CN114970665A - 模型训练方法、电解电容剩余寿命预测方法及系统 - Google Patents

模型训练方法、电解电容剩余寿命预测方法及系统 Download PDF

Info

Publication number
CN114970665A
CN114970665A CN202210314114.8A CN202210314114A CN114970665A CN 114970665 A CN114970665 A CN 114970665A CN 202210314114 A CN202210314114 A CN 202210314114A CN 114970665 A CN114970665 A CN 114970665A
Authority
CN
China
Prior art keywords
electrolytic capacitor
data set
life prediction
module
residual
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
Application number
CN202210314114.8A
Other languages
English (en)
Inventor
谢春
谈宏志
许伟
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.)
Shanghai Electric Group Corp
Original Assignee
Shanghai Electric Group Corp
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 Shanghai Electric Group Corp filed Critical Shanghai Electric Group Corp
Priority to CN202210314114.8A priority Critical patent/CN114970665A/zh
Publication of CN114970665A publication Critical patent/CN114970665A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明公开了一种模型训练方法、电解电容剩余寿命预测方法及系统，该训练方法包括：获取一历史训练数据集，该历史训练数据集包括电解电容的多个输出参数以及与每个输出参数对应的剩余使用时间，该输出参数包括输出电流和/或输出频率；基于历史训练数据训练神经网络模型，以得到电解电容剩余寿命预测模型。本发明通过获取电解电容的多个输出参数以及与每个输出参数对应的剩余使用时间的历史训练数据集，基于历史训练数据训练神经网络模型，以得到电解电容剩余寿命预测模型；以便利用电解电容剩余寿命预测模型准确地预测出电解电容的剩余使用时间，提高了电解电容剩余寿命预测模型的准确度。

Description

模型训练方法、电解电容剩余寿命预测方法及系统
技术领域
本发明涉及数据处理技术领域，特别涉及一种模型训练方法、电解电容剩余寿命预测方法及系统。
背景技术
变频器是一种较为理想的交流传动装置，被广泛应用于各个领域，其中高压变频器(输出电压超过3kV)因其可靠性高、效率高、启动性能好而被广泛应用。高压变频器的主回路由输入移相变压器和功率单元组成，其中电解电容是功率单元的重要组成部件，其优劣直接决定了变频调速系统的性能。但电解电容容易老化，寿命有限，为避免电解电容失效导致高压变频器可靠性下降的情况，提前预知电解电容剩余寿命就尤为重要。
当电解电容老化时，其ESR(等效串联电阻)会上升，C会减小，因此电解电容的老化程度可由ESR和C的当前值来表征。传统情况下，是将电解电容从变频器主电路拆除后，采用手持LCR(第三代移动通信系统)测试仪或电容器ESR专用表来测量，属于离线测量。
此外，根据电解电容的失效机理采用阿伦尼乌斯公式(Arrhenius equation) 对电解电容进行寿命预测也是目前常用的方法，该模式假设温度是影响电解电容寿命的唯一环境应力，且失效时间符合指数分布。该模式通过计算电解电容的损耗功率Ploss来判断电解电容的寿命。
而离线测量得到的电解电容静态数据有一定的参考价值，但对剩余寿命的实时预估意义不大，且此法不满足实际应用的需要，因为在变频器使用过程中不允许将电解电容拆除。
另外，基于阿伦尼乌斯公式的损耗功率Ploss与流经电容的波纹电流有关，而波纹电流并不是固定值，是随着频率的变化而变化，这使得在计算损耗功率Ploss的时候需要借助数学工具，对波纹电流进行复杂的频谱变换，形成各离散点频率上的波纹分量，最后对各个频率点上的电解电容ESR值进行综合计算才能得到电解电容交流波纹总损耗，使得该方法存在着计算难度大的问题。此外，该方法计算结果对温度的敏感性较高，实际应用中在电解电容上添加温度传感器并获得准确的温度数据存在着很大难度，进而使得寿命预测结果误差很大。
发明内容
本发明要解决的技术问题是为了克服现有技术中在对电解电容剩余寿命进行预测时，存在计算难度大、预测结果不准确的缺陷，提供一种模型训练方法、电解电容剩余寿命预测方法及系统。
