本發(fā)明屬于變電站運維，涉及一種變電站后備電源鉛酸電池安全狀態(tài)監(jiān)控方法及系統(tǒng)。

背景技術：

1、作為變電站后備電源的重要組成單元，鉛酸電池的長期使用安全性成為了一個重要議題。鉛酸電池在使用過程中可能出現快速老化等多種問題，這些問題若不及時發(fā)現和處理，可能導致電池性能下降乃至發(fā)生安全事故。因此，確保變電站后備電源鉛酸電池在各種工作條件下的安全運行是至關重要的。

2、傳統(tǒng)的電池監(jiān)控系統(tǒng)多依賴于簡單的傳感器數據收集和閾值判斷，這種方法在處理復雜或隱蔽的電池故障時往往顯得力不從心。此外，現有技術在數據采集和處理方面存在樣本量不足、特征提取不精確和處理效率低下等問題，這些限制了系統(tǒng)在實際應用中的效能和可靠性。

技術實現思路

1、本發(fā)明的技術方案用于解決現有技術的電池安全狀態(tài)監(jiān)控存在的樣本量不足、特征提取不精確和處理效率低下的問題。

2、本發(fā)明是通過以下技術方案解決上述技術問題的：

3、一種變電站后備電源鉛酸電池安全狀態(tài)監(jiān)控方法，包括以下步驟：

4、步驟1、采集電池電化學阻抗譜數據，將采集到的數據進行存儲；

5、步驟2、對采集到的數據進行標注，標注類別包括容量和電池狀態(tài)，電池狀態(tài)包括正常運行、電池老化和禁止使用；

6、步驟3、采用基于魯棒估計的生成對抗網絡算法進行數據擴充，以生成新的訓練樣本；

7、步驟4、采用自適應波動優(yōu)化算法更新神經網絡中的權重和偏置，模擬波動的傳播和能量分布特性，對電池電化學阻抗譜數據進行特征提取；

8、步驟5、利用基于流形映射學習的自編碼神經網絡對提取的特征進行降維；

9、步驟6、通過基于朗道量子化的支持向量機分類算法對降維后的數據進行分類，以確定電池的安全狀態(tài)，?并將分類結果用于電池安全狀態(tài)的監(jiān)控。

10、進一步地，步驟1中所述的采集電池電化學阻抗譜數據，將采集到的數據進行存儲的方法具體如下：利用電化學阻抗譜采集芯片從電池系統(tǒng)中采集溶液阻抗rs、電荷轉移阻抗rct、雙層電容cdl和warburg阻抗w，采集到的數據以json格式存儲。

11、進一步地，步驟2中所述的對采集到的數據進行標注的方法具體如下：通過對電池進行恒流充放電確定電池容量，從100％至70％容量進行不同容量階段的標注，每隔1％～2％得到一組容量和溶液阻抗rs、電荷轉移阻抗rct、雙層電容cdl和warburg阻抗w的數據集進行人工標注。

12、進一步地，步驟3中所述的采用基于魯棒估計的生成對抗網絡算法進行數據擴充的方法具體如下：

13、(1)初始化生成器和判別器的網絡參數，初始化服從高斯分布隨機分配，對于生成器初始化，表示為：

14、

15、且，?對于判別器初始化，?表示為：

16、

17、式中，θg為生成器的參數，σg為生成器參數的標準差，θd為判別器的參數，σd為判別器參數的標準差；

18、(2)進行循環(huán)迭代訓練，生成器g接收來自潛在空間的隨機噪聲z，?隨機噪聲z遵循標準正態(tài)分布，生成器通過學習將噪聲映射到數據空間，模仿電池監(jiān)測數據的分布，表示為：

19、xgen＝g(z；θg)

20、

21、式中，xgen為生成的數據，z為輸入的隨機噪聲向量，i為單位矩陣；

22、(3)將生成的數據與實際采集的電池監(jiān)控數據一同輸入到判別器，判別器評估這些數據的真實性，并通過后向傳播更新其參數，判別器d的訓練目標是最大化區(qū)分真實數據x和生成數據xgen的能力，通過最小化以下?lián)p失函數實現：

23、

24、其中，真實數據的期望計算公式為：

25、

26、且，生成數據的期望計算公式為：

27、

28、式中，pdata是真實數據的分布，pz是噪聲的分布；

29、(4)根據判別器的反饋，生成器更新其參數以生成更難被判別器識別的數據，生成器g的目標是使判別器d無法區(qū)分真實數據和生成數據，通過最小化以下?lián)p失函數實現：

30、

31、式中，lqgan為不確定性度量損失項；

32、對于生成器生成的數據g(z)不確定性評估，計算公式為：

33、sr(g(z))＝-tr(g(z)×logg(z))

34、式中，sr()為不確定性評估函數，tr()表示矩陣的跡運算；

35、(5)不確定性度量損失項lqgan的計算公式為：

36、

37、式中，γed是不確定性度量損失系數；

38、(6)在每一次迭代過程中，評估當前訓練批次中生成數據的質量，并動態(tài)調整生成器和判別器的學習率，調整方式表示為：

39、

40、式中，和分別為新舊學習率；γvh為學習率調整因子；lprevious和lcurrent分別為前一次和當前的損失函數值；δl為損失函數變化估計量；

41、(7)重復迭代上述步驟，直至滿足預設的停止迭代條件，預設的停止迭代條件為達到預設的最大迭代次數；

42、(8)利用相似度度量指標進行生成數據的質量評估，并據此調整訓練策略，表示為：

43、q(xf)→update(q,θg′,θd′)

44、式中，q()為質量評估函數；xf為生成數據；update()為根據質量評估調整訓練策略的函數；

45、當質量評估函數的評估值大于預設的閾值時，則保留數據；否則，舍棄生成的數據。

46、進一步地，所述的質量評估函數q()通過計算生成數據與真實數據集中數據的相似度實現，表示為：

47、

48、其中，sim()表示相似度度量函數，度量方式為基于歐氏距離計算方式實現；表示真實數據集中的第i個樣本，n為樣本總數。

49、進一步地，步驟4中所述的采用自適應波動優(yōu)化算法更新神經網絡中的權重和偏置，模擬波動的傳播和能量分布特性，對電池電化學阻抗譜數據進行特征提取的方法具體如下：

50、(1)定義神經網絡結構，神經網絡的隱藏層層數為2，第一層隱藏層包括100個神經元，第二層隱藏層包括50個神經元，激活函數為relu激活函數；

51、(2)設定神經網絡的初始參數θ0，包括神經網絡的權重w和偏置b，并初始化波源si的位置xi、強度ai和初相φi，設定波源的總數為n，則初始化表示為：

52、θ0＝{w0,b0}

53、si(xi,ai,φi),i＝1,2,…,n

54、式中，xi通常選擇為參數的初始位置，ai和φi隨機設置其初始值；si為第i個波源，由位置xi、強度ai和初相φi組成；

55、(3)通過前向傳播計算損失l，使用參數θ在輸入x上執(zhí)行前向傳播，計算輸出y并與目標值t對比，計算公式為：

56、y＝frs(x；θ)

57、l＝loss(y,t)

58、式中，frs()表示網絡結構，且網絡結構的輸出層采用預設的softmax分類器得到預測標簽；loss(y,t)為交叉熵損失；

59、(4)依據損失函數計算每個參數的梯度計算公式為：

60、

61、(5)采用鏈式法計算梯度，設網絡輸出y經過softmax函數，則對權重w的梯度計算公式為：

62、

63、式中，yk是softmax的輸出，zk是softmax層前的線性輸出；

64、(6)的計算公式為：

65、

66、且，的計算公式為：

67、

68、且，的計算公式為：

69、

70、(7)根據梯度的方向和大小，在對應的參數位置生成波源，每個波源si的強度更新為計算公式為：

71、

72、式中，αck是學習率,βbp為衰減系數，γbp為增幅系數；

73、(8)所有波源的波動在參數空間中疊加，每個參數的更新量由所有波源在該點的波動疊加結果決定，則參數的更新方式表示為：

74、

75、式中，k是波數，ω是角頻率，表示波的傳播速度和方向；re()為relu激活函數，τi,l為波動閾值；

76、(9)每個波源的波動閾值τi,l隨層敏感度指數動態(tài)調整，調整方式表示為：

77、

78、式中，τ0是初始波動閾值，sl為層敏感度指數，κpq是調整系數；

79、(10)第l層的層敏感度指數sl基于該層輸出的梯度的范數計算，以衡量該層對整體網絡誤差的貢獻大小，計算公式為：

80、

81、式中，是第l層參數梯度的范數，lc是網絡層數；

82、(11)根據本次迭代的損失減少量，動態(tài)調整每個波源的衰減系數β和增幅系數γ，計算公式為：

83、

84、式中，分別為上一次迭代的衰減系數和增幅系數，λbp,μbp分別是衰減系數調節(jié)因子和增幅系數調節(jié)因子，δl是損失的變化量；

85、(12)重復迭代上述步驟，直至滿足預設的停止迭代條件。

86、進一步地，步驟5中所述的利用基于流形映射學習的自編碼神經網絡對提取的特征進行降維的方法具體如下：

87、(1)初始化網絡參數，采用高斯分布初始化自編碼器的權重w和偏置b參數，表示為：

88、

89、bi＝0

90、式中，wi表示第i層的權重，σch表示標準差；

91、(2)通過自編碼器，數據x被映射到低維特征空間z的方式表示為：

92、z＝sig(wex+be)

93、且，解碼器試圖重構原始輸入的方式表示為：

94、

95、式中，sig()是激活函數；we和be分別是編碼器的權重和偏置；wd和bd是解碼器的權重和偏置；

96、(3)在編碼的低維空間中，采用黎曼因子r來實現流形學習，黎曼因子約束編碼的特征z的計算公式為：

97、

98、式中，μcy表示預設的流形中心，σr是控制流形緊湊程度的參數；

99、(4)損失函數不但考慮重構誤差，還考慮黎曼流形約束，重構誤差確保數據能被有效還原，流形約束強化了特征空間的幾何結構，損失函數的計算公式為：

100、

101、式中，λcm是正則化系數；

102、(5)重構誤差的計算公式為：

103、

104、式中，zi是z在第i維的值，μi是預設的流形中心在第i維的值；

105、(6)基于損失函數，通過反向傳播算法調整網絡參數；

106、(7)梯度根據誤差反向傳播的方式計算得到，計算公式為：

107、

108、且，通過解碼器權重wd的轉置表示，計算公式為：

109、

110、(8)由于z是we和x的線性組合后通過激活函數得到的結果，則的計算公式為：

111、

112、式中，sig′()是sigmoid激活函數的導數，diag(v)表示以向量v為對角線元素的對角矩陣，xt是x的轉置；

113、(9)使用梯度下降方法更新參數，更新方式表示為：

114、

115、式中，αrv是學習率，t表示迭代次數，為更新后的權重參數，為更新前的權重參數；

116、(10)重復迭代上述步驟，直至滿足預設的停止迭代條件。

117、進一步地，所述的權重we通過主成分分析的方式預先設定，計算公式為：

118、

119、式中，vk是從協(xié)方差矩陣xtx得到的前k個特征向量組成的矩陣，σk是相應的特征值對角矩陣。

120、進一步地，步驟6中所述的通過基于朗道量子化的支持向量機分類算法對降維后的數據進行分類的方法具體如下：

121、(1)對訓練數據進行量子態(tài)的初始化，設初始第i個樣本數據向量為且qij表示第i個樣本的第j個特征，轉換為量子態(tài)|ψi>的計算公式為：

122、

123、式中，αij是復振幅，滿足|qij>表示特征qij對應的量子基態(tài)；

124、(2)通過朗道量子化原理構建初始的量子化超平面，用量子態(tài)的概率幅度，評估其與超平面的相對位置，以確定初始的支持向量；量子超平面|w>定義為：

125、

126、式中，γk是超平面向量的權重，|vk>為超平面向量；

127、(3)量子態(tài)與超平面之間的決策邊界的計算公式為：

128、

129、式中，<ψi|w>是量子態(tài)與超平面的內積，f()為決策邊界函數，<qij|vk>為特征與超平面的內積；

130、(4)量子超平面的權重γk的根據主成分分析確定，計算公式為：

131、

132、式中，ek是數據協(xié)方差矩陣的第k個特征值，el是數據協(xié)方差矩陣的第l個特征值；

133、(5)在每次迭代中，檢查每個支持向量與其它數據點的距離和角度，根據聚類密度和邊緣距離進行裂變操作，以精細化決策邊界；對于每個支持向量，裂變過程通過調整其量子態(tài)實現，表示為：

134、|ψi′>＝|ψi>+βbp∑m≠iδim|ψm>

135、式中，βbp是裂變因子，δim是i和m之間的距離逆比系數；

136、(6)距離逆比系數δim根據第i個數據點和第m個數據點之間的距離動態(tài)調整，計算公式為：

137、

138、其中，表示數據點和數據點之間的歐氏距離的平方，∈是一個常數；

139、(7)對于表現出相似特性的數據群，執(zhí)行聚變操作，合并這些數據點的表示，以增強模型對這些特征的響應，相似數據點的量子態(tài)合并操作表示為：

140、

141、式中，mi是與相似的量子態(tài)集合，σm是根據相似度分配的權重；

142、(8)權重σm基于相似度和數據點的局部密度計算得到，表示為：

143、

144、式中，dmm是數據點m到集合mi中其他點的平均距離；

145、(9)通過量子門操作調整量子位的狀態(tài)，以優(yōu)化分類結果的精度，表示為：

146、u(θ)|ψi″>＝cos(θ)|ψi″>+sin(θ)∑m≠i|ψm>

147、式中，θ是量子門的旋轉角度；

148、(10)重復迭代上述步驟，直至滿足預設的停止迭代條件。

149、進一步地，所述的量子門操作u(θ)用于調整量子位的狀態(tài)，計算方式為：

150、u(θ)＝e-iθh

151、式中，h是特定的哈密頓量。

152、本發(fā)明的優(yōu)點在于：

153、(1)采用基于魯棒估計的生成對抗網絡對不足的訓練數據進行擴充，能有效處理監(jiān)控數據中的異常值和噪聲，通過生成對抗網絡擴充的數據近似真實數據分布，增強了數據集的多樣性和模型訓練的有效性，解決了傳統(tǒng)數據采集獲取困難和樣本不足問題；

154、(2)采用自適應波動優(yōu)化算法更新神經網絡中的權重和偏置，模擬波動的傳播和能量分布特性，針對電池電化學阻抗譜監(jiān)控數據的復雜波動性和非線性特征進行有效提取，能夠在復雜的數據背景下準確地提取關鍵特征，減少了訓練誤差和模型的波動性；

155、(3)利用基于流形映射學習的自編碼神經網絡，通過黎曼因子優(yōu)化特征空間的表示，提升數據的內在結構學習能力和準確性的重構能力；自編碼器結構在特征降維中保持了關鍵信息的同時，減少了數據的維度，優(yōu)化了處理效率和運算負荷。

156、(3)采用基于朗道量子化的支持向量機算法，通過量子態(tài)轉換和裂變及聚變概念調整支持向量和分類超平面，精細化決策邊界，增強模型對新數據的泛化能力；朗道量子化支持向量機通過精確的量子態(tài)調整和數據特性合并，提升了分類精度和穩(wěn)定性。