CN117110936A - 基于时序分析的ups运行状态预测维护系统 - Google Patents
基于时序分析的ups运行状态预测维护系统 Download PDFInfo
- Publication number
- CN117110936A CN117110936A CN202311384947.2A CN202311384947A CN117110936A CN 117110936 A CN117110936 A CN 117110936A CN 202311384947 A CN202311384947 A CN 202311384947A CN 117110936 A CN117110936 A CN 117110936A
- Authority
- CN
- China
- Prior art keywords
- time
- voltage
- cluster
- signal
- ups
- 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.)
- Granted
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 28
- 238000012300 Sequence Analysis Methods 0.000 title claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 35
- 230000008859 change Effects 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 230000010355 oscillation Effects 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012731 temporal analysis Methods 0.000 claims 2
- 238000000700 time series analysis Methods 0.000 claims 2
- 238000005070 sampling Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 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
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- 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
- H02J9/062—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 for AC powered loads
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/22—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using conversion of ac into dc
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及数字信号处理技术领域,提出了基于时序分析的UPS运行状态预测维护系统,包括:数据采集模块,获取电压信号时间窗口序列、电池温度信号时间窗口序列和UPS电源电池的输出电压信号;电压信号分析模块,根据电压信号时间窗口序列获取时间簇,获取时间簇的整流电压跨簇递变系数;电池温度信号分析模块,获取温度信号时间簇,获取温度信号时间簇的温度验证整流变异系数;UPS运行状态预测维护模块,获取逆变补偿输入电压,进而获取预测逆变器输入直流电压,获取整流器工作状态验证系数,根据整流器工作状态验证系数实现UPS运行状态的预测维护。本发明解决UPS电源运行状态稳定性预测不准确的问题。
Description
技术领域
本发明涉及数字信号处理技术领域,具体涉及基于时序分析的UPS运行状态预测维护系统。
背景技术
UPS电源是不间断电源的缩写,通常被用于数据中心、通信设备和医疗设施的供电,为重要电子设备供电提供稳定的不间断电源。UPS电源主要由整流器、电池、逆变器和逻辑控制单元组成,整流器将市电的交流电整流为直流电,一方面为电池充电,一方面直接传输给逆变器转换为稳定交流电,供电子设备使用。UPS电源在市电供电异常或直接中断时直接由电池供电,为设备提供不间断电源。整流器是UPS电源正常工作的关键因素,整流器的主要作用是过滤掉市电的驳杂的交流信号,将驳杂的交流信号转变为稳定的直流信号,供电池和逆变器使用。但是,市电中往往存在谐波干扰、尖峰干扰和电压突变导致波形失真,因此,整流器承担着较大的压力,当市电交流信号异常突变导致整流器过载,将会对整流器造成不可逆伤害。
当市电过载造成整流器受损时,并不会引起UPS电源自身故障预警,UPS电源还能相对工作一段时间。但是受损的整流器会在这段时间内输出不稳定的直流信号,不稳定的直流信号会影响电池充电和逆变器转化,导致UPS电源内部受损加重,影响设备的整体使用寿命,同时,当市电中断时,这种情况下的UPS电源无法为重要电子设备提供稳定持续的电信号,容易造成严重的经济财产损失。当市电过载造成整流器受损时,UPS电源内部整流器输出电压变化较小,往往导致现有的UPS电源运行状态稳定性预测不准确。
发明内容
本发明提供基于时序分析的UPS运行状态预测维护系统,以解决UPS电源运行状态稳定性预测不准确的问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于时序分析的UPS运行状态预测维护系统,该系统包括以下模块:
数据采集模块,采集UPS电源的电压信号和温度信号并进行预处理,获取电压信号时间窗口序列、电池温度信号时间窗口序列和UPS电源电池的输出电压信号;
电压信号分析模块,根据电压信号时间窗口序列获取时间簇,根据时间簇内包含的电压信号获取整流电压簇内偏移震荡系数,对时间簇进行分解获取趋势信号,根据趋势信号和整流电压簇内偏移震荡系数获取电压簇内趋势变化度量系数,获取同一时间窗口内两个时间簇的电压序列相关性,根据电压簇内趋势变化度量系数获取整流器电压递变差异性,根据电压序列相关性、整流器电压递变差异性和电压簇内趋势变化度量系数获取整流电压跨簇递变系数;
电池温度信号分析模块,根据电压信号时间窗口序列内时间簇的划分获取温度信号时间簇,根据温度信号时间簇内包含的电池温度信号,获取温度验证整流变异系数;
UPS运行状态预测维护模块,根据时间簇内包含的电压信号、电压信号的获取时刻对应的UPS电源电池的输出电压信号、整流电压跨簇递变系数和温度验证整流变异系数获取逆变补偿输入电压,根据逆变补偿输入电压获取预测逆变器输入直流电压,根据预测逆变器输入直流电压、预测逆变器输入直流电压对应的时间簇内包含的电压信号和电压信号的获取时刻对应的UPS电源电池的输出电压信号获取整流器工作状态验证系数,根据整流器工作状态验证系数实现UPS运行状态的预测维护。
进一步,所述采集UPS电源的电压信号和温度信号并进行预处理,获取电压信号时间窗口序列、电池温度信号时间窗口序列和UPS电源电池的输出电压信号的方法为:
采用电压传感器获取整流器输出的电压信号,在每个电压信号的获取时刻,获取UPS电源电池的输出电压信号,通过温度传感器获得电池的温度信号,其中,电压信号和温度信号的获取时间相同、获取时间间隔相同;
将电压信号截取为电压信号时间窗口序列,将电池温度信号截取为电池温度信号时间窗口序列,其中,电压信号和温度信号的截取时间窗口相同。
进一步,所述根据电压信号时间窗口序列获取时间簇的方法为:
采用时间序列聚类算法对电压信号时间窗口序列进行自适应划分,将电压信号时间窗口序列划分为时间簇。
进一步,所述对时间簇进行分解获取趋势信号的方法为:
对时间簇采用时序序列分解算法进行处理,将时间簇内的电压信号分解为周期信号、趋势信号和随机信号。
进一步,所述获取同一时间窗口内两个时间簇的电压序列相关性的方法为:
选取同一时间窗口内两个不同的时间簇,在两个时间簇中最短的时间簇后进行补零操作,使两个时间簇的长度相同;
获取两个时间簇的相关系数,将两个时间簇的相关系数记为两个时间簇的电压序列相关性。
进一步,所述根据电压信号时间窗口序列内时间簇的划分获取温度信号时间簇的方法为:
获取时间簇内包含的电压信号,将与同一时间簇内包含的所有电压信号获取时间相同的电池温度信号划分为一组;
将同一组内包含的所有电池温度信号按照电池温度信号的获取时间进行排列,获取温度信号时间簇;
将温度信号时间簇记为其获取过程中使用的时间簇的对应温度信号时间簇。
进一步,所述根据时间簇内包含的电压信号、电压信号的获取时刻对应的UPS电源电池的输出电压信号、整流电压跨簇递变系数和温度验证整流变异系数获取逆变补偿输入电压的方法为:
将时间簇内包含的所有电压信号的获取时刻对应的UPS电源电池的输出电压信号的均值记为时间簇的第一均值;
将时间簇内包含的所有电压信号的均值记为时间簇的第二均值;
将时间簇的整流电压跨簇递变系数、时间簇的对应温度信号时间簇的温度验证整流变异系数和时间簇的第一均值的乘积记为时间簇的第一乘积;
将时间簇的第二均值与第一乘积的和记为时间簇对应的逆变补偿输入电压。
进一步,所述根据逆变补偿输入电压获取预测逆变器输入直流电压的方法为:
将逆变补偿输入电压输入逆变器,获取交流输出;
将交流输出输入神经网络,获取预测逆变器输入直流电压,其中,神经网络的标签为设备要求的供电电压,神经网络可以使用但不限于LSTM神经网络。
进一步,所述根据预测逆变器输入直流电压、预测逆变器输入直流电压对应的时间簇内包含的电压信号和电压信号的获取时刻对应的UPS电源电池的输出电压信号获取整流器工作状态验证系数的方法为:
将预测逆变器输入直流电压与时间簇的第二均值的差值记为第一差值;
将第一差值与时间簇的第一均值的比值记为整流器工作状态验证系数。
进一步,所述根据整流器工作状态验证系数实现UPS运行状态的预测维护的方法为:
当时间窗口内每个时间簇对应的整流器工作状态验证系数均小于整流器异常阈值时,认为逆变器保持正常工作;
在时间窗口内包含的时间簇对应的整流器工作状态验证系数中,存在大于等于整流器异常阈值的整流器工作状态验证系数时,认为逆变器出现过载损伤;
当逆变器出现过载损伤时,将分析结果发送给维护人员。
本发明的有益效果是:
本发明通过传感器获取电压信号时间窗口序列、电池温度信号时间窗口序列和UPS电源电池的输出电压信号,根据整流器的电压输出存在一定的波动性,将电压信号时间窗口序列划分为时间簇,根据整流器受损后导致电压产生相关性小的波动的特征,获取整流电压簇内偏移震荡系数,然后,结合一个时间簇内电压的变化趋势获取电压簇内趋势变化度量系数,进而获取整流电压跨簇递变系数,完成对电压信号的异常程度的分析;根据电压信号时间窗口序列内时间簇的划分获取温度信号时间簇,根据整流器出现受损时会输出不稳定的直流电压、造成电池异常发热,获取温度验证整流变异系数,完成对电池温度信号的异常程度的分析;根据整流电压跨簇递变系数和温度验证整流变异系数获取时间簇对应的逆变补偿输入电压,进而采用神经网络获取预测逆变器输入直流电压,获取整流器工作状态验证系数,根据整流器工作状态验证系数实现UPS运行状态的预测维护,对异常进行修理和维护,保障设备的正常工作,本发明通过整流的波动状态实现电池电压补偿,使电池电压保证稳定的波形。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于时序分析的UPS运行状态预测维护系统的流程示意图;
图2为UPS电源整体流程示意图;
图3为整流电压跨簇递变系数获取流程图。
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例提供的基于时序分析的UPS运行状态预测维护系统流程图,该系统包括:数据采集模块、电压信号分析模块、电池温度信号分析模块、UPS运行状态预测维护模块。
数据采集模块,采集UPS电源的电压信号和温度信号并进行预处理,获取电压信号时间窗口序列、电池温度信号时间窗口序列和UPS电源电池的输出电压信号。
UPS电源主要被用于高精度、高安全级别的设备进行供电,如服务器、银行数据中心、医疗设备和通信设备等,因此对UPS电源有一个极高的稳定性要求。UPS电源整体流程示意图如图2所示,正常情况下,市电为UPS提供电源,通过整流器将电信号输送给逆变器和电池,当市电出现异常时,由电池为设备供电。由于整流器承担着较大的工作负荷,因此,重点监测整流器的电压信号,实现对逆变器的稳定输出,为重要电子设备提供稳定的交流电信号,保障设备的正常运行。
为获取UPS电源中整流器的工作状况,采用电压传感器获取整流器输出的电压信号,电压信号受到市电信号的干扰存在小幅度波动。
在每个电压信号的获取时刻,获取UPS电源电池的输出电压信号。
UPS电源需要为重要电子设备提供稳定的电压信号,因此自身的工作稳定性至关重要。由于整流器承担对市电的过滤和整流作用,容易受到驳杂市电的干扰,同时,受损的整流器依旧能工作,但是提供的稳定直流信号将逐渐驳杂、影响电池和逆变器的使用寿命,最终可能导致输出的电信号不稳定,影响重要电子设备的正常运行。因此,需要监测整流器的电压信号,预测UPS电源的输出,当出现异常时进行及时的维护和处理,减小经济损失。
电池会不间断充放电,当采用整流器的不稳定电压为电池进行充电时,会造成电池的异常发热,加速电池的老化,降低UPS电源的使用寿命,因此,通过温度传感器获得电池的温度信号。
由于市电电压的变化具有随机性和突变性,对整流器造成的影响是不确定的,为了更好的获取UPS电源的工作情况,本发明将传感器的采样间隔经验值设置为1毫秒。由于获得的电压信号和温度信号的量级和单位不一致,分别对获得的电压信号和电池温度信号进行归一化操作,获得归一化后的电压信号和归一化后的电池温度信号,便于后续的分析。将电压信号更新为归一化后的电压信号,将电池温度信号更新为归一化后的电池温度信号。
当传感器不间断获取监测信号时,理论上将获得一个区域无限长的时序序列,不利于计算机的分析。因此将获得的信号划分时间窗口,本发明设置时间窗口经验值为1秒,由此可以将电压信号截取为多个电压信号时间窗口序列,将电池温度信号截取为多个电池温度信号时间窗口序列。
至此,获取电压信号时间窗口序列、电池温度信号时间窗口序列和UPS电源电池的输出电压信号。
电压信号分析模块,根据电压信号时间窗口序列获取时间簇,根据时间簇内包含的电压信号获取整流电压簇内偏移震荡系数,对时间簇进行分解获取趋势信号,根据趋势信号和整流电压簇内偏移震荡系数获取电压簇内趋势变化度量系数,获取同一时间窗口内两个时间簇的电压序列相关性,根据电压簇内趋势变化度量系数获取整流器电压递变差异性,根据电压序列相关性、整流器电压递变差异性和电压簇内趋势变化度量系数获取整流电压跨簇递变系数。
在一个时间窗口内,整流器的电压输出存在一定的波动性,整流器受损后的波动会隐藏在波动中,各个波动之间具有一定的相关性,采用深度学习DTC模型对电压信号时间窗口序列进行自适应划分,获取多个时间簇。其中,每个时间簇内的电压信号按照电压信号的获取时间进行排列;DTC模型为公知技术,这里不再赘述。
由于整流器输出的电压受设备本身和噪声的影响,存在一定的波动性,当因市电过载受损后,电压信号的波动幅度和随机性将更大。通过时间簇的划分,可以将时间窗口内变化相似的电压信号划分到一个簇内,因此,可以分析时间簇内的整流器电压变化情况,得到整流电压簇内偏移震荡系数:
式中,表示在时间窗口内第/>个时间簇的整流电压簇内偏移震荡系数,/>表示在时间窗口内第/>个时间簇内包含的所有电压信号的方差,/>表示第/>个时间簇内包含的所有电压信号的个数,/>表示时间窗口内第/>个时间簇内包含的第/>个采样时刻的电压信号的值,/>表示在时间窗口内第/>个时间簇内包含的所有电压信号的均值。
整流电压簇内偏移震荡系数反映一个时间簇内整流器电压输出的稳定性,理想情况下,整流器输出的是固定直流电压,因此,理想情况下电压簇内偏移震荡系数为0,即均值就是时间簇内各个时刻的电压值。但是,在现实情况中,整流器输出的不是固定的电压值,而是一个波动的值,当波动越小时,越接近理想状况,当波动越大时,表明整流器存在故障的可能性越大,即得到的/>值也越大。
整流电压簇内偏移震荡系数只是反映簇内电压信号的波动情况,波动的大小能够在一定程度上反映整流器的工作状态。但是,整流器的异常波动往往不明显,波动性只能在一定程度上表征异常波动,除此之外还需要分析电压信号这一个时间簇内的变化趋势。
对时间簇采用STL时序序列分解算法进行处理,将时间簇内的电压信号分解为周期信号、趋势信号和随机信号。重点分析趋势信号的变化情况,结合整流电压簇内偏移震荡系数,获取电压簇内趋势变化度量系数:
式中,表示在时间窗口内第/>个时间簇的电压簇内趋势变化度量系数,/>表示在时间窗口内第/>个时间簇的整流电压簇内偏移震荡系数,/>表示第/>个时间簇内包含的所有电压信号的个数,/>表示第/>个时间簇内整流器电压信号极值点的个数,表示对整流器电压信号在第/>个时间簇进行分解得到的趋势信号在第/>个时刻的值,/>表示选取趋势信号内包含的所有电压信号的最小值,/>表示第/>个时间簇的趋势信号内包含的所有电压信号的最小值对应的采样时刻;/>表示获取第个时间簇内包含的所有电压信号的最小值对应的采样时刻,/>表示第一分母取值系数,经验值为0.01。
电压簇内趋势变化度量系数能够反映电压信号在时间簇内的变化情况,当电压信号是理想情况时,趋势项中各个时刻的值与最小值较为接近,并且极值出现的数量较少,最终使得/>趋近于零。当整流器不仅受市电不稳定电压影响,还因过载出现器件损伤,电压信号将会存在对应的变化趋势,电压信号的趋势信号内包含的所有电压信号的最小值与时间簇内包含的所有电压信号的最小值之间差距的差异将逐渐增大,并且,电压信号会因波动增大,出现较多的极值点,最终导致/>的值增大。
选取同一时间窗口内两个不同的时间簇,在两个时间簇中最短的时间簇后进行补零操作,使两个时间簇的长度相同,获取两个时间簇的皮尔逊相关系数,将两个时间簇的皮尔逊相关系数记为两个时间簇的电压序列相关性。其中,皮尔逊相关系数为公知技术,不再赘述。
时间簇的划分能够更好地分析时间簇内波动相似整流器电压信号,得到电压信号的簇内特征。在时间窗口内,不同时间簇之间存在一定的相关性联系,因此,根据电压簇内趋势变化度量系数,可以得到整流电压跨簇递变系数:
式中,表示时间窗口中第/>个时间簇的整流电压跨簇递变系数,/>表示在时间窗口第/>个簇与第/>个簇的整流器电压递变差异性,/>表示时间窗口划分出的时间簇的个数,/>表示在时间窗口内第/>个和第/>个时间簇的电压序列相关性;/>和/>分别表示在时间窗口内第/>个和第/>个时间簇内包含的所有电压信号的信息熵,/>和/>分别表示在时间窗口内第/>个和第/>个时间簇内整流器电压信号的簇内趋势变化度量系数。
反映了第/>个时间簇内电压信号在时间窗口内的递变关系。当整流器出现受损时,其输出的电压信号将出现较多的波动性和随机性,因此,时间簇内包含的所有电压信号的信息熵和电压簇内趋势变化度量系数的值均较大;当时间窗口内整流器的电压输出不稳定时,不同时间簇之间的波动相关性较大,最终得到的整流电压跨簇递变系数/>值较大。相反,理想情况下,各个时间簇内包含的电压信号均较为接近,因此得到的每个整流器电压递变差异性均较小或接近零,使得整流电压跨簇递变系数/>趋近零。
至此,获取时间窗口中每个时间簇内整流器电压信号的整流电压跨簇递变系数,整流电压跨簇递变系数获取流程图如图3所示。
电池温度信号分析模块,根据电压信号时间窗口序列内时间簇的划分获取温度信号时间簇,根据温度信号时间簇内包含的电池温度信号,获取温度验证整流变异系数。
通过对时间窗口内整流器输出电压信号的分析,可以能够得到电压信号的分布情况,从而推断出整流器的运行状态。当UPS电源系统可能受到噪声的影响时,获得到的数据具有一定的波动性,当噪声信号干扰较大时,会引起整流器电压信号的较大波动,可能会引起误判。由于UPS电源整流器输出的直流信号一部分为电池供电,因此,当整流器出现受损时,会输出较不稳定的直流电压,电池受不稳定电压供电时,会造成电池异常发热。由此,可以通过检测电池的温度信号,对整流器的运行状态进行验证。
按照电压信号的时间窗口内时间簇的划分,按照相同的划分方式,对与时间窗口的获取时间相同的电池温度信号时间窗口序列内包含的电池温度信号进行划分,将电池温度信号按照电池温度信号的获取时间进行排列,获取温度信号时间簇。
根据温度信号时间簇内包含的电池温度信号,获取温度验证整流变异系数。
式中,表示在时间窗口内第/>个温度信号时间簇的温度验证整流变异系数,表示第/>个温度信号时间簇,/>和/>分别表示选取括号内对应的温度信号时间簇中包含的电池温度信号的最大值和最小值,/>分别表示选取括号内对应的温度信号时间簇中包含的电池温度信号的最大值和最小值对应的采样时刻,表示第一分母取值系数,经验值为0.01;/>表示取以自然常数为底数、以绝对值符号内的数值为指数的幂。
当整流器输出稳定时,UPS电源的电池将输入恒定的直流电,电池由于散热系统的工作,温度较为稳定。当整流器出现异常波动时,UPS电源的电池温度会异常升高,因此,电池会出现温度波动,温度信号时间簇中包含的电池温度信号的最大值和最小值出现的间隔越近、温度信号时间簇中包含的电池温度信号的最大值和最小值差异越大,表明电池温度信号波动的越剧烈,以此衡量整流器电压输出是否正常。
至此,获取温度验证整流变异系数。
UPS运行状态预测维护模块,根据时间簇内包含的电压信号、电压信号的获取时刻对应的UPS电源电池的输出电压信号、整流电压跨簇递变系数和温度验证整流变异系数获取逆变补偿输入电压,根据逆变补偿输入电压获取预测逆变器输入直流电压,根据预测逆变器输入直流电压、预测逆变器输入直流电压对应的时间簇内包含的电压信号和电压信号的获取时刻对应的UPS电源电池的输出电压信号获取整流器工作状态验证系数,根据整流器工作状态验证系数实现UPS运行状态的预测维护。
UPS电源中逆变器的输入包括整流器的直流电压信号和电池输出的电池供电直流信号,通过电池供电的方式实现对整流器直流电压信号进行补偿和矫正,结合整流器电压的波动情况和电池温度信号的变化分布,得到时间簇对应的逆变补偿输入电压:
式中,表示在时间窗口内第/>个时间簇对应的逆变补偿输入电压,/>表示在时间窗口内第/>个时间簇内包含的所有电压信号的均值,/>表示时间窗口中第/>个时间簇的整流电压跨簇递变系数,/>表示在时间窗口内第/>个温度信号时间簇的温度验证整流变异系数,/>表示时间窗口内第/>个时间簇内包含的所有电压信号的获取时刻对应的UPS电源电池的输出电压信号的均值。
