一种全钒液流电池故障预测方法及系统

本发明涉及一种全钒液流电池故障预测方法及系统，方法包括采集全钒液流电池的运行数据，并对全钒液流电池的运行数据进行预处理；构建Deepseek‑R1模型，模型包括卷积神经网络层、长短期记忆网络层和融合层；对模型进行训练和验证；将运行数据经预处理后输入模型进行故障预测和故障类型诊断；根据输出的预测结果触发故障预警，并根据需要自动调整电池的运行参数；将故障数据反馈到模型中，通过在线学习优化模型，提升故障预测的准确性。本发明能够高效提取局部及时间依赖特征，基于实时数据流实现快速响应，缩短了故障响应时间，能够精准区分故障类型，实现提前预警并调整，减少了系统停机时间。