CN117411192A - 一种不间断电源并机系统的监控方法及系统 - Google Patents

一种不间断电源并机系统的监控方法及系统 Download PDF

Info

Publication number
CN117411192A
CN117411192A CN202311722687.5A CN202311722687A CN117411192A CN 117411192 A CN117411192 A CN 117411192A CN 202311722687 A CN202311722687 A CN 202311722687A CN 117411192 A CN117411192 A CN 117411192A
Authority
CN
China
Prior art keywords
data
monitoring
report
algorithm
technology
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
Application number
CN202311722687.5A
Other languages
English (en)
Other versions
CN117411192B (zh
Inventor
焦兴鹏
马宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongguan Huahao Technology Co ltd
Shenzhen Huahao Electromechanical Co ltd
Original Assignee
Dongguan Huahao Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dongguan Huahao Technology Co ltd filed Critical Dongguan Huahao Technology Co ltd
Priority to CN202311722687.5A priority Critical patent/CN117411192B/zh
Publication of CN117411192A publication Critical patent/CN117411192A/zh
Application granted granted Critical
Publication of CN117411192B publication Critical patent/CN117411192B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • 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
    • 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
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/006—Mixed reality
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • 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

Abstract

本发明涉及网络监控技术领域，具体为一种不间断电源并机系统的监控方法及系统，包括以下步骤：基于原始监控数据，采用数据清洗和预处理技术，包括噪声过滤和数据归一化，生成规范化监控数据。本发明中，应用数据清洗和预处理技术，如噪声过滤和数据归一化，提高监控数据准确性和可靠性，时间序列分析和性能监测算法增强了系统负载和电池状态监控，实现更详尽、准确的监控报告，决策树和自适应神经网络算法动态调整监控参数，提高系统管理的灵活性和效率，深度学习和卷积神经网络异常检测技术提高故障模式识别准确率，有效预警系统故障，边缘计算技术和动态负载分配算法优化负载分配，提高系统稳定性和效率。

