【技术实现步骤摘要】
本公开属于通信电源，尤其涉及一种基于组合模型的蓄电池性能预测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
2、阀控式铅酸蓄电池组作为变电站直流系统的备用电源，其健康状态关乎整个变电站的安全稳定运行。为了确保蓄电池组的性能，需要定期对其进行核对性充放电。在现有的蓄电池充放电工作中，需要投入大量的人力、物力，消耗极大的时间。以一个500kv的站点通信蓄电池组为例，4组蓄电池组需要消耗4人3天的工作量，增大了电网的运维成本。近年来，随着泛在电力物联网建设投入的增加，电网智能化运维成为趋势。
3、专利技术人发现，国内外对于阀控铅酸蓄电池在线监控系统进行了大量研究，主要集中在以下两个方面：一方面是电池测量系统，通过电压、内阻和温度对电池荷电状态进行准确估算，为电池是否需要充电提供参考；另一个方面是电池健康状态的诊断和预测，为电池是否需要更换提供参考；专利技术人发现目前的蓄电池性能预测方法考虑的影响因素单一，且缺乏有效的性能预测策略，导致存在蓄电池性能预测准确率低以及泛化能力差等问题。
技术实现思路
1、本公开为了解决上述问题，提供了一种基于组合模型的蓄电池性能预测方法及系统，所述方案以蓄电池内阻的变化为基础进行蓄电池的性能预测，首先基于蓄电池内阻历史运行数据，通过引入元学习和门控网络实现长时间跨度的蓄电池内阻变化预测；然后，基于获得的蓄电池内阻变化趋势，利用蓄电池历史充放电曲线数据，构建铅酸蓄电池性能预测模型，并
2、根据本公开实施例的第一个方面，提供了一种基于组合模型的蓄电池性能预测方法，包括：
3、基于蓄电池内阻历史运行数据，获取蓄电池内阻的变化趋势表示向量；
4、基于蓄电池内阻历史运行数据及蓄电池内阻相关影响因素，提取影响因素之间的关联，获取蓄电池内阻变化的全局表示向量；
5、基于所述变化趋势表示向量以及全局表示向量，采用元学习和门控网络进行蓄电池内阻的组合预测，获得蓄电池内阻变化的组合表示向量；
6、对蓄电池充放电数据进行特征提取，获得局部信息表示；并基于注意力机制将所述局部信息表示与所述组合向量表示进行融合，获得综合向量表示；
7、基于所述综合向量表示，利用预先训练的分类器获得蓄电池的性能预测结果。
8、进一步的，所述蓄电池内阻相关影响因素包括壳体温度、浮充电压、浮充时长、放电次数及空气湿度。
9、进一步的，所述采用元学习和门控网络进行蓄电池内阻的组合预测，具体为：将所述变化趋势表示向量以及全局表示向量共同组成元学习的知识，并通过门控网络确定各个表示向量的权重，基于获得的权重对变化趋势表示向量以及全局表示向量进行组合。
10、进一步的，所述蓄电池内阻变化的组合表示向量的获取，具体采用如下公式：
11、
12、
13、其中，其表示一个非线性函数，ω表示特征集合的权重，f表示的影响蓄电池内阻的特征集合，ai定义为各个表示向量的权重，oi为待组合的变化趋势表示向量或全局表示向量。
14、进一步的，所述蓄电池内阻的变化趋势表示向量的获取，采用预先训练的长短期记忆神经网络得到；所述蓄电池内阻变化的全局表示向量的获取，采用预先训练的transformer模型得到；所述对蓄电池充放电数据进行特征提取，获得局部信息表示，具体采用一维卷积神经网络进行特征提取。
15、进一步的，所述性能预测方法还包括基于获得的蓄电池性能预测结果，构建损失函数，通过与实际样本数据进行对比不断优化方法中的参数值，其中，所述损失函数包括内阻预测损失以及性能预测损失。
16、进一步的，所述分类器采用softmax函数。
17、根据本公开实施例的第二个方面，提供了一种基于组合模型的蓄电池性能预测系统，包括：
18、内阻变化趋势特征提取单元，其用于基于蓄电池内阻历史运行数据，获取蓄电池内阻的变化趋势表示向量；
19、内阻变化全局特征提取单元，其用于基于蓄电池内阻历史运行数据及蓄电池内阻相关影响因素，提取影响因素之间的关联，获取蓄电池内阻变化的全局表示向量；
20、内阻变化组合特征获取单元，其用于基于所述变化趋势表示向量以及全局表示向量，采用元学习和门控网络进行蓄电池内阻的组合预测，获得蓄电池内阻变化的组合表示向量；
21、特征融合单元，其用于对蓄电池充放电数据进行特征提取，获得局部信息表示；并基于注意力机制将所述局部信息表示与所述组合向量表示进行融合，获得综合向量表示；
22、性能预测单元，其用于基于所述综合向量表示，利用预先训练的分类器获得蓄电池的性能预测结果。
23、根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种基于组合模型的蓄电池性能预测方法。
