一种基于宽度学习网络的UPS故障预测方法和系统技术方案

本申请公开了一种基于宽度学习网络的UPS故障预测方法和系统，该方法包括：将UPS电源电池不同状态下的历史数据；确定宽度学习网络中特征节点、增强节点、特征窗口数参数的取值范围；引入模拟退火算法，改进遗传算法中的变异操作，得到改进的遗传算法；通过改进的遗传算法对宽度学习参数进行寻优；依据网格搜索算法和K

【技术实现步骤摘要】
一种基于宽度学习网络的UPS故障预测方法和系统


[0001]本专利技术属于故障预测与健康管理
，具体涉及一种基于宽度学习网络的UPS故障预测方法和系统。

技术介绍

[0002]UPS是一种以逆变器为主要组成部分，提供恒压恒频不间断电源的储能装置，主要用于给单台计算机、计算机网络系统或其它电力电子设备提供不间断的电力供应。当市电输入正常时，UPS将市电稳压后供应给负载使用，此时的UPS就是一台交流市电稳压器，同时它还向机内电池充电；当市电中断（事故停电）时,UPS立即将机内电池的电能,通过逆变转换的方法向负载继续供应220V交流电，使负载维持正常工作并保护负载软、硬件不受损坏。
[0003]UPS电源故障的主要表现为：电压，电流，温度三个重要指标偏离于正常范围，出现过充，过放，过热，老化等现象。传统UPS电源的运行和维护主要形式为定期设备巡检、定期维护和事后维修，这种方式一方面会由于安全裕度的因素带来过度维护，另一方面会由于动态运行性能的欠考虑出现电池性能急性劣化、造成意想不到的后果。为此，一些基于数据驱动的人工智能方法被科研人员用来实时监测电池性能、预测电池故障和评估电池健康状态，以实现UPS电池的视情维修，降低维修成本及减少设备意外停机时间。如：利多模型粒子滤波算法诊断对UPS蓄电池进行故障诊断，利用支持向量机，深度神经网络，决策树等机器学习算法。这些算法本身结构比较复杂，处理大量数据时，非常耗时；加上UPS应用场合的特殊性，预测和评估必须高度可靠的要求，亟需寻找一种效率和准确能兼顾的人工智能算法。<br/>[0004]宽度学习相对于深度神经网络而言，它更着重于宽度，并行地对数据特征进行处理，当要处理庞大的数据时，它的出现很好的解决了目前最流行的深度神经网络计算时间长，结构复杂，正确率有待提高等缺点。在解决分类，故障诊断的问题上取得了令人满意的结果，但是宽度学习网络中的特征节点，增强节点以及特征窗口数量的选择还没有一个通用的成熟标准，只能依靠人工经验进行选取，这使得宽度学习网络的正确率得不到保证。

技术实现思路

[0005]本专利技术的目的在于提供一种基于宽度学习网络的UPS故障预测系统，以解决上述
技术介绍
中提出现有技术中的问题。
[0006]为实现上述目的，本专利技术采用了如下技术方案：一种基于宽度学习网络的UPS故障预测方法，包括：将UPS电源电池不同状态下的历史数据，进行数据预处理、归一化、小波包特征提取等操作，处理后的数据划分为训练集和测试集；确定宽度学习网络中特征节点，增强节点，特征窗口数参数的取值范围；引入模拟退火算法，改进遗传算法中的变异操作，得到改进的遗传算法；通过改进的遗传算法对宽度学习参数进行寻优，输出最优解对应的宽度学习参数取值；
依据网格搜索算法和K
‑
sigma模型，确定UPS电源正常电池的阈值范围；综合运用GA+BLS+K
‑
sigma，得到最终的预测、诊断模型，实时监测UPS电源电池的状态。
[0007]另一方面，本专利技术提出一种基于宽度学习网络的UPS故障预测系统，包括：数据处理模块，所述数据处理模块用于把高维度的原始特征空间的模式向量用低维度的特征空间的新的模式向量进行表达，从而找到最具有代表性、最有效的特征的方法；宽度学习系统模块，所述宽度学习系统模块用于根据所述方法求得的逆矩阵相当于神经网络的权值，获得网络模型；遗传算法模块，所述遗传算法模块用于对网络模型的参数进行寻优，使得目标函数最优；阈值预警模块，所述阈值预警模块基于网格搜索法的K
‑
sigma建立，可根据实时采集到的电流，电压，温度等UPS各单体电池数据，对单个数据项的值同预警值进行比对，当发现电流，电压，温度超标时，及时发现异常并定位UPS进行故障报警。
[0008]上述方法包括小波包分解算法，所述小波包分解算法用于提取信号中的高频分量进行筛选，可有效过滤负荷信号的高频噪声，提取剩余信号特征，包括如下步骤：对UPS立式数据信号进行归一化处理；对处理后的数据进行小波包3层分解，获得各频段分量，并剔除噪音分量；进行小波包系数重构数据信号，之后进行小波包能量特征提取。
[0009]上述小波系数为：；小波重构公式为：。
[0010]上述求得的逆矩阵相当于神经网络的权值，步骤如下：首先建立输入数据到特征节点的映射,先对输入节点转置矩阵进行Z分数标准化，确保输入数据归一化到0和1之间；再对进行增广,在训练集的最后增加一列1，使之变成；为每个窗口生成特征节点。
[0011]上述生成特征节点，步骤如下：生成随机权重矩阵we，we是一个（f+1）
×
N1维的随机权重矩阵,其值呈高斯分布；将we放入We{i}中,i表示迭代量,迭代次数为N2；A1=H1×
we；即对每个样本的特征进行一次权值的随机卷积和偏置,得到新的特征,对于每个样本,新的特征可以表示为：;对A1进行归一化；对A1进行稀疏表示；采用Lasso方法来解决稀疏过程中的优化问题，新生成的随机特征向量A1,维数为s
×
N1；增广之后的训练集H1维数为s
×
（f+1），目的是找到一个稀疏矩阵W,使得H1×
W=A1，通过下式求解：；最终生成一个窗口的特征的节点T1:T1=normal(H1×
W)；对于N2个特征窗口，都生成N1个特征节点，每个节点都是s维特征向量，对于整个网络，特征节点矩阵y就是一个维数为s
×
(N2×
N1)的矩阵。
[0012]上述对特征节点进行增强，包括首先对特征节点矩阵y进行标准化与增广，得到H2，与特征节点不同，增强节点的系数矩阵不是随机矩阵，而是经过正交规范化后的随机矩阵。
[0013]上述所述遗传算法的步骤如下:对可能的解进行编码，每个个体代表遗传算法的
一个解决方案；然后模拟生物进化中的染色体基因的选择、交叉、变异等过程，不断产生新的子代；通过适应度函数来判断新解的优劣，直到产生最优解。
[0014]上述遗传算法，还包括如下步骤：编码：由于对宽度学习的三个参数进行寻优，采用实数编码，宽度学习特征窗口数N1特征节点数N2，增强节点数N3的取值范围分别为[a,b]，[c,d]，[e,f]，因为为实数编码，所以染色体的长度为N=3；其中一条染色体的基因组成：N={N
i
,N
j
,N
k
}，N
i
∈[a,b]，N
j
∈[c,d]，N
k
∈[e,f]；选择：计算编码之后的可行解对应的目标函数的值，将目标函数值由大到小排列；交叉：将经过选择的个体作为父代进行如下交叉操作，以产生表现更好的后代；设父代为：；父代交叉产生子代过程：；其中，i=1,2,3，γ∈[0,1]，α∈[0,1]，α+β=1；产生两个子代：;若越界，则子代用以下算术交叉产生：；变异：通过模拟退火算法思想进行变异寻优，使得一开始在全部范围内搜索，先在最优解的附近取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于宽度学习网络的UPS故障预测方法，其特征在于，包括：将UPS电源电池不同状态下的历史数据，进行数据预处理、归一化、小波包特征提取等操作，处理后的数据划分为训练集和测试集；确定宽度学习网络中特征节点，增强节点，特征窗口数参数的取值范围；引入模拟退火算法，改进遗传算法中的变异操作，得到改进的遗传算法；通过改进的遗传算法对宽度学习参数进行寻优，输出最优解对应的宽度学习参数取值；依据网格搜索算法和K
‑
sigma模型，确定UPS电源正常电池的阈值范围；综合运用GA+BLS+K
‑
sigma，得到最终的预测、诊断模型，实时监测UPS电源电池的状态。2.一种基于宽度学习网络的UPS故障预测系统，其特征在于，包括：数据处理模块，所述数据处理模块用于把高维度的原始特征空间的模式向量用低维度的特征空间的新的模式向量进行表达，从而找到最具有代表性、最有效的特征的方法；宽度学习系统模块，所述宽度学习系统模块用于根据所述方法求得的逆矩阵相当于神经网络的权值，获得网络模型；遗传算法模块，所述遗传算法模块用于对网络模型的参数进行寻优，使得目标函数最优；阈值预警模块，所述阈值预警模块基于网格搜索法的K
‑
sigma建立，可根据实时采集到的电流，电压，温度等UPS各单体电池数据，对单个数据项的值同预警值进行比对，当发现电流，电压，温度超标时，及时发现异常并定位UPS进行故障报警。3.根据权利要求2所述的一种基于宽度学习网络的UPS故障预测系统，其特征在于：所述方法包括小波包分解算法，所述小波包分解算法用于提取信号中的高频分量进行筛选，可有效过滤负荷信号的高频噪声，提取剩余信号特征，包括如下步骤：对UPS立式数据信号进行归一化处理；对处理后的数据进行小波包3层分解，获得各频段分量，并剔除噪音分量；进行小波包系数重构数据信号，之后进行小波包能量特征提取。4.根据权利要求3所述的一种基于宽度学习网络的UPS故障预测系统，其特征在于：小波系数为：；小波重构公式为：。5.根据权利要求2所述的一种基于宽度学习网络的UPS故障预测系统，其特征在于：求得的逆矩阵相当于神经网络的权值，步骤如下：首先建立输入数据到特征节点的映射,先对输入节点转置矩阵进行Z分数标准化，确保输入数据归一化到0和1之间；再对进行增广,在训练集的最后增加一列1，使之变成；为每个窗口生成特征节点。6.根据权利要求5所述的一种基于宽度学习网络的UPS故障预测系统，其特征在于：生成特征节点，步骤如下：生成随机权重矩阵we，we是一个（f+1）
×
N1维的随机权重矩阵,其值呈高斯分布；
将we放入We{i}中,i表示迭代量,迭代次数为N2；A1＝H1×
we；即对每个样本的特征进行一次权值的随机卷积和偏置,得到新的特征,对于每个样本,新的特征可以表示为：;对A1进行归一化；对A1进行稀疏表示；采用Lasso方法来解决稀疏过程中的优化问题，新生成的随机特征向量A1,维数为s
×
N1；增广之后的训练集H1维数为s
×
（f+1），目的是找到一个稀疏矩阵W,使得H1×
W=A1，通过下式求解：;最终生成一个窗口的特征的节点T1:T1=normal(H1×
W)；对于N2个特征窗口，都生成N1个特征节点，每个节点都是s维特征向量，对于整个网络，特征节点矩阵y就是一个维数为s
×
(N2×
N1)的矩阵。7.根据权利要求6所述的一种基于宽度学习网络的UPS故障预测系统，其特征在于：对特征节点进行增强，包括首先对特征节点矩阵y进行标准化与增广，得到H2，与特征节点不同，增强节点的系数矩阵不是随机矩阵，而是经过正交规范化后的随机矩阵。8.根据权利要求7所述的一种基于宽度学习网络的UPS故障预测系统，其特征在于：所述遗传算法的步骤如下:对可能的解进行编码，每个个体代表遗传算法的...

【专利技术属性】
技术研发人员：龙凤舞，谢敬华，
申请(专利权)人：中南大学湘雅医院，
类型：发明
国别省市：