CN117557118A - 基于机器学习的ups系统供电拓扑图生成方法 - Google Patents
基于机器学习的ups系统供电拓扑图生成方法 Download PDFInfo
- Publication number
- CN117557118A CN117557118A CN202311503726.2A CN202311503726A CN117557118A CN 117557118 A CN117557118 A CN 117557118A CN 202311503726 A CN202311503726 A CN 202311503726A CN 117557118 A CN117557118 A CN 117557118A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- information
- ups system
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010801 machine learning Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000012795 verification Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 2
- 238000013528 artificial neural network Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Emergency Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
Abstract
本发明涉及基于机器学习的UPS系统供电拓扑图生成方法，具体涉及电力系统领域，通过传感器数据和信息数据之间关系，转换映射拓扑图数据，可以在模型生成的拓扑图中展示传感器数据和信息数据，从电力系统数据中学习模式和规律，并生成准确的供电拓扑图，大大提高了生成的效率和准确性，通过生成供电拓扑图，对UPS系统的可靠性进行全面分析，利用机器学习算法，可以识别电力系统中的关键节点，通过对实时数据进行监测和分析，可以快速准确地绘制供电拓扑图。
Description
技术领域
本发明涉及电力系统领域，更具体地说，本发明涉及基于机器学习的UPS系统供电拓扑图生成方法。
背景技术
随着机器学习的发展，基于机器学习的UPS系统供电拓扑图生成方法应运而生，在电力系统领域，UPS系统供电拓扑图的生成对于电力系统的可靠性和稳定性至关重要。
传统上，UPS系统的供电拓扑图是由人工绘制和维护，需要耗费大量的时间和人力，由于人为因素，绘制的拓扑图可能存在错误和遗漏，导致对UPS系统的理解和分析不准确。
基于机器学习的UPS系统供电拓扑图生成方法自动地识别和推断出供电拓扑图的结构和连接关系，从而减少了人工绘制和维护的工作量，节省了时间和人力成本，提高供电拓扑图的准确性和可靠性。
发明内容
本发明针对现有技术中存在的技术问题，提供基于机器学习的UPS系统供电拓扑图生成方法，通过多种数据集的映射拓扑图数据基于机器学习模型的迭代优化获取最为准确的供电拓扑图，以解决上述背景技术中提出的问题。
本发明解决上述技术问题的技术方案如下：基于机器学习的UPS系统供电拓扑图生成方法，包括以下步骤：
S101：安装UPS系统传感器设备构成传感器数据集，利用UPS系统监控设备收集信息数据集，并将两种数据集存储到临时数据中心；
S102：调用临时数据中心中传感器数据集以及信息数据集，利用最小-最大归一化缩小到指定范围，并通过皮尔逊相关系数计算特征与目标变量之间的统计相关性，根据传感器数据集和信息数据集的关系转换映射拓扑图数据；
S103：调用拓扑图数据利用图卷积神经网络建立机器学习模型，结合节点更新和信息传递输出最终拓扑图结果；
S104：根据当前参数和选择的样本计算损失函数对参数的梯度，并利用并行验证评估模型数据性能；
S105：使用训练好的模型对新的UPS系统数据进行拓扑图生成，并对生成的拓扑图进行验证，与实际的拓扑结构进行比较。
