本發(fā)明屬于計算機
技術(shù)領(lǐng)域：
，尤其涉及一種利用計算機系統(tǒng)采用大數(shù)據(jù)分析的模型和方法對鋰電池、鉛酸電池等動力電池系統(tǒng)進行壽命預(yù)測和安全預(yù)警的方法和裝置，能夠用于新能源、通信系統(tǒng)、電子信息和計算機技術(shù)等具體工業(yè)領(lǐng)域。
背景技術(shù)：
：當(dāng)前，動力電池在人們?nèi)粘Ｉ畹母鱾€方面，都得到了越來越多的應(yīng)用?；趧恿﹄姵氐男履茉雌?、無線通信基站的后備電源、儲能技術(shù)等已成為當(dāng)今世界各國競相發(fā)展的最熱門技術(shù)之一，隨之而來的動力電池的健康和安全也成為如新能源汽車等行業(yè)健康發(fā)展的關(guān)鍵因素，其中動力電池的容量精確估算、健康精確估算、壽命精確預(yù)測是安全技術(shù)的核心，也是當(dāng)今業(yè)內(nèi)的世界難題。當(dāng)前業(yè)內(nèi)，對動力電池包的容量估算和健康預(yù)測一般都在電池管理系統(tǒng)BMS內(nèi)部完成。申請人發(fā)現(xiàn)，現(xiàn)有的電池管理系統(tǒng)BMS存在以下問題：現(xiàn)有的容量估算和健康預(yù)測算法簡單，效果欠佳。例如，無線通信基站中的后備電池系統(tǒng)，只對電源的工作數(shù)據(jù)進行記錄，不做任何的預(yù)測預(yù)警。商用鋰電池包的BMS基于成本原因，往往都由帶基本DSP功能的微控制器來實現(xiàn)對電池包的充放電管理、電池均衡等，而且BMS內(nèi)部通常不帶大容量的存貯芯片，對鋰電池包的歷史事件或性能數(shù)據(jù)幾乎或根本不作保留，對即時電池性能進行估算的誤差大、可靠性低，一般都是基于對瞬間的電壓、電流和溫度的測量來計算即時內(nèi)阻，再和電池初始使用時進行比較而得，不考慮歷史信息。為解決現(xiàn)有技術(shù)中的上述缺陷，需要提出一種新的對動力電池進行壽命預(yù)測和安全預(yù)警的方法，以克服現(xiàn)有技術(shù)中存在的上述問題。技術(shù)實現(xiàn)要素：本發(fā)明的目的是提供一種利用大數(shù)據(jù)分析的模型和方法對動力電池進行壽命預(yù)測和安全預(yù)警，以解決現(xiàn)有的電池管理系統(tǒng)中存在的估計誤差大、效果不佳的問題。根據(jù)本發(fā)明的一個方面，提供了一種利用計算機對動力電池系統(tǒng)的剩余壽命進行預(yù)測的方法，其特征在于包括以下步驟：數(shù)據(jù)獲取步驟，利用電池管理系統(tǒng)測量并收集一段時間內(nèi)的電池電壓數(shù)據(jù)和電池事件數(shù)據(jù)；數(shù)據(jù)處理步驟，具體包括以下內(nèi)容：將給定時間區(qū)域的電壓V分解成老化項電壓Va和波動項電壓Vf；利用多實例多標(biāo)簽(MIML)學(xué)習(xí)方法，對老化項電壓Va進行預(yù)測；利用自回歸積分滑動平均(ARIMA)模型，對波動項電壓Vf進行預(yù)測；利用預(yù)測得到的老化項電壓Va和波動項電壓Vf，對電池的剩余壽命進行預(yù)測。其中，在上述發(fā)明中，還包括去噪步驟，過濾收集到的所述電池電壓數(shù)據(jù)中的噪聲，僅保留浮動電壓，以減少電壓來自其他電池活動的干擾。其中，在上述發(fā)明中，所述的自回歸積分滑動平均模型，是由滑動平均模型和綜合部分組成的部分自回歸積分滑動平均模型，其具體形式為其中，表示時間t時的波動項電壓值，θ1，...