【技術實現步驟摘要】
本專利技術涉及電池健康狀態檢測，尤其涉及一種蓄電池組運行狀態確定方法和系統。
技術介紹
1、蓄電池組是一組獨立可靠的電源，因其穩定、成本低廉和性能優良等特點，在變電站正常運行過程中起著尤為重要的作用。
2、目前主要依賴人工進行蓄電池組的放電測試以對蓄電池的運行狀態進行檢測。然而這種方式存在操作量大和耗時長的問題，當前的維護工作缺少更便捷先進的監測方法，導致無法更準確的監測蓄電池的實時狀態，也就無法消除其埋下的安全隱患。
3、因此，如何提高蓄電池組的運行狀態檢測的效率和準確性成為亟待解決的問題。
技術實現思路
1、本專利技術提供了一種蓄電池組運行狀態確定方法和系統，以提高蓄電池組的運行狀態檢測的效率和準確性，進而對蓄電池組進行維護，延長蓄電池組的使用壽命。
2、根據本專利技術的一方面，提供了一種蓄電池組運行狀態確定方法，包括：
3、獲取蓄電池組的運行狀態參數，運行狀態參數包括蓄電池組的當前容量、當前充放電次數、內部溫度、內部氣體含量、形變量中的至少一者；
4、根據運行狀態參數和運行狀態參數對應的確定規則確定對應的狀態值；
5、根據狀態值確定蓄電池組的運行狀態，運行狀態包括當前運行狀態和/或未來預測時段的運行狀態。
6、可選的，根據狀態值確定蓄電池組的運行狀態，包括：
7、在至少一個狀態值超出對應的預設狀態值范圍的情況下，確定當前運行狀態為故障狀態；
8、在各狀態值均未超出對應的
9、可選的，根據狀態值確定蓄電池組的運行狀態，包括：
10、將狀態值及對應的當前運行狀態，以及預設歷史時段內多個時刻的狀態值和對應的歷史運行狀態作為樣本；
11、對多個樣本采用神經網絡模型進行訓練，得到未來預測時段的運行狀態的狀態預測模型；
12、根據狀態預測模型預測未來預測時段的運行狀態。
13、可選的，神經網絡模型包括輸入層、輸出層以及一個或至少兩個中間層；對多個樣本采用神經網絡模型進行訓練，得到未來預測時段的運行狀態的狀態預測模型，包括：
14、對多個樣本采用神經網絡模型進行訓練的過程中，調整中間層的神經元個數以減小誤差，以得到未來預測時段的運行狀態的狀態預測模型。
15、可選的，對多個樣本采用神經網絡模型進行訓練的過程中，調整中間層的神經元個數以減小誤差，以得到未來預測時段的運行狀態的狀態預測模型，包括：
16、對多個樣本采用神經網絡模型進行訓練的過程中，調整中間層的神經元個數，并確定誤差最小時的神經元個數作為中間層最終對應的神經元個數，以得到未來預測時段的運行狀態的狀態預測模型。
17、可選的，對多個樣本采用神經網絡模型進行訓練的過程中，調整中間層的神經元個數以減小誤差，以得到未來預測時段的運行狀態的狀態預測模型，包括：
18、根據如下公式調整中間層的神經元個數：
19、y＝(n+m)1/2+k·b；
20、其中，y為中間層神經元數，n、m分別為輸出層和輸入層神經元個數，b為一個常數值，k為可變權值。
21、可選的，根據運行狀態參數和運行狀態參數對應的確定規則確定對應的狀態值，包括：
22、根據當前容量和蓄電池組的出廠容量的比值確定第一狀態值，其中，當前容量和出廠容量的測試溫度相同；
23、當前充放電次數包括當前充電累加次數和當前放電累加次數；根據當前充電累加次數與當前放電累加次數之和，與額定充放電次數的比值確定第二狀態值；
24、根據當前時刻之前的第一設定時段內氧氣含量的變化量和氫氣的變化量的差值與氧氣含量的變化量的比值確定第三狀態值；
25、根據當前時刻之前的第二設定時段內內部溫度的變化量確定第四狀態值；
26、根據當前時刻蓄電池組的形變量與蓄電池組的出廠尺寸的比值確定第五狀態值。
27、根據本專利技術的另一方面，提供了一種蓄電池組運行狀態確定系統，包括：運行狀態參數采集模塊和處理模塊；
28、運行狀態參數采集模塊與處理模塊連接，用于采集蓄電池組的運行狀態參數，運行狀態參數包括蓄電池組的當前容量、當前充放電次數、內部溫度、內部氣體含量、形變量中的至少一者；
29、處理模塊用于根據從運行狀態參數采集模塊獲取的運行狀態參數和運行狀態參數對應的確定規則確定對應的狀態值；根據狀態值確定蓄電池組的運行狀態，運行狀態包括當前運行狀態和/或未來預測時段的運行狀態。
30、可選的，運行狀態參數采集模塊包括當前容量采集單元、充放電次數采集單元、氣體含量采集單元、內部溫度采集單元、形變采集單元中的至少一者；當前容量采集單元、充放電次數采集單元、氣體含量采集單元、內部溫度采集單元、形變采集單元分別與處理模塊連接；當前容量采集單元用于采集蓄電池組的當前容量；充放電次數采集單元用于采集蓄電池組的當前充放電次數；氣體含量采集單元用于采集蓄電池組內部的氧氣含量和氫氣含量；內部溫度采集單元用于采集蓄電池組內部的溫度；形變采集單元用于采集蓄電池組的當前尺寸。
