CN108595381B - 健康状态评价方法、装置及可读存储介质 - Google Patents
健康状态评价方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN108595381B CN108595381B CN201810395619.5A CN201810395619A CN108595381B CN 108595381 B CN108595381 B CN 108595381B CN 201810395619 A CN201810395619 A CN 201810395619A CN 108595381 B CN108595381 B CN 108595381B
- Authority
- CN
- China
- Prior art keywords
- real
- data
- data vector
- time data
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000036541 health Effects 0.000 title claims abstract description 83
- 238000011156 evaluation Methods 0.000 title claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 173
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 37
- 230000003862 health status Effects 0.000 claims description 28
- 230000006798 recombination Effects 0.000 claims description 19
- 238000005215 recombination Methods 0.000 claims description 19
- 238000004140 cleaning Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 abstract description 14
- 238000010223 real-time analysis Methods 0.000 abstract description 4
- 208000015778 Undifferentiated pleomorphic sarcoma Diseases 0.000 description 87
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- KZSNJWFQEVHDMF-UHFFFAOYSA-N Valine Chemical compound CC(C)C(N)C(O)=O KZSNJWFQEVHDMF-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002598 diffusion tensor imaging Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000004402 ultra-violet photoelectron spectroscopy Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
本发明实施例提供一种健康状态评价方法、装置及可读存储介质。该方法包括：接收UPS设备的实时数据向量；对所述实时数据向量进行数据处理，得到待评价的实时数据向量；将所述待评价的实时数据向量输入到所述NSET模型中进行计算，得到所述实时数据向量对应的估计数据向量；基于所述实时数据向量和对应的估计数据向量计算所述UPS设备在各个维度特征下的健康值；根据所述UPS设备在各个维度特征下的健康值评价所述UPS设备的健康状态。由此，能够对UPS设备在各个维度特征下的健康情况进行实时分析，从而对UPS的健康状态进行评价，便于后续运维人员对UPS设备运行情况的了解，从而便于后续维护，提高维护效率。
Description
技术领域
本发明涉及UPS运维技术领域，具体而言，涉及一种健康状态评价方法、装置及可读存储介质。
背景技术
随着电力电子技术的进步以及近几年IT产业的飞速发展，人们日益认识到UPS在保护数据方面的重要作用，UPS也在工业、通信、宇航、军工和家庭生活等领域获得了越来越广泛的应用。特别是近两年来，越来越多的企业对自身网络的稳定性以及数据的安全性提出了更高的要求，全球企业对于UPS的需求有了一个较大的提高，这无疑对电源质量的改善起着刺激作用。
UPS系统的健康状态是表征UPS系统运行情况非常重要的参数，目前，现有技术中还没有针对UPS系统的健康状态的评价方法，非常不利于UPS系统的维护。
发明内容
为了克服现有技术中的上述不足，本发明的目的在于提供一种健康状态评价方法、装置及可读存储介质，能够对UPS设备在各个维度特征下的健康情况进行实时分析，从而对UPS的健康状态进行评价，便于后续运维人员对UPS设备运行情况的了解，从而便于后续维护，提高维护效率。
为了实现上述目的，本发明实施例采用的技术方案如下：
本发明实施例提供一种健康状态评价方法，应用于电子设备，所述电子设备中配置有NSET模型，所述NSET模型中包括有UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵，所述方法包括：
接收所述UPS设备的实时数据向量；
对所述实时数据向量进行数据处理，得到待评价的实时数据向量；
将所述待评价的实时数据向量输入到所述NSET模型中进行计算，得到所述实时数据向量对应的估计数据向量；
基于所述实时数据向量和对应的估计数据向量计算所述UPS设备在各个维度特征下的健康值；
根据所述UPS设备在各个维度特征下的健康值评价所述UPS设备的健康状态。
可选地，在所述接收所述UPS设备的实时数据向量的步骤之前，所述方法还包括：
配置所述UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵；
所述配置所述UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵的方式包括：
获取所述UPS设备在各种正常工况下的历史数据样本；
分别对所述UPS设备在各种正常工况下的历史数据样本进行数据清洗、特征提取以及数据重组后，得到高维原始数据集；
对所述高维原始数据集进行数据降维、归一化处理和数据聚类后，生成初始训练集，所述初始训练集为所述UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵。
可选地，所述对所述实时数据向量进行数据处理，得到待评价的实时数据向量的步骤，包括：
对所述实时数据向量进行数据清洗，得到数据清洗后的实时数据向量；
对所述数据清洗后的实时数据向量进行特征提取，并将提取到的特征数据进行数据重组；
判断数据重组后的实时数据向量是否存在于高维原始数据集中；
若存在，则将所述数据重组后的实时数据向量与所述高维原始数据集进行组合，并将组合后的数据向量进行降维和归一化处理后，得到待评价的实时数据向量；以及
若不存在，则将所述数据重组后的实时数据向量添加到所述高维原始数据集中，并将添加后的高维原始数据集进行降维、归一化处理、聚类后更新所述NSET模型的历史数据样本，以完成对所述NSET模型的更新。
可选地，所述将所述待评价的实时数据向量输入到所述NSET模型中进行计算，得到所述实时数据向量对应的估计数据向量的步骤，包括：
根据所述待评价的实时数据向量得到对应的权值向量；
基于所述权值向量和所述记忆矩阵计算得到所述实时数据向量对应的估计数据向量。
可选地，所述基于所述实时数据向量和对应的估计数据向量计算所述UPS设备在各个维度特征下的健康值的步骤，包括：
获取所述实时数据向量中各个维度特征的第一特征值和对应的估计数据向量中各个维度特征的第二特征值；
针对每个维度特征，计算该维度特征下的第一特征值和第二特征值的残差方加权值，以得到所述UPS设备在该维度特征下的健康值。
可选地，所述针对每个维度特征，计算该维度特征下的第一特征值和第二特征值的残差方加权值的计算公式为：
其中，xi为所述实时数据向量中i维度的第一特征值，yi为所述估计数据向量中i维度的第二特征值，μ根据UPS设备在该维度特征下的理论值或最优值确定，μ为UPS设备在该维度特征下的理论值或最优值与实际值的差值。
可选地，所述根据所述UPS设备在各个维度特征下的健康值评价所述UPS设备的健康状态的步骤，包括：
根据所述UPS设备在各个维度特征下的健康值，计算得到所述 UPS设备的健康总值；
将所述健康总值与各个健康等级对应的预设阈值进行比较，得到 UPS设备的健康状态。
第二方面，本发明实施例还提供一种健康状态评价装置，应用于电子设备，所述电子设备中配置有NSET模型，所述NSET模型中包括有UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵，所述装置包括：
接收模块，用于接收所述UPS设备的实时数据向量；
数据处理模块，用于对所述实时数据向量进行数据处理，得到待评价的实时数据向量；
第一计算模块，用于将所述待评价的实时数据向量输入到所述 NSET模型中进行计算，得到所述实时数据向量对应的估计数据向量；
第二计算模块，用于基于所述实时数据向量和对应的估计数据向量计算所述UPS设备在各个维度特征下的健康值；
健康状态评价模块，用于根据所述UPS设备在各个维度特征下的健康值评价所述UPS设备的健康状态。
第三方面，本发明实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被执行时实现上述的健康状态评价方法。
相对于现有技术而言，本发明具有以下有益效果：
本发明实施例提供的健康状态评价方法、装置及可读存储介质，首先，接收UPS设备的实时数据向量，并对所述实时数据向量进行数据处理，得到待评价的实时数据向量，接着，将所述待评价的实时数据向量输入到所述NSET模型中进行计算，得到所述实时数据向量对应的估计数据向量，而后，基于所述实时数据向量和对应的估计数据向量计算所述UPS设备在各个维度特征下的健康值，最后根据所述UPS设备在各个维度特征下的健康值评价所述UPS设备的健康状态。由此，能够对UPS设备在各个维度特征下的健康情况进行实时分析，从而对UPS的健康状态进行评价，便于后续运维人员对UPS 设备运行情况的了解，从而便于后续维护，提高维护效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。
图1为本发明实施例提供的用于上述健康状态评价方法的电子设备的结构框图；
图2为本发明实施例提供的健康状态评价装置的功能模块图；
图3为本发明实施例提供的健康状态评价方法的流程示意图；
图4为图3中所示的步骤S230包括的各个子步骤的流程示意图。
图标：100-电子设备；110-总线；120-处理器；130-存储介质； 140-总线接口；150-网络适配器；160-用户接口；200-健康状态评价装置；205-配置模块；210-接收模块；220-数据处理模块；230-第一计算模块；240-第二计算模块；250-健康状态评价模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
请参阅图1，为本发明实施例提供的用于实现健康状态评价方法的电子设备100的结构框图。本实施例中，所述电子设备100可以是个人电脑、笔记本电脑、服务器或者任意具有解析能力的设备，在此不作具体限制。
如图1所示，所述电子设备100可以由总线110作一般性的总线体系结构来实现。根据电子设备100的具体应用和整体设计约束条件，总线110可以包括任意数量的互连总线和桥接。总线110将各种电路连接在一起，这些电路包括处理器120、存储介质130和总线接口140。可选地，电子设备100可以使用总线接口140将网络适配器 150等经由总线110连接。网络适配器150可用于实现电子设备100 中物理层的信号处理功能，并通过天线实现射频信号的发送和接收。用户接口160可以连接外部设备，例如：键盘、显示器、鼠标或者操纵杆等。总线110还可以连接各种其它电路，如定时源、外围设备、电压调节器或者功率管理电路等，这些电路是本领域所熟知的，因此不再详述。
可以替换的，电子设备100也可配置成通用处理系统，例如通称为芯片，该通用处理系统包括：提供处理功能的一个或多个微处理器，以及提供存储介质130的至少一部分的外部存储器，所有这些都通过外部总线体系结构与其它支持电路连接在一起。
可替换的，电子设备100可以使用下述来实现:具有处理器120、总线接口140、用户接口160的ASIC(专用集成电路)；以及集成在单个芯片中的存储介质130的至少一部分，或者，电子设备100可以使用下述来实现:一个或多个FPGA(现场可编程门阵列)、PLD(可编程逻辑器件)、控制器、状态机、门逻辑、分立硬件部件、任何其它适合的电路、或者能够执行本发明通篇所描述的各种功能的电路的任意组合。
其中，处理器120负责管理总线110和一般处理(包括执行存储在存储介质130上的软件)。处理器120可以使用一个或多个通用处理器和/或专用处理器来实现。处理器120的例子包括微处理器、微控制器、DSP处理器和能够执行软件的其它电路。应当将软件广义地解释为表示指令、数据或其任意组合，而不论是将其称作为软件、固件、中间件、微代码、硬件描述语言还是其它。
在图1中存储介质130被示为与处理器120分离，然而，本领域技术人员很容易明白，存储介质130或其任意部分可位于电子设备 100之外。举例来说，存储介质130可以包括传输线、用数据调制的载波波形、和/或与无线节点分离开的计算机制品，这些介质均可以由处理器120通过总线接口140来访问。可替换地，存储介质130 或其任意部分可以集成到处理器120中，例如，可以是高速缓存和/ 或通用寄存器。
所述存储介质130中存储有健康状态评价装置200，所述处理器 120可以用于执行所述健康状态评价装置200。
本实施例中，所述电子设备100中配置有NSET模型，所述NSET 模型中包括有UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵。
请参阅图2，本实施例中，所述健康状态评价装置200可包括：
接收模块210，用于接收所述UPS设备的实时数据向量。
数据处理模块220，用于对所述实时数据向量进行数据处理，得到待评价的实时数据向量。
第一计算模块230，用于将所述待评价的实时数据向量输入到所述NSET模型中进行计算，得到所述实时数据向量对应的估计数据向量。
第二计算模块240，用于基于所述实时数据向量和对应的估计数据向量计算所述UPS设备在各个维度特征下的健康值。
健康状态评价模块250，用于根据所述UPS设备在各个维度特征下的健康值评价所述UPS设备的健康状态。
可选地，依旧参阅图2，所述装置还可以包括：
配置模块205，用于配置所述UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵；
所述配置所述UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵的方式包括：
获取所述UPS设备在各种正常工况下的历史数据样本；
分别对所述UPS设备在各种正常工况下的历史数据样本进行数据清洗、特征提取以及数据重组后，得到高维原始数据集；
对所述高维原始数据集进行数据降维、归一化处理和数据聚类后，生成初始训练集，所述初始训练集为所述UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵。
请参阅图3，为本发明实施例提供的健康状态评价方法的一种流程示意图，所述方法由图1中所示的电子设备100执行，下面结合图 3对图2中所示的健康状态评价装置200包括的各个功能模块进行详细阐述。所应说明的是，本发明实施例提供的健康状态评价方法不以图1及以下所述的具体顺序为限制，该健康状态评价方法可以通过如下步骤实现：
步骤S210，接收所述UPS设备的实时数据向量。本实施例中，该步骤S210可以由上述接收模块210执行。
本实施例中，在对所述步骤S210进行进一步阐述之前，首先对本实施例采用的NSET模型进行说明，NSET模型也即非线性状态估计技术(Nonelinear State EstimationTechnology，NSET)模型，所述 NSET模型包括有UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵，在一种实施方式中，所述NSET模型可以通过如下方式配置：
首先，获取所述UPS设备在各种正常工况下的历史数据样本，可以理解的，上述正常工况为运维人员预先设定好的工况条件，所述历史数据样本也即所述UPS设备在各种正常工况下的运行数据参数，例如三相电压、蓄电量等等。例如，每个历史数据样本以表示为：
X(i)＝[x1(i),x2(i),…,xn(i)]T
其中，i为历史数据采样时刻点，历史采样数据为时间序列数据。
接着，分别对所述UPS设备在各种正常工况下的历史数据样本进行数据清洗、特征提取以及数据重组后，得到高维原始数据集。最后，对所述高维原始数据集进行数据降维、归一化处理和数据聚类后，生成初始训练集，所述初始训练集即为所述UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵，假设所述记忆矩阵为D，则： D＝[X(1),X(2),…,X(m)]
其中，D可以为n×m矩阵，其中的每一列为一个正常工况条件下的历史数据样本，包含n个特征，也即，所述记忆矩阵D的本质是对 UPS系统正常工况条件下的状态学习和记忆。
基于上述步骤，训练得到的NSET模型能够学习和记忆UPS系统正常工况条件下的状态数据。在实际实施过程中，训练得到的 NSET模型的输入则为上述实时数据向量。
步骤S220，对所述实时数据向量进行数据处理，得到待评价的实时数据向量。本实施例中，该步骤S220可以由上述数据处理模块 220执行。
作为一种实施方式，当接收到实时数据向量时，首先对所述实时数据向量进行数据清洗，得到数据清洗后的实时数据向量。
接着，对所述数据清洗后的实时数据向量进行特征提取，并将提取到的特征数据进行数据重组，并判断数据重组后的实时数据向量是否存在于上述的高维原始数据集中。若存在，则将所述数据重组后的实时数据向量与所述高维原始数据集进行组合，并将组合后的数据向量进行降维和归一化处理后，得到待评价的实时数据向量。若不存在，则将所述数据重组后的实时数据向量添加到所述高维原始数据集中，并将添加后的高维原始数据集进行降维、归一化处理、聚类后更新所述NSET模型的历史数据样本，以完成对所述NSET模型的更新。由此，所述实时数据向量在输入NSET模型之前进行一些与历史数据样本预处理类似的预处理动作，并且，在数据重组后的实时数据向量不存在于上述的高维原始数据集中时，还可以通过更新训练集来达到 NSET模型随时间不断增强的效果，增加了NSET模型的数据样本。
步骤S230，将所述待评价的实时数据向量输入到所述NSET模型中进行计算，得到所述实时数据向量对应的估计数据向量。本实施例中，该步骤S230可以由上述第一计算模块230执行。
作为一种实施方式，请参阅图3，所述步骤S230可通过如下子步骤实现：
子步骤S231，根据所述待评价的实时数据向量得到对应的权值向量。
子步骤S232，基于所述权值向量和所述记忆矩阵计算得到所述实时数据向量对应的估计数据向量。
本实施例中，假设NSET模型的输入是上述待评价的实时数据向量Xobs，输出为估计数据向量Xest。
考虑采用上述记忆矩阵中D的历史正常数据的线性组合来估计当前待评价的实时数据向量Xobs，因此假设一个权值向量W：
W＝[w1,w2,…,wm]T
使得：
Xest＝DW＝w1X(1)+w2X(2)+…+wmX(m)
计算实时数据向量与估计数据向量之间的残差：
ε＝Xobs-Xest＝Xobs-DW
为了让估计数据向量最优，即Xest→Xobs，则ε→0，最理想的情况为：Xest＝Xobs，即ε＝0，因此：
如果矩阵D可逆，则
W＝D-1Xobs
如果矩阵D不可逆，则
其中(DTD)-1DT为D的广义逆阵(伪逆矩阵)，当D可逆时，(DTD)-1DT退化为D-1。
伪逆矩阵中需要计算(认知矩阵)(DTD)-1，当矩阵DTD不可逆时，需要引入正则项：
(DTD+λI)-1DT
其中I为单位矩阵，λ为正则化系数，λ＞0且充分小。
因此
W＝(DTD+λI)-1DTXobs
于是
Xest＝DW＝D(DTD+λI)-1DTXobs
至此已经得到了关于实时数据向量Xobs的最优线性估计(最小二乘估计)。
然而，此线性估计存在非随机缺陷，不能适应随机不确定性。因此还需要对此线性估计进行修正，变更为非线性估计，此处引入非线性运算符
则
非线性运算符
有多种选择，本文选择为两个向量之间的欧式距离(二范数)，即
当UPS系统工作正常时，NSET模型的实时数据向量位于过程记忆矩阵所代表的正常工作空间内，与记忆矩阵D中的某些历史数据向量距离较近，相应的NSET模型的估计数据向量Xest有很高的精度。当UPS系统过程或设备工作状态出现故障隐患时，由于动态特性的改变，实时数据向量将偏离正常工作空间，通过D矩阵中的历史数据值无法精确构造出当前估计数据向量，导致估计精度下降，残差增大。
由此，按照上述原理，可根据所述待评价的实时数据向量得到对应的权值向量，并基于所述权值向量和所述记忆矩阵计算得到所述实时数据向量对应的估计数据向量。
步骤S240，基于所述实时数据向量和对应的估计数据向量计算所述UPS设备在各个维度特征下的健康值。本实施例中，该步骤S240 可以由上述第二计算模块240执行。
作为一种实施方式，所述步骤S240可通过如下方式实现：
首先，获取所述实时数据向量中各个维度特征的第一特征值和对应的估计数据向量中各个维度特征的第二特征值。接着，针对每个维度特征，计算该维度特征下的第一特征值和第二特征值的残差方加权值，以得到所述UPS设备在该维度特征下的健康值。
本实施例中，所述UPS设备在各个维度特征下的健康值可以采用基于欧式度量的残差方加权的方法，具体可以如下式：
上式中，xi为所述实时数据向量中i维度的第一特征值，yi为所述估计数据向量中i维度的第二特征值，本式实际上是在基于NSET 模型的实时数据向量和估计数据向量的欧式相异度度量的基础上给某个(或多个)特征维度所对应的残差方进行了指数加权，间接增加了某个特征值的估计偏差，最终可达到整体健康数值偏低的效果。由于数据归一化之后所有特征的贡献度都是平等的，如此可以达到提升重要特征维度的贡献度的效果，类似于特征加权。
值得说明的是，当β＝1，α＝0的时候退化为欧式相异度度量。其中，μ可以根据UPS设备在该维度特征下的理论值或最优值确定，μ可以为UPS设备在该维度特征下的理论值或最优值与实际值的差值。
作为一种实施方式，α,β可以通过如下方式确定：
首先要根据数据的整体健康值水平设定两个μ和hval的初始值，再根据下式可以得到一个关于α,β(α>0)的二元方程组，接着解出α,β即可：
由此，当α,β确定后，即可计算得到所述UPS设备在各个维度特征下的健康值。
步骤S250，根据所述UPS设备在各个维度特征下的健康值评价所述UPS设备的健康状态。本实施例中，该步骤S250可以由上述健康状态评价模块250执行。
作为一种实施方式，可以根据所述UPS设备在各个维度特征下的健康值，计算得到所述UPS设备的健康总值，例如可以所述UPS 设备在各个维度特征下的健康值相加，即可得到所述UPS设备的健康总值，接着，将所述健康总值与各个健康等级对应的预设阈值进行比较，得到UPS设备的健康状态。例如，各个健康等级对应的预设阈值分别为A、B、C、D，那么则将所述健康总值分别与A、B、C、 D进行比较，例如可以将所述健康总值分别与A、B、C、D进行差运算，分别得到四个差值，然后判断这四个差值的绝对值的大小，并选择最小的差值的绝对值对应的健康等级作为所述UPS设备的健康状态进行输出。由此，能够对UPS设备在各个维度特征下的健康情况进行实时分析，从而对UPS的健康状态进行评价，便于后续运维人员对UPS设备运行情况的了解，从而便于后续维护，提高维护效率。
进一步地，本发明实施例还提供一种可读存储介质，所述可读存储介质被执行时实现上述的健康状态评价方法。
综上所述，本发明实施例提供的健康状态评价方法、装置及可读存储介质，首先，接收UPS设备的实时数据向量，并对所述实时数据向量进行数据处理，得到待评价的实时数据向量，接着，将所述待评价的实时数据向量输入到所述NSET模型中进行计算，得到所述实时数据向量对应的估计数据向量，而后，基于所述实时数据向量和对应的估计数据向量计算所述UPS设备在各个维度特征下的健康值，最后根据所述UPS设备在各个维度特征下的健康值评价所述UPS设备的健康状态。由此，能够对UPS设备在各个维度特征下的健康情况进行实时分析，从而对UPS的健康状态进行评价，便于后续运维人员对UPS设备运行情况的了解，从而便于后续维护，提高维护效率。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
可以替换的，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其它可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如， DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句"包括一个……"限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (9)
1.一种健康状态评价方法，其特征在于，应用于电子设备，所述电子设备中配置有NSET模型，所述NSET模型中包括有UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵，所述方法包括：
接收所述UPS设备的实时数据向量；
对所述实时数据向量进行数据处理，得到待评价的实时数据向量的步骤，包括：
对所述实时数据向量进行数据清洗，得到数据清洗后的实时数据向量；
对所述数据清洗后的实时数据向量进行特征提取，并将提取到的特征数据进行数据重组；
判断数据重组后的实时数据向量是否存在于高维原始数据集中；
若存在，则将所述数据重组后的实时数据向量与所述高维原始数据集进行组合，并将组合后的数据向量进行降维和归一化处理后，得到待评价的实时数据向量；以及
若不存在，则将所述数据重组后的实时数据向量添加到所述高维原始数据集中，并将添加后的高维原始数据集进行降维、归一化处理、聚类后更新所述NSET模型的历史数据样本，以完成对所述NSET模型的更新；
将所述待评价的实时数据向量输入到所述NSET模型中进行计算，得到所述实时数据向量对应的估计数据向量；
基于所述实时数据向量和对应的估计数据向量计算所述UPS设备在各个维度特征下的健康值；
根据所述UPS设备在各个维度特征下的健康值评价所述UPS设备的健康状态。
2.根据权利要求1所述的健康状态评价方法，其特征在于，在所述接收所述UPS设备的实时数据向量的步骤之前，所述方法还包括：
