CN115310562B - 一种适用于极端状态的储能设备的故障预测模型生成方法 - Google Patents
一种适用于极端状态的储能设备的故障预测模型生成方法 Download PDFInfo
- Publication number
- CN115310562B CN115310562B CN202211219495.8A CN202211219495A CN115310562B CN 115310562 B CN115310562 B CN 115310562B CN 202211219495 A CN202211219495 A CN 202211219495A CN 115310562 B CN115310562 B CN 115310562B
- Authority
- CN
- China
- Prior art keywords
- operation data
- fault
- data
- extreme
- fault operation
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims description 74
- 230000003321 amplification Effects 0.000 claims description 35
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 35
- 238000011084 recovery Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种适用于极端状态的储能设备的故障预测模型生成方法，本发明通过对目标设备的极端故障运行数据进行复原、扩增，增多了目标设备在极端环境下的故障运行数据，因此可以采用足量的极端故障运行数据对目标设备的故障预测模型进行训练。解决了现有技术中由于缺乏足量的储能设备在极端环境中的历史故障数据，因此现有的故障预测模型难以适用于极端环境中的储能设备的故障预测问题。
Description
技术领域
本发明涉及模型生成领域，尤其涉及的是一种适用于极端状态的储能设备的故障预测模型生成方法。
背景技术
传统的储能设备的故障监测主要依赖于专业的工作人员实时监控储能设备的运行数据，需要耗费大量的人力。并且由于人工监测具有一定的主观性，当工作人员的经验不足或者对当前储能设备不够了解时，就难以准确预测出储能设备的故障，从而影响储能系统的正常运作。随着科学技术的不断进步，基于机器学习的故障预测模型已经逐渐代替了人工监测。故障预测模型是通过学习历史参数的特性，来判断未来参数所反映的设备状态。因此故障预测模型需要大量的历史数据进行训练。然而储能设备在极端环境中的历史故障数据获取难度大，且获取数量少，例如雷击，高温，高压，极寒，真空等极端户外或太空环境中获取储能设备的历史故障数据是机器困难的。由于缺乏足量的储能设备在极端环境中的历史故障数据，因此现有的故障预测模型难以适用于极端环境中的储能设备的故障预测。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种适用于极端状态的储能设备的故障预测模型生成方法，旨在解决现有技术中由于缺乏足量的储能设备在极端环境中的历史故障数据，因此现有的故障预测模型难以适用于极端环境中的储能设备的故障预测问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种适用于极端状态的储能设备的故障预测模型生成方法，其中，所述方法包括：
获取目标设备对应的若干极端故障运行数据，其中，所述极端故障运行数据用于反映所述目标设备在极端环境内发生故障时的运行数据，所述极端环境为采集频率低于预设阈值的环境；
对各所述极端故障运行数据进行复原，得到各所述极端故障运行数据分别对应的复原故障运行数据；
根据各所述复原故障运行数据进行数据扩增，得到若干扩增故障运行数据；
获取所述目标设备对应的故障预测模型，根据若干所述扩增故障运行数据确定所述故障预测模型对应的第一训练数据集；
根据所述第一训练数据集对所述故障预测模型进行训练，根据已训练的所述故障预测模型确定所述目标设备对应的目标故障预测模型。
在一种实施方式中，各所述极端故障运行数据均为时间序列数据，每一所述时间序列数据包括若干元素，若干所述元素分别用于反映同一运行参数在不同时间点分别对应的运行值，所述对各所述极端故障运行数据进行复原，得到各所述极端故障运行数据分别对应的复原故障运行数据，包括：
判断各所述时间序列数据是否存在缺失元素，将存在所述缺失元素的所述时间序列数据作为待复原序列数据；
对各所述待复原序列数据进行复原，得到各所述时间序列数据分别对应的所述复原故障运行数据。
在一种实施方式中，所述对各所述待复原序列数据进行复原，得到各所述时间序列数据分别对应的所述复原故障运行数据，包括：
将各所述待复原序列数据输入目标预测网络，其中，所述目标预测网络预先经过训练；
获取所述目标预测网络基于各所述待复原序列数据输出的各所述待复原序列数据分别对应的所述复原故障运行数据。
