本发明涉及蓄电池寿命预测，特别涉及一种基于gbt模型的变电站用铅酸蓄电池寿命预测方法及系统。
背景技术：
1、阀控式铅酸蓄电池作为一种成熟的能量存储技术，广泛应用于电力、通信、数据中心、轨道交通等备用电源系统中，其在确保电能供应稳定性与可靠性方面扮演着至关重要的角色。在电力系统故障或停电时，铅酸蓄电池能够迅速投入，提供稳定的电源，防止生产中断和数据丢失等问题。蓄电池组一旦发生失效或故障，可能引发严重的电力系统事故。因此，对铅酸蓄电池进行在线寿命评估具备重要的工程价值。
2、综合现有的研究成果来看，铅酸蓄电池的寿命预测方法主要分为基于经验和基于性能的方法这两大类。基于经验的方法主要依赖于试验数据的统计规律，而忽略了电池内部的详细反应机理。如老化积累法、安时法与加权安时法和循环周期数法等这些方法通常基于对电池历史性能数据的分析，如循环次数、温度、深度放电等，通过总结这些数据的经验规律来估计电池的寿命。这些方法对电池的使用环境和工况比较敏感，对于不同的操作条件可能表现不稳定，在长时间预测和不同应用场景下的适用性有限，总之该类方法误差较大。
3、基于性能的方法通过对电池的实际性能数据进行分析，以推断电池的剩余寿命，包括基于模型机理方法、基于数据驱动的方法和融合的方法。基于机理模型的方法如衰减机理模型、等效电路模型和经验退化模型等，主要对电池内部物理、化学过程的理解和建模，或者考虑到外部应力对电池性能的影响来预测电池寿命。但是这类方法需要对电池内部的反应机理深入了解和建模，复杂度较高，同时建立机理所需参数要通过实验或者复杂的测量方法获取，参数化困难，精度受限。基于数据驱动的方法主要依赖于历史数据和统计分析，来建立电池寿命与性能参数之间的关系模型，按照计算方式可分为基于统计分析的方法和基于人工智能的方法。这类方法具有更好的适应性、准确性、实时性和问题诊断能力，更能适应不同类型和规格的电池，具有更高的预测精度和更好的实时性。相比于基于模型机理的方法，数据驱动的方法不需要对电池内部的物理、化学过程进行深入的理解和建模，更易于实施和应用。基于融合的方法可以综合考虑前两种方法的优缺点，充分发挥不同方法的优势，提高预测性能。将模型与数据驱动相融合，可以提高模型的性能、适应性和实用性，使其更好地应对实际运行中的复杂性和变化；而多种数据驱动方法相融合的方法可以综合利用各种模型的优势，从而提高整体模型的性能、稳定性和鲁棒性。
4、由于在阀控式铅酸蓄电池直流供电系统领域，研究对象通常具有复杂的物理模型，很难建立一个基于确定的物理模型的状态方程，所以对于基于统计数据驱动的寿命预测方法更具有优势。尽管铅酸蓄电池寿命预测的研究已取得进展，但传统方法在处理时间序列复杂性上存在限制。为应对这一挑战，可以研究引入g bt模型。相较于传统方法，这种先进的深度学习方法有望为提高寿命预测的准确性带来新的可能性。
技术实现思路
1、为解决上述问题，本发明旨在提出一种基于g bt模型的变电站用铅酸蓄电池寿命预测方法及系统，gbt不仅有transformer自注意力机制和并行计算优势，更适用于捕捉电池寿命中的时序依赖关系，还解决了时间序列预测transformer中的过拟合问题，提高了预测准确性和稳健性。
2、为达到上述目的，本发明的技术方案是这样实现的：
3、一种基于gbt模型的变电站用铅酸蓄电池寿命预测方法，将每一个单电池进行顺序编号，每一次预测，按照编号顺序依次，只采集其中一单电池的数据，并通过采集到的数据计算得到该单电池的内阻数据，将该内阻数据与端电压数据，输入到训练好的基于gbt的寿命预测模型中进行单电池的寿命预测；采集的单电池的数据包括该单电池的端电压以及蓄电池组串联电路上的电流。
4、进一步的，所述基于g bt的寿命预测模型分为两个阶段，第一阶段的输出被视为第二阶段的输入；第一阶段为auto-reg ression stage，使用编码器来捕获输入序列的特征，并使用全连接层来获取预测序列；第二阶段为self-reg ression stage，使用由掩蔽自注意力模块组成的解码器，并且放弃了包括起始标记和交叉注意力在内的模块；第二阶段的网络不参与第一阶段的训练阶段，并且第一阶段的参数在第二阶段的训练阶段将被固定。
