[发明专利]一种通过数据驱动方面进行UPS蓄电池热失控的方法

权利要求书

1.一种通过数据驱动方面进行UPS蓄电池热失控的方法，其特征在于：它包括以下步骤：

步骤一，将每一个蓄电池安装有一温度传感器、一个电压传感器和一个压力传感器，采集数据并桉时间轴录入数据库作为历史数据，录入格式**年**月**日**分**秒**摄氏度**伏特**帕斯卡**状态(是否处于热失控状态)；

步骤二，采用步骤一得到的历史数据作为训练集对关联向量机预测模型进行训练；其中历史数据分割成输入部分和输出部分，输入部分为**年**月**日**分**秒**摄氏度**伏特**帕斯卡，输出部分为**状态；

步骤三，将实时数据录入并导入步骤二训练好的关联向量机预测模型进行预测，得到未来某个时间节点出现热失控的预测。

2.根据权利要求1所述的一种通过数据驱动方面进行UPS蓄电池热失控的方法，其特征在于：所述步骤一种历史数据在作为步骤二的训练集之前进行数据清洗。

3.根据权利要求1所述的一种通过数据驱动方面进行UPS蓄电池热失控的方法，其特征在于：所述关联的向量机预测模型包括下列步骤：

S1从历史数据中提取特征指标并预处理；

S2一句特征指标的趋势特性，构建若干个单一核函数，形成单一核函数集，构建组合核函数；

S3运用粒子滤波产生组合函数权重粒子，形成组合核函数权重矩阵；

S4将归一化后的组合核函数权重矩阵和单一核函数集相乘，得到组合核函数集；

S5运用组合核函数集建立多核组合相关向量机模型集，使用训练集数据训练每个模型，每一组核函数相关向量模型即为一个模型粒子；

S6使用训练好的多核组合相关向量机模型集里边的每一个模型分别对训练集中的每一个点进行迭代预测，获得预测值向量；

S7依据迭代预测值向量和真实值，使用概率密度函数更新每个多核组合相关向量机模型的权值，然后归一化；

S8根据步骤S7归一化得到的模型粒子权值，对所有模型粒子进行重采样，保留权值较大的模型粒子；

S9经过不断递推预测、更新模型粒子权值、重采样模型粒子，得到剩下唯一的一个模型粒子也就成为关联的向量机预测模型。

4.根据权利要求1所述的一种通过数据驱动方面进行UPS蓄电池热失控的方法，其特征在于：还包括模型的有效性测试，测试方法为：

将历史数据中出现热失控前若干时间段的历史数据作为输入变量，检测模型输出变量与实际热失控时间节点的差异，差异大于设定阈值的判断为无效模型，返回步骤二。

5.根据权利要求2所述的一种通过数据驱动方面进行UPS蓄电池热失控的方法，其特征在于：所述数据清洗方法包括以下步骤：

(1)获取带有脏数据集和相关的完整性约束规则；

(2)将不同类型的完整性约束规则转化为马尔科夫逻辑网络标准化规则，并用脏数据集中各元组包含的常量将转化后的标准化规则实例化，每个实例化规则被称为数据片；

(3)对脏数据集建立马尔科夫逻辑索引结构，先将脏数据集根据规则划分为不同的数据块，每个规则对应一个数据块，每个数据块中的最小单位为数据片，而后再将每个数据块再次划分为不同的数据组；

(4)在步骤(3)的基础上，执行第一阶段的清洗，引入可信度分数的评价标准，通过对每个数据组进行独立清洗来得到多个初步清洗结果的数据版本；

(5)执行第二阶段的清洗，引入融合分数的评价标准，对第一阶段产生的多个初步清洗结果的数据版本进行融合，消除多版本间的冲突问题，从而生成最终统一的清洗结果；

(6)标记脏数据集中存在的重复条目，将经过上述两阶段清洗后仍存在的重复数据删除；

(7)输出数据清洗后的数据集。