在一种实施方式中，所述目标预测网络的训练过程包括：
获取第二训练数据集，其中，所述第二训练数据集包括若干缺失运行数据和若干所述缺失运行数据分别对应的完整运行数据，每一所述缺失运行数据基于对该缺失运行数据对应的所述完整运行数据进行删减得到；
将所述第二训练数据集中的一个所述缺失运行数据输入未训练完毕的所述目标预测网络，得到该缺失运行数据对应的预测故障运行数据；
根据所述预测故障运行数据和该缺失运行数据对应的所述完整运行数据对所述目标预测网络的网络参数进行更新，判断更新后的所述目标预测网络是否达到训练目标，若否，继续执行将所述第二训练数据集中的一个所述缺失运行数据输入未训练完毕的所述目标预测网络的步骤，直至更新后的所述目标预测网络达到所述训练目标，得到已训练完毕的所述目标预测网络。
在一种实施方式中，所述根据各所述复原故障运行数据进行数据扩增，得到若干扩增故障运行数据，包括：
获取各所述复原故障运行数据分别对应的数据风格，得到若干所述数据风格，其中，每一所述复原故障运行数据对应的所述数据风格用于反映该复原故障运行数据对应的数据变化特征；
根据各所述复原故障运行数据和各所述数据风格，确定若干所述扩增故障运行数据，其中，若干所述扩增故障运行数据分别对应不同的所述复原故障运行数据和所述数据风格的组合，每一所述扩增故障运行数据基于该扩增故障运行数据对应的所述复原故障运行数据和所述数据风格融合得到。
在一种实施方式中，所述根据若干所述扩增故障运行数据确定所述故障预测模型对应的第一训练数据集，包括：
获取所述目标设备对应的若干基础故障运行数据，其中，所述基础故障运行数据用于反映所述目标设备在非极端环境内发生故障时的运行数据；
获取所述目标设备对应的若干标准运行数据，其中，所述标准运行数据用于反映所述目标设备在未发生故障时的运行数据；
根据各所述扩增故障运行数据、各所述基础故障运行数据以及各所述标准运行数据，确定所述第一训练数据集，其中，各所述扩增故障运行数据和各所述基础故障运行数据分别对应第一分类标签，各所述标准运行数据分别对应第二分类标签。
在一种实施方式中，所述方法还包括：
获取所述目标设备对应的当前运行数据，将所述当前运行数据输入所述目标故障预测模型；
获取所述目标故障预测模型基于所述当前运行数据输出的所述目标设备对应的当前运行状态。
第二方面，本发明实施例还提供一种适用于极端状态的储能设备的故障预测模型生成装置，其中，所述装置包括：
获取模块，用于获取目标设备对应的若干极端故障运行数据，其中，所述极端故障运行数据用于反映所述目标设备在极端环境内发生故障时的运行数据，所述极端环境为采集频率低于预设阈值的环境；
复原模块，用于对各所述极端故障运行数据进行复原，得到各所述极端故障运行数据分别对应的复原故障运行数据；
扩增模块，用于根据各所述复原故障运行数据进行数据扩增，得到若干扩增故障运行数据；
确定模块，用于获取所述目标设备对应的故障预测模型，根据若干所述扩增故障运行数据确定所述故障预测模型对应的第一训练数据集；
训练模块，用于根据所述第一训练数据集对所述故障预测模型进行训练，根据已训练的所述故障预测模型确定所述目标设备对应的目标故障预测模型。
第三方面，本发明实施例还提供一种终端，其中，所述终端包括有存储器和一个或者一个以上处理器；所述存储器存储有一个或者一个以上的程序；所述程序包含用于执行如上述任一所述的适用于极端状态的储能设备的故障预测模型生成方法的指令；所述处理器用于执行所述程序。
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有多条指令，其中，所述指令适用于由处理器加载并执行，以实现上述任一所述的适用于极端状态的储能设备的故障预测模型生成方法的步骤。
本发明的有益效果：本发明实施例通过对目标设备的极端故障运行数据进行复原、扩增，增多了目标设备在极端环境下的故障运行数据，因此可以采用足量的极端故障运行数据对目标设备的故障预测模型进行训练。解决了现有技术中由于缺乏足量的储能设备在极端环境中的历史故障数据，因此现有的故障预测模型难以适用于极端环境中的储能设备的故障预测问题。
附图说明
为了更清楚地说明本发明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发明中记载的一些实施例，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是本发明实施例提供的适用于极端状态的储能设备的故障预测模型生成方法的流程示意图。
图2是本发明实施例提供的适用于极端状态的储能设备的故障预测模型生成装置的内部模块示意图。
图3是本发明实施例提供的终端的原理框图。
具体实施方式
本发明公开了一种适用于极端状态的储能设备的故障预测模型生成方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。 应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
