CN116665135B - 储能站电池组的热失控风险预警方法、装置和电子设备 - Google Patents

储能站电池组的热失控风险预警方法、装置和电子设备 Download PDF

Info

Publication number
CN116665135B
CN116665135B CN202310936056.7A CN202310936056A CN116665135B CN 116665135 B CN116665135 B CN 116665135B CN 202310936056 A CN202310936056 A CN 202310936056A CN 116665135 B CN116665135 B CN 116665135B
Authority
CN
China
Prior art keywords
thermal runaway
image
runaway risk
monitoring image
real
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.)
Active
Application number
CN202310936056.7A
Other languages
English (en)
Other versions
CN116665135A (zh
Inventor
王建星
朱勇
刘明义
王晓龙
赵珈卉
刘承皓
孙悦
白盼星
平小凡
段召容
成前
杨超然
周敬伦
王娅宁
王璐瑶
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.)
Huaneng Clean Energy Research Institute
Huaneng Lancang River Hydropower Co Ltd
Original Assignee
Huaneng Clean Energy Research Institute
Huaneng Lancang River Hydropower 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 Huaneng Clean Energy Research Institute, Huaneng Lancang River Hydropower Co Ltd filed Critical Huaneng Clean Energy Research Institute
Priority to CN202310936056.7A priority Critical patent/CN116665135B/zh
Publication of CN116665135A publication Critical patent/CN116665135A/zh
Application granted granted Critical
Publication of CN116665135B publication Critical patent/CN116665135B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Secondary Cells (AREA)

Abstract

本申请提供了一种储能站电池组的热失控风险预警方法、装置和电子设备，方法包括：获取储能站电池组的实时监测图像；提取实时监测图像中各像素点的梯度值和梯度角度，并基于梯度值和梯度角度，获取实时监测图像的第一图像特征向量；基于第一图像特征向量，识别实时监测图像中是否存在热失控风险因子并输出热失控风险因子的识别结果；响应于识别结果指示实时监测图像中存在热失控风险因子，确定储能站电池组存在热失控风险；对储能站电池组进行热失控风险的风险告警。降低了热失控风险的预警成本以及人工依赖程度，提高了热失控风险的预警效率和准确率，优化了热失控风险的预警方法和预警效果，提高了储能站电池组的安全性和稳定性。

Description

储能站电池组的热失控风险预警方法、装置和电子设备
技术领域
本申请涉及数据处理领域，尤其涉及一种储能站电池组的热失控风险预警方法、装置和电子设备。
背景技术
随着技术的发展，锂电池储能站得到了快速的发展和广泛的应用，在锂电池储能站的充放电过程中，锂电池储能站存在电池升温过高和/或升温过快的状况，进而导致锂电池储能站存在一定程度的热失控的风险。
相关技术中，可以通过大批量传感器的布置，对锂电池储能站进行电池状态的监测，成本较高，还可以依赖人工通过视频设备对锂电池储能站进行人工的视频监测，人工依赖程度高，效率欠佳。
发明内容
本申请的目的旨在至少在一定程度上解决上述技术中的技术问题之一。
本申请第一方面提供了一种储能站电池组的热失控风险预警方法，包括：获取储能站电池组的实时监测图像；提取所述实时监测图像中各像素点的梯度值和梯度角度，并基于所述梯度值和所述梯度角度，获取所述实时监测图像的第一图像特征向量；基于所述第一图像特征向量，识别所述实时监测图像中是否存在热失控风险因子并输出所述热失控风险因子的识别结果；响应于识别结果指示所述实时监测图像中存在所述热失控风险因子，确定所述储能站电池组存在热失控风险；对所述储能站电池组进行所述热失控风险的风险告警。
本申请第一方面提供的一种储能站电池组的热失控风险预警方法，还具备如下技术特征，包括：
根据本申请一个实施例，所述提取所述实时监测图像中各像素点的梯度值和梯度角度，并基于所述梯度值和所述梯度角度，获取所述实时监测图像的第一图像特征向量，包括：获取训练好的目标热失控风险识别模型；基于所述目标热失控风险识别模型的特征提取层中的特征提取窗，并基于所述特征提取窗对所述实时监测图像进行划分，得到所述实时监测图像中包括的多个单元图像；针对任一单元图像，获取所述单元图像中各像素点的梯度值和梯度角度；基于预设的像素梯度角度区间集合和所述单元图像中各像素点的梯度角度，对所述单元图像中的各像素点的梯度值进行分箱处理，得到所述单元图像的箱体图，其中，所述箱体图的横坐标为所述像素梯度角度区间集合中的各像素梯度角度区间，纵坐标为各像素梯度角度区间内的全部像素点各自的梯度值的梯度和值；基于所述箱体图的横坐标和纵坐标，获取所述实时监测图像的所述第一图像特征向量。
根据本申请一个实施例，所述基于所述箱体图的横坐标和纵坐标，获取所述实时监测图像的所述第一图像特征向量，包括：获取所述箱体图的横坐标中的各像素梯度角度区间的第一排序；基于所述第一排序确定所述箱体图的纵坐标上的各梯度和值的第二排序，以获取所述单元图像的第二图像特征向量；根据所述多个单元图像各自的第二图像特征向量，得到所述实时监测图像的所述第一图像特征向量。
根据本申请一个实施例，所述根据所述多个单元图像各自的第二图像特征向量，得到所述实时监测图像的所述第一图像特征向量，包括：将所述多个单元图像进行分组得到多个图像组，其中，所述图像组中包括至少一个单元图像；对所述图像组中的至少一个单元图像各自的第二图像特征向量进行拼接，得到所述多个图像组中各图像组的第三图像特征向量；对各图像组的第三图像特征向量进行标准化处理，得到所述多个图像组中各图像组处理后的第四图像特征向量；将所述实时监测图像中的全部的第四图像特征向量进行拼接，得到所述实时监测图像的所述第一图像特征向量。
根据本申请一个实施例，基于所述第一图像特征向量，识别所述实时监测图像中是否存在热失控风险因子并输出所述热失控风险因子的识别结果，包括：基于目标热失控风险识别模型的分类器，识别所述第一图像特征向量中是否携带所述热失控风险因子的风险因子图像特征；响应于所述分类器识别到所述第一图像特征向量中携带有所述风险因子图像特征，确定所述实时监测图像中存在所述热失控风险因子为识别结果并输出；响应于所述分类器识别到所述第一图像特征向量中未携带有所述风险因子图像特征，确定所述实时监测图像中不存在所述热失控风险因子为识别结果并输出。
根据本申请一个实施例，所述获取储能站电池组的实时监测图像，包括：获取所述储能站电池组的初始监测图像，并对所述初始监测图像进行灰度化处理，得到处理后的候选监测图像；对所述候选监测图像进行图像校正，得到输入目标热失控风险识别模型的特征提取层的所述实时监测图像。
根据本申请一个实施例，所述获取训练好的目标热失控风险识别模型，包括：获取所述储能站电池组的待训练的候选热失控风险识别模型；获取所述储能站电池组在历史时间范围内的历史监测图像，其中，所述历史监测图像包括所述储能站电池组在所述历史时间范围内发生热失控风险时的监测图像，以及所述储能站电池组在所述历史时间范围内正常运行时的监测图像；基于所述历史监测图像获取所述候选热失控风险识别模型的训练样本；通过所述训练样本对所述候选热失控风险识别模型进行模型训练，得到训练好的所述目标热失控风险识别模型。
根据本申请一个实施例，所述基于所述历史监测图像获取所述候选热失控风险识别模型的训练样本，包括：对所述历史监测图像进行灰度化处理，并对进行灰度化处理后的历史监测图像进行校正，得到所述历史监测图像的样本监测图像；获取所述样本监测图像的样本标签，并基于所述样本标签和所述样本监测图像，生成所述候选热失控风险识别模型的所述训练样本。
根据本申请一个实施例，所述通过所述训练样本对所述候选热失控风险识别模型进行模型训练，得到训练好的所述目标热失控风险识别模型，包括：基于所述训练样本对所述候选热失控风险模型进行模型训练，得到所述候选热失控风险识别模型的训练损失，并基于所述训练损失调整所述候选热失控风险识别模型的模型参数；返回获取下一训练样本对模型参数调整后的候选热失控风险识别模型继续进行模型训练，直至训练结束，得到训练好的所述目标热失控风险识别模型。
本申请第二方面提供了一种储能站电池组的热失控风险预警装置，包括：获取模块，用于获取储能站电池组的实时监测图像；提取模块，用于提取所述实时监测图像中各像素点的梯度值和梯度角度，并基于所述梯度值和所述梯度角度，获取所述实时监测图像的第一图像特征向量；识别模型，用于基于所述第一图像特征向量，识别所述实时监测图像中是否存在热失控风险因子并输出所述热失控风险因子的识别结果；确定模块，用于响应于识别结果指示所述实时监测图像中存在所述热失控风险因子，确定所述储能站电池组存在热失控风险；告警模块，用于对所述储能站电池组进行所述热失控风险的风险告警。
本申请第二方面提供的一种储能站电池组的热失控风险预警装置，还具备如下技术特征，包括：
根据本申请一个实施例，所述提取模块，还用于：获取训练好的目标热失控风险识别模型；基于所述目标热失控风险识别模型的特征提取层中的特征提取窗，并基于所述特征提取窗对所述实时监测图像进行划分，得到所述实时监测图像中包括的多个单元图像；针对任一单元图像，获取所述单元图像中各像素点的梯度值和梯度角度；基于预设的像素梯度角度区间集合和所述单元图像中各像素点的梯度角度，对所述单元图像中的各像素点的梯度值进行分箱处理，得到所述单元图像的箱体图，其中，所述箱体图的横坐标为所述像素梯度角度区间集合中的各像素梯度角度区间，纵坐标为各像素梯度角度区间内的全部像素点各自的梯度值的梯度和值；基于所述箱体图的横坐标和纵坐标，获取所述实时监测图像的所述第一图像特征向量。
根据本申请一个实施例，所述提取模块，还用于：获取所述箱体图的横坐标中的各像素梯度角度区间的第一排序；基于所述第一排序确定所述箱体图的纵坐标上的各梯度和值的第二排序，以获取所述单元图像的第二图像特征向量；根据所述多个单元图像各自的第二图像特征向量，得到所述实时监测图像的所述第一图像特征向量。
根据本申请一个实施例，所述提取模块，还用于：将所述多个单元图像进行分组得到多个图像组，其中，所述图像组中包括至少一个单元图像；对所述图像组中的至少一个单元图像各自的第二图像特征向量进行拼接，得到所述多个图像组中各图像组的第三图像特征向量；对各图像组的第三图像特征向量进行标准化处理，得到所述多个图像组中各图像组处理后的第四图像特征向量；将所述实时监测图像中的全部的第四图像特征向量进行拼接，得到所述实时监测图像的所述第一图像特征向量。
根据本申请一个实施例，所述识别模块，还用于：基于所述目标热失控风险识别模型的分类器，识别所述第一图像特征向量中是否携带所述热失控风险因子的风险因子图像特征；响应于所述分类器识别到所述第一图像特征向量中携带有所述风险因子图像特征，确定所述实时监测图像中存在所述热失控风险因子为识别结果并输出；响应于所述分类器识别到所述第一图像特征向量中未携带有所述风险因子图像特征，确定所述实时监测图像中不存在所述热失控风险因子为识别结果并输出。
根据本申请一个实施例，所述获取模块，还用于：获取所述储能站电池组的初始监测图像，并对所述初始监测图像进行灰度化处理，得到处理后的候选监测图像；对所述候选监测图像进行图像校正，得到输入所述目标热失控风险识别模型的所述特征提取层的所述实时监测图像。
根据本申请一个实施例，所述获取模块，还用于：获取所述储能站电池组的待训练的候选热失控风险识别模型；获取所述储能站电池组在历史时间范围内的历史监测图像，其中，所述历史监测图像包括所述储能站电池组在所述历史时间范围内发生热失控风险时的监测图像，以及所述储能站电池组在所述历史时间范围内正常运行时的监测图像；基于所述历史监测图像获取所述候选热失控风险识别模型的训练样本；通过所述训练样本对所述候选热失控风险识别模型进行模型训练，得到训练好的所述目标热失控风险识别模型。
根据本申请一个实施例，所述获取模块，还用于：对所述历史监测图像进行灰度化处理，并对进行灰度化处理后的历史监测图像进行校正，得到所述历史监测图像的样本监测图像；获取所述样本监测图像的样本标签，并基于所述样本标签和所述样本监测图像，生成所述候选热失控风险识别模型的所述训练样本。
根据本申请一个实施例，所述获取模块，还用于：基于所述训练样本对所述候选热失控风险模型进行模型训练，得到所述候选热失控风险识别模型的训练损失，并基于所述训练损失调整所述候选热失控风险识别模型的模型参数；返回获取下一训练样本对模型参数调整后的候选热失控风险识别模型继续进行模型训练，直至训练结束，得到训练好的所述目标热失控风险识别模型。
本申请第三方面实施例提供了一种电子设备，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能够执行本申请第一方面提供的储能站电池组的热失控风险预警方法。
本申请第四方面实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请第一方面提供的储能站电池组的热失控风险预警方法。
本申请第五方面实施例提供了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行本申请第一方面提供的储能站电池组的热失控风险预警方法。
本申请提供的储能站电池组的热失控风险预警方法及装置，获取储能站电池组的实时监测图像，提取实时监测图像中各像素点的梯度值和梯度角度，以得到实时监测图像的第一图像特征向量。基于第一图像特征向量，识别实时监测图像中是否存在储能站电池组的热失控风险因子，并输出识别结果。响应于识别结果指示实时监测图像中存在热失控风险因子，确定储能站电池组存在热失控风险，并进行热失控风险的风险告警。本申请中，不依赖于传感器设置实现储能站电池组的热失控风险预警，降低了热失控风险的预警成本以及人工依赖程度，提高了热失控风险的预警效率和准确率，进而缩短了工作人员对于热失控风险的响应时间，优化了热失控风险的预警方法和预警效果，提高了储能站电池组的安全性和稳定性。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请一实施例的储能站电池组的热失控风险预警方法的流程示意图；
图2为本申请另一实施例的储能站电池组的热失控风险预警方法的流程示意图；
图3为本申请一实施例的图像块示意图；
图4为本申请一实施例的箱体图的示意图；
图5为本申请另一实施例的储能站电池组的热失控风险预警方法的流程示意图；
图6为本申请一实施例的储能站电池组的热失控风险预警装置的结构示意图；
图7为本申请一实施例的电子设备的框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的储能站电池组的热失控风险预警方法、装置和电子设备。
图1为本申请一实施例的储能站电池组的热失控风险预警方法的流程示意图，如图1所示，该方法包括：
S101，获取储能站电池组的实时监测图像。
本申请实施例中，可以为储能站电池组配置对应的图像采集设备，并通过图像采集设备对储能站中的电池组进行监测，从而得到储能站电池组的实时监测图像。
其中，图像采集设备可以为摄像设备，也可以为其他图像采集设备，此处不做具体限定。
S102，提取实时监测图像中各像素点的梯度值和梯度角度，并基于梯度值和梯度角度，获取实时监测图像的第一图像特征向量。
本申请实施例中，实时监测图像中的各像素点存在梯度值和梯度角度，其中，针对任一像素点，可以基于相关技术中的梯度值算法对该像素点的参数进行算法处理，进而根据算法处理的结果得到该像素点的梯度值。
可选地，针对像素点A，可以基于下述公式获取其梯度值：
上述公式中，(x,y)表示像素点A的像素坐标，Gx(x,y)表示x轴方向梯度，Gy(x,y)表示y轴方向梯度，G(x,y)表示像素A梯度值。
相应地，针对任一像素点，可以基于相关技术中的梯度角度的算法对该像素点的参数进行算法处理，从而得到该像素点的梯度角度。
可选地，针对像素点A，可以基于下述公式获取其梯度角度：
上述公式中，(x,y)表示像素点A的像素坐标，Gx(x,y)表示x轴方向梯度，Gy(x,y)表示y轴方向梯度，θ(x,y)表示像素点A的梯度角度。
进一步地，基于实时监测图像中各像素点的梯度值和梯度角度，实现对实时监测图像的特征提取，进而从实时监测图像中提取到对应的特征向量，作为实时监测图像的第一图像特征向量。
S103，基于第一图像特征向量，识别实时监测图像中是否存在热失控风险因子并输出热失控风险因子的识别结果。
本申请实施例中，基于实时监测图像中提取出的第一图像特征向量，可以实现对实时监测图像中的储能站电池组是否存在热失控风险的识别。
可选地，可以将表征储能站电池组存在热失控风险的因子，确定为热失控风险因子。
在一些实现中，当储能站电池组出现热失控风险时，储能站电池组可能会出现着火或者冒烟等异常情况，其中，可以将着火时出现的火焰以及冒烟时出现的烟雾作为表征储能站电池组存在热失控风险的热失控风险因子。
在该场景下，可以识别第一图像特征向量中是否携带有热失控风险因子对应的图像特征向量，从而识别实时监测图像中是否存在热失控风险因子。
可以理解为，若识别到第一图像特征向量中携带有热失控风险因子对应的图像特征向量，则可以确定实时监测图像中存在热失控风险因子，进而得到热失控风险因子的识别结果并输出。
相应地，若识别到第一图像特征向量中未携带热失控风险因子对应的图像特征向量，则可以确定实时监测图像中不存在热失控风险因子，进而得到热失控风险因子的识别结果并输出。
S104，响应于识别结果指示实时监测图像中存在热失控风险因子，确定储能站电池组存在热失控风险。
本申请实施例中，当识别结果指示实时监测图像中存在热失控风险因子时，即可确定，实时监测图像中的储能站电池组存在热失控风险。
作为一种示例，设定热失控风险因子为火焰，在该示例中，当识别结果指示实时监测图像中存在火焰时，即可确定，实时监测图像中的储能站电池组出现的着火的异常情况，进而可以确定实时监测图像中的储能站电池组存在热失控风险。
S105，对储能站电池组进行热失控风险的风险告警。
本申请实施例中，储能站电池组存在对应的风险告警策略，在确定储能站电池组存在热失控风险后，可以获取对应的风险告警策略，并基于获取到的风险告警策略向工作人员发出储能站电池组的热失控风险的风险告警。
作为一种示例，可以基于储能站的功放设备发出告警铃声，也可以向工作人员发送告警短信和/或告警邮件，还可以向工作人员拨打告警电话，以达到对储能站电池组进行热失控风险的风险告警的目的。
本申请提出的储能站电池组的热失控风险预警方法，获取储能站电池组的实时监测图像，提取实时监测图像中各像素点的梯度值和梯度角度，以得到实时监测图像的第一图像特征向量。基于第一图像特征向量，识别实时监测图像中是否存在储能站电池组的热失控风险因子，并输出识别结果。响应于识别结果指示实时监测图像中存在热失控风险因子，确定储能站电池组存在热失控风险，并进行热失控风险的风险告警。本申请中，不依赖于传感器设置实现储能站电池组的热失控风险预警，降低了热失控风险的预警成本以及人工依赖程度，提高了热失控风险的预警效率和准确率，进而缩短了工作人员对于热失控风险的响应时间，优化了热失控风险的预警方法和预警效果，提高了储能站电池组的安全性和稳定性。
上述实施例中，关于储能站电池组的热失控风险的风险告警，还可以结合图2进一步理解，图2为本申请另一实施例的储能站电池组的热失控风险预警方法的流程示意图，如图2所示，该方法包括：
S201，获取训练好的目标热失控风险识别模型。
本申请实施例中，可以基于训练好的目标热失控风险识别模型，对采集到的储能站电池组的实时监测图像进行分析识别，从而达到对储能站电池组进行热失控风险的监测以及预警的目的。
可选地，可以获取储能站电池组的待训练的候选热失控风险识别模型。
本申请实施例中，可以将待训练的热失控风险识别模型，确定为储能站电池组的候选热失控风险识别模型。
其中，可以基于相关技术中的模型构建方法，进行热失控风险识别模型的构建，进而将构建得到的待训练的模型，确定为储能站电池组的候选热失控风险识别模型。
可选地，获取储能站电池组在历史时间范围内的历史监测图像，其中，历史监测图像包括储能站电池组在历史时间范围内发生热失控风险时的监测图像，以及储能站电池组在历史时间范围内正常运行时的监测图像。
本申请实施例中，可以将储能站电池组在历史时间范围内监测到的图像，确定为历史监测图像。
其中，历史监测图像中可以包括储能站电池组未发生热失控风险且正常运行时的监测图像，以及储能站电池组在历史时间范围内发生热失控风险时监测到的监测图像。
需要说明的是，历史监测图像中包括的储能站电池组未发生热失控风险且正常运行时的监测图像，可以包括储能站电池组在不同拍摄角度、不同光线强度、不同画面内容等正常运行场景下采集到的监测图像。
以及，历史监测图像中包括的储能站电池组在历史时间范围内发生热失控风险时的监测图像，可以包括储能站电池组在不同光线强度、不同烟雾形态、不同烟雾浓度等热失控风险场景下采集到的监测图像。
可选地，基于历史监测图像获取候选热失控风险识别模型的训练样本。
本申请实施例中，可以对历史监测图像进行灰度化处理，并对进行灰度化处理后的历史监测图像进行校正，得到历史监测图像的样本监测图像，以及，获取样本监测图像的样本标签，并基于样本标签和样本监测图像，生成候选热失控风险识别模型的训练样本。
其中，可以基于下述公式多历史监测图像进行灰度化处理：
上述公式中，Gray表示历史监测图像的灰度值，R、G、B表示红、绿和蓝通道数值，K表示对应的权重，比如，kR=0.3， kG=0.59，kB=0.11。
进一步地，对进行灰度化处理后的历史监测图像进行Gamma校正，如下所示：
上述公式中，H(x,y)表示输出灰度值，I(x,y)表示输入灰度值，γ表示校正指数。
进一步地，基于上述灰度化处理以及gamma校正的处理，实现对历史监测图像在颜色维度和空间维度上的归一化处理，并将基于灰度化处理和Gamma校正实现的归一化处理后得到的图像，确定为历史监测图像的样本监测图像。
本申请实施例中，获取样本监测图像后，可以基于样本监测图像的具体内容确定其对应的标签信息，以得到样本监测图像的样本标签。
进一步地，基于样本监测图像以及样本监测图像对应的样本标签，得到用于训练候选热失控风险识别模型的训练样本。
需要说明的是，样本监测图像可以包括储能站电池组在未发生热失控风险且正常运行场景下得到的监测图像，可以将该部分图像对应的训练样本确定为训练样本集中的负样本。
以及，样本监测图像还可以包括储能站电池组在存在热失控风险场景下得到的监测图像，可以将该部分图像对应的训练样本确定为训练样本集中的正样本。
可选地，通过训练样本对候选热失控风险识别模型进行模型训练，得到训练好的目标热失控风险识别模型。
其中，可以基于训练样本对候选热失控风险模型进行模型训练，得到候选热失控风险识别模型的训练损失，并基于训练损失调整候选热失控风险识别模型的模型参数，返回获取下一训练样本对模型参数调整后的候选热失控风险识别模型继续进行模型训练，直至训练结束，得到训练好的目标热失控风险识别模型。
本申请实施例中，可以将训练样本输入至待训练的候选热失控风险识别模型中，获取候选热失控风险识别模型基于当前轮次输入的训练样本所得到的模型输出结果。
其中，可以基于相关技术中的模型训练损失的获取算法，对当前轮次的模型输出结果与当前轮次输入候选热失控风险识别模型的训练样本中的样本标签进行算法处理，进而根据算法处理的结果得到候选热失控风险识别模型在当前轮次的模型训练过程中的训练损失。
进一步地，基于获取到的当前轮次的训练损失对候选热失控风险识别模型的模型参数进行调整优化，并返回获取下一训练样本对模型参数调整优化后的候选热失控风险识别模型继续进行模型训练，直至训练结束，得到训练好的目标热失控风险识别模型。
可选地，可以基于训练的轮次设定候选热失控风险识别模型的训练结束条件，在当前模型训练的轮次满足预设的模型训练结束条件时，即可结束对候选热失控风险识别模型的模型训练，并将当前训练轮次结束后得到的候选热失控风险识别模型，确定为训练好的目标热失控风险识别模型。
可选地，可以基于训练损失设定候选热失控风险识别模型的训练结束条件，在当前轮次的模型训练的训练损失满足预设的模型训练结束条件时，即可结束对候选热失控风险识别模型的模型训练，并将当前训练轮次结束后得到的候选热失控风险识别模型，确定为训练好的目标热失控风险识别模型。
S202，基于目标热失控风险识别模型的特征提取层中的特征提取窗，并基于特征提取窗对实时监测图像进行划分，得到实时监测图像中包括的多个单元图像。
本申请实施例中，可以基于训练好的目标热失控风险识别模型，对实时监测图像进行特征提取，进而识别实时监测图像对应的储能站电池组是否存在热失控风险。
可选地，可以获取储能站电池组的初始监测图像，并对初始监测图像进行灰度化处理，得到处理后的候选监测图像，以及，对候选监测图像进行图像校正，得到输入目标热失控风险识别模型的特征提取层的实时监测图像。
本申请实施例中，可以基于预设置的图像采集设备对储能站电池组进行图像采集，并将采集到的图像确定为储能站电池组的初始监测图像，并将初始监测图像进行归一化处理，以得到处理后的实时监测图像。
其中，可以对初始监测图像进行灰度化处理，得到灰度化处理后的候选监测图像后，对候选监测图像进行Gamma校正处理，进而实现对初始监测图像的归一化处理，并将进行灰度化处理以及Gamma校正处理后得到的监测图像确定为输入至目标热失控风险识别模型的特征提取层的实时监测图像。
本申请实施例中，目标热失控风险识别模型的特征提取层存在特征提取窗，可以基于特征提取窗对实时监测图像进行划分，并将划分后得到的多个图像确定为实时监测图像的多个单元图像。
如图3所示，基于图3示出的特征提取窗将实时监测图像进行划分，得到了图3所示的图像1、图像2、图像3和图像4，在该场景下，即可将图像1、图像2、图像3和图像4确定为图3所示的实时监测图像的单元图像1、单元图像2、单元图像3和单元图像4，进而得到图3所示的实时监测图像的多个单元图像。
S203，针对任一单元图像，获取单元图像中各像素点的梯度值和梯度角度。
可选地，针对实时监测图像包括的多个单元图像中的任一单元图像，可以基于上述实施例中提出的梯度值和梯度角度的计算方法，对该单元图像中各像素点的相关参数进行算法处理，进而根据算法处理的结果得到各像素点的梯度值和梯度角度，此处不再赘述。
S204，基于预设的像素梯度角度区间集合和单元图像中各像素点的梯度角度，对单元图像中的各像素点的梯度值进行分箱处理，得到单元图像的箱体图，其中，箱体图的横坐标为像素梯度角度区间集合中的各像素梯度角度区间，纵坐标为各像素梯度角度区间内的全部像素点各自的梯度值的梯度和值。
本申请实施例中，可以基于预设的梯度角度间隔，获取预设的像素梯度角度区间集合。
作为一种示例，设定预设的梯度角度间隔为20度，则可以每20度进行一次区间的划分，进而得到像素梯度角度区间集合，其中，像素梯度角度区间集合可以包括[0,20)，[20,40)，[40,60)，……，[140,160)，[160,180]。
可选地，可以基于预设的像素梯度角度区间集合，以及单元图像中各像素点的梯度角度，对各像素点的梯度值进行分箱处理，进而得到单元图像的箱体图。
作为一种示例，如图4所示，设定预设的像素梯度角度区间集合包括[0,20)，[20,40)，[40,60)，……，[140,160)，[160,180]，则可以将像素梯度角度区间集合中的各像素梯度角度区间作为箱体图的横坐标。
相应地，根据各像素点的梯度角度将各像素点进行划分，针对任一像素梯度角度区间，将划分至该像素梯度角度区间内的全部像素点各自的梯度值的梯度和值，确定为该像素梯度角度区间的横坐标对应的纵坐标的取值。
进一步地，得到图4示出的单元图像的箱体图。
S205，基于箱体图的横坐标和纵坐标，获取实时监测图像的第一图像特征向量。
可选地，可以获取箱体图的横坐标中的各像素梯度角度区间的第一排序，并基于第一排序确定箱体图的纵坐标上的各梯度和值的第二排序，以获取单元图像的第二图像特征向量。
可以理解为，获取横坐标中各像素梯度角度区间之间的第一排序后，根据第一排序，确定各像素梯度角度区间的横坐标所对应的纵坐标的梯度和值的第二排序，其中，第二排序可以与第一排序相同。
在该场景下，基于第二排序对各梯度和值进行排序，进而将排序后得到的向量确定为单元图像的第二图像特征向量。
可选地，根据多个单元图像各自的第二图像特征向量，得到实时监测图像的第一图像特征向量。
其中，可以将多个单元图像进行分组得到多个图像组，其中，图像组中包括至少一个单元图像。
作为一个示例，可以将多个单元图像分为多个图像组，每个图像组内包括四个相邻的单元图像，其中，设定每个图像组的尺寸为16*16，每个图像组所对应的特征向量的长度可以为4*9。
可选地，可以对图像组中的至少一个单元图像各自的第二图像特征向量进行拼接，得到多个图像组中各图像组的第三图像特征向量。
本申请实施例中，针对任一图像组，可以基于相关技术中的特征拼接算法，对该图像组中包括的多个单元图像各自的第二图像特征向量进行拼接，进而将拼接得到的特征向量确定为该图像组的第三图像特征向量。
进一步地，获取多个图像组中每个图像组的第三图像特征向量。
可选地，对各图像组的第三图像特征向量进行标准化处理，得到多个图像组中各图像组处理后的第四图像特征向量。
作为一种示例，设定将图像组标记为图像block，其中，可以基于下述公式对各图像组的第三图像特征向量进行标准化处理，如下：
上述公式中，xi表示图像block的第i个特征，yi表示标准化后的第i个特征，D表示图像block的特征数量。
进一步地，将各图像组的第三图像特征向量进行标准化处理后，得到各图像组的第四图像特征向量。
可选地，将实时监测图像中的全部的第四图像特征向量进行拼接，得到实时监测图像的第一图像特征向量。
其中，获取到各图像组的第四图像特征向量后，可以基于相关技术中的特征拼接方法对全部的第四图像特征向量进行拼接，进而将拼接后得到的向量确定为实时监测图像的第一图像特征向量。
需要说明的是，图像组的划分过程中，相邻的单元图像之间可能存在重叠，在该场景下，当重叠部分的尺寸为图像组的一半长度和一半宽度对应的值，且实时监测图像中共划分了m个图像组时，实时监测图像的第一图像特征向量的长度n=m*4*9。
S206，基于第一图像特征向量，识别实时监测图像中是否存在热失控风险因子并输出热失控风险因子的识别结果。
可选地，可以基于目标热失控风险识别模型的分类器，识别第一图像特征向量中是否携带热失控风险因子的风险因子图像特征。
本申请实施例中，训练好的目标热失控风险识别模型中设置有分类器。
其中，可以提取训练样本中的样本监测图像的n维特征，并在对应的n维空间构建超平面，可结合下述公式理解：
上述公式中，w=(w1,w2,w3,…,wn)，w∈表示超平面的法向量，x∈/>表示n维特征，b∈/>表示偏置值。
进一步地，通过优化得到满足预设条件的w的值和b的值，从而得到分类超平面，其中，优化的约束方程可以如下所示：
上述公式中，w=(w1,w2,w3,…,wn)，w∈表示超平面的法向量，x∈/>表示n维特征，b∈/>表示偏置值，m为训练集样本数量。
进一步地，基于上述过程得到目标热失控风险识别模型中的分类器。
本申请实施例中，可以将提取到的实时监测图像的第一图像特征向量输入至目标热失控风险识别模型的分类器中，以识别实时监测图像中是否存在热失控风险因子并输出热失控风险因子的识别结果。
可选地，响应于分类器识别到第一图像特征向量中携带有风险因子图像特征，确定实时监测图像中存在热失控风险因子为识别结果并输出。
可以理解为，若分类器识别到第一图像特征向量中携带有风险因子对应的风险因子图像特征，即可确定，实时监测图像中存在热失控风险因子，可以将该结果作为分类器的识别结果并输出。
可选地，响应于分类器识别到第一图像特征向量中未携带有风险因子图像特征，确定实时监测图像中不存在热失控风险因子为识别结果并输出。
可以理解为，若分类器识别到第一图像特征向量中未携带风险因子对应的风险因子图像特征，即可确定，实时监测图像中不存在热失控风险因子，可以将该结果作为分类器的识别结果并输出。
进一步地，基于分类器输出的识别结果确定储能站电池组是否存在热失控风险。
作为一种示例，分类器的输出的识别结果可以如下所示：
上述公式中，p表示实时监测图像，x表示实时监测图像的第一图像特征向量，ff表示对实时监测图像的特征提取，fc表示对第一图像特征向量中是否携带有风险因子图像特征的识别，y表示分类器输出的识别结果。
其中，当y大于0时，可以理解为，分类器识别到第一图像特征向量中携带有风险因子对应的风险因子图像特征，即可确定，实时监测图像中存在热失控风险因子，储能站电池组存在热失控风险，需要对储能站电池组进行热失控风险的风险告警。
本申请提出的储能站电池组的热失控风险预警方法，不依赖于传感器设置实现储能站电池组的热失控风险预警，降低了热失控风险的预警成本以及人工依赖程度，提高了热失控风险的预警效率和准确率，进而缩短了工作人员对于热失控风险的响应时间，优化了热失控风险的预警方法和预警效果，提高了储能站电池组的安全性和稳定性。
为更好理解上述实施例，可结合图5，图5为本申请另一实施例的储能站电池组的热失控风险预警方法的流程示意图，如图5所示：
获取候选热失控风险识别模型的训练样本，并基于训练样本对候选热失控风险识别模型进行训练，得到训练好的目标热失控风险识别模型。
获取储能站电池组的初始监测图像，并对初始监测图像进行灰度化处理和Gamma校正，得到实时监测图像并输入至目标热失控风险识别模型，基于目标热失控风险识别模型对实时监测图像进行划分得到多个单元图像，并对每个单元图像各自包括的像素点的梯度值和梯度角度进行计算，根据多个单元图像中每个单元图像包括的像素点的梯度值和梯度角度，得到多个单元图像各自的第二图像特征向量，进而得到实时监测图像的第一图像特征向量。
基于目标热失控风险识别模型的分类器，识别第一图像特征向量中是否存在风险因子特征向量，进而输出热失控风险的识别结果。
当识别结果指示储能站电池组存在热失控风险时，对储能站电池组进行热失控风险的风险告警。
本申请提出的储能站电池组的热失控风险预警方法，不依赖于传感器设置实现储能站电池组的热失控风险预警，降低了热失控风险的预警成本以及人工依赖程度，提高了热失控风险的预警效率和准确率，进而缩短了工作人员对于热失控风险的响应时间，优化了热失控风险的预警方法和预警效果，提高了储能站电池组的安全性和稳定性。
