CN115859058A - 一种基于宽度学习网络的ups故障预测方法和*** - Google Patents

Abstract

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***，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‑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。通过本申请解决UPS电池常规运维处理模式中的不足，故障预测方法能兼顾效率和准确，降低维修成本及减少设备意外停机时间，满足UPS故障预测高可靠的要求。

Description

一种基于宽度学习网络的UPS故障预测方法和***

技术领域

本发明属于故障预测与健康管理技术领域，具体涉及一种基于宽度学习网络的UPS故障预测方法和***。

背景技术

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***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。

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。

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。

发明内容

本发明的目的在于提供一种基于宽度学习网络的UPS故障预测***，以解决上述背景技术中提出现有技术中的问题。

为实现上述目的，本发明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。

另一方面，本发明提出一种基于宽度学习网络的UPS故障预测***，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***模块，所述宽度学习***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。

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。

上述小波系数为：

；小波重构公式为：

。

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。

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。

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。

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。

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值，然后再在局部取得全局的最优解，具体过程如下：

首先获得由选择，交叉产生的父代:

；

然后给父代一个扰动ω产生一个新的个体：

；

ω=[-1,1]内连续均匀随机数，0.95为变化因子，T为算法迭代次数；

比较子代和父代的适应度：

若

；

则接受子代为新的解;

否则以如下概率接受该子代：

p（f(n)-f(N)）=exp((f(n)-f(N))/T)；

计算目标函数的适应度：以宽度学习网络输出准确率为目标函数，计算新一代个体的适应度值。

上述单个数据项的值同预警值进行比对时，计算方式如下：

先由统计学方法公式计算历史正常信号的均值μ_M，标准差σ，基于数据驱动的电流、电压，温度阈值设定可通过K-sigma准则进行计算；

;/>

;

电流，电压和温度信号的正常值范围为[μ_M-kσ,μ_M+kσ]；

以下步骤确定k-sigma中k的取值范围：

计算历史正常信号数据的均值μ_m，标准差σ；

计算各个故障数据到正常数据的距离：

;

其中，χ_i为故障数据，χ_m为正常数据；

分别找出d(χ_i,χ_m)中的最大值与最小值：

d_max=max{d(χ_i,χ_m)}，

d_min=min{d(χ_i,χ_m)}；

分别找出d_max的最大数据x_imax和d_min的最小数据x_imin：

x_imax=max{d_max}，

x_imin=min{d_min}；

确定k的最大值k_max与最小值k_min：

x_imin=μ_m+k_minσ，

x_imax=μ_m+k_maxσ；

得出k的取值范围

；

k的值利用网格搜索法进行最优确定。

技术效果和优点：

（1）本发明提出了一种基于宽度学习的UPS故障预测方法和***，该人工智能模型能兼顾效率和准确，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，满足UPS故障预测高可靠的要求。

（2）本发明提出的技术方案对UPS蓄电池信号利用小波包分解可提取信号中的高频分量进行筛选，可有效过滤负荷信号高频噪声，更好地表征UPS蓄电池的各种故障类型。

（3）本发明提出的技术方案通过改进遗传算法对宽度学习网络参数进行寻优，可以避免由于依靠人工经验确定参数取值造成的准确率不高的问题，提高宽度学习诊断准确率。

（4）本发明提出的技术方案通过网格搜索法和K-sigma模型确定各种故障类型报警的阈值范围，用最优的偏差获得预测的高可靠性，最大限度地及时发现UPS电池的各种故障，做到准确预警，保证设备正常运转。

附图说明

图1为本发明实施例中的小波包分解示意图；

图2为本发明实施例中的数据处理流程图；

图3为本发明实施例中的宽度学习原理图；

图4为本发明实施例中的改进遗传优化宽度学习流程图；

图5为本发明实施例中的基于网格搜索法的K-sigma模型阈值预警流程图；

图6为本发明实施例中的宽度学习网络的UPS实时故障预测模型流程图；

图7为本发明实施例中的小波包三层分解各节点时域波形图；

图8为本发明实施例中的收敛曲线图；

图9为本发明实施例中的正常充电电压Q-Q图；

图10为本发明实施例中的UPS电源实时监测图；

图11为本发明实施例中的UPS电源电池实时状态的监测方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。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。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。

