形成预测模型。具体包括：

a、提取特征：机器学习的参数之一就是数据特征，在此技术中为电压u之前的曲线数据特征，包括电压u之前不同电压段的斜率、负载电流、等等。假设电压u之前共有n个数据点，每个数据点有电压、电流、时刻共三个信息。这些数据点依时间由远至近排列为u(1),u(2),…,u(n)；i(1),i(2),…,i(n)；t(1),t(2),…,t(n)。那么具体特征可按如下方法计算：

(1)时间-电压斜率f(i)，共n-1个特征：

(2)电压、电流值u(i)、i(i)，共2n个特征：

u(i),i＝1,2,...,n(式2)

i(i),i＝1,2,...,n(式3)

(3)功率值p(i)，共n个特征：

p(i)＝u(i)i(i),i＝1,2,...,n(式4)

(4)电压、时间差值序列δu(i)、δt(i)，共2n-2个特征：

δu(i)＝u(i+1)-u(i),i＝1,2,...,n-1(式5)

δt(i)＝t(i+1)-t(i),i＝1,2,...,n-1(式6)

总计共6n-3个特征。

b、选取模型：采用线性回归模型。假设有m组训练数据，每组有n个数据点即(6n-3)个特征，设每组数据的特征组成的行向量为同时已知每组的真实放电时长yi,i＝1,2,...,m。令

则该线性回归问题可表述为已知矩阵x和y，求系数矩阵a的最优估计：

min|ax-y|2(式9)

c、求解模型：采用最小二乘法可得线性回归模型的系数矩阵a:

a＝yx^t(xxt)^-1(式10)

最后，剩余可放电时长的预测。在上一过程通过大数据集和机器学习获得预测模型之后，在实际使用中，可以根据已经发生的放电曲线，即电压u之前的曲线数据，放入到线性回归中，即可输出剩余可放电时长。具体包括步骤如下：

(1)获取数据。获取电压u之前的曲线数据，将数据点依时间由远至近排列为u(1),u(2),…,u(n)；i(1),i(2),…,i(n)；t(1),t(2),…,t(n)；

(2)计算特征。根据式(1)-(6)，计算特征；将特征排列成列向量x；

(3)预测放电时长。根据下式，得到放电时长的预测值

本发明实施例提供的预估蓄电池放电时长的分析方法，将完全放电蓄电池的放电曲线进行归类处理，得到不同线型的拟合放电曲线，再将待预测时长蓄电池的部分放电曲线与拟合放电曲线进行匹配，从而能够准确预估蓄电池的可放电时长，该方法具有流程简单，易于操作，成本低的优点；并且能够通过修正参数对可放电时长进行修正，保证预估可放电时长的准确性和有效性。

专业人员应该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存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。