CN112182981A - 电解电容寿命预测方法、装置、设备及存储介质 - Google Patents

电解电容寿命预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112182981A
CN112182981A CN202011152656.7A CN202011152656A CN112182981A CN 112182981 A CN112182981 A CN 112182981A CN 202011152656 A CN202011152656 A CN 202011152656A CN 112182981 A CN112182981 A CN 112182981A
Authority
CN
China
Prior art keywords
electrolytic capacitor
value
life
detected
tested
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
Application number
CN202011152656.7A
Other languages
English (en)
Other versions
CN112182981B (zh
Inventor
王坤
李现亭
马超群
杨武
张斌
蔡洛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Easite Group Henan Co ltd
Original Assignee
Easite Group Henan Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Easite Group Henan Co ltd filed Critical Easite Group Henan Co ltd
Priority to CN202011152656.7A priority Critical patent/CN112182981B/zh
Priority claimed from CN202011152656.7A external-priority patent/CN112182981B/zh
Publication of CN112182981A publication Critical patent/CN112182981A/zh
Application granted granted Critical
Publication of CN112182981B publication Critical patent/CN112182981B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)
  • Fixed Capacitors And Capacitor Manufacturing Machines (AREA)

Abstract

本申请公开了一种电解电容寿命预测方法、装置、设备及存储介质，属于电力技术领域。所述方法包括：通过获取待测电解电容的相关电学参数，将待测电解电容的相关电学参数输入至预设的神经网络模型中，通过神经网络模型对待测电解电容的相关电学参数进行处理，确定待测电解电容的预测寿命值，其中，相关电学参数用于表征待测电解电容在工作时的温度值和电容值，神经网络模型是基于多个样本电解电容的相关电学参数和每个样本电解电容对应的标准寿命值进行训练得到的。本申请实施例提供的技术方案可以提高对各电解电容的寿命预测效率。

Description

电解电容寿命预测方法、装置、设备及存储介质
技术领域
本申请涉及电力技术领域，特别是涉及一种电解电容寿命预测方法、装置、设备及存储介质。
背景技术
随着数据中心的不断建设，数据中心电源作为保证数据中心能够正常运行的关键设备，其上含有多个电解电容，若电解电容失效就会引起整个数据中心电源的可靠性下降，甚至会出现故障，因此，就需要对电解电容的寿命进行预测。
目前，在对电解电容的寿命进行预测时，通常是将数据中心电源上的部分电解电容拆解下来，然后对这些电解电容进行反复充放电过程，直至达到电解电容的寿命极限，最终通过电解电容的充放电次数来获得电解电容的寿命。
但是，采用上述技术对电解电容的寿命进行预测，在数据中心电源上的电解电容较多时，存在对各电解电容的寿命预测效率低的问题。
发明内容
基于此，本申请实施例提供了一种电解电容寿命预测方法、装置、设备及存储介质，可以提高对各电解电容的寿命预测效率。
第一方面，提供了一种电解电容寿命预测方法，该方法包括：
获取待测电解电容的相关电学参数；该相关电学参数用于表征待测电解电容在工作时的温度值和电容值；将待测电解电容的相关电学参数输入至预设的神经网络模型中，通过神经网络模型对待测电解电容的相关电学参数进行处理，确定待测电解电容的预测寿命值；其中，神经网络模型是基于多个样本电解电容的相关电学参数和每个样本电解电容对应的标准寿命值进行训练得到的。
在其中一个实施例中，将待测电解电容的相关电学参数输入至预设的神经网络模型中，通过神经网络模型对待测电解电容的相关电学参数进行处理，确定待测电解电容的预测寿命值，包括：
将待测电解电容的相关电学参数输入至神经网络模型中，在神经网络模型中根据预设的电解电容寿命曲线确定相关电学参数对应的第一预测寿命值，以及对待测电解电容的温度值进行数学运算处理，确定待测电解电容的第二预测寿命值，并根据第一预测寿命值和第二预测寿命值确定待测电解电容的预测寿命值；其中，电解电容寿命曲线为表征电解电容的相关电学参数以及寿命值之间对应关系的曲线。
在其中一个实施例中，待测电解电容在工作时的温度值包括待测电解电容所处环境的温度值和待测电解电容内部的温度值，对待测电解电容的温度值进行数学运算处理，确定待测电解电容的第二预测寿命值，包括：
对待测电解电容所处环境的温度值和待测电解电容内部的温度值进行求幂运算处理，得到待测电解电容的第二预测寿命值。
在其中一个实施例中，待测电解电容的相关电学参数还包括待测电解电容的电流值和电压值，待测电解电容内部的温度值的获取方式包括：
根据待测电解电容的电流值和电压值，对待测电解电容的功率损耗进行计算，得到待测电解电容的功率损耗；获取待测电解电容对应的电容热阻；对电容热阻和功率损耗进行乘积运算处理，得到待测电解电容内部的温度值。
在其中一个实施例中，根据第一预测寿命值和第二预测寿命值确定待测电解电容的预测寿命值，包括：
对第一预测寿命值和第二预测寿命值进行加权求和处理，得到待测电解电容的预测寿命值。
在其中一个实施例中，在获取待测电解电容的相关电学参数之前，该方法还包括：
获取待测电解电容在初始化状态下的第一电容值以及待测电解电容在正常工作状态下的第二电容值；根据第一电容值获得对应的第一寿命值，以及根据第二电容值获得对应的第二寿命值；将第一寿命值和第二寿命值进行对比，得到第一对比结果，并根据第一对比结果确定是否返回执行获取待测电解电容的相关电学参数的步骤。
在其中一个实施例中，将第一寿命值和第二寿命值进行对比，得到第一对比结果，包括：
计算第一寿命值和第二寿命值之间的差值绝对值；将差值绝对值和预设的寿命误差阈值进行对比，得到第一对比结果。
在其中一个实施例中，根据第一对比结果确定是否返回执行获取待测电解电容的相关电学参数的步骤，包括：
若第一对比结果为差值绝对值小于寿命误差阈值，则将第二寿命值确定为初始寿命值，并返回执行获取待测电解电容的相关电学参数的步骤。
在其中一个实施例中，该方法还包括：
根据初始寿命值，计算得到待测电解电容对应的寿命预警值；将预测寿命值和寿命预警值进行对比，得到第二对比结果；若第二对比结果为预测寿命值不大于寿命预警值，则输出第一报警消息；第一报警消息用于指示待测电解电容在正常工作状态下失效。
在其中一个实施例中，根据第一对比结果确定是否返回执行获取待测电解电容的相关电学参数的步骤，包括：
若第一对比结果为差值绝对值不小于寿命误差阈值，则输出第二报警消息；第二报警消息用于指示待测电解电容在初始化状态下失效。
第二方面，提供了一种电解电容寿命预测装置，该装置包括：
获取模块，用于获取待测电解电容的相关电学参数；该相关电学参数用于表征待测电解电容在工作时的温度值和电容值；
确定模块，用于将待测电解电容的相关电学参数输入至预设的神经网络模型中，通过神经网络模型对待测电解电容的相关电学参数进行处理，确定待测电解电容的预测寿命值；其中，神经网络模型是基于多个样本电解电容的相关电学参数和每个样本电解电容对应的标准寿命值进行训练得到的。
第三方面，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待测电解电容的相关电学参数；该相关电学参数用于表征待测电解电容在工作时的温度值和电容值；
将待测电解电容的相关电学参数输入至预设的神经网络模型中，通过神经网络模型对待测电解电容的相关电学参数进行处理，确定待测电解电容的预测寿命值；其中，神经网络模型是基于多个样本电解电容的相关电学参数和每个样本电解电容对应的标准寿命值进行训练得到的。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待测电解电容的相关电学参数；该相关电学参数用于表征待测电解电容在工作时的温度值和电容值；
将待测电解电容的相关电学参数输入至预设的神经网络模型中，通过神经网络模型对待测电解电容的相关电学参数进行处理，确定待测电解电容的预测寿命值；其中，神经网络模型是基于多个样本电解电容的相关电学参数和每个样本电解电容对应的标准寿命值进行训练得到的。
上述电解电容寿命预测方法、装置、设备及存储介质，通过将待测电解电容的相关电学参数输入至预设的神经网络模型中，通过神经网络模型对待测电解电容的相关电学参数进行处理，确定待测电解电容的预测寿命值，其中，相关电学参数用于表征待测电解电容在工作时的温度值和电容值，神经网络模型是基于多个样本电解电容的相关电学参数和每个样本电解电容对应的标准寿命值进行训练得到的。在本申请实施例提供的技术方案中，由于可以采用神经网络模型同时对各个待测电解电容的相关电学参数进行处理得到对应的寿命预测值，其处理过程非常快，而不需要将电解电容拆解下来进行反复充放电得到其寿命预测值，因此，通过该方法对电解电容进行寿命预测可以提高电解电容的寿命预测效率。同时，采用该方法对电解电容的寿命进行预测，不需要对数据中心电源断电，从而就不会影响系统供电，保障系统的正常运行。另外，由于本方法采用的神经网络模型是通过多个样本电解电容的相关电学参数和标准寿命值进行训练得到的，因此得到的神经网络模型比较准确，这样在采用神经网络预测电解电容的寿命值时，预测得到的电解电容的寿命预测值也就比较准确。
附图说明
图1为本申请实施例涉及到的一种服务器的框图；
图2为本申请实施例提供的一种电解电容寿命预测方法的流程图；
图3为本申请实施例提供的一种神经网络模型的示意图；
图4为本申请实施例提供的一种内部温度值的获取方法的流程图；
图5为本申请实施例提供的一种电解电容寿命预测方法的流程图；
图6为本申请实施例提供的一种待测电解电容等值电阻示意图；
图7为本申请实施例提供的一种电解电容寿命预测方法的流程图；
图8为本申请实施例提供的一种电解电容寿命预测方法的流程图；
图9为本申请实施例提供的一种电解电容寿命预测装置的框图；
图10为本申请实施例提供的一种电解电容寿命预测装置的框图；
图11为本申请实施例提供的一种电解电容寿命预测装置的框图；
图12为本申请实施例提供的一种电解电容寿命预测装置的框图；
图13为本申请实施例提供的一种电解电容寿命预测装置的框图；
图14为本申请实施例提供的一种电解电容寿命预测装置的框图；
图15为本申请实施例提供的一种电解电容寿命预测装置的框图；
图16为本申请实施例提供的一种电解电容寿命预测装置的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
目前，在对电解电容寿命进行预测时，有两种方式，一种是离线式，通常是将数据中心电源上的部分电解电容拆解下来，然后对这些电解电容进行反复充放电过程，直至达到电解电容的寿命极限，最终通过电解电容的充放电次数来获得电解电容的寿命，但这种离线式的预测方法，在数据中心电源上的电解电容较多时，存在对各电解电容的寿命预测效率低的问题；另一种是在线式，通过实时监测到的电解电容的温度值，以及数据手册上查询到的纹波电流系数，匹配寿命曲线得到电解电容的寿命，但这种在线式的预测方式，由于电解电容的温度值和纹波电流系数会随着时间以及工况发生改变，因此，根据寿命曲线得到的寿命值就不准确。基于此，本申请实施例提供一种电解电容寿命预测方法、装置、设备及存储介质，可以解决上述技术问题。
