本發(fā)明屬于變電站運(yùn)維，涉及一種變電站后備電源鉛酸電池安全狀態(tài)監(jiān)控方法及系統(tǒng)。

背景技術(shù)：

1、作為變電站后備電源的重要組成單元，鉛酸電池的長期使用安全性成為了一個(gè)重要議題。鉛酸電池在使用過程中可能出現(xiàn)快速老化等多種問題，這些問題若不及時(shí)發(fā)現(xiàn)和處理，可能導(dǎo)致電池性能下降乃至發(fā)生安全事故。因此，確保變電站后備電源鉛酸電池在各種工作條件下的安全運(yùn)行是至關(guān)重要的。

2、傳統(tǒng)的電池監(jiān)控系統(tǒng)多依賴于簡單的傳感器數(shù)據(jù)收集和閾值判斷，這種方法在處理復(fù)雜或隱蔽的電池故障時(shí)往往顯得力不從心。此外，現(xiàn)有技術(shù)在數(shù)據(jù)采集和處理方面存在樣本量不足、特征提取不精確和處理效率低下等問題，這些限制了系統(tǒng)在實(shí)際應(yīng)用中的效能和可靠性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的技術(shù)方案用于解決現(xiàn)有技術(shù)的電池安全狀態(tài)監(jiān)控存在的樣本量不足、特征提取不精確和處理效率低下的問題。

2、本發(fā)明是通過以下技術(shù)方案解決上述技術(shù)問題的：

3、一種變電站后備電源鉛酸電池安全狀態(tài)監(jiān)控方法，包括以下步驟：

4、步驟1、采集電池電化學(xué)阻抗譜數(shù)據(jù)，將采集到的數(shù)據(jù)進(jìn)行存儲；

5、步驟2、對采集到的數(shù)據(jù)進(jìn)行標(biāo)注，標(biāo)注類別包括容量和電池狀態(tài)，電池狀態(tài)包括正常運(yùn)行、電池老化和禁止使用；

6、步驟3、采用基于魯棒估計(jì)的生成對抗網(wǎng)絡(luò)算法進(jìn)行數(shù)據(jù)擴(kuò)充，以生成新的訓(xùn)練樣本；

7、步驟4、采用自適應(yīng)波動優(yōu)化算法更新神經(jīng)網(wǎng)絡(luò)中的權(quán)重和偏置，模擬波動的傳播和能量分布特性，對電池電化學(xué)阻抗譜數(shù)據(jù)進(jìn)行特征提取；

8、步驟5、利用基于流形映射學(xué)習(xí)的自編碼神經(jīng)網(wǎng)絡(luò)對提取的特征進(jìn)行降維；

9、步驟6、通過基于朗道量子化的支持向量機(jī)分類算法對降維后的數(shù)據(jù)進(jìn)行分類，以確定電池的安全狀態(tài)，?并將分類結(jié)果用于電池安全狀態(tài)的監(jiān)控。

10、進(jìn)一步地，步驟1中所述的采集電池電化學(xué)阻抗譜數(shù)據(jù)，將采集到的數(shù)據(jù)進(jìn)行存儲的方法具體如下：利用電化學(xué)阻抗譜采集芯片從電池系統(tǒng)中采集溶液阻抗rs、電荷轉(zhuǎn)移阻抗rct、雙層電容cdl和warburg阻抗w，采集到的數(shù)據(jù)以json格式存儲。

11、進(jìn)一步地，步驟2中所述的對采集到的數(shù)據(jù)進(jìn)行標(biāo)注的方法具體如下：通過對電池進(jìn)行恒流充放電確定電池容量，從100％至70％容量進(jìn)行不同容量階段的標(biāo)注，每隔1％～2％得到一組容量和溶液阻抗rs、電荷轉(zhuǎn)移阻抗rct、雙層電容cdl和warburg阻抗w的數(shù)據(jù)集進(jìn)行人工標(biāo)注。

12、進(jìn)一步地，步驟3中所述的采用基于魯棒估計(jì)的生成對抗網(wǎng)絡(luò)算法進(jìn)行數(shù)據(jù)擴(kuò)充的方法具體如下：

13、(1)初始化生成器和判別器的網(wǎng)絡(luò)參數(shù)，初始化服從高斯分布隨機(jī)分配，對于生成器初始化，表示為：

14、

15、且，?對于判別器初始化，?表示為：

16、

17、式中，θg為生成器的參數(shù)，σg為生成器參數(shù)的標(biāo)準(zhǔn)差，θd為判別器的參數(shù)，σd為判別器參數(shù)的標(biāo)準(zhǔn)差；

18、(2)進(jìn)行循環(huán)迭代訓(xùn)練，生成器g接收來自潛在空間的隨機(jī)噪聲z，?隨機(jī)噪聲z遵循標(biāo)準(zhǔn)正態(tài)分布，生成器通過學(xué)習(xí)將噪聲映射到數(shù)據(jù)空間，模仿電池監(jiān)測數(shù)據(jù)的分布，表示為：

19、xgen＝g(z；θg)

20、

21、式中，xgen為生成的數(shù)據(jù)，z為輸入的隨機(jī)噪聲向量，i為單位矩陣；

22、(3)將生成的數(shù)據(jù)與實(shí)際采集的電池監(jiān)控?cái)?shù)據(jù)一同輸入到判別器，判別器評估這些數(shù)據(jù)的真實(shí)性，并通過后向傳播更新其參數(shù)，判別器d的訓(xùn)練目標(biāo)是最大化區(qū)分真實(shí)數(shù)據(jù)x和生成數(shù)據(jù)xgen的能力，通過最小化以下?lián)p失函數(shù)實(shí)現(xiàn)：

23、

24、其中，真實(shí)數(shù)據(jù)的期望計(jì)算公式為：

25、

26、且，生成數(shù)據(jù)的期望計(jì)算公式為：

27、

28、式中，pdata是真實(shí)數(shù)據(jù)的分布，pz是噪聲的分布；

29、(4)根據(jù)判別器的反饋，生成器更新其參數(shù)以生成更難被判別器識別的數(shù)據(jù)，生成器g的目標(biāo)是使判別器d無法區(qū)分真實(shí)數(shù)據(jù)和生成數(shù)據(jù)，通過最小化以下?lián)p失函數(shù)實(shí)現(xiàn)：

30、

31、式中，lqgan為不確定性度量損失項(xiàng)；

32、對于生成器生成的數(shù)據(jù)g(z)不確定性評估，計(jì)算公式為：

33、sr(g(z))＝-tr(g(z)×logg(z))

34、式中，sr()為不確定性評估函數(shù)，tr()表示矩陣的跡運(yùn)算；

35、(5)不確定性度量損失項(xiàng)lqgan的計(jì)算公式為：

36、

37、式中，γed是不確定性度量損失系數(shù)；

38、(6)在每一次迭代過程中，評估當(dāng)前訓(xùn)練批次中生成數(shù)據(jù)的質(zhì)量，并動態(tài)調(diào)整生成器和判別器的學(xué)習(xí)率，調(diào)整方式表示為：

39、

40、式中，和分別為新舊學(xué)習(xí)率；γvh為學(xué)習(xí)率調(diào)整因子；lprevious和lcurrent分別為前一次和當(dāng)前的損失函數(shù)值；δl為損失函數(shù)變化估計(jì)量；

41、(7)重復(fù)迭代上述步驟，直至滿足預(yù)設(shè)的停止迭代條件，預(yù)設(shè)的停止迭代條件為達(dá)到預(yù)設(shè)的最大迭代次數(shù)；

42、(8)利用相似度度量指標(biāo)進(jìn)行生成數(shù)據(jù)的質(zhì)量評估，并據(jù)此調(diào)整訓(xùn)練策略，表示為：

43、q(xf)→update(q,θg′,θd′)

44、式中，q()為質(zhì)量評估函數(shù)；xf為生成數(shù)據(jù)；update()為根據(jù)質(zhì)量評估調(diào)整訓(xùn)練策略的函數(shù)；

45、當(dāng)質(zhì)量評估函數(shù)的評估值大于預(yù)設(shè)的閾值時(shí)，則保留數(shù)據(jù)；否則，舍棄生成的數(shù)據(jù)。

46、進(jìn)一步地，所述的質(zhì)量評估函數(shù)q()通過計(jì)算生成數(shù)據(jù)與真實(shí)數(shù)據(jù)集中數(shù)據(jù)的相似度實(shí)現(xiàn)，表示為：

47、

48、其中，sim()表示相似度度量函數(shù)，度量方式為基于歐氏距離計(jì)算方式實(shí)現(xiàn)；表示真實(shí)數(shù)據(jù)集中的第i個(gè)樣本，n為樣本總數(shù)。

49、進(jìn)一步地，步驟4中所述的采用自適應(yīng)波動優(yōu)化算法更新神經(jīng)網(wǎng)絡(luò)中的權(quán)重和偏置，模擬波動的傳播和能量分布特性，對電池電化學(xué)阻抗譜數(shù)據(jù)進(jìn)行特征提取的方法具體如下：

50、(1)定義神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)的隱藏層層數(shù)為2，第一層隱藏層包括100個(gè)神經(jīng)元，第二層隱藏層包括50個(gè)神經(jīng)元，激活函數(shù)為relu激活函數(shù)；

51、(2)設(shè)定神經(jīng)網(wǎng)絡(luò)的初始參數(shù)θ0，包括神經(jīng)網(wǎng)絡(luò)的權(quán)重w和偏置b，并初始化波源si的位置xi、強(qiáng)度ai和初相φi，設(shè)定波源的總數(shù)為n，則初始化表示為：

52、θ0＝{w0,b0}

53、si(xi,ai,φi),i＝1,2,…,n

54、式中，xi通常選擇為參數(shù)的初始位置，ai和φi隨機(jī)設(shè)置其初始值；si為第i個(gè)波源，由位置xi、強(qiáng)度ai和初相φi組成；

55、(3)通過前向傳播計(jì)算損失l，使用參數(shù)θ在輸入x上執(zhí)行前向傳播，計(jì)算輸出y并與目標(biāo)值t對比，計(jì)算公式為：

56、y＝frs(x；θ)

57、l＝loss(y,t)

58、式中，frs()表示網(wǎng)絡(luò)結(jié)構(gòu)，且網(wǎng)絡(luò)結(jié)構(gòu)的輸出層采用預(yù)設(shè)的softmax分類器得到預(yù)測標(biāo)簽；loss(y,t)為交叉熵?fù)p失；

59、(4)依據(jù)損失函數(shù)計(jì)算每個(gè)參數(shù)的梯度計(jì)算公式為：

60、

61、(5)采用鏈?zhǔn)椒ㄓ?jì)算梯度，設(shè)網(wǎng)絡(luò)輸出y經(jīng)過softmax函數(shù)，則對權(quán)重w的梯度計(jì)算公式為：

62、

63、式中，yk是softmax的輸出，zk是softmax層前的線性輸出；

64、(6)的計(jì)算公式為：

65、

66、且，的計(jì)算公式為：

67、

68、且，的計(jì)算公式為：

69、

70、(7)根據(jù)梯度的方向和大小，在對應(yīng)的參數(shù)位置生成波源，每個(gè)波源si的強(qiáng)度更新為計(jì)算公式為：

71、

72、式中，αck是學(xué)習(xí)率,βbp為衰減系數(shù)，γbp為增幅系數(shù)；

73、(8)所有波源的波動在參數(shù)空間中疊加，每個(gè)參數(shù)的更新量由所有波源在該點(diǎn)的波動疊加結(jié)果決定，則參數(shù)的更新方式表示為：

74、

75、式中，k是波數(shù)，ω是角頻率，表示波的傳播速度和方向；re()為relu激活函數(shù)，τi,l為波動閾值；

76、(9)每個(gè)波源的波動閾值τi,l隨層敏感度指數(shù)動態(tài)調(diào)整，調(diào)整方式表示為：

77、

78、式中，τ0是初始波動閾值，sl為層敏感度指數(shù)，κpq是調(diào)整系數(shù)；

79、(10)第l層的層敏感度指數(shù)sl基于該層輸出的梯度的范數(shù)計(jì)算，以衡量該層對整體網(wǎng)絡(luò)誤差的貢獻(xiàn)大小，計(jì)算公式為：

80、

81、式中，是第l層參數(shù)梯度的范數(shù)，lc是網(wǎng)絡(luò)層數(shù)；

82、(11)根據(jù)本次迭代的損失減少量，動態(tài)調(diào)整每個(gè)波源的衰減系數(shù)β和增幅系數(shù)γ，計(jì)算公式為：

83、

84、式中，分別為上一次迭代的衰減系數(shù)和增幅系數(shù)，λbp,μbp分別是衰減系數(shù)調(diào)節(jié)因子和增幅系數(shù)調(diào)節(jié)因子，δl是損失的變化量；

85、(12)重復(fù)迭代上述步驟，直至滿足預(yù)設(shè)的停止迭代條件。

86、進(jìn)一步地，步驟5中所述的利用基于流形映射學(xué)習(xí)的自編碼神經(jīng)網(wǎng)絡(luò)對提取的特征進(jìn)行降維的方法具體如下：

87、(1)初始化網(wǎng)絡(luò)參數(shù)，采用高斯分布初始化自編碼器的權(quán)重w和偏置b參數(shù)，表示為：

88、

89、bi＝0

90、式中，wi表示第i層的權(quán)重，σch表示標(biāo)準(zhǔn)差；

91、(2)通過自編碼器，數(shù)據(jù)x被映射到低維特征空間z的方式表示為：

92、z＝sig(wex+be)

93、且，解碼器試圖重構(gòu)原始輸入的方式表示為：

94、

95、式中，sig()是激活函數(shù)；we和be分別是編碼器的權(quán)重和偏置；wd和bd是解碼器的權(quán)重和偏置；

96、(3)在編碼的低維空間中，采用黎曼因子r來實(shí)現(xiàn)流形學(xué)習(xí)，黎曼因子約束編碼的特征z的計(jì)算公式為：

97、

98、式中，μcy表示預(yù)設(shè)的流形中心，σr是控制流形緊湊程度的參數(shù)；

99、(4)損失函數(shù)不但考慮重構(gòu)誤差，還考慮黎曼流形約束，重構(gòu)誤差確保數(shù)據(jù)能被有效還原，流形約束強(qiáng)化了特征空間的幾何結(jié)構(gòu)，損失函數(shù)的計(jì)算公式為：

100、

101、式中，λcm是正則化系數(shù)；

102、(5)重構(gòu)誤差的計(jì)算公式為：

103、

104、式中，zi是z在第i維的值，μi是預(yù)設(shè)的流形中心在第i維的值；

105、(6)基于損失函數(shù)，通過反向傳播算法調(diào)整網(wǎng)絡(luò)參數(shù)；

106、(7)梯度根據(jù)誤差反向傳播的方式計(jì)算得到，計(jì)算公式為：

107、

108、且，通過解碼器權(quán)重wd的轉(zhuǎn)置表示，計(jì)算公式為：

109、

110、(8)由于z是we和x的線性組合后通過激活函數(shù)得到的結(jié)果，則的計(jì)算公式為：

111、

112、式中，sig′()是sigmoid激活函數(shù)的導(dǎo)數(shù)，diag(v)表示以向量v為對角線元素的對角矩陣，xt是x的轉(zhuǎn)置；

113、(9)使用梯度下降方法更新參數(shù)，更新方式表示為：

114、

115、式中，αrv是學(xué)習(xí)率，t表示迭代次數(shù)，為更新后的權(quán)重參數(shù)，為更新前的權(quán)重參數(shù)；

116、(10)重復(fù)迭代上述步驟，直至滿足預(yù)設(shè)的停止迭代條件。

117、進(jìn)一步地，所述的權(quán)重we通過主成分分析的方式預(yù)先設(shè)定，計(jì)算公式為：

118、

119、式中，vk是從協(xié)方差矩陣xtx得到的前k個(gè)特征向量組成的矩陣，σk是相應(yīng)的特征值對角矩陣。

120、進(jìn)一步地，步驟6中所述的通過基于朗道量子化的支持向量機(jī)分類算法對降維后的數(shù)據(jù)進(jìn)行分類的方法具體如下：

121、(1)對訓(xùn)練數(shù)據(jù)進(jìn)行量子態(tài)的初始化，設(shè)初始第i個(gè)樣本數(shù)據(jù)向量為且qij表示第i個(gè)樣本的第j個(gè)特征，轉(zhuǎn)換為量子態(tài)|ψi>的計(jì)算公式為：

122、

123、式中，αij是復(fù)振幅，滿足|qij>表示特征qij對應(yīng)的量子基態(tài)；

124、(2)通過朗道量子化原理構(gòu)建初始的量子化超平面，用量子態(tài)的概率幅度，評估其與超平面的相對位置，以確定初始的支持向量；量子超平面|w>定義為：

125、

126、式中，γk是超平面向量的權(quán)重，|vk>為超平面向量；

127、(3)量子態(tài)與超平面之間的決策邊界的計(jì)算公式為：

128、

129、式中，<ψi|w>是量子態(tài)與超平面的內(nèi)積，f()為決策邊界函數(shù)，<qij|vk>為特征與超平面的內(nèi)積；

130、(4)量子超平面的權(quán)重γk的根據(jù)主成分分析確定，計(jì)算公式為：

131、

132、式中，ek是數(shù)據(jù)協(xié)方差矩陣的第k個(gè)特征值，el是數(shù)據(jù)協(xié)方差矩陣的第l個(gè)特征值；

133、(5)在每次迭代中，檢查每個(gè)支持向量與其它數(shù)據(jù)點(diǎn)的距離和角度，根據(jù)聚類密度和邊緣距離進(jìn)行裂變操作，以精細(xì)化決策邊界；對于每個(gè)支持向量，裂變過程通過調(diào)整其量子態(tài)實(shí)現(xiàn)，表示為：

134、|ψi′>＝|ψi>+βbp∑m≠iδim|ψm>

135、式中，βbp是裂變因子，δim是i和m之間的距離逆比系數(shù)；

136、(6)距離逆比系數(shù)δim根據(jù)第i個(gè)數(shù)據(jù)點(diǎn)和第m個(gè)數(shù)據(jù)點(diǎn)之間的距離動態(tài)調(diào)整，計(jì)算公式為：

137、

138、其中，表示數(shù)據(jù)點(diǎn)和數(shù)據(jù)點(diǎn)之間的歐氏距離的平方，∈是一個(gè)常數(shù)；

139、(7)對于表現(xiàn)出相似特性的數(shù)據(jù)群，執(zhí)行聚變操作，合并這些數(shù)據(jù)點(diǎn)的表示，以增強(qiáng)模型對這些特征的響應(yīng)，相似數(shù)據(jù)點(diǎn)的量子態(tài)合并操作表示為：

140、

141、式中，mi是與相似的量子態(tài)集合，σm是根據(jù)相似度分配的權(quán)重；

142、(8)權(quán)重σm基于相似度和數(shù)據(jù)點(diǎn)的局部密度計(jì)算得到，表示為：

143、

144、式中，dmm是數(shù)據(jù)點(diǎn)m到集合mi中其他點(diǎn)的平均距離；

145、(9)通過量子門操作調(diào)整量子位的狀態(tài)，以優(yōu)化分類結(jié)果的精度，表示為：

146、u(θ)|ψi″>＝cos(θ)|ψi″>+sin(θ)∑m≠i|ψm>

147、式中，θ是量子門的旋轉(zhuǎn)角度；

148、(10)重復(fù)迭代上述步驟，直至滿足預(yù)設(shè)的停止迭代條件。

149、進(jìn)一步地，所述的量子門操作u(θ)用于調(diào)整量子位的狀態(tài)，計(jì)算方式為：

150、u(θ)＝e-iθh

151、式中，h是特定的哈密頓量。

152、本發(fā)明的優(yōu)點(diǎn)在于：

153、(1)采用基于魯棒估計(jì)的生成對抗網(wǎng)絡(luò)對不足的訓(xùn)練數(shù)據(jù)進(jìn)行擴(kuò)充，能有效處理監(jiān)控?cái)?shù)據(jù)中的異常值和噪聲，通過生成對抗網(wǎng)絡(luò)擴(kuò)充的數(shù)據(jù)近似真實(shí)數(shù)據(jù)分布，增強(qiáng)了數(shù)據(jù)集的多樣性和模型訓(xùn)練的有效性，解決了傳統(tǒng)數(shù)據(jù)采集獲取困難和樣本不足問題；

154、(2)采用自適應(yīng)波動優(yōu)化算法更新神經(jīng)網(wǎng)絡(luò)中的權(quán)重和偏置，模擬波動的傳播和能量分布特性，針對電池電化學(xué)阻抗譜監(jiān)控?cái)?shù)據(jù)的復(fù)雜波動性和非線性特征進(jìn)行有效提取，能夠在復(fù)雜的數(shù)據(jù)背景下準(zhǔn)確地提取關(guān)鍵特征，減少了訓(xùn)練誤差和模型的波動性；

155、(3)利用基于流形映射學(xué)習(xí)的自編碼神經(jīng)網(wǎng)絡(luò)，通過黎曼因子優(yōu)化特征空間的表示，提升數(shù)據(jù)的內(nèi)在結(jié)構(gòu)學(xué)習(xí)能力和準(zhǔn)確性的重構(gòu)能力；自編碼器結(jié)構(gòu)在特征降維中保持了關(guān)鍵信息的同時(shí)，減少了數(shù)據(jù)的維度，優(yōu)化了處理效率和運(yùn)算負(fù)荷。

156、(3)采用基于朗道量子化的支持向量機(jī)算法，通過量子態(tài)轉(zhuǎn)換和裂變及聚變概念調(diào)整支持向量和分類超平面，精細(xì)化決策邊界，增強(qiáng)模型對新數(shù)據(jù)的泛化能力；朗道量子化支持向量機(jī)通過精確的量子態(tài)調(diào)整和數(shù)據(jù)特性合并，提升了分類精度和穩(wěn)定性。