本发明是通过下述技术方案来解决上述技术问题：
本发明第一方面提供了一种模型训练方法，所述训练方法包括：
获取一历史训练数据集，所述历史训练数据集包括电解电容的多个输出参数以及与每个输出参数对应的剩余使用时间，所述输出参数包括输出电流和/或输出频率；
基于所述历史训练数据训练神经网络模型，以得到所述电解电容剩余寿命预测模型；
所述电解电容剩余寿命预测模型以电解电容的输出参数为输入，以所述电解电容的预测剩余使用时间为输出。
较佳地，所述获取一历史训练数据集的步骤之后，所述模型训练方法还包括：
对所述历史训练数据集进行异常值和空值处理，以得到异常值和空值处理后的历史训练数据集；
对所述异常值和空值处理后的历史训练数据集进行归一化处理，以得到归一化处理后的历史训练数据集。
较佳地，所述模型训练方法还包括：
从所述历史训练数据集中筛选特征数据和标签数据，以得到样本数据集；
按照预设比例从所述样本数据集中提取得到测试集；
利用所述测试集测试所述电解电容寿命预测模型的预测结果，以得到所述测试集对应的预测剩余使用时间；
获取所述测试集对应的真实剩余使用时间；
基于所述测试集对应的预测剩余使用时间和所述测试集对应的真实剩余使用时间计算所述电解电容剩余寿命预测模型的均方根误差和决定系数以作为所述电解电容剩余寿命预测模型的损失值；
基于所述损失值对所述电解电容剩余寿命预测模型进行优化。
本发明第二方面提供了一种模型训练系统，所述训练系统包括第一获取模块和训练模块；
所述第一获取模块，用于获取一历史训练数据集，所述历史训练数据集包括电解电容的多个输出参数以及与每个输出参数对应的剩余使用时间，所述输出参数包括输出电流和/或输出频率；
所述训练模块，用于基于所述历史训练数据训练神经网络模型，以得到所述电解电容剩余寿命预测模型；
所述电解电容剩余寿命预测模型以电解电容的输出参数为输入，以所述电解电容的预测剩余使用时间为输出。
较佳地，所述模型训练系统还包括第一处理模块和第二处理模块；
所述第一处理模块，用于对所述历史训练数据集进行异常值和空值处理，以得到异常值和空值处理后的历史训练数据集；
所述第二处理模块，用于对所述异常值和空值处理后的历史训练数据集进行归一化处理，以得到归一化处理后的历史训练数据集。
较佳地，所述模型训练系统还包括筛选模块、提取模块、测试模块、第二获取模块、计算模块和优化模块；
所述筛选模块，用于从所述历史训练数据集中筛选特征数据和标签数据，以得到样本数据集；
所述提取模块，用于按照预设比例从所述样本数据集中提取得到测试集；
所述测试模块，用于利用所述测试集测试所述电解电容寿命预测模型的预测结果，以得到所述测试集对应的预测剩余使用时间；
所述第二获取模块，用于获取所述测试集对应的真实剩余使用时间；
所述计算模块，用于基于所述测试集对应的预测剩余使用时间和所述测试集对应的真实剩余使用时间计算所述电解电容剩余寿命预测模型的均方根误差和决定系数以作为所述电解电容剩余寿命预测模型的损失值；
所述优化模块，用于基于所述损失值对所述电解电容剩余寿命预测模型进行优化。
本发明第三方面提供了一种电解电容剩余寿命预测方法，所述预测方法包括：
获取电解电容的实时输出参数，所述实时输出参数包括实时输出电流和 /或实时输出频率；
将所述实时实时输出参数输入利用上述第一方面所述的模型训练方法训练得到的电解电容剩余寿命预测模型，以输出电解电容的剩余使用时间。
本发明第四方面提供了一种电解电容剩余寿命预测系统，所述预测系统包括输出参数获取模块和输入模块；
所述输出参数获取模块，用于获取电解电容的实时输出参数，所述实时输出参数包括实时输出电流和/或实时输出频率；
所述输入模块，用于将所述实时输出参数输入利用上述第二方面所述的模型训练系统训练得到的电解电容剩余寿命预测模型，以输出电解电容的剩余使用时间。
本发明第五方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在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第一方面所述的模型训练方法，或执行如第三方面所述的电解电容剩余寿命预测方法。
本发明第六方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的模型训练方法，或执行如第三方面所述的电解电容剩余寿命预测方法。
在符合本领域常识的基础上，所述各优选条件，可任意组合，即得本发明各较佳实施例。
本发明的积极进步效果在于：
本发明通过获取电解电容的多个输出参数以及与每个输出参数对应的剩余使用时间的历史训练数据集，基于历史训练数据训练神经网络模型，以得到电解电容剩余寿命预测模型；以便利用电解电容剩余寿命预测模型准确地预测出电解电容的剩余使用时间，提高了电解电容剩余寿命预测模型的准确度。
附图说明
图1为本发明实施例1的模型训练方法的第一流程图。
图2为本发明实施例1的模型训练方法的第二流程图。
图3为本发明实施例1的模型训练方法的第三流程图。
图4为本发明实施例1和2的模型训练方法的预测剩余使用时间与真实剩余使用时间第一对比图。
图5为本发明实施例1和2的模型训练方法的预测剩余使用时间与真实剩余使用时间第二对比图。
