首页 > 资讯 > 基于深度学习的储能系统寿命预测及故障预警方法与系统与流程

基于深度学习的储能系统寿命预测及故障预警方法与系统与流程

泰然健康网
2025-08-06 05:06

本发明属于储能系统数智化应用，具体涉及一种基于深度学习的储能系统寿命预测及故障预警方法与系统。

背景技术：

1、近年来，以储能技术与系统为核心的现代智能电网体系的建设与规划日渐引起重视，储能技术被大规模的应用于电力系统的发电、输电、配电以及用电的各个环节。

2、以锂离子电池为代表的电化学储能技术由于其灵活、快速的优点，成为目前电力储能领域装机容量增长最快的储能技术。特别是近些年来，锂离子电池储能成本快速降低，由此在可再生能源消纳和交通电气化产业链上的作用日益重要。作为电力系统高置信度的调度对象，储能电站需要满足安全、精确预测和稳定运行三个条件。其中，储能电站由若干个储能系统构成，作为储能电站的核心装备，储能系统全寿命周期的剩余寿命精准掌握以及故障早期预警是储能电站安全稳定运行的先决条件。

3、目前学术界虽已涌现大量关于储能电池寿命预测及故障预警的研究成果，但现有方法普遍存在工程适用性不足的瓶颈问题。技术局限性主要体现在：(1)主流算法(如lstm、rnn等时序神经网络)依赖连续循环工况下的稳定数据流建立特征-寿命映射关系，而实际储能系统因调度需求呈现间歇性运行特征，导致数据连续性假设失效；(2)储能系统实际运行数据受电池组之间的一致性差异、纹波电流干扰以及通信噪声等多重因素影响，数据信噪比显著劣化，传统建模方法容易出现特征漂移精度下降问题。(3)现有研究的模型搭建与验证多基于同一个电池数据集，而在实际应用中，不同储能系统间的组串形式、电池型号均各不相同，传统方法的泛化能力与迁移能力尚未开发。

技术实现思路

1、本发明的目的在于针对上述现有技术中的问题，提供一种基于深度学习的储能系统寿命预测及故障预警方法与系统，以储能电池系统片段化电压-能量数据为老化特征，无需依赖连续循环数据，在复杂噪声环境下具有鲁棒性，并且具有跨系统快速迁移能力。

2、为了实现上述目的，本发明有如下的技术方案：

3、第一方面，提供一种基于深度学习的储能系统寿命预测及故障预警方法，包括：

4、选取多种型号储能电池进行加速循环老化试验，采集试验数据建立老化数据库；

5、通过老化数据库进行特征数据预处理，分别获得由储能系统内电池单体片段电压与对应能量数据组成的特征输入集i、由当前第n次循环对应的电池单体温度和功率工况参数组成的工况输入集u、由若干次循环之后实测电池单体健康状态soh值组成的输出集o；

6、基于预先建立的多分支特征融合深度学习模型，通过联合训练特征输入集i与工况输入集u，建立与输出集o的非线性映射关系，迭代优化得到初始寿命预测模型q；

7、采集目标储能系统运行数据对初始寿命预测模型q进行迁移学习优化，获得适配模型q'；

8、实时采集充电片段数据输入适配模型q'，输出未来若干次循环之后的电池单体健康状态soh值的预测值及剩余使用寿命，并建立动态预警阈值，判定未来若干次循环之后是否故障。

9、作为一种优选的方案，所述选取多种型号储能电池进行加速循环老化试验，采集试验数据建立老化数据库的步骤中，采集全生命周期充放电数据，建立涵盖电压-能量数据、工况参数及soh标注的老化数据库。

10、作为一种优选的方案，所述通过老化数据库进行特征数据预处理的步骤，通过数据切片处理，从充电曲线中提取3.4v-3.3v电压区间的能量数据，并按照5mv电压间隔进行线性插值；

11、对每个循环周期的电压-能量数据进行标准化处理，包括采用10mv电压间距生成标准化列向量，经归一化处理消除量纲差异，形成特征输入集i；

12、同步记录当前第n次循环对应的电池单体温度和功率工况参数，构建工况输入集u；

13、标注n+200次循环后的实测soh值，形成输出集o。

14、作为一种优选的方案，所述采用10mv电压间距生成标准化列向量，经归一化处理消除量纲差异，形成特征输入集i的步骤，将标准化列向量合并后得到矩阵，采用归一同质化对矩阵内数据进行标准化处理，转换后的标准化数据无量纲，大小位于0～1，特征输入集i为：

15、

16、其中，xn为第n次循环电压-能量曲线对应的电压-能量点。

17、作为一种优选的方案，所述多分支特征融合深度学习模型包括由特征编码器与工况编码器组成的双编码器、5层卷积网络及双解码器；所述联合训练的过程，通过模型训练并与输出集o进行比对，降低误差梯度，学习相关特征与soh值的关联关系，建立初始寿命预测模型q。

18、作为一种优选的方案，所述采集目标储能系统运行数据对初始寿命预测模型q进行迁移学习优化，获得适配模型q'的步骤中，提取目标储能系统的3.4v-3.3v充电片段并计算总吞吐量soh标签；以w总充放电能量/w额定能量作为储能系统的总吞吐量soh标签；冻结初始寿命预测模型q中的底层特征提取层，以两组数据为输入，对高层特征融合层进行迁移学习优化，获得适配模型q'，所述底层特征提取层为第1-3层卷积网络，高层特征融合层为第4-5层卷积网络。

19、作为一种优选的方案，在所述实时采集充电片段数据输入适配模型q'，输出未来若干次循环之后的电池单体健康状态soh值的预测值及剩余使用寿命的步骤中，所输出的是未来200次循环之后的电池单体健康状态soh值的预测值及剩余使用寿命；在所述建立动态预警阈值，判定未来若干次循环之后是否故障的步骤中，当soh值的预测值满足sohn-sohn+200>2×(sohn-sohn-200)时，判定储能系统在未来200次循环内存在容量突变风险，则触发早期预警信号。

20、第二方面，提供一种基于深度学习的储能系统寿命预测及故障预警系统，包括：

21、老化数据库建立模块，用于选取多种型号储能电池进行加速循环老化试验，采集试验数据建立老化数据库；

22、数据集获取模块，用于通过老化数据库进行特征数据预处理，分别获得由储能系统内电池单体片段电压与对应能量数据组成的特征输入集i、由当前第n次循环对应的电池单体温度和功率工况参数组成的工况输入集u、由若干次循环之后实测电池单体健康状态soh值组成的输出集o；

23、寿命预测模型构建模块，用于基于预先建立的多分支特征融合深度学习模型，通过联合训练特征输入集i与工况输入集u，建立与输出集o的非线性映射关系，迭代优化得到初始寿命预测模型q；

24、模型迁移学习优化模块，用于采集目标储能系统运行数据对初始寿命预测模型q进行迁移学习优化，获得适配模型q'；

25、预测预警模块，用于实时采集充电片段数据输入适配模型q'，输出未来若干次循环之后的电池单体健康状态soh值的预测值及剩余使用寿命，并建立动态预警阈值，判定未来若干次循环之后是否故障。

26、作为一种优选的方案，所述数据集获取模块通过数据切片处理，从充电曲线中提取3.4v-3.3v电压区间的能量数据，并按照5mv电压间隔进行线性插值；

27、对每个循环周期的电压-能量数据进行标准化处理，包括采用10mv电压间距生成标准化列向量，经归一化处理消除量纲差异，形成特征输入集i；

28、同步记录当前第n次循环对应的电池单体温度和功率工况参数，构建工况输入集u；

29、标注n+200次循环后的实测soh值，形成输出集o。

30、作为一种优选的方案，所述寿命预测模型构建模块基于预先建立的多分支特征融合深度学习模型，通过联合训练特征输入集i与工况输入集u，建立与输出集o的非线性映射关系，迭代优化得到初始寿命预测模型q时，所述多分支特征融合深度学习模型包括由特征编码器与工况编码器组成的双编码器、5层卷积网络及双解码器；所述联合训练的过程，通过模型训练并与输出集o进行比对，降低误差梯度，学习相关特征与soh值的关联关系，建立初始寿命预测模型q。

31、作为一种优选的方案，所述模型迁移学习优化模块提取目标储能系统的3.4v-3.3v充电片段并计算总吞吐量soh标签；以w总充放电能量/w额定能量作为储能系统的总吞吐量soh标签；冻结初始寿命预测模型q中的底层特征提取层，以两组数据为输入，对高层特征融合层进行迁移学习优化，获得适配模型q'，所述底层特征提取层为第1-3层卷积网络，高层特征融合层为第4-5层卷积网络。

32、作为一种优选的方案，所述预测预警模块所输出的是未来200次循环之后的电池单体健康状态soh值的预测值及剩余使用寿命；在所述建立动态预警阈值，判定未来若干次循环之后是否故障的步骤中，当soh值的预测值满足sohn-sohn+200>2×(sohn-sohn-200)时，判定储能系统在未来200次循环内存在容量突变风险，则触发早期预警信号。

33、第三方面，提供一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现所述基于深度学习的储能系统寿命预测及故障预警方法。

34、第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现所述基于深度学习的储能系统寿命预测及故障预警方法。

35、相较于现有技术，本发明的第一方面至少具有如下的有益效果：

36、本发明方法以储能系统内电池单体片段电压与对应能量数据组成的特征输入集i、由当前第n次循环对应的电池单体温度和功率工况参数组成的工况输入集u、由若干次循环之后实测电池单体健康状态soh值组成的输出集o，利用预先建立的多分支特征融合深度学习模型通过联合训练特征输入集i与工况输入集u，建立与输出集o的非线性映射关系，得到寿命预测模型。基于寿命预测模型实时采集充电片段数据输入适配模型q'，即可输出未来若干次循环之后的电池单体健康状态soh值的预测值及剩余使用寿命，通过建立动态预警阈值，将预测结果与动态预警阈值比较就能够判定未来若干次循环之后是否故障。本发明的初始寿命预测模型通过极少量数据的迁移修正，即能够使寿命预测模型在不同型号的储能系统上实现快速适配与迁移应用。本发明方法具有非连续工况适应能力，以储能系统内电池单体片段电压与对应能量数据作为老化表征载体，有效解决了传统方法依赖连续循环数据的应用限制。本发明基于预先建立的多分支特征融合深度学习模型迭代优化得到寿命预测模型，寿命预测模型在应用过程中具有复杂噪声环境鲁棒性。同时，寿命预测模型利用目标储能系统少量历史数据即能够完成迁移学习，降低了多型号储能电站的运维模型部署成本。

37、进一步的，本发明的多分支特征融合深度学习模型包括由特征编码器与工况编码器组成的双编码器、5层卷积网络及双解码器，包含并行处理的卷积分支与时序分支，其中卷积分支采用残差注意力机制强化空间特征提取，对于未滤波的储能系统运行数据可直接将进行预测。

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参见上述第一方面中的相关描述，在此不再赘述。