此前行业关于用数据驱动电池寿命预测的研究,也多关注于电动汽车电池这类可循环使用的电池,针对UPS类等常态处于浮充状态电池的健康管理,此前未见已有研究。
针对这些问题,腾讯-清华联合团队依托于腾讯智维平台提供的海量数据中心运营数据,研究了一种用于UPS中VRLA电池的预测维护的新型数据驱动技术。为了提高数据采集和标注的效率,团队首先对电池自然老化和内部急剧衰退两种情况,提出了一种可以自动标注电池退化时间点的算法,分别以电池内阻和电压离群程度进行自动标注,避免了数据标注过程中的重复和繁重的体力劳动。
然后,针对蓄电池监控数据的数据量大、数据维度低的问题,应用特征工程技术对数据维度进行扩展。在完成特征工程后,研究人员分别训练了逻辑回归、随机森林、梯度提升决策树和人工神经网络模型,对蓄电池是否发生故障进行预测。实验结果表明,AI模型对故障电池的预测准确率为98%,和现有的基于阈值的判断规则相比,AI模型平均能够提前15天预测电池的故障。
目前,上述研究成果已经被研究团队整合形成电池AI诊断服务,并在腾讯自研的数据中心基础设施管理软件平台——腾讯智维平台上发布落地,覆盖了腾讯自建数据中心的数万只蓄电池。
该服务能够方便地集成进现有的电池管理服务中,并能够自动对采集到的蓄电池电压、内阻和温度数据进行分析预测。图2为应用数据驱动UPS蓄电池健康管理流程图。