买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉新疆华电天山发电有限公司;北京海博思创科技股份有限公司申请的专利基于人工智能的智能储能系统故障预测与优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120654562B 。

龙图腾网通过国家知识产权局官网在2026-04-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510760591.0，技术领域涉及：G06F30/27；该发明授权基于人工智能的智能储能系统故障预测与优化方法是由刘永青;俞锐;张超俊;姜兆远;张涛设计研发完成，并于2025-06-09向国家知识产权局提交的专利申请。

本基于人工智能的智能储能系统故障预测与优化方法在说明书摘要公布了：本发明公开了一种基于人工智能的智能储能系统故障预测与优化方法，包括：确定储能系统所对应接入的多个风电场，以及每个风电场的历史运行数据、高精度气象预报数据及地形地理信息，并构建时空数据库；构建基于神经网络预测模型嵌入的WRF‑CFD耦合模型对各个风电场的发电效率进行预测，得到第二类预测结果；基于第二类预测结果计算储能系统总负载，并根据总负载波动率预测故障风险；当故障风险满足预设的条件时，生成提前应对方案对储能系统负载波动进行优化使其平复。本发明能够实现对智能储能系统的精准预测与优化控制，解决传统储能系统在面对风电场波动性发电时故障预警不及时、负载波动难以有效调节的问题，提升储能系统的可靠性与运行效率。

本发明授权基于人工智能的智能储能系统故障预测与优化方法在权利要求书中公布了：1.一种基于人工智能的智能储能系统故障预测与优化方法，其特征在于，包括： 步骤S1、确定储能系统所对应接入的多个风电场，以及每个风电场的历史运行数据、高精度气象预报数据及地形地理信息，并构建时空数据库； 步骤S2、根据时空数据库构建基于神经网络预测模型嵌入的WRF-CFD耦合模型对各个风电场的发电效率进行预测，得到第二类预测结果； 步骤S3、基于第二类预测结果计算储能系统总负载，并根据总负载波动率预测故障风险； 步骤S4、当故障风险满足预设的条件时，生成提前应对方案对储能系统负载波动进行优化使其平复； 步骤S2具体包括： 步骤S21、基于时空数据库中的高精度气象预报数据及地形地理信息，通过构建WRF-CFD耦合模型对任意风电场内风力以及风向分布进行梯度式分级预测得到第一类预测结果； 步骤S22、基于时空数据库，预先构建并训练针对风电场内单个风力发电机组发电效率预测的神经网络模型，利用第一类预测结果预测风力发电机组发电效率； 步骤S23、采用动量理论法对穿越风力发电机组的下游风速及方向进行计算得到计算结果，并将计算结果返回至步骤S21对第一类预测结果进行实时修正； 步骤S24、基于所预测得到的每台风力发电机组发电效率对储能系统所对应接入的多个风电场的发电效率进行统计，得到第二类预测结果； 步骤S21具体包括： 基于时空数据库中的高精度气象预报数据，确定其中的温度场、气压梯度以及湿度场数据并通过构建的WRF模型进行区域动态降尺度，生成1km网格的初始风场数据； 预先通过合成孔径雷达影像采集风电场周围预设范围内的地形地理信息，通过以下公式计算反演地表粗糙度参数： 其中，为地表粗糙度参数，表示地表障碍物垂直高度，表示地表覆盖率，地表覆盖率参数根据地表覆盖物的类型确定，每种类型的地表覆盖物对应映射唯一的地表覆盖率参数； 将得到的地表粗糙度参数输入CFD模型，完成风电场内的10m级微气象建模； 对风电场按照来风方向上的多层风电机组进行梯度式分级，基于10m级微气象建模对最外层的风电场内风力以及风向分布进行预测得到第三类预测结果； 等待获取返回的计算结果循环对下一梯度内的风力以及风向分布进行预测得到多个第三类预测结果，直至对多个风电场梯度内的风力以及风向分布均预测完毕； 统计所获得的多个第三类预测结果，并进行整合得到第一类预测结果； 步骤S22包括： 根据时空数据库确定每个风力发电机组历史运行数据，包括外部风况和内部状态，其中外部风况包括风速、风向以及湍流强度，内部状态包括桨距角、转速、温度以及功率输出； 通过数据清洗去除低于切入风速或高于切出风速的记录的无效时段，并对缺失值采用基于物理约束的插值方法填补，随后构造关键特征包括风能密度、桨距效率因子以及滑动窗口统计量，完成时序对齐与归一化处理； 采用双向LSTM与时间卷积网络的混合架构神经网络模型，通过LSTM层捕捉长短期风速时序特征，TCN通过扩张卷积扩大感受野以识别周期性模式，输出层将机组静态参数嵌入向量，通过全连接层回归预测发电效率，其中机组静态参数包括叶轮直径以及额定功率； 训练时采用SmoothL1损失函数减少异常值干扰，配合AdamW优化器与余弦退火学习率调度，引入时序Dropout与标签平滑提升模型泛化能力； 验证阶段按季节划分数据集避免气候模式泄露，测试涵盖稳态、湍流、切出三种典型风况下的机组工况，目标将平均绝对误差控制在额定功率3%以内； 最终训练得到针对风电场内单个风力发电机组发电效率预测的神经网络模型，并利用第一类预测结果中该风力发电机组所面对的外部风况以及内部状态作为模型输入，对该风力发电机组发电效率进行预测，得到预测结果； 步骤S23包括： 采用改进的Jensen尾流模型计算风经过风力机后的速度衰减和湍流增强，基于动量理论法确定风能守恒与动量变化，量化上游风机对下游风场的干扰效应，其中速度衰减公式表示为： 其中，表示下游风机轮毂高度风速，表示上游风机轮毂高度风速，为风向与两机组连线的夹角，为尾流重叠面积，为叶轮扫掠面积，表示叶轮直径； 湍流增强公式表示为： 其中，表示下游湍流强度，表示上游湍流强度； 将下游风机轮毂高度风速以及下游湍流强度作为自然风经过风力发电机组后其方向上的均匀风速和湍流强度，并生成计算结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人新疆华电天山发电有限公司;北京海博思创科技股份有限公司，其通讯地址为：839000 新疆维吾尔自治区哈密市伊州区华电大厦天山西路附19B；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。