一种蓄电池核容监测装置制造方法及图纸

一种蓄电池核容监测装置，解决了现有核容测试过程中识别时间跨度较长的数据异常原因效果不好的问题，属于蓄电池组核容监测领域。本发明专利技术包括：电池数据采集终端采集蓄电池组中每节单体蓄电池的充放电数据及温度；分析模块控制电池数据采集终端采集数据，估计蓄电池组容量，当发生异常时，识别出异常原因；识别出异常原因的过程：N个时刻的数据经过输入层后，按照时间顺序分别输入至N个LSTM单元，每个LSTM单元的输出经过输出层输出至特征融合层，特征融合层融合后输入至预测层，获得预测结果；LSTM单元的t时刻的输出h

【技术实现步骤摘要】
一种蓄电池核容监测装置


[0001]本专利技术涉及一种蓄电池核容监测装置，属于蓄电池组核容监测领域。

技术介绍

[0002]蓄电池组是发电站、变电站直流系统、电力通信电源的后备电源，其可靠性极其重要。当充电装置出现交流失电或者故障等情况停止工作，蓄电池将成为供电系统中唯一电源供给。此时蓄电池组出现问题，将导致供电系统失电，进而面临瘫痪，引发重大运行事故。
[0003]经研究，当前判断蓄电池性能最准确、最权威的方法就是对蓄电池进行核对性放电测试。电力通信电源的蓄电池容量一般在100～2000Ah，所以需要定期进行充放电核容测试，目前采用电热式放电法，现场使用电炉丝作模拟负载对蓄电池进行放电，将电能转换成热能释放，采用风机强制散热，这种放电方式简单、廉价，但存在以下的问题：电炉丝的散热缩短通信设备寿命并造成电能浪费，放电电流不恒定造成测量偏差，现场维护耗时耗力。若采用控制系统和核容仪进行监测数据，还需要利用监测到的数据确定蓄电池组的健康状况，需要及时发现蓄电池组中有隐患的单体电池，现有方法会采用收集到的导致蓄电池性能不好的历史数据输入至神经网络模型进行识别，确定蓄电池组的健康状况，例如RNN神经网络，RNN神经网络的神经元在传统神经元的基础上在其内部增加了循环结构，可将上一时刻隐含层的输出数据和当前时刻系统的输入数据结合起来共同形成新的输入数据并传输到网络中进行计算，随着时间的递进逐步将当前时刻神经元的信息与前面所有时刻神经元的信息相关联，从而实现同层神经元之间的相互连接；而且在计算的过程中每一层的权值也会在网络中持续传播，可在实现信息全局共享的基础上使得不同层之间也相互关联起来，使得网络具有强大的记忆功能，但是其应用在充放电核容测试过程中世界也存在一个问题，随着时间，核容测试过程中会产生大量序列，在监测时需要综合考虑这些数据，而RNN神经网络在面对核容测试过程中时间跨度较长的数据序列时，会产生梯度消失现象，导致网络失去继续学习的能力，进而识别效果不好。

技术实现思路

[0004]针对现有核容测试过程中识别时间跨度较长的数据异常原因效果不好的问题，本专利技术提供一种蓄电池核容监测装置。
[0005]本专利技术的一种蓄电池核容监测装置，包括电池数据采集终端和分析模块；
[0006]电池数据采集终端，用于采集蓄电池组中每节单体蓄电池的充放电数据及温度；
[0007]分析模块，与电池数据采集终端连接，用于控制电池数据采集终端采集数据，并根据采集到的每节单体蓄电池的充放电数据估计蓄电池组容量，并当发生异常时，识别出异常原因；
[0008]所述分析模块利用评估模型识别出异常原因，所述评估模型的输入为待测蓄电池充放电过程中连续N个时刻的电压、电流和温度的序列，输出为异常原因，N为正整数；所述评估模型包括输入层、隐含层、输出层、特征融合层和预测层，所述隐含层包括叠加的N个
LSTM单元；
[0009]N个时刻的数据经过输入层进行预处理后，再按照时间顺序分别输入至N个LSTM单元，每个LSTM单元的输出经过输出层输出至特征融合层，特征融合层对N个输入进行特征融合，得到融合后的特征再输入至预测层，预测层输出预测结果；
[0010]输入为t
‑
N时刻到t时刻的电压、电流和温度，所述LSTM单元的t时刻的输出h
t
为：
[0011][0012]其中，中间变量o
t
表示输出门输出，c
t
表示细胞状态输出，表示t
‑
N时刻到t时刻的随时间变化的相关性输出。
[0013]作为优选，
[0014]γ是表示超参数,为保留的比例；
[0015]相关性矩阵为ζ＝{1,ζ2,
…
,ζ
N
},ζ
n
＝ReLU(tanh(βζ
12
))，n＝2,
…
,N；
[0016]ζ
12
＝cosine(tanh(βD
n
‑1F
n
‑1)(tanh(βD
n
F
n
))
T
,tanh(βD
n
F
n
)(tanh(βD
n
‑1F
n
‑1))
T
)
[0017]其中，D
n
和D
n
‑1表示相邻两个LSTM单元中的学习点，F
n
和F
n
‑1是两个学习点的对应线性层参数，cosine表示求相似性，ReLU(
·
)表示激活函数；β是激活函数的控制超参数。
[0018]作为优选，特征融合层的输入为h
t
‑
N
…
h
t
,特征融合层在t时刻的输出F
t
为：
[0019]各个时刻的特征整合为
[0020]W
a
为可学习矩阵，Relu(
·
)为激活函数；
[0021]融合特征层中各个输入的分数为：r
m
＝Sigmoid(W
s
(tanh(W
h
h
m
+W
q
Q
t
+b
t
)+b
z
))；
[0022]W
s
、W
h
、W
q
为可学习的超参数，b
t
和b
z
均为偏置项，Sigmoid(
·
)表示激活函数，特征融合层的隐藏状态量H
m
＝(1+r
m
)h
m
；
[0023]特征融合层的输出为
[0024]作为优选，电池数据采集终端利用电池核容仪采集蓄电池组中每节单体蓄电池的充放电数据。
[0025]作为优选，电池核容仪的电流采样采用电流互感器形式。
[0026]作为优选，异常原因包括待测蓄电池电压低、容量异常和内阻大。
[0027]作为优选，分析模块还包括客户端，所述客户端用于控制电池数据采集终端的采集开始时间及采集结束时间，自动生成检测结果，检测结果包括蓄电池组截止电压、放电电流、测试时间、环境温度、放电容量比、预计蓄电池组备电时长、是否异常、异常原因和需要维修的蓄电池编号。
[0028]作为优选，所述客户端还用于以基站为单元记录检测期间响应数据，对采集到的基站电池数据进行分析呈现。本专利技术的有益效果，本专利技术利用LSTM单元构建评估模型，识别异常原因时，加入了t
‑
N时刻到t时刻的随时间变化的相关性关系，弥补了核容测试过程中时间跨度较长的数据序列的梯度消失现象，提高识别效果。
附图说明
[0029]图1为本专利技术的原理示意图。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种蓄电池核容监测装置，其特征在于，所述装置包括电池数据采集终端和分析模块；电池数据采集终端，用于采集蓄电池组中每节单体蓄电池的充放电数据及温度；分析模块，与电池数据采集终端连接，用于控制电池数据采集终端采集数据，并根据采集到的每节单体蓄电池的充放电数据估计蓄电池组容量，并当发生异常时，识别出异常原因；所述分析模块利用评估模型识别出异常原因，所述评估模型的输入为待测蓄电池充放电过程中连续N个时刻的电压、电流和温度的序列，输出为异常原因，N为正整数；所述评估模型包括输入层、隐含层、输出层、特征融合层和预测层，所述隐含层包括叠加的N个LSTM单元；N个时刻的数据经过输入层进行预处理后，再按照时间顺序分别输入至N个LSTM单元，每个LSTM单元的输出经过输出层输出至特征融合层，特征融合层对N个输入进行特征融合，得到融合后的特征再输入至预测层，预测层输出预测结果；输入为t
‑
N时刻到t时刻的电压、电流和温度，所述LSTM单元的t时刻的输出h
t
为：其中，中间变量o
t
表示输出门输出，c
t
表示细胞状态输出，表示t
‑
N时刻到t时刻的随时间变化的相关性输出。2.根据权利要求1所述的蓄电池核容监测装置，其特征在于，γ是表示超参数,为保留的比例；相关性矩阵为ζ＝{1,ζ2,
…
,ζ
N
},ζ
n
＝ReLU(tanh(βζ
12
))，n＝2,
…
,N；ζ
12
＝cosine(tanh(βD
n
‑1F
n
‑1)(tanh(βD
n
F
n
))
T
,tanh(βD
n
F
n
)(tanh(βD
n
‑1F
n
‑1))
T
)其中，D
n
和D
n
‑1表示相邻两个LSTM单元中的学习点，F
n
和F
n
‑1...

【专利技术属性】
技术研发人员：李亮，李绍良，葛海军，李长平，张国华，曹锐，王潇，崔玉龙，
申请(专利权)人：中国铁塔股份有限公司黑龙江省分公司，
类型：发明
国别省市：