【技術實現步驟摘要】
本專利技術涉及蓄電池組故障預測，尤其涉及一種通信蓄電池組在線遠程充放電故障預測方法及系統。
技術介紹
1、通信電源通常采用交流市電供電，并配備了通信蓄電池組作為備用電源，以確保在市電斷電時基站能夠持續運行。然而，通信蓄電池組在長期使用過程中易受到各種因素的影響，導致其性能下降，甚至發生故障。蓄電池組故障不僅會影響基站的正常運行，還可能造成安全事故和經濟損失。因此，及時準確地預測通信蓄電池組的故障，對于保障通信網絡的可靠性和連續性具有重要意義。
2、傳統的蓄電池組故障預測方法主要依賴于人工巡檢和定期維護，存在工作量大、效率低、準確性差等問題。近年來，隨著物聯網和大數據技術的發展，遠程在線監測和數據分析逐漸應用于蓄電池組的故障預測領域。現有的故障預測方法主要針對單個蓄電池或小規模蓄電池組，缺乏對大規模分布式通信蓄電池組的考慮。通信電源分布廣泛，不同基站的蓄電池組所處的環境條件和負載特性存在差異，導致其故障模式和退化規律也不盡相同。
3、綜上所述，如何實現對大規模通信蓄電池組的在線遠程充放電故障預測，并考慮不同基站之間的差異性和關聯性，是一個亟待解決的問題，本專利技術能夠解決現有技術中的問題。
技術實現思路
1、本專利技術實施例提供一種通信蓄電池組在線遠程充放電故障預測方法及系統，能夠解決現有技術中的問題。
2、本專利技術實施例的第一方面，
3、提供一種通信蓄電池組在線遠程充放電故障預測方法，包括：
4、采集通信蓄電池組充放電過
5、基于初級特征集合，構建相關系數矩陣，以相關系數為權重值，確定無向圖權重邊，以初級特征為無向圖節點，構建帶權無向圖；基于所述帶權無向圖，通過迭代計算各無向圖節點的權重邊連通和，擴展生成最大權重連通子圖，以所述最大權重連通子圖中每個子圖節點對應的初級特征為優選特征，構建優選特征集合；
6、將待預測蓄電池組數據輸入故障預測網絡，在輸入層基于優選特征集合，提取對應特征值，通過多層隱藏層，逐層抽象特征表示，提取高階特征，并通過輸出層激活函數，計算故障類型概率分布，選擇最高概率對應的故障類型，作為故障預測結果。
7、在一種可選的實施例中，
8、對時間序列數據進行預處理，基于多尺度熵分析提取復雜性特征，基于蓄電池組對應的物理模型，通過參數辨識算法確定物理性特征，對所述復雜性特征和所述物理性特征進行歸一無量綱處理，確定蓄電池組充放電過程的初級特征集合包括：
9、對時間序列數據進行異常值檢測和剔除，通過平滑濾波處理和歸一化處理，得到標準時間序列數據；
10、對所述標準時間序列數據進行粗粒化操作，得到不同尺度下的尺度子序列，對每個尺度子序列計算樣本熵，確定多尺度熵曲線，從所述多尺度熵曲線中提取斜率特征、曲率特征、熵值特征和面積特征，構建復雜性特征；
11、基于蓄電池組的電化學特性和熱力學行為，構建對應的物理模型，通過基于遞推最小二乘法構建的參數辨識算法，評估得到物理模型參數，確定物理性特征；
12、對所述復雜性特征和所述物理性特征進行歸一無量綱處理，消除數值范圍和量綱差異，確定初級特征集合。
13、在一種可選的實施例中，
14、基于初級特征集合，構建相關系數矩陣，以相關系數為權重值，確定無向圖權重邊，以初級特征為無向圖節點，構建帶權無向圖；基于所述帶權無向圖，通過迭代計算各無向圖節點的權重邊連通和，擴展生成最大權重連通子圖，以所述最大權重連通子圖中每個連通節點對應的初級特征為優選特征，構建優選特征集合包括：
15、基于初級特征集合，通過計算每兩個初級特征之間的協方差和方差，確定相關系數，如果所述相關系數的絕對值大于預設的相關系數閾值，則保留對應的相關系數，否則剔除，基于保留的相關系數，構建相關系數矩陣；
16、以初級特征集合中每一個初級特征為一個無向圖節點，遍歷所述相關系數矩陣中的每個相關系數，以所述相關系數為權重值，確定相應的兩個無向圖節點之間的無向圖權重邊，構建帶權無向圖；
17、遍歷所述帶權無向圖中的每個無向圖節點，計算與所述無向圖節點相連的所有無向圖權重邊的無向權重和，選擇所述無向權重和的最大值對應的無向圖節點，作為第一個連通節點，初始化連通子圖，對所述連通子圖開始迭代擴展：
18、遍歷所述連通子圖的每一個連通節點，從所述帶權無向圖中確定對應的無向圖節點，找到與所述無向圖節點直接相連，且不在所述連通子圖中的所有無向圖節點，確定候選節點集合，計算所述候選節點集合中每個候選節點和所述連通子圖中所有連通節點的在帶權無向圖中的權重邊連通和，選擇所述權重邊連通和的最大值對應的候選節點，作為新連通節點，加入所述連通子圖中；
19、直到所述候選節點集合為空，生成最大權重連通子圖；
20、以所述最大權重連通子圖中每個連通節點對應的初級特征為優選特征，構建優選特征集合。
21、在一種可選的實施例中，
22、所述帶權無向圖的構建過程還包括：
23、基于所述相關系數矩陣，以及預設的相關系數閾值，將所述相關系數矩陣進行二值化處理，確定二值化相關矩陣；
24、基于所述二值化相關矩陣，計算每兩個特征之間的歐式距離，確定特征距離矩陣，提取所述特征距離矩陣中的最大值和最小值，確定特征距離占比，生成多樣性度量矩陣；
25、以初級特征集合中每一個初級特征為一個無向圖節點，遍歷所述相關系數矩陣中的每個相關系數，以及多樣性度量矩陣中的每個多樣性度量，通過所述相關系數和所述多樣性度量計算權重值，確定相應的兩個無向圖節點之間的無向圖權重邊，構建帶權無向圖。
26、在一種可選的實施例中，
27、將待預測蓄電池組數據輸入故障預測網絡，在輸入層基于優選特征集合，提取對應特征值，通過多層隱藏層，逐層抽象特征表示，提取高階特征，并通過輸出層激活函數，計算故障類型概率分布，選擇最高概率對應的故障類型，作為故障預測結果包括：
28、所述故障預測網絡基于深度置信網絡構建，包括輸入層、至少一個隱藏層和輸出層，其中所述輸入層的節點數等于優選特征集合中的特征數，所述隱藏層由多層堆疊的概率神經單元組成，所述輸出層的節點數與故障類型一一對應；
29、基于無監督學習方法，對所述故障預測網絡的每層概率神經單元進行逐層的初級訓練，前一層概率神經單元輸出隱藏層激活概率，進入當前層概率神經單元的輸入層，在當前層概率神經單元的隱藏層，通過最小化能量函數，調整當前層概率神經單元的權重和偏置因子，生成當前層概率神經單元的輸入數據對應的概率分布；
30、當完成所有概率神經單元的初級訓練時，基于有監督學習方法對所述本文檔來自技高網...
【技術保護點】
1.通信蓄電池組在線遠程充放電故障預測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，對時間序列數據進行預處理，基于多尺度熵分析提取復雜性特征，基于蓄電池組對應的物理模型，通過參數辨識算法確定物理性特征，對所述復雜性特征和所述物理性特征進行歸一無量綱處理，確定蓄電池組充放電過程的初級特征集合包括：
3.根據權利要求1所述的方法，其特征在于，基于初級特征集合，構建相關系數矩陣，以相關系數為權重值，確定無向圖權重邊，以初級特征為無向圖節點，構建帶權無向圖；基于所述帶權無向圖，通過迭代計算各無向圖節點的權重邊連通和，擴展生成最大權重連通子圖，以所述最大權重連通子圖中每個連通節點對應的初級特征為優選特征，構建優選特征集合包括：
4.根據權利要求3所述的方法，其特征在于，所述帶權無向圖的構建過程還包括：
5.根據權利要求1所述的方法，其特征在于，將待預測蓄電池組數據輸入故障預測網絡，在輸入層基于優選特征集合，提取對應特征值，通過多層隱藏層，逐層抽象特征表示，提取高階特征，并通過輸出層激活函數，計算故障類型概率分布，選擇最高
6.根據權利要求5所述的方法，其特征在于，前一層概率神經單元輸出隱藏層激活概率，進入當前層概率神經單元的輸入層，在當前層概率神經單元的隱藏層，通過最小化能量函數，調整當前層概率神經單元的權重和偏置因子，生成當前層概率神經單元的輸入數據對應的概率分布包括：
7.根據權利要求5所述的方法，其特征在于，基于所述故障預測網絡，構建分布式預測網絡包括：
8.通信蓄電池組在線遠程充放電故障預測系統，用于實現前述權利要求1-7中任一項所述的方法，其特征在于，包括：
9.一種電子設備，其特征在于，包括：
10.一種計算機可讀存儲介質，其上存儲有計算機程序指令，其特征在于，所述計算機程序指令被處理器執行時實現權利要求1至7中任意一項所述的方法。
...【技術特征摘要】
1.通信蓄電池組在線遠程充放電故障預測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，對時間序列數據進行預處理，基于多尺度熵分析提取復雜性特征，基于蓄電池組對應的物理模型，通過參數辨識算法確定物理性特征，對所述復雜性特征和所述物理性特征進行歸一無量綱處理，確定蓄電池組充放電過程的初級特征集合包括：
3.根據權利要求1所述的方法，其特征在于，基于初級特征集合，構建相關系數矩陣，以相關系數為權重值，確定無向圖權重邊，以初級特征為無向圖節點，構建帶權無向圖；基于所述帶權無向圖，通過迭代計算各無向圖節點的權重邊連通和，擴展生成最大權重連通子圖，以所述最大權重連通子圖中每個連通節點對應的初級特征為優選特征，構建優選特征集合包括：
4.根據權利要求3所述的方法，其特征在于，所述帶權無向圖的構建過程還包括：
5.根據權利要求1所述的方法，其特征在于，將待預測蓄電池組數據輸入故障預測網絡，在輸入層基于優...
【專利技術屬性】
技術研發人員：楊君，龍林，劉明輝，周翼虎，李庚，王志，夏軍根，鄧高劍，
申請(專利權)人：中國長江電力股份有限公司，
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。