本發(fā)明涉及儲能電池安全監(jiān)測，具體為基于智能算法的分布式電化學(xué)儲能火災(zāi)報警系統(tǒng)。

背景技術(shù)：

1、隨著新能源發(fā)電與電網(wǎng)調(diào)度協(xié)同程度的日益提升，電化學(xué)儲能電站在削峰填谷、應(yīng)急供電等方面扮演著關(guān)鍵角色。此類儲能設(shè)施通常包含大規(guī)模的電池模組陣列，覆蓋多種化學(xué)體系（如鋰離子、鈉硫、全釩液流等），并配備復(fù)雜的能量管理系統(tǒng)以應(yīng)對高并發(fā)充放電要求。在長期運行環(huán)境下，不僅需要保障各級功率平衡與調(diào)度效率，更需應(yīng)對溫度、濕度及負(fù)載驟變等多重外部因素的干擾。由于儲能電站多處于常年不停機(jī)狀態(tài)，單體電池若存在輕微的制造缺陷或在運行中出現(xiàn)局部材料老化，都可能誘發(fā)不可預(yù)測的微短路或劣化反應(yīng)，并在蓄熱與疊加效應(yīng)下逐漸演變成熱失控。倘若隱患積累而無法及時檢測，即使日常監(jiān)控保持在標(biāo)稱范圍內(nèi)，也有可能在某個時刻突然爆發(fā)，引發(fā)火災(zāi)、爆炸甚至全站癱瘓，給電網(wǎng)安全與財產(chǎn)安全造成巨大損失。因此，如何在早期階段便捕捉電池內(nèi)部的細(xì)微異常信號，并及時對可能的故障態(tài)勢做出前瞻性干預(yù)，已成為儲能系統(tǒng)運維領(lǐng)域的核心訴求。

2、現(xiàn)有儲能電站多依賴基本的電池管理系統(tǒng)（bms）進(jìn)行閾值式報警，僅能在電壓、溫度等參數(shù)的明顯偏離時做出提示，難以及時捕捉更隱蔽的潛伏性故障。當(dāng)單個模組的內(nèi)短路或材料劣化尚處早期時，參數(shù)變化往往呈現(xiàn)微小而不顯著的分布，傳統(tǒng)方法極易忽略這類“小波動信號”；同時，實際工況下故障數(shù)據(jù)的采集成本很高，導(dǎo)致模型訓(xùn)練樣本有限，對早期故障征兆的提取與識別精度受到限制。此外，雖然已有少數(shù)研發(fā)團(tuán)隊嘗試整合多源傳感器信息（例如電壓、溫度、氣體成分等），但缺乏統(tǒng)一的多模態(tài)融合與深度分析手段，難以形成對故障機(jī)制的完整刻畫；而跨系統(tǒng)聯(lián)動（如消防設(shè)備、溫控單元、能源管理系統(tǒng)）的配合機(jī)制亦未能系統(tǒng)化，往往僅在事故發(fā)生后進(jìn)行被動的事后補救。

3、綜上所述，如何在容量巨大、工況復(fù)雜的大型儲能環(huán)境下，通過更靈敏的異常識別算法與更高效的聯(lián)動干預(yù)模式，實現(xiàn)對潛在熱失控的早期預(yù)警與主動防控，構(gòu)成了目前行業(yè)亟需解決的技術(shù)難題。

技術(shù)實現(xiàn)思路

1、（一）解決的技術(shù)問題

2、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了基于智能算法的分布式電化學(xué)儲能火災(zāi)報警系統(tǒng)，針對大型儲能電站內(nèi)電池早期熱失控風(fēng)險，經(jīng)實時同步采樣與噪聲過濾生成高質(zhì)量數(shù)據(jù)流，應(yīng)用多維度特征構(gòu)造突出內(nèi)短路或材料劣化等微弱故障征兆，利用深度學(xué)習(xí)模型精準(zhǔn)識別并輸出預(yù)警，再與bms、ems及消防系統(tǒng)協(xié)同降載、隔離及溫控措施，在仿真環(huán)境引入進(jìn)化算法或強(qiáng)化學(xué)習(xí)持續(xù)迭代干預(yù)策略，達(dá)成對多場景復(fù)雜工況下潛伏風(fēng)險的高靈敏捕捉與快速抑制，可顯著降低漏報與誤報率，解決了背景技術(shù)中記載的技術(shù)問題。

3、（二）技術(shù)方案

4、為實現(xiàn)以上目的，本發(fā)明通過以下技術(shù)方案予以實現(xiàn)：基于智能算法的分布式電化學(xué)儲能火災(zāi)報警系統(tǒng)，包括，將多源傳感器輸出進(jìn)行在線濾波、差分插值與缺失補償，剔除隨機(jī)噪聲及嚴(yán)重誤差點，生成刻畫電池運行狀態(tài)的高質(zhì)量數(shù)據(jù)流；

5、針對多源信號維度執(zhí)行多尺度小波能量分析及向量化融合，使各自隱藏特征被凸顯，并以多模態(tài)特征向量的形式輸出；

6、當(dāng)多模態(tài)特征向量進(jìn)入熱失控異常檢測模型訓(xùn)練與異常檢測，利用有限故障樣本及正常樣本來調(diào)整雙向lstm與注意力權(quán)重，在在線階段對每一時刻計算異常評分，若其超出動態(tài)閾值則即時輸出風(fēng)險預(yù)警信號；

7、若風(fēng)險預(yù)警信號被觸發(fā)，對bms、ems及消防系統(tǒng)下達(dá)降載、隔離和溫控命令，通過預(yù)先設(shè)定的指令接口聯(lián)動抑爆或預(yù)充壓措施，并回傳干預(yù)數(shù)據(jù)更新熱失控異常檢測模型的閾值基線；

8、完成預(yù)定義干預(yù)并在仿真環(huán)境中啟動多輪策略優(yōu)化后，使用遺傳算法對干預(yù)動作參數(shù)進(jìn)行交互試錯并評估其對安全裕度與停機(jī)代價的綜合影響，持續(xù)迭代后生成更優(yōu)干預(yù)策略。

9、進(jìn)一步的，在儲能電站內(nèi)部署多種類型的傳感器，以固定時間間隔同步讀取多源傳感器信號后形成多源信號集；對多源信號集進(jìn)行實時濾波并進(jìn)行插值后，對濾波及補償后的所有信號進(jìn)行同周期重構(gòu)，獲得預(yù)處理后數(shù)據(jù)流。

10、進(jìn)一步的，獲取各傳感器輸出的預(yù)處理信號后，采用基于小波能量分布與局部趨勢分析相結(jié)合的特征構(gòu)建方式，為每個傳感器在離散時刻上的預(yù)處理信號定義健康因子。

11、進(jìn)一步的，對同一傳感器在不同時刻上的健康因子進(jìn)行歸集得到一維健康因子序列，當(dāng)遍歷所有傳感器后得到多維健康因子集，使用健康因子序列在每個時刻通過融合運算函數(shù)得到多模態(tài)特征向量。

12、進(jìn)一步的，利用多模態(tài)特征向量及其對應(yīng)的時間標(biāo)簽，在訓(xùn)練階段組織為訓(xùn)練集；

13、引入雙向循環(huán)網(wǎng)絡(luò)與自注意力機(jī)制的混合框架，先用雙向長短期記憶網(wǎng)絡(luò)對輸入序列進(jìn)行上下文編碼，在得到隱藏表征后使用注意力模塊，計算注意力權(quán)值以突出序列中的關(guān)鍵時刻，輸出時序特征向量；

14、通過隨機(jī)梯度下降或自適應(yīng)優(yōu)化算法迭代更新參數(shù)集合，直至在驗證集上收斂或達(dá)到指定指標(biāo)，得到可用于在線檢測的訓(xùn)練完成的熱失控異常檢測模型。

15、進(jìn)一步的，在在線階段實時接收多模態(tài)特征向量后，將多模態(tài)特征向量輸入至訓(xùn)練后的熱失控異常檢測模型，通過與離線訓(xùn)練相同的網(wǎng)絡(luò)結(jié)構(gòu)計算得到聚合向量，并輸出異常評分；

16、若異常評分不小于對應(yīng)的動態(tài)閾值，則判定為存在潛在熱失控風(fēng)險，立即輸出預(yù)警信號；若預(yù)警信號觸發(fā)則執(zhí)行相應(yīng)的干預(yù)措施，在線檢測所產(chǎn)生的判定結(jié)果實時反饋回?zé)崾Э禺惓z測模型。

17、進(jìn)一步的，接收異常評分與動態(tài)閾值，并根據(jù)兩者的相對關(guān)系判定風(fēng)險發(fā)生程度，其中，根據(jù)風(fēng)險等級函數(shù)的返回值，與bms、ems、消防系統(tǒng)建立聯(lián)動接口：在中度風(fēng)險時，向bms提交狀態(tài)監(jiān)控強(qiáng)化指令，在高危風(fēng)險時，同時發(fā)送緊急干預(yù)指令給bms、ems和消防系統(tǒng)。

18、進(jìn)一步的，在獲取風(fēng)險等級判定結(jié)果后結(jié)合bms和ems的當(dāng)前運行狀態(tài)信息；

19、基于風(fēng)險等級給出分級執(zhí)行方案，各子系統(tǒng)需將執(zhí)行狀態(tài)實時上報至跨系統(tǒng)聯(lián)動控制單元。

20、進(jìn)一步的，在中度風(fēng)險時，指示bms對可疑電池模組進(jìn)行降載或隔離操作，通知ems在調(diào)度層面完成負(fù)荷轉(zhuǎn)移或削峰，將消防系統(tǒng)置于待命模式；

21、在高危風(fēng)險時，將對應(yīng)的可疑電池模組從主回路中完全切離，或采用極限降載方式聯(lián)動溫控單元并執(zhí)行快速降溫操作，啟動消防系統(tǒng)預(yù)先充壓滅火介質(zhì)或抑爆裝置。

22、進(jìn)一步的，采集各系統(tǒng)執(zhí)行后的過程數(shù)據(jù)及執(zhí)行狀態(tài)數(shù)據(jù)，干預(yù)后新產(chǎn)生的傳感數(shù)據(jù)與工況信息，并與異常評分記錄進(jìn)行綜合分析，形成新的訓(xùn)練或校驗數(shù)據(jù)集；在空閑階段，對熱失控異常檢測模型的參數(shù)或動態(tài)閾值進(jìn)行小規(guī)模增量更新。

23、進(jìn)一步的，沿用安全干預(yù)動作，并收集異常評分或故障概率信息后，在數(shù)字孿生平臺中構(gòu)建仿真環(huán)境，模擬電池內(nèi)部故障的演變過程以及執(zhí)行不同干預(yù)動作所帶來的狀態(tài)變化；

24、通過在仿真環(huán)境中運行干預(yù)方案，記錄對應(yīng)的故障演變曲線與運行代價，獲得用于后續(xù)優(yōu)化算法訓(xùn)練的多樣化試驗數(shù)據(jù)集。

25、進(jìn)一步的，在仿真環(huán)境中將干預(yù)動作抽象為多維策略向量，在多輪試錯中搜索最優(yōu)干預(yù)方案，并最大化目標(biāo)函數(shù)以兼顧安全性與成本控制，其中，

26、可采用遺傳算法將干預(yù)策略向量視為個體染色體，循環(huán)執(zhí)行選擇交叉、變異操作，在目標(biāo)函數(shù)的指引下進(jìn)化出更優(yōu)的干預(yù)方案。

27、進(jìn)一步的，當(dāng)遺傳算法在仿真環(huán)境達(dá)到收斂或找到最優(yōu)或次優(yōu)干預(yù)方案后，將輸出的最優(yōu)策略向量部署到真實儲能系統(tǒng)，在真實運行中，若風(fēng)險等級高，則優(yōu)先調(diào)用自適應(yīng)策略，動態(tài)生成或修正干預(yù)動作，并通過bms、ems及消防系統(tǒng)執(zhí)行；

28、在部署后，實時監(jiān)測干預(yù)過程中的安全性指標(biāo)和運行代價指標(biāo)是否與仿真時一致，并將差異數(shù)據(jù)再次回流到算法微調(diào)環(huán)節(jié)。

29、（三）有益效果

30、本發(fā)明提供了基于智能算法的分布式電化學(xué)儲能火災(zāi)報警系統(tǒng)，具備以下有益效果：

31、在大型儲能電站中構(gòu)建了從多源數(shù)據(jù)采集到主動安全干預(yù)的完整技術(shù)方案，可以在早期準(zhǔn)確識別潛在熱失控隱患并迅速采取有效措施，具體有益效果如下：

32、用高速同步采樣與在線濾波機(jī)制，全面獲取并預(yù)處理來自電壓、溫度、氣體等多路傳感器的信號，借助缺失補償和異常易除操作形成高質(zhì)量數(shù)據(jù)流，為后續(xù)分析奠定了穩(wěn)定可靠的基礎(chǔ)；

33、依托多維度特征構(gòu)造算法，將預(yù)處理后數(shù)據(jù)轉(zhuǎn)換為能高效表征內(nèi)短路或材料劣化跡象的關(guān)鍵健康因子，并通過統(tǒng)一的多模態(tài)特征向量將不同傳感器信息相互印證，提升了對早期微弱故障征兆的敏感度；

34、深度模型結(jié)合雙向lstm與注意力機(jī)制，既能充分挖掘序列數(shù)據(jù)的上下文依賴，又可對關(guān)鍵時刻進(jìn)行聚焦，并通過異常評分或故障概率量化隱患級別；當(dāng)異常評分超過動態(tài)閾值時，即時輸出預(yù)警信號，可以大大降低熱失控在萌芽期被忽視的概率；

35、借助跨系統(tǒng)聯(lián)動，通過bms（電池管理系統(tǒng)）與ems（能源管理系統(tǒng)）協(xié)同執(zhí)行降載、隔離以及溫控與消防系統(tǒng)的主動干預(yù)策略，以最短路徑將風(fēng)險扼殺在早期，同時將干預(yù)過程數(shù)據(jù)回傳給深度模型進(jìn)行循環(huán)校正，確保檢測精度與響應(yīng)機(jī)制持續(xù)優(yōu)化；

36、通過進(jìn)化算法或強(qiáng)化學(xué)習(xí)框架，在仿真環(huán)境或安全試驗臺中多輪試錯迭代，自動探索最優(yōu)干預(yù)動作，生成具有自適應(yīng)能力的策略函數(shù)，并在驗證收斂后無縫應(yīng)用于第四步的聯(lián)動模塊，極大提高了在多場景、多約束條件下的靈活度和適應(yīng)性。

37、整體而言，將多模態(tài)特征向量、異常評分與動態(tài)閾值等技術(shù)特征緊密融合，從前期高質(zhì)量采集到后期自學(xué)習(xí)式干預(yù)都具備嚴(yán)謹(jǐn)?shù)倪壿嬨暯?，可以顯著降低漏報與誤報最大程度保護(hù)儲能設(shè)備安全，減少停機(jī)與火災(zāi)風(fēng)險，形成從早發(fā)現(xiàn)到快干預(yù)再到持續(xù)進(jìn)化的全周期安全管理閉環(huán)。