与上述几种实施例提出的储能站电池组的热失控风险预警方法相对应，本申请的一个实施例还提出了一种储能站电池组的热失控风险预警装置，由于本申请实施例提出的储能站电池组的热失控风险预警装置与上述几种实施例提出的储能站电池组的热失控风险预警方法相对应，因此上述储能站电池组的热失控风险预警方法的实施方式也适用于本申请实施例提出的储能站电池组的热失控风险预警装置，在下述实施例中不再详细描述。
图6为本申请一实施例的储能站电池组的热失控风险预警装置的结构示意图，如图6所示，储能站电池组的热失控风险预警装置600，包括获取模块61、提取模块62、识别模块63、确定模块64和告警模块65，其中：
获取模块61，用于获取储能站电池组的实时监测图像；
提取模块62，用于提取实时监测图像中各像素点的梯度值和梯度角度，并基于梯度值和梯度角度，获取实时监测图像的第一图像特征向量；
识别模块63，用于基于第一图像特征向量，识别实时监测图像中是否存在热失控风险因子并输出热失控风险因子的识别结果；
确定模块64，用于响应于识别结果指示实时监测图像中存在热失控风险因子，确定储能站电池组存在热失控风险；
告警模块65，用于对储能站电池组进行热失控风险的风险告警。
根据本申请一个实施例，提取模块62，还用于：获取训练好的目标热失控风险识别模型；基于目标热失控风险识别模型的特征提取层中的特征提取窗，并基于特征提取窗对实时监测图像进行划分，得到实时监测图像中包括的多个单元图像；针对任一单元图像，获取单元图像中各像素点的梯度值和梯度角度；基于预设的像素梯度角度区间集合和单元图像中各像素点的梯度角度，对单元图像中的各像素点的梯度值进行分箱处理，得到单元图像的箱体图，其中，箱体图的横坐标为像素梯度角度区间集合中的各像素梯度角度区间，纵坐标为各像素梯度角度区间内的全部像素点各自的梯度值的梯度和值；基于箱体图的横坐标和纵坐标，获取实时监测图像的第一图像特征向量。
根据本申请一个实施例，提取模块62，还用于：获取箱体图的横坐标中的各像素梯度角度区间的第一排序；基于第一排序确定箱体图的纵坐标上的各梯度和值的第二排序，以获取单元图像的第二图像特征向量；根据多个单元图像各自的第二图像特征向量，得到实时监测图像的第一图像特征向量。
根据本申请一个实施例，提取模块62，还用于：将多个单元图像进行分组得到多个图像组，其中，图像组中包括至少一个单元图像；对图像组中的至少一个单元图像各自的第二图像特征向量进行拼接，得到多个图像组中各图像组的第三图像特征向量；对各图像组的第三图像特征向量进行标准化处理，得到多个图像组中各图像组处理后的第四图像特征向量；将实时监测图像中的全部的第四图像特征向量进行拼接，得到实时监测图像的第一图像特征向量。
根据本申请一个实施例，识别模块63，还用于：基于目标热失控风险识别模型的分类器，识别第一图像特征向量中是否携带热失控风险因子的风险因子图像特征；响应于分类器识别到第一图像特征向量中携带有风险因子图像特征，确定实时监测图像中存在热失控风险因子为识别结果并输出；响应于分类器识别到第一图像特征向量中未携带有风险因子图像特征，确定实时监测图像中不存在热失控风险因子为识别结果并输出。
根据本申请一个实施例，获取模块61，还用于：获取储能站电池组的初始监测图像，并对初始监测图像进行灰度化处理，得到处理后的候选监测图像；对候选监测图像进行图像校正，得到输入目标热失控风险识别模型的特征提取层的实时监测图像。
根据本申请一个实施例，获取模块61，还用于：获取储能站电池组的待训练的候选热失控风险识别模型；获取储能站电池组在历史时间范围内的历史监测图像，其中，历史监测图像包括储能站电池组在历史时间范围内发生热失控风险时的监测图像，以及储能站电池组在历史时间范围内正常运行时的监测图像；基于历史监测图像获取候选热失控风险识别模型的训练样本；通过训练样本对候选热失控风险识别模型进行模型训练，得到训练好的目标热失控风险识别模型。
根据本申请一个实施例，获取模块61，还用于：对历史监测图像进行灰度化处理，并对进行灰度化处理后的历史监测图像进行校正，得到历史监测图像的样本监测图像；获取样本监测图像的样本标签，并基于样本标签和样本监测图像，生成候选热失控风险识别模型的训练样本。
根据本申请一个实施例，获取模块61，还用于：基于训练样本对候选热失控风险模型进行模型训练，得到候选热失控风险识别模型的训练损失，并基于训练损失调整候选热失控风险识别模型的模型参数；返回获取下一训练样本对模型参数调整后的候选热失控风险识别模型继续进行模型训练，直至训练结束，得到训练好的目标热失控风险识别模型。
本申请提出的储能站电池组的热失控风险预警装置，获取储能站电池组的实时监测图像，提取实时监测图像中各像素点的梯度值和梯度角度，以得到实时监测图像的第一图像特征向量。基于第一图像特征向量，识别实时监测图像中是否存在储能站电池组的热失控风险因子，并输出识别结果。响应于识别结果指示实时监测图像中存在热失控风险因子，确定储能站电池组存在热失控风险，并进行热失控风险的风险告警。本申请中，不依赖于传感器设置实现储能站电池组的热失控风险预警，降低了热失控风险的预警成本以及人工依赖程度，提高了热失控风险的预警效率和准确率，进而缩短了工作人员对于热失控风险的响应时间，优化了热失控风险的预警方法和预警效果，提高了储能站电池组的安全性和稳定性。
为达到上述实施例，本申请还提供了一种电子设备、一种计算机可读存储介质和一种计算机程序产品。
图7为本申请一实施例的电子设备的框图，如图7所示，设备700包括存储器71、处理器72及存储在存储71上并可在处理器72上运行的计算机程序，处理器72执行程序指令时，实现执行图1至图5的实施例的储能站电池组的热失控风险预警方法。
为了实现上述实施例，本申请还提供一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行图1至图5的实施例的储能站电池组的热失控风险预警方法。
为了实现上述实施例，本申请还提供一种计算机程序产品，当计算机程序产品中的指令处理器执行时，执行图1至图5的实施例的储能站电池组的热失控风险预警方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种储能站电池组的热失控风险预警方法，其特征在于，所述方法包括：
获取储能站电池组的实时监测图像；
提取所述实时监测图像中各像素点的梯度值和梯度角度，并基于所述梯度值和所述梯度角度，获取所述实时监测图像的第一图像特征向量；
基于所述第一图像特征向量，识别所述实时监测图像中是否存在热失控风险因子并输出所述热失控风险因子的识别结果；
响应于识别结果指示所述实时监测图像中存在所述热失控风险因子，确定所述储能站电池组存在热失控风险；
对所述储能站电池组进行所述热失控风险的风险告警；
所述提取所述实时监测图像中各像素点的梯度值和梯度角度，并基于所述梯度值和所述梯度角度，获取所述实时监测图像的第一图像特征向量，包括：
获取训练好的目标热失控风险识别模型；
基于所述目标热失控风险识别模型的特征提取层中的特征提取窗，并基于所述特征提取窗对所述实时监测图像进行划分，得到所述实时监测图像中包括的多个单元图像；
针对任一单元图像，获取所述单元图像中各像素点的梯度值和梯度角度；
基于预设的像素梯度角度区间集合和所述单元图像中各像素点的梯度角度，对所述单元图像中的各像素点的梯度值进行分箱处理，得到所述单元图像的箱体图，其中，所述箱体图的横坐标为所述像素梯度角度区间集合中的各像素梯度角度区间，纵坐标为各像素梯度角度区间内的全部像素点各自的梯度值的梯度和值；
基于所述箱体图的横坐标和纵坐标，获取所述实时监测图像的所述第一图像特征向量；所述获取训练好的目标热失控风险识别模型，包括：
获取所述储能站电池组的待训练的候选热失控风险识别模型；
获取所述储能站电池组在历史时间范围内的历史监测图像，其中，所述历史监测图像包括所述储能站电池组在所述历史时间范围内发生热失控风险时的监测图像，以及所述储能站电池组在所述历史时间范围内正常运行时的监测图像；
基于所述历史监测图像获取所述候选热失控风险识别模型的训练样本；
通过所述训练样本对所述候选热失控风险识别模型进行模型训练，得到训练好的所述目标热失控风险识别模型；
所述基于所述历史监测图像获取所述候选热失控风险识别模型的训练样本，包括：
对所述历史监测图像进行灰度化处理，并对进行灰度化处理后的历史监测图像进行校正，得到所述历史监测图像的样本监测图像；
获取所述样本监测图像的样本标签，并基于所述样本标签和所述样本监测图像，生成所述候选热失控风险识别模型的所述训练样本；
所述通过所述训练样本对所述候选热失控风险识别模型进行模型训练，得到训练好的所述目标热失控风险识别模型，包括：
基于所述训练样本对所述候选热失控风险识别模型进行模型训练，得到所述候选热失控风险识别模型的训练损失，并基于所述训练损失调整所述候选热失控风险识别模型的模型参数；
返回获取下一训练样本对模型参数调整后的候选热失控风险识别模型继续进行模型训练，直至训练结束，得到训练好的所述目标热失控风险识别模型。
2.根据权利要求1所述的方法，其特征在于，所述基于所述箱体图的横坐标和纵坐标，获取所述实时监测图像的所述第一图像特征向量，包括：
获取所述箱体图的横坐标中的各像素梯度角度区间的第一排序；
基于所述第一排序确定所述箱体图的纵坐标上的各梯度和值的第二排序，以获取所述单元图像的第二图像特征向量；
根据所述多个单元图像各自的第二图像特征向量，得到所述实时监测图像的所述第一图像特征向量。
3.根据权利要求2所述的方法，其特征在于，所述根据所述多个单元图像各自的第二图像特征向量，得到所述实时监测图像的所述第一图像特征向量，包括：
将所述多个单元图像进行分组得到多个图像组，其中，所述图像组中包括至少一个单元图像；
对所述图像组中的至少一个单元图像各自的第二图像特征向量进行拼接，得到所述多个图像组中各图像组的第三图像特征向量；
对各图像组的第三图像特征向量进行标准化处理，得到所述多个图像组中各图像组处理后的第四图像特征向量；
将所述实时监测图像中的全部的第四图像特征向量进行拼接，得到所述实时监测图像的所述第一图像特征向量。
4.根据权利要求1所述的方法，其特征在于，基于所述第一图像特征向量，识别所述实时监测图像中是否存在热失控风险因子并输出所述热失控风险因子的识别结果，包括：
基于目标热失控风险识别模型的分类器，识别所述第一图像特征向量中是否携带所述热失控风险因子的风险因子图像特征；
响应于所述分类器识别到所述第一图像特征向量中携带有所述风险因子图像特征，确定所述实时监测图像中存在所述热失控风险因子为识别结果并输出；
响应于所述分类器识别到所述第一图像特征向量中未携带有所述风险因子图像特征，确定所述实时监测图像中不存在所述热失控风险因子为识别结果并输出。
5.根据权利要求1所述的方法，其特征在于，所述获取储能站电池组的实时监测图像，包括：
获取所述储能站电池组的初始监测图像，并对所述初始监测图像进行灰度化处理，得到处理后的候选监测图像；
对所述候选监测图像进行图像校正，得到输入目标热失控风险识别模型的特征提取层的所述实时监测图像。
6.一种储能站电池组的热失控风险预警装置，其特征在于，所述装置包括：
获取模块，用于获取储能站电池组的实时监测图像；
提取模块，用于提取所述实时监测图像中各像素点的梯度值和梯度角度，并基于所述梯度值和所述梯度角度，获取所述实时监测图像的第一图像特征向量；
识别模型，用于基于所述第一图像特征向量，识别所述实时监测图像中是否存在热失控风险因子并输出所述热失控风险因子的识别结果；
确定模块，用于响应于识别结果指示所述实时监测图像中存在所述热失控风险因子，确定所述储能站电池组存在热失控风险；
告警模块，用于对所述储能站电池组进行所述热失控风险的风险告警；
所述提取模块，还用于：
获取训练好的目标热失控风险识别模型；
基于所述目标热失控风险识别模型的特征提取层中的特征提取窗，并基于所述特征提取窗对所述实时监测图像进行划分，得到所述实时监测图像中包括的多个单元图像；
针对任一单元图像，获取所述单元图像中各像素点的梯度值和梯度角度；
基于预设的像素梯度角度区间集合和所述单元图像中各像素点的梯度角度，对所述单元图像中的各像素点的梯度值进行分箱处理，得到所述单元图像的箱体图，其中，所述箱体图的横坐标为所述像素梯度角度区间集合中的各像素梯度角度区间，纵坐标为各像素梯度角度区间内的全部像素点各自的梯度值的梯度和值；
基于所述箱体图的横坐标和纵坐标，获取所述实时监测图像的所述第一图像特征向量；所述获取训练好的目标热失控风险识别模型，包括：
获取所述储能站电池组的待训练的候选热失控风险识别模型；
获取所述储能站电池组在历史时间范围内的历史监测图像，其中，所述历史监测图像包括所述储能站电池组在所述历史时间范围内发生热失控风险时的监测图像，以及所述储能站电池组在所述历史时间范围内正常运行时的监测图像；
基于所述历史监测图像获取所述候选热失控风险识别模型的训练样本；
通过所述训练样本对所述候选热失控风险识别模型进行模型训练，得到训练好的所述目标热失控风险识别模型；
所述基于所述历史监测图像获取所述候选热失控风险识别模型的训练样本，包括：
对所述历史监测图像进行灰度化处理，并对进行灰度化处理后的历史监测图像进行校正，得到所述历史监测图像的样本监测图像；
获取所述样本监测图像的样本标签，并基于所述样本标签和所述样本监测图像，生成所述候选热失控风险识别模型的所述训练样本；
所述通过所述训练样本对所述候选热失控风险识别模型进行模型训练，得到训练好的所述目标热失控风险识别模型，包括：
基于所述训练样本对所述候选热失控风险识别模型进行模型训练，得到所述候选热失控风险识别模型的训练损失，并基于所述训练损失调整所述候选热失控风险识别模型的模型参数；
返回获取下一训练样本对模型参数调整后的候选热失控风险识别模型继续进行模型训练，直至训练结束，得到训练好的所述目标热失控风险识别模型。
7.一种电子设备，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能够执行权利要求1-5中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
CN202310936056.7A 2023-07-28 2023-07-28 储能站电池组的热失控风险预警方法、装置和电子设备 Active CN116665135B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310936056.7A CN116665135B (zh) 2023-07-28 2023-07-28 储能站电池组的热失控风险预警方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310936056.7A CN116665135B (zh) 2023-07-28 2023-07-28 储能站电池组的热失控风险预警方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN116665135A CN116665135A (zh) 2023-08-29
CN116665135B true CN116665135B (zh) 2023-10-20

Family

ID=87722702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310936056.7A Active CN116665135B (zh) 2023-07-28 2023-07-28 储能站电池组的热失控风险预警方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN116665135B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101869442B1 (ko) * 2017-11-22 2018-06-20 공주대학교 산학협력단 화재 감지 장치 및 방법
CN110332996A (zh) * 2019-07-08 2019-10-15 重庆大学 一种基于红外热成像的大功率微波加热预警系统及方法
WO2021164306A1 (zh) * 2020-09-17 2021-08-26 平安科技（深圳）有限公司 图像分类模型的训练方法、装置、计算机设备及存储介质
CN116310292A (zh) * 2023-01-18 2023-06-23 北理新源(佛山)信息科技有限公司 多源混合信号的储能电站风险预警系统和方法
WO2023115911A1 (zh) * 2021-12-24 2023-06-29 上海商汤智能科技有限公司 对象重识别方法及装置、电子设备、存储介质和计算机程序产品
CN116504037A (zh) * 2023-04-12 2023-07-28 中国第一汽车股份有限公司 动力电池热失控的预警方法、预警装置及车辆

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116701130A (zh) * 2023-06-27 2023-09-05 中国建设银行股份有限公司 基于指标画像的动态基线优化方法、装置及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101869442B1 (ko) * 2017-11-22 2018-06-20 공주대학교 산학협력단 화재 감지 장치 및 방법
CN110332996A (zh) * 2019-07-08 2019-10-15 重庆大学 一种基于红外热成像的大功率微波加热预警系统及方法
WO2021164306A1 (zh) * 2020-09-17 2021-08-26 平安科技（深圳）有限公司 图像分类模型的训练方法、装置、计算机设备及存储介质
WO2023115911A1 (zh) * 2021-12-24 2023-06-29 上海商汤智能科技有限公司 对象重识别方法及装置、电子设备、存储介质和计算机程序产品
CN116310292A (zh) * 2023-01-18 2023-06-23 北理新源(佛山)信息科技有限公司 多源混合信号的储能电站风险预警系统和方法
CN116504037A (zh) * 2023-04-12 2023-07-28 中国第一汽车股份有限公司 动力电池热失控的预警方法、预警装置及车辆

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘华 ; 阳小华 ; 刘杰 ; 刘朝晖 ; 吴取劲 ; .核电站数字化仪控系统的安全预警.湖南工业大学学报.2013,(第03期),第65-68页. *

Also Published As

Publication number Publication date
CN116665135A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN111751002B (zh) 一种基于红外热成像的带电设备故障智能诊断方法
CN116579616B (zh) 一种基于深度学习的风险识别方法
CN113344002B (zh) 一种目标坐标去重方法、系统、电子设备及可读存储介质
CN112580600A (zh) 粉尘浓度检测方法、装置、计算机设备和存储介质
CN111008561A (zh) 一种牲畜的数量确定方法、终端及计算机存储介质
CN112784781B (zh) 基于差异感知元学习的伪造人脸检测方法和装置
CN113255590A (zh) 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统
CN117677969A (zh) 一种缺陷检测的方法和装置
CN115809982B (zh) 电芯压伤检测方法、装置及系统
CN116342599A (zh) 缺陷检测设备的点检方法、装置、设备和存储介质
CN113570007A (zh) 零件缺陷识别模型构建优化方法、装置、设备及存储介质
JP2021086379A (ja) 情報処理装置、情報処理方法、プログラム及び学習モデルの生成方法
CN112508950A (zh) 异常检测方法和装置
CN113191270B (zh) 抛洒事件检测方法、装置、电子设备及存储介质
CN113554645B (zh) 基于wgan的工业异常检测方法和装置
CN116665135B (zh) 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) 储能站电池组的热失控风险预警方法、装置和电子设备
CN115690747B (zh) 车辆盲区检测模型测试方法、装置、电子设备及存储介质
CN118115530A (zh) 车辆轨迹生成方法、装置、电子设备及存储介质
CN113420919B (zh) 基于无人机视觉感知的工程异常管控方法
CN113538351B (zh) 一种融合多参数电信号的外绝缘设备缺陷程度评估方法
CN114169404A (zh) 一种基于图像智能获取边坡病害量化信息方法
CN118154600B (zh) 光伏发电系统的掉串检测方法、装置、电子设备和介质
CN114283413B (zh) 一种巡检场景下数字仪表读数的识别方法与系统
EP4092315A1 (en) System and method for inspecting stability of heat transfer pipe by using drone

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