基于稀疏混合专家模型的电源检测方法、装置、设备及介质与流程
本发明涉及电源检测的,尤其涉及一种基于稀疏混合专家模型的电源检测方法、装置、设备及介质。
背景技术:
1、配电通信网中的交换机、通信节点及相关控制设备通常需要配置不间断电源(ups),以保证在市电异常、短时断电或电源波动条件下仍能够维持通信链路和调度控制业务的连续运行。ups电源中的锂离子电池在长期浮充、周期性充放电、温度变化和负载波动等条件下会逐渐老化,其容量、内阻和放电能力随时间发生退化。
2、为此,需要对ups电源电池进行检测处理,以确定其健康状态(soh)和剩余使用寿命(rul),以便技术人员对其进行运维检修、备件更换和风险预警。其中一种常用的检测方法是:预先采集电源的电压、电流和温度参数,利用电压、电流和温度参数进行深度学习(例如cnn、rnn或标准transformer),得到电源检测模型,再调用电源检测模型进行检测处理,以确定电源的健康状态(soh)和剩余使用寿命(rul)。
3、但采用上述的方法有如下技术问题:不同电源的内部退化物理特征、电池容量尺度和衰减速率均不同,各类差异可能引发分布漂移,仅利用电压、电流和温度参数训练的深度学习模型难以识别各种差异,导致检测结果与实际有偏差;而且单一的深度学习模型无法适配电源的多阶段退化过程,进一步增加检测的偏差。
技术实现思路
1、本发明提供了一种基于稀疏混合专家模型的电源检测方法、装置、设备及介质,能够解决现有技术存在的一个或多个的技术问题。
2、本发明实施例的第一方面提供了一种基于稀疏混合专家模型的电源检测方法,所述方法包括:
3、分别获取采集电源的历史运行数据和容量退化数据;
4、根据所述历史运行数据和所述容量退化数据确定增量容量特征,其中,所述增量容量特征是电源在充电过程中的增量容量特征;
5、利用所述增量容量特征和所述历史运行数据构建多维输入序列,其中,所述多维输入序列包括融合输入特征、历史输入序列以及预测输出序列;
6、根据所述多维输入序列和所述增量容量特征对预设专家架构进行模型训练,得到稀疏混合专家模型,其中,预设专家架构包括多个专家网络;
7、调用所述稀疏混合专家模型根据电源的实时运行数据确定电源的检测参数,其中,所述检测参数包括:剩余寿命值和健康状态百分比值。
8、本发明调用包含多个专家网络的模型进行电源检测,可以避免单一深度学习模型难以识别不同电源的内部退化物理特征、电池容量尺度和衰减速率差异而导致检测结果与实际有偏差的问题,而且多个专家网络也可以适配电源的多阶段退化过程,进一步提升检测的精度。
9、结合第一方面,在一种实现方式中,所述根据所述历史运行数据和所述容量退化数据确定增量容量特征,包括:
10、从所述历史运行数据获取恒流充电数据,其中,所述恒流充电数据是电源在恒流充电阶段的电压序列和容量序列;
11、利用所述恒流充电数据构建插值容量曲线,并将所述插值容量曲线转换成固定维度的增量容量特征向量,其中,所述插值容量曲线是利用恒流充电数据构建曲线并进行插值处理得到的曲线;
12、对所述增量容量特征向量进行高斯平滑滤波得到滤波特征向量,并根据所述容量退化数据将所述滤波特征向量划分训练参数样本,得到增量容量特征。
13、结合第一方面,在一种实现方式中,所述利用所述增量容量特征和所述历史运行数据构建多维输入序列,包括:
14、从所述历史运行数据提取运行标量特征数据,其中,所述运行标量特征数据包括:平均电压、平均电流、平均温度和累计循环次数;
15、拼接所述运行标量特征数据和所述增量容量特征得到融合输入特征;
16、按时间顺序将所述融合输入特征与若干个历史时间步特征向量堆叠连接,得到历史输入序列;
17、以所述融合输入特征为起点,基于预设预测步长构建模型的输出目标,得到预测输出序列。
18、结合第一方面,在一种实现方式中,所述根据所述多维输入序列和所述增量容量特征对预设专家架构进行模型训练,得到稀疏混合专家模型,包括:
19、对所述多维输入序列进行可逆实例归一化处理,得到归一化时序特征;
20、利用所述归一化时序特征和所述增量容量特征的训练参数样本对预设专家架构进行模型训练,得到稀疏混合专家模型。
21、结合第一方面,在一种实现方式中,所述对所述多维输入序列进行可逆实例归一化处理,得到归一化时序特征,包括:
22、利用所述历史输入序列计算时序参数,其中,所述时序参数包括:时序均值和时序标准差;
23、采用所述时序参数对所述融合输入特征和所述预测输出序列进行归一化处理,分别得到归一化融合特征和归一化预测序列;
24、分别对所述归一化融合特征和所述归一化预测序列进行可逆实例归一化处理,得到归一化时序特征。
25、结合第一方面,在一种实现方式中,所述预设专家架构,包括:多分辨率预测头、多个不同的专家网络和一个路由器;
26、其中,所述路由器用于根据隐藏状态确定多个不同专家网络的选择概率,所述隐藏状态是根据所述归一化时序特征生成;
27、所述多分辨率预测头包括短期预测分支和长期趋势预测分支。
28、结合第一方面,在一种实现方式中,在所述调用所述稀疏混合专家模型根据电源的实时运行数据确定电源的检测参数的步骤后,所述方法还包括:
29、当所述健康状态百分比值小于预设健康阈值或者所述剩余寿命值小于预设电量维护值,则生成预警信息;
30、或者;
31、当根据所述健康状态百分比值和所述剩余寿命值进行多级预警处理。
32、本发明实施例的第二方面提供了一种基于稀疏混合专家模型的电源检测装置,所述装置包括:
33、获取模块,用于分别获取采集电源的历史运行数据和容量退化数据;
34、确定模块,用于根据所述历史运行数据和所述容量退化数据确定增量容量特征,其中,所述增量容量特征是电源在充电过程中的增量容量特征;
35、构建模块,用于利用所述增量容量特征和所述历史运行数据构建多维输入序列,其中,所述多维输入序列包括融合输入特征、历史输入序列以及预测输出序列;
36、训练模块,用于根据所述多维输入序列和所述增量容量特征对预设专家架构进行模型训练,得到稀疏混合专家模型,其中,预设专家架构包括多个专家网络;
37、检测模块,用于调用所述稀疏混合专家模型根据电源的实时运行数据确定电源的检测参数,其中,所述检测参数包括:剩余寿命值和健康状态百分比值。
38、相比于现有技术,本发明实施例提供的一种基于稀疏混合专家模型的电源检测方法、装置、设备及介质,其有益效果在于:本发明可以分别获取采集电源的历史运行数据和容量退化数据;根据历史运行数据和容量退化数据确定增量容量特征;利用增量容量特征和历史运行数据构建多维输入序列;根据多维输入序列和增量容量特征对预设专家架构进行模型训练,得到稀疏混合专家模型,其中,预设专家架构包括多个专家网络;调用稀疏混合专家模型根据电源的实时运行数据确定电源的剩余寿命值和健康状态百分比值。本发明调用包含多个专家网络的模型进行电源检测,可以避免单一深度学习模型难以识别不同电源的内部退化物理特征、电池容量尺度和衰减速率差异而导致检测结果与实际有偏差的问题,而且多个专家网络也可以适配电源的多阶段退化过程,进一步提升检测的精度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com