← 返回
基于半监督少样本学习的大型数据中心VRLA电池故障诊断密集连接对比观测器
Densely-Connected Contrastive Observer for Fault Diagnosis of VRLA Battery in Large Data Center Based on Semisupervised Few-Shot Learning
| 作者 | Wenyi Liu · Shang Yue · Pu Yang · Ruixu Zhou · Jianbo Yu |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2024年10月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 储能系统 故障诊断 机器学习 深度学习 电池管理系统BMS |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | VRLA电池 故障诊断 半监督学习 少样本学习 数据中心 健康管理 对比学习 |
语言:
中文摘要
本文针对大型数据中心阀控式铅酸（VRLA）电池充放电数据稀疏及样本质量不佳的难题，提出了一种新型半监督少样本学习模型。该模型通过密集连接对比观测器，有效提升了复杂工况下电池故障诊断的准确性与鲁棒性，为数据中心后备电源系统的健康管理提供了新方案。
English Abstract
Valve-regulated lead-acid (VRLA) batteries are of paramount importance in ensuring the safety and stability of large intelligent data centers (IDCs). The health management of VRLA battery suffers from the limitation of sparse charge-discharge data and nonideal samples in the high-voltage direct current system of IDC. In this article, a novel semisupervised few-shot model, i.e., densely-connected c...
S
SunView 深度解读
该研究聚焦于电池系统的故障诊断与健康管理，对阳光电源的PowerStack及PowerTitan系列储能系统具有重要参考价值。虽然本文针对的是VRLA电池，但其提出的‘半监督少样本学习’算法框架可迁移至锂电池BMS的故障预警中。在数据中心储能应用场景下，该技术能有效解决实际运行中故障样本稀缺的问题，提升iSolarCloud智能运维平台对储能资产的预测性维护能力，降低运维成本，增强系统安全性。