本发明实施例中提供了一种基于宽度学习网络的UPS故障预测方法，如图11所示的，包括如下步骤：

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。

本发明实施例中提供了一种基于宽度学习网络的UPS故障预测***，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***模块，所述宽度学习***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。

在本实施例中，具体实施例方式如下：

数据处理，基于时频域特征提取，所谓特征提取，是指通过一系列变换，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。

当UPS电池出现故障时，不同的故障类型会使得信号各频率范围的幅值发生变化，导致对应频段内能量的改变。因此可以将各频段特征作为故障诊断的依据。

利用小波包分解算法对一般时序数据信号进行分析，可有效提取信号的不同频率成分，得到的各信号分量具有更大的平稳性与周期性，其信号特征更加明显。此外，波动性大的高频分量具有较低的预测精度，利用小波包分解可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。一个三层小波包分解如图1所示。

小波系数为

；

小波重构公式为

；

数据处理流程如图2所示。

宽度学习的工作原理：宽度学习***的是一种新发展起来的深度学习结构的替代方案，该网络可以有效避免多层网络中的超参数冗余问题，是基于随机向量函数链接神经网络的***。

不同于原本的RVFLNN直接建立增强节点，BLS将特征进行映射，从而得到一系列映射节点，然后再通过算法得到相应的增强节点。宽度学习***的结构如图3所示。

X表示输入数据矩阵，然后运算矩阵，将

,表示为第i个映射特征即Z_i，W_ei是表示适合的随机权重。

Zⁱ≡[Z¹,…,Zⁱ]；

Zⁱ表示为第i个映射特征群。相似的，第j个增强节点，H_j表示为ζ_j（ZⁱW_hj+β_hj）,将所有第j个增强节点表示为：

H^j≡[H₁,…,H_j]；

在实际中，i,j的大小凭借人为经验选择。另外对于

两个函数可以不同。对于j≠r,ζ_j ，ζ_r两个函数可以不同。为了不失一般性，第i个随机特征/>

和第j个随机特征

ζ_j的下标将在下文省略。

X表示输入矩阵，X中包含着N个样本，每样本具有M维特征。Y为输出矩阵属于

R^N×C，对于n个特征映射，每一个映射产生k个节点。可以由下式表明：

W_ei，β_ei是随机产生的矩阵，将所有的特征节点表示为Zⁿ≡[Z₁,…,Z_n]，将第m个增强节点群表示为H_m≡ζ(ZⁿW_hm+β_hm）,由此宽度***的输入A可表示为：

A=[Z_n|H^m]；

因此宽度***可以表示为下列等式：

故而：

；

其中W^m是宽度结构的链接权重，可以由岭回归近似算出。

。

下述内容符号解释：

生成特征节点：宽度学习的核心就是求特征节点和增强节点到目标值的伪逆。在宽度学习***，特征节点和增强节点相对应的是神经网络的输入，求得的逆矩阵相当于神经网络的权值。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/>

，目的是可以在生成特征节点时可以直接通过矩阵运算增加偏置项。然后开始为每个窗口生成特征节点：

（1）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；

（2）将we放入We{i}中,i表示迭代量,迭代次数为N₂；

（3）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：

；

（4）对A₁进行归一化；

（5）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：

；

（6）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。

生成增强节点;由前文可知特征节点是线性的,所以为了增加***的非线性引入增强节点。

（1）与特征节点一样，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。假设

(N₂×N₁)>N₃),则增强节点的系数矩阵wh可以表示为（N₂×N₁ )×N₃维经过正交规范化的随机矩阵。目的是将特征节点通过非线性映射到一个高维的子空间，使得网络的表达能力更强。

（2）对增强节点进行激活：

;

s为增强节点的缩放尺度；

（3）最终生成网络的输入T_3。

网络最终的输入T₃为

,每个样本的特征维度为N₁×N₂+N₃

（4）求伪逆。

；

算法：宽度学习

输入： 训练样本X;特征节点个数n;增强节点个数m

输出： W

For i=0;i≤n

e 随机取值W_ei，β_ei;

计算

;

end

设置特征映射群Zⁿ=[Z₁,…,Z_n];

For j=1;j≤m

随机取值W_hj，β_hj；

计算H_j=[ζ(ZⁿW_hj+β_hj)];

end

设置增强节点群H^m=[H₁,…,H_m];

设置

和计算/>

用式（4-5）

设置

。

改进的遗传算法:上述是宽度学习网络模型的建立过程，其中合理设置特征节点，增强节点，特征窗口参数的值直接关系到整个网络的性能，利用改进的遗传算法对网络模型参数进行寻优，使得目标函数（网络模型的准确率最高）最优。

遗传算法是一种通过模拟自然进化过程搜索最优解的方法，其主要优点是直接对结构对象进行操作，以目标函数值最优作为搜索信息，避免了求导等复杂操作；采用概率化的寻优方法，不需要确定的规则就能自动获取和指导优化的搜索空间，自适应地调整搜索方向；具有可扩展性，方便同其他技术混合使用。

遗传算法的主要步骤: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。

编码方式有二进制编码，实数编码等编码方式，编码方式对应正确的环境才能使算法更高效。否则容易出现过早收敛、算法效率低等问题。

本发明遗传算法的关键步骤如下：

（1）编码：由于对宽度学习的三个参数进行寻优，且采用二进制编码时需要进行解码，这会导致算法的效率降低，所以采用实数编码。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]。

（2）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，用轮盘赌的选择方式，将适应度大的可行解留下，淘汰小的。

（3）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：

；

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：

。

（4）变异：种群基因的多样性是保证遗传算法寻找到全局最优解的前提条件。在进化过程中由于选择淘汰的个体会导致基因多样性减少，而变异操作会弥补基因不足的缺点，所以遗传算法的变异操作是必不可少的。传统的变异操作是采用随机变异寻优方式，该方式容易导致‘早熟’从而造成局部收敛，使得算法的效率不高。为提高遗传算法的全局寻优能力，提高算法的收敛速度，引入模拟退火算法产生遗传算法操作算子中的变异算子。

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值，然后再在局部取得全局的最优解。具体过程如下:

首先获得由选择，交叉产生的父代:

；

然后给父代一个扰动ω产生一个新的个体：

；

注：ω=[-1,1]内连续均匀随机数，0.95为变化因子，T为算法迭代次数；

比较子代和父代的适应度：

若

；

则接受子代为新的解；

否则以如下概率接受该子代：

p（f(n)-f(N)）=exp((f(n)-f(N))/T)；

计算目标函数的适应度：以宽度学习网络输出准确率为目标函数，计算新一代个体的适应度值，看是否满足循环终止条件，否则重复上述（1），（2），（3），（4），（5）步骤。直至满足终止条件。利用改进遗传算法对BLS模型BLS参数寻优流程如图4所示。

基于网格搜索法的K-sigma模型阈值预警方法:

UPS设备阈值预警模型，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。对于采集到的电流，电压，温度值，需要通过阈值判断等方式确定电流，电压，温度是否异常。根据UPS电池的历史数据中正常电流、电压、温度数据信号进行计算。先由统计学方法公式计算历史正常信号的均值μ_M，标准差σ。基于数据驱动的电流、电压，温度阈值设定可通过K-sigma准则进行计算。

；

；

电流，电压和温度信号的正常值范围为[μ_M-kσ,μ_M+kσ]，为了保证预测及诊断的准确性，确定k-sigma模型k的范围。

首先采集多维历史故障信号数据X_n×5)（n行，5列）；

其中每一列表示UPS电池一个历史故障类型的信号数据（包括历史正常信号），行数表示信号的维数。以下步骤确定k-sigma中k的取值范围：

（1）计算历史正常信号数据的均值μ_M，标准差σ;

（2）计算各个故障数据到正常数据的距离;

；

注：χ_i为故障数据，χ_m为正常数据;

（3）分别找出d(χ_i,χ_m)中的最大值与最小值：

d_max=max{d(χ_i,χ_m) }，

d_min=min{d(χ_i,χ_m) }；

（4）分别找出d_max的最大数据x_imax和d_min的最小数据x_imin：

x_imax=max{d_max}，

x_imin=min{d_min}；

（5）确定k的最大值k_max与最小值k_min：

x_imin=μ_m+k_minσ，

x_imax=μ_m+k_maxσ；

（6）得出k的取值范围

。

k的值利用网格搜索法进行最优确定。网格搜索法的步骤：（1）用历史正常信号确定

μ_M，σ，（2）确定k的取值范围，k的步长为1，（3）计算用故障数据测试各个k值所对应的正确率，（4）终止条件k≥k_max，（5）输出各个阈值范围正确率最高时对应的K值。

当实际测量值处于该范围内，则说明该UPS的电流，电压，温度，电池正常，当实际实时电流或电压值不在该范围，则说明相应电流，电压，温度，电池本身异常，需进行相应处理。基于网格搜索法的K-sigma模型阈值预警方法的流程如图5所示。

针对以上对遗传算法的改进和阈值报警模型，本发明基于宽度学习网络的UPS电池实时故障预测模型的流程如图6所示。

针对该流程图，对本发明提出方案的具体步骤介绍如下：

步骤1：采集UPS蓄电池故障类型分别为过充电，过放电，老化，过热，正常状态时的历史数据；

步骤2：对采集到的故障历史数据进行数据预处理，归一化，小波包特征提取等操作，并将处理后的数据划分为训练集和测试集。

步骤3：设置GA的参数，根据查阅大量相关文献，确定宽度学习***特征节点，增强节点，特征窗口三种参数的取值范围。

步骤4：对需要寻优的三种参数变量进行实数编码。

步骤5：初始化种群，计算个体的适应度值并对其进行选择操作。

步骤6：对其父代进行交叉，基于模拟退火算法的变异产生表现更好的新子代。

步骤7：计算新子代的适应度值，若不满足终止条件，循环步骤5-7，直至条件满足，输出适应度最大对应三种参数具体的最优值。

步骤8：以UPS正常历史数据作为K-sigma模型的输入，利用网格搜索法确定使模型正确率最高的K值，从而确定UPS正常电池最优的阈值预警范围。

步骤9：采集UPS实时数据，先通过K-sigma模型判断是否故障，如果预警故障再由BLS模型输出预测故障类型，准确高效的实时检测UPS蓄电池的状态，保证可靠供电，延长电池组寿命。以上即为本发明的详细技术方案。

本实施例中提出的UPS故障预测模型，该人工智能模型能兼顾效率和准确，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，满足UPS故障预测高可靠的要求。对UPS蓄电池信号利用小波包分解可提取信号中的高频分量进行筛选，可有效过滤负荷信号高频噪声，更好的表征UPS蓄电池的各种故障类型。通过改进遗传算法对宽度学习网络参数进行寻优，可以避免由于依靠人工经验确定参数取值造成的准确率不高的问题，提高宽度学习诊断准确率。通过网格搜索法和K-sigma模型确定各种故障类型报警的阈值范围，用最优的偏差获得预测的高可靠性，最大限度地及时发现UPS电池的各种故障，做到准确预警，保证设备正常运转。

在一些实施例中，UPS电池主要存在铅蓄电池和锂电池两种，锂电池与铅蓄电池相比，拥有密度较高、寿命更长、体积更小、重量相对轻、环保等巨大优势，但是价格昂贵，一旦电池损坏，维修周期长，它最致命的缺点是当电池电流过高，或者遭受撞击时可能发生燃烧甚至***。目前市场上的UPS电池以铅蓄电池为主，所以本发明的实施以铅蓄电池为例。

本实施例中，以采集UPS电池单体充电电压数据信号为例，采用工业级UPS蓄电池，单节电池电压U=12V，32节电池，总电压U=384V，电池容量C=120AH。获取UPS电池发生故障类型分别为过充电，过放电，过热，老化故障，还有正常时电压的历史数据，对数据进行归一化，利用小波包变换进行去噪，特征提取，获得相对应故障类型的特征向量。

采用0-1归一化：

；

将电压信号进行小波包三层分解，得到原信号和各个节点的时域波形图，如图7，其中，（3,0）为节点一的时域波形图；（3,1）为节点二的时域波形图；（3,2）为节点三的时域波形图；（3,3）为节点四的时域波形图；（3,4）为节点五的时域波形图；（3,5）为节点六的时域波形图；（3,6）为节点七的时域波形图；（3,7）为节点八的时域波形图。

由图7可知，净电压数据各频率成分主要集中于低频部分，前2个频段信号集中了净电压信号中主要成分，高频分量中信号波动性大，但其幅值较小，在整个输入信号中占比极小且含有较大的信号噪声。故对高频分量进行剔除，只保留[3.0],[3.1]两节点的信号，利用下面公式进行信号重构。

小波系数为：

；

小波重构公式为：

；

得到UPS电池各故障类型的电压信号特征向量x_特征向量。本次实施例共采集了500组样本，将前面450组样本划分为训练集，后50组样本化分为测试集。

宽度学习参数取值范围的确定：如上所示通过参考大量文献以及交叉实验验证，正则化参数 C = 2^-30; 增强节点缩放因子 s =0.8; 确定宽度学习网络特征节点m，增强节点n，特征窗口数N的取值范围分别为[ 2 20 ]，[ 2 20 ]，[ 50 500 ]。改进的遗传算法。

本实施例结合遗传算法的一些优、缺点，并结合宽度学习参数寻优实际问题，对遗传算法进行改进，以实现本发明的目的。

编码：对宽度学习网络特征节点m，增强节点n，特征窗口数N三个，

参数进行实数化编码，其中种群个体的染色体基因组成为：

N={N_i,N_j,N_k}；

注：N_i∈[2 20] ，N_j∈[2 20]，N_k∈[50 500]。

选择：根据编码种群个体基因，对个体进行适应度（宽度学习输出的准确率）进行计算，从大到小排列，使用轮盘赌策略进行选择操作。

交叉：针对经过选择操作留下的染色体产生一个随机数 ,若该随机数大于等于交叉概率P_c则进行以下的交叉操作，否则在余下的染色体中重新选择一对染色体继续产生一个随机数，并判断是否可进行交叉操作，本可实施例中交叉概率P_c=0.8。在染色体交叉过程中，交叉开始点位和交叉长度均随机产生，以提高种群的随机性，避免算法陷入局部收敛。

变异：传统的变异操作是采用随机变异寻优方式，该方式容易导致‘早熟’从而造成局部收敛，使得算法的效率不高，本发明结合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，先在最优解的附件取值，然后再在局部取得全局的最优解，本实施例中变异概率P_m=0.3，T（迭代次数）=50。

具体过程如下：

首先获得由选择，交叉产生的父代:

；

然后给父代一个扰动ω产生一个新的个体：

；

注：ω=[-1,1]内连续均匀随机数，0.95为变化因子，T为算法迭代次数。

比较子代和父代的适应度：

若

，

则接受子代为新的解。

否则以如下概率接受该子代：

p（f(n)-f(N)）=exp((f(n)-f(N))/T)；

计算新一代种群的适应度值，看是否满足终止条件（N≥50），若不满足重复上述步骤，输出目标函数最大对应三个参数的值。本例中输出结果为m=12，n=12，N=56。

本实施例中基于matlab，改进遗传算法和传统算法的结果如图8所示。从结果可知，传统的遗传算法在一定程度上会出现‘早熟’现象，从而导致局部收敛，这样会对宽度学习网络的诊断正确率造成影响，而本发明提出改进的遗传算法避免了该问题，能达到理想的结果。

基于网格搜索法的K-sigma模型阈值的计算：

验算电压数据信号是否符合正态分布： 将采集的历史正常充电电压数据的Q-Q图如图9所示。

由Q-Q图可知，正常电压数据存在部分点不在直线（正态分布）附近，所以数据信号不符合正态分布。为了保证准确度，设置最优阈值范围，引入K-sigma模型。通过故障信号数据交叉计算确定K的范围为[2 7]。为了避免人为误差采用网格搜索算法对K进行寻优。正常数据的μ_M，σ通过下面公式确定：

；

；

得：μ_M=13.6681，σ=0.1055，由网格搜索法确定最优K=4。所以充电电压正常信号的范围为[13.2461,14.0901]，当实际测量值处于该范围内，则说明该UPS电池正常；当实际实时电压值不在该范围，则说明相应电池本身异常，最后由BLS模型输出预测故障类型。

利用过充电，过放电，过热，老化故障，正常状态的历史数据，通过改进的遗传算法获得宽度学习训练诊断模型，由网格搜索算法和K sigma模型得出对应的最优阈值区间，最终得到满意的预测，诊断模型。通过宽度学习模型，宽度学习+改进遗传算法，宽度学习+改进遗传算法+K sigma模型三种诊断方式结果对比，结果如下表所示。

由结果可知，宽度学习结合改进的遗传算法虽然在时间消耗上比单纯的宽度学习多，但是正确率却大幅提升，表明依靠人工经验确定宽度学习的参数是不可靠的，不能发挥宽度学习在故障诊断上的的最大优势，其结果可能由于人为误差导致并不理想。在此基础上结合K-sigma模型可以进一步的提高该模型的准确率，在UPS电源电池故障诊断上取得满意的效果。

在线实时检测UPS蓄电池的状态。

本实施例中，通过上述宽度学习+改进遗传算法+K-sigma最终诊断模型应用于发生过充故障的UPS电源电池，通过在线实时监测UPS电源发生故障前后的15天实时状况，结果如图10所示。

结果可知，虚线为最终的宽度学习诊断模型根据正常充电电压数据确定的阈值范围，该设备发生故障时，通过实时监测模型能提前实现故障的准确预测，实现提前预警，准确维修，保证设备正常高效运行。

在本实施例中，提供一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行以上实施例中的方法。

上述程序可以在处理器中运行，或者也可以存储在存储器中（或称为计算机可读介质），计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。

这些计算机程序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，对应与不同的步骤可以通过不同的模块来实现。

本实施例中就提供了这样的一种装置或***。该***被称为基于宽度学习网络的UPS故障预测***，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***模块，所述宽度学习***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。

该***或者装置用于实现上述的实施例中的方法的功能，该***或者装置中的每个模块与方法中的每个步骤相对应，已经在方法中进行过说明的，在此不再赘述。

本实施例中提出的UPS故障预测方法和***，该人工智能模型能兼顾效率和准确，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，满足UPS故障预测高可靠的要求。对UPS蓄电池信号利用小波包分解可提取信号中的高频分量进行筛选，可有效过滤负荷信号高频噪声，更好地表征UPS蓄电池的各种故障类型。通过改进遗传算法对宽度学习网络参数进行寻优，可以避免由于依靠人工经验确定参数取值造成的准确率不高的问题，提高宽度学习诊断准确率。通过网格搜索法和K-sigma模型确定各种故障类型报警的阈值范围，用最优的偏差获得预测的高可靠性，最大限度地及时发现UPS电池的各种故障，做到准确预警，保证设备正常运转。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

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***，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***模块，所述宽度学习***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***，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***，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***，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***，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***，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***，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。

9.根据权利要求8所述的一种基于宽度学习网络的UPS故障预测***，其特征在于：所述遗传算法，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，

；

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值，然后再在局部取得全局的最优解，具体过程如下：

首先获得由选择，交叉产生的父代:

；

然后给父代一个扰动ω产生一个新的个体：

；

内连续均匀随机数，0.95为变化因子，T为算法迭代次数；

比较子代和父代的适应度：

若

；

则接受子代为新的解

否则以如下概率接受该子代：

p（f(n)-f(N)）=exp((f(n)-f(N))/T)；

计算目标函数的适应度：以宽度学习网络输出准确率为目标函数，计算新一代个体的适应度值。

10.根据权利要求9所述的一种基于宽度学习网络的UPS故障预测***，其特征在于：单个数据项的值同预警值进行比对时，计算方式如下：

先由统计学方法公式计算历史正常信号的均值μ_m，标准差σ，基于数据驱动的电流、电压，温度阈值设定可通过K-sigma准则进行计算；

；

；

电流，电压和温度信号的正常值范围为[μ_M-kσ,μ_M+kσ]；

以下步骤确定k-sigma中k的取值范围：

计算历史正常信号数据的均值μ_m，标准差σ；

计算各个故障数据到正常数据的距离：

；

其中，χ_i为故障数据，χ_m为正常数据；

分别找出d(χ_i,χ_m)中的最大值与最小值：

d_max=max{d(χ_i,χ_m) }，

d_min=min{d(χ_i,χ_m) }；

分别找出d_max的最大数据x_imax和d_min的最小数据x_imin：

x_imax=max{d_max }，

x_imin=min{d_min }；

确定k的最大值k_max与最小值k_min：

x_imin=μ_m+k_min σ，

x_imax=μ_m+k_max σ；

得出k的取值范围k

[k_min，k_max]；

k的值利用网格搜索法进行最优确定。

Images