专利名称：一种基于多层支持向量机的蓄电池在线监测方法
技术领域：
本发明涉及一种蓄电池性能劣化诊断方法，尤其涉及一种基于多层支持向量机(SVM Support Vector Machine)的蓄电池在线监测方法,属于电源故障诊断领域。
背景技术：
安全、稳定的供电系统是国民经济发展的重要基础，是现代工业社会和谐发展的必要条件。VRLA (全封闭免维护铅酸蓄电池)组作为变电站、机房、移动基站、UPS供电系统的后备电池，已经被广泛应用于通信、电力、交通、金融等行业的电源系统中，对其进行实时监测能够有效地确保供电系统的可靠性。VRLA是一个复杂的电化学体系，电池电极材料、工艺方法、活性物质的变化、运行状态都会影响蓄电池的寿命与性能，主要表现为电池失水、硫酸盐化、板栅腐化变形、活性 物质软化。这些变化发生在电池内部，无法直接观测得到。目前，阀控式全封闭免维护铅酸蓄电池性能劣化最有效的诊断方法是放电测试法，放电测试法有两种处理模式离线式与在线式。前者需要将被测电池从系统分离，现实操作可行性不大；后者对系统具有潜在的危险，多次进行将减少电池有限的循环寿命。阀控式全封闭免维护铅酸蓄电池性能监控对象为蓄电池健康状况(HOS)，而蓄电池健康状况主要体现在蓄电池的剩余容量(S0C)。支持向量机(Support Vector Machine, SVM)是一种基于结构风险最小原则的智能分类器。相对于人工神经网络(Artificial Neural Network, ANN)等传统智能处理算法，该算法能够在小样本量的情况下建立出具有优良泛化性能的二分类器，同时避免了局部最小和维数灾难问题。目前，该算法引起了广泛的关注，并已成功运用于系统故障诊断领域。尽管目前也有不少学者提出了采用支持向量机实施蓄电池性能劣化监控的研究方法，但在实际运用中仍存在如下问题1)缺乏合理的数据预处理反映蓄电池剩余容量的电压、电流及温度参数测量数据，必须经过合理的预处理才能对蓄电池健康状况进行有效的描述，部分研究缺乏对原始数据的预处理，也有部分预处理方法不合理，难以应用于实际监测系统中。2)诊断决策流程需要进一步改进支持向量机从本质上来说是一种二分类器，由于蓄电池性能劣化是个渐变的过程，因此不能通过单一的一个SVM故障分类器即可实现蓄电池性能劣化的诊断，传统的决策过程中存在一些不足之处，如划分存在盲区，这些盲区数据干扰决策过程，再加上训练样本量不具备对称性，影响了诊断的可靠性。3)未建立基于支持向量机的实时诊断系统多数研究给出了故障诊断的思路，很少搭建具体的、能够实时诊断的系统结构。因此对免维护铅酸蓄电池性能监控、分析判断的准确性尚待进一步提高，以满足实际应用。
发明内容
本发明的目克服的在于为了现有的蓄电池性能劣化故障诊断技术存在的判断准确性不够高缺陷，而提出了一种诊断准确率相更高的基于多层支持向量机的蓄电池在线监测方法。
本发明的基于多层SVM算法的蓄电池在线监测方法包括如下步骤
一种基于多层SVM的蓄电池在线监测方法，其特征在于所述监测方法包括如下步
骤
I)建立SVM数据分类训练集
通过数据采集系统以分时段连续采样方式对若干个已知的、健康状况不同的蓄电池单体进行数据采集，采集的参数为整个放电周期过程中蓄电池单体放电电压变量U、电流变量i和电池表面温度temp,同一个蓄电池单体的电电压变量U、放电电流变量i和电池表面温度temp为一个样本集，并根据该蓄电池单体健康状况表上“正常”或“异常”的标记，所有蓄电池单体的样本集构成SVM数据分类训练集；
2) SVM数据分类输入变量的获得 由数据采集系统以分时段连续采样方式实时采集待诊断蓄电池单体实时放电电压变量U、放电电流变量i和实时电池表面温度temp，上述变量并送至SQL数据库系统中存储构成所述SVM数据分类输入变量，分别记为
Xm =(U1^2s-U1) 'Xi = (I1J21-Iz)、X_ = [PemplJxmp2，…tempL}.
