本发明专利技术提供了一种基于BP神经网络的UPS状态评估方法，包括如下步骤：设定UPS配置参数，在UPS数据采集系统中选取数据，获取模块评分集与UPS实时监测数据集；将UPS实时监测数据集与模块评分集汇总，以等差数列的方式构建总体数据集并划分为算法所需的训练集、验证集和测试集；采取sigmoid函数作为激活函数，搭建BP神经网络模型，输入选取的训练集进行训练；构建模型的评价指标，通过验证设置算法的最佳参数；采用测试集检测所建模型是否符合所设的精度要求，若不符合则重复执行直至建立的BP神经网络模型符合要求，输出其预测评分值。本发明专利技术使得UPS评估可以客观贴合监测数据的实时变化，具备了UPS的视情维修即评估未来时间段设备状态的预测功能。备状态的预测功能。备状态的预测功能。
【技术实现步骤摘要】
一种基于BP神经网络的UPS状态评估方法、装置及存储介质
[0001]本专利技术涉及企业电力设备状态评估领域，涉及UPS的状态评估方法、装置及存储介质。
技术介绍
[0002]UPS系统是连接在输入电源和负载之间的电源备用设备，能够在外在电源故障时为重要负载提供不受电网干扰、稳压、稳频的电力供应。因此UPS设备运营状态以及设备健康度评估对于保证整个供电系统安全运营来说至关重要。
[0003]目前在许多场合中应用的UPS状态评估系统，其主要凭借固有经验人为主观设定权重进行预测评分值，在数据的加工和处理方面上有所欠缺。
[0004]这种现有技术方案在使用时还存在以下问题：
[0005]1.UPS设备评分的计算公式过于固定，没有充分利用UPS设备的实时数据，不符合UPS设备这种非线性、非平稳的复杂系统的实际运行状态；
[0006]2.由于人为设定参数而过于固定，无输入接口模块无法充分灵活采集UPS设备数据问题；
[0007]所以需要针对上述问题进行改进，来解决所述的技术问题。
技术实现思路
[0008]本专利技术的目的在于提供一种基于BP神经网络的UPS状态评估方法，以解决上述
技术介绍
中提出的问题。
[0009]为实现上述目的，本专利技术提供如下技术方案：
[0010]一种基于BP神经网络的UPS状态评估方法。包括如下步骤：
[0011]S1，设定UPS配置参数，在UPS数据采集系统中选取数据，获取模块评分集与UPS实时监测数据集；
[0012]S2，将UPS实时监测数据集与模块评分集汇总，以等差数列的方式构建总体数据集并划分为算法所需的训练集、验证集和测试集；
[0013]S3，采取sigmoid函数作为激活函数，搭建BP神经网络模型，输入选取的训练集进行训练；
[0014]S4，构建模型的评价指标，通过验证设置算法的最佳参数；
[0015]S5，采用测试集检测所建模型是否符合所设的精度要求，若不符合则重复执行S3与S4，直至建立的BP神经网络模型符合要求得到预测评分值。
[0016]所述UPS数据采集系统是评估UPS状态系统内部关联性数据，需满足一定采样频率大量动态实时数据，如正常运行设备自动生成的性能指标参数等。
[0017]所述模块评分集是指对UPS状态评估系统起到辅助参考评估数据，发生频率较低或事件驱动型，受人为经验影响较大，其主要包括：环境、UPS及蓄电池故障情况、预防性试验、维护保养、大修改造。
[0018]所述配置参数包括采样频率或数据权重系数。采样频率包括采集周期及采样粒度；数据权重系数确定模块评分集与UPS实时监测数据集之间的相对比例系数，可通过经验值获得也可通过历史数据分析进一步精进。
[0019]可选的，所述的UPS状态评分系统具备UPS设备统计数据接口、在交互界面设定UPS的系统构成以及维修流程等相关参数。有效改进了原先由于人为设定参数而过于固定，且无实时输入接口模块无法充分采集UPS设备实时数据的问题。
[0020]可选的，所述的UPS状态评估系统为企业中应用，需充分考虑电力设备不同时间使用状况所导致的数据波动性。本专利技术UPS实时监测数据集以一周为周期、以半个小时为间隔的方式通过等差数列构建所需的的数据集。
[0021]可选的，所述的UPS实时监测数据集以判断UPS状态运行情况的依据选取，包括交流输出的ABC三相电压、UPS输出ABC三相电压以及交流旁路的ABC三相电压数据，构建UPS及蓄电池运行状态模块参与UPS总体评分。
[0022]可选的，通过采样频率或数据权重系数对模块评分集进行数据预处理。
[0023]可选的，所述的BP神经网络模型搭建所需的具体流程包括：
[0024]先计算出隐含层的输入值g，再以此值算出隐含层的输出值h:
[0025][0026]h＝f(g)
[0027]通过同样的道理算出输出层的输入值m与输出层的最终输出值y:
[0028][0029]y＝f(m)
