[发明专利]一种基于休息恢复效应的UPS充电最大化方法

说明书

本发明公开了一种基于休息恢复效应的UPS充电最大化方法，包含步骤如下：获取原始充电数据集；将充电数据集划分为充电训练集和充电测试集；搭建BP神经网络模型结构；训练BP神经网络模型结构；建立充电模型；运用充电模型估计UPS当前电量；判断是否充电结束。本发明克服了恒流恒压充电方法只能以电压和电流作为判断依据的局限性，在充电过程中准确估计UPS实时电量作为充电结束的判断依据，通过电量闭环的方式使UPS充电最大化，最大限度地利用UPS容量。

技术领域

本发明涉及不间断电源领域，更具体地，涉及一种基于休息恢复效应的UPS充电最大化方法。

背景技术

医院、数据中心等对供电可靠性要求高的建筑，通常需要配置不间断电源(UPS)来提高供电可靠性。每个UPS所配置的容量均为确定的，如何在充电阶段最大限度地利用UPS容量，实现充电最大化，关系到UPS在停电期间所能支撑的时间。现有的充电方法，一般采用恒流恒压充电，即在第一阶段以恒定电流充电，当电压达到预定值时转入第二阶段进行恒压充电，直至充电电流逐渐下降到零时，认为UPS完全充满，结束充电。这种充电方式，缺乏对UPS实时电量的估计，属于开环充电方法，难以保证最大限度地利用UPS容量。

发明内容

本发明克服上述恒流恒压充电无法保证最大限度地利用UPS容量的问题，提出了一种基于休息恢复效应的UPS充电最大化方法。本发明的技术方案如下：

一种基于休息恢复效应的UPS充电最大化方法，其特征在于，包括以下步骤：

步骤1：获取原始充电数据集，即在UPS的允许充电电流范围内，以等差方式选取M种充电电流，形成充电电流集合，令同型号的N台UPS全部以所述的M种充电电流进行间歇性恒流充电实验，每次暂停充电时，记录充电电流、当前电量、暂停充电期间所有采样时刻的电压，形成充电数据集；

步骤2：将充电数据集划分为充电训练集和充电测试集；

步骤3：搭建BP神经网络模型结构，结构如下：

输入层节点数为节点对应元素为1个电流值和休息恢复效应中的K个电压值以及复制的电流值；

隐藏层层数为1层；

输出层节点数为1个，节点对应元素为UPS电量；

隐藏层节点数初始值设置为：

其中，x取0到10间任一整数；

隐藏层激活函数选择sigmoid函数；

误差函数中，精度选取为0.1％，当输出误差小于或等于0.1％，允许保存当前BP神经网络模型结构权值，否则继续对BP神经网络模型结构进行训练；

步骤4：训练BP神经网络模型结构，即将充电训练集输入步骤3所述的BP神经网络模型结构进行网络训练；

步骤5：建立充电模型，即采用充电测试集验证BP神经网络模型是否符合精度要求，若不符合则重新执行步骤3至步骤4，直至BP神经网络模型符合精度要求，形成基于BP神经网络的充电模型；

步骤6：运用充电模型估计UPS当前电量，即在UPS充电过程中，从步骤1给定充电电流中选择第m种电流进行恒流充电，直至电池端电压达到充电截止电压后停止充电，记录当前充电电流，然后采用与步骤1相同的采样频率记录充电停止后所有采样时刻的电压，达到与步骤1相同的暂停充电时间后，将所记录的电流和电压数据输入步骤5所述的基于BP神经网络的充电模型，估计UPS当前电量；

步骤7：判断是否充电结束，即对步骤6所述的UPS当前电量与UPS最大容量进行比较，若未达到则从给定充电电流中选择低一档的电流，即令m＝(m-1)，循环执行步骤6，直至UPS当前电量达到UPS最大容量，充电结束。