本发明专利技术公开了一种UPS设备故障预警方法及系统，预警方法包括：通过数据接入模块或数据接口从动环监控系统获取UPS健康运行时期的各项关键指标的历史数据；模型训练模块学习UPS的大量历史数据，找到UPS输出电压与负载率、输出电流或输出频率之间隐藏的规律，预测UPS的输出电压；健康评估模块把动环监控系统获取的UPS各指标的当前值和历史均值进行比较，计算偏离度；故障预警模块进行故障报警。本发明专利技术基于UPS设备健康运行时期的历史运行数据，捕捉关键指标偏差的变化趋势，提升了预警的准确性，解决了现有技术中预警滞后的问题。解决了现有技术中预警滞后的问题。解决了现有技术中预警滞后的问题。
【技术实现步骤摘要】
一种UPS设备故障预警方法及系统
[0001]本专利技术属于UPS监控
，涉及一种UPS设备故障预警方法及系统。
技术介绍
[0002]UPS作为通信台站不可缺少的供电保护系统，它的性能参数具有重要意义，UPS效率、功率因数等都是表征UPS性能的重要参数，UPS性能越好，保护能力就越强。UPS即不间断电源(Uninterruptible Power Supply)是一种以蓄电池为储能器件，以整流器和逆变器为主要组成部分的稳压、稳频交流电源。它不仅在输入电源中断时可以立即通过蓄电池给负载供电，使负载维持正常工作，避免负载软、硬件损坏；而且在外电输入正常时，还可以起到对品质不良的供电进行稳频、稳压、滤除噪声、避免高频干扰等作用。如果UPS出现故障，轻则导致供电可靠性下降，重则导致供电发生中断、数据丢失、硬件损坏等一系列问题，因此对UPS设备采取有效的管理和维护措施，保障其使用性能至关重要。现今，常用的UPS管理手段是通过动力环境监控系统对UPS进行全天候24h不间断的实时监控。动环监控系统通过解析UPS设备的通讯协议，能够得到UPS设备的运行数据和状态，在设备运行异常时，能够及时发出告警，提示维护人员进行处理。
[0003]但是，现有的监控技术存在数据处理能力低、报警具有滞后性、数据利用率低、预测能力低等问题。现有监控系统主要是根据设定的条件触发告警，并不能对各种数据执行复杂的计算；而且当报警发出时，故障已发生，损失已形成，维护人员只能进行事后分析和维修；随着设备和系统的运行积累，海量的历史数据保存在数据库中，但数据背后隐藏的信息和规律并未得到充分的挖掘和利用；系统无法利用历史数据对设备的未来情况进行预测。
技术实现思路
[0004]为了解决上述问题，本专利技术提供一种UPS设备故障预警方法，基于UPS设备健康运行时期的历史运行数据，捕捉关键指标偏差的变化趋势，提升了预警的准确性，解决了现有技术中预警滞后的问题。
[0005]本专利技术的另一目的是，提供一种UPS设备故障预警系统。
[0006]本专利技术所采用的技术方案是，一种UPS设备故障预警方法，具体包括以下步骤：
[0007]步骤S1：通过数据接入模块或数据接口从动环监控系统获取UPS健康运行时期的各项关键指标的历史数据；
[0008]步骤S2：模型训练模块通过监督学习方法对历史数据进行训练，学习UPS的大量历史数据，找到UPS输出电压与负载率、输出电流或输出频率之间隐藏的规律；
[0009]步骤S3：数据预测模块根据动环监控系统获取的UPS实时运行数据和模型训练模块学习到的规律，预测UPS的输出电压在当前时刻的理论值，以及未来一段时间UPS的输出电压和输出频率；
[0010]步骤S4：健康评估模块把动环监控系统获取的UPS各指标的当前值和历史均值进
行比较，计算所有指标当前值与历史均值的偏离度，与预设的偏离度进行比较；
[0011]步骤S5：故障预警模块把动环监控系统获取的UPS当前运行数据和数据预测模块输出的预估数据进行比较，当二者的偏差大于阈值且持续时间较长，则进行故障报警。
[0012]一种UPS设备故障预警系统，采用上述一种UPS设备故障预警方法，包括：
[0013]动环监控系统，用于获取UPS运行的各项历史数据，并通过数据接入模块输出至模型训练模块；
[0014]模型训练模块，用于根据预设的机器学习方法对输入的历史数据进行训练，获取UPS输出电压与负载率、输出电流或输出频率之间隐藏的规律；
[0015]数据预测模块分别与模型训练模块和动环监控系统连接，用于根据UPS实时运行数据和模型训练模块学习到的规律，预测UPS的输出电压在当前时刻的理论值，以及未来一段时间的UPS输出电压和输出频率；
[0016]健康评估模块分别与动环监控系统和数据预测模块连接，用于对关键指标进行评价；
[0017]故障预警模块分别与动环监控系统和数据预测模块连接，用于对真实值和预估值进行比较，当二者的偏差大于阈值且持续时间较长则进行故障报警。
[0018]本专利技术的有益效果是：
[0019]1、本专利技术实施例对海量的UPS健康运行时期的历史数据进行计算，挖掘其隐藏的规律，捕捉关键指标偏差的变化趋势，实现UPS设备故障征兆尚不明显时对设备异常状态提前预警，从而确保用户提前预知设备运行状态，为设备日常运维及维修更换提供决策参考，变事后维修为预防性维修。能够对不同类型UPS进行训练，对多台UPS同时预测和预警，提高了设备的管理效率，降低设备的非计划停机时间，降低设备维护成本。
[0020]2、基于本专利技术实施例中，只要动环监控系统和预警系统在同一局域网内，预警系统就能够读取原始动环数据，模型训练的方式支持用户本地在线训练，尤其适用于不能使用互联网且保密要求高的用户。现今大多数模型训练平台都是在云端通过互联网远程访问用户数据进行模型训练，对于不能使用互联网的用户，则只能将用户数据拷出，进行训练。而往往不能使用互联网的用户，保密要求较高，数据不允许外传，本专利技术实施例可在用户本地应用，无需将数据拷出，在用户局域网内就可以进行模型训练。
[0021]3、已训练的模型经过长时间使用和自更新后，模型文件支持导出，形成实例化模型，可应用于另一台同类型的UPS设备，通过迭代，能够进一步提升模型预测和预警的准确性。
附图说明
[0022]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0023]图1是本专利技术实施例系统的结构框图。
[0024]图2是本专利技术实施例的总体步骤示意图。
[0025]图3是本专利技术实施例的详细流程示意图。
[0026]图4是本专利技术实施例中模型训练步骤示意图。
[0027]图5是本专利技术实施例中设备管理界面。
[0028]图6是本专利技术实施例的训练配置界面。
[0029]图7a是本专利技术试验例中A相输出电压预估值与真实值的曲线图。
[0030]图7b是本专利技术试验例中B相输出电压预估值与真实值的曲线图。
[0031]图7c是本专利技术试验例中C相输出电压预估值与真实值的曲线图。
[0032]图8是本专利技术试验例中三进三出UPS预测结果。
[0033]图9是本专利技术试验例中单进单出UPS预测结果。
[0034]图10a是本专利技术试验例中A相输出电压的当前预估值和真实值的对比曲线图。
[0035]图10b是本专利技术试验例中B相输出电压的当前预估值和真实值的对比曲线图。
[0036]图10c是本专利技术试验例中C相输出电压的当前预估值和真实值的对比曲线图。
[0037]图10d是本专利技术试验例中A相输出电压的未来预测值和真实值的对比曲线图。
[00本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种UPS设备故障预警方法，其特征在于，具体包括以下步骤：步骤S1：通过数据接入模块或数据接口从动环监控系统获取UPS健康运行时期的各项关键指标的历史数据；步骤S2：模型训练模块通过监督学习方法对历史数据进行训练，学习UPS的大量历史数据，找到UPS输出电压与负载率、输出电流或输出频率之间隐藏的规律；步骤S3：数据预测模块根据动环监控系统获取的UPS实时运行数据和模型训练模块学习到的规律，预测UPS的输出电压在当前时刻的理论值，以及未来一段时间UPS的输出电压和输出频率；步骤S4：健康评估模块把动环监控系统获取的UPS各指标的当前值和历史均值进行比较，计算所有指标当前值与历史均值的偏离度，与预设的偏离度进行比较；步骤S5：故障预警模块把动环监控系统获取的UPS当前运行数据和数据预测模块输出的预估数据进行比较，当二者的偏差大于阈值且持续时间较长，则进行故障报警。2.根据权利要求1所述一种UPS设备故障预警方法，其特征在于，所述步骤S1中，如果UPS为三进三出类型，关键指标的历史数据包括：A相负载率、B相负载率、C相负载率、A相输出电流、B相输出电流、C相输出电流、A相输出电压、B相输出电压、C相输出电压的历史数据；其中，A相负载率、B相负载率、C相负载率、A相输出电流、B相输出电流、C相输出电流作为三进三出UPS输出电压预估模型的输入变量；如果UPS为单进单出或三进单出类型，关键指标的历史数据包括：输出电流、输出频率、输出电压；其中，输出电流、输出频率作为三进单出和单进单出UPS输出电压预估模型的输入变量。3.根据权利要求1所述一种UPS设备故障预警方法，其特征在于，所述步骤S2中，所述监督学习方法为K
‑
最近邻回归方法。4.根据权利要求3所述一种UPS设备故障预警方法，其特征在于，所述步骤S3中，通过python的multiprocessing模块实现多进程的创建，当系统接收到开始预测命令后，系统对每个设备同时开启一个预测进程；当系统接收到停止预测的命令后，则结束进程。5.根据权利要求3所述一种UPS设备故障预警方法，其特征在于，所述步骤S3中，通过python的sklearn包中的内置的KNeighborsRegressor算法实现输出电压的当前值预估；通过python的sktime包中的内置的Naive Forecaster算法实现输出电压和输出频率的未来值预测。6.根据权...
【专利技术属性】
技术研发人员：蔡晶，鲍赟凯，冉军，
申请(专利权)人：陕西柯蓝电子有限公司，
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。