本发明涉及测量电变量,具体涉及一种蓄电池状态监测系统。
背景技术:
1、蓄电池的监测对于蓄电池的安全至关重要。目前,在对蓄电池状态进行监测时,通常采用的方式为:将蓄电池充电过程中的电压输入到电池状态网络,通过电池状态网络输出蓄电池的状态。其中,电池状态网络往往是利用多个已知是否故障的蓄电池的充电过程中的电压,训练得到的网络。
2、然而,当采用上述方式时,经常会存在如下技术问题:
3、引起蓄电池电压变化的原因往往不仅仅是蓄电池故障,往往还存在一些非故障因素(如,测量蓄电池电压的传感器的精度不高),因此如果训练电池状态网络仅仅考虑蓄电池充电过程中的电压,并不考虑可能引起电压变化的非故障因素,往往导致通过训练完成的电池状态网络检测的蓄电池的状态不准确,从而导致蓄电池的状态监测的准确度低下。
技术实现思路
1、本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
2、本发明的一些实施例提出了一种蓄电池状态监测系统,来解决以上背景技术部分提到的技术问题中的一项或多项。
3、本发明的一些实施例提供了一种蓄电池状态监测的系统,该系统包括数据获取模块和数据处理模块,上述数据获取模块用于获取数据,并将获取的数据发送给上述数据处理模块,上述数据包括:待检测蓄电池在第一预设时间段内的电压序列、电流序列和第二预设时间段内的检测电压序列,上述数据处理模块用于接收数据获取模块发送的数据,并实现如下步骤:
4、将上述电压序列和上述电流序列输入到训练完成的高斯过程回归模型,通过上述高斯过程回归模型,输出上述待检测蓄电池在预测时间段内的正常预测电压序列、测量线性预测误差序列、电压故障预测值序列、电压预测不确定性序列、线性误差预测不确定性序列和故障预测不确定性序列;
5、根据上述正常预测电压序列、上述测量线性预测误差序列和上述电压故障预测值序列,确定上述待检测蓄电池在上述预测时间段内的预测电压序列;
6、根据上述检测电压序列与上述预测电压序列,确定上述待检测蓄电池在上述预测时间段内的电压差值序列;
7、对上述电压差值序列、上述正常预测电压序列、上述测量线性预测误差序列、上述电压故障预测值序列、上述电压预测不确定性序列、上述线性误差预测不确定性序列和上述故障预测不确定性序列进行联合操作,得到联合序列;
8、将上述联合序列输入到训练完成的蓄电池状态监测网络,通过上述蓄电池状态监测网络,输出上述待检测蓄电池对应的蓄电池状态,以实现对上述待检测蓄电池状态的检测。
9、进一步的,在上述将上述电压序列和上述电流序列输入到训练完成的高斯过程回归模型之前,上述数据处理模块实现的步骤还包括:
10、获取标准时间段内的标准电压序列和标准电流序列;
11、当上述第一预设时间段对应的时长不等于上述标准时间段对应的时长时,分别对上述标准电压序列和上述电压序列,上述标准电流序列和上述电流序列进行数据对齐,得到上述电压序列对应的对齐电压序列和上述电流序列对应的对齐电流序列;
12、将上述对齐电压序列和上述对齐电流序列,分别确定为上述电压序列和上述电流序列。
13、进一步的,上述根据上述检测电压序列与上述预测电压序列,确定上述待检测蓄电池在上述预测时间段内的电压差值序列,包括:
14、当上述第二预设时间段对应的时长不等于上述预测时间段对应的时长时,获取上述预测时间段内的参考电压序列;
15、对上述检测电压序列和上述参考电压序列进行数据对齐,得到上述检测电压序列对应的齐整电压序列;
16、将上述齐整电压序列中的每个齐整电压与上述齐整电压对应的上述预测电压序列中的预测电压的差值,确定为电压差值,得到上述电压差值序列。
17、进一步的,上述高斯过程回归模型的训练过程,包括:
18、构建高斯过程回归模型;
19、获取样本蓄电池的样本集,其中,上述样本集中的样本包括:样本蓄电池在第三预设时间段内的测量电压序列和测量电流序列,上述样本集中的样本对应的标签包括:样本蓄电池在第四预设时间段内的正常电压序列、测量线性误差序列和电压故障值序列;
20、利用上述样本集和上述样本集中的各个样本对应的标签,对高斯过程回归模型进行训练,得到训练完成的高斯过程回归模型。
21、进一步的,上述蓄电池状态监测网络的训练过程,包括:
22、构建蓄电池状态监测网络;
23、将上述样本集输入到训练完成的高斯过程回归模型,通过训练完成的高斯过程回归模型,输出上述样本集对应的预测信息集,其中,上述预测信息集中的预测信息包括:上述预测时间段内的预测正常电压序列、预测测量线性误差序列、预测电压故障值序列、预测电压不确定性序列、预测线性误差不确定性序列和预测故障不确定性序列;
24、对于上述预测信息集中的每个预测信息,根据上述预测信息包括的预测正常电压序列、预测测量线性误差序列与预测电压故障值序列,确定上述预测信息对应的电压预测值序列;
25、对于上述预测信息集中的每个预测信息,根据上述预测信息对应的电压预测值序列和上述预测信息包括的预测正常电压序列,确定上述预测信息对应的样本电压差值序列;
26、对于上述预测信息集中的每个预测信息,对上述预测信息对应的样本电压差值序列、上述预测信息包括的预测正常电压序列、预测测量线性误差序列、预测电压故障值序列、预测电压不确定性序列、预测线性误差不确定性序列和预测故障不确定性序列进行联合操作,得到上述预测信息对应的预测联合序列;
27、利用上述预测信息集中的各个预测信息对应的预测联合序列,对蓄电池状态监测网络进行训练,得到训练完成的蓄电池状态监测网络。
28、进一步的,上述样本集包括:第一样本集、第二样本集和第三样本集,上述第一样本集是通过传感器采集的样本蓄电池在多种恒流恒压下充电时的多个样本,上述第二样本集是通过目标传感器采集的采用目标充电器进行充电的样本蓄电池在充电时的多个样本,上述第三样本集是模拟样本蓄电池充电故障时采集的多个样本。
29、进一步的,上述第一样本集中的第一样本对应的标签包括的正常电压序列中的正常电压是样本蓄电池在不受目标因素的影响下的电压,上述第一样本集中的每个第一样本对应的标签包括的测量线性误差序列中的测量线性误差是上述第一样本包括的测量电压序列中的测量电压与上述第一样本包括的正常电压序列中的正常电压的差值的绝对值,上述第一样本集中的第一样本对应的标签包括的电压故障值序列中的电压故障值为零。
30、进一步的,上述第二样本集中的第二样本对应的标签包括的正常电压序列中的正常电压是样本蓄电池在不受目标因素的影响下的电压,上述第二样本集中的第二样本对应的标签包括的测量线性误差序列中的测量线性误差和电压故障值序列中的电压故障值均为零。
31、进一步的,上述第三样本集中的第三样本对应的标签包括的正常电压序列中的正常电压是样本蓄电池在不受目标因素的影响下的电压,上述第三样本集中的第三样本对应的标签包括的测量线性误差序列中的测量线性误差为零,上述第三样本集中的第三样本对应的标签包括的电压故障值序列中的电压故障值是预先设置的故障值。
32、进一步的,上述确定上述待检测蓄电池在上述预测时间段内的预测电压序列对应的公式为:
33、ut=ut+τt+μt
34、其中,ut是上述预测电压序列中第t个预测电压,ut是上述正常预测电压序列中第t个正常预测电压,τt是上述测量线性预测误差序列中第t个测量线性预测误差,μt是上述电压故障预测值序列中的第t个电压故障预测值。
35、本发明的上述各个实施例中具有如下有益效果:
36、本发明的一些实施例的蓄电池状态监测系统,利用训练完成的高斯过程回归模型和蓄电池状态监测网络,能够实现对蓄电池状态的测试和监控,解决了蓄电池的状态监测的准确度低下的问题,提高了蓄电池的状态监测的准确度。蓄电池状态监测系统可以包括数据获取模块和数据处理模块。其中,上述数据获取模块用于获取数据,并将获取的数据发送给上述数据处理模块。上述数据包括:待检测蓄电池在第一预设时间段内的电压序列、电流序列和第二预设时间段内的检测电压序列。蓄电池的状态往往与蓄电池电压是否异常有关,因此获取待检测蓄电池的电压,可以便于后续检测待检测蓄电池的状态。上述数据处理模块用于接收数据获取模块发送的数据,并实现如下步骤:首先,将上述电压序列和上述电流序列输入到训练完成的高斯过程回归模型,通过上述高斯过程回归模型,输出上述待检测蓄电池在预测时间段内的正常预测电压序列、测量线性预测误差序列、电压故障预测值序列、电压预测不确定性序列、线性误差预测不确定性序列和故障预测不确定性序列。接着,根据上述正常预测电压序列、上述测量线性预测误差序列和上述电压故障预测值序列,确定上述待检测蓄电池在上述预测时间段内的预测电压序列。待检测蓄电池由于故障造成的电压变化值越大,通过训练完成的高斯过程回归模型输出的电压预测不确定性序列中的电压预测不确定性、线性误差预测不确定性序列中的线性误差预测不确定性和故障预测不确定性序列中的故障预测不确定性往往越大。因此,可以便于后续检测待检测蓄电池的状态,从而提高了蓄电池的状态监测的准确度。其次,将预测的预测时间段内的待检测蓄电池的预测电压序列,分为了上述待检测蓄电池在预测时间段内的正常预测电压序列、测量线性预测误差序列和电压故障预测值序列。考虑了影响通过传感器采集的待检测蓄电池电压的读数的3种因素,从而提高了蓄电池的状态监测的准确度。其中,正常预测电压序列对应的因素可以表征由于充电环境中的电压电流引起的待检测蓄电池电压的变化。测量线性预测误差序列对应的因素可以表征由于测量待检测蓄电池电压的电压传感器的精度相对较低或电压传感器故障引起的待检测蓄电池电压的变化。电压故障预测值序列对应的因素可以表征由于待检测蓄电池故障引起的待检测蓄电池电压的变化。其次,根据上述检测电压序列与上述预测电压序列,确定上述待检测蓄电池在上述预测时间段内的电压差值序列。实际情况中,当待检测蓄电池发生故障时,上述电压差值序列中的电压差值往往会变大。因此,考虑电压差值序列中的电压差值,可以提高待检测蓄电池的故障判断的准确度。然后,对上述电压差值序列、上述正常预测电压序列、上述测量线性预测误差序列、上述电压故障预测值序列、上述电压预测不确定性序列、上述线性误差预测不确定性序列和上述故障预测不确定性序列进行联合操作,得到联合序列。最后,将上述联合序列输入到训练完成的蓄电池状态监测网络,通过上述蓄电池状态监测网络,输出上述待检测蓄电池对应的蓄电池状态,以实现对上述待检测蓄电池状态的检测。由于联合序列是上述电压差值序列、上述正常预测电压序列、上述测量线性预测误差序列、上述电压故障预测值序列、上述电压预测不确定性序列、上述线性误差预测不确定性序列和上述故障预测不确定性序列的联合,所以联合序列包含较多的与待检测蓄电池是否故障相关的数据。因此将联合序列输入到蓄电池状态监测网络,可以让蓄电池状态监测网络检测到较多的与待检测蓄电池是否故障相关的数据,提高了蓄电池状态监测网络对待检测蓄电池的状态监测的准确度。本发明利用训练完成的高斯过程回归模型和蓄电池状态监测网络,能够实现对蓄电池状态的测试和监控,解决了蓄电池的状态监测的准确度低下的问题,提高了蓄电池的状态监测的准确度。