图6为本发明实施例2的模型训练系统的模块示意图。
图7为本发明实施例3的电子设备的结构示意图。
图8为本发明实施例5的电解电容剩余寿命预测方法的流程图。
图9为本发明实施例6的电解电容剩余寿命预测系统的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示，本实施例提供一种模型训练方法，该训练方法包括：
步骤101、获取一历史训练数据集，该历史训练数据集包括电解电容的多个输出参数以及与每个输出参数对应的剩余使用时间，该输出参数包括输出电流和/或输出频率；
本实施例中，历史训练数据集O可以按照采集时间t由远及近排序，例如，获取每个时间点输出电流C和/或每个时间点输出频率f以及该时间点上电解电容的剩余使用时间(即该时间点上电解电容的剩余寿命)L，需要说明的是，该电解电容的剩余寿命是通过阿伦尼乌斯公式计算获得，后经调整即可得到电解电容的剩余寿命的准确值。
本实施例中，输出参数对应的电解电容的剩余使用时间通过计算得到，例如，计算当前电解电容的剩余使用时间(即当前电解电容的日历寿命)CL，具体的计算如公式(1)所示：
Figure BDA0003568348260000061
式中，CL表示当前电解电容的日历寿命，CL0表示初始日历寿命，Δtn表示第n个样本点与第n-1个样本点的时间间隔。
步骤102、基于历史训练数据训练神经网络模型，以得到电解电容剩余寿命预测模型；
本实施例中，电解电容剩余寿命预测模型以电解电容的输出参数为输入，以电解电容的预测剩余使用时间为输出。
需要说明的是，神经网络模型可以为RNN(Recurrent Neural Network) (循环神经网络)模型。
本实施例中，采用循环神经网络RNN中的LSTM(长短期记忆网络) 算法进行模型训练，选取合适的参数，以获得电解电容剩余寿命预测模型。
本实施例基于历史训练数据集训练神经网络模型以构建电解电容剩余寿命预测模型，解决了针对剩余寿命评估中存在的温度数据获取难的问题，在规避温度参数的同时考虑添加电解电容的剩余使用时间(即电解电容日历寿命)作为一个特征参数，需要说明的是，日历寿命是指电解电容从生产之日起到寿命终止的这段期间使用时间的累积，该特征参数可有效指导对电解电容剩余寿命的正确估计，提高了电解电容剩余寿命预测模型在实际应用中的价值。
在一可实施的方案中，如图2所示，该模型训练方法还包括：
步骤1010、对历史训练数据集进行异常值和空值处理，以得到异常值和空值处理后的历史训练数据集；
本实施例中，根据异常值和空值所占比例进行删除或者填充替换处理，具体地，当异常值或者空值占比为预设值以下时，进行删除处理，当异常值或者空值占比为预设值以上时，进行填充替换处理。
需要说明的是，预设值可以设置为5％，也可以根据实际情况设置为其他数值，此处不做具体限定。
步骤1011、对异常值和空值处理后的历史训练数据集进行归一化处理，以得到归一化处理后的历史训练数据集。
本实施例中，为避免量纲影响，对异常值和空值处理后的历史训练数据集O进行归一化处理，以获得归一化处理后的历史训练数据集Onorm，对于任一列数据oj，其处理公式如公式(2)所示：
Figure BDA0003568348260000071
式中，Oij表示O中第j列数据的第i个值，Oj_min表示第j列数据oj的最小值，Oj_max表示第j列数据oj的最大值。
步骤102具体为：基于归一化处理后的历史训练数据集训练神经网络模型，以得到电解电容剩余寿命预测模型。
在一可实施的方案中，如图3所示，该模型训练方法还包括：
步骤103、从历史训练数据集中筛选特征数据和标签数据，以得到样本数据集；
本实施例中，例如，从归一化处理后的历史训练数据集Onorm中筛选的特征数据为X＝{L,f,C,CL}，筛选的标签数据为Y＝{L}，组成的样本数据集为D＝{X,Y}。
需要说明的是，本实施例还可以对样本数据集D进行时序错位处理，即添加新的特征数据列Xt-m，即特征数据X时间点t前m个时间点t-m的值 (m＝1,2,3...)，其对应的标签数据为该时间点t以及t以后k个时间点上的剩余使用时间(即剩余寿命)L，即对样本数据集D进行时序错位处理后的数据结构如表1所示：
表1
Figure BDA0003568348260000081
本实施例通过对样本数据集D进行时序错位处理，用前m个时间点的特征数据预测后k个时间点的剩余寿命，可实现批量数据的处理。具体地，错序处理使得循环神经网络RNN在针对时序数据时，由传统的只能预测下一个时间点的值转变为可批量预测多个时间点的值，提高了预测效率。
步骤104、按照预设比例从样本数据集中提取得到测试集；
本实施例中，测试集包括特征数据和标签数据。
需要说明的是，预设比例根据实际情况进行设置，此处不做具体限定。
步骤105、利用测试集测试电解电容寿命预测模型的预测结果，以得到测试集对应的预测剩余使用时间；
步骤106、获取测试集对应的真实剩余使用时间；
本实施例中，在对历史训练数据集进行归一化处理后，还会对测试集对应的预测剩余使用时间和测试集对应的真实剩余使用时间进行数据反归一化处理，以得到反归一化后的测试集对应的预测剩余使用时间和反归一化后的测试集对应的真实剩余使用时间；
本实施例中，对测试集对应的预测剩余使用时间Ypred和测试集对应的真实剩余使用时间Ytrue进行数据反归一化处理如公式(3)所示：
y'i＝ymax·yi+(1.0-yi)ymin (3)
式中，y'i表示反归一化后的第i个数据，yi表示第i个输入数据，ymax为归一化前Y序列的最大值，ymin为归一化前Y序列的最小值。
步骤107、基于测试集对应的预测剩余使用时间和测试集对应的真实剩余使用时间计算电解电容剩余寿命预测模型的均方根误差和决定系数以作为电解电容剩余寿命预测模型的损失值；
步骤108、基于损失值对电解电容剩余寿命预测模型进行优化。
本实施例中，采用均方根误差和决定系数来评估电解电容剩余寿命预测模型的性能，其计算公式如公式(4)和公式(5)所示：
Figure RE-GDA0003731714130000091
Figure RE-GDA0003731714130000092
式中，RMSE表示均方根误差，R2表示决定系数，N表示测试集样本 个数，y’pred_i表示第i个测试样本对应的反归一化后预测剩余寿命，y’true_i表 示第i个测试样本对应的真实剩余寿命，y’true_mean表示真实值的均值。
需要说明的是，RMSE越小电解电容剩余寿命预测模型的性能越好，R2数值在0-1之间，当R2的数值大于等于0.9时，则认为电解电容剩余寿命预 测模型的性能比较好。
下面结合具体实例进行说明：
例如，以某变频器为例，采集某变频器的历史运行监测数据作为历史训练数据集，该历史训练数据集按照该变频器运行监测数据的采集时间t由远及近排序，该历史训练数据集包括输出频率f和/或输出电流C以及根据阿伦尼乌斯公式计算并经过调整的电解电容剩余寿命L，数据采集时间间隔为 2s，共306853条数据；
经分析，该历史训练数据集存在着输出电流为NAN(无效数据)的异常数据，该异常数据所占比例非常小(例如，该异常数据所占比例小于0.1％)，因此可直接删除存在异常数据的历史训练数据集；
根据公式(1)计算该变频器当前日历寿命CL；再按照公式(2)对历史训练数据集O做归一化处理，以获得归一化处理后的历史训练数据集Onorm；
从归一化处理后的历史训练数据集Onorm中选取特征数据为 X＝{f,C,CL,L}，标签数据为Y＝{L}，组成样本数据集D＝{X,Y}；
对样本数据集D做时序错位处理，例如，采用前100个时间点的特征数据来预测后9个时间点的标签数据(即剩余寿命)，即m＝100，k＝9获得的部分数据如表2所示：
表2
Figure BDA0003568348260000101
按照10％的比例从样本数据集中提取得到测试集，将测试集中的特征数据输入电解电容寿命预测模型，得到测试集对应的预测剩余使用时间(即测试集对应的标签数据)；获取测试集对应的真实剩余使用时间；采用上述公式(3)对测试集对应的预测剩余使用时间Ypred和测试集对应的真实剩余使用时间Ytrue进行数据反归一化处理，预测剩余使用时间与真实剩余使用时间对比如图4所示，其中，图4中，predict为预测剩余使用时间,true为真实剩余使用时间；与图4作为对比，删除特征数据X中的该变频器当前日历寿命 CL，重复上述从对样本数据集D做时序错位处理到做数据反归一化处理的步骤，得到未包含该变频器当前日历寿命CL情况下预测的结果，该情况下预测剩余使用时间与真实剩余使用时间对比如图5所示；
按照公式(4)和(5)计算电解电容剩余寿命预测模型的性能评估指标，如表3所示，添加该变频器当前日历寿命CL建立的电解电容剩余寿命预测模型决定系数R2大于等于0.9时，电解电容剩余寿命预测模型的效果较好，而未添加该变频器当前日历寿命CL建立的电解电容剩余寿命预测模型，其 R2为-0.0489，电解电容剩余寿命预测模型的效果较差。
表3
电解电容剩余寿命预测模型 RMSE R<sup>2</sup>
考虑当前日历寿命CL 217.1368 0.9091
未考虑当前日历寿命CL 737.8993 -0.0489
本实施例通过获取输出电流和/或输出频率以及电解电容的剩余使用时间的历史训练数据集，基于历史训练数据训练神经网络模型，以得到电解电容剩余寿命预测模型；以便利用电解电容剩余寿命预测模型准确地预测出电解电容的剩余使用时间，提高了电解电容剩余寿命预测模型的准确度和实用性，优化了电解电容剩余寿命预测模型的预测效率。
实施例2
如图6所示，本实施例提供一种模型训练系统，该训练系统包括第一获取模块1和训练模块2；
第一获取模块1，用于获取一历史训练数据集，该历史训练数据集包括电解电容的多个输出参数以及与每个输出参数对应的剩余使用时间，该输出参数包括输出电流和/或输出频率；
本实施例中，历史训练数据集O可以按照采集时间t由远及近排序，例如，获取每个时间点输出电流C和/或每个时间点输出频率f以及该时间点上电解电容的剩余使用时间(即该时间点上电解电容的剩余寿命)L，需要说明的是，该电解电容的剩余寿命是通过阿伦尼乌斯公式计算获得，后经调整即可得到电解电容的剩余寿命的准确值。
本实施例中，输出参数对应的电解电容的剩余使用时间通过计算得到，例如，采用实施例1中的公式(1)计算当前电解电容的剩余使用时间(即当前电解电容的日历寿命)CL。
训练模块2，用于基于历史训练数据训练神经网络模型，以得到电解电容剩余寿命预测模型；
