本發(fā)明屬于計(jì)算機(jī)
技術(shù)領(lǐng)域：
，尤其涉及一種利用計(jì)算機(jī)系統(tǒng)采用大數(shù)據(jù)分析的模型和方法對(duì)鋰電池、鉛酸電池等動(dòng)力電池系統(tǒng)進(jìn)行壽命預(yù)測(cè)和安全預(yù)警的方法和裝置，能夠用于新能源、通信系統(tǒng)、電子信息和計(jì)算機(jī)技術(shù)等具體工業(yè)領(lǐng)域。
背景技術(shù)：
：當(dāng)前，動(dòng)力電池在人們?nèi)粘Ｉ畹母鱾€(gè)方面，都得到了越來(lái)越多的應(yīng)用?；趧?dòng)力電池的新能源汽車、無(wú)線通信基站的后備電源、儲(chǔ)能技術(shù)等已成為當(dāng)今世界各國(guó)競(jìng)相發(fā)展的最熱門(mén)技術(shù)之一，隨之而來(lái)的動(dòng)力電池的健康和安全也成為如新能源汽車等行業(yè)健康發(fā)展的關(guān)鍵因素，其中動(dòng)力電池的容量精確估算、健康精確估算、壽命精確預(yù)測(cè)是安全技術(shù)的核心，也是當(dāng)今業(yè)內(nèi)的世界難題。當(dāng)前業(yè)內(nèi)，對(duì)動(dòng)力電池包的容量估算和健康預(yù)測(cè)一般都在電池管理系統(tǒng)BMS內(nèi)部完成。申請(qǐng)人發(fā)現(xiàn)，現(xiàn)有的電池管理系統(tǒng)BMS存在以下問(wèn)題：現(xiàn)有的容量估算和健康預(yù)測(cè)算法簡(jiǎn)單，效果欠佳。例如，無(wú)線通信基站中的后備電池系統(tǒng)，只對(duì)電源的工作數(shù)據(jù)進(jìn)行記錄，不做任何的預(yù)測(cè)預(yù)警。商用鋰電池包的BMS基于成本原因，往往都由帶基本DSP功能的微控制器來(lái)實(shí)現(xiàn)對(duì)電池包的充放電管理、電池均衡等，而且BMS內(nèi)部通常不帶大容量的存貯芯片，對(duì)鋰電池包的歷史事件或性能數(shù)據(jù)幾乎或根本不作保留，對(duì)即時(shí)電池性能進(jìn)行估算的誤差大、可靠性低，一般都是基于對(duì)瞬間的電壓、電流和溫度的測(cè)量來(lái)計(jì)算即時(shí)內(nèi)阻，再和電池初始使用時(shí)進(jìn)行比較而得，不考慮歷史信息。為解決現(xiàn)有技術(shù)中的上述缺陷，需要提出一種新的對(duì)動(dòng)力電池進(jìn)行壽命預(yù)測(cè)和安全預(yù)警的方法，以克服現(xiàn)有技術(shù)中存在的上述問(wèn)題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是提供一種利用大數(shù)據(jù)分析的模型和方法對(duì)動(dòng)力電池進(jìn)行壽命預(yù)測(cè)和安全預(yù)警，以解決現(xiàn)有的電池管理系統(tǒng)中存在的估計(jì)誤差大、效果不佳的問(wèn)題。根據(jù)本發(fā)明的一個(gè)方面，提供了一種利用計(jì)算機(jī)對(duì)動(dòng)力電池系統(tǒng)的剩余壽命進(jìn)行預(yù)測(cè)的方法，其特征在于包括以下步驟：數(shù)據(jù)獲取步驟，利用電池管理系統(tǒng)測(cè)量并收集一段時(shí)間內(nèi)的電池電壓數(shù)據(jù)和電池事件數(shù)據(jù)；數(shù)據(jù)處理步驟，具體包括以下內(nèi)容：將給定時(shí)間區(qū)域的電壓V分解成老化項(xiàng)電壓Va和波動(dòng)項(xiàng)電壓Vf；利用多實(shí)例多標(biāo)簽(MIML)學(xué)習(xí)方法，對(duì)老化項(xiàng)電壓Va進(jìn)行預(yù)測(cè)；利用自回歸積分滑動(dòng)平均(ARIMA)模型，對(duì)波動(dòng)項(xiàng)電壓Vf進(jìn)行預(yù)測(cè)；利用預(yù)測(cè)得到的老化項(xiàng)電壓Va和波動(dòng)項(xiàng)電壓Vf，對(duì)電池的剩余壽命進(jìn)行預(yù)測(cè)。其中，在上述發(fā)明中，還包括去噪步驟，過(guò)濾收集到的所述電池電壓數(shù)據(jù)中的噪聲，僅保留浮動(dòng)電壓，以減少電壓來(lái)自其他電池活動(dòng)的干擾。