【技术实现步骤摘要】
本专利技术涉及蓄电池监测领域，特别涉及一种基于人工智能的蓄电池组运维监测方法及系统。
技术介绍
1、蓄电池是电力系统必备的后备电源，是设备运行中的最后一道防线。现有蓄电池组运行，从技术上讲存在一些缺陷，直流系统的蓄电池组一般由几十只至一百多只单体蓄电池串联而成，串联状态下的蓄电池组在充电和放电时，所有蓄电池的电流是一致的，但由于电池的参数、外部环境及单体自放电的差异，使得蓄电池组各单体电池的电压实际并不均衡，有些电压过高、有些则过低，造成蓄电池组中某些单体蓄电池出现过充电或过放电，过充的蓄电池水分蒸发、内阻增大造成容量减小，欠充的蓄电池涂层老化、活性物质减少、同样造成容量减少，而且这一过程一但开始，容量的減小是随着时间增加而不断加速的，这将进一步加深蓄电池参数的不一致性，正是这种恶性循环极大地缩短了蓄电池组的使用寿命。这样长时间的充电不均衡必将导致部分电池严重损坏，一旦蓄电池故障，将造成保护失灵、开关拒动、通道中断，后果不堪设想。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于人工智能的蓄电池组运维监测方法及系统，能够使蓄电池组性能一致的运行在最佳状态，提高电池组后备时间及运行寿命，及时发现落后电池并进行维护，极大的减少了人力、物力等维护成本，提高电池使用的安全性，降低事故率，有效的进行节能减排。
2、本专利技术实施例一方面提供一种基于人工智能的蓄电池组运维监测方法，包括以下步骤：s100、通过上位机的参数配置界面对在
3、根据本专利技术的一些实施例，所述上位机分析处理所述运行数据和环境温度，得到可视化信息包括：获取各个蓄电池组中单体电池的基本信息，包括类型、型号、批次、充放电次数和充放电时间，并根据所述基本信息对单体电池进行分组；基于多个soh预测模型，获取若干分组不同的单体电池的实时状态信息对单体电池的soh进行预测，得到若干个单体电池对应的若干个soh预测值；根据若干个单体电池的soh预测值和soh实际值，得到各soh预测模型对应各分组单体电池的预测精度，并选取各分组电池的最高预测精度对应的soh预测模型作为分组电池的最佳预测模型；对各蓄电池组的单体电池进行soh预测，当蓄电池组的性能一致性合格时，选择蓄电池组中任意一个单体电池，根据分组信息得到最佳预测模型，并基于所述最佳预测模型得到蓄电池组各个单体电池的soh预测值并显示在可视化界面上；当蓄电池组的性能一致性不合格时，获取蓄电池组中各个单体电池的分组信息及对应的最佳预测模型，每个单体电池基于对应的最佳预测模型得到soh预测值并显示在可视化界面上；其中，所述soh实际值为通过充放电测试得到。
4、根据本专利技术的一些实施例，所述soh预测模型包括基于机器学习算法得到的若干预测模型，所述机器学习算法包括高斯过程回归、支持向量机和随机森林；所述soh预测模型的输入包括以下多项的任意一项或多项：单体电池的电压、电流、内阻和温度。
5、根据本专利技术的一些实施例，所述上位机分析处理所述运行数据和环境温度，得到可视化信息包括：基于配置信息中的限值对接收的运行数据进行分析，对显示在可视化界面上的运行数据中超出限值的数据通过不同于未超出限值的运行数据的颜色进行显示；所述限值包括：单体电压上下限、内阻上下限、温度上限、充电电流上限、电池组电压上下限、电池组压差告警阈值、soc下限和soh下限。
6、根据本专利技术的一些实施例，所述方法还包括：获取淘汰后的老化电池的历史告警信息，基于历史告警信息对神经网络模型进行训练，得到第二神经网络模型；所述第二神经网络模型以历史告警信息为输入，剩余使用寿命为输出；所述历史告警信息包括超出电压上下限的次数和数值、超出内阻上下限的次数和数值、超出温度上限的次数和数值、超出soc下限的数值、超出soh下限的数值和发出告警信息的时间；基于所述第二神经网络模型对各电池组的单体电池进行剩余寿命预测，并且将得到的预测值通过可视化界面显示。
7、根据本专利技术的一些实施例，所述方法还包括：当所述内阻测量模式为手动测量，所述上位机发出实时内阻测量请求时，通过所述实时内阻测量请求的电池组和单体电池标识信息，定位管理人员；并将所述实时内阻测量请求信息发送至所述管理人员的移动设备。
8、本专利技术实施例的基于人工智能的蓄电池组运维监测方法至少包括以下有益效果：本专利技术实施例实现内阻测试的网络化控制，在网电池的统一网络化管理，有效提升维护效率，及时发现故障隐患，减少电池的维护；能够全面、动态地感知每节蓄电池的电压、内阻、温度变化及变化趋势，并在此基础上，对发现硫化的电池通过在线除硫技术及时消除硫化，减缓或减小电池的内阻；对尚未出现劣化的电池通过主动均衡技术提升整组电池内各节电池的一致性，达到减缓抑制电池劣化速度。通过在线除硫和主动均衡技术，使蓄电池组可自动化运维管理，最终达到延长蓄电池使用寿命；本专利技术实施例还通过电池组电压差历史告警信息的频率和阈值以及对应的电池使用寿命进行分析得到最佳的电池组压差告警阈值，在保证电池使用寿命的同时减少多余的告警信息，节省人力。
9、本专利技术实施例另一方面提供一种基于人工智能的蓄电池组运维监测系统，包括：采集层，包括若干用于采集蓄电池组信息的在线监测设备；通讯层，用于通过交换机和以太网连接在线监测设备和主站层；主站层，包括若干服务器，用于分析管理蓄电池组信息。
10、根据本专利技术的一些实施例，所述在线监测设备包括：采集端口、内阻测量开关、通信端口和输出本文档来自技高网...
【技术保护点】
1.一种基于人工智能的蓄电池组运维监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于人工智能的蓄电池组运维监测方法，其特征在于，所述上位机分析处理所述运行数据和环境温度，得到可视化信息包括：
3.根据权利要求2所述的基于人工智能的蓄电池组运维监测方法，其特征在于，所述SOH预测模型包括基于机器学习算法得到的若干预测模型，所述机器学习算法包括高斯过程回归、支持向量机和随机森林；所述SOH预测模型的输入包括以下多项的任意一项或多项：单体电池的电压、电流、内阻和温度。
4.根据权利要求1所述的基于人工智能的蓄电池组运维监测方法，其特征在于，所述上位机分析处理所述运行数据和环境温度，得到可视化信息包括：
5.根据权利要求1所述的基于人工智能的蓄电池组运维监测方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的基于人工智能的蓄电池组运维监测方法，其特征在于，所述方法还包括：
7.一种基于人工智能的蓄电池组运维监测系统，用于实施所述权利要求1至6任一项所述的方法，其特征在于，包括：
8
9.根据权利要求8所述的基于人工智能的蓄电池组运维监测系统，其特征在于，所述采集端口包括：蓄电池电压采集端口、电流传感器霍尔信号采集端口和环境温度采集端口。
10.根据权利要求8所述的基于人工智能的蓄电池组运维监测系统，其特征在于，所述通信端口为RS485接口。
...【技术特征摘要】
1.一种基于人工智能的蓄电池组运维监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于人工智能的蓄电池组运维监测方法，其特征在于，所述上位机分析处理所述运行数据和环境温度，得到可视化信息包括：
3.根据权利要求2所述的基于人工智能的蓄电池组运维监测方法，其特征在于，所述soh预测模型包括基于机器学习算法得到的若干预测模型，所述机器学习算法包括高斯过程回归、支持向量机和随机森林；所述soh预测模型的输入包括以下多项的任意一项或多项：单体电池的电压、电流、内阻和温度。
4.根据权利要求1所述的基于人工智能的蓄电池组运维监测方法，其特征在于，所述上位机分析处理所述运行数据和环境温度，得到可视化信息包括：
5.根据权利要求1所述的基于人工智能的蓄电...
【专利技术属性】
技术研发人员：雷浩，叶晓辉，侯素青，马克，
申请(专利权)人：国家能源集团永州发电有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。