本发明涉及电池管理,尤其涉及一种基于组合特征选择的储能系统性能预测方法及装置。
背景技术:
1、氢燃料电池具有燃料适应性广、能量转化效率高、全固态、模块化组装、零污染等特点,作为船舶动力电源、交通车辆动力电源等移动电源,有广阔的应用前景。氢燃料电池被应用于分布式发电中,分布式电站由于其成本低、可维护性高等有点渐渐成为能源供应的重要组成部分。
2、氢燃料电池的系统性能均值体现电池运行效能,是电池寿命的关键指标。系统性能均值预测与氢燃料电池系统中运行的工况、环境因素、控制软件版本等一系列变量有相关性。这些变量相互耦合、相互影响,使燃料电池性能和获得最佳输出性能的相关参数评估面临巨大困难。现有技术中,通常通过人工定期检测实现氢燃料电池系统性能预测,但这种预测方式不仅仅实时性差,且预测准确性难以保证。
技术实现思路
1、本发明提供一种基于组合特征选择的储能系统性能预测方法及装置,用以解决现有技术中通过人工定期检测实现氢燃料电池系统性能预测的预测方式,实时性差且预测准确性难以保证的缺陷,实现增强氢燃料电池系统性能预测的实时性和预测准确性。
2、本发明提供一种基于组合特征选择的储能系统性能预测方法,包括:
3、获取目标电池系统中各目标子系统的当前性能参数,以及各所述目标子系统所属的系统类别;所述当前性能参数包括多维性能特征;
4、基于各所述目标子系统所属的系统类别,确定各所述目标子系统对应的特征提取策略和目标性能预测模型;
5、基于各所述目标子系统对应的特征提取策略,对所述多维性能特征进行组合特征选择,得到各所述目标子系统对应的当前目标特征;
6、将各所述目标子系统对应的当前目标特征输入至各所述目标子系统对应的目标性能预测模型中,得到各所述目标子系统的当前性能预测值;
7、根据所有所述目标子系统的当前性能预测值,确定所述目标电池系统的当前性能预测值;
8、其中,各所述目标子系统对应的目标性能预测模型是基于决策树算法、各所述目标子系统所属的系统类别下的样本子系统在各历史时刻的历史性能参数以及性能标签,对预先构建的深度学习模型进行训练得到的。
9、根据本发明提供的一种基于组合特征选择的储能系统性能预测方法,所述方法还包括:
10、对于每一所述目标子系统执行以下步骤:
11、获取当前目标子系统所属的系统类别下的样本子系统在各历史时刻的历史性能参数以及性能标签;
12、基于卡方检验算法,计算所述历史性能参数中各性能特征与所述性能标签之间的第一相关系数;
13、基于斯皮尔曼算法,计算所述历史性能参数中各性能特征与所述性能标签之间的第二相关系数;
14、根据所述第一相关系数和所述第二相关系数,确定所述当前目标子系统所属的系统类别对应的特征提取策略;
15、建立所述当前目标子系统所属的系统类别与所述特征提取策略之间的映射关系;
16、基于各所述目标子系统所属的系统类别,确定各所述目标子系统对应的特征提取策略,包括:
17、根据所述映射关系以及各所述目标子系统所属的系统类别,获取各所述目标子系统对应的特征提取策略。
18、根据本发明提供的一种基于组合特征选择的储能系统性能预测方法,所述根据所述第一相关系数和所述第二相关系数,确定所述当前目标子系统所属的系统类别对应的特征提取策略,包括:
19、将所述第一相关系数与第一预设值进行对比;
20、根据对比结果,在所述历史性能参数中确定所述第一相关系数大于所述第一预设值的至少一个性能特征;
21、在所述至少一个性能特征中确定所述第二相关系数大于第二预设值的性能特征;
22、根据所述第二相关系数大于第二预设值的性能特征,确定所述当前目标子系统所属的系统类别对应的特征提取策略。
23、根据本发明提供的一种基于组合特征选择的储能系统性能预测方法,各所述目标子系统对应的目标性能预测模型的训练步骤包括:
24、获取各所述目标子系统所属的系统类别下的样本子系统的所述历史性能参数以及所述样本子系统的性能标签;
25、基于各所述样本子系统对应的特征提取策略,对所述样本子系统的所述多维性能特征进行组合特征选择,得到所述样本子系统对应的历史目标特征;