针对现有技术的上述缺陷，本发明提供一种适用于极端状态的储能设备的故障预测模型生成方法，所述方法包括：获取目标设备对应的若干极端故障运行数据，其中，所述极端故障运行数据用于反映所述目标设备在极端环境内发生故障时的运行数据，所述极端环境为采集频率低于预设阈值的环境；对各所述极端故障运行数据进行复原，得到各所述极端故障运行数据分别对应的复原故障运行数据；根据各所述复原故障运行数据进行数据扩增，得到若干扩增故障运行数据；获取所述目标设备对应的故障预测模型，根据若干所述扩增故障运行数据确定所述故障预测模型对应的第一训练数据集；根据所述第一训练数据集对所述故障预测模型进行训练，根据已训练的所述故障预测模型确定所述目标设备对应的目标故障预测模型。本发明通过对目标设备的极端故障运行数据进行复原、扩增，增多了目标设备在极端环境下的故障运行数据，因此可以采用足量的极端故障运行数据对目标设备的故障预测模型进行训练。解决了现有技术中由于缺乏足量的储能设备在极端环境中的历史故障数据，因此现有的故障预测模型难以适用于极端环境中的储能设备的故障预测问题。
如图1所示，所述方法包括如下步骤：
步骤S100、获取目标设备对应的若干极端故障运行数据，其中，所述极端故障运行数据用于反映所述目标设备在极端环境内发生故障时的运行数据，所述极端环境为采集频率低于预设阈值的环境。
具体地，本实施例中的目标设备可以是任意一台需要进行故障监测的储能设备，为了使得最终生成模型可以适用于极端环境下的设备故障预测，因此本实施例需要首先获得历史数据中目标设备在极端环境下的故障运行数据，即得到极端故障运行数据。需要说明的是，极端环境指的是采集评率低于预设阈值的环境，例如环境A的采集次数为1，环境B的采集次数为10，环境C的采集次数为2，环境D的采集次数为7，则环境A的采集频率为1/20=5%，环境B的采集频率为10/20=50%，环境C的采集频率为2/20=10%，环境D的采集频率为7/20=35%，预设阈值为15%，则环境A、C为极端环境。
需要说明的是，若干所述极端故障运行数据分别对应的数据类型相同。例如，各极端故障运行数据均为目标设备在极端状态下发生故障时采集到的电压数据，或者各极端故障运行数据均为目标设备在极端状态下发生故障时采集到的电流数据。
如图1所示，所述方法还包括如下步骤：
步骤S200、对各所述极端故障运行数据进行复原，得到各所述极端故障运行数据分别对应的复原故障运行数据。
具体地，由于极端状态下获取的故障运行数据可能存在数据缺失，例如缺失采集时间段内的个别时间点的运行数据，因此为了保证数据的有效性和可靠性，本实施例需要先对各极端故障运行数据进行复原，以修复各极端故障运行数据中的缺失数据，即得到多个复原故障运行数据。
在一种实现方式中，各所述极端故障运行数据均为时间序列数据，每一所述时间序列数据包括若干元素，若干所述元素分别用于反映同一运行参数在不同时间点分别对应的运行值，所述步骤S200具体包括如下步骤：
步骤S201、判断各所述时间序列数据是否存在缺失元素，将存在所述缺失元素的所述时间序列数据作为待复原序列数据；
步骤S202、对各所述待复原序列数据进行复原，得到各所述时间序列数据分别对应的所述复原故障运行数据。
具体地，本实施例中的极端故障运行数据为时间序列数据的形式，每一时间序列数据都包括多个元素，每一元素都具有时间标签用于指示该数据对应的采集时间点，因此各元素可以反映同一运行参数在不同时间点的运行值，例如时间序列数据A中各元素可以反映目标设备在不同时间点的电流值。为了保障各时间序列数据的有效性和可靠性，本实施例需要先筛选出缺失元素的时间序列数据，即得到待复原序列数据。然后针对每一待复原时间序列数据进行复原，将各复原时间序列数据中的缺失元素补齐，即得到复原故障运行数据。
在一种实现方式中，所述步骤S202具体包括如下步骤：
步骤S2021、将各所述待复原序列数据输入目标预测网络，其中，所述目标预测网络预先经过训练；
步骤S2022、获取所述目标预测网络基于各所述待复原序列数据输出的各所述待复原序列数据分别对应的所述复原故障运行数据。
具体地，本实施例预先构建了一个目标预测网络，该目标预测网络预先学习了各缺失运行数据与对应的完整运行数据之间的映射关系，因此将各待复原序列数据输入目标预测网络以后，即可预测出各待复原序列数据分别对应的完整运行数据，从而完成数据复原过程。
在一种实现方式中，所述目标预测网络的训练过程包括：
步骤S20211、获取第二训练数据集，其中，所述第二训练数据集包括若干缺失运行数据和若干所述缺失运行数据分别对应的完整运行数据，每一所述缺失运行数据基于对该缺失运行数据对应的所述完整运行数据进行删减得到；
步骤S20212、将所述第二训练数据集中的一个所述缺失运行数据输入未训练完毕的所述目标预测网络，得到该缺失运行数据对应的预测故障运行数据；
步骤S20213、根据所述预测故障运行数据和该缺失运行数据对应的所述完整运行数据对所述目标预测网络的网络参数进行更新，判断更新后的所述目标预测网络是否达到训练目标，若否，继续执行将所述第二训练数据集中的一个所述缺失运行数据输入未训练完毕的所述目标预测网络的步骤，直至更新后的所述目标预测网络达到所述训练目标，得到已训练完毕的所述目标预测网络。
具体地，本实施例中的各完整运行数据是目标设备在极端环境中发生故障早期采集到的未缺失数值的运行数据；各缺失运行数据则是根据对各完整运行数据进行删减得到的，用于反映目标设备在极端环境中发生故障晚期采集到的缺失数值的运行数据。根据将各缺失运行数据作为训练数据，将各完整运行数据作为真实标签，以构建目标预测网络对应的第二训练数据集，通过第二训练数据集对目标预测网络进行训练，可以使其充分学习到缺失运行数据与对应的完整运行数据之间的映射关系，从而提高目标预测网络的预测性能。
在一种实现方式中，获取逆向预测网络，其中，所述逆向预测网络与所述目标预测网络分别对应的输入输出映射关系为互逆关系，即所述逆向预测网络的输入为所述完整运行数据，输出为所述缺失运行数据，所述逆向预测网络对应的初始网络参数基于所述目标预测网络对应的第一网络参数和所述互逆关系确定；
根据所述第二训练数据集构建第三训练数据集，其中，所述第三训练数据集中各所述缺失运行数据为训练数据，各所述缺失运行数据分别对应的所述完整运行数据为真实标签；
根据所述第三训练数据集对所述逆向预测网络进行迭代更新，直至达到所述逆向预测网络对应的训练目标，得到已训练的所述逆向预测网络；
获取已训练的所述逆向预测网络对应的第二网络参数；
根据所述第二网络参数和所述互逆关系对所述第一网络参数进行更新，得到再次更新后的所述目标预测网络。
具体地，由于目标预测网络和逆向预测网络之间的输入输出映射关系为互逆关系，因此两者分别对应的网络参数之间具有一定的关联，所以本实施例采用已训练的目标预测网络对应的第一网络参数构建逆向预测网络的初始网络参数，然后将目标预测网络对应的第二训练数据集调整为适用于逆向预测网络的第三训练数据集，然后采用第三训练数据集对逆向预测网络的网络参数进行更新，当逆向预测网络训练完毕以后，再根据训练后的逆向预测网络对应的第二网络参数对目标预测网络对应的第一网络参数进行更新，从而进一步提升目标预测网络的预测性能。
如图1所示，所述方法还包括如下步骤：
步骤S300、根据各所述复原故障运行数据进行数据扩增，得到若干扩增故障运行数据。
具体地，由于极端环境下的故障运行数据数量过少，难以直接应用于模型训练过程。因此本实施例需要根据各个复原故障运行数据进行数据扩增，从而增多极端环境下的故障运行数据，即得到多个扩增故障运行数据。
在一种实现方式中，所述步骤S300具体包括如下步骤：
步骤S301、获取各所述复原故障运行数据分别对应的数据风格，得到若干所述数据风格，其中，每一所述复原故障运行数据对应的所述数据风格用于反映该复原故障运行数据对应的数据变化特征；
步骤S302、根据各所述复原故障运行数据和各所述数据风格，确定若干所述扩增故障运行数据，其中，若干所述扩增故障运行数据分别对应不同的所述复原故障运行数据和所述数据风格的组合，每一所述扩增故障运行数据基于该扩增故障运行数据对应的所述复原故障运行数据和所述数据风格融合得到。
具体地，由于极端环境也分为多种不同类型，不同类型的极端环境下采集的故障运行数据的数据风格也会有所差异，例如在极端环境A下采集到的故障运行数据的数据变化特征是随着时间骤降，在极端环境B下采集到的故障运行数据的数据变化特征是随着时间骤升。因此为了扩增极端环境下的故障运行数据，本实施例需要各复原故障运行数据互相学习彼此的数据风格，从而组合出更多的极端环境下的故障运行数据。
如图1所示，所述方法还包括如下步骤：
步骤S400、获取所述目标设备对应的故障预测模型，根据若干所述扩增故障运行数据确定所述故障预测模型对应的第一训练数据集。
具体地，为了提高故障预测模型对极端环境下采集到的运行数据的预测性能，本实施例需要根据各扩增故障运行数据生成故障预测模型对应的训练数据，即得到第一训练数据集。由于各扩增故障运行数据已经包含足量的极端环境下的故障运行数据，因此通过第一训练数据集对故障预测模型进行训练可以使其充分学习到极端环境下的故障运行数据的数据特征，从而提高其对极端环境下采集到的运行数据的预测性能。
在一种实现方式中，所述步骤S400具体包括如下步骤：
步骤S401、获取所述目标设备对应的若干基础故障运行数据，其中，所述基础故障运行数据用于反映所述目标设备在非极端环境内发生故障时的运行数据；
步骤S402、获取所述目标设备对应的若干标准运行数据，其中，所述标准运行数据用于反映所述目标设备在未发生故障时的运行数据；
步骤S403、根据各所述扩增故障运行数据、各所述基础故障运行数据以及各所述标准运行数据，确定所述第一训练数据集，其中，各所述扩增故障运行数据和各所述基础故障运行数据分别对应第一分类标签，各所述标准运行数据分别对应第二分类标签。
具体地，为了充分学习目标设备在故障状态时的运行数据的数据特征，本实施例还需要获取目标设备在非极端环境下的故障运行数据，即得到基础故障运行数据。同时，为了学习目标设备在正常状态时的运行数据的数据特征，本实施例还需要采集目标设备在未发生故障时的运行数据，即得到标准运行数据。最后根据所有扩增故障运行数据、基础故障运行数据以及标准运行数据构建出故障预测模型对应的第一训练数据集，由于扩增故障运行数据和基础故障运行数据对应的是第一分类标签，标准运行数据对应的是第二分类标签，因此故障预测模型基于第一训练数据集可以充分学习到标准运行数据和故障运行数据之间的区别，从而提高故障预测模型的分类性能。
