CN117332361A - 一种不间断电源的在线预警方法及检测系统 - Google Patents
一种不间断电源的在线预警方法及检测系统 Download PDFInfo
- Publication number
- CN117332361A CN117332361A CN202311636668.0A CN202311636668A CN117332361A CN 117332361 A CN117332361 A CN 117332361A CN 202311636668 A CN202311636668 A CN 202311636668A CN 117332361 A CN117332361 A CN 117332361A
- Authority
- CN
- China
- Prior art keywords
- target learning
- power supply
- learning module
- module
- power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 200
- 238000012549 training Methods 0.000 claims abstract description 81
- 230000004044 response Effects 0.000 claims abstract description 58
- 239000013598 vector Substances 0.000 claims description 324
- 238000012512 characterization method Methods 0.000 claims description 211
- 238000012544 monitoring process Methods 0.000 claims description 154
- 238000000605 extraction Methods 0.000 claims description 113
- 230000015654 memory Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 17
- 239000012633 leachable Substances 0.000 claims description 9
- 230000003321 amplification Effects 0.000 claims description 7
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
- G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开提供一种不间断电源的在线预警方法及检测系统,基于生成同时决策电源在预设工作指标下电源状态支持系数、在无预设工作指标时电源状态支持系数以及预设工作指标造成电源状态支持系数增幅的多目标学习算法,经算法决策电源的预设工作指标响应,不同于分别训练决策预设工作指标下电源状态支持系数和决策非预设工作指标下电源状态支持系数的两个相异的算法,再基于两个相异的算法的决策结果确定得到电源的预设工作指标响应,本公开可防止多个算法进行组合决策造成的准确性低的问题。基于本公开提训练获得的多目标学习算法对目标电源进行预设工作指标响应决策,可增加决策得到的预设工作指标响应的准确度,便于准确进行预警。
Description
技术领域
本公开涉及但不限于数据处理技术领域,尤其涉及一种不间断电源的在线预警方法及检测系统。
背景技术
当今社会中,越来越多的设备和系统需要依赖电力进行正常运行。由于各种原因,如供电不稳定、自然灾害等,电力供应中断或波动可能会对设备造成严重影响,甚至导致数据丢失、系统崩溃等问题,给生产和生活带来极大损失。因此,为了保证设备和系统的正常运行,不间断电源(Uninterruptible Power Supply,UPS)得到了广泛应用。
不间断电源是一种特殊的电源设备,它能够在外部电源中断时为设备提供独立的电力供应,以保持设备的正常工作状态。由于UPS的重要性,对其稳定性和可靠性的要求越来越高。传统的UPS预警方法主要是基于离线检测,即当UPS出现问题时,才能发现并及时进行处理。这种方法存在着较大的缺陷,无法避免设备在UPS故障期间受到损坏,也无法防止UPS故障对生产和生活产生不可逆转的影响。
近年来,人工智能技术的快速发展为UPS在线预警提供了一种全新的解决方案。利用大数据分析和机器学习算法,可以实现UPS的实时监测和预警,提高UPS的稳定性和可靠性。目前,基于人工智能的UPS在线预警方法已经得到广泛研究和应用。这些方法主要基于UPS的运行数据和状态参数,如电压、电流、温度等进行监测和分析,借助机器学习算法,如支持向量机、神经网络等,实现UPS故障的自动诊断和预警。这种方法具有实时性、准确性和可扩展性等优点,能够有效降低UPS故障对设备和系统的影响,提高生产效率和数据安全性。如何准确预测电源在预设条件下的状态响应是进行准确预警的前提。
发明内容
有鉴于此,本公开实施例至少提供一种不间断电源的在线预警方法及检测系统。
本公开实施例的技术方案是这样实现的:
一方面,本公开实施例提供一种不间断电源的在线预警方法,应用于检测系统,所述方法包括:
获取多目标学习算法的电源监测数据模板,所述电源监测数据模板包括示例电源的电源指标表征向量以及电源状态标记,所述多目标学习算法包括决策电源在预设工作指标下电源状态支持系数的第一目标学习模块、决策电源在无预设工作指标时电源状态支持系数的第二目标学习模块和决策预设工作指标造成电源状态支持系数增幅的第三目标学习模块;
确定所述示例电源的电源甄别属性,依据所述电源甄别属性在所述第一目标学习模块和所述第二目标学习模块中确定选定目标学习模块,所述示例电源甄别属性包括预设工作指标属性或固定参考属性,所述预设工作指标属性的电源为处于所述预设工作指标的电源;
将所述电源指标表征向量输入所述选定目标学习模块,依据所述选定目标学习模块执行得到的第一决策结果与所述电源状态标记对所述选定目标学习模块的可学习参数进行调节;
将所述电源指标表征向量分别输入所述选定目标学习模块外的两个目标学习模块,依据所述选定目标学习模块外的两个目标学习模块的输出结果确定第二决策结果;
依据所述第二决策结果与所述电源状态标记对所述选定目标学习模块外的两个目标学习模块的可学习参数进行调节,获得训练好的多目标学习算法;
获取待执行决策的目标电源的目标电源实时监测数据,结合所述训练好的多目标学习算法对所述目标电源实时监测数据进行预设工作指标响应决策,获得所述目标电源的预设工作指标响应。
在一些实施例中,所述获取多目标学习算法的电源监测数据模板,包括:
获取预设监测时段中的多个示例电源的电源运行监测数据集,所述电源运行监测数据集包括多个示例电源的电源实时监测数据和各个示例电源的电源状态标记;
对各个示例电源的电源实时监测数据进行表征向量抽取,获得每一示例电源的电源指标表征向量。
在一些实施例中,所述多目标学习算法还包括与每一目标学习模块对应的表征向量抽取模块,对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源的电源指标表征向量,包括:
根据每一目标学习模块对应的表征向量抽取模块对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源与每一目标学习模块对应的电源指标表征向量;
所述将所述电源指标表征向量输入所述选定目标学习模块,包括:
将所述示例电源与所述选定目标学习模块对应的电源指标表征向量输入所述选定目标学习模块;
所述将所述电源指标表征向量分别输入所述多目标学习算法中所述选定目标学习模块外的两个目标学习模块,包括:
将所述示例电源与所述选定目标学习模块外的两个目标学习模块对应的电源指标表征向量分别输入相应的目标学习模块。
在一些实施例中,所述多目标学习算法还包括与每一目标学习模块对应的显著性确定模块,所述根据每一目标学习模块对应的表征向量抽取模块对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源与每一目标学习模块对应的电源指标表征向量,包括:
根据每一目标学习模块对应的表征向量抽取模块对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源与每一表征向量抽取模块对应的临时表征向量;
根据每一显著性确定模块对所述电源实时监测数据和对应的临时表征向量进行显著性检测,获得示例电源与每一目标学习模块对应的电源指标表征向量。
在一些实施例中,所述多目标学习算法还包括表征向量主干模块,所述根据每一目标学习模块对应的表征向量抽取模块对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源与每一表征向量抽取模块对应的临时表征向量,包括:
根据每一目标学习模块对应的表征向量抽取模块和所述表征向量主干模块对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源与每一目标学习模块和所述表征向量主干模块对应的临时表征向量;
所述根据每一显著性确定模块对所述电源实时监测数据和对应的临时表征向量进行显著性检测,获得示例电源与每一目标学习模块对应的电源指标表征向量,包括:
根据每一显著性确定模块对所述电源实时监测数据、相应的临时表征向量以及所述表征向量主干模块对应的临时表征向量进行显著性检测,获得示例电源与每一目标学习模块对应的电源指标表征向量。
在一些实施例中,所述依据所述选定目标学习模块执行得到的第一决策结果与所述电源状态标记对所述选定目标学习模块的可学习参数进行调节,包括:
依据所述选定目标学习模块执行得到的第一决策结果与所述电源状态标记对所述选定目标学习模块、所述每一目标学习模块对应的表征向量抽取模块、所述每一目标学习模块对应的显著性确定模块和所述表征向量主干模块的可学习参数进行调节;
所述依据所述第二决策结果与所述电源状态标记对所述选定目标学习模块外的两个目标学习模块的可学习参数进行调节,包括:
依据所述第二决策结果与所述电源状态标记对所述选定目标学习模块外的两个目标学习模块、所述每一目标学习模块对应的表征向量抽取模块、所述每一目标学习模块对应的显著性确定模块和所述表征向量主干模块的可学习参数进行调节。
在一些实施例中,当确定到所述示例电源的电源甄别属性为预设工作指标属性时,所述依据所述电源甄别属性在所述第一目标学习模块和所述第二目标学习模块中确定选定目标学习模块,包括:
确定所述第一目标学习模块为选定目标学习模块;
所述将所述电源指标表征向量分别输入所述多目标学习算法中所述选定目标学习模块外的两个目标学习模块,依据所述选定目标学习模块外的两个目标学习模块的输出结果确定第二决策结果,包括:
将所述电源指标表征向量分别输入所述第二目标学习模块和所述第三目标学习模块中,获得所述第二目标学习模块执行得到的第一支持系数和所述第三目标学习模块执行得到的第二支持系数;
获取所述第一支持系数和所述第二支持系数的和值,获得第二决策结果;
当确定到所述示例电源的电源甄别属性为固定参考属性时,所述依据所述电源甄别属性在所述第一目标学习模块和所述第二目标学习模块中确定选定目标学习模块,包括:
确定所述第二目标学习模块为选定目标学习模块;
所述将所述电源指标表征向量分别输入所述多目标学习算法中所述选定目标学习模块外的两个目标学习模块,依据所述选定目标学习模块外的两个目标学习模块的输出结果确定第二决策结果,包括:
将所述电源指标表征向量分别输入所述第一目标学习模块和所述第三目标学习模块中,获得所述第一目标学习模块执行得到的第三支持系数和所述第三目标学习模块执行得到的第四支持系数;
获取所述第三支持系数和所述第四支持系数的差值,获得第二决策结果。
在一些实施例中,所述依据所述选定目标学习模块执行得到的第一决策结果与所述电源状态标记对所述选定目标学习模块的可学习参数进行调节,包括:
依据所述选定目标学习模块执行得到的第一决策结果与所述电源状态标记获取第一代价;
根据所述第一代价对所述选定目标学习模块的可学习参数进行调节;
所述依据所述第二决策结果与所述电源状态标记对所述选定目标学习模块外的两个目标学习模块的可学习参数进行调节,包括:
依据所述第二决策结果与所述电源状态标记获取第二代价;
根据所述第二代价对所述选定目标学习模块外的两个目标学习模块的可学习参数进行调节。
在一些实施例中,所述依据所述第二决策结果与所述电源状态标记对所述选定目标学习模块外的两个目标学习模块的可学习参数进行调节之后,所述方法还包括:
对所述多目标学习算法进行算法训练状态评估;
若评估所述多目标学习算法不符合预设的训练截止条件,则又一次调取电源监测数据模板,确定所述电源监测数据模板中示例电源的电源甄别属性,依据所述电源甄别属性在所述目标学习模块和所述第二目标学习模块中确定选定目标学习模块,将所述电源指标表征向量输入所述选定目标学习模块,依据所述选定目标学习模块执行得到的第一决策结果与所述电源状态标记对所述选定目标学习模块的可学习参数进行调节;
将所述电源指标表征向量分别输入所述多目标学习算法中,所述选定目标学习模块外的两个目标学习模块,依据所述选定目标学习模块外的两个目标学习模块的输出结果确定第二决策结果;
依据所述第二决策结果与所述电源状态标记对所述选定目标学习模块外的两个目标学习模块的可学习参数进行调节;
若评估所述多目标学习算法符合预设的训练截止条件,则训练截止,得到训练好的多目标学习算法;
所述获取待执行决策的目标电源的目标电源实时监测数据,结合所述训练好的多目标学习算法对所述目标电源实时监测数据进行预设工作指标响应决策,获得所述目标电源的预设工作指标响应,包括:
获取待执行决策的目标电源的目标电源实时监测数据;
将所述目标电源实时监测数据输入所述训练好的多目标学习算法中的第三目标学习模块,获得所述第三目标学习模块执行得到的决策增幅,依据所述决策增幅确定所述目标电源的预设工作指标响应。
第二方面,本公开提供一种检测系统,包括存储器和处理器,所述存储器存储有计算机程序,当所述处理器运行所述计算机程序时,实现如上所述的方法。
本公开的有益效果至少包括:
本公开实施例提供一种不间断电源的在线预警方法及检测系统,基于获取多目标学习算法的电源监测数据模板,其中,电源监测数据模板包括示例电源的电源指标表征向量和电源状态标记,多目标学习算法包括决策电源在预设工作指标下电源状态支持系数的第一目标学习模块、决策电源在无预设工作指标时电源状态支持系数的第二目标学习模块和决策预设工作指标造成电源状态支持系数增幅的第三目标学习模块。然后,确定示例电源的电源甄别属性,依据电源甄别属性在第一目标学习模块和第二目标学习模块中确定选定目标学习模块,示例电源甄别属性包括预设工作指标属性或固定参考属性,预设工作指标属性的电源为处于预设工作指标的电源。接着,将电源指标表征向量输入选定目标学习模块,依据选定目标学习模块执行得到的第一决策结果与电源状态标记对选定目标学习模块的可学习参数进行调节。以及,将电源指标表征向量分别输入选定目标学习模块外的两个目标学习模块,依据选定目标学习模块外的两个目标学习模块的输出结果确定第二决策结果,并依据第二决策结果与电源状态标记对选定目标学习模块外的两个目标学习模块的可学习参数进行调节,获得训练好的多目标学习算法。最后获取待执行决策的目标电源的目标电源实时监测数据,结合训练好的多目标学习算法对目标电源实时监测数据进行预设工作指标响应决策,获得目标电源的预设工作指标响应。这样一来,基于生成同时决策电源在预设工作指标下电源状态支持系数、在无预设工作指标时电源状态支持系数以及预设工作指标造成电源状态支持系数增幅的多目标学习算法,以及基于预设工作指标属性的电源监测数据模板和固定参考属性的电源监测数据模板进行对照策略训练方法。从而,经算法决策电源的预设工作指标响应,不同于分别训练决策预设工作指标下电源状态支持系数和决策非预设工作指标下电源状态支持系数的两个相异的算法,再基于两个相异的算法的决策结果确定得到电源的预设工作指标响应,本公开可防止多个算法进行组合决策造成的准确性低的问题。基于本公开提供的不间断电源的在线预警方法训练获得的多目标学习算法对目标电源进行预设工作指标响应决策,可增加决策得到的预设工作指标响应的准确度,便于准确进行预警。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开的技术方案。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1为本公开实施例提供的一种不间断电源的在线预警方法的实现流程示意图。
图2为本公开实施例提供的一种检测装置的组成结构示意图。
图3为本公开实施例提供的一种检测系统的硬件实体示意图。
实施方式
为了使本公开的目的、技术方案和优点更加清楚,下面结合附图和实施例对本公开的技术方案进一步详细阐述,所描述的实施例不应视为对本公开的限制,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它实施例,都属于本公开保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本公开实施例能够以除了在这里图示或描述的以外的顺序实施。除非另有定义,本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开的目的,不是旨在限制本公开。
本公开实施例提供一种不间断电源的在线预警方法,该方法可以由检测系统的处理器执行。其中,检测系统可以指的是服务器、笔记本电脑、平板电脑、台式计算机、智能电视、移动设备(例如移动电话、便携式视频播放器、个人数字助理、专用消息设备、便携式游戏设备)等具备数据处理能力的设备。
图1为本公开实施例提供的一种不间断电源的在线预警方法的实现流程示意图,如图1所示,该方法包括如下操作101至操作106:
操作S101,获取多目标学习算法的电源监测数据模板。
在本公开中,为改善因采用多算法进行电源的预设工作指标响应决策时,算法的误差堆积造成决策获得的预设工作指标响应准确性低的问题,本公开提供了不间断电源的在线预警方法。在具体操作中,本公开实施例配置包含三个目标学习模块的多目标学习(Multi-Objective Learning)算法,包括第一目标学习模块、第二目标学习模块和第三目标学习模块,各个目标学习模块可以为不同的神经网络。其中,第一目标学习模块用于决策电源在预设工作指标下电源状态支持系数(即支持电源状态为对应分类的可能性系数,可以采用概率、置信度等方式进行表示),第二目标学习模块用于决策电源在无预设工作指标时电源状态支持系数,第三目标学习模块用于决策预设工作指标造成电源状态支持系数增幅(即从当前状态变化到预期状态的可能性差异)。三个目标学习模块的神经网络模型不做限定,例如任意深度学习模型,其中,第三目标学习模块为预设工作指标响应决策任务的核心模块,第一目标学习模块和第二目标学习模块为帮助第三目标学习模块进行训练的辅助模块。
