CN116794510A - 故障预测方法、装置、计算机设备和存储介质 - Google Patents
故障预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116794510A CN116794510A CN202310659411.0A CN202310659411A CN116794510A CN 116794510 A CN116794510 A CN 116794510A CN 202310659411 A CN202310659411 A CN 202310659411A CN 116794510 A CN116794510 A CN 116794510A
- Authority
- CN
- China
- Prior art keywords
- battery
- fault
- data
- future period
- state data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 230000015654 memory Effects 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请涉及大数据技术领域,提供了一种故障预测方法、装置、计算机设备、存储介质和计算机程序产品,可具体应用于金融领域或其他相关领域。本申请能够实现提高故障预测的准确性。该方法包括:获取电池的历史状态数据;电池用于向金融系统的设备提供电源;将电池的历史状态数据,输入至电池状态预测模型,得到电池在未来时段的预测状态数据;分别根据各预设故障条件,对预测状态数据进行故障识别,得到电池在未来时段的故障预测子结果;根据电池在未来时段的故障预测子结果,确定电池在未来时段的故障预测结果。
Description
技术领域
本申请涉及大数据技术领域,特别是涉及一种故障预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着信息安全技术的发展,如银行机房和网点等重要区域需要稳定可靠的电源进行供电。电池作为主要的电源,其安全性和稳定性决定着重要设备的正常工作。为了提高电池的安全性和稳定性,需要准确地对电池进行故障预测。
传统技术通常是通过人工收集电池的数据,从而专家通过这些数据对电池进行故障预测;但是该方式主要依据主观判断,导致故障预测的准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种故障预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种故障预测方法。所述方法包括:
获取电池的历史状态数据;所述电池用于向金融系统的设备提供电源;
将所述电池的历史状态数据,输入至电池状态预测模型,得到所述电池在未来时段的预测状态数据;
分别根据各预设故障条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的故障预测子结果;
根据所述电池在所述未来时段的故障预测子结果,确定所述电池在所述未来时段的故障预测结果。
在其中一个实施例中,所述预设故障条件包括预设阈值条件、预设聚类条件和预设斜率条件;
所述分别根据各预设故障条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的故障预测子结果,包括:
根据所述预设阈值条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的第一故障预测子结果;
根据所述预设聚类条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的第二故障预测子结果;
根据所述预设斜率条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的第三故障预测子结果;
将所述第一故障预测子结果、所述第二故障预测子结果和所述第三故障预测子结果,均识别为所述电池在所述未来时段的故障预测子结果。
在其中一个实施例中,所述根据所述预设阈值条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的第一故障预测子结果,包括:
根据所述预设阈值条件,确定所述电池的正常状态数据范围;
判断所述预测状态数据是否在所述正常状态数据范围内,得到针对所述电池的判断结果;
根据所述判断结果,确定所述电池在所述未来时段的第一故障预测子结果。
在其中一个实施例中,所述根据所述预设聚类条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的第二故障预测子结果,包括:
对所述预测状态数据进行聚类处理,得到所述预测状态数据对应的聚类数据;
根据所述预设聚类条件,对所述预测状态数据对应的聚类数据进行故障识别,得到所述电池在所述未来时段的第二故障预测子结果。
在其中一个实施例中,所述根据所述预设斜率条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的第三故障预测子结果,包括:
对所述预测状态数据进行线性拟合处理,得到所述预测状态数据的变化斜率;
根据所述预设斜率条件,对所述预测状态数据的变化斜率进行故障识别,得到所述电池在所述未来时段的第三故障预测子结果。
在其中一个实施例中,所述根据所述电池在所述未来时段的故障预测子结果,确定所述电池在所述未来时段的故障预测结果,包括:
根据所述电池在所述未来时段的故障预测子结果,确定所述电池在所述未来时段的预测故障类型和预测故障时间;
将所述电池在所述未来时段的预测故障类型和预测故障时间,识别为所述电池在所述未来时段的故障预测结果。
在其中一个实施例中,所述获取电池的历史状态数据,包括:
获取电池的历史电压数据、历史电流数据、历史内阻数据和历史温度数据;
将所述电池的历史电压数据、历史电流数据、历史内阻数据和历史温度数据,识别为所述电池的历史状态数据;
所述将所述电池的历史状态数据,输入至电池状态预测模型,得到所述电池在未来时段的预测状态数据,包括:
将所述电池的历史状态数据,输入至电池状态预测模型,得到所述电池在未来时段的预测电压数据、预测电流数据、预测内阻数据和预测温度数据;
将所述电池在未来时段的预测电压数据、预测电流数据、预测内阻数据和预测温度数据,识别为所述电池在未来时段的预测状态数据。
第二方面,本申请还提供了一种故障预测装置。所述装置包括:
数据获取模块,用于获取电池的历史状态数据;所述电池用于向金融系统的设备提供电源;
数据输入模块,用于将所述电池的历史状态数据,输入至电池状态预测模型,得到所述电池在未来时段的预测状态数据;
数据识别模块,用于分别根据各预设故障条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的故障预测子结果;
结果确定模块,用于根据所述电池在所述未来时段的故障预测子结果,确定所述电池在所述未来时段的故障预测结果。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取电池的历史状态数据;所述电池用于向金融系统的设备提供电源;将所述电池的历史状态数据,输入至电池状态预测模型,得到所述电池在未来时段的预测状态数据;分别根据各预设故障条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的故障预测子结果;根据所述电池在所述未来时段的故障预测子结果,确定所述电池在所述未来时段的故障预测结果。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,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以下步骤:
获取电池的历史状态数据;所述电池用于向金融系统的设备提供电源;将所述电池的历史状态数据,输入至电池状态预测模型,得到所述电池在未来时段的预测状态数据;分别根据各预设故障条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的故障预测子结果;根据所述电池在所述未来时段的故障预测子结果,确定所述电池在所述未来时段的故障预测结果。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取电池的历史状态数据;所述电池用于向金融系统的设备提供电源;将所述电池的历史状态数据,输入至电池状态预测模型,得到所述电池在未来时段的预测状态数据;分别根据各预设故障条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的故障预测子结果;根据所述电池在所述未来时段的故障预测子结果,确定所述电池在所述未来时段的故障预测结果。
上述故障预测方法、装置、计算机设备、存储介质和计算机程序产品,获取电池的历史状态数据;所述电池用于向金融系统的设备提供电源;将所述电池的历史状态数据,输入至电池状态预测模型,得到所述电池在未来时段的预测状态数据;分别根据各预设故障条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的故障预测子结果;根据所述电池在所述未来时段的故障预测子结果,确定所述电池在所述未来时段的故障预测结果。该方案通过获取电池的历史状态数据,将电池的历史状态数据,输入至电池状态预测模型,得到电池在未来时段的预测状态数据,有利于根据电池的历史状态数据,准确地预测出电池的未来状态数据;分别根据各预设故障条件,对预测状态数据进行故障识别,得到电池在未来时段的故障预测子结果,有利于准确地预测出电池在未来时段的多个故障预测子结果;根据电池在未来时段的故障预测子结果,确定电池在未来时段的故障预测结果,有利于综合各故障预测子结果,准确地确定出电池的故障预测结果,从而有利于提高故障预测的准确性。
附图说明
图1为一个实施例中故障预测方法的流程示意图;
图2为一个实施例中故障预测方法的系统示意图;
图3为另一个实施例中故障预测方法的流程示意图;
图4为一个实施例中第一故障预测步骤的流程示意图;
图5为一个实施例中生成聚类簇步骤的流程示意图;
图6为一个实施例中第二故障预测步骤的流程示意图;
图7为一个实施例中故障预测装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
在一个实施例中,如图1所示,提供了一种故障预测方法,本实施例以该方法应用于终端进行举例说明,包括以下步骤:
步骤S101,获取电池的历史状态数据;电池用于向金融系统的设备提供电源。
本步骤中,历史状态数据可以是用于表示电池的状态的历史数据。
具体的,终端获取电池的不同维度的历史状态子数据,将电池的不同维度的历史状态子数据进行组合,得到电池的历史状态数据。
步骤S102,将电池的历史状态数据,输入至电池状态预测模型,得到电池在未来时段的预测状态数据。
本步骤中,电池状态预测模型可以是用于预测电池的未来状态数据的模型,例如基于LSTM(长短期记忆人工神经网络)构建的模型;电池在未来时段的预测状态数据可以是预测得到的在未来时间的电池的状态数据。
具体的,终端将电池的历史状态数据,输入至电池状态预测模型,得到电池状态预测模型输出的电池在未来时段的预测状态数据。
步骤S103,分别根据各预设故障条件,对预测状态数据进行故障识别,得到电池在未来时段的故障预测子结果。
本步骤中,各预设故障条件可以包括一个或多个预先设置的故障条件;电池在未来时段的故障预测子结果可以包括一个或多个故障预测子结果,故障预测子结果可以用于表示故障或正常。
具体的,终端分别根据各预设故障条件,对预测状态数据进行故障识别,判断预测状态数据是否满足各预设故障条件,根据预测状态数据是否满足各预设故障条件,确定电池在未来时段的故障预测子结果。
步骤S104,根据电池在未来时段的故障预测子结果,确定电池在未来时段的故障预测结果。
本步骤中,电池在未来时段的故障预测结果可以表示为电池的故障预测结果,具体表示为电池在未来一段时间的故障预测结果。
具体的,终端将电池在未来时段的故障预测子结果进行融合,得到电池在未来时段的故障预测结果。
上述故障预测方法中,获取电池的历史状态数据;电池用于向金融系统的设备提供电源;将电池的历史状态数据,输入至电池状态预测模型,得到电池在未来时段的预测状态数据;分别根据各预设故障条件,对预测状态数据进行故障识别,得到电池在未来时段的故障预测子结果;根据电池在未来时段的故障预测子结果,确定电池在未来时段的故障预测结果。该方案通过获取电池的历史状态数据,将电池的历史状态数据,输入至电池状态预测模型,得到电池在未来时段的预测状态数据,有利于根据电池的历史状态数据,准确地预测出电池的未来状态数据;分别根据各预设故障条件,对预测状态数据进行故障识别,得到电池在未来时段的故障预测子结果,有利于准确地预测出电池在未来时段的多个故障预测子结果;根据电池在未来时段的故障预测子结果,确定电池在未来时段的故障预测结果,有利于综合各故障预测子结果,准确地确定出电池的故障预测结果,从而有利于提高故障预测的准确性。
在一个实施例中,在步骤S103中,分别根据各预设故障条件,对预测状态数据进行故障识别,得到电池在未来时段的故障预测子结果,具体包括如下内容:根据预设阈值条件,对预测状态数据进行故障识别,得到电池在未来时段的第一故障预测子结果;根据预设聚类条件,对预测状态数据进行故障识别,得到电池在未来时段的第二故障预测子结果;根据预设斜率条件,对预测状态数据进行故障识别,得到电池在未来时段的第三故障预测子结果;将第一故障预测子结果、第二故障预测子结果和第三故障预测子结果,均识别为电池在未来时段的故障预测子结果。
本实施例中,预设故障条件包括预设阈值条件、预设聚类条件和预设斜率条件;预设阈值条件可以是预先设置的阈值条件,其中阈值可以是预先设置的最小阈值和最大阈值,例如预先设置的阈值条件可以是预先设置的最小阈值和最大阈值之间的区间的条件;预设聚类条件可以是预先设置的聚类条件,可以是基于密度的聚类算法的条件,例如预先设置的在密集区域内的条件;预设斜率条件可以是预先设置的斜率条件,例如变化斜率小于斜率阈值的条件;第一故障预测子结果可以用于表示是否满足预设阈值条件;第二故障预测子结果可以用于表示是否满足预设聚类条件;第三故障预测子结果可以用于表示是否满足预设斜率条件。
具体的,终端根据预设阈值条件,对预测状态数据进行故障识别,判断预测状态数据是否满足预设阈值条件,根据预测状态数据是否满足预设阈值条件,确定电池在未来时段的第一故障预测子结果;根据预设聚类条件,对预测状态数据进行故障识别,判断预测状态数据是否满足预设聚类条件,根据预测状态数据是否满足预设聚类条件,确定电池在未来时段的第二故障预测子结果;根据预设斜率条件,对预测状态数据进行故障识别,判断预测状态数据是否满足预设斜率条件,根据预测状态数据是否满足预设斜率条件,确定电池在未来时段的第三故障预测子结果;将第一故障预测子结果、第二故障预测子结果和第三故障预测子结果进行组合或融合,得到电池在未来时段的故障预测子结果。
本实施例的技术方案,通过根据预设阈值条件、预设聚类条件和预设斜率条件,分别对预测状态数据进行故障识别,将分别得到的第一故障预测子结果、第二故障预测子结果和第三故障预测子结果,均识别为电池在未来时段的故障预测子结果,有利于得到更准确的故障预测子结果,从而有利于后续提高故障预测的准确性。
在一个实施例中,上述步骤中的根据预设阈值条件,对预测状态数据进行故障识别,得到电池在未来时段的第一故障预测子结果,具体包括如下内容:根据预设阈值条件,确定电池的正常状态数据范围;判断预测状态数据是否在正常状态数据范围内,得到针对电池的判断结果;根据判断结果,确定电池在未来时段的第一故障预测子结果。
本实施例中,正常状态数据范围可以是预先设置的最小阈值和最大阈值之间的区间的范围;针对电池的判断结果可以用于表示是否在正常状态数据范围内的结果。
具体的,终端根据预设阈值条件,确定出电池的正常状态数据的最小阈值和最大阈值,将电池的正常状态数据的最小阈值和最大阈值之间的区间,作为电池的正常状态数据范围;判断预测状态数据是否在正常状态数据范围内,得到针对电池的判断结果;根据判断结果,在判断结果表示为是的情况下,确认电池在未来时段的第一故障预测子结果表示为正常,在判断结果表示为否的情况下,确认电池在未来时段的第一故障预测子结果表示为故障或异常。
本实施例的技术方案,通过判断预测状态数据是否在正常状态数据范围内,确定出电池在未来时段的第一故障预测子结果,有利于更快速和准确地确定出电池在未来时段的第一故障预测子结果,从而有利于后续提高故障预测的效率和准确性。
在一个实施例中,上述步骤中的根据预设聚类条件,对预测状态数据进行故障识别,得到电池在未来时段的第二故障预测子结果,具体包括如下内容:对预测状态数据进行聚类处理,得到预测状态数据对应的聚类数据;根据预设聚类条件,对预测状态数据对应的聚类数据进行故障识别,得到电池在未来时段的第二故障预测子结果。
本实施例中,聚类处理可以是基于密度的聚类算法的处理;预测状态数据对应的聚类数据可以是预测状态数据的密集区域,例如预测状态数据的聚类簇。
具体的,终端对预测状态数据进行聚类处理,得到预测状态数据对应的聚类数据;根据预设聚类条件,对预测状态数据对应的聚类数据进行故障识别,判断预测状态数据中是否有远离聚类(如密集区域或聚类簇)超过一定阈值的预测状态数据,将预测状态数据中是否有远离聚类超过一定阈值的预测状态数据,作为异常数据或故障数据,在识别出预测状态数据中存在异常数据或故障数据的情况下,确认电池在未来时段的第二故障预测子结果为异常或故障,并同时标记出对应的异常数据或故障数据;在识别出预测状态数据中不存在异常数据或故障数据的情况下,确认电池在未来时段的第二故障预测子结果为正常或无故障。
