[发明专利]一种面向铅酸蓄电池剩余容量预测的LIBSVM建模方法

说明书

本发明涉及一种面向铅酸蓄电池剩余容量预测的LIBSVM建模方法。铅酸蓄电池的内阻会随其运行时间增加而增大，从而使其容量下降并而导致循环使用寿命减小。因此，对其使用寿命的准确评估将有助于提高变电站直流电源系统的持续供电能力和运行可靠性。由此，本发明在研究支持向量机的基本原理基础上，进一步研究了利用LIBSVM支持向量机基于蓄电池健康状态、端电压和电池剩余容量的样本测量数据，建立反映电池剩余容量与健康状态、端电压两个状态变量的非线性映射建模方法。建模试验结果表明了该方法的可行性和预测的准确性。

技术领域

本发明涉及电力系统变电站站用电源系统的铅酸蓄电池寿命的预测评估模型，尤其是涉及一种利用LIBSVM支持向量机基于蓄电池端电压、描述其健康状态的内电阻和剩余容量的样本测量数据，建立反映剩余容量与端电压、健康状态的非线性映射建模方法。

背景技术

变电站直流电源系统的铅酸蓄电池与充电机并联，共同为继电保护、自动装置、自动化设备、断路器跳合闸等重要的直流负荷提供电源。随着变电站自动化、智能化程度的提高以及无人值守工作模式的逐渐推广，提高变电站直流电源系统的运行可靠性对保证变电站在紧急事故情况下采取正确合理的操作具有重要意义。当交流系统由于故障断电时，充电机不能供应直流电源，铅酸蓄电池组作为变电站交流电源故障情况下的直流电源，将为站内直流负荷供电。由于变电站直流电源系统的铅酸蓄电池组随着使用时间增长，蓄电池组内阻在增大的同时也会使电池容量减小，从而减少铅酸蓄电池的循环使用寿命。因此，准确评估铅酸蓄电池的剩余寿命是变电站直流系统安全稳定运行迫切需要的保障技术之一。

核对性充放电实验是检测铅酸蓄电池剩余容量的常用方法，该方法就是定期利用较大电流对浮充电运行的蓄电池极板物质进行充放电反应，以检查蓄电池容量、发现老化电池。但利用该方法进行蓄电池重复充放电实验会加速电池老化，缩短电池循环使用寿命。考虑蓄电池的寿命与其端电压和健康状态等因素有关，因此，利用蓄电池的在线运行状态预测其寿命成为基于非充放电预测电池寿命的研究方向。铅酸蓄电池性能的降低会使其寿命减少，而其寿命通常包括存储寿命(电池失效前在不工作状态下的存储时间)、使用寿命(电池失效前反复多次充放电所累积的总的可放电时间)和循环寿命(电池失效前可反复充放电的次数总和)。其中，使用最为广泛的是循环寿命。其性能下降将体现在运行参数的变化，例如内阻值偏大、容量降低。因此目前除采用基于充放电实验检测电池容量外，还发展了基于蓄电池内部欧姆电阻检测评估电池性能的方法。通常情况下，铅酸蓄电池失效的主要原因是容量衰减，而铅酸蓄电池的剩余容量达到失效值时所对应的充放电次数即为蓄电池的循环寿命，因此可以认为预测蓄电池寿命与预测蓄电池的剩余容量是等价的。虽然蓄电池剩余容量和蓄电池内部的较多因素相关，但主要影响因素是铅酸蓄电池的端电压和健康状态(State of Health，SOH)。其中，电池的SOH是指电池目前所能释放的最大容量和电池全新时能释放的最大容量的比值。由此，本发明提出基于铅酸蓄电池的SOH和端电压(U/V)为输入量，电池剩余容量(q/Ah)为输出量，基于支持向量机(Support Vector Machine,SVM)的回归预测功能，建立蓄电池循环使用寿命的回归预测模型。

近年来，SVM已经成为解决回归预测问题的一个十分有效的机器学习方法，基于统计学习理论的支持向量回归机采用了结构风险最小化原则来代替经验风险最小化，能较好地解决小样本学习的问题；同时还采用核函数思想，把非线性空间的问题转换到线性空间，降低了算法的复杂度，它既考虑了训练样本的拟合性，又考虑了训练样本的复杂性。基于此，考虑电池本身物理化学过程描述的复杂性，很多关系规律很难直接通过机理研究获得其描述。从利用测试样本数据建立预测电池寿命模型出发，同时兼顾样本数据有限的特点，本发明提出了利用LIBSVM支持向量机建立蓄电池寿命预测方法，该方法在通过交叉验证确定回归机的最优参数组合基础上，基于对反映铅酸蓄电池健康状态的特征向量的学习训练建立蓄电池剩余容量的预测模型。建模试验算例研究表明所建立的模型具有预测精度高的特点。

发明内容

本发明的上述技术问题主要是通过下述技术方案得以解决的：