本实施例中，电解电容剩余寿命预测模型以电解电容的输出参数为输入，以电解电容的预测剩余使用时间为输出。
需要说明的是，神经网络模型可以为RNN(Recurrent Neural Network) (循环神经网络)模型。
本实施例中，采用循环神经网络RNN中的LSTM算法进行模型训练，选取合适的参数，以获得电解电容剩余寿命预测模型。
本实施例基于历史训练数据集训练神经网络模型以构建电解电容剩余寿命预测模型，解决了针对剩余寿命评估中存在的温度数据获取难的问题，在规避温度参数的同时考虑添加电解电容的剩余使用时间(即电解电容日历寿命)作为一个特征参数，需要说明的是，日历寿命是指电解电容从生产之日起到寿命终止的这段期间使用时间的累积，该特征参数可有效指导对电解电容剩余寿命的正确估计，提高了电解电容剩余寿命预测模型在实际应用中的价值。
在一可实施的方案中，如图6所示，该模型训练系统还包括第一处理模块3和第二处理模块4；
第一处理模块3，用于对历史训练数据集进行异常值和空值处理，以得到异常值和空值处理后的历史训练数据集；
本实施例中，根据异常值和空值所占比例进行删除或者填充替换处理，具体地，当异常值或者空值占比为预设值以下时，进行删除处理，当异常值或者空值占比为预设值以上时，进行填充替换处理。
需要说明的是，预设值可以设置为5％，也可以根据实际情况设置为其他数值，此处不做具体限定。
第二处理模块4，用于对异常值和空值处理后的历史训练数据集进行归一化处理，以得到归一化处理后的历史训练数据集。
本实施例中，为避免量纲影响，对异常值和空值处理后的历史训练数据集O进行归一化处理，以获得归一化处理后的历史训练数据集Onorm，采用实施例中的公式(2)归一化处理任一列数据oj。
训练模块2，具体用于基于归一化处理后的历史训练数据集训练神经网络模型，以得到电解电容剩余寿命预测模型。
在一可实施的方案中，如图6所示，该模型训练系统还包括筛选模块5、提取模块6、测试模块7、第二获取模块8、计算模块9和优化模块10；
筛选模块5，用于从历史训练数据集中筛选特征数据和标签数据，以得到样本数据集；
本实施例中，例如，从归一化处理后的历史训练数据集Onorm中筛选的特征数据为X＝{L,f,C,CL}，筛选的标签数据为Y＝{L}，组成的样本数据集为 D＝{X,Y}。
需要说明的是，本实施例还可以对样本数据集D进行时序错位处理，即添加新的特征数据列Xt-m，即特征数据X时间点t前m个时间点t-m的值 (m＝1,2,3...)，其对应的标签数据为该时间点t以及t以后k个时间点上的剩余使用时间(即剩余寿命)L，即对样本数据集D进行时序错位处理后的数据结构如实施例1中的表1所示。
本实施例通过对样本数据集D进行时序错位处理，用前m个时间点的特征数据预测后k个时间点的剩余寿命，可实现批量数据的处理。具体地，错序处理使得循环神经网络RNN在针对时序数据的时，由传统的只能预测下一个时间点的值转变为可批量预测多个时间点的值，提高了预测效率。
提取模块6，用于按照预设比例从样本数据集中提取得到测试集；
本实施例中，测试集包括特征数据和标签数据。
需要说明的是，预设比例根据实际情况进行设置，此处不做具体限定。
测试模块7，用于利用测试集测试电解电容寿命预测模型的预测结果，以得到测试集对应的预测剩余使用时间；
第二获取模块8，用于获取测试集对应的真实剩余使用时间；
本实施例中，在对历史训练数据集进行归一化处理后，还会对测试集对应的预测剩余使用时间和测试集对应的真实剩余使用时间进行数据反归一化处理，以得到反归一化后的测试集对应的预测剩余使用时间和反归一化后的测试集对应的真实剩余使用时间；
本实施例中，采用实施例1中的公式(3)对测试集对应的预测剩余使用时间Ypred和测试集对应的真实剩余使用时间Ytrue进行数据反归一化处理。
计算模块9，用于基于测试集对应的预测剩余使用时间和测试集对应的真实剩余使用时间计算电解电容剩余寿命预测模型的均方根误差和决定系数以作为电解电容剩余寿命预测模型的损失值；
优化模块10，用于基于损失值对电解电容剩余寿命预测模型进行优化。
本实施例中，采用均方根误差和决定系数来评估电解电容剩余寿命预测模型的性能，其计算公式如实施例1中的公式(4)和公式(5)所示。
需要说明的是，RMSE越小电解电容剩余寿命预测模型的性能越好，R2数值在0-1之间，当R2的数值大于等于0.9时，则认为电解电容剩余寿命预测模型的性能比较好。
下面结合具体实例进行说明：
例如，以某变频器为例，采集某变频器的历史运行监测数据作为历史训练数据集，该历史训练数据集按照该变频器运行监测数据的采集时间t由远及近排序，该历史训练数据集包括输出频率f和/或输出电流C以及根据阿伦尼乌斯公式计算并经过调整的电解电容剩余寿命L，数据采集时间间隔为 2s，共306853条数据；
经分析，该历史训练数据集存在着输出电流为NAN的异常数据，该异常数据所占比例非常小(例如，该异常数据所占比例小于0.1％)，因此可直接删除存在异常数据的历史训练数据集；
根据实施例1中的公式(1)计算该变频器当前日历寿命CL；再按照实施例1中的公式(2)对历史训练数据集O做归一化处理，以获得归一化处理后的历史训练数据集Onorm；
从归一化处理后的历史训练数据集Onorm中选取特征数据为 X＝{f,C,CL,L}，标签数据为Y＝{L}，组成样本数据集D＝{X,Y}；
对样本数据集D做时序错位处理，例如，采用前100个时间点的特征数据来预测后9个时间点的标签数据(即剩余寿命)，即m＝100，k＝9获得的部分数据如实施例1中的表2所示。
按照10％的比例从样本数据集中提取得到测试集，将测试集中的特征数据输入电解电容寿命预测模型，得到测试集对应的预测剩余使用时间(即测试集对应的标签数据)；获取测试集对应的真实剩余使用时间；采用实施例 1中的公式(3)对测试集对应的预测剩余使用时间Ypred和测试集对应的真实剩余使用时间Ytrue进行数据反归一化处理，预测剩余使用时间与真实剩余使用时间对比如图4所示，其中，图4中，predict为预测剩余使用时间,true 为真实剩余使用时间；与图4作为对比，删除特征数据X中的该变频器当前日历寿命CL，重复上述从对样本数据集D做时序错位处理到做数据反归一化处理的步骤，得到未包含该变频器当前日历寿命CL情况下预测的结果，该情况下预测剩余使用时间与真实剩余使用时间对比如图5所示；
按照实施例1中的公式(4)和(5)计算电解电容剩余寿命预测模型的性能评估指标，如实施例1中的表3所示，添加该变频器当前日历寿命CL建立的电解电容剩余寿命预测模型决定系数R2大于等于0.9时，电解电容剩余寿命预测模型的效果较好，而未添加该变频器当前日历寿命CL建立的电解电容剩余寿命预测模型，其R2为-0.0489，电解电容剩余寿命预测模型的效果较差。
本实施例通过获取输出电流和/或输出频率以及电解电容的剩余使用时间的历史训练数据集，基于历史训练数据训练神经网络模型，以得到电解电容剩余寿命预测模型；以便利用电解电容剩余寿命预测模型准确地预测出电解电容的剩余使用时间，提高了电解电容剩余寿命预测模型的准确度和实用性，优化了电解电容剩余寿命预测模型的预测效率。
实施例3
图7为本发明实施例3提供的一种电子设备的结构示意图。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现实施例1的模型训练方法。图7显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/ 或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1的模型训练方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等) 通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器36 通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现实施例1所提供的模型训练方法。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现实施例1所述的模型训练方法。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
实施例5
如图8所示，本实施例提供一种电解电容剩余寿命预测方法，该预测方法包括：
步骤201、获取电解电容的实时输出参数，该实时输出参数包括实时输出电流和/或实时输出频率；
步骤202、将实时输出参数输入利用实施例1的模型训练方法训练得到的电解电容剩余寿命预测模型，以输出电解电容的剩余使用时间。
本实施例在规避温度参数的同时仅考虑将获取的实时输出参数中的实时输出电流和/或实时输出频率输入训练得到的电解电容剩余寿命预测模型，即可实现对电解电容剩余使用时间在批量时间点上的精准预测，在有效降低计算难度的同时减少了电解电容剩余寿命预测模型的输入参数，提高预测剩余使用时间的准确性。
实施例6
如图9所示，本实施例提供一种电解电容剩余寿命预测系统，该预测系统包括输出参数获取模块61和输入模块62；
输出参数获取模块61，用于获取电解电容的实时输出参数，该实时输出参数包括实时输出电流和/或实时输出频率；
输入模块62，用于将实时输出参数输入利用实施例2的模型训练系统训练得到的电解电容剩余寿命预测模型，以输出电解电容的剩余使用时间。
本实施例在规避温度参数的同时仅考虑将获取的实时输出参数中的实时输出电流和/或实时输出频率输入训练得到的电解电容剩余寿命预测模型，即可实现对电解电容剩余使用时间在批量时间点上的精准预测，在有效降低计算难度的同时减少了电解电容剩余寿命预测模型的输入参数，提高预测剩余使用时间的准确性。
实施例7
本发明实施例7提供的一种电子设备的结构示意图，该实施例中的电子设备的结构示意图与图7的结构相同。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现实施例5的电解电容剩余寿命预测方法。图7显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/ 或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例5的电解电容剩余寿命预测方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等) 通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器36 通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例8
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现实施例5所提供的电解电容剩余寿命预测方法。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现实施例5所述的电解电容剩余寿命预测方法。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种模型训练方法，其特征在于，所述训练方法包括：
获取一历史训练数据集，所述历史训练数据集包括电解电容的多个输出参数以及与每个输出参数对应的剩余使用时间，所述输出参数包括输出电流和/或输出频率；
基于所述历史训练数据训练神经网络模型，以得到所述电解电容剩余寿命预测模型；
所述电解电容剩余寿命预测模型以电解电容的输出参数为输入，以所述电解电容的预测剩余使用时间为输出。
2.如权利要求1所述的模型训练方法，其特征在于，所述获取一历史训练数据集的步骤之后，所述模型训练方法还包括：
对所述历史训练数据集进行异常值和空值处理，以得到异常值和空值处理后的历史训练数据集；
对所述异常值和空值处理后的历史训练数据集进行归一化处理，以得到归一化处理后的历史训练数据集。
3.如权利要求1所述的模型训练方法，其特征在于，所述模型训练方法还包括：
从所述历史训练数据集中筛选特征数据和标签数据，以得到样本数据集；
按照预设比例从所述样本数据集中提取得到测试集；
利用所述测试集测试所述电解电容寿命预测模型的预测结果，以得到所述测试集对应的预测剩余使用时间；
获取所述测试集对应的真实剩余使用时间；
基于所述测试集对应的预测剩余使用时间和所述测试集对应的真实剩余使用时间计算所述电解电容剩余寿命预测模型的均方根误差和决定系数以作为所述电解电容剩余寿命预测模型的损失值；
基于所述损失值对所述电解电容剩余寿命预测模型进行优化。
4.一种模型训练系统，其特征在于，所述训练系统包括第一获取模块和训练模块；
所述第一获取模块，用于获取一历史训练数据集，所述历史训练数据集包括电解电容的多个输出参数以及与每个输出参数对应的剩余使用时间，所述输出参数包括输出电流和/或输出频率；
所述训练模块，用于基于所述历史训练数据训练神经网络模型，以得到所述电解电容剩余寿命预测模型；
所述电解电容剩余寿命预测模型以电解电容的输出参数为输入，以所述电解电容的预测剩余使用时间为输出。
5.如权利要求4所述的模型训练系统，其特征在于，所述模型训练系统还包括第一处理模块和第二处理模块；
所述第一处理模块，用于对所述历史训练数据集进行异常值和空值处理，以得到异常值和空值处理后的历史训练数据集；
所述第二处理模块，用于对所述异常值和空值处理后的历史训练数据集进行归一化处理，以得到归一化处理后的历史训练数据集。
6.如权利要求4所述的模型训练系统，其特征在于，所述模型训练系统还包括筛选模块、提取模块、测试模块、第二获取模块、计算模块和优化模块；
所述筛选模块，用于从所述历史训练数据集中筛选特征数据和标签数据，以得到样本数据集；
所述提取模块，用于按照预设比例从所述样本数据集中提取得到测试集；
所述测试模块，用于利用所述测试集测试所述电解电容寿命预测模型的预测结果，以得到所述测试集对应的预测剩余使用时间；
所述第二获取模块，用于获取所述测试集对应的真实剩余使用时间；
所述计算模块，用于基于所述测试集对应的预测剩余使用时间和所述测试集对应的真实剩余使用时间计算所述电解电容剩余寿命预测模型的均方根误差和决定系数以作为所述电解电容剩余寿命预测模型的损失值；
所述优化模块，用于基于所述损失值对所述电解电容剩余寿命预测模型进行优化。
7.一种电解电容剩余寿命预测方法，其特征在于，所述预测方法包括：
获取电解电容的实时输出参数，所述实时输出参数包括实时输出电流和/或实时输出频率；
将所述实时输出参数输入利用如权利要求1-3中任一项所述的模型训练方法训练得到的电解电容剩余寿命预测模型，以输出电解电容的剩余使用时间。
8.一种电解电容剩余寿命预测系统，其特征在于，所述预测系统包括输出参数获取模块和输入模块；
所述输出参数获取模块，用于获取电解电容的实时输出参数，所述实时输出参数包括实时输出电流和/或实时输出频率；
所述输入模块，用于将所述实时输出参数输入利用如权利要求4-6中任一项所述的模型训练系统训练得到的电解电容剩余寿命预测模型，以输出电解电容的剩余使用时间。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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1-3中任一项所述的模型训练方法，或执行如权利要求4所述的电解电容剩余寿命预测方法。
10.一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，所述计算机程序被处理器执行时实现如权利要求1-3中任一项所述的模型训练方法，或执行如权利要求4所述的电解电容剩余寿命预测方法。
CN202210314114.8A 2022-03-28 2022-03-28 模型训练方法、电解电容剩余寿命预测方法及系统 Pending CN114970665A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210314114.8A CN114970665A (zh) 2022-03-28 2022-03-28 模型训练方法、电解电容剩余寿命预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210314114.8A CN114970665A (zh) 2022-03-28 2022-03-28 模型训练方法、电解电容剩余寿命预测方法及系统

Publications (1)

Publication Number Publication Date
CN114970665A true CN114970665A (zh) 2022-08-30

Family

ID=82976025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210314114.8A Pending CN114970665A (zh) 2022-03-28 2022-03-28 模型训练方法、电解电容剩余寿命预测方法及系统

Country Status (1)

Country Link
CN (1) CN114970665A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795367A (zh) * 2023-01-29 2023-03-14 湖南大学 基于机器学习的藻华爆发预测方法及应用
CN117684243A (zh) * 2024-02-04 2024-03-12 深圳市海里表面技术处理有限公司 一种智能电镀控制系统及控制方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795367A (zh) * 2023-01-29 2023-03-14 湖南大学 基于机器学习的藻华爆发预测方法及应用
CN117684243A (zh) * 2024-02-04 2024-03-12 深圳市海里表面技术处理有限公司 一种智能电镀控制系统及控制方法
CN117684243B (zh) * 2024-02-04 2024-04-09 深圳市海里表面技术处理有限公司 一种智能电镀控制系统及控制方法

Similar Documents

Publication Publication Date Title
CN112699913B (zh) 一种台区户变关系异常诊断方法及装置
CN114970665A (zh) 模型训练方法、电解电容剩余寿命预测方法及系统
CN111669123B (zh) 用于对光伏组串进行故障诊断的方法和装置
CN110333962B (zh) 一种基于数据分析预测的电子元器件故障诊断模型
CN114371409B (zh) 电池状态预测模型的训练方法、电池状态预测方法及装置
CN110852509A (zh) Igbt模块的故障预测方法、装置及存储介质
CN114024328A (zh) 储能电站系统的综合评估方法、设备及可读介质
CN114707234B (zh) 一种基于贝叶斯深度学习的航空发动机剩余寿命预测方法
CN111458661A (zh) 一种配电网线变关系诊断方法、装置及系统
CN110610226A (zh) 一种发电机故障预测方法及装置
CN112051506B (zh) 一种相似产品可迁移样本筛选方法、系统及用途
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
CN115878958B (zh) 一种变压器油温预测方法、装置、设备及存储介质
CN111737249A (zh) 基于Lasso算法的异常数据检测方法及装置
CN113746425B (zh) 光伏逆变器参数异常分析方法、系统
CN111025041A (zh) 电动汽车充电桩监测方法及其系统、计算机设备、介质
CN117151329A (zh) 一种考虑碳排放强度预测方法、装置、设备及存储介质
CN115659271A (zh) 传感器异常检测方法、模型训练方法、系统、设备及介质
CN115575737A (zh) 一种载流量检测方法及系统
CN114660461A (zh) 电池健康状态的评估方法、装置、电子设备和存储介质
CN112782584A (zh) 电池电量的剩余使用额度的预测方法、系统、介质及设备
CN117272844B (zh) 配电盘工作寿命的预测方法及系统
CN115018366B (zh) 储能系统工作状态监测方法、装置、存储介质及电子设备
CN116720983A (zh) 一种基于大数据分析的供电设备异常检测方法及系统
CN117748447A (zh) 一种基于调压事件分析的配电网线变关系诊断方法、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