本实施例的技术方案,通过对预测状态数据进行聚类处理,根据预设聚类条件,得到电池在未来时段的第二故障预测子结果,有利于得到更准确的第二故障预测子结果,从而有利于后续提高故障预测的准确性。
在一个实施例中,上述步骤中的根据预设斜率条件,对预测状态数据进行故障识别,得到电池在未来时段的第三故障预测子结果,具体包括如下内容:对预测状态数据进行线性拟合处理,得到预测状态数据的变化斜率;根据预设斜率条件,对预测状态数据的变化斜率进行故障识别,得到电池在未来时段的第三故障预测子结果。
本实施例中,预测状态数据的变化斜率可以是预测状态数据的增长率,如预测状态数值的增长率。
具体的,终端对预测状态数据进行线性拟合处理,得到预测状态数据的变化斜率;根据预设斜率条件,对预测状态数据的变化斜率进行故障识别,判断变化斜率是否满足预设斜率条件(如变化斜率是否小于预设斜率),在变化斜率满足预设斜率条件的情况下,确认电池在未来时段的第三故障预测子结果为正常或无故障;在变化斜率不满足预设斜率条件的情况下,确认电池在未来时段的第三故障预测子结果为异常或故障。
本实施例的技术方案,通过根据预设斜率条件,对预测状态数据的变化斜率进行故障识别,有利于得到更准确的第三故障预测子结果,从而有利于后续提高故障预测的准确性。
在一个实施例中,在步骤S104中,根据电池在未来时段的故障预测子结果,确定电池在未来时段的故障预测结果,具体包括如下内容:根据电池在未来时段的故障预测子结果,确定电池在未来时段的预测故障类型和预测故障时间;将电池在未来时段的预测故障类型和预测故障时间,识别为电池在未来时段的故障预测结果。
本实施例中,预测故障类型可以包括不满足预设阈值条件对应的故障类型、不满足预设聚类条件对应的故障类型和/或不满足预设斜率条件对应的故障类型;预测故障时间可以是预测得到的发生故障的未来时间。
具体的,终端分别根据电池在未来时段的故障预测子结果,判断电池是否在未来时段出现故障以及出现故障对应的故障类型和故障时间,在识别出电池在未来时段出现故障的情况下,将出现故障对应的故障类型和故障时间,作为电池在未来时段的预测故障类型和预测故障时间,将电池在未来时段的预测故障类型和预测故障时间,作为电池在未来时段的故障预测结果;在识别出电池在未来时段没有出现故障(即正常)的情况下,确定出电池在未来时段的故障预测结果为正常。
本实施例的技术方案,通过将电池在未来时段的预测故障类型和预测故障时间,识别为电池在未来时段的故障预测结果,有利于得到更准确和更详细的故障预测结果,从而有利于提高故障预测的准确性。
在一个实施例中,在步骤S101中,获取电池的历史状态数据,具体包括如下内容:获取电池的历史电压数据、历史电流数据、历史内阻数据和历史温度数据;将电池的历史电压数据、历史电流数据、历史内阻数据和历史温度数据,识别为电池的历史状态数据;在步骤S102中,将电池的历史状态数据,输入至电池状态预测模型,得到电池在未来时段的预测状态数据,具体包括如下内容:将电池的历史状态数据,输入至电池状态预测模型,得到电池在未来时段的预测电压数据、预测电流数据、预测内阻数据和预测温度数据;将电池在未来时段的预测电压数据、预测电流数据、预测内阻数据和预测温度数据,识别为电池在未来时段的预测状态数据。
本实施例中,历史电压数据可以是电池运行时的电压历史值;历史电流数据可以是电池运行时的电流历史值;历史内阻数据可以是电池运行时的内阻历史值;历史温度数据可以是电池运行时的温度历史值;预测电压数据可以是电池在未来时段的电压值;预测电流数据可以是电池在未来时段的电流值;预测内阻数据可以是电池在未来时段的内阻值;预测温度数据可以是电池在未来时段的温度值。
具体的,终端获取电池的历史电压数据、历史电流数据、历史内阻数据和历史温度数据;将电池的历史电压数据、历史电流数据、历史内阻数据和历史温度数据进行组合,得到电池的历史状态数据;分别将电池的历史电压数据、历史电流数据、历史内阻数据和历史温度数据,输入至预先训练的电池状态预测模型,得到预先训练的电池状态预测模型输出的电池在未来时段的预测电压数据、预测电流数据、预测内阻数据和预测温度数据;将电池在未来时段的预测电压数据、预测电流数据、预测内阻数据和预测温度数据进行组合,得到电池在未来时段的预测状态数据。
本实施例的技术方案,通过将电池的历史电压数据、历史电流数据、历史内阻数据和历史温度数据,识别为电池的历史状态数据,以及将电池在未来时段的预测电压数据、预测电流数据、预测内阻数据和预测温度数据,识别为电池在未来时段的预测状态数据,有利于得到更准确的历史状态数据和预测状态数据,从而有利于后续提高故障预测的准确性。
以下以一个实施例说明本申请提供的故障预测方法,本实施例以该方法应用于终端进行举例说明,主要步骤包括:
第一步,终端获取电池的历史电压数据、历史电流数据、历史内阻数据和历史温度数据;将电池的历史电压数据、历史电流数据、历史内阻数据和历史温度数据,识别为电池的历史状态数据。
第二步,终端将电池的历史状态数据,输入至电池状态预测模型,得到电池在未来时段的预测电压数据、预测电流数据、预测内阻数据和预测温度数据;将电池在未来时段的预测电压数据、预测电流数据、预测内阻数据和预测温度数据,识别为电池在未来时段的预测状态数据。
第三步,终端根据预设阈值条件,确定电池的正常状态数据范围;判断预测状态数据是否在正常状态数据范围内,得到针对电池的判断结果;根据判断结果,确定电池在未来时段的第一故障预测子结果。
第四步,终端对预测状态数据进行聚类处理,得到预测状态数据对应的聚类数据;根据预设聚类条件,对预测状态数据对应的聚类数据进行故障识别,得到电池在未来时段的第二故障预测子结果。
