基于大数据和人工智能的储能系统故障预测与诊断方法研究

doi:10.19799/j.cnki.2095-4239.2024.0902

储能科学与技术 ›› 2024, Vol. 13 ›› Issue (10): 3653-3655.doi: 10.19799/j.cnki.2095-4239.2024.0902

基于大数据和人工智能的储能系统故障预测与诊断方法研究

李根¹(), 刘珊珊²()

^1.广东工商职业技术大学人工智能与大数据学院，广东肇庆 526000
^2.广东财贸职业学院数字技术学院，广东清远 511500

收稿日期:2024-07-15 修回日期:2024-08-15 出版日期:2024-10-28 发布日期:2024-10-30
通讯作者: 刘珊珊 E-mail:lg_gdgs@126.com;shan523272231@163.com
作者简介:李根（1981—），男，硕士，副教授，研究方向为大数据技术、人工智能、信息安全，E-mail：lg_gdgs@126.com；
基金资助:
2023年广东省教育厅青年创新人才项目（自然科学）(2023KQNCX143)

Research on fault prediction and diagnosis methods of energy storage system based on big data and artificial intelligence

Gen LI¹(), Shanshan LIU²()

^1.College of Artificial Intelligence and Big Data, Guangdong Vocational and Technical University of Business and Technology, Zhaoqing 526000, Guangdong, China
^2.College of Digital Technology, Guangdong Finance & Trade Vocational College, Qingyuan 511500, Guangdong, China

Received:2024-07-15 Revised:2024-08-15 Online:2024-10-28 Published:2024-10-30
Contact: Shanshan LIU E-mail:lg_gdgs@126.com;shan523272231@163.com

摘要/Abstract

摘要：

随着储能式电网技术和新能源电动汽车技术的快速发展，全球储能系统需求日益增大。然而应用环境的复杂化和电池组成的大型化增大了储能系统发生故障的概率。本文从大数据技术和人工智能技术两种视角上分别阐述了其在储能系统故障预测和诊断中的研究。大数据技术可以对大量能源数据进行分析，从而可以提高储能系统的生产和利用效率，减少能源的浪费和损失。人工智能技术可以挖掘大数据背后隐藏的有价值的信息，对能源数据进行训练，并对储能系统进行预测和诊断分析。而将大数据技术和人工智能技术进行融合，可以对大量的能源数据进行处理和分析，从而提高储能系统的效率，并对储能系统是否发生故障进行预测和诊断，促进储能系统的智能监控和管理。

关键词: 储能系统, 故障预测和诊断, 大数据技术, 人工智能

Abstract:

With the rapid development of energy storage grid technology and new energy electric vehicle technology, the global demand for energy storage systems is increasing. However, the complexity of the application environment and the large-scale battery composition increase the probability of failure of the energy storage system. This paper describes the research on big data technology and artificial intelligence technology in energy storage system fault prediction and diagnosis from two perspectives. Big data technology can analyze a large amount of energy data, thereby improving the production and utilization efficiency of energy storage systems and reducing energy waste and loss. Artificial intelligence technology can mine the valuable information hidden behind big data, train energy data, and predict and diagnose energy storage systems. The integration of big data technology and artificial intelligence technology can process and analyze a large amount of energy data, thereby improving the efficiency of energy storage systems, predicting and diagnosing whether energy storage systems have failed, and promoting the monitoring and management of energy storage systems.

Key words: energy storage system, fault prediction and diagnosis, big data technology, artificial intelligence

中图分类号:

TM 912

李根, 刘珊珊. 基于大数据和人工智能的储能系统故障预测与诊断方法研究[J]. 储能科学与技术, 2024, 13(10): 3653-3655.

Gen LI, Shanshan LIU. Research on fault prediction and diagnosis methods of energy storage system based on big data and artificial intelligence[J]. Energy Storage Science and Technology, 2024, 13(10): 3653-3655.

参考文献 4

1	张扬, 李晓杰, 马兹林, 等. 锂离子电池故障诊断算法研究综述[J]. 重庆理工大学学报(自然科学), 2023, 37(9): 49-61.
	Zhang Y, Li X J, Ma C L, et al. A review of fault diagnosis algorithms for lithium ion batteries [J]. Journal of Chongqing University of Technology (Natural Science), 2023, 37(9): 49-61.
2	孙振宇, 王震坡, 刘鹏, 等. 新能源汽车动力电池系统故障诊断研究综述[J]. 机械工程学报, 2021, 57(14): 87-104. DOI: 10.3901/JME.2021.14.087.
	SUN Z Y, WANG Z P, LIU P, et al. Overview of fault diagnosis in new energy vehicle power battery system[J]. Journal of Mechanical Engineering, 2021, 57(14): 87-104. DOI: 10.3901/JME.2021.14.087.
3	李永娜. 大数据技术在大规模储能电池管理系统中的应用[J]. 储能科学与技术, 2024, 13(4): 1353-1355. DOI: 10.19799/j.cnki.2095-4239.2024.0280.
	LI Y N. Research on the application of big data technology in large-scale energy storage battery management systems[J]. Energy Storage Science and Technology, 2024, 13(4): 1353-1355. DOI: 10.19799/j.cnki.2095-4239.2024.0280.
4	钱可悦. 计算机技术在储能系统中的应用[J]. 电子技术, 2024, 53(2): 53-55. DOI: 10.3969/j.issn.1000-0755.2024.02.024.
	QIAN K Y. Application of computer technology in energy storage systems[J]. Electronic Technology, 2024, 53(2): 53-55. DOI: 10.3969/j.issn.1000-0755.2024.02.024.

[1]	袁誉杭, 高宇辰, 张俊东, 高岩斌, 王超珑, 陈翔, 张强. 大语言模型在储能研究中的应用[J]. 储能科学与技术, 2024, 13(9): 2907-2919.
[2]	黄家辉, 邝祝芳. 人工智能与储能技术融合的前沿发展[J]. 储能科学与技术, 2024, 13(9): 3161-3181.
[3]	焦君宇, 张全權, 陈宁波, 王冀钰, 芦秋迪, 丁浩浩, 彭鹏, 宋孝河, 张帆, 郑家新. 电池大数据智能分析平台的研发与应用[J]. 储能科学与技术, 2024, 13(9): 3198-3213.
[4]	许晶, 王宇琦, 符晓, 杨其凡, 连景臣, 王力奇, 肖睿娟. 基于大数据的电池新材料设计[J]. 储能科学与技术, 2024, 13(9): 2920-2932.
[5]	刘子玉, 姜泽坤, 邱伟, 徐泉, 牛迎春, 徐春明, 周天航. 人工智能在长时液流电池储能中的应用：性能优化和大模型[J]. 储能科学与技术, 2024, 13(9): 2871-2883.
[6]	栗占伟, 樊东方, 曾超, 何雯倩, 何金. 考虑风光消纳的储能系统容量优化配置及运行策略研究[J]. 储能科学与技术, 2024, 13(8): 2713-2725.
[7]	甄箫斐, 王贝贝, 张小虎, 孙一铭, 曹文炅, 董缇. 锂电池储能系统热失控气体生成及扩散规律研究[J]. 储能科学与技术, 2024, 13(6): 1986-1994.
[8]	张大兴, 黄泽荣, 王祥东, 王延凯, 蔡冰子, 袁昊宇, 田明明, 袁英平, 曹原. 基于功率变换器的梯次利用电池系统均衡控制策略[J]. 储能科学与技术, 2024, 13(5): 1635-1642.
[9]	李润源, 郭傅傲, 赵钢超. 集装箱式锂离子电池储能系统消防安全早期预警方法[J]. 储能科学与技术, 2024, 13(5): 1595-1602.
[10]	张研, 袁征. 压缩空气储能系统的微机电控制技术[J]. 储能科学与技术, 2024, 13(5): 1551-1553.
[11]	张杰, 吴成辉, 潘明俊, 赵天恩. 电池储能系统绝缘电阻检测方法误差分析[J]. 储能科学与技术, 2024, 13(4): 1167-1175.
[12]	吴思远, 李泓. 发展基于“语义检测”的低参数量、多模态预训练电池通用人工智能模型[J]. 储能科学与技术, 2024, 13(4): 1216-1224.
[13]	张金亚, 周文博, 程紫漪漪. 基于LBM的泡沫金属与翅片相变储能系统性能对比分析[J]. 储能科学与技术, 2024, 13(2): 598-607.
[14]	刘洋恺, 孙伟卿, 刘唯. 基于AHP和TOPSIS-模糊综合评价的多场景储能选型方法[J]. 储能科学与技术, 2024, 13(2): 691-701.
[15]	王运, 蒙飞, 张超, 李涛, 田波, 李江鹏, 陈海东, 张志华. 氨分解制氢储能系统容量对电力系统性能的影响[J]. 储能科学与技术, 2024, 13(2): 589-597.

基于大数据和人工智能的储能系统故障预测与诊断方法研究

Research on fault prediction and diagnosis methods of energy storage system based on big data and artificial intelligence

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献 4

相关文章 15

编辑推荐

Metrics

本文评价