CN116310292A - 多源混合信号的储能电站风险预警系统和方法 - Google Patents
多源混合信号的储能电站风险预警系统和方法 Download PDFInfo
- Publication number
- CN116310292A CN116310292A CN202310085878.9A CN202310085878A CN116310292A CN 116310292 A CN116310292 A CN 116310292A CN 202310085878 A CN202310085878 A CN 202310085878A CN 116310292 A CN116310292 A CN 116310292A
- Authority
- CN
- China
- Prior art keywords
- risk early
- energy storage
- power station
- storage power
- risk
- 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.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008859 change Effects 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 230000015654 memory Effects 0.000 claims description 29
- 230000009466 transformation Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了多源混合信号的储能电站风险预警系统和方法,方法包括:获取储能电站的电池组进行多源数据,包括:红外视频数据、电池的运行参数及报警数据;利用红外视频数据识别电池的表面温度以及外来热源,通过监控温度变化和识别外来热源来建立外部热失控风险预警模型;基于电池的运行参数和报警数据来建立内部风险预警模型;确定外部热失控风险预警模型和内部风险预警模型权重,通过加权求和进行模型组合得到储能电站风险预警模型;获取目标储能电站的电池组的多源数据,输入到风险预警模型输出风险预警结果。本发明利用多源样本、多维模型,对储能电站电池热失控进行预警,保障了电池健康度评分的准确性及真实运行环境下热失控预警的有效性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及多源混合信号的储能电站风险预警系统和方法。
背景技术
储能技术是支撑新型电力系统建设的关键技术,但由锂离子电池引起的储能电站火灾爆炸问题已成为制约储能行业发展的主要痛点,储能站安全运行风险防控日趋重要。
目前国内外储能电池安全预警主要通过提取电流、电压等电信号,实现对电池健康状况的快速检测。受限于单一电池预警模型,预警过程中电池故障特征、故障周期演化预测不够完善的问题,即使快速检测出结果,模型对故障的定位、模式、严重程度、后续演化速率和热失控时间也难以准确判断,算法无法提供合理的应对策略。
发明内容
因此,本发明为了解决现有技术存在的问题,提供多源混合信号的储能电站风险预警系统和方法,保障了电池健康度评分的准确性以及真实运行环境下的热失控预警有效性。
为达到上述目的,本发明提供如下技术方案:
第一方面,本发明实施例提供多源混合信号的储能电站风险预警方法,包括:
获取储能电站的电池组进行多源数据,多源数据包括:红外视频数据、电池的运行参数及报警数据;
利用红外视频数据识别电池的表面温度以及外来热源,通过监控电池组在不同工作状态时的温度变化和识别外来热源的有无,来建立外部热失控风险预警模型;
基于电池的运行参数和报警数据来建立内部风险预警模型;
确定外部热失控风险预警模型和内部风险预警模型的权重,通过加权求和进行模型组合得到最终的储能电站风险预警模型;
获取目标储能电站的电池组的多源数据,输入到所述储能电站风险预警模型输出风险预警结果。
进一步地,所述利用红外视频数据识别电池的表面温度以及外来热源的步骤包括:
将红外视频数据中的可见光与红外光图像进行融合,得到融合后的图像;
将融合后的图像灰度化后进行矫正得到归一化的图像,采用最大类间方差法的方法进行图像二值化处理,得到高温区域图像;