第五步,终端对预测状态数据进行线性拟合处理,得到预测状态数据的变化斜率;根据预设斜率条件,对预测状态数据的变化斜率进行故障识别,得到电池在未来时段的第三故障预测子结果。
第六步,终端将第一故障预测子结果、第二故障预测子结果和第三故障预测子结果,均识别为电池在未来时段的故障预测子结果。
第七步,终端根据电池在未来时段的故障预测子结果,确定电池在未来时段的预测故障类型和预测故障时间;将电池在未来时段的预测故障类型和预测故障时间,识别为电池在未来时段的故障预测结果。
其中,电池用于向金融系统的设备提供电源。
本实施例的技术方案,通过获取电池的历史状态数据,将电池的历史状态数据,输入至电池状态预测模型,得到电池在未来时段的预测状态数据,有利于根据电池的历史状态数据,准确地预测出电池的未来状态数据;分别根据各预设故障条件,对预测状态数据进行故障识别,得到电池在未来时段的故障预测子结果,有利于准确地预测出电池在未来时段的多个故障预测子结果;根据电池在未来时段的故障预测子结果,确定电池在未来时段的故障预测结果,有利于综合各故障预测子结果,准确地确定出电池的故障预测结果,从而有利于提高故障预测的准确性。
以下以一个应用实例说明本申请提供的故障预测方法,本应用实例以该方法应用于终端进行举例说明,如图2和图3所示,主要步骤包括:
第一步,终端通过数据采集单元进行数据采集:通过行内已有的电池数据采集监控系统,对每节电池的电压、电流、内阻、温度四项参数进行采集,并对每天同一时刻采集到的电池的电压、电流、内阻、温度数据按照时间序列进行保存,组建电压、电流、内阻、温度四个数据集。
具体的,终端通过已有电池信息采集器对电池相关参数信息进行采集,包括每节电池温度、电流、内阻、电压数据。UPS(不间断电源)电池系统结构通常为每M节电池串联为一组,N组电池并联组成一路,即共M×N节电池给一台UPS设备进行供电。电池信息采集器则实时对电池的电压、电流、温度数据进行采集,内阻数据每日特定时刻检测一次,并同时记录此时刻的电压、电流、温度数据并保存,从而得到每节电池每天的数据,按照时间顺序存储。
第二步,终端通过数据清洗单元进行数据清洗:使用卡尔曼滤波,分别对电压、电流、内阻、温度数据进行滤波,以去除因电力(如外部电源电力)中断导致的电池充放电数据异常,或因检测设备故障导致的数据异常。
其中,卡尔曼滤波是一种线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响,因此也可以使用其进行滤波,得到可靠数据。因此对单节电池的温度、内阻、电压,电流等参数分别进行卡尔曼滤波,并按照时间序列将数据保存。
第三步,终端通过数据预测单元进行电池数据预测:分别将电压、电流、内阻、温度四个数据集输入神经网络进行训练学习,从而完成对未来一段时间内电池参数的预测。在预测过程中是对单节电池的单一参数进行预测,最终再全部汇总。
具体的,终端在对数据处理后,得到每节电池根据时间排序的温度、内阻、电压,电流四组数据,此时将这些数据分别放入LSTM神经网络模型,完成对未来电池参数的预测。
其中,LSTM神经网络全称为长短期记忆人工神经网络,是一种特殊的递归神经网络,主要用来预测时间较长的事件。LSTM神经网络由输入门、输出门、遗忘门3个结构组成,并经过3个激活函数得到。新的信息经过tanh函数(双曲正切函数)得到,新的信息和过去的信息更新细胞状态,得到新的细胞状态,新的细胞状态经过tanh函数有选择地输入。LSTM神经网络主要有三个阶段:一为忘记阶段,即在该阶段可以对上一个节点输入的信息进行选择,对不重要的信息可以选择忘记,对重要的信息进行保留;二为选择记忆阶段,即在该阶段可以对本阶段的输入进行选择性记忆,同样保留重要信息,第一阶段和第二阶段结果相加,就可以得到传输给下一个状态的信息;三为最终结果阶段,该阶段会输出本阶段的信息。
第四步,终端通过故障判断单元进行故障判断:第一种,阈值判断(通过阈值判断故障):判断单个电池电压、电流、内阻、温度数据是否在设定阈值内。第二种,异常值判断(通过异常值判断故障):通过聚类算法,找出同一路电路中电流的异常值,及一组电池中电压、内阻、温度的异常值。第三种,增长率判断(通过增长率判断故障):选取最近一段时间(例如7天)的温度、内阻、电压数据,分别对其进行线性化处理,计算斜率,若斜率高于一定阈值,说明短时间内数据变化较大,可能出现故障。
具体的,终端基于阈值的电池故障判断:通常正常状态下电池的相关参数都在一个正常范围之内,超出这个范围的电池则可以认为其存在故障;因此可以事先设定合适的阈值范围,例如电池内阻范围为(初始内阻,初始内阻×2),通过对单节电池参数与预先设定阈值比较,判断数值是否超过设定阈值,从而找出故障电池。终端基于异常值的电池故障判断:同组电池由于是串联连接,因此电流相同,且通常电池也为同一批次,电压、内阻、温度处于正常状态时参数值也相近;同一路中的几组电池具有相近的放电性能,放电电流基本相同;当这几组电池中一组出现性能下降,如电池内阻增加时,放电电流将明显小于另一组,此时该组电池中可能存在单个电池故障;因此可以首先通过电流判断,找出电流的异常值,从而判断该组电池中是否存在故障电池;其次判断改组电池中是否存在单体电池电压、温度、内阻异于同组电池一定阈值,从而找到存在问题的电池;例如电池单体电压偏差尤其是电压落后,往往说明该电池单体可能存在故障;异常值查找主要是通过DBSCAN(基于密度的聚类算法)来实现;该算法可以找到样本点的全部密集区域,并且把这些密集区域当作一个聚类簇;算法的核心点在于基于密度,对远离核心的噪声点鲁棒,无需知道族类簇的数量,可以发现任意形状的聚类簇特征;其中数量低于一定阈值的聚类簇,可认为其为异常值,从而找到存在问题的故障电池;例如,如图4所示,通过DBSCAN对不同组电池电流进行聚类,找到最小的类,判断最小的类中的元素数量N是否小于设定阈值K1,若是,则分别对该组电池的电流、电压、内阻、温度进行聚类,判断最小类是否小于设定阈值,若是,则找到存在故障的电池;如图5所示,聚类簇可通过下述方式得到:输入样本集D和邻域参数,初始化核心对象集合初始化类别k=0;遍历样本集D的元素,判断是否是核心对象;若是,则加入到核心对象集合Ω中;判断核心对象集合Ω中元素是否都已经被访问,若是,则结束,若否,则在核心对象集合Ω中,随机选择一个未访问的核心对象o,首先将o标记为已访问,然后将o标记类别k,最后将o的邻域中未访问的数据,存放到种子集合中,判断种子集合是否等于/>若是,则当前聚类簇生成完毕且k=k+1,并跳转至判断核心对象集合Ω中元素是否都已经被访问的步骤,若否,则从种子集合中挑选一个种子点,首先将其标记为已访问、标记类别k,判断种子点是否是核心对象,若是,则将种子点中未访问的种子点加入到种子集合中,并跳转至判断种子集合是否等于/>的步骤。
第五步,终端通过故障告警单元进行故障告警:在系统(电池故障预测系统)判断电池设备将在未来一段时间发生故障时,通过短信、邮件的形式自动向相关终端发送告警信息(如:第A节电池将在N天后发生故障,故障问题内阻过高,预计内阻值:m)。
其中,如图6所示,同一单体电池,温度或内阻短时间内迅速升高(如几天时间内),说明该电池可能存在问题。因此可以选取最近一段时间的内阻数据(例如最近7天的内阻数据),使用最小二乘法对其进行线性拟合(最小二乘拟合),计算最近三天的斜率k,判断斜率k是否大于设定阈值。若斜率k大于设定阈值,说明短时间内数据变化较大,可能出现故障(存在故障)。
本应用实例的技术方案,通过采集每节电池的电压、电流、内阻、温度数据建立数据集,并使用LSTM神经网络对未来一段时间内电池参数数据进行预测,并通过三种电池故障判断单元(电池故障判断条件)对电池状态进行判断,从而实现电池(如UPS电池)故障预测,减少人力资源的浪费,提高效率,降低安全风险,实现对电池故障进行提前预判。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的故障预测方法的故障预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个故障预测装置实施例中的具体限定可以参见上文中对于故障预测方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种故障预测装置,该装置700可以包括:
数据获取模块701,用于获取电池的历史状态数据;电池用于向金融系统的设备提供电源;
数据输入模块702,用于将电池的历史状态数据,输入至电池状态预测模型,得到电池在未来时段的预测状态数据;
数据识别模块703,用于分别根据各预设故障条件,对预测状态数据进行故障识别,得到电池在未来时段的故障预测子结果;
结果确定模块704,用于根据电池在未来时段的故障预测子结果,确定电池在未来时段的故障预测结果。
在一个实施例中,预设故障条件包括预设阈值条件、预设聚类条件和预设斜率条件;数据识别模块703,还用于根据预设阈值条件,对预测状态数据进行故障识别,得到电池在未来时段的第一故障预测子结果;根据预设聚类条件,对预测状态数据进行故障识别,得到电池在未来时段的第二故障预测子结果;根据预设斜率条件,对预测状态数据进行故障识别,得到电池在未来时段的第三故障预测子结果;将第一故障预测子结果、第二故障预测子结果和第三故障预测子结果,均识别为电池在未来时段的故障预测子结果。
在一个实施例中,数据识别模块703,还用于根据预设阈值条件,确定电池的正常状态数据范围;判断预测状态数据是否在正常状态数据范围内,得到针对电池的判断结果;根据判断结果,确定电池在未来时段的第一故障预测子结果。
在一个实施例中,数据识别模块703,还用于对预测状态数据进行聚类处理,得到预测状态数据对应的聚类数据;根据预设聚类条件,对预测状态数据对应的聚类数据进行故障识别,得到电池在未来时段的第二故障预测子结果。
在一个实施例中,数据识别模块703,还用于对预测状态数据进行线性拟合处理,得到预测状态数据的变化斜率;根据预设斜率条件,对预测状态数据的变化斜率进行故障识别,得到电池在未来时段的第三故障预测子结果。
在一个实施例中,结果确定模块704,还用于根据电池在未来时段的故障预测子结果,确定电池在未来时段的预测故障类型和预测故障时间;将电池在未来时段的预测故障类型和预测故障时间,识别为电池在未来时段的故障预测结果。
在一个实施例中,数据获取模块701,还用于获取电池的历史电压数据、历史电流数据、历史内阻数据和历史温度数据;将电池的历史电压数据、历史电流数据、历史内阻数据和历史温度数据,识别为电池的历史状态数据;数据输入模块702,还用于将电池的历史状态数据,输入至电池状态预测模型,得到电池在未来时段的预测电压数据、预测电流数据、预测内阻数据和预测温度数据;将电池在未来时段的预测电压数据、预测电流数据、预测内阻数据和预测温度数据,识别为电池在未来时段的预测状态数据。
上述故障预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
需要说明的是,本申请提供的故障预测的方法和装置可用于金融领域涉及故障预测的应用领域中,也可用于除金融领域之外的任意领域涉及故障预测的处理中,本申请提供的故障预测的方法和装置的应用领域不做限定。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。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。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种故障预测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备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。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种故障预测方法,其特征在于,所述方法包括:
获取电池的历史状态数据;所述电池用于向金融系统的设备提供电源;
将所述电池的历史状态数据,输入至电池状态预测模型,得到所述电池在未来时段的预测状态数据;
分别根据各预设故障条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的故障预测子结果;
根据所述电池在所述未来时段的故障预测子结果,确定所述电池在所述未来时段的故障预测结果。
2.根据权利要求1所述的方法,其特征在于,所述预设故障条件包括预设阈值条件、预设聚类条件和预设斜率条件;
所述分别根据各预设故障条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的故障预测子结果,包括:
根据所述预设阈值条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的第一故障预测子结果;
根据所述预设聚类条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的第二故障预测子结果;
根据所述预设斜率条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的第三故障预测子结果;
将所述第一故障预测子结果、所述第二故障预测子结果和所述第三故障预测子结果,均识别为所述电池在所述未来时段的故障预测子结果。
3.根据权利要求2所述的方法,其特征在于,所述根据所述预设阈值条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的第一故障预测子结果,包括:
根据所述预设阈值条件,确定所述电池的正常状态数据范围;
判断所述预测状态数据是否在所述正常状态数据范围内,得到针对所述电池的判断结果;
根据所述判断结果,确定所述电池在所述未来时段的第一故障预测子结果。
4.根据权利要求2所述的方法,其特征在于,所述根据所述预设聚类条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的第二故障预测子结果,包括:
对所述预测状态数据进行聚类处理,得到所述预测状态数据对应的聚类数据;
根据所述预设聚类条件,对所述预测状态数据对应的聚类数据进行故障识别,得到所述电池在所述未来时段的第二故障预测子结果。
5.根据权利要求2所述的方法,其特征在于,所述根据所述预设斜率条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的第三故障预测子结果,包括:
对所述预测状态数据进行线性拟合处理,得到所述预测状态数据的变化斜率;
根据所述预设斜率条件,对所述预测状态数据的变化斜率进行故障识别,得到所述电池在所述未来时段的第三故障预测子结果。
6.根据权利要求1所述的方法,其特征在于,所述根据所述电池在所述未来时段的故障预测子结果,确定所述电池在所述未来时段的故障预测结果,包括:
根据所述电池在所述未来时段的故障预测子结果,确定所述电池在所述未来时段的预测故障类型和预测故障时间;
将所述电池在所述未来时段的预测故障类型和预测故障时间,识别为所述电池在所述未来时段的故障预测结果。
7.根据权利要求1所述的方法,其特征在于,所述获取电池的历史状态数据,包括:
获取电池的历史电压数据、历史电流数据、历史内阻数据和历史温度数据;
将所述电池的历史电压数据、历史电流数据、历史内阻数据和历史温度数据,识别为所述电池的历史状态数据;
所述将所述电池的历史状态数据,输入至电池状态预测模型,得到所述电池在未来时段的预测状态数据,包括:
将所述电池的历史状态数据,输入至电池状态预测模型,得到所述电池在未来时段的预测电压数据、预测电流数据、预测内阻数据和预测温度数据;
将所述电池在未来时段的预测电压数据、预测电流数据、预测内阻数据和预测温度数据,识别为所述电池在未来时段的预测状态数据。
8.一种故障预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取电池的历史状态数据;所述电池用于向金融系统的设备提供电源;
数据输入模块,用于将所述电池的历史状态数据,输入至电池状态预测模型,得到所述电池在未来时段的预测状态数据;
数据识别模块,用于分别根据各预设故障条件,对所述预测状态数据进行故障识别,得到所述电池在所述未来时段的故障预测子结果;
结果确定模块,用于根据所述电池在所述未来时段的故障预测子结果,确定所述电池在所述未来时段的故障预测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
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权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310659411.0A CN116794510A (zh) | 2023-06-06 | 2023-06-06 | 故障预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310659411.0A CN116794510A (zh) | 2023-06-06 | 2023-06-06 | 故障预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116794510A true CN116794510A (zh) | 2023-09-22 |
Family
ID=88033724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310659411.0A Pending CN116794510A (zh) | 2023-06-06 | 2023-06-06 | 故障预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116794510A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117491793A (zh) * | 2023-12-29 | 2024-02-02 | 国网浙江省电力有限公司电力科学研究院 | 一种氢电耦合系统综合性能测试方法、装置及介质 |
CN117540225A (zh) * | 2024-01-09 | 2024-02-09 | 成都电科星拓科技有限公司 | 一种基于DBSCAN聚类的分布式ups系统一致性评估系统及方法 |
-
2023
- 2023-06-06 CN CN202310659411.0A patent/CN116794510A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117491793A (zh) * | 2023-12-29 | 2024-02-02 | 国网浙江省电力有限公司电力科学研究院 | 一种氢电耦合系统综合性能测试方法、装置及介质 |
CN117491793B (zh) * | 2023-12-29 | 2024-05-10 | 国网浙江省电力有限公司电力科学研究院 | 一种氢电耦合系统综合性能测试方法、装置及介质 |
CN117540225A (zh) * | 2024-01-09 | 2024-02-09 | 成都电科星拓科技有限公司 | 一种基于DBSCAN聚类的分布式ups系统一致性评估系统及方法 |
CN117540225B (zh) * | 2024-01-09 | 2024-04-12 | 成都电科星拓科技有限公司 | 一种基于DBSCAN聚类的分布式ups系统一致性评估系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116794510A (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
Mohammadpourfard et al. | A statistical unsupervised method against false data injection attacks: A visualization-based approach | |
CN112347692B (zh) | 不间断电源的电池预测性维护的实现方法、装置和电子装置 | |
CN105325023B (zh) | 用于小区异常检测的方法和网络设备 | |
JP7478226B2 (ja) | 充電ステーション監視方法および装置 | |
CN109491850A (zh) | 一种磁盘故障预测方法及装置 | |
Mohammadi et al. | Machine learning assisted stochastic unit commitment during hurricanes with predictable line outages | |
CN112800231A (zh) | 电力数据校验方法、装置、计算机设备和存储介质 | |
CN111967620A (zh) | 一种光伏组件诊断方法、装置、设备及可读存储介质 | |
CN114446019A (zh) | 告警信息处理方法、装置、设备、存储介质和产品 | |
CN117318052B (zh) | 发电机组进相试验无功功率预测方法、装置和计算机设备 | |
Asefi et al. | Power system anomaly detection and classification utilizing WLS-EKF state estimation and machine learning | |
CN110807014B (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
CN117557415A (zh) | 一种基于智慧物业的社区资源管理方法及系统 | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
Giampieri et al. | A supervised classification system based on evolutive multi-agent clustering for smart grids faults prediction | |
CN115980585A (zh) | 电池故障的检测方法、装置、计算机设备和存储介质 | |
CN115550144A (zh) | 分布式故障节点预测方法、装置、电子设备及存储介质 | |
CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN115601013A (zh) | 核反应堆故障判定方法、装置、设备、存储介质和产品 | |
CN114970734A (zh) | 异常电池确定方法、装置、计算机设备和存储介质 | |
CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
CN114330090A (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
CN113537607A (zh) | 停电预测方法 | |
CN116112200B (zh) | 配电网纵向访问检测方法、装置、计算机设备和存储介质 |
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 |