24、根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种基于组合模型的蓄电池性能预测方法。
25、与现有技术相比，本公开的有益效果是：
26、(1)本公开提供了一种基于组合模型的蓄电池性能预测方法及系统，所述方案以蓄电池内阻的变化为基础对蓄电池进行性能预测，在蓄电池内阻变化的预测中充分考虑了蓄电池内阻历史数据以及影响电池内阻的相关因素，并基于lstm和transformer对蓄电池内阻的变化趋势分别进行预测，同时，通过引入元学习和门控网络构建蓄电池内阻组合预测模型，获得蓄电池内阻变化的组合表示向量，有效保证了内阻变化预测的准确性，进而为蓄电池的性能预测奠定了基础。
27、(2)本公开所述方案基于获得的蓄电池内阻变化趋势，结合蓄电池历史充放电曲线数据，进行铅酸蓄电池的性能预测，在性能预测过程中，通过采用卷积神经网络(cnn)和注意力机制相结合的方式来获得蓄电池性能相关的综合特征向量，有效提高了性能预测的精度。
28、本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于组合模型的蓄电池性能预测方法，其特征在于，包括：
2.如权利要求1所述的一种基于组合模型的蓄电池性能预测方法，其特征在于，所述蓄电池内阻相关影响因素包括壳体温度、浮充电压、浮充时长、放电次数及空气湿度。
3.如权利要求1所述的一种基于组合模型的蓄电池性能预测方法，其特征在于，所述采用元学习和门控网络进行蓄电池内阻的组合预测，具体为：将所述变化趋势表示向量以及全局表示向量共同组成元学习的知识，并通过门控网络确定各个表示向量的权重，基于获得的权重对变化趋势表示向量以及全局表示向量进行组合。
4.如权利要求1所述的一种基于组合模型的蓄电池性能预测方法，其特征在于，所述蓄电池内阻变化的组合表示向量的获取，具体采用如下公式：
5.如权利要求1所述的一种基于组合模型的蓄电池性能预测方法，其特征在于，所述蓄电池内阻的变化趋势表示向量的获取，采用预先训练的长短期记忆神经网络得到；所述蓄电池内阻变化的全局表示向量的获取，采用预先训练的Transformer模型得到；所述对蓄电池充放电数据进行特征提取，获得局部信息表示，具体采用一维卷积神经
6.如权利要求1所述的一种基于组合模型的蓄电池性能预测方法，其特征在于，所述性能预测方法还包括基于获得的蓄电池性能预测结果，构建损失函数，通过与实际样本数据进行对比不断优化方法中的参数值，其中，所述损失函数包括内阻预测损失以及性能预测损失。
7.如权利要求1所述的一种基于组合模型的蓄电池性能预测方法，其特征在于，所述分类器采用softmax函数。
8.一种基于组合模型的蓄电池性能预测方法，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种基于组合模型的蓄电池性能预测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的一种基于组合模型的蓄电池性能预测方法。
...【技术特征摘要】
1.一种基于组合模型的蓄电池性能预测方法，其特征在于，包括：
2.如权利要求1所述的一种基于组合模型的蓄电池性能预测方法，其特征在于，所述蓄电池内阻相关影响因素包括壳体温度、浮充电压、浮充时长、放电次数及空气湿度。
3.如权利要求1所述的一种基于组合模型的蓄电池性能预测方法，其特征在于，所述采用元学习和门控网络进行蓄电池内阻的组合预测，具体为：将所述变化趋势表示向量以及全局表示向量共同组成元学习的知识，并通过门控网络确定各个表示向量的权重，基于获得的权重对变化趋势表示向量以及全局表示向量进行组合。
4.如权利要求1所述的一种基于组合模型的蓄电池性能预测方法，其特征在于，所述蓄电池内阻变化的组合表示向量的获取，具体采用如下公式：
5.如权利要求1所述的一种基于组合模型的蓄电池性能预测方法，其特征在于，所述蓄电池内阻的变化趋势表示向量的获取，采用预先训练的长短期记忆神经网络得到；所述蓄电池内阻变化的全局表示向量的获取，采用预先训练的transformer模...
【专利技术属性】
技术研发人员：卢奕，刘磊，朱国朋，朱尤祥，马恺，吕新荃，韩光明，王立君，王世豪，张璞，张彦，任廷鑫，刘炜，王琪，田安琪，江颖洁，马良，孙超，肖沈阳，李丽，谢高鹏，王锐，米元泽，于秋生，魏永静，
申请(专利权)人：国网山东省电力公司信息通信公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。