CN111460656A - 一种电力机房通信电源运行寿命评估方法和系统 - Google Patents
一种电力机房通信电源运行寿命评估方法和系统 Download PDFInfo
- Publication number
- CN111460656A CN111460656A CN202010244555.6A CN202010244555A CN111460656A CN 111460656 A CN111460656 A CN 111460656A CN 202010244555 A CN202010244555 A CN 202010244555A CN 111460656 A CN111460656 A CN 111460656A
- Authority
- CN
- China
- Prior art keywords
- storage battery
- value
- matrix
- data
- index
- 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.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
一种电力机房通信电源运行寿命评估方法,涉及电力通信技术领域,解决如何降低现有技术中的核对性放电实验所耗时间长以及周期性更换蓄电池所造成的蓄电池的资源浪费和经济损失的问题;包括以下步骤:通信机房蓄电池运行数据采集;构建通信电源的运行状态评估模型;构建通信机房蓄电池运行寿命评估模型;评估系统,包括以下模块:通信机房蓄电池运行数据采集模块;通信电源的运行状态评估模型模块:通信机房蓄电池运行寿命评估模型模块;可视化展示;减少了运维人员频繁地去现场检测的工作量,同时也避免了由于现场检测工作带来的人员伤害事故以及现场检测带来的设备损坏的风险,降低了资源的浪费和经济损失。
Description
技术领域
本发明属于电力通信技术领域,涉及一种电力机房通信电源运行寿命评估方法和系统。
背景技术
蓄电池在电力机房通信电源系统中常用作机房后备电源,它是一种直流供电电源,当电力机房主供电系统出现未知非计划断电或故障时,电力机房系统中的二次系统通过蓄电池的补充供电来维持通信机房正常工作。因此,蓄电池是否运行正常以及它在实际放电过程中放出的容量是否足够保障电力设备的正常运行具有重要意义。
1、通信机房蓄电池的主要技术参数如下:
通信机房蓄电池的电动势是指电池在未连接任何负载处于开路状态时,正负两极的平衡电极电势之差,它用来量度蓄电池在理论上能够产生电能的大小。根据铅酸蓄电池的化学反应,按热力学原则,电池的电动势如下所示:
E=Eθ-RT/nF(lnαpr/αre)
式中,E为电池电动势;E0为所有反应物的活度或压力等于时的电动势,称为标准电动势(V);R为摩尔气体常数,T为绝对温度(K);F为法拉第常数;n为电化学反应中的电子得失数目;apr为电池反应产物的活度;are为电池反应作用物的活度。在其它条件都一定的情况下,电池在理论上能够输出的能量大小由电池的电动势来决定。
通信机房蓄电池的开路电压是电池在未连接任何负载处于开路状态下时,正负两极的端电压。从理论上来说,开路电压和电动势在数值上接近但不等蓄电池的电动势和开路电压都可以表示成电解液浓度的函数,其与电解液密度的关系可用下式表示:
U=d+0.85
式中,U为电池开路电压;d为电解液的密度,单位为g/cm3。
通信机房蓄电池的工作电压是指当蓄电池接外电路时,电流流过外线路,电池正负极之间的电位差。因为外电路中带有负载,放电工作电压总是低于开路电压。
通信机房蓄电池温度是指在充放电过程中,蓄电池内部存在氧气的析出和氧气的再利用反应,反应过程中会产生热量会使蓄电池内部温度升高,影响蓄电池的性能。就一般情况而言,当蓄电池内部温度升高时,会导致硫酸电解液粘度降低,电解液的内部离子加速运动,离子扩散能力变强,其参与化学反应的能力变强,处于极板深层的活性物质可以更充分参加化学反应,活性物质利用率提高,这些都使蓄电池容量有所增大。反之,而当温度降低时,电解液变粘稠,电解液中离子扩散困难,要运动到极板内部参加化学反应也变困难,位于深层的活性物质由于不能充分接触到酸而无法被充分利用,致使电池容量降低。蓄电池的容量在一定程度上会因为内部电解液温度升高而有所提升,但这个温度的升高是有限度的,当温度超过了蓄电池能够承受的温度范围时,会造成蓄电池内部极板发生形变和蓄电池的自放电现象加剧,一般蓄电池的说明书都有标明电解液最高承受温度。
蓄电池容量是指在一定条件下,蓄电池对外电路放电所放出的电量,以符号C表示。常用的单位安时(A.h)或者毫安时(mA.h)。它一般用电流在一定时间上的积分来表示,如下所示:
常说的蓄电池容量有三种,即蓄电池的理论容量、实际容量和额定容量。理论容量是指在理论上由法拉第定理计算出的蓄电池内部的活性物质最高可以提供的放电容量。实际容量是指蓄电池在实际工作环境下,为外电路提供电能时其能够输出的实际电量,值总是小于蓄电池的理论容量,因为蓄电池的实际上能够放出的电量受到诸多因素的影响,内部的活性物质不能完全参与化学反应。额定容量是指按照国家有关部门发布的标准,规定蓄电池在一定条件下放电时,要求必须保证能够放出的最低限度的容量值。蓄电池的实际容量主要受以下三个因素的影响。
蓄电池放电电流是指:当蓄电池处于放电状态时,回路上放电电流越大,那么蓄电池的容量和两端电压减小的就越快,且实际上放出的容量也会减小。这主要是因为蓄电池处于放电状态时,附着在正负极板的二氧化铅和铅物质经过电化学反应后,反应生成硫酸铅,而硫酸铅的比重较小,伴随着硫酸铅的析出,硫酸铅渗入到极板间空隙内,导致蓄电池内部的硫酸电解液难以扩散。当放电电流变大时,蓄电池内部的化学反应速度加快,硫酸铅的生成速度也随之加快使得其渗入空隙导致空隙堵塞的速度变快,而空隙的堵塞致使附着在极板内部的活性物质不能移动,无法参与化学反应,所以蓄电池的实际输出容量会变小。
蓄电池电解液温度:温度下降时,电解液变粘稠,内部物质运动速度变小,化学反应速度变慢,最终使电池的内阻增加,导致蓄电池的容量变低。
蓄电池电解液浓度:电解液不但提供蓄电池内部化学反应的场所,其本身包含的硫酸也是反应参与物,在一定程度上增加电解液的浓度就相当于增加了反应面积和反应物质量,所以蓄电池的容量也相对增加了。
2、蓄电池充放电参数如下:
1)放电参数;放电电流:表征蓄电池带有负载时,外电路的电流大小。放电时,若电流越大,蓄电池容量消耗的就越快,蓄电池两端电压下降也越快,并且随着放电所带的负载变化而变化。放电初始电压:由于蓄电池在放电时,两端电压有一个瞬间下降的表现,一般把蓄电池在放出的容量后的电压取作蓄电池的初始放电电压。放电终止电压:蓄电池都要规定一个放电终止电压,主要是为了防止蓄电池的过度放电,当蓄电池容量不足时,如果对其继续放电,蓄电池的寿命将会受到损害,所以一般蓄电池放电时两端电压到了放电终止电压的时候要停止对其放电,进行充电。
2)充电参数;充电电流:表征外电源对蓄电池充电时,回路上电流的大小。充电电压:蓄电池充电时外电源的电压大小。外电源充电电压越大,蓄电池达到满容量状态所需时间就越短。不过当蓄电池达到满容量状态时,此时就不适合用正常充电电压给其充电,因为过充电会导致蓄电池内部干涸直至失效,而蓄电池本身有自放电的现象,此时应当采取用一个大小合适的电压对蓄电池进行浮充充电,这个电压就是常说的浮充电压。
目前,电力通信机房对于蓄电池的管理主要是通过采用核对性放电试验测试蓄电池容量,也有周期性更换电池的方法来预防由于蓄电池容量不足或异常导致的供电系统故障,由于核对性放电实验所耗时间长、周期性更换蓄电池造成蓄电池的资源浪费和经济损失。
现有技术中,授权公告号为CN103532240B的中国发明专利《利用三地通信电源系统实现集中监控的方法》,公开了利用电厂三地具备的一些通信电源设备及线路资源,将三地通信电源设备的监控信息集中到地下厂房的通信机房内,通过监控主机进行统一管理,实现三地通信电源设备的集中监控;电厂三地通信电源设备实现集中监控后,任何一地的电源设备在出现故障的情况下,维护人员能够通过监控主机及时发现并了解故障内容,为维护人员的故障处理提供了便利,便于维护人员的日常维护及消缺工作。
虽然上述中国发明专利解决了生产调度大楼和上池通信电源设备的实时监控问题,但是并未解决现有技术中由于核对性放电实验所耗时间长,周期性更换蓄电池造成蓄电池的资源浪费和经济损失的问题。
发明内容
本发明所要解决的技术问题在于如何降低现有技术中的核对性放电实验所耗时间长以及周期性更换蓄电池所造成的蓄电池的资源浪费和经济损失的问题。
本发明是通过以下技术方案解决上述技术问题的。
一种电力机房通信电源运行寿命评估方法,包括以下步骤:
步骤一,通信机房蓄电池运行数据采集;开放通信电源机房动环系统数据库,利用大数据Sqoop组件作为工具直接采集数据,每天实时将各应用系统的数据采集至数据存储组件Hbase中;
步骤二,构建通信电源的运行状态评估模型;对噪声数据进行剔除后采用自回归滑动平均模型对通信机房的蓄电池运行状态进行评估;
步骤三,构建通信机房蓄电池运行寿命评估模型;分析影响机房蓄电池的影响因素及权重,构建通信机房蓄电池运行寿命评估模型,建立蓄电池组的评价指标值矩阵,并对评价指标值矩阵进行一致性检验。
通过对通信机房蓄电池运行数据采集、构建通信电源的运行状态评估模型、构建通信机房蓄电池运行寿命评估模型对机房通信电源运行参数进行实时监测,减少了运维人员频繁地去现场检测的工作量,同时也避免了由于现场检测工作带来的人员伤害事故以及现场检测带来的设备损坏的风险,降低了资源的浪费和经济损失。
作为本发明技术方案的进一步改进,所述的步骤一中的通信机房蓄电池运行数据包括蓄电池的电压、电流、内阻、容量,蓄电池的告警次数,机房的温湿度。
作为本发明技术方案的进一步改进,所述的步骤二中的自回归滑动平均模型以自回归模型与滑动平均模型为基础进行数据混合,构成自回归滑动平均模型。
作为本发明技术方案的进一步改进,所述的采用自回归滑动平均模型对通信机房的蓄电池运行数据进行预测,具体为:
1)将运行数据的预测指标随时间推移构成运行数据波形形成的数据序列看作是一个随机序列,这组随机变量所具有的依存关系体现着原始数据在时间上的延续性;一方面需要考虑影响因素对预测对象的影响,另一方面需要考虑预测对象的自身变化规律的影响;影响因素对预测对象的影响的回归分析公式:
Y=β0+β1x1+β2x2+…+βpxp+Z (1)
其中,Y是预测对象的观测值,Z为预测对象的误差,x1,x2,…,xp为样本点的值,β0,β1,β2……βp为回归系数;
预测对象的自身变化规律的影响由下式体现:
Yt=β0+β1Yt-1+β2Yt-2+…+βpYt-p+Zt (2)
其中,Yt、Yt-1、Yt-2、……Yt-p分别为t、t-1、t-2、……t-p时刻的预测对象的观测值,Zt为预测对象的误差项;
预测对象的误差项由下式表示:
Zt=τt+α1τt-1+α2τt-2+…+αqτt-q (3)
其中,α1,α2……αq为回归系数,τt、τt-1、τt-2、……τt-q分别为t、t-1、t-2、……t-q时期的误差;
根据公式(2)和公式(3),得出机房通信电源的运行状态评估ARMA模型如下:
Yt=β0+β1Yt-1+β2Yt-2+…+βpYt-p+τt+α1τt-1+α2τt-2+…+αqτt-q (4)
2)前向预测,所述的前向预测是利用之前的多个样点的值对当前样点的值作预测,前向预测的计算公式如下:
对公式(5)模型的参数进行前向预测计算,利用预测值递推可依次得到多步预测值;所述的前向预测计算的方法为自相关法、Burg算法、协方差、改进的协方差法中的任意一种;
3)预测误差,所述的预测误差公式为:
et(l)=ψ0εt+l+ψ1εt+l-1+…+ψl-1εl+1 (6)
其中,et(l)表示预测步长为l时的误差,l表示步长变量,Ψ表示系数,ε表示影响预测变量值。
作为本发明技术方案的进一步改进,所述的步骤三构建通信机房蓄电池运行寿命评估模型;分析影响机房蓄电池的影响因素及权重,构建通信机房蓄电池运行寿命评估模型,建立蓄电池组的评价指标值矩阵,并对评价指标值矩阵进行一致性检验,具体为:
(1)蓄电池运行寿命度定义为:
其中,公式(7)中V表示蓄电池运行寿命度,C为运行寿命贡献值,L为运行寿命损失值;
所述的运行寿命贡献值计算公式为:
其中,公式(8)中ci为运行寿命贡献指标i的值,wi为该指标对应的权重值;n为信用度贡献指标的个数;
所述的运行寿命损失值计算式为:
其中,公式(9)中的lj为运行寿命损失指标j的值,wj为该指标对应的权重值;m为信用度损失指标的个数;
由公式(7)得出蓄电池运行寿命度的取值范围是[0,1],根据贡献度相关指标值及其权值即可得出运行寿命值,按照寿命等级进行分类管理;并根据运行寿命值分析蓄电池是否存在风险,并通过告警形式通知机房运维管理人员现场排查电池使用寿命;
(2)对n个蓄电池组进行分析,每个蓄电池组具有m个评价指标,将第i个蓄电池组的第j个指标记为xij(i=1,2,...,n;j=1,2,...,m),那么n个蓄电池组的评价指标值可由如下矩阵表示:
因为对蓄电池组进行评价时涉及到若干个层次的多维评价指标,并且不同评价指标的性质不同,评价指标的单位和量级存在很大的差距,绝对值相对较小的指标会被绝对值大的指标在评价中所覆盖,因此,需对原始的指标权重数据进行数据预处理,避免因数据单位与量级的差别而带来数据结果的异常;
所述的数据预处理采用标准化处理算法,计算公式如下:
其中,xij为原始指标值,x′ij为对应标准化处理后的值,minXj为第j列指标中的最小值,maxXj为第j列指标中的的最大值;
采用层次分析法对各信用度评价指标进行权值计算,将所有与决策有关的元素全部分解为目标层、准则层、方案层,在此基础上使用定性、定量分析的分析决策方法;根据评审专家打分得出判断矩阵,根据判断矩阵计算权重值;所述的评审专家打分得出判断矩阵如下:
其中,aij>0,aji=1/aij,aii=1,(i,j=1,2,…,n);
所述的根据判断矩阵计算权重值如下:
根据判断矩阵A可求其最大特征值λmax及特征向量w
Aw=λmaxw (13)
其中,λmax为判断矩阵A的最大特征值,w为判断矩阵A的特征向量;
将w归一计算后,所得结果即是同一层次中各影响因素相对重要性的顺序权重比例值;
(3)一致性检验;矩阵A中的元素满足下列条件才有实用意义:
若不符合以上关联关系,则表明矩阵A不满足数据一致性,判断矩阵A只有满足一致性才证明所求得的权重分配是合理的。
作为本发明技术方案的进一步改进,所述的一致性检验的步骤如下:
1)计算一致性指标;
所述的计算一致性指标的公式如下:
其中,n是判断矩阵A的阶数;
2)根据一致性指标与矩阵阶数的取值关系,查找相应的平均随机一致性指标;
3)计算一致性比例;
所述的一致性比例的计算公式如下:
判断矩阵A的一致性比例满足CR<0.1或者λmax=n即CI=0时,则判断矩阵A的一致性是具有实用意义的,否则必须对A中的元素修正以满足一致性要求,最终得到蓄电池的运行寿命评估状态。
一种电力机房通信电源运行寿命评估系统,包括以下模块:
通信机房蓄电池运行数据采集模块:用来开放通信电源机房动环系统数据库,利用大数据Sqoop组件作为工具直接采集数据,每天实时将各应用系统的数据采集至数据存储组件Hbase中;
构建通信电源的运行状态评估模型模块:用来对噪声数据进行剔除后采用自回归滑动平均模型对通信机房的蓄电池运行状态进行评估;
构建通信机房蓄电池运行寿命评估模型模块:用来分析影响机房蓄电池的影响因素及权重,构建通信机房蓄电池运行寿命评估模型,建立蓄电池组的评价指标值矩阵,并对评价指标值矩阵进行一致性检验。
作为本发明技术方案的进一步改进,所述的通信机房蓄电池运行数据采集模块中,通信机房蓄电池运行数据包括蓄电池的电压、电流、内阻、容量,蓄电池的告警次数,机房的温湿度。
作为本发明技术方案的进一步改进,所述的通信机房蓄电池运行寿命评估模型模块采用自回归滑动平均模型以自回归模型与滑动平均模型为基础进行数据混合,构成自回归滑动平均模型;采用自回归滑动平均模型对通信机房的蓄电池运行数据进行预测,具体为:
1)将运行数据的预测指标随时间推移构成运行数据波形形成的数据序列看作是一个随机序列,这组随机变量所具有的依存关系体现着原始数据在时间上的延续性;一方面需要考虑影响因素对预测对象的影响,另一方面需要考虑预测对象的自身变化规律的影响;影响因素对预测对象的影响的回归分析公式:
Y=β0+β1x1+β2x2+…+βpxp+Z (1)
其中,Y是预测对象的观测值,Z为预测对象的误差,x1,x2,…,xp为样本点的值,β0,β1,β2……βp为回归系数;
预测对象的自身变化规律的影响由下式体现:
Yt=β0+β1Yt-1+β2Yt-2+…+βpYt-p+Zt (2)
其中,Yt、Yt-1、Yt-2、……Yt-p分别为t、t-1、t-2、……t-p时刻的预测对象的观测值,Zt为预测对象的误差项;
预测对象的误差项由下式表示:
Zt=τt+α1τt-1+α2τt-2+…+αqτt-q (3)
其中,α1,α2……αq为回归系数,τt、τt-1、τt-2、……τt-q分别为t、t-1、t-2、……t-q时期的误差;
根据公式(2)和公式(3),得出机房通信电源的运行状态评估ARMA模型如下:
Yt=β0+β1Yt-1+β2Yt-2+…+βpYt-p+τt+α1τt-1+α2τt-2+…+αqτt-q (4)
2)前向预测,所述的前向预测是利用之前的多个样点的值对当前样点的值作预测,前向预测的计算公式如下:
对公式(5)模型的参数进行前向预测计算,利用预测值递推可依次得到多步预测值;所述的前向预测计算的方法为自相关法、Burg算法、协方差、改进的协方差法中的任意一种;
3)预测误差,所述的预测误差公式为:
et(l)=ψ0εt+l+ψ1εt+l-1+…+ψl-1εl+1 (6)
其中,et(l)表示预测步长为l时的误差,l表示步长变量,Ψ表示系数,ε表示影响预测变量值。
作为本发明技术方案的进一步改进,所述的通信机房蓄电池运行寿命评估模型模块,用于分析影响机房蓄电池的影响因素及权重,构建通信机房蓄电池运行寿命评估模型,建立蓄电池组的评价指标值矩阵,并对评价指标值矩阵进行一致性检验,具体为:
(1)蓄电池运行寿命度定义为:
其中,公式(7)中V表示蓄电池运行寿命度,C为运行寿命贡献值,L为运行寿命损失值;
所述的运行寿命贡献值计算公式为:
其中,公式(8)中ci为运行寿命贡献指标i的值,wi为该指标对应的权重值;n为信用度贡献指标的个数;
所述的运行寿命损失值计算式为:
其中,公式(9)中的lj为运行寿命损失指标j的值,wj为该指标对应的权重值;m为信用度损失指标的个数;
由公式(7)得出蓄电池运行寿命度的取值范围是[0,1],根据贡献度相关指标值及其权值即可得出运行寿命值,按照寿命等级进行分类管理;并根据运行寿命值分析蓄电池是否存在风险,并通过告警形式通知机房运维管理人员现场排查电池使用寿命;
(2)对n个蓄电池组进行分析,每个蓄电池组具有m个评价指标,将第i个蓄电池组的第j个指标记为xij(i=1,2,...,n;j=1,2,...,m),那么n个蓄电池组的评价指标值可由如下矩阵表示:
因为对蓄电池组进行评价时涉及到若干个层次的多维评价指标,并且不同评价指标的性质不同,评价指标的单位和量级存在很大的差距,绝对值相对较小的指标会被绝对值大的指标在评价中所覆盖,因此,需对原始的指标权重数据进行数据预处理,避免因数据单位与量级的差别而带来数据结果的异常;
所述的数据预处理采用标准化处理算法,计算公式如下:
其中,xij为原始指标值,x′ij为对应标准化处理后的值,minXj为第j列指标中的最小值,maxXj为第j列指标中的的最大值;
采用层次分析法对各信用度评价指标进行权值计算,将所有与决策有关的元素全部分解为目标层、准则层、方案层,在此基础上使用定性、定量分析的分析决策方法;根据评审专家打分得出判断矩阵,根据判断矩阵计算权重值;所述的评审专家打分得出判断矩阵如下:
其中,aij>0,aji=1/aij,aii=1,(i,j=1,2,…,n);
所述的根据判断矩阵计算权重值如下:
根据判断矩阵A可求其最大特征值λmax及特征向量w
Aw=λmaxw (13)
其中,λmax为判断矩阵A的最大特征值,w为判断矩阵A的特征向量;
将w归一计算后,所得结果即是同一层次中各影响因素相对重要性的顺序权重比例值;
(3)一致性检验;矩阵A中的元素满足下列条件才有实用意义:
若不符合以上关联关系,则表明矩阵A不满足数据一致性,判断矩阵A只有满足一致性才证明所求得的权重分配是合理的;
所述的一致性检验的步骤如下:
1)计算一致性指标;
所述的计算一致性指标的公式如下:
其中,n是判断矩阵A的阶数;
2)根据一致性指标与矩阵阶数的取值关系,查找相应的平均随机一致性指标;
3)计算一致性比例;
所述的一致性比例的计算公式如下:
判断矩阵A的一致性比例满足CR<0.1或者λmax=n即CI=0时,则判断矩阵A的一致性是具有实用意义的,否则必须对A中的元素修正以满足一致性要求,最终得到蓄电池的运行寿命评估状态。
本发明的优点在于:
(1)通过对通信机房蓄电池运行数据采集、构建通信电源的运行状态评估模型、构建通信机房蓄电池运行寿命评估模型以及可视化展示;对机房通信电源运行参数的实时监测,将通信机房蓄电池运行中出现的问题及时处理,切实保证通信电源组的质量,减少了运维人员频繁地去现场检测的工作量,同时也避免了由于现场检测工作带来的人员伤害事故以及现场检测带来的设备损坏的风险,避免了由于核对性放电实验所耗时间长,周期性更换蓄电池造成蓄电池的资源浪费和经济损失。
(2)利用大数据Sqoop组件作为工具直接采集数据,每天实时将各应用系统的数据采集至数据存储组件Hbase中;直接采集开放通信电源机房动环系统数据库的数据的优点是:直接从目标数据库中获取需要的数据,准确性、实时性高、直接、便捷;HBase是一个分布式的、多版本的、面向列的开源数据库,利用Hadoop的HDFS作为其文件存储系统,提供高可靠性、高性能、列存储、可伸缩、实时读写的数据库系统。
(3)由于通信机房蓄电池运行数据是一个时间序列,每一个元素为独立同分布变量,存在周期性波动,采用自回归滑动平均模型对通信机房的蓄电池运行状态进行评估,可按时间周期进行差分,将随机误差有长久影响的时间序列变成仅有暂时影响的时间序列。
附图说明
图1是本发明实施例的一种电力机房通信电源运行寿命评估方法的流程图;
图2是本发明实施例的一种电力机房通信电源运行寿命评估方法的运行数据采集流程图;
图3是本发明实施例的一种电力机房通信电源运行寿命评估方法的构建通信电源的运行状态评估模型流程图;
图4是本发明实施例的一种电力机房通信电源运行寿命评估方法的通信机房蓄电池的电压数据噪声处理前的电压波形图;
图5是本发明实施例的一种电力机房通信电源运行寿命评估方法的通信机房蓄电池的电压数据噪声处理后的电压波形图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,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。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他实施例,都属于本发明保护的范围。
下面结合说明书附图以及具体的实施例对本发明的技术方案作进一步描述:
实施例一
如图1、2所示,步骤一,通信机房蓄电池运行数据采集;具体为:开放通信电源机房动环系统数据库,利用大数据Sqoop组件作为工具直接采集数据,每天实时将各应用系统的数据采集至数据存储组件Hbase中;直接采集开放通信电源机房动环系统数据库的数据的优点是:直接从目标数据库中获取需要的数据,准确性、实时性高、直接、便捷。
所述的通信机房蓄电池运行数据包括蓄电池的电压、电流、内阻、容量,蓄电池的告警次数,机房的温湿度。
大数据Sqoop组件是一款开源的工具,用于在Hadoop(Hive)与传统的数据库(mysql、postgresql)间进行数据的传递,用于将一个关系型数据库中的数据导进到Hadoop的HDFS中,也用于将HDFS的数据导进到关系型数据库中。HBase是一个分布式的、多版本的、面向列的开源数据库,利用Hadoop的HDFS作为其文件存储系统,提供高可靠性、高性能、列存储、可伸缩、实时读写的数据库系统。
