CN113298278B - 具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及云端服务器 - Google Patents

具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及云端服务器 Download PDF

Info

Publication number
CN113298278B
CN113298278B CN202010101505.2A CN202010101505A CN113298278B CN 113298278 B CN113298278 B CN 113298278B CN 202010101505 A CN202010101505 A CN 202010101505A CN 113298278 B CN113298278 B CN 113298278B
Authority
CN
China
Prior art keywords
data
prediction
health
power
power equipment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010101505.2A
Other languages
English (en)
Other versions
CN113298278A (zh
Inventor
林咏翔
叶佳珉
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.)
Cyber Power Systems Inc
Original Assignee
Cyber Power Systems Inc
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 Cyber Power Systems Inc filed Critical Cyber Power Systems Inc
Priority to CN202010101505.2A priority Critical patent/CN113298278B/zh
Priority to TW109111228A priority patent/TWI753397B/zh
Priority to US16/902,753 priority patent/US11106985B1/en
Publication of CN113298278A publication Critical patent/CN113298278A/zh
Application granted granted Critical
Publication of CN113298278B publication Critical patent/CN113298278B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/40—Testing power supplies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/28—Supervision thereof, e.g. detecting power-supply failure by out of limits supervision
    • 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
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/185—Electrical failure alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
    • G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J9/00—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting
    • H02J9/04—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source
    • H02J9/06—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source with automatic change-over, e.g. UPS systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/02—Details
    • H04L12/16—Arrangements for providing special services to substations
    • H04L12/18—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast
    • H04L12/1895—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast for short real-time information, e.g. alarms, notifications, alerts, updates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G06F11/0754—Error or fault detection not based on redundancy by exceeding limits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/16—Error detection or correction of the data by redundancy in hardware
    • G06F11/20—Error detection or correction of the data by redundancy in hardware using active fault-masking, e.g. by switching out faulty elements or by switching in spare elements
    • G06F11/2015—Redundant power supplies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/04—Real-time or near real-time messaging, e.g. instant messaging [IM]
    • H04L51/046—Interoperability with other network applications or services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/58—Message adaptation for wireless communication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/18—Network protocols supporting networked applications, e.g. including control of end-device applications over a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Emergency Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Water Supply & Treatment (AREA)

Abstract

本发明提出一种具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及一种适用于多个电力设备的云端服务器。所述电力设备透过其通讯模块自前述云端服务器取得电力设备的一健康指数预测模型与一健康预测指数阈值，并用以将所取得的多个感测数据与电力设备的基本数据带入健康指数预测模型来进行运算，以获得一健康预测指数。所述电力设备还用以依据健康预测指数与健康预测指数阈值的比较结果来取得电力设备的一健康状态预测数据，以便执行一后续处理。其中健康指数预测模型为前述云端服务器透过机器学习的方式来建立与训练。

Description

具有自我健康状态预测功能的电力设备及其自我健康状态预 测方法以及云端服务器
技术领域
本发明涉及电力供应的技术领域，特别是涉及一种具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及一种适用于多个电力设备的云端服务器。
背景技术
电力装置，例如是不断电系统(uninterruptible power system，UPS)、电源分配单元(power distribution unit，PDU)或自动电源切换开关(auto transfer switch，ATS)，为用以提供一操作电源给至少一负载，以便这些负载能够正常操作。
然而，一旦电力装置发生故障(例如因其内部零件损坏而导致故障)，就很可能会使得电力装置无法正常供电给负载，进而使得这些负载无法正常操作。此时，若有重要的负载(例如是关键的医疗设备)无法正常操作，则其所造成的后果是难以想象的。因此，若能够预测电力装置的健康状态，使得维护人员能在电力装置的健康状态不佳时就先进行预防性的处置，这样就能够有效防止前述问题。
发明内容
本发明的其中一目的在于提供一种具有自我健康状态预测功能的电力设备。
本发明的另一目的在于提供一种电力设备的自我健康状态预测方法。
本发明的再一目的在于提供一种适用于多个电力设备的云端服务器。
为达上述目的，本发明提供一种具有自我健康状态预测功能的电力设备，其包括有多个传感器、一通讯模块、一控制单元与一存储单元。所述的多个传感器用以取得多个感测数据。所述的控制单元用以透过通讯模块自一云端服务器取得电力设备的一健康指数预测模型与一健康预测指数阈值，并用以将该些感测数据与电力设备的基本数据带入健康指数预测模型来进行运算，以获得一健康预测指数，并依据健康预测指数与健康预测指数阈值的比较结果来取得电力设备的一健康状态预测数据，以便执行一后续处理，其中健康指数预测模型为所述云端服务器透过机器学习的方式来建立与训练。至于所述存储单元，其用以储存电力设备的基本数据、健康指数预测模型与健康预测指数阈值。
为达上述目的，本发明另提供一种电力设备的自我健康状态预测方法，所述电力设备包括有多个传感器与一通讯模块，而所述方法包括有下列步骤：透过通讯模块自一云端服务器取得电力设备的一健康指数预测模型与一健康预测指数阈值，其中健康指数预测模型为所述云端服务器透过机器学习的方式来建立与训练；透过该些传感器取得多个感测数据；将该些感测数据与电力设备的基本数据带入健康指数预测模型来进行运算，以获得一健康预测指数；以及依据健康预测指数与健康预测指数阈值的比较结果来取得电力设备的一健康状态预测数据，以便执行一后续处理。
为达上述目的，本发明再提供一种云端服务器，其适用于多个电力设备。所述云端服务器包括有一通讯模块、一数据库、一预测模型训练模块与一数据搜集模块。所述数据库用以储存每一电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据，并用以储存每一电力设备的一设备型号所对应的一健康预测指数阈值。所述预测模型训练模块用以针对每一设备型号来建立与训练一健康指数预测模型，每一健康指数预测模型为依据数据库中的具有一对应设备型号的该些电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据而透过机器学习的方式来建立与训练。至于数据搜集模块，其用以透过通讯模块搜集每一电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据，并依据每一电力设备的基本数据取得其对应的一寿命数据。此数据搜集模块更用以提供一网络用户界面，以透过网络用户界面搜集每一电力设备的维修数据与该些健康预测指数阈值，并将搜集到的所有数据、该些健康预测指数阈值与取得的该些寿命数据皆储存至数据库中。
为了让上述目的、技术特征以及实际实施后的增益性更为明显易懂，于下文中将以较佳的实施范例辅佐对应相关的图式来进行更详细的说明。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1绘有依照本发明一实施例的多个电力设备与依照本发明一实施例的云端服务器。
图2绘示图1的每一电力设备的内部架构。
图3为每一健康指数预测模型的建立流程。
图4为每一健康指数预测模型的训练流程。
图5为依照本发明一实施例的电力设备的自我健康状态预测方法的流程。
具体实施方式
为更清楚了解本发明的特征、内容与优点及其所能达成的功效，兹将本发明配合附图，并以实施例的表达形式详细说明如下，而其中所使用的图式，其主旨仅为示意及辅助说明书之用，未必为本发明实施后的真实比例与精准配置，故不应就所附的图式的比例与配置关系解读、局限本发明于实际实施上的权利范围。
本发明的优点、特征以及达到的技术方法将参照例示性实施例及所附图式进行更详细地描述而更容易理解，且本发明或可以不同形式来实现，故不应被理解仅限于此处所陈述的实施例，相反地，对所属技术领域具有通常知识者而言，所提供的实施例将使本揭露更加透彻与全面且完整地传达本发明的范畴，且本发明将仅为所附加的申请专利范围所定义。
图1绘有依照本发明一实施例的多个电力设备与依照本发明一实施例的云端服务器，而图2绘示图1的每一电力设备的内部架构。请同时参照图1与图2，在此例中，云端服务器110包括有预测模型训练模块112、数据库114、数据搜集模块116、警示讯息推播模块118与通讯模块120，而每一电力设备130包括有控制单元132、存储单元134、通讯模块136、多个传感器138与警报模块140。为方便说明，以下说明为以这些电力设备130皆为不断电系统为例。这些电力设备130可以是皆为在线式不断电系统(On-line UPS)、皆为离线式不断电系统(Off-line UPS)或皆为在线交互式不断电系统(Line-interactive UPS)，亦或者是由上述三种不断电系统中的至少其中二种混和组成。另外，图2仅绘示每一电力设备130中的与本发明相关的部分，以便聚焦在本发明的技术内容。
首先先说明电力设备130的操作。请参照图2，电力设备130的控制单元132用以透过这些传感器138来取得多个感测数据，其取得这些数据的方式可采用定时的方式或采用不定时的方式。而所取得的感测数据报括电力设备130的输入电压、输入电流、输出电压、输出电流、电池电压、电池充电电流、电池放电电流、环境温度、环境湿度的至少其中之一。在取得这些感测数据后，控制单元132便会据以决定是否有发生异常事件(例如输入电压过低、电池电压过低、电池内阻过高、环境温度过高等等)，以取得异常事件数据，并将所取得的这些感测数据与所取得的异常事件数据皆储存至存储单元134中。存储单元134亦储存有电力设备130的基本数据，所述的基本数据报括电力设备130的设备型号、制造日期、额定功率、额定电压与额定电流的至少其中之一。
控制单元132还用以透过通讯模块136自云端服务器110取得电力设备130的一健康指数预测模型与一健康预测指数阈值，并将所取得的健康指数预测模型与健康预测指数阈值皆储存在存储单元134中，其中健康指数预测模型为云端服务器110透过机器学习的方式来建立与训练(详后述)。在取得健康指数预测模型与健康预测指数阈值后，控制单元132便将所取得的该些感测数据与电力设备130的基本数据带入健康指数预测模型来进行运算，以获得一健康预测指数(其例如是电力设备130在未来一预定时间内会发生故障的机率)，并依据健康预测指数与健康预测指数阈值的比较结果来取得电力设备130的一健康状态预测数据，并将所取得的健康状态预测数据亦储存至存储单元134中。
在此例中，控制单元132包括有健康指数预测模块132-1与健康状态分析模块132-2。其中健康指数预测模块132-1即用以将所取得的该些感测数据与电力设备130的基本数据带入健康指数预测模型来进行运算，以获得上述的健康预测指数。而健康状态分析模块132-2即用以比较所取得的健康预测指数与健康预测指数阈值，据以取得上述的健康状态预测数据。
在取得电力设备130的健康状态预测数据后，控制单元132便据以执行一后续处理。举例来说，当所取得的健康状态预测数据呈现电力设备130的健康状态不佳时，那么所述的后续处理可包括透过通讯模块136通知一邮件服务器(未绘示)发出一警报信件、透过通讯模块136通知一简讯发报机(未绘示)发出一警报简讯以及控制警报模块140发出一警报的至少其中之一，以使得维护人员能够先进行预防性的处置，例如更换即将损坏的零件。当然，无论所取得的健康状态预测数据所呈现的电力设备130的健康状态为何，所述的后续处理亦可包括透过通讯模块136来将取得的健康状态预测数据传送至云端服务器110，以便云端服务器110依据此健康状态预测数据所呈现的电力设备130的健康状态来执行一对应处理(详后述)。
另外，在此例中，警报模块140包括一显示设备(未绘示)与一声音警示装置(未绘示)的至少其中之一，以依照实际的需求发出对应的警示讯息。此外，在此例中，控制单元132更用以透过通讯模块136自云端服务器110取得一警报执行脚本。此警报执行脚本具有由一用户设定的一警报动作与至少一判断条件。所述的判断条件例如是电池电压是否低于一第一默认值、电力设备130的输出电压是否低于一第二默认值等等。当控制单元132判断此警报执行脚本中所设定的这些条件皆被满足时，便控制警报模块140执行上述的警报动作。所述警报动作例如是控制警报模块140中的显示设备发出红色闪烁光，或是控制警报模块140中的声音警示装置发出一连串的警报声，亦或是同时执行上述二种警示方式。
接下来将说明云端服务器110的操作。请再参照图1，在此例中，云端服务器110的数据库114用以储存每一电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据，并用以储存每一电力设备130的一设备型号所对应的一健康预测指数阈值。举例来说，若图1中的这些电力设备130共具有二种设备型号，则数据库114便会储存这二种设备型号所对应的二个健康预测指数阈值。
预测模型训练模块112用以针对每一设备型号来建立与训练一健康指数预测模型，每一健康指数预测模型为依据数据库114中的具有一对应设备型号的该些电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据而透过机器学习的方式来建立与训练。在此例中，云端服务器110所使用的机器学习算法包括类神经网络算法(Artificial neural network algorithm)、判定树算法(Decision treealgorithm)、K平均算法(K-means algorithm)、支持向量机算法(Support vector machinealgorithm)、线性回归算法(Linear regression algorithm)与逻辑回归算法(Logisticregression algorithm)的至少其中之一。
数据搜集模块116用以透过通讯模块120搜集每一电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据，并依据每一电力设备130的基本数据取得其对应的一寿命数据。此外，数据搜集模块116更用以提供网络用户界面(web-based userinterface)116-1，以透过网络用户界面116-1搜集每一电力设备130的维修数据与该些健康预测指数阈值，并将搜集到的所有数据、该些健康预测指数阈值与取得的该些寿命数据皆储存至数据库114中。
接下来将进一步说明每一健康指数预测模型的建立方式。图3即为每一健康指数预测模型的建立流程。请同时参照图3与图1，在开始建立健康指数预测模型之前，数据库114需先预存至少一种设备型号所对应的至少部分电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据，且所预存的数据需达一定数量。此外，部分的预存数据可由用户给定，例如健康状态预测数据。而云端服务器110即是依据其数据库114所预存的现有数据来建立所需的健康指数预测模型。
在开始建立一健康指数预测模型时，预测模型训练模块112便会自数据库114中取得具有一对应设备型号的该些电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据，并据以透过机器学习的方式来建立一故障发生率预测模型(如步骤S310所示)。接着，预测模型训练模块112将所取得的每一电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据带入上述故障发生率预测模型，以取得前述每一电力设备130的一故障发生率预测值(如步骤S312所示)。
接下来，预测模型训练模块112依据所取得的该些电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据与故障发生率预测值而透过机器学习的方式来建立一剩余寿命预测模型(如步骤S314所示)。然后，预测模型训练模块112将所取得的每一电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据与故障发生率预测值带入上述剩余寿命预测模型，以取得前述每一电力设备130的一剩余寿命预测值(如步骤S316所示)。接下来，预测模型训练模块112依据所取得的该些电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据、故障发生率预测值与剩余寿命预测值而透过机器学习的方式来建立一健康指数预测模型(如步骤S318所示)。
接下来将进一步说明每一健康指数预测模型的训练方式。在建立完所需的健康指数预测模型后，云端服务器110会透过通讯模块120将建立好的这些健康指数预测模型传送至对应的电力设备130，以供这些电力设备130产生新的健康状态预测数据。接着，云端服务器110会再透过数据搜集模块116搜集这些健康指数预测模型所对应的该些电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据与维修数据，并依据前述的每一电力设备130的基本数据取得其对应的一寿命数据，并把新搜集到的数据以及新取得的这些寿命数据皆储存至数据库114中。如此一来，储存内容更新后的数据库114便储存有原来的预存数据、新搜集到的数据以及新取得的寿命数据。而云端服务器110即是依据数据库114中的原预存的数据与新储存的数据来训练前述的这些健康指数预测模型。
图4即为每一健康指数预测模型的训练流程。请同时参照图4与图1，在开始训练其中一健康指数预测模型时，预测模型训练模块112便会自储存内容更新后的数据库114中取得具有对应设备型号的该些电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据，并据以透过机器学习的方式来训练对应的故障发生率预测模型(如步骤S410所示)。接着，预测模型训练模块112将所取得的每一电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据带入训练完的故障发生率预测模型，以取得前述每一电力设备130的一故障发生率预测值(如步骤S412所示)。
接下来，预测模型训练模块112依据所取得的该些电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据与故障发生率预测值而透过机器学习的方式来训练对应的剩余寿命预测模型(如步骤S414所示)。然后，预测模型训练模块112将所取得的每一电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据与故障发生率预测值带入训练完的剩余寿命预测模型，以取得前述每一电力设备130的一剩余寿命预测值(如步骤S416所示)。接下来，预测模型训练模块112依据所取得的该些电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据、故障发生率预测值与剩余寿命预测值而透过机器学习的方式来训练对应的健康指数预测模型(如步骤S418所示)。
在训练完所需的这些健康指数预测模型后，云端服务器110会透过通讯模块120将训练好的这些健康指数预测模型传送至对应的电力设备130，以供这些电力设备130使用。当然，前述的训练流程可采用定期的方式或者采用不定期的方式再次执行，以便重新训练这些健康指数预测模型。而随着训练次数的增加，健康状态预测数据的精准度亦会随之增加。
请再参照图1，在此例中，当数据搜集模块116判断有任一新取得的健康状态预测数据呈现出其对应的电力设备130的健康状态不佳时，数据搜集模块116便透过警示讯息推拨模块118推拨一警示讯息至对应用户的智能型手持装置。所述智能型手持装置例如是手机、笔记本电脑或平板电脑。此外，在此例中，数据搜集模块116更透过网络用户界面116-1接收用户所设定的一警报动作与至少一判断条件，据以产生一警报执行脚本，并透过通讯模块120将此警报执行脚本传送至至少一对应电力设备130。
尽管在前述实施例中，云端服务器110具有警示讯息推拨模块118，且每一电力设备130具有警报模块140，然此并非用以限制本发明，本领域的通常知识者应知警示讯息推拨模块118与警报模块140可依据实际的设计需求来决定是否采用。此外，尽管在前述实施例中是以所有电力设备130皆为不断电系统为例，然此亦非用以限制本发明，本领域的通常知识者应知前述这些电力设备130亦可皆为电源分配单元或是皆为自动电源切换开关，亦或是由上述三种电力设备中的至少其中二种混和组成。当然，若有电力设备130采电源分配单元或是自动电源切换开关来实现，则其基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据及对应的健康预测指数阈值的内容便需对应地调整，且其对应的健康指数预测模型、故障发生率预测模型与剩余寿命预测模型中所考虑的因子亦需对应地调整。
此外，藉由上述说明，本领域的通常知识者应可归纳出本发明的电力设备的自我健康状态预测方法的一些基本操作步骤，以图5来说明之。图5即为依照本发明一实施例的电力设备的自我健康状态预测方法的流程。所述电力设备包括有多个传感器与一通讯模块，而所述方法包括有下列步骤：首先，透过通讯模块自一云端服务器取得电力设备的一健康指数预测模型与一健康预测指数阈值(如步骤S510所示)，其中健康指数预测模型为所述云端服务器透过机器学习的方式来建立与训练。接着，透过该些传感器取得多个感测数据(如步骤S512所示)。接下来，将该些感测数据与电力设备的基本数据带入健康指数预测模型来进行运算，以获得一健康预测指数(如步骤S514所示)。然后，依据健康预测指数与健康预测指数阈值的比较结果来取得电力设备的一健康状态预测数据，以便执行一后续处理(如步骤S516所示)。当然，前述步骤S510与S512可对调。
综上所述，由于本发明的电力设备能够执行自我健康状态预测功能，并可在健康状态预测数据呈现其健康状态不佳时执行对应的后续处理，使得维护人员能在电力装置的健康状态不佳时就先进行预防性的处置。此外，由于本发明的云端服务器能不断地重新训练电力设备所需的健康指数预测模型，因此健康状态预测数据的精准度亦会不断提高。
以上所述的实施例仅为说明本发明的技术思想及特点，其目的在使熟习此项技艺的人士能够了解本发明的内容并据以实施，当不能以之限定本发明的专利范围，即凡依本发明所揭示的精神所作的均等变化或修饰，仍应涵盖在本发明的专利范围内。

Claims (31)

1.一种具有自我健康状态预测功能的电力设备，其特征在于，该电力设备包括：
多个传感器，用以取得多个感测数据；
一通讯模块；
一控制单元，用以透过该通讯模块自一云端服务器取得该电力设备的一健康指数预测模型与一健康预测指数阈值，并用以将该些感测数据与该电力设备的基本数据带入该健康指数预测模型来进行运算，以获得一健康预测指数，并依据该健康预测指数与该健康预测指数阈值的比较结果来取得该电力设备的一健康状态预测数据，以便执行一后续处理，其中该健康指数预测模型为该云端服务器透过机器学习的方式来建立与训练；以及
一存储单元，用以储存该电力设备的基本数据、该健康指数预测模型与该健康预测指数阈值，
其中该云端服务器用以针对多个电力设备的每一设备型号来建立与训练一健康指数预测模型，且在建立每一健康指数预测模型时所执行的步骤包括：
自一数据库中取得具有一对应设备型号的该些电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据，并据以透过机器学习的方式来建立一故障发生率预测模型；
将所取得的每一电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据带入该故障发生率预测模型，以取得每一电力设备的一故障发生率预测值；
依据所取得的该些电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据与故障发生率预测值而透过机器学习的方式来建立一剩余寿命预测模型；
将所取得的每一电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据与故障发生率预测值带入该剩余寿命预测模型，以取得每一电力设备的一剩余寿命预测值；以及
依据所取得的该些电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据、故障发生率预测值与剩余寿命预测值而透过机器学习的方式来建立一健康指数预测模型。
2.根据权利要求1所述的具有自我健康状态预测功能的电力设备，其中该控制单元包括：
一健康指数预测模块，用以将该些感测数据与该电力设备的基本数据带入该健康指数预测模型来进行运算，以获得该健康预测指数；以及
一健康状态分析模块，用以比较该健康预测指数与该健康预测指数阈值，据以取得该健康状态预测数据。
3.根据权利要求1所述的具有自我健康状态预测功能的电力设备，其中该电力设备的基本数据报括设备型号、制造日期、额定功率、额定电压与额定电流的至少其中之一。
4.根据权利要求1所述的具有自我健康状态预测功能的电力设备，其中该些感测数据报括输入电压、输入电流、输出电压、输出电流、电池电压、电池充电电流、电池放电电流、环境温度、环境湿度的至少其中之一。
5.根据权利要求1所述的具有自我健康状态预测功能的电力设备，其中该后续处理包括透过该通讯模块来将该健康状态预测数据传送至该云端服务器。
6.根据权利要求1所述的具有自我健康状态预测功能的电力设备，其中当该健康状态预测数据呈现该电力设备的健康状态不佳时，该后续处理包括透过该通讯模块通知一邮件服务器发出一警报信件。
7.根据权利要求1所述的具有自我健康状态预测功能的电力设备，其中当该健康状态预测数据呈现该电力设备的健康状态不佳时，该后续处理包括透过该通讯模块通知一简讯发报机发出一警报简讯。
8.根据权利要求1所述的具有自我健康状态预测功能的电力设备，其更包括一警报模块，且该控制单元更透过该通讯模块自该云端服务器取得一警报执行脚本，该警报执行脚本具有由一用户设定的一警报动作与至少一判断条件，当该控制单元判断该些条件皆被满足时，便控制该警报模块执行该警报动作。
9.根据权利要求8所述的具有自我健康状态预测功能的电力设备，其中该警报模块包括一显示设备与一声音警示装置的至少其中之一。
10.根据权利要求8所述的具有自我健康状态预测功能的电力设备，其中当该健康状态预测数据呈现该电力设备的健康状态不佳时，该控制单元更控制该警报模块发出一警报。
11.根据权利要求1所述的具有自我健康状态预测功能的电力设备，其中该云端服务器所使用的机器学习算法包括类神经网络算法、判定树算法、K平均算法、支持向量机算法、线性回归算法与逻辑回归算法的至少其中之一。
12.根据权利要求1所述的具有自我健康状态预测功能的电力设备，其中该电力设备包括是一不断电系统、一电源分配单元或一自动电源切换开关。
13.根据权利要求12所述的具有自我健康状态预测功能的电力设备，其中该不断电系统包括是一在线式不断电系统、一离线式不断电系统或一在线交互式不断电系统。
14.一种电力设备的自我健康状态预测方法，其中该电力设备包括多个传感器与一通讯模块，其特征在于，该方法包括：
透过该通讯模块自一云端服务器取得该电力设备的一健康指数预测模型与一健康预测指数阈值，其中该健康指数预测模型为该云端服务器透过机器学习的方式来建立与训练；
透过该些传感器取得多个感测数据；
将该些感测数据与该电力设备的基本数据带入该健康指数预测模型来进行运算，以获得一健康预测指数；以及
依据该健康预测指数与该健康预测指数阈值的比较结果来取得该电力设备的一健康状态预测数据，以便执行一后续处理，
其中该云端服务器用以针对多个电力设备的每一设备型号来建立与训练一健康指数预测模型，且在建立每一健康指数预测模型时所执行的步骤包括：
自一数据库中取得具有一对应设备型号的该些电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据，并据以透过机器学习的方式来建立一故障发生率预测模型；
将所取得的每一电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据带入该故障发生率预测模型，以取得每一电力设备的一故障发生率预测值；
依据所取得的该些电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据与故障发生率预测值而透过机器学习的方式来建立一剩余寿命预测模型；
将所取得的每一电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据与故障发生率预测值带入该剩余寿命预测模型，以取得每一电力设备的一剩余寿命预测值；以及
依据所取得的该些电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据、故障发生率预测值与剩余寿命预测值而透过机器学习的方式来建立一健康指数预测模型。
15.根据权利要求14所述的电力设备的自我健康状态预测方法，其中该电力设备的基本数据报括设备型号、制造日期、额定功率、额定电压与额定电流的至少其中之一。
16.根据权利要求14所述的电力设备的自我健康状态预测方法，其中该些感测数据报括输入电压、输入电流、输出电压、输出电流、电池电压、电池充电电流、电池放电电流、环境温度、环境湿度的至少其中之一。
17.根据权利要求14所述的电力设备的自我健康状态预测方法，其中该后续处理包括透过该通讯模块来将该健康状态预测数据传送至该云端服务器。
18.根据权利要求14所述的电力设备的自我健康状态预测方法，其中当该健康状态预测数据呈现该电力设备的健康状态不佳时，该后续处理包括透过该通讯模块通知一邮件服务器发出一警报信件。
19.根据权利要求14所述的电力设备的自我健康状态预测方法，其中当该健康状态预测数据呈现该电力设备的健康状态不佳时，该后续处理包括透过该通讯模块通知一简讯发报机发出一警报简讯。
20.根据权利要求14所述的电力设备的自我健康状态预测方法，其中当该健康状态预测数据呈现该电力设备的健康状态不佳时，该后续处理包括透过该电力设备的一警报模块发出一警报。
21.根据权利要求14所述的电力设备的自我健康状态预测方法，其中该云端服务器所使用的机器学习算法包括类神经网络算法、判定树算法、K平均算法、支持向量机算法、线性回归算法与逻辑回归算法的至少其中之一。
22.根据权利要求14所述的电力设备的自我健康状态预测方法，其中该电力设备包括是一不断电系统、一电源分配单元或一自动电源切换开关。
23.根据权利要求22所述的电力设备的自我健康状态预测方法，其中该不断电系统包括是一在线式不断电系统、一离线式不断电系统或一在线交互式不断电系统。
24.一种云端服务器，适用于多个电力设备，其特征在于，该云端服务器包括：
一通讯模块；
一数据库，用以储存每一电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据，并用以储存每一电力设备的一设备型号所对应的一健康预测指数阈值；
一预测模型训练模块，用以针对每一设备型号来建立与训练一健康指数预测模型，每一健康指数预测模型为依据该数据库中的具有一对应设备型号的该些电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据而透过机器学习的方式来建立与训练；以及
一数据搜集模块，用以透过该通讯模块搜集每一电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据，并依据每一电力设备的基本数据取得其对应的一寿命数据，该数据搜集模块更用以提供一网络用户界面，以透过该网络用户界面搜集每一电力设备的维修数据与该些健康预测指数阈值，并将搜集到的所有数据、该些健康预测指数阈值与取得的该些寿命数据皆储存至该数据库中，
其中该预测模型训练模块在建立每一健康指数预测模型时所执行的步骤包括：
自该数据库中取得具有一对应设备型号的该些电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据，并据以透过机器学习的方式来建立一故障发生率预测模型；
将所取得的每一电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据带入该故障发生率预测模型，以取得每一电力设备的一故障发生率预测值；
依据所取得的该些电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据与故障发生率预测值而透过机器学习的方式来建立一剩余寿命预测模型；
将所取得的每一电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据与故障发生率预测值带入该剩余寿命预测模型，以取得每一电力设备的一剩余寿命预测值；以及
依据所取得的该些电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据、故障发生率预测值与剩余寿命预测值而透过机器学习的方式来建立一健康指数预测模型。
25.根据权利要求24所述的云端服务器，其中该预测模型训练模块在建立完该些健康指数预测模型后，便会训练每一健康指数预测模型，该预测模型训练模块在训练每一健康指数预测模型时所执行的步骤包括：
自储存内容更新后的该数据库中取得具有该对应设备型号的该些电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据，并据以透过机器学习的方式来训练该故障发生率预测模型；
将所取得的每一电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据带入训练完的该故障发生率预测模型，以取得每一电力设备的一故障发生率预测值；
依据所取得的该些电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据与故障发生率预测值而透过机器学习的方式来训练该剩余寿命预测模型；
将所取得的每一电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据与故障发生率预测值带入训练完的该剩余寿命预测模型，以取得每一电力设备的一剩余寿命预测值；以及
依据所取得的该些电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据、故障发生率预测值与剩余寿命预测值而透过机器学习的方式来训练该健康指数预测模型。
26.根据权利要求24所述的云端服务器，其中每一电力设备的基本数据报括设备型号、制造日期、额定功率、额定电压与额定电流的至少其中之一。
27.根据权利要求24所述的云端服务器，其中每一电力设备的感测数据报括输入电压、输入电流、输出电压、输出电流、电池电压、电池充电电流、电池放电电流、环境温度、环境湿度的至少其中之一。
28.根据权利要求24所述的云端服务器，其更包括一警示讯息推播模块，且当该数据搜集模块判断有任一健康状态预测数据呈现出其对应的一电力设备的健康状态不佳时，该数据搜集模块便透过该警示讯息推拨模块推拨一警示讯息至一对应用户的一智能型手持装置。
29.根据权利要求24所述的云端服务器，其中该数据搜集模块更透过该网络用户界面接收一用户所设定的一警报动作与至少一判断条件，据以产生一警报执行脚本，并透过该通讯模块将该警报执行脚本传送至至少一对应电力设备。
30.根据权利要求24所述的云端服务器，其中该云端服务器所使用的机器学习算法包括类神经网络算法、判定树算法、K平均算法、支持向量机算法、线性回归算法与逻辑回归算法的至少其中之一。
31.根据权利要求24所述的云端服务器，其中该些电力设备皆为不断电系统、电源分配单元或自动电源切换开关。
CN202010101505.2A 2020-02-19 2020-02-19 具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及云端服务器 Active CN113298278B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010101505.2A CN113298278B (zh) 2020-02-19 2020-02-19 具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及云端服务器
TW109111228A TWI753397B (zh) 2020-02-19 2020-04-01 具有自我健康狀態預測功能的電力設備及其自我健康狀態預測方法以及適用於多個電力設備的雲端伺服器
US16/902,753 US11106985B1 (en) 2020-02-19 2020-06-16 Power device with self-health status prediction function and self-health status prediction method thereof and cloud server suitable for a plurality of power devices

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010101505.2A CN113298278B (zh) 2020-02-19 2020-02-19 具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及云端服务器

Publications (2)

Publication Number Publication Date
CN113298278A CN113298278A (zh) 2021-08-24
CN113298278B true CN113298278B (zh) 2023-12-05

Family

ID=77271852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010101505.2A Active CN113298278B (zh) 2020-02-19 2020-02-19 具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及云端服务器

Country Status (3)

Country Link
US (1) US11106985B1 (zh)
CN (1) CN113298278B (zh)
TW (1) TWI753397B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220229755A1 (en) * 2021-01-16 2022-07-21 Hewlett-Packard Development Company, L.P. Docking stations health
CN113869721A (zh) * 2021-09-27 2021-12-31 广东电网有限责任公司 一种变电设备健康状态分类方法及装置
WO2023066967A2 (en) * 2021-10-20 2023-04-27 Nokia Solutions And Networks Oy Measurement relaxation
CN114091618A (zh) * 2021-11-30 2022-02-25 重庆允成互联网科技有限公司 工业设备健康状态诊断管理方法、装置及服务器
CN114216558B (zh) * 2022-02-24 2022-06-14 西安因联信息科技有限公司 一种无线振动传感器电池剩余寿命预测方法及系统
CN114298443B (zh) * 2022-03-03 2022-06-14 北京航空航天大学杭州创新研究院 基于健康状态指数的工业设备预测性维护方法、装置和电子设备
CN114861827B (zh) * 2022-05-27 2024-03-26 太原理工大学 基于多源数据融合的采煤机预测诊断与健康管理方法
CN117195323A (zh) * 2022-05-30 2023-12-08 硕天科技股份有限公司 云端服务器及其操作方法
CN114819415B (zh) * 2022-06-27 2022-09-20 中国标准化研究院 一种基于数据分析的电力设备故障预测系统
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
CN115355942B (zh) * 2022-08-16 2023-07-18 华珑(沈阳)智能电气有限公司 适用于kyn开关柜的健康管理方法
CN115759408B (zh) * 2022-11-21 2024-03-08 贵州电网有限责任公司 一种输变电设备寿命预测方法、装置、设备及存储介质
CN115796059B (zh) * 2023-02-07 2023-06-20 中国电建集团山东电力建设第一工程有限公司 一种基于深度学习的电气设备寿命预测方法及系统
CN116093459B (zh) * 2023-03-20 2023-07-21 苏州时代华景新能源有限公司 一种锂电池储能箱的智能监测方法及系统
CN116774135B (zh) * 2023-08-22 2023-11-17 山东国研自动化有限公司 一种远程抄表异常监测方法及系统
CN117196591B (zh) * 2023-11-07 2024-02-09 成都理工大学 一种设备失效模式预判与剩余寿命预测耦合系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200819723A (en) * 2006-07-03 2008-05-01 Ritsumeikan University Method and system for diagnosing equipment, and recording medium thereof
CN101354432A (zh) * 2007-07-23 2009-01-28 黄永升 电池性能监控
CN108279383A (zh) * 2017-11-30 2018-07-13 深圳市科列技术股份有限公司 电池寿命预测方法、电池数据服务器及电池数据处理系统
CN109271741A (zh) * 2018-10-25 2019-01-25 北京航空航天大学 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法
CN109901075A (zh) * 2017-12-11 2019-06-18 福特全球技术公司 用于预测电池寿命的方法
TWI669617B (zh) * 2018-10-12 2019-08-21 財團法人工業技術研究院 設備健康狀態監控方法及其系統
CN110208705A (zh) * 2019-05-09 2019-09-06 赛尔网络有限公司 一种锂电池剩余寿命预测方法及装置
CN110676519A (zh) * 2018-07-03 2020-01-10 施耐德电气It公司 先进的智能电池分析和诊断系统及其方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6868310B2 (en) * 2001-04-06 2005-03-15 Eni Technology, Inc. Predictive failure scheme for industrial thin films processing power delivery system
US20160247065A1 (en) * 2006-02-14 2016-08-25 Power Analytics Corporation Systems and Methods for Real-Time Forecasting and Predicting of Electrical Peaks and Managing the Energy, Health, Reliability, and Performance of Electrical Power Systems Based on an Artificial Adaptive Neural Network
US9557723B2 (en) * 2006-07-19 2017-01-31 Power Analytics Corporation Real-time predictive systems for intelligent energy monitoring and management of electrical power networks
AU2008356120A1 (en) * 2007-11-07 2009-11-12 Edsa Micro Corporation Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network
US10146288B2 (en) * 2017-02-15 2018-12-04 Vigyanlabs Innovations Private Limited Adaptive power consumption management in smart devices
US20200355749A1 (en) * 2018-01-11 2020-11-12 Semiconductor Energy Laboratory Co., Ltd. Device detecting abnormality of secondary battery, abnormality detection method, and program
CN110545334A (zh) * 2018-05-29 2019-12-06 硕天科技股份有限公司 Ip地址显示设备及采用此ip地址显示设备的电源分配器与不断电系统
US20200162280A1 (en) * 2018-11-19 2020-05-21 Johnson Controls Technology Company Building system with performance identification through equipment exercising and entity relationships
US10984154B2 (en) * 2018-12-27 2021-04-20 Utopus Insights, Inc. System and method for evaluating models for predictive failure of renewable energy assets

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200819723A (en) * 2006-07-03 2008-05-01 Ritsumeikan University Method and system for diagnosing equipment, and recording medium thereof
CN101354432A (zh) * 2007-07-23 2009-01-28 黄永升 电池性能监控
CN108279383A (zh) * 2017-11-30 2018-07-13 深圳市科列技术股份有限公司 电池寿命预测方法、电池数据服务器及电池数据处理系统
CN109901075A (zh) * 2017-12-11 2019-06-18 福特全球技术公司 用于预测电池寿命的方法
CN110676519A (zh) * 2018-07-03 2020-01-10 施耐德电气It公司 先进的智能电池分析和诊断系统及其方法
TWI669617B (zh) * 2018-10-12 2019-08-21 財團法人工業技術研究院 設備健康狀態監控方法及其系統
CN109271741A (zh) * 2018-10-25 2019-01-25 北京航空航天大学 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法
CN110208705A (zh) * 2019-05-09 2019-09-06 赛尔网络有限公司 一种锂电池剩余寿命预测方法及装置

Also Published As

Publication number Publication date
TW202133194A (zh) 2021-09-01
TWI753397B (zh) 2022-01-21
US11106985B1 (en) 2021-08-31
US20210256400A1 (en) 2021-08-19
CN113298278A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN113298278B (zh) 具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及云端服务器
CN111819453A (zh) 异常主要原因判定装置、劣化判定装置、计算机程序、劣化判定方法以及异常主要原因判定方法
US7567060B1 (en) System and method for advanced power management
US10756533B2 (en) Battery pack charge control device and method
WO2019239706A1 (ja) 通信デバイス、情報処理システム、情報処理方法及びコンピュータプログラム
CN110927606B (zh) 电池状态监测方法、装置
CN112117825B (zh) 不间断电源系统及非暂态计算机可读介质
JP7275490B2 (ja) 容量推定システム、容量推定方法、及び通信デバイス
CN113131612B (zh) 智能配电监测方法、系统、智能终端及存储介质
KR102296568B1 (ko) 머신러닝 기반 배전반 관제시스템
CN113595174A (zh) 电池管理方法、装置、设备和服务器
CN101944767A (zh) 配电系统操作系统
CN110852459A (zh) 一种自动报修系统
CN108879954A (zh) 配电设备管理方法、装置和配电服务器
CN111505432A (zh) 参数模拟电路、电池管理装置、电池管理装置的控制方法
CN110874663B (zh) 用于风力发电机组的不间断电源的故障优化方法及装置
CN110556918A (zh) 变电站蓄电池监测方法及系统
CN105637890B (zh) 监视系统、通信适配器以及监视方法
CN113805004B (zh) 一种智能电表联接设备的异常监测方法和系统
US11175342B2 (en) Monitoring device, monitoring system, and monitoring method
CN115942155B (zh) 设备监控方法、装置和系统
CN116546054B (zh) 去中心强韧性电力系统实时动态监测网络装置
CN116799968B (zh) 用电设备的安全管理系统
WO2020217328A1 (ja) 蓄電システムの保守方法及びコンピュータプログラム
CN217561935U (zh) 蓄电池在线监控系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant