基于svr 算法的vrla 蓄电池专家诊断模型的实现.pdfVIP

基于SVR算法的VRLA蓄电池专家诊断模型的实现 删除的内容: 分节符(连续) 姚何飞 郑益 分节符(连续) (杭州高特电子设备有限公司，浙江 杭州 310012) 摘 要：提出了一种多维输入的VRLA蓄电池专家诊断模型，该模型主要基于优化的支持向量机非线性回归（SVR） 算法，同时应用蓄电池相关物理参数对目标参数进行补偿修正，预测蓄电池的健康状态（SOH）。本文所建立的模 型结合相应的硬件设备，可实时地检测到蓄电池的特征数据，并且只需短时间放电，即可预估出蓄电池的健康状 态。 关键词：蓄电池；支持向量机；容量预测；蓄电池健康状态；SOH 中图法分类号： 文献标识码：A Battery Professional Diagnosing Model Based On SVR Algorithm Yao He-Fei Zheng Yi (Hangzhou Gold Electronic Equipment Company, Hangzhou Zhengjiang 310012) Abstract: This paper proposes a Multi-Dimensional Battery Professional Diagnosing Model based on optimizing Support Vector Regression algorithm to predict the battery SOH (State Of Health, the ratio between actual capacity and rated capacity). Battery parameters are used to adjust target parameters. This model can get battery data real-time combing with hardware. It also can predict the SOH of battery in a short time of discharge. 诊断模型：通过获取蓄电池组运行时所监测到的 1 引言 电压，电流，内阻等实时数据，经过模型分析计 算，预测出蓄电池的健康状态。该模型的建立基 蓄电池健康状态一直是后备用电池领域所重 于大量的蓄电池监测数据，采用优化的 SVR 算 点关注的内容之一，它是系统可靠性依赖的最后 法，可以实时的准确预测后备蓄电池在电源故障 一个环节，也是可靠性最薄弱的环节。一旦需要 情况下的供电能力。 蓄电池进行供电，而蓄电池由于已失效未能起到 后备电源的作用，那将造成重大的甚至是灾难性 2 体现蓄电池容量变化的因素 的事故。所以，对蓄电池的健康状态进行实时的 预测是非常重要的，不仅能够起到预防事故发生 蓄电池是一个复杂的电化学体系，它的寿命 的作用，避免重大损失，还可以节省人力，物力， 和性能与电极材料、工艺、活性物质的变化、运 做到真正有效的状态监测和少维护。 行状态等诸多因素相关，然而对于阀控式铅酸蓄 目前国内外对蓄电池的容量和健康状态预测 电池，一般设备无法检测到蓄电池内部的变化， 做了大量研究，提出多种不同的数学模型，但缺