一种基于改进TFT的储能电池寿命预测方法及装置与流程

本发明涉及储能电池分析，具体涉及一种基于改进tft的储能电池寿命预测方法及装置。

背景技术：

1、当前基于数据驱动的电池寿命预测方法中，存在的主要问题是难以准确捕捉和建模电池性能随时间复杂变化的动态特征，以及在处理多源异构数据时的局限性。这些问题包括：

2、一是动态复杂性处理不足：许多传统预测模型未能有效捕捉长期和短期的时间依赖性，导致在预测电池寿命时准确性较低。

3、二是异构数据集成困难：在电池容量衰减预测中需要考虑多种影响因素（如温度、充放电频率等），这些因素往往来源于不同的数据流，传统模型难以有效整合这些异构数据源。

4、三是周期性与非周期性因素未能有效区分：电池寿命衰减是一个复杂的过程，受到多种周期性（如季节变化）和非周期性（如长期使用损耗）因素的影响。现有模型往往未能充分区分这两类因素，导致预测结果无法精确反映电池在不同条件下的实际表现。

5、四是数据噪声和异常值处理不足：电池性能数据经常包含噪声和异常值，如设备故障、测量误差等。这些数据的存在大幅度降低了模型预测的准确度和可靠性。现有的预测方法在处理这些非标准数据时往往效果不佳，无法有效识别和剔除噪声和异常。

6、因此，如何发明一种储能电池寿命预测方法，提高电池寿命预测的准确性，为亟需解决的问题。

技术实现思路

1、为此，本发明提供一种基于改进tft的储能电池寿命预测方法及装置，通过采用改进tft模型作为电池寿命预测算法的主体框架，能够有效地处理长时序数据的时间依赖性，捕捉电池数据时间序列中的复杂非线性关系。通过分离处理周期性和非周期性衰减因素，能够更精确地识别和模拟电池在不同环境和使用条件下的寿命变化。通过增强的异常值和噪声数据处理机制，在提高模型的预测准确性的同时，也增强了模型在实际应用中的鲁棒性。

2、为了实现上述目的，本发明提供如下技术方案：一种基于改进tft的储能电池寿命预测方法，包括：

3、从设定规模的储能电站时序数据库中提取设定时序数据，所述设定时序数据用于改进tft预测模型进行训练；

4、通过样条插值法对所述设定时序数据进行缺失值补充处理，获得补充后的所述设定时序数据；将补充后的所述设定时序数据，通过z-score策略进行标准化处理，获得标准化时序数据；通过一类支持向量机对所述标准化时序数据进行异常点检测，获得异常点数据；通过加权移动平均策略将所述异常点数据进行替换处理，获得目标时序数据；

5、通过时间卷积网络及长短期记忆网络，对所述目标时序数据中的周期性数据进行特征捕捉，获得周期性时序数据特征；

6、通过多层感知机，对所述目标时序数据中的非周期性数据进行特征捕捉，获得非周期性时序数据特征；

7、将所述周期性时序数据特征及所述非周期性时序数据特征输入所述改进tft预测模型；通过所述改进tft预测模型进行计算处理，输出预测结果。

8、作为一种基于改进tft的储能电池寿命预测方法的优选方案，在从设定规模的储能电站时序数据库中提取所述设定时序数据的过程中，所述设定时序数据包括：电池的温度、电压、电流、充放电次数、外部环境温度、充放电周期、电池的初始容量、电池容量衰减数据和电池实际使用寿命。

9、作为一种基于改进tft的储能电池寿命预测方法的优选方案，在通过所述样条插值法对所述设定时序数据进行缺失值补充处理，获得补充后的所述设定时序数据的过程中，所述样条插值法的数学表达式为：

10、；

11、式中，为插值函数，表示在区间内的函数值，和分别为相邻的已知数据点的横坐标；、、、为插值系数，为模型超参数。

12、作为一种基于改进tft的储能电池寿命预测方法的优选方案，在通过所述z-score策略进行标准化处理，获得标准化时序数据的过程中，所述z-score策略的数学表达式为：

13、；

14、式中，为原始数据矩阵；和分别为数据的平均值和标准差。

15、作为一种基于改进tft的储能电池寿命预测方法的优选方案，在通过所述加权移动平均策略将所述异常点数据进行替换处理，获得目标时序数据的过程中，所述加权移动平均策略的数学表达式为：

16、；

17、式中，为时间点的数据值；为权重；为考虑的邻近点数。

18、作为一种基于改进tft的储能电池寿命预测方法的优选方案，在通过所述时间卷积网络及所述长短期记忆网络，对所述目标时序数据中的周期性数据进行特征捕捉的过程中，所述时间卷积网络的计算公式为：

19、；

20、式中，为输入的周期性数据；为过滤器的数量；为卷积核的大小；为激活函数，用于增强网络的非线性能力；

21、所述长短期记忆网络的计算公式为：

22、；

23、式中，分别为时间步的隐藏状态和细胞状态。

24、作为一种基于改进tft的储能电池寿命预测方法的优选方案，在通过所述多层感知机，对所述目标时序数据中的非周期性数据进行特征捕捉的过程中，所述多层感知机的计算公式为：

25、；

26、式中， x为输入的非周期性数据矩阵；和、分别为各层的权重和偏置。

27、作为一种基于改进tft的储能电池寿命预测方法的优选方案，所述改进tft预测模型进行计算处理的步骤为：

28、通过特征选择层，对输入的所述周期性时序数据特征及所述非周期性时序数据特征进行筛选，获得对电池寿命预测最有贡献的特征；

29、通过核心计算层中的多头自注意力机制及门控递归单元，对筛选的特征进行计算处理，输出预测结果。

30、作为一种基于改进tft的储能电池寿命预测方法的优选方案，所述改进tft预测模型输出的预测结果为区间预测，所述区间预测表示电池在未来可选时间段内每天的预测寿命值；预测结果的区间表示形式为：

31、；

32、式中，为在时间的最低预测寿命值；为在时间的最高预测寿命值。

33、本发明还提供一种基于改进tft的储能电池寿命预测装置，基于以上一种基于改进tft的储能电池寿命预测方法，包括：

34、时序数据提取模块，用于从设定规模的储能电站时序数据库中提取设定时序数据，所述设定时序数据用于改进tft预测模型进行训练；

35、时序数据预处理模块，用于通过样条插值法对所述设定时序数据进行缺失值补充处理，获得补充后的所述设定时序数据；将补充后的所述设定时序数据，通过z-score策略进行标准化处理，获得标准化时序数据；通过一类支持向量机对所述标准化时序数据进行异常点检测，获得异常点数据；通过加权移动平均策略将所述异常点数据进行替换处理，获得目标时序数据；

36、周期性时序数据特征获取模块，用于通过时间卷积网络及长短期记忆网络，对所述目标时序数据中的周期性数据进行特征捕捉，获得周期性时序数据特征；

37、非周期性时序数据特征获取模块，用于通过多层感知机，对所述目标时序数据中的非周期性数据进行特征捕捉，获得非周期性时序数据特征；

38、改进tft预测模型预测模块，用于将所述周期性时序数据特征及所述非周期性时序数据特征输入所述改进tft预测模型；通过所述改进tft预测模型进行计算处理，输出预测结果。

39、作为一种基于改进tft的储能电池寿命预测装置的优选方案，所述时序数据提取模块中，在从设定规模的储能电站时序数据库中提取所述设定时序数据的过程中，所述设定时序数据包括：电池的温度、电压、电流、充放电次数、外部环境温度、充放电周期、电池的初始容量、电池容量衰减数据和电池实际使用寿命。

40、作为一种基于改进tft的储能电池寿命预测装置的优选方案，所述时序数据预处理模块中，在通过所述样条插值法对所述设定时序数据进行缺失值补充处理，获得补充后的所述设定时序数据的过程中，所述样条插值法的数学表达式为：

41、；

42、式中，为插值函数，表示在区间内的函数值，和分别为相邻的已知数据点的横坐标；、、、为插值系数，为模型超参数。

43、作为一种基于改进tft的储能电池寿命预测装置的优选方案，所述时序数据预处理模块中，在通过所述z-score策略进行标准化处理，获得标准化时序数据的过程中，所述z-score策略的数学表达式为：

44、；

45、式中，为原始数据矩阵；和分别为数据的平均值和标准差。

46、作为一种基于改进tft的储能电池寿命预测装置的优选方案，所述时序数据预处理模块中，在通过所述加权移动平均策略将所述异常点数据进行替换处理，获得目标时序数据的过程中，所述加权移动平均策略的数学表达式为：

47、；

48、式中，为时间点的数据值；为权重；为考虑的邻近点数。

49、作为一种基于改进tft的储能电池寿命预测装置的优选方案，所述周期性时序数据特征获取模块中，在通过所述时间卷积网络及所述长短期记忆网络，对所述目标时序数据中的周期性数据进行特征捕捉的过程中，所述时间卷积网络的计算公式为：

50、；

51、式中，为输入的周期性数据；为过滤器的数量；为卷积核的大小；为激活函数，用于增强网络的非线性能力；

52、所述长短期记忆网络的计算公式为：

53、；

54、式中，分别为时间步的隐藏状态和细胞状态。

55、作为一种基于改进tft的储能电池寿命预测装置的优选方案，所述非周期性时序数据特征获取模块中，在通过所述多层感知机，对所述目标时序数据中的非周期性数据进行特征捕捉的过程中，所述多层感知机的计算公式为：

56、；

57、式中， x为输入的非周期性数据矩阵；和、分别为各层的权重和偏置。

58、作为一种基于改进tft的储能电池寿命预测装置的优选方案，所述改进tft预测模型预测模块中，预测处理子模块包括：

59、特征选择子模块，用于通过特征选择层，对输入的所述周期性时序数据特征及所述非周期性时序数据特征进行筛选，获得对电池寿命预测最有贡献的特征；

60、核心计算子模块，用于通过核心计算层中的多头自注意力机制及门控递归单元，对筛选的特征进行计算处理，输出预测结果。

61、作为一种基于改进tft的储能电池寿命预测装置的优选方案，所述改进tft预测模型预测模块中，所述改进tft预测模型输出的预测结果为区间预测，所述区间预测表示电池在未来可选时间段内每天的预测寿命值；预测结果的区间表示形式为：

62、；

63、式中，为在时间的最低预测寿命值；为在时间的最高预测寿命值。

64、本发明具有如下优点：从设定规模的储能电站时序数据库中提取设定时序数据，所述设定时序数据用于改进tft预测模型进行训练；通过样条插值法对所述设定时序数据进行缺失值补充处理，获得补充后的所述设定时序数据；将补充后的所述设定时序数据，通过z-score策略进行标准化处理，获得标准化时序数据；通过一类支持向量机对所述标准化时序数据进行异常点检测，获得异常点数据；通过加权移动平均策略将所述异常点数据进行替换处理，获得目标时序数据；通过时间卷积网络及长短期记忆网络，对所述目标时序数据中的周期性数据进行特征捕捉，获得周期性时序数据特征；通过多层感知机，对所述目标时序数据中的非周期性数据进行特征捕捉，获得非周期性时序数据特征；将所述周期性时序数据特征及所述非周期性时序数据特征输入所述改进tft预测模型；通过所述改进tft预测模型进行计算处理，输出预测结果。本发明采用改进的tft模型作为电池寿命预测算法的主体框架，由于电池寿命预测包含大量的时序数据，充分发挥tft在时间序列预测上的优势。tft模型中包含的多头自注意力机制和门控递归单元，能够有效地处理长时序数据的时间依赖性，捕捉电池数据时间序列中的复杂非线性关系。本发明创新性的引入周期性和非周期性分量分离的方案，采用两个独立的处理组件，一个针对性的处理周期性变化特征，一个针对性的处理非周期性变化特征，使得模型能够更精确地识别和模拟电池在不同环境和使用条件下的寿命变化。本发明引入先进的数据清洗和异常检测算法，有效识别并处理输入数据中的噪声和异常值。这不仅提高了模型的预测准确性，也增强了模型在实际应用中的鲁棒性。