至此,获取逆变补偿输入电压。
将逆变补偿输入电压输入逆变器,通过逆变器内部转换将逆变补偿输入电压变化为交流输出。将交流输出输入LSTM神经网络,将设备要求的供电电压作为标签数据,采用均方差作为损失函数,使用Adam作为模型优化器,获取预测逆变器输入直流电压。
根据预测逆变器输入直流电压、预测逆变器输入直流电压对应的时间簇内包含的电压信号和电压信号的获取时刻对应的UPS电源电池的输出电压信号获取整流器工作状态验证系数。
式中,表示在时间窗口内第/>个时间簇对应的整流器工作状态验证系数,表示在时间窗口内第/>个时间簇内包含的所有电压信号的均值,/>表示时间窗口内第/>个时间簇内包含的所有电压信号的获取时刻对应的UPS电源电池的输出电压信号的均值,/>表示第/>个时间簇对应的预测逆变器输入直流电压。
当时间窗口内每个时间簇对应的整流器工作状态验证系数均小于整流器异常阈值时,则认为逆变器保持正常工作,否则,认为逆变器出现过载损伤,并且分析结果发送给维护人员,方便维护人员进行及时维护处理,减少不必要的经济损失。其中,整流器异常阈值的经验值为0.7。
至此,实现UPS运行状态的预测维护。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于时序分析的UPS运行状态预测维护系统,其特征在于,该系统包括以下模块:
数据采集模块,采集UPS电源的电压信号和温度信号并进行预处理,获取电压信号时间窗口序列、电池温度信号时间窗口序列和UPS电源电池的输出电压信号;
电压信号分析模块,根据电压信号时间窗口序列获取时间簇,根据时间簇内包含的电压信号获取整流电压簇内偏移震荡系数,对时间簇进行分解获取趋势信号,根据趋势信号和整流电压簇内偏移震荡系数获取电压簇内趋势变化度量系数,获取同一时间窗口内两个时间簇的电压序列相关性,根据电压簇内趋势变化度量系数获取整流器电压递变差异性,根据电压序列相关性、整流器电压递变差异性和电压簇内趋势变化度量系数获取整流电压跨簇递变系数;
电池温度信号分析模块,根据电压信号时间窗口序列内时间簇的划分获取温度信号时间簇,根据温度信号时间簇内包含的电池温度信号,获取温度验证整流变异系数;
UPS运行状态预测维护模块,根据时间簇内包含的电压信号、电压信号的获取时刻对应的UPS电源电池的输出电压信号、整流电压跨簇递变系数和温度验证整流变异系数获取逆变补偿输入电压,根据逆变补偿输入电压获取预测逆变器输入直流电压,根据预测逆变器输入直流电压、预测逆变器输入直流电压对应的时间簇内包含的电压信号和电压信号的获取时刻对应的UPS电源电池的输出电压信号获取整流器工作状态验证系数,根据整流器工作状态验证系数实现UPS运行状态的预测维护。
2.根据权利要求1所述的基于时序分析的UPS运行状态预测维护系统,其特征在于,所述采集UPS电源的电压信号和温度信号并进行预处理,获取电压信号时间窗口序列、电池温度信号时间窗口序列和UPS电源电池的输出电压信号的方法为:
采用电压传感器获取整流器输出的电压信号,在每个电压信号的获取时刻,获取UPS电源电池的输出电压信号,通过温度传感器获得电池的温度信号,其中,电压信号和温度信号的获取时间相同、获取时间间隔相同;
将电压信号截取为电压信号时间窗口序列,将电池温度信号截取为电池温度信号时间窗口序列,其中,电压信号和温度信号的截取时间窗口相同。
3.根据权利要求2所述的基于时序分析的UPS运行状态预测维护系统,其特征在于,所述根据电压信号时间窗口序列获取时间簇的方法为:
采用时间序列聚类算法对电压信号时间窗口序列进行自适应划分,将电压信号时间窗口序列划分为时间簇。
4.根据权利要求3所述的基于时序分析的UPS运行状态预测维护系统,其特征在于,所述对时间簇进行分解获取趋势信号的方法为:
对时间簇采用时序序列分解算法进行处理,将时间簇内的电压信号分解为周期信号、趋势信号和随机信号。
5.根据权利要求3所述的基于时序分析的UPS运行状态预测维护系统,其特征在于,所述获取同一时间窗口内两个时间簇的电压序列相关性的方法为:
选取同一时间窗口内两个不同的时间簇,在两个时间簇中最短的时间簇后进行补零操作,使两个时间簇的长度相同;
获取两个时间簇的相关系数,将两个时间簇的相关系数记为两个时间簇的电压序列相关性。
6.根据权利要求1所述的基于时序分析的UPS运行状态预测维护系统,其特征在于,所述根据电压信号时间窗口序列内时间簇的划分获取温度信号时间簇的方法为:
获取时间簇内包含的电压信号,将与同一时间簇内包含的所有电压信号获取时间相同的电池温度信号划分为一组;
将同一组内包含的所有电池温度信号按照电池温度信号的获取时间进行排列,获取温度信号时间簇;
将温度信号时间簇记为其获取过程中使用的时间簇的对应温度信号时间簇。
7.根据权利要求6所述的基于时序分析的UPS运行状态预测维护系统,其特征在于,所述根据时间簇内包含的电压信号、电压信号的获取时刻对应的UPS电源电池的输出电压信号、整流电压跨簇递变系数和温度验证整流变异系数获取逆变补偿输入电压的方法为:
将时间簇内包含的所有电压信号的获取时刻对应的UPS电源电池的输出电压信号的均值记为时间簇的第一均值;
将时间簇内包含的所有电压信号的均值记为时间簇的第二均值;
将时间簇的整流电压跨簇递变系数、时间簇的对应温度信号时间簇的温度验证整流变异系数和时间簇的第一均值的乘积记为时间簇的第一乘积;
将时间簇的第二均值与第一乘积的和记为时间簇对应的逆变补偿输入电压。
8.根据权利要求1所述的基于时序分析的UPS运行状态预测维护系统,其特征在于,所述根据逆变补偿输入电压获取预测逆变器输入直流电压的方法为:
将逆变补偿输入电压输入逆变器,获取交流输出;
将交流输出输入神经网络,获取预测逆变器输入直流电压,其中,神经网络的标签为设备要求的供电电压,神经网络可以使用但不限于LSTM神经网络。
9.根据权利要求7所述的基于时序分析的UPS运行状态预测维护系统,其特征在于,所述根据预测逆变器输入直流电压、预测逆变器输入直流电压对应的时间簇内包含的电压信号和电压信号的获取时刻对应的UPS电源电池的输出电压信号获取整流器工作状态验证系数的方法为:
将预测逆变器输入直流电压与时间簇的第二均值的差值记为第一差值;
将第一差值与时间簇的第一均值的比值记为整流器工作状态验证系数。
10.根据权利要求1所述的基于时序分析的UPS运行状态预测维护系统,其特征在于,所述根据整流器工作状态验证系数实现UPS运行状态的预测维护的方法为:
当时间窗口内每个时间簇对应的整流器工作状态验证系数均小于整流器异常阈值时,认为逆变器保持正常工作;
在时间窗口内包含的时间簇对应的整流器工作状态验证系数中,存在大于等于整流器异常阈值的整流器工作状态验证系数时,认为逆变器出现过载损伤;
当逆变器出现过载损伤时,将分析结果发送给维护人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311384947.2A CN117110936B (zh) | 2023-10-25 | 2023-10-25 | 基于时序分析的ups运行状态预测维护系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311384947.2A CN117110936B (zh) | 2023-10-25 | 2023-10-25 | 基于时序分析的ups运行状态预测维护系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117110936A true CN117110936A (zh) | 2023-11-24 |
CN117110936B CN117110936B (zh) | 2023-12-26 |
Family
ID=88811445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311384947.2A Active CN117110936B (zh) | 2023-10-25 | 2023-10-25 | 基于时序分析的ups运行状态预测维护系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117110936B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117371339A (zh) * | 2023-12-08 | 2024-01-09 | 西电济南变压器股份有限公司 | 基于物联网的变压器运行监测系统 |
CN117434457A (zh) * | 2023-12-20 | 2024-01-23 | 深圳中科精能源技术有限公司 | 一种储能电池的储能监测方法、装置、设备以及介质 |
CN118336893A (zh) * | 2024-04-19 | 2024-07-12 | 广东慕宁电子科技有限公司 | 不间断电源的控制方法、装置及不间断电源 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001245442A (ja) * | 2000-02-29 | 2001-09-07 | Nec Fielding Ltd | 交流無停電電源装置 |
EP1701175A2 (en) * | 2005-03-07 | 2006-09-13 | Hitachi Vehicle Energy, Ltd. | Power supply with status detector and initial characteristic determination means |
KR20080062444A (ko) * | 2006-12-29 | 2008-07-03 | 하대봉 | 전기 히팅 매트리스용 온도 조절 장치 |
CN201541145U (zh) * | 2009-11-04 | 2010-08-04 | 佛山市柏克电力设备有限公司 | 多模式工作ups电源 |
RU2501024C1 (ru) * | 2012-07-06 | 2013-12-10 | Роман Сергеевич Мовчан | Устройство мониторинга и сигнализации состояния электрической сети |
CA3203190A1 (en) * | 2014-02-24 | 2015-08-24 | Cellebrite Mobile Synchronization Ltd. | System and method for determining a state of health of a power source of a portable device |
CN204992746U (zh) * | 2015-09-25 | 2016-01-20 | 浙江德宏汽车电子电器股份有限公司 | 一种用于汽车多台发电机并联工作的供电装置 |
CN207424220U (zh) * | 2017-11-27 | 2018-05-29 | 泉州装备制造研究所 | 一种智能ups电池管理及健康状态监测系统 |
CN113282160A (zh) * | 2021-04-19 | 2021-08-20 | 深圳市伊力科电源有限公司 | Ups使用寿命的预测方法、设备及计算机可读存储介质 |
CN113809786A (zh) * | 2020-07-23 | 2021-12-17 | 广东毓秀科技有限公司 | 通过大数据对ups整流和逆变模块进行故障预测的方法 |
CN114740390A (zh) * | 2022-03-01 | 2022-07-12 | 广州科技贸易职业学院 | 一种ups电源健康状态监测系统 |
CN114977414A (zh) * | 2022-06-14 | 2022-08-30 | 中储绿能(山东)新能源有限公司 | 一种基于多簇并联储能的电池存储智能管理系统 |
CN115469229A (zh) * | 2022-09-23 | 2022-12-13 | 徐州工程学院 | 一种不间断电源锂电池荷电状态估算方法 |
CN115616346A (zh) * | 2022-11-04 | 2023-01-17 | 太原理工大学 | 三元乙丙橡胶绝缘动态高压电缆剩余寿命评估方法 |
CN115951230A (zh) * | 2023-03-10 | 2023-04-11 | 苏州时代华景新能源有限公司 | 一种锂电池储能箱的异常检测方法及系统 |
CN116224137A (zh) * | 2023-02-23 | 2023-06-06 | 陕西柯蓝电子有限公司 | 一种ups设备故障预警方法及系统 |
CN116595395A (zh) * | 2023-07-14 | 2023-08-15 | 中国人民解放军空军预警学院 | 一种基于深度学习的逆变器输出电流预测方法及系统 |
RU2803077C1 (ru) * | 2023-01-27 | 2023-09-06 | Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)" | Источник бесперебойного питания |
-
2023
- 2023-10-25 CN CN202311384947.2A patent/CN117110936B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001245442A (ja) * | 2000-02-29 | 2001-09-07 | Nec Fielding Ltd | 交流無停電電源装置 |
EP1701175A2 (en) * | 2005-03-07 | 2006-09-13 | Hitachi Vehicle Energy, Ltd. | Power supply with status detector and initial characteristic determination means |
KR20080062444A (ko) * | 2006-12-29 | 2008-07-03 | 하대봉 | 전기 히팅 매트리스용 온도 조절 장치 |
CN201541145U (zh) * | 2009-11-04 | 2010-08-04 | 佛山市柏克电力设备有限公司 | 多模式工作ups电源 |
RU2501024C1 (ru) * | 2012-07-06 | 2013-12-10 | Роман Сергеевич Мовчан | Устройство мониторинга и сигнализации состояния электрической сети |
CA3203190A1 (en) * | 2014-02-24 | 2015-08-24 | Cellebrite Mobile Synchronization Ltd. | System and method for determining a state of health of a power source of a portable device |
CN204992746U (zh) * | 2015-09-25 | 2016-01-20 | 浙江德宏汽车电子电器股份有限公司 | 一种用于汽车多台发电机并联工作的供电装置 |
CN207424220U (zh) * | 2017-11-27 | 2018-05-29 | 泉州装备制造研究所 | 一种智能ups电池管理及健康状态监测系统 |
CN113809786A (zh) * | 2020-07-23 | 2021-12-17 | 广东毓秀科技有限公司 | 通过大数据对ups整流和逆变模块进行故障预测的方法 |
CN113282160A (zh) * | 2021-04-19 | 2021-08-20 | 深圳市伊力科电源有限公司 | Ups使用寿命的预测方法、设备及计算机可读存储介质 |
CN114740390A (zh) * | 2022-03-01 | 2022-07-12 | 广州科技贸易职业学院 | 一种ups电源健康状态监测系统 |
CN114977414A (zh) * | 2022-06-14 | 2022-08-30 | 中储绿能(山东)新能源有限公司 | 一种基于多簇并联储能的电池存储智能管理系统 |
CN115469229A (zh) * | 2022-09-23 | 2022-12-13 | 徐州工程学院 | 一种不间断电源锂电池荷电状态估算方法 |
CN115616346A (zh) * | 2022-11-04 | 2023-01-17 | 太原理工大学 | 三元乙丙橡胶绝缘动态高压电缆剩余寿命评估方法 |
RU2803077C1 (ru) * | 2023-01-27 | 2023-09-06 | Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)" | Источник бесперебойного питания |
CN116224137A (zh) * | 2023-02-23 | 2023-06-06 | 陕西柯蓝电子有限公司 | 一种ups设备故障预警方法及系统 |
CN115951230A (zh) * | 2023-03-10 | 2023-04-11 | 苏州时代华景新能源有限公司 | 一种锂电池储能箱的异常检测方法及系统 |
CN116595395A (zh) * | 2023-07-14 | 2023-08-15 | 中国人民解放军空军预警学院 | 一种基于深度学习的逆变器输出电流预测方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117371339A (zh) * | 2023-12-08 | 2024-01-09 | 西电济南变压器股份有限公司 | 基于物联网的变压器运行监测系统 |
CN117371339B (zh) * | 2023-12-08 | 2024-03-26 | 西电济南变压器股份有限公司 | 基于物联网的变压器运行监测系统 |
CN117434457A (zh) * | 2023-12-20 | 2024-01-23 | 深圳中科精能源技术有限公司 | 一种储能电池的储能监测方法、装置、设备以及介质 |
CN117434457B (zh) * | 2023-12-20 | 2024-03-22 | 深圳中科精能源技术有限公司 | 一种储能电池的储能监测方法、装置、设备以及介质 |
CN118336893A (zh) * | 2024-04-19 | 2024-07-12 | 广东慕宁电子科技有限公司 | 不间断电源的控制方法、装置及不间断电源 |
Also Published As
Publication number | Publication date |
---|---|
CN117110936B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117110936B (zh) | 基于时序分析的ups运行状态预测维护系统 | |
EP2412074B1 (en) | Systems and methods for predicting power electronics failure | |
CN111857313B (zh) | 一种整机柜服务器电源模块均流控制系统及方法 | |
CN110119128B (zh) | 一种用于实验室用电设备的监控管理系统 | |
CN110488961A (zh) | 一种服务器电源测试方法及系统 | |
CN117761444B (zh) | 一种电涌保护器的寿命监测方法及系统 | |
CN115765135B (zh) | 一种智能ups储能系统 | |
CN117543791B (zh) | 电源的供电检测方法、装置、设备及存储介质 | |
CN110503211A (zh) | 基于机器学习的缺陷预测方法 | |
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 | |
CN117650621A (zh) | 一种电力系统网络运行状态监控方法及系统 | |
US20190065973A1 (en) | Method for Internet-of-things based, preventive maintenance of industrial equipment using an expert system | |
CN214122337U (zh) | 能源介质计量偏差预警系统 | |
CN115219842A (zh) | 一种机电设备故障定位及报警保护装置 | |
CN118233789B (zh) | 一种基于物联网的用电数据采集终端 | |
CN117435984A (zh) | 一种充电桩故障预测方法及系统 | |
US20230058139A1 (en) | Systems and methods for operating an uninterruptible power supply (ups) | |
EP4287486A1 (en) | A method for fixing an output power limit of a frequency converter and a method for diagnosing conditions of dc-link capacitors | |
CN118070195B (zh) | 一种矿用交流变频器异常数据状态监测系统 | |
CN116821834B (zh) | 基于内嵌传感器的真空断路器检修管理系统 | |
CN118114056B (zh) | 一种不间断系统状态评估方法及系统 | |
KR102703337B1 (ko) | 축전지 감시 시스템 및 축전지 감시 장치 | |
Vázquez et al. | Fault detection in low voltage networks with smart meters and machine learning techniques | |
US20230221790A1 (en) | Forecasting Failure of Power Supply in a Data Center | |
KR20180126233A (ko) | 태양전지 패널 관리 시스템 |
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 |