本公开实施例中,被决策(也即被进行预警推测)的电源可以是任意场景下的不间断电源(UPS),例如服务器电源、基站电源,在处于预设工作指标下产生电源状态支持系数变化的电源,预设工作指标即电源所在的内部参数或者外部环境参数,具体可以是电源在接下来会进入的工作指标,内部参数比如是电源的负载、电荷水平、内阻、电压等参数,外部环境参数比如是外界温度、湿度、气压等参数,通过预测电源对预设工作指标的响应,可以帮助进行状态预警。电源状态支持系数为被决策电源发生运行状态变化的支持系数,例如从正常状态过渡到异常状态,异常状态的类型根据预设工作指标的内容进行决定,例如预设工作指标是关于负载指标的,则异常状态的类型可以是负载异常(如过载),预设工作指标是关于运行温度指标的,则异常状态的类型可能是电池故障或损坏。在实际应用时,可以根据实际分析需要,去设置预设工作指标的参数类型,以预期在不同的工作指标下电源的状态变化响应结果。电源状态支持系数增幅是对电源赋予预设工作指标造成电源的电源状态支持系数变化的结果,还可以称其为预设工作指标响应。例如,电源在当前运行指标下,其电源状态支持系数增幅是对电源赋予预设工作指标后,电源状态支持系数的变化。
作为具体示例,提供一种本公开中的多目标学习算法的算法架构Algo1,在算法架构Algo1中,多目标学习算法包括第一目标学习模块、第二目标学习模块和第三目标学习模块。其中,第一目标学习模块、第二目标学习模块和第三目标学习模块都可以为多层感知机,可以将输入的表征向量映射为输出表征向量。在对多目标学习算法进行训练时,第一目标学习模块、第二目标学习模块和第三目标学习模块均作为训练目标,在根据训练获得的多目标学习算法进行决策时,多目标学习算法的输入为待执行决策电源的电源指标表征向量,电源指标是电源的固有属性指标,例如包括电源容量、功率、充放电次数、内阻等基本属性,电源指标表征向量即对该电源基本属性进行特征表征的矢量,多目标学习算法的执行结果为第三目标学习模块执行得到的预设工作指标响应,也即电源对预设工作指标的响应结果。依据不同目标学习模块的设计功能,可以分别将第一目标学习模块称为介入模块、将第二目标学习模块称为参考模块、将第三目标学习模块称为响应模块。
可选地,由于多目标学习算法中的多个模块在进行数据处理时存在区别,且不同处理目标对输入的表征向量中的学习到电源信息的要求不同,若两个模块处理学习目标时相关度低,那么基于相同的电源指标表征向量进行决策,会造成多目标学习算法的准确度低,即一项任务性能的提升会损害其他一些任务的性能,造成不平衡。也就是多个目标学习模块共用底层表征向量,任务相关性低造成学习的表征向量无法最优匹配各目标学习模块,训练获得的目标学习模块的准确度低,这样一来,在本公开实施例中,在多目标学习算法中配置多个表征向量抽取模块,以尽量避免多目标学习算法中的不平衡现象。其中,表征向量抽取模块可以和多个目标学习模块彼此对应,即每个目标学习模块对应一个表征向量抽取模块,然后基于与目标学习模块对应的表征向量抽取模块抽取与目标学习模块对应的电源指标表征向量。
在另一具体示例中,本公开还提供一种多目标学习算法的算法架构Algo2,在算法架构Algo2中,还包括多个表征向量抽取模块,即第一表征向量抽取模块、第二表征向量抽取模块和第三表征向量抽取模块。其中,第一表征向量抽取模块用于在电源的电源实时监测数据中抽取第一电源指标表征向量,第一电源指标表征向量为第一目标学习模块的输入数据,第二表征向量抽取模块用于在电源的电源实时监测数据中抽取第二电源指标表征向量,第二电源指标表征向量为第二目标学习模块的输入数据,第三表征向量抽取模块用于在电源的电源实时监测数据中抽取第三电源指标表征向量,第三电源指标表征向量作为第三目标学习模块的输入数据。这样一来,为每个目标学习模块分别部署一个表征向量抽取模块以分别抽取电源实时监测数据的特征,获得与每个目标学习模块匹配的电源指标表征向量,以极大程度上缓解多目标学习算法中的不平衡现象,增加训练获得的多目标学习算法的准确度。与每一目标学习模块对应的表征向量抽取模块为专家系统神经网络,本公开实施例中的表征向量抽取模块可以包括一个或多个仿射层,针对每个表征向量抽取模块,可以设置多个彼此独立的仿射层,多个仿射层抽取电源实时监测数据的描述表征向量后,可以采用加权、均值计算等方式确定表征向量抽取模块执行得到的电源指标表征向量。这样一来,可以防止单一模块的训练误差造成抽取获得的电源指标表征向量的准确度低的问题,增加抽取获得的电源指标表征向量的准确度。
需要注意的是,对每一目标学习模块分别配置一个对应的表征向量抽取模块,虽然可防止不同学习目标的差异性造成的不平衡现象,然而,各个模块不能同时使用模块的底层参数。该情况下,训练算法的可学习参数基数会非常大,容易发生过拟合,同时算法的训练速度会因为过于庞大的参数而下降。进一步地,底层参数如果能同时使用,可以挖掘不同学习目标之间的内在关系,这样一来进行联合训练的过程能得到有效激励,进而增加训练获得的多目标学习算法的准确度。如此,本公开还提供一种可以同时使用底层参数,并可以避免多目标学习算法训练的过程中出现不平衡问题的多目标学习算法架构。具体示例中,本公开提供一种多目标学习算法的算法架构Algo3,在该算法架构Algo3中,还包括第一显著性确定模块,该显著性确定模块为对表征向量进行注意力聚焦,以确定具有显著特征的表征向量的注意力结构。在该架构中,本来单独为各目标学习模块进行电源指标表征向量抽取的第一表征向量抽取模块、第二表征向量抽取模块和第三表征向量抽取模块,可作为三个目标学习模块公用的底层表征向量抽取模块,三个表征向量模块也为仿射层,用于进行电源指标表征向量抽取。第一显著性确定模块为一个仿射层,被配置成学习电源实时监测数据和每个表征向量抽取模块抽取得到的临时表征向量(即处于中间态的表征向量)的影响系数(本质为一个权值),再基于获取的影响系数对不同的临时表征向量进行加权融合。
本公开还提供一种多目标学习算法的算法架构Algo4,在该算法架构Algo4中,包括与每一目标学习模块对应的显著性确定模块,即与第一目标学习模块对应的第二显著性确定模块、与第二目标学习模块对应的第三显著性确定模块,以及与第三目标学习模块对应的第四显著性确定模块。各个显著性确定模块与第一显著性确定模块的架构相同,都被配置成学习不同表征向量抽取模块抽取得到的临时表征向量的影响系数,再分别根据获取的不同影响系数对多个临时表征向量进行加权融合,获得与每一目标学习模块对应的融合表征向量。
其中,多目标学习算法可以拆解为学习分支和表征向量分支,学习分支包括多个目标学习模块,表征向量分支包括多个表征向量抽取模块和一个或多个显著性确定模块。对于以上提及的表征向量模块,多个表征向量抽取模块为全任务共享,无法挖掘各任务的内在联系,各表征向量抽取模块的互补能力弱,多个表征向量抽取模块执行得到的临时表征向量,只基于不同的影响系数进行融合,多目标训练的质量并不高。这样一来,本公开还提供了一种根据表征向量渐进分层抽取结构的表征向量模块,即本公开又提供一种算法架构Algo5,在该算法架构Algo5中,本公开实施例中提供的多目标学习算法的表征向量模块在具体实现时,多目标学习算法包括每一目标学习模块对应的表征向量抽取模块和一个表征向量主干模块,表征向量主干模块用于提供共享的表征向量。对于每一表征向量抽取模块和表征向量主干模块,均匹配一个显著性确定模块,譬如第一表征向量抽取模块匹配第五显著性确定模块、第二表征向量抽取模块匹配第六显著性确定模块、第三表征向量抽取模块匹配第七显著性确定模块和表征向量主干模块匹配第八显著性确定模块。以上各个模块组成表征向量抽取模块,在多目标学习算法中,表征向量抽取模块的数量为一个或多个。表征向量抽取模块为专家系统网络,如为门控网络,每个表征向量抽取模块可以包含一个或多个仿射层。多个表征向量抽取模块在抽取得到电源指标表征向量后,将抽取的电源指标表征向量输入对应的显著性确定模块和表征向量主干模块对应的显著性确定模块,表征向量主干模块抽取到电源指标表征向量后,将抽取得到的电源指标表征向量输入每一表征向量抽取模块对应的显著性确定模块和表征向量主干模块对应的显著性确定模块。每一表征向量抽取模块对应的显著性确定模块在对获取的表征向量进行显著性检测(即基于注意力机制的注意力处理)后,将结果输入下一表征向量抽取模块和显著性确定模块。层级抽取的方式让不同表征向量抽取模块进行互动,并对表征向量主干模块设置显著性确定模块,将表征向量主干模块获取的表征向量完成融合,可进一步增加抽取到的每一目标学习模块对应的电源指标表征向量,以再次提高多目标学习算法的准确度。
关于多目标学习算法,其训练的具体方式例如包括以下操作:获取多目标学习算法的电源监测数据模板,电源监测数据模板包括示例电源的电源指标表征向量和示例电源的电源状态标记(即标注电源实际运行状态的标记)。
本公开实施例中,提供两个类型的示例电源对应的电源监测数据模板,即示例电源包括两个电源甄别属性(电源甄别属性用于表示电源的类型)的示例电源,具体为预设工作指标属性和固定参考属性,预设工作指标属性的示例电源,即处于预设工作指标的电源,固定参考属性的示例电源即没有处于预设工作指标的电源。本公开实施例对于不同电源甄别属性的示例电源,基于不同的训练方法对多目标学习算法进行训练,示例电源的电源指标表征向量为对示例电源的电源实时监测数据进行表征向量抽取得到的电源指标表征向量。可选地,获取多目标学习算法的电源监测数据模板,包括:获取预设监测时段中的多个示例电源的电源运行监测数据集,电源运行监测数据集包括多个示例电源的电源实时监测数据和各个示例电源的电源状态标记;对各个示例电源的电源实时监测数据进行表征向量抽取,获得每一示例电源的电源指标表征向量。其中,电源运行监测数据集可以包括监测的电源的状态数据,如电压、电流、频率、温度等。
本公开实施例中,目标电源的状态受获取时刻不同,区别较大,则若获取的电源监测数据模板的获取时刻和当下时刻跨度较大,可能因误差造成训练获得的算法的准确度低。基于此,在获取对多目标学习算法进行训练的电源监测数据模板时,可以获取预设监测时段中的多个示例电源的电源运行监测数据集。其中,示例电源的电源运行监测数据集包括示例电源的电源实时监测数据和示例电源的电源状态标记。获得多个示例电源的电源运行监测数据集后,对电源运行监测数据集中的每个示例电源的电源实时监测数据进行表征向量抽取,获得每一电源的电源指标表征向量。
本公开实施例对示例电源分别进行预设工作指标干涉和不进行预设工作指标干涉,然后获取示例电源的电源运行监测数据集,生成对多目标学习算法进行训练的电源监测数据模板。控制电源监测数据模板的获取时刻,防止电源监测数据模板的获取时刻和当下时刻误差造成电源监测数据模板的模板质量差,造成训练获得的预设工作指标响应决策网咯的准确度低的问题。本公开实施例基于在电源运行监测数据集中生成电源监测数据模板的方法,增加了电源监测数据模板的质量,增加训练获得的预设工作指标响应决策算法的准确度。
操作S102,确定示例电源的电源甄别属性,依据电源甄别属性在第一目标学习模块和第二目标学习模块中确定选定目标学习模块。
获得电源监测数据模板后,基于电源监测数据模板来对操作S101中的任一多目标学习算法进行训练。由于电源监测数据模板中的示例电源可能为预设工作指标属性或固定参考属性,针对不同电源甄别属性的示例电源对应的电源监测数据模板,将基于不同的训练方式对多目标学习算法进行训练,在基于获得的电源监测数据模板对多目标学习算法进行训练前,先确定获得的电源监测数据模板中示例电源的电源甄别属性。在进行电源监测数据模板获取时,对电源监测数据模板中示例电源进行标记,例如标记一电源监测数据模板中示例电源为预设工作指标电源,或者标记一电源监测数据模板中示例电源为固定参考属性电源,再将标记信息存储于电源监测数据模板。这样一来,获得电源监测数据模板后,在电源监测数据模板中获取该标记,确定示例电源的电源甄别属性。
确定示例电源的电源甄别属性后,依据示例电源的电源甄别属性确定根据示例电源对应的电源监测数据模板,对多目标学习算法进行训练的方式。在具体操作中,本公开提供的不间断电源的在线预警方法对于预设工作指标属性的示例电源对应的电源监测数据模板和对于固定参考属性的示例电源对应的电源监测数据模板,都采用对照策略训练方法对多目标学习算法进行训练,对照策略训练方法包括第一训练和第二训练,第一训练是将示例电源的电源指标表征向量和分布表征向量信息输入选定目标学习模块进行训练,第二训练为将示例电源的电源指标表征向量和分布表征向量信息输入其他两个目标学习模块进行训练。针对不同分类的示例电源对应的电源监测数据模板,对照策略训练方法对应的目标学习模块不同。在确定示例电源的电源甄别属性后,依据示例电源的电源甄别属性在第一目标学习模块和第二目标学习模块中确定一选定目标学习模块,选定目标学习模块为和电源监测数据模板中示例电源的分类对应的目标学习模块。第一目标学习模块为介入模块,第二目标学习模块为参考模块,若示例电源的电源甄别属性为预设工作指标属性时,将第一目标学习模块确定为选定目标学习模块,若示例电源的电源甄别属性为固定参考属性时,将第二目标学习模块确定为选定目标学习模块。
操作S103,将电源指标表征向量输入选定目标学习模块,依据选定目标学习模块执行得到的第一决策结果与电源状态标记对选定目标学习模块的可学习参数进行调节。
确定电源监测数据模板对应的选定目标学习模块后,根据电源监测数据模板中的电源指标表征向量和电源状态标记对选定目标学习模块进行训练。在具体操作中,将电源指标表征向量输入选定目标学习模块中,获得选定目标学习模块执行得到的决策结果,作为第一决策结果,根据第一决策结果与电源状态标记对选定目标学习模块的可学习参数进行调节。在具体操作中,依据选定目标学习模块执行得到的第一决策结果与电源状态标记对选定目标学习模块的可学习参数进行调节,包括:依据选定目标学习模块执行得到的第一决策结果与电源状态标记获取第一代价;根据第一代价对选定目标学习模块的可学习参数进行调节。
本公开实施例中,在将电源指标表征向量输入到选定目标学习模块中,获得选定目标学习模块执行得到的第一决策结果后,依据第一决策结果与示例电源的电源状态标记之间的误差获取第一代价,获取第一代价采取的代价函数可以为信息增益代价函数。获得第一代价后,依据第一代价进行代价回传,调节选定目标学习模块的参数。
上面提到预设工作指标属性和固定参考属性两种属性,下面结合算法架构Algo1~算法架构Algo5和不同的属性对第一训练进行介绍。
一、若示例电源的电源甄别属性为预设工作指标属性
若确定到示例电源的电源甄别属性为预设工作指标属性,依据电源甄别属性在第一目标学习模块和第二目标学习模块中确定选定目标学习模块,包括:确定第一目标学习模块为选定目标学习模块,将电源指标表征向量输入选定目标学习模块,依据选定目标学习模块执行得到的第一决策结果与电源状态标记对选定目标学习模块的可学习参数进行调节,包括:将电源指标表征向量输入第一目标学习模块,依据第一目标学习模块执行得到的第一决策结果与电源状态标记对第一目标学习模块的可学习参数进行调节。
若多目标学习算法为算法架构Algo1,第一训练只用对第一目标学习模块的参数进行调节。可选地,多目标学习算法还包括与每一目标学习模块对应的表征向量抽取模块,对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源的电源指标表征向量,包括:根据每一目标学习模块对应的表征向量抽取模块对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源与每一目标学习模块对应的电源指标表征向量,将电源指标表征向量输入选定目标学习模块,包括:将示例电源与选定目标学习模块对应的电源指标表征向量输入选定目标学习模块。
也就是在本公开中,多目标学习算法的结构为算法架构Algo2,多目标学习算法包括与每一目标学习模块对应的表征向量抽取模块,表征向量抽取模块用于对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源与每一目标学习模块对应的电源指标表征向量。该算法结构能克服多目标学习算法不平衡问题,根据第一目标学习模块与电源状态标记获取第一代价后,根据第一代价对第一目标学习模块和第一表征向量抽取模块的参数进行调节。
可选地,多目标学习算法还包括与每一目标学习模块对应的显著性确定模块,根据每一目标学习模块对应的表征向量抽取模块对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源与每一目标学习模块对应的电源指标表征向量,包括:根据每一目标学习模块对应的表征向量抽取模块对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源与每一表征向量抽取模块对应的临时表征向量,根据每一显著性确定模块对电源实时监测数据和对应的临时表征向量进行显著性检测,获得示例电源与每一目标学习模块对应的电源指标表征向量。
也就是本公开中,多目标学习算法为算法架构Algo4,多目标学习算法还包括与每一目标学习模块对应的显著性确定模块,基于该结构抽取每一目标学习模块对应的电源指标表征向量,譬如基于三个表征向量抽取模块分别对示例电源的电源实时监测数据进行表征向量抽取,获得与每一表征向量抽取模块对应的临时表征向量,然后根据每一目标学习模块对应的显著性确定模块对多个临时表征向量进行显著性信息获取,获得每一目标学习模块对应的电源指标表征向量,电源指标表征向量都为根据多个显著性确定模块进行融合获得的表征向量,比如融合表征向量。算法架构Algo4中,根据第一目标学习模块与电源状态标记获取得到第一代价后,根据第一代价对第一目标学习模块、每一目标学习模块对应的表征向量抽取模块和各个目标学习模块对应的显著性确定模块的参数进行调节。
可选地,多目标学习算法还包括表征向量主干模块,根据每一目标学习模块对应的表征向量抽取模块对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源与每一表征向量抽取模块对应的临时表征向量,包括:根据每一目标学习模块对应的表征向量抽取模块和表征向量主干模块对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源与每一目标学习模块和表征向量主干模块对应的临时表征向量,根据每一显著性确定模块对电源实时监测数据和对应的临时表征向量进行显著性检测,获得示例电源与每一目标学习模块对应的电源指标表征向量,包括:根据每一显著性确定模块对电源实时监测数据、相应的临时表征向量和表征向量主干模块对应的临时表征向量进行显著性检测,获得示例电源与每一目标学习模块对应的电源指标表征向量。
也就是在本公开中,多目标学习算法为算法架构Algo5时,算法还包括表征向量主干模块,表征向量主干模块包括对应的显著性确定模块,根据算法架构Algo5对示例电源的电源实时监测数据进行表征向量抽取时,多个表征向量抽取模块与表征向量主干模块均对示例电源的电源实时监测数据进行表征向量抽取,获得各自对应的临时表征向量。每一表征向量抽取模块都将抽取获得的表征向量输入下一的表征向量抽取模块,表征向量主干模块将抽取的表征向量输入下一多个表征向量抽取模块和下一表征向量主干模块,然后根据每一显著性确定模块对电源实时监测数据和对应的临时表征向量进行显著性检测,获得示例电源与每一目标学习模块对应的电源指标表征向量。在算法架构Algo5中,根据第一目标学习模块与电源状态标记获取得到第一代价后,根据第一代价对第一目标学习模块、每一目标学习模块对应的表征向量抽取模块、表征向量主干模块和各个显著性确定模块的参数进行调节。
在以上训练中,都不对第二目标学习模块和第三目标学习模块的可学习参数进行调节。
二、若示例电源的电源甄别属性为固定参考属性
若确定到示例电源的电源甄别属性为固定参考属性,则依据电源甄别属性在第一目标学习模块和第二目标学习模块中确定选定目标学习模块,包括:确定第二目标学习模块为选定目标学习模块,将电源指标表征向量输入选定目标学习模块,依据选定目标学习模块执行得到的第一决策结果与电源状态标记对选定目标学习模块的可学习参数进行调节,包括:将电源指标表征向量输入第二目标学习模块,依据第二目标学习模块执行得到的第一决策结果与电源状态标记对第二目标学习模块的可学习参数进行调节。
若多目标学习算法的结构为算法架构Algo1,第一训练只对第二目标学习模块的参数进行调节。
若多目标学习算法的结构为算法架构Algo2,根据第二目标学习模块与电源状态标记获取得到第一代价后,根据第一代价对第二目标学习模块和第二表征向量抽取模块的参数进行调节。
若多目标学习算法的结构为算法架构Algo3,根据第二目标学习模块与电源状态标记获取得到第一代价后,根据第一代价对第二目标学习模块、每一目标学习模块对应的表征向量抽取模块和显著性确定模块的参数进行调节。
若多目标学习算法的结构为算法架构Algo4,根据第二目标学习模块与电源状态标记获取得到第一代价后,根据第一代价对第二目标学习模块、每一目标学习模块对应的表征向量抽取模块和各个目标学习模块对应的显著性确定模块的参数进行调节。
若多目标学习算法的结构为算法架构Algo5,根据第二目标学习模块与电源状态标记获取得到第一代价后,根据第一代价同时对第二目标学习模块、每一目标学习模块对应的表征向量抽取模块、表征向量主干模块和各个显著性确定模块的参数进行调节。
以上训练过程都不对第一目标学习模块和第三目标学习模块的可学习参数进行调节。
操作S104,将电源指标表征向量分别输入选定目标学习模块外的两个目标学习模块,依据选定目标学习模块外的两个目标学习模块的输出结果确定第二决策结果。
除了根据电源监测数据模板对相应的目标学习模块进行第一训练,还可以根据电源监测数据模板对剩余两个目标学习模块进行第二训练。在具体操作中,将电源指标表征向量分别输入选定目标学习模块外的两个目标学习模块,依据选定目标学习模块外的两个目标学习模块的输出结果确定第二决策结果。其中,若多目标学习算法还包括与每一目标学习模块对应的表征向量抽取模块,则将电源指标表征向量分别输入多目标学习算法中选定目标学习模块外的两个目标学习模块,包括:将示例电源与选定目标学习模块外的两个目标学习模块对应的电源指标表征向量分别输入相应的目标学习模块。
也就是针对多目标学习算法的算法架构Algo2,不同目标学习模块对应的输入不同,在需要将电源指标表征向量输入选定目标学习模块外的两个目标学习模块前,先分别确认每一目标学习模块对应的表征向量抽取模块,再将对应的表征向量抽取模块抽取得到的电源指标表征向量输入选定目标学习模块外的两个目标学习模块,类似的,针对算法架构Algo3、算法架构Algo4和算法架构Algo5,将电源指标表征向量输入其他两个目标学习模块前,确定每一目标学习模块对应的输入特征,再基于匹配关系将对应的特征输入对应的目标学习模块。
本公开实施例还是以示例电源的电源甄别属性为预设工作指标属性和固定参考属性,分别进行描述。
一、若示例电源的电源甄别属性为预设工作指标属性
若确定到示例电源的电源甄别属性为预设工作指标属性,则将电源指标表征向量分别输入多目标学习算法中选定目标学习模块外的两个目标学习模块,依据选定目标学习模块外的两个目标学习模块的输出结果确定第二决策结果,包括:将电源指标表征向量分别输入第二目标学习模块和第三目标学习模块中,获得第二目标学习模块执行得到的第一支持系数和第三目标学习模块执行得到的第二支持系数,获取第一支持系数和第二支持系数的和值,获得第二决策结果。
若本公开中示例电源的电源甄别属性为预设工作指标属性,根据电源监测数据模板进行的第二训练即对第一目标学习模块外的两个目标学习模块进行训练,即对第二目标学习模块和第三目标学习模块进行训练。在具体操作中,将电源指标表征向量分别输入第二目标学习模块和第三目标学习模块中,获得第二目标学习模块执行得到的第一支持系数和第三目标学习模块执行得到的第二支持系数。由于第一目标学习模块决策的是电源在预设工作指标下的电源状态支持系数,第二目标学习模块决策的是电源在非预设工作指标下的电源状态支持系数,第三目标学习模块决策的是预设工作指标造成的电源状态支持系数增幅。则对于同一电源,基于第一目标学习模块决策得到的支持系数原则上是第二目标学习模块决策得到的支持系数与第三目标学习模块决策得到的支持系数的和值,则在获得第二目标学习模块执行得到的第一支持系数与第三目标学习模块执行得到的第二支持系数后,再获取第一支持系数和第二支持系数的和值,获得第二决策结果,然后根据第二决策结果进行第二目标学习模块和第三目标学习模块的训练。
二、若示例电源的电源甄别属性为固定参考属性
若确定示例电源的电源甄别属性为固定参考属性,则将电源指标表征向量分别输入多目标学习算法中选定目标学习模块外的两个目标学习模块,依据选定目标学习模块外的两个目标学习模块的输出结果确定第二决策结果,包括:将电源指标表征向量分别输入第一目标学习模块和第三目标学习模块中,获得第一目标学习模块执行得到的第三支持系数和第三目标学习模块执行得到的第四支持系数;获取第三支持系数和第四支持系数的差值值,获得第二决策结果。也就是说,若在本公开中,示例电源的电源甄别属性为固定参考属性,根据电源监测数据模板进行的第二训练就是对第二目标学习模块外的两个目标学习模块进行训练,即对第一目标学习模块和第三目标学习模块进行训练。在具体操作中,将电源指标表征向量分别输入第一目标学习模块和第三目标学习模块中,获得第一目标学习模块执行得到的第三支持系数和第三目标学习模块执行得到的第四支持系数。由于对同一电源而言,基于第一目标学习模块决策得到的支持系数应当为第二目标学习模块决策得到的支持系数与第三目标学习模块决策得到的支持系数的和值,则获得第一目标学习模块执行得到的第三支持系数与第三目标学习模块执行得到的第四支持系数后,再获取第三支持系数和第四支持系数的差值值,获得第二决策结果。再根据第二决策结果进行第二目标学习模块和第三目标学习模块地训练。
操作S105,依据第二决策结果与电源状态标记对选定目标学习模块外的两个目标学习模块的可学习参数进行调节,获得训练好的多目标学习算法。
在获取得到第二决策结果后,根据第二决策结果与电源状态标记对选定目标学习模块外的两个模块的可学习参数进行调节,以获得训练好的多目标学习算法。基于训练好的多目标学习算法进行预设工作指标响应决策,能获得更准确的预设工作指标响应。依据第二决策结果与电源状态标记对选定目标学习模块外的两个目标学习模块的可学习参数进行调节,包括:依据第二决策结果与电源状态标记获取第二代价;根据第二代价对选定目标学习模块外的两个目标学习模块的可学习参数进行调节。
在获取得到第二决策结果后,再依据第二决策结果与电源状态标记获取第二代价,第二代价的获取过程和以上第一代价,采用一样的代价函数进行获取,获取第二代价后,依据第二代价进行代价回传,对选定目标学习模块外的两个目标学习模块的可学习参数进行调节。
接下来再介绍其他两个模块的参数调节,仍以示例电源的电源甄别属性为预设工作指标属性和固定参考属性为例。
一、若示例电源的电源甄别属性为预设工作指标属性
若确定示例电源的电源甄别属性为预设工作指标属性,获取得到第二代价后,根据第二代价对第二目标学习模块和第三目标学习模块的参数进行调节。
若多目标学习算法为算法架构Algo1,则对第二目标学习模块和第三目标学习模块的参数进行调节;若多目标学习算法为算法架构Algo2,除对第二目标学习模块和第三目标学习模块的参数进行调节,还对第二表征向量抽取模块和第三表征向量抽取模块的参数进行调节;若多目标学习算法为算法架构Algo3,对第二目标学习模块和第三目标学习模块的参数进行调节外,还对每一表征向量抽取模块和第一显著性确定模块的参数进行调节;若多目标学习算法为算法架构Algo4,对第二目标学习模块和第三目标学习模块的参数进行调节外,还对每一表征向量抽取模块和各个显著性确定模块的参数进行调节;若多目标学习算法为算法架构Algo5,对第二目标学习模块和第三目标学习模块的参数进行调节之外,还对每一表征向量抽取模块、表征向量主干模块和各个显著性确定模块的参数进行调节。
二、若示例电源的电源甄别属性为固定参考属性
若确定到示例电源的电源甄别属性为固定参考属性,则获取第二代价后,依据第二代价对第一目标学习模块和第三目标学习模块的可学习参数进行调节。
针对多目标学习算法的不同结构,优化的参数不同,本公开实施例中,每个电源监测数据模板都用以对多个目标学习模块进行训练,以提高电源监测数据模板的数据量,从而提高训练获得的目标学习模块的泛化能力。
可选地,依据第二决策结果与电源状态标记对选定目标学习模块外的两个目标学习模块的可学习参数进行调节之后,方法还包括:对多目标学习算法进行算法训练状态评估,若评估多目标学习算法不符合预设的训练截止条件(可以参考通用的训练截止条件,比如训练次数达到最大次数,代价小于预设代价等),则又一次调取电源监测数据模板,确定电源监测数据模板中示例电源的电源甄别属性,依据电源甄别属性在目标学习模块和第二目标学习模块中确定选定目标学习模块,将电源指标表征向量输入选定目标学习模块,依据选定目标学习模块执行得到的第一决策结果与电源状态标记对选定目标学习模块的可学习参数进行调节,将电源指标表征向量分别输入多目标学习算法中选定目标学习模块外的两个目标学习模块,依据选定目标学习模块外的两个目标学习模块的输出结果确定第二决策结果,依据第二决策结果与电源状态标记对选定目标学习模块外的两个目标学习模块的可学习参数进行调节;若评估多目标学习算法符合预设的训练截止条件,训练截止,得到训练好的多目标学习算法。
本公开操作S101~操作S105为对多目标学习算法进行训练的反复训练中的一次训练,根据获得的电源监测数据模板对多目标学习算法进行训练后,又一次调取一个电源监测数据模板对多目标学习算法进行一代训练,迭代之下直至多目标学习算法符合预设的训练截止条件。在具体操作中,可在又一次调取电源监测数据模板前,对多目标学习算法进行算法训练状态评估,判断多目标学习算法是否符合预设的训练截止条件,若确认多目标学习算法不符合预设的训练截止条件,则又一次获取电源监测数据模板,重复操作S101~操作S105的过程,若确认多目标学习算法符合预设的训练截止条件,训练截止过程,输出训练好的多目标学习算法。
操作S106,获取待执行决策的目标电源的目标电源实时监测数据,结合训练好的多目标学习算法对目标电源实时监测数据进行预设工作指标响应决策,获得目标电源的预设工作指标响应。
训练好多目标学习算法后,训练好的多目标学习算法可以是上述算法架构Algo1~算法架构Algo5中的任一架构的多目标学习算法,基于训练好的多目标学习算法进行预设工作指标响应决策。譬如,获取待执行预设工作指标响应决策的目标电源的目标电源实时监测数据(即如上所述监测的电源的运行数据,如电压、电流、频率、温度等数据),将目标电源实时监测数据输入训练好的预设工作指标响应决策算法,进行预设工作指标响应决策,获得目标电源的预设工作指标响应。
可选地,获取待执行决策的目标电源的目标电源实时监测数据,结合训练好的多目标学习算法对目标电源实时监测数据进行预设工作指标响应决策,获得目标电源的预设工作指标响应,包括:获取待执行决策的目标电源的目标电源实时监测数据,将目标电源实时监测数据输入训练好的多目标学习算法中的第三目标学习模块,获得第三目标学习模块执行得到的决策增幅,依据决策增幅确定目标电源的预设工作指标响应。
本公开中,算法训练方法训练获得的多目标学习算法可完成多个任务,可借助第一目标学习模块决策电源在预设工作指标下的电源状态支持系数、借助第二目标学习模块决策电源在非预设工作指标下的电源状态支持系数以及借助第三目标学习模块决策预设工作指标造成电源的电源状态支持系数增幅。本公开提供的算法训练方法训练获得的多目标学习算法用于对预设工作指标造成电源的预设工作指标响应进行决策。
训练获得多目标学习算法后,将多目标学习算法进行部署使用,在获取预设工作指标响应决策任务时,获取预设工作指标响应决策任务中的待执行决策的目标电源的目标电源实时监测数据。将获取到的目标电源实时监测数据输入多目标学习算法,获得多目标学习算法的多个目标学习模块执行得到的多个输出结果。在本公开中,针对预设工作指标响应决策任务,获取第三目标学习模块的输出结果就行了,从而获得目标电源的预设工作指标响应。
基于以上方法决策到目标电源的预设工作指标响应后,可以将目标电源的预设工作指标响应与设定的阈值进行比较,若目标电源的预设工作指标响应大于定的阈值,则电源将发生运行状态变化。基于上述方法,可准确决策目标电源的预设工作指标响应,以预测电源的运行状态,便于进行提前预警。
基于本公开提供的不间断电源的在线预警方法,通过获取多目标学习算法的电源监测数据模板,电源监测数据模板包括示例电源的电源指标表征向量以及电源状态标记,多目标学习算法包括决策电源在预设工作指标下电源状态支持系数的第一目标学习模块、决策电源在无预设工作指标时电源状态支持系数的第二目标学习模块和决策预设工作指标造成电源状态支持系数增幅的第三目标学习模块。确定示例电源的电源甄别属性,依据电源甄别属性在第一目标学习模块和第二目标学习模块中确定选定目标学习模块,示例电源甄别属性包括预设工作指标属性或固定参考属性,预设工作指标属性的电源为处于预设工作指标的电源。将电源指标表征向量输入选定目标学习模块,依据选定目标学习模块执行得到的第一决策结果与电源状态标记对选定目标学习模块的可学习参数进行调节。将电源指标表征向量分别输入选定目标学习模块外的两个目标学习模块,依据选定目标学习模块外的两个目标学习模块的输出结果确定第二决策结果;依据第二决策结果与电源状态标记对选定目标学习模块外的两个目标学习模块的可学习参数进行调节。则基于配置同时决策电源在预设工作指标下电源状态支持系数、在无预设工作指标时电源状态支持系数以及预设工作指标造成电源状态支持系数增幅的多目标学习算法,基于预设工作指标属性的电源监测数据模板和固定参考属性的电源监测数据模板进行对照策略训练方法。因此通过算法决策电源的预设工作指标响应,不同于分别训练决策预设工作指标下电源状态支持系数和决策非预设工作指标下电源状态支持系数的两个相异的算法,再基于两个相异的算法的决策结果确定得到电源的预设工作指标响应,可防止多个算法进行组合决策造成的准确性低的问题,则基于本公开提供的不间断电源的在线预警方法训练获得的多目标学习算法对目标电源进行预设工作指标响应决策,可增加决策得到的预设工作指标响应的准确度。
基于前述的实施例,本公开实施例提供一种检测装置,该装置所包括的各单元、以及各单元所包括的各模块,可以通过计算机设备中的处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(Central Processing Unit,CPU)、微处理器(Microprocessor Unit,MPU)、数字信号处理器(Digital SignalProcessor,DSP)或现场可编程门阵列(Field Programmable Gate Array,FPGA)等。
图2为本公开实施例提供的一种检测装置的组成结构示意图,如图2所示,检测装置200包括:
模板获取模块210,用于获取多目标学习算法的电源监测数据模板,所述电源监测数据模板包括示例电源的电源指标表征向量以及电源状态标记,所述多目标学习算法包括决策电源在预设工作指标下电源状态支持系数的第一目标学习模块、决策电源在无预设工作指标时电源状态支持系数的第二目标学习模块和决策预设工作指标造成电源状态支持系数增幅的第三目标学习模块;
模块确定模块220,用于确定所述示例电源的电源甄别属性,依据所述电源甄别属性在所述第一目标学习模块和所述第二目标学习模块中确定选定目标学习模块,所述示例电源甄别属性包括预设工作指标属性或固定参考属性,所述预设工作指标属性的电源为处于所述预设工作指标的电源;
参数调节模块230,用于将所述电源指标表征向量输入所述选定目标学习模块,依据所述选定目标学习模块执行得到的第一决策结果与所述电源状态标记对所述选定目标学习模块的可学习参数进行调节;
决策确定模块240,用于将所述电源指标表征向量分别输入所述选定目标学习模块外的两个目标学习模块,依据所述选定目标学习模块外的两个目标学习模块的输出结果确定第二决策结果;
算法训练模块250,用于依据所述第二决策结果与所述电源状态标记对所述选定目标学习模块外的两个目标学习模块的可学习参数进行调节,获得训练好的多目标学习算法;
响应确定模块260,用于获取待执行决策的目标电源的目标电源实时监测数据,结合所述训练好的多目标学习算法对所述目标电源实时监测数据进行预设工作指标响应决策,获得所述目标电源的预设工作指标响应。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上述方法实施例描述的方法,对于本公开装置实施例中未披露的技术细节,请参照本公开方法实施例的描述而理解。
需要说明的是,本公开实施例中,如果以软件功能模块的形式实现上述的不间断电源的在线预警方法,并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本公开各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本公开实施例不限制于任何特定的硬件、软件或固件,或者硬件、软件、固件三者之间的任意结合。
本公开实施例提供一种检测系统,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法中的部分或全部操作。
本公开实施例提供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方法中的部分或全部操作。所述计算机可读存储介质可以是瞬时性的,也可以是非瞬时性的。
本公开实施例提供一种计算机程序,包括计算机可读代码,在所述计算机可读代码在计算机设备中运行的情况下,所述计算机设备中的处理器执行用于实现上述方法中的部分或全部操作。
本公开实施例提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序被计算机读取并执行时,实现上述方法中的部分或全部操作。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一些实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
这里需要指出的是:上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考。以上设备、存储介质、计算机程序及计算机程序产品实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本公开设备、存储介质、计算机程序及计算机程序产品实施例中未披露的技术细节,请参照本公开方法实施例的描述而理解。
图3为本公开实施例提供的一种检测系统的硬件实体示意图,如图3所示,该检测系统1000的硬件实体包括:处理器1001和存储器1002,其中,存储器1002存储有可在处理器1001上运行的计算机程序,处理器1001执行程序时实现上述任一实施例的方法中的操作。
存储器1002存储有可在处理器上运行的计算机程序,存储器1002配置为存储由处理器1001可执行的指令和应用,还可以缓存待处理器1001以及检测系统1000中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机访问存储器(Random Access Memory,RAM)实现。
处理器1001执行程序时实现上述任一项的不间断电源的在线预警方法的操作。处理器1001通常控制检测系统1000的总体操作。
本公开实施例提供一种计算机存储介质,计算机存储介质存储有一个或者多个程序,该一个或者多个程序可被一个或者多个处理器执行,以实现如上任一实施例的不间断电源的在线预警方法的操作。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本公开存储介质和设备实施例中未披露的技术细节,请参照本公开方法实施例的描述而理解。上述处理器可以为目标用途集成电路(Application Specific Integrated Circuit,ASIC)、数字信号处理器(DigitalSignal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(Programmable Logic Device,PLD)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地,实现上述处理器功能的电子器件还可以为其它,本公开实施例不作具体限定。
上述计算机存储介质/存储器可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器;也可以是包括上述存储器之一或任意组合的各种终端,如移动电话、计算机、平板设备、个人数字助理等。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本公开的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本公开的各种实施例中,上述各操作/过程的序号的大小并不意味着执行顺序的先后,各操作/过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本公开所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本公开各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分操作可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的操作;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本公开上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本公开各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本公开的实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。
Claims (10)
1.一种不间断电源的在线预警方法,其特征在于,应用于检测系统,所述方法包括:
获取多目标学习算法的电源监测数据模板,所述电源监测数据模板包括示例电源的电源指标表征向量以及电源状态标记,所述多目标学习算法包括决策电源在预设工作指标下电源状态支持系数的第一目标学习模块、决策电源在无预设工作指标时电源状态支持系数的第二目标学习模块和决策预设工作指标造成电源状态支持系数增幅的第三目标学习模块;
确定所述示例电源的电源甄别属性,依据所述电源甄别属性在所述第一目标学习模块和所述第二目标学习模块中确定选定目标学习模块,所述示例电源甄别属性包括预设工作指标属性或固定参考属性,所述预设工作指标属性的电源为处于所述预设工作指标的电源;
将所述电源指标表征向量输入所述选定目标学习模块,依据所述选定目标学习模块执行得到的第一决策结果与所述电源状态标记对所述选定目标学习模块的可学习参数进行调节;
将所述电源指标表征向量分别输入所述选定目标学习模块外的两个目标学习模块,依据所述选定目标学习模块外的两个目标学习模块的输出结果确定第二决策结果;
依据所述第二决策结果与所述电源状态标记对所述选定目标学习模块外的两个目标学习模块的可学习参数进行调节,获得训练好的多目标学习算法;
获取待执行决策的目标电源的目标电源实时监测数据,结合所述训练好的多目标学习算法对所述目标电源实时监测数据进行预设工作指标响应决策,获得所述目标电源的预设工作指标响应。
2.根据权利要求1所述的方法,其特征在于,所述获取多目标学习算法的电源监测数据模板,包括:
获取预设监测时段中的多个示例电源的电源运行监测数据集,所述电源运行监测数据集包括多个示例电源的电源实时监测数据和各个示例电源的电源状态标记;
对各个示例电源的电源实时监测数据进行表征向量抽取,获得每一示例电源的电源指标表征向量。
3.根据权利要求2所述的方法,其特征在于,所述多目标学习算法还包括与每一目标学习模块对应的表征向量抽取模块,对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源的电源指标表征向量,包括:
根据每一目标学习模块对应的表征向量抽取模块对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源与每一目标学习模块对应的电源指标表征向量;
所述将所述电源指标表征向量输入所述选定目标学习模块,包括:
将所述示例电源与所述选定目标学习模块对应的电源指标表征向量输入所述选定目标学习模块;
所述将所述电源指标表征向量分别输入所述多目标学习算法中所述选定目标学习模块外的两个目标学习模块,包括:
将所述示例电源与所述选定目标学习模块外的两个目标学习模块对应的电源指标表征向量分别输入相应的目标学习模块。
4.根据权利要求3所述的方法,其特征在于,所述多目标学习算法还包括与每一目标学习模块对应的显著性确定模块,所述根据每一目标学习模块对应的表征向量抽取模块对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源与每一目标学习模块对应的电源指标表征向量,包括:
根据每一目标学习模块对应的表征向量抽取模块对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源与每一表征向量抽取模块对应的临时表征向量;
根据每一显著性确定模块对所述电源实时监测数据和对应的临时表征向量进行显著性检测,获得示例电源与每一目标学习模块对应的电源指标表征向量。
5.根据权利要求4所述的方法,其特征在于,所述多目标学习算法还包括表征向量主干模块,所述根据每一目标学习模块对应的表征向量抽取模块对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源与每一表征向量抽取模块对应的临时表征向量,包括:
根据每一目标学习模块对应的表征向量抽取模块和所述表征向量主干模块对示例电源的电源实时监测数据进行表征向量抽取,获得示例电源与每一目标学习模块和所述表征向量主干模块对应的临时表征向量;
所述根据每一显著性确定模块对所述电源实时监测数据和对应的临时表征向量进行显著性检测,获得示例电源与每一目标学习模块对应的电源指标表征向量,包括:
根据每一显著性确定模块对所述电源实时监测数据、相应的临时表征向量以及所述表征向量主干模块对应的临时表征向量进行显著性检测,获得示例电源与每一目标学习模块对应的电源指标表征向量。
6.根据权利要求5所述的方法,其特征在于,所述依据所述选定目标学习模块执行得到的第一决策结果与所述电源状态标记对所述选定目标学习模块的可学习参数进行调节,包括:
依据所述选定目标学习模块执行得到的第一决策结果与所述电源状态标记对所述选定目标学习模块、所述每一目标学习模块对应的表征向量抽取模块、所述每一目标学习模块对应的显著性确定模块和所述表征向量主干模块的可学习参数进行调节;
所述依据所述第二决策结果与所述电源状态标记对所述选定目标学习模块外的两个目标学习模块的可学习参数进行调节,包括:
依据所述第二决策结果与所述电源状态标记对所述选定目标学习模块外的两个目标学习模块、所述每一目标学习模块对应的表征向量抽取模块、所述每一目标学习模块对应的显著性确定模块和所述表征向量主干模块的可学习参数进行调节。
7.根据权利要求1~6任一项所述的方法,其特征在于,当确定到所述示例电源的电源甄别属性为预设工作指标属性时,所述依据所述电源甄别属性在所述第一目标学习模块和所述第二目标学习模块中确定选定目标学习模块,包括:
确定所述第一目标学习模块为选定目标学习模块;
所述将所述电源指标表征向量分别输入所述多目标学习算法中所述选定目标学习模块外的两个目标学习模块,依据所述选定目标学习模块外的两个目标学习模块的输出结果确定第二决策结果,包括:
将所述电源指标表征向量分别输入所述第二目标学习模块和所述第三目标学习模块中,获得所述第二目标学习模块执行得到的第一支持系数和所述第三目标学习模块执行得到的第二支持系数;
获取所述第一支持系数和所述第二支持系数的和值,获得第二决策结果;
当确定到所述示例电源的电源甄别属性为固定参考属性时,所述依据所述电源甄别属性在所述第一目标学习模块和所述第二目标学习模块中确定选定目标学习模块,包括:
确定所述第二目标学习模块为选定目标学习模块;
所述将所述电源指标表征向量分别输入所述多目标学习算法中所述选定目标学习模块外的两个目标学习模块,依据所述选定目标学习模块外的两个目标学习模块的输出结果确定第二决策结果,包括:
将所述电源指标表征向量分别输入所述第一目标学习模块和所述第三目标学习模块中,获得所述第一目标学习模块执行得到的第三支持系数和所述第三目标学习模块执行得到的第四支持系数;
获取所述第三支持系数和所述第四支持系数的差值,获得第二决策结果。
8.根据权利要求1所述的方法,其特征在于,所述依据所述选定目标学习模块执行得到的第一决策结果与所述电源状态标记对所述选定目标学习模块的可学习参数进行调节,包括:
依据所述选定目标学习模块执行得到的第一决策结果与所述电源状态标记获取第一代价;
根据所述第一代价对所述选定目标学习模块的可学习参数进行调节;
所述依据所述第二决策结果与所述电源状态标记对所述选定目标学习模块外的两个目标学习模块的可学习参数进行调节,包括:
依据所述第二决策结果与所述电源状态标记获取第二代价;
根据所述第二代价对所述选定目标学习模块外的两个目标学习模块的可学习参数进行调节。
9.根据权利要求1所述的方法,其特征在于,所述依据所述第二决策结果与所述电源状态标记对所述选定目标学习模块外的两个目标学习模块的可学习参数进行调节之后,所述方法还包括:
对所述多目标学习算法进行算法训练状态评估;
若评估所述多目标学习算法不符合预设的训练截止条件,则又一次调取电源监测数据模板,确定所述电源监测数据模板中示例电源的电源甄别属性,依据所述电源甄别属性在所述目标学习模块和所述第二目标学习模块中确定选定目标学习模块,将所述电源指标表征向量输入所述选定目标学习模块,依据所述选定目标学习模块执行得到的第一决策结果与所述电源状态标记对所述选定目标学习模块的可学习参数进行调节;
将所述电源指标表征向量分别输入所述多目标学习算法中,所述选定目标学习模块外的两个目标学习模块,依据所述选定目标学习模块外的两个目标学习模块的输出结果确定第二决策结果;
依据所述第二决策结果与所述电源状态标记对所述选定目标学习模块外的两个目标学习模块的可学习参数进行调节;
若评估所述多目标学习算法符合预设的训练截止条件,则训练截止,得到训练好的多目标学习算法;
所述获取待执行决策的目标电源的目标电源实时监测数据,结合所述训练好的多目标学习算法对所述目标电源实时监测数据进行预设工作指标响应决策,获得所述目标电源的预设工作指标响应,包括:
获取待执行决策的目标电源的目标电源实时监测数据;
将所述目标电源实时监测数据输入所述训练好的多目标学习算法中的第三目标学习模块,获得所述第三目标学习模块执行得到的决策增幅,依据所述决策增幅确定所述目标电源的预设工作指标响应。
10.一种检测系统,包括存储器和处理器,所述存储器存储有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权利要求1至9任一项所述方法中的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311636668.0A CN117332361B (zh) | 2023-12-01 | 2023-12-01 | 一种不间断电源的在线预警方法及检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311636668.0A CN117332361B (zh) | 2023-12-01 | 2023-12-01 | 一种不间断电源的在线预警方法及检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117332361A true CN117332361A (zh) | 2024-01-02 |
CN117332361B CN117332361B (zh) | 2024-03-01 |
Family
ID=89279742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311636668.0A Active CN117332361B (zh) | 2023-12-01 | 2023-12-01 | 一种不间断电源的在线预警方法及检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332361B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927606A (zh) * | 2019-11-05 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 电池状态监测方法、装置 |
CN112559279A (zh) * | 2020-11-10 | 2021-03-26 | 深圳前海有电物联科技有限公司 | 不间断电源系统故障预测方法、设备和计算机可读存储介质 |
CN115693916A (zh) * | 2022-09-07 | 2023-02-03 | 国网安徽省电力有限公司宿州供电公司 | 一种变电站直流电源智能在线监测方法及系统 |
CN115859058A (zh) * | 2023-02-27 | 2023-03-28 | 中南大学湘雅医院 | 一种基于宽度学习网络的ups故障预测方法和系统 |
CN116148679A (zh) * | 2023-04-19 | 2023-05-23 | 深圳市伟创源科技有限公司 | 一种电池健康状态的预测方法及相关装置 |
-
2023
- 2023-12-01 CN CN202311636668.0A patent/CN117332361B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927606A (zh) * | 2019-11-05 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 电池状态监测方法、装置 |
CN112559279A (zh) * | 2020-11-10 | 2021-03-26 | 深圳前海有电物联科技有限公司 | 不间断电源系统故障预测方法、设备和计算机可读存储介质 |
CN115693916A (zh) * | 2022-09-07 | 2023-02-03 | 国网安徽省电力有限公司宿州供电公司 | 一种变电站直流电源智能在线监测方法及系统 |
CN115859058A (zh) * | 2023-02-27 | 2023-03-28 | 中南大学湘雅医院 | 一种基于宽度学习网络的ups故障预测方法和系统 |
CN116148679A (zh) * | 2023-04-19 | 2023-05-23 | 深圳市伟创源科技有限公司 | 一种电池健康状态的预测方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117332361B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102574257B1 (ko) | Soh 추정 장치 및 방법과, soh 추정 모델 생성 장치 및 방법 | |
US10169683B2 (en) | Method and device for classifying an object of an image and corresponding computer program product and computer-readable medium | |
EP3905424B1 (en) | Data processing device, data processing method and computer program | |
EP3671441B1 (en) | Application management method and apparatus, storage medium, and electronic device | |
CN113554526A (zh) | 电力设备的故障预警方法、装置、存储介质及处理器 | |
CN116794510A (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
CN115035347A (zh) | 图片识别方法、装置及电子设备 | |
CN114581702A (zh) | 图像分类方法、装置、计算机设备及计算机可读存储介质 | |
CN117332361B (zh) | 一种不间断电源的在线预警方法及检测系统 | |
CN112417767A (zh) | 一种衰减趋势确定模型构建方法、衰减趋势确定方法 | |
Renold et al. | Comprehensive Review of Machine Learning, Deep Learning, and Digital Twin Data-Driven Approaches in Battery Health Prediction of Electric Vehicles | |
CN116609671A (zh) | 电池容量预测方法、装置、设备及存储介质 | |
CN116432009A (zh) | 一种退役动力电池梯次利用快速筛选方法、装置及设备 | |
CN111582502B (zh) | 一种样本迁移学习方法和装置 | |
CN114330090A (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
Zheng et al. | Research on Data-Driven-Based Remaining Useful Life of Lithium-ion Battery | |
CN117270476B (zh) | 基于智慧工厂的生产控制方法及系统 | |
CN116756548B (zh) | 应用于低压配电物联网的断路器管理方法及系统 | |
CN117148165B (zh) | 聚合物锂离子电池的测试分析方法及其系统 | |
CN117419427B (zh) | 一种基于智慧车间的恒温恒湿风柜控制方法及系统 | |
CN117579304A (zh) | 物联网卡风险识别方法、装置、设备及计算机存储介质 | |
Ni et al. | Hybrid Estimation of Residual Capacity for Retired LFP Batteries | |
Sui et al. | Early Prediction of Lithium-Ion Batteries Lifetime via Few-Shot Learning | |
CN116959054A (zh) | 一种图像识别方法和相关装置 | |
CN117216377A (zh) | 一种模型确定方法和相关装置 |
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 |