CN114970665B 模型训练方法、电解电容剩余寿命预测方法及系统 （上海电气集团股份有限公司）

解电容的多个输出参数以及与每个输出参数对应的剩余使用时间，该输出参数包括输出电流和/或输出频率；基于历史训练数据训练神经网发明通过获取电解电容的多个输出参数以及与每个输出参数对应的剩余使用时间的历史训练解电容剩余寿命预测模型准确地预测出电解电2获取一历史训练数据集，所述历史训练数据集包括电解电容的多个输出参数对应的剩余使用时间，所述输出参数包括规避温度参数后的输出电流和/或输对所述样本数据集进行时序错位处理；所述样本数据集用于训练所述所述电解电容剩余寿命预测模型以电解电容的输出参数为输入，对所述历史训练数据集进行异常值和空值处理，以得到异常值和空值对所述异常值和空值处理后的历史训练数据集进行归一化处理，以得按照预设比例从所述样本数据集中提取得到测试集；基于所述测试集对应的预测剩余使用时间和所述测试集对应的真实剩余使用时间计算所述电解电容剩余寿命预测模型的均方根误差和决定系数以作为所述电解电容剩余寿基于所述损失值对所述电解电容剩余寿命预测所述第一获取模块，用于获取一历史训练数据集，所述历史训练数所述训练模块，用于基于所述历史训练数据训练神经网络模型，以得所述筛选模块，用于从所述历史训练数据集中筛选特征数据和标所述电解电容剩余寿命预测模型以电解电容的输出参数为输入，3所述第一处理模块，用于对所述历史训练数据集进行异常值和空值所述第二处理模块，用于对所述异常值和空值处理后的历史训练数据6.如权利要求4所述的模型训练系统，其特征在于，所述模型训练系统还包括提取模所述计算模块，用于基于所述测试集对应的预测剩余使用时间和所述实剩余使用时间计算所述电解电容剩余寿命预测模型的均方根误差和决定系数以作为所获取电解电容的实时输出参数，所述实时输出参数包括实时输出电流和/或实时输出将所述实时输出参数输入利用如权利要求1-3中任一项所述的模型训练方法训练得到8.一种电解电容剩余寿命预测系统，其特征在于，所所述输出参数获取模块，用于获取电解电容的实时输出参数，所述所述输入模块，用于将所述实时输出参数输入利用如权利要求4-6中任一项所述的模9.一种电子设备，包括存储器、处理器及存储在4个频率点上的电解电容ESR值进行综合计算才能得到电解电容交流波纹总损耗，使得该方[0007]本发明要解决的技术问题是为了克服现有技术中在对电解电容剩余寿命进行预5[0021]基于所述测试集对应的预测剩余使用时间和所述测试集对应的真实剩余使用时间计算所述电解电容剩余寿命预测模型的均方根误差和决定系数以作为所述电解电容剩[0033]所述测试模块，用于利用所述测试集测试所述电解电容寿命预测模型的预测结6的真实剩余使用时间计算所述电解电容剩余寿命预测模型的均方根误差和决定系数以作[0036]所述优化模块，用于基于所述损失值对所述电解电容剩余寿命预测模型进行优[0038]获取电解电容的实时输出参数，所述实时输出参数包括实时输出电流和/或实时[0039]将所述实时实时输出参数输入利用上述第一方面所述的模型训练方法训练得到[0047]本发明通过获取电解电容的多个输出参数以及与每个输出参数对应的剩余使用预测模型；以便利用电解电容剩余寿命预测模型准确地预测出电解电容的剩余使用时间，[0051]图4为本发明实施例1和2的模型训练方法的预测剩余使用时间与真实剩余使用时[0052]图5为本发明实施例1和2的模型训练方法的预测剩余使用时间与真实剩余使用时7时间点输出电流C和/或每个时间点输出频率f以及该时间点上电解电容的剩余使用时间当前电解电容的剩余使用时间(即当前电解电容的日历寿命)CL，具体的计算如公式(1)所[0068]本实施例中，采用循环神经网络RNN中的LSTM(长短期记忆网络)算法进行模型训[0069]本实施例基于历史训练数据集训练神经网络模型以构建电解电容剩余寿命预测8据为该时间点t以及t以后k个时间点上的剩余使用时间(即剩余寿命)L，即对样本数据集D9后的测试集对应的预测剩余使用时间和反归一化后的测试集[0095]步骤107、基于测试集对应的预测剩余使用时间和测试集对应的真实剩余使用时间计算电解电容剩余寿命预测模型的均方根误差和决定系数以作为电解电容剩余寿命预该历史训练数据集按照该变频器运行监测数据的采集时间t由远及近排序，该历史训练数据集包括输出频率f和/或输出电流C以及根据阿伦尼乌斯公式计算并经过调整的电解电容[0105]根据公式(1)计算该变频器当前日历寿命CL；再按照公式(2)对历史训练数据集O解电容寿命预测模型，得到测试集对应的预测剩余使用时间(即测试集对应的标签数据)；获取测试集对应的真实剩余使用时间；采用上述公式(3)对测试集对应的预测剩余使用时间Ypred和测试集对应的真实剩余使用时间Ytrue进行数据反归一化处理，预测剩余使用时间从对样本数据集D做时序错位处理到做数据反归一化处理的步骤，得到未包含该变频器当添加该变频器当前日历寿命CL建立的电解电容剩余寿命预测模型决定系数R2大于等于0.9[0114]本实施例通过获取输出电流和/或输出频率以及电解电容的剩余使用时间的历史多个输出参数以及与每个输出参数对应的剩余使用时间，该输出参数包括输出电流和/或时间点输出电流C和/或每个时间点输出频率f以及该时间点上电解电容的剩余使用时间[0123]本实施例中，采用循环神经网络RNN中的LSTM算法进行模型训练，选取合适的参[0124]本实施例基于历史训练数据集训练神经网络模型以构建电解电容剩余寿命预测据为该时间点t以及t以后k个时间点上的剩余使用时间(即剩余寿命)L，即对样本数据集D进行时序错位处理后的数据结构如实施例1中的表后的测试集对应的预测剩余使用时间和反归一化后的测试集测试集对应的真实剩余使用时间Ytrue进[0144]计算模块9，用于基于测试集对应的预测剩余使用时间和测试集对应的真实剩余使用时间计算电解电容剩余寿命预测模型的均方根误差和决定系数以作为电解电容剩余该历史训练数据集按照该变频器运行监测数据的采集时间t由远及近排序，该历史训练数据集包括输出频率f和/或输出电流C以及根据阿伦尼乌斯公式计算并经过调整的电解电容[0151]根据实施例1中的公式(1)计算该变频器当前日历寿命CL；再按照实施例1中的公解电容寿命预测模型，得到测试集对应的预测剩余使用时间(即测试集对应的标签数据)；使用时间Ypred和测试集对应的真实剩余使用时间Ytrue进行数据反归一化处理，预测剩余使重复上述从对样本数据集D做时序错位处理到做数据反归一化处理的步骤，得到未包含该[0155]按照实施例1中的公式(4)和(5)计算电解电容剩余寿命预测模型的性能评估指[0156]本实施例通过获取输出电流和/或输出频率以及电解电容的剩余使用时间的历史[0158]图7为本发明实施例3提供的一种电子设备的结构示意图。电子设备包括存储器、[0161]存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存[0162]存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限的一个单元/模块的特征和功能可以进一步划分为由多个单元/模[0176]本实施例在规避温度参数的同时仅考虑将获取的实时输出参数中的实时输出电流和/或实时输出频率输入训练得到的电解电容剩余寿命预测模型，即可实现对电解电容[0180]输入模块62，用于将实时输出参数输入利用实施例2的模型训练系统训练得到的[0181]本实施例在规避温度参数的同时仅考虑将获取的实时输出参数中的实时输出电流和/或实时输出频率输入训练得到的电解电容剩余寿命预测模型，即可实现对电解电容[0183]本发明实施例7提供的一种电子设备的结构示意图，该实施例中的电子设备的结显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限[0186]存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存[0187]存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这尽管图中未示出，可以结合模型生成的设