将可将光图像中的轮廓提取出来并与高温区域图像进行结合后进行图像切割,得到每一个电池组的高温分布;
采用像素累加法定位矩形框,以矩形框的长边为方向,对整体图像按列累加连续的像素,筛选出连续像素等于矩形框长度的列,同时以矩形框短边为参考,定位出矩形框四角的像素坐标;
根据矩形框与温度值的相对位置关系定位ROI的位置并分割,获得该图像的最大最小温度值;
通过对比图像中像素点大小与矩形中像素值的位置与最大最小值的比例关系,获得图像中的温度值;
将每组电池组高温区域的像素点总和作为其面积大小,采用高斯逼近对面积变化情况进行拟合,得到其面积变化率。
进一步地,所述将红外视频数据中的可见光与红外光图像进行融合的过程,包括:
载入红外视频采集设备全部参数,并利用输入的距离进行虚拟棋盘的构建;
将虚拟棋盘变换到两台采集设备的图像空间中进行匹配,利用匹配的点求出变换矩阵和变换映射表;
根据变换矩阵和变换映射表对图像进行转码输入;
剔除红外光图像中温度较低的区域,将可见光图像变换到热成像仪的位置进行图像融合,对图像进行转码输出,得到融合后的图像。
进一步地,建立外部热失控风险预警模型的过程,包括:
若监控到有外部热源接近电池组、最高温度点是否位于正负极处、电池组最高点温度位于正负极处同时高温面积变化率大于预设阈值中至少之一中情况,则判断电池组存在热失控风险。
进一步地,通过独热编码将报警数据转换成离散数字数据,并和导致热失控的电池运行状态参数据合并;
通过对合并后的数据进行聚类分析,得到不同类型的风险情形;
通过专家数据库为风险情形打上标签,得到基于聚类算法的内部风险预警模型;
将电池组运行的实时数据输入模型中得出电池是否会发生热失控并得到热失控导致的原因以及风险等级结果;
根据导致热失控发生的原因以及风险等级结果不同,将预警结果转换成相应的风险分值。
进一步地,所述风险分值的大小由热失控发生点的位置、当前温度与预计热失控温度的差值以及风险等级确定。
进一步地,利用熵权法确定外部热失控风险预警模型和内部风险预警模型的权重,通过加权求和进行模型组合得到最终的储能电站风险预警模型,根据最终预警结果的大小对照预警类型划定各级阈值进行分级风险预警。
第二方面,本发明实施例提供多源混合信号的储能电站风险预警系统,包括:
多源数据获取模块,用于获取储能电站的电池组进行多源数据,多源数据包括:红外视频数据、电池的运行参数及报警数据;
外部热失控风险预警模型建立模块,用于利用红外视频数据识别电池的表面温度以及外来热源,通过监控电池组在不同工作状态时的温度变化和识别外来热源的有无,来建立外部热失控风险预警模型;
内部风险预警模型建立模块,用于基于电池的运行参数和报警数据来建立内部风险预警模型;
储能电站风险预警模型建立模块,用于确定外部热失控风险预警模型和内部风险预警模型的权重,通过加权求和进行模型组合得到最终的储能电站风险预警模型;
风险预警结果输出模块,用于获取目标储能电站的电池组的多源数据,输入到所述储能电站风险预警模型输出风险预警结果。
第三方面,本发明实施例提供计算机设备,包括:至少一个处理器,以及与至少一个处理器通信连接的存储器,其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器执行本发明实施例第一方面的多源混合信号的储能电站风险预警方法。
第四方面,本发明实施例提供计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机执行本发明实施例第一方面的多源混合信号的储能电站风险预警方法。
本发明技术方案,具有如下优点:
多源混合信号的储能电站风险预警系统和方法,方法包括:获取储能电站的电池组进行多源数据,包括:红外视频数据、电池的运行参数及报警数据;利用红外视频数据识别电池的表面温度以及外来热源,通过监控温度变化和识别外来热源来建立外部热失控风险预警模型;基于电池的运行参数和报警数据来建立内部风险预警模型;确定外部热失控风险预警模型和内部风险预警模型权重,通过加权求和进行模型组合得到储能电站风险预警模型;获取目标储能电站的电池组的多源数据,输入到风险预警模型输出风险预警结果。本发明利用多源样本、多维模型,对储能电站电池热失控进行预警,保障了电池健康度评分的准确性及真实运行环境下热失控预警的有效性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中提供的多源混合信号的储能电站风险预警方法的一个具体示例的流程图;
