CN116706973B - 一种基于多维度分析的储能电池控制方法、系统及介质 - Google Patents

一种基于多维度分析的储能电池控制方法、系统及介质 Download PDF

Info

Publication number
CN116706973B
CN116706973B CN202310996933.XA CN202310996933A CN116706973B CN 116706973 B CN116706973 B CN 116706973B CN 202310996933 A CN202310996933 A CN 202310996933A CN 116706973 B CN116706973 B CN 116706973B
Authority
CN
China
Prior art keywords
data
battery pack
storage battery
energy storage
energy
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
CN202310996933.XA
Other languages
English (en)
Other versions
CN116706973A (zh
Inventor
吴波
黄进
陈加杰
易新雄
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.)
Shenzhen Compton Technology Co ltd
Original Assignee
Shenzhen Compton 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 Shenzhen Compton Technology Co ltd filed Critical Shenzhen Compton Technology Co ltd
Priority to CN202310996933.XA priority Critical patent/CN116706973B/zh
Publication of CN116706973A publication Critical patent/CN116706973A/zh
Application granted granted Critical
Publication of CN116706973B publication Critical patent/CN116706973B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/48—Thermography; Techniques using wholly visual means
    • G01J5/485—Temperature profile
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06V10/72—Data preparation, e.g. statistical preprocessing 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • 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
    • H01M10/4285—Testing apparatus
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0068—Battery or charger load switching, e.g. concurrent charging and load supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0069—Charging or discharging for charge maintenance, battery initiation or rejuvenation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • Power Engineering (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Chemical & Material Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Manufacturing & Machinery (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Economics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种基于多维度分析的储能电池控制方法、系统及介质。基于目标储能电池组高清图像数据进行内部结构分析，得到电池组结构分布图；基于充放电计划数据与电池组结构分布图进行热能压力点预测与热成像模拟分析，得到基于热成像的热能分布图；基于电池组充放电计划数据进行计算分析得到电能监测指标信息；实时监测与获取目标储能电池组的电能监测数据与热成像图数据，将所述电能监测数据、热成像图数据与电能监测指标信息、热能分布图进行数据比较分析，得到电池组电能质量评估信息与电池组运维方案。基于本发明，能够实现储能电池组的精细化分析与热能消耗评估，进一步对储能电池组进行智能诊断、维护与控制。

Description

一种基于多维度分析的储能电池控制方法、系统及介质
技术领域
本发明涉及储能电池数据分析领域，更具体的，涉及一种基于多维度分析的储能电池控制方法、系统及介质。
背景技术
随着能源需求的不断增长，储能电池作为一种新型的能源储存技术，已经被广泛应用于各个领域。储能电池能够应用在生产制造、新能源汽车、国防军工等广泛领域，目前市场需求量大，经济效益可观，行业发展前景广阔。
但在一些大型的储能电池中，如集装箱电池、柜式储能电池中，常常会出现电池组温度异常、电池运行效率低下、部分电池组影响整体储能工作等问题，而在现有技术中，也缺少对多个电池单元组成的储能电池进行精准的电池分析方法，且实时监测分析很少考虑到多个电池组的情况，分析维度较为单一。因此，现在亟需一种基于多维度分析的储能电池控制方法。
发明内容
本发明克服了现有技术的缺陷，提出了一种基于多维度分析的储能电池控制方法、系统及介质。
本发明第一方面提供了一种基于多维度分析的储能电池控制方法，包括：
获取目标储能电池组高清图像数据；
基于所述目标储能电池组高清图像数据进行内部结构识别与结构分布分析，得到电池组结构分布图；
获取目标储能电池组充放电计划数据，基于所述充放电计划数据与电池组结构分布图进行热能压力点预测与热成像模拟分析，得到基于热成像的热能分布图；
基于电池组充放电计划数据进行计算分析得到电能监测指标信息；
实时监测与获取目标储能电池组的电能监测数据与热成像图数据，将所述电能监测数据、热成像图数据与电能监测指标信息、热能分布图进行数据比较分析，得到电池组电能质量评估信息与电池组运维方案。
本方案中，所述获取目标储能电池组高清图像数据，之前包括：
获取储能电池的组件图像大数据；
对组件图像大数据进行数据清洗、去冗余预处理，基于预设图像标准，从组件图像大数据中进行图像筛选，得到标准电池组图像数据；
将标准电池组图像数据中的组件图像数据与组件类别信息进行映射关联，并将映射关联后的组件图像数据导入储能电池图像数据库；
所述组件类别包括电池单元、芯片单元、线缆单元。
本方案中，所述基于所述目标储能电池组高清图像数据进行内部结构识别与结构分布分析，得到电池组结构分布图，之前包括：
构建基于CNN的图像识别模型；
从储能电池图像数据库中随机获取预设数据量的测试组件图像数据；
将测试组件图像数据根据预设比例划分为训练数据与验证数据；
将所述训练数据与验证数据导入图像识别模型进行循环识别训练，直至通过所有验证数据。
本方案中，所述基于所述目标储能电池组高清图像数据进行内部结构识别与结构分布分析，得到电池组结构分布图，具体为：
将所述目标储能电池组高清图像数据进行图像降噪、平滑、增强预处理，得到预处理图像数据；
基于预处理图像数据获取整体图像区域信息；
将预处理图像数据导入图像识别模型进行内部结构识别与电池组件类型判断，得到组件识别结果；
基于组件识别结果与整体图像区域信息进行图像区域划分，得到电池单元区域、芯片单元区域、线缆单元区域；
基于电池单元区域、芯片单元区域、线缆单元区域进行信息整合得到电池组结构分布图。
本方案中，所述获取目标储能电池组充放电计划数据，基于所述充放电计划数据与电池组结构分布图进行热能压力点预测与热成像模拟分析，得到基于热成像的热能分布图，具体为：
获取目标储能电池组充放电计划数据；
基于所述充放电计划数据，对目标储能电池组中各个电池单元进行压力预测评估，得到电池单元压力分布信息；
基于所述充放电计划数据，对目标储能电池组中各个芯片单元进行压力预测评估，得到芯片单元压力分布信息；
基于电池单元压力分布信息与芯片单元压力分布信息，对电池组中的线缆进行电流大小评估，得到线缆电流大小分布图；
基于线缆电流大小分布图进行热成像模拟，形成基于热成像的线缆单元热能分布图；
基于电池单元压力分布信息与芯片单元压力分布信息进行中心压力点预测，得到电池单元压力点与芯片单元压力点；
基于目标储能电池组充放电计划数据获取储能电池计划工作时间；
将储能电池计划工作时间、电池单元压力点与芯片单元压力点导入热扩散模型进行热能扩散预测分析，得到电池单元热能扩散图与芯片单元热能扩散图；
基于电池单元热能扩散图与芯片单元热能扩散图进行热成像模拟，生成对应的电池单元热能分布图与芯片单元热能分布图。
本方案中，所述实时监测与获取目标储能电池组的电能监测数据与热成像图数据，将所述电能监测数据、热成像图数据与电能监测指标信息、热能分布图进行数据比较分析，得到电池组电能质量评估信息与电池组运维方案，具体为：
在预设时间段内，实时监测与获取目标储能电池组的电能监测数据与热成像图数据；
基于目标储能电池组充放电计划数据获取电能计划指标数据；
