本发明属于不间断电源，涉及ups充放电智能管理，具体而言，涉及一种基于决策树的ups衰退性能预测方法及系统。
背景技术：
1、随着科技的发展和信息化建设的推进，不间断电源系统ups在各行各业得到了广泛应用。然而，ups设备在使用过程中会出现性能衰退问题，影响设备的可靠性和稳定性。
2、专利1：cn201420746357.x提出一种ups蓄电池远程智能充放电管理系统，包括天线、与天线连接的调制解调器，还包括至少一个检测支路，及容量测试模块，检测支路包括串联的蓄电池组和检测切换开关，所述蓄电池组连接在检测切换开关的动端，所述检测切换开关的两个不动端分别连接供电输出端和检测端。该专利的ups维护方式是事后维修，不能及时发现和处理设备问题，给生产和安全带来隐患。
3、专利2：cn202311570735.3提出一种ups维护与状态监测方法及系统，当到达预设维护周期时，控制市电输入回路的可控开关断开，并对电池组电压进行监测；将电池组电压与预设放电下限值进行比较，基于比较结果控制市电输入回路的可控开关闭合，及时地切换回市电，并对电池组进行充电；对电池组电压和/或充电电流进行监测，基于电池组电压和/或充电电流确定对电池组停止充电；将当前维护周期电池维护数据转化为波形图，基于历史维护数据对波形图进行异常曲线分析，得到电池组的状态监测结果，实现对蓄电池的健康状态的在线监测；该专利使用的预测数据比较少，只有对电池组电压和充电电流，再加上是用曲线分析发现异常，这导致电池异常不是比较剧烈的时候预测不出，但还没下一次预设维护周期就出现了异常情况，因此预测效果不佳。
4、专利3：cn202211521104.8提出一种轨道交通ups蓄电池健康状态预测方法，对蓄电池进行充放电循环实验，获取不同工况下的性能参数数据；对数据进行预处理，剔除充放电过程中的异常数据，将容量数据进行变分模态分解vmd处理；消除容量再生产生的噪声数据；通过双向长短时神经网络bilstm提取蓄电池时序特征；在网络隐含层后引入attention层加强电池关键特征的权重，通过全链接层得到蓄电池容量测结果，根据容量预测结果计算电池的健康状态指数soh；该专利使用单一神经网络预测不同种类的数据使得可靠性不佳。
技术实现思路
1、为解决现有技术中存在的预测可靠性不佳的问题，本发明提供一种基于决策树的ups衰退性能预测方法及系统。
2、本发明采用如下的技术方案。
3、本发明一方面公开了一种基于决策树的ups衰退性能预测方法，其特征在于，所述方法包括以下步骤：
4、步骤1：采集待预测不间断电源ups设备的设备信息和历史运行数据；
5、步骤2：对所采集的设备信息和历史运行数据进行预处理；
6、步骤3：提取ups设备性能衰退相关特征作为数据集；
7、步骤4：基于卷积神经网络-长短期记忆模型、循环神经网络模型和梯度提升决策树算法模型构建ups设备性能衰退预测模型，并用数据集训练ups设备性能衰退预测模型；
8、步骤5：采集待预测ups设备的设备信息和实时运行数据，根据步骤2-3对数据进行预处理，并提取ups设备性能衰退相关特征输入至步骤4训练好的ups设备性能衰退预测模型，实时预测ups设备的性能衰退程度。
9、进一步优选地，
10、步骤1中，采集的ups设备的设备信息包括额定负载、额定输入电压和额定输出电压；
11、历史运行数据包括ups本次连续运行时间、ups一周内累计运行时间、ups最近一次连续运行时间、ups一周内充放电次数、负载、连接到ups的设备类型、连接到ups的设备数量、电池温度、环境温度、环境湿度、输入电压、输出电压、输入电流、输出电流、输入功率、输出功率和电池状况；
12、其中电池状况，包括上次电池健康状况评估结果和距上次电池健康状况评估时间；其中电池健康状况通过定期的性能测试进行标注，标注为2健康、1亚健康、0损毁。
13、进一步优选地，
14、在步骤2中，采用one-hot对连接到ups设备的设备类型进行编码处理；然后对所有数据中的异常值进行清洗和缺失值填补。
15、进一步优选地，
16、步骤3中，所提取ups设备性能衰退相关特征，包括ups的运行特征值、电气相关参数特征值、负载率、电压波动范围、电流波动范围、环境温度、环境湿度、上次电池健康状况评估结果、距上次电池健康状况评估的时间和连接到ups的设备类型。
17、进一步优选地，
18、所述ups的运行特征值计算公式如下：
19、c＝rkrk+hihi+erer+jfjf
20、其中，c为ups的运行特征值，rk是ups一周内的累计运行时间，rk是ups一周内的累计运行时间的权重；hi是ups本次连续运行时间，hi是ups本次连续运行时间的权重；er是ups上一次连续运行时间，er是ups上一次连续运行时间的权重；jf是ups一周内的充放电次数，jf是ups一周内的充放电次数的权重；其中，rk、hi、er、jf满足如下关系：
21、rk+hi+er+jf＝1；
22、其中，jf取值为0.3～0.5，hi取值为1.2er～1.5er。
23、进一步优选地，
24、所述电气相关参数特征值计算公式如下：
25、el＝vidvid+vodvod+(pi-po)pl+qntnql
26、其中，el是电气参数特征值；vid是运行中输入电压与额定输入电压值的差值，vid是输入电压偏差权重；vod是运行中输出电压与额定输出电压的差值，vod是输出电压偏差权重；pi是输入功率，po是输出功率，pl是输入、输出功率差值的权重；qn是连接到ups的设备数量，tn是电池温度，ql是连接到ups的设备数量和电池温度的权重；其中，vid、vod、pl、ql满足如下关系：
27、vid+vod+pl+ql＝1；
28、输入电压偏差权重vid按以下公式计算：
29、
30、其中，
31、max()为求最大值函数，vmax为历史运行数据中输入电压最大值，vmin为历史运行数据中输入电压最小值，vie是额定输入电压值；
32、输出电压偏差权重vod＝0.5-vid；
33、输入、输出功率差值的权重pl取值为0.1～0.25；
34、连接到ups的设备数量和电池温度的权重ql＝0.5-pl。
35、进一步优选地，
36、所述负载率计算公式如下：
37、
38、其中，l是负载率，lo是负载，le是额定负载；
39、所述电压波动范围是固定时间段内输入电压波动与输出电压波动中的最大值；
40、所述电流波动范围是固定时间段内输入电流波动与输出电流波动中的最大值。
41、进一步优选地，
42、在步骤3中，数据集中还包括性能衰退相关特征对应的标签，所述标签包括0、1、2和3；其中，0表示正常，1表示性能衰退初期，2表示性能衰退中期，3表示性能衰退晚期。
43、进一步优选地，
44、步骤4中，将卷积神经网络-长短期记忆模型cnn-lstm、循环神经网络模型rnn和梯度提升决策树算法模型gbdt组合为ups设备性能衰退预测模型；
45、其中卷积神经网络-长短期记忆模型的输入，是负载率、连接到ups的各种设备类型和电气相关参数特征值；
46、其中循环神经网络模型的输入，是ups的运行特征值、电压波动范围和电流波动范围；
47、其中梯度提升决策树算法模型的输入，是上次电池健康状况评估结果、距上次电池健康状况评估的时间、环境温度和环境湿度。
48、进一步优选地，
49、步骤5中，包括如下步骤：
50、5.1用训练好的ups设备性能衰退预测模型实时预测，并用预测算法计算得到最终预测结果：
51、5.2判断最终预测结果是否为0，若否，则根据最终预测结果提醒用户采用选定的维护措施进行维护。
52、进一步优选地，
53、步骤5.1中，将卷积神经网络-长短期记忆模型的预测结果记作第1预测结果zr1，将循环神经网络模型的预测结果记作第2预测结果zr2，将梯度提升决策树算法模型的预测结果记作第3预测结果zr3，用预测算法根据第1预测结果、第2预测结果和第3预测结果得到ups设备性能衰退预测模型的最终预测结果，预测算法的公式如下：
54、
55、其中，pk是k事件发生的概率，k的取值为0、1、2和3，对应数据集中的四种标签；zk是ups设备性能衰退预测模型的预测值偏离k的程度；e是自然对数的底数；
56、ups设备性能衰退预测模型的预测值偏离k的程度的计算公式如下：
57、
58、其中，λ1是第1预测结果的预测相对准确度，λ2是第2预测结果的预测相对准确度；λ3是第3预测结果的预测相对准确度；
59、λi的计算公式如下，i取1、2、3；
60、
61、其中，zri是第i预测结果，λi是第i预测结果的预测相对准确度，为第1预测结果、第2预测结果和第3预测结果的均值，mz是第1预测结果、第2预测结果和第3预测结果之中任意两个相减后的绝对值中的最大值；
62、通过预测算法计算k事件发生的概率pk，择k发生概率最大者，记作风险概率plk，其对应的k值记作最终预测结果kl；特别的，当mz＝0时，将第1预测结果记作最终预测结果，且将风险概率记作1。
63、进一步优选地，
64、步骤5.2中，当最终预测结果为1或2时，所述维护措施选定为：加强散热、降低ups负载，进行充、放电操作以预防故障；当ups上次关闭时的功率不在额定功率范围内时，优先为设定的关键负载供电；当电池电压过高时，断开充电回路；
65、当最终预测结果为2时，维护措施还包括除尘、静电防护、除湿，以及控制ups内部温度不超过45度、请专业人员定期维护ups；
66、当最终预测结果为3时，维护措施选定为ups立即退出运行，并更换ups设备。
67、本技术另一方面请求保护一种利用前述ups衰退性能预测方法的基于决策树的ups衰退性能预测系统，其特征在于，包括ups设备(1)、ups充放电智能管理数据获取模块(2)、控制模块(3)、ups充放电智能管理数据分析处理模块(4)、ups充放电智能管理特征提取模块(5)、ups充放电智能管理数据网络分析模块(6)、数据备份与恢复模块(7)和用户界面模块(8)：
68、所述ups设备(1)为待检测设备；
69、所述ups充放电智能管理数据获取模块(2)，自ups设备(1)采集ups设备的设备信息和实时运行数据，然后将数据传输至控制模块(3)与ups充放电智能管理数据分析处理模块(4)；其中，ups设备的设备信息包括额定负载、额定输入电压和额定输出电压；实时运行数据包括ups本次连续运行时间、ups一周内累计运行时间、ups最近一次连续运行时间、ups一周内充放电次数、负载、连接到ups的设备类型、连接到ups的设备数量、电池温度、环境温度、环境湿度、输入电压、输出电压、输入电流、输出电流、输入功率、输出功率和电池状况；电池状况，包括上次电池健康状况评估结果和距上次电池健康状况评估时间；其中电池健康状况通过定期的性能测试和专家评估来标注，标注为2健康、1亚健康、0损毁；
70、所述ups充放电智能管理数据分析处理模块(4)，对ups设备的设备信息和实时运行数据，采用one-hot对连接到ups设备的设备类型进行编码处理；然后对所有数据中的异常值进行清洗和缺失值填补；
71、所述ups充放电智能管理特征提取模块(5)，自ups充放电智能管理数据分析处理模块(4)预处理后的数据中提取ups设备性能衰退相关特征，然后将提取出的ups设备性能衰退相关特征传输至ups充放电智能管理数据网络分析模块(6)；
72、所述ups充放电智能管理数据网络分析模块(6)，将ups设备性能衰退相关的特征输入训练好的ups设备性能衰退预测模型进行实时预测，得到最终预测结果，判断最终预测结果是否为0，若不为0则根据最终预测结果提供选定的维护措施；然后将得到的最终预测结果，和选定的维护措施传输至控制模块(3)；其中ups设备性能衰退预测模型由卷积神经网络-长短期记忆模型、循环神经网络模型和梯度提升决策树算法模型构成；
73、所述控制模块(3)控制数据备份与恢复模块(7)备份或恢复ups设备的设备信息、实时运行数据，以及ups设备性能衰退的最终预测结果；
74、所述用户界面模块(8)，读取并展示控制模块(3)中的ups设备的设备信息、实时运行数据和选定的维护措施；用户能根据用户界面模块(8)提供的维护措施对ups设备进行维护。
75、进一步优选地，
76、ups充放电智能管理数据网络分析模块(6)，包括ups设备性能衰退预测单元(9)和ups充放电智能管理决策单元(10)；
77、所述的ups设备性能衰退预测单元(9)，将ups充放电智能管理特征提取模块(5)提取出的ups设备性能衰退相关特征输入训练好的ups设备性能衰退预测模型进行实时预测，得到最终预测结果，将最终预测结果传输至ups充放电智能管理决策单元(10)；
78、所述ups充放电智能管理决策单元(10)，判断最终预测结果是否为0，若不为0则根据最终预测结果提供选定的维护措施，并传输至控制模块(3)。
79、本技术另一方面公开了一种电子设备，包括处理器及存储介质；其特征在于：
80、所述存储介质用于存储指令；
81、所述处理器用于根据所述指令进行操作以执行根据前述基于决策树的ups衰退性能预测方法。
82、本技术还公开计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现所述基于决策树的ups衰退性能预测方法。
83、本发明的有益效果在于，与现有技术相比，在本发明的方案中采集了ups设备的设备信息和历史运行数据；采集的ups设备的设备信息包括额定负载、额定输入电压和额定输出电压；历史运行数据包括ups本次连续运行时间、ups一周内累计运行时间、ups最近一次连续运行时间、ups一周内充放电次数、负载、连接到ups的设备类型、连接到ups的设备数量、电池温度、环境温度、环境湿度、输入电压、输出电压、输入电流、输出电流、输入功率、输出功率和电池状况。其中电池状况，包括上次电池健康状况评估结果和距上次电池健康状况评估时间；其中电池健康状况通过定期的性能测试和专家评估来标注，标注为2健康、1亚健康、0损毁。对所采集数据进行特征提取后进行ups设备性能衰退预测模型模型训练。本发明ups设备性能衰退预测模型采用cnn-lstm、rnn和gbdt对ups设备性能衰退进行组合预测，使得ups设备性能衰退预测模型训练好后用于实时数据得到的最终预测结果具有较高的准确性。
1.一种基于决策树的ups衰退性能预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于决策树的ups衰退性能预测方法，其特征在于：
3.根据权利要求1所述的基于决策树的ups衰退性能预测方法，其特征在于：
4.根据权利要求1所述的基于决策树的ups衰退性能预测方法，其特征在于：
5.根据权利要求4所述的基于决策树的ups衰退性能预测方法，其特征在于：
6.根据权利要求4所述的基于决策树的ups衰退性能预测方法，其特征在于：
7.根据权利要求4所述的基于决策树的ups衰退性能预测方法，其特征在于：
8.根据权利要求1所述的基于决策树的ups衰退性能预测方法，其特征在于：
9.根据权利要求1所述的基于决策树的ups衰退性能预测方法，其特征在于：
10.根据权利要求1所述的基于决策树的ups衰退性能预测方法，其特征在于：
11.根据权利要求10所述的基于决策树的ups衰退性能预测方法，其特征在于：
12.根据权利要求10所述的基于决策树的ups衰退性能预测方法，其特征在于：
13.一种利用权利要求1-12任一项权利要求所述ups衰退性能预测方法的基于决策树的ups衰退性能预测系统，其特征在于，包括ups设备(1)、ups充放电智能管理数据获取模块(2)、控制模块(3)、ups充放电智能管理数据分析处理模块(4)、ups充放电智能管理特征提取模块(5)、ups充放电智能管理数据网络分析模块(6)、数据备份与恢复模块(7)和用户界面模块(8)：
14.根据权利要求13所述的基于决策树的ups衰退性能预测系统，其特征在于：
15.一种电子设备，包括处理器及存储介质；其特征在于：
16.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-12所述的基于决策树的ups衰退性能预测方法。
