1.本發(fā)明涉及智能檢測技術(shù)領(lǐng)域，尤其涉及一種蓄電池健康度估算方法、裝置、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)：

2.隨著云計算、大數(shù)據(jù)技術(shù)的快速發(fā)展，很多數(shù)據(jù)的存儲和處理都在數(shù)據(jù)中心進行，這就要求數(shù)據(jù)中心能夠為各種存儲、計算服務(wù)器提供充足穩(wěn)定的電力保障。
3.交、直流不間斷供電系統(tǒng)是數(shù)據(jù)中心機房的動力保障，保證了數(shù)據(jù)中心各種設(shè)備的供電連續(xù)性，蓄電池恰恰是不間斷供電系統(tǒng)中的最后一道保險，其質(zhì)量好壞直接關(guān)系到不間斷供電系統(tǒng)的運行情況，因此關(guān)于蓄電池健康預(yù)測方面的研究越來越多。
4.電池的健康度值(state of health，soh)是指在一定條件下，電池所能放出的容量與電池標稱容量的比值，是判斷蓄電池是否可以繼續(xù)提供可靠保障的指標。
5.目前蓄電池健康度估計方法，主要使用原始對比和測量的方法，即通過核對性試驗及全容量試驗進行估算，建立電池內(nèi)阻與健康狀態(tài)的對應(yīng)關(guān)系，通過電池內(nèi)阻特性精確的反映電池當前健康狀態(tài)，由于試驗周期長，不適合擁有大規(guī)模數(shù)量蓄電池的數(shù)據(jù)機房。此外，這種原始方法并不能實時掌握電池的健康度。
6.上述蓄電池容量估算方法，均需要獲取蓄電池實際容量，目前經(jīng)常使用的方法為全容量測試法，而每塊蓄電池做一次全容量測試需要10小時左右，對于擁有上萬塊蓄電池的大型數(shù)據(jù)中心來說，對每一塊蓄電池都進行全容量測試，幾乎是一項難以完成的工作。
7.此外，根據(jù)相關(guān)維護規(guī)定，大多數(shù)數(shù)據(jù)中心每三年做一次容量試驗，這樣的soh測量頻率，使得維護人員無法及時掌握蓄電池的工作狀況，更無法及時發(fā)現(xiàn)隱患并消除隱患。

技術(shù)實現(xiàn)要素：

8.針對現(xiàn)有技術(shù)中關(guān)于蓄電池健康度估算的方法，普遍存在耗時長、工作量大、無法實現(xiàn)實時監(jiān)測等問題，本發(fā)明實施例提供一種蓄電池健康度估算方法、裝置、電子設(shè)備及存儲介質(zhì)。
9.本發(fā)明提供一種蓄電池健康度估算方法，包括：獲取每個樣本蓄電池的健康度值，并獲取每個所述樣本蓄電池的監(jiān)測數(shù)據(jù)；所述健康度值為當前容量與標稱容量的比值；
10.將每個所述樣本蓄電池的監(jiān)測數(shù)據(jù)作為一個樣本數(shù)據(jù)，所述樣本蓄電池的健康度值作為相應(yīng)的標簽，構(gòu)建樣本數(shù)據(jù)集；
11.基于和聲搜索算法，根據(jù)所述樣本數(shù)據(jù)集，確定支持向量機的最優(yōu)參數(shù)，以優(yōu)化所述支持向量機；
12.利用所述樣本數(shù)據(jù)集，對優(yōu)化后的所述支持向量機進行預(yù)訓(xùn)練，以獲取健康度值估算模型；
13.獲取目標蓄電池的監(jiān)測數(shù)據(jù)，并將所述監(jiān)測數(shù)據(jù)作為所述健康度值估算模型的輸入，以獲取由所述健康度值估算模型輸出的所述目標蓄電池的健康度值。
14.根據(jù)本發(fā)明提供的一種蓄電池健康度估算方法，所述基于和聲搜索算法，根據(jù)所述樣本數(shù)據(jù)集，確定支持向量機的最優(yōu)參數(shù)，以優(yōu)化所述支持向量機，包括：
15.初始化所述支持向量機的參數(shù)，以及所述和聲搜索算法的算法參數(shù)，并確定與所述支持向量機的初始參數(shù)相關(guān)的初始解空間；
16.將所述初始解空間作為所述和聲搜索算法的初始和聲向量，進行和聲搜索算法迭代計算，以獲取最優(yōu)和聲向量；
17.根據(jù)所述最優(yōu)和聲向量，確定所述支持向量機的最優(yōu)參數(shù)，并將所述最優(yōu)參數(shù)作為所述支持向量機的參數(shù)，以完成對所述支持向量機的優(yōu)化；
18.所述初始參數(shù)為所述支持向量機初始化后的參數(shù)。所述支持向量機的參數(shù)，包括懲罰因子c和核函數(shù)參數(shù)g；
19.所述算法參數(shù)，包括和聲記憶庫大小hms、和聲記憶庫取值概率hmcr、音調(diào)微調(diào)概率par、音調(diào)微調(diào)帶寬bw和最大創(chuàng)作次數(shù)t
max
。
20.根據(jù)本發(fā)明提供的一種蓄電池健康度估算方法，在初始化所述和聲搜索算法的算法參數(shù)之后，還包括：
21.設(shè)進行和聲搜索算法優(yōu)化的適應(yīng)度評價函數(shù)f(x)的表達式為f(x)，x＝{x1，x2…
，xn}∈rn；其中為xn為支持向量機的中需要優(yōu)化的第n個參數(shù)，x為由n個成員組成的樂隊，rn為n維的集合；
22.從x的解空間中隨機生成hms個和聲，構(gòu)成和聲記憶庫hm。
23.根據(jù)本發(fā)明提供的一種蓄電池健康度估算方法，所述將所述初始解空間作為所述和聲搜索算法的初始和聲向量，進行和聲搜索算法迭代計算，以獲取最優(yōu)和聲向量，包括：
24.s1，將所述初始解空間作為所述和聲搜索算法的初始和聲向量，進行和聲搜索算法計算，以確定所述初始和聲向量對應(yīng)的適應(yīng)度值；
25.s2，若所述適應(yīng)度值不小于hm中所有和聲向量所對應(yīng)的最小適應(yīng)度值，則將所述初始和聲向量替換hm中與所述最小適應(yīng)度值對應(yīng)的和聲變量；
26.s3，在[0,1]之間產(chǎn)生一個隨機數(shù)r1，并將r1與hmcr進行比較；
[0027]
若r1《hmcr，則從hm中隨機取出一個和聲變量，并利用par以及bw對所述和聲變量進行微調(diào)，以生成新的和聲變量
[0028]
否則，從x的解空間中生成一個新的和聲變量；
[0029]
s4，確定所述新的和聲變量對應(yīng)的適應(yīng)度值；
[0030]
s5，迭代執(zhí)行步驟s2-s4，直至迭代次數(shù)達到t
max
為止，并確定當前hm中與最大適應(yīng)度值對應(yīng)的和聲向量為最優(yōu)和聲向量。
[0031]
根據(jù)本發(fā)明提供的一種蓄電池健康度估算方法，所述監(jiān)測數(shù)據(jù)，包括以下數(shù)據(jù)中的至少一種：電壓、電阻以及溫度。
[0032]
根據(jù)本發(fā)明提供的一種蓄電池健康度估算方法，所述和聲搜索算法優(yōu)化的適應(yīng)度評價函數(shù)f(x)具體為svmtrain函數(shù)；
[0033]
所述支持向量機的核函數(shù)具體為徑向基rbf函數(shù)。
[0034]
本發(fā)明還提供一種蓄電池健康度估算裝置，包括：
[0035]
數(shù)據(jù)采集單元，用于獲取每個樣本蓄電池的健康度值，并獲取每個所述樣本蓄電池的監(jiān)測數(shù)據(jù)；所述健康度值為當前容量與標稱容量的比值；
[0036]
數(shù)據(jù)集構(gòu)建單元，用于將每個所述樣本蓄電池的監(jiān)測數(shù)據(jù)作為一個樣本數(shù)據(jù)，所述樣本蓄電池的健康度值作為相應(yīng)的標簽，構(gòu)建樣本數(shù)據(jù)集；
[0037]
參數(shù)優(yōu)化單元，用于基于和聲搜索算法，根據(jù)所述樣本數(shù)據(jù)集，確定支持向量機的最優(yōu)參數(shù)，以優(yōu)化所述支持向量機；
[0038]
模型構(gòu)建單元，用于根據(jù)所述樣本數(shù)據(jù)集，對優(yōu)化后的所述支持向量機進行預(yù)訓(xùn)練，以獲取健康度值估算模型；
[0039]
結(jié)果運算單元，用于根據(jù)獲取的目標蓄電池的監(jiān)測數(shù)據(jù)，以將所述監(jiān)測數(shù)據(jù)作為所述健康度值估算模型的輸入，獲取由所述健康度值估算模型輸出的所述目標蓄電池的健康度值。
[0040]
本發(fā)明還提供一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)如上述任一種所述蓄電池健康度估算方法的步驟。
[0041]
本發(fā)明還提供一種非暫態(tài)計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)如上述任一種所述蓄電池健康度估算方法的步驟。
[0042]
本發(fā)明提供的蓄電池健康度估算方法、裝置、電子設(shè)備及存儲介質(zhì)，利用和聲搜索算法優(yōu)化支持向量機參數(shù)，以實現(xiàn)實時掌握蓄電池健康度，從而能降低因蓄電池維護不及時而導(dǎo)致意外事故發(fā)生的概率。
附圖說明
[0043]
為了更清楚地說明本發(fā)明或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0044]
圖1是本發(fā)明提供的蓄電池健康度估算方法的流程示意圖；
[0045]
圖2是本發(fā)明提供的和聲搜索算法的流程示意圖；
[0046]
圖3是本發(fā)明提供的蓄電池健康度估算裝置的結(jié)構(gòu)示意圖；
[0047]
圖4是本發(fā)明提供的電子設(shè)備的結(jié)構(gòu)示意圖。
具體實施方式
[0048]
為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明中的附圖，對本發(fā)明中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
[0049]
需要說明的是，在本發(fā)明實施例的描述中，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個
……”
限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。術(shù)語“上”、“下”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)
明和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對本發(fā)明的限制。對于本領(lǐng)域的普通技術(shù)人員而言，可以根據(jù)具體情況理解上述術(shù)語在本發(fā)明中的具體含義。
[0050]
本發(fā)明提供一種利用和聲搜索算法來優(yōu)化支持向量機，然后利用預(yù)先構(gòu)建的樣本數(shù)據(jù)集，對優(yōu)化后的支持向量機進行訓(xùn)練，以獲取用于實時對目標蓄電池的soh進行預(yù)測的健康度值估算模型。
[0051]
下面結(jié)合圖1-圖4描述本發(fā)明實施例所提供的蓄電池健康度估算方法、裝置、電子設(shè)備及存儲介質(zhì)。
[0052]
圖1是本發(fā)明提供的蓄電池健康度估算方法的流程示意圖，如圖1所示，包括但不限于以下步驟：
[0053]
步驟101，獲取每個樣本蓄電池的soh，并獲取每個所述樣本蓄電池的監(jiān)測數(shù)據(jù)；所述soh為當前容量與標稱容量的比值。
[0054]
其中，其中樣本蓄電池可以從不同數(shù)據(jù)機房中選擇，為了確保估算結(jié)果的魯棒性，可以采集不同型號、不同容量、不同廠家不同使用期限的蓄電池，作為樣本蓄電池。
[0055]
然后，分別測量每個樣本蓄電池的監(jiān)測數(shù)據(jù)，如：蓄電池的輸出電壓、內(nèi)阻以及蓄電池主體的溫度，該溫度可以統(tǒng)一為蓄電池主體的平均溫度；同時，獲取每個樣本蓄電池的健康度值，即通過現(xiàn)有的蓄電池的soh測量方法，分別測量每個樣本蓄電池的當前容量，并計算這一當前容量與其標稱容量的比值。
[0056]
步驟102，將每個所述樣本蓄電池的監(jiān)測數(shù)據(jù)作為一個樣本數(shù)據(jù)，所述樣本蓄電池的健康度值作為相應(yīng)的標簽，構(gòu)建樣本數(shù)據(jù)集。
[0057]
將每個樣本蓄電池的監(jiān)測數(shù)據(jù)作為一個樣本數(shù)據(jù)，將其對應(yīng)樣本蓄電池的soh作為標簽，構(gòu)建樣本數(shù)據(jù)集。本發(fā)明對樣本數(shù)據(jù)集所涉及的樣本蓄電池的數(shù)量不作具體的限定，如可以將150個樣本蓄電池所測量的監(jiān)測數(shù)據(jù)以及對應(yīng)的soh，組建成一個樣本數(shù)據(jù)集。
[0058]
步驟103，基于和聲搜索算法，根據(jù)所述樣本數(shù)據(jù)集，確定支持向量機的最優(yōu)參數(shù)，以優(yōu)化所述支持向量機。
[0059]
和聲搜索算法(harmony search，hs)是一種智能優(yōu)化算法，是一個模擬在樂隊演奏的過程中，樂師憑借自己的記憶不斷進行調(diào)整每種樂器的音調(diào)，使整個樂隊的演奏最終呈現(xiàn)出美妙的和聲的過程。
[0060]
具體來說，hs算法是通過反復(fù)調(diào)整和聲記憶庫中的解變量，使函數(shù)值隨著迭代次數(shù)的增加不斷收斂，從而來完成優(yōu)化的過程，該算法概念簡單、可調(diào)參數(shù)少、容易實現(xiàn)。
[0061]
支持向量機(support vector machine,svm)是一種分類模型，svm模型主要目的是尋找到分類的最優(yōu)超平面。具體來說，svm模型是根據(jù)有限的樣本數(shù)據(jù)，利用統(tǒng)計學(xué)理論，尋求最佳的學(xué)習(xí)能力的分類算法。svm模型的主要優(yōu)勢在于：可以在有限的樣本下，通過引入適當?shù)暮撕瘮?shù)，將不同類別的樣本數(shù)據(jù)分開，將線性不可分的問題轉(zhuǎn)化為線性可分的問題。
[0062]
由于svm模型的不同參數(shù)，對其最終輸出的結(jié)果影響較大。就本發(fā)明提供的蓄電池健康度估算方法來說，svm模型的不同參數(shù)(懲罰因子c或核函數(shù)參數(shù)g等)的取值會極大影響svm的泛化能力以及估算的性能。
[0063]
本發(fā)明提供的蓄電池健康度估算方法，主要是利用hs算法來優(yōu)化svm模型的相關(guān)
參數(shù)，以通過優(yōu)化后獲取的相關(guān)參數(shù)對svm模型進行優(yōu)化。
[0064]
步驟104，利用所述樣本數(shù)據(jù)集，對優(yōu)化后的所述支持向量機進行預(yù)訓(xùn)練，以獲取健康度值估算模型；
[0065]
在完成了svm模型的優(yōu)化之后，在利用預(yù)先構(gòu)建的樣本數(shù)據(jù)集，對優(yōu)化后的svm模型進行預(yù)訓(xùn)練，以使得優(yōu)化后的svm模型能夠充分學(xué)習(xí)到soh與監(jiān)測數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系，并由預(yù)訓(xùn)練后的svm模型構(gòu)建出健康度值估算模型(以下簡稱soh估算模型)。
[0066]
具體地，在本發(fā)明所提供的蓄電池健康度估算方法中，可以采用有監(jiān)督學(xué)習(xí)的方法，對優(yōu)化后的svm模型進行預(yù)訓(xùn)練，包括：
[0067]
將樣本數(shù)據(jù)集中的每個樣本數(shù)據(jù)對應(yīng)的監(jiān)測數(shù)據(jù)作為模型的輸入，將該樣本數(shù)據(jù)對應(yīng)的健康度值作為模型的輸出，通過迭代的方式，根據(jù)交叉熵損失，分別對優(yōu)化后的svm模型的模型參數(shù)進行適當?shù)恼{(diào)整，以獲取最終的soh估算模型。
[0068]
步驟105，獲取目標蓄電池的監(jiān)測數(shù)據(jù)，并將所述監(jiān)測數(shù)據(jù)作為所述健康度值估算模型的輸入，以獲取由所述健康度值估算模型輸出的所述目標蓄電池的健康度值。
[0069]
最后，若需要對任一目標蓄電池的soh進行估算，僅僅需要采集該目標電池的監(jiān)測數(shù)據(jù)，并將這一檢測數(shù)據(jù)輸入至soh估算模型，即可以獲取由soh估算模型輸出的該目標蓄電池的soh。
[0070]
進一步地，可以按照相關(guān)維護規(guī)程劃分的等級，根據(jù)該目標蓄電池的soh，進一步地評估出該目標蓄電池的健康度。
[0071]
例如，可以根據(jù)soh所在的數(shù)值范圍，根據(jù)相關(guān)維護規(guī)程，將整個數(shù)值范圍劃分成不同的等級(如健康、一般、較差以及報廢等四個級別)，這樣在獲取到任一目標蓄電池的soh之后，根據(jù)其所在的數(shù)值范圍，自動確定出其對應(yīng)的健康度。
[0072]
本發(fā)明提供的蓄電池健康度估算方法，利用和聲搜索算法優(yōu)化支持向量機參數(shù)，以實現(xiàn)實時掌握蓄電池健康度，從而能降低因蓄電池維護不及時而導(dǎo)致意外事故發(fā)生的概率。
[0073]
基于上述實施例的內(nèi)容，作為一種可選實施例，上述基于和聲搜索算法，根據(jù)樣本數(shù)據(jù)集，確定支持向量機的最優(yōu)參數(shù)，以優(yōu)化支持向量機，主要包括：初始化支持向量機的參數(shù)，以及和聲搜索算法的算法參數(shù)，并確定與支持向量機的初始參數(shù)相關(guān)的初始解空間；將初始解空間作為和聲搜索算法的初始和聲向量，進行和聲搜索算法迭代計算，以獲取最優(yōu)和聲向量；根據(jù)最優(yōu)和聲向量，確定支持向量機的最優(yōu)參數(shù)，并將最優(yōu)參數(shù)作為所述支持向量機的參數(shù)，以完成對述支持向量機的優(yōu)化；初始參數(shù)為支持向量機初始化后的參數(shù)。
[0074]
作為一種可選的實施例，上述支持向量機的參數(shù)，主要包括但不限于：懲罰因子c和核函數(shù)參數(shù)g；上述算法參數(shù)，主要包括但不限于：和聲記憶庫大小hms、和聲記憶庫取值概率hmcr、音調(diào)微調(diào)概率par、音調(diào)微調(diào)帶寬bw和最大創(chuàng)作次數(shù)t
max
。
[0075]
svm模型由于本身受設(shè)置的參數(shù)影響較大，而和聲搜索算法具有很好的參數(shù)優(yōu)化效果，因此本發(fā)明采用和聲搜索算法對svm模型的懲罰因子c和核函數(shù)參數(shù)g進行優(yōu)化，以此來優(yōu)化svm模型。
[0076]
主要思路是：將上述懲罰因子c和核函數(shù)參數(shù)g看成是樂隊中的兩種樂器，模仿樂器調(diào)節(jié)自己的音調(diào)達到最優(yōu)和聲的過程，不斷調(diào)節(jié)兩個參數(shù)的值，尋找到最優(yōu)解(c
best
,g
best
)，主要包括但不限于以下步驟：
[0077]
步驟1)，調(diào)取樣本數(shù)據(jù)集，即包含有多個樣本蓄電池相關(guān)的樣本數(shù)據(jù)以及對應(yīng)的健康度值。
[0078]
步驟2)，初始化svm模型以及初始化hs算法的參數(shù)，包括：初始化svm模型的搜索范圍和初始化和聲搜索算法參數(shù)，如：設(shè)定創(chuàng)作的最大次數(shù)t
max
、和聲記憶庫大小hms、和聲記憶庫取值概率hmcr、音調(diào)微調(diào)帶寬bw、音調(diào)微調(diào)概率par、svm模型的初始適應(yīng)值等數(shù)值，生成一組隨機數(shù)據(jù)(c0,g0)，以此作為初始解空間。
[0079]
步驟3)，用步驟2)中得到的初始解空間(c0,g0)，作為hs算法優(yōu)化的svm模型的初始值，病以此計算初始解空間(c0,g0)對應(yīng)的適應(yīng)度值，并以得到的適應(yīng)度值的大小來對hs算法優(yōu)化后的svm模型的參數(shù)懲罰因子c和核函數(shù)參數(shù)g進行評價，包括：
[0080]
通過選取當前和聲記憶庫中的信息，與計算的和聲適應(yīng)度值作對比，以從和聲記憶庫中選取與最優(yōu)的和聲適應(yīng)度相對應(yīng)的和聲向量來更新和聲記憶庫。
[0081]
若不滿足終止條件，會持續(xù)的更新和聲記憶庫。其中，所述終止條件可以是指是否達到最大迭代次數(shù)t
max
。
[0082]
如果滿足了最大迭代次數(shù)搜索結(jié)束并給出搜索結(jié)果，即svm分類器的懲罰因子c和核函數(shù)參數(shù)g。
[0083]
步驟4)，根據(jù)步驟3得到的最優(yōu)懲罰因子c
best
和最優(yōu)核函數(shù)參數(shù)g
best
，并以此設(shè)置svm模型的參數(shù)，由此得到適用于蓄電池soh估算的健康度值估算模型的初始模型(即最優(yōu)svm模型)。
[0084]
圖2是本發(fā)明提供的和聲搜索算法的流程示意圖，作為一種可選收視率，如圖2所示，在初始化所述和聲搜索算法的算法參數(shù)之后，還包括：
[0085]
設(shè)進行和聲搜索算法優(yōu)化的適應(yīng)度評價函數(shù)f(x)的表達式為f(x)，x＝{x1，x2…
，xn}∈rn；其中為xn為支持向量機的中需要優(yōu)化的第n個參數(shù)，x為由n個成員組成的樂隊，rn為n維的集合；從x的解空間中隨機生成hms個和聲，構(gòu)成和聲記憶庫hm。
[0086]
進一步地，上述將初始解空間作為所述和聲搜索算法的初始和聲向量，進行和聲搜索算法迭代計算，以獲取最優(yōu)和聲向量，包括：
[0087]
s1，將所述初始解空間(c0,g0)作為hs算法的初始和聲向量，進行hs算法計算，以確定初始和聲向量對應(yīng)的適應(yīng)度值；
[0088]
s2，若適應(yīng)度值不小于hm中所有和聲向量所對應(yīng)的最小適應(yīng)度值，則將所述初始和聲向量替換hm中與所述最小適應(yīng)度值對應(yīng)的和聲變量；
[0089]
s3，在[0,1]之間產(chǎn)生一個隨機數(shù)r1，并將r1與hmcr進行比較；
[0090]
若r1《hmcr，則從hm中隨機取出一個和聲變量，并利用par以及bw對所述和聲變量進行微調(diào)，以生成新的和聲變量
[0091]
否則，從x的解空間中生成一個新的和聲變量；
[0092]
s4，確定新的和聲變量對應(yīng)的適應(yīng)度值；
[0093]
s5，迭代執(zhí)行步驟s2-s4，直至迭代次數(shù)達到t
max
為止，并確定當前hm中與最大適應(yīng)度值對應(yīng)的和聲向量為最優(yōu)和聲向量。
[0094]
需要強調(diào)的是，本發(fā)明關(guān)于svm模型的參數(shù)設(shè)置，考慮了以下幾點：
[0095]
svm模型常用的核函數(shù)有：線性核函數(shù)、多項式核函數(shù)、采用徑向基rbf核函數(shù)和sigmoid核函數(shù)。
[0096]
由于svm算法結(jié)果受其參數(shù)的影響，因此為了得到更優(yōu)的參數(shù)，本發(fā)明采用和聲搜索算法優(yōu)化svm模型的參數(shù)，并采用徑向基rbf核函數(shù)作為svm模型的核函數(shù)，徑向基rbf核函數(shù)可以將樣本數(shù)據(jù)映射到一個更高維的空間內(nèi)，相對于多項式核函數(shù)而言參數(shù)少，大多數(shù)不知道該選用哪種核函數(shù)的情況下，優(yōu)先使用rbf核函數(shù)，形式如下：
[0097][0098]
進一步地，上述初始化svm模型的參數(shù)包括：設(shè)置svm模型的初始懲罰因子c＝2，初始核函數(shù)參數(shù)g＝0.015，并使用svmtrain函數(shù)作為適應(yīng)度函數(shù)，用于在hs算法對svm模型的參數(shù)進行尋優(yōu)的過程中，計算各和聲向量的適應(yīng)度值。
[0099]
作為一種可選實施例，關(guān)于hs算法參數(shù)設(shè)置需要強調(diào)以下幾點：
[0100]
上述初始化hs算法的算法參數(shù)，包括：設(shè)置初始的和聲記憶庫大小hms為200、和聲記憶庫取值概率hmcr為9.5、音調(diào)微調(diào)概率par為0.3、音調(diào)微調(diào)帶寬bw為0.01以及最大創(chuàng)作次數(shù)t
max
為20。
[0101]
本發(fā)明提供的蓄電池健康度估算方法，可以實現(xiàn)對數(shù)據(jù)中心各蓄電池soh的實時監(jiān)測，可大幅減少蓄電池維護不及時所產(chǎn)生的問題和事故，同時更好的確保蓄電池作為機房設(shè)備電力保障的可靠性。
[0102]
為了更加充分的證明本發(fā)明所提供的蓄電池健康度估算方法的可行性，通過對中國移動(呼和浩特)數(shù)據(jù)中心的相關(guān)蓄電池進行相關(guān)驗證，具體如下：
[0103]
從該數(shù)據(jù)中心隨機采集到149組樣本數(shù)據(jù)，其中監(jiān)測數(shù)據(jù)主要包括蓄電池的電壓、內(nèi)阻以及溫度信息。將這149組樣本數(shù)據(jù)分為兩部分，一部為訓(xùn)練樣本數(shù)據(jù)；另一部分為驗證樣本數(shù)據(jù)。其中，訓(xùn)練樣本數(shù)據(jù)包括139組樣本數(shù)據(jù)，驗證樣本數(shù)據(jù)包含10組樣本數(shù)據(jù)。具體的測試結(jié)果如表1所示：
[0104]
表1：實際測量的soh與估算的soh值比對表
[0105]
實際測量的soh值估算的soh值58％60％56％57％58％60％57％59％57％60％59％60％60％60％59％60％59％60％60％60％
[0106]
由表1，明顯可以獲知：采用本發(fā)明提供的蓄電池健康度估算方法，對149各蓄電池進行估算所獲取的soh值與實際測量的soh值之間的誤差很小，完全能夠滿足實際工作的需要，故充分證明了本發(fā)明所提供的蓄電池健康度估算方法，滿足預(yù)期要求、方案有效。
[0107]
圖3是本發(fā)明提供的蓄電池健康度估算裝置的結(jié)構(gòu)示意圖，如圖3所示，主要包括：
數(shù)據(jù)采集單元31、數(shù)據(jù)集構(gòu)建單元32、參數(shù)優(yōu)化單元33、模型構(gòu)建單元34以及結(jié)果運算單元35，其中：
[0108]
數(shù)據(jù)采集單元31主要用于獲取每個樣本蓄電池的健康度值，并獲取每個所述樣本蓄電池的監(jiān)測數(shù)據(jù)；所述健康度值為當前容量與標稱容量的比值。
[0109]
數(shù)據(jù)集構(gòu)建單元32主要用于將每個所述樣本蓄電池的監(jiān)測數(shù)據(jù)作為一個樣本數(shù)據(jù)，所述樣本蓄電池的健康度值作為相應(yīng)的標簽，構(gòu)建樣本數(shù)據(jù)集。
[0110]
參數(shù)優(yōu)化單元33主要用于基于和聲搜索算法，根據(jù)所述樣本數(shù)據(jù)集，確定支持向量機的最優(yōu)參數(shù)，以優(yōu)化所述支持向量機。
[0111]
模型構(gòu)建單元34主要用于根據(jù)所述樣本數(shù)據(jù)集，對優(yōu)化后的所述支持向量機進行預(yù)訓(xùn)練，以獲取健康度值估算模型。
[0112]
結(jié)果運算單元35主要用于根據(jù)獲取的目標蓄電池的監(jiān)測數(shù)據(jù)，以將所述監(jiān)測數(shù)據(jù)作為所述健康度值估算模型的輸入，獲取由所述健康度值估算模型輸出的所述目標蓄電池的健康度值。
[0113]
需要說明的是，本發(fā)明實施例提供的蓄電池健康度估算裝置，在具體執(zhí)行時，可以基于上述任一實施例所述的蓄電池健康度估算方法來實現(xiàn)，對此本實施例不作贅述。
[0114]
本發(fā)明提供的蓄電池健康度估算裝置，利用和聲搜索算法優(yōu)化支持向量機參數(shù)，以實現(xiàn)實時掌握蓄電池健康度，從而能降低因蓄電池維護不及時而導(dǎo)致意外事故發(fā)生的概率。
[0115]
圖4是本發(fā)明提供的電子設(shè)備的結(jié)構(gòu)示意圖，如圖4所示，該電子設(shè)備可以包括：處理器(processor)410、通信接口(communications interface)420、存儲器(memory)430和通信總線440，其中，處理器410，通信接口420，存儲器430通過通信總線440完成相互間的通信。處理器410可以調(diào)用存儲器430中的邏輯指令，以執(zhí)行蓄電池健康度估算方法，該方法包括：獲取每個樣本蓄電池的健康度值，并獲取每個所述樣本蓄電池的監(jiān)測數(shù)據(jù)；所述健康度值為當前容量與標稱容量的比值；將每個所述樣本蓄電池的監(jiān)測數(shù)據(jù)作為一個樣本數(shù)據(jù)，所述樣本蓄電池的健康度值作為相應(yīng)的標簽，構(gòu)建樣本數(shù)據(jù)集；基于和聲搜索算法，根據(jù)所述樣本數(shù)據(jù)集，確定支持向量機的最優(yōu)參數(shù)，以優(yōu)化所述支持向量機；利用所述樣本數(shù)據(jù)集，對優(yōu)化后的所述支持向量機進行預(yù)訓(xùn)練，以獲取健康度值估算模型；獲取目標蓄電池的監(jiān)測數(shù)據(jù)，并將所述監(jiān)測數(shù)據(jù)作為所述健康度值估算模型的輸入，以獲取由所述健康度值估算模型輸出的所述目標蓄電池的健康度值。
[0116]
此外，上述的存儲器430中的邏輯指令可以通過軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設(shè)備(可以是個人計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：u盤、移動硬盤、只讀存儲器(rom，read-only memory)、隨機存取存儲器(ram，random access memory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。
[0117]
另一方面，本發(fā)明還提供一種計算機程序產(chǎn)品，所述計算機程序產(chǎn)品包括存儲在非暫態(tài)計算機可讀存儲介質(zhì)上的計算機程序，所述計算機程序包括程序指令，當所述程序
指令被計算機執(zhí)行時，計算機能夠執(zhí)行上述各方法所提供的蓄電池健康度估算方法，該方法包括：獲取每個樣本蓄電池的健康度值，并獲取每個所述樣本蓄電池的監(jiān)測數(shù)據(jù)；所述健康度值為當前容量與標稱容量的比值；將每個所述樣本蓄電池的監(jiān)測數(shù)據(jù)作為一個樣本數(shù)據(jù)，所述樣本蓄電池的健康度值作為相應(yīng)的標簽，構(gòu)建樣本數(shù)據(jù)集；基于和聲搜索算法，根據(jù)所述樣本數(shù)據(jù)集，確定支持向量機的最優(yōu)參數(shù)，以優(yōu)化所述支持向量機；利用所述樣本數(shù)據(jù)集，對優(yōu)化后的所述支持向量機進行預(yù)訓(xùn)練，以獲取健康度值估算模型；獲取目標蓄電池的監(jiān)測數(shù)據(jù)，并將所述監(jiān)測數(shù)據(jù)作為所述健康度值估算模型的輸入，以獲取由所述健康度值估算模型輸出的所述目標蓄電池的健康度值。
[0118]
又一方面，本發(fā)明還提供一種非暫態(tài)計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)以執(zhí)行上述各實施例提供的蓄電池健康度估算方法，該方法包括：獲取每個樣本蓄電池的健康度值，并獲取每個所述樣本蓄電池的監(jiān)測數(shù)據(jù)；所述健康度值為當前容量與標稱容量的比值；將每個所述樣本蓄電池的監(jiān)測數(shù)據(jù)作為一個樣本數(shù)據(jù)，所述樣本蓄電池的健康度值作為相應(yīng)的標簽，構(gòu)建樣本數(shù)據(jù)集；基于和聲搜索算法，根據(jù)所述樣本數(shù)據(jù)集，確定支持向量機的最優(yōu)參數(shù)，以優(yōu)化所述支持向量機；利用所述樣本數(shù)據(jù)集，對優(yōu)化后的所述支持向量機進行預(yù)訓(xùn)練，以獲取健康度值估算模型；獲取目標蓄電池的監(jiān)測數(shù)據(jù)，并將所述監(jiān)測數(shù)據(jù)作為所述健康度值估算模型的輸入，以獲取由所述健康度值估算模型輸出的所述目標蓄電池的健康度值。
[0119]
以上所描述的裝置實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部模塊來實現(xiàn)本實施例方案的目的。本領(lǐng)域普通技術(shù)人員在不付出創(chuàng)造性的勞動的情況下，即可以理解并實施。
[0120]
通過以上的實施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到各實施方式可借助軟件加必需的通用硬件平臺的方式來實現(xiàn)，當然也可以通過硬件。基于這樣的理解，上述技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品可以存儲在計算機可讀存儲介質(zhì)中，如rom/ram、磁碟、光盤等，包括若干指令用以使得一臺計算機設(shè)備(可以是個人計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行各個實施例或者實施例的某些部分所述的方法。
[0121]
最后應(yīng)說明的是：以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當理解：其依然可以對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分技術(shù)特征進行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的精神和范圍。

相關(guān)知識

蓄電池健康度估算方法、裝置、電子設(shè)備及存儲介質(zhì)與流程
電池健康狀態(tài)診斷方法、裝置、電子設(shè)備及存儲介質(zhì)與流程
動力電池健康狀態(tài)評估方法、裝置、存儲介質(zhì)及電子設(shè)備與流程
評估電池健康狀態(tài)的方法、裝置、設(shè)備和存儲介質(zhì)與流程
電池健康度的確定方法、裝置、電子設(shè)備及存儲介質(zhì)與流程
電池健康狀態(tài)的確定方法、裝置、電子設(shè)備、介質(zhì)及產(chǎn)品與流程
一種電池健康狀態(tài)的評估方法、電子設(shè)備及可讀存儲介質(zhì)與流程
電池健康檢測方法、裝置、電子設(shè)備及存儲介質(zhì)
電池健康度狀態(tài)的檢測方法、裝置、電子設(shè)備及存儲介質(zhì).pdf
電池健康狀態(tài)預(yù)測方法、裝置、電子設(shè)備及可讀存儲介質(zhì)與流程

網(wǎng)址: 蓄電池健康度估算方法、裝置、電子設(shè)備及存儲介質(zhì)與流程 http://m.u1s5d6.cn/newsview1636044.html