本申请实施例提供的电解电容寿命预测方法可以应用于计算机设备中，计算机设备可以是服务器，也可以是终端，其中，服务器可以为一台服务器也可以为由多台服务器组成的服务器集群，本申请实施例对此不作具体限定，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
以计算机设备是服务器为例，图1示出了一种服务器的框图，如图1所示，服务器可以包括通过系统总线连接的处理器和存储器。其中，该服务器的处理器用于提供计算和控制能力。该服务器的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序以及数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种电解电容寿命预测方法。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的服务器的限定，可选地服务器可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
需要说明的是，本申请实施例的执行主体可以是计算机设备，也可以是电解电容寿命预测装置，下述方法实施例中就以计算机设备为执行主体进行说明。
在一个实施例中，请参考图2，其示出了本申请实施例提供的一种电解电容寿命预测方法的流程图，本实施例涉及的是将相关电学参数电解输入至神经网络模型中得到电容寿命预测结果的过程，该方法可以包括以下步骤：
步骤201、获取待测电解电容的相关电学参数；其中，相关电学参数用于表征待测电解电容在工作时的温度值和电容值。
其中，待测电解电容在工作时的温度值可以是待测电解电容在工作时所处环境的温度值，也可以是待测电解电容在工作时的内部温度值，还可以是待测电解电容在工作时所处环境的温度值与内部温度值共同构成的温度值，若是由。。构成的，则可以将待测电解电容在工作时所处环境的温度值与内部温度值相加，得到待测电解电容在工作时的温度值。这里待测电解电容所处环境的温度值可以通过温度传感器或工业温度计测量待测电解电容周围的环境温度获得；待测电解电容的内部温度值可以通过待测电解电容的电流值、电压值以及热阻计算得到。
另外，待测电解电容在工作时的电容值是实时计算到的电容值，可以对通过待测电解电容的电流值和电压值进行实时采样后，通过对各个时刻采样的数据进行数学运算处理得到待测电解电容在该时刻下工作时的电容值。
进一步地，上述相关电学参数可以包括待测电解电容在工作时所处环境的温度值、电流值、电压值以及电容值，其中的电流值可以是纹波电流值等。
步骤202、将待测电解电容的相关电学参数输入至预设的神经网络模型中，通过神经网络模型对待测电解电容的相关电学参数进行处理，确定待测电解电容的预测寿命值。其中，神经网络模型是基于多个样本电解电容的相关电学参数和每个样本电解电容对应的标准寿命值进行训练得到的。
其中，神经网络模型可以是多元输入神经网络模型，该多元输入神经网络模型可以为BP(Back Propagation)神经网络模型、卷积神经网络模型等，本实施例对多元输入神经网络模型的类型不做限定。
另外，在本步骤中使用神经网络模型对待测电解电容的寿命进行预测之前，还可以对神经网络模型进行训练。其中神经网络模型的训练过程为：首先获取多个样本电解电容的相关电学参数，每个样本电解电容都有对应的标准寿命值以及相关电学参数，将所有样本的相关电学参数输入至初始神经网络模型中，该初始神经网络模型对输入进来的所有样本的相关电学参数进行处理，处理过程可以为匹配查找寿命曲线以及对相关电学参数进行数学运算等过程，总之，通过处理之后就可以得到每个样本电解电容的寿命预测值。之后，可以计算每个样本电解电容的寿命预测值与标准寿命值之间的损失值，并利用损失值对初始神经网络模型的参数进行调整，在神经网络模型的损失值达到阈值或者损失值达到稳定时，则认为该神经网络模型已经训练好，此时可以固定神经网络模型的参数，得到训练好的神经网络模型。
在神经网络模型训练好之后，就可以将待测电解电容的相关电学参数输入至训练好的神经网络模型中，对待测电解电容的相关电学参数进行处理，可以根据待测电解电容的相关电学参数，通过查找寿命曲线确定待测电解电容的预测寿命值，也可以对待测电解电容的相关电学参数进行数学运算处理得到待测电解电容的预测寿命值，还可以是通过对查找寿命曲线确定待测电解电容的预测寿命值以及对待测电解电容的相关电学参数进行数学运算处理得到待测电解电容的预测寿命值，当然，在预测寿命值是由多部分预测寿命值构成时，也可以为各部分寿命预测值分配权重，最终得到待测电解电容的预测寿命值。
由上述描述可知，上述方法可以在线对待测电解电容的寿命进行预测，不需要对系统进行停机，因此不会影响系统供电；同时也不需要对系统上包括电解电容的各个模块的电容进行拆卸，因此也不会影响系统各模块的正常工作；另外，上述神经网络可以同时对各模块上的多个电解电容进行寿命预测，这样并行处理，从而可以提高电解电容的寿命预测效率。
上述电解电容寿命预测方法，通过将待测电解电容的相关电学参数输入至预设的神经网络模型中，通过神经网络模型对待测电解电容的相关电学参数进行处理，确定待测电解电容的预测寿命值，其中，相关电学参数用于表征待测电解电容在工作时的温度值和电容值，神经网络模型是基于多个样本电解电容的相关电学参数和每个样本电解电容对应的标准寿命值进行训练得到的。在本申请实施例提供的技术方案中，由于可以采用神经网络模型同时对各个待测电解电容的相关电学参数进行处理得到对应的寿命预测值，其处理过程非常快，而不需要将电解电容拆解下来进行反复充放电得到其寿命预测值，因此，通过该方法对电解电容进行寿命预测可以提高电解电容的寿命预测效率。同时，采用该方法对电解电容的寿命进行预测，不需要对数据中心电源断电，从而就不会影响系统供电，保障系统的正常运行。另外，由于本方法采用的神经网络模型是通过多个样本电解电容的相关电学参数和标准寿命值进行训练得到的，因此得到的神经网络模型比较准确，这样在采用神经网络预测电解电容的寿命值时，预测得到的电解电容的寿命预测值也就比较准确。
在一个实施例中，提供了一种电解电容寿命预测方法，本实施例涉及的是根据第一预测寿命值和第二预测寿命值确定待测电解电容的预测寿命值的具体过程。在上述实施例的基础上，上述步骤202可以包括以下步骤A：
步骤A，将待测电解电容的相关电学参数输入至神经网络模型中，在神经网络模型中根据预设的电解电容寿命曲线确定相关电学参数对应的第一预测寿命值，以及对待测电解电容的温度值进行数学运算处理，确定待测电解电容的第二预测寿命值，并根据第一预测寿命值和第二预测寿命值确定待测电解电容的预测寿命值，其中，电解电容寿命曲线为表征电解电容的相关电学参数以及寿命值之间对应关系的曲线。
其中，第一预测寿命值为相关电学参数对应的寿命值，该寿命值是通过在神经网络模型中根据预设的电解电容寿命曲线确定出来的。目前，电源行业常用的电解电容规格为250V/330uF、250V/660uF、250V/1000uF、450V/330uF、450V/660uF、450V/1000uF，对应着六种寿命曲线，在神经网络模型中，通过输入的相关电学参数查找匹配对应的寿命曲线，得到第一预测寿命值。可选的，以相关电学参数包括待测电解电容在工作时所处环境的温度值、电流值、电压值以及电容值为例，如图3提供的神经网络模型，神经网络模型的四个输入神经元I1、I2、I3、I4分别对应这四个相关电学参数。
另外，第二预测寿命值可以是对相关电学参数中的待测电解电容的温度值进行数学运算处理得到的，数学运算处理可以包括求和运算处理、求幂运算处理、求差运算处理等等。总之，通过对相关电学参数中的待测电解电容的温度值进行数学运算处理就能得到第二预测寿命值。
在得到第一预测寿命值和第二预测寿命值之后，可以通过第一预测寿命值和第二预测寿命值计算得到待测电解电容的预测寿命值，可选的，可以将第一预测寿命值作为待测电解电容的预测寿命值，也可以将第二预测寿命值作为待测电解电容的预测寿命值，还可以通过对第一预测寿命值和第二预测寿命值分配权重后得到待测电解电容的预测寿命值，其中，这两个权重是神经网络模型里面的，在模型训练好之后所要分配的权重就可以确定，其在模型中的初始大小可以根据实际情况设定，不作限定。
可选的，在得到第一预测寿命值和第二预测寿命值后，对第一预测寿命值和第二预测寿命值进行加权求和处理，得到待测电解电容的预测寿命值。在得到第一预测寿命值和第二预测寿命值后，根据训练好的神经网络模型对第一预测寿命值和第二预测寿命值分配权重，根据分配好的权重，对第一预测寿命值和第二预测寿命值进行加权求和处理，最终得到待测电解电容的预测寿命值。
本实施例中，通过将待测电解电容的相关电学参数输入至神经网络模型中，在神经网络模型中根据预设的电解电容寿命曲线确定相关电学参数对应的第一预测寿命值，以及对待测电解电容的温度值进行数学运算处理，确定待测电解电容的第二预测寿命值，并根据第一预测寿命值和第二预测寿命值确定待测电解电容的预测寿命值，由于可以通过多个参数分别得到第一预测寿命值和第二预测寿命值，并通过第一预测寿命值和第二预测寿命值得到最终的值，这样可以综合这两个预测值，最终得到的预测寿命值更加准确。进一步地，由于可以为第一预测寿命值和第二预测寿命值设置权重，这样可以合理保留对最终预测寿命值的重要程度高的寿命值，从而使得电解电容寿命预测更加准确。
在一个实施例中，提供了一种电解电容寿命预测方法，本实施例涉及的是根据第一预测寿命值和第二预测寿命值确定待测电解电容的预测寿命值的具体过程。在上述实施例的基础上，待测电解电容在工作时的温度值包括待测电解电容所处环境的温度值和待测电解电容内部的温度值，对待测电解电容的温度值进行数学运算处理，确定待测电解电容的第二预测寿命值，上述步骤202可以包括以下步骤B：
步骤B，对待测电解电容所处环境的温度值和待测电解电容内部的温度值进行求幂运算处理，得到待测电解电容的第二预测寿命值。
第二预测寿命值是根据相关电学参数中的待测电解电容的温度值通过数学运算处理得到的，第二预测寿命值Ln可以通过公式(1)计算得到：
Figure BDA0002741637330000101
其中，L为待测电解电容的额定寿命值，可以通过查询数据手册得到；T0为待测电解电容的额定最高工作环境温度，可以通过查询数据手册得到；T测量为实际测量的待测电解电容的工作环境温度，可以通过温度传感器或者工业温度计得到；Kt为温度修正系数，初始值设定为1，之后可以通过神经网络模型进行修正；T内部为待测电解电容的内部温度值，可以通过待测电解电容的电流值、电压值以及热阻计算得到。
上面提到了待测电解电容的内部温度值，以及在上述实施例的基础上，相关电学参数还包括：待测电解电容的电流值和电压值，那么在通过电流值和电压值计算待测电解电容的内部温度时，可选的，参见图4所示，可以采用以下步骤401-步骤403进行计算：
步骤401、根据待测电解电容的电流值和电压值，对待测电解电容的功率损耗进行计算，得到待测电解电容的功率损耗。
其中，待测电解电容的电流值为通过待测电解电容的纹波电流值，待测电解电容的电压值为施加在待测电解电容两端的直流电压值。待测电解电容的功率损耗P为待测电解电容的交流功率损耗PAC与直流功率损耗PDC之和。待测电解电容的交流损耗功率可以通过公式(2)和公式(3)计算得到：
Figure BDA0002741637330000102
Figure BDA0002741637330000103
其中，PESR为交流纹波在串联等效电阻ESR上的损耗；In为第n次谐波分量的纹波电流有效值；Rn对应第n次谐波分量频率的ESR值；由于数据中心电源整流模块中滤波电路的存在，待测电解电容上高频分量较少且为简化计算，因此本发明只计算1～10次谐波分量产生的损耗。I0为标准频率下的标准正弦波的电流有效值；R0为待测电解电容在标准频率下ESR值，
Figure BDA0002741637330000104
为谐波分量产生的损耗；Kf(n)为纹波电流的频率系数，初始值通过查找数据手册得到，后通过神经网络算法进行修正。
待测电解电容的直流损耗功率可以通过公式(4)计算得到：
Figure BDA0002741637330000111
其中，RESR为待测电解电容寄生电阻；VDC为施加在待测电解电容两端的直流电压。
待测电解电容的功率损耗P可通过公式(5)得到：
P＝PAC+PDC (5)
步骤402、获取待测电解电容对应的电容热阻。
待测电解电容对应的电容热阻R为待测电解电容对热量传递时产生的热阻值，其初始值通过查找数据手册得到，之后可以通过神经网络模型进行修正。
步骤403、对电容热阻和功率损耗进行乘积运算处理，得到待测电解电容内部的温度值。
其中，待测电解电容内部的温度值T内部是待测电解电容在正常工作时，其内部损耗产生的温度值，可以通过公式(6)计算得到：
T内部＝PR (6)
本实施例中，根据待测电解电容的电流值和电压值，对待测电解电容的功率损耗进行计算，得到待测电解电容的功率损耗，并获取到待测电解电容对应的电容热阻，对电容热阻和功率损耗进行乘积运算处理，得到待测电解电容内部的温度值，计算过程简单，那么就可以提高对待测电解电容第二预测寿命值的计算效率，进而就可以提高电解电容寿命预测效率。
进一步地，根据待测电解电容的电流值和电压值，对待测电解电容的功率损耗进行计算，得到待测电解电容的功率损耗，获取待测电解电容对应的电容热阻，对电容热阻和功率损耗进行乘积运算处理，得到待测电解电容内部的温度值，由于内部温度值也会对待测电解电容的寿命产生影响，通过待测电解电容的电流值和电压值计算待测电解电容内部的温度值，将待测电解电容的电流值和电压值作为待测电解电容寿命预测时的输入参数，提高了待测电解电容寿命预测的准确性。
在一个实施例中，请参考图5，其示出了本申请实施例提供的一种电解电容寿命预测方法的流程图，本实施例涉及的是根据第一对比结果确定是否返回执行获取待测电解电容的相关电学参数的步骤的过程，该方法可以包括以下步骤：
步骤501、获取待测电解电容在初始化状态下的第一电容值以及待测电解电容在正常工作状态下的第二电容值。
其中，初始化状态为待测电解电容所在的电源系统在首次上电时的状态，也可以称为待测电解电容处于软启阶段的状态，此时，待测电解电容没有内部损耗，在这种情况下的待测电解电容的电容值即为第一电容值，正常工作状态为初始化状态结束之后，也就是软启阶段完成之后，待测电解电容开始正常工作时的状态，此时待测电解电容首次检测得到的电容值即为第二电容值。
第一电容值可以通过公式(7)计算得到，第二电容值可以通过公式(8)-公式(11)计算得到：
Figure BDA0002741637330000121
其中，Win为输入能量；
Figure BDA0002741637330000122
为输入平均功率；t为软启阶段的时间；u为采样时刻待测电解电容电压；i为采样时刻待测电解电容电流；U为软启完成后待测电解电容电压，C为第一电容值。
Figure BDA0002741637330000123
Figure BDA0002741637330000124
Figure BDA0002741637330000125
Figure BDA0002741637330000126
其中，如图6所示，其示出了待测电解电容并联等值电阻与相量图。δ为电解电容介质损耗角，可通过采样流入电容的总电流I以及电容电流的直流分量IR以及图6的相量图计算得到；i为待测电解电容的采样电流，u为待测电解电容的采样电压，i和u的表达式可以通过对多个采样值进行拟合后得到；ω为采样电压和采样电流的角频率；TCLK-TCLKold为采样电压和采样电流一个周期内的采样时间，可以通过一个周期内的采样点数与相邻采样点的采样间隔时间的乘积计算得到。
步骤502、根据第一电容值获得对应的第一寿命值，以及根据第二电容值获得对应的第二寿命值。
其中，可以通过寿命曲线得到第一寿命值和第二寿命值，寿命曲线包括待测电解电容在工作时所处环境的温度值、电流值、电压值以及电容值与寿命值的对应关系曲线。第一寿命值为第一电容值对应的待测电解电容的寿命值，可以通过查询数据手册中的寿命曲线得到第一寿命值，也就是，第一寿命值是待测电解电容在软启阶段没有内部损耗时的寿命值，可以将此时的寿命值作为待测电解电容的基准寿命值；第二寿命值为第二电容值对应的待测电解电容的寿命值，同样可以通过查询数据手册中的寿命曲线得到第二寿命值，也就是，第二寿命值是待测电解电容在正常工作状态下首次计算得到的寿命值，可以将此时的寿命值作为待测电解电容的实际寿命值。
步骤503、将第一寿命值和第二寿命值进行对比，得到第一对比结果，并根据第一对比结果确定是否返回执行获取待测电解电容的相关电学参数的步骤。
在本步骤中，在上述得到第一寿命值和第二寿命值之后，可以将两者进行对比得到第一对比结果。对比方式可以是对这两个值比大小的结果，比如第一寿命值大于第二寿命值，得到第一对比结果，第一寿命值不大于第二寿命值，得到第一对比结果，并根据对比结果确定是否返回执行获取待测电解电容的相关电学参数的步骤。当然，对比方式还可以是计算第一寿命值和第二寿命值的差值或差值绝对值，通过差值或差值绝对值与预设的寿命值阈值比较大小，得到第一对比结果，并根据对比结果确定是否返回执行获取待测电解电容的相关电学参数的步骤；当然，对比方式还可以是对第一寿命值和第二寿命值作商，并将商值和1比大小，得到第一对比结果，并根据对比结果确定是否返回执行获取待测电解电容的相关电学参数的步骤。
本实施例中，通过获取待测电解电容在初始化状态下的第一电容值以及待测电解电容在正常工作状态下的第二电容值，根据第一电容值获得对应的第一寿命值，以及根据第二电容值获得对应的第二寿命值，将第一寿命值和第二寿命值进行对比，得到第一对比结果，并根据第一对比结果确定是否返回执行获取待测电解电容的相关电学参数的步骤。通过将第一寿命值和第二寿命值进行对比，相当于是对待测电解电容的真实寿命值进行了修正，避免了在数据手册上给出的待测电解电容额定寿命值，由于生产差异导致额定寿命值不准确的情况。
在另一个实施例中，提供了获得第一对比结果的具体过程与得到第一对比结果后的过程。计算第一寿命值和第二寿命值之间的差值绝对值；将差值绝对值和预设的寿命误差阈值进行比较，得到第一对比结果。其中，差值绝对值是对第一寿命值和第二寿命值作差后的值取绝对值得到的，将差值绝对值和预设的寿命误差阈值进行比较，得到的第一对比结果可以为差值绝对值和预设的寿命误差阈值的差值后得到的结果。
计算第一寿命值和第二寿命值之间的差值绝对值；将差值绝对值和预设的寿命误差阈值进行比较，得到第一对比结果。可选的，在一种可实施的方式中，若第一对比结果为差值绝对值小于寿命误差阈值，则将第二寿命值确定为初始寿命值，并返回执行获取待测电解电容的相关电学参数的步骤。其中，初始寿命值是在第一对比结果为差值绝对值小于寿命误差阈值的情况下的第二寿命值，此时返回执行获取待测电解电容的相关电学参数的步骤。
在另一种可实施的方式中，若第一对比结果为差值绝对值不小于寿命误差阈值，则输出第二报警消息；第二报警消息用于指示待测电解电容在初始化状态下失效。其中，第二报警消息是在第一对比结果为差值绝对值不小于寿命误差阈值的情况下输出的报警消息，该第二报警消息可以由电源系统中的控制器以消息提示的形式或者报警声音的形式输出，该第二报警消息用于指示待测电解电容在初始化状态下失效。初始化状态就是上述在软启阶段的状态，为待测电解电容所在的电源系统在首次上电时的状态，这里的在初始化状态下失效指的是待测电解电容在出厂后就可能存在故障问题，从而认为此时该待测电解电容失效了。
本实施例中，计算第一寿命值和第二寿命值之间的差值绝对值；将差值绝对值和预设的寿命误差阈值进行比较，得到第一对比结果，计算过程简单，那么就可以提高对待测电解电容第一对比结果的计算效率，进而就可以提高电解电容寿命预测效率。若第一对比结果为差值绝对值小于寿命误差阈值，则将第二寿命值确定为初始寿命值，并返回执行获取待测电解电容的相关电学参数的步骤，通过将第一寿命值和第二寿命值进行对比，相当于是对待测电解电容的真实寿命值进行了修正，避免了在数据手册上给出的待测电解电容额定寿命值，由于生产差异导致额定寿命值不准确的情况。若第一对比结果为差值绝对值不小于寿命误差阈值，则输出第二报警消息；第二报警消息用于指示待测电解电容在初始化状态下失效，通过输出第二报警消息，可以通知操作人员及时更换失效的电解电容，从而保证整个电源系统的正常运行。
在其中一个实施例中，请参考图7，其示出了本申请实施例提供的一种电解电容寿命预测方法的流程图，本实施例涉及的是根据第二对比结果输出第一报警消息的过程，该方法可以包括以下步骤：
步骤701、根据初始寿命值，计算得到待测电解电容对应的寿命预警值。
其中，寿命预警值是待测电解电容正常使用的最大时长，可以根据初始寿命值来定义寿命预警值的大小。可以根据预设的百分比来计算，预设的百分比可以根据实际情况设定，例如可以为98％，例如，可以规定寿命预警值为初始寿命值的98％，当初始寿命值为1000小时，那么寿命预警值为980小时。
步骤702、将预测寿命值和寿命预警值进行对比，得到第二对比结果。
步骤703、若第二对比结果为预测寿命值不大于寿命预警值，则输出第一报警消息；第一报警消息用于指示待测电解电容在正常工作状态下失效。
其中，第二对比结果为预测寿命值与寿命预警值的比较结果，得到的第二对比结果可以包括预测寿命值大于寿命预警值、预测寿命值小于寿命预警值以及预测寿命值等于寿命预警值这三种情况。
其中，第一报警消息是在第二对比结果为预测寿命值不大于寿命预警值的情况下，输出的报警消息，该第一报警消息可以由电源系统中的控制器以消息提示的形式或者报警声音的形式输出。该第一报警消息用于指示待测电解电容在正常工作状态下失效，这里的失效指的是在经过一段时间的正常工作后，待测电解电容寿命值已经达到寿命预警值，此时需要更换电解电容来保证电源系统能够正常运行。
本实施例中，根据初始寿命值，计算得到待测电解电容对应的寿命预警值，将预测寿命值和寿命预警值进行对比，得到第二对比结果，若第二对比结果为预测寿命值不大于寿命预警值，则输出第一报警消息，通过神经网络模型预测出来的寿命值来实时监测待测电解电容是否失效，在失效时发出报警消息，可以提醒用户及时更换电解电容来保证电源系统能够正常运行，提高了电源系统运行的可靠性。并且，将第二寿命值作为初始寿命值，根据初始寿命值计算寿命预警值，相当于对待测电解电容的真实寿命值进行了修正的同时，可以提高对待测电解电容寿命预警的可靠性。
在其中一个实施例中，请参考图8，其示出了本申请实施例提供的一种电解电容寿命预测方法的流程图，该电解电容寿命预测方法可以应用于服务器中。如图8所示，该方法还包括以下步骤：
步骤801、获取待测电解电容在初始化状态下的第一电容值以及待测电解电容在正常工作状态下的第二电容值。
步骤802、根据第一电容值获得对应的第一寿命值，以及根据第二电容值获得对应的第二寿命值。
步骤803、计算第一寿命值和第二寿命值之间的差值绝对值。
步骤804、将差值绝对值和预设的寿命误差阈值进行比较，得到第一对比结果。
步骤805、若第一对比结果为差值绝对值小于寿命误差阈值，则将第二寿命值确定为初始寿命值，并执行步骤806。
步骤806、若第一对比结果为差值绝对值不小于寿命误差阈值，则输出第二报警消息。
步骤807、获取待测电解电容的相关电学参数。
步骤808、将待测电解电容的相关电学参数输入至神经网络模型中，在神经网络模型中根据预设的电解电容寿命曲线确定相关电学参数对应的第一预测寿命值。
步骤809、根据待测电解电容的电流值和电压值，对待测电解电容的功率损耗进行计算，得到待测电解电容的功率损耗。
步骤810、获取待测电解电容对应的电容热阻。
步骤811、对电容热阻和功率损耗进行乘积运算处理，得到待测电解电容内部的温度值。
步骤812、对待测电解电容所处环境的温度值和待测电解电容内部的温度值进行求幂运算处理，得到待测电解电容的第二预测寿命值。
步骤813、对第一预测寿命值和第二预测寿命值进行加权求和处理，得到待测电解电容的预测寿命值。
步骤814、根据初始寿命值，计算得到待测电解电容对应的寿命预警值。
步骤815、将预测寿命值和寿命预警值进行对比，得到第二对比结果。
步骤816、若第二对比结果为预测寿命值不大于寿命预警值，则输出第一报警消息。
在本申请实施例提供的技术方案中，由于可以采用神经网络模型同时对各个待测电解电容的相关电学参数进行处理得到对应的寿命预测值，其处理过程非常快，而不需要将电解电容拆解下来进行反复充放电得到其寿命预测值，因此，通过该方法对电解电容进行寿命预测可以提高电解电容的寿命预测效率。同时，采用该方法对电解电容的寿命进行预测，不需要对数据中心电源断电，从而就不会影响系统供电，保障系统的正常运行。另外，由于本方法采用的神经网络模型是通过多个样本电解电容的相关电学参数和标准寿命值进行训练得到的，因此得到的神经网络模型比较准确，这样在采用神经网络预测电解电容的寿命值时，预测得到的电解电容的寿命预测值也就比较准确。
应该理解的是，虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
请参考图9，其示出了本申请实施例提供的一种电解电容寿命预测装置90的框图，该电解电容寿命预测装置90可以配置于服务器中。如图9所示，该电解电容寿命预测装置90可以包括：第一获取模块91和确定模块92，其中：
第一获取模块91，用于获取待测电解电容的相关电学参数；相关电学参数用于表征待测电解电容在工作时的温度值和电容值；
确定模块92，用于将待测电解电容的相关电学参数输入至预设的神经网络模型中，通过神经网络模型对待测电解电容的相关电学参数进行处理，确定待测电解电容的预测寿命值；其中，神经网络模型是基于多个样本电解电容的相关电学参数和每个样本电解电容对应的标准寿命值进行训练得到的。
在其中一个实施例中，如图10所示，该确定模块92包括第一确定单元921、第二确定单元922和第三确定单元923，其中：
该第一确定单元921，用于将待测电解电容的相关电学参数输入至神经网络模型中，在神经网络模型中根据预设的电解电容寿命曲线确定相关电学参数对应的第一预测寿命值；
该第二确定单元922，用于对待测电解电容的温度值进行数学运算处理，确定待测电解电容的第二预测寿命值；
该第三确定单元923，用于根据第一预测寿命值和第二预测寿命值确定待测电解电容的预测寿命值；其中，电解电容寿命曲线为表征电解电容的相关电学参数以及寿命值之间对应关系的曲线。
在其中一个实施例中，待测电解电容在工作时的温度值包括待测电解电容所处环境的温度值和待测电解电容内部的温度值，上述第二确定单元还用于对待测电解电容所处环境的温度值和待测电解电容内部的温度值进行求幂运算处理，得到待测电解电容的第二预测寿命值。
在其中一个实施例中，待测电解电容的相关电学参数还包括待测电解电容的电流值和电压值，如图11所示，获取模块91包括第一计算单元911、获取单元912和运算单元913，其中：
该第一计算单元911，用于根据待测电解电容的电流值和电压值，对待测电解电容的功率损耗进行计算，得到待测电解电容的功率损耗；
该获取单元912，用于获取待测电解电容对应的电容热阻；
该运算单元913，用于对电容热阻和功率损耗进行乘积运算处理，得到待测电解电容内部的温度值。
在其中一个实施例中，第三确定单元923包括还用于对第一预测寿命值和第二预测寿命值进行加权求和处理，得到待测电解电容的预测寿命值。
在其中一个实施例中，请参考图12，其示出了本申请实施例提供的一种电解电容寿命预测装置120的框图，该电解电容寿命预测装置120可以配置于服务器中。如图12所示，该电解电容寿命预测装置120可以包括：第二获取模块121、获得模块122和第一对比模块123，其中：
第二获取模块121，用于获取待测电解电容在初始化状态下的第一电容值以及待测电解电容在正常工作状态下的第二电容值；
获得模块122，用于根据第一电容值获得对应的第一寿命值，以及根据第二电容值获得对应的第二寿命值；
第一对比模块123，用于将第一寿命值和第二寿命值进行对比，得到第一对比结果，并根据第一对比结果确定是否返回执行获取待测电解电容的相关电学参数的步骤。
在其中一个实施例中，如图13所示，第一对比模块123包括第二计算单元1231和对比单元1232，其中：
该第二计算单元1231，用于计算第一寿命值和第二寿命值之间的差值绝对值；
该对比单元1232，用于将差值绝对值和预设的寿命误差阈值进行比较，得到第一对比结果。
在其中一个实施例中，如图14所示，第一对比模块123还包括第四确定单元1233，其中：
该第四确定单元1233，用于若第一对比结果为差值绝对值小于寿命误差阈值，则将第二寿命值确定为初始寿命值，并返回执行获取待测电解电容的相关电学参数的步骤。
在其中一个实施例中，请参考图15，其示出了本申请实施例提供的一种电解电容寿命预测装置150的框图，该电解电容寿命预测装置150可以配置于服务器中。如图15所示，该电解电容寿命预测装置150可以包括：计算模块151、第二对比模块152和输出模块153，其中：
该计算模块151，用于根据初始寿命值，计算得到待测电解电容对应的寿命预警值；
该第二对比模块152，用于将预测寿命值和寿命预警值进行对比，得到第二对比结果；
该输出模块153，用于若第二对比结果为预测寿命值不大于寿命预警值，则输出第一报警消息；第一报警消息用于指示待测电解电容在正常工作状态下失效。
在其中一个实施例中，如图16所示，第一对比模块123还包括输出单元1234，其中：
该输出单元1234，用于若第一对比结果为差值绝对值不小于寿命误差阈值，则输出第二报警消息；第二报警消息用于指示待测电解电容在初始化状态下失效。
关于电解电容寿命预测装置的具体限定可以参见上文中对于电解电容寿命预测方法的限定，在此不再赘述。上述电解电容寿命预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块的操作。
在本申请的一个实施例中，提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待测电解电容的相关电学参数；相关电学参数用于表征待测电解电容在工作时的温度值和电容值；将待测电解电容的相关电学参数输入至预设的神经网络模型中，通过神经网络模型对待测电解电容的相关电学参数进行处理，确定待测电解电容的预测寿命值；其中，神经网络模型是基于多个样本电解电容的相关电学参数和每个样本电解电容对应的标准寿命值进行训练得到的。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：将待测电解电容的相关电学参数输入至神经网络模型中，在神经网络模型中根据预设的电解电容寿命曲线确定相关电学参数对应的第一预测寿命值，以及对待测电解电容的温度值进行数学运算处理，确定待测电解电容的第二预测寿命值，并根据第一预测寿命值和第二预测寿命值确定待测电解电容的预测寿命值；其中，电解电容寿命曲线为表征电解电容的相关电学参数以及寿命值之间对应关系的曲线。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：对待测电解电容所处环境的温度值和待测电解电容内部的温度值进行求幂运算处理，得到待测电解电容的第二预测寿命值。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：根据待测电解电容的电流值和电压值，对待测电解电容的功率损耗进行计算，得到待测电解电容的功率损耗；获取待测电解电容对应的电容热阻；对电容热阻和功率损耗进行乘积运算处理，得到待测电解电容内部的温度值。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：对第一预测寿命值和第二预测寿命值进行加权求和处理，得到待测电解电容的预测寿命值。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：获取待测电解电容在初始化状态下的第一电容值以及待测电解电容在正常工作状态下的第二电容值；根据第一电容值获得对应的第一寿命值，以及根据第二电容值获得对应的第二寿命值；将第一寿命值和第二寿命值进行对比，得到第一对比结果，并根据第一对比结果确定是否返回执行获取待测电解电容的相关电学参数的步骤。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：计算第一寿命值和第二寿命值之间的差值绝对值；将差值绝对值和预设的寿命误差阈值进行比较，得到第一对比结果。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：若第一对比结果为差值绝对值小于寿命误差阈值，则将第二寿命值确定为初始寿命值，并返回执行获取待测电解电容的相关电学参数的步骤。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：根据初始寿命值，计算得到待测电解电容对应的寿命预警值；将预测寿命值和寿命预警值进行对比，得到第二对比结果；若第二对比结果为预测寿命值不大于寿命预警值，则输出第一报警消息；第一报警消息用于指示待测电解电容在正常工作状态下失效。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：若第一对比结果为差值绝对值不小于寿命误差阈值，则输出第二报警消息；第二报警消息用于指示待测电解电容在初始化状态下失效。
本申请实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在本申请的一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待测电解电容的相关电学参数；相关电学参数用于表征待测电解电容在工作时的温度值和电容值；将待测电解电容的相关电学参数输入至预设的神经网络模型中，通过神经网络模型对待测电解电容的相关电学参数进行处理，确定待测电解电容的预测寿命值；其中，神经网络模型是基于多个样本电解电容的相关电学参数和每个样本电解电容对应的标准寿命值进行训练得到的。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：将待测电解电容的相关电学参数输入至神经网络模型中，在神经网络模型中根据预设的电解电容寿命曲线确定相关电学参数对应的第一预测寿命值，以及对待测电解电容的温度值进行数学运算处理，确定待测电解电容的第二预测寿命值，并根据第一预测寿命值和第二预测寿命值确定待测电解电容的预测寿命值；其中，电解电容寿命曲线为表征电解电容的相关电学参数以及寿命值之间对应关系的曲线。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：对待测电解电容所处环境的温度值和待测电解电容内部的温度值进行求幂运算处理，得到待测电解电容的第二预测寿命值。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据待测电解电容的电流值和电压值，对待测电解电容的功率损耗进行计算，得到待测电解电容的功率损耗；获取待测电解电容对应的电容热阻；对电容热阻和功率损耗进行乘积运算处理，得到待测电解电容内部的温度值。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：对第一预测寿命值和第二预测寿命值进行加权求和处理，得到待测电解电容的预测寿命值。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取待测电解电容在初始化状态下的第一电容值以及待测电解电容在正常工作状态下的第二电容值；根据第一电容值获得对应的第一寿命值，以及根据第二电容值获得对应的第二寿命值；将第一寿命值和第二寿命值进行对比，得到第一对比结果，并根据第一对比结果确定是否返回执行获取待测电解电容的相关电学参数的步骤。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算第一寿命值和第二寿命值之间的差值绝对值；将差值绝对值和预设的寿命误差阈值进行比较，得到第一对比结果。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：若第一对比结果为差值绝对值小于寿命误差阈值，则将第二寿命值确定为初始寿命值，并返回执行获取待测电解电容的相关电学参数的步骤。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据初始寿命值，计算得到待测电解电容对应的寿命预警值；将预测寿命值和寿命预警值进行对比，得到第二对比结果；若第二对比结果为预测寿命值不大于寿命预警值，则输出第一报警消息；第一报警消息用于指示待测电解电容在正常工作状态下失效。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：若第一对比结果为差值绝对值不小于寿命误差阈值，则输出第二报警消息；第二报警消息用于指示待测电解电容在初始化状态下失效。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (13)

1.一种电解电容寿命预测方法，其特征在于，所述方法包括：
获取待测电解电容的相关电学参数；所述相关电学参数用于表征所述待测电解电容在工作时的温度值和电容值；
将所述待测电解电容的相关电学参数输入至预设的神经网络模型中，通过所述神经网络模型对所述待测电解电容的相关电学参数进行处理，确定所述待测电解电容的预测寿命值；
其中，所述神经网络模型是基于多个样本电解电容的相关电学参数和每个样本电解电容对应的标准寿命值进行训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述将所述待测电解电容的相关电学参数输入至预设的神经网络模型中，通过所述神经网络模型对所述待测电解电容的相关电学参数进行处理，确定所述待测电解电容的预测寿命值，包括：
将所述待测电解电容的相关电学参数输入至所述神经网络模型中，在所述神经网络模型中根据预设的电解电容寿命曲线确定所述相关电学参数对应的第一预测寿命值，以及对所述待测电解电容的温度值进行数学运算处理，确定所述待测电解电容的第二预测寿命值，并根据所述第一预测寿命值和所述第二预测寿命值确定所述待测电解电容的预测寿命值；
其中，所述电解电容寿命曲线为表征电解电容的相关电学参数以及寿命值之间对应关系的曲线。
3.根据权利要求2所述的方法，其特征在于，所述待测电解电容在工作时的温度值包括所述待测电解电容所处环境的温度值和所述待测电解电容内部的温度值，所述对所述待测电解电容的温度值进行数学运算处理，确定所述待测电解电容的第二预测寿命值，包括：
对所述待测电解电容所处环境的温度值和所述待测电解电容内部的温度值进行求幂运算处理，得到所述待测电解电容的第二预测寿命值。
4.根据权利要求3所述的方法，其特征在于，所述待测电解电容的相关电学参数还包括所述待测电解电容的电流值和电压值，所述待测电解电容内部的温度值的获取方式包括：
根据所述待测电解电容的电流值和电压值，对所述待测电解电容的功率损耗进行计算，得到所述待测电解电容的功率损耗；
获取所述待测电解电容对应的电容热阻；
对所述电容热阻和所述功率损耗进行乘积运算处理，得到所述待测电解电容内部的温度值。
5.根据权利要求2-4任意一项所述的方法，其特征在于，所述根据所述第一预测寿命值和所述第二预测寿命值确定所述待测电解电容的预测寿命值，包括：
对所述第一预测寿命值和所述第二预测寿命值进行加权求和处理，得到所述待测电解电容的预测寿命值。
6.根据权利要求1-4任意一项所述的方法，其特征在于，在所述获取待测电解电容的相关电学参数之前，所述方法还包括：
获取所述待测电解电容在初始化状态下的第一电容值以及所述待测电解电容在正常工作状态下的第二电容值；
根据所述第一电容值获得对应的第一寿命值，以及根据所述第二电容值获得对应的第二寿命值；
将所述第一寿命值和所述第二寿命值进行对比，得到第一对比结果，并根据所述第一对比结果确定是否返回执行所述获取待测电解电容的相关电学参数的步骤。
7.根据权利要求6所述的方法，其特征在于，所述将所述第一寿命值和所述第二寿命值进行对比，得到第一对比结果，包括：
计算所述第一寿命值和所述第二寿命值之间的差值绝对值；
将所述差值绝对值和预设的寿命误差阈值进行对比，得到所述第一对比结果。
8.根据权利要求7所述的方法，其特征在于，所述根据所述第一对比结果确定是否返回执行所述获取待测电解电容的相关电学参数的步骤，包括：
若所述第一对比结果为所述差值绝对值小于所述寿命误差阈值，则将所述第二寿命值确定为初始寿命值，并返回执行所述获取待测电解电容的相关电学参数的步骤。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
根据所述初始寿命值，计算得到所述待测电解电容对应的寿命预警值；
将所述预测寿命值和所述寿命预警值进行对比，得到第二对比结果；
若所述第二对比结果为所述预测寿命值不大于所述寿命预警值，则输出第一报警消息；所述第一报警消息用于指示所述待测电解电容在正常工作状态下失效。
10.根据权利要求7所述的方法，其特征在于，所述根据所述第一对比结果确定是否返回执行所述获取待测电解电容的相关电学参数的步骤，包括：
若所述第一对比结果为所述差值绝对值不小于所述寿命误差阈值，则输出第二报警消息；所述第二报警消息用于指示所述待测电解电容在初始化状态下失效。
11.一种电解电容寿命预测装置，其特征在于，所述装置包括：
获取模块，用于获取待测电解电容的相关电学参数；所述相关电学参数用于表征所述待测电解电容在工作时的温度值和电容值；
确定模块，用于将所述待测电解电容的相关电学参数输入至预设的神经网络模型中，通过所述神经网络模型对所述待测电解电容的相关电学参数进行处理，确定所述待测电解电容的预测寿命值；其中，所述神经网络模型是基于多个样本电解电容的相关电学参数和每个样本电解电容对应的标准寿命值进行训练得到的。
12.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至10任一项所述的方法的步骤。
13.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至10任一项所述的方法的步骤。
CN202011152656.7A 2020-10-26 电解电容寿命预测方法、装置、设备及存储介质 Active CN112182981B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011152656.7A CN112182981B (zh) 2020-10-26 电解电容寿命预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011152656.7A CN112182981B (zh) 2020-10-26 电解电容寿命预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112182981A true CN112182981A (zh) 2021-01-05
CN112182981B CN112182981B (zh) 2024-07-05

Family

ID=

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191410A (zh) * 2021-04-21 2021-07-30 哈尔滨工业大学（深圳） 一种线性电源使用寿命预测的方法、系统及存储介质
WO2022248532A1 (en) * 2021-05-25 2022-12-01 Danmarks Tekniske Universitet Data-driven and temperature-cycles based remaining useful life estimation of an electronic device

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120071600A (ko) * 2010-12-23 2012-07-03 (주)티메이트 배터리 수명 예측 장치
CN103675533A (zh) * 2013-11-28 2014-03-26 华为技术有限公司 直流母线电解电容寿命检测方法和装置
CN106597176A (zh) * 2016-12-30 2017-04-26 北京金风科创风电设备有限公司 电解电容器剩余寿命的预测方法及系统
CN108615088A (zh) * 2016-12-13 2018-10-02 财团法人工业技术研究院 机台零件剩余寿命的预测系统与预测方法
CN110750852A (zh) * 2019-08-12 2020-02-04 青岛大学 一种超级电容器的剩余使用寿命预测方法、装置及电子设备
CN111090017A (zh) * 2019-12-27 2020-05-01 珠海汇众能源科技有限公司 一种预估变频器电容寿命的方法
CN111414709A (zh) * 2020-04-14 2020-07-14 上海交通大学 一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法
WO2020157919A1 (ja) * 2019-01-31 2020-08-06 三菱電機株式会社 機械学習装置、およびモータ制御システム
KR20200102170A (ko) * 2019-02-21 2020-08-31 엘에스일렉트릭(주) 잔존수명 예측 장치, 방법 및 전원공급장치

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120071600A (ko) * 2010-12-23 2012-07-03 (주)티메이트 배터리 수명 예측 장치
CN103675533A (zh) * 2013-11-28 2014-03-26 华为技术有限公司 直流母线电解电容寿命检测方法和装置
CN108615088A (zh) * 2016-12-13 2018-10-02 财团法人工业技术研究院 机台零件剩余寿命的预测系统与预测方法
CN106597176A (zh) * 2016-12-30 2017-04-26 北京金风科创风电设备有限公司 电解电容器剩余寿命的预测方法及系统
WO2020157919A1 (ja) * 2019-01-31 2020-08-06 三菱電機株式会社 機械学習装置、およびモータ制御システム
KR20200102170A (ko) * 2019-02-21 2020-08-31 엘에스일렉트릭(주) 잔존수명 예측 장치, 방법 및 전원공급장치
CN110750852A (zh) * 2019-08-12 2020-02-04 青岛大学 一种超级电容器的剩余使用寿命预测方法、装置及电子设备
CN111090017A (zh) * 2019-12-27 2020-05-01 珠海汇众能源科技有限公司 一种预估变频器电容寿命的方法
CN111414709A (zh) * 2020-04-14 2020-07-14 上海交通大学 一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
时清华: "电容器故障在线监测及剩余寿命预测系统设计", 《中国优秀硕士论文全文数据库》, pages 25 - 29 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191410A (zh) * 2021-04-21 2021-07-30 哈尔滨工业大学（深圳） 一种线性电源使用寿命预测的方法、系统及存储介质
WO2022248532A1 (en) * 2021-05-25 2022-12-01 Danmarks Tekniske Universitet Data-driven and temperature-cycles based remaining useful life estimation of an electronic device

Similar Documents

Publication Publication Date Title
JP7266587B2 (ja) 再充電可能なバッテリを制御するための方法およびシステム
JP5936711B2 (ja) 蓄電デバイスの寿命予測装置及び蓄電デバイスの寿命予測方法
US10620275B2 (en) State estimation of an energy system
US20200363480A1 (en) Method and assessment unit for determining the remaining service life of a capacitor, and system
KR102122580B1 (ko) 커패시터 수명 산정 방법 및 장치
CN110224461B (zh) 电池功率限制方法、装置、计算机设备和存储介质
JP2020125968A (ja) 電池劣化診断装置、電池劣化解析回路及び電池劣化診断プログラム
CN115656673A (zh) 变压器数据的处理及装置、设备存储介质
CN110677056A (zh) 具有电解电容器的电源装置
CN115238831A (zh) 故障预测方法、装置、计算机设备、存储介质和程序产品
JP6541412B2 (ja) 充電率算出方法及び充電率算出装置
CN111413564B (zh) 一种超级电容器失效预警方法、系统以及设备
CN108471114B (zh) 输电线路状态评价方法、装置、计算机设备及存储介质
CN110544031B (zh) 电能表可靠度预计方法、装置、计算机设备和存储介质
CN114266284A (zh) 开关柜绝缘缺陷类型检测方法、装置、设备和程序产品
CN112182981B (zh) 电解电容寿命预测方法、装置、设备及存储介质
CN112182981A (zh) 电解电容寿命预测方法、装置、设备及存储介质
CN109375145B (zh) 基于三相三线表计设备的失压故障监测方法和装置
CN114065681A (zh) Emc等效电路建模方法、系统和计算机设备
JP2018169284A (ja) 蓄電池制御装置および制御方法
CN115754780A (zh) 电池电芯寿命修正方法、装置及电子设备、存储介质
CN109375144B (zh) 基于三相四线表计设备的失流故障监测方法和装置
CN113125965B (zh) 电池析锂检测方法、装置、设备及存储介质
CN109193563B (zh) 基于三相三线表计设备的失流故障监测方法和装置
CN114444306A (zh) 一种基于充电模块任务剖面的铝电解电容寿命预测方法

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
CB02 Change of applicant information

Address after: 472000 Hubin Industrial Park, Sanmenxia City, Henan Province

Applicant after: Yishite Energy Storage Technology Co.,Ltd.

Address before: 472000 Jiaokou Industrial Park, Hubin District, Sanmenxia City, Henan Province

Applicant before: Yishite energy storage technology (Henan) Co.,Ltd.

Address after: 472000 Jiaokou Industrial Park, Hubin District, Sanmenxia City, Henan Province

Applicant after: Yishite energy storage technology (Henan) Co.,Ltd.

Address before: 472000 Jiaokou Industrial Park, Hubin District, Sanmenxia City, Henan Province

Applicant before: Easite group (Henan) Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant