一种电池大模型云平台预警方法及系统与流程

本发明属于电池，尤其涉及一种电池大模型云平台预警方法及系统。

背景技术：

1、储能电站是以大量的电池作为基础建立的，众多的电池模组通过串联或并联的方式密集排放，在运行过程中，储能电池可能会出现电、热等方面的安全问题，而一旦有模组出现问题该模组电池所产生的热量将会通过热传递、热辐射以及喷射燃烧物等方式使火灾快速向四周蔓延，形成一定的火灾规模，还会伴随爆炸等现象的发生，电池燃烧时还会产生有害气体。因此储能电站的火灾具有升温快、蔓延快、危害大等特点，如果不能在火灾发生前进行制止或在火灾前期快速抑制将会造成无法挽回的局面。如何在电池模组出现问题之前进行各种风险预警对储能行业的发展至关重要。

技术实现思路

1、针对上述缺陷，本发明提供了一种电池大模型云平台预警方法及系统，基于小包变换及注意力机制的深度学习模型进行特征的分解和提取，同时提出电压-温度-热成像仪-烟雾传感器等联合报警，提高了热失控的诊断精度和鲁棒性。

2、技术方案如下：

3、一种电池大模型云平台预警方法包括以下步骤，

4、步骤1，在电池包上布置采集点，在储能柜布置热成像摄像头，以采集电池包的实时数据；

5、步骤2，将一组数据点划分为具有相似性质的不同组或聚类；

6、步骤3，基于小波变换将信号分解为不同尺度，包括瞬态特征和局部细节特征，并将特征值输入注意力机制的深度学习模型，进行浅层特征提取、深层特征提取和数据重建，其中，将提取的浅层特征输入到多个注意力残差块中进行深度耦合特征提取，考虑到浅层信息的丢失，引入了全局跳转连接，最后通过卷积计算重建电池电压和温度的预测tfr，并根据小波逆变换重构时域模型，得到预测的电压和温度数据；

7、步骤4，基于预测的电压和温度数据，比较是否超出安全值，若超出则进行热失控报警。

8、作为优选，步骤1中，基于采集点采集电池的电压数据、电流数据、温度数据，基于热成像摄像头采集热成像数据，同时，在储能柜内布置烟雾传感器和气体传感器，分别采集烟雾颗粒数据和气体浓度数据。

9、作为优选，基于电池的电压、电流、温度的实时数据，根据其响应曲线的趋势进行分类，将具有类似趋势的划分为同一组；基于热成像的图像，根据成像的像素点和形状进行分类，将具有类似像素点、类似形状的划分为同一组；基于烟雾传感器和气体传感器，基于检测到的烟雾颗粒、气体浓度大小进行分类，将一定区间内的烟雾颗粒的划分同一组、将一定增长速率区间之间的气体浓度划分为同一组。

10、作为优选，注意力机制的深度学习模型，输入为电流i、电压v、温度t以及图像的时频表示，进行多重卷积进行浅层特征提取，即将上一层卷积的结果作为下一层卷积的输入，逐级提取；将最后一级浅层特征提取的输出作为深层特征提取的输入，基于注意力残差模块逐级进行多注意力的深层特征提取，最后一级深层特征提取的输出与浅层提取的输出融合后输出电压v和时间t的预测。

11、作为优选，多注意的深层特征提取为：将输入fin分别输入本身采集注意力模块、空间注意力模块和像素注意力模块；本身采集注意力模块的输入和输出乘积融合为hca，hca输入像素注意力模块，像素注意力模块的输入和输出乘积融合为hcpa；空间注意力模块包括第一层并行的三卷积通道，第一通道的卷积结果与第二通道的卷积结果连接后作为第二层卷积的输入，第三通道的卷积结果与第二层卷积的输出连接后再经过一次卷积，输出hsa；hcpa和hsa乘积融合为hma，hma与输入fin加法融合后输出多注意力提取的结果fout1；像素注意力模块对图像进行注意力提取输出fout2，fout2与fout1输入transform模型，在模态上融合后输出fout。

12、作为优选，全局跳转连接为，将所述浅层特征提取的第一级卷积结果跳转至所述深层特征提取的最后一级卷积结果，进行加法融合。

13、作为优选，步骤4中，构建电压-温度-热成像-烟雾传感器联合报警，具体的，步骤4.1，对关键参数进行判断，若判断关键参数迫近阈值，则表明有瞬发故障隐患，此时系统告警，进行电-热调节并进入步骤4.2，否则返回步骤1；步骤4.2，对表观参数进行判断，若判断表观参数达到阈值，则表明有轻微瞬发故障，此时进行告警、停机，再次进行电-热调节，并进入步骤4.3，否则返回步骤1；步骤4.3，再次对表观参数进行判断，若依然判断表观参数达到阈值，则系统告警进行并隔离托管，联系维修人员进行维护，同时结合烟雾传感器的数据，判断所述烟雾信号是否有效，若有效则开启消防系统。

14、作为优选，烟雾信号有效为综合判断烟雾增长速率及持续时间，在一定持续时间内烟雾增长速率超过预设阈值则判定为有效。

15、作为优选，电-热调节包括电调节和热调节，电调节：基于电池系统的电特性进行快充-慢充调节、降低电流倍率调节；热调节：调节电池包冷却水流速。

16、本发明的有益效果是：

17、(1)本发明公开的电池大模型云平台预警方法及系统采集多模态数据，可以借助多个相关因素对未来趋势进行预测，信息更全面、更具实用性，且不同维度信号可以相互校正；

18、(2)本发明公开的电池大模型云平台预警方法及系统基于小包变换及注意力机制的深度学习模型进行特征的分解和提取，小波变换可以有效地分析非稳态信号，对电流电压在时域上进行分解，提取信号中的特征信息，并具有局部化特性，能够更好地捕捉信号的细节；

19、注意力机制网络通过引入可学习的权重参数，使得深度学习模型能够针对输入数据的不同部分分配不同的注意力，为模型提供了更强的灵活性和感知能力，能够更好地处理复杂的任务和提升性能；

20、(3)本发明公开的电池大模型云平台预警方法及系统提出了电压-温度-热成像仪-烟雾传感器等联合报警，提高了热失控的诊断精度和鲁棒性。

技术特征：

1.一种电池大模型云平台预警方法，其特征在于，包括以下步骤，

2.根据权利要求1所述的电池大模型云平台预警方法，其特征在于，步骤1中，基于采集点采集电池的电压数据、电流数据、温度数据，基于热成像摄像头采集热成像数据，同时，在储能柜内布置烟雾传感器和气体传感器，分别采集烟雾颗粒数据和气体浓度数据。

3.根据权利要求2所述的电池大模型云平台预警方法，其特征在于，步骤2中，所述划分具体为：基于电池的电压、电流、温度的实时数据，根据其响应曲线的趋势进行分类；基于热成像的图像，根据成像的像素点和形状进行分类；基于烟雾传感器和气体传感器，基于检测到的烟雾颗粒、气体浓度大小进行分类。

4.根据权利要求1所述的电池大模型云平台预警方法，其特征在于，所述注意力机制的深度学习模型，输入为电流i、电压v、温度t以及图像的时频表示，进行多重卷积进行浅层特征提取，即将上一层卷积的结果作为下一层卷积的输入，逐级提取；将最后一级浅层特征提取的输出作为深层特征提取的输入，基于注意力残差模块逐级进行多注意力的深层特征提取，最后一级深层特征提取的输出与浅层提取的输出融合后输出电压v和时间t的预测。

5.根据权利要求4所述的电池大模型云平台预警方法，其特征在于，所述多注意的深层特征提取为：将输入fin分别输入本身采集注意力模块、空间注意力模块和像素注意力模块；本身采集注意力模块的输入和输出乘积融合为hca，hca输入像素注意力模块，像素注意力模块的输入和输出乘积融合为hcpa；

6.根据权利要求1或4所述的电池大模型云平台预警方法，其特征在于，所述全局跳转连接为，将所述浅层特征提取的第一级卷积结果跳转至所述深层特征提取的最后一级卷积结果，进行加法融合。

7.根据权利要求2所述的电池大模型云平台预警方法，其特征在于，步骤4中，构建电压-温度-热成像-烟雾传感器联合报警，具体的，

8.根据权利要求7所述的电池大模型云平台预警方法，所述烟雾信号有效为综合判断烟雾增长速率及持续时间，在一定持续时间内烟雾增长速率超过预设阈值则判定为有效。

9.根据权利要求7所述的电池大模型云平台预警方法，其特征在于，所述电-热调节包括电调节和热调节，电调节：基于电池系统的电特性进行快充-慢充调节、降低电流倍率调节；

10.一种电池大模型云平台预警系统，其特征在于，包括：

技术总结
本发明公开了一种电池大模型云平台预警方法及系统，方法包括步骤1，采集电池包的实时数据；步骤2，将一组数据点划分为具有相似性质的不同聚类；步骤3，基于小波变换将信号分解为瞬态和局部特征，并将特征值输入注意力机制的深度学习模型，进行浅层、深层特征提取、和数据重建，其中，将提取的浅层特征输入到注意力残差块进行深度耦合特征提取，最后通过卷积重建电池电压和温度的预测TFR，根据小波逆变换重构时域模型，得到预测电压和温度数据；步骤4，基于预测数据进行热失控报警。本发明基于小包变换及注意力机制的深度学习模型进行特征的分解和提取，同时提出电压‑温度‑热成像仪‑烟雾传感器等联合报警，提高了热失控的诊断精度和鲁棒性。

技术研发人员：龙宇舟,刘进程,吴纶贤,魏名浩,罗俊,卢峰,吴璞渊,徐玉,王世豪,方向阳
受保护的技术使用者：江苏领储宇能科技有限公司
技术研发日：
技术公布日：2024/3/4