【技術實現步驟摘要】
本專利技術屬于鉛酸蓄電池，具體地，涉及基于智能基站鉛酸蓄電池的主動均衡能效監控系統。
技術介紹
1、在當前的電池維護中，電池主動均衡技術只能解決電池組的各電池不均衡問題；電池修復技術主要針對單個電池的故障進行處理，只能解決單個電池的故障問題，如硫酸鹽化、電解液不足等問題。因此，單獨依賴電池均衡技術或修復技術都難以保證電池系統的健康狀態(soh)；特別是在鐵塔等中大型通信基站鉛酸蓄電池系統應用中，對電池的健康至關重要。
2、高能脈沖修復技術在鉛酸電池的硫酸鹽化修復中，高能脈沖技術對輕度和中度硫酸鹽化有清除和修復作用，但修復之前，必須首先對電池進行識別和篩選出輕度和中度硫酸鹽化電池。
3、傳統的電池監控和數據分析方法通常只能夠識別電池的表面問題，如電壓和容量的下降，但難以準確評估電池內部的硫酸鹽化程度；缺乏精準、有效的篩選方法。
4、此外，現有的電池修復技術大多采用固定的脈沖修復方案，缺乏針對電池個體差異的靈活性和精確性，導致電池的修復效益較低。
5、因此，開發一套智能的電池硫化篩選方法，選擇針對性的高能脈沖修復方案并結合主動均衡技術，已成為提升電池系統健康的重要研究方向。
技術實現思路
1、為解決上述
技術介紹
中存在的難以準確評估電池內部的硫酸鹽化程度；以及脈沖修復方案缺乏針對性的技術問題，本專利技術提供了基于智能基站鉛酸蓄電池的主動均衡能效監控系統。
2、本專利技術的目的可以通過以下技術方案實現：
3、基于智能基
4、所述數據采集模塊用于實時監測電池的各項狀態數據，所述狀態數據包括電壓、電量和溫度；以及向電池施加高頻脈沖時，數據采集模塊用于記錄電池的響應特性；
5、優選地，所述響應特性包括響應時間、響應幅度、頻率響應帶寬、瞬態壓降和能量損耗中的至少三種。
6、所述大數據處理模塊用于對采集到的數據進行預處理，分析以及決策；
7、大數據處理模塊包括數據預處理單元、篩選單元和技術決策單元；
8、所述數據預處理單元用于數據清洗、去噪以及標準化處理；
9、所述篩選單元根據電池的各項狀態數據，識別出電池組中能效失衡的電池；以及根據不同鉛酸電池響應特性，篩選出硫化程度為輕度或中度以及介于兩者之間的鉛酸電池；
10、所述技術決策單元根據識別出的能效失衡的電池，制定電池的均衡方式；以及根據篩選出的電池的物理特性，選擇最佳脈沖修復參數；
11、所述篩選單元的實現步驟包括：
12、數據標注：使用已知硫化程度電池的響應特性數據作為訓練集，包括響應時間、響應幅度和瞬態壓降；并標注每個樣本的硫化程度。
13、優選地，所述硫化程度分為未硫酸鹽化、輕度硫酸鹽化、中度硫酸鹽化或重度硫酸鹽化。
14、模型選擇：選擇適合的機器學習算法，包括支持向量機(svm)、隨機森林(randomforest)或卷積神經網絡(cnn)。
15、模型訓練及優化：使用訓練數據集訓練機器學習模型，訓練完成后，使用測試集評估模型性能；通過k折交叉驗證法，驗證模型的泛化能力；并調整模型的超參數，提升模型性能。
16、硫化程度篩選：將新數據輸入訓練好的機器學習模型；識別出電池的硫化程度，并篩選出硫化程度為輕度或中度以及介于兩者之間的鉛酸電池；
17、優選地，所述機器學習模型選擇隨機森林模型，其中，隨機森林模型的超參數設置包括樹的數量n、最大深度d和最小樣本分裂數s；隨機森林模型的評估指標包括準確率(accuracy)、精確率(precision)、召回率(recall)和f1-score。
18、優選地，所述技術決策單元的實現步驟包括：
19、收集大量歷史修復電池的物理特性以及對應的脈沖修復參數；
20、所述電池的物理特性包括內阻、環境溫度、使用年限和硫化程度；所述脈沖修復參數包括脈沖頻率、脈沖強度和持續時間；
21、將歷史修復電池的物理特性向量化，計算當前電池與已修復電池的相似度(如內阻、環境溫度、使用年限和硫化程度等特征的歐氏距離、余弦相似度)。
22、根據與當前電池相似度評分最高的歷史修復電池，選擇其對應的脈沖修復參數作為當前電池的修復方案。
23、優選地，所述相似度的計算方法包括以下步驟：
24、首先構建歷史修復數據庫，歷史修復數據庫包括電池在物理特性上的余弦相似度、歐氏距離及其脈沖修復參數；
25、其中，采用余弦相似度以度量電池在物理特性上的方向相似性，其計算公式為：
26、
27、式中：a和b分別為兩個電池的物理特性向量，即電池的內阻、環境溫度、使用年限或硫化程度的向量；余弦相似度的值介于[-1,1]之間，越接近1表示兩個電池在物理特性方向上越相似；
28、||a||和||b||分別為向量a和b的模，其公式表示為：
29、
30、a·b表示向量a和b的點積，其公式表示為：
31、
32、式中：ai和bi分別為電池a和電池b在第i個物理特性上的值；n為電池在物理特性的維度數量；
33、采用歐氏距離以度量電池在物理特性上的量綱差異；其計算公式為：
34、
35、式中，歐氏距離的值越小，表示兩個電池的數值越接近；
36、結合余弦相似度和歐氏距離，通過加權的方式綜合考慮電池在物理特性上的差異，得到相似度評分；其計算公式為：
37、
38、式中：w1和w2分別為余弦相似度和歐氏距離的權重，且滿足w1+w2＝1；是對歐氏距離的歸一化處理，dmax為歷史修復數據中電池物理特性最大可能的歐氏距離，用于將歐氏距離縮放到[0,1]區間；最終相似度評分介于[-1,1]之間，值越大表示兩個電池越相似。
39、所述電池均衡模塊用于通過主動均衡技術對電池進行充放電控制，平衡電池組中各電池的電壓和電量。
40、所述脈沖修復模塊根據技術決策單元選擇的脈沖修復參數，控制脈沖的頻率、強度和持續時間以執行對篩選出的電池的高能脈沖修復過程。
41、優選地，還包括溫度管理模塊，所述溫度管理模塊接收來自數據采集模塊的溫度數據，通過控制相應執行器自動調節并確保電池處于適宜的溫度區間；所述溫度管理模塊包括微控制器、加熱器和散熱器，所述溫度管理模塊包括微控制器、加熱器和散熱器，微控制器分別與加熱器、散熱器電性連接；微控制器用于接收溫度數據，并根據預設的溫度范圍來決定是否激活加熱器或散熱器；當溫度數據低于工作溫度閾值時，微控制器會指令加熱器啟動，以增加溫度；當溫度高于工作溫度閾值時，微控制器則會激活散熱器以降低溫度。
42、優選地，還包括告警模塊，所述告警模塊接收來自數據采集模塊的各項狀態數據，用于本文檔來自技高網...
【技術保護點】
1.基于智能基站鉛酸蓄電池的主動均衡能效監控系統，其特征在于：包括數據采集模塊、大數據處理模塊、電池均衡模塊和脈沖修復模塊；
2.根據權利要求1所述的基于智能基站鉛酸蓄電池的主動均衡能效監控系統，其特征在于：所述響應特性包括響應時間、響應幅度、頻率響應帶寬、瞬態壓降和能量損耗中的至少三種。
3.根據權利要求1所述的基于智能基站鉛酸蓄電池的主動均衡能效監控系統，其特征在于：所述篩選單元的實現步驟包括：
4.根據權利要求3所述的基于智能基站鉛酸蓄電池的主動均衡能效監控系統，其特征在于：所述硫化程度分為未硫酸鹽化、輕度硫酸鹽化、中度硫酸鹽化或重度硫酸鹽化。
5.根據權利要求3所述的基于智能基站鉛酸蓄電池的主動均衡能效監控系統，其特征在于：所述機器學習模型為隨機森林模型，其中，隨機森林模型的超參數設置包括樹的數量n、最大深度d和最小樣本分裂數s；隨機森林模型的評估指標包括準確率、精確率、召回率和F1-score。
6.根據權利要求1所述的基于智能基站鉛酸蓄電池的主動均衡能效監控系統，其特征在于：所述技術決策單元的實現步驟包括：<...
【技術特征摘要】
1.基于智能基站鉛酸蓄電池的主動均衡能效監控系統，其特征在于：包括數據采集模塊、大數據處理模塊、電池均衡模塊和脈沖修復模塊；
2.根據權利要求1所述的基于智能基站鉛酸蓄電池的主動均衡能效監控系統，其特征在于：所述響應特性包括響應時間、響應幅度、頻率響應帶寬、瞬態壓降和能量損耗中的至少三種。
3.根據權利要求1所述的基于智能基站鉛酸蓄電池的主動均衡能效監控系統，其特征在于：所述篩選單元的實現步驟包括：
4.根據權利要求3所述的基于智能基站鉛酸蓄電池的主動均衡能效監控系統，其特征在于：所述硫化程度分為未硫酸鹽化、輕度硫酸鹽化、中度硫酸鹽化或重度硫酸鹽化。
5.根據權利要求3所述的基于智能基站鉛酸蓄電池的主動均衡能效監控系統，其特征在于：所述機器學習模型為隨機森林模型，其中，隨機森林模型的超參數設置包括樹的數量n、最大深度d和最小樣本分裂數s；隨機森林模型的評估指標包括準確率、精確率、召回率和f1-score。
6.根據權利要求1所述的基于智能基站鉛酸蓄電池的主動均衡能效監控系統，其特征在于：所述技術決策單元的實現步驟包括：
<...【專利技術屬性】
技術研發人員：邵洪彬，易旭良，鐘文祥，彭軍，胡星輝，
申請(專利權)人：廣東長實通信科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。