CN115671616A - 一种用于储能集装箱的消防系统、方法及存储介质 - Google Patents

一种用于储能集装箱的消防系统、方法及存储介质 Download PDF

Info

Publication number
CN115671616A
CN115671616A CN202211337143.2A CN202211337143A CN115671616A CN 115671616 A CN115671616 A CN 115671616A CN 202211337143 A CN202211337143 A CN 202211337143A CN 115671616 A CN115671616 A CN 115671616A
Authority
CN
China
Prior art keywords
prediction
period
data
model
detector module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211337143.2A
Other languages
English (en)
Other versions
CN115671616B (zh
Inventor
赖捷鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Hithium Energy Storage Technology Co Ltd
Original Assignee
Xiamen Hithium Energy Storage Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen Hithium Energy Storage Technology Co Ltd filed Critical Xiamen Hithium Energy Storage Technology Co Ltd
Priority to CN202211337143.2A priority Critical patent/CN115671616B/zh
Publication of CN115671616A publication Critical patent/CN115671616A/zh
Application granted granted Critical
Publication of CN115671616B publication Critical patent/CN115671616B/zh
Priority to PCT/CN2023/118591 priority patent/WO2024087924A1/zh
Priority to US18/384,620 priority patent/US20240139563A1/en
Priority to EP23206620.9A priority patent/EP4369469A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • A—HUMAN NECESSITIES
    • A62—LIFE-SAVING; FIRE-FIGHTING
    • A62C—FIRE-FIGHTING
    • A62C3/00—Fire prevention, containment or extinguishing specially adapted for particular objects or places
    • A62C3/06—Fire prevention, containment or extinguishing specially adapted for particular objects or places of highly inflammable material, e.g. light metals, petroleum products
    • A—HUMAN NECESSITIES
    • A62—LIFE-SAVING; FIRE-FIGHTING
    • A62C—FIRE-FIGHTING
    • A62C37/00—Control of fire-fighting equipment
    • A62C37/36—Control of fire-fighting equipment an actuating signal being generated by a sensor separate from an outlet device
    • A—HUMAN NECESSITIES
    • A62—LIFE-SAVING; FIRE-FIGHTING
    • A62C—FIRE-FIGHTING
    • A62C37/00—Control of fire-fighting equipment
    • A62C37/36—Control of fire-fighting equipment an actuating signal being generated by a sensor separate from an outlet device
    • A62C37/38—Control of fire-fighting equipment an actuating signal being generated by a sensor separate from an outlet device by both sensor and actuator, e.g. valve, being in the danger zone
    • A62C37/40—Control of fire-fighting equipment an actuating signal being generated by a sensor separate from an outlet device by both sensor and actuator, e.g. valve, being in the danger zone with electric connection between sensor and actuator
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/05—Accumulators with non-aqueous electrolyte
    • H01M10/052—Li-accumulators
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/482—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for several batteries or cells simultaneously or sequentially
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M50/00—Constructional details or processes of manufacture of the non-active parts of electrochemical cells other than fuel cells, e.g. hybrid cells
    • H01M50/10—Primary casings; Jackets or wrappings
    • H01M50/14—Primary casings; Jackets or wrappings for protecting against damage caused by external factors
    • H01M50/143—Fireproof; Explosion-proof
    • A—HUMAN NECESSITIES
    • A62—LIFE-SAVING; FIRE-FIGHTING
    • A62C—FIRE-FIGHTING
    • A62C3/00—Fire prevention, containment or extinguishing specially adapted for particular objects or places
    • A62C3/16—Fire prevention, containment or extinguishing specially adapted for particular objects or places in electrical installations, e.g. cableways
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2200/00—Safety devices for primary or secondary batteries
    • H01M2200/10—Temperature sensitive devices
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Fire Alarms (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Secondary Cells (AREA)

Abstract

本申请实施例公开了一种用于储能集装箱的消防系统、方法及存储介质，该系统包括至少一个探测器模块、数据预测装置和储能集装箱消防主机，数据预测装置分别与至少一个探测器模块和储能集装箱消防主机通讯连接。本申请实施例可以在探测器模块与储能集装箱消防主机的通讯链路异常的情况下，利用历史探测数据预测出探测器当前的探测数据，并将该探测数据发送到消防主机，以保证能够持续向消防主机提供数据，从而提升消防通讯的可靠性，能够有效避免热失控的发生。

Description

一种用于储能集装箱的消防系统、方法及存储介质
技术领域
本发明涉及储能消防技术领域，尤其涉及一种用于储能集装箱的消防系统、方法及存储介质。
背景技术
随着新能源的发展，储能技术在新能源领域得到了广泛的应用，其中，电化学储能(电池储能)的表现尤为活跃。储能消防是电池储能中需要重点关注的环节，有效的消防措施离不开消防主机与传感器之间的可靠通讯，然而传统的通讯模式中，一旦传感器通讯发生异常，常通过异常告警提示工作人员进行人工维护，由于存在处理时间延迟，使得热失控发生的可能性增加，从而带来一定的消防安全问题。
发明内容
本申请实施例提供了一种用于储能集装箱的消防系统、方法及存储介质，可以在探测器模块与储能集装箱消防主机的通讯链路异常的情况下，利用历史探测数据预测出探测器当前的探测数据，并将该探测数据发送到消防主机，以保证能够持续向消防主机提供数据，从而提升消防通讯的可靠性，能够有效避免热失控的发生。
第一方面，本申请实施例提供了一种用于储能集装箱的消防系统，该系统包括至少一个探测器模块、数据预测装置和储能集装箱消防主机，数据预测装置分别与至少一个探测器模块和储能集装箱消防主机通讯连接；
至少一个探测器模块，用于分别对储能集装箱中的多个电池簇中的每个电池簇进行温度、湿度、烟雾、可燃气体、水浸、锂离子颗粒中的一种或多种的探测，并周期性上报探测数据；
数据预测装置，用于周期性读取至少一个探测器模块发送的探测数据，并在每个周期向储能集装箱消防主机发送读取到的探测数据；
若第i个周期没有读取到探测数据，则基于第(i-k)个周期至第(i-1)个周期的实际探测数据和模型预测数据，得到预测模型对至少一个探测器模块中的每个探测器模块的周期预测误差；其中，i大于2，k大于1且小于i；
以及采用第(i-k)个周期至第(i-1)个周期的实际探测数据，通过预测模型得到第i个周期的模型预测数据；基于第i个周期的模型预测数据和周期预测误差，得到第i个周期的探测数据，并向储能集装箱消防主机发送第i个周期的探测数据；
储能集装箱消防主机，用于周期性读取数据预测装置发送的探测数据，对第(i-k)个周期至第i个周期的探测数据进行分析，以确定多个电池簇中的电池包是否存在潜在的热失控，若存在则执行预设的消防策略。
可以看出，本申请实施例中数据预测装置分别与至少一个探测器模块和储能集装箱消防主机通讯连接，在通讯链路正常的情况下，数据预测装置可以将至少一个探测器模块周期性上报的探测数据转发给储能集装箱消防主机，至少一个探测器模块与储能集装箱消防主机的原有通讯模式并不受影响。在通讯链路异常的情况下，数据预测装置可以采用当前周期的历史周期的实际探测数据，通过预测模型得到当前周期的探测数据，并将该探测数据发送到储能集装箱消防主机，以保证能够持续向储能集装箱消防主机提供数据，从而提升消防通讯的可靠性，进而在多个电池簇中的电池包存在潜在的热失控时，由储能集装箱消防主机执行消防策略，以避免热失控的发生。另外，数据预测装置可以利用历史周期的实际探测数据和模型预测数据确定预测模型对每个探测器模块的周期预测误差，利用该周期预测误差对当前周期的模型预测数据进行校正，有利于提升获取当前周期的探测数据的准确度。
在一些可能的实施方式中，在基于第(i-k)个周期至第(i-1)个周期的实际探测数据和模型预测数据，得到预测模型对至少一个探测器模块中的每个探测器模块的周期预测误差方面，数据预测装置具体用于：
基于第(i-k)个周期至第(i-1)个周期的实际探测数据和模型预测数据，得到预测模型对每个探测器模块的累计预测误差；
基于第(i-k)个周期至第(i-1)个周期读取到实际探测数据的时间，得到每个探测器模块的累计上报时间误差；
基于累计预测误差和累计上报时间误差，得到周期预测误差。
该实施方式中，数据预测装置通过第(i-k)个周期至第(i-1)个周期中的每个周期的实际探测数据和模型预测数据，可以得到预测模型对每个探测器模块的累计预测误差，通过每个周期读取到每个探测器模块的实际探测数据的时间，可以得到每个探测器模块的累计上报时间误差，从而计算得到预测模型对每个探测器模块的周期预测误差，进而利用该周期预测误差对预测模型的预测数据进行校正。
在一些可能的实施方式中，在基于第(i-k)个周期至第(i-1)个周期的实际探测数据和模型预测数据，得到预测模型对每个探测器模块的累计预测误差方面，数据预测装置具体用于：
根据每个探测器模块在第(i-k)个周期至第(i-1)个周期中的每个周期的实际探测数据和模型预测数据，得到预测模型对每个探测器模块在第(i-k)个周期至第(i-1)个周期中的每个周期的预测误差；
根据每个探测器模块在第(i-k)个周期至第(i-1)个周期中的每个周期的预测误差，得到累计预测误差。
该实施方式中，数据预测装置通过第(i-k)个周期至第(i-1)个周期中的每个周期的实际探测数据和模型预测数据计算出预测模型对每个探测器模块的累计预测误差，有利于后续得到预测模型对每个探测器模块的单位时间预测误差，从而利用该单位时间预测误差对预测模型的预测值进行校正，以提升数据预测装置在第i个周期上报的探测数据的精度。
在一些可能的实施方式中，在基于第(i-k)个周期至第(i-1)个周期读取到实际探测数据的时间，得到每个探测器模块的累计上报时间误差方面，数据预测装置具体用于：
对于第(i-k)个周期至第(i-1)个周期中每相邻的两个周期，基于读取到每相邻的两个周期的实际探测数据的时间，得到每个探测器模块在每相邻的两个周期的上报时间误差；
根据每个探测器模块在每相邻的两个周期的上报时间误差，得到累计上报时间误差；
在基于累计预测误差和累计上报时间误差，得到周期预测误差方面，数据预测装置具体用于：
采用累计预测误差和累计上报时间误差，计算得到预测模型对每个探测器模块的单位时间预测误差；
基于单位时间预测误差和预先设定的周期间隔时长，得到周期预测误差。
该实施方式中，数据预测装置基于读取到每相邻的两个周期的实际探测数据的时间，得到每个探测器模块在每相邻的两个周期的上报时间误差，然后计算出每个探测器模块在第(i-k)个周期至第(i-1)个周期的累计上报时间误差，有利于后续利用该累计上报时间误差和上述累计预测误差得到预测模型对每个探测器模块的单位时间预测误差，从而利用该单位时间预测误差和周期间隔时长得到预测模型对每个探测器模块在第i个周期的周期预测误差，进而采用该周期预测误差对后续的模型预测数据进行校正。
在一些可能的实施方式中，数据预测装置还用于：
采用每个周期的多个历史周期的实际探测数据，通过预测模型得到每个周期的模型预测数据，并在每个周期向储能集装箱消防主机发送该周期的模型预测数据和预测模型的版本号，版本号为储能集装箱消防主机在训练好预测模型时，与预测模型一起发送给数据预测装置的。
该实施方式中，数据预测装置在每个周期，均采用该周期的历史周期的实际探测数通过预测模型得到该周期的模型预测数据，有利于利用模型预测数据分析预测误差，以及有利于储能集装箱消防主机在每个周期利用模型预测数据和版本号对预测模型的权重参数、偏置参数等进行更新，以提升预测模型在下一个周期的预测精度。
在一些可能的实施方式中，储能集装箱消防主机还用于：
周期性读取数据预测装置发送的模型预测数据和版本号；
基于版本号从存储的多个预测模型中确定出目标预测模型；
基于每个周期的模型预测数据和实际探测数据，得到目标预测模型的平均绝对误差损失；
基于每个周期的周期预测误差，得到目标预测模型的均方误差损失；
根据平均绝对误差损失和均方误差损失对目标预测模型进行调整，得到更新后的预测模型，并生成更新后的预测模型的更新后的版本号；
向数据预测装置发送更新后的预测模型和更新后的版本号。
该实施方式中，储能集装箱消防主机利用每个周期的模型预测数据和实际探测数据获取预测模型的损失，以对预测模型进行更新，并将更新后的预测模型下发给数据预测装置，以提升数据预测装置在读取不到探测数据时，利用预测模型得到探测数据的准确度。另外，将预测模型的更新放在储能集装箱消防主机一端，有利于减少数据预测装置的负载，降低数据预测装置的损耗。
在一些可能的实施方式中，数据预测装置还用于：
接收储能集装箱消防主机发送的更新后的预测模型和更新后的版本号；
采用更新后的预测模型替换掉预测模型，并记录更新后的预测模型与更新后的版本号的关联关系。
该实施方式中，数据预测装置在每个周期用更新后的预测模型替换掉预测模型，有利于在读取不到探测数据时，利用更新后的预测模型得到探测数据，以提升预测精度。
在一些可能的实施方式中，数据预测装置还用于：
若至少一个探测器模块中存在累计预测误差大于或等于预测误差阈值的目标探测器模块，则向储能集装箱消防主机发送重置请求，重置请求中包括目标探测器模块的设备标识，重置请求用于请求储能集装箱消防主机基于设备标识对目标探测器模块进行重置。
第二方面，本申请实施例提供了一种用于储能集装箱的消防方法，应用于消防系统，该消防系统包括至少一个探测器模块、数据预测装置和储能集装箱消防主机，数据预测装置分别与至少一个探测器模块和储能集装箱消防主机通讯连接；该方法包括：
至少一个探测器模块分别对储能集装箱中的多个电池簇中的每个电池簇进行温度、湿度、烟雾、可燃气体、水浸、锂离子颗粒中的一种或多种的探测，并周期性上报探测数据；
数据预测装置周期性读取至少一个探测器模块发送的探测数据，并在每个周期向储能集装箱消防主机发送读取到的探测数据；
若第i个周期没有读取到探测数据，则基于第(i-k)个周期至第(i-1)个周期的实际探测数据和模型预测数据，得到预测模型对至少一个探测器模块中的每个探测器模块的周期预测误差；其中，i大于2，k大于1且小于i；
以及采用第(i-k)个周期至第(i-1)个周期的实际探测数据，通过预测模型得到第i个周期的模型预测数据；基于第i个周期的模型预测数据和周期预测误差，得到第i个周期的探测数据，并向储能集装箱消防主机发送第i个周期的探测数据；
储能集装箱消防主机周期性读取数据预测装置发送的探测数据，对第(i-k)个周期至第i个周期的探测数据进行分析，以确定多个电池簇中的电池包是否存在潜在的热失控，若存在则执行预设的消防策略。
在一些可能的实施方式中，基于第(i-k)个周期至第(i-1)个周期的实际探测数据和模型预测数据，得到预测模型对至少一个探测器模块中的每个探测器模块的周期预测误差，包括：
基于第(i-k)个周期至第(i-1)个周期的实际探测数据和模型预测数据，得到预测模型对每个探测器模块的累计预测误差；
基于第(i-k)个周期至第(i-1)个周期读取到实际探测数据的时间，得到每个探测器模块的累计上报时间误差；
基于累计预测误差和累计上报时间误差，得到周期预测误差。
在一些可能的实施方式中，基于第(i-k)个周期至第(i-1)个周期的实际探测数据和模型预测数据，得到预测模型对每个探测器模块的累计预测误差，包括：
根据每个探测器模块在第(i-k)个周期至第(i-1)个周期中的每个周期的实际探测数据和模型预测数据，得到预测模型对每个探测器模块在第(i-k)个周期至第(i-1)个周期中的每个周期的预测误差；
根据每个探测器模块在第(i-k)个周期至第(i-1)个周期中的每个周期的预测误差，得到累计预测误差。
在一些可能的实施方式中，基于第(i-k)个周期至第(i-1)个周期读取到实际探测数据的时间，得到每个探测器模块的累计上报时间误差，包括：
对于第(i-k)个周期至第(i-1)个周期中每相邻的两个周期，基于读取到每相邻的两个周期的实际探测数据的时间，得到每个探测器模块在每相邻的两个周期的上报时间误差；
根据每个探测器模块在每相邻的两个周期的上报时间误差，得到累计上报时间误差；
基于累计预测误差和累计上报时间误差，得到周期预测误差，包括：
采用累计预测误差和累计上报时间误差，计算得到预测模型对每个探测器模块的单位时间预测误差；
基于单位时间预测误差和预先设定的周期间隔时长，得到周期预测误差。
在一些可能的实施方式中，该方法还包括：
数据预测装置采用每个周期的多个历史周期的实际探测数据，通过所述预测模型得到每个周期的模型预测数据，并在每个周期向所述储能集装箱消防主机发送该周期的模型预测数据和所述预测模型的版本号，版本号为储能集装箱消防主机在训练好预测模型时，与预测模型一起发送给数据预测装置的。
在一些可能的实施方式中，该方法还包括：
储能集装箱消防主机周期性读取数据预测装置发送的模型预测数据和版本号；
储能集装箱消防主机基于版本号从存储的多个预测模型中确定出目标预测模型；
储能集装箱消防主机基于每个周期的模型预测数据和实际探测数据，得到目标预测模型的平均绝对误差损失；
储能集装箱消防主机基于每个周期的周期预测误差，得到目标预测模型的均方误差损失；
储能集装箱消防主机根据平均绝对误差损失和均方误差损失对目标预测模型进行调整，得到更新后的预测模型，并生成更新后的预测模型的更新后的版本号；
储能集装箱消防主机向数据预测装置发送更新后的预测模型和更新后的版本号。
在一些可能的实施方式中，该方法还包括：
数据预测装置接收储能集装箱消防主机发送的更新后的预测模型和更新后的版本号；
数据预测装置采用更新后的预测模型替换掉预测模型，并记录更新后的预测模型与更新后的版本号的关联关系。
在一些可能的实施方式中，该方法还包括：
数据预测装置若所述至少一个探测器模块中存在所述累计预测误差大于或等于预测误差阈值的目标探测器模块，则向所述储能集装箱消防主机发送重置请求，所述重置请求中包括所述目标探测器模块的设备标识，所述重置请求用于请求所述储能集装箱消防主机基于所述设备标识对所述目标探测器模块进行重置。
需要说明的是，第二方面是上述第一方面对应的方法，具体的实现细节以及有益效果请参见上述第一方面。
第三方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有用于设备执行的计算机程序，计算机程序被执行时实现上述第二方面任意一个实施例中的方法。
第四方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品被设备运行，使得设备执行上述第二方面任意一个实施例中的方法。
附图说明
为了更清楚地说明本发明实施例或背景技术中的技术方案，下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
图1为一种相关技术提出的电池储能中的消防通讯示意图；
图2A为本申请实施例提供的一种用于储能集装箱的消防系统的示意图；
图2B为本申请实施例提供的一种电池簇中管路连接的示意图；
图3为本申请实施例提供的一种数据预测装置中的预测模型的示意图；
图4为本申请实施例提供的一种拟合的温度曲线的示意图；
图5为本申请实施例提供的一种用于储能集装箱的消防方法的流程示意图。
具体实施方式
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在本说明书中使用的术语“部件”、“模块”、“系统”等用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件、或执行中的软件。例如，部件可以是但不限于，在处理器上运行的进程、处理器、对象、可执行文件、执行线程、程序和/或计算机。通过图示，在终端设备上运行的应用和终端设备都可以是部件。一个或多个部件可驻留在进程和/或执行线程中，部件可位于一个计算机上和/或分布在2个或更多个计算机之间。此外，这些部件可从在上面存储有各种数据结构的各种计算机可读介质执行。部件可例如根据具有一个或多个数据分组(例如来自与本地系统、分布式系统和/或网络间的另一部件交互的二个部件的数据，例如通过信号与其它系统交互的互联网)的信号通过本地和/或远程进程来通信。
为了便于理解本申请实施例，进一步分析并提出本申请所具体要解决的技术问题，下面对本申请的相关技术方案进行简要介绍。
请参见图1，图1为一种相关技术提出的电池储能中的消防通讯示意图，如图1所示，相关技术中消防主机直连传感器，消防主机周期性间隔读取传感器采集的数据，并对该数据进行分析，以确定是否需要采取消防措施，即消防主机在每个周期均需读取到传感器采集的数据，以作为动作依据。应理解，通讯链路异常是通讯领域中常见的问题，若消防主机与传感器之间的通讯链路发生异常，则消防主机将读取数据失败，此时就会触发通信链路异常告警，需要维修人员进行链路维护。在读取不到传感器采集的数据的情况下，消防主机无法得知储能集装箱中电池包的情况，也就不会有任何动作，若通讯链路异常发生在电池包温度急剧上升阶段，消防主机未采取任何消防措施，维修人员也需要一段时间后才能到达维修地点进行维修，而电池包可能已经发生热失控。
综合相关技术的缺陷和不足，本申请实施例所要解决的技术问题主要如下：如何保证消防主机能够持续读取到数据，以在电池包温度急剧上升阶段采取相应的消防策略，避免锂电池热失控的发生。
基于上述技术问题，请参见图2A，图2A为本申请实施例提供的一种用于储能集装箱的消防系统的示意图，如图2A所示，该消防系统200至少包括储能集装箱中的多个电池簇210、至少一个探测器模块220、数据预测装置230和储能集装箱消防主机240，至少一个探测器模块220与多个电池簇210一一对应，每个探测器模块220安装于电池簇210顶部。其中，每个探测器模块220可以是包括独立的温度传感器、气体传感器、烟雾传感器等的传感器组，也可以是一个能够探测全部参数的复合型传感器(温度、湿度、烟雾、可燃气体、水浸、锂离子颗粒)；也可以是两个不同探测类型的第一复合型探测器(温度、湿度)、第二复合型探测器(烟雾、可燃气体)等的组合。数据预测装置230分别与至少一个探测器模块220和储能集装箱消防主机240通讯连接。其中，数据预测装置230可以黑盒的方式嵌入到至少一个探测器模块220和储能集装箱消防主机240的通讯链路上，黑盒即指黑箱，指一个只知道输入输出关系而不知道内部结构的系统或设备，至少一个探测器模块220只知道自己是在周期性发送探测数据，而不知道通讯链路上还有数据预测装置230的存在，也就是说在通讯正常的情况下，至少一个探测器模块220与储能集装箱消防主机240原有的通讯模式并不受影响。每个电池簇210中存储有相同数量的电池包，每个电池包设置有内置式喷头，如图2B所示，探测器模块220连接有外径12毫米的二级管路，外径8毫米的三级管路的一端与二级管路连接，另一端与电池包连接。
至少一个探测器模块220，用于分别对储能集装箱中的多个电池簇210中的每个电池簇210进行温度、湿度、烟雾、可燃气体、水浸、锂离子颗粒中的一种或多种的探测，并周期性上报探测数据。示例性，每个探测器模块220的探测数据可以以向量X表示，X＝[x1,x2,x3,x4,x5,x6]，其中，x1表示温度数据，x2表示湿度数据，x3表示烟雾浓度数据，x4表示可燃气体数据，x5表示水浸数据，x6表示锂离子颗粒数据。
数据预测装置230，用于周期性读取至少一个探测器模块220发送的探测数据，并在每个周期向储能集装箱消防主机发送读取到的探测数据。并采用每个周期的多个历史周期的实际探测数据，通过预测模型得到每个周期的模型预测数据，比如：当前为第5个周期，则多个历史周期可以是第1个周期至第4个周期、也可以是第2个周期至第4个周期，等等。基于多个历史周期的实际探测数据，通过预测模型预测出第5个周期的温度、湿度、烟雾、可燃气体、水浸、锂离子颗粒数据中的一种或多种，即得到第5个周期的模型预测数据。
示例性的，如图3所示，预测模型可以是训练好的长短期记忆网络(Long ShortTerm Memory，LSTM)模型，假设当前周期有n个历史周期，则将[X1,X2,…,Xn]作为LSTM模型每个时刻的输入向量，得到每个历史周期的隐藏状态[X1’,X2’,…,Xn’]，即每个历史周期的预测值表示为：X’，对X’中的温度、湿度、烟雾、可燃气体、水浸、锂离子颗粒分别求均值，得到当前周期的模型预测数据。可选的，在输入[X1,X2,…,Xn]之前，采用Transformer编码器对[X1,X2,…,Xn]进行编码，得到一个注意力矩阵，将该注意力矩阵作为未经过训练的LSTM网络中每个门的权重矩阵[WfX,WiX,WcX,WoX]，以加快网络对于探测数据预测的学习进度。
该实施方式中，数据预测装置230在每个周期，均采用该周期的多个历史周期的实际探测数据通过预测模型得到该周期的模型预测数据，并与该周期的实际探测数据进行比对分析误差，并对预测模型进行校正处理，有利于利用模型预测数据分析预测误差，以及在每个周期对预测模型的权重参数、偏置参数等进行更新，以提升预测模型在下一个周期的预测精度。
数据预测装置230，还用于若第i个周期没有读取到探测数据，则基于第(i-k)个周期至第(i-1)个周期的实际探测数据Xj和模型预测数据Xj’，得到预测模型对至少一个探测器模块220中的每个探测器模块220的累计预测误差，其中，i大于2，k大于1且小于i，j大于等于i-k且小于等于i-1。具体的，第i个周期可以是当前周期，若第i个周期没有读取到探测数据，则数据预测装置230确定通讯链路发生了异常，则根据每个探测器模块220在第(i-k)个周期至第(i-1)个周期中的每个周期的实际探测数据和模型预测数据，得到预测模型对每个探测器模块220在第(i-k)个周期至第(i-1)个周期中的每个周期的预测误差，比如：第j个周期的预测误差为Xj’-Xj，对第(i-k)个周期至第(i-1)个周期中的每个周期的预测误差进行求和，得到预测模型对每个探测器模块220的累计预测误差：
Figure BDA0003915670950000111
该实施方式中，数据预测装置230通过第(i-k)个周期至第(i-1)个周期中的每个周期的实际探测数据和模型预测数据，计算出预测模型对每个探测器模块220的累计预测误差，有利于后续得到预测模型对每个探测器模块220的单位时间预测误差，从而利用该单位时间预测误差对预测模型的预测值进行校正，以提升数据预测装置230在第i个周期上报的探测数据的精度。
数据预测装置230，还用于基于第(i-k)个周期至第(i-1)个周期读取到实际探测数据的时间Tj，得到每个探测器模块220的累计上报时间误差。具体的，随着探测器模块220使用周期的增长，其探测精度、探测时间和上报时间(探测时间和上报时间的差距由于较小，通常可以忽略不计，即本申请实施例中上报时间也可以作为探测时间)都会存在一定误差，比如：探测器模块220的初始上报时间周期为每10秒钟上报一次，随着误差的累积，该上报时间周期可能会增加，变为每15秒钟上报一次。数据预测装置230对于第(i-k)个周期至第(i-1)个周期中每相邻的两个周期，基于读取到每相邻的两个周期的实际探测数据的时间Tj，计算得到每相邻的两个周期的时间差ΔT，则每个探测器模块220在每相邻的两个周期的上报时间误差可以表示为：ΔT-T’，其中，T’表示预设的周期间隔时长(比如：10秒、20秒等)。数据预测装置230根据每个探测器模块220在每相邻的两个周期的上报时间误差ΔT-T’，得到累计上报时间误差：
Figure BDA0003915670950000121
其中，m表示第(i-k)个周期至第(i-1)个周期的间隔数，比如：m＝1时表示第1个周期与第2个周期的间隔，m＝2时表示第2个周期与第3个周期的间隔，以此类推。
数据预测装置230，还用于基于累计预测误差和累计上报时间误差，得到预测模型对每个探测器模块220的周期预测误差。具体的，由于探测器模块220随着使用周期的增加其在每个周期的上报时间会存在一定误差，因此，数据预测装置230认为探测器模块220的上报时间误差导致了其上报的实际探测数据的误差，而每个周期的模型预测数据又需要历史周期的实际探测数据预测得到，数据预测装置230进一步认为每个周期的预测误差与实际探测数据的准确度有关，而每个周期的实际探测数据的准确度又与探测器模块220的上报时间误差有关，因此，可以采用累计预测误差和累计上报时间误差，计算得到预测模型对每个探测器模块的单位时间预测误差，其可表示为：
Figure BDA0003915670950000122
其单位为误差量/每秒。
数据预测装置230，用于基于单位时间预测误差和预先设定的周期间隔时长T’，得到周期预测误差，其可表示为：
Figure BDA0003915670950000131
其中，ERROR即表示预测模型对每个探测器模块220的周期预测误差。需要说明的是，数据预测装置230在第i个周期没有读取到探测数据，也就无法获取到第(i-1)个周期与第i个周期的时间差ΔT，从而无法计算出第i个周期的上报时间误差，因此，采用第(i-k)个周期至第(i-1)个周期的平均上报时间误差
Figure BDA0003915670950000132
作为第i个周期的上报时间误差。
该实施方式中，数据预测装置230基于读取到每相邻的两个周期的实际探测数据的时间，得到每个探测器模块220在每相邻的两个周期的上报时间误差，然后计算出每个探测器模块220在第(i-k)个周期至第(i-1)个周期的累计上报时间误差，有利于后续利用该累计上报时间误差和上述累计预测误差得到预测模型对每个探测器模块220的单位时间预测误差，从而利用该单位时间预测误差和周期间隔时长得到预测模型对每个探测器模块220在第i个周期的周期预测误差，进而采用该周期预测误差对后续的模型预测数据进行校正。
数据预测装置230，还用于采用第(i-k)个周期至第(i-1)个周期的实际探测数据，通过预测模型得到第i个周期的模型预测数据。具体的，数据预测装置230将第(i-k)个周期至第(i-1)个周期的实际探测数据整理为LSTM模型每个周期的输入向量[X1,X2,…,Xi-1]，通过LSTM模型预测出每个周期的隐藏状态[X1’,X2’,…,Xi-1’]，对i-1个X’中的温度、湿度、烟雾、可燃气体、水浸、锂离子颗粒分别求均值，得到第i个周期的模型预测数据。数据预测装置230，还用于基于第i个周期的模型预测数据Xi’和周期预测误差ERROR，得到第i个周期的探测数据Xi，并向储能集装箱消防主机发送第i个周期的探测数据Xi。其中，第i个周期的探测数据Xi可表示为：
Xi＝Xi'-ERROR；
可选的，数据预测装置230，还用于将第i个周期的探测数据Xi确定为第i个周期的实际探测数据。
储能集装箱消防主机240，用于周期性读取数据预测装置230发送的探测数据，对第(i-k)个周期至第i个周期的探测数据进行分析，，以确定多个电池簇210中的电池包是否存在潜在的热失控，若存在则执行预设的消防策略。具体的，储能集装箱消防主机240从第(i-k)个周期至第i个周期的探测数据中提取出温度数据，在以上报周期为横坐标、温度数据为纵坐标的坐标系中拟合出电池包的温度曲线，具体可如图4所示。若第i个周期前的连续多个周期的温度数据的递增值呈线性递增，且第i个周期的温度数据与热失控的特征温度Z1之间的差小于温度阈值，则储能集装箱消防主机240确定对应的电池包存在潜在的热失控。
其中，温度阈值为：
Figure BDA0003915670950000141
其中，Z1表示电池热失控的第一个特征温度，即电池自产热温度；Z2表示电池热失控的第二个特征温度，即热失控引发温度。
在执行预设的消防策略方面，储能集装箱消防主机240具体用于：当多个电池簇210中只有一个电池簇210的一个电池包存在潜在的热失控时，执行包级消防策略，即只针对该电池包执行告警、启动喷洒、隔离等一系列操作；当多个电池簇210中存在潜在的热失控的电池簇210的数量大于或等于第一阈值且小于或等于第二阈值时，执行簇级消防策略，即只针对存在潜在的热失控的簇执行告警、启动喷洒、隔离等一系列操作；当多个电池簇210中存在潜在的热失控的电池簇210的数量大于或等于第二阈值时，执行箱级消防策略，即对整个储能集装箱执行告警、启动全淹没喷洒、打开风机等一系列操作。其中，第一阈值和第二阈值可基于经验设定。其中，包级消防策略的告警等级低于簇级消防策略的告警等级，簇级消防策略的告警等级低于箱级消防策略的告警等级。
可选的，储能集装箱消防主机240还用于：在每个周期，基于数据预测装置230发送的数据对预测模型进行训练更新，并将更新完成的预测模型和该预测模型的版本号发送给数据预测装置230，以便于数据预测装置230通过该预测模型得到下一周期的模型预测数据。由于本申请实施例中储能集装箱消防主机240在每个周期都会对预测模型进行更新，因此，每个周期的预测模型的模型参数会不一样，则预测模型的版本号也会不一样，储能集装箱消防主机240将每个版本的预测模型与其版本号一起发送给数据预测装置230。
可选的，数据预测装置230还用于：在每个周期向储能集装箱消防主机240发送该周期的模型预测数据和预测模型的版本号。其中，版本号即数据预测装置230中部署的预测模型的版本号，版本号为储能集装箱消防主机在训练好预测模型时，与预测模型一起发送给数据预测装置230的。
可选的，储能集装箱消防主机240还用于：
周期性读取数据预测装置230发送的模型预测数据和版本号；
基于版本号从存储的多个预测模型中确定出目标预测模型；
基于每个周期的模型预测数据和实际探测数据，得到目标预测模型的平均绝对误差损失；
基于每个周期的周期预测误差，得到目标预测模型的均方误差损失；
根据平均绝对误差损失和均方误差损失对目标预测模型进行调整，得到更新后的预测模型，并生成更新后的预测模型的更新后的版本号；
向数据预测装置230发送更新后的预测模型和更新后的版本号。
具体的，储能集装箱消防主机240在每个周期除了将读取到数据预测装置230发送的探测数据，还将读取到其发送的模型预测数据和版本号，储能集装箱消防主机240存储有预测模型的每个版本和每个版本对应的版本号，其可以用版本号从存储的预测模型的多个版本中匹配出目标预测模型，该目标预测模型也就是数据预测装置230上部署的预测模型。对于每个周期，储能集装箱消防主机240采用其模型预测数据和实际探测数据，计算目标预测模型的平均绝对误差损失，其可表示为：
Figure BDA0003915670950000151
其中，s表示温度、湿度、烟雾、可燃气体、水浸、锂离子颗粒数据中的第s个元素，xs表示第s个元素的实际探测数据，xs’表示第s个元素的模型预测数据。储能集装箱消防主机240基于每个周期的周期预测误差，得到目标预测模型的均方误差损失，其可表示为：
Figure BDA0003915670950000152
其中，p表示周期预测误差ERROR中的第p个元素。储能集装箱消防主机240对平均绝对误差损失和均方误差损失进行加权求和，得到最终损失，在该最终损失小于阈值的情况下，采用反向传播算法对目标预测模型的模型参数进行更新，得到更新后的预测模型，并生成对应的版本号(即更新后的版本号)，然后将更新后的预测模型和更新后的版本号下发给数据预测装置230。
该实施方式中，储能集装箱消防主机240利用每个周期的模型预测数据和实际探测数据获取预测模型的损失，以对预测模型进行更新，并将更新后的预测模型下发给数据预测装置230，以提升数据预测装置230在读取不到探测数据时，利用预测模型得到探测数据的准确度。另外，将预测模型的更新放在储能集装箱消防主机240一端，有利于减少数据预测装置230的负载，降低数据预测装置230的损耗。
可选的，数据预测装置230还用于：
接收储能集装箱消防主机240发送的更新后的预测模型和更新后的版本号；
采用更新后的预测模型替换掉预测模型，并记录更新后的预测模型与更新后的版本号的关联关系。
该实施方式中，数据预测装置230在每个周期用更新后的预测模型替换掉预测模型，有利于在读取不到探测数据时，利用更新后的预测模型得到探测数据，以提升预测精度。
可选的，数据预测装置230还用于：
若至少一个探测器模块220中存在累计预测误差大于或等于预测误差阈值的目标探测器模块，则向储能集装箱消防主机240发送重置请求，重置请求中包括目标探测器模块的设备标识，重置请求用于请求储能集装箱消防主机基于设备标识对目标探测器模块进行重置。
具体的，由于数据预测装置230中的预测模型在每个周期都会更新，因此，数据预测装置230对预测模型的预测精度的信任度较高，当1号探测器模块220的累计预测误差大于或等于预测误差阈值时，数据预测装置230可能会认为1号探测器模块220本身存在了一定的累积探测误差，便将1号探测器模块220确定为目标探测器模块，将1号探测器模块220的设备标识发送给储能集装箱消防主机240，以请求储能集装箱消防主机240对1号探测器模块220进行重置。该实施方式中，当某个探测器模块220的累计预测误差大于或等于预测误差阈值时，数据预测装置230便请求储能集装箱消防主机240对其进行重置，以提升其探测精度。
可以看出，本申请实施例中数据预测装置230分别与至少一个探测器模块220和储能集装箱消防主机240通讯连接，在通讯链路正常的情况下，数据预测装置230可以将至少一个探测器模块220周期性上报的探测数据转发给储能集装箱消防主机240，至少一个探测器模块220与储能集装箱消防主机240的原有通讯模式并不受影响。在通讯链路异常的情况下，数据预测装置230可以采用当前周期的历史周期的实际探测数据，通过预测模型得到当前周期的探测数据，并将该探测数据发送到储能集装箱消防主机240，以保证能够持续向储能集装箱消防主机240提供数据，从而提升消防通讯的可靠性，进而在多个电池簇210中的电池包存在潜在的热失控时，由储能集装箱消防主机240执行消防策略，以避免热失控的发生。另外，数据预测装置230可以利用历史周期的实际探测数据和模型预测数据确定预测模型对每个探测器模块220的周期预测误差，利用该周期预测误差对当前周期的模型预测数据进行校正，有利于提升获取当前周期的探测数据的准确度。
基于上述系统实施例的描述，本申请实施例还提供一种用于储能集装箱的消防方法。请参见图5，图5为本申请实施例提供的一种用于储能集装箱的消防方法的流程示意图，该方法可应用于消防系统，该消防系统包括至少一个探测器模块、数据预测装置和储能集装箱消防主机，数据预测装置分别与至少一个探测器模块和储能集装箱消防主机通讯连接。如图5所示，该方法包括步骤501-503：
501：至少一个探测器模块分别对储能集装箱中的多个电池簇中的每个电池簇进行温度、湿度、烟雾、可燃气体、水浸、锂离子颗粒中的一种或多种的探测，并周期性上报探测数据；
502：数据预测装置周期性读取至少一个探测器模块发送的探测数据，并在每个周期向储能集装箱消防主机发送读取到的探测数据；若第i个周期没有读取到探测数据，则基于第(i-k)个周期至第(i-1)个周期的实际探测数据和模型预测数据，得到预测模型对至少一个探测器模块中的每个探测器模块的周期预测误差；其中，i大于2，k大于1且小于i；以及采用第(i-k)个周期至第(i-1)个周期的实际探测数据，通过预测模型得到第i个周期的模型预测数据；基于第i个周期的模型预测数据和周期预测误差，得到第i个周期的探测数据，并向储能集装箱消防主机发送第i个周期的探测数据；
503：储能集装箱消防主机周期性读取数据预测装置发送的探测数据，对第(i-k)个周期至第i个周期的探测数据进行分析，以确定多个电池簇中的电池包是否存在潜在的热失控，若存在则执行预设的消防策略。
可以看出，本申请实施例中数据预测装置分别与至少一个探测器模块和储能集装箱消防主机通讯连接，在通讯链路正常的情况下，数据预测装置可以将至少一个探测器模块周期性上报的探测数据转发给储能集装箱消防主机，至少一个探测器模块与储能集装箱消防主机的原有通讯模式并不受影响。在通讯链路异常的情况下，数据预测装置可以采用当前周期的历史周期的实际探测数据，通过预测模型得到当前周期的探测数据，并将该探测数据发送到储能集装箱消防主机，以保证能够持续向储能集装箱消防主机提供数据，从而提升消防通讯的可靠性，进而在多个电池簇中的电池包存在潜在的热失控时，由储能集装箱消防主机执行消防策略，以避免热失控的发生。另外，数据预测装置可以利用历史周期的实际探测数据和模型预测数据确定预测模型对每个探测器模块的周期预测误差，利用该周期预测误差对当前周期的模型预测数据进行校正，有利于提升获取当前周期的探测数据的准确度。
在一些可能的实施方式中，基于第(i-k)个周期至第(i-1)个周期的实际探测数据和模型预测数据，得到预测模型对至少一个探测器模块中的每个探测器模块的周期预测误差，包括：
基于第(i-k)个周期至第(i-1)个周期的实际探测数据和模型预测数据，得到预测模型对每个探测器模块的累计预测误差；
基于第(i-k)个周期至第(i-1)个周期读取到实际探测数据的时间，得到每个探测器模块的累计上报时间误差；
基于累计预测误差和累计上报时间误差，得到周期预测误差。
在一些可能的实施方式中，基于第(i-k)个周期至第(i-1)个周期的实际探测数据和模型预测数据，得到预测模型对每个探测器模块的累计预测误差，包括：
根据每个探测器模块在第(i-k)个周期至第(i-1)个周期中的每个周期的实际探测数据和模型预测数据，得到预测模型对每个探测器模块在第(i-k)个周期至第(i-1)个周期中的每个周期的预测误差；
根据每个探测器模块在第(i-k)个周期至第(i-1)个周期中的每个周期的预测误差，得到累计预测误差。
在一些可能的实施方式中，基于第(i-k)个周期至第(i-1)个周期读取到实际探测数据的时间，得到每个探测器模块的累计上报时间误差，包括：
对于第(i-k)个周期至第(i-1)个周期中每相邻的两个周期，基于读取到每相邻的两个周期的实际探测数据的时间，得到每个探测器模块在每相邻的两个周期的上报时间误差；
根据每个探测器模块在每相邻的两个周期的上报时间误差，得到累计上报时间误差；
基于累计预测误差和累计上报时间误差，得到周期预测误差，包括：
采用累计预测误差和累计上报时间误差，计算得到预测模型对每个探测器模块的单位时间预测误差；
基于单位时间预测误差和预先设定的周期间隔时长，得到周期预测误差。
在一些可能的实施方式中，该方法还包括：
数据预测装置采用每个周期的多个历史周期的实际探测数据，通过所述预测模型得到每个周期的模型预测数据，并在每个周期向所述储能集装箱消防主机发送该周期的模型预测数据和所述预测模型的版本号，版本号为储能集装箱消防主机在训练好预测模型时，与预测模型一起发送给数据预测装置的。
在一些可能的实施方式中，该方法还包括：
储能集装箱消防主机周期性读取数据预测装置发送的模型预测数据和版本号；
储能集装箱消防主机基于版本号从存储的多个预测模型中确定出目标预测模型；
储能集装箱消防主机基于每个周期的模型预测数据和实际探测数据，得到目标预测模型的平均绝对误差损失；
储能集装箱消防主机基于每个周期的周期预测误差，得到目标预测模型的均方误差损失；
储能集装箱消防主机根据平均绝对误差损失和均方误差损失对目标预测模型进行调整，得到更新后的预测模型，并生成更新后的预测模型的更新后的版本号；
储能集装箱消防主机向数据预测装置发送更新后的预测模型和更新后的版本号。
在一些可能的实施方式中，该方法还包括：
数据预测装置接收储能集装箱消防主机发送的更新后的预测模型和更新后的版本号；
数据预测装置采用更新后的预测模型替换掉预测模型，并记录更新后的预测模型与更新后的版本号的关联关系。
在一些可能的实施方式中，该方法还包括：
数据预测装置若所述至少一个探测器模块中存在所述累计预测误差大于或等于预测误差阈值的目标探测器模块，则向所述储能集装箱消防主机发送重置请求，所述重置请求中包括所述目标探测器模块的设备标识，所述重置请求用于请求所述储能集装箱消防主机基于所述设备标识对所述目标探测器模块进行重置。
需要说明的是，各个操作的实现还可以对应参照图2A至图4所示的系统实施例的相应描述，且能达到相同或相似的有益效果。
本申请实施例还提供一种计算机可读存储介质(Memory)，计算机可读存储介质是各个装置设备中的记忆设备，用于存储用于设备执行的计算机程序，当其在装置设备上运行时，图5所示的方法流程得以实现。可以理解的是，此处的计算机可读存储介质既可以包括各个装置设备中的内置存储介质，当然也可以包括各个装置设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了各个装置设备的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一个或多个计算机程序。需要说明的是，此处的计算机可读存储介质可以是高速随机存取存储介质(Random AccessMemory，RAM)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器；可选地，还可以是至少一个位于远离前述处理器的计算机可读存储介质。
本申请实施例还提供一种计算机程序产品，当计算机程序产品被设备运行时，图5所示的方法流程得以实现。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
应理解，本申请实施例中提及的处理器可以是中央处理器(central processingunit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本申请实施例中提及的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储介质(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、EPROM、EEPROM或闪存。易失性存储器可以是RAM，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。
需要说明的是，当处理器为通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件时，存储器(存储模块)集成在处理器中。
应注意，本文描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示例性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。在本申请的文字描述中，字符“/”，一般表示前后关联对象是一种“或”的关系。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种用于储能集装箱的消防系统，其特征在于，所述系统包括至少一个探测器模块、数据预测装置和储能集装箱消防主机，所述数据预测装置分别与所述至少一个探测器模块和所述储能集装箱消防主机通讯连接；
所述至少一个探测器模块，用于分别对储能集装箱中的多个电池簇中的每个电池簇进行温度、湿度、烟雾、可燃气体、水浸、锂离子颗粒中的一种或多种的探测，并周期性上报探测数据；
所述数据预测装置，用于周期性读取所述至少一个探测器模块发送的探测数据，并在每个周期向所述储能集装箱消防主机发送读取到的探测数据；
若第i个周期没有读取到探测数据，则基于第(i-k)个周期至第(i-1)个周期的实际探测数据和模型预测数据，得到预测模型对所述至少一个探测器模块中的每个探测器模块的周期预测误差；其中，i大于2，k大于1且小于i；
以及采用第(i-k)个周期至第(i-1)个周期的实际探测数据，通过所述预测模型得到第i个周期的模型预测数据；基于所述第i个周期的模型预测数据和所述周期预测误差，得到所述第i个周期的探测数据，并向所述储能集装箱消防主机发送所述第i个周期的探测数据；
所述储能集装箱消防主机，用于周期性读取所述数据预测装置发送的探测数据，对所述第(i-k)个周期至所述第i个周期的探测数据进行分析，以确定所述多个电池簇中的电池包是否存在潜在的热失控，若存在则执行预设的消防策略。
2.根据权利要求1所述的系统，其特征在于，在基于第(i-k)个周期至第(i-1)个周期的实际探测数据和模型预测数据，得到预测模型对所述至少一个探测器模块中的每个探测器模块的周期预测误差方面，所述数据预测装置具体用于：
基于所述第(i-k)个周期至所述第(i-1)个周期的实际探测数据和模型预测数据，得到所述预测模型对所述每个探测器模块的累计预测误差；
基于所述第(i-k)个周期至所述第(i-1)个周期读取到实际探测数据的时间，得到所述每个探测器模块的累计上报时间误差；
基于所述累计预测误差和所述累计上报时间误差，得到所述周期预测误差。
3.根据权利要求2所述的系统，其特征在于，在基于所述第(i-k)个周期至所述第(i-1)个周期的实际探测数据和模型预测数据，得到所述预测模型对所述每个探测器模块的累计预测误差方面，所述数据预测装置具体用于：
根据所述每个探测器模块在所述第(i-k)个周期至所述第(i-1)个周期中的每个周期的实际探测数据和模型预测数据，得到所述预测模型对所述每个探测器模块在所述第(i-k)个周期至所述第(i-1)个周期中的每个周期的预测误差；
根据所述每个探测器模块在所述第(i-k)个周期至所述第(i-1)个周期中的每个周期的预测误差，得到所述累计预测误差。
4.根据权利要求2所述的系统，其特征在于，在基于所述第(i-k)个周期至所述第(i-1)个周期读取到实际探测数据的时间，得到所述每个探测器模块的累计上报时间误差方面，所述数据预测装置具体用于：
对于所述第(i-k)个周期至所述第(i-1)个周期中每相邻的两个周期，基于读取到所述每相邻的两个周期的实际探测数据的时间，得到所述每个探测器模块在所述每相邻的两个周期的上报时间误差；
根据所述每个探测器模块在所述每相邻的两个周期的上报时间误差，得到所述累计上报时间误差；
在基于所述累计预测误差和所述累计上报时间误差，得到所述周期预测误差方面，所述数据预测装置具体用于：
采用所述累计预测误差和所述累计上报时间误差，计算得到所述预测模型对所述每个探测器模块的单位时间预测误差；
基于所述单位时间预测误差和预先设定的周期间隔时长，得到所述周期预测误差。
5.根据权利要求1-4任一项所述的系统，其特征在于，所述数据预测装置还用于：
采用每个周期的多个历史周期的实际探测数据，通过所述预测模型得到每个周期的模型预测数据，并在每个周期向所述储能集装箱消防主机发送该周期的模型预测数据和所述预测模型的版本号，所述版本号为所述储能集装箱消防主机在训练好所述预测模型时，与所述预测模型一起发送给所述数据预测装置的。
6.根据权利要求5所述的系统，其特征在于，所述储能集装箱消防主机还用于：
周期性读取所述数据预测装置发送的模型预测数据和所述版本号；
基于所述版本号从存储的多个预测模型中确定出目标预测模型；
基于每个周期的模型预测数据和实际探测数据，得到所述目标预测模型的平均绝对误差损失；
基于每个周期的所述周期预测误差，得到所述目标预测模型的均方误差损失；
根据所述平均绝对误差损失和所述均方误差损失对所述目标预测模型进行调整，得到更新后的预测模型，并生成所述更新后的预测模型的更新后的版本号；
向所述数据预测装置发送所述更新后的预测模型和所述更新后的版本号。
7.根据权利要求6所述的系统，其特征在于，所述数据预测装置还用于：
接收所述储能集装箱消防主机发送的所述更新后的预测模型和所述更新后的版本号；
采用所述更新后的预测模型替换掉所述预测模型，并记录所述更新后的预测模型与所述更新后的版本号的关联关系。
8.根据权利要求1所述的系统，其特征在于，所述数据预测装置还用于：
若所述至少一个探测器模块中存在所述累计预测误差大于或等于预测误差阈值的目标探测器模块，则向所述储能集装箱消防主机发送重置请求，所述重置请求中包括所述目标探测器模块的设备标识，所述重置请求用于请求所述储能集装箱消防主机基于所述设备标识对所述目标探测器模块进行重置。
9.一种用于储能集装箱的消防方法，其特征在于，应用于消防系统，所述消防系统包括至少一个探测器模块、数据预测装置和储能集装箱消防主机，所述数据预测装置分别与所述至少一个探测器模块和所述储能集装箱消防主机通讯连接；
所述至少一个探测器模块分别对储能集装箱中的多个电池簇中的每个电池簇进行温度、湿度、烟雾、可燃气体、水浸、锂离子颗粒中的一种或多种的探测，并周期性上报探测数据；
所述数据预测装置周期性读取所述至少一个探测器模块发送的探测数据，并在每个周期向所述储能集装箱消防主机发送读取到的探测数据；
若第i个周期没有读取到探测数据，则基于第(i-k)个周期至第(i-1)个周期的实际探测数据和模型预测数据，得到预测模型对所述至少一个探测器模块中的每个探测器模块的周期预测误差；其中，i大于2，k大于1且小于i；
以及采用第(i-k)个周期至第(i-1)个周期的实际探测数据，通过所述预测模型得到第i个周期的模型预测数据；基于所述第i个周期的模型预测数据和所述周期预测误差，得到所述第i个周期的探测数据，并向所述储能集装箱消防主机发送所述第i个周期的探测数据；
所述储能集装箱消防主机周期性读取所述数据预测装置发送的探测数据，对所述第(i-k)个周期至所述第i个周期的探测数据进行分析，以确定所述多个电池簇中的电池包是否存在潜在的热失控，若存在则执行预设的消防策略。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有用于设备执行的计算机程序，所述计算机程序被执行时实现权利要求9中所述的方法。
CN202211337143.2A 2022-10-28 2022-10-28 一种用于储能集装箱的消防系统、方法及存储介质 Active CN115671616B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202211337143.2A CN115671616B (zh) 2022-10-28 2022-10-28 一种用于储能集装箱的消防系统、方法及存储介质
PCT/CN2023/118591 WO2024087924A1 (zh) 2022-10-28 2023-09-13 一种用于储能集装箱的消防系统、方法及存储介质
US18/384,620 US20240139563A1 (en) 2022-10-28 2023-10-27 Fire-protection system and method for container-type energy storage device and storage medium
EP23206620.9A EP4369469A1 (en) 2022-10-28 2023-10-30 Fire-protection system and method for container-type energy storage device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211337143.2A CN115671616B (zh) 2022-10-28 2022-10-28 一种用于储能集装箱的消防系统、方法及存储介质

Publications (2)

Publication Number Publication Date
CN115671616A true CN115671616A (zh) 2023-02-03
CN115671616B CN115671616B (zh) 2023-06-27

Family

ID=85046963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211337143.2A Active CN115671616B (zh) 2022-10-28 2022-10-28 一种用于储能集装箱的消防系统、方法及存储介质

Country Status (4)

Country Link
US (1) US20240139563A1 (zh)
EP (1) EP4369469A1 (zh)
CN (1) CN115671616B (zh)
WO (1) WO2024087924A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024087924A1 (zh) * 2022-10-28 2024-05-02 厦门海辰储能科技股份有限公司 一种用于储能集装箱的消防系统、方法及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5740033A (en) * 1992-10-13 1998-04-14 The Dow Chemical Company Model predictive controller
US8140775B1 (en) * 2007-04-13 2012-03-20 American Megatrends, Inc. Allocating background workflows in a data storage system using autocorrelation
CN103354759A (zh) * 2010-12-30 2013-10-16 Utc消防及保安公司 消防安全控制系统
US20150120223A1 (en) * 2013-10-24 2015-04-30 Lars Dannecker Dynamic online energy forecasting
CN113096343A (zh) * 2021-04-14 2021-07-09 合肥工业大学 多传感器协同的汽车电池火灾防范系统
WO2022048168A1 (zh) * 2020-09-03 2022-03-10 上海上讯信息技术股份有限公司 一种用于故障预测神经网络模型的训练方法与设备
US20220308568A1 (en) * 2018-11-16 2022-09-29 Korea University Research And Business Foundation System and method for monitoring soil gas and performing responsive processing on basis of result of monitoring

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN205541250U (zh) * 2016-04-15 2016-08-31 林勇河 一种智能消防控制系统
CN110046837A (zh) * 2019-05-20 2019-07-23 北京唐芯物联网科技有限公司 一种基于人工智能的消防管理系统
KR102475148B1 (ko) * 2020-11-12 2022-12-07 기송도 Ess 화재 예방 시스템 및 그 방법
CN113780675B (zh) * 2021-09-23 2024-01-09 北方健康医疗大数据科技有限公司 一种消耗预测方法、装置、存储介质及电子设备
CN114021861A (zh) * 2021-12-15 2022-02-08 山东科技大学 一种电力负荷预测方法、装置、终端及存储介质
CN114267907B (zh) * 2021-12-24 2023-10-13 华北电力大学 一种电池储能的热安全管理系统、控制方法及其应用
CN114913659B (zh) * 2022-04-06 2024-04-16 国网江苏省电力有限公司电力科学研究院 一种电化学储能电站火灾智能预警预控方法及系统
CN115671616B (zh) * 2022-10-28 2023-06-27 厦门海辰储能科技股份有限公司 一种用于储能集装箱的消防系统、方法及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5740033A (en) * 1992-10-13 1998-04-14 The Dow Chemical Company Model predictive controller
US8140775B1 (en) * 2007-04-13 2012-03-20 American Megatrends, Inc. Allocating background workflows in a data storage system using autocorrelation
CN103354759A (zh) * 2010-12-30 2013-10-16 Utc消防及保安公司 消防安全控制系统
US20150041158A1 (en) * 2010-12-30 2015-02-12 Utc Fire And Security Corporation Fire safety control system
US20150120223A1 (en) * 2013-10-24 2015-04-30 Lars Dannecker Dynamic online energy forecasting
US20220308568A1 (en) * 2018-11-16 2022-09-29 Korea University Research And Business Foundation System and method for monitoring soil gas and performing responsive processing on basis of result of monitoring
WO2022048168A1 (zh) * 2020-09-03 2022-03-10 上海上讯信息技术股份有限公司 一种用于故障预测神经网络模型的训练方法与设备
CN113096343A (zh) * 2021-04-14 2021-07-09 合肥工业大学 多传感器协同的汽车电池火灾防范系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024087924A1 (zh) * 2022-10-28 2024-05-02 厦门海辰储能科技股份有限公司 一种用于储能集装箱的消防系统、方法及存储介质

Also Published As

Publication number Publication date
WO2024087924A1 (zh) 2024-05-02
US20240139563A1 (en) 2024-05-02
CN115671616B (zh) 2023-06-27
EP4369469A1 (en) 2024-05-15

Similar Documents

Publication Publication Date Title
JP5739182B2 (ja) 制御システム、方法およびプログラム
US11120127B2 (en) Reconstruction-based anomaly detection
US20240139563A1 (en) Fire-protection system and method for container-type energy storage device and storage medium
CN102129397A (zh) 一种自适应磁盘阵列故障预测方法及系统
US10884404B2 (en) Method of predicting plant data and apparatus using the same
Vodenčarević et al. Using behavior models for anomaly detection in hybrid systems
JP6022742B1 (ja) 閾値演算システム、及び、閾値演算方法
US20150072319A1 (en) System and method for integrated marine and process simulation
US20130031042A1 (en) Distributed assured network system (DANS)
US20180299877A1 (en) Power Plant System Fault Diagnosis by Learning Historical System Failure Signatures
KR20200086443A (ko) 위성항법보강시스템을 위한 기계학습기반 gnss 무결성 감시 방법
KR20150022145A (ko) 비정상 데이터 예측 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체
Zhang et al. Anomaly detection approach for urban sensing based on credibility and time-series analysis optimization model
Du et al. Active fault isolation of nonlinear process systems
JP6126316B2 (ja) 保守支援システム及び保守支援方法
Linker et al. Robust model-based failure detection and identification in greenhouses
Combastel et al. Set‐membership methods applied to FDI and FTC
US11399270B2 (en) Emergency identification based on communications and reliability weightings associated with mobility-as-a-service devices and internet-of-things devices
CN117906376B (zh) 一种回转窑碳排放量监测方法及系统
CN113344137B (zh) 基于som的数据融合方法、装置、存储介质及电子设备
Stancu et al. Passive Robust Fault Detection using Non-Linear Interval Observers: Application to the DAMADICS Benchmark Problem
Sunar et al. On Continuously Verifying Device-level Functional Integrity by Monitoring Correlated Smart Home Devices
Namdari et al. Phoenix: IoT Trust Evaluation Using Game Theory with Second Chance Protocol
Ravindran et al. Information-theoretic Treatment of Sensor Data Collection: a Perspective on Processing and Communication Tradeoffs
CN116609849A (zh) 一种人体存在检测系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant