CN112559305A - 不间断电源系统内部关键模块性能预测方法、装置和设备 - Google Patents
不间断电源系统内部关键模块性能预测方法、装置和设备 Download PDFInfo
- Publication number
- CN112559305A CN112559305A CN202011243700.5A CN202011243700A CN112559305A CN 112559305 A CN112559305 A CN 112559305A CN 202011243700 A CN202011243700 A CN 202011243700A CN 112559305 A CN112559305 A CN 112559305A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- prediction model
- domain sample
- ups
- 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
-
- 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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Inverter Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种不间断电源系统内部关键模块性能预测方法、装置和设备,以提前提供运维支持,防止关键模块性能进一步恶化。所述方法包括:采集UPS的系统数据和关键模块数据,作为UPS的当前数据;确定关键模块的运行正常、性能退化和发生故障界定标准;根据界定标准,确定数据集中时域样本数据的类型;计算关键模块的剩余使用寿命的真实值;将时域样本数据变换为频域样本数据;采用频域样本数据对基于卷积神经网络的预测模型进行训练和测试;采用四项指标对预测模型的训练效果进行评价,当预测模型的训练效果满足要求时,确定预测模型为可用预测模型;将UPS的当前数据输入数据可用预测模型,对关键模块的健康状态进行评估和剩余使用寿命进行预测。
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内部关键模块性能预测方法、装置和设备。
背景技术
在信息时代,不间断电源系统(Uninterruptible Power System,UPS)主要由储能模块(一般为铅酸蓄电池)、整流器、逆变器和控制开关等部分组成,利用蓄电池传送电能,通过整流器、逆变器等模块电路,将直流电转换为交流电(市电),为重要的电力电子设备输送不间断的稳定电能。UPS不仅广泛应用于工业、交通、医疗等行业,在大数据时代,其在保障信息安全等方面也发挥着重要的作用。
UPS的故障常发生于其储能模块和内部的电学元件模块,其中,逆变器和整流器作为其内部的关键模块,若发生故障,则将造成不可挽回的损失。因为这些关键模块均位于UPS内部,一般传统的故障检测方式不仅需要消耗较多的时间,而且往往需要凭借专业人员的知识判断;另一方面,现有的方案往往是基于故障发生后的事实做出,在维护上存在较大的时间滞后性。
发明内容
本申请提供一种不间断电源系统内部关键模块性能预测方法和装置,以提前提供运维支持,防止关键模块性能进一步恶化。
一方面,本申请提供了一种不间断电源系统内部关键模块性能预测方法,包括:
采集不间断电源系统UPS的系统数据和关键模块数据,作为UPS的当前数据,所述关键模块数据包括整流器数据和逆变器数据;
根据UPS技术资料和UPS的当前数据,确定所述关键模块的运行正常、性能退化和发生故障界定标准;
根据所述关键模块的运行正常、性能退化和发生故障界定标准,确定数据集中时域样本数据的类型,所述时域样本数据包括所述UPS的当前数据和历史数据,所述类型包括运行正常数据、性能退化数据和发生故障数据;
根据所述数据集中时域样本数据的类型,计算所述关键模块的剩余使用寿命的真实值;
将所述时域样本数据变换为频域样本数据;
采用所述频域样本数据对基于卷积神经网络的预测模型进行训练和测试,以将所述预测模型用于所述关键模块健康状态的评估和剩余使用寿命的预测;
采用四项指标对所述预测模型的训练效果进行评价,当所述预测模型的训练效果满足所述四项指标的预设要求时,确定所述预测模型为可用预测模型,所述四项指标包括故障及退化检测率FDDR、故障及退化误报率FDAR、故障及退化伪阳真阳面积ROC-AUC以及寿命预测评估指数Dexp;
将所述UPS的当前数据作为所述可用预测模型的输入数据,对所述关键模块的健康状态进行评估和对所述关键模块的剩余使用寿命进行预测。
另一方面,本申请提供了一种不间断电源系统内部关键模块性能预测装置,包括:
数据采集模块,用于采集不间断电源系统UPS的系统数据和关键模块数据,作为UPS的当前数据,所述关键模块数据包括整流器数据和逆变器数据;
标准界定模块,用于根据UPS技术资料和UPS的当前数据,确定所述关键模块的运行正常、性能退化和发生故障界定标准;
数据类型确定模块,用于根据所述关键模块的运行正常、性能退化和发生故障界定标准,确定数据集中时域样本数据的类型,所述时域样本数据包括所述UPS的当前数据和历史数据,所述类型包括运行正常数据、性能退化数据和发生故障数据;
计算模块,用于根据所述时域样本数据的类型,计算所述关键模块的剩余使用寿命的真实值;
时频转换模块,用于将所述时域样本数据变换为频域样本数据;
训练测试模块,用于采用所述频域样本数据对基于卷积神经网络的预测模型进行训练和测试,以将所述预测模型用于所述关键模块健康状态的评估和剩余使用寿命的预测;
可用模型确定模块,用于采用四项指标对所述预测模型的训练效果进行评价,当所述预测模型的训练效果满足所述四项指标的预设要求时,确定所述预测模型为可用预测模型,所述四项指标包括故障及退化检测率FDDR、故障及退化误报率FDAR、故障及退化伪阳真阳面积ROC-AUC以及寿命预测评估指数Dexp;
评估预测模块,用于将所述UPS的当前数据作为所述可用预测模型的输入数据,对所述关键模块的健康状态进行评估和对所述关键模块的剩余使用寿命进行预测。
第三方面,本申请提供了一种设备,所述设备包括存储器、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,所述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,通过采集UPS的当前数据,并根据关键模块的运行正常、性能退化和发生故障界定标准确定数据集中时域样本数据的类型,然后采用频域样本数据对基于卷积神经网络的预测模型进行训练和测试,在确定预测模型为可用预测模型后,将UPS的当前数据作为可用预测模型的输入数据对关键模块的健康状态进行评估和剩余使用寿命进行预测。相比于现有技术凭借专业人员的知识判断而导致UPS在维护上存在较大的时间滞后性,本申请的技术方案基于卷积神经网络的模型的预测结果,在预测结果为性能退化或故障时能够提前提供运维支持,防止UPS内关键模块性能进一步恶化。
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内部关键模块性能预测方法的流程图;
图2是本申请实施例提供的不间断电源系统内部关键模块性能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内部关键模块性能预测方法,如附图1所示,主要包括步骤S101至S108,详述如下:
步骤S101:采集不间断电源系统UPS的系统数据和关键模块数据,作为UPS的当前数据,其中,关键模块数据包括整流器数据和逆变器数据。
在本申请实施例中,关键模块主要指UPS的整流器和逆变器,系统数据和关键模块的数据主要通过UPS的监控面板和内置的传感模块获取,其中,系统数据主要包括输入交流电压Usiac、输入频率Freqsi、输入电流畸变Dstorsic、蓄电池输入直流电压Usdc和输出频率Freqso,整流器数据包括整流器输出电流最大值Irom和整流效率Effrect,所述逆变器数据包括逆变器输入直流电压Uiidc、逆变器输出交流电压Uioac、逆变器效率Effinv、逆变器输出电压稳定性的值Stabov和总谐波畸变率THD。上述12个数据变量中,逆变器输出电压稳定性定义为在满载条件下保持其他量不变时,使逆变器输入直流电压Uiidc在最大变化范围内变化(一般为384V±20%)所引起的逆变器输出交流电压Uioac的变化率,逆变器输出电压稳定性的值Stabov的计算公式如下:
上述计算公式中,Uioac(max(Uiidc))表示逆变器输入直流电压Uiidc达到最大值时对应的逆变器输出交流电压Uioac的大小,Uioac(min(Uiidc))表示逆变器输入直流电压Uiidc为最小值时对应的逆变器输出交流电压Uioca的大小。上述12个数据变量中,总谐波畸变率THD定义为在不大于特定阶数N的条件下,逆变器输出交流电压Uioac的谐波分量有效值GUn与基波分量有效值GU1比值的方和根,THD按照如下公式计算:
步骤S102:根据UPS技术资料和UPS的当前数据,确定关键模块的运行正常、性能退化和发生故障界定标准。
在本申请实施例中,UPS技术资料包括UPS技术手册、经验值和运维中的历史数据等等。关键模块的运行正常、性能退化和发生故障界定标准用于后续确定样本数据的类型以及据此计算关键模块的剩余使用寿命的真实值,这些界定标准包括超出正常标准范围值的变化度R1、整流效率Effrect和逆变器效率Effinv的状态变化参量评估指标R2、逆变器输出电压稳定性的状态评估参量R3以及逆变器总谐波的状态评估参量R4,等等。根据UPS技术资料和UPS的原始数据,确定,以下逐个说明:
(2)整流效率Effrect和逆变器效率Effinv的状态变化参量评估指标R2:R2是根据整流器的整流效率Effrect和逆变器效率Effinv的正常值范围R2来确定,具体计算计算方法如下:
一般地,Effrect的正常范围是0.93至0.97,即Effrect∈[0.93,0.97],Effinv的正常范围是0.95至0.96,即,Effinv∈[0.95,0.96]。若Effrect或Effinv中的一个值在正常范围值之外小范围波动,则设定R2为波动差值δ的一定倍数k,具体地,当Effrect发生小范围波动时,k=2,当Effinv发生小范围波动时,k=2.5,此处,波动差值δ为Effrect或Effinv的当前值与上阈值或下阈值的绝对差值,例如,当Effrect=0.9时,其属于[0.89,0.93)这个区间内,此时δ=|0.9-0.93|=0.3,此时R2=2δ=0.6;当Effrect和Effinv均偏离正常范围值,或其变动较大,即上述R2表达式中的others(其他情况)下,直接将R2设置为1。
(3)逆变器输出电压稳定性的状态评估参量R3:R3可以根据逆变器输出电压稳定性的值Stabov以及根据UPS的参数性能要求来确定,计算方法如下:
正常情况下,UPS逆变器的动态变化范围不应超过1%,即逆变器输出电压稳定性的值Stabov应当小于等于1%。上述R3的表达式表明:若1%≤Stabov<5%并且在40毫秒内Stabov能够恢复至1%(上述R3的表达式中用Reset表示),将R3的值相应地设定为10Stabov;若1%≤Stabov<5%但是在40毫秒内Stabov无法恢复至1%(上述R3的表达式中用Unset表示),将R3的值相应地设定为20Stabov。
(4)逆变器总谐波的状态评估参量R4:R4可根据总谐波畸变率THD(THD的计算方法可参阅前述实施例)来确定,并且,针对线性负载和非线性负载两种情况,R4的计算方法如下:
一般地,UPS的逆变器数据中总谐波畸变率THD在线性负载下的值THDLL应当小于1.5%,在非线性负载下的值THDNL应当小于5%。上述R4的计算公式表明:若1.5%≤THDLL<1.8% or 5%≤THDNL<6%,属于小范围波动,UPS逆变器可能存在问题,设定R4为定值0.6;若THD在对应的线性负载和非线性负载下产生较大波动,即THDLL≥1.8% or THDNL≥6%(R4的计算公式中对应的else),认为发生较大的异常波动,此时设定R4为定值1。
步骤S103:根据关键模块的运行正常、性能退化和发生故障界定标准,确定数据集中时域样本数据的类型,其中,时域样本数据包括UPS的当前数据和历史数据,类型包括运行正常数据、性能退化数据和发生故障数据。
需要说明的是,经步骤S101采集到的UPS的当前数据和之前与步骤S101相同方法采集的数据即历史数据都是包含时间信息的数据,这些数据都可以作为样本数据。为了与后续提及的频域数据区别,此处将这些包含时间信息且可以作为样本的数据称为时域样本数据。
具体地,步骤S103可通过如下步骤S1031和步骤S1032实现,说明如下:
步骤S1031:按照MeanR的计算公式
计算步骤S101数据采集的当前时刻以及当前时刻之前预定时长内R'1、R'2、R'3和R'4的平均值MeanR其中,R'ij表示第j个采样时刻R'i的值,R'i的下标i取1、2、3或4,R'i的确定方法与Ri的确定方法相同。
具体地,可以在获取步骤S101采集到的数据以及步骤S101数据采集的当前时刻之前预定时长内,例如,步骤S101数据采集的当前时刻之前30天内采集到的数据(为了后续描述方便,此处将这两个时间段采集到的数据合在一起称为辅助数据),然后,按照与前述实施例对步骤S101采集到的数据计算R1、R2、R3和R4的方法相同的方法计算辅助数据的R'1、R'2、R'3和R'4,即,计算R1、R2、R3和R4时所用数据是步骤S101采集到的数据,而此处计算R'1、R'2、R'3和R'4时所用数据是辅助数据。
步骤S1032:若MeanR≤0.2,则确定时域样本数据为运行正常数据,若0.2<MeanR≤0.7,则确定时域样本数据为性能退化数据,若MeanR>0.7,则确定时域样本数据为故障发生故障数据。
根据前述实施例对Ri(其下标可i取1、2、3或4)的说明可知,由于Ri的范围都属于[0,1],并且Ri的值越接近1,说明偏离正常范围的程度越高,UPS内部的整流器和逆变器产生异常或故障的可能性越大,因此,计算出的MeanR也位于区间[0,1]。进一步地,若MeanR≤0.2,则确定时域样本数据为运行正常数据,若0.2<MeanR≤0.7,则确定时域样本数据为性能退化数据,若MeanR>0.7,则确定时域样本数据为发生故障数据。每一类时域样本数据对应UPS内部关键模块的性能状态,例如,若针对某个关键模块(例如,整流器)所采集的数据,经步骤S101至步骤S103确定该数据为运行正常数据,则对应于该某个关键模块,其性能状态为运行正常;又如,若针对某个关键模块(例如,整流器)所采集的数据,经步骤S101至步骤S103确定该数据为性能退化数据,则对应于该某个关键模块,其性能状态为性能退化,应当引起重视或者进行运维支持。
步骤S104:根据数据集中时域样本数据的类型,计算关键模块的剩余使用寿命的真实值。
如前所述,数据集中时域样本数据包括运行正常数据、性能退化数据和发生故障数据等三类数据,每一类时域样本数据对应UPS内部关键模块的性能状态,因此,每一类时域样本数据也对应一个关键模块的真实剩余使用寿命。具体计算方式如下:
对于时域样本数据为运行正常数据,即若时域样本数据为运行正常数据,则通过如下公式
计算运行正常数据对应关键模块的剩余使用寿命真实值Lifen,其中,Tn-sug为运行正常数据对应关键模块记录在其所属UPS的说明书上的建议使用寿命,Tn-use为运行正常数据对应关键模块已使用时长。
对于时域样本数据为性能退化数据,即若时域样本数据为性能退化数据,则通过公式
计算性能退化数据对应关键模块的剩余使用寿命的真实值Lifed,其中,表示所有时域样本数据中Dur1的平均值,而Dur1表示性能退化数据对应关键模块从开始运行到发生故障所经历的时长,Td-use表示性能退化数据对应关键模块已使用时长,Td-sug表示性能退化数据对应关键模块记录在其所属UPS的说明书上的建议使用寿命。
对于时域样本数据为发生故障数据,即,若时域样本数据为发生故障数据,则确定发生故障数据对应关键模块的剩余使用寿命的真实值为0,即,认为发生故障数据对应关键模块目前不能使用,应该立即采取运维支持手段。
步骤S105:将时域样本数据变换为频域样本数据。
如前所述,经步骤S101所采集到的UPS的当前数据包括UPS系统数据、整流器数据以及逆变器数据均是包含时间信息的数据,即,输入交流电压Usiac、输入频率Freqsi、输入电流畸变Dstorsic、蓄电池输入直流电压Usdc和输出频率Freqso,所述整流器数据包括整流器输出电流最大值Irom和整流效率Effrect,所述逆变器数据包括逆变器输入直流电压Uiidc、逆变器输出交流电压Uioac、逆变器效率Effinv、逆变器输出电压稳定性的值Stabov和总谐波畸变率THD等12种数据均属于时域数据。一方面,考虑到频域数据比时域数据对性能退化数据和发生故障数据等类型的数据更为敏感;另一方面,考虑到后续对基于卷积神经网络的预测模型进行训练和测试时,卷积神经网络也要求输入的数据是二维变量。因此,在本申请实施例中,可以将经步骤S101至步骤S104得到的时域样本数据变换为频域样本数据,具体可以是通过快速傅里叶变换FFT算法,将时域样本数据变换为频域样本数据。变换后的频域样本数据,变为包含12个变量的矩阵格式,矩阵的行和列分别表示信号信息和时序信息。假设该矩阵为M,aij表示矩阵M第i行第j列的元素。由于矩阵包含12个变量,则矩阵的行数为12,若以每小时作为采样时间点进行数据采样,则每天应该获取到24个采样时间点(即矩阵的列数为24),例如元素a86表示在该天的第6个采样时间点第8个变量即逆变器输出交流电压Uioac在监控面板上显示出来的值,等等。
步骤S106:采用频域样本数据对基于卷积神经网络的预测模型进行训练和测试,以将预测模型用于关键模块健康状态的评估和剩余使用寿命的预测。
作为本申请一个实施例,采用频域样本数据对基于卷积神经网络的预测模型进行训练和测试,以将预测模型用于关键模块健康状态的评估和剩余使用寿命的预测可通过步骤S1061至步骤S1063实现,说明如下:
步骤S1061:对于每种类型的频域样本数据,从中随机取P个频域样本数据作为训练用数据置于训练集,从中随机取Q个频域样本数据作为测试用数据置于测试集。
在本申请实施例中,从每种类型的频域样本数据中随机取P个频域样本数据置于训练集,该训练集的频域样本数据作为训练用数据用于对基于卷积神经网络的预测模型进行训练,从每种类型的频域样本数据中随机取Q个频域样本数据置于测试集,该测试集的频域样本数据作为测试用数据用于对基于卷积神经网络的预测模型进行测试或验证。需要说明的是,一般而言,用于训练的样本数据要多于用于测试的样本数据,例如,在本申请实施例中,可以按照P:Q=5:1来对频域样本数据划分训练用数据和测试用数据的比例。
步骤S1062:将经步骤步骤S1061得到的训练集中的频域样本数据作为基于卷积神经网络的预测模型的输入,按照如下公式
计算卷积神经网络相应卷积层的输出值,其中,卷积神经网络由共享网络层和特定任务网络层构成,共享网络层包括4个卷积层,用于提取频域样本数据的一般特征,特定任务网络层包括两个分离的全连接层和多个卷积层,分别用于健康状态识别和剩余使用寿命预测,ELU表示指数线性单元激活函数运算,用于各层之间的非线性转换操作,*表示卷积运算,Outputl-1和Ootputl分别表示卷积神经网络中第l个卷积层的输入和第l个卷积层的输出,和分别表示卷积神经网络中第l个卷积层的过滤器核函数及偏置系数。
需要说明的是,上述Ootputl的计算公式中,是基于过滤器(filters)、经过卷积层的卷积和激活函数操作后的的输出值,卷积神经网络中第l个卷积层的输入Outputl-1实际也是卷积神经网络中第l-1个卷积层的输出。训练集中的频域样本数据所输入的卷积神经网络的共享网络,其包括4个卷积层,每个卷积层包含不同个数的过滤器(filters),例如4个卷积层过滤器的数量分别为32、64、128和256个,每次卷积操作使用的激活函数为指数线性单元(ELU),并且在每次卷积之后使用最大池化操作对特征进行降维以减小过拟合。经过共享网络之后,进行卷积神经网络中的“展平”(Flatten)操作,将二维数据转换成一维数据,由两个独立的全连接层作为输出层,分别用于健康状态评估以及剩余使用寿命预测等任务,其中,在健康状态评估任务输出中,将UPS内部关键模块(即整流器和逆变器)分为三种状态,分别是“运行正常”、“性能退化”和“发生故障”,可以用序列代表这三种状态(例如,使用0表示关键模块“运行正常”,1表示关键模块“性能退化”,2表示关键模块“发生故障”),使用2个二元回归分类器,用序列{a,b}进行表示即这两个分类器分别预测输出a和b的值,其中{0,0}表示关键模块“运行正常”,{1,0}表示关键模块“性能退化”,{1,1}表示“发生故障”。由于由两个分类器会得到两个输出概率值,若输出的概率值大于阈值0.5,则将对应位置的变量设为1,否则设为0,例如,若第一个分类器的输出概率为0.6,则将a设为1,第二个分类器的输出概率为0.4,则将b设为0,最终得到的序列为{1,0},输出的结果被归为关键模块“性能退化”这一类别。
步骤S1063:按照如下公式
计算用于关键模块的健康状态评估任务的分类回归损失LossHCI以及用于关键模块的剩余使用寿命预测的回归损失LossRUL,N表示从训练集取出并用于训练预测模型的样本数量,表示第i个样本第j个分类器的健康状态真实值,表示第i个样本第j个分类器的健康状态基于预测模型得到的预测值,表示第i个样本对应关键模块的剩余使用寿命的预测值,Li表示第i个样本对应关键模块的剩余使用寿命的真实值。
需要说明的是,由于关键模块的剩余使用寿命是一个数值,在剩余使用寿命任务输出中,通过回归方法得到剩余使用寿命的输出,而健康状态评估可视为一个分类任务。因此,在卷积神经网络参数误差的反向传播过程中,需要传递两个损失值,即,分别是用于健康状态评估任务的分类回归损失LossHCI以及用于剩余使用寿命预测的回归损失LossRUL,计算方法如下:
上述LossHCI的计算公式中,LossHCI结合了用于健康状态评估任务的两个二元分类器的sigmoid损失函数信息,而LossRUL的计算公式中,LossRUL利用的是均方根误差,计算第i个样本对应关键模块的剩余使用寿命的预测值与第i个样本对应关键模块的剩余使用寿命的真实值Li之间的差异值。在对预测模型的训练和测试时,损失函数和在反向传播的过程中会影响共享网络以及特定任务网络的网络层参数更新,分别用于提升提取更优的数据特征以及完成特定的状态评估或寿命预测任务。
步骤S107:采用四项指标对预测模型的训练效果进行评价,当预测模型的训练效果满足所述四项指标的预设要求时,确定预测模型为可用预测模型,其中,四项指标包括故障及退化检测率FDDR、故障及退化误报率FDAR、故障退化伪阳真阳面积ROC-AUC以及寿命预测评估指数Dexp。
作为本申请一个实施例,采用四项指标对预测模型的训练效果进行评价,当预测模型的训练效果满足所述四项指标的预设要求时,确定预测模型为可用预测模型可通过步骤S1071至步骤S1073实现,说明如下:
步骤S1071:分别按照如下计算公式,计算FDDR、FDAR和Dexp的值:
上述FDDR和FDAR的计算公式中,True(Flt+Dgra)表示预测模型正确预测出测试集中关键模块发生故障或性能退化的数量,False(Flt+Dgra)表示测试集中实际为性能退化数据或发生故障数据而被预测模型预测成关键模块运行正常的数量,False(Norm)表示测试集中实际为运行正常数据而被预测模型预测成关键模块运行故障或性能退化的数量。显然,FDAR描述了关键模块发生故障或性能退化被错误预测为运行正常的的比例。
步骤S1072:以伪阳率FRR为横坐标,FDDR为纵坐标绘制ROC曲线,根据ROC曲线计算故障退化伪阳真阳面积ROC-AUC,其中,伪阳率FRR按照如下公式计算:
上述伪阳率FRR的计算公式中,True(Norm)表示测试集中实际为运行正常数据且预测模型的预测结果为关键模块运行正常的数量。
步骤S1073:将测试集中的频域样本数据输入预测模型,若所得故障及退化检测率FDDR≥85%、故障退化误报率FDAR≤20%、伪阳真阳面积ROC-AUC>0.8以及寿命预测评估指数Dexp≤2000,则确定预测模型为可用预测模型。
在将测试集中的频域样本数据输入预测模型后,根据输出结果,按照上述实施例提及的FDDR、FDAR、ROC-AUC以及Dexp的计算方法,若所得故障及退化检测率FDDR≥85%、故障退化误报率FDAR≤20%、伪阳真阳面积ROC-AUC>0.8以及寿命预测评估指数Dexp≤2000,则确定预测模型为可用预测模型,即该可用预测模型可部署在针对UPS内部关键模块(例如,整流器和逆变器)的健康状态评估及剩余使用寿命预测的实时应用上。反之,若FDDR、FDAR、ROC-AUC以及Dexp不满足故障及退化检测率FDDR≥85%、故障退化误报率FDAR≤20%、伪阳真阳面积ROC-AUC>0.8以及寿命预测评估指数Dexp≤2000,则意味着需要调整网络结构、参数等,重新对预测模型继进行训练,直至预测结果满足故障及退化检测率FDDR≥85%、故障退化误报率FDAR≤20%、伪阳真阳面积ROC-AUC>0.8以及寿命预测评估指数Dexp≤2000这些要求。
步骤S108:将UPS的当前数据作为经步骤S107确定的可用预测模型的输入数据,对关键模块的健康状态进行评估和对关键模块的剩余使用寿命进行预测。
从上述附图1示例的不间断电源系统内部关键模块性能预测方法可知,通过采集UPS的当前数据,并根据关键模块的运行正常、性能退化和发生故障界定标准确定数据集中时域样本数据的类型,然后采用频域样本数据对基于卷积神经网络的预测模型进行训练和测试,在确定预测模型为可用预测模型后,将UPS的当前数据作为可用预测模型的输入数据对关键模块的健康状态进行评估和剩余使用寿命进行预测。相比于现有技术凭借专业人员的知识判断而导致UPS在维护上存在较大的时间滞后性,本申请的技术方案基于卷积神经网络的模型的预测结果,在预测结果为性能退化或故障时能够提前提供运维支持,防止UPS内关键模块性能进一步恶化。
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内部关键模块性能预测装置。附图2示例的不间断电源系统内部关键模块性能预测装置可以包括数据采集模块201、标准界定模块202、数据类型确定模块203、计算模块204、时频转换模块205、训练测试模块206、可用模型确定模块207和评估预测模块208,详述如下:
数据采集模块201,用于采集不间断电源系统UPS的系统数据和关键模块数据,作为UPS的当前数据,其中,关键模块数据包括整流器数据和逆变器数据;
标准界定模块202,用于根据UPS技术资料和UPS的当前数据,确定关键模块的运行正常、性能退化和发生故障界定标准;
数据类型确定模块203,用于根据关键模块的运行正常、性能退化和发生故障界定标准,确定数据集中时域样本数据的类型,其中,时域样本数据包括UPS的当前数据和历史数据,类型包括运行正常数据、性能退化数据和发生故障数据;
计算模块204,用于根据时域样本数据的类型,计算关键模块的剩余使用寿命的真实值;
时频转换模块205,用于将时域样本数据变换为频域样本数据;
训练测试模块206,用于采用频域样本数据对基于卷积神经网络的预测模型进行训练和测试,以将预测模型用于关键模块健康状态的评估和剩余使用寿命的预测;
可用模型确定模块207,用于采用四项指标对预测模型的训练效果进行评价,当预测模型的训练效果满足所述四项指标的预设要求时,确定预测模型为可用预测模型,四项指标包括故障及退化检测率FDDR、故障及退化误报率FDAR、故障及退化伪阳真阳面积ROC-AUC以及寿命预测评估指数Dexp;
评估预测模块208,用于将UPS的当前数据作为可用预测模型的输入数据,对关键模块的健康状态进行评估和对关键模块的剩余使用寿命进行预测。
可选地,附图2示例装置中,UPS系统数据包括输入交流电压Usiac、输入频率Freqsi、输入电流畸变Dstorsic、蓄电池输入直流电压Usdc和输出频率Freqso,所述整流器数据包括整流器输出电流最大值Irom和整流效率Effrect,所述逆变器数据包括逆变器输入直流电压Uiidc、逆变器输出交流电压Uioac、逆变器效率Effinv、逆变器输出电压稳定性的值Stabov和总谐波畸变率THD。
可选地,附图2示例的标准界定模块202可以包括第一状态参量确定单元、第二状态参量确定单元、第三状态参量确定单元和第四状态参量确定单元,其中:
第二状态参量确定单元,用于根据整流效率Effrect和所述逆变器效率Effinv的正常值范围,确定整流效率Effrect和逆变器效率Effinv的状态变化参量评估指标R2:
第三状态参量确定单元,用于根据逆变器输出电压稳定性的值Stabov,确定逆变器输出电压稳定性的状态评估参量R3:
第四状态参量确定单元,用于根据总谐波畸变率THD,确定逆变器总谐波的状态评估参量R4:
可选地,附图2示例的数据类型确定模块203可以包括均值计算单元和数据类型确定单元,其中:
均值计算单元,用于计算采集的当前时刻以及当前时刻之前预定时长内R'1、R'2、R'3和R'4的平均值MeanR,其中,MeanR的计算公式为:
其中,R'ij表示第j个采样时刻R'i的值,R'i的下标i取1、2、3或4,R'i的确定方法与Ri的确定方法相同;
数据类型确定单元,用于若MeanR≤0.2,则确定时域样本数据为正常运行数据,若0.2<MeanR≤0.7,则确定时域样本数据为性能退化数据,若MeanR>0.7,则确定时域样本数据为发生故障数据。
可选地,附图2示例的计算模块204可以包括第一寿命计算单元、第二寿命计算单元和寿命直接确定单元,其中:
第一寿命计算单元,用于若时域样本数据为性能退化数据,则通过公式
计算性能退化数据对应关键模块的剩余使用寿命的真实值Lifed,其中,表示所有时域样本数据中Dur1的平均值,Dur1表示性能退化数据对应关键模块从开始运行到发生故障所经历的时长,Td-use表示性能退化数据对应关键模块已使用时长,Td-sug表示性能退化数据对应关键模块记录在其所属UPS的说明书上的建议使用寿命;
第二寿命计算单元,用于若时域样本数据为正常运行数据,则通过如下公式
计算运行正常数据对应关键模块的剩余使用寿命真实值Lifen,Tn-sug为运行正常数据对应关键模块记录在其所属UPS的说明书上的建议使用寿命,Tn-use为运行正常数据对应关键模块已使用时长;
寿命直接确定单元,用于若时域样本数据为发生故障数据,则确定发生故障数据对应关键模块的剩余使用寿命的真实值为0。
可选地,附图2示例的训练测试模块206可以包括样本确定单元、卷积层输出值计算单元和损失值计算单元,其中:
样本确定单元,用于对于每种类型的所述频域样本数据,从中随机取P个频域样本数据作为训练用数据置于训练集,从中随机取Q个频域样本数据作为测试用数据置于测试集;
卷积层输出值计算单元,用于将训练集中的频域样本数据作为基于卷积神经网络的预测模型的输入,按照如下公式
计算卷积神经网络相应卷积层的输出值,其中,卷积神经网络由共享网络层和特定任务网络层构成,共享网络层包括4个卷积层,特定任务网络层包括两个分离的全连接层构成,ELU表示指数线性单元激活函数运算,用于各层之间的非线性转换操作,*表示卷积运算,Outputl-1和Ootputl分别表示卷积神经网络中第l个卷积层的输入和第l个卷积层的输出,和分别表示所述卷积神经网络中第l个卷积层的过滤器核函数及偏置系数;
损失值计算单元,用于按照如下公式
计算用于关键模块的健康状态评估任务的分类回归损失LossHCI以及用于关键模块的剩余使用寿命预测的回归损失LossRUL,其中,N表示从训练集取出并用于训练预测模型的样本数量,表示第i个样本第j个分类器的健康状态真实值,表示第i个样本第j个分类器的健康状态基于预测模型得到的预测值,表示第i个样本对应关键模块的剩余使用寿命的预测值,Li表示第i个样本对应关键模块的剩余使用寿命的真实值。
可选地,附图2示例的可用模型确定模块207可以包括第一计算单元、第二计算单元和可用预测模型确定单元,其中:
第一计算单元,用于分别按照如下计算公式,计算FDDR、FDAR和Dexp的值:
其中,True(Flt+Dgra)表示预测模型正确预测出测试集中关键模块发生故障或性能退化的数量,False(Flt+Dgra)表示测试集中实际为性能退化数据或发生故障数据而被预测模型预测成关键模块运行正常的数量,False(Norm)表示测试集中实际为运行正常数据而被预测模型预测成关键模块运行故障或性能退化的数量;
第二计算单元,用于以伪阳率FRR为横坐标,FDDR为纵坐标绘制ROC曲线,根据ROC曲线计算故障退化伪阳真阳面积ROC-AUC,其中,伪阳率FRR按照如下公式计算:
其中,True(Norm)表示测试集中实际为运行正常数据且预测模型的预测结果为关键模块运行正常的数量;
预测模型确定单元,用于将测试集中的频域样本数据输入预测模型,若所得故障及退化检测率FDDR≥85%、故障及退化误报率FDAR≤20%、伪阳真阳面积ROC-AUC>0.8以及寿命预测评估指数Dexp≤2000,则确定预测模型为可用预测模型。
从以上技术方案的描述中可以看出,通过采集UPS的当前数据,并根据关键模块的运行正常、性能退化和发生故障界定标准确定数据集中时域样本数据的类型,然后采用频域样本数据对基于卷积神经网络的预测模型进行训练和测试,在确定预测模型为可用预测模型后,将UPS的当前数据作为可用预测模型的输入数据对关键模块的健康状态进行评估和剩余使用寿命进行预测。相比于现有技术凭借专业人员的知识判断而导致UPS在维护上存在较大的时间滞后性,本申请的技术方案基于卷积神经网络的模型的预测结果,在预测结果为性能退化或故障时能够提前提供运维支持,防止UPS内关键模块性能进一步恶化。
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内部关键模块性能预测方法的程序。处理器30执行计算机程序32时实现上述不间断电源系统内部关键模块性能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所示数据采集模块201、标准界定模块202、数据类型确定模块203、计算模块204、时频转换模块205、训练测试模块206、可用模型确定模块207和评估预测模块208的功能。
示例性地,不间断电源系统内部关键模块性能预测方法的计算机程序32主要包括:采集不间断电源系统UPS的系统数据和关键模块数据,作为UPS的当前数据,其中,关键模块数据包括整流器数据和逆变器数据;根据UPS技术资料和UPS的当前数据,确定关键模块的运行正常、性能退化和发生故障界定标准;根据关键模块的运行正常、性能退化和发生故障界定标准,确定数据集中时域样本数据的类型,其中,时域样本数据包括UPS的当前数据和历史数据,类型包括运行正常数据、性能退化数据和发生故障数据;根据时域样本数据的类型,计算关键模块的剩余使用寿命的真实值;将时域样本数据变换为频域样本数据;采用频域样本数据对基于卷积神经网络的预测模型进行训练和测试,以将预测模型用于关键模块健康状态的评估和剩余使用寿命的预测;采用四项指标对预测模型的训练效果进行评价,当预测模型的训练效果满足所述四项指标的预设要求时,确定预测模型为可用预测模型,四项指标包括故障及退化检测率FDDR、故障及退化误报率FDAR、故障及退化伪阳真阳面积ROC-AUC以及寿命预测评估指数Dexp;将UPS的当前数据作为可用预测模型的输入数据,对关键模块的健康状态进行评估和对关键模块的剩余使用寿命进行预测。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可以被分割成数据采集模块201、标准界定模块202、数据类型确定模块203、计算模块204、时频转换模块205、训练测试模块206、可用模型确定模块207和评估预测模块208(虚拟装置中的模块)的功能,各模块具体功能如下:数据采集模块201,用于采集不间断电源系统UPS的系统数据和关键模块数据,作为UPS的当前数据,其中,关键模块数据包括整流器数据和逆变器数据;标准界定模块202,用于根据UPS技术资料和UPS的当前数据,确定关键模块的运行正常、性能退化和发生故障界定标准;数据类型确定模块203,用于根据关键模块的运行正常、性能退化和发生故障界定标准,确定数据集中时域样本数据的类型,其中,时域样本数据包括UPS的当前数据和历史数据,类型包括运行正常数据、性能退化数据和发生故障数据;计算模块204,用于根据时域样本数据的类型,计算关键模块的剩余使用寿命的真实值;时频转换模块205,用于将时域样本数据变换为频域样本数据;训练测试模块206,用于采用频域样本数据对基于卷积神经网络的预测模型进行训练和测试,以将预测模型用于关键模块健康状态的评估和剩余使用寿命的预测;可用模型确定模块207,用于采用四项指标对预测模型的训练效果进行评价,当预测模型的训练效果满足所述四项指标的预设要求时,确定预测模型为可用预测模型,四项指标包括故障及退化检测率FDDR、故障及退化误报率FDAR、故障及退化伪阳真阳面积ROC-AUC以及寿命预测评估指数Dexp;评估预测模块208,用于将UPS的当前数据作为可用预测模型的输入数据,对关键模块的健康状态进行评估和对关键模块的剩余使用寿命进行预测。
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 Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-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 MediaCard,SMC),安全数字(Secure Digital,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,不间断电源系统内部关键模块性能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,采集不间断电源系统UPS的系统数据和关键模块数据,作为UPS的当前数据,其中,关键模块数据包括整流器数据和逆变器数据;根据UPS技术资料和UPS的当前数据,确定关键模块的运行正常、性能退化和发生故障界定标准;根据关键模块的运行正常、性能退化和发生故障界定标准,确定数据集中时域样本数据的类型,其中,时域样本数据包括UPS的当前数据和历史数据,类型包括运行正常数据、性能退化数据和发生故障数据;根据时域样本数据的类型,计算关键模块的剩余使用寿命的真实值;将时域样本数据变换为频域样本数据;采用频域样本数据对基于卷积神经网络的预测模型进行训练和测试,以将预测模型用于关键模块健康状态的评估和剩余使用寿命的预测;采用四项指标对预测模型的训练效果进行评价,当预测模型的训练效果满足所述四项指标的预设要求时,确定预测模型为可用预测模型,四项指标包括故障及退化检测率FDDR、故障及退化误报率FDAR、故障及退化伪阳真阳面积ROC-AUC以及寿命预测评估指数Dexp;将UPS的当前数据作为可用预测模型的输入数据,对关键模块的健康状态进行评估和对关键模块的剩余使用寿命进行预测。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 Access Memory)、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内部关键模块性能预测方法,其特征在于,所述方法包括:
采集不间断电源系统UPS的系统数据和关键模块数据,作为UPS的当前数据,所述关键模块数据包括整流器数据和逆变器数据;
根据UPS技术资料和UPS的当前数据,确定所述关键模块的运行正常、性能退化和发生故障界定标准;
根据所述关键模块的运行正常、性能退化和发生故障界定标准,确定数据集中时域样本数据的类型,所述时域样本数据包括所述UPS的当前数据和历史数据,所述类型包括运行正常数据、性能退化数据和发生故障数据;
根据所述数据集中时域样本数据的类型,计算所述关键模块的剩余使用寿命的真实值;
将所述时域样本数据变换为频域样本数据;
采用所述频域样本数据对基于卷积神经网络的预测模型进行训练和测试,以将所述预测模型用于所述关键模块健康状态的评估和剩余使用寿命的预测;
采用四项指标对所述预测模型的训练效果进行评价,当所述预测模型的训练效果满足所述四项指标的预设要求时,确定所述预测模型为可用预测模型,所述四项指标包括故障及退化检测率FDDR、故障及退化误报率FDAR、故障及退化伪阳真阳面积ROC-AUC以及寿命预测评估指数Dexp;
将所述UPS的当前数据作为所述可用预测模型的输入数据,对所述关键模块的健康状态进行评估和对所述关键模块的剩余使用寿命进行预测。
2.如权利要求1所述不间断电源系统内部关键模块性能预测方法,其特征在于,所述UPS系统数据包括输入交流电压Usiac、输入频率Freqsi、输入电流畸变Dstorsic、蓄电池输入直流电压Usdc和输出频率Freqso,所述整流器数据包括整流器输出电流最大值Irom和整流效率Effrect,所述逆变器数据包括逆变器输入直流电压Uiidc、逆变器输出交流电压Uioac、逆变器效率Effinv、逆变器输出电压稳定性的值Stabov和总谐波畸变率THD。
4.如权利要求1所述不间断电源系统内部关键模块性能预测方法,其特征在于,所述根据所述关键模块的运行正常、性能退化和发生故障界定标准,确定数据集中时域样本数据的类型,包括:
计算所述采集的当前时刻以及所述当前时刻之前预定时长内R′1、R′2、R′3和R′4的平均值MeanR,所述MeanR的计算公式为:
所述R′ij表示第j个采样时刻R′i的值,所述R′i的下标i取1、2、3或4,所述R′i的确定方法与Ri的确定方法相同;
若MeanR≤0.2,则确定所述时域样本数据为正常运行数据,若0.2<MeanR≤0.7,则确定所述时域样本数据为性能退化数据,若MeanR>0.7,则确定所述时域样本数据为发生故障数据。
5.如权利要求3所述不间断电源系统内部关键模块性能预测方法,其特征在于,所述根据所述数据集中时域样本数据的类型,计算所述关键模块的剩余使用寿命的真实值,包括:
若所述时域样本数据为性能退化数据,则通过公式
计算所述性能退化数据对应关键模块的剩余使用寿命的真实值Lifed,所述表示所有所述时域样本数据中Dur1的平均值,所述Dur1表示所述性能退化数据对应关键模块从开始运行到发生故障所经历的时长,所述Td-use表示性能退化数据对应关键模块已使用时长,所述Td-sug表示所述性能退化数据对应关键模块记录在其所属UPS的说明书上的建议使用寿命;
若所述时域样本数据为正常运行数据,则通过如下公式
计算所述运行正常数据对应关键模块的剩余使用寿命真实值Lifen,所述Tn-sug为所述运行正常数据对应关键模块记录在其所属UPS的说明书上的建议使用寿命,所述Tn-use为所述运行正常数据对应关键模块已使用时长;
若所述时域样本数据为发生故障数据,则确定所述发生故障数据对应关键模块的剩余使用寿命的真实值为0。
6.如权利要求1所述不间断电源系统内部关键模块性能预测方法,其特征在于,所述采用所述频域样本数据对基于卷积神经网络的预测模型进行训练和测试,以将所述预测模型用于所述关键模块健康状态的评估和剩余使用寿命的预测,包括:
对于每种类型的所述频域样本数据,从中随机取P个频域样本数据作为训练用数据置于训练集,从中随机取Q个频域样本数据作为测试用数据置于测试集;
将所述训练集中的频域样本数据作为所述基于卷积神经网络的预测模型的输入,按照如下公式
计算所述卷积神经网络相应卷积层的输出值,所述卷积神经网络由共享网络层和特定任务网络层构成,所述共享网络层包括4个卷积层,所述特定任务网络层包括两个分离的全连接层构成,所述ELU表示指数线性单元激活函数运算,用于各层之间的非线性转换操作,所述*表示卷积运算,所述Outputl-1和Ootputl分别表示所述卷积神经网络中第l个卷积层的输入和第l个卷积层的输出,所述和分别表示所述卷积神经网络中第l个卷积层的过滤器核函数及偏置系数;
按照如下公式
7.如权利要求6所述不间断电源系统内部关键模块性能预测方法,其特征在于,所述采用四项指标对所述预测模型的训练效果进行评价,当所述预测模型的训练效果满足所述四项指标的预设要求时,确定所述预测模型为可用预测模型,包括:
分别按照如下计算公式,计算所述FDDR、FDAR和Dexp的值:
所述True(Flt+Dgra)表示所述预测模型正确预测出所述测试集中关键模块发生故障或性能退化的数量,所述False(Flt+Dgra)表示所述测试集中实际为性能退化数据或发生故障数据而被所述预测模型预测成所述关键模块运行正常的数量,所述False(Norm)表示所述测试集中实际为运行正常数据而被所述预测模型预测成所述关键模块运行故障或性能退化的数量;
以伪阳率FRR为横坐标,所述FDDR为纵坐标绘制ROC曲线,根据所述ROC曲线计算所述故障退化伪阳真阳面积ROC-AUC,所述伪阳率FRR按照如下公式计算:
所述True(Norm)表示所述测试集中实际为运行正常数据且所述预测模型的预测结果为所述关键模块运行正常的数量;
将所述测试集中的频域样本数据输入所述预测模型,若所得故障及退化检测率FDDR≥85%、故障及退化误报率FDAR≤20%、伪阳真阳面积ROC-AUC>0.8以及寿命预测评估指数Dexp≤2000,则确定所述预测模型为可用预测模型。
8.一种不间断电源系统内部关键模块性能预测装置,其特征在于,所述装置包括:
数据采集模块,用于采集不间断电源系统UPS的系统数据和关键模块数据,作为UPS的当前数据,所述关键模块数据包括整流器数据和逆变器数据;
标准界定模块,用于根据UPS技术资料和UPS的当前数据,确定所述关键模块的运行正常、性能退化和发生故障界定标准;
数据类型确定模块,用于根据所述关键模块的运行正常、性能退化和发生故障界定标准,确定数据集中时域样本数据的类型,所述时域样本数据包括所述UPS的当前数据和历史数据,所述类型包括运行正常数据、性能退化数据和发生故障数据;
计算模块,用于根据所述时域样本数据的类型,计算所述关键模块的剩余使用寿命的真实值;
时频转换模块,用于将所述时域样本数据变换为频域样本数据;
训练测试模块,用于采用所述频域样本数据对基于卷积神经网络的预测模型进行训练和测试,以将所述预测模型用于所述关键模块健康状态的评估和剩余使用寿命的预测;
可用模型确定模块,用于采用四项指标对所述预测模型的训练效果进行评价,当所述预测模型的训练效果满足所述四项指标的预设要求时,确定所述预测模型为可用预测模型,所述四项指标包括故障及退化检测率FDDR、故障及退化误报率FDAR、故障及退化伪阳真阳面积ROC-AUC以及寿命预测评估指数Dexp;
评估预测模块,用于将所述UPS的当前数据作为所述可用预测模型的输入数据,对所述关键模块的健康状态进行评估和对所述关键模块的剩余使用寿命进行预测。
9.一种设备,所述设备包括存储器、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7任意一项所述方法的步骤。
10.一种计算机可读存储介质,所述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7任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011243700.5A CN112559305B (zh) | 2020-11-10 | 2020-11-10 | 不间断电源系统内部关键模块性能预测方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011243700.5A CN112559305B (zh) | 2020-11-10 | 2020-11-10 | 不间断电源系统内部关键模块性能预测方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112559305A true CN112559305A (zh) | 2021-03-26 |
CN112559305B CN112559305B (zh) | 2023-01-17 |
Family
ID=75041731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011243700.5A Active CN112559305B (zh) | 2020-11-10 | 2020-11-10 | 不间断电源系统内部关键模块性能预测方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112559305B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705839A (zh) * | 2021-09-13 | 2021-11-26 | 北京博瑞华通科技有限公司 | 一种燃料电池电堆的预测性维护方法以及维护系统 |
CN113867513A (zh) * | 2021-09-18 | 2021-12-31 | 山东云海国创云计算装备产业创新中心有限公司 | 一种psu使用寿命的预测方法、装置、设备及介质 |
CN116147928A (zh) * | 2023-04-20 | 2023-05-23 | 清华大学 | 航空发动机热射流装置的健康状态确定方法、装置和设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017177012A1 (en) * | 2016-04-06 | 2017-10-12 | Nec Laboratories America, Inc | System failure prediction using long short-term memory neural networks |
CN108776818A (zh) * | 2018-06-05 | 2018-11-09 | 北京航空航天大学 | 轴承特征提取方法、轴承剩余寿命预测方法和装置 |
CN109492345A (zh) * | 2019-01-10 | 2019-03-19 | 西安交通大学 | 一种基于SENet的透平叶片高周疲劳寿命预测方法 |
CN109543905A (zh) * | 2018-11-23 | 2019-03-29 | 西安电子科技大学 | 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法 |
CN111611744A (zh) * | 2020-03-31 | 2020-09-01 | 华电电力科学研究院有限公司 | 基于循环卷积网络及变分推理的滚动轴承寿命预测方法 |
CN111688542A (zh) * | 2019-03-12 | 2020-09-22 | 丰田自动车株式会社 | 电池寿命学习装置、电池寿命预测装置、方法及存储有程序的存储介质 |
CN111782491A (zh) * | 2019-11-15 | 2020-10-16 | 华中科技大学 | 一种磁盘故障预测方法、装置、设备及存储介质 |
-
2020
- 2020-11-10 CN CN202011243700.5A patent/CN112559305B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017177012A1 (en) * | 2016-04-06 | 2017-10-12 | Nec Laboratories America, Inc | System failure prediction using long short-term memory neural networks |
US20170293542A1 (en) * | 2016-04-06 | 2017-10-12 | Nec Laboratories America, Inc. | System failure prediction using long short-term memory neural networks |
CN108776818A (zh) * | 2018-06-05 | 2018-11-09 | 北京航空航天大学 | 轴承特征提取方法、轴承剩余寿命预测方法和装置 |
CN109543905A (zh) * | 2018-11-23 | 2019-03-29 | 西安电子科技大学 | 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法 |
CN109492345A (zh) * | 2019-01-10 | 2019-03-19 | 西安交通大学 | 一种基于SENet的透平叶片高周疲劳寿命预测方法 |
CN111688542A (zh) * | 2019-03-12 | 2020-09-22 | 丰田自动车株式会社 | 电池寿命学习装置、电池寿命预测装置、方法及存储有程序的存储介质 |
CN111782491A (zh) * | 2019-11-15 | 2020-10-16 | 华中科技大学 | 一种磁盘故障预测方法、装置、设备及存储介质 |
CN111611744A (zh) * | 2020-03-31 | 2020-09-01 | 华电电力科学研究院有限公司 | 基于循环卷积网络及变分推理的滚动轴承寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
宁永杰: "基于机器学习的滚动轴承状态评估与剩余寿命预测", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705839A (zh) * | 2021-09-13 | 2021-11-26 | 北京博瑞华通科技有限公司 | 一种燃料电池电堆的预测性维护方法以及维护系统 |
CN113705839B (zh) * | 2021-09-13 | 2023-10-20 | 北京博瑞华通科技有限公司 | 一种燃料电池电堆的预测性维护方法以及维护系统 |
CN113867513A (zh) * | 2021-09-18 | 2021-12-31 | 山东云海国创云计算装备产业创新中心有限公司 | 一种psu使用寿命的预测方法、装置、设备及介质 |
CN116147928A (zh) * | 2023-04-20 | 2023-05-23 | 清华大学 | 航空发动机热射流装置的健康状态确定方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112559305B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109815084B (zh) | 异常识别方法、装置和电子设备及存储介质 | |
CN109697570B (zh) | 变电站二次设备状态评估方法、系统及设备 | |
Serrano-Guerrero et al. | Statistical methodology to assess changes in the electrical consumption profile of buildings | |
CN110399400B (zh) | 检测异常数据的方法、装置、设备以及介质 | |
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 | |
CN112433907A (zh) | 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 | |
CN112578891A (zh) | 不间断电源预测性维护方法、装置及存储介质 | |
CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
EP3981077A1 (en) | Method and device for facilitating storage of data from an industrial automation control system or power system | |
CN116028315A (zh) | 作业运行预警方法、装置、介质及电子设备 | |
CN116680146A (zh) | 一种保障应用软件安全可靠运行的方法和装置 | |
CN114338351B (zh) | 网络异常根因确定方法、装置、计算机设备及存储介质 | |
CN111007452A (zh) | 一种数据采集系统的故障诊断方法及装置 | |
CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
CN114357171A (zh) | 一种应急事件处理方法、装置、存储介质及电子设备 | |
US11366178B2 (en) | Method and system for diagnostics and monitoring of electric machines | |
CN117667570A (zh) | 一种统一监控数字化平台 | |
CN113192627A (zh) | 一种基于病人与疾病二部图的再入院预测方法及系统 | |
CN117235664A (zh) | 配电通信设备的故障诊断方法、系统和计算机设备 | |
CN116909712A (zh) | 基于机器学习的智能任务调度系统及其方法 | |
US20230038977A1 (en) | Apparatus and method for predicting anomalous events in a system | |
JP7062505B2 (ja) | 設備管理支援システム | |
Sridevi et al. | Predictive Maintenance of Lead-Acid Batteries Using Machine Learning Algorithms |
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 | ||
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. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |