用于不间断电源电池监测和数据分析的系统和方法
【专利说明】用于不间断电源电池监测和数据分析的系统和方法
[0001]相关申请的交叉引用
[0002]本申请是要求于2013年5月3日提交的美国临时申请N0.61/819，317的权益的PCT国际申请。上述申请的全部公开内容通过引用合并在本文中。
技术领域
[0003]本公开内容涉及电池监测系统和方法，并且更特别地涉及用于下述的电池监测系统和方法:从被监测的不间断电源(UPS)采集数据，并且对数据进行分析和筛选以产生甚至更准确地表示UPS的性能的数据集合，以便甚至更有效地预测UPS中所使用的电池的将来系统操作和/或剩余使用寿命(RUL)。
【背景技术】
[0004]在本章节中的陈述仅提供与本公开内容相关的背景信息，并且不会构成现有技术。
[0005]许多大型工业系统使用电池备份系统，这些电池备份系统使机器能够在主电源紧急丧失期间操作通过并且返回安全状态。通常由监测电池特性的第三方公司来安装并维护这些备份系统。数据中心中的不间断电源(UPS)系统的许多近来的安装包括从电池连续不断地采集数据的永久安装的或者固定的仪器(传感器)。由于现今数据中心通常可以使用几十个或更多个UPS，其中每个UPS具有多个独立的电池单元，因此，当全天候监测这样的大型系统时，会生成需要被分析的、非常大量的性能数据。
[0006]至少三个重要的挑战围绕从被用于监测UPS的电池的现今传感器采集的数据:
(1)通过将噪声与作为对真正的电池状况的诊断的有效数据区分开来而验证数据的质量，(2)改进对数据错误类型的识别，使得可以快速地做出恰当的诊断并且可以实施必须的干预，以及(3)识别并辨认有效数据中的模式，以关于电池的系统操作和剩余使用寿命(RUL)进行预测。准确的RUL预测应当通过在电池实际失效之前允许干预来提高系统正常运行时间。还可以通过从对电池的周期性检查改变成更加紧密地遵从可靠性澡盆曲线(reliability bathtub curve)的检查循环来实现显著的成本节约。
[0007]当对从UPS采集的数据进行分析时，数据噪声可能是由于多种事件而产生的。例如，人工干预(例如替换电池或板)可能导致一定程度的数据噪声被生成。阻碍适当数据流的网络故障或者仪器问题(例如松散的线、低劣的传感器、失效的多路复用器、断开的电池突耳(battery lug)、改变的校准值等)在许多情况下也将会导致数据噪声。这些事件可以在数据流中创建特性模式。目前，人类必须尝试解释数据并且努力识别并报告特定异常。作为结果，必须的干预可能因此被延迟直到事件发生之后很久。对数据的自动清洗和分类将使得能够更快确定问题的根本原因(例如，是电池还是仪器？)，并且可以预期上述自动清洗和分类提供在其上建立预测的RUL模型的干净的数据集。
[0008]设计出了用于估计电池系统的健康、充电状态和RUL的许多系统。然而，这样的现今的系统通常未被设计成适应连续的电池测量的大型数据集，例如由于在现今的数据中心中使用的USP电池备份系统的自动监测而产生的大型数据集。目前，通常通过电池专家的团队按常规进度表以及响应于警报来手动地执行对来自数据中心电池备份系统的输入的传感器数据的检查。这使得在由个人执行时，对来自电池监测系统的原始传感器数据的“清洗”具有挑战性并且经常花费大量时间。
[0009]在分析原始采集的传感器数据时的一些现有尝试涉及了使用众所周知的最小二乘线性回归方法作为曲线拟合的形式。正如许多曲线拟合算法一样，最小二乘线性回归方法的目的是为了找到接近所采集的数据的所有样本点而通过的最优线。对于最小二乘算法，可以就针对每个点的误差(即，从每个点到拟合线的Y距离)而言来定义“接近”。最小二乘线性回归方法设法使这些误差的平方之和最小化。然而，最小二乘线性回归方法的一个显著的缺点在于，所有误差被均等地加权。结果，一个点中的误差刚好与任何其他点中的误差一样严重。另一缺点在于，在最小二乘线性回归曲线拟合中会考虑甚至根据通过用户的某种干预(即，断开电池线缆，或者暂时扰乱电池线缆连接)而创建的数据点，实际上这样的数据点并不指示电池串的任何真正的性能降级。现今的曲线拟合算法还考虑了异常数据点值。这些因素会累积地显著降低根据传统的最小二乘线性回归曲线拟合而得到的电池健康分析的质量和可靠性。