配置所述UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵；
所述配置所述UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵的方式包括：
获取所述UPS设备在各种正常工况下的历史数据样本；
分别对所述UPS设备在各种正常工况下的历史数据样本进行数据清洗、特征提取以及数据重组后，得到高维原始数据集；
对所述高维原始数据集进行数据降维、归一化处理和数据聚类后，生成初始训练集，所述初始训练集为所述UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵。
3.根据权利要求1所述的健康状态评价方法，其特征在于，所述将所述待评价的实时数据向量输入到所述NSET模型中进行计算，得到所述实时数据向量对应的估计数据向量的步骤，包括：
根据所述待评价的实时数据向量得到对应的权值向量；
基于所述权值向量和所述记忆矩阵计算得到所述实时数据向量对应的估计数据向量。
4.根据权利要求1所述的健康状态评价方法，其特征在于，所述基于所述实时数据向量和对应的估计数据向量计算所述UPS设备在各个维度特征下的健康值的步骤，包括：
获取所述实时数据向量中各个维度特征的第一特征值和对应的估计数据向量中各个维度特征的第二特征值；
针对每个维度特征，计算该维度特征下的第一特征值和第二特征值的残差方加权值，以得到所述UPS设备在该维度特征下的健康值。
5.根据权利要求4所述的健康状态评价方法，其特征在于，所述针对每个维度特征，计算该维度特征下的第一特征值和第二特征值的残差方加权值的计算公式为：
其中，xi为所述实时数据向量中i维度的第一特征值，yi为所述估计数据向量中i维度的第二特征值，μ根据UPS设备在该维度特征下的理论值或最优值确定，μ为UPS设备在该维度特征下的理论值或最优值与实际值的差值，β与α分别表示预设权重。
6.根据权利要求1所述的健康状态评价方法，其特征在于，所述根据所述UPS设备在各个维度特征下的健康值评价所述UPS设备的健康状态的步骤，包括：
根据所述UPS设备在各个维度特征下的健康值，计算得到所述UPS设备的健康总值；
将所述健康总值与各个健康等级对应的预设阈值进行比较，得到UPS设备的健康状态。
7.一种健康状态评价装置，其特征在于，应用于电子设备，所述电子设备中配置有NSET模型，所述NSET模型中包括有UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵，所述装置包括：
接收模块，用于接收所述UPS设备的实时数据向量；
数据处理模块，用于对所述实时数据向量进行数据处理，得到待评价的实时数据向量，其中，所述数据处理模块获取所述实时数据向量的方式，包括：
对所述实时数据向量进行数据清洗，得到数据清洗后的实时数据向量；
对所述数据清洗后的实时数据向量进行特征提取，并将提取到的特征数据进行数据重组；
判断数据重组后的实时数据向量是否存在于高维原始数据集中；
若存在，则将所述数据重组后的实时数据向量与所述高维原始数据集进行组合，并将组合后的数据向量进行降维和归一化处理后，得到待评价的实时数据向量；以及
若不存在，则将所述数据重组后的实时数据向量添加到所述高维原始数据集中，并将添加后的高维原始数据集进行降维、归一化处理、聚类后更新所述NSET模型的历史数据样本，以完成对所述NSET模型的更新；
第一计算模块，用于将所述待评价的实时数据向量输入到所述NSET模型中进行计算，得到所述实时数据向量对应的估计数据向量；
第二计算模块，用于基于所述实时数据向量和对应的估计数据向量计算所述UPS设备在各个维度特征下的健康值；
健康状态评价模块，用于根据所述UPS设备在各个维度特征下的健康值评价所述UPS设备的健康状态。
8.根据权利要求7所述的健康状态评价装置，其特征在于，所述装置还包括：
配置模块，用于配置所述UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵；
所述配置所述UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵的方式包括：
获取所述UPS设备在各种正常工况下的历史数据样本；
分别对所述UPS设备在各种正常工况下的历史数据样本进行数据清洗、特征提取以及数据重组后，得到高维原始数据集；
对所述高维原始数据集进行数据降维、归一化处理和数据聚类后，生成初始训练集，所述初始训练集为所述UPS设备在各种正常工况下的历史数据样本构成的记忆矩阵。
9.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被执行时实现权利要求1-6中任意一项所述的健康状态评价方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810395619.5A CN108595381B (zh) | 2018-04-27 | 2018-04-27 | 健康状态评价方法、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810395619.5A CN108595381B (zh) | 2018-04-27 | 2018-04-27 | 健康状态评价方法、装置及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108595381A CN108595381A (zh) | 2018-09-28 |
| CN108595381B true CN108595381B (zh) | 2022-03-22 |
Family
ID=63610912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810395619.5A Active CN108595381B (zh) | 2018-04-27 | 2018-04-27 | 健康状态评价方法、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108595381B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109620269B (zh) * | 2019-01-28 | 2021-10-22 | 锦图计算技术(深圳)有限公司 | 疲劳检测方法、装置、设备及可读存储介质 |
| CN110245867A (zh) * | 2019-06-18 | 2019-09-17 | 青海大学 | 一种基于bp神经网络的草地退化分级方法 |
| CN112434724A (zh) * | 2020-10-29 | 2021-03-02 | 易联众信息技术股份有限公司 | 一种基于nset的改进评估方法、介质及应用 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101641760A (zh) * | 2007-04-04 | 2010-02-03 | 库帕技术公司 | 用于使电池输出升压的系统和方法 |
| CN103336877A (zh) * | 2013-07-25 | 2013-10-02 | 哈尔滨工业大学 | 一种基于rvm动态可重构的卫星锂离子电池剩余寿命预测系统及方法 |
| CN104184157A (zh) * | 2014-08-01 | 2014-12-03 | 四川大学 | 基于波形循迹的在线低频振荡快速判定方法 |
| CN104835103A (zh) * | 2015-05-11 | 2015-08-12 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU4676300A (en) * | 1999-04-30 | 2000-11-17 | Dryken Technologies, Inc. | Method and system for nonlinear state estimation |
| JP2001037008A (ja) * | 1999-07-21 | 2001-02-09 | Nissan Motor Co Ltd | ハイブリッド車両の制御装置 |
| CN102768115B (zh) * | 2012-06-27 | 2016-04-20 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
| CN102944435B (zh) * | 2012-10-25 | 2015-02-11 | 北京航空航天大学 | 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法 |
| CN105134510A (zh) * | 2015-09-18 | 2015-12-09 | 北京中恒博瑞数字电力科技有限公司 | 一种风力发电机组变桨系统的状态监测和故障诊断方法 |
| CN105404973A (zh) * | 2015-11-27 | 2016-03-16 | 广州供电局有限公司 | 输变电设备状态预测方法和系统 |
| CN105447646A (zh) * | 2015-12-02 | 2016-03-30 | 中国电力科学研究院 | 一种配电系统健康指数评估方法 |
| CN106547852B (zh) * | 2016-10-19 | 2021-03-12 | 腾讯科技（深圳）有限公司 | 异常数据检测方法及装置、数据预处理方法及系统 |
| CN106709662B (zh) * | 2016-12-30 | 2021-07-02 | 山东鲁能软件技术有限公司 | 一种电力设备运行工况划分方法 |
| CN106991447A (zh) * | 2017-04-06 | 2017-07-28 | 哈尔滨理工大学 | 一种嵌入式多类别属性标签动态特征选择算法 |
| CN107147538B (zh) * | 2017-06-20 | 2019-11-29 | 厦门尚为科技股份有限公司 | 基于rs485桥电路装置的故障定位方法 |
| CN107609574A (zh) * | 2017-08-18 | 2018-01-19 | 上海电力学院 | 基于数据挖掘的风电机组故障预警方法 |
| CN107944721B (zh) * | 2017-11-30 | 2020-09-18 | 厦门理工学院 | 一种通用的基于数据挖掘的机器学习方法、装置以及系统 |
-
2018
- 2018-04-27 CN CN201810395619.5A patent/CN108595381B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101641760A (zh) * | 2007-04-04 | 2010-02-03 | 库帕技术公司 | 用于使电池输出升压的系统和方法 |
| CN103336877A (zh) * | 2013-07-25 | 2013-10-02 | 哈尔滨工业大学 | 一种基于rvm动态可重构的卫星锂离子电池剩余寿命预测系统及方法 |
| CN104184157A (zh) * | 2014-08-01 | 2014-12-03 | 四川大学 | 基于波形循迹的在线低频振荡快速判定方法 |
| CN104835103A (zh) * | 2015-05-11 | 2015-08-12 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108595381A (zh) | 2018-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113298262B (zh) | 量子设备去噪方法和装置、电子设备、计算机可读介质 | |
| CN108595381B (zh) | 健康状态评价方法、装置及可读存储介质 | |
| Constantine et al. | Discovering an active subspace in a single‐diode solar cell model | |
| Tourandaz Kenari et al. | Combined cumulants and Laplace transform method for probabilistic load flow analysis | |
| Hu et al. | Using maximum entry-wise deviation to test the goodness of fit for stochastic block models | |
| CN114841352B (zh) | 量子计算处理方法、装置及电子设备 | |
| CN112529195B (zh) | 量子纠缠探测方法、装置、电子设备及存储介质 | |
| CN114021728B (zh) | 量子数据测量方法及系统、电子设备和介质 | |
| Wang et al. | A data-driven uncertainty quantification method for stochastic economic dispatch | |
| Elorrieta et al. | Discrete-time autoregressive model for unequally spaced time-series observations | |
| CN114936323B (zh) | 图表示模型的训练方法、装置及电子设备 | |
| CN113255922B (zh) | 量子纠缠量化方法和装置、电子设备、计算机可读介质 | |
| Nezakati et al. | Unbalanced distributed estimation and inference for the precision matrix in Gaussian graphical models | |
| CN116502721A (zh) | 基于量子系统的信息处理方法及装置、电子设备和介质 | |
| CN116125279A (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
| CN115577792A (zh) | 基于量子系统的信息处理方法及装置 | |
| Liu et al. | Null distribution of volume under ordered three-class ROC surface (VUS) with continuous measurements | |
| Zhu et al. | Testing for conditional independence: A groupwise dimension reduction‐based adaptive‐to‐model approach | |
| CN117131784B (zh) | 一种基于全局代理优化的加速退化试验设计方法和装置 | |
| CN115034388B (zh) | 排序模型的量化参数的确定方法、装置及电子设备 | |
| WO2022059190A1 (ja) | 学習方法、クラスタリング方法、学習装置、クラスタリング装置及びプログラム | |
| US20220300575A1 (en) | Determining triangles in graph data structures using crosspoint array | |
| CN115630701A (zh) | 系统的特征信息确定方法、装置、电子设备和介质 | |
| CN114021729A (zh) | 量子电路操作方法及系统、电子设备和介质 | |
| Liu et al. | Method for joint estimation for states and parameters concerning non‐linear systems with time‐correlated measurement noise |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |