基于XGBoost智能算法的通信電池性能預(yù)測(cè)分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

魏 巍，丁 靜，馬翼飛，沙國益，郭 翔

（1.中國鐵塔股份有限公司徐州市分公司，江蘇 徐州 221000；2.中國鐵塔股份有限公司江蘇分公司，江蘇 南京 210000）

0 引 言

通信基站電池作為基站斷電后的備電電源，是確保通信設(shè)備在電網(wǎng)故障、極端天氣和自然災(zāi)害情況下保持平穩(wěn)運(yùn)行的有力保障。相較于小型柴油發(fā)電機(jī)、燃料電池以及光伏太陽能系統(tǒng)等手段，以鉛酸蓄電池和磷酸鐵鋰電池為主的基站備電電池具有價(jià)格低廉、部署簡(jiǎn)單、性能穩(wěn)定的優(yōu)勢(shì)，目前仍然是基站備電的主流方式[1]。本文通過讀取基站動(dòng)力環(huán)境監(jiān)控?cái)?shù)據(jù)，設(shè)計(jì)開發(fā)了基于XGBoost智能算法的電池性能預(yù)測(cè)系統(tǒng)，實(shí)現(xiàn)了基站備電電池性能快速精準(zhǔn)預(yù)測(cè)，最終達(dá)到快速定位問題電池、降低日常運(yùn)維成本的目的。

1 基于XGBoost預(yù)測(cè)電池性能原理

目前，預(yù)測(cè)電池性能方法主要有兩類，即基于經(jīng)驗(yàn)的預(yù)估方法和基于性能的預(yù)測(cè)方法。兩種方法均需要在實(shí)驗(yàn)室中對(duì)電池在不同條件下進(jìn)行反復(fù)的充放電測(cè)試，并通過電化學(xué)第一原理，對(duì)電池的動(dòng)力學(xué)參數(shù)、傳質(zhì)過程、機(jī)械特性等各方面性能進(jìn)行預(yù)測(cè)[2]。但這兩種方式不僅方法復(fù)雜，對(duì)實(shí)驗(yàn)環(huán)境、設(shè)備都有很高的要求，存在很大的局限性。在實(shí)際生產(chǎn)中，維護(hù)人員往往通過核對(duì)性容量放電的形式，完成電池性能評(píng)估。但此種操作存在測(cè)試周期長（正常為2年）、消耗資源大、導(dǎo)致電池?fù)p傷等問題。因此，筆者提出使用XGBoost算法，對(duì)已有動(dòng)力環(huán)境監(jiān)控?cái)?shù)據(jù)分析的方式，完成電池性能快速準(zhǔn)確的預(yù)估。

1.1 XGBoost算法簡(jiǎn)介

XGBoost（Extreme Gradient Boosting） 算 法， 屬于增強(qiáng)型梯度提升算法，是集成算法中Boosting算法的典范[3]。Boosting算法的核心思想是將許多弱分類器集成在一起形成一個(gè)強(qiáng)分類器。與傳統(tǒng)算法相比，XGBoost在很多方面進(jìn)行了改進(jìn)，對(duì)于分類以及回歸問題均被證明是一種性能優(yōu)越的算法。

XGBoost算法主要由3部分構(gòu)成。

（1）目標(biāo)函數(shù)

XGBoost算法在傳統(tǒng)算法目標(biāo)函數(shù)兼顧準(zhǔn)確性和泛化能力外，引入了模型復(fù)雜度作為目標(biāo)函數(shù)的重要考量，確保算法在準(zhǔn)確性和運(yùn)行效率方面達(dá)到最優(yōu)。其目標(biāo)函數(shù)表達(dá)如下：

式中，第一項(xiàng)為預(yù)測(cè)值與真實(shí)值的損失函數(shù)，該項(xiàng)與傳統(tǒng)算法一致；第二項(xiàng)為模型復(fù)雜度懲罰項(xiàng)，確保在高精度的要求下，模型的復(fù)雜度最小。

（2）確定最佳樹結(jié)構(gòu)

對(duì)于目標(biāo)函數(shù)中第二項(xiàng)模型復(fù)雜度表達(dá)式，可使用葉子節(jié)點(diǎn)的數(shù)目加上正則項(xiàng)表示：

其最優(yōu)解表達(dá)式為：

上式是針對(duì)一個(gè)樹結(jié)構(gòu)進(jìn)行打分的函數(shù)，分?jǐn)?shù)越小，則樹結(jié)構(gòu)越好，XGBoost算法通過構(gòu)造不同結(jié)構(gòu)的樹搜尋樹結(jié)構(gòu)的最優(yōu)解。

（3）確定樹最佳分支

XGBoost算法使用貪婪算法確保結(jié)果最優(yōu)，如果每片葉子都是最優(yōu)，則整體生成的樹就是最優(yōu)。確定樹的最佳分支的過程可以表述為：首先使用目標(biāo)函數(shù)確定決策樹優(yōu)劣，然后讓樹從第0層開始生長，每生長一次分支，就計(jì)算一次目標(biāo)函數(shù)，當(dāng)目標(biāo)函數(shù)減少量低于設(shè)定閾值時(shí)，停止樹的生長。

1.2 基于XGBoost的預(yù)測(cè)模型設(shè)計(jì)

通過查閱技術(shù)資料，最終篩選提煉出影響電池壽命的溫度、放電情況、低壓情況、容量負(fù)載比、使用時(shí)長等5大因素8個(gè)變量，作為算法的輸入特征向量[4]。通過對(duì)基站動(dòng)環(huán)監(jiān)控系統(tǒng)記錄的相關(guān)數(shù)據(jù)的讀取，完成XGBoost算法的訓(xùn)練，并實(shí)現(xiàn)對(duì)基站電池性能的預(yù)測(cè)[5]。模型設(shè)計(jì)圖如圖1所示。

圖1 基于XGBoost算法的預(yù)測(cè)模型設(shè)計(jì)

2 電池預(yù)測(cè)系統(tǒng)的軟件系統(tǒng)設(shè)計(jì)

2.1 系統(tǒng)整體設(shè)計(jì)

本電池預(yù)測(cè)系統(tǒng)通過對(duì)已有動(dòng)環(huán)報(bào)表數(shù)據(jù)的讀取，對(duì)算法模型進(jìn)行訓(xùn)練，并對(duì)現(xiàn)網(wǎng)電池進(jìn)行訓(xùn)練。系統(tǒng)共分為數(shù)據(jù)讀取、訓(xùn)練矩陣生成、智能分析、數(shù)據(jù)輸出等4個(gè)模塊。因?yàn)椴捎昧酥悄芩惴ê痛髷?shù)據(jù)分析，自動(dòng)實(shí)現(xiàn)電池性能預(yù)估，因此本系統(tǒng)軟件側(cè)重于數(shù)據(jù)的自動(dòng)化處理和分析實(shí)現(xiàn)，對(duì)于人機(jī)交互要求不高，因此采用簡(jiǎn)單的DOS界面，一鍵完成所有處理。其中，數(shù)據(jù)輸出模塊采用直接打印結(jié)果和導(dǎo)出為excel報(bào)表的形式實(shí)現(xiàn)，便于維護(hù)人員的篩選和使用。

系統(tǒng)整體流程圖如圖2所示。

圖2 預(yù)測(cè)系統(tǒng)整體流程圖

2.2 主要功能模塊設(shè)計(jì)

2.2.1 數(shù)據(jù)讀取模塊

為提高系統(tǒng)自動(dòng)化水平，減少人工操作環(huán)節(jié)，系統(tǒng)通過自動(dòng)讀取基站動(dòng)環(huán)監(jiān)控系統(tǒng)的數(shù)據(jù)庫報(bào)表信息，完成輸入數(shù)據(jù)的獲取并存入對(duì)應(yīng)文件夾中。系統(tǒng)創(chuàng)建各文件目錄與存放的數(shù)據(jù)報(bào)表對(duì)應(yīng)關(guān)系如表1所示。

表1中：序號(hào)1～9報(bào)表直接從動(dòng)環(huán)監(jiān)控系統(tǒng)數(shù)據(jù)庫讀取原始報(bào)表即可；序號(hào)10～11為用戶提供的訓(xùn)練和待測(cè)試站點(diǎn)。

表1 文件目錄與數(shù)據(jù)報(bào)表映射表

在讀取不同的報(bào)表時(shí)，由于讀取的形式類似，僅存在文件名和讀取字段的差別，因此為提高代碼效率，編寫data_file_read函數(shù)，讀取報(bào)表時(shí)，調(diào)用該函數(shù)并設(shè)定要讀取的報(bào)表名稱即可。其算法流程圖如圖3所示。

圖3 報(bào)表數(shù)據(jù)讀取流程圖

2.2.2 輸入矩陣生成模塊

完成動(dòng)環(huán)監(jiān)控報(bào)表數(shù)據(jù)讀取后，首先要對(duì)得到的數(shù)據(jù)進(jìn)行清洗和預(yù)處理。根據(jù)動(dòng)環(huán)監(jiān)控系統(tǒng)特性、現(xiàn)網(wǎng)安裝特點(diǎn)等梳理預(yù)處理邏輯點(diǎn)如下文所述。

邏輯1：剔除監(jiān)控離線超閾值（30天）的樣本數(shù)據(jù)。

理由：監(jiān)控離線超長，可能導(dǎo)致告警記錄不全，影響算法評(píng)估準(zhǔn)確。

邏輯2：剔除無電池信息的站點(diǎn)。

理由：如果該站無電池，無需判斷電池性能；如性能缺失，有告警記錄不全風(fēng)險(xiǎn)，影響算法評(píng)估。

邏輯3：剔除電池使用壽命超20年的站點(diǎn)。

理由：按照正常邏輯，不存在電池使用超20年不更換情況，應(yīng)為資管信息錄入錯(cuò)誤導(dǎo)致。

邏輯4：剔除無開關(guān)電源負(fù)載電流值的站點(diǎn)。

理由：判斷為硬件故障，或協(xié)議配置錯(cuò)誤無法讀取，會(huì)導(dǎo)致容量負(fù)載比計(jì)算異常。

邏輯5：剔除監(jiān)控注冊(cè)狀態(tài)是未交維的站點(diǎn)。

理由：未交維站點(diǎn)一是入網(wǎng)時(shí)間短，二是告警無記錄，會(huì)影響算法評(píng)估。

邏輯6：剔除監(jiān)控入網(wǎng)時(shí)間不足閾值（365天）的站點(diǎn)。

理由：如果入網(wǎng)時(shí)長不足一個(gè)自然年，采樣數(shù)據(jù)不具備代表性。

邏輯7：剔除5G設(shè)備的影響。

理由：目前5G設(shè)備功耗高，且未開始配備蓄電池，因此需要將涉及5G的開關(guān)電源電流剔除，或?qū)⒅悄芘潆妴卧碾娏魈蕹簟?/p>

根據(jù)上述邏輯完成預(yù)處理工作后，即可從抽象出8個(gè)影響電池壽命的環(huán)境變量，構(gòu)成輸入矩陣。變量生成具體方法如表2所示。

表2 影響電池壽命環(huán)境變量實(shí)現(xiàn)及來源

2.2.3 智能分析模塊

對(duì)于本系統(tǒng)，需要要生成2個(gè)輸入矩陣，分別是輸入訓(xùn)練樣本矩陣和輸入預(yù)測(cè)樣本矩陣。其中，輸入訓(xùn)練樣本矩陣從訓(xùn)練數(shù)據(jù)集中生成，用于對(duì)XGBoost算法模型的訓(xùn)練，輸入預(yù)測(cè)樣本矩陣從動(dòng)環(huán)系統(tǒng)全量基站數(shù)據(jù)生成，用于進(jìn)行預(yù)測(cè)。具體訓(xùn)練和預(yù)測(cè)流程圖如圖4所示。

圖4 XGBoost模型訓(xùn)練及預(yù)測(cè)流程圖

2.2.4 數(shù)據(jù)輸出模塊

為了便于日常生產(chǎn)中使用，本系統(tǒng)在完成性能預(yù)測(cè)后，分別生成3張數(shù)據(jù)報(bào)表，分別為輸入訓(xùn)練矩陣、輸入預(yù)測(cè)矩陣以及預(yù)測(cè)結(jié)果。其中，兩個(gè)預(yù)測(cè)矩陣報(bào)表詳細(xì)記錄了矩陣的8個(gè)特征量信息，便于校驗(yàn)與核對(duì)；輸出結(jié)果報(bào)表以基站運(yùn)維ID為索引，輸出基站電池性能優(yōu)劣。具體輸出結(jié)果如圖5所示。

圖5 生成輸出數(shù)據(jù)報(bào)表樣例

3 系統(tǒng)性能檢驗(yàn)

軟件系統(tǒng)在Windows10下運(yùn)行，計(jì)算機(jī)性能：六核處理器，主頻1.1 Hz，內(nèi)存16G；電池性能預(yù)測(cè)系統(tǒng)在在該機(jī)器上進(jìn)行測(cè)試。首先從中國鐵塔股份有限公司動(dòng)環(huán)監(jiān)控系統(tǒng)及資源管理系統(tǒng)2018年9月至2019年8月期間記錄的數(shù)據(jù)中抽選出240個(gè)基站數(shù)據(jù)作為樣本數(shù)據(jù)進(jìn)行分析，并與3名從業(yè)10年以上的基站維護(hù)人員根據(jù)經(jīng)驗(yàn)進(jìn)行預(yù)測(cè)的結(jié)果進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果預(yù)測(cè)系統(tǒng)平均查準(zhǔn)率93.6%，查全率91.8%，均高于人員預(yù)算準(zhǔn)確率。

之后，使用徐州鐵塔2020年進(jìn)行電池更新站點(diǎn)數(shù)據(jù)進(jìn)行驗(yàn)證，共讀取11張報(bào)表，46個(gè)邏輯點(diǎn)，387個(gè)字段，40.6萬條數(shù)據(jù)，軟件在4分鐘內(nèi)完成了數(shù)據(jù)處理并輸出預(yù)測(cè)結(jié)果，系統(tǒng)查準(zhǔn)率84.6%，查全率89%。軟件運(yùn)行結(jié)果如圖6所示。

圖6 預(yù)測(cè)系統(tǒng)軟件運(yùn)行結(jié)果

4 結(jié) 論

針對(duì)基站后備電池分布離散、工況復(fù)雜、測(cè)試?yán)щy的問題，本文提出了使用XGBoost算法對(duì)已有動(dòng)力環(huán)境數(shù)據(jù)進(jìn)行分析，從而實(shí)現(xiàn)電池性能精準(zhǔn)實(shí)時(shí)預(yù)測(cè)的方法，并對(duì)該預(yù)測(cè)分析系統(tǒng)的軟件設(shè)計(jì)及實(shí)現(xiàn)進(jìn)行了介紹。通過實(shí)驗(yàn)樣本及實(shí)際生產(chǎn)數(shù)據(jù)測(cè)試，該系統(tǒng)在預(yù)測(cè)精度、計(jì)算時(shí)間、資源損耗等方面均優(yōu)于現(xiàn)有方案，已經(jīng)達(dá)到實(shí)際生產(chǎn)使用標(biāo)準(zhǔn)。目前，該系統(tǒng)已在江蘇鐵塔公司推廣使用。

現(xiàn)版本軟件未與運(yùn)維監(jiān)控系統(tǒng)數(shù)據(jù)庫關(guān)聯(lián)，后續(xù)將開發(fā)網(wǎng)頁版應(yīng)用，實(shí)現(xiàn)與運(yùn)維監(jiān)控系統(tǒng)直接對(duì)接，在更大廣度上實(shí)現(xiàn)大數(shù)據(jù)分析；優(yōu)化分類算法與運(yùn)行率邏輯，進(jìn)一步提升算法精度；同時(shí)，考慮引入深度學(xué)習(xí)算法和自學(xué)習(xí)機(jī)制，量化電池備電時(shí)長，為日常生產(chǎn)提供智能化指導(dǎo)。