CN102095953A - 一种蓄电池充电机性能在线检测方法 - Google Patents

Abstract

本发明涉及蓄电池充电机的在线检测和评价领域，具体是提供一种蓄电池充电机性能在线检测方法。其应用人工智能的知识来综合评判充电机性能，通过实时采集充电机的电流、电压和环境温度数据，实时计算充电机的稳压精度、稳流精度和均流系数，并能对超过定值的计算信息进行实时告警，通过以上数据输入人工神经网络，经过已学习生成综合评判值，并给出充电机性能评价结果，为充电机的状态检修提供关键参考数据。本发明的一种蓄电池充电机性能在线检测方法克服了电力***充电机不能实现在线性能评估，不能对性能低下或者存在隐患的充电机设备进行实时告警，不能对充电机实现状态检修提供有效的决策数据等问题。

Description

一种蓄电池充电机性能在线检测方法

技术领域

本发明涉及蓄电池充电机的在线检测和评价领域，具体是提供一种蓄电池充电机性能在线检测方法。

背景技术

充电机是生产和维护蓄电池的重要设备，主要用于蓄电池的充电。蓄电池的质量、性能、使用寿命，与充电机质量、性能关系非常重要。电力***中存在大量的充电机设备，一直以来，充电机的维护都是在出现故障后才进行，缺乏一种在线的评估方法，基于充电机的运行工作状态预估充电机的性能，做到状态检修。

发明内容

本发明就是针对以上问题，提供一种蓄电池充电机性能在线检测方法，其克服了电力***充电机不能实现在线性能评估，不能对性能低下或者存在隐患的充电机设备进行实时告警，不能对充电机实现状态检修提供有效的决策数据等问题。

本发明所采用的技术方案如下：

一种蓄电池充电机性能在线检测方法，包括以下步骤：

A、采集充电机的实时运行数据；

B、根据采集的实时运行数据计算出充电机的稳压精度、稳流精度和均流系数；

C、将计算出的充电机的稳压精度、稳流精度和均流系数输入人工神经网络储存为充电机运行参数表，并与已形成的充电机运行参数表中的数据作出对比，得出充电机性能评价结果。

步骤A中采集实时运行数据的累积时间超过半小时。

实时运行数据包括充电机的电压、电流或环境温度。

步骤A还包括对采集的实时运行数据设置告警限制的步骤，从而实时判断当前运行是否达到告警边界，并给出告警信号。

步骤B具体包括：

B1、根据采集到的充电机的实时运行数据判断充电机的运行状态；

B2、根据充电机的运行状态分别计算，如果充电机的运行状态为均充状态，则计算稳压精度、稳流精度及均流系数；如果充电机的运行状态为浮充状态，则计算稳压精度。

本发明的一种蓄电池充电机性能在线检测方法，其将多个反映充电机性能的参数作为人工神经网络的输入，经过已学习生成的专家库的综合评判，输出充电机的性能值等，并以此给出对充电机的状态检修的重要依据。

本发明的另一特点是对上述人工神经网络设计了自适应学习的功能，当充电机在不同的充电模式下，网络将自动更换学习样本，重新学习训练，形成一种新的评判体系。这种动态修正专家库的功能，使***得出更加准确的充电机性能分析结果。

附图说明

图1为本发明的一种蓄电池充电机性能在线检测方法的方法流程图；

图2为本发明的一种蓄电池充电机性能在线检测方法所用多层前馈网络的具体拓扑结构图；

图3为本发明的一种蓄电池充电机性能在线检测方法的充电机工作状态判别流程图。

具体实施方式

下面结合附图和具体实施例对本发明的一种蓄电池充电机性能在线检测方法作进一步的描述。

如附图1所示，本发明的一种蓄电池充电机性能在线检测方法，其通过充电机性能分析***采集充电机的实时运行数据，如电压、电流、温度等参数，并同时上传给后台计算机，通过应用输入接口进入软件***处理流程。

通过充电机性能分析***采集充电机实时运行数据，如充电机电压、电流参数。当上传的数据帧数达到要求时(有2帧数据积累)，进入充电机运行状态判别模型，图2即是充电机运行状态判别流程，其中

Z₁：均充状态；

Z₂：浮充状态；

Z₃：其他状态。

具体说明如下：

电流采集误差单位A，C10为蓄电池10小时放电容量(单位为Ah)。

1)、均充状态Z₁：

电流＞(0.01 C10+电流采集误差)；

2)、浮充状态Z₂：

-(电流采集误差)≤电流≤(0.01 C10+电流采集误差)；

3)、其他状态Z₃：

去除以上状态后剩下的。

当上传的数据达到要求时(有半个小时的数据积累)，进入充电机性能分析模型。

当蓄电池状态处于Z₁时，且满足有半小时数据积累时，***用以下(1)式计算稳流精度：

${\mathrm{\δ}}_I=\frac{I_M-I_Z}{I_Z}\×100\%---\left(1\right)$

***后台设置稳流精度报警定值，每次计算后判断是否超出报警定值，如果超出，立即给出报警信息。

稳流精度数据通过IEC61850标准的SMV服务报文传输。

当在计算稳流精度的时候，同时记录各模块的电流值，***用以下(2)式计算均流系数。

${\mathrm{\δ}}_i=\frac{I_m-I_z}{\mathrm{Ie}}\×100\%---\left(2\right)$

***后台设置均流系数报警定值，每次计算后判断是否超出报警定值，如果超出，立即给出报警信息。

均流系数数据通过IEC61850标准的SMV服务报文传输。

用最新得到的稳流精度、均流系数以及当前温度替换其原始初始值，代入网络运算，得到充电机的性能值y。初步按照人工神经网络给出的公式：

输入：net＝δ_Iω₁+δ_iω₂+t₀ω₃

输出： $y=f\left(\mathrm{net}\right)=\frac{1}{1+e^{-\mathrm{net}}}\×100\%$

其中：y表示充电机性能值，δ_I表示稳流精度，δ_i表示均流系数，t₀表示当前温度值，ω_i表示网络权重值。

当蓄电池状态处于Z₂时，且满足有半小时数据积累后，***用以下(3)式计算稳压精度。

${\mathrm{\δ}}_U=\frac{U_M-U_Z}{U_Z}\×100\%---\left(3\right)$

***后台设置稳压精度报警定值，每次计算后判断是否超出报警定值，如果超出，立即给出报警信息。

稳压精度数据、报警信息通过IEC61850标准的SMV服务报文传输。

用最新得到的稳压精度及当前温度替换其原始初始值，代入网络运算，得出充电机运行性能值。初步按照人工神经网络给出的公式：

输入：net＝δ_Uω₁+t₀ω₂

输出： $y=f\left(\mathrm{net}\right)=\frac{1}{1+e^{-\mathrm{net}}}\×100\%$

其中：y表示充电机性能值，δ_U表示稳压精度，t₀表示当前温度值，ω_i表示网络权重值。

综上所述，本发明的一种蓄电池充电机性能在线检测方法，其应用人工智能的知识来综合评判充电机性能，通过实时采集充电机的电流、电压和环境温度数据，实时计算充电机的稳压精度、稳流精度和均流系数，并能对超过定值的计算信息进行实时告警，通过以上数据输入人工神经网络，经过已学习生成综合评判值，并给出充电机性能评价结果，为充电机的状态检修提供关键参考数据。

以上所述的实施例，只是本发明较优选的具体实施方式的一种，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。

Claims (5)

1.一种蓄电池充电机性能在线检测方法，包括以下步骤：

A、采集充电机的实时运行数据；

B、根据采集的实时运行数据计算出充电机的稳压精度、稳流精度和均流系数；

C、将计算出的充电机的稳压精度、稳流精度和均流系数输入人工神经网络储存为充电机运行参数表，并与已形成的充电机运行参数表中的数据作出对比，得出充电机性能评价结果。

2.根据权利要求1所述的一种蓄电池充电机性能在线检测方法，其特征在于，所述步骤A中采集实时运行数据的累积时间超过半小时。

3.根据权利要求1或2所述的一种蓄电池充电机性能在线检测方法，其特征在于，所述实时运行数据包括充电机的电压、电流或环境温度。

4.根据权利要求1-2中任意一条所述的一种蓄电池充电机性能在线检测方法，其特征在于，其中步骤A还包括对采集的实时运行数据设置告警限制的步骤，从而实时判断当前运行是否达到告警边界，并给出告警信号。

5.根据权利要求1-2中任意一条所述的一种蓄电池充电机性能在线检测方法，其特征在于，其中步骤B具体包括：

B1、根据采集到的充电机的实时运行数据判断充电机的运行状态；

B2、根据充电机的运行状态分别计算，如果充电机的运行状态为均充状态，则计算稳压精度、稳流精度及均流系数；如果充电机的运行状态为浮充状态，则计算稳压精度。

Images