蓄电池预测性维护发展

宋宇晨，黄 贇，陈 强，陆翰涛

（中国移动通信集团上海有限公司，上海 201702）

0 引 言

蓄电池作为通信大楼、数据中心的稳压装置和应急后备电源，对数据通信网络能否安全稳定运行起着至关重要的作用。如果蓄电池发生故障，数据通信网络运行稳定性也会受到打击。为了防止蓄电池故障破坏后备电源正常运行，在它们发生故障前，预测定位即将发生故障的蓄电池已经成为亟待解决的问题。传统研究中，运营商电源空调维护规程中明确依靠电池容量及使用年限来判断电池是否应更换，而未考虑其他判断因素[1]。通过参考通信、互联网行业内先进案例，结合蓄电池日常维护中的实际情况，提出了适应当前业务环境的蓄电池专业化维护未来演进方向。

1 通信行业先进案例

某运营商公司针对蓄电池维护中遇到的问题展开了深刻剖析，打破了传统应急维护理念，主动探索新型应急供电模式，以供电安全保障为目标，优化整合锂电资源，提升效益。

当前蓄电池维护主要矛盾是锂电运维经验不足，对锂电池维护思路仍参照铅酸维护模式，缺乏创新力，锂电池自有优势未得到充分发挥，智慧运维支撑手段不足，传统维护效率有待提升。针对此问题，需要夯实基础维护，盘活锂电资源，创新智慧手段。

充分利用锂电并联优势，由于锂电池是16只3.2 V单体串联集成为单个48 V模块，多个模块并联形成电池组，如果单只电池模块损坏，则只损失这只电池模块容量，不会影响其他电池模块放电，而且便于后续扩容。锂电环境容忍度宽泛，有利于节能技术应用，可以通过调高空调设定温度或采用新风系统实现节能降本。磷酸铁锂电池大电流放电几乎不降容，同容量配置时可以综合考虑锂电资源的盘活。站点蓄电池容量相同时，锂电站点较铅酸站点具备更大的扩容空间[2]。

（1）规范蓄电池信息采集标准化。稽核蓄电池设备类型，梳理多电源站点中电源设备与电池挂接关系，为规范参数设定和远程放电测试储备资源能力。

（2）规范蓄电池参数设定标准化。以动环平台数据为抓手，稽核锂电池挂接电源的均浮充参数设定。动环平台低电压阈值告警与现场开关电源智能设备输出电压低告警触发双管齐下，将低电压告警值设定为51.0 V。

（3）规范蓄电池监控采集标准化。增加蓄电池放电告警，提升无市电停电情况下的告知时效，并对同一站点同一套设备电池单体高温、高压、低压等告警添加关联规则，压缩工单数量，提升监控能力和效率。此外，增加提示限流设定，故障应急处置过程中注意根据具体场景计算负荷电流，同时采取相关蓄电池充电限流举措。动环平台数据流向如图1所示。

图1 动环平台数据流向

（4）规范人工智能（Artificial Intelligence，AI）技术应用标准化。基于动环系统放电数据曲线和锂电池管理系统（Battery Management System，BMS）数据读取分析，搭建基于数据跟踪分析的画像模型，实现蓄电池容量判定。通过蓄电池充放电曲线跟踪，实现隐患挖掘。AI电池衰减评估如图2所示。

2 互联网行业先进案例

国内互联网头部企业近期联合国内科研院校结合蓄电池历史更换数据和梯度下降树（Gradient Boosting Decision Tree，GBDT）模型，提出了一种基于数据驱动的阀控电池预测维护方法[3]。

2.1 数据收集

通过收集某数据中心在30个月里监控的292块电池的238 758 894条记录，在电池浮充状态下以分钟级别粒度采集数据，包含时间、电池序列号、电池组序列号以及电池基本属性，具体如表1所示。

表1 数据采集信息

排除有明显错误（例如电阻为负值等）的数据和约占原始数据8%的缺少属性特征的数据，得到了一个包含209 912 615个样本的数据集。该数据集的统计信息如表2所示。

表2 数据集的统计信息

2.2 功能设计

基于计算机辅助标记数据，在电池更换后将其标记为故障电池。电池故障分为两种，分别是自然老化和内部故障。铅酸蓄电池的电阻会随电池老化而平稳增加，导致电池容量变小。根据行业标准，当阀控式铅酸蓄电池的电阻达到5 mΩ时，建议将其从系统中分离。内部故障可能会导致电池的健康状况急剧恶化，危及电池组的安全。

开发一种自动找出电池开始退化的时间点的算法，将这个时间点命名为变化点。由于变化点表示电池性能发生重大变化的时刻，能够将故障的搜索区域缩小到变化点附近的几天，从而在数据标记方面显著提升效率并节约时间。此步骤完成后，得到209 465 400个合格样本和447 215个不合格样本。

2.3 扩展设计

（1）基本特征。从电池监控装置采集到的数据包含一些基本属性，例如电流、电压、电阻以及温度。由于无论电池的健康状况如何，浮动电流总是0，因此使用后3个属性作为基本特征。

（2）电池组特性。电池采用串联连接，每个串联电池组由固定数量的单个电池串联组成。由于电池组的性能会受到故障电池的严重影响，因此相应属性可以揭示其包含的电池组的潜在故障。

（3）时间序列特性。监控数据会随着时间的推移而变化，构造时间序列特征很有必要。一些属性显示出高度的时间依赖性，如果仅考虑电池更换前最后一分钟的属性，则该模型无法预测电池是否需要更换。

（4）结合特性。为了将非线性特征引入模型，采用特征组合的方法来创建一个新的特征。

综上所述，设计了一些表现电池组统计量的特征，例如电池芯电压的均值和经验标准差、电池单元电阻的均值和经验标准差等，最后将特征空间扩展到14维。

2.4 平衡分析

由于更换电池的情况很少，因此用于测试预测模型的数据高度不平衡。在上述案例中，合格样本和不合格样本的比例接近468∶1。大多数分类算法都减少了整体误差，当输入不平衡数据时，测试后的模型表现出的性能较差。为了解决这个问题，将合格样本聚类为k类，然后为每个聚类选择离各自聚类质心最近的n个数据点作为代表，从而得到一个平衡的数据集。

2.5 模型测试和在线部署

GBDT具有准确性高、高效、易于实现的特点，选择该模型进行在线部署。将得到的平衡数据集作为测试集，通过参数整定和3次交叉验证获得更好的性能[4]。

预测性电池维护方法的在线部署方案如图3所示。一旦模型发现潜在的故障电池，将及时通知专家进行现场检查。如果分类结果为TP，即电池确实即将发生故障，则向控制中心提交更换请求；否则，该实例将被存储到相应平台，以供未来测试使用[5]。

图3 在线部署模式

3 结 论

随着各类分析数据挖掘技术的普及和各类蓄电池化学性能、物理性能的优化，传统依据电源空调维护规程中电池容量及使用年限来判断电池更换的模式已经落后于时代发展。通过分析研究，从蓄电池全生命周期管理的角度选择合适的技术路线，提前预测故障并及时解决，从而推动信息通信行业的长久发展。