基于支持向量機的變電站蓄電池健康度評估

曹宇

（國網江蘇省電力有限公司蘇州供電分公司，江蘇蘇州215000）

當前，在智能電網建設中，系統設備的管理和維護正在形成一種以智能運維為代表的新技術發展趨勢作為電網變電站直流系統的核心，變電站蓄電池還沒有足夠的技術手段來進行性能監控。用常規的檢查每節蓄電池電壓的方式，很難確定電池組的性能狀態。由于不能對變電站蓄電池健康狀況進行有效評估，導致其在運行狀態下突然開路的情況時有發生，從而引發了運行事故的情況在全國范圍內屢見不鮮。如果采用對變電站蓄電池頻繁長時間放電的方式通過檢查其容量來判斷其健康狀況，不僅操作復雜，而且會加速電池的老化速度。因此，有必要通過其他方法來對變電站蓄電池進行健康度評估。

國內外學者對蓄電池健康度模型的構建及評估方法已有研究。文獻［1］研究了鉛酸蓄電池充放電特性；文獻［2］［5］采用神經網絡算法對蓄電池健康狀態進行研究；文獻［3－4］提出一種基于梯次利用的蓄電池健康評估模型。文獻［4］研究了鋰離子蓄電池充放電特性。文獻［6］探討構建了動力蓄電池全生命周期數據庫建設思路。在以上研究中，通過采集蓄電池運行數據對蓄電池健康度進行評估的方法較少。雖然也有利用人工智能算法對蓄電池健康度評估的案例，但是尚處于初步研究階段。另外，從調試效果的角度來看，還沒有達到理想的檢測精度，實際的檢測精度基本上為5～13%。在此情況下，操作和維護人員無法使用該技術手段更好地控制蓄電池的運行狀態。因此，本文提出采用支持向量機算法對蓄電池SOH進行評估，以提升變電站蓄電池狀態監測的技術水平。

1 SVM分類算法概述

支持向量機由Vapnik和Cortes于1995年提出。根據統計學習理論中的結構風險最小化原則，支持向量機可以最大程度地提高學習過程中的泛化能力，即使通過有限數據集獲得的判別函數，在獨立測試數據集上仍能獲得很小的誤差。此外，支持向量機是一個凸二次優化問題，可以確保找到的極限解是全局最優解。這些特性使其成為一種出色的機器學習算法，并成為機器學習的研究熱點。

假設有訓練樣本（xi，yi）（i＝1，2，…M），則其SVM回歸表達式為:

式中w為權系數，b為偏差，φ1為非線性映射函數。

其結構風險J為:

式中ε為允許擬合誤差，由拉格朗日乘子法、對偶原理及核方法則式（12）可轉換為:

式中α、η為拉格朗日乘子，K為核矩陣由式（5）可求得 α，η 最優解 αi＊，ηi＊，其偏差 b 可由 KKT 條件求得，故SVM輸出為:

SVM的核函數k可采用高斯核函數，其形式為:

其中δ核函數半徑。

2 基于支持向量機的變電站蓄電池健康評估建模

支持向量機算法，用于評估電網中電池的健康狀況，必須執行以下步驟:

（1）確定分類器的數量，即劃分變電站蓄電池狀態的評估結果，這里將結果設置為健康和非健康分別用1和2來表示。

（2）確定變電站的蓄電池的特征向量，本文收集了有關電池組的電壓、內部電阻、循環次數和激活時間的四種數據，并將它們用作特征分量。

（3）特征值歸一化，首先對相同特征進行排序（每個特征向量分別歸一化），然后根據特征的最大值和最小值重新計算特征值。

（4）為了選擇核函數，可以將最常用的高斯核函數用作公式（6）。

（5）使用樣本數據訓練支持向量機。

（6）收集新電池的特性數據，并使用經過訓練的支持向量機模型預測其健康狀況。

支持向量機算法，模型建立基本步驟如圖1所示:

圖1 支持向量機模型建立流程

3 實驗及其結果分析

3．1 數據來源

本文對北京某變電站蓄電池組（規格為12V、200AH，型號為風帆 6－GFM－200）的電壓、內阻、循環次數、激活時間四類數據進行了采集，并將其作為特征向量，這樣綜合考慮多個因素對變電站蓄電池進行健康評估。

3．2 實驗結果分析

本次實驗中選擇懲罰參數C＝2．499，核函數參數g＝26．6201。實驗中采集健康和不健康的蓄電池各80個，如表1所示，選取其中40個健康的與40個不健康的電池的數據作為訓練樣本，剩下40個健康的與40個不健康的電池的數據作為測試樣本。此時，測試集的分類精度達到了97．45%。

表1 北京某變電站蓄電池組樣本數據

4 結束語

本文針對變電站用蓄電池的健康度評估提出使用支持向量計算法進行評估的策略并對支持向量機模型的基礎理論和模型建立過程進行了簡要闡述。提出了將變電站電池組的電壓、內部電阻、循環次數和激活時間作為評估模型的特征向量。通過實際試驗對本文提出的電池健康狀態評估模型進行實例分析，證明本文提出的變電站蓄電池的健康評估模型能夠較好完成評估，為變電站蓄電池的健康評估提供一種新的思路。不足之處在于，一些參數的選擇對SVM模型的性能有很大影響，主要表現在懲罰因子C和核函數參數g的選擇上。本文在對這兩個參數進行選擇時，仍采用人工調試的方式，效率較低，在今后的研究中將采用高效自動的方式對這兩個參數進行擇優選取。