一种基于深度预测模型的能源设备老化趋势推断方法与流程

摘要: 本发明涉及能源设备状态评估,尤其涉及一种基于深度预测模型的能源设备老化趋势推断方法。背景技术:1、目前,随着动力电池和储能电池在新能源汽车、电网储能和便携设备中...
一种基于深度预测模型的能源设备老化趋势推断方法与流程

本发明涉及能源设备状态评估,尤其涉及一种基于深度预测模型的能源设备老化趋势推断方法。

背景技术:

1、目前,随着动力电池和储能电池在新能源汽车、电网储能和便携设备中的广泛应用,其运行过程中的健康状态评估与寿命预测问题逐渐受到重视。能源设备在长期使用过程中会出现性能退化,表现为容量下降、内阻增加等现象,如果不能准确判断其老化趋势,可能导致运行效率降低,甚至引发安全隐患。因此,对能源设备老化过程的准确建模与趋势预测已成为设备运维与管理中的关键技术之一。

2、现有技术中,常采用基于物理机制建模的方法来估算电池的剩余寿命或健康状态,例如通过电化学模型或等效电路模型来描述电池的内部老化行为。然而,该类方法对设备工况参数依赖性强,模型参数难以获取,且在复杂工况下精度较低,难以适应多样化的实际应用需求。近年来,基于机器学习和深度学习的方法开始应用于电池老化状态的预测中,尤其是利用循环数据、温度、电压等多维数据输入模型进行回归分析,预测soh(健康状态)值或容量保持率。但这类方法大多依赖于黑箱式的回归框架,难以捕捉老化过程中的阶段性特征,模型预测不具备可解释性,且对序列预测精度存在较大波动。

3、现有深度预测模型在处理序列预测任务时普遍存在泛化能力不足、噪声敏感性强的问题,尤其是在老化后期阶段,预测误差容易快速累积,影响趋势曲线的稳定性。同时,大多数模型未能有效融合老化阶段信息,忽略了能源设备在不同老化阶段下的退化特性差异,导致预测结果在稳定性和连续性方面表现欠佳,难以满足长期运行预测的实际需求。

4、因此,如何提供一种基于深度预测模型的能源设备老化趋势推断方法,是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于深度预测模型的能源设备老化趋势推断方法,本发明充分利用了时间序列建模、transformer结构的时间特征提取算法、阶段分类机制以及条件扩散生成模型,详细描述了通过patchtst模型提取退化特征、结合衰减阶段控制实现多路径老化趋势预测的全过程。该方法具备预测精度高、阶段适应性强、可扩展性好和趋势可解释性强的优点。

2、根据本发明实施例的一种基于深度预测模型的能源设备老化趋势推断方法,包括如下步骤:

3、步骤一:获取能源设备的历史运行数据,按照时间顺序对历史运行数据进行对齐处理,构建多维时间序列数据集;

4、步骤二:将多维时间序列数据集输入patchtst模型,获得对应的高维特征表征序列,对高维特征表征序列进行聚合运算,得到退化特征向量;

5、步骤三:将退化特征向量输入衰减阶段分类器,将阶段标签编码为阶段控制信号,将退化特征向量和阶段控制信号输入阶段控制扩散预测模型的特征输入模块和阶段控制编码模块,构建扩散预测条件向量;

6、所述阶段控制扩散预测模型具体包括特征输入模块、阶段控制编码模块、噪声注入模块、去噪预测网络、反向扩散推断模块以及序列输出模块;

7、步骤四:在训练阶段,将目标序列与扩散预测条件向量关联,将目标序列输入噪声注入模块,基于阶段控制信号得到带噪声目标序列,将带噪声目标序列与扩散预测条件向量输入去噪预测网络,更新阶段控制扩散预测模型的可训练参数;

8、步骤五:在推断阶段,调用阶段控制扩散预测模型的可训练参数,将随机初始化噪声序列与扩散预测条件向量输入反向扩散推断模块,得到预测序列;

9、步骤六:将预测序列输入序列输出模块,由序列输出模块按照时间顺序生成能源设备在目标时间窗口内的老化趋势曲线。

10、可选的,所述能源设备为储能电池。

11、可选的,所述历史运行数据包括电压数据、电流数据、温度数据、充放电容量数据、内阻数据、充放电循环次数和时间信息。

12、可选的,所述按照时间顺序对历史运行数据进行对齐处理,具体为:

13、对历史运行数据进行筛选,剔除缺失时间标记的数据记录,对存在异常时间标记的数据记录进行修正处理,保留具有完整时间标记的数据记录;

14、按照时间标记对保留的历史运行数据进行排序处理,使同一能源设备的各类历史运行数据在时间轴上按先后顺序排列;

15、根据预设的时间采样间隔对排序后的历史运行数据进行重采样处理,在相邻时间采样点之间对缺失的数据采用插值处理,并对重复时间采样点的数据进行合并处理,得到在时间采样间隔下对齐的历史运行数据序列;

16、在每一时间采样点处,将时间采样点对应的电压数据、电流数据、温度数据、充电容量数据、放电容量数据、内阻数据和充放电循环次数数据进行组合,生成包含特征分量的特征向量;

17、按照时间采样点的时间顺序,将各时间采样点对应的特征向量排列形成多维时间序列数据集。

18、可选的,所述步骤二具体为:

19、对多维时间序列数据集按照预设的时间窗口长度和时间步长进行划分,将每一时间窗口内连续时间采样点对应的特征向量组合形成一个时间片段;

20、将时间片段按照时间采样点的先后顺序进行排序,得到按时间顺序排列的时间片段序列;

21、将时间片段序列输入patchtst模型,对时间片段进行patch嵌入处理,得到对应的patch表示序列;

22、对patch表示序列进行位置编码处理,得到带有位置信息的patch编码序列;

23、对带有位置信息的patch编码序列依次进行多头自注意力运算和前馈网络运算,获得与时间片段对应的高维特征表征序列;

24、对高维特征表征序列在时间维度上进行池化运算,生成表征能源设备当前退化状态的退化特征向量。

25、可选的,所述步骤三具体为:

26、将退化特征向量输入预先训练的衰减阶段分类器;

27、对退化特征向量进行线性映射处理并生成第一中间特征表示;

28、对第一中间特征表示进行多层特征提取处理,生成第二中间特征表示;

29、将第二中间特征表示映射为与成型衰减阶段、稳定衰减阶段和加速衰减阶段分别对应的三个阶段得分;

30、对三个阶段得分进行归一化处理,得到与成型衰减阶段、稳定衰减阶段和加速衰减阶段分别对应的阶段概率值;

31、根据阶段概率值选取数值最大的阶段概率值对应的阶段作为能源设备的老化阶段,得到对应的阶段标签;

32、所述阶段标签包括成型衰减阶段、稳定衰减阶段和加速衰减阶段;

33、对阶段标签进行编码处理,将阶段标签转换为阶段控制信号;

34、将退化特征向量输入阶段控制扩散预测模型的特征输入模块,由特征输入模块对所述退化特征向量进行维度变换和特征映射处理,得到第一特征表示;

35、将阶段控制信号输入阶段控制扩散预测模型的阶段控制编码模块,由阶段控制编码模块对阶段控制信号进行编码处理,得到第二特征表示;

36、将第一特征表示与第二特征表示按照预设的拼接顺序进行拼接处理,生成扩散预测条件向量。

37、可选的,所述步骤四具体为:

38、在训练阶段,选取样本的目标序列和对应的扩散预测条件向量构成训练样本集,所述目标序列用于表示未来目标时间窗口内容量保持率和健康状态soh;

39、对每一目标序列按照预设的扩散时间步数进行划分,确定各时间步对应的目标序列片段;

40、将目标序列片段输入噪声注入模块,调用与目标序列片段对应的阶段控制信号;

41、根据阶段控制信号确定目标序列片段所属的噪声强度分段范围:

42、当阶段控制信号表示成型衰减阶段时,采用第一噪声强度范围;

43、当阶段控制信号表示稳定衰减阶段时,采用第二噪声强度范围;

44、当阶段控制信号表示加速衰减阶段时,采用第三噪声强度范围;

45、根据扩散时间步的时间步序号对噪声强度执行线性增长策略,在所属噪声强度范围内确定时间步对应的噪声强度;

46、根据确定的噪声强度,采用包括高斯噪声、拉普拉斯噪声和脉冲噪声的混合噪声对目标序列片段执行噪声叠加处理,得到带噪声目标序列片段;

47、将带噪声目标序列片段按照时间步顺序进行组合,并与对应的扩散预测条件向量关联,形成带噪声训练序列;

48、将带噪声训练序列输入去噪预测网络,在各时间步输出重建序列;

49、根据重建序列与对应目标序列之间的差异确定损失值,基于损失值采用梯度下降的反向传播算法对去噪预测网络的可训练参数计算梯度;

50、采用adam优化算法根据梯度对去噪预测网络的参数进行迭代更新;

51、重复执行带噪声训练序列构建、重建序列生成以及参数更新的过程,直至去噪预测网络在各扩散时间步输出与目标序列对应的无噪声目标序列,并完成对阶段控制扩散预测模型的可训练参数的更新。

52、可选的,所述去噪预测网络的训练采用基于wavenet波形网络结构的卷积特征提取机制,通过对带噪声训练序列执行因果卷积、扩张卷积和门控激活运算,生成各时间步的重建序列。

53、可选的,所述步骤五具体为:

54、在推断阶段,调用训练阶段更新后的阶段控制扩散预测模型的可训练参数,根据预设的扩散时间步数生成与目标序列长度相同的随机初始化噪声序列;

55、将随机初始化噪声序列作为阶段控制扩散预测模型在最后一扩散时间步的中间噪声序列;

56、将中间噪声序列与扩散预测条件向量输入反向扩散推断模块,在反向扩散推断模块中按照扩散时间步的时间步序号从最后一扩散时间步至第一扩散时间步依次执行反向扩散预测运算;

57、在完成所有扩散时间步的反向扩散预测运算后,将第一扩散时间步对应的去噪中间序列作为预测序列。

58、可选的,所述反向扩散预测运算具体为:

59、在每一扩散时间步,根据与训练阶段一致的噪声变化策略和对应的阶段控制信号确定时间步的噪声强度;

60、将当前时间步的中间噪声序列与扩散预测条件向量输入去噪预测网络,输出该时间步对应的去噪中间序列,并将去噪中间序列作为前一扩散时间步的中间噪声序列。

61、可选的,所述步骤六具体为:

62、在序列输出模块中,对预测序列按照时间采样点的先后顺序进行解析,获得目标时间窗口内各时间采样点对应的容量保持率预测值和健康状态soh预测值;

63、在每一时间采样点处,将时间采样点的时间信息与对应的容量保持率预测值进行关联,按照时间采样点的时间顺序将各关联结果进行排列,生成容量保持率随时间变化的第一预测数据序列;

64、在每一时间采样点处,将时间采样点的时间信息与对应的健康状态soh预测值进行关联,按照时间采样点的时间顺序将各关联结果进行排列,生成健康状态soh随时间变化的第二预测数据序列;

65、根据第一预测数据序列在时间轴上依次连接各时间采样点的容量保持率预测值,生成能源设备在目标时间窗口内的容量保持率老化趋势曲线;

66、根据第二预测数据序列在时间轴上依次连接各时间采样点的健康状态soh预测值,生成能源设备在目标时间窗口内的健康状态soh老化趋势曲线。

67、本发明的有益效果是:

68、本发明通过引入基于patchtst模型的特征提取方法,实现了对能源设备历史运行数据的高效建模与表征,能够准确提取设备当前的退化状态特征,为后续老化趋势预测奠定了坚实基础。该特征提取方式具备较强的时间序列感知能力和多维特征融合能力,相较于传统统计方法和浅层神经网络具有更高的表达精度。

69、本发明创新性地设计了衰减阶段分类器,通过对退化特征向量进行多层非线性特征提取和阶段分类,实现了对设备老化过程不同阶段的区分,并进一步将阶段标签编码为控制信号引入预测模型中,使得后续的扩散预测过程能够在分阶段的控制机制下进行,增强了模型对不同退化阶段特性的适应性,提升了预测的动态响应能力。

70、本发明提出的阶段控制扩散预测模型,结合了条件扩散生成方法与wavenet去噪网络结构,能够在不同阶段条件下实现高鲁棒性的序列预测任务。通过阶段控制信号调节噪声注入强度与变化策略,实现了阶段敏感的噪声建模,从而使模型在推断阶段具备更强的泛化能力,显著提升了老化趋势预测的准确性和稳定性。

71、本发明还通过构建统一的训练与推断流程,实现了模型参数的端到端优化,使得所构建的模型在实际部署中具有较好的工程适应性。预测结果能够精细刻画设备未来在目标时间窗口内的内容量保持率和健康状态soh变化趋势,为设备寿命管理和维护策略提供了可靠支撑。该方法具备良好的通用性与推广价值,可广泛应用于电池储能系统、动力电池监测等领域。