基于SVR的变电站直流系统蓄电池退化趋势预测方法技术方案

本发明专利技术涉及一种基于SVR的变电站直流系统蓄电池退化趋势预测方法。该方法首先采用经验模态分解方法分别将蓄电池的端电压和内阻数据序列分解成多个分量，并依据每个分量的含有率对这些分量进行筛选。然后，分别将电压和内阻数据的各分量及其对应的浮充时长和均充次数作为训练样本，采用支持向量机的方法对模型进行训练，形成多个支持向量回归函数。最后，将未来一段时间内蓄电池的使用计划作为输入，带入上述支持向量回归函数中，将得到的结果求和可得到蓄电池使用计划对应时间内的电压和内阻，从而实现变电站直流系统蓄电池退化趋势预测。该方法可以更好的辅助维护人员的检查与维护，保证紧急情况下设备的用电安全可靠。

Prediction method of battery degradation trend in DC system of substation based on SVR

【技术实现步骤摘要】
基于SVR的变电站直流系统蓄电池退化趋势预测方法
本专利技术属于变电站直流系统维护人工智能
，涉及一种基于SVR的变电站直流系统蓄电池退化趋势预测方法。
技术介绍
变电站直流系统使用的蓄电池为阀控式铅酸蓄电池，其使用年限可达10年。但是由于现在阀控式铅酸蓄电池的监测技术不够成熟，蓄电池的退化趋势预测效果较差，致使蓄电池维护十分困难，大量蓄电池因此提前报废。蓄电池的过早淘汰不仅造成了资源浪费，更会由于蓄电池的过早失效导致停电而造成极大的损失。蓄电池退化趋势无法有效预测，通常在需要其发挥作用的时候才会发现蓄电池已然老化严重，无法使用或无法达到预期效果，导致供电系统崩溃，引发巨大损失。更有甚者，老化蓄电池内阻增大，导致电池温度在后备电源运行状态下急剧升高，引起火灾、爆炸等安全事故。因此，有效可行的蓄电池退化趋势预测方法及其重要。目前常见的蓄电池退化趋势预测方法，主要是通过预测蓄电池的剩余容量或健康状态的变化趋势从而反映蓄电池的退化。但变电站中，蓄电池的容量无法在线测量，往往都是通过容易测量的电压、内阻等特征量间接反应的。且现有方法预测蓄电池退化趋势时，只是单独考虑到了浮充、均充等因素的影响，将这些方法用于变电站的蓄电池退化趋势预测时，将会有较大的误差。因此如何克服现有技术的不足是目前变电站直流系统维护人工智能
亟需解决的问题。
技术实现思路
本专利技术的目的是为了解决现有技术的不足，提供一种基于SVR的变电站直流系统蓄电池退化趋势预测方法，该方法计及了变电站直流系统下蓄电池的浮充时长和均充次数的影响，基于大量电压和内阻的历史数据，采用支持向量机的方法对蓄电池退化趋势进行了预测。最终达到提前发现性能不达标的蓄电池的目标，保证了用电安全可靠，以及避免了蓄电池组中因个别电池劣化而导致整个蓄电池组性能进一步恶化。为实现上述目的，本专利技术采用的技术方案如下：一种基于SVR的变电站直流系统蓄电池退化趋势预测模型的构建方法，其特征在于，所述的蓄电池退化趋势预测模型包括内阻预测目标模型和电压预测目标模型；具体包括如下步骤：采用经验模态分解方法分别对采集到的电压、内阻数据进行分解；计算分解得到的各分量的含有率，并以含有率为指标分别对电压、内阻的这些分量进行筛选；以筛选后的内阻分量在某时刻的值、该时刻到下一时刻内的浮充时长和均充次数作为模型的输入，以筛选后的内阻分量在下一时刻的值作为模型的输出，采用支持向量机的方法进行训练，构建内阻预测目标模型；以筛选后的电压分量在某时刻的值、该时刻到下一时刻内的浮充时长和均充次数作为模型的输入，以筛选后的电压分量在下一时刻的值作为模型的输出，采用支持向量机的方法进行训练，构建电压预测目标模型。进一步，优选的是，所述的经验模态分解方法为EEMD。进一步，优选的是，当分量的含有率小于含有率阈值λ，则忽略该分量。