Research on intelligent prediction and maintenance system and technology of UPS battery in data center

doi:10.12267/j.issn.2096-5931.2022.03.009

Abstract

Abstract:

UPS battery is an important component to ensure the stable operation of the data center, and its safety is related to the reliability and stability of the data center power system. In recent years, the monitoring, operation, and maintenance management of batteries have attracted the attention of academia and industry to avoid the occurrence of power accidents caused by battery failure. Three development stages of operation and management of UPS battery in the current data center are analyzed. An intelligent operation and management system is proposed, integrating the monitoring system, flexible alarm, asset management, and fault prediction. The algorithms for batteries’ health monitoring, anomaly detection, and performance prediction are further summarized.

Key words: data center, UPS battery, intelligent management system, machine learning

CLC Number:

TM912.1

ZHANG Ziting, ZENG Yu, REN Hongdan, MENG Rui. Research on intelligent prediction and maintenance system and technology of UPS battery in data center[J]. Information and Communications Technology and Policy, 2022, 48(3): 55-63.

Add to citation manager EndNote|Ris|BibTeX

URL:

http://ictp.caict.ac.cn/EN/10.12267/j.issn.2096-5931.2022.03.009

http://ictp.caict.ac.cn/EN/Y2022/V48/I3/55

Figures/Tables 11

References 29

[1]	周钰, 郝为瀚. 面向数据中心的储能系统应用研究[J]. 南方能源建设, 2021, 8(3):58-62.
[2]	张一迪. 数据中心: 向绿色节能过渡[N]. 中国电子报, 2021-12-21(6).
[3]	唐建华, 方兴. 浅谈UPS在数据机房中的节能与维护[J]. 技术与市场, 2021, 28(7): 131+133.
[4]	袁世魁. 阀控式铅酸蓄电池性能在线诊断方法的研究[D]. 南京:东南大学, 2018.
[5]	Yang Y, Mo Y, Wang Q. Research on dynamic impedance characteristics of hybrid vehicle battery?. IEEE, 2014.
[6]	臧鑫善. 蓄电池健康状况多参数监测系统研究[D]. 南京:南京邮电大学, 2019.
[7]	魏东涛, 黄之杰, 孔华, 等. 蓄电池SOC的研究及预测方法[J]. 电源技术, 2016, 40(6):1321-1323.
[8]	李涛, 梅成林, 刘波峰, 等. 基于粒子群的模糊神经网络铅酸蓄电池SOC估计[J]. 电源技术, 2017, 41(1):64-67.
[9]	Chang WY . The state of charge estimating methods for battery: a review[J]. Isrn Applied Mathematics, 2015, 2013:203-209.
[10]	Zhuang HM, Xiao J. VRLA battery SOH estimation based on WCPSO-LVSVM[J]. Applied Mechanics and Materials, 2014, 628:396-400. doi: 10.4028/www.scientific.net/AMM.628 URL
[11]	张文圳. VRLA电池的SOC估计与其模型参数辨识研究[D]. 北京:北京工业大学, 2016.
[12]	王君瑞, 单祥, 贾思宁, 等. 基于扩展卡尔曼滤波的蓄电池组SOC估算[J]. 电源技术, 2020, 44(8):1168-1172.
[13]	刘兴涛, 李坤, 武骥, 等. 基于EKF-SVM算法的动力电池SOC估计[J]. 汽车工程, 2020, 42(11): 1522-1528+1544.
[14]	周奇, 罗培. 基于聚类算法的蓄电池SOC模糊预测[J]. 电源技术, 2017(1):71-74.
[15]	Han J S H S T, Zhou B. Neuro-symbolic program search for autonomous driving decision module design[J], 2020.
[16]	袁世魁, 程力. 基于Coup de fouet现象的蓄电池SOH估测[J]. 蓄电池, 2018, 55(2):4.
[17]	Sun H, Guo J, Kim EJ, et al. Unsupervised star galaxy classification with cascade variational auto-encoder[J]. CoRR, 2019.
[18]	Costa D, Nunes M, Vieira J, et al. Decision tree-based security dispatch application in integrated electric power and natural-gas networks[J]. Electric Power Systems Research, 2016, 141:442-449. doi: 10.1016/j.epsr.2016.08.027 URL
[19]	Shi chao, Zhang, Xuelong, et al. Efficient kNN classification with different numbers of nearest neighbors.[J]. IEEE transactions on neural networks and learning systems, 2017.
[20]	González C, Mira-McWilliams, José, Juárez I. Important variable assessment and electricity price forecasting based on regression tree models: classification and regression trees, Bagging and Random Forests[J]. Generation Transmission & Distribution Iet, 2015, 9(11):1120-1128. doi: 10.1049/gtd2.v9.11 URL
[21]	胡晨, 金翼, 崔邴晗, 等. 基于深度学习的铅酸电池健康状态估计[J]. 电池, 2021, 51(1):63-67.
[22]	Xu Z, Yu C, Sun H, et al. The response of sediment phosphorus retention and release to reservoir operations: Numerical simulation and surrogate model development[J]. Journal of Cleaner Production, 2020, 271:122688. doi: 10.1016/j.jclepro.2020.122688 URL
[23]	雒宁, 李一非, 李哲, 等. 基于复合模型的铅酸蓄电池自动充放电SOC预估模型[J]. 微型电脑应用, 2021, 37(8):71-74.
[24]	徐帅, 刘雨辰, 周飞. 基于RNN的锂离子电池SOC估算研究进展[J]. 电源技术, 2021, 45(2):263-269.
[25]	程一伟, 朱海平, 吴军, 等. 基于嵌套长短期记忆网络的机械装备剩余使用寿命预测方法[J]. 中国科学: 技术科学, 2022, 52(1):76-87.
[26]	张少宇, 伍春晖, 熊文渊. 采用门控循环神经网络估计锂离子电池健康状态[J]. 红外与激光工程, 2021, 50(2):236-243.
[27]	Sun H, Xu Z, Song Y, et al. Zeroth-order supervised policy improvement[J], 2020.
[28]	Sun H, Peng Z, Dai B, et al. Novel policy seeking with constrained optimization[J], 2020.
[29]	倪水平, 李慧芳. 基于一维卷积神经网络与长短期记忆网络结合的电池荷电状态预测方法[J]. 计算机应用, 2021, 41(5):1514-1521.

发展阶段	维护方式	方式评价
被动式	不采取任何技术手段和管理方法,直到蓄电池出现故障问题进行维修和更换	不需要人工巡检,人力成本和计算成本低,但是一旦发生市电故障,劣化的蓄电池无法及时供给电源,将会造成难以承受的经济损失。该方式不满足“高安全”的需求
预防式	采取计划驱动的定期巡视、修护和记录的方式,做好系统的检查和保养,包括通风环境、卫生条件、硬件设施等	该方式依赖于人工检查的精细度,一旦有误检、漏检和错检的情况发生,将会造成误导性的检查结果;此外,该方式也需要制定合理的检查周期和方式,进而在成本和效果之间作权衡。该方式不满足“高技术、高能效”的需求
预测式	采取数据驱动的健康监测、异常检测和性能预测算法,通过特征提取和算法分析提前发现蓄电池潜在的问题和故障	该方式依赖于算法的精度,传统的计算方法算力低,但是准确度和可靠性差,基于机器学习的算法准确度和可靠性高。该方式符合新型数据中心的发展需求,设计基于AI的智能预维算法是新型数据中心的一大研究重点

发展阶段	维护方式	方式评价
被动式	不采取任何技术手段和管理方法,直到蓄电池出现故障问题进行维修和更换	不需要人工巡检,人力成本和计算成本低,但是一旦发生市电故障,劣化的蓄电池无法及时供给电源,将会造成难以承受的经济损失。该方式不满足“高安全”的需求
预防式	采取计划驱动的定期巡视、修护和记录的方式,做好系统的检查和保养,包括通风环境、卫生条件、硬件设施等	该方式依赖于人工检查的精细度,一旦有误检、漏检和错检的情况发生,将会造成误导性的检查结果;此外,该方式也需要制定合理的检查周期和方式,进而在成本和效果之间作权衡。该方式不满足“高技术、高能效”的需求
预测式	采取数据驱动的健康监测、异常检测和性能预测算法,通过特征提取和算法分析提前发现蓄电池潜在的问题和故障	该方式依赖于算法的精度,传统的计算方法算力低,但是准确度和可靠性差,基于机器学习的算法准确度和可靠性高。该方式符合新型数据中心的发展需求,设计基于AI的智能预维算法是新型数据中心的一大研究重点

方法名称	方法描述	方法评价
放电法	恒定的电流进行放电,剩余容量可以由电流和时间的乘积表示	可靠性高,但需要较长的时间,测试时要求蓄电池停止工作
安时法	基于安时积分公式^[8],可以求得任意时刻的SOC	最简单和直接的方法,但是依赖于准确的电流测量,且需要准确地估计充放电电流对蓄电池容量的影响系数
开路电压法	蓄电池的电动势在数值上近似等于开路电压,而且蓄电池剩余的容量和其开路电压有一定的函数关系,因此检测开路电压即可得到剩余容量^[9]	简单易行的方法,但是蓄电池的电压只有满足长时间放置才能达到稳定,而且无法进行在线检测
内阻法	基于测得的蓄电池的内阻值,利用蓄电池剩余容量和内阻之间的函数关系,即可估算得到SOC值^[10]	可以用于实时检测,但是由于内阻复杂的构成结构,很难利用传统的数学方法进行建模
负载电压法	通过蓄电池的直流内阻和交流内阻与SOC的变化关系进而测得SOC值	可以用于在线估算,但是直流内阻受时间的影响比较大,短时间只能测得欧姆内阻,不能用于变电流
线性模型法	基于系统辨识的理论方法,通过建立的线性模型得出研究结果,并对SOC估计值进行修正	鲁棒性强,但是需要太多假设条件,无法满足实际情况的需求
机器学习算法	在非线性函数逼近方面有着无可比拟的优势,因此近年来研究者们提出了基于机器学习的众多算法,比如卡尔曼滤波^[12]、支持向量机^[13]、聚类算法^[14]和神经网络^[15][16]等	快速、方便又有较高的精度

方法名称	方法描述	方法评价
放电法	恒定的电流进行放电,剩余容量可以由电流和时间的乘积表示	可靠性高,但需要较长的时间,测试时要求蓄电池停止工作
安时法	基于安时积分公式^[8],可以求得任意时刻的SOC	最简单和直接的方法,但是依赖于准确的电流测量,且需要准确地估计充放电电流对蓄电池容量的影响系数
开路电压法	蓄电池的电动势在数值上近似等于开路电压,而且蓄电池剩余的容量和其开路电压有一定的函数关系,因此检测开路电压即可得到剩余容量^[9]	简单易行的方法,但是蓄电池的电压只有满足长时间放置才能达到稳定,而且无法进行在线检测
内阻法	基于测得的蓄电池的内阻值,利用蓄电池剩余容量和内阻之间的函数关系,即可估算得到SOC值^[10]	可以用于实时检测,但是由于内阻复杂的构成结构,很难利用传统的数学方法进行建模
负载电压法	通过蓄电池的直流内阻和交流内阻与SOC的变化关系进而测得SOC值	可以用于在线估算,但是直流内阻受时间的影响比较大,短时间只能测得欧姆内阻,不能用于变电流
线性模型法	基于系统辨识的理论方法,通过建立的线性模型得出研究结果,并对SOC估计值进行修正	鲁棒性强,但是需要太多假设条件,无法满足实际情况的需求
机器学习算法	在非线性函数逼近方面有着无可比拟的优势,因此近年来研究者们提出了基于机器学习的众多算法,比如卡尔曼滤波^[12]、支持向量机^[13]、聚类算法^[14]和神经网络^[15][16]等	快速、方便又有较高的精度

算法名称	算法描述	算法评价
决策树^[18]	是一种基于if-then规则的算法,从训练的数据集中学习到一组条件概率模型,使得其与输入特征值的矛盾最小	复杂度低,而且可解释性更强。但是适用于蓄电池样本个数较少时的情况,而且容易产生过拟合的问题
支持向量机^[4]	是一种基于核函数的分类算法,通过寻找最佳超平面来对输入向量进行分类	有着更强的鲁棒性,但是其输入蓄电池参数样本的数量过大时,计算复杂度很大,核函数的选择也是困难之一
K最近邻^[19]	在训练阶段将样本保存起来而没有显式的训练过程,在测试阶段通过计算新的样本和训练样本之间的距离,进而找到其k个“邻居”样本,再通过投票策略得到其所属类别	易于实现,缺点是计算开销大,而且当健康蓄电池和故障蓄电池的样本个数相差较大时,会带来较大的误差
装袋数^[20]	通过对多个决策树的线性结合,装袋数可以集成为一个拥有更强泛化能力的分类器	相对决策树算法有改进,但是没有从本质上解决过拟合的问题
聚类^[4]	基于不同特征之间的相关性,可以实现自动分类	非监督算法,不需要蓄电池的先验信息,但是仅适用于构建的低维的特征向量,随着维度的增加,复杂度呈现指数级增长
深度神经网络^[21]	一种多层神经网络,包括一个输入层、多个隐藏层和一个输出层,其中每一层包含众多神经元	神经网络有着更强的泛化能力,但是需要大量的训练样本进行训练