Description

一种不间断电源并机系统的监控方法及系统
技术领域
本发明涉及网络监控技术领域，尤其涉及一种不间断电源并机系统的监控方法及系统。
背景技术
网络监控技术领域主要关注于通过电子网络对各种系统和设备进行实时监控、管理和控制。这项技术广泛应用于数据中心、工业控制系统、能源管理等多个方面。在不间断电源（UPS）并机系统中，网络监控技术尤为重要，因为涉及电力的连续供应和系统的稳定性。通过网络监控，可以实时收集和分析数据，监控系统性能，预测潜在问题，并及时进行调整和维护。这种技术通常包括数据采集、信号处理、故障检测和响应机制等关键环节，以确保整个电力系统的可靠和高效运行。
其中，不间断电源并机系统的监控方法是一种用于管理和控制多个UPS设备并联运行的技术。这种方法的目的是为了确保电力供应的连续性和可靠性，特别是在关键设施和重要业务场景中。并机运行的UPS系统能够提供更高的功率输出，同时也增加了系统的冗余性，确保在单个UPS设备故障时系统仍然能够正常运行。监控方法的主要目标是实时监测每台UPS的性能状态，包括负载、电池状态、运行效率等，以及确保所有UPS设备在并机状态下的协同工作。通过这种监控，及时发现并解决问题，减少故障停机时间，从而达到提高系统可靠性和运行效率的效果。
传统的不间断电源并机系统监控方法存在一些不足之处，在数据处理方面，传统方法往往缺乏高效的噪声过滤和数据标准化处理，导致监控数据存在误差，影响决策的准确性。缺乏深入的时间序列分析和性能监测，使得系统状态的监控不够全面，难以实时准确反映系统的实际运行状况。此外，传统方法在参数调整上多依赖于手动设置或固定算法，缺乏灵活性和自适应性，不利于应对复杂多变的运行环境。在故障检测方面，传统方法通常没有应用先进的深度学习技术，故障识别的准确性和及时性不足。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的一种不间断电源并机系统的监控方法及系统。
为了实现上述目的，本发明采用了如下技术方案：一种不间断电源并机系统的监控方法，包括以下步骤：
S1：基于原始监控数据，采用数据清洗和预处理技术，包括噪声过滤和数据归一化，生成规范化监控数据；
S2：基于所述规范化监控数据，采用时间序列分析和性能监测算法，进行系统负载和电池状态监控，生成实时性能监控报告；
S3：基于所述实时性能监控报告，应用决策树和自适应神经网络算法，动态调整监控参数，生成自适应监控参数设置；
S4：基于所述自适应监控参数设置，利用深度学习的异常检测技术，通过卷积神经网络识别故障模式，生成故障预警信号；
S5：基于所述故障预警信号，执行动态负载分配和冗余管理算法，自动优化负载分配，生成优化后的负载分配；
S6：基于所述优化后的负载分配，在边缘计算节点上运行深度神经网络模型，并处理数据，生成边缘处理监控数据；
S7：基于所述边缘处理监控数据，应用虚拟仿真技术和数字孪生模型，模拟故障场景，为操作人员提供培训，生成虚拟仿真培训单元；
所述实时性能监控报告包括系统负载水平、电池状态和温度指标，所述自适应监控参数设置包括调整后的监控频率、敏感度设置和警报阈值，所述故障预警信号包括识别的功率异常、温度波动和电池性能下降指标，所述优化后的负载分配包括重新分配的设备负载比例和更新的冗余配置，所述边缘处理监控数据包括加速处理的性能数据和边缘节点故障检测结果，所述虚拟仿真技术包括数字孪生模型和多场景故障模拟。
作为本发明的进一步方案，基于原始监控数据，采用数据清洗和预处理技术，包括噪声过滤和数据归一化，生成规范化监控数据的步骤具体为：
S101：基于原始监控数据，采用噪声识别算法进行噪声过滤，并进行数据筛选，生成去噪后的数据；
S102：基于所述去噪后的数据，采用异常值处理方法进行异常检测和处理，并整理数据，生成异常处理后的数据；
S103：基于所述异常处理后的数据，应用数据归一化技术进行归一化处理，并进行数据标准化，生成归一化处理后的数据；
S104：基于所述归一化处理后的数据，执行数据整合和格式化，确保数据的一致性和便于分析，生成规范化监控数据；
所述噪声识别算法包括小波变换和频谱分析，所述异常值处理方法包括箱线图和标准差法，所述数据归一化技术包括最小-最大规范化和Z分数规范化。
作为本发明的进一步方案，基于所述规范化监控数据，采用时间序列分析和性能监测算法，进行系统负载和电池状态监控，生成实时性能监控报告的步骤具体为：
S201：基于所述规范化监控数据，采用时间序列分析方法分析数据时间依赖性，生成时间序列分析结果；
S202：基于所述时间序列分析结果，应用负载预测技术进行系统负载预测，生成系统负载预测数据；
S203：基于所述系统负载预测数据，利用电池状态监测算法评估电池状态，生成电池状态监测数据；
S204：基于所述电池状态监测数据，整合时间序列分析结果、电池状态监测数据，制作实时性能监控报告；
所述时间序列分析方法包括自回归模型和移动平均模型，所述负载预测技术包括支持向量机和神经网络，所述电池状态监测算法包括卡尔曼滤波和循环伏安法。
作为本发明的进一步方案，基于所述实时性能监控报告，应用决策树和自适应神经网络算法，动态调整监控参数，生成自适应监控参数设置的步骤具体为：
S301：基于所述实时性能监控报告，采用信息增益决策树算法，识别关键性能指标，并生成关键性能指标清单；
S302：基于所述关键性能指标清单，应用梯度下降自适应神经网络算法，预测性能趋势，并生成预测性能趋势报告；
S303：基于所述预测性能趋势报告，运用粒子群优化算法，确定最优监控参数配置，并生成最优监控参数配置方案；
S304：基于所述最优监控参数配置方案，调整监控系统参数，实现动态监控，并生成自适应监控参数设置；
所述信息增益决策树算法包括分类回归树、ID3算法和C4.5算法，所述梯度下降自适应神经网络算法包括多层感知器、反向传播网络和自适应学习率网络，所述粒子群优化算法包括基本粒子群优化、局部最优PSO和全局最优PSO。
作为本发明的进一步方案，基于所述自适应监控参数设置，利用深度学习的异常检测技术，通过卷积神经网络识别故障模式，生成故障预警信号的步骤具体为：
S401：基于所述自适应监控参数设置，运用自编码器异常检测技术，分析监控数据，并生成异常检测分析报告；
S402：基于所述异常检测分析报告，应用特征提取卷积神经网络识别故障模式，并生成故障模式识别报告；
S403：基于所述故障模式识别报告，进行关联规则挖掘，验证故障模式，并生成故障模式验证报告；
S404：基于所述故障模式验证报告，采用逻辑规则引擎，生成预警信号，并生成故障预警信号；
所述自编码器异常检测技术包括稀疏自编码器、去噪自编码器和变分自编码器，所述特征提取卷积神经网络包括LeNet、AlexNet和VGG网络，所述关联规则挖掘包括Apriori算法、FP-growth算法和Eclat算法，所述逻辑规则引擎包括推理引擎、模式匹配算法和决策表。
作为本发明的进一步方案，基于所述故障预警信号，执行动态负载分配和冗余管理算法，自动优化负载分配，生成优化后的负载分配的步骤具体为：
S501：基于所述故障预警信号，采用循环负载平衡算法，分析系统负载，生成初步负载分配方案；
S502：基于所述初步负载分配方案，应用资源冗余管理策略，生成冗余优化报告；
S503：基于所述冗余优化报告，运用动态资源调度技术，调整资源分配比例，生成动态资源调配方案；
S504：基于所述动态资源调配方案，进行负载平衡，生成优化后的负载分配；
所述循环负载平衡算法包括轮询调度和加权轮询调度，所述资源冗余管理策略包括主备份冗余和多副本冗余，所述动态资源调度技术包括虚拟机迁移和容器调度。
作为本发明的进一步方案，基于所述优化后的负载分配，在边缘计算节点上运行深度神经网络模型，并处理数据，生成边缘处理监控数据的步骤具体为：
S601：基于所述优化后的负载分配，执行边缘计算节点准备流程，生成边缘节点准备报告；
S602：基于所述边缘节点准备报告，部署深度卷积神经网络模型，进行数据处理，生成模型部署和初步处理报告；
S603：基于所述模型部署和初步处理报告，执行深度数据分析，提取关键信息，生成深度分析报告；
S604：基于所述深度分析报告，进行数据优化处理，验证准确性和效率，生成边缘处理监控数据；
所述边缘计算节点准备流程包括资源分配和网络连接配置，所述深度卷积神经网络模型包括GoogLeNet、ResNet和DenseNet，所述深度数据分析包括特征工程和模型微调。
作为本发明的进一步方案，基于所述边缘处理监控数据，应用虚拟仿真技术和数字孪生模型，模拟故障场景，为操作人员提供培训，生成虚拟仿真培训单元的步骤具体为：
S701：基于所述边缘处理监控数据，采用数据融合和标准化技术，进行数据整合和格式化，生成数据整合报告；
S702：基于所述数据整合报告，应用三维建模和场景重建技术，创建数字孪生模型，生成数字孪生模型报告；
S703：基于所述数字孪生模型报告，运用增强现实技术，构建虚拟仿真环境，生成虚拟仿真环境报告；
S704：基于所述虚拟仿真环境报告，设计交互式培训程序，结合AR技术和数字孪生模型，提供操作培训，生成虚拟仿真培训单元；
所述数据融合和标准化技术包括多源数据融合、数据清洗和标准化处理，所述三维建模和场景重建技术包括CAD建模、点云数据处理和场景重建算法，所述增强现实技术包括图像识别、三维重叠和交互式界面设计。
一种不间断电源并机系统的监控系统，所述不间断电源并机系统的监控系统用于执行上述不间断电源并机系统的监控方法，所述系统包括数据预处理模块、性能监控模块、参数调整模块、异常检测模块、负载管理模块、边缘计算与培训模块。
作为本发明的进一步方案，所述数据预处理模块基于原始监控数据，采用信号处理技术进行噪声过滤，再应用统计方法进行数据归一化，生成规范化监控数据；
所述性能监控模块基于规范化监控数据，采用自回归移动平均模型和机器学习预测技术，进行系统负载和电池状态监控，生成实时性能监控报告；
所述参数调整模块基于实时性能监控报告，应用决策树分析和神经网络预测模型，动态调整监控参数，建立自适应监控参数设置；
所述异常检测模块基于自适应监控参数设置，利用深度学习异常检测算法和卷积神经网络，识别故障模式，生成故障预警信号；
所述负载管理模块基于故障预警信号，采用动态负载平衡算法和资源配置策略，生成优化后的负载分配；
所述边缘计算与培训模块基于优化后的负载分配，在边缘计算节点上运行深度神经网络模型，并结合虚拟仿真技术和数字孪生模型，生成虚拟仿真培训单元。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，通过应用数据清洗和预处理技术，包括噪声过滤和数据归一化，能够有效提高监控数据的准确性和可靠性。利用时间序列分析和性能监测算法进行系统负载和电池状态监控，增强了对系统运行状态的实时监控能力，使得监控报告更为详尽、准确。通过决策树和自适应神经网络算法的应用，能够动态调整监控参数，从而对系统进行更为灵活和高效的管理。深度学习的异常检测技术和卷积神经网络的使用，极大提升了故障模式的识别准确率，从而有效预警系统故障。结合动态负载分配和冗余管理算法，以及边缘计算技术的应用，优化系统的负载分配，提高了整个系统的稳定性和效率。
附图说明
图1为本发明的工作流程示意图；
图2为本发明的S1细化流程图；
图3为本发明的S2细化流程图；
图4为本发明的S3细化流程图；
图5为本发明的S4细化流程图；
图6为本发明的S5细化流程图；
图7为本发明的S6细化流程图；
图8为本发明的S7细化流程图；
图9为本发明的系统流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一：请参阅图1，本发明提供一种技术方案：一种不间断电源并机系统的监控方法，包括以下步骤：
S1：基于原始监控数据，采用数据清洗和预处理技术，包括噪声过滤和数据归一化，生成规范化监控数据；
S2：基于规范化监控数据，采用时间序列分析和性能监测算法，进行系统负载和电池状态监控，生成实时性能监控报告；
S3：基于实时性能监控报告，应用决策树和自适应神经网络算法，动态调整监控参数，生成自适应监控参数设置；
S4：基于自适应监控参数设置，利用深度学习的异常检测技术，通过卷积神经网络识别故障模式，生成故障预警信号；
S5：基于故障预警信号，执行动态负载分配和冗余管理算法，自动优化负载分配，生成优化后的负载分配；
S6：基于优化后的负载分配，在边缘计算节点上运行深度神经网络模型，并处理数据，生成边缘处理监控数据；
S7：基于边缘处理监控数据，应用虚拟仿真技术和数字孪生模型，模拟故障场景，为操作人员提供培训，生成虚拟仿真培训单元；
实时性能监控报告包括系统负载水平、电池状态和温度指标，自适应监控参数设置包括调整后的监控频率、敏感度设置和警报阈值，故障预警信号包括识别的功率异常、温度波动和电池性能下降指标，优化后的负载分配包括重新分配的设备负载比例和更新的冗余配置，边缘处理监控数据包括加速处理的性能数据和边缘节点故障检测结果，虚拟仿真技术包括数字孪生模型和多场景故障模拟。
通过数据清洗和预处理，监控数据得以规范化，提高了数据准确性和可靠性。实时性能监控报告帮助及时发现问题，增强系统稳定性。自适应监控参数设置和深度学习异常检测提高了系统管理效率和故障预警准确性。优化的负载分配和边缘处理提高了系统性能和稳定性。虚拟仿真技术提供操作人员培训和多场景故障模拟，提升了应对故障的能力。
请参阅图2，基于原始监控数据，采用数据清洗和预处理技术，包括噪声过滤和数据归一化，生成规范化监控数据的步骤具体为：
S101：基于原始监控数据，采用噪声识别算法进行噪声过滤，并进行数据筛选，生成去噪后的数据；
S102：基于去噪后的数据，采用异常值处理方法进行异常检测和处理，并整理数据，生成异常处理后的数据；
S103：基于异常处理后的数据，应用数据归一化技术进行归一化处理，并进行数据标准化，生成归一化处理后的数据；
S104：基于归一化处理后的数据，执行数据整合和格式化，确保数据的一致性和便于分析，生成规范化监控数据；
噪声识别算法包括小波变换和频谱分析，异常值处理方法包括箱线图和标准差法，数据归一化技术包括最小-最大规范化和Z分数规范化。
S101中，采用噪声识别算法，例如小波变换和频谱分析，识别原始监控数据中的噪声和异常值。噪声被过滤，同时进行数据筛选，将无效或冗余数据剔除。这一过程可确保清洁的、可信的数据集。
S102中，使用异常值处理方法，如箱线图和标准差法，对去噪数据进行异常检测。异常值被标识并处理，可以采取不同的方法，如替换为合适的估算值或将其删除。这有助于确保数据集中不会受到异常值的影响，提高数据质量。
S103中，采用数据归一化技术，例如最小-最大规范化和Z分数规范化，将数据缩放到一致的范围内。这有助于消除不同特征之间的尺度差异，使数据更容易进行比较和分析。数据标准化确保了数据的均值为零，标准差为一。
S104中，执行数据整合和格式化，确保数据的一致性和便于分析。这包括合并多个数据源，统一时间戳格式，以及添加任何附加信息或元数据。生成的规范化监控数据准备好供后续的时间序列分析和性能监测算法使用。
请参阅图3，基于规范化监控数据，采用时间序列分析和性能监测算法，进行系统负载和电池状态监控，生成实时性能监控报告的步骤具体为：
S201：基于规范化监控数据，采用时间序列分析方法分析数据时间依赖性，生成时间序列分析结果；
S202：基于时间序列分析结果，应用负载预测技术进行系统负载预测，生成系统负载预测数据；
S203：基于系统负载预测数据，利用电池状态监测算法评估电池状态，生成电池状态监测数据；
S204：基于电池状态监测数据，整合时间序列分析结果、电池状态监测数据，制作实时性能监控报告；
时间序列分析方法包括自回归模型和移动平均模型，负载预测技术包括支持向量机和神经网络，电池状态监测算法包括卡尔曼滤波和循环伏安法。
S201中，采用时间序列分析方法，例如自回归模型和移动平均模型，对规范化监控数据进行分析，以识别数据中的时间依赖性和趋势。这帮助了解系统性能随时间的变化情况，生成时间序列分析结果。
S202中，基于时间序列分析的结果，应用负载预测技术，如支持向量机和神经网络，进行系统负载的预测。这一步骤生成系统负载预测数据，帮助了解系统负载的未来趋势和变化。
S203中，使用电池状态监测算法，如卡尔曼滤波和循环伏安法，对规范化监控数据中的电池状态进行评估。这包括电池的充电状态、容量和健康状况等信息。生成电池状态监测数据，用于了解电池的性能和状态。
S204中，将时间序列分析结果、系统负载预测数据和电池状态监测数据整合在一起，制作实时性能监控报告。这个报告包括系统负载水平、电池状态和其他相关性能指标，帮助操作人员实时了解系统的状态和性能。
请参阅图4，基于实时性能监控报告，应用决策树和自适应神经网络算法，动态调整监控参数，生成自适应监控参数设置的步骤具体为：
S301：基于实时性能监控报告，采用信息增益决策树算法，识别关键性能指标，并生成关键性能指标清单；
S302：基于关键性能指标清单，应用梯度下降自适应神经网络算法，预测性能趋势，并生成预测性能趋势报告；
S303：基于预测性能趋势报告，运用粒子群优化算法，确定最优监控参数配置，并生成最优监控参数配置方案；
S304：基于最优监控参数配置方案，调整监控系统参数，实现动态监控，并生成自适应监控参数设置；
信息增益决策树算法包括分类回归树、ID3算法和C4.5算法，梯度下降自适应神经网络算法包括多层感知器、反向传播网络和自适应学习率网络，粒子群优化算法包括基本粒子群优化、局部最优PSO和全局最优PSO。
S301中，使用信息增益决策树算法，如分类回归树、ID3算法或C4.5算法，基于实时性能监控报告，识别关键性能指标。这些指标包括系统负载、电池状态、温度等关键信息，生成关键性能指标清单。
S302中，基于关键性能指标清单，应用梯度下降自适应神经网络算法，如多层感知器、反向传播网络或自适应学习率网络，预测性能的趋势。这一步骤生成预测性能趋势报告，有助于了解性能如何随时间变化。
S303中，利用粒子群优化算法，如基本粒子群优化、局部最优PSO或全局最优PSO，根据预测性能趋势报告，确定最优的监控参数配置。这包括监控频率、敏感度设置和警报阈值等参数的优化，以确保系统性能最佳。
S304中，根据最优监控参数配置方案，动态调整监控系统参数。这通过自动化程序来实现，确保监控系统根据实际性能趋势进行自适应监控。生成的自适应监控参数设置可应用于实时性能监控，以确保系统在不同情况下都能够有效地监控和响应。
请参阅图5，基于自适应监控参数设置，利用深度学习的异常检测技术，通过卷积神经网络识别故障模式，生成故障预警信号的步骤具体为：
S401：基于自适应监控参数设置，运用自编码器异常检测技术，分析监控数据，并生成异常检测分析报告；
S402：基于异常检测分析报告，应用特征提取卷积神经网络识别故障模式，并生成故障模式识别报告；
S403：基于故障模式识别报告，进行关联规则挖掘，验证故障模式，并生成故障模式验证报告；
S404：基于故障模式验证报告，采用逻辑规则引擎，生成预警信号，并生成故障预警信号；
自编码器异常检测技术包括稀疏自编码器、去噪自编码器和变分自编码器，特征提取卷积神经网络包括LeNet、AlexNet和VGG网络，关联规则挖掘包括Apriori算法、FP-growth算法和Eclat算法，逻辑规则引擎包括推理引擎、模式匹配算法和决策表。
S401中，自编码器异常检测
技术：自编码器（例如，稀疏自编码器、去噪自编码器）
步骤：
构建自编码器模型：使用自编码器学习正常数据的特征。
异常检测分析：利用自编码器重构误差识别异常数据。
代码示例（Python）：
from tensorflow.keras.layers import Input, Dense
from tensorflow.keras.models import Model
def build_autoencoder(input_dim):
input_layer = Input(shape=(input_dim,))
encoded = Dense(64, activation='relu')(input_layer)
decoded = Dense(input_dim, activation='sigmoid')(encoded)
autoencoder = Model(input_layer, decoded)
autoencoder.compile(optimizer='adam', loss='mean_squared_error')
return autoencoder
# 构建自编码器
autoencoder = build_autoencoder(input_dim)
autoencoder.fit(normal_data, normal_data, epochs=50, batch_size=256)
S402中，特征提取卷积神经网络
技术：特征提取卷积神经网络（例如，LeNet、AlexNet）
步骤：
构建卷积神经网络：使用卷积层提取监控数据中的特征。
故障模式识别：应用网络识别不同的故障模式。
代码示例：
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten
from tensorflow.keras.models import Sequential
# 构建卷积神经网络
cnn_model = Sequential([
Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
MaxPooling2D((2, 2)),
Flatten(),
Dense(64, activation='relu'),
Dense(num_classes, activation='softmax')
])
cnn_model.compile(optimizer='adam', loss='categorical_crossentropy',metrics=['accuracy'])
S403中，关联规则挖掘
技术：关联规则挖掘算法（例如，Apriori算法）
步骤：
应用关联规则挖掘算法：从故障模式识别报告中挖掘关联规则。
生成故障模式验证报告：根据挖掘出的规则验证故障模式。
代码示例：
from mlxtend.frequent_patterns import apriori, association_rules
# 假设fault_data为故障数据
frequent_itemsets = apriori(fault_data, min_support=0.5, use_colnames=True)
rules = association_rules(frequent_itemsets, metric="confidence",min_threshold=0.7)
S404中，逻辑规则引擎生成预警信号
技术：逻辑规则引擎
步骤：
构建逻辑规则引擎：使用推理引擎和模式匹配算法。
生成故障预警信号：基于故障模式验证报告生成预警信号。
代码示例：
def generate_warning_signal(rules, fault_mode_report):
for rule in rules:
if pattern_match(rule, fault_mode_report):
return "Warning Signal"
return "No Warning"
# 应用逻辑规则引擎
warning_signal = generate_warning_signal(rules, fault_mode_report)
请参阅图6，基于故障预警信号，执行动态负载分配和冗余管理算法，自动优化负载分配，生成优化后的负载分配的步骤具体为：
S501：基于故障预警信号，采用循环负载平衡算法，分析系统负载，生成初步负载分配方案；
S502：基于初步负载分配方案，应用资源冗余管理策略，生成冗余优化报告；
S503：基于冗余优化报告，运用动态资源调度技术，调整资源分配比例，生成动态资源调配方案；
S504：基于动态资源调配方案，进行负载平衡，生成优化后的负载分配；
循环负载平衡算法包括轮询调度和加权轮询调度，资源冗余管理策略包括主备份冗余和多副本冗余，动态资源调度技术包括虚拟机迁移和容器调度。
S501中，基于故障预警信号，采用循环负载平衡算法，如轮询调度或加权轮询调度，分析系统中各个资源的负载情况。这一步骤生成初步的负载分配方案，以确保资源平衡。
S502中，基于初步负载分配方案，应用资源冗余管理策略，如主备份冗余或多副本冗余，生成冗余优化报告。这个报告有助于确定哪些资源可以进行冗余管理以提高系统的可用性和容错性。
S503中，运用动态资源调度技术，例如虚拟机迁移或容器调度，根据冗余优化报告中的建议，调整资源的分配比例。这有助于确保资源在需要时能够快速重新分配，以应对故障情况。
S504中，基于动态资源调配方案，进行负载平衡操作，确保系统的资源分配在优化后仍然平衡。这一步骤生成优化后的负载分配，使系统能够更好地应对故障情况，并在负载均衡方面达到最佳性能。
请参阅图7，基于优化后的负载分配，在边缘计算节点上运行深度神经网络模型，并处理数据，生成边缘处理监控数据的步骤具体为：
S601：基于优化后的负载分配，执行边缘计算节点准备流程，生成边缘节点准备报告；
S602：基于边缘节点准备报告，部署深度卷积神经网络模型，进行数据处理，生成模型部署和初步处理报告；
S603：基于模型部署和初步处理报告，执行深度数据分析，提取关键信息，生成深度分析报告；
S604：基于深度分析报告，进行数据优化处理，验证准确性和效率，生成边缘处理监控数据；
边缘计算节点准备流程包括资源分配和网络连接配置，深度卷积神经网络模型包括GoogLeNet、ResNet和DenseNet，深度数据分析包括特征工程和模型微调。
S601中，基于优化后的负载分配，执行边缘计算节点的准备流程，包括资源分配和网络连接配置。这一步骤生成边缘节点准备报告，确保边缘计算节点已准备好运行深度神经网络模型。
S602中，基于边缘节点准备报告，部署深度卷积神经网络模型，可以选择模型如GoogLeNet、ResNet或DenseNet等，然后进行数据处理。数据处理包括输入数据的预处理和模型的推断，生成模型部署和初步处理报告。
S603中，基于模型部署和初步处理报告，进行深度数据分析。这包括特征工程和模型微调，以提取关键信息并进一步优化数据。生成深度分析报告，其中包含数据分析的结果和进一步的处理步骤。
S604中，基于深度分析报告，进行数据优化处理，验证数据的准确性和处理效率。最终生成边缘处理监控数据，这些数据包括从深度神经网络模型中提取的有关性能、故障或其他关键信息。
请参阅图8，基于边缘处理监控数据，应用虚拟仿真技术和数字孪生模型，模拟故障场景，为操作人员提供培训，生成虚拟仿真培训单元的步骤具体为：
S701：基于边缘处理监控数据，采用数据融合和标准化技术，进行数据整合和格式化，生成数据整合报告；
S702：基于数据整合报告，应用三维建模和场景重建技术，创建数字孪生模型，生成数字孪生模型报告；
S703：基于数字孪生模型报告，运用增强现实技术，构建虚拟仿真环境，生成虚拟仿真环境报告；
S704：基于虚拟仿真环境报告，设计交互式培训程序，结合AR技术和数字孪生模型，提供操作培训，生成虚拟仿真培训单元；
数据融合和标准化技术包括多源数据融合、数据清洗和标准化处理，三维建模和场景重建技术包括CAD建模、点云数据处理和场景重建算法，增强现实技术包括图像识别、三维重叠和交互式界面设计。
S701中，基于边缘处理监控数据，采用数据融合和标准化技术，包括多源数据融合、数据清洗和标准化处理，进行数据整合和格式化。这一步骤生成数据整合报告，确保数据准备好用于后续的虚拟仿真环境。
S702中，基于数据整合报告，应用三维建模和场景重建技术，如CAD建模、点云数据处理和场景重建算法，创建数字孪生模型。这个数字孪生模型反映了真实系统的物理特性和行为，生成数字孪生模型报告。
S703中，基于数字孪生模型报告，运用增强现实技术，构建虚拟仿真环境。这包括图像识别、三维重叠和交互式界面设计等技术，以创建一个能够模拟真实情景的虚拟环境。生成虚拟仿真环境报告。
S704中，基于虚拟仿真环境报告，设计交互式培训程序。利用AR技术和数字孪生模型，提供操作培训，使操作人员能够在虚拟环境中模拟和应对故障场景。生成虚拟仿真培训单元，其中包括培训课程和练习。
请参阅图9，一种不间断电源并机系统的监控系统，不间断电源并机系统的监控系统用于执行上述不间断电源并机系统的监控方法，系统包括数据预处理模块、性能监控模块、参数调整模块、异常检测模块、负载管理模块、边缘计算与培训模块。
数据预处理模块基于原始监控数据，采用信号处理技术进行噪声过滤，再应用统计方法进行数据归一化，生成规范化监控数据；
性能监控模块基于规范化监控数据，采用自回归移动平均模型和机器学习预测技术，进行系统负载和电池状态监控，生成实时性能监控报告；
参数调整模块基于实时性能监控报告，应用决策树分析和神经网络预测模型，动态调整监控参数，建立自适应监控参数设置；
异常检测模块基于自适应监控参数设置，利用深度学习异常检测算法和卷积神经网络，识别故障模式，生成故障预警信号；
负载管理模块基于故障预警信号，采用动态负载平衡算法和资源配置策略，生成优化后的负载分配；
边缘计算与培训模块基于优化后的负载分配，在边缘计算节点上运行深度神经网络模型，并结合虚拟仿真技术和数字孪生模型，生成虚拟仿真培训单元。
通过数据预处理，提高了监控数据的准确性和可信度。性能监控模块实现了实时监测，减少了系统故障的风险，提高了系统的稳定性。参数调整模块的自适应性增强了系统管理的效率和灵活性。异常检测模块提高了故障模式识别的准确性，及时发出故障预警信号。负载管理模块通过动态负载平衡和资源配置优化了系统性能。边缘计算与培训模块为操作人员提供了实用的培训环境，提高了其技能和应对能力。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (10)

1.一种不间断电源并机系统的监控方法，其特征在于，包括以下步骤：
基于原始监控数据，采用数据清洗和预处理技术，包括噪声过滤和数据归一化，生成规范化监控数据；
基于所述规范化监控数据，采用时间序列分析和性能监测算法，进行系统负载和电池状态监控，生成实时性能监控报告；
基于所述实时性能监控报告，应用决策树和自适应神经网络算法，动态调整监控参数，生成自适应监控参数设置；
基于所述自适应监控参数设置，利用深度学习的异常检测技术，通过卷积神经网络识别故障模式，生成故障预警信号；
基于所述故障预警信号，执行动态负载分配和冗余管理算法，自动优化负载分配，生成优化后的负载分配；
基于所述优化后的负载分配，在边缘计算节点上运行深度神经网络模型，并处理数据，生成边缘处理监控数据；
基于所述边缘处理监控数据，应用虚拟仿真技术和数字孪生模型，模拟故障场景，为操作人员提供培训，生成虚拟仿真培训单元；
所述实时性能监控报告包括系统负载水平、电池状态和温度指标，所述自适应监控参数设置包括调整后的监控频率、敏感度设置和警报阈值，所述故障预警信号包括识别的功率异常、温度波动和电池性能下降指标，所述优化后的负载分配包括重新分配的设备负载比例和更新的冗余配置，所述边缘处理监控数据包括加速处理的性能数据和边缘节点故障检测结果，所述虚拟仿真技术包括数字孪生模型和多场景故障模拟。
2.根据权利要求1所述的不间断电源并机系统的监控方法，其特征在于，基于原始监控数据，采用数据清洗和预处理技术，包括噪声过滤和数据归一化，生成规范化监控数据的步骤具体为：
基于原始监控数据，采用噪声识别算法进行噪声过滤，并进行数据筛选，生成去噪后的数据；
基于所述去噪后的数据，采用异常值处理方法进行异常检测和处理，并整理数据，生成异常处理后的数据；
基于所述异常处理后的数据，应用数据归一化技术进行归一化处理，并进行数据标准化，生成归一化处理后的数据；
基于所述归一化处理后的数据，执行数据整合和格式化，确保数据的一致性和便于分析，生成规范化监控数据；
所述噪声识别算法包括小波变换和频谱分析，所述异常值处理方法包括箱线图和标准差法，所述数据归一化技术包括最小-最大规范化和Z分数规范化。
3.根据权利要求1所述的不间断电源并机系统的监控方法，其特征在于，基于所述规范化监控数据，采用时间序列分析和性能监测算法，进行系统负载和电池状态监控，生成实时性能监控报告的步骤具体为：
基于所述规范化监控数据，采用时间序列分析方法分析数据时间依赖性，生成时间序列分析结果；
基于所述时间序列分析结果，应用负载预测技术进行系统负载预测，生成系统负载预测数据；
基于所述系统负载预测数据，利用电池状态监测算法评估电池状态，生成电池状态监测数据；
基于所述电池状态监测数据，整合时间序列分析结果、电池状态监测数据，制作实时性能监控报告；
所述时间序列分析方法包括自回归模型和移动平均模型，所述负载预测技术包括支持向量机和神经网络，所述电池状态监测算法包括卡尔曼滤波和循环伏安法。
4.根据权利要求1所述的不间断电源并机系统的监控方法，其特征在于，基于所述实时性能监控报告，应用决策树和自适应神经网络算法，动态调整监控参数，生成自适应监控参数设置的步骤具体为：
基于所述实时性能监控报告，采用信息增益决策树算法，识别关键性能指标，并生成关键性能指标清单；
基于所述关键性能指标清单，应用梯度下降自适应神经网络算法，预测性能趋势，并生成预测性能趋势报告；
基于所述预测性能趋势报告，运用粒子群优化算法，确定最优监控参数配置，并生成最优监控参数配置方案；
基于所述最优监控参数配置方案，调整监控系统参数，实现动态监控，并生成自适应监控参数设置；
所述信息增益决策树算法包括分类回归树、ID3算法和C4.5算法，所述梯度下降自适应神经网络算法包括多层感知器、反向传播网络和自适应学习率网络，所述粒子群优化算法包括基本粒子群优化、局部最优PSO和全局最优PSO。
5.根据权利要求1所述的不间断电源并机系统的监控方法，其特征在于，基于所述自适应监控参数设置，利用深度学习的异常检测技术，通过卷积神经网络识别故障模式，生成故障预警信号的步骤具体为：
基于所述自适应监控参数设置，运用自编码器异常检测技术，分析监控数据，并生成异常检测分析报告；
基于所述异常检测分析报告，应用特征提取卷积神经网络识别故障模式，并生成故障模式识别报告；
基于所述故障模式识别报告，进行关联规则挖掘，验证故障模式，并生成故障模式验证报告；
基于所述故障模式验证报告，采用逻辑规则引擎，生成预警信号，并生成故障预警信号；
所述自编码器异常检测技术包括稀疏自编码器、去噪自编码器和变分自编码器，所述特征提取卷积神经网络包括LeNet、AlexNet和VGG网络，所述关联规则挖掘包括Apriori算法、FP-growth算法和Eclat算法，所述逻辑规则引擎包括推理引擎、模式匹配算法和决策表。
6.根据权利要求1所述的不间断电源并机系统的监控方法，其特征在于，基于所述故障预警信号，执行动态负载分配和冗余管理算法，自动优化负载分配，生成优化后的负载分配的步骤具体为：
基于所述故障预警信号，采用循环负载平衡算法，分析系统负载，生成初步负载分配方案；
基于所述初步负载分配方案，应用资源冗余管理策略，生成冗余优化报告；
基于所述冗余优化报告，运用动态资源调度技术，调整资源分配比例，生成动态资源调配方案；
基于所述动态资源调配方案，进行负载平衡，生成优化后的负载分配；
所述循环负载平衡算法包括轮询调度和加权轮询调度，所述资源冗余管理策略包括主备份冗余和多副本冗余，所述动态资源调度技术包括虚拟机迁移和容器调度。
7.根据权利要求1所述的不间断电源并机系统的监控方法，其特征在于，基于所述优化后的负载分配，在边缘计算节点上运行深度神经网络模型，并处理数据，生成边缘处理监控数据的步骤具体为：
基于所述优化后的负载分配，执行边缘计算节点准备流程，生成边缘节点准备报告；
基于所述边缘节点准备报告，部署深度卷积神经网络模型，进行数据处理，生成模型部署和初步处理报告；
基于所述模型部署和初步处理报告，执行深度数据分析，提取关键信息，生成深度分析报告；
基于所述深度分析报告，进行数据优化处理，验证准确性和效率，生成边缘处理监控数据；
所述边缘计算节点准备流程包括资源分配和网络连接配置，所述深度卷积神经网络模型包括GoogLeNet、ResNet和DenseNet，所述深度数据分析包括特征工程和模型微调。
8.根据权利要求1所述的不间断电源并机系统的监控方法，其特征在于，基于所述边缘处理监控数据，应用虚拟仿真技术和数字孪生模型，模拟故障场景，为操作人员提供培训，生成虚拟仿真培训单元的步骤具体为：
基于所述边缘处理监控数据，采用数据融合和标准化技术，进行数据整合和格式化，生成数据整合报告；
基于所述数据整合报告，应用三维建模和场景重建技术，创建数字孪生模型，生成数字孪生模型报告；
基于所述数字孪生模型报告，运用增强现实技术，构建虚拟仿真环境，生成虚拟仿真环境报告；
基于所述虚拟仿真环境报告，设计交互式培训程序，结合AR技术和数字孪生模型，提供操作培训，生成虚拟仿真培训单元；
所述数据融合和标准化技术包括多源数据融合、数据清洗和标准化处理，所述三维建模和场景重建技术包括CAD建模、点云数据处理和场景重建算法，所述增强现实技术包括图像识别、三维重叠和交互式界面设计。
9.一种不间断电源并机系统的监控系统，其特征在于，根据权利要求1-8任一项所述的不间断电源并机系统的监控方法，所述系统包括数据预处理模块、性能监控模块、参数调整模块、异常检测模块、负载管理模块、边缘计算与培训模块。
10.根据权利要求9所述的不间断电源并机系统的监控系统，其特征在于，所述数据预处理模块基于原始监控数据，采用信号处理技术进行噪声过滤，再应用统计方法进行数据归一化，生成规范化监控数据；
所述性能监控模块基于规范化监控数据，采用自回归移动平均模型和机器学习预测技术，进行系统负载和电池状态监控，生成实时性能监控报告；
所述参数调整模块基于实时性能监控报告，应用决策树分析和神经网络预测模型，动态调整监控参数，建立自适应监控参数设置；
所述异常检测模块基于自适应监控参数设置，利用深度学习异常检测算法和卷积神经网络，识别故障模式，生成故障预警信号；
所述负载管理模块基于故障预警信号，采用动态负载平衡算法和资源配置策略，生成优化后的负载分配；
所述边缘计算与培训模块基于优化后的负载分配，在边缘计算节点上运行深度神经网络模型，并结合虚拟仿真技术和数字孪生模型，生成虚拟仿真培训单元。
CN202311722687.5A 2023-12-15 2023-12-15 一种不间断电源并机系统的监控方法及系统 Active CN117411192B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311722687.5A CN117411192B (zh) 2023-12-15 2023-12-15 一种不间断电源并机系统的监控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311722687.5A CN117411192B (zh) 2023-12-15 2023-12-15 一种不间断电源并机系统的监控方法及系统

Publications (2)

Publication Number Publication Date
CN117411192A true CN117411192A (zh) 2024-01-16
CN117411192B CN117411192B (zh) 2024-04-12

Family

ID=89496562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311722687.5A Active CN117411192B (zh) 2023-12-15 2023-12-15 一种不间断电源并机系统的监控方法及系统

Country Status (1)

Country Link
CN (1) CN117411192B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117674140A (zh) * 2024-01-31 2024-03-08 希格玛电气(珠海)有限公司 一种配电网测控系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008006116A2 (en) * 2006-07-07 2008-01-10 Edsa Micro Corporation Systems and methods for real-time dynamic simulation of uninterruptible power supply solutions and their control logic systems
US20190332073A1 (en) * 2006-02-14 2019-10-31 Power Analytics Corporation Real-time predictive systems for intelligent energy monitoring and management of electrical power networks
US20220329499A1 (en) * 2022-06-28 2022-10-13 Ned M. Smith Opportunistic placement of compute in an edge network
CN116455079A (zh) * 2023-05-04 2023-07-18 奥斯塔娜(常州)电子有限公司 基于大数据的用电信息一体化安全监管系统及方法
CN117010665A (zh) * 2023-09-13 2023-11-07 北京红山信息科技研究院有限公司 智慧运维idc机房管理系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190332073A1 (en) * 2006-02-14 2019-10-31 Power Analytics Corporation Real-time predictive systems for intelligent energy monitoring and management of electrical power networks
WO2008006116A2 (en) * 2006-07-07 2008-01-10 Edsa Micro Corporation Systems and methods for real-time dynamic simulation of uninterruptible power supply solutions and their control logic systems
US20220329499A1 (en) * 2022-06-28 2022-10-13 Ned M. Smith Opportunistic placement of compute in an edge network
CN116455079A (zh) * 2023-05-04 2023-07-18 奥斯塔娜(常州)电子有限公司 基于大数据的用电信息一体化安全监管系统及方法
CN117010665A (zh) * 2023-09-13 2023-11-07 北京红山信息科技研究院有限公司 智慧运维idc机房管理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴立金等: "基于深度学习的故障预测技术研究", 计算机测量与控制, no. 02, 25 February 2018 (2018-02-25), pages 18 - 21 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117674140A (zh) * 2024-01-31 2024-03-08 希格玛电气(珠海)有限公司 一种配电网测控系统及方法

Also Published As

Publication number Publication date
CN117411192B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
US10795753B2 (en) Log-based computer failure diagnosis
CN117411192B (zh) 一种不间断电源并机系统的监控方法及系统
Dangut et al. An integrated machine learning model for aircraft components rare failure prognostics with log-based dataset
CN110929918B (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
US20200160207A1 (en) Automated model update based on model deterioration
GhaffarianHoseini et al. ND BIM-integrated knowledge-based building management: Inspecting post-construction energy efficiency
CN112580678A (zh) 一种构造云化网络告警根因关系树模型方法和装置
RU2557771C1 (ru) Способ технического контроля и диагностирования бортовых систем беспилотного летательного аппарата с поддержкой принятия решений и комплекс контрольно-проверочной аппаратуры с интеллектуальной системой поддержки принятия решений для его осуществления
CN105046370A (zh) 四线一库备品备件库存量预测系统及其建立方法
CN115358155A (zh) 一种电力大数据异常预警方法、装置、设备及可读存储介质
CN117055502A (zh) 基于物联网和大数据分析的智能控制系统
CN115809596A (zh) 一种数字孪生故障诊断方法和装置
CN113448808B (zh) 一种批处理任务中单任务时间的预测方法、系统及存储介质
CN117114454B (zh) 一种基于Apriori算法的直流套管状态评估方法及系统
CN116914917A (zh) 一种基于大数据的配电柜运行状态监测管理系统
CN116070143A (zh) 一种基于人工智能的配电网多源异构数据融合方法及系统
Hou et al. A federated learning-based fault detection algorithm for power terminals
KR20200002433A (ko) 빅데이터 분석을 이용한 통계적 품질 관리 시스템
Jingyu et al. Statistical analysis of distribution network fault information based on multi-source heterogeneous data mining
CN113052296A (zh) 基于深度学习卷积神经网络技术的电网输电缺陷智能管理系统
Mohagheghi et al. Fuzzy cognitive maps for identifying fault activation patterns in automation systems
CN116957361B (zh) 一种基于虚实结合的船舶任务系统健康状态检测方法
RU2818858C1 (ru) Способ диагностирования комплекса бортового оборудования воздушных судов на основе машинного обучения без учителя с автоматическим определением параметров обучения моделей
Zhang et al. Research on transformer fault diagnosis method based on rough set optimization BP neural network
CN116362628B (zh) 电力系统运行状态分析评估方法和装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240205

Address after: 523429, Room 105, Unit 1, Building 1, No. 1 Headquarters Third Road, Songshan Lake Park, Dongguan City, Guangdong Province

Applicant after: Dongguan Huahao Technology Co.,Ltd.

Country or region after: China

Applicant after: SHENZHEN HUAHAO ELECTROMECHANICAL Co.,Ltd.

Address before: Room 105, Unit 1, Building 1, No. 1 Headquarters Third Road, Songshan Lake Park, Dongguan City, Guangdong Province, 523808

Applicant before: Dongguan Huahao Technology Co.,Ltd.

Country or region before: China

GR01 Patent grant
GR01 Patent grant