[发明专利]电源状态的确定方法、装置及设备

权利要求书

1.一种电源状态的确定方法，其特征在于，包括：

获取电源设备中的各节蓄电池的运行特征参数；

将所述运行特征参数输入至已训练好的检测模型中，由所述检测模型对所述运行特征参数进行处理，确定出所述各节蓄电池各自的状态为正常状态或者故障状态；

根据所述各节蓄电池各自的状态，确定出所述电源设备的运行状态。

2.根据权利要求1所述的方法，其特征在于，获取电源设备中的各节蓄电池的运行特征参数，包括：

分别获取每节所述蓄电池对应的多个指标参数，所述多个指标参数是在所述蓄电池进行充放电测试中采集得到的；

将所述多个指标参数中满足预设条件的第一指标参数，确定为所述蓄电池的运行特征参数。

3.根据权利要求2所述的方法，其特征在于，所述预设条件包括下述中的至少一项：

所述第一指标参数与预设告警之间存在第一关联关系；

或者，

所述第一指标参数与第二指标参数之间存在第二关联关系，所述第二指标参数为所述多个指标参数中除所述第一指标参数之外的其他指标参数；

或者，

所述第一指标参数对应的波形图满足预设特征。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述检测模型为卷积神经网络CNN-支持向量机SVM模型。

5.根据权利要求4所述的方法，其特征在于，所述检测模型是采用如下方式训练得到的：

获取多组第一训练样本，每组第一训练样本包括样本蓄电池对应的样本运行特征参数和样本状态；

构建CNN-SVM模型，并采用所述多组第一训练样本对所述CNN-SVM模型进行训练，得到已训练的CNN-SVM模型。

6.根据权利要求5所述的方法，其特征在于，构建CNN-SVM模型，并采用所述多组第一训练样本对所述CNN-SVM模型进行训练，得到已训练的CNN-SVM模型，包括：

构建待训练的CNN模型，所述CNN模型包括卷积层、采样层和分类层；

采用所述多组第一训练样本对所述待训练的CNN模型进行训练，得到训练后的CNN模型；

将所述训练后的CNN模型中的采样层、分类层与SVM分类器连接，得到待训练的CNN-SVM模型；

采用所述多组第一训练样本对所述待训练的CNN-SVM模型进行训练，得到所述已训练的CNN-SVM模型。

7.根据权利要求5所述的方法，其特征在于，得到已训练的CNN-SVM模型之后，还包括：

获取多组第二训练样本，每组第二训练样本包括样本蓄电池对应的样本运行特征参数和样本状态；

采用所述多组第二训练样本对所述已训练的CNN-SVM模型进行测试，并确定测试结果满足预设条件。

8.一种电源状态的确定装置，其特征在于，包括：

获取模块，用于获取电源设备中的各节蓄电池的运行特征参数；

检测模块，用于将所述运行特征参数输入至已训练好的检测模型中，由所述检测模型对所述运行特征参数进行处理，确定出所述各节蓄电池各自的状态为正常状态或者故障状态；

确定模块，用于根据所述各节蓄电池各自的状态，确定出所述电源设备的运行状态。

9.一种电子设备，其特征在于，包括：存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序执行如权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。