基于支持向量机的变电站蓄电池健康度评估
2021-07-02曹宇
曹宇
（国网江苏省电力有限公司苏州供电分公司，江苏苏州215000）
当前，在智能电网建设中，系统设备的管理和维护正在形成一种以智能运维为代表的新技术发展趋势作为电网变电站直流系统的核心，变电站蓄电池还没有足够的技术手段来进行性能监控。用常规的检查每节蓄电池电压的方式，很难确定电池组的性能状态。由于不能对变电站蓄电池健康状况进行有效评估，导致其在运行状态下突然开路的情况时有发生，从而引发了运行事故的情况在全国范围内屡见不鲜。如果采用对变电站蓄电池频繁长时间放电的方式通过检查其容量来判断其健康状况，不仅操作复杂，而且会加速电池的老化速度。因此，有必要通过其他方法来对变电站蓄电池进行健康度评估。
国内外学者对蓄电池健康度模型的构建及评估方法已有研究。文献［1］研究了铅酸蓄电池充放电特性；文献［2］［5］采用神经网络算法对蓄电池健康状态进行研究；文献［3－4］提出一种基于梯次利用的蓄电池健康评估模型。文献［4］研究了锂离子蓄电池充放电特性。文献［6］探讨构建了动力蓄电池全生命周期数据库建设思路。在以上研究中，通过采集蓄电池运行数据对蓄电池健康度进行评估的方法较少。虽然也有利用人工智能算法对蓄电池健康度评估的案例，但是尚处于初步研究阶段。另外，从调试效果的角度来看，还没有达到理想的检测精度，实际的检测精度基本上为5～13%。在此情况下，操作和维护人员无法使用该技术手段更好地控制蓄电池的运行状态。因此，本文提出采用支持向量机算法对蓄电池SOH进行评估，以提升变电站蓄电池状态监测的技术水平。
1 SVM分类算法概述
支持向量机由Vapnik和Cortes于1995年提出。根据统计学习理论中的结构风险最小化原则，支持向量机可以最大程度地提高学习过程中的泛化能力，即使通过有限数据集获得的判别函数，在独立测试数据集上仍能获得很小的误差。此外，支持向量机是一个凸二次优化问题，可以确保找到的极限解是全局最优解。这些特性使其成为一种出色的机器学习算法，并成为机器学习的研究热点。
假设有训练样本（xi，yi）（i＝1，2，…M），则其SVM回归表达式为:
式中w为权系数，b为偏差，φ1为非线性映射函数。
其结构风险J为:
式中ε为允许拟合误差，由拉格朗日乘子法、对偶原理及核方法则式（12）可转换为:
式中α、η为拉格朗日乘子，K为核矩阵由式（5）可求得 α，η 最优解 αi＊，ηi＊，其偏差 b 可由 KKT 条件求得，故SVM输出为:
SVM的核函数k可采用高斯核函数，其形式为:
其中δ核函数半径。
2 基于支持向量机的变电站蓄电池健康评估建模
支持向量机算法，用于评估电网中电池的健康状况，必须执行以下步骤:
（1）确定分类器的数量，即划分变电站蓄电池状态的评估结果，这里将结果设置为健康和非健康分别用1和2来表示。
（2）确定变电站的蓄电池的特征向量，本文收集了有关电池组的电压、内部电阻、循环次数和激活时间的四种数据，并将它们用作特征分量。
（3）特征值归一化，首先对相同特征进行排序（每个特征向量分别归一化），然后根据特征的最大值和最小值重新计算特征值。
（4）为了选择核函数，可以将最常用的高斯核函数用作公式（6）。
（5）使用样本数据训练支持向量机。
（6）收集新电池的特性数据，并使用经过训练的支持向量机模型预测其健康状况。
支持向量机算法，模型建立基本步骤如图1所示:
图1 支持向量机模型建立流程
3 实验及其结果分析
3．1 数据来源
本文对北京某变电站蓄电池组（规格为12V、200AH，型号为风帆 6－GFM－200）的电压、内阻、循环次数、激活时间四类数据进行了采集，并将其作为特征向量，这样综合考虑多个因素对变电站蓄电池进行健康评估。
3．2 实验结果分析
本次实验中选择惩罚参数C＝2．499，核函数参数g＝26．6201。实验中采集健康和不健康的蓄电池各80个，如表1所示，选取其中40个健康的与40个不健康的电池的数据作为训练样本，剩下40个健康的与40个不健康的电池的数据作为测试样本。此时，测试集的分类精度达到了97．45%。
表1 北京某变电站蓄电池组样本数据
4 结束语
本文针对变电站用蓄电池的健康度评估提出使用支持向量计算法进行评估的策略并对支持向量机模型的基础理论和模型建立过程进行了简要阐述。提出了将变电站电池组的电压、内部电阻、循环次数和激活时间作为评估模型的特征向量。通过实际试验对本文提出的电池健康状态评估模型进行实例分析，证明本文提出的变电站蓄电池的健康评估模型能够较好完成评估，为变电站蓄电池的健康评估提供一种新的思路。不足之处在于，一些参数的选择对SVM模型的性能有很大影响，主要表现在惩罚因子C和核函数参数g的选择上。本文在对这两个参数进行选择时，仍采用人工调试的方式，效率较低，在今后的研究中将采用高效自动的方式对这两个参数进行择优选取。
