CN113780689B - 一种基于人工智能的能量路由器寿命预测方法和装置 - Google Patents

一种基于人工智能的能量路由器寿命预测方法和装置 Download PDF

Info

Publication number
CN113780689B
CN113780689B CN202111329508.2A CN202111329508A CN113780689B CN 113780689 B CN113780689 B CN 113780689B CN 202111329508 A CN202111329508 A CN 202111329508A CN 113780689 B CN113780689 B CN 113780689B
Authority
CN
China
Prior art keywords
energy router
residual
life prediction
service life
tested
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111329508.2A
Other languages
English (en)
Other versions
CN113780689A (zh
Inventor
徐少山
沈俊
李振兴
王浩
高新强
徐田园
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.)
Technical Institute of Physics and Chemistry of CAS
Original Assignee
Technical Institute of Physics and Chemistry of CAS
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 Technical Institute of Physics and Chemistry of CAS filed Critical Technical Institute of Physics and Chemistry of CAS
Priority to CN202111329508.2A priority Critical patent/CN113780689B/zh
Publication of CN113780689A publication Critical patent/CN113780689A/zh
Application granted granted Critical
Publication of CN113780689B publication Critical patent/CN113780689B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/045—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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及一种基于人工智能的能量路由器寿命预测方法，包括构建基于残差网络的寿命预测模型，以被测能量路由器的历史异常数据作为训练数据，训练所述寿命预测模型，以与所述被测能量路由器相同设备型号的能量路由器的实时运行中的异常数据构建寿命预测数据集；利用训练后的所述寿命预测模型对所述寿命预测数据集进行预测，得到所述被测能量路由器的剩余使用寿命。本发明避免了对能量路由器寿命的静态预测模型，提高了能量路由器寿命预测的可靠性，并根据能量路由器寿命预测值建立相关预警等级，以提醒工作人员及时更换能量路由器。本发明还涉及一种基于人工智能的能量路由器寿命预测装置。

Description

一种基于人工智能的能量路由器寿命预测方法和装置
技术领域
本发明涉及信息处理技术领域，尤其涉及一种基于人工智能的能量路由器寿命预测方法和装置。
背景技术
随着分布式能源以及微网等技术的发展，大量供能或耗能设备需要连接到能量传输网络中，能量路由器可以实现多种能源网络的互连、调度和控制。能量路由器是一种融合了信息技术与电力电子变换技术的电力装备，实现分布式能量的高效利用和传输，具有较高的可靠性是能源网络系统正常维护运行的重要保证，若对能量路由器的运行时间做出统一的限制，到期则全体进行更换，会造成大量还可使用的能量路由器被替换下来，而造成了能量的浪费。当前，如何动态预测能量路由器的寿命成为了亟需解决的问题。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种基于人工智能的能量路由器寿命预测方法和装置。
本发明解决上述技术问题的技术方案如下：
一种基于人工智能的能量路由器寿命预测方法，所述方法包括：
构建基于残差网络的寿命预测模型，以被测能量路由器的历史异常数据作为训练数据，训练所述寿命预测模型；
以与所述被测能量路由器相同设备型号的能量路由器的实时运行中的异常数据构建寿命预测数据集；
利用训练后的所述寿命预测模型对所述寿命预测数据集进行预测，得到所述被测能量路由器的剩余使用寿命。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步地，所述以被测能量路由器的历史异常数据作为训练数据，具体包括：
对获取到的所述被测能量路由器的历史异常数据进行数据清洗和预处理后，分为训练集和测试集，并对所述训练集和所述测试集标注寿命标签。
进一步地，所述构建基于残差网络的寿命预测模型，具体包括：
所述寿命预测模型包括卷积层、最大池化层、残差网络单元、平均池化层、全连接层和Softmax分类器，其中，损失函数为预测寿命值与实际寿命的欧氏距离；
所述寿命预测模型利用多层神经网络来拟合残差映射，通过ShortCut机制加入所述残差网络单元的堆叠形成网络模型，残差网络单元额计算公式如下所示：
Figure 704621DEST_PATH_IMAGE001
Figure 100002_19190DEST_PATH_IMAGE002
是第i个残差网络单元输入，
Figure 311369DEST_PATH_IMAGE003
是第i个残差学习，
Figure 84765DEST_PATH_IMAGE004
是残差函数，即从多 个线性层中学习到的残差，其中，i是所述残差网络单元的数量；
当
Figure 83683DEST_PATH_IMAGE005
时，没有新的残差可以学习，也就是
Figure 569153DEST_PATH_IMAGE006
，残差学习 结束，得到所述被测能量路由器的寿命曲线。
进一步地，所述训练所述寿命预测模型，具体包括：
采用SGD训练算法对所述寿命预测模型进行训练；
选用均方根误差RMSE作为SGD训练算法的误差计算公式，当得到的误差值不符合预设误差精度值时，更新所述寿命预测模型的网络权重，继续对所述寿命预测模型进行训练；
当得到的所述误差值符合所述预设误差精度值时，跳出循环，得到所述寿命预测模型的网络参数的最优值，得到所述寿命预测模型。
进一步地，所述方法还包括：
将所获得的所述剩余使用寿命按照预警等级划分；
当所述被测能量路由器的剩余使用寿命在所述预警等级的范围内时，将所述被测能量路由器进行更换。
进一步地，所述方法还包括：
利用安装在所述被测能量路由器上的传感器采集实时运行数据；
收集所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器的历史运行数据；
对所述实时运行数据和所述历史运行数据进行数据增强和标准化的预处理，将预处理后的所述历史运行数据和所述实时运行数据作为训练数据。
进一步地，所述收集所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器的历史运行数据，具体包括：
以所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器在运行初始阶段至出现故障为止作为一个寿命周期，构建全寿命数据库；
将采集的所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器的运行数据存储至所述全寿命数据库；
当所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器的寿命周期结束时，将所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器在寿命周期内的运行数据作为所述历史运行数据。
本方法发明的有益效果是：提出了一种基于人工智能的能量路由器寿命预测方法，包括构建基于残差网络的寿命预测模型，以被测能量路由器的历史异常数据作为训练数据，训练所述寿命预测模型，以与所述被测能量路由器相同设备型号的能量路由器的实时运行中的异常数据构建寿命预测数据集；利用训练后的所述寿命预测模型对所述寿命预测数据集进行预测，得到所述被测能量路由器的剩余使用寿命。本发明避免了对能量路由器寿命的静态预测模型，提高了能量路由器寿命预测的可靠性，并根据能量路由器寿命预测值建立相关预警等级，以提醒工作人员及时更换能量路由器。
本发明还解决上述技术问题的另一种技术方案如下：
一种基于人工智能的能量路由器寿命预测装置，所述装置包括：
训练模块，用于构建基于残差网络的寿命预测模型，以被测能量路由器的历史异常数据作为训练数据，训练所述寿命预测模型；
数据集模块，用于以与所述被测能量路由器相同设备型号的能量路由器的实时运行中的异常数据构建寿命预测数据集；
预测模块，用于利用训练后的所述寿命预测模型对所述寿命预测数据集进行预测，得到所述被测能量路由器的剩余使用寿命。
此外，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述技术方案中任一项所述的基于人工智能的能量路由器寿命预测方法的步骤。
本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明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，下面所描述的附图仅仅是本发明的一些实施例，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为本发明实施例所述的一种基于人工智能的能量路由器寿命预测方法的流程示意图；
图2为本发明另一实施例所述的一种基于人工智能的能量路由器寿命预测装置的模块示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
如图1本发明实施例所述的一种基于人工智能的能量路由器寿命预测方法所示，包括以下步骤：
110、构建基于残差网络的寿命预测模型，以被测能量路由器的历史异常数据作为训练数据，训练所述寿命预测模型。
120、以与所述被测能量路由器相同设备型号的能量路由器的实时运行中的异常数据构建寿命预测数据集。
130、利用训练后的所述寿命预测模型对所述寿命预测数据集进行预测，得到所述被测能量路由器的剩余使用寿命。
基于上述实施例，进一步地，步骤110中以被测能量路由器的历史异常数据作为训练数据，具体包括：
对获取到的所述被测能量路由器的历史异常数据进行数据清洗和预处理后，分为训练集和测试集，并对所述训练集和所述测试集标注寿命标签。
进一步地，步骤110中构建基于残差网络的寿命预测模型，具体包括：
所述寿命预测模型包括卷积层、最大池化层、残差网络单元、平均池化层、全连接层和Softmax分类器，其中，损失函数为预测寿命值与实际寿命的欧氏距离。
所述寿命预测模型利用多层神经网络来拟合残差映射，通过ShortCut机制加入所述残差网络单元的堆叠形成网络模型，残差网络单元额计算公式如下所示：
Figure 401759DEST_PATH_IMAGE007
；
Figure 466929DEST_PATH_IMAGE002
是第i个残差网络单元输入，
Figure 835200DEST_PATH_IMAGE003
是第i个残差学习，
Figure 691905DEST_PATH_IMAGE004
是残差函数，即从多 个线性层中学习到的残差，其中，i是所述残差网络单元的数量。
应理解，当
Figure 489834DEST_PATH_IMAGE008
时，没有新的残差可以学习，也就是
Figure 607963DEST_PATH_IMAGE009
， 残差学习结束，得到所述被测能量路由器的寿命曲线。
进一步地，步骤110中训练所述寿命预测模型，具体包括：
采用SGD训练算法对所述寿命预测模型进行训练。
选用均方根误差RMSE作为SGD训练算法的误差计算公式，当得到的误差值不符合预设误差精度值时，更新所述寿命预测模型的网络权重，继续对所述寿命预测模型进行训练。
当得到的所述误差值符合所述预设误差精度值时，跳出循环，得到所述寿命预测模型的网络参数的最优值，得到所述寿命预测模型。
应理解，根据扩充后的训练数据集中的训练样本，对待训练残差网络模型进行训练，得到网络参数，利用后向传播算法对参数更新，得到训练后的残差网络模型，即寿命预测模型。
采用SGD训练算法对残差网络进行训练，由于将残差学习作为前向传播的缘故，在后向传播中直接解决了梯度爆炸和梯度消失的问题，大大提升了网络深度，促进了残差网络模型对于能量路由器寿命曲线的拟合。其次，选用均方根误差RMSE作为SGD训练算法的误差计算公式，当判定所述误差值不符合所述误差精度值时，更新所述网络权重，当判定所述误差值符合所述误差精度值时，所述残差网络跳出循环，得到网络参数的最优值，最后形成残差网络预测模型，即寿命预测模型。
进一步地，还包括步骤140：
将所获得的所述剩余使用寿命按照预警等级划分。
当所述被测能量路由器的剩余使用寿命在所述预警等级的范围内时，将所述被测能量路由器进行更换。
进一步地，还包括基于步骤100的步骤200：
210、利用安装在所述被测能量路由器上的传感器采集实时运行数据。
220、收集所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器的历史运行数据。
230、对所述实时运行数据和所述历史运行数据进行数据增强和标准化的预处理，将预处理后的所述历史运行数据和所述实时运行数据作为训练数据。
进一步地，步骤220中具体包括：
以所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器在运行初始阶段至出现故障为止作为一个寿命周期，构建全寿命数据库。
将采集的所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器的运行数据存储至所述全寿命数据库。
当所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器的寿命周期结束时，将所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器在寿命周期内的运行数据作为所述历史运行数据。
基于上述实施例所提出的一种基于人工智能的能量路由器寿命预测方法，包括构建基于残差网络的寿命预测模型，以被测能量路由器的历史异常数据作为训练数据，训练所述寿命预测模型，以与所述被测能量路由器相同设备型号的能量路由器的实时运行中的异常数据构建寿命预测数据集；利用训练后的所述寿命预测模型对所述寿命预测数据集进行预测，得到所述被测能量路由器的剩余使用寿命。本发明避免了对能量路由器寿命的静态预测模型，提高了能量路由器寿命预测的可靠性，并根据能量路由器寿命预测值建立相关预警等级，以提醒工作人员及时更换能量路由器。
如图2所示，一种基于人工智能的能量路由器寿命预测装置包括：
训练模块，用于构建基于残差网络的寿命预测模型，以被测能量路由器的历史异常数据作为训练数据，训练所述寿命预测模型；
数据集模块，用于以与所述被测能量路由器相同设备型号的能量路由器的实时运行中的异常数据构建寿命预测数据集；
预测模块，用于利用训练后的所述寿命预测模型对所述寿命预测数据集进行预测，得到所述被测能量路由器的剩余使用寿命。
此外，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述技术方案中任一项所述的基于人工智能的能量路由器寿命预测方法的步骤。
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发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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系统，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。
所述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，在本发明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。
所述集成的模块/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，可以存储在一个计算机可读取存储介质中。
基于这样的理解，本发明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，所述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。其中，所述计算机程序包括计算机程序代码，所述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。所述计算机可读介质可以包括：能够携带所述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、只读存储器(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，所述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，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于人工智能的能量路由器寿命预测方法，其特征在于，所述方法包括：
构建基于残差网络的寿命预测模型，以被测能量路由器的历史异常数据作为训练数据，训练所述寿命预测模型；
以与所述被测能量路由器相同设备型号的能量路由器的实时运行中的异常数据构建寿命预测数据集；
利用训练后的所述寿命预测模型对所述寿命预测数据集进行预测，得到所述被测能量路由器的剩余使用寿命；
所述构建基于残差网络的寿命预测模型，具体包括：
所述寿命预测模型包括卷积层、最大池化层、残差网络单元、平均池化层、全连接层和Softmax分类器，其中，损失函数为预测寿命值与实际寿命的欧氏距离；
所述寿命预测模型利用多层神经网络来拟合残差映射，通过ShortCut机制加入所述残差网络单元的堆叠形成网络模型，残差网络单元的计算公式如下所示：
Figure 950740DEST_PATH_IMAGE001
Figure 19190DEST_PATH_IMAGE002
是第i个残差网络单元输入，
Figure 107449DEST_PATH_IMAGE003
是第i个残差学习，
Figure 628561DEST_PATH_IMAGE004
是残差函数，即从多个 线性层中学习到的残差，其中，i是所述残差网络单元的数量，
Figure 550380DEST_PATH_IMAGE005
是激活函数；
当
Figure 473337DEST_PATH_IMAGE006
时，没有新的残差可以学习，也就是
Figure 720779DEST_PATH_IMAGE007
，残差学习结束，得 到所述被测能量路由器的寿命曲线。
2.如权利要求1所述的基于人工智能的能量路由器寿命预测方法，其特征在于，所述以被测能量路由器的历史异常数据作为训练数据，具体包括：
对获取到的所述被测能量路由器的历史异常数据进行数据清洗和预处理后，分为训练集和测试集，并对所述训练集和所述测试集标注寿命标签。
3.如权利要求1所述的基于人工智能的能量路由器寿命预测方法，其特征在于，所述训练所述寿命预测模型，具体包括：
采用SGD训练算法对所述寿命预测模型进行训练；
选用均方根误差RMSE作为SGD训练算法的误差计算公式，当得到的误差值不符合预设误差精度值时，更新所述寿命预测模型的网络权重，继续对所述寿命预测模型进行训练；
当得到的所述误差值符合所述预设误差精度值时，跳出循环，得到所述寿命预测模型的网络参数的最优值，得到所述寿命预测模型。
4.如权利要求1-3中任一项所述的基于人工智能的能量路由器寿命预测方法，其特征在于，所述方法还包括：
将所获得的所述剩余使用寿命按照预警等级划分；
当所述被测能量路由器的剩余使用寿命在所述预警等级的范围内时，将所述被测能量路由器进行更换。
5.如权利要求4所述的基于人工智能的能量路由器寿命预测方法，其特征在于，所述方法还包括：
利用安装在所述被测能量路由器上的传感器采集实时运行数据；
收集所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器的历史运行数据；
对所述实时运行数据和所述历史运行数据进行数据增强和标准化的预处理，将预处理后的所述历史运行数据和所述实时运行数据作为训练数据。
6.如权利要求5所述的基于人工智能的能量路由器寿命预测方法，其特征在于，所述收集所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器的历史运行数据，具体包括：
以所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器在运行初始阶段至出现故障为止作为一个寿命周期，构建全寿命数据库；
将采集的所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器的运行数据存储至所述全寿命数据库；
当所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器的寿命周期结束时，将所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器在寿命周期内的运行数据作为所述历史运行数据。
7.一种基于人工智能的能量路由器寿命预测装置，其特征在于，所述装置包括：
训练模块，用于构建基于残差网络的寿命预测模型，以被测能量路由器的历史异常数据作为训练数据，训练所述寿命预测模型；
数据集模块，用于以与所述被测能量路由器相同设备型号的能量路由器的实时运行中的异常数据构建寿命预测数据集；
预测模块，用于利用训练后的所述寿命预测模型对所述寿命预测数据集进行预测，得到所述被测能量路由器的剩余使用寿命；
所述训练模块，具体用于所述构建基于残差网络的寿命预测模型，具体包括：
所述寿命预测模型包括卷积层、最大池化层、残差网络单元、平均池化层、全连接层和Softmax分类器，其中，损失函数为预测寿命值与实际寿命的欧氏距离；
所述寿命预测模型利用多层神经网络来拟合残差映射，通过ShortCut机制加入所述残差网络单元的堆叠形成网络模型，残差网络单元的计算公式如下所示：
Figure 729186DEST_PATH_IMAGE008
Figure 720276DEST_PATH_IMAGE002
是第i个残差网络单元输入，
Figure 497739DEST_PATH_IMAGE009
是第i个残差学习，
Figure 916082DEST_PATH_IMAGE010
是残差函数，即从多个 线性层中学习到的残差，其中，i是所述残差网络单元的数量，
Figure 146206DEST_PATH_IMAGE011
是激活函数；
当
Figure 940987DEST_PATH_IMAGE012
时，没有新的残差可以学习，也就是
Figure 572956DEST_PATH_IMAGE013
，残差学习结束，得 到所述被测能量路由器的寿命曲线。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6中任一项所述的基于人工智能的能量路由器寿命预测方法的步骤。
CN202111329508.2A 2021-11-11 2021-11-11 一种基于人工智能的能量路由器寿命预测方法和装置 Active CN113780689B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111329508.2A CN113780689B (zh) 2021-11-11 2021-11-11 一种基于人工智能的能量路由器寿命预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111329508.2A CN113780689B (zh) 2021-11-11 2021-11-11 一种基于人工智能的能量路由器寿命预测方法和装置

Publications (2)

Publication Number Publication Date
CN113780689A CN113780689A (zh) 2021-12-10
CN113780689B true CN113780689B (zh) 2022-03-04

Family

ID=78873778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111329508.2A Active CN113780689B (zh) 2021-11-11 2021-11-11 一种基于人工智能的能量路由器寿命预测方法和装置

Country Status (1)

Country Link
CN (1) CN113780689B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765772A (zh) * 2020-12-25 2021-05-07 武汉理工大学 一种基于数据驱动的动力电池剩余寿命预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11131713B2 (en) * 2018-02-21 2021-09-28 Nec Corporation Deep learning approach for battery aging model
CN111274737A (zh) * 2020-02-25 2020-06-12 山东大学 一种机械设备剩余使用寿命预测方法及系统
CN111581880A (zh) * 2020-05-06 2020-08-25 北京工业大学 基于apso-dbn的滚动轴承剩余寿命预测方法
CN113326590B (zh) * 2021-07-16 2021-10-29 北京博华信智科技股份有限公司 基于深度学习模型的滚动轴承寿命预测方法和装置
CN113536697A (zh) * 2021-08-24 2021-10-22 江南大学 一种基于改进残差网络和wgan的轴承剩余寿命预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765772A (zh) * 2020-12-25 2021-05-07 武汉理工大学 一种基于数据驱动的动力电池剩余寿命预测方法

Also Published As

Publication number Publication date
CN113780689A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN110659173A (zh) 一种运维系统及方法
CN109492857A (zh) 一种配电网故障风险等级预测方法和装置
CN103617561A (zh) 一种电网智能变电站二次设备状态评估系统和方法
CN105740975A (zh) 一种基于数据关联关系的设备缺陷评估与预测方法
CN113486584B (zh) 设备故障的预测方法、装置、计算机设备及计算机可读存储介质
CN109472369A (zh) 电力设备的监测方法及装置
CN111461283A (zh) Ai模型的自动迭代运维方法、系统、设备及存储介质
CN109684320A (zh) 监测数据在线清洗的方法和设备
CN116308304A (zh) 基于元学习概念漂移检测的新能源智慧运维方法及系统
CN114970926A (zh) 一种模型训练方法、企业经营风险预测方法和装置
CN109598052A (zh) 基于相关系数分析的智能电表寿命周期预测方法及装置
CN116644984A (zh) 电力光通信网络可靠性评估方法、装置、设备及存储介质
CN118536082A (zh) 基于人工智能的逆变器故障预测方法、装置、终端设备及存储介质
CN116539994A (zh) 基于多源时间序列数据的变电站主设备运行状态检测方法
CN117391459B (zh) 基于深度学习的电力运行风险预警方法及系统
CN118017502A (zh) 基于数字孪生的配电算力预测方法、系统及介质
CN113780689B (zh) 一种基于人工智能的能量路由器寿命预测方法和装置
CN115864644A (zh) 一种继电保护装置状态评价方法、系统、设备及介质
CN111611117B (zh) 硬盘故障的预测方法、装置、设备及计算机可读存储介质
CN114119319A (zh) 一种基于分布式小样本算法的智慧水务管理方法及系统
CN115577821A (zh) 一种设备剩余使用寿命的预测方法和装置
KR20210015168A (ko) 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법
CN117151660B (zh) 基于业务能力的中台系统构建方法、装置、设备和介质
CN118034999A (zh) 一种基于机器学习的时空数据修复与功率预测方法
CN118442676A (zh) 冷站温度控制方法、装置、电子设备及可读存储介质

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