首頁資訊基于深度學習的儲能系統(tǒng)壽命預測及故障預警方法與系統(tǒng)與流程

基于深度學習的儲能系統(tǒng)壽命預測及故障預警方法與系統(tǒng)與流程

來源：泰然健康網(wǎng) 時間：2025年08月06日 05:06

本發(fā)明屬于儲能系統(tǒng)數(shù)智化應用，具體涉及一種基于深度學習的儲能系統(tǒng)壽命預測及故障預警方法與系統(tǒng)。

背景技術：

1、近年來，以儲能技術與系統(tǒng)為核心的現(xiàn)代智能電網(wǎng)體系的建設與規(guī)劃日漸引起重視，儲能技術被大規(guī)模的應用于電力系統(tǒng)的發(fā)電、輸電、配電以及用電的各個環(huán)節(jié)。

2、以鋰離子電池為代表的電化學儲能技術由于其靈活、快速的優(yōu)點，成為目前電力儲能領域裝機容量增長最快的儲能技術。特別是近些年來，鋰離子電池儲能成本快速降低，由此在可再生能源消納和交通電氣化產(chǎn)業(yè)鏈上的作用日益重要。作為電力系統(tǒng)高置信度的調(diào)度對象，儲能電站需要滿足安全、精確預測和穩(wěn)定運行三個條件。其中，儲能電站由若干個儲能系統(tǒng)構成，作為儲能電站的核心裝備，儲能系統(tǒng)全壽命周期的剩余壽命精準掌握以及故障早期預警是儲能電站安全穩(wěn)定運行的先決條件。

3、目前學術界雖已涌現(xiàn)大量關于儲能電池壽命預測及故障預警的研究成果，但現(xiàn)有方法普遍存在工程適用性不足的瓶頸問題。技術局限性主要體現(xiàn)在：(1)主流算法(如lstm、rnn等時序神經(jīng)網(wǎng)絡)依賴連續(xù)循環(huán)工況下的穩(wěn)定數(shù)據(jù)流建立特征-壽命映射關系，而實際儲能系統(tǒng)因調(diào)度需求呈現(xiàn)間歇性運行特征，導致數(shù)據(jù)連續(xù)性假設失效；(2)儲能系統(tǒng)實際運行數(shù)據(jù)受電池組之間的一致性差異、紋波電流干擾以及通信噪聲等多重因素影響，數(shù)據(jù)信噪比顯著劣化，傳統(tǒng)建模方法容易出現(xiàn)特征漂移精度下降問題。(3)現(xiàn)有研究的模型搭建與驗證多基于同一個電池數(shù)據(jù)集，而在實際應用中，不同儲能系統(tǒng)間的組串形式、電池型號均各不相同，傳統(tǒng)方法的泛化能力與遷移能力尚未開發(fā)。

技術實現(xiàn)思路

1、本發(fā)明的目的在于針對上述現(xiàn)有技術中的問題，提供一種基于深度學習的儲能系統(tǒng)壽命預測及故障預警方法與系統(tǒng)，以儲能電池系統(tǒng)片段化電壓-能量數(shù)據(jù)為老化特征，無需依賴連續(xù)循環(huán)數(shù)據(jù)，在復雜噪聲環(huán)境下具有魯棒性，并且具有跨系統(tǒng)快速遷移能力。

2、為了實現(xiàn)上述目的，本發(fā)明有如下的技術方案：

3、第一方面，提供一種基于深度學習的儲能系統(tǒng)壽命預測及故障預警方法，包括：

4、選取多種型號儲能電池進行加速循環(huán)老化試驗，采集試驗數(shù)據(jù)建立老化數(shù)據(jù)庫；

5、通過老化數(shù)據(jù)庫進行特征數(shù)據(jù)預處理，分別獲得由儲能系統(tǒng)內(nèi)電池單體片段電壓與對應能量數(shù)據(jù)組成的特征輸入集i、由當前第n次循環(huán)對應的電池單體溫度和功率工況參數(shù)組成的工況輸入集u、由若干次循環(huán)之后實測電池單體健康狀態(tài)soh值組成的輸出集o；

6、基于預先建立的多分支特征融合深度學習模型，通過聯(lián)合訓練特征輸入集i與工況輸入集u，建立與輸出集o的非線性映射關系，迭代優(yōu)化得到初始壽命預測模型q；

7、采集目標儲能系統(tǒng)運行數(shù)據(jù)對初始壽命預測模型q進行遷移學習優(yōu)化，獲得適配模型q'；

8、實時采集充電片段數(shù)據(jù)輸入適配模型q'，輸出未來若干次循環(huán)之后的電池單體健康狀態(tài)soh值的預測值及剩余使用壽命，并建立動態(tài)預警閾值，判定未來若干次循環(huán)之后是否故障。

9、作為一種優(yōu)選的方案，所述選取多種型號儲能電池進行加速循環(huán)老化試驗，采集試驗數(shù)據(jù)建立老化數(shù)據(jù)庫的步驟中，采集全生命周期充放電數(shù)據(jù)，建立涵蓋電壓-能量數(shù)據(jù)、工況參數(shù)及soh標注的老化數(shù)據(jù)庫。

10、作為一種優(yōu)選的方案，所述通過老化數(shù)據(jù)庫進行特征數(shù)據(jù)預處理的步驟，通過數(shù)據(jù)切片處理，從充電曲線中提取3.4v-3.3v電壓區(qū)間的能量數(shù)據(jù)，并按照5mv電壓間隔進行線性插值；

11、對每個循環(huán)周期的電壓-能量數(shù)據(jù)進行標準化處理，包括采用10mv電壓間距生成標準化列向量，經(jīng)歸一化處理消除量綱差異，形成特征輸入集i；

12、同步記錄當前第n次循環(huán)對應的電池單體溫度和功率工況參數(shù)，構建工況輸入集u；

13、標注n+200次循環(huán)后的實測soh值，形成輸出集o。

14、作為一種優(yōu)選的方案，所述采用10mv電壓間距生成標準化列向量，經(jīng)歸一化處理消除量綱差異，形成特征輸入集i的步驟，將標準化列向量合并后得到矩陣，采用歸一同質(zhì)化對矩陣內(nèi)數(shù)據(jù)進行標準化處理，轉(zhuǎn)換后的標準化數(shù)據(jù)無量綱，大小位于0～1，特征輸入集i為：

15、

16、其中，xn為第n次循環(huán)電壓-能量曲線對應的電壓-能量點。

17、作為一種優(yōu)選的方案，所述多分支特征融合深度學習模型包括由特征編碼器與工況編碼器組成的雙編碼器、5層卷積網(wǎng)絡及雙解碼器；所述聯(lián)合訓練的過程，通過模型訓練并與輸出集o進行比對，降低誤差梯度，學習相關特征與soh值的關聯(lián)關系，建立初始壽命預測模型q。

18、作為一種優(yōu)選的方案，所述采集目標儲能系統(tǒng)運行數(shù)據(jù)對初始壽命預測模型q進行遷移學習優(yōu)化，獲得適配模型q'的步驟中，提取目標儲能系統(tǒng)的3.4v-3.3v充電片段并計算總吞吐量soh標簽；以w總充放電能量/w額定能量作為儲能系統(tǒng)的總吞吐量soh標簽；凍結(jié)初始壽命預測模型q中的底層特征提取層，以兩組數(shù)據(jù)為輸入，對高層特征融合層進行遷移學習優(yōu)化，獲得適配模型q'，所述底層特征提取層為第1-3層卷積網(wǎng)絡，高層特征融合層為第4-5層卷積網(wǎng)絡。

19、作為一種優(yōu)選的方案，在所述實時采集充電片段數(shù)據(jù)輸入適配模型q'，輸出未來若干次循環(huán)之后的電池單體健康狀態(tài)soh值的預測值及剩余使用壽命的步驟中，所輸出的是未來200次循環(huán)之后的電池單體健康狀態(tài)soh值的預測值及剩余使用壽命；在所述建立動態(tài)預警閾值，判定未來若干次循環(huán)之后是否故障的步驟中，當soh值的預測值滿足sohn-sohn+200>2×(sohn-sohn-200)時，判定儲能系統(tǒng)在未來200次循環(huán)內(nèi)存在容量突變風險，則觸發(fā)早期預警信號。

20、第二方面，提供一種基于深度學習的儲能系統(tǒng)壽命預測及故障預警系統(tǒng)，包括：

21、老化數(shù)據(jù)庫建立模塊，用于選取多種型號儲能電池進行加速循環(huán)老化試驗，采集試驗數(shù)據(jù)建立老化數(shù)據(jù)庫；

22、數(shù)據(jù)集獲取模塊，用于通過老化數(shù)據(jù)庫進行特征數(shù)據(jù)預處理，分別獲得由儲能系統(tǒng)內(nèi)電池單體片段電壓與對應能量數(shù)據(jù)組成的特征輸入集i、由當前第n次循環(huán)對應的電池單體溫度和功率工況參數(shù)組成的工況輸入集u、由若干次循環(huán)之后實測電池單體健康狀態(tài)soh值組成的輸出集o；

23、壽命預測模型構建模塊，用于基于預先建立的多分支特征融合深度學習模型，通過聯(lián)合訓練特征輸入集i與工況輸入集u，建立與輸出集o的非線性映射關系，迭代優(yōu)化得到初始壽命預測模型q；

24、模型遷移學習優(yōu)化模塊，用于采集目標儲能系統(tǒng)運行數(shù)據(jù)對初始壽命預測模型q進行遷移學習優(yōu)化，獲得適配模型q'；

25、預測預警模塊，用于實時采集充電片段數(shù)據(jù)輸入適配模型q'，輸出未來若干次循環(huán)之后的電池單體健康狀態(tài)soh值的預測值及剩余使用壽命，并建立動態(tài)預警閾值，判定未來若干次循環(huán)之后是否故障。

26、作為一種優(yōu)選的方案，所述數(shù)據(jù)集獲取模塊通過數(shù)據(jù)切片處理，從充電曲線中提取3.4v-3.3v電壓區(qū)間的能量數(shù)據(jù)，并按照5mv電壓間隔進行線性插值；

27、對每個循環(huán)周期的電壓-能量數(shù)據(jù)進行標準化處理，包括采用10mv電壓間距生成標準化列向量，經(jīng)歸一化處理消除量綱差異，形成特征輸入集i；

28、同步記錄當前第n次循環(huán)對應的電池單體溫度和功率工況參數(shù)，構建工況輸入集u；

29、標注n+200次循環(huán)后的實測soh值，形成輸出集o。

30、作為一種優(yōu)選的方案，所述壽命預測模型構建模塊基于預先建立的多分支特征融合深度學習模型，通過聯(lián)合訓練特征輸入集i與工況輸入集u，建立與輸出集o的非線性映射關系，迭代優(yōu)化得到初始壽命預測模型q時，所述多分支特征融合深度學習模型包括由特征編碼器與工況編碼器組成的雙編碼器、5層卷積網(wǎng)絡及雙解碼器；所述聯(lián)合訓練的過程，通過模型訓練并與輸出集o進行比對，降低誤差梯度，學習相關特征與soh值的關聯(lián)關系，建立初始壽命預測模型q。

31、作為一種優(yōu)選的方案，所述模型遷移學習優(yōu)化模塊提取目標儲能系統(tǒng)的3.4v-3.3v充電片段并計算總吞吐量soh標簽；以w總充放電能量/w額定能量作為儲能系統(tǒng)的總吞吐量soh標簽；凍結(jié)初始壽命預測模型q中的底層特征提取層，以兩組數(shù)據(jù)為輸入，對高層特征融合層進行遷移學習優(yōu)化，獲得適配模型q'，所述底層特征提取層為第1-3層卷積網(wǎng)絡，高層特征融合層為第4-5層卷積網(wǎng)絡。

32、作為一種優(yōu)選的方案，所述預測預警模塊所輸出的是未來200次循環(huán)之后的電池單體健康狀態(tài)soh值的預測值及剩余使用壽命；在所述建立動態(tài)預警閾值，判定未來若干次循環(huán)之后是否故障的步驟中，當soh值的預測值滿足sohn-sohn+200>2×(sohn-sohn-200)時，判定儲能系統(tǒng)在未來200次循環(huán)內(nèi)存在容量突變風險，則觸發(fā)早期預警信號。

33、第三方面，提供一種電子設備，包括處理器和存儲器，所述處理器用于執(zhí)行存儲器中存儲的計算機程序以實現(xiàn)所述基于深度學習的儲能系統(tǒng)壽命預測及故障預警方法。

34、第四方面，提供一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有至少一個指令，所述至少一個指令被處理器執(zhí)行時實現(xiàn)所述基于深度學習的儲能系統(tǒng)壽命預測及故障預警方法。

35、相較于現(xiàn)有技術，本發(fā)明的第一方面至少具有如下的有益效果：

36、本發(fā)明方法以儲能系統(tǒng)內(nèi)電池單體片段電壓與對應能量數(shù)據(jù)組成的特征輸入集i、由當前第n次循環(huán)對應的電池單體溫度和功率工況參數(shù)組成的工況輸入集u、由若干次循環(huán)之后實測電池單體健康狀態(tài)soh值組成的輸出集o，利用預先建立的多分支特征融合深度學習模型通過聯(lián)合訓練特征輸入集i與工況輸入集u，建立與輸出集o的非線性映射關系，得到壽命預測模型。基于壽命預測模型實時采集充電片段數(shù)據(jù)輸入適配模型q'，即可輸出未來若干次循環(huán)之后的電池單體健康狀態(tài)soh值的預測值及剩余使用壽命，通過建立動態(tài)預警閾值，將預測結(jié)果與動態(tài)預警閾值比較就能夠判定未來若干次循環(huán)之后是否故障。本發(fā)明的初始壽命預測模型通過極少量數(shù)據(jù)的遷移修正，即能夠使壽命預測模型在不同型號的儲能系統(tǒng)上實現(xiàn)快速適配與遷移應用。本發(fā)明方法具有非連續(xù)工況適應能力，以儲能系統(tǒng)內(nèi)電池單體片段電壓與對應能量數(shù)據(jù)作為老化表征載體，有效解決了傳統(tǒng)方法依賴連續(xù)循環(huán)數(shù)據(jù)的應用限制。本發(fā)明基于預先建立的多分支特征融合深度學習模型迭代優(yōu)化得到壽命預測模型，壽命預測模型在應用過程中具有復雜噪聲環(huán)境魯棒性。同時，壽命預測模型利用目標儲能系統(tǒng)少量歷史數(shù)據(jù)即能夠完成遷移學習，降低了多型號儲能電站的運維模型部署成本。

37、進一步的，本發(fā)明的多分支特征融合深度學習模型包括由特征編碼器與工況編碼器組成的雙編碼器、5層卷積網(wǎng)絡及雙解碼器，包含并行處理的卷積分支與時序分支，其中卷積分支采用殘差注意力機制強化空間特征提取，對于未濾波的儲能系統(tǒng)運行數(shù)據(jù)可直接將進行預測。

38、可以理解的是，上述第二方面至第四方面的有益效果可以參見上述第一方面中的相關描述，在此不再贅述。

網(wǎng)址: 基于深度學習的儲能系統(tǒng)壽命預測及故障預警方法與系統(tǒng)與流程 http://www.u1s5d6.cn/newsview1643365.html