31、可選的，還包括通訊模塊、報警模塊和輸入模塊中的至少一者；通訊模塊、報警模塊、輸入模塊分別與處理模塊連接，處理模塊用于在確定運行狀態包括故障狀態時通過通訊模塊發出提示信息，或者通過報警模塊發出報警消息；輸入模塊用于接收狀態值對應的預設狀態值范圍，處理模塊用于在至少一個狀態值超出對應的預設狀態值范圍的情況下，確定當前運行狀態為故障狀態；在各狀態值均未超出對應的預設狀態值范圍的情況下，確定當前運行狀態為正常狀態。
32、本專利技術實施例的蓄電池組運行狀態確定方法和系統，通過獲取蓄電池組的運行狀態參數，根據運行狀態參數和運行狀態參數對應的確定規則確定對應的狀態值，根據狀態值確定蓄電池組的運行狀態，運行狀態包括當前運行狀態和/或未來預測時段的運行狀態，無需通過人工進行運行狀態的檢測，可以提高蓄電池組運行狀態的檢測效率，可以避免人工檢測所引入的誤差。另外，通過根據與蓄電池組的運行狀態相關的狀態值確定蓄電池組運行狀態，保證確定出的蓄電池組的運行狀態的準確性。并且，本專利技術實施例中，不僅可以確定當前運行狀態，還可確定未來預測時段的運行狀態，進而在確定當前運行狀態為故障狀態或者未來預測時段內會出現故障狀態的情況下，及時對蓄電池組進行維護，延長蓄電池組的使用壽命，提升維護效率。
33、應當理解，本部分所描述的內容并非旨在標識本專利技術的實施例的關鍵或重要特征，也不用于限制本專利技術的范圍。本專利技術的其它特征將通過以下的說明書而變得容易理解。
本文檔來自技高網...【技術保護點】
1.一種蓄電池組運行狀態確定方法，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，根據所述狀態值確定所述蓄電池組的運行狀態，包括：
3.根據權利要求1或2所述的方法，其特征在于，根據所述狀態值確定所述蓄電池組的運行狀態，包括：
4.根據權利要求3所述的方法，其特征在于，所述神經網絡模型包括輸入層、輸出層以及一個或至少兩個中間層；所述對多個所述樣本采用神經網絡模型進行訓練，得到所述未來預測時段的運行狀態的狀態預測模型，包括：
5.根據權利要求4所述的方法，其特征在于，所述對多個所述樣本采用神經網絡模型進行訓練的過程中，調整所述中間層的神經元個數以減小誤差，以得到所述未來預測時段的運行狀態的狀態預測模型，包括：
6.根據權利要求4所述的方法，其特征在于，所述對多個所述樣本采用神經網絡模型進行訓練的過程中，調整所述中間層的神經元個數以減小誤差，以得到所述未來預測時段的運行狀態的狀態預測模型，包括：
7.根據權利要求1所述的方法，其特征在于，所述根據所述運行狀態參數和所述運行狀態參數對應的確定規則確定對
8.一種蓄電池組運行狀態確定系統，其特征在于，包括：運行狀態參數采集模塊和處理模塊；
9.根據權利要求8所述的蓄電池組運行狀態確定系統，其特征在于，所述運行狀態參數采集模塊包括當前容量采集單元、充放電次數采集單元、氣體含量采集單元、內部溫度采集單元、形變采集單元中的至少一者；所述當前容量采集單元、充放電次數采集單元、氣體含量采集單元、內部溫度采集單元、形變采集單元分別與所述處理模塊連接；
10.根據權利要求8所述的蓄電池組運行狀態確定系統，其特征在于，還包括通訊模塊、報警模塊和輸入模塊中的至少一者；
...【技術特征摘要】
1.一種蓄電池組運行狀態確定方法，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，根據所述狀態值確定所述蓄電池組的運行狀態，包括：
3.根據權利要求1或2所述的方法，其特征在于，根據所述狀態值確定所述蓄電池組的運行狀態，包括：
4.根據權利要求3所述的方法，其特征在于，所述神經網絡模型包括輸入層、輸出層以及一個或至少兩個中間層；所述對多個所述樣本采用神經網絡模型進行訓練，得到所述未來預測時段的運行狀態的狀態預測模型，包括：
5.根據權利要求4所述的方法，其特征在于，所述對多個所述樣本采用神經網絡模型進行訓練的過程中，調整所述中間層的神經元個數以減小誤差，以得到所述未來預測時段的運行狀態的狀態預測模型，包括：
6.根據權利要求4所述的方法，其特征在于，所述對多個所述樣本采用神經網絡模型進行訓練的過...
【專利技術屬性】
技術研發人員：劉建榮，黃書健，胡怡，張穎非，楊世浩，鐘振鑫，劉水，羅俊杰，劉煥輝，任玉賓，
申請(專利權)人：廣東電網有限責任公司，
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。