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！

龙图腾网获悉电子科技大学成都学院申请的专利一种多源能源系统故障检测与根因分析系统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：CN119760607B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202411914706.9，技术领域涉及：G06F18/2433；该发明授权一种多源能源系统故障检测与根因分析系统是由罗凯;王益国;黄海涛设计研发完成，并于2024-12-24向国家知识产权局提交的专利申请。

本一种多源能源系统故障检测与根因分析系统在说明书摘要公布了：本发明公开了一种多源能源系统故障检测与根因分析系统，涉及能源管理与故障诊断技术领域，本发明的系统通过实时获取多源能源系统的各项运行数据和图像数据；对各项运行数据和图像数据进行预处理；预处理后的数据输入小波变换、CNN和LSTM结合的混合算法中，检测多源能源系统中的异常模式和潜在故障；数字孪生模型根据实时采集的数据动态更新；结合数字孪生模型与混合算法的特征提取能力，定位导致故障的关键原因，模拟系统运行状态，分析故障的潜在成因，输出分析结果。本发明有效提升了系统对多种数据源的综合分析能力，为能源系统的智能化运维提供了全面、精准的解决方案。

本发明授权一种多源能源系统故障检测与根因分析系统在权利要求书中公布了：1.一种多源能源系统故障检测与根因分析系统，其特征在于，包括数据采集模块、数据预处理模块、数据特征提取和降维模块、数字孪生模块和故障检测与根因分析模块，其中： 数据采集模块，实时获取多源能源系统的各项运行数据和图像数据，上传至数据预处理模块； 数据预处理模块，对数据采集模块采集的各项运行数据和图像数据进行预处理，包括异常值检测、缺失值填补、降噪和数据标准化处理； 数据特征提取和降维模块，对预处理后的各项运行数据和图像数据进行特征提取和降维，将预处理后的各项运行数据和图像数据输入小波变换、CNN和LSTM结合的混合算法中，其中，小波变换和CNN对预处理后的数据特征提取，将提取的特征进行融合，得到融合特征集，对融合特征集中的高维数据进行降维处理，并结合LSTM进行时序建模，检测多源能源系统中的异常模式和潜在故障； 数字孪生模块，基于初始数据构建多源能源系统的虚拟模型，即数字孪生模型，数字孪生模型根据实时采集的数据动态更新，保持与多源能源系统中物理设备的一致性，反映物理设备的状态，为故障检测和根因分析提供更准确的基础； 故障检测与根因分析模块，混合算法对实时采集数据进行分析，检测多源能源系统中的异常模式和潜在故障，对比实时数据输入数字孪生模型的预测结果，判断是否存在偏差，进一步确认故障发生；结合数字孪生模型与混合算法的特征提取能力，定位导致故障的关键原因，模拟系统运行状态，分析故障的潜在成因，输出分析结果； 所述多源能源系统的各项运行数据包括光伏发电数据、储能设备数据、传统发电设备数据、电力负荷数据、环境数据和并网数据，多源能源系统的各项运行数据，通过安装于多源能源系统中的各类传感器获取；所述多源能源系统的图像数据，即能源设备的外观变化，通过摄像头采集，并实时传输至数据预处理模块； 所述数据预处理模块，对数据采集模块采集的各项运行数据和图像数据进行预处理，具体的： 异常值检测，通过统计方法或阈值检测，去除明显异常数据； 缺失值填补，采用插值法、均值法或机器学习预测方法对缺失值进行补全； 降噪处理，采集的各项运行数据作为时间序列数据，使用小波变换进行降噪，提取与故障相关的频域特征；所述图像数据通过CNN处理提取空间特征，并去除不相关的背景噪声；对于并网数据，先进行滤波处理，再使用小波变换进行降噪，提取与故障相关的频域特征，以确保数据质量； 数据标准化，对不同来源的数据进行归一化处理，确保数据格式一致性； 所述数据特征提取和降维模块，采用小波变换和CNN对预处理后的数据进行特征提取，具体为： 所述储能设备数据中的电压数据、电流数据为非平稳信号，使用小波变换对非平稳信号进行分解，提取不同频段的频域特征，揭示潜在的故障模式； 所述图像数据使用CNN提取关键的空间特征； 所述传统发电设备数据通过数据拟合与差分法或时间序列分解法来提取燃料消耗趋势，通过小波变换法或滚动标准差法来提取功率输出波动特征； 所述并网数据采用小波变换提取频域特征，分析频域中的频谱成分和能量分布情况，用于判断电网负载状态与能源供给的匹配情况； 小波变换提取的各个频域特征，以及CNN提取的空间特征进行结合，具体的，小波变换提取的各个频域特征，在进行数据融合过程中，采用多头注意力机制，根据数据的重要性和相关性为不同特征分配合理权重，注意力头数量依据储能设备在多源能源系统中的关键性能指标与其他能源的交互关系复杂程度以及系统对储能设备状态监测的精度要求因素确定，每个注意力头权重通过计算特征之间的动态相关性系数信息熵指标确定，并根据储能设备在系统中的重要性赋予不同的初始权重；融合后的特征集通过PCA降维方法，计算数据的协方差矩阵，求解特征值和特征向量，依据特征值大小选择主要特征向量，将高维数据投影到低维空间形成统一的低维特征集，为LSTM建模提供优化的数据输入； 对于注意力头数量，依据储能设备在多源能源系统中的关键性能指标数量，与其他能源的交互关系复杂程度以及系统对储能设备状态监测的精度要求因素确定； 数据特征提取和降维模块的特征提取还包括： 所述光伏发电数据提取发电功率稳定性特征、光照强度与发电功率相关性特征和温度对发电效率影响特征； 所述环境数据提取湿度变化趋势特征、风速变化趋势特征和气压变化趋势特征，通过时间序列分析方法确定其均值、方差随时间的变化情况而得出； 对预处理后的数据特征提取后进行融合，得到融合特征集，具体为： 所述并网数据与光伏发电数据、储能设备数据、传统发电设备数据融合，通过多头注意力机制对不同数据源提取的特征进行加权融合，提供更加全面的能源供给信息； 所述环境数据与电力负荷数据、储能设备数据、传统发电设备数据和光伏发电数据提取的特征相结合，为故障预测和系统调度提供更多维度的信息； 所述对融合特征集中的高维数据进行降维处理，具体为： 使用主成分分析方法对融合特征集中的高维数据进行降维，保留关键特征，减少冗余数据，其中，融合特征集包括： 光伏发电数据提取的发电功率稳定性特征、光照强度与发电功率相关性特征和温度对发电效率影响特征； 储能设备数据提取的电压频域特征和电流频域特征； 传统发电设备数据提取的燃料消耗趋势和功率输出波动特征； 图像数据提取的空间特征； 并网数据提取的电网稳定性和负载变化的频域特征； 环境数据提取湿度变化趋势特征、风速变化趋势特征和气压变化趋势特征； 所述主成分分析方法通过计算数据的协方差矩阵，找到特征值和特征向量，根据特征值的大小选择主要的特征向量，从而将高维数据投影到低维空间，保留关键特征，并与图像数据提取的空间特征结合，形成统一的低维特征集，简化后续的分析过程； 所述数字孪生模型根据实时采集的数据动态更新，具体步骤为： 触发机制，当数据采集模块采集到图像数据、各项运行数据中的一个或者多个数据变化超出正常范围时，自动触发数字孪生模型的更新； 增量学习，利用增量学习方法动态更新数字孪生模型参数，模拟多源能源系统的运行状况，确保虚拟模型能够及时反映实际多源能源系统中设备的运行状态； 实时调整，数字孪生模型依据更新后的数据，立即对系统故障进行实时预警，并根据预警信息对模型进行相应调整，同时，结合新的数据对故障检测算法进行在线优化，提高模型对动态环境变化的适应性和响应速度，确保系统在复杂多变的运行条件下能够及时发现并处理潜在故障； 通过深入分析不同频段的能量分布情况，计算各频段的能量，其中，为第j频段k位置的小波系数，为第j频段的能量，以准确判断电池内部是否存在短路或极板老化故障，判断条件为低频段能量突然增大或高频段能量逐渐减小； 所述LSTM基于低维特征集对时间序列数据建模，捕捉系统运行状态的长期依赖关系，预测潜在故障和异常行为； 系统通过以下步骤进行故障诊断和预测： 1温度异常检测： 首先通过小波变换对温度信号进行不同频段的频域分析，提取信号的高频部分，识别出潜在的故障特征；该信号数据与其他来自电网和传统发电设备的相关数据； 2图像数据分析： 通过卷积神经网络分析电池表面图像数据，提取电池外观的损伤特征；图像数据结合传感器数据，帮助系统全面评估电池的健康状态，特别是电池表面可能导致的故障； 3时间序列数据预测： 利用长短期记忆网络对温度信号的时间序列数据进行建模，捕捉电池模块温度波动的长期依赖关系；LSTM能够识别温度趋势和突发异常，为后续故障预测提供准确的预警信号；此时，电力负荷数据将共同参与时序预测，以优化预测的精度； 4并网与能源协调： 电网状态与电池储能系统的数据联合处理，有助于提高系统对外部负荷波动的适应性；电网的实时负荷变化和电价波动为故障预测提供了重要的外部环境数据，使得系统在故障诊断过程中更具实时性和准确性； 5数字孪生模型更新： 随着温度和图像数据的实时更新，数字孪生模型及时接收到来自传感器的实时数据，自动触发电池模块的模型更新；数字孪生模型通过模拟电池过热导致的性能变化，反映电池在异常环境下的状态变化；数字孪生模型确保虚拟模型始终与物理设备保持一致，从而实时监控设备的运行状况，并且能够模拟并网情况下电池与电网的交互作用； 6故障根因分析： 在数字孪生模型和混合算法的支持下，进一步进行根因分析，通过对多种数据源，包括来自电网、储能设备、负荷数据进行综合分析，最终确认故障的根本原因； 7故障预警与维修建议： 故障信息通过可视化界面生成报告，运维人员查看电池模块的故障类型、可能的原因和建议的维修措施；系统通过智能推荐维修步骤，帮助运维人员快速采取行动，确保系统稳定运行，并协同管理其他能源源头，电网负荷和光伏发电来优化能源调度。

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电子科技大学成都学院，其通讯地址为：610000 四川省成都市高新西区百叶路1号；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。