一种基于BP神经网络的UPS状态评估方法、装置及存储介质

一种基于bp神经网络的ups状态评估方法、装置及存储介质
技术领域
1.本发明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。


背景技术：

2.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。
3.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。
4.这种现有技术方案在使用时还存在以下问题：
5.1.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；
6.2.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；
7.所以需要针对上述问题进行改进，来解决所述的技术问题。


技术实现要素：

8.本发明的目的在于提供一种基于bp神经网络的ups状态评估方法，以解决上述背景技术中提出的问题。
9.为实现上述目的，本发明提供如下技术方案：
10.一种基于bp神经网络的ups状态评估方法。包括如下步骤：
11.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；
12.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；
13.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；
14.s4，构建模型的评价指标，通过验证设置算法的最佳参数；
15.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。
16.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。
17.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。
18.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。
19.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。
20.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。本发明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。
21.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。
22.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。
23.可选的，所述的bp神经网络模型搭建所需的具体流程包括：
24.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为本发明所构建的评估公式，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]
本发明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，但由于本发明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]
本发明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发明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，可以根据ups具体型号参数设定ups配置参数，所述可执行程序在被执行时使所述处理器执行上述任一项所述的方法，将最终结果得以显示。
[0059]
所述装置还可以包括ups设备统计数据接口、用户交互模块或输出显示模块；通过用户交互模块设定ups配置参数，输出显示模块输出所述的预测评分值。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。
[0060]
本说明书实施例还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述任一项方法。
[0061]
本说明书实施例提供的各种技术方案通过获取ups的相关数据，输入控制参数，基
于bp神经网络的ups状态评估方法，以运行状态模块为对象，选取智能控制算法代替人为评估流程，使得ups实时评估准则跟随监测数据的实时变化。
[0062]
本发明构建了一套基于bp神经网络算法的ups评估系统，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，并显示测试ups的健康度评分数据。使得ups评估准则可以更加贴合监测数据的实时变化，解决了ups设备实时状态这种非线性、非平稳的复杂系统中传统预测方法效果欠佳的问题，进一步实现了ups的视情维修即评估未来时间段设备状态的预测功能，具有实际工程价值。
附图说明
[0063]
图1为本发明实施例提供的一种基于bp神经网络的ups状态评估方法流程图；
[0064]
图2为本发明实施例提供的ups状态评分系统的评分结构图；
[0065]
图3为本说明书实施例提供的一种装置的结构示意图；
[0066]
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
具体实施方式
[0067]
为了使本发明实施的目的、技术方案和优点更加清楚，下面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详细地描述。
[0068]
通过ups状态评分系统历史数据分析影响设备评分的数据包括大量动态实时数据，也包括发生频率较低或事件驱动型，受人为经验影响较大据集；同时不同数据对于设备评测重要性不同。
[0069]
图1为本实施例提供的一种基于bp神经网络的ups状态评估方法流程图，包括如下步骤：
[0070]
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；
[0071]
由于构建的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。因此可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设备相关数据的问题。
[0072]
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比例系数，可以通过经验值获得也可通过历史数据分析进一步精进。
[0073]
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。
[0074]
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。可根据实际情况独立的通过采样频率或数据权重系数而确定。
[0075]
ups实时监测数据集采样频率不小于模块评分集采样频率；
[0076]
由于ups当前状态运行可总体分为三种情况：退出运行、降级运行以及正常运行，本发明将判断其运行方式的依据，即将交流输出的abc三相电压、ups输出的abc三相电压以及交流旁路的abc三相电压这9类数据作为在ups数据采集系统中采取的对象。
[0077]
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；
[0078]
如图2所示，选取ups的部分实时监测数据作为系统中运行状态模块的组成部分，与模块评分集各模块汇总参与智能算法的运行，将使得评估系统客观且具有实时性。
[0079]
由于本发明的研究对象为企业中应用的ups状态评估系统，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，因此本发明以一周为周期、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，并将其作为ups及蓄电池运行状态与模块评分集各模块的评分汇总，根据算法所需划分为训练集、验证集和测试集在专用dsp系统中运行。
[0080]
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，其算法具体流程如下：
[0081]
由于当bp神经网络中的激活函数采取s型的非线形可微分函数时，输出值可以被控制在比较小的数值区域下，所以本发明采取sigmoid函数，公式如下:
[0082][0083]
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:
[0084][0085]
h＝f(g)
[0086]
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:
[0087][0088]
y＝f(m)
[0089]
计算输出层的一般性误差d:
[0090]
d＝(o-y)
·
y(1-y)
[0091]
计算隐含层的一般性误差e:
[0092][0093]
去修整连接权值v和阙值γ:
[0094]
v(n+1)＝v(n)+α
·d·h[0095]
γ(n+1)＝γ(n)+α
·d[0096]
再去修整连接权值w和阙值θ：
[0097]
w(n+1)＝w(n)+e
·
β
·
α
[0098]
θ(n+1)＝θ(n)+e
·
β
[0099]
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。
[0100]
式中除已标识的字母外，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。
[0101]
本发明选取上述ups实时监测数据中判断当前状态的9类数据与模块评分集各模块的评分作为输入层的神经元，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，搭建三层的bp神经网络模型。
[0102]
s4：构建模型的评价指标，通过验证设置算法的最佳参数。bp神经网络模型中相关
参数的设置对整体仿真性能的影响至关重要，需要验证数据集通过验证来进行调参和评估。本发明主要通过以下几种指标对模型性能进行评价：
[0103][0104][0105][0106]
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，y’为预测值，n为测试的数据个数。
[0107]
同时，虽然迭代训练次数设置越多，模型预测值的误差越小，但由于本发明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，因此本发明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，其构建的公式w如下所示：
[0108][0109]
其中，t为仿真运行所需的迭代次数。
[0110]
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，通过dsp输出模块界面显示其预测评分值。
[0111]
本发明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。测试表明，输入测试样本数据后通过dsp输出模块界面显示的预测评分值与实际值吻合程度高，模型精度可达到99.97％，变化趋势相同，且误差变化波动小，模型预测稳定，表明运用bp神经网络算法构建模型来预测系统状态评分，通过实时监测数据细化ups评估准则、实现系统状态评分预测的方法可行。
[0112]
基于同一发明构思，本说明书实施例还提供一种装置。
[0113]
下面描述本发明的装置实施例，该装置可以视为对于上述本发明的方法实施例的具体实体实施方式。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
[0114]
图3为本说明书实施例提供的一种装置的结构示意图。下面参照图3来描述根据本发明该实施例的装置e。图3显示的装置e仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0115]
如图3所示，装置e以通用计算设备的形式表现。装置的组件可以包括但不限于：至少一个处理单元e1、至少一个存储单元e2、连接不同系统组件(包括存储单元e1和处理单元e2)的总线e3、显示单元e4等。
[0116]
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元e1执行，使得所述处理单元e1执行本说明书上述处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元e1可以执行如图1所示的步骤。
[0117]
所述存储单元e2可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)e21和/或高速缓存存储单元e22，还可以进一步包括只读存储单元(rom)e23。
[0118]
所述存储单元e2还可以包括具有一组(至少一个)程序模块e25的程序/实用工具e24，这样的程序模块e25包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0119]
总线e3可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0120]
装置e也可以与一个或多个外部设备i(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该装置e交互的设备通信，和/或与使得该装置e能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口e5进行。并且，装置e还可以通过网络适配器e6与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器e6可以通过总线e3与装置e的其它模块通信。应当明白，尽管图3中未示出，可以结合装置e使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0121]
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：如图1所示的方法。
[0122]
实施例提供的一种装置还可以包括ups设备统计数据接口、用户交互模块或输出显示模块；通过用户交互模块设定ups配置参数，输出显示模块输出所述的预测评分值。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。
[0123]
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
[0124]
实现图1所示方法的计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0125]
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或
者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0126]
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0127]
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0128]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0129]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0130]
以上所述的实施例仅用以说明本发明的技术方案，并不对其进行限制。任何本领域的技术人员可对前述的技术方案就行修改，对部分或者全部特征进行替换，并不使相应技术方案的本质脱离本发明技术方案的范围。