3)数据预处理
读取SQL数据库中待诊断蓄电池单体放电周期数据，确定出放电时间间隔AT=^1為]
，以分时段连续采样方式获得放电周期时段内的电压4、电流及温度数值，(i = l,2，3，…，I ),设数据采样间隔力u则数据分时段连续采样大小为I* = ATVAf ,记为
Xaf,Xj =、X_i龙零2,…&潘巧}
据此计算出各个采样点上的放电即时功率巧=Ui Kii .
计算电圧电流纟、温度如m及放电即时功率巧的平均值
IIII
iCpi ￡Xi
^ 2 及 Zpi
TJ = J=^^.，/ = M..........，Temp = _入 P = J=^^
I".iI、TII.'
按下列公式得到各测量数据的偏差
tiUi = h -y|，Aii = h - /| , Ltempi = ^empi -Tewpj 及 Api = [p; -<P|
由此得到预处理后的数据HMiMi, Atempi, Api}
4)数据诊断
采用3个SVM分类器SVM1用于判断蓄电池电压正常状态与劣化状态，SVM2用于判断蓄电池单体温度正常状态与劣化状态，SVM3用于判断蓄电池综合状态正常状态与劣化状态；诊断流程分如下6个路径
路径I :
将步骤2)所得连续多个放电周期的电压渐变数据序列Xs 二 (U1^2r-U1)送至SVM1，当SVMl诊断结果为“正常”，则将连续多个放电周期的温度渐变数据二 [ImnplMmp2,-.temp^进一步送至SVM2 ;当SVM2诊断结果为“正常”，则最终诊断结果为“正常”;
路径2
将步骤2)所得连续多个放电周期的电压渐变数据序列Xs = ^1,
送至SVM1，当SVMl诊断结果为“异常”，则将连续多个放电周期的温度渐变数据x_ = [IemplJmnp2，…tempA进一步送至SVM2 ;当SVM2诊断结果为“异常”，则最终诊断结
果为“异常”;
路径3 将步骤2)所得连续多个放电周期的电压渐变数据序列Xa =
送至SVM1，当SVMl诊断结果为“正常”，则将连续多个放电周期的温度渐变数据X_ =,…tsmpA进一步送至SVM2 ;当SVM2诊断结果为“异常”，再将所得的预
处理数据X= (^Mi Mi^i)进一步送至SVM3 ;当SVM3诊断结果为“异常”，则最终诊
断结果为“异常”；
路径4
将步骤2)所得连续多个放电周期的电压渐变数据序列X, =
送至SVM1，当SVMl诊断结果为“正常”，则将连续多个放电周期的温度渐变数据xt— = {temuempftempb进一步送至SVM2 ;当SVM2诊断结果为“异常”，再将所得的预
处理数据X = Mi Mempi,hPi)进一步送至SVM3 ；当SVM3诊断结果为“正常”，则最终诊
断结果为“正常”；
路径5
将步骤2)所得连续多个放电周期的电压渐变数据序列X11 二 (U11U2f-U1)送至SVM1，当SVMl诊断结果为“异常”，则将连续多个放电周期的温度渐变数据= Itemp1Mmp2,进一步送至SVM2 ;当SVM2诊断结果为“正常”，再将所得的预
处理数据X = (Kui Mi M纖PiMPd进一步送至SVM3 ；当SVM3诊断结果为“正常”，则最终诊
断结果为“正常”；
路径6
将步骤2)所得连续多个放电周期的电压渐变数据序列Xa =
送至SVM1，当SVMl诊断结果为“异常”，则将连续多个放电周期的温度渐变数据= (IemplMmp2,-tempL}进一步送至SVM2 ;当SVM2诊断结果为“正常”，再将所得的预
处理数据X= (AKilAjilAfewftjApJ进一步送至SVM3 ;当SVM3诊断结果为“异常”，则最终诊断结果为“异常”。本发明具有如下有益效果
本发明由于考虑到了蓄电池性能劣化过程与电压、电流变化情况及温度变化情况密切相关，为了更能体现内在的联系，本发明对电压、电流变化情况及温度变化情况数据进行了定时连续采集，并进行预处理，采用SVM算法，利用多层SVM蓄电池性能劣化诊断流程，对蓄电池进行实时智能故障判断，因此全封闭免维护铅酸蓄电池的分拣较传统方法具有更高的准确性，而且还能对全封闭免维护铅酸蓄电池的失效提供预警。
图I是本发明的在线监测方法流程结构图。图2是支持向量机决策数据分隔分类原理图。图3是基于决策导向图法的故障分类诊断示意图。 图4是本发明中采用多层SVM分类器进行故障分类诊断路径示意图，图中，I 一正常状态—劣化(异常)状态。
具体实施例方式本实施例中，对保用4年以上的480节南都电源型号为“GFM-1000E”型蓄电池数据记录进行逐一分类决策。监测决策流程结构图如图I所示，首先，建立SVM数据分类训练集，方法是对选择作为训练集样本的每一节电池进行离线式核对性放电测试，依据所测的电池放电能力大小按浮充后剩余容量(百分比)大小进行标记，标识按如下公式进行
+ 1, 剩余容量之90 + %
标IR值=^依据实际测量而定，经验值为3 5 ；
-I. 剩余容量<90 + 0%
s.