将电能计划指标数据与目标储能电池组的电能监测数据进行数据对比分析，并基于电流、电压、功率维度生成第一电能评估数据；
基于电池组结构分布图，将所述热成像图数据划分为电池单元区域热成像图、芯片单元区域热成像图、线缆单元区域热成像图；
将电池单元区域热成像图、芯片单元区域热成像图、线缆单元区域热成像图分别与电池单元热能分布图、芯片单元热能分布图、线缆单元热能分布图进行热能分布比较与热能异常区域分析计算，得到电池单元热能异常区域、芯片单元热能异常区域、线缆单元热能异常区域；
根据所述电池单元热能异常区域、芯片单元热能异常区域、线缆单元热能异常区域，对目标储能电池组进行基于电池单元、芯片单位、线缆单元的热能损耗评估，得到第二电能评估数据；
基于第一电能评估数据与第二电能评估数据对目标储能电池组进行综合电能评估，得到电池组电能质量评估信息。
本方案中，所述实时监测与获取目标储能电池组的电能监测数据与热成像图数据，将所述电能监测数据、热成像图数据与电能监测指标信息、热能分布图进行数据比较分析，得到电池组电能质量评估信息与电池组运维方案，还包括：
计算线缆单元热能异常区域的区域面积，得到线缆热能异常区域面积；
根据第一电能评估数据，获取线缆单元中电流异常差值；
在预设时间段内，基于实时获取的电能监测数据，计算出线缆单元的电流异常持续时间；
基于电流异常差值、电流异常持续时间、线缆热能异常区域面积，对线缆单元进行寿命评估并生成线缆运维计划；
计算电池单元热能异常区域的区域面积，得到电池单元热能异常区域面积；
在预设时间段内，基于电池单元区域热成像图与电池单元热能分布图进行热能异常判断，并计算得出电池单元热能异常持续时间；
若电池单元热能异常区域面积大于预设面积且电池单元热能异常持续时间大于预设时间，则基于电池单元热能异常区域面积与电池单元热能异常持续时间进行电池单元的寿命评估并生成电池单元更换计划；
将线缆运维计划与电池单元更换计划进行方案整合，得到电池组运维方案。
本发明第二方面还提供了一种基于多维度分析的储能电池控制系统，该系统包括：存储器、处理器，所述存储器中包括基于多维度分析的储能电池控制程序，所述基于多维度分析的储能电池控制程序被所述处理器执行时实现如下步骤：
获取目标储能电池组高清图像数据；
基于所述目标储能电池组高清图像数据进行内部结构识别与结构分布分析，得到电池组结构分布图；
获取目标储能电池组充放电计划数据，基于所述充放电计划数据与电池组结构分布图进行热能压力点预测与热成像模拟分析，得到基于热成像的热能分布图；
基于电池组充放电计划数据进行计算分析得到电能监测指标信息；
实时监测与获取目标储能电池组的电能监测数据与热成像图数据，将所述电能监测数据、热成像图数据与电能监测指标信息、热能分布图进行数据比较分析，得到电池组电能质量评估信息与电池组运维方案。
本方案中，所述获取目标储能电池组高清图像数据，之前包括：
获取储能电池的组件图像大数据；
对组件图像大数据进行数据清洗、去冗余预处理，基于预设图像标准，从组件图像大数据中进行图像筛选，得到标准电池组图像数据；
将标准电池组图像数据中的组件图像数据与组件类别信息进行映射关联，并将映射关联后的组件图像数据导入储能电池图像数据库；
所述组件类别包括电池单元、芯片单元、线缆单元。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于多维度分析的储能电池控制程序，所述基于多维度分析的储能电池控制程序被处理器执行时，实现如上述任一项所述的基于多维度分析的储能电池控制方法的步骤。
本发明公开了一种基于多维度分析的储能电池控制方法、系统及介质。基于目标储能电池组高清图像数据进行内部结构分析，得到电池组结构分布图；基于充放电计划数据与电池组结构分布图进行热能压力点预测与热成像模拟分析，得到基于热成像的热能分布图；基于电池组充放电计划数据进行计算分析得到电能监测指标信息；实时监测与获取目标储能电池组的电能监测数据与热成像图数据，将所述电能监测数据、热成像图数据与电能监测指标信息、热能分布图进行数据比较分析，得到电池组电能质量评估信息与电池组运维方案。基于本发明，能够实现储能电池组的精细化分析与热能消耗评估，进一步对储能电池组进行智能诊断、维护与控制。
附图说明
图1示出了本发明一种基于多维度分析的储能电池控制方法的流程图；
图2示出了本发明图像识别模型构建流程图；
图3示出了本发明电池组结构分布图获取流程图；
图4示出了本发明一种基于多维度分析的储能电池控制系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于多维度分析的储能电池控制方法的流程图。
如图1所示，本发明第一方面提供了一种基于多维度分析的储能电池控制方法，包括：
S102，获取目标储能电池组高清图像数据；
S104，基于所述目标储能电池组高清图像数据进行内部结构识别与结构分布分析，得到电池组结构分布图；
S106，获取目标储能电池组充放电计划数据，基于所述充放电计划数据与电池组结构分布图进行热能压力点预测与热成像模拟分析，得到基于热成像的热能分布图；
S108，基于电池组充放电计划数据进行计算分析得到电能监测指标信息；
S110，实时监测与获取目标储能电池组的电能监测数据与热成像图数据，将所述电能监测数据、热成像图数据与电能监测指标信息、热能分布图进行数据比较分析，得到电池组电能质量评估信息与电池组运维方案。
需要说明的是，所述电池组一般为由多个电池单元组成的大型电池组，所述电池组可广泛应用于通信基站，后备电源，家庭储能，能源系统、UPS不间断电源、EPS应急电源、数据中心备用电池等多种场景。且电池组中的电池单元可以为一种或多种类型的电池组合，如锂电池、铅酸电池、磷酸铁锂电池。所述高清图像数据即包括色彩信息的图像数据。
根据本发明实施例，所述获取目标储能电池组高清图像数据，之前包括：
获取储能电池的组件图像大数据；
对组件图像大数据进行数据清洗、去冗余预处理，基于预设图像标准，从组件图像大数据中进行图像筛选，得到标准电池组图像数据；
将标准电池组图像数据中的组件图像数据与组件类别信息进行映射关联，并将映射关联后的组件图像数据导入储能电池图像数据库；
所述组件类别包括电池单元、芯片单元、线缆单元。
需要说明的是，所述组件图像数据与组件类别信息进行映射关联，能够在后续进行数据提取时提高检索效率，能够基于组件类别进行组件图像的快速数据提取。在储能电池组中，由于电池组为多个电池单元组合而成的，而不同组件工作时的发热状况有所差异，因此，需要对每个电池组中的细分单元进行精细化分析。所述储能电池的组件图像大数据具体包括所有型号的电池组件图像，所述电池组件包括电池单元、芯片单元、线缆单元。
图2示出了本发明图像识别模型构建流程图。
根据本发明实施例，所述基于所述目标储能电池组高清图像数据进行内部结构识别与结构分布分析，得到电池组结构分布图，之前包括：
S202，构建基于CNN的图像识别模型；
S204，从储能电池图像数据库中随机获取预设数据量的测试组件图像数据；
S206，将测试组件图像数据根据预设比例划分为训练数据与验证数据；
S208，将所述训练数据与验证数据导入图像识别模型进行循环识别训练，直至通过所有验证数据。
需要说明的是，所述预设数据量与预设比例由用户设定。所述CNN即卷积神经网络算法。所述图像识别模型通过一定的数据训练能够得到图像识别率较高的模型。
图3示出了本发明电池组结构分布图获取流程图。
根据本发明实施例，所述基于所述目标储能电池组高清图像数据进行内部结构识别与结构分布分析，得到电池组结构分布图，具体为：
S302，将所述目标储能电池组高清图像数据进行图像降噪、平滑、增强预处理，得到预处理图像数据；
S304，基于预处理图像数据获取整体图像区域信息；
S306，将预处理图像数据导入图像识别模型进行内部结构识别与电池组件类型判断，得到组件识别结果；
S308，基于组件识别结果与整体图像区域信息进行图像区域划分，得到电池单元区域、芯片单元区域、线缆单元区域；
S310，基于电池单元区域、芯片单元区域、线缆单元区域进行信息整合得到电池组结构分布图。
需要说明的是，所述整体图像区域信息即图像的大小、轮廓、分辨率等信息。值得一提的是，在储能电池内部中，包括电池单元、芯片单元、线缆等多种内部结构组件，且每种组件的发热情况有所差异，本申请通过识别出目标储能电池组高清图像数据中的各个组件所在区域，并进一步在后续对每个区域的发热情况进行精细化分析与电能质量判断。
根据本发明实施例，所述获取目标储能电池组充放电计划数据，基于所述充放电计划数据与电池组结构分布图进行热能压力点预测与热成像模拟分析，得到基于热成像的热能分布图，具体为：
获取目标储能电池组充放电计划数据；
基于所述充放电计划数据，对目标储能电池组中各个电池单元进行压力预测评估，得到电池单元压力分布信息；
基于所述充放电计划数据，对目标储能电池组中各个芯片单元进行压力预测评估，得到芯片单元压力分布信息；
基于电池单元压力分布信息与芯片单元压力分布信息，对电池组中的线缆进行电流大小评估，得到线缆电流大小分布图；
基于线缆电流大小分布图进行热成像模拟，形成基于热成像的线缆单元热能分布图；
基于电池单元压力分布信息与芯片单元压力分布信息进行中心压力点预测，得到电池单元压力点与芯片单元压力点；
基于目标储能电池组充放电计划数据获取储能电池计划工作时间；
将储能电池计划工作时间、电池单元压力点与芯片单元压力点导入热扩散模型进行热能扩散预测分析，得到电池单元热能扩散图与芯片单元热能扩散图；
基于电池单元热能扩散图与芯片单元热能扩散图进行热成像模拟，生成对应的电池单元热能分布图与芯片单元热能分布图。
需要说明的是，所述芯片单元即电池组内的控制芯片，在进行长时间的储能电池工作中，控制芯片会出现不同程度的发热，若发热过高，会影响芯片工作与寿命。所述电池单元压力点与芯片单元压力点均包括至少一个点。所述热扩散模型的扩散计算方法为基于热扩散方程进行模拟计算的。所述目标储能电池组充放电计划数据包括储能电池的电流电压需求数据，工作时间数据、电池组工作分配数据等。
所述基于电池单元压力分布信息与芯片单元压力分布信息，对电池组中的线缆进行电流大小评估，得到线缆电流大小分布图中，由于线缆的热能高低主要取决与其中的电流大小，因此，通过分析电池单元与芯片单元的压力，从而分析出对应接触的线缆单元，进一步得到线缆的热能分布。
