基于線性SVM算法的云數據中心蓄電池狀態預測

楊玉麗,李培仁,李學智,馬彥楷,李 震

(1.昆侖數智科技有限責任公司,北京 102206;2.清華大學 航天航空學院,北京 100084)

0 引 言

閥控鉛酸蓄電池廣泛應用于云數據中心供電系統,蓄電池組作為數據中心的短備電源,是數據中心供電系統最為核心的部件,可以保證數據中心內信息系統和應急照明等重要設備的不間斷供電。蓄電池故障是云數據中心運行管理的主要風險[1]。閥控鉛酸蓄電池老化對云數據中心供電可靠性構成重大威脅[2]。蓄電池的老化程度影響蓄電池的容量和使用壽命[3-4]。蓄電池老化有很多原因,包括板柵腐蝕、酸霧泄漏、失水過多、熱失控、干涸發熱等[5],蓄電池老化的現象是內阻的增加和容量的降低[6]。

國內外對于閥控鉛酸蓄電池在線監控系統進行了大量研究[7-15]。研究主要集中在兩個方面:一是電池測量系統,通過電壓、內阻和溫度對電池荷電狀態進行準確估算,為電池是否需要充電提供參考;另一個是電池健康狀態的診斷和預測,為電池是否需要更換提供參考。電池健康狀態的診斷和預測有硬件設計和仿真、算法研究等。相關研究證明閥控鉛酸蓄電池的健康情況與內阻有關,通過對閥控鉛酸蓄電池內阻的預測能夠得到蓄電池狀態的預判[16-17]。

云數據中心供電系統對于電源的可靠性要求高。但云數據中心場景下的蓄電池故障診斷和預測研究并不多,LI 等研究了基于蓄電池電壓和內阻歷史數據的蓄電池故障診斷算法[18]。該研究基于蓄電池電壓和內阻歷史數據,提出了利用拉依達準則進行的故障診斷方法,這種方法不但能使診斷提速,而且當多個電池同時發生故障時不存在誤診情況,側重于實時診斷。對蓄電池狀態的預測能夠在實時診斷的基礎上降低運行風險,給云數據中心運行管理帶來更多的靈活性。

本文針對云數據中心閥控鉛酸蓄電池在線監控,提出了基于線性SVM算法的閥控鉛酸蓄電池狀態預測方法。

1 預測方法的建立

首先,截取蓄電池運行時的內阻數據。由于生產環境因素導致監控采集數據存在一定噪聲,因此需要對數據進行平滑處理。

1.1 高斯濾波器平滑數據

將電阻的最高點作為中間端點,對電阻數據進行濾波,以保證電阻達到最高值的時間不變,取得平滑后數據。

二維高斯濾波函數[19]為

(1)

1.2 機器學習算法

將數據分成模型訓練數據和預測數據2組,利用經典機器學習算法進行建模預測,分析內阻數據故障變化特征。提取特征后,使用相同的機器學習算法建模預測。比較2次預測結果,找出適合云數據中心蓄電池狀態預測的特征值和機器學習方法。本文使用的6種機器學習算法如下:

1) 決策樹。

G(D,a)=E(D)-Enew(D)=E(D)-

(2)

式中:E為分類所需的信息量;D為每類的實例;pk為樣本屬于分類的概率;a是實例的屬性;G為熵的期望壓縮。決策樹可以逼近離散函數值[20-22]。

2) 線性判別。

g(x)=ωTx+ω0

(3)

在兩類{ω1,ω2}問題中,x表示m維輸入空間中的樣本;ω為決策平米的法向量。此算法的主要特征是同一類的高維數據投影到低維空間后相同類別地聚在一起,不同類別之間相距較遠[23]。

3) 樸素貝葉斯。

P(X|Y)=P(Y|X)P(X)/P(Y)

(4)

式中:X是一個隨機事件,P(X)是X的先驗概率;Y是訓練樣本,P(Y)是通過對Y的觀測得到的先驗概率。此算法可在假定給定目標值時屬性之間相互條件獨立,簡化了實際應用場景中的復雜性[24]。