【发明内容】
[0010]—方面，本公开内容涉及一种用于使用处理/分析系统对在一段时间内采集的原始数据进行分析以验证所采集的原始数据的质量的方法。该方法可以包括在一段时间内采集原始数据点值。可以使用处理/分析系统来识别并去除原始数据点值中的被确定为存在于数据点值的预定范围之外的异常值的特定原始数据点值。针对原始数据点值中的特定剩余原始数据点值中的每个原始数据点值，处理/分析系统可以对原始数据点值中的时间上在原始数据点值中的被检查的给定原始数据点值之前的点处获得的至少两个其他原始数据点值进行检查。处理/分析系统可以使用原始数据点值中的所述至少两个其他原始数据点值来确定与原始数据点值中的被检查的所述给定原始数据点值相关的预测数据点值，以及将预测数据点值与原始数据点值中的被检查的所述给定原始数据点值进行比较。根据上述比较，处理/分析系统可以用于确定原始数据点值中的被检查的所述给定原始数据点值是否为有效数据点值。
[0011]另一方面，本公开内容涉及一种用于使用处理/分析系统对在一段时间内采集的与电池测量值相关的原始数据进行分析以验证所采集的原始数据的质量的方法。该方法包括:使用处理/分析系统在一段时间内采集原始数据点值。处理/分析系统还可以用于通过识别并去除原始数据点值中的被确定为存在于数据点值的预定范围之外的异常值的特定原始数据点值来执行数据清洗操作。处理/分析系统可以用于通过以下来执行数据压缩操作:检查原始数据点值中的时间上彼此相邻地获得的连续对，以及每当给定对的两个原始数据点值相同时，丢弃被检查的所述对中的一个原始数据点值，从而来形成原始数据点值的压缩集。根据原始数据点值的连续对的压缩集，针对每个连续对的原始数据点值中的每个原始数据点值，处理/分析系统可以检查原始数据点值中的时间上在所考虑中的一对的原始数据点值中的给定原始数据点值之前获得的多个原始数据点值；给原始数据点值中的时间上在之前获得的所述多个原始数据点值中的每个原始数据点值分配权重以创建加权数据点值。处理/分析系统可以使用加权数据点值来生成与所考虑中的原始数据点值相关联的预测数据点值。系统还可以用于在预测数据点值与所考虑中的原始数据点值之间执行比较以确定相对于所考虑中的原始数据点值的误差。
[0012]再一方面，本公开内容涉及一种用于对在一段时间内采集的原始数据进行分析以验证所采集的原始数据的质量并且根据进一步考虑除去将被确定为错误的数据点值的数据点值的系统。该系统可以包括处理系统，所述处理系统被配置成运行算法并且能够操作以在一段时间内采集原始数据点值。可以使用下述数据库，所述数据库与处理器通信并且被配置成存储所采集的原始数据点值。处理/分析系统还可以被配置成识别并去除原始数据点值中的被确定为存在于数据点值的预定范围之外的异常值的特定原始数据点值。处理/分析系统还可以用于针对原始数据点值中的特定其余原始数据点值中的每个原始数据点值，对原始数据点值中的时间上在原始数据点值中的被检查的给定原始数据点值之前的点处获得的至少两个其他原始数据点值进行检查。可以使用原始数据点值中的所述至少两个其他原始数据点值结合算法来确定与原始数据点值中的被检查的所述给定原始数据点值相关的预测数据点值。处理系统可以使用预测数据点值与原始数据点值中的被检查的给定原始数据点值来确定原始数据点值中的被检查的所述给定原始数据点值是否为错误的数据点值。
【附图说明】
[0013]本文所描述的附图仅为了说明的目的而不意在以任何方式限制本公开内容的范围。
[0014]图1是根据依据本公开内容的UPS监测系统的一个示例的一个系统的上层框图；
[0015]图2是示出可以由图1的系统实现的各种操作的上层流程图。
[0016]图3是可以与图1的系统一起使用、以清洗并分析由图1中示出的监测装备采集的电阻数据值的预后健康监测(“PHM”)算法的示例；
[0017]图4a和图4b至图9是指示在绘制针对所采集的数据值中的每个数据值的误差值之前可以以图形的形式如何呈现所采集的数据值的图；以及
[0018]图10至图13是示出了相对于数据点值所关联的误差值而绘制的数据点值的输出图，并且其中误差值被用于指示高异常数据点值或低异常数据点值以及在测量的电瓶(jar)电阻值中的不连续性；
【具体实施方式】
[0019]下述描述本质上仅是示例性的而不意