26、根据所述历史目标特征和所述性能标签,构建样本数据集;
27、将所述样本数据集划分为训练集和测试集;
28、根据所述训练集以及所述决策树算法,对所述深度学习模型进行训练;
29、根据所述测试集,对训练后的深度学习模型的模型性能进行测试,在所述训练后的深度学习模型未通过测试的情况下,对所述训练后的深度学习模型的模型结构和/或模型参数进行调整;
30、继续根据所述训练集以及所述决策树算法,对调整后的深度学习模型进行训练,直到训练后的深度学习模型通过测试,得到各所述目标子系统对应的目标性能预测模型。
31、根据本发明提供的一种基于组合特征选择的储能系统性能预测方法,在所述基于各所述样本子系统对应的特征提取策略,对所述样本子系统的所述多维性能特征进行组合特征选择,得到所述样本子系统对应的历史目标特征之前,所述方法还包括:
32、基于稳态处理算法,确定所述样本子系统在各历史时刻的历史性能参数中是否存在非稳态的性能特征;
33、在确定任一历史时刻的所述历史性能参数中存在非稳态的性能特征的情况下,将所述任一历史时刻的所述历史性能参数以及所述性能标签删除。
34、根据本发明提供的一种基于组合特征选择的储能系统性能预测方法,所述根据所有所述目标子系统的当前性能预测值,确定所述目标电池系统的当前性能预测值,包括:
35、对所有所述目标子系统的当前性能预测值进行加权相加或者求平均值,得到所述目标电池系统的当前性能预测值。
36、本发明还提供一种基于组合特征选择的储能系统性能预测装置,包括:
37、获取模块,用于获取目标电池系统中各目标子系统的当前性能参数,以及各所述目标子系统所属的系统类别;所述当前性能参数包括多维性能特征;
38、第一确定模块,用于基于各所述目标子系统所属的系统类别,确定各所述目标子系统对应的特征提取策略和目标性能预测模型;
39、选择模块,用于基于各所述目标子系统对应的特征提取策略,对所述多维性能特征进行组合特征选择,得到各所述目标子系统对应的当前目标特征;
40、预测模块,用于将各所述目标子系统对应的当前目标特征输入至各所述目标子系统对应的目标性能预测模型中,得到各所述目标子系统的当前性能预测值;
41、第二确定模块,用于根据所有所述目标子系统的当前性能预测值,确定所述目标电池系统的当前性能预测值;
42、其中,各所述目标子系统对应的目标性能预测模型是基于决策树算法、各所述目标子系统所属的系统类别下的样本子系统在各历史时刻的历史性能参数以及性能标签,对预先构建的深度学习模型进行训练得到的。
43、本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于组合特征选择的储能系统性能预测方法。
44、本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于组合特征选择的储能系统性能预测方法。
45、本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于组合特征选择的储能系统性能预测方法。
46、本发明提供的基于组合特征选择的储能系统性能预测方法及装置,通过首先获取目标电池系统中各目标子系统的当前性能参数和各目标子系统所属的系统类别;并获取各目标子系统所属的系统类别,根据获取到的系统类别确定各目标子系统对应的特征提取策略和目标性能预测模型;接着根据对应的特征提取策略,对各目标子系统的当前性能参数进行组合特征选择,获取各目标子系统对应的当前目标特征;然后,将各目标子系统对应的当前目标特征输入至对应的目标性能预测模型中,将输出结果作为各目标子系统的当前性能预测值,继而对进行各目标子系统的当前性能预测值整合确定目标电池系统的当前性能预测值,建立了一套完整的全自动化电池性能预测流程,针对各目标子系统自适应地选择相应的特征提取策略和相应的目标性能预测模型,实现对目标电池系统进行实时有效地性能预测的同时,提高预测准确性。