本专利技术同时提供基于SVR的变电站直流系统蓄电池退化趋势预测系统，包括：分解模块，用于采用经验模态分解方法分别对采集到的电压、内阻数据进行分解；筛选模块，用于计算分解得到的各分量的含有率，并以含有率为指标分别对电压、内阻的这些分量进行筛选；内阻预测目标模型构建模块，用于以筛选后的内阻分量在某时刻的值、该时刻到下一时刻内的浮充时长和均充次数作为模型的输入，以筛选后的内阻分量在下一时刻的值作为模型的输出，采用支持向量机的方法进行训练，构建内阻预测目标模型；电压预测目标模型构建模块，以筛选后的电压分量在某时刻的值、该时刻到下一时刻内的浮充时长和均充次数作为模型的输入，以筛选后的电压分量在下一时刻的值作为模型的输出，采用支持向量机的方法进行训练，构建电压预测目标模型；蓄电池退化趋势预测模块，用于根据内阻预测目标模型、电压预测目标模型对蓄电池退化趋势进行预测。本专利技术还提供一种基于SVR的变电站直流系统蓄电池退化趋势预测方法，采用上述构建方法构建得到的蓄电池退化趋势预测模型，其特征在于，包括如下步骤：步骤(1)，假设蓄电池当前数据对应时刻Tt，当已知蓄电池在未来Tt～Tt+k时间段的使用计划时，计算在Tt+1,Tt+2,......,Tt+k采样时刻与其上一采样时刻之间蓄电池的浮充时间Tf以及均充次数Nc；步骤(2)，将历史数据与当前时刻数据一起使经验模态分解方法进行分解，并对分解后的分量进行筛选；步骤(3)将Tt时刻的各电压分量、Tt到Tt+1时刻的浮充时间和均充次数作为相应电压预测目标模型的输入，将各模型输出结果相加求和，得到Tt+1时刻的电压；将Tt时刻的各内阻分量、Tt到Tt+1时刻的浮充时间和均充次数作为相应内阻预测目标模型的输入，将各模型输出结果相加求和，得到Tt+1时刻的内阻；步骤(4)，接着将目标模型输入中的电压分量和内阻分量数据换成预测得到的数据，并更新浮充时间和均充次数，之后带入到步骤(3)中对下一时刻进行预测；步骤(5)，重复步骤(4)，直到预测出Tt+k时刻的电压和内阻。本专利技术基于SVR的变电站直流系统蓄电池退化趋势预测方法计及了变电站直流系统下蓄电池的浮充时长和均充次数的影响，采用了支持向量机的方法对蓄电池退化趋势进行了预测。1)采用经验模态分解的方法，分别对电压和内阻数据进行分解，并依据各分量的含有率对这些分量进行筛选。2)采用支持向量机的方法对模型进行训练，形成多个支持向量回归函数。3)根据未来一段时间内蓄电池的使用计划即浮充时长和均充次数预测蓄电池未来这段时间内的电压和内阻。其主要功能在于预测变电站直流系统蓄电池在使用计划内的退化趋势，为维护人员提供每个电池在使用计划内的电压和内阻变化情况，相比其他方法具有更高的精度，可以更好的辅助维护人员的检查与维护，保证紧急情况下设备的用电安全可靠，同时也避免了蓄电池组中因个别电池劣化而导致整个蓄电池组性能进一步恶化。本专利技术依据各分量的含有率对这些分量进行筛选，主要包括：使用经验模态分解的方法分别将电压和内阻的数据进行分解，得到多个分量。根据各个分量在原始数据中所占比例的不同，将对原始数据影响较小即所占比例较小的分量剔除，在不影响结果精度的前提下尽可能的减小计算量。本专利技术采用支持向量机的方法对模型进行训练，形成多个支持向量回归函数(即目标模型)主要包括：将各分量及其对应的浮充时间和均充次数作为训练样本，以某时刻的电压或内阻分量、此时刻与下一时刻之间增加的浮充时长和均充次数作为模型的输入，以下一时刻的电压或内阻作为模型的输出，对支持向量机的模型进行训练，最终形成多个支持向量回归函数。本专利技术预测蓄电池未来一段时间内的电压和内阻，主要包括：根据未来这段时间内蓄电池的使用计划，计算其在这段时间内不同预测时刻与前一时刻之间的浮充时间和均充次数，将浮充时间、均充次数和实时电压或内阻作为目标模型的输入，通过多步预测，计算出蓄电池在各个预测时刻的电压和内阻数据。一、数据的预处理EEMD又称集合经验模态分解，是基于EMD(经验模态分解)的一种针对非线本文档来自技高网...

【技术保护点】
1.一种基于SVR的变电站直流系统蓄电池退化趋势预测模型的构建方法，其特征在于，所述的蓄电池退化趋势预测模型包括内阻预测目标模型和电压预测目标模型；/n具体包括如下步骤：/n采用经验模态分解方法分别对采集到的电压、内阻数据进行分解；/n计算分解得到的各分量的含有率，并以含有率为指标分别对电压、内阻的这些分量进行筛选；/n以筛选后的内阻分量在某时刻的值、该时刻到下一时刻内的浮充时长和均充次数作为模型的输入，以筛选后的内阻分量在下一时刻的值作为模型的输出，采用支持向量机的方法进行训练，构建内阻预测目标模型；/n以筛选后的电压分量在某时刻的值、该时刻到下一时刻内的浮充时长和均充次数作为模型的输入，以筛选后的电压分量在下一时刻的值作为模型的输出，采用支持向量机的方法进行训练，构建电压预测目标模型。/n

【技术特征摘要】
1.一种基于SVR的变电站直流系统蓄电池退化趋势预测模型的构建方法，其特征在于，所述的蓄电池退化趋势预测模型包括内阻预测目标模型和电压预测目标模型；
具体包括如下步骤：
采用经验模态分解方法分别对采集到的电压、内阻数据进行分解；
计算分解得到的各分量的含有率，并以含有率为指标分别对电压、内阻的这些分量进行筛选；
以筛选后的内阻分量在某时刻的值、该时刻到下一时刻内的浮充时长和均充次数作为模型的输入，以筛选后的内阻分量在下一时刻的值作为模型的输出，采用支持向量机的方法进行训练，构建内阻预测目标模型；
以筛选后的电压分量在某时刻的值、该时刻到下一时刻内的浮充时长和均充次数作为模型的输入，以筛选后的电压分量在下一时刻的值作为模型的输出，采用支持向量机的方法进行训练，构建电压预测目标模型。


2.根据权利要求1所述的基于SVR的变电站直流系统蓄电池退化趋势预测模型的构建方法，其特征在于，所述的经验模态分解方法为EEMD。


3.根据权利要求1所述的基于SVR的变电站直流系统蓄电池退化趋势预测模型的构建方法，其特征在于，当分量的含有率小于含有率阈值λ，则忽略该分量。


4.基于SVR的变电站直流系统蓄电池退化趋势预测系统，其特征在于，包括：
分解模块，用于采用经验模态分解方法分别对采集到的电压、内阻数据进行分解；
筛选模块，用于计算分解得到的各分量的含有率，并以含有率为指标分别对电压、内阻的这些分量进行筛选；
内阻预测目标模型构建模块，用于以筛选后的内阻分量在某时刻的值、该时刻到下一时刻内的浮充时长和均充次数作为模型的输入，以筛选后的内阻分量在下一时刻...

【专利技术属性】
技术研发人员：刘斌，李瑞津，张学敏，刘祺，毕小熊，邓云书，李涛，郭伟，王斌，胡云，施迎春，岳斌，赵华，叶文华，陈运忠，潘再金，
申请(专利权)人：云南电网有限责任公司玉溪供电局，
类型：发明
国别省市：云南;53