一种数据驱动进行ups整体健康度评估和预测的方法
技术领域
1.本发明涉及电池维护技术领域，尤其是一种数据驱动进行ups整体健康度评估和预测的方法。
背景技术：
2.传统的ups电池维护技术中，对于ups的健康状况通常是通过老化公式推导出健康状态值，并基于健康状态值判断剩余寿命和故障率。显而易见的，老化公式是依靠经验推导出来的泛用型公式，它实际上并没有也不可能反应单个ups个体的真实情况。
技术实现要素：
3.针对现有技术的不足，本发明提供一种通过历史数据对ups进行整体健康度评估和健康风险预测的方法。
4.本发明的技术方案为：
5.一种数据驱动进行ups整体健康度评估和预测的方法，其特征在于：它包括以下步骤：
6.步骤一，通过传感器在线采集电池工作状态下的电压、电流和温度；
7.步骤二，退化状态识别；
8.步骤三，数据驱动预测模型；
9.步骤四，ups健康度预测。
10.其中，所述退化状态识别的方法为：
11.建立五状态的非齐次马尔科夫链模型；通过定义所述五状态的非齐次马尔科夫链模型中任意两个状态之间转移的状态转移概率，得到初始状态转移概率矩阵；分别利用已知不同化学配方的锂离子电池容量循环退化数据，对所述初始状态转移概率矩阵进行修正，得到对应于不同化学配方的锂离子电池的状态转移概率矩阵，并建立化学配方与状态转移概率的关联关系；利用化学配方与状态转移概率的关联关系，对待识别锂离子电池的容量循环退化动态进行识别；
12.所述的五个状态包括：存储阶段的存储状态；对应于活跃阶段稳定态的活跃阶段第一状态，对应于活跃阶段的从存储阶段转化的态的活跃阶段第二状态，以及对应于活跃阶段固有不稳定态的活跃阶段第三状态；吸收阶段的吸收状态；其中，所述吸收阶段是从活跃阶段转化得到的；
13.所述五状态的非齐次马尔科夫链模型中任意两个状态之间转移被定义为锂离子电池的一次充放电循环；其中，所述的任意两个状态之间的转移包括转移前后为同一状态的转移和转移前后为不同状态的转移，进一步说，任意两个状态之间转移的状态转移概率包括同一状态的转移的状态转移概率和不同状态的转移的状态转移概率；更进一步地，同一状态的转移的状态转移概率包括：从存储状态转移到存储状态的第一状态转移概率；从活跃阶段第一状态转移到活跃阶段第一状态的第四状态转移概率；从活跃阶段第二状态转
移到活跃阶段第二状态的第三状态转移概率；从活跃阶段第三状态转移到活跃阶段第三状态的第五状态转移概率；从吸收状态转移到吸收状态的第九状态转移概率；不同状态的转移的状态转移概率包括：从存储状态转移到活跃阶段第二状态的第二状态转移概率；从活跃阶段第一状态转移到吸收状态的第六状态转移概率；从活跃阶段第二状态转移到吸收状态的第七状态转移概率；从活跃阶段第三状态转移到吸收状态的第八状态转移概率。
14.本文提到了化学配方，显而易见的，它是电池厂家已有并公开的。它是型号参数，并不是需要传感器采集的变量。
15.其中，所述数据驱动预测模型包括下列步骤：
16.步骤1、根据ups电池的历史退化失效数据或者ups电池的失效原理，建立状态空间模型；若存在大量ups电池退化失效数据，通过对ups电池退化失效数据进行拟合分析，确定ups电池的退化过程函数，建立ups电池某个退化特征的状态空间模型；若没有大量ups电池退化失效数据，则分析ups电池的失效原理，建立ups电池的物理失效模型，再根据物理失效模型建立ups电池某个退化特征的状态空间模型；
17.步骤2、确定该状态空间模型中需要求解的参数；
18.步骤3、通过粒子滤波算法对状态空间模型的参数进行求解，对ups电池退化过程中每个时间点的退化状态进行预测，得到此退化特征该时刻的预测值；
19.步骤4、在预测过程中，ups电池同时也处于退化过程中，若在退化过程中获得新的在线监测数据，则重复步骤3；若未获得新的监测数据，则进入步骤5；
20.步骤5、将预测的ups电池的退化状态与ups电池的失效阈值进行对比，确定ups电池的剩余寿命。
21.其中，所述ups健康度预测是将剩余寿命以具体数值形式呈现给决策者并同时给出预测结果的不确定度，该不确定度以百分制呈现。例如剩余寿命为999小时，确定度97％。
22.本发明的有益效果为：通过采集电压、电流、温度等作为训练数据对算法模型进行训练，并通过退化状态识别来获得电池实时状态，进而得到准确的剩余寿命数据，最终实现健康度的评估。
具体实施方式
23.下面结合实施方式作进一步说明：
24.一种数据驱动进行ups整体健康度评估和预测的方法，其特征在于：它包括以下步骤：
25.步骤一，通过传感器在线采集电池工作状态下的电压、电流和温度；
26.步骤二，退化状态识别；
27.步骤三，数据驱动预测模型；
28.步骤四，ups健康度预测。
29.其中，所述退化状态识别的方法为：
30.建立五状态的非齐次马尔科夫链模型；通过定义所述五状态的非齐次马尔科夫链模型中任意两个状态之间转移的状态转移概率，得到初始状态转移概率矩阵；分别利用已知不同化学配方的锂离子电池容量循环退化数据，对所述初始状态转移概率矩阵进行修正，得到对应于不同化学配方的锂离子电池的状态转移概率矩阵，并建立化学配方与状态
转移概率的关联关系；利用化学配方与状态转移概率的关联关系，对待识别锂离子电池的容量循环退化动态进行识别；
31.所述的五个状态包括：存储阶段的存储状态；对应于活跃阶段稳定态的活跃阶段第一状态，对应于活跃阶段的从存储阶段转化的态的活跃阶段第二状态，以及对应于活跃阶段固有不稳定态的活跃阶段第三状态；吸收阶段的吸收状态；其中，所述吸收阶段是从活跃阶段转化得到的；
32.所述五状态的非齐次马尔科夫链模型中任意两个状态之间转移被定义为锂离子电池的一次充放电循环；其中，所述的任意两个状态之间的转移包括转移前后为同一状态的转移和转移前后为不同状态的转移，进一步说，任意两个状态之间转移的状态转移概率包括同一状态的转移的状态转移概率和不同状态的转移的状态转移概率；更进一步地，同一状态的转移的状态转移概率包括：从存储状态转移到存储状态的第一状态转移概率；从活跃阶段第一状态转移到活跃阶段第一状态的第四状态转移概率；从活跃阶段第二状态转移到活跃阶段第二状态的第三状态转移概率；从活跃阶段第三状态转移到活跃阶段第三状态的第五状态转移概率；从吸收状态转移到吸收状态的第九状态转移概率；不同状态的转移的状态转移概率包括：从存储状态转移到活跃阶段第二状态的第二状态转移概率；从活跃阶段第一状态转移到吸收状态的第六状态转移概率；从活跃阶段第二状态转移到吸收状态的第七状态转移概率；从活跃阶段第三状态转移到吸收状态的第八状态转移概率。
33.本文提到了化学配方，显而易见的，它是电池厂家已有并公开的。它是型号参数，并不是需要传感器采集的变量。
34.其中，所述数据驱动预测模型包括下列步骤：
35.步骤1、根据ups电池的历史退化失效数据或者ups电池的失效原理，建立状态空间模型；若存在大量ups电池退化失效数据，通过对ups电池退化失效数据进行拟合分析，确定ups电池的退化过程函数，建立ups电池某个退化特征的状态空间模型；若没有大量ups电池退化失效数据，则分析ups电池的失效原理，建立ups电池的物理失效模型，再根据物理失效模型建立ups电池某个退化特征的状态空间模型；
36.步骤2、确定该状态空间模型中需要求解的参数；
37.步骤3、通过粒子滤波算法对状态空间模型的参数进行求解，对ups电池退化过程中每个时间点的退化状态进行预测，得到此退化特征该时刻的预测值；
38.步骤4、在预测过程中，ups电池同时也处于退化过程中，若在退化过程中获得新的在线监测数据，则重复步骤3；若未获得新的监测数据，则进入步骤5；
39.步骤5、将预测的ups电池的退化状态与ups电池的失效阈值进行对比，确定ups电池的剩余寿命。
40.其中，所述ups健康度预测是将剩余寿命以具体数值形式呈现给决策者并同时给出预测结果的不确定度，该不确定度以百分制呈现。例如剩余寿命为999小时，确定度97％。
41.上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
技术领域
1.本发明涉及电池维护技术领域，尤其是一种数据驱动进行ups整体健康度评估和预测的方法。
背景技术：
2.传统的ups电池维护技术中，对于ups的健康状况通常是通过老化公式推导出健康状态值，并基于健康状态值判断剩余寿命和故障率。显而易见的，老化公式是依靠经验推导出来的泛用型公式，它实际上并没有也不可能反应单个ups个体的真实情况。
技术实现要素：
3.针对现有技术的不足，本发明提供一种通过历史数据对ups进行整体健康度评估和健康风险预测的方法。
4.本发明的技术方案为：
5.一种数据驱动进行ups整体健康度评估和预测的方法，其特征在于：它包括以下步骤：
6.步骤一，通过传感器在线采集电池工作状态下的电压、电流和温度；
7.步骤二，退化状态识别；
8.步骤三，数据驱动预测模型；
9.步骤四，ups健康度预测。
10.其中，所述退化状态识别的方法为：
11.建立五状态的非齐次马尔科夫链模型；通过定义所述五状态的非齐次马尔科夫链模型中任意两个状态之间转移的状态转移概率，得到初始状态转移概率矩阵；分别利用已知不同化学配方的锂离子电池容量循环退化数据，对所述初始状态转移概率矩阵进行修正，得到对应于不同化学配方的锂离子电池的状态转移概率矩阵，并建立化学配方与状态转移概率的关联关系；利用化学配方与状态转移概率的关联关系，对待识别锂离子电池的容量循环退化动态进行识别；
12.所述的五个状态包括：存储阶段的存储状态；对应于活跃阶段稳定态的活跃阶段第一状态，对应于活跃阶段的从存储阶段转化的态的活跃阶段第二状态，以及对应于活跃阶段固有不稳定态的活跃阶段第三状态；吸收阶段的吸收状态；其中，所述吸收阶段是从活跃阶段转化得到的；
13.所述五状态的非齐次马尔科夫链模型中任意两个状态之间转移被定义为锂离子电池的一次充放电循环；其中，所述的任意两个状态之间的转移包括转移前后为同一状态的转移和转移前后为不同状态的转移，进一步说，任意两个状态之间转移的状态转移概率包括同一状态的转移的状态转移概率和不同状态的转移的状态转移概率；更进一步地，同一状态的转移的状态转移概率包括：从存储状态转移到存储状态的第一状态转移概率；从活跃阶段第一状态转移到活跃阶段第一状态的第四状态转移概率；从活跃阶段第二状态转
移到活跃阶段第二状态的第三状态转移概率；从活跃阶段第三状态转移到活跃阶段第三状态的第五状态转移概率；从吸收状态转移到吸收状态的第九状态转移概率；不同状态的转移的状态转移概率包括：从存储状态转移到活跃阶段第二状态的第二状态转移概率；从活跃阶段第一状态转移到吸收状态的第六状态转移概率；从活跃阶段第二状态转移到吸收状态的第七状态转移概率；从活跃阶段第三状态转移到吸收状态的第八状态转移概率。
14.本文提到了化学配方，显而易见的，它是电池厂家已有并公开的。它是型号参数，并不是需要传感器采集的变量。
15.其中，所述数据驱动预测模型包括下列步骤：
16.步骤1、根据ups电池的历史退化失效数据或者ups电池的失效原理，建立状态空间模型；若存在大量ups电池退化失效数据，通过对ups电池退化失效数据进行拟合分析，确定ups电池的退化过程函数，建立ups电池某个退化特征的状态空间模型；若没有大量ups电池退化失效数据，则分析ups电池的失效原理，建立ups电池的物理失效模型，再根据物理失效模型建立ups电池某个退化特征的状态空间模型；
17.步骤2、确定该状态空间模型中需要求解的参数；
18.步骤3、通过粒子滤波算法对状态空间模型的参数进行求解，对ups电池退化过程中每个时间点的退化状态进行预测，得到此退化特征该时刻的预测值；
19.步骤4、在预测过程中，ups电池同时也处于退化过程中，若在退化过程中获得新的在线监测数据，则重复步骤3；若未获得新的监测数据，则进入步骤5；
20.步骤5、将预测的ups电池的退化状态与ups电池的失效阈值进行对比，确定ups电池的剩余寿命。
21.其中，所述ups健康度预测是将剩余寿命以具体数值形式呈现给决策者并同时给出预测结果的不确定度，该不确定度以百分制呈现。例如剩余寿命为999小时，确定度97％。
22.本发明的有益效果为：通过采集电压、电流、温度等作为训练数据对算法模型进行训练，并通过退化状态识别来获得电池实时状态，进而得到准确的剩余寿命数据，最终实现健康度的评估。
具体实施方式
23.下面结合实施方式作进一步说明：
24.一种数据驱动进行ups整体健康度评估和预测的方法，其特征在于：它包括以下步骤：
25.步骤一，通过传感器在线采集电池工作状态下的电压、电流和温度；
26.步骤二，退化状态识别；
27.步骤三，数据驱动预测模型；
28.步骤四，ups健康度预测。
29.其中，所述退化状态识别的方法为：
30.建立五状态的非齐次马尔科夫链模型；通过定义所述五状态的非齐次马尔科夫链模型中任意两个状态之间转移的状态转移概率，得到初始状态转移概率矩阵；分别利用已知不同化学配方的锂离子电池容量循环退化数据，对所述初始状态转移概率矩阵进行修正，得到对应于不同化学配方的锂离子电池的状态转移概率矩阵，并建立化学配方与状态
转移概率的关联关系；利用化学配方与状态转移概率的关联关系，对待识别锂离子电池的容量循环退化动态进行识别；
31.所述的五个状态包括：存储阶段的存储状态；对应于活跃阶段稳定态的活跃阶段第一状态，对应于活跃阶段的从存储阶段转化的态的活跃阶段第二状态，以及对应于活跃阶段固有不稳定态的活跃阶段第三状态；吸收阶段的吸收状态；其中，所述吸收阶段是从活跃阶段转化得到的；
32.所述五状态的非齐次马尔科夫链模型中任意两个状态之间转移被定义为锂离子电池的一次充放电循环；其中，所述的任意两个状态之间的转移包括转移前后为同一状态的转移和转移前后为不同状态的转移，进一步说，任意两个状态之间转移的状态转移概率包括同一状态的转移的状态转移概率和不同状态的转移的状态转移概率；更进一步地，同一状态的转移的状态转移概率包括：从存储状态转移到存储状态的第一状态转移概率；从活跃阶段第一状态转移到活跃阶段第一状态的第四状态转移概率；从活跃阶段第二状态转移到活跃阶段第二状态的第三状态转移概率；从活跃阶段第三状态转移到活跃阶段第三状态的第五状态转移概率；从吸收状态转移到吸收状态的第九状态转移概率；不同状态的转移的状态转移概率包括：从存储状态转移到活跃阶段第二状态的第二状态转移概率；从活跃阶段第一状态转移到吸收状态的第六状态转移概率；从活跃阶段第二状态转移到吸收状态的第七状态转移概率；从活跃阶段第三状态转移到吸收状态的第八状态转移概率。
33.本文提到了化学配方，显而易见的，它是电池厂家已有并公开的。它是型号参数，并不是需要传感器采集的变量。
34.其中，所述数据驱动预测模型包括下列步骤：
35.步骤1、根据ups电池的历史退化失效数据或者ups电池的失效原理，建立状态空间模型；若存在大量ups电池退化失效数据，通过对ups电池退化失效数据进行拟合分析，确定ups电池的退化过程函数，建立ups电池某个退化特征的状态空间模型；若没有大量ups电池退化失效数据，则分析ups电池的失效原理，建立ups电池的物理失效模型，再根据物理失效模型建立ups电池某个退化特征的状态空间模型；
36.步骤2、确定该状态空间模型中需要求解的参数；
37.步骤3、通过粒子滤波算法对状态空间模型的参数进行求解，对ups电池退化过程中每个时间点的退化状态进行预测，得到此退化特征该时刻的预测值；
38.步骤4、在预测过程中，ups电池同时也处于退化过程中，若在退化过程中获得新的在线监测数据，则重复步骤3；若未获得新的监测数据，则进入步骤5；
39.步骤5、将预测的ups电池的退化状态与ups电池的失效阈值进行对比，确定ups电池的剩余寿命。
40.其中，所述ups健康度预测是将剩余寿命以具体数值形式呈现给决策者并同时给出预测结果的不确定度，该不确定度以百分制呈现。例如剩余寿命为999小时，确定度97％。
41.上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
