[发明专利]一种诊断电源故障的方法、系统、设备及介质

说明书

本发明公开了一种诊断电源故障的方法、系统、设备和存储介质，方法包括：采集电源在正常状态和故障状态下的原始多源数据，并对所述原始多源数据进行预处理以得到多源数据；离线阶段对所述多源数据进行深度特征提取以得到源域数据，并根据所述源域数据得到预训练模型；在线阶段对所述多源数据进行深度特征提取以分别得到源域数据和目标域数据，并降低所述源域数据和所述目标域数据的分布差异以将所述预训练模型更新为训练模型；以及根据所述训练模型对电源的故障类型进行预测。本发明采用域自适应迁移学习对数据中心UPS状态进行智能识别，能够自动诊断UPS故障类型，鲁棒性高且节省人力。

技术领域

本发明涉及电源领域，更具体地，特别是指一种诊断电源故障的方法、系统、计算机设备及可读介质。

背景技术

随着数字化进程的不断加速以及人工智能技术的不断进步，数据中心的需求越来越大。模块化数据中心(MDC)是为了应对云计算、虚拟化、集中化、高密化等服务器的变化，为了提高数据中心的运营效率而采用的新的理念，相比于传统的数据中心，它具有快速部署、绿色节能以及柔性扩展的优点。数据中心的状态监测与异常预警是智能化运维管理的重要组成部分。随着数据中心规模以及复杂程度的不断增加，其运维管理的难度也日益上升。这主要是由于系统之间的关联以及耦合性增强，一个环节的问题不仅对该子系统造成影响，而且有可能引发关联子系统的异常。在数据中心中，UPS(Uninterruptible PowerSupply，不间断电源)是连接交流电源与受电设备的中间设备，它可以作为后备电源系统输出稳定的电能，用于保护数据中心服务器中的数据安全。系统中的不确定性因素，如电网电压的波动、输出过载以及环境温度的变化等因素会引起UPS逆变器过流、整流器异常等问题，这些异常会导致UPS的供电异常进而对数据中心的安全运行产生影响，因此有必要对其进行状态监测与故障诊断。

传统的UPS故障诊断方法主要通过基于专家知识以及机器学习的建模方法对故障类型进行识别。基于专家知识的建模方法需要建立大量的知识规则，且判断规则中的参数依赖于专家知识进行设定具有一定的随机性，该方法难以建立准确的故障诊断模型。基于机器学习的UPS故障诊断通过特征提取、特征选择获取表征UPS状态的关键指标，在此基础上通过机器学习智能识别模型对UPS状态进行识别。该方法主要是通过人工进行特征提取，具有一定的主观性，所选特征的质量对故障诊断结果有直接影响。

近年来，随着深度学习技术的不断进步，其在图像处理以及识别领域取得了突出成果。然而在UPS故障诊断领域的研究较少，且存在以下问题：1)数据中心UPS故障数据较少与正常数据相比存在严重不平衡；2)数据中心UPS数据受到外界环境等因素影响处于动态变化中造成训练数据与实际现场数据分布不尽一致。3)训练数据模型难以适应现场数据的分布进而产生较差的识别结果。

因此，采用专家知识的规则法故障诊断存在规则库建立困难，参数设定主观性强的缺点；采用机器学习建模方法的故障诊断存在人工特征提取繁琐，主观性强且故障诊断准确率依赖于特征选择质量的缺点；采用传统的深度学习UPS故障诊断方法存在异分布数据模型适应性差、故障预测准确受到数据分布差异性影响的缺点。

发明内容

有鉴于此，本发明实施例的目的在于提出一种诊断电源故障的方法、系统、计算机设备及计算机可读存储介质，本发明通过一维Wasserstein生成对抗网络1D-WGAN对小样本故障数据进行增广提升故障样本数量；通过变尺度滑窗法结合DBN网络对原始UPS多源数据进行深层次特征提取；采用MK-MMD特征度量准则降低UPS源域数据与目标域数据之间的分布差异并在线自适应更新模型参数，更新完成后的网络模型在线对UPS故障进行预测，能够有效规避现有技术中的缺点。