CN118917442B 一种基于超容储能的误差变化预测方法 （西安热工研究院有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN118917442B(45)授权公告日2025.07.08

(21)申请号202411419252.8

(22)申请日2024.10.12

(65)同一申请的已公布的文献号申请公布号CN118917442A

(43)申请公布日2024.11.08

(73)专利权人西安热工研究院有限公司

地址710000陕西省西安市碑林区兴庆路

136号

专利权人华能武汉发电有限责任公司

(72)发明人李志鹏杨甲铭王华卫严弢

邱逢涛赵亚东刘振宇罗威

曾胜利牟云王玮李诗林

孙希凯梁小虎郑海东杨云

赵远阳崔艳玲毛宗润杨松涛高鹏马鹏童博文王金凤

李文博

(74)专利代理机构南京禹为知识产权代理事务

所(特殊普通合伙)32272专利代理师高艺

(51)Int.CI.

GO6N20/10(2019.01)

GO6N20/20(2019.01)

GO6N3/0442(2023.01)

GO6F18/2431(2023.01)

GO6N3/0455(2023.01)

GO6N3/088(2023.01)

GO6F17/14(2006.01)

(56)对比文件

CN112989710A,2021.06.18

CN117850601A,2024.04.09

审查员李邵飞

(54)发明名称

一种基于超容储能的误差变化预测方法

收集数据信息，利用深度学习模型进行智

收集数据信息，利用深度学习模型进行智

能故障检测，监测超容储能系统的运行状

态，识别并标记异常数据，并对标记后的

异常数据进行修正和剔除

采用小波变换方法对修正后的数据进行多

尺度分析，提取误差变化的多层次特征，

通过非线性特征提取技术，进一步提取误

差变化中的非线性特征

构建混合预测模型，结合随机森林、支持

向量机和LSTM神经网络进行误差变化预

测，在边缘设备上部署轻量级预测模型，

进行实时数据处理和预测，并将结果上传

至云端

S1

S2

S3

CN118917442B(57)摘要本发明公开了一种基于超容储能的误差变化预测方法，涉及超容储能技术领域，包括收集数据信息，利用深度学习模型进行智能故障检测，监测超容储能系统的运行状态，识别并标记异常数据，并对标记后的异常数据进行修正和剔除；采用小波变换方法对修正后的数据进行多尺度分析，提取误差变化的多层次特征，通过非线性特征提取技术，进一步提取误差变化中的非线性特征；构建混合预测模型，进行误差变化预测，在边缘设备上部署轻量级预测模型，进行实时数据处理和预测，并将结果上传至云端。本发明方法不仅能够有效降低单一模型的局限性和不稳定性，还能通过集成策略优化预测结果，从而提

CN118917442B

(57)摘要

CN118917442B权利要求书1/4页

2

1.一种基于超容储能的误差变化预测方法，其特征在于：包括，

收集数据信息，利用深度学习模型进行智能故障检测，监测超容储能系统的运行状态，识别并标记异常数据，并对标记后的异常数据进行修正和剔除；

采用小波变换方法对修正后的数据进行多尺度分析，提取误差变化的多层次特征，通过非线性特征提取技术，进一步提取误差变化中的非线性特征；

构建混合预测模型，结合随机森林、支持向量机和LSTM神经网络进行误差变化预测，在边缘设备上部署轻量级预测模型，进行实时数据处理和预测，并将结果上传至云端；

所述收集数据信息包括，收集电压数据、电流数据、温度数据、功率数据、状态数据、环境数据、历史运行数据、频率数据、容量数据、振动和噪声数据；所述状态数据包括超容储能单元的充电状态和放电状态；所述环境数据包括超容储能系统运行环境的外部环境数据；所述容量数据包括超容储能单元的剩余容量和充放电循环次数。

2.如权利要求1所述的一种基于超容储能的误差变化预测方法，其特征在于：所述利用深度学习模型进行智能故障检测包括，构建故障检测结果函数，代表时间t时刻的故障检测结果：

其中，Xq?-表示原始输入数据，代表第q个卷积核在第1层的第r个输入信号；W?表示权重矩阵，代表第q个卷积核在第1层的权重参数，通过训练数据获取；Kq?r表示卷积核参数，代