CN112559279A - 不间断电源系统故障预测方法、设备和计算机可读存储介质 - Google Patents
不间断电源系统故障预测方法、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN112559279A CN112559279A CN202011243577.7A CN202011243577A CN112559279A CN 112559279 A CN112559279 A CN 112559279A CN 202011243577 A CN202011243577 A CN 202011243577A CN 112559279 A CN112559279 A CN 112559279A
- Authority
- CN
- China
- Prior art keywords
- power supply
- supply system
- uninterruptible power
- current
- early warning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000036541 health Effects 0.000 claims abstract description 161
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000012423 maintenance Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 239000003990 capacitor Substances 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000012800 visualization Methods 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 2
- 238000001816 cooling Methods 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000015778 Undifferentiated pleomorphic sarcoma Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000004402 ultra-violet photoelectron spectroscopy Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Stand-By Power Supply Arrangements (AREA)
Abstract
本申请涉及电力电子设备领域,提供了不间断电源系统故障预测方法、装置、设备和计算机可读存储介质,以排除不间断电源系统的潜在风险。所述方法包括:实时处理不间断电源系统各传感器件获取的数据参量,得到不间断电源系统当前时刻数据参量;当当前时刻数据参量的值超过预设阈值时,根据当前时刻数据参量的不同确定相应的预警状态;根据预设评估指标、当前时刻数据参量及其相应的预警状态,确定不间断电源系统的当前健康等级;以当前时刻数据参量、预警状态和当前健康等级作为故障预测算法模型的输入,预测不间断电源系统发生故障的概率;根据不间断电源系统发生故障的概率和当前健康等级,确定对不间断电源系统将要采取的检修维护策略。
Description
技术领域
本发明涉及电力电子设备领域,特别涉及一种不间断电源系统故障预测方法、设备和计算机可读存储介质。
背景技术
在信息时代,不间断电源系统(Uninterruptible Power System,UPS),是一种含有储能装置,以逆变器为主要组成部分的恒压恒频的不间断电源,主要用于给单台计算机、计算机网络系统或其它电力电子设备提供不间断的电力供应。UPS是在工业、医疗、军事等重点领域下保障电力正常供应、为设备持续供电的重要设备,其健康状态也是涉及供电系统安全、可靠性问题的关键因素之一。
目前,业界保障供电系统安全性和可靠性的方案主要是依靠对UPS当前状态监测或周期性检查,无法从根本上提高供电系统的安全性和可靠性。然而,仅仅依靠对当前状态监测或周期检查,只能满足对当下的安全可靠性要求,并不具有预测性,因此,风险依然存在。
发明内容
本申请提供一种不间断电源系统故障预测方法、设备和计算机可读存储介质,以排除不间断电源系统的潜在风险,提升供电系统的安全可靠性。
一方面,本申请提供了一种不间断电源系统故障预测方法,包括:
实时处理不间断电源系统各传感器件获取的数据参量,得到所述不间断电源系统当前时刻数据参量;
当所述当前时刻数据参量的值超过预设阈值时,根据所述当前时刻数据参量的不同确定相应的预警状态;
根据预设评估指标、所述当前时刻数据参量及其相应的预警状态,确定所述不间断电源系统的当前健康等级;
以所述当前时刻数据参量、预警状态和当前健康等级作为故障预测算法模型的输入,预测所述不间断电源系统发生故障的概率,所述故障预测算法模型为对深度信念网络并结合相关向量机训练得到;
根据所述不间断电源系统发生故障的概率和健康等级,确定对所述不间断电源系统将要采取的检修维护策略。
另一方面,本申请提供了一种不间断电源系统故障预测装置,包括:
实时处理模块,用于实时处理不间断电源系统各传感器件获取的数据参量,得到所述不间断电源系统当前时刻数据参量;
预定状态获取模块,用于当所述当前时刻数据参量的值超过预设阈值时,根据所述当前时刻数据参量的不同确定相应的预警状态;
健康等级确定模块,用于根据预设评估指标、所述当前时刻数据参量及其相应的预警状态,确定所述不间断电源系统的当前健康等级;
故障预测模块,用于以所述当前时刻数据参量、预警状态和当前健康等级作为故障预测算法模型的输入,预测所述不间断电源系统发生故障的概率,所述故障预测算法模型为对深度信念网络并结合相关向量机训练得到;
策略确定模块,用于根据所述不间断电源系统发生故障的概率和当前健康等级,确定对所述不间断电源系统将要采取的检修维护策略。
第三方面,本申请提供了一种设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述技术方案的方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质,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上述技术方案的方法的步骤。
从上述本申请提供的技术方案可知,通过实时处理不间断电源系统各传感器件获取的数据参量,继而确定不间断电源系统当前预警状态和当前健康等级,然后根据当前时刻数据参量、预警状态和当前健康等级预测不间断电源系统发生故障的概率,最后根据不间断电源系统发生故障的概率和健康等级,对不间断电源系统将要采取的检修维护策略。相比于现有技术依靠对UPS当前状态监测或周期性检查而无法保障供电系统安全、可靠性,本申请的技术方案依赖于深度学习网络,能够对不间断电源系统可能发生的故障进行预测,从而排除不间断电源系统的潜在风险,提升了供电系统的安全可靠性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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他的附图。