4) 線性SVM。

(5)

式中:ω∈Rn是超平面的法向量;γ是一個實數;A是數據點矩陣,e∈Rm是分量全為1的向量。此算法可用一個超平面盡可能遠地分離正反例數據[25-26]。

5) KNN。

(6)

式中:D是全體維數的樣本;r是一個子集;k是最近的樣本數量;a、b分別為兩個樣本。此算法可依據最鄰近的1個或者幾個樣本的類別來決定待分樣本所屬的類別[27-28]。

6) 神經網絡。

(7)

2 蓄電池狀態預測實驗

2.1 數據采集設備

EMERSON電池監控儀:型號BM-42,內阻監測范圍0.1～35 mΩ,測試精度±2%;單體電壓監測范圍0～16 V,測試精度±0.1%。

2.2 實驗方法

2.2.1 數據準備

數據來源:某能源企業大型數據中心閥控鉛酸蓄電池運行時的內阻數據。閥控鉛酸蓄電池型號:FLAMM 12FLB450。數據采集頻率:1次/15 min。數據周期:第5～7年的運行實測數據。

由于傳感器、電池自身特性等原因,內阻會出現波動,故使用高斯濾波器光滑數據。

2.2.2 記錄方法

1為蓄電池故障狀態,0為正常蓄電池。1∶0表示真實值為故障電池,預測值為正常電池。1∶1、0∶1、0∶0以此類推。

準確度=真實值與預測值一致的電池數量/參加預測的電池數量×100%。

2.2.3 實驗流程

選取實驗電池電阻數據,對數據進行平滑去噪并分別進行2組實驗:第1組先進行機器學習建模預測,再與6種經典算法預測結果進行對比;第2組先提取特征值,再進行機器學習建模預測,然后與6種經典算法預測結果進行對比。通過以上實驗對比,選出1種較優算法增加訓練數據預測,得到最終預測結果。

2.3 實驗過程

1) 選取698個電池電阻數據(取值頻率為15 min,周期為6個月),其中266個為故障電池,432個為正常電池。500個為訓練數據集,198個為預測數據集。測試數據集中60個為故障電池,138個為正常電池。

2) 對698個電池內阻數據進行高斯濾波器平滑去噪。蓄電池在運行過程中的阻值記錄曲線都存在一定振幅的波動,見圖1。圖1(a)、(b)分別為正常蓄電池1號、2號內阻隨時間變化曲線,在±0.2振幅范圍內波動,差異量數較均衡。圖1(c)、(d)分別為故障蓄電池3號、4號內阻隨時間變化曲線。可以看出,曲線斜率增大,存在1個或n個波峰。可見故障蓄電池阻值曲線具有明顯峰值、斜率陡增、在一定周期內出現多個波峰等特征。

(a) 1號蓄電池

(b) 2號蓄電池

(c) 3號蓄電池

(d) 4號蓄電池

圖2為3號蓄電池平滑前后數據對比。可以看出,通過高斯濾波處理后,數據與原數據的波動特性、趨勢保持一致。

圖 2 平滑前后數據對比Fig.2 Comparison of data before and after smoothing

3) 選取6種經典機器學習分類方法。

4) 使用機器學習分類方法,預測198個電池是否會出現故障,記錄預測準確率。

5) 對500個電池內阻數據進行訓練,提煉特征值,記錄特征值。

表1為電池特征值訓練結果統計。其中,A為6 h內最大內阻值,取6 h內不同時間測得電阻的最大值。B為3個月內光滑后的電阻值隨時間變化的平均斜率。C為一年內光滑后電阻,其斜率下降區間的時間占比。D、E為二次函數y=ax2+bx+c的系數,S為二次函數y=ax2+bx+c的擬合方差。最小值是指特征值全部訓練結果中最小數據;最大值是指特征值全部訓練結果中最大數據;范圍是最大值與最小值之間的距離;平均值是某一特征全部訓練結果之和/數量;標準偏差是特征值訓練數據的標準差;偏斜度是特征值數據分布的不對稱指標;峰度是特征值數據分布曲線峰頂尖銳程度。從表1可以看到:特征A數據值跨度較大,在[1.82,7.9]之間跳躍顯現;特征B數據值集中在[-0.69,1.49]之間,分布曲線峰度最小;特征C數據值在[0.00,0.92]之間,取值范圍0.92,各個數據值之間取值范圍最接近;特征D、E數據值取值范圍較大,分布曲線峰度最尖銳;特征值S在[1.38,6.70]之間,取值范圍5.32,出現負偏離,峰度較緩。通過訓練后,故障電池特征的描述增加了維度和層次。