图2为本发明实施例中提供的多源混合信号的储能电站风险预警系统一示例的模块组成图;
图3为本发明实施例提供的计算机设备一个具体示例的组成图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供的多源混合信号的储能电站风险预警方法,如图1所示,该方法包括以下步骤:
步骤S1:获取储能电站的电池组进行多源数据,多源数据包括:红外视频数据、电池的运行参数及报警数据。
本发明实施例基于厂站侧预警服务器,在储能电池舱安装高清摄像头以及热成像仪、温度传感器进行光信号与热采集,并与储能电池管理系统对接进行电池信息采集,采集的数据类型包括:图像热分布数据、报警数据、电池单体实时电压、电池单体实时电流、电池单体实时温度、电池簇实时电压、电池簇实时电流等。
步骤S2:利用红外视频数据识别电池的表面温度以及外来热源,通过监控电池组在不同工作状态时的温度变化和识别外来热源的有无,来建立外部热失控风险预警模型。
具体地,通过高清摄像头以及热成像仪,采用红外光与可见光图像融合的方式,将红外光图中的热辐射信息与可见光图中的轮廓信息、纹理信息和梯度信息等相结合,实现对储能电站中所有电池的表面温度的采集以及外来热源的精准识别。通过监控电池组在充电和放电的不同工作状态时的温度变化情况和识别外来热源的有无,建立外部热失控风险预警模型。
在本发明实施例中,利用红外视频数据识别电池的表面温度以及外来热源的步骤包括:
步骤S21:将红外视频数据中的可见光与红外光图像进行融合,得到融合后的图像。具体地,本发明实施例选用像素灰度值加权平均法对图像进行融合,该方法能够有效提升图像融合的信噪比,算法简单检测速度快,可以基于OpenCV可以实现图像的精确配准和融合,图像融合步骤如下:
(1)载入红外视频采集设备全部参数,并利用输入的距离进行虚拟棋盘的构建;其中输入的距离可以根据实际需求做合理设置,在此不做具体限定。
(2)将虚拟棋盘变换到两台采集设备的图像空间中进行匹配,利用匹配的点求出变换矩阵和变换映射表;
(3)根据变换矩阵和变换映射表对图像进行转码输入;
(4)剔除红外光图像中温度较低的区域,将可见光图像变换到热成像仪的位置进行图像融合,对图像进行转码输出得到融合后的图像。
步骤S22:将融合后的图像灰度化后进行矫正(例如是Gamma矫正)得到归一化的图像,采用最大类间方差法的方法进行图像二值化处理,得到高温区域图像;
步骤S23:将可将光图像中的轮廓提取出来并与高温区域图像进行结合后进行图像切割,得到每一个电池组的高温分布;本发明实施例通过对轮廓进行提取可以识别电池组,判断图像中是否存在外来热源。
步骤S24:采用像素累加法定位矩形框,以矩形框的长边为方向,对整体图像按列累加连续的像素,筛选出连续像素等于矩形框长度的列,同时以矩形框短边为参考,定位出矩形框四角的像素坐标;
步骤S25:根据矩形框与温度值的相对位置关系定位ROI的位置并分割,获得该图像的最大最小温度值;
步骤S26:通过对比图像中像素点大小与矩形中像素值的位置与最大最小值的比例关系,获得图像中的温度值;
步骤S27:将每组电池组高温区域的像素点总和作为其面积大小,采用高斯逼近对面积变化情况进行拟合,得到其面积变化率。
步骤S3:基于电池的运行参数和报警数据来建立内部风险预警模型。
3、若其最高点温度位于正负极处,同时高温面积变化率ΔS>ΔS0,其中ΔS0是通过多次实验得到的经验值,该值与电池型号与材料相关,则认为存在热失控风险,其中Tmax是该电池组的最大温度,T0是有记录的发生热失控时电池最高温度的最小值。
步骤S4:确定外部热失控风险预警模型和内部风险预警模型的权重,通过加权求和进行模型组合得到最终的储能电站风险预警模型。
本发明实施例针对电池老化和短路等问题,研究电池热失控机理,通过机理分析和特征数据识别相结合的方法,寻找影响储能电池热失控发生的主要特征,通过聚类算法将其划分成各种异常类型,基于云上专家经验库为其打上预警类型标签,同时增加实时报警数据的影响,得到基于储能电池运行参数和报警数据的内部风险预警模型,具体步骤如下:
步骤S41:通过独热编码将报警数据转换成离散数字数据,并和导致热失控的电池运行状态参数据合并;
步骤S42:通过对合并后的数据进行聚类分析(例如是基于K-means聚类),得到不同类型的风险情形;
步骤S43:通过专家数据库为风险情形打上标签,得到基于聚类算法的内部风险预警模型;
步骤S44:将电池组运行的实时数据输入模型中得出电池是否会发生热失控并得到热失控导致的原因以及风险等级结果;
步骤S45:根据导致热失控发生的原因以及风险等级结果不同,将预警结果转换成相应的风险分值,风险分值的大小由热失控发生点的位置、当前温度与预计热失控温度的差值以及风险等级确定。
由于各模型之间输出的结果不同,影响也不同,无法直接叠加,因此需要给每个模型的结果分配不同的权重。本发明实施例利用熵权法确定外部热失控风险预警模型和内部风险预警模型的权重,通过加权求和进行模型组合得到最终的储能电站风险预警模型,根据最终预警结果的大小对照预警类型划定各级阈值,实现分级预警。
熵权法是一种客观赋权的方法,熵值的含义是各方案同指标数据之间的变化程度越大,所反映的信息量也越大,其对应的权值也越大,反之亦然。
假设X表示造成事件X可能发生的某种风险,P(X)表示这种风险发生的概率,可以定义:I(X)=-ln[P(X)],其中I(X)代表信息量。如果事件X可能发生的风险分别为:x1,x2...xn,那么可以定义事件X的信息熵:
对于第j个风险指标而言,其信息熵的计算公式如下:
信息效用值dj=1-ej,信息效用值越大,信息量就越大。将信息效用值进行归一化后,得到每个风险指标的熵权如下:
根据最终预警结果的大小对照预警类型可划定各级阈值,实现分级预警。
步骤S5:获取目标储能电站的电池组的多源数据,输入到所述储能电站风险预警模型输出风险预警结果。
实际应用中通过总线将储能电站风险预警模型所在服务器与红外视频数据、电池信息所在应用服务器建立物理连接、厂站侧应用服务器通过调用风险预警模型接口,向风险预警模型输入已经打好时标的多源数据,并实时接受、展示储能电站风险预警模型输出风险预警结果。
实施例2
本发明实施例提供多源混合信号的储能电站风险预警系统,如图2所示,包括:
多源数据获取模块1,用于获取储能电站的电池组进行多源数据,多源数据包括:红外视频数据、电池的运行参数及报警数据;此模块执行实施例1中的步骤S1所描述的方法,在此不再赘述。
外部热失控风险预警模型建立模块2,用于利用红外视频数据识别电池的表面温度以及外来热源,通过监控电池组在不同工作状态时的温度变化和识别外来热源的有无,来建立外部热失控风险预警模型;模块执行实施例1中的步骤S2所描述的方法,在此不再赘述。
内部风险预警模型获取模块3,用于基于电池的运行参数和报警数据来建立内部风险预警模型;该模块执行实施例1中的步骤S3所描述的方法,在此不再赘述。
储能电站风险预警模型建立模块4,用于确定外部热失控风险预警模型和内部风险预警模型的权重,通过加权求和进行模型组合得到最终的储能电站风险预警模型。该模块执行实施例1中的步骤S4所描述的方法,在此不再赘述。
风险预警结果输出模块5,用于获取目标储能电站的电池组的多源数据,输入到所述储能电站风险预警模型输出风险预警结果。该模块执行实施例1中的步骤S4所描述的方法,在此不再赘述。
本发明提供的多源混合信号的储能电站风险预警系统利用多源样本、多维模型,对储能电站电池热失控进行预警,保障了电池健康度评分的准确性及真实运行环境下热失控预警的有效性。
实施例3
本发明实施例提供一种计算机设备,如图3所示,包括:至少一个处理器401,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口403,存储器404,至少一个通信总线402。其中,通信总线402用于实现这些组件之间的连接通信。其中,通信接口403可以包括显示屏(Display)、键盘(Keyboard),可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Ramdom Access Memory,易挥发性随机存取存储器),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。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例1的多源混合信号的储能电站风险预警方法。存储器404中存储一组程序代码,且处理器401调用存储器404中存储的程序代码,以用于执行实施例1的多源混合信号的储能电站风险预警方法。
其中,通信总线402可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条线表示,但并不表示仅有一根总线或一种类别的总线。
其中,存储器404可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固降硬盘(英文:solid-state drive,缩写:SSD);存储器404还可以包括上述种类的存储器的组合。
其中,处理器401可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器404还用于存储程序指令。处理器401可以调用程序指令,实现如执行实施例1中的多源混合信号的储能电站风险预警方法。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机可执行指令,该计算机可执行指令可执行实施例1的多源混合信号的储能电站风险预警方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(HardDisk Drive,缩写:HDD)或固降硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.基于多源混合信号的储能电站风险预警方法,其特征在于,包括:
获取储能电站的电池组进行多源数据,多源数据包括:红外视频数据、电池的运行参数及报警数据;
利用红外视频数据识别电池的表面温度以及外来热源,通过监控电池组在不同工作状态时的温度变化和识别外来热源的有无,来建立外部热失控风险预警模型;
基于电池的运行参数和报警数据来建立内部风险预警模型;
确定外部热失控风险预警模型和内部风险预警模型的权重,通过加权求和进行模型组合得到最终的储能电站风险预警模型;
获取目标储能电站的电池组的多源数据,输入到所述储能电站风险预警模型输出风险预警结果。
2.根据权利要求1所述的多源混合信号的储能电站风险预警方法,其特征在于,所述利用红外视频数据识别电池的表面温度以及外来热源的步骤包括:
将红外视频数据中的可见光与红外光图像进行融合,得到融合后的图像;
将融合后的图像灰度化后进行矫正得到归一化的图像,采用最大类间方差法的方法进行图像二值化处理,得到高温区域图像;
将可将光图像中的轮廓提取出来并与高温区域图像进行结合后进行图像切割,得到每一个电池组的高温分布;
采用像素累加法定位矩形框,以矩形框的长边为方向,对整体图像按列累加连续的像素,筛选出连续像素等于矩形框长度的列,同时以矩形框短边为参考,定位出矩形框四角的像素坐标;
根据矩形框与温度值的相对位置关系定位ROI的位置并分割,获得该图像的最大最小温度值;
通过对比图像中像素点大小与矩形中像素值的位置与最大最小值的比例关系,获得图像中的温度值;
将每组电池组高温区域的像素点总和作为其面积大小,采用高斯逼近对面积变化情况进行拟合,得到其面积变化率。
3.根据权利要求2所述的多源混合信号的储能电站风险预警方法,其特征在于,所述将红外视频数据中的可见光与红外光图像进行融合的过程,包括:
载入红外视频采集设备全部参数,并利用输入的距离进行虚拟棋盘的构建;
将虚拟棋盘变换到两台采集设备的图像空间中进行匹配,利用匹配的点求出变换矩阵和变换映射表;
根据变换矩阵和变换映射表对图像进行转码输入;
剔除红外光图像中温度较低的区域,将可见光图像变换到热成像仪的位置进行图像融合,对图像进行转码输出,得到融合后的图像。
4.根据权利要求2所述的多源混合信号的储能电站风险预警方法,其特征在于,建立外部热失控风险预警模型的过程,包括:
若监控到有外部热源接近电池组、最高温度点是否位于正负极处、电池组最高点温度位于正负极处同时高温面积变化率大于预设阈值中至少之一中情况,则判断电池组存在热失控风险。
5.根据权利要求4所述的多源混合信号的储能电站风险预警方法,其特征在于,
通过独热编码将报警数据转换成离散数字数据,并和导致热失控的电池运行状态参数据合并;
通过对合并后的数据进行聚类分析,得到不同类型的风险情形;
通过专家数据库为风险情形打上标签,得到基于聚类算法的内部风险预警模型;
将电池组运行的实时数据输入模型中得出电池是否会发生热失控并得到热失控导致的原因以及风险等级结果;
根据导致热失控发生的原因以及风险等级结果不同,将预警结果转换成相应的风险分值。
6.根据权利要求5所述的多源混合信号的储能电站风险预警方法,所述风险分值的大小由热失控发生点的位置、当前温度与预计热失控温度的差值以及风险等级确定。
7.根据权利要求1所述的多源混合信号的储能电站风险预警方法,其特征在于,利用熵权法确定外部热失控风险预警模型和内部风险预警模型的权重,通过加权求和进行模型组合得到最终的储能电站风险预警模型,根据最终预警结果的大小对照预警类型划定各级阈值进行分级风险预警。
8.多源混合信号的储能电站风险预警系统,其特征在于,包括:
多源数据获取模块,用于获取储能电站的电池组进行多源数据,多源数据包括:红外视频数据、电池的运行参数及报警数据;
外部热失控风险预警模型建立模块,用于利用红外视频数据识别电池的表面温度以及外来热源,通过监控电池组在不同工作状态时的温度变化和识别外来热源的有无,来建立外部热失控风险预警模型;
内部风险预警模型建立模块,用于基于电池的运行参数和报警数据来建立内部风险预警模型;
储能电站风险预警模型建立模块,用于确定外部热失控风险预警模型和内部风险预警模型的权重,通过加权求和进行模型组合得到最终的储能电站风险预警模型;
风险预警结果输出模块,用于获取目标储能电站的电池组的多源数据,输入到所述储能电站风险预警模型输出风险预警结果。
9.计算机设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-7中任一所述的多源混合信号的储能电站风险预警方法。
10.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计算机指令,所述计算机指令用于使所述计算机执行1-7中任一所述的多源混合信号的储能电站风险预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310085878.9A CN116310292A (zh) | 2023-01-18 | 2023-01-18 | 多源混合信号的储能电站风险预警系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310085878.9A CN116310292A (zh) | 2023-01-18 | 2023-01-18 | 多源混合信号的储能电站风险预警系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116310292A true CN116310292A (zh) | 2023-06-23 |
Family
ID=86795072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310085878.9A Pending CN116310292A (zh) | 2023-01-18 | 2023-01-18 | 多源混合信号的储能电站风险预警系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116310292A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116665135A (zh) * | 2023-07-28 | 2023-08-29 | 中国华能集团清洁能源技术研究院有限公司 | 储能站电池组的热失控风险预警方法、装置和电子设备 |
CN116682067A (zh) * | 2023-07-28 | 2023-09-01 | 中国华能集团清洁能源技术研究院有限公司 | 储能站电池组的热失控风险预警方法、装置和电子设备 |
CN116706973A (zh) * | 2023-08-09 | 2023-09-05 | 深圳康普盾科技股份有限公司 | 一种基于多维度分析的储能电池控制方法、系统及介质 |
CN117557108A (zh) * | 2024-01-10 | 2024-02-13 | 中国南方电网有限责任公司超高压输电公司电力科研院 | 电力作业风险智能识别模型的训练方法和装置 |
-
2023
- 2023-01-18 CN CN202310085878.9A patent/CN116310292A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116665135A (zh) * | 2023-07-28 | 2023-08-29 | 中国华能集团清洁能源技术研究院有限公司 | 储能站电池组的热失控风险预警方法、装置和电子设备 |
CN116682067A (zh) * | 2023-07-28 | 2023-09-01 | 中国华能集团清洁能源技术研究院有限公司 | 储能站电池组的热失控风险预警方法、装置和电子设备 |
CN116682067B (zh) * | 2023-07-28 | 2023-10-20 | 中国华能集团清洁能源技术研究院有限公司 | 储能站电池组的热失控风险预警方法、装置和电子设备 |
CN116665135B (zh) * | 2023-07-28 | 2023-10-20 | 中国华能集团清洁能源技术研究院有限公司 | 储能站电池组的热失控风险预警方法、装置和电子设备 |
CN116706973A (zh) * | 2023-08-09 | 2023-09-05 | 深圳康普盾科技股份有限公司 | 一种基于多维度分析的储能电池控制方法、系统及介质 |
CN116706973B (zh) * | 2023-08-09 | 2024-02-02 | 深圳康普盾科技股份有限公司 | 一种基于多维度分析的储能电池控制方法、系统及介质 |
CN117557108A (zh) * | 2024-01-10 | 2024-02-13 | 中国南方电网有限责任公司超高压输电公司电力科研院 | 电力作业风险智能识别模型的训练方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116310292A (zh) | 多源混合信号的储能电站风险预警系统和方法 | |
CN111734885B (zh) | 一种换流阀在线监测与评估的方法及系统 | |
CN112861631B (zh) | 一种基于Mask Rcnn以及SSD的地磅人体入侵检测方法 | |
CN113470374B (zh) | 车辆超速监测方法、装置、计算机设备及存储介质 | |
CN105469090A (zh) | 红外图像中基于频域残差的小目标检测方法及装置 | |
CN112688434A (zh) | 输配电线路的监测预警方法、装置、计算机设备和介质 | |
CN115810178A (zh) | 人群异常聚集预警方法、装置、电子设备及介质 | |
CN113052048B (zh) | 交通事件检测方法、装置、路侧设备以及云控平台 | |
CN113838022A (zh) | 一种汽车工况异常识别方法、系统、装置及存储介质 | |
CN112257567B (zh) | 行为识别网络的训练、行为识别方法及相关设备 | |
CN112784494A (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
CN117272145A (zh) | 转辙机的健康状态评估方法、装置和电子设备 | |
CN117372954A (zh) | 充电站安全监测方法、装置、系统和计算机设备 | |
CN116433029A (zh) | 电力作业风险评估方法、系统、设备及存储介质 | |
CN116007759A (zh) | 电池温度场生成方法及装置、设备、存储介质 | |
CN114358165A (zh) | 基于多源数据融合的预防光伏组件接地故障的检测方法 | |
CN114037873A (zh) | 基于人工智能的变电站二次回路保护压板检测系统及方法 | |
CN111583336A (zh) | 一种机器人及其巡检方法和装置 | |
CN114475641B (zh) | 车道偏离预警方法、装置、控制装置及存储介质 | |
CN117370848B (zh) | 设备故障预测方法、装置、计算机设备及存储介质 | |
CN117095316B (zh) | 路面巡检方法、装置、设备及可读存储介质 | |
CN116739357B (zh) | 多模态融合感知的城市既有建筑广域监测预警方法及装置 | |
CN110569903B (zh) | 一种数据预测管理系统 | |
CN116681955A (zh) | 用于交通护栏异常识别的方法及计算设备 | |
CN117274921A (zh) | 用于交通护栏异常识别的方法及计算设备 |
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 |