图1是本申请实施例提供的不间断电源系统故障预测方法的流程图。
图2是本申请实施例提供的不间断电源系统故障预测装置的结构示意图。
图3是本申请实施例提供的设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本说明书中,诸如第一和第二这样的形容词仅可以用于将一个元素或动作与另一元素或动作进行区分,而不必要求或暗示任何实际的这种关系或顺序。在环境允许的情况下,参照元素或部件或步骤(等)不应解释为局限于仅元素、部件、或步骤中的一个,而可以是元素、部件、或步骤中的一个或多个等。
在本说明书中,为了便于描述,附图中所示的各个部分的尺寸并不是按照实际的比例关系绘制的。
本申请提出了一种不间断电源系统故障预测方法,如附图1所示,主要包括步骤S101至S105,详述如下:
步骤S101:实时处理不间断电源系统UPS各传感器件获取的数据参量,得到UPS当前时刻数据参量。
UPS包括各种传感器件,这些传感器件获取的数据参量可能是不能由计算机直接处理的模拟数据,因此,对于这些模拟数据,可以先进行初步处理,然后交由计算机处理。具体地,步骤S101的实现可以是:将UPS各传感器件中当前时刻电学传感器和红外温度传感器获取的数据参量进行数字化操作,得到数字化数据,对这些数字化数据和各传感器中视觉传感器获取的数据参量进行可视化,得到可视化的当前时刻数据参量。其中,电学传感器获取的数据参量包括输入断路器的过载整定电流Ir和短路整定电流Im、UPS输出端的零地线电压UNE、UPS的输入电压Ui、每块电池放电时的端电压Ue、电池的内阻Rr以及电容器的等效串联电阻ESR,等等;红外温度传感器获取的数据参量包括UPS内部组件温度Ti、冷却风机轴承温度Tf和环境温度Ta,等等;而视觉传感器获取的数据参量包括监测UPS内部组件模块连接是否稳固、金属元件氧化状况、变压器、电容器外观是否正常以及冷却风机的洁净程度,等等。在本申请实施例中,可对电学传感器和红外温度传感器获取的数据参量进行滤波、模拟-数字转换和传输等操作,得到相应的数字化数据,而视觉传感器获取的数据参量本身不是模拟数据,因此,对视觉传感器获取的数据参量可直接继续进行可视化操作,得到可视化的当前时刻数据参量。
步骤S102:当UPS当前时刻数据参量的值超过预设阈值时,根据UPS当前时刻数据参量的不同确定相应的预警状态。
如前所述,当前时刻数据参量包括当前时刻上下线断路器的过载整定电流和短路整定电流的比值ratio、不间断电源系统输出端的零地线电压UNE、不间断电源系统每块电池的内阻Rr以及每块电池放电时的端电压Ue,等等。为了确定UPS当前时刻不同数据参量相应的预警状态,可以预设一个阈值,该预设阈值实际是UPS各数据参量的正常变化范围,其可以根据UPS的特征和历史数据规律确定。一旦UPS某个时刻数据参量的值超过了该预设阈值,则说明UPS可能发生了异常,进而对该异常进行预警。本申请实施例提供了根据经步骤S101获取的UPS当前时刻数据参量,确定相应的三种预警状态,说明如下:
1)第一预警状态SW1:当ratio<1.6时,确定上下线断路器存在问题,发出第一预警状态SW1相应的值,即根据经验公式,将比值ratio的阈值确定为1.6,一旦当前时刻,电学传感器采集到的过载整定电流Ir和短路整定电流Im的比值即小于1.6,则确定上下线断路器出现异常,发出第一预警状态SW1,其公式化表示如下:
2)当UNE>2伏特时,确定不间断电源系统输出端的零地线存在问题,发出第二预警状态SW2相应的值,即根据行业国家标准(GB 50174-2008),将UPS输出端的零地线电压UNE的阈值确定为2V(伏特),一旦当前时刻,UPS输出端的零地线电压UNE大于2V,则确定UPS输出端的零地线可能异常,发出第二预警状态SW2,其公式化表示如下:
3)当Rr<8(1+ε)毫欧或Ue<9(1+ε)伏特时,确定不间断电源系统的电池存在问题,发出第三预警状态SW3相应的值,即一般认为对于65Ah的电池,电池内阻Rr小于8毫欧或者每块电池放电时的端电压Ue小于9伏特时,认为电池已经损坏,发出第三预警状态SW3相应的值,其公式化表示如下。
其中,ε为设定余量,其值可以为10%。
步骤S103:根据预设评估指标、UPS当前时刻数据参量及其相应的预警状态,确定不间断电源系统的当前健康等级。
如前所述,不间断电源系统各传感器件能够实时获取UPS电池当前时刻端电压、UPS电容器的感抗、容抗、当前阻抗、等效串联电阻ESR以及UPS内部组件温度Ti、冷却风机轴承温度Tf和环境温度Ta,等等数据参量,都能反映这些器件中任何一个器件当前的健康等级,而器件的健康等级也能反映为不间断电源系统的健康等级。同样地,由于第一预警状态SW1、第二预警状态SW2和第三预警状态SW3也指示了UPS上下线断路器、电池以及输出端等异常,因此,计数周期内第一预警状态SW1、第二预警状态SW2和第三预警状态SW3发生的频率freq(i,j)亦能反映不间断电源系统的当前健康等级。基于上述事实,可以通过计算上述数据参量中任何一个数据参量的相关值和/或第一预警状态SW1、第二预警状态SW2和第三预警状态SW3在当前计数周期发生的频率freq(i,j),结合预设评估指标可以确定不间断电源系统的健康等级,具体如下(1)至(4)所述:
(1)计算UPS电池当前时刻端电压相对于上一时刻端电压的相对电压差RelU,按照相对电压差RelU所处预设阈值的范围,确定不间断电源系统的当前健康等级。具体地:设当前时刻所采集的每块UPS电池的端电压为上一时刻所采集的每块电池的端电压为相对电压差RelU计算如下:
若将UPS电池的健康等级从高到低依次分为A、B、C和F四个等级,则可按照如下方式确定UPS电池当前时刻的健康等级:即,若a1≤RelU<a2,则认为UPS电池存在问题,应将UPS电池从当前时刻前一时刻的健康等级下降一个等级,例如,当前时刻前一时刻的健康等级为A,则当前时刻的健康等级为B;若a2≤RelU<a3,则认为该电池存在异常,应将UPS电池从当前时刻前一时刻的健康等级下降两个等级,例如,当前时刻前一时刻的健康等级为A,则当前时刻的健康等级为C;若RelU>a3,则认为UPS电池已损坏,确定该电池当前时刻的健康等级为F等级即故障等级。作为一个实施例,上述a1、a2和a3分别可取为12%、15%和20%。当确定了UPS电池的当前健康等级,就确定了UPS的当前健康等级,即认为UPS电池的当前健康等级是UPS的当前健康等级。
(2)计算不间断电源系统的电容器阻抗变化度VarZ,按照电容器阻抗变化度VarZ所处预设阈值的范围,确定不间断电源系统的当前健康等级。具体地:UPS电容器的容抗和感抗分别记为XC和XL,UPS电容器的阻抗的初始值记为Zini,UPS电容器的等效串联电阻记为ESR,UPS电容器的当前阻抗记为Zt,UPS的电容器阻抗变化度记为VarZ,则:
由于一般情况下,随着使用时间的增长或电流频率增大等情况,电容器的阻抗会逐渐上升,因此,若将UPS电容器的健康等级从高到低依次分为A、B、C和F四个等级,则可按照如下方式确定UPS电容器当前时刻的健康等级,即:若VarZ>b1,则认为UPS电容器的性能发生退化,应将UPS电容器从当前时刻前一时刻的健康等级下降一个等级,例如,当前时刻前一时刻的健康等级为A,则当前时刻的健康等级为B;若VarZ>b2,则认为UPS电容器的性能发生退化严重,应将UPS电容器从当前时刻前一时刻的健康等级下降两个等级,例如,当前时刻前一时刻的健康等级为A,则当前时刻的健康等级为C;若VarZ>b3,则认为UPS电容器已经达到终止使用的标准,因此,UPS电容器当前时刻的健康等级为F等级即故障级。上述实施例中,b3>b2>b1。作为本申请一个实施例,b1、b2和b3分别可取为1.5、2和3。当确定了UPS电容器的当前健康等级,就确定了UPS的当前健康等级,即认为UPS电容器的当前健康等级是UPS的当前健康等级。
(3)根据红外温度传感器获取的数据参量和相邻采样周期不间断电源系统的温度变化值,计算不间断电源系统的温度变化指标ρ,按照不间断电源系统的温度变化指标ρ所处预设阈值的范围,确定不间断电源系统的当前健康等级。
如前所述,红外温度传感器获取的数据参量包括UPS内部组件温度Ti、冷却风机轴承温度Tf和环境温度Tα,等等,则UPS的温度变化指标ρ计算方式如下:
其中,ΔT为当前时刻的采样周期与上一个采样周期的UPS内部组件温度变化量,并且,当min(Ti,Tf)=Ti时,ΔT=Ti t-Ti t-1,当min(Ti,Tf)=Tf时,其中,Ti t为当前时刻的采样周期UPS内部组件温度,Ti t-1为当前时刻采样周期上一个采样周期的UPS内部组件温度,为当前时刻的采样周期冷却风机轴承温度,为当前时刻采样周期上一个采样周期冷却风机轴承温度。若将UPS内部组件或冷却风机轴承的健康等级从高到低依次分为A、B、C和F四个等级,则可按照如下方式确定UPS内部组件或冷却风机轴承当前时刻的健康等级,即:若c1≤ρ≤c2,则认为UPS内部组件或冷却风机轴承当前时刻性能较优,保持当前健康等级不变;若c0<ρ<c1或c2<ρ<c3,则认为UPS内部组件或冷却风机轴承温度发生较大变化,应将UPS内部组件或冷却风机轴承从当前时刻前一时刻的健康等级下降一个等级,例如,当前时刻前一时刻的健康等级为A,则当前时刻的健康等级为B;若ρ≤c0或ρ≥c3,则认为UPS内部组件或冷却风机轴承的温度发生很大变化,应将UPS内部组件或冷却风机轴承从当前时刻前一时刻的健康等级下降两个等级,例如,当前时刻前一时刻的健康等级为A,则当前时刻的健康等级为C,或将UPS内部组件或冷却风机轴承的健康等级确定为F等级即故障级。上述实施例中,c3>c2>c1>c0。作为本申请一个实施例,c0、c1、c2和c3分别可取为0.7、0.9、1.2和1.4。当确定了UPS内部组件或冷却风机轴承的当前健康等级,就确定了UPS的当前健康等级,即认为UPS内部组件或冷却风机轴承的当前健康等级是UPS的当前健康等级。
(4)计算当前计数周期第一预警状态SW1、第二预警状态SW2和第三预警状态SW3发生的频率freq(i,j),根据当前计数周期第一预警状态SW1、第二预警状态SW2和第三预警状态SW3发生的频率freq(i,j)与之前连续若干计数周期第一预警状态SW1、第二预警状态SW2和第三预警状态SW3发生的频率的关系,确定不间断电源系统的当前健康等级。
如前所述,由于第一预警状态SW1、第二预警状态SW2和第三预警状态SW3指示了UPS上下线断路器、电池以及输出端等异常,因此,计数周期内第一预警状态SW1、第二预警状态SW2和第三预警状态SW3发生的频率freq(i,j)亦能反映不间断电源系统的当前健康等级。具体而言,以m表示UPS的数量(单位为台、个或件等),以表示在一个计数周期(例如,30个自然日)内第i台UPS发生预警状态SWj(其中,下标j取1、2或3)的次数,则freq(i,j)表达为:
则UPS的当前健康等级的确定方案如下:若当前计数周期内的freq(i,j)大于以往连续两个计数周期内的freq(i,j),则应将UPS从当前计数周期前一计数周期的健康等级下降一个等级,例如,当前计数周期前一计数周期的健康等级为A,则当前计数周期的健康等级为B;若当前计数周期内的freq(i,j)大于以往连续三个计数周期内的freq(i,j),则应将UPS从当前计数周期前一计数周期的健康等级下降两个等级,例如,当前计数周期前一计数周期的健康等级为A,则当前计数周期的健康等级为C;若当前计数周期内的freq(i,j)大于以往连续四个计数周期内的freq(i,j),则确定当前计数周期UPS的健康等级为F等级即故障级。
需要说明的是,上述(1)至(4)是“和/或”的关系,即,只要(1)至(4)中任何一个或几个的健康等级出现,即可确定UPS的当前健康等级,并且,在几个健康等级同时出现时,以最高健康等级确定UPS的当前健康等级,例如,经(1)确定UPS的当前健康等级是A,而经(2)、(3)或(4)得出UPS的当前健康等级是C,则确定UPS的当前健康等级是C。
步骤S104:以UPS当前时刻数据参量、预警状态和不间断电源系统的当前健康等级作为故障预测算法模型的输入,预测不间断电源系统发生故障的概率,其中,故障预测算法模型为对深度信念网络并结合相关向量机训练得到。
在本申请实施例中,故障预测算法模型是深度信念网络(Deep Belief Network,DBN)并结合相关向量机(Relevance Vector Machine,RVM)训练得到,或者,故障预测算法模型实际是对DBN和RVN这两个模型训练得到,故障预测算法模型的训练实际包含训练阶段和测试阶段(或验证阶段)两个阶段。两个阶段完成后,模型的参数就确定下来,可以用于预测不间断电源系统发生故障的概率。在说明故障预测算法模型的训练方案之前,先对DBN和RVN做相关介绍。
DBN实际是由两个多层前馈神经网络受限玻尔兹曼机(Restricted BoltzmannMachines,RBM)构成,每个RBM包含可视层(Visible Layer)和隐藏层(Hidden Layer),输入数据首先输入至第一个RBM的可视层,由第一个RBM的隐藏层根据连接权重负责提取特征,并将其传入第二个RBM的可视层,最终由第二个RBM的隐藏层输出预测结果,而RVM是基于支持向量机(Support Vector Machine,SVM)的一种改进算法,可以计算输出的概率分布,无需经过交叉验证就可得到超参数,核函数可以任意选取而不必正定化,所得到的解更为稀疏。
RVM模型的表达式定义为:
对于UPS的故障预测问题,实际上可看成是分类问题,即解目标值是偏向于0还是1,对应UPS偏向于正常还是故障这两个类别的概率。参数权重值矩阵ωT中的参数权重值ω可通过高斯分布先验概率引入,每个参数权重值ωi有其对应的超参数αi,ω的高斯先验分布概率p(ω,α)以及超参数α的更新公式如下,其中N(·)表示高斯分布:
最终,通过求解以下对数似然函数ln p(obj|α)得到目标值obj的最优解。若求解出来目标值obj越接近1,说明今后UPS发生故障的概率越大,以此得到UPS故障的预测值:
上述对数似然函数ln p(obj|α)中,K表示参数权重值ωi的个数,矩阵C=B+ΦαIΦT,B是K×K阶的方阵,B中的元素为yi(1-yi),i=1,2,…,K,Φ为核函数构成的矩阵,I为单位矩阵,定义
由上述说明可知,当通过对故障预测算法模型或RVM模型的训练,确定出权重参数、超参数等之后,将数据参量、预警状态和健康等级等作为故障预测算法模型的输入,求解对数似然函数lnp(obj|α),得到目标值obj的最优解,归一化该最优解,就得到不间断电源系统发生故障的概率。
如前所述,故障预测算法模型的训练实际包含训练阶段和测试阶段(或验证阶段)两个阶段,其中,训练阶段包括通过无监督学习,使用DBN模型提取数据(即包含UPS当前时刻数据参量、预警状态和不间断电源系统的当前健康等级等)的高维特征作为模型的输入;通过与输入数据的真实值进行比较,得到差异值(即损失值loss)后进行后向传播,对模型权重进行调整;由DBN模型的输出作为RVM模型的输入量,同样通过后向传播最小化预测值与真实值之间的差异值(即损失值loss),在测试阶段,可将测试数据输入训练阶段得到的故障预测算法模型,其输出作为预测值;利用平均相对误差(Mean Relative Error,MRE)和均方根误差(Root Mean Squared Error,RMSE)计算预测值与真实值之间的差异值(即损失值loss);若差异值在可接受范围内(即差异值小于预设阈值),则可将此时的故障预测算法模型作为预测UPS故障发生率的模型,否则,调整该故障预测算法模型的参数权重值后,继续对该故障预测算法模型进行训练,直至达到目标要求(即真实值与故障预测算法模型输出的预测值的差异值小于预设阈值)。
上述MRE和RMSE的计算方法为公知方法,计算公式分别如下:
步骤S105:根据不间断电源系统发生故障的概率和当前健康等级,确定对不间断电源系统将要采取的检修维护策略。
作为本申请一个实施例,根据不间断电源系统发生故障的概率和当前健康等级,确定对不间断电源系统将要采取的检修维护策略可通过如下步骤S1051至步骤S1052实现,说明如下:
步骤S1051:设定与不间断电源系统的健康等级对应的检修频率f(N),其中,f(N)=(N+1)f(T)+ξ,N的取值与不间断电源系统的健康等级对应,f(T)为时间段T内定期人工检修频率,ξ为在当前时间段的上一时间段T内不间断电源系统的健康等级发生降级的次数。
按照前述实施例的描述,不间断电源系统的健康等级可分为A、B、C和F四个等级,N的取值与不间断电源系统的健康等级对应,具体为:当不间断电源系统的健康等级为A时,N=0;当不间断电源系统的健康等级为B时,N=1;当不间断电源系统的健康等级为C时,N=2。因此,当不间断电源系统的健康等级分别为A、B和C时,对应f(N)的分别为f(0)=f(T)ξ、f(1)=2f(T)ξ和f(2)=3f(T)ξ。当不间断电源系统的当前健康等级为F即故障级时,则需要特别处理,这是因为故障级表明已经出现故障,状态的紧急程度已经刻不容缓,此时已经不是检修频率的问题了,而是应该立刻对UPS进行检修。
步骤S1052:按照不间断电源系统发生故障的概率所处范围,以与不间断电源系统当前健康等级对应的检修频率f(N)对不间断电源系统进行检修维护。
不间断电源系统发生故障的概率即步骤S104中故障预测算法模型预测的不间断电源系统发生故障的概率。若用prob表示这个概率,则按照不间断电源系统发生故障的概率所处范围,以与不间断电源系统当前健康等级对应的检修频率f(N)对不间断电源系统进行检修维护具体可以是:当prob<p1时,则以与UPS的当前健康等级A对应的检修频率f(N),即以检修频率f(0)=f(T)ξ对不间断电源系统进行检修维护;当p1≤prob<p2时,则以与UPS的当前健康等级B对应的检修频率f(N),即以检修频率f(1)=2f(T)ξ对不间断电源系统进行检修维护;当p2≤prob<p3时,则以与UPS的当前健康等级C对应的检修频率f(N),即以检修频率f(2)=3f(T)ξ对不间断电源系统进行检修维护;当prob≥p3时,则以与UPS的当前健康等级F对应的检修频率,即立即对不间断电源系统进行检修维护。上述实施例中,p3>p2>p1。作为本申请一个实施例,p1=0.2、p2=0.4以及p3=0.7。
从上述附图1示例的不间断电源系统故障预测方法可知,通过实时处理不间断电源系统各传感器件获取的数据参量,继而确定不间断电源系统当前预警状态和当前健康等级,然后根据当前时刻数据参量、预警状态和当前健康等级预测不间断电源系统发生故障的概率,最后根据不间断电源系统发生故障的概率和健康等级,对不间断电源系统将要采取的检修维护策略。相比于现有技术依靠对UPS当前状态监测或周期性检查而无法保障供电系统安全、可靠性,本申请的技术方案依赖于深度学习网络,能够对不间断电源系统可能发生的故障进行预测,从而排除不间断电源系统的潜在风险,提升了供电系统的安全可靠性。
请参阅附图2,是本申请实施例提供的一种不间断电源系统故障预测装置。附图2示例的不间断电源系统故障预测装置可以包括实时处理模块201、预定状态获取模块202、健康等级确定模块203、故障预测模块204和策略确定模块205。详述如下:
实时处理模块201,用于实时处理不间断电源系统各传感器件获取的数据参量,得到不间断电源系统当前时刻数据参量;
预定状态获取模块202,用于当当前时刻数据参量的值超过预设阈值时,根据当前时刻数据参量的不同确定相应的预警状态;
健康等级确定模块203,用于根据预设评估指标、当前时刻数据参量及其相应的预警状态,确定不间断电源系统的当前健康等级;
故障预测模块204,用于以当前时刻数据参量、预警状态和当前健康等级作为故障预测算法模型的输入,预测不间断电源系统发生故障的概率,其中,故障预测算法模型为对深度信念网络并结合相关向量机训练得到;
策略确定模块205,用于根据不间断电源系统发生故障的概率和当前健康等级,确定对不间断电源系统将要采取的检修维护策略。
可选地,附图2示例的实时处理模块201可以包括数字化单元和可视化单元,其中:
数字化单元,用于将UPS各传感器件中当前时刻电学传感器和红外温度传感器获取的数据参量进行数字化操作,得到数字化数据;
可视化单元,用于对数字化数据和各传感器中视觉传感器获取的数据参量进行可视化,得到可视化的当前时刻数据参量。
可选地,附图2示例的装置中,当前时刻数据参量包括当前时刻上下线断路器的过载整定电流和短路整定电流的比值ratio、不间断电源系统输出端的零地线电压UNE、不间断电源系统每块电池的内阻Rr以及每块电池放电时的端电压Ue。预定状态获取模块202可包括第一预定状态确定单元、第二预定状态确定单元和第三预定状态确定单元,其中:
第一预定状态确定单元,用于当ratio<1.6时,确定上下线断路器存在问题,发出第一预警状态SW1相应的值;
第二预定状态确定单元,用于当UNE>2伏特时,确定不间断电源系统输出端的零地线存在问题,发出第二预警状态SW2相应的值;
第三预定状态确定单元,用于当Rr<8(1+ε)毫欧或Ue<9(1+ε)伏特时,确定不间断电源系统的电池存在问题,发出第三预警状态SW3相应的值,其中,ε为设定余量。
可选地,附图2示例的健康等级确定模块203可以包括第一健康等级确定单元、第二健康等级确定单元、第三健康等级确定单元和/或第四健康等级确定单元,其中:
第一健康等级确定单元,用于计算电池当前时刻端电压相对于上一时刻端电压的相对电压差RelU,按照相对电压差RelU所处预设阈值的范围,确定不间断电源系统的当前健康等级;
第二健康等级确定单元,用于计算不间断电源系统的电容器阻抗变化度VarZ,按照电容器阻抗变化度VarZ所处预设阈值的范围,确定不间断电源系统的当前健康等级;
第三健康等级确定单元,用于根据红外温度传感器获取的数据参量和相邻采样周期不间断电源系统的温度变化值,计算不间断电源系统的温度变化指标ρ,按照ρ所处预设阈值的范围,确定不间断电源系统的当前健康等级;
第四健康等级确定单元,用于计算当前计数周期第一预警状态SW1、第二预警状态SW2和第三预警状态SW3发生的频率freq(i,j),根据频率freq(i,j)与之前连续若干计数周期第一预警状态SW1、第二预警状态SW2和第三预警状态SW3发生的频率的关系,确定不间断电源系统的当前健康等级。
可选地,附图2示例的故障预测模块204可以包括求解单元和归一化单元,其中:
求解单元,用于以数据参量、预警状态和健康等级作为故障预测算法模型的输入,通过故障预测算法模型求解对数似然函数lnp(obj|α),得到目标值obj的最优解,其中,K表示参数权重值ωi的个数,矩阵C=B+ΦαIΦT,B是K×K阶的方阵,B中的元素为yi(1-yi),i=1,2,…,K,Φ为核函数构成的矩阵,I为单位矩阵,
归一化单元,用于归一化目标值obj的最优解,得到不间断电源系统发生故障的概率。
可选地,附图2示例的策略确定模块205可以包括设定单元和检修执行单元,其中:
设定单元,用于设定与不间断电源系统的健康等级对应的检修频率f(N),其中,f(N)=(N+1)f(T)+ξ,N的取值与不间断电源系统的健康等级对应,f(T)为时间段T内定期人工检修频率,ξ为在当前时间段的上一时间段T内不间断电源系统的健康等级发生降级的次数;
检修执行单元,用于按照不间断电源系统发生故障的概率所处范围,以与当前健康等级对应的检修频率f(N)对不间断电源系统进行检修维护。
从以上技术方案的描述中可以看出,通过实时处理不间断电源系统各传感器件获取的数据参量,继而确定不间断电源系统当前预警状态和当前健康等级,然后根据当前时刻数据参量、预警状态和当前健康等级预测不间断电源系统发生故障的概率,最后根据不间断电源系统发生故障的概率和健康等级,对不间断电源系统将要采取的检修维护策略。相比于现有技术依靠对UPS当前状态监测或周期性检查而无法保障供电系统安全、可靠性,本申请的技术方案依赖于深度学习网络,能够对不间断电源系统可能发生的故障进行预测,从而排除不间断电源系统的潜在风险,提升了供电系统的安全可靠性。
图3是本申请一实施例提供的设备的结构示意图。如图3所示,该实施例的设备3主要包括:处理器30、存储器31以及存储在存储器31中并可在处理器30上运行的计算机程序32,例如不间断电源系统故障预测方法的程序。处理器30执行计算机程序32时实现上述不间断电源系统故障预测方法实施例中的步骤,例如图1所示的步骤S101至S105。或者,处理器30执行计算机程序32时实现上述各装置实施例中各模块/单元的功能,例如图2所示实时处理模块201、预定状态获取模块202、健康等级确定模块203、故障预测模块204和策略确定模块205的功能。
示例性地,不间断电源系统故障预测方法的计算机程序32主要包括:实时处理不间断电源系统各传感器件获取的数据参量,得到不间断电源系统当前时刻数据参量;当当前时刻数据参量的值超过预设阈值时,根据当前时刻数据参量的不同确定相应的预警状态;根据预设评估指标、当前时刻数据参量及其相应的预警状态,确定不间断电源系统的当前健康等级;以当前时刻数据参量、预警状态和当前健康等级作为故障预测算法模型的输入,预测不间断电源系统发生故障的概率,其中,故障预测算法模型为对深度信念网络并结合相关向量机训练得到;根据不间断电源系统发生故障的概率和当前健康等级,确定对不间断电源系统将要采取的检修维护策略。
计算机程序32可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器31中,并由处理器30执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序32在设备3中的执行过程。例如,计算机程序32可以被分割成实时处理模块201、预定状态获取模块202、健康等级确定模块203、故障预测模块204和策略确定模块205(虚拟装置中的模块)的功能,各模块具体功能如下:实时处理模块201,用于实时处理不间断电源系统各传感器件获取的数据参量,得到不间断电源系统当前时刻数据参量;预定状态获取模块202,用于当当前时刻数据参量的值超过预设阈值时,根据当前时刻数据参量的不同确定相应的预警状态;健康等级确定模块203,用于根据预设评估指标、当前时刻数据参量及其相应的预警状态,确定不间断电源系统的当前健康等级;故障预测模块204,用于以当前时刻数据参量、预警状态和当前健康等级作为故障预测算法模型的输入,预测不间断电源系统发生故障的概率,其中,故障预测算法模型为对深度信念网络并结合相关向量机训练得到;策略确定模块205,用于根据不间断电源系统发生故障的概率和当前健康等级,确定对不间断电源系统将要采取的检修维护策略。
设备3可包括但不仅限于处理器30、存储器31。本领域技术人员可以理解,图3仅仅是设备3的示例,并不构成对设备3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如计算设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processjng Unjt,CPU),还可以是其他通用处理器、数字信号处理器(Djgjtal Sjgnal Processor,DSP)、专用集成电路(Appljcatjon Specjfjc Jntegrated Cjrcujt,ASJC)、现成可编程门阵列(Fjeld-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器31可以是设备3的内部存储单元,例如设备3的硬盘或内存。存储器31也可以是设备3的外部存储设备,例如设备3上配备的插接式硬盘,智能存储卡(Smart MedjaCard,SMC),安全数字(Secure Djgjtal,SD)卡,闪存卡(Flash Card)等。进一步地,存储器31还可以既包括设备3的内部存储单元也包括外部存储设备。存储器31用于存储计算机程序以及设备所需的其他程序和数据。存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即,将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个非临时性计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,不间断电源系统故障预测方法的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤,即,实时处理不间断电源系统各传感器件获取的数据参量,得到不间断电源系统当前时刻数据参量;当当前时刻数据参量的值超过预设阈值时,根据当前时刻数据参量的不同确定相应的预警状态;根据预设评估指标、当前时刻数据参量及其相应的预警状态,确定不间断电源系统的当前健康等级;以当前时刻数据参量、预警状态和当前健康等级作为故障预测算法模型的输入,预测不间断电源系统发生故障的概率,其中,故障预测算法模型为对深度信念网络并结合相关向量机训练得到;根据不间断电源系统发生故障的概率和当前健康等级,确定对不间断电源系统将要采取的检修维护策略。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。非临时性计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读内存(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,非临时性计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,非临时性计算机可读介质不包括电载波信号和电信信号。以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
以上所述的具体实施方式,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施方式而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种不间断电源系统故障预测方法,其特征在于,所述方法包括:
实时处理不间断电源系统各传感器件获取的数据参量,得到所述不间断电源系统当前时刻数据参量;
当所述当前时刻数据参量的值超过预设阈值时,根据所述当前时刻数据参量的不同确定相应的预警状态;
根据预设评估指标、所述当前时刻数据参量及其相应的预警状态,确定所述不间断电源系统的当前健康等级;
以所述当前时刻数据参量、预警状态和当前健康等级作为故障预测算法模型的输入,预测所述不间断电源系统发生故障的概率,所述故障预测算法模型为对深度信念网络并结合相关向量机训练得到;
根据所述不间断电源系统发生故障的概率和当前健康等级,确定对所述不间断电源系统将要采取的检修维护策略。
2.如权利要求1所述不间断电源系统故障预测方法,其特征在于,所述实时处理不间断电源系统各传感器件获取的数据参量,得到所述不间断电源系统当前时刻数据参量,包括:
将所述各传感器件中当前时刻电学传感器和红外温度传感器获取的数据参量进行数字化操作,得到数字化数据;
对所述数字化数据和所述各传感器中视觉传感器获取的数据参量进行可视化,得到可视化的当前时刻数据参量。
3.如权利要求1所述不间断电源系统故障预测方法,其特征在于,所述当前时刻数据参量包括当前时刻上下线断路器的过载整定电流和短路整定电流的比值ratio、所述不间断电源系统输出端的零地线电压UNE、所述不间断电源系统每块电池的内阻Rr以及每块电池放电时的端电压Ue,所述当所述当前时刻数据参量的值超过预设阈值时,根据所述当前时刻数据参量的不同确定相应的预警状态,包括:
当所述ratio<1.6时,确定所述上下线断路器存在问题,发出第一预警状态SW1相应的值;
当所述UNE>2伏特时,确定所述不间断电源系统输出端的零地线存在问题,发出第二预警状态SW2相应的值;
当所述Rr<8(1+ε)毫欧或所述Ue<9(1+ε)伏特时,确定所述不间断电源系统的电池存在问题,发出第三预警状态SW3相应的值,所述ε为设定余量。
4.如权利要求2或3所述不间断电源系统故障预测方法,其特征在于,所述根据预设评估指标、所述当前时刻数据参量及其相应的预警状态,确定所述不间断电源系统的健康等级,包括:
计算所述电池当前时刻端电压相对于上一时刻端电压的相对电压差RelU,按照所述相对电压差RelU所处预设阈值的范围,确定所述不间断电源系统的当前健康等级;和/或
计算所述不间断电源系统的电容器阻抗变化度VarZ,按照所述电容器阻抗变化度VarZ所处预设阈值的范围,确定所述不间断电源系统的当前健康等级;和/或
根据所述红外温度传感器获取的数据参量和相邻采样周期所述不间断电源系统的温度变化值,计算所述不间断电源系统的温度变化指标ρ,按照所述ρ所处预设阈值的范围,确定所述不间断电源系统的当前健康等级;和/或
计算当前计数周期所述第一预警状态SW1、第二预警状态SW2和第三预警状态SW3发生的频率freq(i,j),根据所述频率freq(i,j)与之前连续若干计数周期第一预警状态SW1、第二预警状态SW2和第三预警状态SW3发生的频率的关系,确定所述不间断电源系统的当前健康等级。
6.如权利要求1所述不间断电源系统故障预测方法,其特征在于,所述根据所述不间断电源系统发生故障的概率和当前健康等级,确定对所述不间断电源系统将要采取的检修维护策略,包括:
设定与所述不间断电源系统的健康等级对应的检修频率f(N),所述f(N)=(N+1)f(T)+ξ,所述N的取值与所述不间断电源系统的健康等级对应,所述f(T)为时间段T内定期人工检修频率,所述ξ为在当前时间段的上一时间段T内所述不间断电源系统的健康等级发生降级的次数;
按照所述不间断电源系统发生故障的概率所处范围,以与所述当前健康等级对应的检修频率f(N)对所述不间断电源系统进行检修维护。
7.一种不间断电源系统故障预测装置,其特征在于,所述装置包括:
实时处理模块,用于实时处理不间断电源系统各传感器件获取的数据参量,得到所述不间断电源系统当前时刻数据参量;
预定状态获取模块,用于当所述当前时刻数据参量的值超过预设阈值时,根据所述当前时刻数据参量的不同确定相应的预警状态;
健康等级确定模块,用于根据预设评估指标、所述当前时刻数据参量及其相应的预警状态,确定所述不间断电源系统的当前健康等级;
故障预测模块,用于以所述当前时刻数据参量、预警状态和当前健康等级作为故障预测算法模型的输入,预测所述不间断电源系统发生故障的概率,所述故障预测算法模型为对深度信念网络并结合相关向量机训练得到;
策略确定模块,用于根据所述不间断电源系统发生故障的概率和当前健康等级,确定对所述不间断电源系统将要采取的检修维护策略。
8.如权利要求7所述不间断电源系统故障预测装置,其特征在于,所述实时处理模块包括:
数字化单元,用于将所述各传感器件中当前时刻电学传感器和红外温度传感器获取的数据参量进行数字化操作,得到数字化数据;
可视化单元,用于对所述数字化数据和所述各传感器中视觉传感器获取的数据参量进行可视化,得到可视化的当前时刻数据参量。
9.一种设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述方法的步骤。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011243577.7A CN112559279A (zh) | 2020-11-10 | 2020-11-10 | 不间断电源系统故障预测方法、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011243577.7A CN112559279A (zh) | 2020-11-10 | 2020-11-10 | 不间断电源系统故障预测方法、设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112559279A true CN112559279A (zh) | 2021-03-26 |
Family
ID=75041663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011243577.7A Pending CN112559279A (zh) | 2020-11-10 | 2020-11-10 | 不间断电源系统故障预测方法、设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112559279A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113282160A (zh) * | 2021-04-19 | 2021-08-20 | 深圳市伊力科电源有限公司 | Ups使用寿命的预测方法、设备及计算机可读存储介质 |
CN113847950A (zh) * | 2021-09-23 | 2021-12-28 | 大连海事大学 | 基于云计算的智能船舶设备状态监测系统及信息交互方法 |
CN113997989A (zh) * | 2021-11-29 | 2022-02-01 | 中国人民解放军国防科技大学 | 磁浮列车单点悬浮系统安全检测方法、装置、设备及介质 |
CN114205277A (zh) * | 2021-12-16 | 2022-03-18 | 北京国铁华晨通信科技有限公司 | 基于Modbus协议的设备故障监控方法、装置和设备 |
CN115359633A (zh) * | 2022-08-11 | 2022-11-18 | 深圳市伊力科电源有限公司 | 健康状态预警方法、不间断电源及计算机可读存储介质 |
WO2023023235A1 (en) * | 2021-08-20 | 2023-02-23 | Vertiv Corporation | Systems and methods for operating an uninterruptible power supply (ups) |
CN116430269A (zh) * | 2023-04-10 | 2023-07-14 | 安徽博微智能电气有限公司 | 一种ups电源的健康评估与故障预测管理系统及方法 |
CN116756524A (zh) * | 2023-08-15 | 2023-09-15 | 苏州浪潮智能科技有限公司 | 一种存储介质故障预测的方法、装置、设备及介质 |
CN117170998A (zh) * | 2023-11-03 | 2023-12-05 | 凌雄技术(深圳)有限公司 | 一种智能化设备生命周期管理系统 |
CN117310546A (zh) * | 2023-11-03 | 2023-12-29 | 北京迪赛奇正科技有限公司 | 一种ups电源健康管理监测系统 |
CN117332361A (zh) * | 2023-12-01 | 2024-01-02 | 赫芝特电气技术(广州)有限公司 | 一种不间断电源的在线预警方法及检测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008006116A2 (en) * | 2006-07-07 | 2008-01-10 | Edsa Micro Corporation | Systems and methods for real-time dynamic simulation of uninterruptible power supply solutions and their control logic systems |
JP2016059231A (ja) * | 2014-09-12 | 2016-04-21 | 株式会社東芝 | 検出情報送信装置、無停電電源システム、検出情報送信方法及びコンピュータプログラム |
CN110988563A (zh) * | 2019-12-23 | 2020-04-10 | 厦门理工学院 | 一种ups故障检测方法、装置、设备和存储介质 |
CN111523699A (zh) * | 2020-03-23 | 2020-08-11 | 江苏中堃数据技术有限公司 | 一种基于综合状态健康度的架空线路故障概率预测方法 |
CN112433907A (zh) * | 2020-10-26 | 2021-03-02 | 深圳前海有电物联科技有限公司 | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 |
-
2020
- 2020-11-10 CN CN202011243577.7A patent/CN112559279A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008006116A2 (en) * | 2006-07-07 | 2008-01-10 | Edsa Micro Corporation | Systems and methods for real-time dynamic simulation of uninterruptible power supply solutions and their control logic systems |
JP2016059231A (ja) * | 2014-09-12 | 2016-04-21 | 株式会社東芝 | 検出情報送信装置、無停電電源システム、検出情報送信方法及びコンピュータプログラム |
CN110988563A (zh) * | 2019-12-23 | 2020-04-10 | 厦门理工学院 | 一种ups故障检测方法、装置、设备和存储介质 |
CN111523699A (zh) * | 2020-03-23 | 2020-08-11 | 江苏中堃数据技术有限公司 | 一种基于综合状态健康度的架空线路故障概率预测方法 |
CN112433907A (zh) * | 2020-10-26 | 2021-03-02 | 深圳前海有电物联科技有限公司 | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 |
Non-Patent Citations (1)
Title |
---|
M.K. RAHMAT 等: "Reliability Modelling of Uninterruptible Power Supply Using Probability Tree Method", 《IEEE》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113282160B (zh) * | 2021-04-19 | 2023-03-24 | 深圳市伊力科电源有限公司 | Ups使用寿命的预测方法、设备及计算机可读存储介质 |
CN113282160A (zh) * | 2021-04-19 | 2021-08-20 | 深圳市伊力科电源有限公司 | Ups使用寿命的预测方法、设备及计算机可读存储介质 |
WO2023023235A1 (en) * | 2021-08-20 | 2023-02-23 | Vertiv Corporation | Systems and methods for operating an uninterruptible power supply (ups) |
US20230058139A1 (en) * | 2021-08-20 | 2023-02-23 | Vertiv Corporation | Systems and methods for operating an uninterruptible power supply (ups) |
CN113847950A (zh) * | 2021-09-23 | 2021-12-28 | 大连海事大学 | 基于云计算的智能船舶设备状态监测系统及信息交互方法 |
CN113997989B (zh) * | 2021-11-29 | 2024-03-29 | 中国人民解放军国防科技大学 | 磁浮列车单点悬浮系统安全检测方法、装置、设备及介质 |
CN113997989A (zh) * | 2021-11-29 | 2022-02-01 | 中国人民解放军国防科技大学 | 磁浮列车单点悬浮系统安全检测方法、装置、设备及介质 |
CN114205277A (zh) * | 2021-12-16 | 2022-03-18 | 北京国铁华晨通信科技有限公司 | 基于Modbus协议的设备故障监控方法、装置和设备 |
CN115359633A (zh) * | 2022-08-11 | 2022-11-18 | 深圳市伊力科电源有限公司 | 健康状态预警方法、不间断电源及计算机可读存储介质 |
CN116430269A (zh) * | 2023-04-10 | 2023-07-14 | 安徽博微智能电气有限公司 | 一种ups电源的健康评估与故障预测管理系统及方法 |
CN116430269B (zh) * | 2023-04-10 | 2023-09-19 | 安徽博微智能电气有限公司 | 一种ups电源的健康评估与故障预测管理系统及方法 |
CN116756524B (zh) * | 2023-08-15 | 2023-11-03 | 苏州浪潮智能科技有限公司 | 一种存储介质故障预测的方法、装置、设备及介质 |
CN116756524A (zh) * | 2023-08-15 | 2023-09-15 | 苏州浪潮智能科技有限公司 | 一种存储介质故障预测的方法、装置、设备及介质 |
CN117170998A (zh) * | 2023-11-03 | 2023-12-05 | 凌雄技术(深圳)有限公司 | 一种智能化设备生命周期管理系统 |
CN117310546A (zh) * | 2023-11-03 | 2023-12-29 | 北京迪赛奇正科技有限公司 | 一种ups电源健康管理监测系统 |
CN117170998B (zh) * | 2023-11-03 | 2024-03-01 | 凌雄技术(深圳)有限公司 | 一种智能化设备生命周期管理系统 |
CN117332361A (zh) * | 2023-12-01 | 2024-01-02 | 赫芝特电气技术(广州)有限公司 | 一种不间断电源的在线预警方法及检测系统 |
CN117332361B (zh) * | 2023-12-01 | 2024-03-01 | 赫芝特电气技术(广州)有限公司 | 一种不间断电源的在线预警方法及检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112559279A (zh) | 不间断电源系统故障预测方法、设备和计算机可读存储介质 | |
Chang et al. | A hybrid prognostic method for system degradation based on particle filter and relevance vector machine | |
Ma et al. | Remaining useful life prediction of lithium battery based on capacity regeneration point detection | |
CN108445410A (zh) | 一种监测蓄电池组运行状态的方法及装置 | |
CN107330573B (zh) | 一种光伏系统关键设备的状态评估方法及装置 | |
Hassani et al. | Unsupervised concrete feature selection based on mutual information for diagnosing faults and cyber-attacks in power systems | |
CN110927606B (zh) | 电池状态监测方法、装置 | |
CN111833583B (zh) | 电力数据异常检测模型的训练方法、装置、设备和介质 | |
CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
CN111967620A (zh) | 一种光伏组件诊断方法、装置、设备及可读存储介质 | |
CN112559305B (zh) | 不间断电源系统内部关键模块性能预测方法、装置和设备 | |
CN113406508A (zh) | 基于数字孪生的电池检测和维护方法及装置 | |
CN114707807A (zh) | 磨煤机风险评估方法、装置、电子设备及存储介质 | |
CN114994543A (zh) | 储能电站电池故障诊断方法、装置及存储介质 | |
CN115470995A (zh) | 电池容量预测模型训练方法、电池分容方法及装置 | |
CN113657622A (zh) | 电力设备多维状态数据融合方法、装置、终端及存储介质 | |
CN116626524A (zh) | 电池状态评估方法、装置、电子设备和存储介质 | |
CN116990689A (zh) | 多特征关联分析的智能锂电充电宝内短路状态评估方法 | |
CN117933447A (zh) | 一种基于数据分析的故障预测方法及系统 | |
CN114841617A (zh) | 一种设备健康状态获取方法和装置 | |
CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
CN116093497B (zh) | 一种电池热失控概率预测方法、装置、设备及存储介质 | |
CN115236525A (zh) | 一种梯次电池筛选方法、装置及介质 | |
CN113971777A (zh) | 一种设备故障预测方法、装置及服务器 | |
CN113723821B (zh) | 一种基于潮流介数的电网故障预警方法及装置 |
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: 518000 Room 301, building 1, fengyesheng factory building, Chuangye 2nd Road, Dalang community, Xin'an street, Bao'an District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Youdian IOT Technology Co.,Ltd. Address before: Room 201, Building A, No. 1 Qianwan Road, Qianhai Shenzhen-Hong Kong Cooperation Zone, Nanshan District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN QIANHAI YESPOWERING IOT TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210326 |
|
RJ01 | Rejection of invention patent application after publication |