储能集装箱故障预警系统及储能系统的制作方法

本申请涉及储能，尤其是涉及一种储能集装箱故障预警系统及储能系统。

背景技术：

1、储能集装箱的故障预警实现方案大多数属于本地边缘方案，即数据驱动方案利用本地bms数据进行故障识别，故障预警。少数方案属于云端方案，储能集装箱故障预警的云边一体方案较少。

2、本地边缘方案仅能使用本地有限的储能集装箱数据，无法及时的利用其他储能集装箱的数据。云端方案存在本地无网络时无法使用的问题。

技术实现思路

1、本申请的目的在于提供一种储能集装箱故障预警系统及储能系统，基于在线迁移学习的云边一体故障预警，能够充分利用云端大数据和本地边缘设备的数据，保障故障预警效率及稳定性。

2、第一方面，本申请提供一种储能集装箱故障预警系统，该系统包括：云端ai平台、边缘ai设备和大数据平台；其中，云端ai平台、大数据平台分别与储能集装箱对应的ems连接；云端ai平台，基于全局所有储能项目对应的储能集装箱的历史故障数据训练并更新故障预警离线模型，并将最新的故障预警离线模型更新到所有的边缘ai设备中；大数据平台，用于实时统计局部每个储能项目对应的储能集装箱的本地运行状态特征数据，并将本地运行状态特征数据实时发送给所属储能项目对应的边缘ai设备；边缘ai设备在其所属储能项目新加入系统时，采用其所属储能项目的一定数量、经标注的运行状态特征数据，对自身的故障预警离线模型训练一个在线分类器；并且采用自身的故障预警离线模型原有的离线分类器和在线分类器，同时对大数据平台实时发送的本地运行状态特征进行迁移学习以及故障预警。

3、进一步地，上述云端ai平台，包括：云储能模块和云端ai训练模块；云储能模块与全局所有储能项目的ems通信，用于采集全局所有储能项目对应的储能集装箱的、经标注的运行状态特征数据；云端ai训练模块，基于云储能模块增量存储的、经标注的运行状态特征数据对当前的故障预警离线模型进行训练更新。

4、进一步地，上述云端ai模块在故障预警模型构建初期，采用历史故障数据对神经网络模型进行全量学习训练，得到故障预警模型构建初期的故障预警离线模型。

5、进一步地，上述边缘ai设备在联网时，接受云端ai平台对自身运行的故障预警离线模型的更新处理，并基于大数据平台实时统计的本地运行状态特征数据，进行在线迁移学习和故障预警；在离线时，基于大数据平台实时统计的本地运行状态特征数据，进行在线迁移学习和故障预警。

6、进一步地，上述大数据平台，用于对储能集装箱的本地运行状态特征数据进行数据统计；数据统计的方式包括：量纲统计，无量纲统计和多维度统计。

7、进一步地，上述边缘ai设备还用于，针对本地运行状态特征数据中的每个待测数据，分别通过所述故障预警离线模型中的离线分类器和所述在线分类器，对所述待测数据进行预测，得到第一预测结果和第二预测结果；对所述第一预测结果和所述第二预测结果进行加权求和，得到所述待测数据对应的故障预警结果。

8、进一步地，上述离线分类器和在线分类器权重的更新公式如下：

9、

10、st(u)＝exp{-ηl(∏(utxt),∏(yt))},l(z,y)＝(z-y)2；

11、其中，wt表示t时刻的在线分类器；v表示离线分类器；w1,t表示t时刻在线分类器对应的权重；w1,t+1表示t+1时刻在线分类器函数对应的权重；w2,t表示t时刻离线分类器对应的权重；w2,t+1表示t+1时刻离线分类器对应的权重；st()表示高斯核函数；st(v)表示t时刻离线分类器的损失经过高斯映射后的值；st(wt)表示t时刻在线分类器的损失经过高斯映射后的值；xt表示t时刻的样本实例；yt表示t时刻样本的真实标签；(z-y)2为损失函数，η为学习率，∏()为映射函数。

12、进一步地，上述边缘ai设备还用于，采用其所属储能项目的一定数量、经标注的新增运行状态特征数据，对所述在线分类器进行增量训练，以更新所述在线分类器。

13、进一步地，上述故障预警离线模型进行更新训练时，不断加入带有新项目标注的新储能项目数据，以固定的时间间隔进行增量训练。

14、第二方面，本申请还提供一种储能系统，储能系统包括如第一方面所述的储能集装箱故障预警系统。

15、本申请提供的储能集装箱故障预警系统及储能系统中，储能集装箱故障预警系统包括：云端ai平台、边缘ai设备和大数据平台；其中，云端ai平台、大数据平台分别与储能集装箱对应的ems连接；云端ai平台，基于全局所有储能项目对应的储能集装箱的历史故障数据训练并更新故障预警离线模型，并将最新的故障预警离线模型更新到所有的边缘ai设备中；大数据平台，用于实时统计局部每个储能项目对应的储能集装箱的本地运行状态特征数据，并将本地运行状态特征数据实时发送给所属储能项目对应的边缘ai设备；边缘ai设备在其所属储能项目新加入系统时，采用其所属储能项目的一定数量、经标注的运行状态特征数据，对自身的故障预警离线模型训练一个在线分类器；并且采用自身的故障预警离线模型原有的离线分类器和在线分类器，同时对大数据平台实时发送的本地运行状态特征进行迁移学习以及故障预警。本申请基于在线迁移学习的云边一体故障预警，能够充分利用云端大数据和本地边缘设备的数据，无论在离线状态还是联网状态下，均能保障故障预警效率及稳定性。

技术特征：

1.一种储能集装箱故障预警系统，其特征在于，所述系统包括：云端ai平台、边缘ai设备和大数据平台；其中，所述云端ai平台、所述大数据平台分别与储能集装箱对应的ems连接；

2.根据权利要求1所述的系统，其特征在于，所述云端ai平台，包括：云储能模块和云端ai训练模块；所述云储能模块与全局所有储能项目的ems通信，用于采集全局所有储能项目对应的储能集装箱的、经标注的运行状态特征数据；所述云端ai训练模块，基于云储能模块增量存储的、经标注的运行状态特征数据对当前的故障预警离线模型进行训练更新。

3.根据权利要求2所述的系统，其特征在于，所述云端ai模块在故障预警模型构建初期，采用所述历史故障数据对神经网络模型进行全量学习训练，得到所述故障预警模型构建初期的故障预警离线模型。

4.根据权利要求3所述的系统，其特征在于，所述边缘ai设备在联网时，接受所述云端ai平台对自身运行的故障预警离线模型的更新处理，并基于所述大数据平台实时统计的本地运行状态特征数据，进行在线迁移学习和故障预警；在离线时，基于所述大数据平台实时统计的本地运行状态特征数据，进行在线迁移学习和故障预警。

5.根据权利要求4所述的系统，其特征在于，所述大数据平台，用于对所述储能集装箱的本地运行状态特征数据进行数据统计；所述数据统计的方式包括：量纲统计，无量纲统计和多维度统计。

6.根据权利要求5所述的系统，其特征在于，所述边缘ai设备还用于，针对本地运行状态特征数据中的每个待测数据，分别通过所述故障预警离线模型中的离线分类器和所述在线分类器，对所述待测数据进行预测，得到第一预测结果和第二预测结果；对所述第一预测结果和所述第二预测结果进行加权求和，得到所述待测数据对应的故障预警结果。

7.根据权利要求6所述的系统，其特征在于，所述离线分类器和所述在线分类器权重的更新公式如下：

8.根据权利要求1所述的系统，其特征在于，所述边缘ai设备还用于，采用其所属储能项目的一定数量、经标注的新增运行状态特征数据，对所述在线分类器进行增量训练，以更新所述在线分类器。

9.根据权利要求1所述的系统，其特征在于，所述故障预警离线模型进行更新训练时，不断加入带有新项目标注的新储能项目数据，以固定的时间间隔进行增量训练。

10.一种储能系统，其特征在于，所述储能系统包括如权利要求1-9任一项所述的储能集装箱故障预警系统。

技术总结
本申请提供了一种储能集装箱故障预警系统及储能系统，其中，储能集装箱故障预警系统包括：云端AI平台、边缘AI设备和大数据平台；云端AI平台基于全局所有储能项目对应的储能集装箱的历史故障数据训练并更新故障预警离线模型；大数据平台实时统计局部每个储能项目对应的储能集装箱的本地运行状态特征数据；边缘AI设备在其所属储能项目新加入系统时，基于故障预警离线模型训练在线分类器；并且通过离线分类器和在线分类器，对本地运行状态特征进行迁移学习以及故障预警。本申请基于在线迁移学习的云边一体故障预警，能够充分利用云端大数据和本地边缘设备的数据，保障故障预警效率及稳定性。

技术研发人员：董臣臣,孙大帅
受保护的技术使用者：上海采日能源科技有限公司
技术研发日：
技术公布日：2024/1/25