不间断电源的控制方法、装置及不间断电源实用新型专利

专利名称：不间断电源的控制方法、装置及不间断电源

专利类型：实用新型专利

专利申请号：CN202410472374.7

专利申请（专利权）人：浙江万总电气有限公司
权利人地址：浙江省温州市乐清市乐清经济开发区纬七路281号(浙江锦昌电器有限公司内)

专利发明（设计）人：徐文钰,彭晓群

专利摘要：本申请涉及电源控制技术领域，公开了一种不间断电源的控制方法、装置及不间断电源。所述方法包括：对并联配置的多个UPS系统进行状态检测和状态预测，得到历史状态数据集和状态预测数据集；进行电力需求预测，得到每个UPS系统的电力需求数据；进行功率分配，得到第一功率分配方案和第一循环电流抑制方案；进行电压波形检测，得到每个UPS系统的电压波形数据；对电压波形数据进行负载异常诊断，得到每个UPS系统的负载异常诊断结果；根据负载异常诊断结果对第一功率分配方案和第一循环电流抑制方案进行多目标优化，得到第二功率分配方案和第二循环电流抑制方案，本申请提高了不间断电源的控制准确率。

主权利要求：
1.一种不间断电源的控制方法，其特征在于，所述不间断电源的控制方法包括：
对并联配置的多个UPS系统进行状态检测和状态预测，得到每个UPS系统的历史状态数据集和状态预测数据集；具体包括：对并联配置的多个UPS系统进行并联连接测试，得到连接状态验证结果；根据所述连接状态验证结果，对所述多个UPS系统进行电池状态检测，得到电池状态数据；对所述多个UPS系统进行输入电压与输出电压检测，得到电压状态数据；
对所述多个UPS系统进行负载接口检测，得到接口状态数据，并对所述多个UPS系统进行通信状态检测，得到通信状态数据；对所述电池状态数据、所述电压状态数据、所述接口状态数据和所述通信状态数据进行尺度归一化和集合转换，得到每个UPS系统的历史状态数据集；采用时间序列分析方法，根据所述历史状态数据集对所述多个UPS系统进行状态预测，得到每个UPS系统的状态预测数据集；
对所述历史状态数据集和所述状态预测数据集进行电力需求预测，得到每个UPS系统的电力需求数据；具体包括：对所述历史状态数据集进行特征提取，得到多个历史状态特征，并对所述状态预测数据集进行特征提取，得到多个状态预测特征；对所述多个历史状态特征和所述多个状态预测特征进行特征映射和矩阵转换，得到目标状态特征矩阵；将所述目标状态特征矩阵输入预置的自编码器，通过所述自编码器中的双层长短时记忆网络对所述目标状态特征矩阵进行时序特征提取，得到时序状态特征矩阵；通过所述自编码器中的单层长短时记忆网络对所述时序状态特征矩阵进行电力需求预测，得到每个UPS系统的电力需求数据；
根据所述电力需求数据对所述多个UPS系统进行功率分配，得到第一功率分配方案和第一循环电流抑制方案；具体包括：通过有限控制集模型预测控制算法，根据每个UPS系统的电力需求数据进行初始功率分配，得到初步功率分配方案；对所述初步功率分配方案进行效率评估，得到功率分配效率数据，并对所述功率分配效率数据进行优化处理，得到优化后的功率分配方案；对优化后的功率分配方案进行负载平衡分析，得到负载平衡数据，并根据所述负载平衡数据调整功率分配，得到第一功率分配方案；对所述第一功率分配方案进行循环电流预测，得到预测循环电流数据；对预测循环电流数据进行抑制处理，得到初步循环电流抑制方案，并对初步循环电流抑制方案进行验证和调整，得到第一循环电流抑制方案；
基于所述第一功率分配方案和所述第一循环电流抑制方案对所述多个UPS系统进行电压波形检测，得到每个UPS系统的电压波形数据；具体包括：基于所述第一功率分配方案和所述第一循环电流抑制方案对所述多个UPS系统进行电压实时采集，得到原始电压数据；对所述原始电压数据进行噪声过滤处理，得到标准电压数据，并对所述标准电压数据进行时间序列分析，得到时序电压数据；对所述时序电压数据进行频率分析，得到频率分析数据，并对所述频率分析数据进行波形失真度检测，得到波形失真度数据；根据所述波形失真度数据对所述标准电压数据进行电压波形畸变分析和波形特征计算，生成每个UPS系统的电压波形数据；
对所述电压波形数据进行负载异常诊断，得到每个UPS系统的负载异常诊断结果；具体包括：对所述电压波形数据进行波形曲线特征点分析，得到多个初始波形曲线特征点；计算所述电压波形数据的均值和标准差，并根据所述均值和所述标准差对所述多个初始波形曲线特征点进行特征点筛选，得到多个目标波形曲线特征点；对所述多个目标波形曲线特征点进行向量映射，得到目标电压波形向量；将所述目标电压波形向量输入预置的负载异常检测模型，所述负载异常检测模型包括多个反步控制和模糊神经网络；通过所述多个反步控制和模糊神经网络分别对所述目标电压波形向量进行负载异常诊断，得到每个反步控制和模糊神经网络的初始异常诊断结果；对每个反步控制和模糊神经网络的初始异常诊断结果进行结果加权融合，得到每个UPS系统的负载异常诊断结果；
根据所述负载异常诊断结果对所述第一功率分配方案和所述第一循环电流抑制方案进行多目标优化，得到第二功率分配方案和第二循环电流抑制方案；具体包括：根据所述负载异常诊断结果定义鲸鱼优化算法的优化目标和约束条件，并创建所述鲸鱼优化算法的多目标函数；通过所述鲸鱼优化算法对所述第一功率分配方案和所述第一循环电流抑制方案进行初始化，生成多个候选功率分配方案和多个候选循环电流抑制方案；通过所述多目标函数对所述多个候选功率分配方案和所述多个候选循环电流抑制方案进行优化求解，得到第二功率分配方案和第二循环电流抑制方案。
2.一种不间断电源的控制装置，其特征在于，用于执行如权利要求1所述的不间断电源的控制方法，所述不间断电源的控制装置包括：
检测模块，用于对并联配置的多个UPS系统进行状态检测和状态预测，得到每个UPS系统的历史状态数据集和状态预测数据集；
预测模块，用于对所述历史状态数据集和所述状态预测数据集进行电力需求预测，得到每个UPS系统的电力需求数据；
分配模块，用于根据所述电力需求数据对所述多个UPS系统进行功率分配，得到第一功率分配方案和第一循环电流抑制方案；
处理模块，用于基于所述第一功率分配方案和所述第一循环电流抑制方案对所述多个UPS系统进行电压波形检测，得到每个UPS系统的电压波形数据；
诊断模块，用于对所述电压波形数据进行负载异常诊断，得到每个UPS系统的负载异常诊断结果；
优化模块，用于根据所述负载异常诊断结果对所述第一功率分配方案和所述第一循环电流抑制方案进行多目标优化，得到第二功率分配方案和第二循环电流抑制方案。
3.一种不间断电源，其特征在于，所述不间断电源用于执行如权利要求1所述的不间断电源的控制方法。
4.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1所述的不间断电源的控制方法。 说明书 : 不间断电源的控制方法、装置及不间断电源技术领域[0001] 本申请涉及电源控制技术领域，尤其涉及一种不间断电源的控制方法、装置及不间断电源。背景技术[0002] 不间断电源（UPS）系统作为关键的电力保障设备，其稳定与高效的运行对保证关键设施的电力供应至关重要。随着信息化与自动化水平的提升，多个UPS系统常常采用并联工作模式以增强系统的可靠性与供电容量。然而，这种并联模式引入了新的技术挑战，尤其是在功率分配、电流抑制与系统状态监测方面。[0003] 多UPS系统的并联运行复杂化了系统的管理与控制。在实际运行中，各UPS单元可能因为制造误差、老化程度不一或者维护状况的差异而表现出不同的电力响应特性。这种差异性如果不加以适当的管理和调节，可能导致电力供应的不均匀，增加系统的磨损并降低整体效率。其次，随着技术的发展，UPS系统所需处理的数据量与处理速度要求都有所增加，这对状态检测与预测技术提出了更高的要求。传统的状态检测方法可能无法准确预测各UPS单元在未来可能遇到的电力需求波动和潜在的故障问题，从而影响到整个系统的可靠性与安全性。发明内容[0004] 本申请提供了一种不间断电源的控制方法、装置及不间断电源，用于提高了不间断电源的控制准确率。[0005] 第一方面，本申请提供了一种不间断电源的控制方法，所述不间断电源的控制方法包括：[0006] 对并联配置的多个UPS系统进行状态检测和状态预测，得到每个UPS系统的历史状态数据集和状态预测数据集；[0007] 对所述历史状态数据集和所述状态预测数据集进行电力需求预测，得到每个UPS系统的电力需求数据；[0008] 根据所述电力需求数据对所述多个UPS系统进行功率分配，得到第一功率分配方案和第一循环电流抑制方案；[0009] 基于所述第一功率分配方案和所述第一循环电流抑制方案对所述多个UPS系统进行电压波形检测，得到每个UPS系统的电压波形数据；[0010] 对所述电压波形数据进行负载异常诊断，得到每个UPS系统的负载异常诊断结果；[0011] 根据所述负载异常诊断结果对所述第一功率分配方案和所述第一循环电流抑制方案进行多目标优化，得到第二功率分配方案和第二循环电流抑制方案。[0012] 第二方面，本申请提供了一种不间断电源的控制装置，所述不间断电源的控制装置包括：[0013] 检测模块，用于对并联配置的多个UPS系统进行状态检测和状态预测，得到每个UPS系统的历史状态数据集和状态预测数据集；[0014] 预测模块，用于对所述历史状态数据集和所述状态预测数据集进行电力需求预测，得到每个UPS系统的电力需求数据；[0015] 分配模块，用于根据所述电力需求数据对所述多个UPS系统进行功率分配，得到第一功率分配方案和第一循环电流抑制方案；[0016] 处理模块，用于基于所述第一功率分配方案和所述第一循环电流抑制方案对所述多个UPS系统进行电压波形检测，得到每个UPS系统的电压波形数据；[0017] 诊断模块，用于对所述电压波形数据进行负载异常诊断，得到每个UPS系统的负载异常诊断结果；[0018] 优化模块，用于根据所述负载异常诊断结果对所述第一功率分配方案和所述第一循环电流抑制方案进行多目标优化，得到第二功率分配方案和第二循环电流抑制方案。[0019] 本申请第三方面提供了一种不间断电源，所述不间断电源用于执行上述的不间断电源的控制方法。[0020] 本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的不间断电源的控制方法。[0021] 本申请提供的技术方案中，通过对多个UPS系统进行状态检测和状态预测，控制方法能够获取每个UPS系统的历史状态数据集和预测状态数据集。这种预测功能使系统能够预先识别潜在的电力需求变化和可能的系统故障，从而提前做出调整，确保UPS系统的稳定运行。利用收集到的历史和预测数据集进行电力需求预测，基于预测结果对多个UPS系统进行精确的功率分配。这不仅提高了电力使用效率，还有助于减少能源浪费，实现功率分配的最优化，从而降低运营成本并增加经济效益。通过实施第一功率分配方案和第一循环电流抑制方案，该控制方法能够有效地管理并行UPS系统之间的循环电流，减少电流冲突和不平衡，从而提高电压波形的质量和系统的整体电力质量。对电压波形数据进行负载异常诊断，有助于及时发现和诊断系统潜在的异常情况，如过载或设备故障。这种及时的诊断能够减少系统故障的风险，提高系统的可靠性和安全性。根据负载异常诊断结果，该控制方法还能对已有的功率分配方案和循环电流抑制方案进行多目标优化。这种动态优化使系统能够根据实际运行情况自动调整，保持最佳运行状态，确保电力供应的连续性和稳定性，进而提高了不间断电源的控制准确率。附图说明[0022] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以基于这些附图获得其他的附图。[0023] 图1为本申请实施例中不间断电源的控制方法的一个实施例示意图；[0024] 图2为本申请实施例中不间断电源的控制装置的一个实施例示意图。具体实施方式[0025] 本申请实施例提供了一种不间断电源的控制方法、装置及不间断电源。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。[0026] 为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中不间断电源的控制方法的一个实施例包括：[0027] 步骤S101、对并联配置的多个UPS系统进行状态检测和状态预测，得到每个UPS系统的历史状态数据集和状态预测数据集；[0028] 可以理解的是，本申请的执行主体可以为不间断电源的控制装置，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。[0029] 具体的，对并联配置的多个UPS系统进行并联连接测试，得到连接状态验证结果，确保所有UPS系统之间的连接是正确且稳定的。根据连接状态验证结果，对多个UPS系统进行电池状态检测，电池的健康状况直接影响UPS系统的可靠性和功效。检测包括电池的剩余电量、电池的充电状态和电池的健康程度等。对每个系统的输入电压与输出电压进行检测，这有助于评估UPS系统在正常和异常情况下的电压稳定性与调节能力。对多个UPS系统进行负载接口检测，得到接口状态数据，确认所有接口都在正常工作条件下，且无任何物理或电气故障。同时，进行通信状态检测以保证所有的UPS系统可以在一个网络中有效地交换信息。对电池状态数据、电压状态数据、接口状态数据以及通信状态数据进行尺度归一化和集合转换。归一化处理是为了消除不同量测标准带来的影响，确保在后续分析中各项数据之间具有可比性。集合转换则是将这些归一化后的数据整合成一个统一的数据集，得到每个UPS系统的历史状态数据集。基于历史数据集，采用时间序列分析方法对每个UPS系统进行状态预测，时间序列分析通过分析数据集中的时间依赖模式，帮助预测未来状态，得到每个UPS系统的状态预测数据集。[0030] 步骤S102、对历史状态数据集和状态预测数据集进行电力需求预测，得到每个UPS系统的电力需求数据；[0031] 具体的，从历史状态数据集中提取关键的历史状态特征，并从状态预测数据集中提取未来状态预测特征，这些特征包括电压水平、电流强度、负载波动和电池健康状况等。通过数据分析技术，如主成分分析（PCA）或自动特征工程工具，筛选出对电力需求预测最有影响力的因素。对多个历史状态特征和多个状态预测特征进行特征映射和矩阵转换，得到目标状态特征矩阵。将目标状态特征矩阵输入预置的自编码器中，自编码器配置包括双层长短时记忆网络（LSTM），用来处理时间序列数据。通过这种结构，自编码器可以有效地学习并提取时间依赖的特征，将其转化为一个时序状态特征矩阵，强化数据中时间相关的动态特性的表达。通过自编码器中的单层长短时记忆网络对时序状态特征矩阵进行电力需求预测。根据已提取的时序特征预测每个UPS系统的电力需求。[0032] 步骤S103、根据电力需求数据对多个UPS系统进行功率分配，得到第一功率分配方案和第一循环电流抑制方案；[0033] 具体的，通过有限控制集模型预测控制算法，基于每个UPS系统的电力需求数据进行初始功率分配，通过优化当前和未来一系列预测步骤中的控制动作，生成初步功率分配方案。利用模型预测控制的优势，预期未来的电力需求变化，从而更精确地调配每个系统的输出功率，确保供电的连续性和稳定性。对初步功率分配方案进行效率评估，分析不同功率分配情况下系统的运行效率，包括能耗、功率损耗及其对系统整体性能的影响。通过功率分配效率数据，对方案进行优化处理，使用算法如遗传算法或梯度下降法找到最优化的功率分配方案，这有助于提升整个UPS系统群的能效和运行成本效益。进行负载平衡分析，确保所有UPS系统之间的负载能够尽可能均匀，避免过载或欠载的情况发生。根据所得的负载平衡数据，调整功率分配，得到第一功率分配方案。完成功率分配后，对第一功率分配方案进行循环电流预测，预防和减少因不均匀功率分配产生的循环电流，这些循环电流可能会导致设备效率降低和寿命缩短。利用电流预测模型，如基于物理模型的预测或机器学习预测方法，生成预测循环电流数据，并据此进行抑制处理。通过初步的循环电流抑制方案，利用电流调节技术如相位角调整或频率调谐来减少循环电流。对初步循环电流抑制方案进行实地验证和调整，以确保其有效性，形成最终的第一循环电流抑制方案。[0034] 步骤S104、基于第一功率分配方案和第一循环电流抑制方案对多个UPS系统进行电压波形检测，得到每个UPS系统的电压波形数据；[0035] 具体的，基于第一功率分配方案和第一循环电流抑制方案对多个UPS系统进行电压实时采集，得到原始电压数据，反映出UPS系统在当前负载和配置下的实际工作状态。为了提高数据质量并确保分析的准确性，对采集到的原始电压数据进行噪声过滤处理，使用数字滤波器如低通滤波器或带通滤波器去除数据中的电气干扰和随机噪声，得到标准电压数据。对标准电压数据进行时间序列分析，通过各种统计学方法如自回归模型或滑动平均模型，从时间维度理解电压变化趋势和周期性行为，生成时序电压数据。对时序电压数据进行频率分析，使用傅里叶变换或小波变换技术识别电压信号中的主要频率成分。频率分析数据能揭示UPS输出电压的频率稳定性和谐波干扰情况，这有助于评估电源质量。基于所得到的频率分析数据进行波形失真度检测，通过计算总谐波失真度（THD）和其他相关指标评价电压波形的质量和稳定性，生成波形失真度数据。根据波形失真度数据，对标准电压数据进行电压波形畸变分析和波形特征计算。包括分析电压波形的对称性、峰值偏移和波形畸变程度，以及计算电压稳定性指标如偏离率和波形不对称指数。通过综合分析和计算，最终生成每个UPS系统的详细电压波形数据。[0036] 步骤S105、对电压波形数据进行负载异常诊断，得到每个UPS系统的负载异常诊断结果；[0037] 具体的，对电压波形数据进行波形曲线特征点分析，识别出波形的关键特征点如峰值、谷值和零交点等。计算电压波形数据的均值和标准差，这两个统计参数是衡量波形稳定性和变异性的重要指标。基于统计数据，对初始波形曲线特征点进行筛选，选择那些最能代表电压波形行为的特征点作为目标波形曲线特征点。将选定的目标波形曲线特征点转换成向量形式，进行向量映射，形成目标电压波形向量，使电压波形的特征能够被机器学习模型更有效地处理和分析。将目标电压波形向量输入预置的负载异常检测模型中，该模型包括多个反步控制和模糊神经网络。反步控制是一种控制策略，通常用于解决非线性系统的控制问题，而模糊神经网络结合了模糊逻辑和神经网络的优点，能够处理不确定性和非线性问题，适合于复杂的电压波形分析。每个反步控制和模糊神经网络对输入的目标电压波形向量进行独立的负载异常诊断，生成初始的异常诊断结果。不同的诊断结果包含了从各自角度分析得到的异常状态信息。对初始诊断结果进行加权融合。不同模型的输出根据其性能和在历史数据中的表现进行权重分配，增强诊断结果的可靠性，减少单一模型可能带来的偏差，最终得到每个UPS系统的综合负载异常诊断结果。[0038] 步骤S106、根据负载异常诊断结果对第一功率分配方案和第一循环电流抑制方案进行多目标优化，得到第二功率分配方案和第二循环电流抑制方案。[0039] 具体的，基于负载异常诊断结果定义鲸鱼优化算法的优化目标和约束条件。优化目标通常包括最小化能源消耗、平衡负载、优化电流分布和减少总体系统的运行成本，而约束条件则确保所有操作都在安全和技术规范的框架内进行。根据目标和约束条件创建多目标函数，该函数用于量化不同方案的表现，并指导搜索过程向最优解方向发展。通过鲸鱼优化算法对第一功率分配方案和第一循环电流抑制方案进行初始化，生成多个候选功率分配方案和多个候选循环电流抑制方案，这些方案反映了从当前解出发可能的各种改进方向。初始化过程包括随机生成解的初始群体，并根据多目标函数评估这些解的质量，为算法迭代提供起点。通过多目标函数对候选功率分配方案和候选循环电流抑制方案进行优化求解。鲸鱼优化算法通过模仿座头鲸的社会行为和狩猎技巧，如螺旋更新位置和环绕猎物的行为，来探索解空间和利用已知的最佳解。这种策略旨在通过逐步探索和利用，找到最佳平衡点，最终确定表现最优的方案作为第二功率分配方案和第二循环电流抑制方案。[0040] 本申请实施例中，通过对多个UPS系统进行状态检测和状态预测，控制方法能够获取每个UPS系统的历史状态数据集和预测状态数据集。这种预测功能使系统能够预先识别潜在的电力需求变化和可能的系统故障，从而提前做出调整，确保UPS系统的稳定运行。利用收集到的历史和预测数据集进行电力需求预测，基于预测结果对多个UPS系统进行精确的功率分配。这不仅提高了电力使用效率，还有助于减少能源浪费，实现功率分配的最优化，从而降低运营成本并增加经济效益。通过实施第一功率分配方案和第一循环电流抑制方案，该控制方法能够有效地管理并行UPS系统之间的循环电流，减少电流冲突和不平衡，从而提高电压波形的质量和系统的整体电力质量。对电压波形数据进行负载异常诊断，有助于及时发现和诊断系统潜在的异常情况，如过载或设备故障。这种及时的诊断能够减少系统故障的风险，提高系统的可靠性和安全性。根据负载异常诊断结果，该控制方法还能对已有的功率分配方案和循环电流抑制方案进行多目标优化。这种动态优化使系统能够根据实际运行情况自动调整，保持最佳运行状态，确保电力供应的连续性和稳定性，进而提高了不间断电源的控制准确率。[0041] 在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：[0042] （1）对并联配置的多个UPS系统进行并联连接测试，得到连接状态验证结果；[0043] （2）根据连接状态验证结果，对多个UPS系统进行电池状态检测，得到电池状态数据；[0044] （3）对多个UPS系统进行输入电压与输出电压检测，得到电压状态数据；[0045] （4）对多个UPS系统进行负载接口检测，得到接口状态数据，并对多个UPS系统进行通信状态检测，得到通信状态数据；[0046] （5）对电池状态数据、电压状态数据、接口状态数据和通信状态数据进行尺度归一化和集合转换，得到每个UPS系统的历史状态数据集；[0047] （6）采用时间序列分析方法，根据历史状态数据集对多个UPS系统进行状态预测，得到每个UPS系统的状态预测数据集。[0048] 具体的，对并联配置的多个UPS系统进行并联连接测试，确保所有系统都能正确连接在一起，有效共享负载和提高整体系统的可靠性，得到的连接状态验证结果反映出连接问题，例如接触不良或配置错误。根据连接状态验证结果，对各个UPS系统的电池进行状态检测。电池的健康状况直接影响UPS系统的备用时间和效率。电池检测通常包括测量电池的电压、电流、温度和充电状态。通过测量，识别出需要维护或更换的电池，确保系统在断电时能够提供足够的支持。同时，对每个UPS系统进行输入电压与输出电压检测。确保电压在安全和有效的范围内，同时检查电压波动和稳定性，有助于保护连接到UPS上的敏感设备。电压检测结果有助于评估UPS的调压性能和负载适应能力。进行负载接口检测和通信状态检测。负载接口检测确保所有输出接口都能正确地分配电源给连接的设备，而通信状态检测则确保UPS系统之间以及UPS系统与监控系统之间的数据交流无障碍。对电池状态数据、电压状态数据、接口状态数据和通信状态数据进行尺度归一化和集合转换。尺度归一化是处理不同设备和传感器输出数据的一种常见方法，可以消除量纲的影响，使得来自不同源的数据可以在同一尺度下比较。集合转换则是将这些归一化后的数据整合到一个统一的数据集中。使用时间序列分析方法对整合后的历史状态数据集进行分析，预测各个UPS系统的未来状态。时间序列分析可以帮助识别数据中的模式和趋势，预测如电池性能衰减、电压波动等未来可能发生的问题。[0049] 在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：[0050] （1）对历史状态数据集进行特征提取，得到多个历史状态特征，并对状态预测数据集进行特征提取，得到多个状态预测特征；[0051] （2）对多个历史状态特征和多个状态预测特征进行特征映射和矩阵转换，得到目标状态特征矩阵；[0052] （3）将目标状态特征矩阵输入预置的自编码器，通过自编码器中的双层长短时记忆网络对目标状态特征矩阵进行时序特征提取，得到时序状态特征矩阵；[0053] （4）通过自编码器中的单层长短时记忆网络对时序状态特征矩阵进行电力需求预测，得到每个UPS系统的电力需求数据。[0054] 具体的，对历史状态数据集进行特征提取，包括从每个UPS系统收集到的各种参数，如电池电压、负载电流、温度读数和运行时间等，每个特征能够充分反映UPS系统的运行状况。例如，电池电压的平均值和波动范围可以显示电池的健康状态，而负载电流的变化趋势则有助于了解电力消耗模式。同时，对状态预测数据集进行特征提取，通过模拟未来情景下的数据，如使用预测模型根据历史和当前数据估算未来的电池性能和可能的负载变化。对多个历史状态特征和多个状态预测特征进行特征映射和矩阵转换，将不同的特征值整合成一个统一的格式，得到目标状态特征矩阵。将目标状态特征矩阵输入预置的自编码器中，该自编码器包含双层长短时记忆网络（LSTM）。LSTM是一种用来处理和预测时间序列数据中的长期依赖关系的神经网络，适合用于处理UPS系统的状态数据，因为这些数据通常包含时间相关的模式和动态变化。通过双层LSTM的处理，自编码器能够从目标状态特征矩阵中提取出更深层次的时序特征，这些特征反映了数据随时间的深层趋势和周期性变化，得到时序状态特征矩阵。通过自编码器中的单层长短时记忆网络，对时序状态特征矩阵进行电力需求预测。这一层的LSTM网络专门针对预测任务进行优化，根据已经提取并编码的时序特征估算未来的电力需求。[0055] 在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：[0056] （1）通过有限控制集模型预测控制算法，根据每个UPS系统的电力需求数据进行初始功率分配，得到初步功率分配方案；[0057] （2）对初步功率分配方案进行效率评估，得到功率分配效率数据，并对功率分配效率数据进行优化处理，得到优化后的功率分配方案；[0058] （3）对优化后的功率分配方案进行负载平衡分析，得到负载平衡数据，并根据负载平衡数据调整功率分配，得到第一功率分配方案；[0059] （4）对第一功率分配方案进行循环电流预测，得到预测循环电流数据；[0060] （5）对预测循环电流数据进行抑制处理，得到初步循环电流抑制方案，并对初步循环电流抑制方案进行验证和调整，得到第一循环电流抑制方案。[0061] 具体的，通过有限控制集模型预测控制算法根据每个UPS系统的实时和预测电力需求数据进行初始功率分配，计算最优的功率分配方案，以减少总能耗并提高系统效率。例如，如果预测显示某个UPS系统在接下来的几小时内负载较低，而另一个系统将面临高负载，MPC会相应调整两个系统的功率输出，以平衡负载并减少整体能源浪费。对初步功率分配方案进行效率评估，包括计算不同功率分配方案下的能耗、预期设备寿命和潜在的维护成本，得到功率分配效率数据。利用这些数据，对功率分配效率数据进行优化处理，包括算法调整或参数微调，以寻找在满足所有设备需求的同时，最大限度地提高能效和系统响应的方案。对优化后的功率分配方案进行负载平衡分析，检查所有UPS系统的负载分布是否均衡，确保没有系统过载或下载过大，从而避免设备过热或功率不足的问题。基于负载平衡数据，对功率分配进行必要的调整，以确保每个UPS系统都能在其容量范围内安全运行，得到的第一功率分配方案旨在实现最佳的全局能效和设备保护。基于第一功率分配方案进行循环电流预测。循环电流是并联运行的UPS系统中常见的问题，可能会导致能效下降和设备寿命缩短。通过模拟当前功率分配方案下的电流流动，预测潜在的循环电流问题，并分析其可能的影响。根据预测循环电流数据，开展相应的抑制处理，如调整各UPS之间的相位角或使用抑制电路来减少循环流。对初步循环电流抑制方案进行实地验证和调整。包括在实际操作环境中测试方案的有效性，根据测试结果进行必要的修改，优化电流调整策略或增加额外的控制组件。最终确定并实施第一循环电流抑制方案，确保所有UPS系统能在最佳状态下运行，从而提高整个系统的可靠性和效率。[0062] 在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：[0063] （1）基于第一功率分配方案和第一循环电流抑制方案对多个UPS系统进行电压实时采集，得到原始电压数据；[0064] （2）对原始电压数据进行噪声过滤处理，得到标准电压数据，并对标准电压数据进行时间序列分析，得到时序电压数据；[0065] （3）对时序电压数据进行频率分析，得到频率分析数据，并对频率分析数据进行波形失真度检测，得到波形失真度数据；[0066] （4）根据波形失真度数据对标准电压数据进行电压波形畸变分析和波形特征计算，生成每个UPS系统的电压波形数据。[0067] 具体的，基于第一功率分配方案和第一循环电流抑制方案对多个UPS系统进行电压实时采集，监控各UPS系统的电压性能，并评估功率分配及电流抑制措施的效果。在实时采集电压数据时，记录UPS系统的电压输出，原始电压数据提供了每个系统在特定时间点的电压水平和波动情况的即时信息。采集到的原始电压数据通常包含各种噪声和干扰，这可能是由电网波动、设备运行或外部环境因素引起的。对原始电压数据进行噪声过滤处理。通过使用数字滤波器，如低通或带通滤波器，有效地去除高频噪声和干扰，得到更清晰、更准确的标准电压数据。这些数据更接近于UPS系统在无干扰状态下的真实性能。对标准电压数据进行时间序列分析。通过使用统计和机器学习技术，如移动平均或指数平滑方法，识别数据中的趋势和周期性模式。时间序列分析帮助理解电压数据如何随时间变化，这有助于预测未来的电压表现和确定潜在的电压问题。例如，如果分析显示某个UPS系统的电压存在周期性的下降，这可能指示该系统的电池性能正在衰退。对时序电压数据进行频率分析，使用傅立叶变换将时间序列数据转换为频率域数据。频率分析揭示了电压波形中的主要频率成分，这有助于识别由UPS系统引起的谐波或其他频率相关的问题。频率分析数据可以显著地反映电压波形的整体质量和稳定性。对频率分析数据进行波形失真度检测，通过计算总谐波失真等指标评估电压波形的质量。波形失真度数据提供了关于电压波形是否在可接受范围内操作的直接信息，或者是否存在可能影响设备性能的电压畸变。根据波形失真度数据，对标准电压数据进行电压波形畸变分析和波形特征计算。这包括评估电压波形的峰值、稳态和动态响应等特征，生成每个UPS系统的电压波形数据。[0068] 在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：[0069] （1）对电压波形数据进行波形曲线特征点分析，得到多个初始波形曲线特征点；[0070] （2）计算电压波形数据的均值和标准差，并根据均值和标准差对多个初始波形曲线特征点进行特征点筛选，得到多个目标波形曲线特征点；[0071] （3）对多个目标波形曲线特征点进行向量映射，得到目标电压波形向量；[0072] （4）将目标电压波形向量输入预置的负载异常检测模型，负载异常检测模型包括多个反步控制和模糊神经网络；[0073] （5）通过多个反步控制和模糊神经网络分别对目标电压波形向量进行负载异常诊断，得到每个反步控制和模糊神经网络的初始异常诊断结果；[0074] （6）对每个反步控制和模糊神经网络的初始异常诊断结果进行结果加权融合，得到每个UPS系统的负载异常诊断结果。[0075] 具体的，对电压波形数据进行波形曲线特征点分析。通过使用数据分析技术，如峰值检测算法（例如找到局部最大和最小值）和零交叉检测，从原始的电压波形数据中提取多个初始波形曲线特征点。为了精确化分析和减少数据中的随机波动或噪声带来的干扰，计算电压波形数据的统计指标，如均值和标准差。通过统计指标，对提取的初始波形曲线特征点进行筛选，只保留那些真正代表电压行为本质的特征点。对多个目标波形曲线特征点进行向量映射，得到目标电压波形向量。将特征点的位置、幅值等属性转化为一个标准化的数值向量格式，使其能够被机器学习模型处理。将目标电压波形向量输入预置的负载异常检测模型。该模型包括多个反步控制和模糊神经网络，每个网络都被训练以识别电压波形中可能的异常模式。反步控制是一种控制技术，能够在多变环境中提供稳定的输出，而模糊神经网络结合了模糊逻辑和神经网络的优势，适合处理有噪声的数据和模糊的分类界限。通过这些网络，独立分析目标电压波形向量，每个网络都提供一个初始的异常诊断结果。这些结果反映了从不同角度和使用不同方法对电压波形进行分析的视角，有助于全面理解电压状态。对每个反步控制和模糊神经网络的初始异常诊断结果进行结果加权融合。根据每个网络在历史数据上的表现和可靠性，为其分配适当的权重，然后将各个结果合成为一个单一的综合诊断结果。[0076] 在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：[0077] （1）根据负载异常诊断结果定义鲸鱼优化算法的优化目标和约束条件，并创建鲸鱼优化算法的多目标函数；[0078] （2）通过鲸鱼优化算法对第一功率分配方案和第一循环电流抑制方案进行初始化，生成多个候选功率分配方案和多个候选循环电流抑制方案；[0079] （3）通过多目标函数对多个候选功率分配方案和多个候选循环电流抑制方案进行优化求解，得到第二功率分配方案和第二循环电流抑制方案。[0080] 具体的，根据负载异常诊断结果定义鲸鱼优化算法的优化目标和约束条件。诊断结果揭示了现有功率分配方案和循环电流抑制措施可能存在的问题，例如某些UPS系统可能因功率不足而导致负载异常，或者循环电流的存在可能影响系统效率。因此优化目标被定义为最小化能耗、均衡负载、减少循环电流和提高系统整体可靠性。同时，约束条件包括不超过每个UPS的最大负载能力、遵守安全标准以及维持系统运行的基本需求。创建鲸鱼优化算法的多目标函数，多目标函数需要同时考虑多个优化目标，如能源效率、成本、系统稳定性等。构建一个加权的函数，其中每个目标都有一个相应的权重，这些权重反映了不同目标相对于整体策略的重要性。例如，如果系统面临高能源成本，提高能效的目标权重可能会比其他目标更高。使用鲸鱼优化算法对第一功率分配方案和第一循环电流抑制方案进行初始化。生成多个候选方案，每个候选方案都是基于当前方案的随机变异生成的。通过随机搜索和利用当前环境下的信息寻找最佳方案。初始化过程确保算法能够从一个宽广的搜索空间开始，增加找到全局最优解的可能性。对多个候选功率分配方案和循环电流抑制方案进行优化求解。算法通过模拟鲸鱼的包围猎物策略逐步逼近最佳解。鲸鱼优化算法通过调整搜索方向和步长，根据当前最佳解和候选解之间的距离和方向来更新候选解。确保算法不仅能够探索广阔的搜索空间，还能利用已知的最佳解，有效地向全局最优解靠拢。最终，算法会收敛到最优的候选方案，形成第二功率分配方案和第二循环电流抑制方案。这些方案基于全面考虑的多目标函数进行优化，确保在满足所有约束条件的同时，达到或超越所有设定的优化目标。[0081] 上面对本申请实施例中不间断电源的控制方法进行了描述，下面对本申请实施例中不间断电源的控制装置进行描述，请参阅图2，本申请实施例中不间断电源的控制装置一个实施例包括：[0082] 检测模块201，用于对并联配置的多个UPS系统进行状态检测和状态预测，得到每个UPS系统的历史状态数据集和状态预测数据集；[0083] 预测模块202，用于对历史状态数据集和状态预测数据集进行电力需求预测，得到每个UPS系统的电力需求数据；[0084] 分配模块203，用于根据电力需求数据对多个UPS系统进行功率分配，得到第一功率分配方案和第一循环电流抑制方案；[0085] 处理模块204，用于基于第一功率分配方案和第一循环电流抑制方案对多个UPS系统进行电压波形检测，得到每个UPS系统的电压波形数据；[0086] 诊断模块205，用于对电压波形数据进行负载异常诊断，得到每个UPS系统的负载异常诊断结果；[0087] 优化模块206，用于根据负载异常诊断结果对第一功率分配方案和第一循环电流抑制方案进行多目标优化，得到第二功率分配方案和第二循环电流抑制方案。[0088] 通过上述各个组成部分的协同合作，通过对多个UPS系统进行状态检测和状态预测，控制方法能够获取每个UPS系统的历史状态数据集和预测状态数据集。这种预测功能使系统能够预先识别潜在的电力需求变化和可能的系统故障，从而提前做出调整，确保UPS系统的稳定运行。利用收集到的历史和预测数据集进行电力需求预测，基于预测结果对多个UPS系统进行精确的功率分配。这不仅提高了电力使用效率，还有助于减少能源浪费，实现功率分配的最优化，从而降低运营成本并增加经济效益。通过实施第一功率分配方案和第一循环电流抑制方案，该控制方法能够有效地管理并行UPS系统之间的循环电流，减少电流冲突和不平衡，从而提高电压波形的质量和系统的整体电力质量。对电压波形数据进行负载异常诊断，有助于及时发现和诊断系统潜在的异常情况，如过载或设备故障。这种及时的诊断能够减少系统故障的风险，提高系统的可靠性和安全性。根据负载异常诊断结果，该控制方法还能对已有的功率分配方案和循环电流抑制方案进行多目标优化。这种动态优化使系统能够根据实际运行情况自动调整，保持最佳运行状态，确保电力供应的连续性和稳定性，进而提高了不间断电源的控制准确率。[0089] 本申请还提供一种不间断电源，所述不间断电源用于执行上述各实施例中的所述不间断电源的控制方法的步骤。[0090] 本申请还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述不间断电源的控制方法的步骤。[0091] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0092] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read‑onlymemory，ROM）、随机存取存储器（randomacceSmemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。[0093] 以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

专利地区：浙江

专利申请日期：2024-04-19

专利公开日期：2024-11-29

专利公告号：CN118336893B