根据本发明实施例，所述实时监测与获取目标储能电池组的电能监测数据与热成像图数据，将所述电能监测数据、热成像图数据与电能监测指标信息、热能分布图进行数据比较分析，得到电池组电能质量评估信息与电池组运维方案，具体为：
在预设时间段内，实时监测与获取目标储能电池组的电能监测数据与热成像图数据；
基于目标储能电池组充放电计划数据获取电能计划指标数据；
将电能计划指标数据与目标储能电池组的电能监测数据进行数据对比分析，并基于电流、电压、功率维度生成第一电能评估数据；
基于电池组结构分布图，将所述热成像图数据划分为电池单元区域热成像图、芯片单元区域热成像图、线缆单元区域热成像图；
将电池单元区域热成像图、芯片单元区域热成像图、线缆单元区域热成像图分别与电池单元热能分布图、芯片单元热能分布图、线缆单元热能分布图进行热能分布比较与热能异常区域分析计算，得到电池单元热能异常区域、芯片单元热能异常区域、线缆单元热能异常区域；
根据所述电池单元热能异常区域、芯片单元热能异常区域、线缆单元热能异常区域，对目标储能电池组进行基于电池单元、芯片单位、线缆单元的热能损耗评估，得到第二电能评估数据；
基于第一电能评估数据与第二电能评估数据对目标储能电池组进行综合电能评估，得到电池组电能质量评估信息。
需要说明的是，所述异常区域分析计算具体为计算温度异常升高区域的位置与面积。所述预设时间段即储能电池的一个工作任务周期。所述电池组电能质量评估信息能够综合反映储能电池组的储能工作状况与热能损耗状况。
根据本发明实施例，所述实时监测与获取目标储能电池组的电能监测数据与热成像图数据，将所述电能监测数据、热成像图数据与电能监测指标信息、热能分布图进行数据比较分析，得到电池组电能质量评估信息与电池组运维方案，还包括：
计算线缆单元热能异常区域的区域面积，得到线缆热能异常区域面积；
根据第一电能评估数据，获取线缆单元中电流异常差值；
在预设时间段内，基于实时获取的电能监测数据，计算出线缆单元的电流异常持续时间；
基于电流异常差值、电流异常持续时间、线缆热能异常区域面积，对线缆单元进行寿命评估并生成线缆运维计划；
计算电池单元热能异常区域的区域面积，得到电池单元热能异常区域面积；
在预设时间段内，基于电池单元区域热成像图与电池单元热能分布图进行热能异常判断，并计算得出电池单元热能异常持续时间；
若电池单元热能异常区域面积大于预设面积且电池单元热能异常持续时间大于预设时间，则基于电池单元热能异常区域面积与电池单元热能异常持续时间进行电池单元的寿命评估并生成电池单元更换计划；
将线缆运维计划与电池单元更换计划进行方案整合，得到电池组运维方案。
需要说明的是，所述电流异常差值即电流出现异常时，实际线缆电流与电流指标的差值。值得一提的是，所述电流异常差值、电流异常持续时间、线缆热能异常区域面积均能影响线缆的工作寿命，通过三者的综合分析，能够对线缆做出精准的寿命评估，所述电流异常持续时间同时也是线缆热能异常的持续时间。
在本方案中，所述目标目标储能电池组一般包括多个电池单元、多个芯片单元、多个线缆单元。
根据本发明实施例，还包括：
获取目标储能电池组的整体图像区域信息、电池单元区域、芯片单元区域、线缆单元区域；
基于整体图像区域信息，去除其中的电池单元区域、芯片单元区域、线缆单元区域，得到第一区域；
实时获取目标储能电池组的热成像图数据与高清图像数据；
基于第一区域对高清图像数据进行区域图像截取，得到第一区域高清图；
将第一区域高清图导入图像识别模型进行物体识别与区域标记，得到多个物体区域与对应多个物体类型；
基于电池单元区域热成像图与电池单元热能分布图进行热能异常判断，若出现热能异常，实时获取电池单元热能异常区域；
计算并判断电池单元热能异常区域与所有物体区域的最短距离，若最短距离低于预设距离，则将对应的物体区域标记为异常物体区域；
判断异常物体区域中对应物体类型是否为易燃物体，若是，则基于所有异常物体区域对热成像图数据进行区域图像截取，得到异常物体区域热成像图；
基于异常物体区域热成像图，实时获取其中最高温度，若最高温度大于预设温度且持续时间大于预设持续时间，则生成高温消防预警信息；
将所述高温消防预警信息发送至预设终端设备。
需要说明的是，所述物体区域一般为在储能电池内除电池、芯片、线缆以外的物体。在储能电池内，由于电池组的发热可能会导致储能电池内部其余物体的温度升高，从而存在一定的安全隐患。所述多个物体区域与对应多个物体类型中，一个物体区域对应一种类型的物体。所述预设终端设备即用户终端设备，包括移动终端设备与计算机终端设备。所述高清图像数据即包括色彩信息的图像数据。
图4示出了本发明一种基于多维度分析的储能电池控制系统的框图。
本发明第二方面还提供了一种基于多维度分析的储能电池控制系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于多维度分析的储能电池控制程序，所述基于多维度分析的储能电池控制程序被所述处理器执行时实现如下步骤：
获取目标储能电池组高清图像数据；
基于所述目标储能电池组高清图像数据进行内部结构识别与结构分布分析，得到电池组结构分布图；
获取目标储能电池组充放电计划数据，基于所述充放电计划数据与电池组结构分布图进行热能压力点预测与热成像模拟分析，得到基于热成像的热能分布图；
基于电池组充放电计划数据进行计算分析得到电能监测指标信息；
实时监测与获取目标储能电池组的电能监测数据与热成像图数据，将所述电能监测数据、热成像图数据与电能监测指标信息、热能分布图进行数据比较分析，得到电池组电能质量评估信息与电池组运维方案。
需要说明的是，所述电池组一般为由多个电池单元组成的大型电池组，所述电池组可广泛应用于通信基站，后备电源，家庭储能，能源系统、UPS不间断电源、EPS应急电源、数据中心备用电池等多种场景。且电池组中的电池单元可以为一种或多种类型的电池组合，如锂电池、铅酸电池、磷酸铁锂电池。所述高清图像数据即包括色彩信息的图像数据。
根据本发明实施例，所述获取目标储能电池组高清图像数据，之前包括：
获取储能电池的组件图像大数据；
对组件图像大数据进行数据清洗、去冗余预处理，基于预设图像标准，从组件图像大数据中进行图像筛选，得到标准电池组图像数据；
将标准电池组图像数据中的组件图像数据与组件类别信息进行映射关联，并将映射关联后的组件图像数据导入储能电池图像数据库；
所述组件类别包括电池单元、芯片单元、线缆单元。
需要说明的是，所述组件图像数据与组件类别信息进行映射关联，能够在后续进行数据提取时提高检索效率，能够基于组件类别进行组件图像的快速数据提取。在储能电池组中，由于电池组为多个电池单元组合而成的，而不同组件工作时的发热状况有所差异，因此，需要对每个电池组中的细分单元进行精细化分析。所述储能电池的组件图像大数据具体包括所有型号的电池组件图像，所述电池组件包括电池单元、芯片单元、线缆单元。
根据本发明实施例，所述基于所述目标储能电池组高清图像数据进行内部结构识别与结构分布分析，得到电池组结构分布图，之前包括：
构建基于CNN的图像识别模型；
从储能电池图像数据库中随机获取预设数据量的测试组件图像数据；
将测试组件图像数据根据预设比例划分为训练数据与验证数据；
将所述训练数据与验证数据导入图像识别模型进行循环识别训练，直至通过所有验证数据。
需要说明的是，所述预设数据量与预设比例由用户设定。所述CNN即卷积神经网络算法。所述图像识别模型通过一定的数据训练能够得到图像识别率较高的模型。
根据本发明实施例，所述基于所述目标储能电池组高清图像数据进行内部结构识别与结构分布分析，得到电池组结构分布图，具体为：
将所述目标储能电池组高清图像数据进行图像降噪、平滑、增强预处理，得到预处理图像数据；
基于预处理图像数据获取整体图像区域信息；
将预处理图像数据导入图像识别模型进行内部结构识别与电池组件类型判断，得到组件识别结果；
基于组件识别结果与整体图像区域信息进行图像区域划分，得到电池单元区域、芯片单元区域、线缆单元区域；
基于电池单元区域、芯片单元区域、线缆单元区域进行信息整合得到电池组结构分布图。
需要说明的是，所述整体图像区域信息即图像的大小、轮廓、分辨率等信息。值得一提的是，在储能电池内部中，包括电池单元、芯片单元、线缆等多种内部结构组件，且每种组件的发热情况有所差异，本申请通过识别出目标储能电池组高清图像数据中的各个组件所在区域，并进一步在后续对每个区域的发热情况进行精细化分析与电能质量判断。
根据本发明实施例，所述获取目标储能电池组充放电计划数据，基于所述充放电计划数据与电池组结构分布图进行热能压力点预测与热成像模拟分析，得到基于热成像的热能分布图，具体为：
获取目标储能电池组充放电计划数据；
基于所述充放电计划数据，对目标储能电池组中各个电池单元进行压力预测评估，得到电池单元压力分布信息；
基于所述充放电计划数据，对目标储能电池组中各个芯片单元进行压力预测评估，得到芯片单元压力分布信息；
基于电池单元压力分布信息与芯片单元压力分布信息，对电池组中的线缆进行电流大小评估，得到线缆电流大小分布图；
基于线缆电流大小分布图进行热成像模拟，形成基于热成像的线缆单元热能分布图；
基于电池单元压力分布信息与芯片单元压力分布信息进行中心压力点预测，得到电池单元压力点与芯片单元压力点；
基于目标储能电池组充放电计划数据获取储能电池计划工作时间；
将储能电池计划工作时间、电池单元压力点与芯片单元压力点导入热扩散模型进行热能扩散预测分析，得到电池单元热能扩散图与芯片单元热能扩散图；
基于电池单元热能扩散图与芯片单元热能扩散图进行热成像模拟，生成对应的电池单元热能分布图与芯片单元热能分布图。
需要说明的是，所述芯片单元即电池组内的控制芯片，在进行长时间的储能电池工作中，控制芯片会出现不同程度的发热，若发热过高，会影响芯片工作与寿命。所述电池单元压力点与芯片单元压力点均包括至少一个点。所述热扩散模型的扩散计算方法为基于热扩散方程进行模拟计算的。所述目标储能电池组充放电计划数据包括储能电池的电流电压需求数据，工作时间数据、电池组工作分配数据等。
所述基于电池单元压力分布信息与芯片单元压力分布信息，对电池组中的线缆进行电流大小评估，得到线缆电流大小分布图中，由于线缆的热能高低主要取决与其中的电流大小，因此，通过分析电池单元与芯片单元的压力，从而分析出对应接触的线缆单元，进一步得到线缆的热能分布。
根据本发明实施例，所述实时监测与获取目标储能电池组的电能监测数据与热成像图数据，将所述电能监测数据、热成像图数据与电能监测指标信息、热能分布图进行数据比较分析，得到电池组电能质量评估信息与电池组运维方案，具体为：
在预设时间段内，实时监测与获取目标储能电池组的电能监测数据与热成像图数据；
基于目标储能电池组充放电计划数据获取电能计划指标数据；
将电能计划指标数据与目标储能电池组的电能监测数据进行数据对比分析，并基于电流、电压、功率维度生成第一电能评估数据；
基于电池组结构分布图，将所述热成像图数据划分为电池单元区域热成像图、芯片单元区域热成像图、线缆单元区域热成像图；
将电池单元区域热成像图、芯片单元区域热成像图、线缆单元区域热成像图分别与电池单元热能分布图、芯片单元热能分布图、线缆单元热能分布图进行热能分布比较与热能异常区域分析计算，得到电池单元热能异常区域、芯片单元热能异常区域、线缆单元热能异常区域；
根据所述电池单元热能异常区域、芯片单元热能异常区域、线缆单元热能异常区域，对目标储能电池组进行基于电池单元、芯片单位、线缆单元的热能损耗评估，得到第二电能评估数据；
基于第一电能评估数据与第二电能评估数据对目标储能电池组进行综合电能评估，得到电池组电能质量评估信息。
需要说明的是，所述异常区域分析计算具体为计算温度异常升高区域的位置与面积。所述预设时间段即储能电池的一个工作任务周期。所述电池组电能质量评估信息能够综合反映储能电池组的储能工作状况与热能损耗状况。
根据本发明实施例，所述实时监测与获取目标储能电池组的电能监测数据与热成像图数据，将所述电能监测数据、热成像图数据与电能监测指标信息、热能分布图进行数据比较分析，得到电池组电能质量评估信息与电池组运维方案，还包括：
计算线缆单元热能异常区域的区域面积，得到线缆热能异常区域面积；
根据第一电能评估数据，获取线缆单元中电流异常差值；
在预设时间段内，基于实时获取的电能监测数据，计算出线缆单元的电流异常持续时间；
基于电流异常差值、电流异常持续时间、线缆热能异常区域面积，对线缆单元进行寿命评估并生成线缆运维计划；
计算电池单元热能异常区域的区域面积，得到电池单元热能异常区域面积；
在预设时间段内，基于电池单元区域热成像图与电池单元热能分布图进行热能异常判断，并计算得出电池单元热能异常持续时间；
若电池单元热能异常区域面积大于预设面积且电池单元热能异常持续时间大于预设时间，则基于电池单元热能异常区域面积与电池单元热能异常持续时间进行电池单元的寿命评估并生成电池单元更换计划；
将线缆运维计划与电池单元更换计划进行方案整合，得到电池组运维方案。
需要说明的是，所述电流异常差值即电流出现异常时，实际线缆电流与电流指标的差值。值得一提的是，所述电流异常差值、电流异常持续时间、线缆热能异常区域面积均能影响线缆的工作寿命，通过三者的综合分析，能够对线缆做出精准的寿命评估，所述电流异常持续时间同时也是线缆热能异常的持续时间。
在本方案中，所述目标目标储能电池组一般包括多个电池单元、多个芯片单元、多个线缆单元。
根据本发明实施例，还包括：
获取目标储能电池组的整体图像区域信息、电池单元区域、芯片单元区域、线缆单元区域；
基于整体图像区域信息，去除其中的电池单元区域、芯片单元区域、线缆单元区域，得到第一区域；
实时获取目标储能电池组的热成像图数据与高清图像数据；
基于第一区域对高清图像数据进行区域图像截取，得到第一区域高清图；
将第一区域高清图导入图像识别模型进行物体识别与区域标记，得到多个物体区域与对应多个物体类型；
基于电池单元区域热成像图与电池单元热能分布图进行热能异常判断，若出现热能异常，实时获取电池单元热能异常区域；
计算并判断电池单元热能异常区域与所有物体区域的最短距离，若最短距离低于预设距离，则将对应的物体区域标记为异常物体区域；
判断异常物体区域中对应物体类型是否为易燃物体，若是，则基于所有异常物体区域对热成像图数据进行区域图像截取，得到异常物体区域热成像图；
基于异常物体区域热成像图，实时获取其中最高温度，若最高温度大于预设温度且持续时间大于预设持续时间，则生成高温消防预警信息；
将所述高温消防预警信息发送至预设终端设备。
需要说明的是，所述物体区域一般为在储能电池内除电池、芯片、线缆以外的物体。在储能电池内，由于电池组的发热可能会导致储能电池内部其余物体的温度升高，从而存在一定的安全隐患。所述多个物体区域与对应多个物体类型中，一个物体区域对应一种类型的物体。所述预设终端设备即用户终端设备，包括移动终端设备与计算机终端设备。所述高清图像数据即包括色彩信息的图像数据。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于多维度分析的储能电池控制程序，所述基于多维度分析的储能电池控制程序被处理器执行时，实现如上述任一项所述的基于多维度分析的储能电池控制方法的步骤。