表 1 特征值訓練結果統計

蓄電池電阻特征值數據具有空間分布性質,如圖3所示。可以看出,A、B、C3個特征值在三維空間的離散分布表現為故障數據、正常數據分別聚合,大部分故障數據和正常數據并不交叉,故障電池和正常電池在空間分布中能夠找到一個分割平面進行區分。

圖 3 特征值數據空間分布Fig.3 Spatial distribution of feature values data

6) 使用基于特征值的機器學習分類方法,預測198個電池是否會出現故障,并記錄預測準確率。

7) 選取預測效果較好的模型,截取周期為一年的數據(198個電池數據),預測未來一個月電池狀態(故障/正常)。

3 結果與分析

3.1 機器學習方法預測

通過6種機器學習算法進行故障預測。表2為6種機器學習方法狀態預測結果。

表 2 6種機器學習方法狀態預測結果

從表2可以看到,本實驗按照過程4,198只電池內阻數據故障預測準確率在71.72%～81.82%之間,機器學習方法預測能夠對提前判斷蓄電池狀態提供幫助。

3.2 提取特征值預測

通過訓練特征值進行故障預測,6種機器學習方法故障預測結果的準確度在87.88%～96.46%之間,高于未提煉特征值預測結果10.10%～20.20%,見表3。其中,樸素貝葉斯算法和神經網絡算法較未提煉特征值故障預測準確度提高10.10%,KNN算法較未提煉特征值故障預測準確度提高20.20%。

表 3 提取特征值狀態預測結果

基于特征值的空間性質,線性SVM算法表現最好。線性SVM算法較未提煉特征值故障預測準確度提高17.68%,預測值與真實值一致的電池191個,故障預測準確度96.46%。其中將故障電池預測為正常電池數量為3個,占電池總數的1.5%,遠低于其他算法將故障電池預測為正常電池比例。可以得出,合理的特征值能夠提高預測準確度。

3.3 增加訓練數據預測

使用線性SVM算法,將訓練數據周期從6個月增加為1年,預測未來1個月電池狀態(故障/正常)。預測結果如圖4。可以看出,0∶0的電池134個;1∶1電池58個;0∶1的電池4個;1∶0的電池2個。

電池狀態預測準確(真實值與預測值一致)的為192個,準確度為96.96%,較使用6個月電池數據準確度提高0.5%,較未提煉特征值預測準確度提高19.17%。電池真實狀態為故障,預測值為正常的2個,占預測總數的1%。可見,增加訓練數據可以提高準確率,但是誤差仍然存在。

圖 4 線性SVM故障預測結果Fig.4 Linear SVM fault prediction results

4 結 語

本文提出了基于經典機器學習算法的云數據中心蓄電池狀態在線預測方法,能夠在蓄電池實時狀態監控的基礎上,提前判斷蓄電池狀態。提取特征值,能夠提高機器學習算法進行蓄電池狀態預測的準確度。

基于線性SVM算法的故障預測方法在對生產環境運行第5～7年的蓄電池預測中準確率為96.96%,電池真實狀態為故障,而預測值為正常的數量比占總預測電池的1%,在實際運行維護管理中有效降低了由于蓄電池老化帶來的風險。對大型和超大型數據中心更換蓄電池具有實用價值。

本實驗對象是在云數據中心環境下使用的閥控鉛酸蓄電池,云數據中心環境相對實驗室環境較為復雜,對其他影響電池老化程度的因素還需進一步深入探討。