[0030]计算输出层的一般性误差d:
[0031]d＝(o
‑
y)
·
y(1
‑
y)
[0032]计算隐含层的一般性误差e:
[0033][0034]去修整连接权值v和阙值γ:
[0035]v(N+1)＝v(N)+α
·
d
·
h
[0036]γ(N+1)＝γ(N)+α
·
d
[0037]再去修整连接权值w和阙值θ：
[0038]w(N+1)＝w(N)+e
·
β
·
α
[0039]θ(N+1)＝θ(N)+e
·
β
[0040]以此类推，重复迭代上面的过程，直到BP神经网络所输出的数值收敛到允许范围的误差之内，或者是迭代的次数已经符合要求。
[0041]式中除上述已标识的字母外，x为输入值，w为输入层到隐含层的连接权值,θ为隐含层单元的输出阙值，o所期望的输出值，α为学习速率。
[0042]可选的，所述的BP神经网络模型为三层，包括：
[0043]采取sigmoid函数作为激活函数，使输出值可以被控制在比较小的数值区域内，其公式如下:
[0044][0045]选取体现UPS及蓄电池运行状态的9类数据与模块评分集的5个模块评分作为输入层的神经元，即输入层节点数为14；
[0046]其相对应UPS状态评估系统过往相应时间点的总评分作为输出层的神经元，即输出层节点数为1。
[0047]可选的，所述的所构建模型的评价指标，包括：
[0048][0049][0050][0051][0052]其中，MAE为平均绝对误差，MSE为均方误差，RMSE为均方根误差，Y为实际值，W为本专利技术所构建的评估公式，Y
’
为预测值，n为测试的数据个数，t为仿真运行所需的迭代次数。
[0053]可选的，所述的构建的评估公式W，包括：
[0054]本专利技术将时间与均方误差乘积的积分作为设置迭代训练次数的衡量标准。虽然迭代训练次数设置越多，模型预测值的误差越小，但由于本专利技术的应用场景是实际工程中的UPS状态评估系统，其数据仿真实验的实时性也非常重要，需要综合考虑系统的预测精度与仿真所需的运行时间两方面因素。
[0055]可选的，所述的所设的精度要求，包括：
[0056]本专利技术设置最终的精度要求为0.1％，即误差小于或等于0.1％时才可输出，否则重复执行S3与S4继续训练验证。直至建立的BP神经网络模型符合要求，通过DSP输出模块界面显示其预测评分值。
[0057]可选的，所述的本说明书实施例还提供一种装置，所述装置可以视为对于上述本专利技术的方法实施例的具体实体实施方式。其中，所述装置包括：
[0058]处理器；以及存储计算机可执行程序的存储器本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于BP神经网络的UPS状态评估方法，其特征在于，包括如下步骤：S1，设定UPS配置参数，在UPS数据采集系统中选取数据，获取模块评分集与UPS实时监测数据集；S2，将UPS实时监测数据集与模块评分集汇总，以等差数列的方式构建总体数据集并划分为算法所需的训练集、验证集和测试集；S3，采取sigmoid函数作为激活函数，搭建BP神经网络模型，输入选取的训练集进行训练；S4，构建模型的评价指标，通过验证设置算法的最佳参数；S5，采用测试集检测所建模型是否符合所设的精度要求，若不符合则重复执行S3与S4，直至建立的BP神经网络模型符合要求得到预测评分值。2.根据权利要求1所述的基于BP神经网络的UPS状态评估方法，其特征在于，所述模块评分集包括：环境、UPS及蓄电池故障情况、预防性试验、维护保养、大修改造；根据采样频率或数据权重系数对模块评分进行数据预处理，获取所需的模块评分集。3.根据权利要求1所述的基于BP神经网络的UPS状态评估方法，其特征在于，所述的UPS实时监测数据集以判断UPS状态运行情况的依据选取，包括交流输出的三相电压、UPS输出三相电压以及交流旁路三相电压，构建UPS及蓄电池运行状态模块参与UPS总体评分。4.根据权利要求1所述的基于BP神经网络的UPS状态评估方法，其特征在于，所述总体数据集由模块评分集与UPS实时监测数据集组成，其采集频率为以一周为周期、以半个小时为间隔。5.根据权利要求1所述的方法，其特征在于，所述的BP神经网络模型搭建所需的具体流程包括：先计算出隐含层的输入值g，再以此值算出隐含层的输出值h:h＝f(g)通过同样道理算出输出层的输入值m与输出层的最终输出值y:y＝f(m)计算输出层的一般性误差d:d＝(o
‑
y)
·
y(1
‑
y)计算隐含...
【专利技术属性】
技术研发人员：谷梦勖，万衡，唐许良，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。