其中，在上述發(fā)明中，所述的自回歸積分滑動(dòng)平均模型，是由滑動(dòng)平均模型和綜合部分組成的部分自回歸積分滑動(dòng)平均模型，其具體形式為其中，表示時(shí)間t時(shí)的波動(dòng)項(xiàng)電壓值，θ1，...，θq表示滑動(dòng)平均模型的參數(shù)，ε1，...，εt-1是白噪聲誤差項(xiàng)，q為移動(dòng)平均項(xiàng)數(shù)，εt為綜合部分。其中，在上述發(fā)明中，利用如下公式，計(jì)算在時(shí)間t時(shí)第i個(gè)電池的剩余壽命其中，和分別表示時(shí)間t時(shí)的老化項(xiàng)和波動(dòng)項(xiàng)電壓值，電壓斜率為st，損失值為yt，i為電池序號(hào)，θ為預(yù)定義的電池失效閾值。其中，在上述發(fā)明中，在對(duì)電池的剩余壽命進(jìn)行預(yù)測(cè)之后，還具有預(yù)警步驟，提示用戶對(duì)即將失效的電池進(jìn)行更換。根據(jù)本發(fā)明的另一個(gè)方面，提供了一種對(duì)動(dòng)力電池系統(tǒng)的剩余壽命進(jìn)行預(yù)測(cè)的裝置，該裝置包括：電池管理系統(tǒng)，用于測(cè)量并收集一段時(shí)間內(nèi)的電池電壓數(shù)據(jù)和電池事件數(shù)據(jù)；數(shù)據(jù)獲取模塊，用于從電池管理系統(tǒng)獲取所述電池電壓數(shù)據(jù)和電池事件數(shù)據(jù)用于后續(xù)處理；數(shù)據(jù)處理模塊，具體包括：將給定時(shí)間區(qū)域的電壓V分解成老化項(xiàng)電壓Va和波動(dòng)項(xiàng)電壓Vf的單元；利用多實(shí)例多標(biāo)簽(MIML)學(xué)習(xí)方法，對(duì)老化項(xiàng)電壓Va進(jìn)行預(yù)測(cè)的單元；利用自回歸積分滑動(dòng)平均(ARIMA)模型，對(duì)波動(dòng)項(xiàng)電壓Vf進(jìn)行預(yù)測(cè)的單元；利用預(yù)測(cè)得到的老化項(xiàng)電壓Va和波動(dòng)項(xiàng)電壓Vf，對(duì)電池的剩余壽命進(jìn)行預(yù)測(cè)的單元。根據(jù)本發(fā)明提出的上述動(dòng)力電池壽命預(yù)測(cè)及安全預(yù)警的方法和裝置，利用大數(shù)據(jù)分析的模型和方法，充分考慮了電池歷史電壓數(shù)據(jù)和歷史事件數(shù)據(jù)對(duì)動(dòng)力電池壽命的影響。本發(fā)明提出了一種事件驅(qū)動(dòng)型電池分析方法，精確提取出導(dǎo)致電池組工作狀態(tài)退化的特性，并建立預(yù)測(cè)模型。基于本發(fā)明中的電池電壓和壽命的預(yù)測(cè)模型，能夠得到更為準(zhǔn)確、可靠的預(yù)測(cè)效果，能夠解決現(xiàn)有的電池管理系統(tǒng)中存在的電池壽命估計(jì)誤差大、效果不佳的問(wèn)題。附圖說(shuō)明圖1為新電池和舊電池的平均電壓示意圖；圖2為電池的平均電壓與剩余壽命的相互關(guān)系示意圖；圖3為新舊電池的電壓方差大小示意圖；圖4為電壓的變化量與剩余壽命的相互關(guān)系示意圖；圖5為發(fā)生“電池電壓低”事件的數(shù)量與電池壽命的關(guān)系示意圖；圖6為發(fā)生“電池放電”事件的數(shù)量與電池壽命的關(guān)系示意圖；圖7為發(fā)生“電池故障”事件的數(shù)量與電池壽命的關(guān)系示意圖；圖8為本發(fā)明提出的預(yù)測(cè)電池工作狀態(tài)的EVENING框架的示意圖；圖9為從數(shù)據(jù)集中提取出來(lái)的失效趨勢(shì)的分布狀態(tài)示意圖；圖10為本發(fā)明的EVENING方法與線性回歸(LR)、自回歸積分滑動(dòng)平均(ARIMA)和小波分析(Wavelet)四種方法預(yù)測(cè)誤差示意圖；圖11為更換數(shù)量的百分比與電池失效預(yù)警之后存活的天數(shù)之間的關(guān)系示意圖；圖12為本發(fā)明的EVENING框架和單純ARIMA預(yù)測(cè)結(jié)果的比較示意圖。具體實(shí)施方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明了，下面結(jié)合具體實(shí)施方式并參照附圖，對(duì)本發(fā)明進(jìn)一步詳細(xì)說(shuō)明。應(yīng)該理解，這些描述只是示例性的，而并非要限制本發(fā)明的范圍。1.背景隨著3G/4G蜂窩網(wǎng)絡(luò)的廣泛使用，以及未來(lái)5G網(wǎng)絡(luò)時(shí)代即將到來(lái)，導(dǎo)致了全球手機(jī)服務(wù)市場(chǎng)的爆炸式增長(zhǎng)。大量基站已部署好環(huán)境，以滿足對(duì)服務(wù)質(zhì)量和覆蓋范圍的需求，并且基站數(shù)量將在可預(yù)見(jiàn)的未來(lái)范疇內(nèi)增長(zhǎng)?？紤]到有很多基站部署在偏遠(yuǎn)農(nóng)村地區(qū)，維護(hù)高服務(wù)可用性變得相當(dāng)有挑戰(zhàn)性。特別是，它們可能會(huì)遭遇頻繁的停電。在遭受颶風(fēng)或者暴風(fēng)雪后，電力恢復(fù)往往需要數(shù)天甚至數(shù)周，在此期間備用電池成為唯一的供電資源。盡管在城市地區(qū)停電是罕見(jiàn)的，備份電池在基站中仍舊是必需的，因?yàn)槿魏畏?wù)的中斷都能導(dǎo)致不可承受的損失。鑒于在停電期間，基站安裝的備用電池組通常是唯一的電力資源，因此電池組的工作狀態(tài)對(duì)基站的可用性服務(wù)有至關(guān)重要的影響。為了提高服務(wù)的可用性，除了連接到公用電網(wǎng)，每個(gè)蜂窩塔還配備了用于備用供電的電池組。當(dāng)公用電網(wǎng)上停電時(shí)，為了避免任何服務(wù)的中斷，電池組放電來(lái)支持通訊設(shè)備，直到發(fā)電機(jī)能提供足夠的電力供應(yīng)。這使得蓄電池組及其工作條件起到了重要的作用。在此期間，如果蓄電池的狀況惡化，斷電便能輕易搞垮服務(wù)。緊急維修服務(wù)的到達(dá)可能需要花費(fèi)數(shù)天甚至數(shù)周，這依賴于到達(dá)和定位出維修點(diǎn)的難度大小，尤其是在農(nóng)村地區(qū)或者遇到惡劣天氣。因此，預(yù)測(cè)電池組的狀態(tài)對(duì)系統(tǒng)維護(hù)來(lái)說(shuō)，有著技術(shù)上和商業(yè)上的重要意義。這是為了讓電池能夠在失效前被提前更換，降低對(duì)可用性服務(wù)的干擾。一個(gè)成功的預(yù)測(cè)，不僅需要了解電池老化過(guò)程的知識(shí)，還要對(duì)可能誘發(fā)和加速老化過(guò)程的應(yīng)激事件有很好的理解。盡管鋰離子電池和鎳鎘電池以其較小的尺寸、更輕的重量和更好的存儲(chǔ)效率展示了電池科技的最新發(fā)展，但是這類電池的主要缺點(diǎn)就是成本太高。傳統(tǒng)的鉛酸電池有很大的容量，因此已被廣泛應(yīng)用于基站備用電源中的存儲(chǔ)。鋰離子電池的老化機(jī)制引起了很多嘗試，在鋰電池的頻繁活動(dòng)中產(chǎn)生了大量的日志，并提供了可供測(cè)量電池工作條件的可能性。然而，在基站中鉛酸電池通常保持在浮充狀態(tài)(浮充狀態(tài)表示電池在完全充電之后自放電維持自身容量的能力)，監(jiān)測(cè)系統(tǒng)每天兩次從浮充電池中收集浮充電壓，這樣可以使數(shù)據(jù)集變少。因此，從這樣一個(gè)稀少的數(shù)據(jù)源中提取數(shù)據(jù)特征，并預(yù)測(cè)鉛酸電池的工作環(huán)境帶來(lái)了很多挑戰(zhàn)，在本申請(qǐng)中發(fā)明人即試圖解決該問(wèn)題。本發(fā)明通過(guò)先進(jìn)的云計(jì)算模型和大數(shù)據(jù)信息處理技術(shù)，提出了一種適用于動(dòng)力電池的復(fù)雜數(shù)學(xué)模型架構(gòu)來(lái)解決如何動(dòng)態(tài)精確估算電池系統(tǒng)的性能的技術(shù)難題，并對(duì)動(dòng)力電池的不安全因素進(jìn)行實(shí)時(shí)預(yù)警，從而阻止動(dòng)力電池產(chǎn)生各種不安全或燃燒因素。電池運(yùn)行的實(shí)時(shí)數(shù)據(jù)由與其相連的數(shù)據(jù)采集終端完成。我們發(fā)明的大數(shù)據(jù)處理方法叫EVENING，即事件驅(qū)動(dòng)型電池的分析框架，來(lái)準(zhǔn)確預(yù)測(cè)動(dòng)力電池包實(shí)時(shí)運(yùn)行狀況，并安排相應(yīng)的維護(hù)。我們共收集了46913個(gè)設(shè)備從2014年7月28日到2016年2月17日1550032984行數(shù)據(jù)，包括112種不同的事件，通過(guò)我們的云計(jì)算平臺(tái)Hadoop1.2.1和Hive1.2.1進(jìn)一步進(jìn)行處理和分析。特別是，我們將時(shí)間序列的電壓分解到老化項(xiàng)和波動(dòng)項(xiàng)方面。基于老化項(xiàng)和日志事件，我們分析了電池的老化趨勢(shì)來(lái)表述電池的演變，包括表示電池的工作條件的斜率和方差。我們將事件驅(qū)動(dòng)型老化問(wèn)題作為一個(gè)多標(biāo)簽多實(shí)例問(wèn)題的目標(biāo)，最小化預(yù)測(cè)值與實(shí)際值之間均方根的誤差，從而保證電池電壓預(yù)測(cè)的準(zhǔn)確性。基于該框架，我們?yōu)殡姵仉妷汉蛪勖x了預(yù)測(cè)模型，并提出了一系列的解決方案來(lái)增加精確輸出。2數(shù)據(jù)分析2.1電池的電壓讀數(shù)每個(gè)電池的電壓是最重要的特征數(shù)，因?yàn)樗磻?yīng)了電池的功率輸出模式。我們根據(jù)數(shù)據(jù)記錄觀察了兩類有代表性的電池：新電池和頻臨失效的電池，然后選擇1578個(gè)電池作為新電池組，并把1459個(gè)電池放到瀕于失效的組。電池的額定電壓是2.23V，24個(gè)電池被串聯(lián)為一個(gè)電池包，整個(gè)后備電池系統(tǒng)的額定電壓是53.5V。在此基礎(chǔ)上，我們進(jìn)一步分析了兩類代表性電池電壓類別內(nèi)的電壓模式的典型狀態(tài)。圖1表示了新電池(好電池)和瀕臨失效的電池(壞電池)的顯著差別。實(shí)線畫(huà)出了新電池組的平均電壓，基本保持在2.21V和2.25V之間。虛線表示瀕臨失效電池平均電壓的衰減趨勢(shì)。接近失效日期時(shí)有一個(gè)明顯的下降趨勢(shì)，在這一階段，電池功率頻繁下降，并迅速衰竭，造成了眾多事件和警報(bào)。圖2進(jìn)一步表明平均電壓與剩余壽命的長(zhǎng)度是如何相互關(guān)聯(lián)的，這表明電壓與電池壽命有很強(qiáng)的關(guān)聯(lián)性。如圖3所示，實(shí)線表示新安裝電池能夠輸出穩(wěn)定的功率，電壓方差接近于0。虛線表明瀕失效電池的方差比新電池的大得多。圖4表明，電壓差也與電池剩余壽命的長(zhǎng)度有關(guān)。電池的輸出電壓隨時(shí)間發(fā)生變化，反映了電池質(zhì)量老化的趨勢(shì)。2.2電池活動(dòng)我們對(duì)記錄中的電池活動(dòng)進(jìn)行分析，探討電池活動(dòng)與電池剩余壽命之間的關(guān)聯(lián)性，選取的事件分別是電池電壓低、電池放電和故障單元，如圖5、6和7所示。當(dāng)電池失效的時(shí)候，我們?yōu)槊總€(gè)電池計(jì)算特定事件的數(shù)目，虛線代表剩余壽命超過(guò)576天的電池。圖5和圖6畫(huà)出了電池電壓低、放電和剩余壽命之間的關(guān)聯(lián)性。這清楚地表明，在電池剩余壽命和低浮動(dòng)電壓之間存在一種很強(qiáng)的關(guān)聯(lián)性，剩余壽命與電池放電之間也存在著某種相關(guān)性。在圖7中，我們進(jìn)一步畫(huà)出該系統(tǒng)中故障電池活動(dòng)數(shù)目的失效率，從中看不出有明顯的關(guān)聯(lián)性。這意味著，失效是受到某些特定事件的影響。觀察結(jié)果表明，不同的事件對(duì)電池工作狀態(tài)有著不同的影響，因此，為了得到精確的預(yù)測(cè)，很有必要對(duì)這些事件區(qū)別對(duì)待。3.預(yù)測(cè)模型和解決方案為便于理解，本申請(qǐng)中出現(xiàn)的參數(shù)說(shuō)明及定義請(qǐng)參見(jiàn)下表1：表1參數(shù)說(shuō)明及定義觀察表明，電池工作狀態(tài)可以被相關(guān)的歷史電壓和事件預(yù)測(cè)出，這項(xiàng)觀察可以作為預(yù)測(cè)電池剩余壽命的基礎(chǔ)。監(jiān)測(cè)系統(tǒng)從所有電池的電壓和事件中收集原始數(shù)據(jù)，這樣得到電壓集V＝{v1,v2,…vN}和事件集X＝{x1,x2,…xN}，其中N表示電池總數(shù)。每個(gè)電壓記錄是電池i在時(shí)間T的電壓值vT。我們的目標(biāo)是提取概括出電池工作狀態(tài)中的老化趨勢(shì)，并預(yù)測(cè)出電池剩余壽命。由于電池剩余壽命是在前面所述的電壓值的基礎(chǔ)之上預(yù)測(cè)得到，所以電壓時(shí)效問(wèn)題可以定義如下：考慮到時(shí)間軸上從1到T的電池電壓數(shù)據(jù)V和歷史事件X，我們基于預(yù)測(cè)電壓來(lái)推算出電池剩余壽命。定義了接下來(lái)K時(shí)間檔的預(yù)測(cè)電壓，與實(shí)際電壓進(jìn)行對(duì)比。整體目標(biāo)函數(shù)可以寫(xiě)成如下方式：通過(guò)專業(yè)知識(shí)和我們的觀察，可以發(fā)現(xiàn)電壓是電池條件的標(biāo)準(zhǔn)，剩余壽命可以很容易通過(guò)預(yù)定義的電池電壓閾值θ預(yù)測(cè)得到。為了解決問(wèn)題，我們提出了圖8所示的EVENING框架來(lái)預(yù)測(cè)電池工作狀態(tài)，圖中包含了如下幾個(gè)階段：數(shù)據(jù)準(zhǔn)備、電壓分解、電壓預(yù)測(cè)和剩余壽命預(yù)測(cè)。EVENING框架首先過(guò)濾掉歷史電壓中的大量噪聲，僅用浮動(dòng)電壓以減少電壓來(lái)自其他電池活動(dòng)的干擾，例如電池放電。雖然歷史事件與電池工作狀態(tài)是相關(guān)的，單個(gè)事件記錄并不是預(yù)測(cè)的可靠因素。EVENING框架按時(shí)間序列把歷史浮動(dòng)電壓分解成老化項(xiàng)和波動(dòng)項(xiàng)兩方面。對(duì)于老化項(xiàng)，我們提出一種處罰觀念，用來(lái)描述一組電壓老化趨勢(shì)上事件的影響?？蚣芾脮r(shí)間算法和事件數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)的老化趨勢(shì)，并進(jìn)一步結(jié)合了ARIMA的預(yù)測(cè)電壓波動(dòng)項(xiàng)。憑借接下來(lái)幾個(gè)月的預(yù)測(cè)電壓，EVENING框架可以估算出電池的剩余壽命。如圖8中所提到的，我們把給定時(shí)間區(qū)域的電壓v分解成老化項(xiàng)va和波動(dòng)項(xiàng)vf：v＝va+vf(2)為了確保va的趨勢(shì)是單調(diào)的，我們可以簡(jiǎn)單寫(xiě)出對(duì)目標(biāo)函數(shù)的約束：用描述電壓波動(dòng)，隨著t的增長(zhǎng)，波動(dòng)也增長(zhǎng)。我們進(jìn)一步擴(kuò)展公式(1)中優(yōu)化問(wèn)題的目標(biāo)函數(shù)，盡量減少重構(gòu)誤差||v-va’-vf’||2和確保波動(dòng)的平整度，這個(gè)受公式3中的單調(diào)性約束管制。(1)老化項(xiàng)為了抽取出電壓老化項(xiàng)和使波動(dòng)項(xiàng)平穩(wěn)，我們?cè)跁r(shí)間序列內(nèi)把電壓分段，并確保每段的平均值差異盡可能得小。具體的說(shuō)，考慮到在一個(gè)時(shí)間序列內(nèi)的電壓vi，我們把它劃分成段，表示如下：l是段的長(zhǎng)度，每一時(shí)間段k有平均值我們用多項(xiàng)式回歸來(lái)匹配每一段，s為在時(shí)間段k電池i的電壓斜率。老化項(xiàng)可以被定義為：然后，我們提出了一個(gè)損失電壓概念來(lái)描述老化項(xiàng)的增長(zhǎng)：對(duì)于時(shí)間段k內(nèi)的電池i，我們有老化項(xiàng)和我們使用記錄中的歷史電池事件來(lái)預(yù)測(cè)老化項(xiàng)via的損失值考慮到歷史電池事件和電壓損失值的訓(xùn)練集，我們可以把一個(gè)可預(yù)測(cè)的問(wèn)題闡述成為預(yù)測(cè)電壓損失值而構(gòu)建一個(gè)時(shí)間分類器。其中一個(gè)主要的挑戰(zhàn)就是監(jiān)控系統(tǒng)為每個(gè)電池組收集事件，電池組里的單體電池有完全相同的事件記錄，盡管單體電池有自己獨(dú)特的電壓數(shù)據(jù)值。因此，我們?yōu)槊總€(gè)電池組預(yù)測(cè)電壓損失值而不為每個(gè)單體電池進(jìn)行預(yù)測(cè)，盡管單體電池的剩余壽命能夠被基于電池包的電池?fù)p失值估算到。我們的問(wèn)題可以轉(zhuǎn)化成多實(shí)例多標(biāo)簽(MIML)學(xué)習(xí)問(wèn)題，每一個(gè)訓(xùn)練樣本不僅與多個(gè)實(shí)例關(guān)聯(lián)，還與多個(gè)標(biāo)簽相關(guān)聯(lián)。與接受一組獨(dú)立的標(biāo)記實(shí)例作為標(biāo)準(zhǔn)分類相反，圖8中的MIML模型接受一組包，這組包同時(shí)與多個(gè)標(biāo)簽相關(guān)聯(lián)。在我們的問(wèn)題中，每個(gè)事件被定義為一個(gè)實(shí)例，每個(gè)電壓損失被定義為一個(gè)標(biāo)簽。概念包表示一組事件xi，每個(gè)包xi有mi個(gè)實(shí)例，xi＝{xi，1，xi，2，...，xi，mi}?？紤]到包從不同的電池獲得，我們的目標(biāo)是建立一個(gè)分類器，能正確標(biāo)記出看不見(jiàn)的包。正式來(lái)講，X表示實(shí)例空間，Y定義了損失標(biāo)簽的集合。我們用含有N個(gè)樣本的集合{(x1,y1),(x2,y2),…,(xN,yN)}來(lái)表示訓(xùn)練集，yi是與xi相關(guān)的損失標(biāo)簽。前文提過(guò)，每一個(gè)電池包有ni個(gè)不同電壓老化趨勢(shì)的電池，yi＝{yi，1，yi，2，...，yi，ni}是所有可能的標(biāo)簽的一個(gè)子集，yi∈Y。目標(biāo)是從一組給定的數(shù)據(jù)集{(x1,y1),(x2,y2),…,(xN,yN)}中獲知一個(gè)函數(shù)fMIML:2X→2Y，用來(lái)精確預(yù)測(cè)出一系列事件xi的損失標(biāo)簽yi?；贛IMLfast方法(S.-J.HuangandZ.-H.Zhou,“Fastmulti-instancemulti-labellearning,”arXivpreprintarXiv:1310.2049,2013.)，我們提出一種與原始MIML問(wèn)題有效近似的改進(jìn)的方法。具體來(lái)說(shuō)，利用多個(gè)標(biāo)簽之間的關(guān)系，MIMLfast首先是從原始特征中學(xué)習(xí)所有標(biāo)簽的共享空間，然后訓(xùn)練從共享標(biāo)簽中標(biāo)注具體的線性模型。為了識(shí)別關(guān)鍵實(shí)例來(lái)表現(xiàn)出特定標(biāo)簽的包，分類模型在實(shí)例層進(jìn)行訓(xùn)練，然后選擇最大的預(yù)測(cè)實(shí)例值。為了增強(qiáng)學(xué)習(xí)效率，用隨機(jī)梯度下降來(lái)優(yōu)化近似排序的損失。在測(cè)試階段，MIMLfast返回與測(cè)試值的所有可能標(biāo)簽的一個(gè)子集，通過(guò)選擇最大的預(yù)測(cè)數(shù)據(jù)，ENENING可以得到每個(gè)包的損失值。(2)波動(dòng)項(xiàng)電壓變化也是預(yù)測(cè)電池壽命一個(gè)重要的特征。使用人的眼睛從原始數(shù)據(jù)獲取出浮動(dòng)電壓的波動(dòng)不是一件容易的事情。我們知道大部分電池長(zhǎng)期保持浮充狀態(tài)，這使得電池在固定間隔內(nèi)周期性地伴隨著弱電流充放電。事件序列方法適用于描述這樣的隨機(jī)過(guò)程，也容易建立能用來(lái)預(yù)測(cè)電壓波動(dòng)項(xiàng)的預(yù)測(cè)模型。自回歸積分滑動(dòng)平均模型(ARIMA)是最流行的用于預(yù)測(cè)未來(lái)值的時(shí)間序列模型之一，這可以被廣泛用于金融、經(jīng)濟(jì)和社會(huì)科學(xué)領(lǐng)域。ARIMA能用來(lái)表示過(guò)去的觀測(cè)和錯(cuò)誤的一個(gè)線性組合，包含三個(gè)部分，一個(gè)自回歸模型，一個(gè)滑動(dòng)平均模型和一個(gè)綜合部分。ARIMA(p,q)模型表示如下：Y(t)表示在t時(shí)間的視圖數(shù)量。β1，...，βp表示自回歸模型的參數(shù)，θ1，...，θq表示滑動(dòng)平均模型的參數(shù)。ε1，...，εt-1是白噪聲誤差項(xiàng)，這通常被認(rèn)為是零均值與持續(xù)方差的高斯隨機(jī)變量。p為自回歸項(xiàng)；q為移動(dòng)平均項(xiàng)數(shù)。在我們的EVENING框架中，我們使用一部分ARIMA模型來(lái)展現(xiàn)波動(dòng)項(xiàng)?？紤]到在過(guò)去的幾天里的浮動(dòng)電壓vi的時(shí)間序列，它可以利用歷史信息中的趨勢(shì)、周期性和自相關(guān)性表現(xiàn)，為電壓的演化做出細(xì)粒度預(yù)測(cè)。EVENING框架使用了如公式(8)所述的部分ARIMA模型來(lái)抽取和預(yù)測(cè)基于電壓vi的波動(dòng)項(xiàng)vif。(3)剩余壽命估計(jì)通過(guò)電壓老化趨勢(shì)項(xiàng)va和波動(dòng)趨勢(shì)項(xiàng)vf，我們可以通過(guò)公式2預(yù)測(cè)出未來(lái)的電壓值v’。當(dāng)浮動(dòng)電壓值比預(yù)定義的電池失效閾值θ高時(shí)，我們可以認(rèn)為電池i的工作狀態(tài)是良好的，可以被寫(xiě)成如下形式：via+vif-θ>0(9)在時(shí)間t內(nèi)，電壓值為電壓斜率為st，損失值為yt，剩余壽命r可以表示如下：4.實(shí)驗(yàn)在進(jìn)行量化績(jī)效評(píng)估之前，我們提供一個(gè)實(shí)例作為案例研究，用來(lái)證明EVENING框架的有效性。我們把EVENING和ARIMA運(yùn)用到365天的電池?cái)?shù)據(jù)，用來(lái)預(yù)測(cè)未來(lái)120天內(nèi)的老化趨勢(shì)和電池工作狀況。(1)實(shí)驗(yàn)設(shè)備海量數(shù)據(jù)的分析需要足夠的時(shí)間和容量，我們?cè)谠破脚_(tái)上處理了323GB的數(shù)據(jù)，使存檔數(shù)據(jù)的查詢更高效，本發(fā)明一個(gè)具體實(shí)施例中的平臺(tái)包含了8個(gè)戴爾DellPowerEdgeR430服務(wù)器，每個(gè)服務(wù)器配備了兩個(gè)2.4GHz8核的XeonE5-2630v3、256GB的DDR3內(nèi)存和一個(gè)10Gbits/秒的網(wǎng)絡(luò)接口卡(NIC)。用超線程啟用CPU，那樣每個(gè)CPU核能支持兩個(gè)線程(虛擬CPU核心)。所有的物理服務(wù)器通過(guò)一個(gè)網(wǎng)件16端口10千兆交換機(jī)相互連接。使用專用物理設(shè)備到主機(jī)的主節(jié)點(diǎn)而不是使用一個(gè)虛擬機(jī)，確保最小化資源爭(zhēng)用的快速響應(yīng)時(shí)間。其他主機(jī)虛擬節(jié)點(diǎn)的物理設(shè)備運(yùn)行最新版的XenHypervisor(version4.1.3)。關(guān)于運(yùn)行在虛擬機(jī)(Domain0和DomainU)上的操作系統(tǒng)，我們使用流行的64位的Ubuntu12.04LTS(內(nèi)核版本3.11.0-12)。為所有的虛擬機(jī)分配8個(gè)虛擬CPU核和4GB的內(nèi)存。我們運(yùn)行Hive1.2.1，是建立在ApacheHadoop1.2.1之上的數(shù)據(jù)倉(cāng)庫(kù)，適用于數(shù)據(jù)管理和基于HiveQL的分析查詢，其中，HiveQL是一種基于SQL的查詢語(yǔ)言。(2)評(píng)估在本節(jié)中，我們使用實(shí)際搜集得到的真實(shí)的數(shù)據(jù)來(lái)評(píng)估框架的精確度，并推測(cè)出剩余壽命。為了評(píng)估預(yù)測(cè)質(zhì)量，我們對(duì)1691個(gè)電池?cái)?shù)據(jù)進(jìn)行試驗(yàn)，其中有1282個(gè)樣本訓(xùn)練集與409個(gè)樣本測(cè)試集。我們計(jì)算先前365天和之后120天的斜率之間的差別，為電池老化項(xiàng)生成一個(gè)失效標(biāo)簽。圖9概括了從數(shù)據(jù)集中提取出來(lái)的失效趨勢(shì)的分布，覆蓋范圍從0到-5×10-4，且大多數(shù)電池在緩慢惡化狀態(tài)。在表2中，我們對(duì)比了EVENING方法和線性回歸(LR)、ARIMA和小波分析(Wavelet)，并計(jì)算出預(yù)測(cè)電壓值和實(shí)際數(shù)據(jù)的均方根誤差。如圖10所示，我們可以20406080100120MIML0.00220.00200.00130.00030.00080.0020ARIMA0.00410.00540.01220.01900.02900.0401LR0.03070.02720.02860.02870.02980.0300Wavelet0.06010.06700.06680.07370.06940.0698表2實(shí)際數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)的均方根誤差看出，在大多數(shù)的對(duì)比方案中，我們的方法呈現(xiàn)出的效果最好，在提取趨勢(shì)與真實(shí)發(fā)展趨勢(shì)間的誤差最小。尤其是當(dāng)斜率很小，老化現(xiàn)象很微小時(shí)，我們的方法比線性分析、自回歸積分滑動(dòng)平均模型和小波分析效果要好。此外，從方案中提取出的老化趨勢(shì)是單調(diào)的，符合老化現(xiàn)象的本質(zhì)，然而，線性分析、自回歸積分滑動(dòng)平均模型和小波分析就沒(méi)有這方面的優(yōu)勢(shì)，因?yàn)樗鼈冊(cè)谔崛≮厔?shì)方面沒(méi)有進(jìn)行單調(diào)性約束。有一個(gè)合理的假設(shè)，電池失效的后果是更換電池，我們選擇有更換記錄的112個(gè)電池，用來(lái)驗(yàn)證預(yù)測(cè)剩余壽命。百分比與電池失效預(yù)警之后存活的天數(shù)之間的關(guān)系如圖11所示。87％的電池在三個(gè)月之內(nèi)被更換，這表明我們的方法能強(qiáng)有力地預(yù)測(cè)出電池失效。與此同時(shí)，極少數(shù)電池在失效預(yù)警之后仍被安裝，我們對(duì)它們進(jìn)行了仔細(xì)觀察，發(fā)現(xiàn)這些電池沒(méi)有被更換是因?yàn)榇嬖诙嘤嗟碾姵亟M，這表明我們的EVENING框架可以有效協(xié)助維修工程師偵查電池組中潛在的問(wèn)題。(3)范例分析EVENINGE框架和ARIMA的比較如圖12所示，比較結(jié)果與我們的猜想符合，那就是事件能夠給電池工作環(huán)境帶來(lái)長(zhǎng)久的改變。ARIMA只使用單個(gè)電池的浮動(dòng)電壓，并且它不能將歷史事件的影響做成模型。考慮到事件的影響，EVENING框架能夠快速響應(yīng)這些事件，并提供一個(gè)精確的預(yù)測(cè)趨勢(shì)。在圖12中，我們可以清楚看到，EVENING框架可以成功預(yù)測(cè)出電池電壓的下降趨勢(shì)，還可以預(yù)測(cè)出該電池在接下來(lái)三個(gè)月內(nèi)的工作狀態(tài)。正如我們所知，ARIMA模型的主要缺點(diǎn)是它需要長(zhǎng)期階段的歷史信息來(lái)進(jìn)行預(yù)測(cè)。在實(shí)驗(yàn)中，ARIMA適用于預(yù)測(cè)基于前365天的數(shù)據(jù)的波動(dòng)項(xiàng)，盡管它不能準(zhǔn)確估計(jì)出老化條件。我們可以根據(jù)電池預(yù)定義的閾值，預(yù)測(cè)出電池剩余壽命。綜上所述，本申請(qǐng)的方法，提出了一種事件驅(qū)動(dòng)型電池分析方法，來(lái)準(zhǔn)確提取出可以導(dǎo)致電池組工作狀態(tài)退化的特征。我們?yōu)殡姵仉妷汉褪褂脡勖贫祟A(yù)測(cè)模型，并且提出了一系列能得到精確輸出值的解決方法，這讓我們進(jìn)一步提出一個(gè)方案，及時(shí)安排電池維護(hù)和替代，以使得停電帶來(lái)的服務(wù)中斷最小化。根據(jù)與真實(shí)數(shù)據(jù)的跟蹤評(píng)估，證明了本申請(qǐng)的方法可以在電壓和壽命預(yù)測(cè)方面得到更高的精度，并可以顯著提升蜂窩網(wǎng)絡(luò)的服用可用性。本發(fā)明的上述具體實(shí)施方式僅僅用于示例性說(shuō)明或解釋本發(fā)明的原理，而不構(gòu)成對(duì)本發(fā)明的限制。因此，在不偏離本發(fā)明的精神和范圍的情況下所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。此外，本發(fā)明所附權(quán)利要求旨在涵蓋落入所附權(quán)利要求范圍和邊界、或者這種范圍和邊界的等同形式內(nèi)的全部變化和修改例。當(dāng)前第1頁(yè)1 2 3