如图1所示，所述方法还包括如下步骤：
步骤S500、根据所述第一训练数据集对所述故障预测模型进行训练，根据已训练的所述故障预测模型确定所述目标设备对应的目标故障预测模型。
具体地，由于第一训练数据集中包含有足量的目标设备在极端环境下发生故障时的运行数据，因此采用第一训练数据集训练故障预测模型，可以提升故障预测模型分类极端环境下采集到的运行数据的准确性。
在一种实现方式中，所述方法还包括如下步骤：
步骤S600、获取所述目标设备对应的当前运行数据，将所述当前运行数据输入所述目标故障预测模型；
步骤S601、获取所述目标故障预测模型基于所述当前运行数据输出的所述目标设备对应的当前运行状态。
具体地，由于目标故障预测模型是基于第一训练数据集训练得到的模型，因此其不仅能准确分类在常见环境中采集到的目标设备的运行数据，还能够准确分类在极端环境中采集到的目标设备的运行数据，从而准确地根据目标设备的当前运行数据判断出目标设备的当前运行状态。
基于上述实施例，本发明还提供了一种适用于极端状态的储能设备的故障预测模型生成装置，如图2所示，所述装置包括：
获取模块01，用于获取目标设备对应的若干极端故障运行数据，其中，所述极端故障运行数据用于反映所述目标设备在极端环境内发生故障时的运行数据，所述极端环境为采集频率低于预设阈值的环境；
复原模块02，用于对各所述极端故障运行数据进行复原，得到各所述极端故障运行数据分别对应的复原故障运行数据；
扩增模块03，用于根据各所述复原故障运行数据进行数据扩增，得到若干扩增故障运行数据；
确定模块04，用于获取所述目标设备对应的故障预测模型，根据若干所述扩增故障运行数据确定所述故障预测模型对应的第一训练数据集；
训练模块05，用于根据所述第一训练数据集对所述故障预测模型进行训练，根据已训练的所述故障预测模型确定所述目标设备对应的目标故障预测模型。
基于上述实施例，本发明还提供了一种终端，其原理框图可以如图3所示。该终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中，该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现适用于极端状态的储能设备的故障预测模型生成方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图3中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一种实现方式中，所述终端的存储器中存储有一个或者一个以上的程序，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行适用于极端状态的储能设备的故障预测模型生成方法的指令。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
综上所述，本发明公开了一种适用于极端状态的储能设备的故障预测模型生成方法，所述方法包括：获取目标设备对应的若干极端故障运行数据，其中，所述极端故障运行数据用于反映所述目标设备在极端环境内发生故障时的运行数据，所述极端环境为采集频率低于预设阈值的环境；对各所述极端故障运行数据进行复原，得到各所述极端故障运行数据分别对应的复原故障运行数据；根据各所述复原故障运行数据进行数据扩增，得到若干扩增故障运行数据；获取所述目标设备对应的故障预测模型，根据若干所述扩增故障运行数据确定所述故障预测模型对应的第一训练数据集；根据所述第一训练数据集对所述故障预测模型进行训练，根据已训练的所述故障预测模型确定所述目标设备对应的目标故障预测模型。本发明通过对目标设备的极端故障运行数据进行复原、扩增，增多了目标设备在极端环境下的故障运行数据，因此可以采用足量的极端故障运行数据对目标设备的故障预测模型进行训练。解决了现有技术中由于缺乏足量的储能设备在极端环境中的历史故障数据，因此现有的故障预测模型难以适用于极端环境中的储能设备的故障预测问题。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种适用于极端状态的储能设备的故障预测模型生成方法，其特征在于，所述方法包括：
获取目标设备对应的若干极端故障运行数据，其中，所述极端故障运行数据用于反映所述目标设备在极端环境内发生故障时的运行数据，所述极端环境为采集频率低于预设阈值的环境；
对各所述极端故障运行数据进行复原，得到各所述极端故障运行数据分别对应的复原故障运行数据；
根据各所述复原故障运行数据进行数据扩增，得到若干扩增故障运行数据；
获取所述目标设备对应的故障预测模型，根据若干所述扩增故障运行数据确定所述故障预测模型对应的第一训练数据集；
根据所述第一训练数据集对所述故障预测模型进行训练，根据已训练的所述故障预测模型确定所述目标设备对应的目标故障预测模型；
各所述极端故障运行数据均为时间序列数据，每一所述时间序列数据包括若干元素，若干所述元素分别用于反映同一运行参数在不同时间点分别对应的运行值，所述对各所述极端故障运行数据进行复原，得到各所述极端故障运行数据分别对应的复原故障运行数据，包括：
判断各所述时间序列数据是否存在缺失元素，将存在所述缺失元素的所述时间序列数据作为待复原序列数据；
对各所述待复原序列数据进行复原，得到各所述时间序列数据分别对应的所述复原故障运行数据；
所述对各所述待复原序列数据进行复原，得到各所述时间序列数据分别对应的所述复原故障运行数据，包括：
将各所述待复原序列数据输入目标预测网络，其中，所述目标预测网络预先经过训练；
获取所述目标预测网络基于各所述待复原序列数据输出的各所述待复原序列数据分别对应的所述复原故障运行数据；
所述根据各所述复原故障运行数据进行数据扩增，得到若干扩增故障运行数据，包括：
获取各所述复原故障运行数据分别对应的数据风格，得到若干所述数据风格，其中，每一所述复原故障运行数据对应的所述数据风格用于反映该复原故障运行数据对应的数据变化特征；
根据各所述复原故障运行数据和各所述数据风格，确定若干所述扩增故障运行数据，其中，若干所述扩增故障运行数据分别对应不同的所述复原故障运行数据和所述数据风格的组合，每一所述扩增故障运行数据基于该扩增故障运行数据对应的所述复原故障运行数据和所述数据风格融合得到。
2.根据权利要求1所述的适用于极端状态的储能设备的故障预测模型生成方法，其特征在于，所述目标预测网络的训练过程包括：
获取第二训练数据集，其中，所述第二训练数据集包括若干缺失运行数据和若干所述缺失运行数据分别对应的完整运行数据，每一所述缺失运行数据基于对该缺失运行数据对应的所述完整运行数据进行删减得到；
将所述第二训练数据集中的一个所述缺失运行数据输入未训练完毕的所述目标预测网络，得到该缺失运行数据对应的预测故障运行数据；
根据所述预测故障运行数据和该缺失运行数据对应的所述完整运行数据对所述目标预测网络的网络参数进行更新，判断更新后的所述目标预测网络是否达到训练目标，若否，继续执行将所述第二训练数据集中的一个所述缺失运行数据输入未训练完毕的所述目标预测网络的步骤，直至更新后的所述目标预测网络达到所述训练目标，得到已训练完毕的所述目标预测网络。
3.根据权利要求1所述的适用于极端状态的储能设备的故障预测模型生成方法，其特征在于，所述根据若干所述扩增故障运行数据确定所述故障预测模型对应的第一训练数据集，包括：
获取所述目标设备对应的若干基础故障运行数据，其中，所述基础故障运行数据用于反映所述目标设备在非极端环境内发生故障时的运行数据；
获取所述目标设备对应的若干标准运行数据，其中，所述标准运行数据用于反映所述目标设备在未发生故障时的运行数据；
根据各所述扩增故障运行数据、各所述基础故障运行数据以及各所述标准运行数据，确定所述第一训练数据集，其中，各所述扩增故障运行数据和各所述基础故障运行数据分别对应第一分类标签，各所述标准运行数据分别对应第二分类标签。
4.根据权利要求1所述的适用于极端状态的储能设备的故障预测模型生成方法，其特征在于，所述方法还包括：
获取所述目标设备对应的当前运行数据，将所述当前运行数据输入所述目标故障预测模型；
获取所述目标故障预测模型基于所述当前运行数据输出的所述目标设备对应的当前运行状态。
5.一种适用于极端状态的储能设备的故障预测模型生成装置，其特征在于，所述装置包括：
获取模块，用于获取目标设备对应的若干极端故障运行数据，其中，所述极端故障运行数据用于反映所述目标设备在极端环境内发生故障时的运行数据，所述极端环境为采集频率低于预设阈值的环境；
复原模块，用于对各所述极端故障运行数据进行复原，得到各所述极端故障运行数据分别对应的复原故障运行数据；
扩增模块，用于根据各所述复原故障运行数据进行数据扩增，得到若干扩增故障运行数据；
确定模块，用于获取所述目标设备对应的故障预测模型，根据若干所述扩增故障运行数据确定所述故障预测模型对应的第一训练数据集；
训练模块，用于根据所述第一训练数据集对所述故障预测模型进行训练，根据已训练的所述故障预测模型确定所述目标设备对应的目标故障预测模型；
各所述极端故障运行数据均为时间序列数据，每一所述时间序列数据包括若干元素，若干所述元素分别用于反映同一运行参数在不同时间点分别对应的运行值，所述对各所述极端故障运行数据进行复原，得到各所述极端故障运行数据分别对应的复原故障运行数据，包括：
判断各所述时间序列数据是否存在缺失元素，将存在所述缺失元素的所述时间序列数据作为待复原序列数据；
对各所述待复原序列数据进行复原，得到各所述时间序列数据分别对应的所述复原故障运行数据；
所述对各所述待复原序列数据进行复原，得到各所述时间序列数据分别对应的所述复原故障运行数据，包括：
将各所述待复原序列数据输入目标预测网络，其中，所述目标预测网络预先经过训练；
获取所述目标预测网络基于各所述待复原序列数据输出的各所述待复原序列数据分别对应的所述复原故障运行数据；
所述根据各所述复原故障运行数据进行数据扩增，得到若干扩增故障运行数据，包括：
获取各所述复原故障运行数据分别对应的数据风格，得到若干所述数据风格，其中，每一所述复原故障运行数据对应的所述数据风格用于反映该复原故障运行数据对应的数据变化特征；
根据各所述复原故障运行数据和各所述数据风格，确定若干所述扩增故障运行数据，其中，若干所述扩增故障运行数据分别对应不同的所述复原故障运行数据和所述数据风格的组合，每一所述扩增故障运行数据基于该扩增故障运行数据对应的所述复原故障运行数据和所述数据风格融合得到。
6.一种终端，其特征在于，所述终端包括有存储器和一个或者一个以上处理器；所述存储器存储有一个或者一个以上的程序；所述程序包含用于执行如权利要求1-4中任一所述的适用于极端状态的储能设备的故障预测模型生成方法的指令；所述处理器用于执行所述程序。
7.一种计算机可读存储介质，其上存储有多条指令，其特征在于，所述指令适用于由处理器加载并执行，以实现上述权利要求1-4任一所述的适用于极端状态的储能设备的故障预测模型生成方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211219495.8A CN115310562B (zh) | 2022-10-08 | 2022-10-08 | 一种适用于极端状态的储能设备的故障预测模型生成方法 |
| PCT/CN2022/137740 WO2024073936A1 (zh) | 2022-10-08 | 2022-12-08 | 一种适用于极端状态的储能设备的故障预测模型生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211219495.8A CN115310562B (zh) | 2022-10-08 | 2022-10-08 | 一种适用于极端状态的储能设备的故障预测模型生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115310562A CN115310562A (zh) | 2022-11-08 |
| CN115310562B true CN115310562B (zh) | 2022-12-30 |
Family
ID=83866354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211219495.8A Active CN115310562B (zh) | 2022-10-08 | 2022-10-08 | 一种适用于极端状态的储能设备的故障预测模型生成方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115310562B (zh) |
| WO (1) | WO2024073936A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115310562B (zh) * | 2022-10-08 | 2022-12-30 | 深圳先进技术研究院 | 一种适用于极端状态的储能设备的故障预测模型生成方法 |
| CN116226676B (zh) * | 2023-05-08 | 2023-07-21 | 中科航迈数控软件(深圳)有限公司 | 适用于极端环境的机床故障预测模型生成方法及相关设备 |
| CN118520356A (zh) * | 2024-07-22 | 2024-08-20 | 杭州恒影科技有限公司 | 一种用于激光诱导石墨烯的激光参数组合自动预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738420A (zh) * | 2020-06-24 | 2020-10-02 | 莫毓昌 | 一种基于多尺度抽样的机电设备状态数据补全与预测方法 |
| CN112508243A (zh) * | 2020-11-25 | 2021-03-16 | 国网浙江省电力有限公司信息通信分公司 | 电力信息系统多故障预测网络模型的训练方法及装置 |
| CN112613584A (zh) * | 2021-01-07 | 2021-04-06 | 国网上海市电力公司 | 一种故障诊断方法、装置、设备及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11493911B2 (en) * | 2018-12-27 | 2022-11-08 | Utopus Insights, Inc. | System and method for proactive handling of multiple faults and failure modes in an electrical network of energy assets |
| CN110175707A (zh) * | 2019-05-13 | 2019-08-27 | 东南大学 | 基于数据继承思想的电力系统暂态频率预测模型更新方法 |
| CN110766059A (zh) * | 2019-10-14 | 2020-02-07 | 四川西部能源股份有限公司郫县水电厂 | 一种变压器故障的预测方法、装置和设备 |
| CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
| CN113837289B (zh) * | 2021-09-26 | 2024-03-19 | 创新奇智(重庆)科技有限公司 | 模型训练方法、故障预测方法、装置及电子设备 |
| CN115310562B (zh) * | 2022-10-08 | 2022-12-30 | 深圳先进技术研究院 | 一种适用于极端状态的储能设备的故障预测模型生成方法 |
-
2022
- 2022-10-08 CN CN202211219495.8A patent/CN115310562B/zh active Active
- 2022-12-08 WO PCT/CN2022/137740 patent/WO2024073936A1/zh unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738420A (zh) * | 2020-06-24 | 2020-10-02 | 莫毓昌 | 一种基于多尺度抽样的机电设备状态数据补全与预测方法 |
| CN112508243A (zh) * | 2020-11-25 | 2021-03-16 | 国网浙江省电力有限公司信息通信分公司 | 电力信息系统多故障预测网络模型的训练方法及装置 |
| CN112613584A (zh) * | 2021-01-07 | 2021-04-06 | 国网上海市电力公司 | 一种故障诊断方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024073936A1 (zh) | 2024-04-11 |
| CN115310562A (zh) | 2022-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115310562B (zh) | 一种适用于极端状态的储能设备的故障预测模型生成方法 | |
| CN112384924B (zh) | 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统 | |
| CN111210024A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| CN110941555B (zh) | 测试用例推荐方法、装置、计算机设备和存储介质 | |
| CN111401472B (zh) | 基于深度卷积神经网络的红外目标分类方法和装置 | |
| CN115356639B (zh) | 一种双向锂离子电池智能健康监控方法及系统 | |
| CN115267558A (zh) | 一种双向锂离子电池的寿命预测与状态估计方法 | |
| CN110875851A (zh) | 地下电缆故障预警方法和装置 | |
| CN111325159A (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
| CN111445105A (zh) | 基于目标值分析的电厂在线性能诊断方法及系统 | |
| CN110866634A (zh) | 基于模型选择的地下电缆故障预警方法和装置 | |
| CN115829297A (zh) | 装配式建筑的工作包生成方法、装置、终端及存储介质 | |
| US20240338270A1 (en) | Method and apparatus for reliability evaluation based on multiple performance degradation, and device | |
| CN113935443A (zh) | 异构设备多域联合故障预测方法、装置、终端及存储介质 | |
| CN116381419B (zh) | 输电线路故障处理方法、装置、计算机设备和存储介质 | |
| CN115964943A (zh) | 离线设备剩余寿命预测方法、装置和计算机设备 | |
| CN115018842B (zh) | 基于机器视觉的缺陷检测方法、装置、终端及存储介质 | |
| CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
| TWI747452B (zh) | 以人工智慧進行案場異常偵測之智能監控之系統、方法及儲存媒體 | |
| CN114021744A (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
| CN113887820A (zh) | 电力现货业务系统故障预测的方法、装置、计算机设备和存储介质 | |
| CN113703919A (zh) | 一种基于单机虚拟dpu的仿真系统 | |
| CN116071809B (zh) | 一种基于多类表征时空交互的人脸时空表征生成方法 | |
| CN112632711A (zh) | 船舶故障预测方法、装置、计算机设备和存储介质 | |
| CN118314510B (zh) | 一种输电线缆可视化巡检方法及系统 |
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 |