本發(fā)明涉及鋰離子電池管理，尤其涉及一種鋰離子電池儲能系統(tǒng)狀態(tài)監(jiān)測方法及裝置。

背景技術：

1、隨著電池技術的廣泛應用，鋰離子電池已成為能源存儲和電動汽車領域的關鍵技術之一，確保鋰離子電池儲能系統(tǒng)的安全運行變得尤為重要。電池管理系統(tǒng)（bms）需要能夠實時監(jiān)控電池的狀態(tài)，以預防和應對潛在的安全風險，如過熱、過充或電池故障等。

2、在傳統(tǒng)的電池狀態(tài)監(jiān)測方法中，電池管理系統(tǒng)在處理復雜的電池監(jiān)測數(shù)據時，通常采用單一的神經網絡進行特征提取和預測，如bp神經網絡、convnet深度卷積神經網絡和lstm長短期記憶神經網絡等。然而，這些傳統(tǒng)的監(jiān)測方法在數(shù)據預處理、模型構建和訓練方面存在諸多不足；其中，數(shù)據預處理往往未能充分擴充樣本和模擬實際操作環(huán)境中的數(shù)據特性，導致訓練數(shù)據不能全面反映真實的電池使用情況，增加了安全風險；此外，這些神經網絡模型在訓練時常出現(xiàn)梯度消失、過擬合及泛化能力不足等問題，限制了模型對新情況的適應性和預測的準確性，最終由于訓練效率和模型性能的局限，使得監(jiān)測結果的反應性和準確性無法滿足高安全性的要求，存在安全風險隱患。因此，需要一種能夠高效分析和處理復雜數(shù)據，同時提高監(jiān)測精度的新方案，以增強鋰離子電池儲能系統(tǒng)的安全性和可靠性。

技術實現(xiàn)思路

1、為解決現(xiàn)有技術中存在的不足，本發(fā)明提供一種鋰離子電池儲能系統(tǒng)狀態(tài)監(jiān)測方法及裝置，以解決現(xiàn)有方法未能充分利用現(xiàn)有數(shù)據資源來提高監(jiān)測結果的準確性和及時性的問題，進一步增強了鋰離子電池儲能系統(tǒng)的安全性和可靠性。

2、本發(fā)明采用如下的技術方案。

3、第一方面，本發(fā)明提供一種鋰離子電池儲能系統(tǒng)狀態(tài)監(jiān)測方法，方法包括：

4、采集鋰離子電池儲能系統(tǒng)中各狀態(tài)類型下的運行參數(shù)歷史數(shù)據；

5、對采集的歷史數(shù)據進行預處理，獲得擴充后的訓練數(shù)據集；

6、對擴充后的訓練數(shù)據集進行特征提取，獲得特征提取后的訓練數(shù)據集；

7、對特征提取后的訓練數(shù)據集進行特征降維，獲得降維后的訓練數(shù)據集；

8、基于降維后的訓練數(shù)據集，結合基于量子信息糾纏度量的極限學習機算法對構建的分類器模型進行優(yōu)化訓練；

9、將獲取的各運行參數(shù)的實時數(shù)據進行特征提取、特征降維后輸入至訓練好的分類器模型中進行處理，輸出鋰離子電池儲能系統(tǒng)的狀態(tài)監(jiān)測結果。

10、可選的，所述運行參數(shù)包括電池的電壓、電流、溫度、充電狀態(tài)、震動頻率、安裝位置、環(huán)境濕度和環(huán)境溫度中的至少一種；所述狀態(tài)類型的包括正常運行、異常狀態(tài)以及危險預警。

11、可選的，所述對采集的歷史數(shù)據進行預處理的步驟包括：

12、分別統(tǒng)計各狀態(tài)類型中采集到的歷史數(shù)據的數(shù)量；

13、將少于設定數(shù)量對應類型的歷史數(shù)據作為少數(shù)樣本集合，其余類型的歷史數(shù)據作為多數(shù)樣本集合；

14、對于每個少數(shù)樣本集合均采用基于非線性空間映射的smote過采樣算法進行樣本擴充，獲得擴充后的合成樣本集合；

15、將擴充后的各所述合成樣本集合和各所述多數(shù)樣本集合作為擴充后的訓練數(shù)據集。

16、可選的，所述采用基于非線性空間映射的smote過采樣算法進行樣本擴充的步驟包括：

17、步驟a、對于少數(shù)類樣本集合中的任意一個樣本，基于當前的比例系數(shù)，通過smote過采樣算法生成其對應的新樣本；

18、步驟b、對當前生成的新樣本進行如下的非線性映射函數(shù)處理：

19、?，

20、式中，表示在第次迭代時非線性映射后的合成樣本；表示樣本在第次迭代生成的新樣本；是sigmoid激活函數(shù)；是樣本的第個特征，是特征數(shù)量；是在第次迭代時的非線性映射權重；

21、步驟c、對所述非線性映射權重和比例系數(shù)進行更新后，令，返回執(zhí)行步驟a，直至滿足設定的第一終止迭代條件，輸出當前次非線性映射后的合成樣本；

22、步驟d、重復執(zhí)行步驟a至步驟c，直至歷遍所述少數(shù)類樣本集合中的所有樣本，最終輸出其對應非線性映射后的合成樣本集合。

23、可選的，所述對擴充后的訓練數(shù)據集進行特征提取的步驟包括：

24、采用3層的全連接神經網絡構建特征提取模型；

25、基于擴充后的訓練數(shù)據集，結合基于植物生長光敏反應的優(yōu)化算法對構建的特征提取模型進行訓練，并利用稀疏約束策略優(yōu)化所述神經網絡的參數(shù)選擇，使所述神經網能夠在學習過程中自動剔除不重要的連接，從而獲得訓練并優(yōu)化好的特征提取模型；

26、將擴充后的訓練數(shù)據集輸入至訓練并優(yōu)化好的特征提取模型中，輸出特征提取后的訓練數(shù)據集。

27、可選的，所述特征提取模型的訓練優(yōu)化步驟具體包括：

28、s3.1、初始化特征提取模型的神經網絡參數(shù)：權重和偏置，以模擬植物生長的初期狀態(tài)；

29、s3.2、通過模擬植物對光照強度的反應進行神經網絡參數(shù)的更新，其表達式如下：

30、，

31、式中，為第次迭代的神經網絡的權重；為第次迭代的神經網絡的權重；是神經網絡的損失函數(shù)，其中，損失函數(shù)中輸入樣本對應的預測標簽為特征提取后得到的特征向量經預設的softmax分類函數(shù)計算得到的概率最大的類別；為損失函數(shù)關于神經網絡權重的梯度；為第次迭代的學習率；是光敏效應的調節(jié)系數(shù)；表示模擬光合作用效率的函數(shù)；表示第次迭代的模擬光合作用效率的函數(shù)；為稀疏正則化項；

32、s3.3、基于當前更新的神經網絡參數(shù)，評估各層神經網絡對模型輸出結果的貢獻度量；當所有網絡層的貢獻度量均大于預設的閾值且損失函數(shù)收斂時，停止迭代，得到最終訓練好的特征提取模型；否則，對學習率進行更新后，令，返回執(zhí)行步驟s3.2。

33、可選的，步驟s3.2中模擬光合作用效率的函數(shù)及稀疏正則化項的計算式分別為：

34、?，

35、?，

36、式中，是sigmoid激活函數(shù)；表示神經網絡中間層的輸出特征；為權重矩陣的行數(shù)；為第行神經元的權重參數(shù)；為調節(jié)因子，用于平衡權重的l1正則化；表示權重矩陣中第行的l1范數(shù)，用于模擬光合作用的能量消耗；是權重矩陣中第列的l2范數(shù)；為稀疏正則化調節(jié)因子；為權重矩陣的列數(shù)。

37、可選的，所述對特征提取后的訓練數(shù)據集進行特征降維的步驟包括：

38、采用自編碼器構建特征降維模型，所述自編碼器包括編碼器和解碼器；

39、基于特征提取后的訓練數(shù)據集，結合基于非線性動態(tài)規(guī)劃的優(yōu)化算法對構建的特征降維模型進行優(yōu)化訓練，包括：利用編碼器將高維的輸入數(shù)據壓縮為低維特征向量，解碼器根據所述低維特征向量重構原始輸入，通過最小化輸入與輸出之間的重構誤差來優(yōu)化所述特征降維模型的網絡參數(shù)，從而獲得訓練并優(yōu)化好的特征降維模型；

40、將特征提取后的訓練數(shù)據集輸入至訓練并優(yōu)化好的特征降維模型中，輸出降維后的訓練數(shù)據集。

41、可選的，所述結合基于非線性動態(tài)規(guī)劃的優(yōu)化算法對構建的特征降維模型進行優(yōu)化訓練的具體步驟包括：

42、s4.1、初始化自編碼器的權重和偏置；

43、s4.2、采用前向傳播的方式，通過編碼器對特征提取后的訓練數(shù)據樣本進行處理，將高維數(shù)據映射到一個低維空間，生成其對應的低維特征向量，表示為：

44、?，

45、式中，為對原始輸入樣本編碼后的低維特征向量；和分別是編碼器的權重和偏置；是relnu激活函數(shù)；

46、s4.3、通過解碼器利用低維特征向量來重構原始輸入，表示為：

47、?，

48、式中，是重構的輸入數(shù)據；和分別是解碼器的權重和偏置；

49、s4.4、利用均方誤差來衡量所期望的最小化原始輸入與重構輸出之間的差異，根據重構誤差計算損失函數(shù)的表達式如下：

50、?，

51、式中，為損失函數(shù)；為數(shù)據樣本的數(shù)量；表示第個原始輸入樣本，表示第個重構輸入樣本；

52、s4.5、采用梯度下降法更新自編碼器中的權重和偏置，以減少重構誤差；

53、s4.6、基于當前次更新的自編碼器的權重和偏置，重復執(zhí)行步驟s4.2至s4.5，直至滿足設定的第二終止迭代條件，得到最終訓練好的特征降維模型。

54、可選的，所述結合基于量子信息糾纏度量的極限學習機算法對構建的分類器模型進行優(yōu)化訓練包括：

55、將降維后的特征轉換為量子位的形式，利用量子位的疊加和糾纏狀態(tài)來增強特征表示的能力，以提高分類器模型的分類精度。

56、可選的，所述結合基于量子信息糾纏度量的極限學習機算法對構建的分類器模型進行優(yōu)化訓練的具體步驟包括：

57、s501、通過下式將輸入的降維后的訓練數(shù)據集中特征轉換為量子位的形式：

58、?，

59、?，

60、式中，為第個特征的量子位表示；表示第個量子基態(tài)；為所述訓練數(shù)據集的樣本特征數(shù)量，其數(shù)量等于量子基態(tài)的數(shù)量；為特征在量子基態(tài)的疊加系數(shù)；為訓練數(shù)據集中的第個輸入特征；為控制映射敏感性的超參數(shù)；表示第個量子基態(tài)的中心向量；表示輸入特征與量子基態(tài)中心之間的歐氏距離；表示第個量子基態(tài)的中心向量；表示輸入特征與量子基態(tài)中心之間的歐氏距離；

61、s502、通過下式分別計算各量子位之間的糾纏度量：

62、?，

63、式中，分別表示第個輸入特征和第個輸入特征之間的糾纏度量；為量子位在輸入特征的概率分布；為量子位在輸入特征的概率分布；

64、s503、基于各量子位之間的糾纏度量，分別對各輸入特征進行重新組合和優(yōu)化，得到各對應重構后的特征向量；

65、s504、將由各重構后的特征向量組成的重構特征集合輸入到極限學習機中進行訓練，得到訓練好的分類器模型。

66、可選的，步驟s502中，量子位在輸入特征的概率分布的計算方式表示為：

67、?，

68、式中，表示特征在量子基態(tài)的疊加系數(shù)的平方，表示特征在量子基態(tài)的疊加系數(shù)的平方。

69、可選的，步驟s503中，對各輸入特征進行重新組合和優(yōu)化的表達式如下：

70、?，

71、式中，為對第個輸入特征進行重構后的特征向量。

72、第二方面，本發(fā)明提供一種鋰離子電池儲能系統(tǒng)狀態(tài)監(jiān)測裝置，運行如本發(fā)明第一方面中任一項所述方法的步驟，裝置包括：

73、采集數(shù)據模塊，用于采集鋰離子電池儲能系統(tǒng)中各狀態(tài)類型下的運行參數(shù)歷史數(shù)據；

74、預處理模塊，用于對采集的歷史數(shù)據進行預處理，獲得擴充后的訓練數(shù)據集；

75、特征提取模塊，用于對擴充后的訓練數(shù)據集進行特征提取，獲得特征提取后的訓練數(shù)據集；

76、特征降維模塊，用于對特征提取后的訓練數(shù)據集進行特征降維，獲得降維后的訓練數(shù)據集；

77、分類器訓練模塊，用于基于降維后的訓練數(shù)據集，結合基于量子信息糾纏度量的極限學習機算法對構建的分類器模型進行優(yōu)化訓練；

78、狀態(tài)監(jiān)測模塊，用于將獲取的各運行參數(shù)的實時數(shù)據進行特征提取、特征降維后輸入至訓練好的分類器模型中進行處理，輸出鋰離子電池儲能系統(tǒng)的狀態(tài)監(jiān)測結果。

79、第三方面，本發(fā)明提供一種終端，包括處理器及存儲介質；

80、所述存儲介質用于存儲指令；

81、所述處理器用于根據所述指令進行操作以執(zhí)行本發(fā)明第一方面中任一項所述方法的步驟。

82、第四方面，本發(fā)明提供一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)本發(fā)明第一方面中任一項所述方法的步驟。

83、本發(fā)明的有益效果在于，與現(xiàn)有技術相比：

84、1、本發(fā)明針對現(xiàn)有數(shù)據資源訓練樣本不足容易導致模型泛化能力差，同時影響模型的精度的問題，采用基于非線性空間映射的smote過采樣算法進行樣本生成，實現(xiàn)對數(shù)據樣本的擴充；并且本發(fā)明采用非線性映射層對生成樣本進行非線性映射增強，以更精細地鋰離子電池儲能系統(tǒng)數(shù)據的復雜性，從而生成更符合實際情況的合成數(shù)據，以提高監(jiān)測精度。

85、2、本發(fā)明針對現(xiàn)有的特征提取網絡模型容易遇到梯度消失、梯度爆炸或陷入局部最優(yōu)解，影響訓練的穩(wěn)定性和模型性能的缺點；本發(fā)明采用基于植物生長光敏反應的優(yōu)化算法對構建的特征提取模型進行優(yōu)化訓練，解決了神經網絡在特征提取過程中過擬合和學習速率緩慢的問題，并采用稀疏約束策略優(yōu)化神經網絡的參數(shù)選擇，使網絡能夠在學習過程中自動剔除不重要的連接，從而提高模型的泛化能力和訓練效率。

86、3、本發(fā)明采用結合基于非線性動態(tài)規(guī)劃的優(yōu)化算法對構建的特征降維模型進行優(yōu)化訓練，使得特征降維模型的自編碼器在特征降維時能更加高效地選擇和組合輸入特征，優(yōu)化網絡的學習過程，提高了模型對數(shù)據內在結構的捕捉能力。

87、4、本發(fā)明采用基于量子信息糾纏度量的極限學習機算法對構建的分類器模型進行優(yōu)化訓練，將降維后的特征轉換為量子位的形式，利用量子位的疊加和糾纏狀態(tài)來增強特征表示的能力，提高了分類器模型的分類精度。

88、5、總的來說，本發(fā)明通過對采樣數(shù)據進行擴充、結合基于植物生長光敏反應的優(yōu)化算法、基于非線性動態(tài)規(guī)劃的優(yōu)化算以及基于量子信息糾纏度量的極限學習機分類器，顯著提高了鋰離子電池儲能系統(tǒng)在復雜數(shù)據環(huán)境下的處理和預測能力，不僅增強了數(shù)據的代表性和特征的準確性，還提高了模型的泛化能力和訓練效率，從而有效提升了系統(tǒng)的安全監(jiān)測和風險預警的及時性和準確性，以便及早采取對應措施，極大地增強了鋰離子電池儲能系統(tǒng)的安全性和可靠性。