不间断电源系统(Uninterruptible Power System, UPS)能够输出纯净稳定的电能，是数据机房不可或缺的设备之一，其健康状态直接影响其它用电设备的工作稳定性。故障预测与健康管理(Prognosis and Health Management, PHM)技术近年来被广泛应用于各类电子设备的故障诊断及故障预测。本文针对UPS进行故障预测与健康管理技术研究，主要基于数据驱动的模式识别与人工智能算法，从UPS系统级、模块级和元件级三个层面展开研究。
　　首先，系统级层面主要研究UPS状态实时监测、时序预测及健康状态评估方法。其中UPS状态实时监测和健康状态评估方法核心算法为非线性状态估计技术(Nonlinear State Estimation Technique, NSET)。UPS状态时序预测技术研究采用随机森林回归(Random Forest Regression, RFR)和长短期记忆(Long-Short Term Memory, LSTM)网络，实验结果显示二者均能够在极高的精度下对UPS未来某时刻的状态进行预测，并且LSTM比随机森林预测精度更高，预测较远距离的未来时刻LSTM是更优的选择。
　　然后，模块级层面主要研究了蓄电池健康状态估计方法。实验采用NASA开放实验数据集，通过对不同充放电循环周期的充放电电压和温度变化趋势进行观察，提取了四个特征用于训练模型。核心算法为分类回归树(Classification And Regression Tree, CART)和随机森林，均采用自助法进行性能评估，实验结果表明随机森林具有更高的估计精度。
　　其次，元件级层面主要是针对逆变电路中开关管高概率的开路故障问题，研究如何使用机器学习算法进行开关管开路故障诊断。实验首先采用Simulink对单相全桥逆变电路各个开关管开路故障状态进行仿真，获得直流侧电流、输出电流和输出电压信号数据，再人为加入高斯白噪声，然后进行数据预处理及特征提取，并采用十折交叉验证100次重复实验训练了K-D树、决策树(CART)和不同规模的随机森林，最终通过对比不同模型各个开关管故障识别率及模型训练时间，得出CART预测精度高、训练速度快，是最优之选，并且通过随机森林参数重要性判断去除冗余特征之后CART仍是最优之选。
　　最后，设计了UPS健康管理系统软件。软件简单易用，功能丰富，涵盖了系统级、模块级和元件级的研究成果。软件内置算法代码设计部分均采用研究结果的最优算法模型。软件功能主要包括UPS故障原因呈现、故障等级提示、处理方案提示、故障实时监测、故障时序预测、UPS健康状态评分、蓄电池健康状态估计、逆变电路开关管开路故障诊断等。