一种不间断电源并机系统的监控方法及系统与流程

本发明涉及网络监控，尤其涉及一种不间断电源并机系统的监控方法及系统。

背景技术：

1、网络监控技术领域主要关注于通过电子网络对各种系统和设备进行实时监控、管理和控制。这项技术广泛应用于数据中心、工业控制系统、能源管理等多个方面。在不间断电源（ups）并机系统中，网络监控技术尤为重要，因为涉及电力的连续供应和系统的稳定性。通过网络监控，可以实时收集和分析数据，监控系统性能，预测潜在问题，并及时进行调整和维护。这种技术通常包括数据采集、信号处理、故障检测和响应机制等关键环节，以确保整个电力系统的可靠和高效运行。

2、其中，不间断电源并机系统的监控方法是一种用于管理和控制多个ups设备并联运行的技术。这种方法的目的是为了确保电力供应的连续性和可靠性，特别是在关键设施和重要业务场景中。并机运行的ups系统能够提供更高的功率输出，同时也增加了系统的冗余性，确保在单个ups设备故障时系统仍然能够正常运行。监控方法的主要目标是实时监测每台ups的性能状态，包括负载、电池状态、运行效率等，以及确保所有ups设备在并机状态下的协同工作。通过这种监控，及时发现并解决问题，减少故障停机时间，从而达到提高系统可靠性和运行效率的效果。

3、传统的不间断电源并机系统监控方法存在一些不足之处，在数据处理方面，传统方法往往缺乏高效的噪声过滤和数据标准化处理，导致监控数据存在误差，影响决策的准确性。缺乏深入的时间序列分析和性能监测，使得系统状态的监控不够全面，难以实时准确反映系统的实际运行状况。此外，传统方法在参数调整上多依赖于手动设置或固定算法，缺乏灵活性和自适应性，不利于应对复杂多变的运行环境。在故障检测方面，传统方法通常没有应用先进的深度学习技术，故障识别的准确性和及时性不足。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点，而提出的一种不间断电源并机系统的监控方法及系统。

2、为了实现上述目的，本发明采用了如下技术方案：一种不间断电源并机系统的监控方法，包括以下步骤：

3、s1：基于原始监控数据，采用数据清洗和预处理技术，包括噪声过滤和数据归一化，生成规范化监控数据；

4、s2：基于所述规范化监控数据，采用时间序列分析和性能监测算法，进行系统负载和电池状态监控，生成实时性能监控报告；

5、s3：基于所述实时性能监控报告，应用决策树和自适应神经网络算法，动态调整监控参数，生成自适应监控参数设置；

6、s4：基于所述自适应监控参数设置，利用深度学习的异常检测技术，通过卷积神经网络识别故障模式，生成故障预警信号；

7、s5：基于所述故障预警信号，执行动态负载分配和冗余管理算法，自动优化负载分配，生成优化后的负载分配；

8、s6：基于所述优化后的负载分配，在边缘计算节点上运行深度神经网络模型，并处理数据，生成边缘处理监控数据；

9、s7：基于所述边缘处理监控数据，应用虚拟仿真技术和数字孪生模型，模拟故障场景，为操作人员提供培训，生成虚拟仿真培训单元；

10、所述实时性能监控报告包括系统负载水平、电池状态和温度指标，所述自适应监控参数设置包括调整后的监控频率、敏感度设置和警报阈值，所述故障预警信号包括识别的功率异常、温度波动和电池性能下降指标，所述优化后的负载分配包括重新分配的设备负载比例和更新的冗余配置，所述边缘处理监控数据包括加速处理的性能数据和边缘节点故障检测结果，所述虚拟仿真技术包括数字孪生模型和多场景故障模拟。

11、作为本发明的进一步方案，基于原始监控数据，采用数据清洗和预处理技术，包括噪声过滤和数据归一化，生成规范化监控数据的步骤具体为：

12、s101：基于原始监控数据，采用噪声识别算法进行噪声过滤，并进行数据筛选，生成去噪后的数据；

13、s102：基于所述去噪后的数据，采用异常值处理方法进行异常检测和处理，并整理数据，生成异常处理后的数据；

14、s103：基于所述异常处理后的数据，应用数据归一化技术进行归一化处理，并进行数据标准化，生成归一化处理后的数据；

15、s104：基于所述归一化处理后的数据，执行数据整合和格式化，确保数据的一致性和便于分析，生成规范化监控数据；

16、所述噪声识别算法包括小波变换和频谱分析，所述异常值处理方法包括箱线图和标准差法，所述数据归一化技术包括最小-最大规范化和z分数规范化。

17、作为本发明的进一步方案，基于所述规范化监控数据，采用时间序列分析和性能监测算法，进行系统负载和电池状态监控，生成实时性能监控报告的步骤具体为：

18、s201：基于所述规范化监控数据，采用时间序列分析方法分析数据时间依赖性，生成时间序列分析结果；

19、s202：基于所述时间序列分析结果，应用负载预测技术进行系统负载预测，生成系统负载预测数据；

20、s203：基于所述系统负载预测数据，利用电池状态监测算法评估电池状态，生成电池状态监测数据；

21、s204：基于所述电池状态监测数据，整合时间序列分析结果、电池状态监测数据，制作实时性能监控报告；

22、所述时间序列分析方法包括自回归模型和移动平均模型，所述负载预测技术包括支持向量机和神经网络，所述电池状态监测算法包括卡尔曼滤波和循环伏安法。

23、作为本发明的进一步方案，基于所述实时性能监控报告，应用决策树和自适应神经网络算法，动态调整监控参数，生成自适应监控参数设置的步骤具体为：

24、s301：基于所述实时性能监控报告，采用信息增益决策树算法，识别关键性能指标，并生成关键性能指标清单；

25、s302：基于所述关键性能指标清单，应用梯度下降自适应神经网络算法，预测性能趋势，并生成预测性能趋势报告；

26、s303：基于所述预测性能趋势报告，运用粒子群优化算法，确定最优监控参数配置，并生成最优监控参数配置方案；

27、s304：基于所述最优监控参数配置方案，调整监控系统参数，实现动态监控，并生成自适应监控参数设置；

28、所述信息增益决策树算法包括分类回归树、id3算法和c4.5算法，所述梯度下降自适应神经网络算法包括多层感知器、反向传播网络和自适应学习率网络，所述粒子群优化算法包括基本粒子群优化、局部最优pso和全局最优pso。

29、作为本发明的进一步方案，基于所述自适应监控参数设置，利用深度学习的异常检测技术，通过卷积神经网络识别故障模式，生成故障预警信号的步骤具体为：

30、s401：基于所述自适应监控参数设置，运用自编码器异常检测技术，分析监控数据，并生成异常检测分析报告；

31、s402：基于所述异常检测分析报告，应用特征提取卷积神经网络识别故障模式，并生成故障模式识别报告；

32、s403：基于所述故障模式识别报告，进行关联规则挖掘，验证故障模式，并生成故障模式验证报告；

33、s404：基于所述故障模式验证报告，采用逻辑规则引擎，生成预警信号，并生成故障预警信号；

34、所述自编码器异常检测技术包括稀疏自编码器、去噪自编码器和变分自编码器，所述特征提取卷积神经网络包括lenet、alexnet和vgg网络，所述关联规则挖掘包括apriori算法、fp-growth算法和eclat算法，所述逻辑规则引擎包括推理引擎、模式匹配算法和决策表。

35、作为本发明的进一步方案，基于所述故障预警信号，执行动态负载分配和冗余管理算法，自动优化负载分配，生成优化后的负载分配的步骤具体为：

36、s501：基于所述故障预警信号，采用循环负载平衡算法，分析系统负载，生成初步负载分配方案；

37、s502：基于所述初步负载分配方案，应用资源冗余管理策略，生成冗余优化报告；

38、s503：基于所述冗余优化报告，运用动态资源调度技术，调整资源分配比例，生成动态资源调配方案；

39、s504：基于所述动态资源调配方案，进行负载平衡，生成优化后的负载分配；

40、所述循环负载平衡算法包括轮询调度和加权轮询调度，所述资源冗余管理策略包括主备份冗余和多副本冗余，所述动态资源调度技术包括虚拟机迁移和容器调度。

41、作为本发明的进一步方案，基于所述优化后的负载分配，在边缘计算节点上运行深度神经网络模型，并处理数据，生成边缘处理监控数据的步骤具体为：

42、s601：基于所述优化后的负载分配，执行边缘计算节点准备流程，生成边缘节点准备报告；

43、s602：基于所述边缘节点准备报告，部署深度卷积神经网络模型，进行数据处理，生成模型部署和初步处理报告；

44、s603：基于所述模型部署和初步处理报告，执行深度数据分析，提取关键信息，生成深度分析报告；

45、s604：基于所述深度分析报告，进行数据优化处理，验证准确性和效率，生成边缘处理监控数据；

46、所述边缘计算节点准备流程包括资源分配和网络连接配置，所述深度卷积神经网络模型包括googlenet、resnet和densenet，所述深度数据分析包括特征工程和模型微调。

47、作为本发明的进一步方案，基于所述边缘处理监控数据，应用虚拟仿真技术和数字孪生模型，模拟故障场景，为操作人员提供培训，生成虚拟仿真培训单元的步骤具体为：

48、s701：基于所述边缘处理监控数据，采用数据融合和标准化技术，进行数据整合和格式化，生成数据整合报告；

49、s702：基于所述数据整合报告，应用三维建模和场景重建技术，创建数字孪生模型，生成数字孪生模型报告；

50、s703：基于所述数字孪生模型报告，运用增强现实技术，构建虚拟仿真环境，生成虚拟仿真环境报告；

51、s704：基于所述虚拟仿真环境报告，设计交互式培训程序，结合ar技术和数字孪生模型，提供操作培训，生成虚拟仿真培训单元；

52、所述数据融合和标准化技术包括多源数据融合、数据清洗和标准化处理，所述三维建模和场景重建技术包括cad建模、点云数据处理和场景重建算法，所述增强现实技术包括图像识别、三维重叠和交互式界面设计。

53、一种不间断电源并机系统的监控系统，所述不间断电源并机系统的监控系统用于执行上述不间断电源并机系统的监控方法，所述系统包括数据预处理模块、性能监控模块、参数调整模块、异常检测模块、负载管理模块、边缘计算与培训模块。

54、作为本发明的进一步方案，所述数据预处理模块基于原始监控数据，采用信号处理技术进行噪声过滤，再应用统计方法进行数据归一化，生成规范化监控数据；

55、所述性能监控模块基于规范化监控数据，采用自回归移动平均模型和机器学习预测技术，进行系统负载和电池状态监控，生成实时性能监控报告；

56、所述参数调整模块基于实时性能监控报告，应用决策树分析和神经网络预测模型，动态调整监控参数，建立自适应监控参数设置；

57、所述异常检测模块基于自适应监控参数设置，利用深度学习异常检测算法和卷积神经网络，识别故障模式，生成故障预警信号；

58、所述负载管理模块基于故障预警信号，采用动态负载平衡算法和资源配置策略，生成优化后的负载分配；

59、所述边缘计算与培训模块基于优化后的负载分配，在边缘计算节点上运行深度神经网络模型，并结合虚拟仿真技术和数字孪生模型，生成虚拟仿真培训单元。

60、与现有技术相比，本发明的优点和积极效果在于：

61、本发明中，通过应用数据清洗和预处理技术，包括噪声过滤和数据归一化，能够有效提高监控数据的准确性和可靠性。利用时间序列分析和性能监测算法进行系统负载和电池状态监控，增强了对系统运行状态的实时监控能力，使得监控报告更为详尽、准确。通过决策树和自适应神经网络算法的应用，能够动态调整监控参数，从而对系统进行更为灵活和高效的管理。深度学习的异常检测技术和卷积神经网络的使用，极大提升了故障模式的识别准确率，从而有效预警系统故障。结合动态负载分配和冗余管理算法，以及边缘计算技术的应用，优化系统的负载分配，提高了整个系统的稳定性和效率。