在一个优选地实施方式中，所述S101中，安装UPS系统传感器设备，包括温度传感器、电流传感器、电压传感器、电池传感器以及环境传感器，其中温度传感器用于监测UPS系统内部和周围环境的温度，电流传感器用于监测UPS系统输入和输出的电流，电压传感器用于监测UPS系统输入和输出的电压，电池传感器用于监测UPS系统电池的状态和剩余容量，环境传感器用于监测UPS系统周围环境的湿度、气压环境参数，将传感器设备收集数据存储到临时数据中心，通过相同时间戳将各个传感器设备收集数据相关联，用于构成传感器数据集；
进一步地，利用UPS系统监控设备收集UPS系统数量信息、UPS系统位置信息，包括UPS主机和分支回路的数量信息、每个UPS主机和分支回路所在位置信息、UPS系统连接设备数据信息以及UPS系统分支回路范围信息，利用数据表创建列记录监控设备收集的所有信息数据，并通过唯一标识符连接所有信息，用于构成信息数据集，将信息数据集存储到临时数据中心。
在一个优选地实施方式中，所述S102中，调用临时数据中心中传感器数据集以及信息数据集，利用临时数据中心的创建列检查数据中的错误值，其中对于传感器数据集，检查数据是否超出传感器测量的合理范围，对于信息数据集，检查数据是否存在错误以及不一致的信息，并准备预备数据项，利用预备数据项填充缺失值，将传感器数据集和信息数据集利用最小-最大归一化缩小到指定范围，并映射到相同尺度，所述最小-最大归一化公式为：
其中Z表示归一化后的传感器数据集和信息数据集的数据，x表示原始传感器数据集和信息数据集的数据，xmin表示原始传感器数据集和信息数据集的数据的最小值，xmax表示原始传感器数据集和信息数据集的数据的最大值，利用线性判别分析将传感器数据集和信息数据集的数据投影到一个低维空间，用于同一类别的样本尽可能接近，不同类别的样本尽可能分开，基于特征与目标变量之间的相关性进行特征选择，利用皮尔逊相关系数计算特征与目标变量之间的统计相关性，并选择与目标变量相关性最高的特征，所述皮尔逊相关系数具体公式为：
其中表示传感器数据集和信息数据集的数据均值，Xi、Yi表示X和Y的第i个观测值，X、Y表示两个传感器数据集和信息数据集的数据变量，将处理好的传感器数据集和信息数据集利用无线通信传输到临时处理中心；
进一步地，调用临时处理中心，提取传感器之间关系，包括传感器之间的连接关系、传感器数据、位置、层级关系，提取与传感器相关的信息数据之间的关系，包括传感器属性、位置信息、分支回路信息、设备数据，并与传感器数据集中的传感器进行关联，根据传感器数据集和信息数据集的关系，将传感器数据和信息数据转化为节点和边的形式，转换映射拓扑图数据，包括邻接矩阵和节点特征。
在一个优选地实施方式中，所述S103中，调用拓扑图数据，并将拓扑图数据表示为邻接矩阵的形式，其中每个拓扑图数据元素表示两个节点之间是否存在连接的边，当节点i和节点j之间存在连接，则邻接矩阵的第i行第j列元素为1，否则为0，将邻接矩阵视为图像的像素矩阵，通过邻接矩阵的拓扑图数据元素映射为图像的像素值，例如将1映射为黑色像素，将0映射为白色像素，则邻接矩阵表示为一个拓扑图的图像，其中图像的大小与邻接矩阵的大小相同，利用One-hot Encoding方法将每个节点的特征转化为一个二进制向量，其中向量的长度等于特征的取值个数，向量的每个拓扑图数据元素表示特征是否取该值，当节点的特征是一个离散的属性，有3个可能的取值，则可以使用一个长度为3的二进制向量表示该特征，并将每个边的特征转化为一个二进制向量对边的特征进行编码表示；
进一步地，利用图卷积神经网络建立机器学习模型，使用邻接矩阵和节点特征作为输入，其中邻接矩阵表示节点之间的连接关系，并进行节点更新，其具体公式为：
其中hi (l+1)表示第l+1层的第i个节点的特征表示，σ表示激活函数，N(i)表示与节点i相邻的节点集合，di表示节点i相连的边的数量，dj表示节点的特征传播与节点的度相关，W(l)表示第i层的权重矩阵，hj (l)表示第l层的第j个节点的特征表示，节点特征表示每个节点的属性，通过多个图卷积层进行信息传递，所述图卷积层的信息传递输出公式为：
其中H(l+1)表示第l+1层的所有节点的特征表示，σ表示激活函数，表示对角度矩阵，/>表示增加自连接的邻接矩阵，H(l)表示第l层的所有节点的特征表示，W(l)表示第l层的权重矩阵，输出生成的拓扑图，输出生成具体公式为：
Z＝H(L)W(L)
其中Z表示最终的输出拓扑图结果，H(L)表示最后一层的所有节点的特征表示，W(L)表示最后一层的权重矩阵。
在一个优选地实施方式中，所述S104中，将已有的映射拓扑图数据按照7：3比例划分为训练集和测试集，初始化模型参数，将模型的参数初始化为一个随机的初始值，从训练集随机选择一个样本和其对应的标签，根据当前参数和选择的样本计算损失函数对参数的梯度，所述计算具体公式为：
W＝W0-learning*gradient
其中W表示模型优化参数，W0表示当前参数，learning表示学习率，gradient表示对参数W的损失函数求导得到的梯度，根据梯度和模型学习力更新模型参数，重复随机选择和计算梯度迭代直至达到预定迭代次数，利用并行验证评估模型数据性能，所述并行验证包括k折交叉验证和留一交叉验证，其中K折交叉验证将训练集划分为K个大小相等的子集，每次选择其中一个子集作为验证集，其余K-1个子集作为训练集，依次使用不同的子集作为验证集，进行K次训练和验证，最终得到K个模型性能评估结果的均值，留一交叉验证对于N个样本的数据集，每次将一个样本作为验证集，其余N-1个样本作为训练集，进行N次训练和验证，最终得到N个模型性能评估结果的均值。
在一个优选地实施方式中，所述S105中，调用S102步骤和S103步骤的传感器数据集以及信息数据集处理新的UPS系统数据，将其准备成模型可接受的格式，将数据输入到训练好的机器学习模型中，根据模型的输出拓扑图结果，将预测的拓扑结构转化为拓扑图的形式，所述转化过程根据预测的拓扑结构，确定每个节点的名称、位置和属性信息，其中节点表示设备、线路、接口的物理实体，根据预测的拓扑结构，确定节点之间的连线关系，其中连线表示设备之间的连接、线路之间的交叉等物理连接关系，对节点和连线进行布局、颜色、标签样式的设置，用于展示拓扑结构，利用可视化界面将预测的拓扑结构可视化为图形，将生成的拓扑图与实际的拓扑结构进行比较，所述比较过程将生成的拓扑图中的节点与实际拓扑结构中的节点进行比较，检查节点的名称、位置、属性信息是否一致，将生成的拓扑图中的连线与实际拓扑结构中的连线进行比较，检查连线的起始节点、终止节点、类型、带宽信息是否一致，对比拓扑图和实际拓扑结构的差异，并分析差异的原因进行修正拓扑图中的节点和连线的信息。
本发明的有益效果是：基于机器学习的方法可以从电力系统数据中学习模式和规律，并生成准确的供电拓扑图，大大提高了生成的效率和准确性，通过生成供电拓扑图，对UPS系统的可靠性进行全面分析，利用机器学习算法，可以识别电力系统中的关键节点，通过对实时数据进行监测和分析，可以快速准确地绘制供电拓扑图，通过多种传感器和监控设备实时获取传感器数据和信息数据，通过传感器数据和信息数据之间关系，转换映射拓扑图数据，可以在模型生成的拓扑图中展示传感器数据和信息数据。
附图说明
图1为本发明系统流程图；
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
在本申请的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请的描述中，术语“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
实施例1
本实施例提供了如图1所示基于机器学习的UPS系统供电拓扑图生成方法，具体包括以下步骤：
S101：安装UPS系统传感器设备构成传感器数据集，利用UPS系统监控设备收集信息数据集，并将两种数据集存储到临时数据中心；
进一步地，安装UPS系统传感器设备，包括温度传感器、电流传感器、电压传感器、电池传感器以及环境传感器，其中温度传感器用于监测UPS系统内部和周围环境的温度，电流传感器用于监测UPS系统输入和输出的电流，电压传感器用于监测UPS系统输入和输出的电压，电池传感器用于监测UPS系统电池的状态和剩余容量，环境传感器用于监测UPS系统周围环境的湿度、气压环境参数，将传感器设备收集数据存储到临时数据中心，通过相同时间戳将各个传感器设备收集数据相关联，用于构成传感器数据集；
进一步地，利用UPS系统监控设备收集UPS系统数量信息、UPS系统位置信息，包括UPS主机和分支回路的数量信息、每个UPS主机和分支回路所在位置信息、UPS系统连接设备数据信息以及UPS系统分支回路范围信息，利用数据表创建列(创建列是指数据表存储记录的基本单元，通过创建列可以确定记录数据的属性)记录监控设备收集的所有信息数据，并通过唯一标识符连接所有信息，用于构成信息数据集，将信息数据集存储到临时数据中心。
S102：调用临时数据中心中传感器数据集以及信息数据集，利用最小-最大归一化缩小到指定范围，并通过皮尔逊相关系数计算特征与目标变量之间的统计相关性，根据传感器数据集和信息数据集的关系转换映射拓扑图数据；
进一步地，调用临时数据中心中传感器数据集以及信息数据集，利用临时数据中心的创建列检查数据中的错误值，其中对于传感器数据集，检查数据是否超出传感器测量的合理范围，对于信息数据集，检查数据是否存在错误以及不一致的信息，并准备预备数据项，利用预备数据项填充缺失值，将传感器数据集和信息数据集利用最小-最大归一化缩小到指定范围，并映射到相同尺度，所述最小-最大归一化公式为：
其中Z表示归一化后的传感器数据集和信息数据集的数据，x表示原始传感器数据集和信息数据集的数据，xmin表示原始传感器数据集和信息数据集的数据的最小值，xmax表示原始传感器数据集和信息数据集的数据的最大值，利用线性判别分析将传感器数据集和信息数据集的数据投影到一个低维空间，用于同一类别的样本尽可能接近，不同类别的样本尽可能分开，基于特征与目标变量之间的相关性进行特征选择，利用皮尔逊相关系数计算特征与目标变量之间的统计相关性，并选择与目标变量相关性最高的特征，所述皮尔逊相关系数具体公式为：
其中表示传感器数据集和信息数据集的数据均值，Xi、Yi表示X和Y的第i个观测值，X、Y表示两个传感器数据集和信息数据集的数据变量，将处理好的传感器数据集和信息数据集利用无线通信传输到临时处理中心；
进一步地，调用临时处理中心(该临时处理中心，将数据短暂存储后对数据进行处理)，提取传感器之间关系，包括传感器之间的连接关系、传感器数据、位置、层级关系，提取与传感器相关的信息数据之间的关系，包括传感器属性、位置信息、分支回路信息、设备数据，并与传感器数据集中的传感器进行关联，根据传感器数据集和信息数据集的关系，将传感器数据和信息数据转化为节点和边的形式，转换映射拓扑图数据，包括邻接矩阵和节点特征。
S103：调用拓扑图数据利用图卷积神经网络建立机器学习模型，结合节点更新和信息传递输出最终拓扑图结果；
进一步地，调用拓扑图数据，并将拓扑图数据表示为邻接矩阵的形式，其中每个拓扑图数据元素表示两个节点之间是否存在连接的边，当节点i和节点j之间存在连接，则邻接矩阵的第i行第j列元素为1，否则为0，将邻接矩阵视为图像的像素矩阵，通过邻接矩阵的拓扑图数据元素映射为图像的像素值，例如将1映射为黑色像素，将0映射为白色像素，则邻接矩阵表示为一个拓扑图的图像，其中图像的大小与邻接矩阵的大小相同，利用One-hotEncoding方法将每个节点的特征转化为一个二进制向量，其中向量的长度等于特征的取值个数，向量的每个拓扑图数据元素表示特征是否取该值，当节点的特征是一个离散的属性，有3个可能的取值，则可以使用一个长度为3的二进制向量表示该特征，并将每个边的特征转化为一个二进制向量对边的特征进行编码表示；
进一步地，利用图卷积神经网络建立机器学习模型，使用邻接矩阵和节点特征作为输入，其中邻接矩阵表示节点之间的连接关系，并进行节点更新，其具体公式为：
其中hi (l+1)表示第l+1层的第i个节点的特征表示，σ表示激活函数，N(i)表示与节点i相邻的节点集合，di表示节点i相连的边的数量，dj表示节点的特征传播与节点的度相关，W(l)表示第i层的权重矩阵，hj (l)表示第l层的第j个节点的特征表示，节点特征表示每个节点的属性，通过多个图卷积层进行信息传递，所述图卷积层的信息传递输出公式为：
其中H(l+1)表示第l+1层的所有节点的特征表示，σ表示激活函数，表示对角度矩阵，/>表示增加自连接的邻接矩阵，H(l)表示第l层的所有节点的特征表示，W(l)表示第l层的权重矩阵，输出生成的拓扑图，输出生成具体公式为：
Z＝H(L)W(L)
其中Z表示最终的输出拓扑图结果，H(L)表示最后一层的所有节点的特征表示，W(L)表示最后一层的权重矩阵。
S104：根据当前参数和选择的样本计算损失函数对参数的梯度，并利用并行验证评估模型数据性能；
进一步地，将已有的映射拓扑图数据按照7：3比例划分为训练集和测试集，初始化模型参数，将模型的参数初始化为一个随机的初始值，从训练集随机选择一个样本和其对应的标签，根据当前参数和选择的样本计算损失函数对参数的梯度，所述计算具体公式为：
W＝W0-learning*gradient
其中W表示模型优化参数，W0表示当前参数，learning表示学习率，gradient表示对参数W的损失函数求导得到的梯度，根据梯度和模型学习力更新模型参数，重复随机选择和计算梯度迭代直至达到预定迭代次数，利用并行验证评估模型数据性能，所述并行验证包括k折交叉验证和留一交叉验证，其中K折交叉验证将训练集划分为K个大小相等的子集，每次选择其中一个子集作为验证集，其余K-1个子集作为训练集，依次使用不同的子集作为验证集，进行K次训练和验证，最终得到K个模型性能评估结果的均值，留一交叉验证对于N个样本的数据集，每次将一个样本作为验证集，其余N-1个样本作为训练集，进行N次训练和验证，最终得到N个模型性能评估结果的均值。
S105：使用训练好的模型对新的UPS系统数据进行拓扑图生成，并对生成的拓扑图进行验证，与实际的拓扑结构进行比较；
进一步地，调用S102步骤和S103步骤的传感器数据集以及信息数据集处理新的UPS系统数据，将其准备成模型可接受的格式，输入数据输入到训练好的机器学习模型中，根据模型的输出拓扑图结果，将预测的拓扑结构转化为拓扑图的形式，所述转化过程根据预测的拓扑结构，确定每个节点的名称、位置和属性信息，其中节点表示设备、线路、接口的物理实体，根据预测的拓扑结构，确定节点之间的连线关系，其中连线表示设备之间的连接、线路之间的交叉等物理连接关系，对节点和连线进行布局、颜色、标签样式的设置，用于展示拓扑结构，利用可视化界面将预测的拓扑结构可视化为图形，将生成的拓扑图与实际的拓扑结构进行比较，所述比较过程将生成的拓扑图中的节点与实际拓扑结构中的节点进行比较，检查节点的名称、位置、属性信息是否一致，将生成的拓扑图中的连线与实际拓扑结构中的连线进行比较，检查连线的起始节点、终止节点、类型、带宽信息是否一致，对比拓扑图和实际拓扑结构的差异，并分析差异的原因进行修正拓扑图中的节点和连线的信息。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (7)
1.基于机器学习的UPS系统供电拓扑图生成方法，其特征在于，具体包括以下步骤：
S101：安装UPS系统传感器设备构成传感器数据集，利用UPS系统监控设备收集信息数据集，并将两种数据集存储到临时数据中心；
S102：调用临时数据中心中传感器数据集以及信息数据集，利用最小-最大归一化缩小到指定范围，并通过皮尔逊相关系数计算特征与目标变量之间的统计相关性，根据传感器数据集和信息数据集的关系转换映射拓扑图数据；
S103：调用拓扑图数据利用图卷积神经网络建立机器学习模型，结合节点更新和信息传递输出最终拓扑图结果；
S104：根据当前参数和选择的样本计算损失函数对参数的梯度，并利用并行验证评估模型数据性能；
S105：使用训练好的模型对新的UPS系统数据进行拓扑图生成，并对生成的拓扑图进行验证，与实际的拓扑结构进行比较。
2.根据权利要求1所述的基于机器学习的UPS系统供电拓扑图生成方法，其特征在于：所述S101中，安装UPS系统传感器设备，包括温度传感器、电流传感器、电压传感器、电池传感器以及环境传感器，其中温度传感器用于监测UPS系统内部和周围环境的温度，电流传感器用于监测UPS系统输入和输出的电流，电压传感器用于监测UPS系统输入和输出的电压，电池传感器用于监测UPS系统电池的状态和剩余容量，环境传感器用于监测UPS系统周围环境的湿度、气压环境参数，将传感器设备收集数据存储到临时数据中心，通过相同时间戳将各个传感器设备收集数据相关联，用于构成传感器数据集。
3.根据权利要求1所述的基于机器学习的UPS系统供电拓扑图生成方法，其特征在于：所述S101中，利用UPS系统监控设备收集UPS系统数量信息、UPS系统位置信息，包括UPS主机和分支回路的数量信息，每个UPS主机和分支回路所在位置信息、UPS系统连接设备数据信息以及UPS系统分支回路范围信息，利用数据表创建列记录监控设备收集的所有信息数据，并通过唯一标识符连接所有信息，用于构成信息数据集，将信息数据集存储到临时数据中心。
4.根据权利要求1所述的基于机器学习的UPS系统供电拓扑图生成方法，其特征在于：所述S102中，调用临时数据中心中传感器数据集以及信息数据集，利用临时数据中心的创建列检查数据中的错误值，其中对于传感器数据集，检查数据是否超出传感器测量的合理范围，对于信息数据集，检查数据是否存在错误以及不一致的信息，并准备预备数据项，利用预备数据项填充缺失值，将传感器数据集和信息数据集利用最小-最大归一化缩小到指定范围，并映射到相同尺度，所述最小-最大归一化公式为：
其中Z表示归一化后的传感器数据集和信息数据集的数据，x表示原始传感器数据集和信息数据集的数据，xmin表示原始传感器数据集和信息数据集的数据的最小值，xmax表示原始传感器数据集和信息数据集的数据的最大值，利用线性判别分析将传感器数据集和信息数据集的数据投影到一个低维空间，用于同一类别的样本尽可能接近，不同类别的样本尽可能分开，基于特征与目标变量之间的相关性进行特征选择，利用皮尔逊相关系数计算特征与目标变量之间的统计相关性，并选择与目标变量相关性最高的特征，所述皮尔逊相关系数具体公式为：
其中表示传感器数据集和信息数据集的数据均值，Xi、Yi表示X和Y的第i个观测值，X、Y表示两个传感器数据集和信息数据集的数据变量，将处理好的传感器数据集和信息数据集利用无线通信传输到临时处理中心，调用临时处理中心，提取传感器之间关系，包括传感器之间的连接关系、传感器数据、位置、层级关系，提取与传感器相关的信息数据之间的关系，包括传感器属性、位置信息、分支回路信息、设备数据，并与传感器数据集中的传感器进行关联，根据传感器数据集和信息数据集的关系，将传感器数据和信息数据转化为节点和边的形式，转换映射拓扑图数据，包括邻接矩阵和节点特征。
5.根据权利要求1所述的基于机器学习的UPS系统供电拓扑图生成方法，其特征在于：所述S103中，调用拓扑图数据，并将拓扑图数据表示为邻接矩阵的形式，其中每个拓扑图数据元素表示两个节点之间是否存在连接的边，当节点i和节点j之间存在连接，则邻接矩阵的第i行第j列元素为1，否则为0，将邻接矩阵视为图像的像素矩阵，通过邻接矩阵的拓扑图数据元素映射为图像的像素值，利用One-hot Encoding方法将每个节点的特征转化为一个二进制向量，其中向量的长度等于特征的取值个数，向量的每个拓扑图数据元素表示特征是否取该值，利用图卷积神经网络建立机器学习模型，使用邻接矩阵和节点特征作为输入，其中邻接矩阵表示节点之间的连接关系，并进行节点更新，其具体公式为：
其中hi (l+1)表示第l+1层的第i个节点的特征表示，σ表示激活函数，N(i)表示与节点i相邻的节点集合，di表示节点i相连的边的数量，dj表示节点的特征传播与节点的度相关，W(l)表示第i层的权重矩阵，hj (l)表示第l层的第j个节点的特征表示，节点特征表示每个节点的属性，通过多个图卷积层进行信息传递，所述图卷积层的信息传递输出公式为：
其中H(l+1)表示第l+1层的所有节点的特征表示，σ表示激活函数，表示对角度矩阵，/>表示增加自连接的邻接矩阵，H(l)表示第l层的所有节点的特征表示，W(l)表示第l层的权重矩阵，输出生成的拓扑图，输出生成具体公式为：
Z＝H(L)W(L)
其中Z表示最终的输出拓扑图结果，H(L)表示最后一层的所有节点的特征表示，W(L)表示最后一层的权重矩阵。
6.根据权利要求1所述的基于机器学习的UPS系统供电拓扑图生成方法，其特征在于：所述S104中，将已有的映射拓扑图数据按照7：3比例划分为训练集和测试集，初始化模型参数，将模型的参数初始化为一个随机的初始值，从训练集随机选择一个样本和其对应的标签，根据当前参数和选择的样本计算损失函数对参数的梯度，所述计算具体公式为：
W＝W0-learning*gradient
其中W表示模型优化参数，W0表示当前参数，learning表示学习率，gradient表示对参数W的损失函数求导得到的梯度，根据梯度和模型学习力更新模型参数，重复随机选择和计算梯度迭代直至达到预定迭代次数，利用并行验证评估模型数据性能，所述并行验证包括k折交叉验证和留一交叉验证，其中K折交叉验证将训练集划分为K个大小相等的子集，每次选择其中一个子集作为验证集，其余K-1个子集作为训练集，依次使用不同的子集作为验证集，进行K次训练和验证，最终得到K个模型性能评估结果的均值，留一交叉验证对于N个样本的数据集，每次将一个样本作为验证集，其余N-1个样本作为训练集，进行N次训练和验证，最终得到N个模型性能评估结果的均值。
7.根据权利要求1所述的基于机器学习的UPS系统供电拓扑图生成方法，其特征在于：所述S105中，调用S102步骤和S103步骤的传感器数据集以及信息数据集处理新的UPS系统数据，将其准备成模型可接受的格式，输入数据输入到训练好的机器学习模型中，根据模型的输出拓扑图结果，将预测的拓扑结构转化为拓扑图的形式，所述转化过程根据预测的拓扑结构，确定每个节点的名称、位置和属性信息，其中节点表示设备、线路、接口的物理实体，根据预测的拓扑结构，确定节点之间的连线关系，其中连线表示设备之间的连接、线路之间的交叉等物理连接关系，对节点和连线进行布局、颜色、标签样式的设置，用于展示拓扑结构，利用可视化界面将预测的拓扑结构可视化为图形，将生成的拓扑图与实际的拓扑结构进行比较，所述比较过程将生成的拓扑图中的节点与实际拓扑结构中的节点进行比较，检查节点的名称、位置、属性信息是否一致，将生成的拓扑图中的连线与实际拓扑结构中的连线进行比较，检查连线的起始节点、终止节点、类型、带宽信息是否一致，对比拓扑图和实际拓扑结构的差异，并分析差异的原因进行修正拓扑图中的节点和连线的信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311503726.2A CN117557118A (zh) | 2023-11-13 | 2023-11-13 | 基于机器学习的ups系统供电拓扑图生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311503726.2A CN117557118A (zh) | 2023-11-13 | 2023-11-13 | 基于机器学习的ups系统供电拓扑图生成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117557118A true CN117557118A (zh) | 2024-02-13 |
Family
ID=89817863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311503726.2A Pending CN117557118A (zh) | 2023-11-13 | 2023-11-13 | 基于机器学习的ups系统供电拓扑图生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117557118A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110727662A (zh) * | 2019-09-10 | 2020-01-24 | 国网浙江省电力有限公司电力科学研究院 | 基于相关性分析的低压台区用户相位识别方法和系统 |
| CN111581297A (zh) * | 2020-04-23 | 2020-08-25 | 天津大学 | 一种基于图卷积网络的符号网络符号的预测方法 |
| CN113283488A (zh) * | 2021-05-18 | 2021-08-20 | 清华大学 | 一种基于学习行为的认知诊断方法及系统 |
| CN113378913A (zh) * | 2021-06-08 | 2021-09-10 | 电子科技大学 | 一种基于自监督学习的半监督节点分类方法 |
| CN114070741A (zh) * | 2020-07-28 | 2022-02-18 | 中移(苏州)软件技术有限公司 | 一种拓扑图生成方法、系统、设备和存储介质 |
| CN114726739A (zh) * | 2022-04-18 | 2022-07-08 | 深圳市智象科技有限公司 | 拓扑数据处理方法、装置、设备及存储介质 |
| CN115310604A (zh) * | 2022-07-22 | 2022-11-08 | 广西电网有限责任公司南宁供电局 | 一种基于神经网络的ups系统在线故障诊断方法 |
-
2023
- 2023-11-13 CN CN202311503726.2A patent/CN117557118A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110727662A (zh) * | 2019-09-10 | 2020-01-24 | 国网浙江省电力有限公司电力科学研究院 | 基于相关性分析的低压台区用户相位识别方法和系统 |
| CN111581297A (zh) * | 2020-04-23 | 2020-08-25 | 天津大学 | 一种基于图卷积网络的符号网络符号的预测方法 |
| CN114070741A (zh) * | 2020-07-28 | 2022-02-18 | 中移(苏州)软件技术有限公司 | 一种拓扑图生成方法、系统、设备和存储介质 |
| CN113283488A (zh) * | 2021-05-18 | 2021-08-20 | 清华大学 | 一种基于学习行为的认知诊断方法及系统 |
| CN113378913A (zh) * | 2021-06-08 | 2021-09-10 | 电子科技大学 | 一种基于自监督学习的半监督节点分类方法 |
| CN114726739A (zh) * | 2022-04-18 | 2022-07-08 | 深圳市智象科技有限公司 | 拓扑数据处理方法、装置、设备及存储介质 |
| CN115310604A (zh) * | 2022-07-22 | 2022-11-08 | 广西电网有限责任公司南宁供电局 | 一种基于神经网络的ups系统在线故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023024259A1 (zh) | 基于数字孪生的局部放电监测系统、方法和装置 | |
| CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
| CN108959794A (zh) | 一种基于深度学习的结构频响动力学模型修正方法 | |
| CN111537884B (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
| CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
| CN113034665B (zh) | 一种基于场景树的仿真建模方法及系统 | |
| CN112418202A (zh) | 一种基于MaskRCNN的变电设备异常识别定位方法及系统 | |
| CN111638988A (zh) | 一种基于深度学习的云主机故障智能预测方法 | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| CN115757103A (zh) | 基于树结构的神经网络测试用例生成方法 | |
| CN114004155A (zh) | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 | |
| CN113065223A (zh) | 一种塔桅集群数字孪生模型多等级概率修正方法 | |
| CN110232130B (zh) | 元数据管理谱系生成方法、装置、计算机设备和存储介质 | |
| CN112926686B (zh) | 基于brb和lstm模型的电力大数据用电异常检测方法及装置 | |
| CN112004063B (zh) | 一种基于多相机联动的卸油油管连接正确性的监控方法 | |
| CN114757097B (zh) | 一种线路故障诊断方法及装置 | |
| CN117557118A (zh) | 基于机器学习的ups系统供电拓扑图生成方法 | |
| CN111966758B (zh) | 一种基于画像数据分析技术的电力隐患排查方法 | |
| CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
| CN113343787B (zh) | 一种基于深度学习的适用于图谱对比场景中等级评定方法 | |
| CN115801845B (zh) | 基于边缘计算的工业互联网数据采集方法及相关设备 | |
| CN117828280B (zh) | 基于物联网的消防信息智能采集及管理方法 | |
| CN117591813B (zh) | 基于多维特征的复杂装备故障诊断方法及系统 | |
| CN117829821B (zh) | 一种基于云平台的复合材料设备维护管理方法 | |
| CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |