[发明专利]一种基于数字孪生和机器学习的UPS健康预测方法、系统、电子设备及可存储介质

权利要求书

1.一种基于数字孪生和机器学习的UPS健康预测方法，其特征在于，所述方法包括：

利用传感器和监控设备对UPS实体各模块以及所处机房环境的相关参量进行采集；

利用高速带宽传输将数据存储至数据库，并将数据预处理得到归一化特征；

根据UPS实体和机房环境实体的外观构造，以及数据传递层所传输的各类数据参量对整个UPS系统进行数字孪生体建模，实现UPS实体和环境实体与所构造的数字孪生体之间一一映射关系；再利用机器学习和深度学习方法，将数字孪生体的各参量数据输入“特征提取网络+多任务特征学习网络”算法模型进行计算，评估UPS健康状态、预测UPS剩余使用寿命；

所述“特征提取网络+多任务特征学习网络”算法模型，具体包括：

特征提取网络通过综合应用马尔科夫机和残差卷积网络实现对不同类型的UPS数据参量和机房环境参量的时空特征提取，包括采用符号动力学滤波方法参量转换成符号序列；对于同一类型参量，采用D-马尔科夫机生成状态转移概率矩阵；对于不同类型参量之间，采用XD-马尔科夫机生成状态转移概率关联矩阵；最后所生成的同一类型的状态转移矩阵Π_aa和不同类型之间的状态概率关联矩阵Π_ab作为残差卷积网络的输入，进行特征提取；

多任务特征学习网络结构，包括输入层、特征提取网络、多任务网络，其中所述多任务网络包括UPS剩余使用寿命预测分支和健康状态分类分支；

UPS剩余使用寿命预测分支由长短期记忆网络实现，将特征提取网络得到的输出特征，经过连续三个长期短期记忆网络堆叠融合，得到最终剩余使用寿命的输出y^t：

y^t＝sigmoid(W′·h^t)

其中h^t表示LSTM单元当前的外部状态，W′为输出y^t的权重矩阵；

健康状态分类分支通过“全连接层+Softmax分类器”实现；通过特征提取网络传来的特征参量，首先经过一个全连接层把所提取到的特征参量转换为m×1维向量，m为特征参量个数，再通过softmax分类器构造多元分类器，分为“正常运行”、“性能退化”、“异常故障”类别；对于提取到的m个特征x＝{x⁽¹⁾,x⁽²⁾,…x⁽ⁱ⁾,…,x^(m)}，每个特征x⁽ⁱ⁾会对应有三个类别概率值p(y⁽ⁱ⁾＝j|x⁽ⁱ⁾；θ)，计算公式为：

其中，为Softmax分类器模型的参数，y⁽ⁱ⁾表示类别标签；

最终所得到的输出类别概率p_class通过下式计算：

p_class为最终的输出类别概率，最大值对应的类别k，k＝1,2,3，即最终所被判定的UPS健康状态类别；

根据评估的UPS健康状态、预测的UPS剩余使用寿命，结合蚁群搜索算法，给出维护决策建议。

2.如权利要求1所述的基于数字孪生和机器学习的UPS健康预测方法，其特征在于，所述利用传感器和监控设备对UPS实体各模块以及所处机房环境的相关参量包括：传感器采集的参量：UPS输入电压V_I、输出电压V_O、输入电流A_I、输出电流A_O、负载百分比ε_R、中性线电流I_n、每单体电池放电的截止电压V_C、每24小时电池自动均浮充转换次数N_t、蓄电池温度T_b、整流器温度T_r、升压器温度T_p、逆变器温度T_i、风扇电机温度T_f)、机房环境温度T_c、空气湿度H_a.；监控设备感知的参量：UPS元器件外观apr是否正常、散热风口及滤网清洁情况cle是否正常、UPS输出波形wav是否正常、UPS显示面板pan是否正常、接口和端子连接cnt是否正常；若参量在某时刻处于正常状态，则所述参量值记为0，若处于异常状态则记为1。