列车电池容量预测方法及装置与流程

本发明涉及蓄电池
技术领域：
，尤其涉及一种列车电池容量预测方法及装置。
背景技术：
：城市轨道交通列车的重要设备和列车运行主要依赖外部供电系统，这限制了断电、电压不稳等情况下重要设备正常工作和列车行驶的可靠性。为保证突发情况下列车的正常运行，一般会对重要的用电设备配备蓄电池。现有技术中，列车蓄电池管理维修方式一直采用故障修和定期维修相结合的方式。故障修是指蓄电池突发故障后进行故障处理维修。定期维修是基于材料寿命分析与估计的故障诊断维修方式，以零件的磨损规律或零件的使用寿命为基础建立设备维修作业制度，维修作业制度是在一定时间范围内现场进行的有计划维修作业。但是，现有的列车蓄电池的管理和检修方式需要大量的人力和时间成本，并且存在漏判或者误判的可能。因此，急需一种人工参与更少，更智能化的电池容量预测方法，作为列车蓄电池运维的一种不可或缺的补强手段，有效的指导管理人员进行蓄电池的状态检修，化被动运维为主动运维。技术实现要素：本发明实施例提供一种列车电池容量预测方法及装置，用于解决现有技术中列车蓄电池的管理和检修方式需要大量的人力和时间成本，并且存在漏判或者误判的技术问题。为了解决上述技术问题，一方面，本发明实施例提供一种列车电池容量预测方法，包括：确定待检测蓄电池的电池参数；将所述电池参数输入至神经网络模型，输出所述待检测蓄电池的电池容量，其中，所述神经网络模型基于若干个电池参数样本以及预先确定的电池容量标签进行训练后得到。进一步地，对所述神经网络模型进行训练的具体步骤如下：确定若干个电池参数样本以及预先确定的电池容量标签，并确定所述神经网络模型的初始参数；基于若干个电池参数样本以及预先确定的电池容量标签对所述神经网络模型进行训练，确定所述神经网络模型的最终参数。进一步地，所述确定所述神经网络模型的初始参数，具体包括：确定自适应全局粒子群算法模型的参数，其中，所述自适应全局粒子群算法模型中种群个体为所述神经网络模型的初始参数的解；在搜索空间中初始化粒子的速度和位置；根据每个粒子的适应度值，确定粒子历史最优位置和种群历史最优位置；对粒子的速度和位置进行更新；若满足迭代终止条件，则输出所述神经网络模型的最优的初始参数；若不满足迭代终止条件，则继续根据每个粒子的适应度值，确定粒子历史最优位置和种群历史最优位置。进一步地，所述对粒子的速度和位置进行更新，具体包括：基于惯性权重、粒子历史最优位置、种群历史最优位置和第一影响因子对粒子的速度进行更新，其中，所述惯性权重为余弦映射，所述第一影响因子随着迭代次数的增加而减小；基于种群历史最优位置和第二影响因子对粒子的位置进行更新，其中，所述第二影响因子随着迭代次数的增加而增大。进一步地，所述搜索空间的维度为d，其中，d＝m×n，m是所述神经网络模型输入层和隐含层之间的权值系数，n是所述神经网络模型隐含层和输出层之间的权值系数。进一步地，所述电池参数至少包括电池使用环境温度和电池投运时长。进一步地，所述神经网络模型为全连接神经网络模型。另一方面，本发明实施例提供一种列车电池容量预测装置，包括：参数确定模块，用于确定待检测蓄电池的电池参数；容量预测模块，用于将所述电池参数输入至神经网络模型，输出所述待检测蓄电池的电池容量，其中，所述神经网络模型基于若干个电池参数样本以及预先确定的电池容量标签进行训练后得到。再一方面，本发明实施例提供一种电子设备，包括：存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述方法的步骤。又一方面，本发明实施例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，当所述计算机程序被处理器执行时，实现上述方法的步骤。本发明实施例提供的列车电池容量预测方法及装置，采用神经网络模型对电池容量进行预测，提高了电池容量预测的效率。附图说明图1为本发明实施例提供的列车电池容量预测方法示意图；图2为本发明实施例提供的预测模型初始参数优化逻辑流程图；图3为本发明实施例提供的列车电池容量预测装置示意图；图4为本发明实施例提供的电子设备的结构示意图。具体实施方式为了使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。城市轨道交通列车的重要设备和列车运行主要依赖外部供电系统，这限制了断电、电压不稳等情况下重要设备正常工作和列车行驶的可靠性。为保证突发情况下列车的正常运行，一般会对重要的用电设备配备蓄电池。但目前蓄电池的管理和运维主要依靠充放电实验和外观观察等技术手段进行定期性的检修，而蓄电池数量较多，这种落后的检修方式需要大量的人力资源。目前，基于蓄电池寿命预测的主动运维方式逐渐成为通信管理部门研究管理维护电力通信设备和蓄电池的重要课题。随着地铁系统自动化程度和智能化的提升，针对不同电池型号和外部条件的基于大数据和人工智能模型对电池剩余电量进行预测的方法成为现在以及将来辅助列车蓄电池管理方式的发展趋势。传统的列车蓄电池管理维修方式一直采用故障修和定期维修相结合的方式。故障修是指蓄电池突发故障后进行故障处理维修。定期维修是基于材料寿命分析与估计的故障诊断维修方式，以零件的磨损规律或零件的使用寿命为基础建立设备维修作业制度，维修作业制度是在一定时间范围内现场进行的有计划维修作业。传统的列车蓄电池的管理和检修方式需要大量的人力和时间成本，并且存在漏判或者误判的可能。因此，一种人工参与更少，更智能化的蓄电池寿命预测方法是通信管理部门急需的，作为列车蓄电池运维的一种不可或缺的补强手段，有效的指导管理人员进行蓄电池的状态检修，化被动运维为主动运维。为了解决上述技术问题，图1为本发明实施例提供的列车电池容量预测方法示意图，如图1所示，本发明实施例提供一种列车电池容量预测方法，其执行主体为列车电池容量预测装置。该方法包括：步骤s101、确定待检测蓄电池的电池参数。具体来说，本发明实施例提供的列车电池容量预测方法，利用列车蓄电池的充放电数据，构建一种基于自适应全局粒子群算法的全连接神经网络预测模型，模型能够预测不同型号、温度范围内的蓄电池剩余容量，实现了列车蓄电池的状态检测和寿命预测，为列车蓄电池的管理和运维提供了一种科学有效的辅助方法。在使用预测模型对电池容量进行预测之前，只需要获取待检测蓄电池的电池参数。例如，在模型训练过程中，采用某条地铁线列车上的蓄电池充放电实验数据，考虑型号，环境温度和投运时长给定的情况下预测蓄电池剩余容量。电池参数信息如表1所示。表1电池参数信息指标描述数据类型型号apc，csb，保护神，非凡，欧利特等字符串环境温度环境温度在摄氏度12～30之间数值型投运时长投运时长按照年份计算，范围是1～12年数值型剩余容量剩余容量范围是0～120之间数值型本发明实施例还可以对获取的电池参数做如下数据处理：使用one-hot方法改变蓄电池型号数据的数据类型，将字符串型改为数值型；环境温度是数值型数据，但是运维需要了解的是环境温度范围下蓄电池寿命的情况，因此将环境温度这一连续数值特征调整为离散特征。步骤s102、将所述电池参数输入至神经网络模型，输出所述待检测蓄电池的电池容量，其中，所述神经网络模型基于若干个电池参数样本以及预先确定的电池容量标签进行训练后得到。具体来说，在确定待检测蓄电池的电池参数之后，只需要将待检测蓄电池的电池参数输入至神经网络模型，即可输出待检测蓄电池的电池容量。其中，神经网络模型基于若干个电池参数样本以及预先确定的电池容量标签进行训练后得到。本发明实施例提供的列车电池容量预测方法，采用神经网络模型对电池容量进行预测，提高了电池容量预测的效率。基于上述任一实施例，进一步地，对所述神经网络模型进行训练的具体步骤如下：确定若干个电池参数样本以及预先确定的电池容量标签，并确定所述神经网络模型的初始参数；基于若干个电池参数样本以及预先确定的电池容量标签对所述神经网络模型进行训练，确定所述神经网络模型的最终参数。具体来说，对神经网络模型进行训练的具体步骤如下：首先输入若干个电池参数样本以及预先确定的电池容量标签，并输入神经网络模型的初始参数。以全连接神经网络模型为例，输入神经网络模型的初始参数包括：两层权值分别是wij和wjk，隐藏层规定的阈值为α，输出层规定的阈值为β。输入层的神经元数为n，输出层的节点数为m。然后，基于若干个电池参数样本以及预先确定的电池容量标签对神经网络模型进行训练，确定神经网络模型的最终参数。以全连接神经网络模型为例，训练步骤包括：(1)网络初始化，为连接权值wij和wjk以及阈值α和β赋值为[0～1]之间的随机数。(2)隐藏层和输出层输出计算，连接各层的权值和阈值，由输入层输入信号计算含有隐藏层hj，再由隐含层计算输出层ok。其中，hj隐藏层，wij连接权值，xi为粒子位置，aj为[0～1]之间的随机数，ok为输出层，βk为[0～1]之间的随机数。(3)误差计算采用bp算法进行更新权重和阈值，最后判断全局误差是否趋近于极小值来判断训练是否结束。本发明实施例提供的列车电池容量预测方法，采用神经网络模型对电池容量进行预测，提高了电池容量预测的效率。基于上述任一实施例，进一步地，所述确定所述神经网络模型的初始参数，具体包括：确定自适应全局粒子群算法模型的参数，其中，所述自适应全局粒子群算法模型中种群个体为所述神经网络模型的初始参数的解；在搜索空间中初始化粒子的速度和位置；根据每个粒子的适应度值，确定粒子历史最优位置和种群历史最优位置；对粒子的速度和位置进行更新；若满足迭代终止条件，则输出所述神经网络模型的最优的初始参数；若不满足迭代终止条件，则继续根据每个粒子的适应度值，确定粒子历史最优位置和种群历史最优位置。具体来说，图2为本发明实施例提供的预测模型初始参数优化逻辑流程图，如图2所示，为了提高预测结果的准确性，本发明实施例利用优化算法对神经网络模型的初始参数进行优化。本发明实施例原始粒子群算法进行改进，提出一种自适应全局粒子群算法agpso以弥补原始算法容易陷入局部最优、搜索精度低和全局搜索性能不佳等缺点。利用自适应全局粒子群算法对神经网络模型的初始参数进行优化的具体步骤如下：(1)设置相关参数和种群粒子数，在搜索空间中初始化粒子的速度和位置。设置相关参数和种群粒子数包括：速度更新公式中的惯性权重取值范围ωmax＝0.9，ωmin＝0.4；种群粒子数j＝40；c1＝2,c2＝2；最大迭代次数ni＝100；搜索空间维度d＝m×n，m是输入层和隐含层间的权值系数，n是隐含层和输出层之间的系数。初始化粒子的速度和位置。在可行域内初始化种群位置pop(ni＝0)＝{xij}，i＝1,2,…,popsize，j＝1,2,…,d，popsize表示种群大小。(2)根据适应度评价公式计算所有粒子初始化之后对应的适应度值，计算每个粒子的适应度值。对个体历史最优位置和群体历史最优位置进行更新并保存。在将预测样本的预测值和期望值的误差的范数作为目标函数的输出：其中，m,n,j为索引，m为模型训练样本的规模，n为输出神经元数，j为种群集合，ymn为训练实际输出，为期望输出值，tmn为pso适应度函数，模型中种群个体为神经网络权值和阈值合成的解。在每次迭代中，粒子通过适应度函数计算出适应度值，并通过比较更新并保存粒子的个体最佳位置pbesti＝[pbesti1,pbesti2,...,pbestid]和整个种群的最佳位置gbesti＝[gbest1,gbest2,...,gbestd]。(3)根据速度更新公式和位置更新公式分别更新粒子的速度和位置。根据速度更新公式和位置更新公式分别更新粒子的速度和位置，自适应全局粒子群算法的速度更新公式如下：其中，vid为粒子速度，ω为惯性权重，ω＝cos(π×α)，α是[0～1]之间的均匀随机数，c1和c2分别是个体因子和社会因子，r1和r2是[0～1]的随机数，为粒子的个体最佳位置，gbestd为整个种群的最佳位置，δ＝1-0.75×ni/ni，β＝0.25+0.75×ni/ni，ni为当前迭代次数，ni为总迭代次数，为粒子速度。位置更新公式如下：其中，为粒子速度，λ＝0.5，vid为粒子速度，ρ是[0～1]之间的均匀随机数，gbestd为整个种群的最佳位置。(4)判断是否满足结束条件，如果满足就结束计算，返回神经网络初始权值和阈值给全连接神经网络用于训练样本数据，否则转向步骤(2)。本发明实施例提供的列车电池容量预测方法，采用神经网络模型对电池容量进行预测，提高了电池容量预测的效率。基于上述任一实施例，进一步地，所述对粒子的速度和位置进行更新，具体包括：基于惯性权重、粒子历史最优位置、种群历史最优位置和第一影响因子对粒子的速度进行更新，其中，所述惯性权重为余弦映射，所述第一影响因子随着迭代次数的增加而减小；基于种群历史最优位置和第二影响因子对粒子的位置进行更新，其中，所述第二影响因子随着迭代次数的增加而增大。具体来说，本发明实施例原始粒子群算法进行改进，提出一种自适应全局粒子群算法agpso以弥补原始算法容易陷入局部最优、搜索精度低和全局搜索性能不佳等缺点。本发明实施例中，将惯性权重改进为余弦映射不仅可以增强搜索过程中的种群多样性，还可以增强算法的全局最优能力，添加随机影响因子，可以使惯性权重多样化。速度更新公式中的影响因子δ随着迭代次数的增加而减小。相反，影响因子β随着迭代次数的增加而增加。添加两个影响因子使得粒子在迭代初期速度更新倾向于根据其个体的最佳位置更新速度，在迭代后期，粒子更喜欢根据其全局最优值更新速度。通过引入影响因子，改变了粒子更新速度的方式，扩展算法的搜索空间。可以有效地提高算法的收敛速度，避免陷入局部最优；为了提高pso的全局搜索性能，在位置更新公式中添加全局最优位置。本发明实施例提供的列车电池容量预测方法，采用神经网络模型对电池容量进行预测，提高了电池容量预测的效率。