本具体实施例中，样本集内健康电池(标识值为I)有100节，亚健康电池(标识值为0. 5) 100节，劣化电池((标识值为0) 50节。以2min为采样时间间隔，记录单节电池在正常运行过程中每一个放电周期T = [tl，t2]内的放电电压U、放电电流i及电池体即时温度temp ;记录周期数至少在500次以上。同一个蓄电池单体的电电压变量U、放电电流变量i和电池表面温度temp为一个样本集,在记录数据表中为每一记录添加一项关于该电池标识的属性值，属性值的大小等按前述中的标识值标识。所有蓄电池单体的样本集构成SVM数据分类训练集。然后，对480节南都电源型号为“GFM-1000E”型蓄电池数据进行采集作为SVM数据分类输入变量。由数据采集系统以分时段连续采样方式对480节南都电源型号为“GFM-1000E”型蓄电池进行在线数据采集，实时采集待诊断蓄电池单体实时放电电压变量U、放电电流变量i和实时电池表面温度temp，上述变量并送至SQL数据库系统中存储构成所述SVM数据分类输入变量，分别记为
X,,Xi =, Xtmp ^ [IemplMmp2,-tsmpL).
分时段连续采样方式是指将蓄电池每次放电过程前4个小时为一标准时间段，在每个时间段中同时对蓄电池的各个变量进行连续多次采样。本具体实施例中具体为采样时间为I分钟。由于数据采集系统是非常成熟的技术，此处不再赘述。接下来由数据处理系统(如计算机)进行数据预处理
读取SQL数据库中待诊断蓄电池单体放电周期数据，确定出放电时间间隔Ar=R1為]，以分时段连续采样方式获得放电周期时段内的电压4、电流及温度巧数值，^二口及…义夂设数据采样间隔力“则数据分时段连续采样大小为Z1 = ATZAf,记为
权利要求
1.一种基于多层支持向量机的蓄电池在线监测方法，其特征在于所述监测方法包括如下步骤 I)建立SVM数据分类训练集通过数据采集系统以分时段连续采样方式对若干个已知的、健康状况不同的蓄电池单体进行数据采集，采集的参数为整个放电周期过程中蓄电池单体放电电压变量U、电流变量i和电池表面温度temp，同一个蓄电池单体的电电压变量U、放电电流变量i和电池表面温度temp为一个样本集，并根据该蓄电池单体健康状况表上“正常”或“异常”的标记，所有蓄电池单体的样本集构成SVM数据分类训练集；2)SVM数据分类输入变量的获得由数据采集系统以分时段连续采样方式实时采集待诊断蓄电池单体实时放电电压变量U、放电电流变量i和实时电池表面温度temp，上述变量并送至SQL数据库系统中存储构成所述SVM数据分类输入变量，分别记为
2.根据权利要求I所述的基于多层支持向量机的蓄电池在线监测方法，其特征在于所述的SVM分类器是采用SVM算法对蓄电池长期充、放电数据记录进行训练得到，训练参数选择如下 惩罚因子C取值为[1.3，1200];核函数选择为RBF核函数，即K(x. x') = exp(-l|f|_)，Vorr74/~> rv~l Cl / TTI Vi-^ _
全文摘要
本发明涉及一种基于多层支持向量机(SVM)的蓄电池在线监测方法，考虑到了蓄电池性能劣化过程与电压、电流变化情况及温度变化情况密切相关，为了更能体现内在的联系，通过建立SVM数据分类训练集，采用SVM算法，利用多层SVM蓄电池性能劣化诊断流程，对蓄电池进行实时智能故障判断，因此对蓄电池的健康状态的监控较传统方法具有更高的准确性，而且还能对蓄电池的失效提供预警。
文档编号G06K9/62GK102749585SQ20111009964
公开日2012年10月24日 申请日期2011年4月21日 优先权日2011年4月21日
发明者李昌 申请人:李昌