5、进一步的，所述auto-reg ression stage为第一个自回归阶段，包括n个auto-regression块，用于提取输入序列的特征；每个auto-reg ression块由一个编码器和一个卷积块组成；在每个卷积块中，选择wn作为归一化方法，并使用gelu作为激活函数；采用金字塔网络来提取分层特征图，最后，使用一个全连接层在第一阶段获得预测结果，并替换经典tsft中的交叉注意模块。
6、进一步的，所述self-regression stage为预测元素通过自身进行推断的过程，包含m个解码器，由一个掩码的自注意模块和相应的前馈层组成；使用线性投影层来获得预测结果；其中，在第二阶段中，采用错误分数修改模块来管理第一阶段的预测结果的误差累积。
7、进一步的，所述训练好的基于gbt的寿命预测模型通过蓄电池老化数据进行gbt模型离线训练而得到，离线训练包括如下步骤：将老化数据集进行数据预处理；将预处理后的数据集按比例划分成训练集和测试集，将训练集带入到搭建好的基于gbt的寿命预测模型中，设定模型参数的初始值，开始模型的训练；用测试集来查看训练结果的准确性，通过mse、mae评估指标判断该模型是否达到要求，如果模型效果不佳，则重新调整模型参数进行训练直到满足要求。
8、进一步的，所述老化数据集为各个单电池的端电压以及内阻。
9、进一步的，所述数据预处理包括数据清洗、特征选择、数据转换。
10、本发明还公开了一种基于gbt模型的变电站用铅酸蓄电池寿命预测系统，包括电压采集模块、电流采集模块、电压检测模块、离线训练模块、蓄电池在线寿命预测模块以及蓄电池，所述蓄电池串联连接在直流母线上，由充电机浮充供电；所述离线训练模块通过用铅酸蓄电池离线测得的老化数据来训练并得到基于gbt的寿命预测模型，将预测精度达到要求的基于gbt的寿命预测模型部署到蓄电池在线寿命预测模块中去，所述电压采集模块、电流采集模块获得蓄电池的端电压以及放电电流，并传输到蓄电池在线寿命预测模块进行预测。
11、进一步的，所述蓄电池的每一个蓄电池单体都并联有一个电压检测模块，用于测量单个蓄电池的端电压，最终将这些蓄电池单体的端电压按编号传输到电压采集模块中去；通过电流采集模块测量蓄电池组串联电路上的电流，结合每一个蓄电池单体的端电压，即可求得每一个单体蓄电池的内阻。
12、进一步的，所述蓄电池在线寿命预测模块采用多电池单元轮巡寿命预测的策略，具体为：首先判断从电压采集模块、电流采集模块得到的数据编号是否小于蓄电池组中单体蓄电池的总个数n，如果是，则对该组编号的电压电流数据进行直流分量数据处理、fft处理，然后计算得到单电池的内阻，将内阻数据与端电压数据带入到训练好的基于gbt的寿命预测模型中进行该单电池的寿命预测；接着判断下一组数据编号是否小于n，直到判断结果为否，结束这一轮的蓄电池组寿命预测。
13、有益效果：本发明旨在实现对变电站蓄电池寿命的实时监测和预测，该系统结合了独特的数据采集方法和先进的g bt预测算法模型，能够准确评估电池的剩余使用寿命，提高设备的可靠性和安全性。本发明基于gbt的寿命预测模型不仅有transformer自注意力机制和并行计算优势，更适用于捕捉电池寿命中的时序依赖关系，还解决了时间序列预测transformer中的过拟合问题，提高了预测准确性和稳健性。
1.一种基于gbt模型的变电站用铅酸蓄电池寿命预测方法，其特征在于，将每一个单电池进行顺序编号，每一次预测，按照编号顺序依次，只采集其中一单电池的数据，并通过采集到的数据计算得到该单电池的内阻数据，将该内阻数据与端电压数据，输入到训练好的基于gbt的寿命预测模型中进行单电池的寿命预测；采集的单电池的数据包括该单电池的端电压以及蓄电池组串联电路上的电流。
2.根据权利要求1所述的基于gbt模型的变电站用铅酸蓄电池寿命预测方法，其特征在于，所述基于gbt的寿命预测模型分为两个阶段，第一阶段的输出被视为第二阶段的输入；第一阶段为auto-regressionstage，使用编码器来捕获输入序列的特征，并使用全连接层来获取预测序列；第二阶段为self-regression stage，使用由掩蔽自注意力模块组成的解码器，并且放弃了包括起始标记和交叉注意力在内的模块；第二阶段的网络不参与第一阶段的训练阶段，并且第一阶段的参数在第二阶段的训练阶段将被固定。
3.根据权利要求2所述的基于gbt模型的变电站用铅酸蓄电池寿命预测方法，其特征在于，所述auto-regression stage为第一个自回归阶段，包括n个auto-regression块，用于提取输入序列的特征；每个auto-regression块由一个编码器和一个卷积块组成；在每个卷积块中，选择wn作为归一化方法，并使用gelu作为激活函数；采用金字塔网络来提取分层特征图，最后，使用一个全连接层在第一阶段获得预测结果，并替换经典ts ft中的交叉注意模块。
4.根据权利要求2所述的基于g bt模型的变电站用铅酸蓄电池寿命预测方法，其特征在于，所述self-reg ression stage为预测元素通过自身进行推断的过程，包含m个解码器，由一个掩码的自注意模块和相应的前馈层组成；使用线性投影层来获得预测结果；其中，在第二阶段中，采用错误分数修改模块来管理第一阶段的预测结果的误差累积。
5.根据权利要求1所述的基于gbt模型的变电站用铅酸蓄电池寿命预测方法，其特征在于，所述训练好的基于gbt的寿命预测模型通过蓄电池老化数据进行g bt模型离线训练而得到，离线训练包括如下步骤：将老化数据集进行数据预处理；将预处理后的数据集按比例划分成训练集和测试集，将训练集带入到搭建好的基于gbt的寿命预测模型中，设定模型参数的初始值，开始模型的训练；用测试集来查看训练结果的准确性，通过mse、mae评估指标判断该模型是否达到要求，如果模型效果不佳，则重新调整模型参数进行训练直到满足要求。
6.根据权利要求5所述的基于gbt模型的变电站用铅酸蓄电池寿命预测方法，其特征在于，所述老化数据集为各个单电池的端电压以及内阻。
7.根据权利要求5所述的基于g bt模型的变电站用铅酸蓄电池寿命预测方法，其特征在于，所述数据预处理包括数据清洗、特征选择、数据转换。
8.一种基于g bt模型的变电站用铅酸蓄电池寿命预测系统，其特征在于，包括电压采集模块、电流采集模块、电压检测模块、离线训练模块、蓄电池在线寿命预测模块以及蓄电池，所述蓄电池串联连接在直流母线上，由充电机浮充供电；所述离线训练模块通过用铅酸蓄电池离线测得的老化数据来训练并得到基于gbt的寿命预测模型，将预测精度达到要求的基于gbt的寿命预测模型部署到蓄电池在线寿命预测模块中去，所述电压采集模块、电流采集模块获得蓄电池的端电压以及放电电流，并传输到蓄电池在线寿命预测模块进行预测。
9.根据权利要求7所述的基于g bt模型的变电站用铅酸蓄电池寿命预测系统，其特征在于，所述蓄电池的每一个蓄电池单体都并联有一个电压检测模块，用于测量单个蓄电池的端电压，最终将这些蓄电池单体的端电压按编号传输到电压采集模块中去；通过电流采集模块测量蓄电池组串联电路上的电流，结合每一个蓄电池单体的端电压，即可求得每一个单体蓄电池的内阻。
10.根据权利要求7所述的基于g bt模型的变电站用铅酸蓄电池寿命预测系统，其特征在于，所述蓄电池在线寿命预测模块采用多电池单元轮巡寿命预测的策略，具体为：首先判断从电压采集模块、电流采集模块得到的数据编号是否小于蓄电池组中单体蓄电池的总个数n，如果是，则对该组编号的电压电流数据进行直流分量数据处理、fft处理，然后计算得到单电池的内阻，将内阻数据与端电压数据带入到训练好的基于g bt的寿命预测模型中进行该单电池的寿命预测；接着判断下一组数据编号是否小于n，直到判断结果为否，结束这一轮的蓄电池组寿命预测。