如图3所示,步骤二,构建通信电源的运行状态评估模型;
(1)采用直接剔除法对噪声数据进行剔除。
所述的通信机房蓄电池运行数据是一个时间序列,每一个元素为独立同分布变量,存在异常,需要进行去噪声处理;为考虑源数据的准确度,在噪声处理中采用直接剔除法对噪声数据进行剔除;如图4和图5所示,是对通信机房蓄电池的电压数据噪声处理前后的电压波形对比。
(2)采用自回归滑动平均模型对通信机房的蓄电池运行状态进行评估;
所述的自回归滑动平均模型以自回归模型与滑动平均模型为基础进行数据混合,构成自回归滑动平均模型。
所述的采用自回归滑动平均模型(ARMA模型)对通信机房的蓄电池运行数据进行预测,具体为:
1)将运行数据的预测指标随时间推移构成运行数据波形形成的数据序列看作是一个随机序列,这组随机变量所具有的依存关系体现着原始数据在时间上的延续性;一方面需要考虑影响因素对预测对象的影响,另一方面需要考虑预测对象的自身变化规律的影响;影响因素对预测对象的影响的回归分析公式:
Y=β0+β1x1+β2x2+…+βpxp+Z (1)
其中,Y是预测对象的观测值,Z为预测对象的误差,x1,x2,…,xp为样本点的值,β0,β1,β2……βp为回归系数;p为计数因子;
预测对象的自身变化规律的影响由下式体现:
Yt=β0+β1Yt-1+β2Yt-2+…+βpYt-p+Zt (2)
其中,Yt、Yt-1、Yt-2、……Yt-p分别为t、t-1、t-2、……t-p时刻的预测对象的观测值,Zt为预测对象的误差项。
预测对象的误差项由下式表示:
Zt=τt+α1τt-1+α2τt-2+…+αqτt-q (3)
其中,α1,α2……αq为回归系数,τt、τt-1、τt-2、……τt-q分别为t、t-1、t-2、……t-q时期的误差;
根据公式(2)和公式(3),得出机房通信电源的运行状态评估ARMA模型如下:
Yt=β0+β1Yt-1+β2Yt-2+…+βpYt-p+τt+α1τt-1+α2τt-2+…+αqτt-q (4)
2)前向预测,所述的前向预测是利用之前的多个样点的值对当前样点的值作预测,前向预测的计算公式如下:
对公式(5)模型的参数进行前向预测计算,利用预测值递推可依次得到多步预测值;所述的前向预测计算的方法为自相关法、Burg算法、协方差、改进的协方差法中的任意一种。
3)预测误差,所述的预测误差公式为:
et(l)=ψ0εt+l+ψ1εt+l-1+…+ψl-1εl+1 (6)
其中,et(l)表示预测步长为l时的误差,l表示步长变量,Ψ表示系数,ε表示影响预测变量值。
线性最小方差预测的方差和预测步长有关,而与预测的时间原点无关,预测步长越小,预测误差的方差也越小,预测的准确度就会越高。
步骤三、构建通信机房蓄电池运行寿命评估模型;
(1)分析影响机房蓄电池的影响因素及权重,构建通信机房蓄电池运行寿命评估模型,蓄电池运行寿命度定义为:
其中,公式(7)中V表示蓄电池运行寿命度,C为运行寿命贡献值,L为运行寿命损失值;
所述的运行寿命贡献值计算公式为:
其中,公式(8)中ci为运行寿命贡献指标i的值,wi为该指标对应的权重值;n为信用度贡献指标的个数;
所述的运行寿命损失值计算式为:
其中,公式(9)中的lj为运行寿命损失指标j的值,wj为该指标对应的权重值;m为信用度损失指标的个数。
由公式(7)得出蓄电池运行寿命度的取值范围是[0,1],根据贡献度相关指标值及其权值即可得出运行寿命值,按照寿命等级进行分类管理;并根据运行寿命值分析蓄电池是否存在风险,并通过告警形式通知机房运维管理人员现场排查电池使用寿命;所述的寿命等级表如下表1所示:
表1:寿命等级表
V值 | 相应等级 |
≥0.9 | A |
0.75-0.89 | B |
0.50-0.74 | C |
0.20-0.49 | D |
<0.2 | E |
使用寿命贡献因素是指能够提升蓄电池使用寿命的评价指标,如不同的蓄电池厂家生产的蓄电池使用寿命不同;同一生产厂家生产的不同型号和类别的蓄电池使用寿命不同;机房环境温度恒温、蓄电池充放电次数较少、蓄电池使用时间较短都是能够作为蓄电池使用寿命提升评价指标的因素。使用寿命损失因素则会降低蓄电池使用寿命的指标,如蓄电池厂家质量问题、蓄电池使用时间较长和蓄电池告警次数较多;所述的寿命贡献值包括生产厂家、充放电次数、蓄电池使用时间,寿命贡献值越小表示贡献度越高;所述的蓄电池损失值包括生产厂家质量差、蓄电池电压不平衡、蓄电池使用时间长、蓄电池容量小和蓄电池告警次数频繁,蓄电池损失值数据越大则会降低蓄电池使用寿命。
(2)对n个蓄电池组进行分析,每个蓄电池组具有m个评价指标,将第i个蓄电池组的第j个指标记为xij(i=1,2,...,n;j=1,2,...,m),那么n个蓄电池组的评价指标值可由如下矩阵表示:
因为对蓄电池组进行评价时涉及到若干个层次的多维评价指标,并且不同评价指标的性质不同,评价指标的单位和量级存在很大的差距,绝对值相对较小的指标会被绝对值大的指标在评价中所覆盖,因此,需对原始的指标权重数据进行数据预处理,避免因数据单位与量级的差别而带来数据结果的异常。
所述的数据预处理采用标准化处理算法,计算公式如下:
其中,xij为原始指标值,x′ij为对应标准化处理后的值,minXj为第j列指标中的最小值,maxXj为第j列指标中的的最大值。
采用层次分析法对各信用度评价指标进行权值计算,将所有与决策有关的元素全部分解为目标层、准则层、方案层,在此基础上使用定性、定量分析的分析决策方法。
同一层次中n个指标因素间进行两两比较,mi,mj(i,j=1,2,…,n)表示指标因素,ai,j表示评价指标mi对mj的相对重要程度,ai,j的取值参考表2;
表2:评价指标的相对重要程度
根据评审专家打分得出判断矩阵,根据判断矩阵计算权重值;所述的评审专家打分得出判断矩阵如下:
其中,aij>0,aji=1/aij,aii=1,(i,j=1,2,…,n);
所述的根据判断矩阵计算权重值如下:
根据判断矩阵A可求其最大特征值λmax及特征向量w
Aw=λmaxw (13)
其中,λmax为判断矩阵A的最大特征值,w为判断矩阵A的特征向量;
将w归一计算后,所得结果即是同一层次中各影响因素相对重要性的顺序权重比例值。
(3)一致性检验;矩阵A中的元素满足下列条件才有实用意义:
若不符合以上关联关系,则表明矩阵A不满足数据一致性,判断矩阵A只有满足一致性才证明所求得的权重分配是合理的,
所述的一致性检验的步骤如下:
步骤1:计算一致性指标;
所述的计算一致性指标的公式如下:
其中,n是判断矩阵A的阶数;
步骤2:查找相应的平均随机一致性指标;
所述的一致性指标RI与矩阵阶数n的取值有关,如表3所示:
表3:一致性指标与矩阵阶数的取值关系
n | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
RI | 0 | 0 | 0.52 | 0.89 | 1.12 | 1.26 | 1.36 | 1.41 | 1.46 | 1.49 |
步骤3:计算一致性比例;
所述的一致性比例的计算公式如下:
判断矩阵A的一致性比例满足CR<0.1或者λmax=n即CI=0时,则判断矩阵A的一致性是具有实用意义的,否则必须对A中的元素修正以满足一致性要求,最终得到蓄电池的运行寿命评估状态。
实施例二
一种电力机房通信电源运行寿命评估系统,包括以下模块:
通信机房蓄电池运行数据采集模块:用来开放通信电源机房动环系统数据库,利用大数据Sqoop组件作为工具直接采集数据,每天实时将各应用系统的数据采集至数据存储组件Hbase中;
构建通信电源的运行状态评估模型模块:用来对噪声数据进行剔除后采用自回归滑动平均模型对通信机房的蓄电池运行状态进行评估;
构建通信机房蓄电池运行寿命评估模型模块:用来分析影响机房蓄电池的影响因素及权重,构建通信机房蓄电池运行寿命评估模型,建立蓄电池组的评价指标值矩阵,并对评价指标值矩阵进行一致性检验。
所述的通信机房蓄电池运行数据采集模块中,通信机房蓄电池运行数据包括蓄电池的电压、电流、内阻、容量,蓄电池的告警次数,机房的温湿度。
所述的通信机房蓄电池运行寿命评估模型模块采用自回归滑动平均模型以自回归模型与滑动平均模型为基础进行数据混合,构成自回归滑动平均模型;采用自回归滑动平均模型对通信机房的蓄电池运行数据进行预测,具体为:
1)将运行数据的预测指标随时间推移构成运行数据波形形成的数据序列看作是一个随机序列,这组随机变量所具有的依存关系体现着原始数据在时间上的延续性;一方面需要考虑影响因素对预测对象的影响,另一方面需要考虑预测对象的自身变化规律的影响;影响因素对预测对象的影响的回归分析公式:
Y=β0+β1x1+β2x2+…+βpxp+Z (1)
其中,Y是预测对象的观测值,Z为预测对象的误差,x1,x2,…,xp为样本点的值,β0,β1,β2……βp为回归系数;
预测对象的自身变化规律的影响由下式体现:
Yt=β0+β1Yt-1+β2Yt-2+…+βpYt-p+Zt (2)
其中,Yt、Yt-1、Yt-2、……Yt-p分别为t、t-1、t-2、……t-p时刻的预测对象的观测值,Zt为预测对象的误差项;
预测对象的误差项由下式表示:
Zt=τt+α1τt-1+α2τt-2+…+αqτt-q (3)
其中,α1,α2……αq为回归系数,τt、τt-1、τt-2、……τt-q分别为t、t-1、t-2、……t-q时期的误差;
根据公式(2)和公式(3),得出机房通信电源的运行状态评估ARMA模型如下:
Yt=β0+β1Yt-1+β2Yt-2+…+βpYt-p+τt+α1τt-1+α2τt-2+…+αqτt-q (4)
2)前向预测,所述的前向预测是利用之前的多个样点的值对当前样点的值作预测,前向预测的计算公式如下:
对公式(5)模型的参数进行前向预测计算,利用预测值递推可依次得到多步预测值;所述的前向预测计算的方法为自相关法、Burg算法、协方差、改进的协方差法中的任意一种;
3)预测误差,所述的预测误差公式为:
et(l)=ψ0εt+l+ψ1εt+l-1+…+ψl-1εl+1 (6)
其中,et(l)表示预测步长为l时的误差,l表示步长变量,Ψ表示系数,ε表示影响预测变量值。
所述的通信机房蓄电池运行寿命评估模型模块,用于分析影响机房蓄电池的影响因素及权重,构建通信机房蓄电池运行寿命评估模型,建立蓄电池组的评价指标值矩阵,并对评价指标值矩阵进行一致性检验,具体为:
(1)蓄电池运行寿命度定义为:
其中,公式(7)中V表示蓄电池运行寿命度,C为运行寿命贡献值,L为运行寿命损失值;
所述的运行寿命贡献值计算公式为:
其中,公式(8)中ci为运行寿命贡献指标i的值,wi为该指标对应的权重值;n为信用度贡献指标的个数;
所述的运行寿命损失值计算式为:
其中,公式(9)中的lj为运行寿命损失指标j的值,wj为该指标对应的权重值;m为信用度损失指标的个数;
由公式(7)得出蓄电池运行寿命度的取值范围是[0,1],根据贡献度相关指标值及其权值即可得出运行寿命值,按照寿命等级进行分类管理;并根据运行寿命值分析蓄电池是否存在风险,并通过告警形式通知机房运维管理人员现场排查电池使用寿命;
(2)对n个蓄电池组进行分析,每个蓄电池组具有m个评价指标,将第i个蓄电池组的第j个指标记为xij(i=1,2,...,n;j=1,2,...,m),那么n个蓄电池组的评价指标值可由如下矩阵表示:
因为对蓄电池组进行评价时涉及到若干个层次的多维评价指标,并且不同评价指标的性质不同,评价指标的单位和量级存在很大的差距,绝对值相对较小的指标会被绝对值大的指标在评价中所覆盖,因此,需对原始的指标权重数据进行数据预处理,避免因数据单位与量级的差别而带来数据结果的异常;
所述的数据预处理采用标准化处理算法,计算公式如下:
其中,xij为原始指标值,x′ij为对应标准化处理后的值,minXj为第j列指标中的最小值,maxXj为第j列指标中的的最大值;
采用层次分析法对各信用度评价指标进行权值计算,将所有与决策有关的元素全部分解为目标层、准则层、方案层,在此基础上使用定性、定量分析的分析决策方法;根据评审专家打分得出判断矩阵,根据判断矩阵计算权重值;所述的评审专家打分得出判断矩阵如下:
其中,aij>0,aji=1/aij,aii=1,(i,j=1,2,…,n);
所述的根据判断矩阵计算权重值如下:
根据判断矩阵A可求其最大特征值λmax及特征向量w
Aw=λmaxw (13)
其中,λmax为判断矩阵A的最大特征值,w为判断矩阵A的特征向量;
将w归一计算后,所得结果即是同一层次中各影响因素相对重要性的顺序权重比例值;
(3)一致性检验;矩阵A中的元素满足下列条件才有实用意义:
若不符合以上关联关系,则表明矩阵A不满足数据一致性,判断矩阵A只有满足一致性才证明所求得的权重分配是合理的;
所述的一致性检验的步骤如下:
1)计算一致性指标;
所述的计算一致性指标的公式如下:
其中,n是判断矩阵A的阶数;
2)根据一致性指标与矩阵阶数的取值关系,查找相应的平均随机一致性指标;
3)计算一致性比例;
所述的一致性比例的计算公式如下:
判断矩阵A的一致性比例满足CR<0.1或者λmax=n即CI=0时,则判断矩阵A的一致性是具有实用意义的,否则必须对A中的元素修正以满足一致性要求,最终得到蓄电池的运行寿命评估状态。
应用场景可视化展示;
(1)数据分析
1)机房电源蓄电池各运行数据权重分析;通过对各运行参数利用大数据算法对其进行权重分析,掌握蓄电池运行整体情况;
2)机房电源蓄电池厂家权重分析;通过告警数据、运行数据,分析生产厂家的蓄电池生命周期评估模型;
3)机房电源蓄电池全量接入分析;实时监控接入的变电站、通信机房、电池和电池组的情况,确保数据的实时性、一致性和可用性,实现数据接入的全过程处理。
(2)通信电源画像预警分析
通过通信电源运行状态评估模型及生命周期评估模型的分析结果,构建变电站画像预警分析;
1)变电站高风险电源
不同的变电站因电源使用率、使用环境等电源出现的问题、告警、使用寿命都存在不同,通过建立变电站电源预警模型,分析高风险的电源,并根据不同变电站查询不同电源使用效率。
2)电压等级高风险电源
不同的电压等级的变电站电压因电源使用率、使用环境等电源出现的问题、告警、使用寿命存在不同,通过建立变电站电压等级电源预警模型,分析电压等级高风险电源,根据不同电压等级查询不同电源使用效率。
3)电源厂家高风险电源
不同的厂家生产出的电源因质量等因素存在不同风险等级预控,通过建立变电站电压等级电源预警模型,分析电压等级高风险电源,根据不同电压等级查询不同电源使用效率。
4)按电源厂家分析电源故障次数
通过分析变电站电源故障次数与厂家的相关关系,对出现故障次数较多的电源厂家根据实际排查不再采购其电源作为辅助支撑的一个参考因素。
5)电源投运时间与故障次数分析
投运时间越长的电源出现故障的次数应该越多,基于投运时间与电源故障次数的皮尔逊相关系数,分析出现问题较少的电源所属变电站、厂家,为决策提供参考依据。
6)周期内电源供应厂家评估波动较大分析
不同的电源在不同周期内波动变化不同,评估周期内电源供应厂家出现电源波动较大的情况,辅助日常运维工作。
7)电源告警实时监控分析
不同的变电站因电源使用率、使用环境等电源出现的问题、告警、使用寿命存在不同,通过建立变电站电源预警模型,分析高风险的电源,并根据不同变电站查询不同电源使用效率。
8)电源预告警分析
基于动环告警事件,实时在机房蓄电池运行状态分析系统中监控动环系统中的电源告警情况,方便运维实施人员及时处理,并为电源各模型提供辅助支撑。
(3)通信电源预测应用
收集通信电源运行数据,利用数据预测分析法构建通信电源数据预测模型,预测通信电源的电源、电流、内阻、容量信息等。
1)通信电源拓扑管理;电源厂家信息维护,对电源的厂家信息进行补充完善,支持单个数据录入,同时支持按照Excel表格对数据进行批量导入;对电源所属变电站、电源组的拓扑关系进行维护,支持对源数据进行更新操作。
2)通信电源数据预测;使用朴素贝叶斯算法基于历史运行数据,对的电源进行预警分析,对超出预警范围的电压、电阻、电流数据进行预告警,规避电源运行风险。
Claims (10)
1.一种电力机房通信电源运行寿命评估方法,其特征在于,包括以下步骤:
步骤一,通信机房蓄电池运行数据采集;开放通信电源机房动环系统数据库,利用大数据Sqoop组件作为工具直接采集数据,每天实时将各应用系统的数据采集至数据存储组件Hbase中;
步骤二,构建通信电源的运行状态评估模型;对噪声数据进行剔除后采用自回归滑动平均模型对通信机房的蓄电池运行状态进行评估;
步骤三,构建通信机房蓄电池运行寿命评估模型;分析影响机房蓄电池的影响因素及权重,构建通信机房蓄电池运行寿命评估模型,建立蓄电池组的评价指标值矩阵,并对评价指标值矩阵进行一致性检验。
2.根据权利要求1所述的一种电力机房通信电源运行寿命评估方法,其特征在于,所述的步骤一中的通信机房蓄电池运行数据包括蓄电池的电压、电流、内阻、容量,蓄电池的告警次数,机房的温湿度。
3.根据权利要求1所述的一种电力机房通信电源运行寿命评估方法,其特征在于,所述的步骤二中的自回归滑动平均模型以自回归模型与滑动平均模型为基础进行数据混合,构成自回归滑动平均模型。
4.根据权利要求3所述的一种电力机房通信电源运行寿命评估方法,其特征在于,所述的采用自回归滑动平均模型对通信机房的蓄电池运行数据进行预测,具体为:
1)将运行数据的预测指标随时间推移构成运行数据波形形成的数据序列看作是一个随机序列,这组随机变量所具有的依存关系体现着原始数据在时间上的延续性;一方面需要考虑影响因素对预测对象的影响,另一方面需要考虑预测对象的自身变化规律的影响;影响因素对预测对象的影响的回归分析公式:
Y=β0+β1x1+β2x2+…+βpxp+Z (1)
其中,Y是预测对象的观测值,Z为预测对象的误差,x1,x2,…,xp为样本点的值,β0,β1,β2……βp为回归系数;
预测对象的自身变化规律的影响由下式体现:
Yt=β0+β1Yt-1+β2Yt-2+…+βpYt-p+Zt (2)
其中,Yt、Yt-1、Yt-2、……Yt-p分别为t、t-1、t-2、……t-p时刻的预测对象的观测值,Zt为预测对象的误差项;
预测对象的误差项由下式表示:
Zt=τt+α1τt-1+α2τt-2+…+αqτt-q (3)
其中,α1,α2……αq为回归系数,τt、τt-1、τt-2、……τt-q分别为t、t-1、t-2、……t-q时期的误差;
根据公式(2)和公式(3),得出机房通信电源的运行状态评估ARMA模型如下:
Yt=β0+β1Yt-1+β2Yt-2+…+βpYt-p+τt+α1τt-1+α2τt-2+…+αqτt-q (4)
2)前向预测,所述的前向预测是利用之前的多个样点的值对当前样点的值作预测,前向预测的计算公式如下:
对公式(5)模型的参数进行前向预测计算,利用预测值递推可依次得到多步预测值;所述的前向预测计算的方法为自相关法、Burg算法、协方差、改进的协方差法中的任意一种;
3)预测误差,所述的预测误差公式为:
et(l)=ψ0εt+l+ψ1εt+l-1+…+ψl-1εl+1 (6)
其中,et(l)表示预测步长为l时的误差,l表示步长变量,Ψ表示系数,ε表示影响预测变量值。
5.根据权利要求1所述的一种电力机房通信电源运行寿命评估方法,其特征在于,所述的步骤三构建通信机房蓄电池运行寿命评估模型;分析影响机房蓄电池的影响因素及权重,构建通信机房蓄电池运行寿命评估模型,建立蓄电池组的评价指标值矩阵,并对评价指标值矩阵进行一致性检验,具体为:
(1)蓄电池运行寿命度定义为:
其中,公式(7)中V表示蓄电池运行寿命度,C为运行寿命贡献值,L为运行寿命损失值;
所述的运行寿命贡献值计算公式为:
其中,公式(8)中ci为运行寿命贡献指标i的值,wi为该指标对应的权重值;n为信用度贡献指标的个数;
所述的运行寿命损失值计算式为:
其中,公式(9)中的lj为运行寿命损失指标j的值,wj为该指标对应的权重值;m为信用度损失指标的个数;
由公式(7)得出蓄电池运行寿命度的取值范围是[0,1],根据贡献度相关指标值及其权值即可得出运行寿命值,按照寿命等级进行分类管理;并根据运行寿命值分析蓄电池是否存在风险,并通过告警形式通知机房运维管理人员现场排查电池使用寿命;
(2)对n个蓄电池组进行分析,每个蓄电池组具有m个评价指标,将第i个蓄电池组的第j个指标记为xij(i=1,2,...,n;j=1,2,...,m),那么n个蓄电池组的评价指标值可由如下矩阵表示:
因为对蓄电池组进行评价时涉及到若干个层次的多维评价指标,并且不同评价指标的性质不同,评价指标的单位和量级存在很大的差距,绝对值相对较小的指标会被绝对值大的指标在评价中所覆盖,因此,需对原始的指标权重数据进行数据预处理,避免因数据单位与量级的差别而带来数据结果的异常;
所述的数据预处理采用标准化处理算法,计算公式如下:
其中,xij为原始指标值,xi′j为对应标准化处理后的值,minXj为第j列指标中的最小值,maxXj为第j列指标中的的最大值;
采用层次分析法对各信用度评价指标进行权值计算,将所有与决策有关的元素全部分解为目标层、准则层、方案层,在此基础上使用定性、定量分析的分析决策方法;根据评审专家打分得出判断矩阵,根据判断矩阵计算权重值;所述的评审专家打分得出判断矩阵如下:
其中,aij>0,aji=1/aij,aii=1,(i,j=1,2,…,n);
所述的根据判断矩阵计算权重值如下:
根据判断矩阵A可求其最大特征值λmax及特征向量w
Aw=λmaxw (13)
其中,λmax为判断矩阵A的最大特征值,w为判断矩阵A的特征向量;
将w归一计算后,所得结果即是同一层次中各影响因素相对重要性的顺序权重比例值;
(3)一致性检验;矩阵A中的元素满足下列条件才有实用意义:
若不符合以上关联关系,则表明矩阵A不满足数据一致性,判断矩阵A只有满足一致性才证明所求得的权重分配是合理的。
7.一种电力机房通信电源运行寿命评估系统,其特征在于,包括以下模块:
通信机房蓄电池运行数据采集模块:用来开放通信电源机房动环系统数据库,利用大数据Sqoop组件作为工具直接采集数据,每天实时将各应用系统的数据采集至数据存储组件Hbase中;
构建通信电源的运行状态评估模型模块:用来对噪声数据进行剔除后采用自回归滑动平均模型对通信机房的蓄电池运行状态进行评估;
构建通信机房蓄电池运行寿命评估模型模块:用来分析影响机房蓄电池的影响因素及权重,构建通信机房蓄电池运行寿命评估模型,建立蓄电池组的评价指标值矩阵,并对评价指标值矩阵进行一致性检验。
8.根据权利要求7所述的一种电力机房通信电源运行寿命评估系统,其特征在于,所述的通信机房蓄电池运行数据采集模块中,通信机房蓄电池运行数据包括蓄电池的电压、电流、内阻、容量,蓄电池的告警次数,机房的温湿度。
9.根据权利要求7所述的一种电力机房通信电源运行寿命评估系统,其特征在于,所述的通信机房蓄电池运行寿命评估模型模块采用自回归滑动平均模型以自回归模型与滑动平均模型为基础进行数据混合,构成自回归滑动平均模型;采用自回归滑动平均模型对通信机房的蓄电池运行数据进行预测,具体为:
1)将运行数据的预测指标随时间推移构成运行数据波形形成的数据序列看作是一个随机序列,这组随机变量所具有的依存关系体现着原始数据在时间上的延续性;一方面需要考虑影响因素对预测对象的影响,另一方面需要考虑预测对象的自身变化规律的影响;影响因素对预测对象的影响的回归分析公式:
Y=β0+β1x1+β2x2+…+βpxp+Z (1)
其中,Y是预测对象的观测值,Z为预测对象的误差,x1,x2,…,xp为样本点的值,β0,β1,β2……βp为回归系数;
预测对象的自身变化规律的影响由下式体现:
Yt=β0+β1Yt-1+β2Yt-2+…+βpYt-p+Zt (2)
其中,Yt、Yt-1、Yt-2、……Yt-p分别为t、t-1、t-2、……t-p时刻的预测对象的观测值,Zt为预测对象的误差项;
预测对象的误差项由下式表示:
Zt=τt+α1τt-1+α2τt-2+…+αqτt-q (3)
其中,α1,α2……αq为回归系数,τt、τt-1、τt-2、……τt-q分别为t、t-1、t-2、……t-q时期的误差;
根据公式(2)和公式(3),得出机房通信电源的运行状态评估ARMA模型如下:
Yt=β0+β1Yt-1+β2Yt-2+…+βpYt-p+τt+α1τt-1+α2τt-2+…+αqτt-q (4)
2)前向预测,所述的前向预测是利用之前的多个样点的值对当前样点的值作预测,前向预测的计算公式如下:
对公式(5)模型的参数进行前向预测计算,利用预测值递推可依次得到多步预测值;所述的前向预测计算的方法为自相关法、Burg算法、协方差、改进的协方差法中的任意一种;
3)预测误差,所述的预测误差公式为:
et(l)=ψ0εt+l+ψ1εt+l-1+…+ψl-1εl+1 (6)
其中,et(l)表示预测步长为l时的误差,l表示步长变量,Ψ表示系数,ε表示影响预测变量值。
10.根据权利要求7所述的一种电力机房通信电源运行寿命评估系统,其特征在于,所述的通信机房蓄电池运行寿命评估模型模块,用于分析影响机房蓄电池的影响因素及权重,构建通信机房蓄电池运行寿命评估模型,建立蓄电池组的评价指标值矩阵,并对评价指标值矩阵进行一致性检验,具体为:
(1)蓄电池运行寿命度定义为:
其中,公式(7)中V表示蓄电池运行寿命度,C为运行寿命贡献值,L为运行寿命损失值;
所述的运行寿命贡献值计算公式为:
其中,公式(8)中ci为运行寿命贡献指标i的值,wi为该指标对应的权重值;n为信用度贡献指标的个数;
所述的运行寿命损失值计算式为:
其中,公式(9)中的lj为运行寿命损失指标j的值,wj为该指标对应的权重值;m为信用度损失指标的个数;
由公式(7)得出蓄电池运行寿命度的取值范围是[0,1],根据贡献度相关指标值及其权值即可得出运行寿命值,按照寿命等级进行分类管理;并根据运行寿命值分析蓄电池是否存在风险,并通过告警形式通知机房运维管理人员现场排查电池使用寿命;
(2)对n个蓄电池组进行分析,每个蓄电池组具有m个评价指标,将第i个蓄电池组的第j个指标记为xij(i=1,2,...,n;j=1,2,...,m),那么n个蓄电池组的评价指标值可由如下矩阵表示:
因为对蓄电池组进行评价时涉及到若干个层次的多维评价指标,并且不同评价指标的性质不同,评价指标的单位和量级存在很大的差距,绝对值相对较小的指标会被绝对值大的指标在评价中所覆盖,因此,需对原始的指标权重数据进行数据预处理,避免因数据单位与量级的差别而带来数据结果的异常;
所述的数据预处理采用标准化处理算法,计算公式如下:
其中,xij为原始指标值,x′ij为对应标准化处理后的值,minXj为第j列指标中的最小值,maxXj为第j列指标中的的最大值;
采用层次分析法对各信用度评价指标进行权值计算,将所有与决策有关的元素全部分解为目标层、准则层、方案层,在此基础上使用定性、定量分析的分析决策方法;根据评审专家打分得出判断矩阵,根据判断矩阵计算权重值;所述的评审专家打分得出判断矩阵如下:
其中,aij>0,aji=1/aij,aii=1,(i,j=1,2,…,n);
所述的根据判断矩阵计算权重值如下:
根据判断矩阵A可求其最大特征值λmax及特征向量w
Aw=λmaxw (13)
其中,λmax为判断矩阵A的最大特征值,w为判断矩阵A的特征向量;
将w归一计算后,所得结果即是同一层次中各影响因素相对重要性的顺序权重比例值;
(3)一致性检验;矩阵A中的元素满足下列条件才有实用意义:
若不符合以上关联关系,则表明矩阵A不满足数据一致性,判断矩阵A只有满足一致性才证明所求得的权重分配是合理的;
所述的一致性检验的步骤如下:
1)计算一致性指标;
所述的计算一致性指标的公式如下:
其中,n是判断矩阵A的阶数;
2)根据一致性指标与矩阵阶数的取值关系,查找相应的平均随机一致性指标;
3)计算一致性比例;
所述的一致性比例的计算公式如下:
判断矩阵A的一致性比例满足CR<0.1或者λmax=n即CI=0时,则判断矩阵A的一致性是具有实用意义的,否则必须对A中的元素修正以满足一致性要求,最终得到蓄电池的运行寿命评估状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010244555.6A CN111460656B (zh) | 2020-03-31 | 2020-03-31 | 一种电力机房通信电源运行寿命评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010244555.6A CN111460656B (zh) | 2020-03-31 | 2020-03-31 | 一种电力机房通信电源运行寿命评估方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111460656A true CN111460656A (zh) | 2020-07-28 |
CN111460656B CN111460656B (zh) | 2023-06-27 |
Family
ID=71678454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010244555.6A Active CN111460656B (zh) | 2020-03-31 | 2020-03-31 | 一种电力机房通信电源运行寿命评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111460656B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112834841A (zh) * | 2020-12-30 | 2021-05-25 | 北京爱康宜诚医疗器材有限公司 | 红外相机的寿命的检测方法、检测装置和处理器 |
CN114781762A (zh) * | 2022-06-21 | 2022-07-22 | 四川观想科技股份有限公司 | 一种基于寿命消耗的装备故障预测方法 |
CN116579192A (zh) * | 2023-07-14 | 2023-08-11 | 苏州欣和智达能源科技有限公司 | 一种移动电源箱健康状态智能评估方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184465A (zh) * | 2011-04-19 | 2011-09-14 | 中国电力科学研究院 | 一种变电站能效评估方法 |
CN103294848A (zh) * | 2013-05-03 | 2013-09-11 | 中国航天标准化研究所 | 基于混合自回归滑动平均模型的卫星太阳能电池阵寿命预测方法 |
CN103344923A (zh) * | 2013-08-01 | 2013-10-09 | 哈尔滨工业大学 | 基于ekf方法和nsdp-ar模型融合型锂离子电池循环寿命预测方法 |
CN105799487A (zh) * | 2016-03-15 | 2016-07-27 | 北京理工大学 | 一种机电复合传动履带车辆多目标优化方法 |
WO2017008180A1 (zh) * | 2015-07-16 | 2017-01-19 | 广东产品质量监督检验研究院 | 一种光伏组件失效风险判别方法 |
CN106646252A (zh) * | 2016-12-01 | 2017-05-10 | 国网辽宁省电力有限公司电力科学研究院 | 铅酸电池应用寿命预测方法 |
CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
WO2018186537A1 (ko) * | 2017-04-04 | 2018-10-11 | 한국전력공사 | 전력용 변압기 자산 관리 장치 및 그 방법 |
CN110488204A (zh) * | 2019-07-12 | 2019-11-22 | 武汉大学 | 一种储能元件soh-soc联合在线估计方法 |
-
2020
- 2020-03-31 CN CN202010244555.6A patent/CN111460656B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184465A (zh) * | 2011-04-19 | 2011-09-14 | 中国电力科学研究院 | 一种变电站能效评估方法 |
CN103294848A (zh) * | 2013-05-03 | 2013-09-11 | 中国航天标准化研究所 | 基于混合自回归滑动平均模型的卫星太阳能电池阵寿命预测方法 |
CN103344923A (zh) * | 2013-08-01 | 2013-10-09 | 哈尔滨工业大学 | 基于ekf方法和nsdp-ar模型融合型锂离子电池循环寿命预测方法 |
WO2017008180A1 (zh) * | 2015-07-16 | 2017-01-19 | 广东产品质量监督检验研究院 | 一种光伏组件失效风险判别方法 |
CN105799487A (zh) * | 2016-03-15 | 2016-07-27 | 北京理工大学 | 一种机电复合传动履带车辆多目标优化方法 |
CN106646252A (zh) * | 2016-12-01 | 2017-05-10 | 国网辽宁省电力有限公司电力科学研究院 | 铅酸电池应用寿命预测方法 |
WO2018186537A1 (ko) * | 2017-04-04 | 2018-10-11 | 한국전력공사 | 전력용 변압기 자산 관리 장치 및 그 방법 |
CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
CN110488204A (zh) * | 2019-07-12 | 2019-11-22 | 武汉大学 | 一种储能元件soh-soc联合在线估计方法 |
Non-Patent Citations (1)
Title |
---|
左黎;卜峰;: "基于模糊层次分析法的自动化机房供电风险评估" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112834841A (zh) * | 2020-12-30 | 2021-05-25 | 北京爱康宜诚医疗器材有限公司 | 红外相机的寿命的检测方法、检测装置和处理器 |
CN112834841B (zh) * | 2020-12-30 | 2024-01-23 | 北京爱康宜诚医疗器材有限公司 | 红外相机的寿命的检测方法、检测装置和处理器 |
CN114781762A (zh) * | 2022-06-21 | 2022-07-22 | 四川观想科技股份有限公司 | 一种基于寿命消耗的装备故障预测方法 |
CN114781762B (zh) * | 2022-06-21 | 2022-09-23 | 四川观想科技股份有限公司 | 一种基于寿命消耗的装备故障预测方法 |
CN116579192A (zh) * | 2023-07-14 | 2023-08-11 | 苏州欣和智达能源科技有限公司 | 一种移动电源箱健康状态智能评估方法及系统 |
CN116579192B (zh) * | 2023-07-14 | 2023-09-12 | 苏州欣和智达能源科技有限公司 | 一种移动电源箱健康状态智能评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111460656B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021208309A1 (zh) | 用于储能电站电化学电池在线评估的方法和系统 | |
CN110224192B (zh) | 一种梯次利用动力电池寿命预测方法 | |
US8306781B2 (en) | Professional diagnosis method of battery performance analysis | |
Pan et al. | A data-driven fuzzy information granulation approach for battery state of health forecasting | |
US8340934B2 (en) | Method of performance analysis for VRLA battery | |
CN111460656B (zh) | 一种电力机房通信电源运行寿命评估方法和系统 | |
CN116502112B (zh) | 一种新能源电源测试数据管理方法及系统 | |
CN112327167B (zh) | 一种电池容量跳水风险评估方法及系统 | |
CN108089133A (zh) | 储能系统电池组一致性检测方法及检测装置 | |
CN113052464B (zh) | 电池储能系统可靠性评估方法及系统 | |
CN115494404B (zh) | 一种蓄电池组在线监测方法 | |
CN104316879B (zh) | 一种铅酸蓄电池组寿命的预测方法 | |
Cheng et al. | Operational reliability modeling and assessment of battery energy storage based on lithium-ion battery lifetime degradation | |
CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
Santos-Pereira et al. | The requirements and constraints of storage technology in isolated microgrids: A comparative analysis of lithium-ion vs. lead-acid batteries | |
CN117836644A (zh) | 二次电池的健康状态估计方法、二次电池的健康状态估计程序及二次电池的健康状态估计装置 | |
Hallmann et al. | Methods for lithium-based battery energy storage SOC estimation. Part I: Overview | |
Olaru et al. | Challenges and opportunities for the control of Energy Storage Systems. A focus on the Zinc-Air batteries | |
CN104569838B (zh) | 基于远程监控的集装箱储能设备核心部件的评价方法 | |
CN116845391A (zh) | 一种锂电池储能管理系统 | |
Zhu et al. | A review of battery state of health estimation | |
CN114740356A (zh) | 一种相似电压序列的动力电池剩余寿命间接预测方法 | |
Huang et al. | Evaluation index of battery pack of energy storage station based on RB recession mechanism | |
Imen et al. | Criticality assessment with Pareto diagram of the different solar batteries technologies | |
Li et al. | VRLA battery fault prediction for data center based on random forest model and feature enhancement method |
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 |