，θq表示滑動平均模型的參數(shù)，ε1，...，εt-1是白噪聲誤差項，q為移動平均項數(shù)，εt為綜合部分。其中，在上述發(fā)明中，利用如下公式，計算在時間t時第i個電池的剩余壽命其中，和分別表示時間t時的老化項和波動項電壓值，電壓斜率為st，損失值為yt，i為電池序號，θ為預(yù)定義的電池失效閾值。其中，在上述發(fā)明中，在對電池的剩余壽命進行預(yù)測之后，還具有預(yù)警步驟，提示用戶對即將失效的電池進行更換。根據(jù)本發(fā)明的另一個方面，提供了一種對動力電池系統(tǒng)的剩余壽命進行預(yù)測的裝置，該裝置包括：電池管理系統(tǒng)，用于測量并收集一段時間內(nèi)的電池電壓數(shù)據(jù)和電池事件數(shù)據(jù)；數(shù)據(jù)獲取模塊，用于從電池管理系統(tǒng)獲取所述電池電壓數(shù)據(jù)和電池事件數(shù)據(jù)用于后續(xù)處理；數(shù)據(jù)處理模塊，具體包括：將給定時間區(qū)域的電壓V分解成老化項電壓Va和波動項電壓Vf的單元；利用多實例多標(biāo)簽(MIML)學(xué)習(xí)方法，對老化項電壓Va進行預(yù)測的單元；利用自回歸積分滑動平均(ARIMA)模型，對波動項電壓Vf進行預(yù)測的單元；利用預(yù)測得到的老化項電壓Va和波動項電壓Vf，對電池的剩余壽命進行預(yù)測的單元。根據(jù)本發(fā)明提出的上述動力電池壽命預(yù)測及安全預(yù)警的方法和裝置，利用大數(shù)據(jù)分析的模型和方法，充分考慮了電池歷史電壓數(shù)據(jù)和歷史事件數(shù)據(jù)對動力電池壽命的影響。本發(fā)明提出了一種事件驅(qū)動型電池分析方法，精確提取出導(dǎo)致電池組工作狀態(tài)退化的特性，并建立預(yù)測模型?；诒景l(fā)明中的電池電壓和壽命的預(yù)測模型，能夠得到更為準(zhǔn)確、可靠的預(yù)測效果，能夠解決現(xiàn)有的電池管理系統(tǒng)中存在的電池壽命估計誤差大、效果不佳的問題。附圖說明圖1為新電池和舊電池的平均電壓示意圖；圖2為電池的平均電壓與剩余壽命的相互關(guān)系示意圖；圖3為新舊電池的電壓方差大小示意圖；圖4為電壓的變化量與剩余壽命的相互關(guān)系示意圖；圖5為發(fā)生“電池電壓低”事件的數(shù)量與電池壽命的關(guān)系示意圖；圖6為發(fā)生“電池放電”事件的數(shù)量與電池壽命的關(guān)系示意圖；圖7為發(fā)生“電池故障”事件的數(shù)量與電池壽命的關(guān)系示意圖；圖8為本發(fā)明提出的預(yù)測電池工作狀態(tài)的EVENING框架的示意圖；圖9為從數(shù)據(jù)集中提取出來的失效趨勢的分布狀態(tài)示意圖；圖10為本發(fā)明的EVENING方法與線性回歸(LR)、自回歸積分滑動平均(ARIMA)和小波分析(Wavelet)四種方法預(yù)測誤差示意圖；圖11為更換數(shù)量的百分比與電池失效預(yù)警之后存活的天數(shù)之間的關(guān)系示意圖；圖12為本發(fā)明的EVENING框架和單純ARIMA預(yù)測結(jié)果的比較示意圖。具體實施方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明了，下面結(jié)合具體實施方式并參照附圖，對本發(fā)明進一步詳細(xì)說明。應(yīng)該理解，這些描述只是示例性的，而并非要限制本發(fā)明的范圍。1.背景隨著3G/4G蜂窩網(wǎng)絡(luò)的廣泛使用，以及未來5G網(wǎng)絡(luò)時代即將到來，導(dǎo)致了全球手機服務(wù)市場的爆炸式增長。大量基站已部署好環(huán)境，以滿足對服務(wù)質(zhì)量和覆蓋范圍的需求，并且基站數(shù)量將在可預(yù)見的未來范疇內(nèi)增長?？紤]到有很多基站部署在偏遠(yuǎn)農(nóng)村地區(qū)，維護高服務(wù)可用性變得相當(dāng)有挑戰(zhàn)性。特別是，它們可能會遭遇頻繁的停電。在遭受颶風(fēng)或者暴風(fēng)雪后，電力恢復(fù)往往需要數(shù)天甚至數(shù)周，在此期間備用電池成為唯一的供電資源。盡管在城市地區(qū)停電是罕見的，備份電池在基站中仍舊是必需的，因為任何服務(wù)的中斷都能導(dǎo)致不可承受的損失。鑒于在停電期間，基站安裝的備用電池組通常是唯一的電力資源，因此電池組的工作狀態(tài)對基站的可用性服務(wù)有至關(guān)重要的影響。為了提高服務(wù)的可用性，除了連接到公用電網(wǎng)，每個蜂窩塔還配備了用于備用供電的電池組。當(dāng)公用電網(wǎng)上停電時，為了避免任何服務(wù)的中斷，電池組放電來支持通訊設(shè)備，直到發(fā)電機能提供足夠的電力供應(yīng)。這使得蓄電池組及其工作條件起到了重要的作用。在此期間，如果蓄電池的狀況惡化，斷電便能輕易搞垮服務(wù)。緊急維修服務(wù)的到達可能需要花費數(shù)天甚至數(shù)周，這依賴于到達和定位出維修點的難度大小，尤其是在農(nóng)村地區(qū)或者遇到惡劣天氣。因此，預(yù)測電池組的狀態(tài)對系統(tǒng)維護來說，有著技術(shù)上和商業(yè)上的重要意義。這是為了讓電池能夠在失效前被提前更換，降低對可用性服務(wù)的干擾。一個成功的預(yù)測，不僅需要了解電池老化過程的知識，還要對可能誘發(fā)和加速老化過程的應(yīng)激事件有很好的理解。盡管鋰離子電池和鎳鎘電池以其較小的尺寸、更輕的重量和更好的存儲效率展示了電池科技的最新發(fā)展，但是這類電池的主要缺點就是成本太高。傳統(tǒng)的鉛酸電池有很大的容量，因此已被廣泛應(yīng)用于基站備用電源中的存儲。鋰離子電池的老化機制引起了很多嘗試，在鋰電池的頻繁活動中產(chǎn)生了大量的日志，并提供了可供測量電池工作條件的可能性。然而，在基站中鉛酸電池通常保持在浮充狀態(tài)(浮充狀態(tài)表示電池在完全充電之后自放電維持自身容量的能力)，監(jiān)測系統(tǒng)每天兩次從浮充電池中收集浮充電壓，這樣可以使數(shù)據(jù)集變少。因此，從這樣一個稀少的數(shù)據(jù)源中提取數(shù)據(jù)特征，并預(yù)測鉛酸電池的工作環(huán)境帶來了很多挑戰(zhàn)，在本申請中發(fā)明人即試圖解決該問題。本發(fā)明通過先進的云計算模型和大數(shù)據(jù)信息處理技術(shù)，提出了一種適用于動力電池的復(fù)雜數(shù)學(xué)模型架構(gòu)來解決如何動態(tài)精確估算電池系統(tǒng)的性能的技術(shù)難題，并對動力電池的不安全因素進行實時預(yù)警，從而阻止動力電池產(chǎn)生各種不安全或燃燒因素。電池運行的實時數(shù)據(jù)由與其相連的數(shù)據(jù)采集終端完成。我們發(fā)明的大數(shù)據(jù)處理方法叫EVENING，即事件驅(qū)動型電池的分析框架，來準(zhǔn)確預(yù)測動力電池包實時運行狀況，并安排相應(yīng)的維護。我們共收集了46913個設(shè)備從2014年7月28日到2016年2月17日1550032984行數(shù)據(jù)，包括112種不同的事件，通過我們的云計算平臺Hadoop1.2.1和Hive1.2.1進一步進行處理和分析。特別是，我們將時間序列的電壓分解到老化項和波動項方面?；诶匣椇腿罩臼录?，我們分析了電池的老化趨勢來表述電池的演變，包括表示電池的工作條件的斜率和方差。我們將事件驅(qū)動型老化問題作為一個多標(biāo)簽多實例問題的目標(biāo)，最小化預(yù)測值與實際值之間均方根的誤差，從而保證電池電壓預(yù)測的準(zhǔn)確性?；谠摽蚣埽覀?yōu)殡姵仉妷汉蛪勖x了預(yù)測模型，并提出了一系列的解決方案來增加精確輸出。2數(shù)據(jù)分析2.1電池的電壓讀數(shù)每個電池的電壓是最重要的特征數(shù)，因為它反應(yīng)了電池的功率輸出模式。我們根據(jù)數(shù)據(jù)記錄觀察了兩類有代表性的電池：新電池和頻臨失效的電池，然后選擇1578個電池作為新電池組，并把1459個電池放到瀕于失效的組。電池的額定電壓是2.23V，24個電池被串聯(lián)為一個電池包，整個后備電池系統(tǒng)的額定電壓是53.5V。在此基礎(chǔ)上，我們進一步分析了兩類代表性電池電壓類別內(nèi)的電壓模式的典型狀態(tài)。圖1表示了新電池(好電池)和瀕臨失效的電池(壞電池)的顯著差別。實線畫出了新電池組的平均電壓，基本保持在2.21V和2.25V之間。虛線表示瀕臨失效電池平均電壓的衰減趨勢。接近失效日期時有一個明顯的下降趨勢，在這一階段，電池功率頻繁下降，并迅速衰竭，造成了眾多事件和警報。圖2進一步表明平均電壓與剩余壽命的長度是如何相互關(guān)聯(lián)的，這表明電壓與電池壽命有很強的關(guān)聯(lián)性。如圖3所示，實線表示新安裝電池能夠輸出穩(wěn)定的功率，電壓方差接近于0。虛線表明瀕失效電池的方差比新電池的大得多。圖4表明，電壓差也與電池剩余壽命的長度有關(guān)。電池的輸出電壓隨時間發(fā)生變化，反映了電池質(zhì)量老化的趨勢。2.2電池活動我們對記錄中的電池活動進行分析，探討電池活動與電池剩余壽命之間的關(guān)聯(lián)性，選取的事件分別是電池電壓低、電池放電和故障單元，如圖5、6和7所示。當(dāng)電池失效的時候，我們?yōu)槊總€電池計算特定事件的數(shù)目，虛線代表剩余壽命超過576天的電池。圖5和圖6畫出了電池電壓低、放電和剩余壽命之間的關(guān)聯(lián)性。這清楚地表明，在電池剩余壽命和低浮動電壓之間存在一種很強的關(guān)聯(lián)性，剩余壽命與電池放電之間也存在著某種相關(guān)性。在圖7中，我們進一步畫出該系統(tǒng)中故障電池活動數(shù)目的失效率，從中看不出有明顯的關(guān)聯(lián)性。這意味著，失效是受到某些特定事件的影響。觀察結(jié)果表明，不同的事件對電池工作狀態(tài)有著不同的影響，因此，為了得到精確的預(yù)測，很有必要對這些事件區(qū)別對待。3.預(yù)測模型和解決方案為便于理解，本申請中出現(xiàn)的參數(shù)說明及定義請參見下表1：表1參數(shù)說明及定義觀察表明，電池工作狀態(tài)可以被相關(guān)的歷史電壓和事件預(yù)測出，這項觀察可以作為預(yù)測電池剩余壽命的基礎(chǔ)。監(jiān)測系統(tǒng)從所有電池的電壓和事件中收集原始數(shù)據(jù)，這樣得到電壓集V＝{v1,v2,…vN}和事件集X＝{x1,x2,…xN}，其中N表示電池總數(shù)。每個電壓記錄是電池i在時間T的電壓值vT。我們的目標(biāo)是提取概括出電池工作狀態(tài)中的老化趨勢，并預(yù)測出電池剩余壽命。由于電池剩余壽命是在前面所述的電壓值的基礎(chǔ)之上預(yù)測得到，所以電壓時效問題可以定義如下：考慮到時間軸上從1到T的電池電壓數(shù)據(jù)V和歷史事件X，我們基于預(yù)測電壓來推算出電池剩余壽命。定義了接下來K時間檔的預(yù)測電壓，與實際電壓進行對比。整體目標(biāo)函數(shù)可以寫成如下方式：通過專業(yè)知識和我們的觀察，可以發(fā)現(xiàn)電壓是電池條件的標(biāo)準(zhǔn)，剩余壽命可以很容易通過預(yù)定義的電池電壓閾值θ預(yù)測得到。為了解決問題，我們提出了圖8所示的EVENING框架來預(yù)測電池工作狀態(tài)，圖中包含了如下幾個階段：數(shù)據(jù)準(zhǔn)備、電壓分解、電壓預(yù)測和剩余壽命預(yù)測。EVENING框架首先過濾掉歷史電壓中的大量噪聲，僅用浮動電壓以減少電壓來自其他電池活動的干擾，例如電池放電。雖然歷史事件與電池工作狀態(tài)是相關(guān)的，單個事件記錄并不是預(yù)測的可靠因素。EVENING框架按時間序列把歷史浮動電壓分解成老化項和波動項兩方面。對于老化項，我們提出一種處罰觀念，用來描述一組電壓老化趨勢上事件的影響?？蚣芾脮r間算法和事件數(shù)據(jù)來預(yù)測未來的老化趨勢，并進一步結(jié)合了ARIMA的預(yù)測電壓波動項。憑借接下來幾個月的預(yù)測電壓，EVENING框架可以估算出電池的剩余壽命。如圖8中所提到的，我們把給定時間區(qū)域的電壓v分解成老化項va和波動項vf：v＝va+vf(2)為了確保va的趨勢是單調(diào)的，我們可以簡單寫出對目標(biāo)函數(shù)的約束：用描述電壓波動，隨著t的增長，波動也增長。我們進一步擴展公式(1)中優(yōu)化問題的目標(biāo)函數(shù)，盡量減少重構(gòu)誤差||v-va’-vf’||2和確保波動的平整度，這個受公式3中的單調(diào)性約束管制。(1)老化項為了抽取出電壓老化項和使波動項平穩(wěn)，我們在時間序列內(nèi)把電壓分段，并確保每段的平均值差異盡可能得小。具體的說，考慮到在一個時間序列內(nèi)的電壓vi，我們把它劃分成段，表示如下：l是段的長度，每一時間段k有平均值我們用多項式回歸來匹配每一段，s為在時間段k電池i的電壓斜率。老化項可以被定義為：然后，我們提出了一個損失電壓概念來描述老化項的增長：對于時間段k內(nèi)的電池i，我們有老化項和我們使用記錄中的歷史電池事件來預(yù)測老化項via的損失值考慮到歷史電池事件和電壓損失值的訓(xùn)練集，我們可以把一個可預(yù)測的問題闡述成為預(yù)測電壓損失值而構(gòu)建一個時間分類器。其中一個主要的挑戰(zhàn)就是監(jiān)控系統(tǒng)為每個電池組收集事件，電池組里的單體電池有完全相同的事件記錄，盡管單體電池有自己獨特的電壓數(shù)據(jù)值。因此，我們?yōu)槊總€電池組預(yù)測電壓損失值而不為每個單體電池進行預(yù)測，盡管單體電池的剩余壽命能夠被基于電池包的電池?fù)p失值估算到。我們的問題可以轉(zhuǎn)化成多實例多標(biāo)簽(MIML)學(xué)習(xí)問題，每一個訓(xùn)練樣本不僅與多個實例關(guān)聯(lián)，還與多個標(biāo)簽相關(guān)聯(lián)。與接受一組獨立的標(biāo)記實例作為標(biāo)準(zhǔn)分類相反，圖8中的MIML模型接受一組包，這組包同時與多個標(biāo)簽相關(guān)聯(lián)。在我們的問題中，每個事件被定義為一個實例，每個電壓損失被定義為一個標(biāo)簽。概念包表示一組事件xi，每個包xi有mi個實例，xi＝{xi，1，xi，2，...，xi，mi}?？紤]到包從不同的電池獲得，我們的目標(biāo)是建立一個分類器，能正確標(biāo)記出看不見的包。正式來講，X表示實例空間，Y定義了損失標(biāo)簽的集合。我們用含有N個樣本的集合{(x1,y1),(x2,y2),…,(xN,yN)}來表示訓(xùn)練集，yi是與xi相關(guān)的損失標(biāo)簽。前文提過，每一個電池包有ni個不同電壓老化趨勢的電池，yi＝{yi，1，yi，2，...，yi，ni}是所有可能的標(biāo)簽的一個子集，yi∈Y。目標(biāo)是從一組給定的數(shù)據(jù)集{(x1,y1),(x2,y2),…,(xN,yN)}中獲知一個函數(shù)fMIML:2X→2Y，用來精確預(yù)測出一系列事件xi的損失標(biāo)簽yi?；贛IMLfast方法(S.-J.HuangandZ.-H.Zhou,“Fastmulti-instancemulti-labellearning,”arXivpreprintarXiv:1310.2049,2013.)，我們提出一種與原始MIML問題有效近似的改進的方法。具體來說，利用多個標(biāo)簽之間的關(guān)系，MIMLfast首先是從原始特征中學(xué)習(xí)所有標(biāo)簽的共享空間，然后訓(xùn)練從共享標(biāo)簽中標(biāo)注具體的線性模型。為了識別關(guān)鍵實例來表現(xiàn)出特定標(biāo)簽的包，分類模型在實例層進行訓(xùn)練，然后選擇最大的預(yù)測實例值。為了增強學(xué)習(xí)效率，用隨機梯度下降來優(yōu)化近似排序的損失。在測試階段，MIMLfast返回與測試值的所有可能標(biāo)簽的一個子集，通過選擇最大的預(yù)測數(shù)據(jù)，ENENING可以得到每個包的損失值。(2)波動項電壓變化也是預(yù)測電池壽命一個重要的特征。使用人的眼睛從原始數(shù)據(jù)獲取出浮動電壓的波動不是一件容易的事情。我們知道大部分電池長期保持浮充狀態(tài)，這使得電池在固定間隔內(nèi)周期性地伴隨著弱電流充放電。事件序列方法適用于描述這樣的隨機過程，也容易建立能用來預(yù)測電壓波動項的預(yù)測模型。自回歸積分滑動平均模型(ARIMA)是最流行的用于預(yù)測未來值的時間序列模型之一，這可以被廣泛用于金融、經(jīng)濟和社會科學(xué)領(lǐng)域。ARIMA能用來表示過去的觀測和錯誤的一個線性組合，包含三個部分，一個自回歸模型，一個滑動平均模型和一個綜合部分。ARIMA(p,q)模型表示如下：Y(t)表示在t時間的視圖數(shù)量。β1，...，βp表示自回歸模型的參數(shù)，θ1，...，θq表示滑動平均模型的參數(shù)。ε1，...，εt-1是白噪聲誤差項，這通常被認(rèn)為是零均值與持續(xù)方差的高斯隨機變量。p為自回歸項；q為移動平均項數(shù)。在我們的EVENING框架中，我們使用一部分ARIMA模型來展現(xiàn)波動項。考慮到在過去的幾天里的浮動電壓vi的時間序列，它可以利用歷史信息中的趨勢、周期性和自相關(guān)性表現(xiàn)，為電壓的演化做出細(xì)粒度預(yù)測。EVENING框架使用了如公式(8)所述的部分ARIMA模型來抽取和預(yù)測基于電壓vi的波動項vif。(3)剩余壽命估計通過電壓老化趨勢項va和波動趨勢項vf，我們可以通過公式2預(yù)測出未來的電壓值v’。當(dāng)浮動電壓值比預(yù)定義的電池失效閾值θ高時，我們可以認(rèn)為電池i的工作狀態(tài)是良好的，可以被寫成如下形式：via+vif-θ>0(9)在時間t內(nèi)，電壓值為電壓斜率為st，損失值為yt，剩余壽命r可以表示如下：4.實驗在進行量化績效評估之前，我們提供一個實例作為案例研究，用來證明EVENING框架的有效性。我們把EVENING和ARIMA運用到365天的電池數(shù)據(jù)，用來預(yù)測未來120天內(nèi)的老化趨勢和電池工作狀況。(1)實驗設(shè)備海量數(shù)據(jù)的分析需要足夠的時間和容量，我們在云平臺上處理了323GB的數(shù)據(jù)，使存檔數(shù)據(jù)的查詢更高效，本發(fā)明一個具體實施例中的平臺包含了8個戴爾DellPowerEdgeR430服務(wù)器，每個服務(wù)器配備了兩個2.4GHz8核的XeonE5-2630v3、256GB的DDR3內(nèi)存和一個10Gbits/秒的網(wǎng)絡(luò)接口卡(NIC)。用超線程啟用CPU，那樣每個CPU核能支持兩個線程(虛擬CPU核心)。所有的物理服務(wù)器通過一個網(wǎng)件16端口10千兆交換機相互連接。使用專用物理設(shè)備到主機的主節(jié)點而不是使用一個虛擬機，確保最小化資源爭用的快速響應(yīng)時間。其他主機虛擬節(jié)點的物理設(shè)備運行最新版的XenHypervisor(version4.1.3)。關(guān)于運行在虛擬機(Domain0和DomainU)上的操作系統(tǒng)，我們使用流行的64位的Ubuntu12.04LTS(內(nèi)核版本3.11.0-12)。為所有的虛擬機分配8個虛擬CPU核和4GB的內(nèi)存。我們運行Hive1.2.1，是建立在ApacheHadoop1.2.1之上的數(shù)據(jù)倉庫，適用于數(shù)據(jù)管理和基于HiveQL的分析查詢，其中，HiveQL是一種基于SQL的查詢語言。(2)評估在本節(jié)中，我們使用實際搜集得到的真實的數(shù)據(jù)來評估框架的精確度，并推測出剩余壽命。為了評估預(yù)測質(zhì)量，我們對1691個電池數(shù)據(jù)進行試驗，其中有1282個樣本訓(xùn)練集與409個樣本測試集。我們計算先前365天和之后120天的斜率之間的差別，為電池老化項生成一個失效標(biāo)簽。圖9概括了從數(shù)據(jù)集中提取出來的失效趨勢的分布，覆蓋范圍從0到-5×10-4，且大多數(shù)電池在緩慢惡化狀態(tài)。在表2中，我們對比了EVENING方法和線性回歸(LR)、ARIMA和小波分析(Wavelet)，并計算出預(yù)測電壓值和實際數(shù)據(jù)的均方根誤差。如圖10所示，我們可以20406080100120MIML0.00220.00200.00130.00030.00080.0020ARIMA0.00410.00540.01220.01900.02900.0401LR0.03070.02720.02860.02870.02980.0300Wavelet0.06010.06700.06680.07370.06940.0698表2實際數(shù)據(jù)與預(yù)測數(shù)據(jù)的均方根誤差看出，在大多數(shù)的對比方案中，我們的方法呈現(xiàn)出的效果最好，在提取趨勢與真實發(fā)展趨勢間的誤差最小。尤其是當(dāng)斜率很小，老化現(xiàn)象很微小時，我們的方法比線性分析、自回歸積分滑動平均模型和小波分析效果要好。此外，從方案中提取出的老化趨勢是單調(diào)的，符合老化現(xiàn)象的本質(zhì)，然而，線性分析、自回歸積分滑動平均模型和小波分析就沒有這方面的優(yōu)勢，因為它們在提取趨勢方面沒有進行單調(diào)性約束。有一個合理的假設(shè)，電池失效的后果是更換電池，我們選擇有更換記錄的112個電池，用來驗證預(yù)測剩余壽命。百分比與電池失效預(yù)警之后存活的天數(shù)之間的關(guān)系如圖11所示。87％的電池在三個月之內(nèi)被更換，這表明我們的方法能強有力地預(yù)測出電池失效。與此同時，極少數(shù)電池在失效預(yù)警之后仍被安裝，我們對它們進行了仔細(xì)觀察，發(fā)現(xiàn)這些電池沒有被更換是因為存在多余的電池組，這表明我們的EVENING框架可以有效協(xié)助維修工程師偵查電池組中潛在的問題。(3)范例分析EVENINGE框架和ARIMA的比較如圖12所示，比較結(jié)果與我們的猜想符合，那就是事件能夠給電池工作環(huán)境帶來長久的改變。ARIMA只使用單個電池的浮動電壓，并且它不能將歷史事件的影響做成模型?？紤]到事件的影響，EVENING框架能夠快速響應(yīng)這些事件，并提供一個精確的預(yù)測趨勢。在圖12中，我們可以清楚看到，EVENING框架可以成功預(yù)測出電池電壓的下降趨勢，還可以預(yù)測出該電池在接下來三個月內(nèi)的工作狀態(tài)。正如我們所知，ARIMA模型的主要缺點是它需要長期階段的歷史信息來進行預(yù)測。在實驗中，ARIMA適用于預(yù)測基于前365天的數(shù)據(jù)的波動項，盡管它不能準(zhǔn)確估計出老化條件。我們可以根據(jù)電池預(yù)定義的閾值，預(yù)測出電池剩余壽命。綜上所述，本申請的方法，提出了一種事件驅(qū)動型電池分析方法，來準(zhǔn)確提取出可以導(dǎo)致電池組工作狀態(tài)退化的特征。我們?yōu)殡姵仉妷汉褪褂脡勖贫祟A(yù)測模型，并且提出了一系列能得到精確輸出值的解決方法，這讓我們進一步提出一個方案，及時安排電池維護和替代，以使得停電帶來的服務(wù)中斷最小化。根據(jù)與真實數(shù)據(jù)的跟蹤評估，證明了本申請的方法可以在電壓和壽命預(yù)測方面得到更高的精度，并可以顯著提升蜂窩網(wǎng)絡(luò)的服用可用性。本發(fā)明的上述具體實施方式僅僅用于示例性說明或解釋本發(fā)明的原理，而不構(gòu)成對本發(fā)明的限制。因此，在不偏離本發(fā)明的精神和范圍的情況下所做的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。此外，本發(fā)明所附權(quán)利要求旨在涵蓋落入所附權(quán)利要求范圍和邊界、或者這種范圍和邊界的等同形式內(nèi)的全部變化和修改例。當(dāng)前第1頁1 2 3