基于上述任一实施例，进一步地，所述搜索空间的维度为d，其中，d＝m×n，m是所述神经网络模型输入层和隐含层之间的权值系数，n是所述神经网络模型隐含层和输出层之间的权值系数。具体来说，设置相关参数和种群粒子数包括：速度更新公式中的惯性权重取值范围ωmax＝0.9，ωmin＝0.4；种群粒子数j＝40；c1＝2,c2＝2；最大迭代次数ni＝100；搜索空间维度d＝m×n，m是输入层和隐含层间的权值系数，n是隐含层和输出层之间的系数。初始化粒子的速度和位置：在可行域内初始化种群位置pop(ni＝0)＝{xij}，i＝1,2,…,popsize，j＝1,2,…,d，popsize表示种群大小。本发明实施例提供的列车电池容量预测方法，采用神经网络模型对电池容量进行预测，提高了电池容量预测的效率。基于上述任一实施例，进一步地，所述电池参数至少包括电池使用环境温度和电池投运时长。具体来说，本发明实施例中，电池参数至少包括电池使用环境温度和电池投运时长。另外，还可以考虑型号，环境温度和投运时长给定的情况下预测蓄电池剩余容量。本发明实施例提供的列车电池容量预测方法，采用神经网络模型对电池容量进行预测，提高了电池容量预测的效率。基于上述任一实施例，进一步地，所述神经网络模型为全连接神经网络模型。具体来说，本发明实施例中，神经网络模型为全连接神经网络模型。在模型训练过程中，采用某条地铁线列车上的蓄电池充放电实验数据，考虑型号，环境温度和投运时长给定的情况下预测蓄电池剩余容量。本次试验，从3515条数据随机选择2500条数据作为训练集，其余1015条数据作为测试集。衡量指标用准确度，公式如下：其中，p为预测的准确度，tmn为pso适应度函数，ymn为训练实际输出，n为输入层的神经元数。经过试验，采用经典全连接神经网络算法(classicbp)的准确度为76.1％，而基于本发明实施例中的自适应全局粒子群算法的全连接神经网络算法(agpsobp)的拟合准确度为91.2％。改进后的神经网络算法由于改进了权重和阈值的初始质量，因此比经典算法更接近真实值。本发明实施例提供的列车电池容量预测方法，采用神经网络模型对电池容量进行预测，提高了电池容量预测的效率。基于上述任一实施例，图3为本发明实施例提供的列车电池容量预测装置示意图，如图3所示，本发明实施例提供一种列车电池容量预测装置，包括参数确定模块301和容量预测模块302，其中：参数确定模块301用于确定待检测蓄电池的电池参数；容量预测模块302用于将所述电池参数输入至神经网络模型，输出所述待检测蓄电池的电池容量，其中，所述神经网络模型基于若干个电池参数样本以及预先确定的电池容量标签进行训练后得到。本发明实施例提供的列车电池容量预测装置，采用神经网络模型对电池容量进行预测，提高了电池容量预测的效率。图4为本发明实施例提供的电子设备的结构示意图，如图4所示，该电子设备包括：处理器(processor)401、通信接口(communicationsinterface)402、存储器(memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401和存储器402通过总线403完成相互间的通信。处理器401可以调用存储器403中的逻辑指令，以执行如下方法：确定待检测蓄电池的电池参数；将所述电池参数输入至神经网络模型，输出所述待检测蓄电池的电池容量，其中，所述神经网络模型基于若干个电池参数样本以及预先确定的电池容量标签进行训练后得到。此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。进一步地，本发明实施例提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例中的步骤，例如包括：确定待检测蓄电池的电池参数；将所述电池参数输入至神经网络模型，输出所述待检测蓄电池的电池容量，其中，所述神经网络模型基于若干个电池参数样本以及预先确定的电池容量标签进行训练后得到。进一步地，本发明实施例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，当所述计算机程序被处理器执行时，实现上述各方法实施例中的步骤，例如包括：确定待检测蓄电池的电池参数；将所述电池参数输入至神经网络模型，输出所述待检测蓄电池的电池容量，其中，所述神经网络模型基于若干个电池参数样本以及预先确定的电池容量标签进行训练后得到。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。当前第1页1 2 3