本发明公开了一种基于多维度分析的储能电池控制方法、系统及介质。基于目标储能电池组高清图像数据进行内部结构分析，得到电池组结构分布图；基于充放电计划数据与电池组结构分布图进行热能压力点预测与热成像模拟分析，得到基于热成像的热能分布图；基于电池组充放电计划数据进行计算分析得到电能监测指标信息；实时监测与获取目标储能电池组的电能监测数据与热成像图数据，将所述电能监测数据、热成像图数据与电能监测指标信息、热能分布图进行数据比较分析，得到电池组电能质量评估信息与电池组运维方案。基于本发明，能够实现储能电池组的精细化分析与热能消耗评估，进一步对储能电池组进行智能诊断、维护与控制。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元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。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种基于多维度分析的储能电池控制方法，其特征在于，包括：
获取目标储能电池组高清图像数据；
基于所述目标储能电池组高清图像数据进行内部结构识别与结构分布分析，得到电池组结构分布图；
获取目标储能电池组充放电计划数据，基于所述充放电计划数据与电池组结构分布图进行热能压力点预测与热成像模拟分析，得到基于热成像的热能分布图；
基于电池组充放电计划数据进行计算分析得到电能监测指标信息；
实时监测与获取目标储能电池组的电能监测数据与热成像图数据，将所述电能监测数据、热成像图数据与电能监测指标信息、热能分布图进行数据比较分析，得到电池组电能质量评估信息与电池组运维方案；
其中，所述获取目标储能电池组充放电计划数据，基于所述充放电计划数据与电池组结构分布图进行热能压力点预测与热成像模拟分析，得到基于热成像的热能分布图，具体为：
获取目标储能电池组充放电计划数据；
基于所述充放电计划数据，对目标储能电池组中各个电池单元进行压力预测评估，得到电池单元压力分布信息；
基于所述充放电计划数据，对目标储能电池组中各个芯片单元进行压力预测评估，得到芯片单元压力分布信息；
基于电池单元压力分布信息与芯片单元压力分布信息，对电池组中的线缆进行电流大小评估，得到线缆电流大小分布图；
基于线缆电流大小分布图进行热成像模拟，形成基于热成像的线缆单元热能分布图；
基于电池单元压力分布信息与芯片单元压力分布信息进行中心压力点预测，得到电池单元压力点与芯片单元压力点；
基于目标储能电池组充放电计划数据获取储能电池计划工作时间；
将储能电池计划工作时间、电池单元压力点与芯片单元压力点导入热扩散模型进行热能扩散预测分析，得到电池单元热能扩散图与芯片单元热能扩散图；
基于电池单元热能扩散图与芯片单元热能扩散图进行热成像模拟，生成对应的电池单元热能分布图与芯片单元热能分布图。
2.根据权利要求1所述的一种基于多维度分析的储能电池控制方法，其特征在于，所述获取目标储能电池组高清图像数据，之前包括：
获取储能电池的组件图像大数据；
对组件图像大数据进行数据清洗、去冗余预处理，基于预设图像标准，从组件图像大数据中进行图像筛选，得到标准电池组图像数据；
将标准电池组图像数据中的组件图像数据与组件类别信息进行映射关联，并将映射关联后的组件图像数据导入储能电池图像数据库；
所述组件类别包括电池单元、芯片单元和线缆单元。
3.根据权利要求2所述的一种基于多维度分析的储能电池控制方法，其特征在于，所述基于所述目标储能电池组高清图像数据进行内部结构识别与结构分布分析，得到电池组结构分布图，之前包括：
构建基于CNN的图像识别模型；
从储能电池图像数据库中随机获取预设数据量的测试组件图像数据；
将测试组件图像数据根据预设比例划分为训练数据与验证数据；
将所述训练数据与验证数据导入图像识别模型进行循环识别训练，直至通过所有验证数据。
4.根据权利要求3所述的一种基于多维度分析的储能电池控制方法，其特征在于，所述基于所述目标储能电池组高清图像数据进行内部结构识别与结构分布分析，得到电池组结构分布图，具体为：
将所述目标储能电池组高清图像数据进行图像降噪、平滑、增强预处理，得到预处理图像数据；
基于预处理图像数据获取整体图像区域信息；
将预处理图像数据导入图像识别模型进行内部结构识别与电池组件类型判断，得到组件识别结果；
基于组件识别结果与整体图像区域信息进行图像区域划分，得到电池单元区域、芯片单元区域、线缆单元区域；
基于电池单元区域、芯片单元区域、线缆单元区域进行信息整合得到电池组结构分布图。
5.根据权利要求4所述的一种基于多维度分析的储能电池控制方法，其特征在于，所述实时监测与获取目标储能电池组的电能监测数据与热成像图数据，将所述电能监测数据、热成像图数据与电能监测指标信息、热能分布图进行数据比较分析，得到电池组电能质量评估信息与电池组运维方案，具体为：
在预设时间段内，实时监测与获取目标储能电池组的电能监测数据与热成像图数据；
基于目标储能电池组充放电计划数据获取电能计划指标数据；
将电能计划指标数据与目标储能电池组的电能监测数据进行数据对比分析，并基于电流、电压和功率维度生成第一电能评估数据；
基于电池组结构分布图，将所述热成像图数据划分为电池单元区域热成像图、芯片单元区域热成像图、线缆单元区域热成像图；
将电池单元区域热成像图、芯片单元区域热成像图、线缆单元区域热成像图分别与电池单元热能分布图、芯片单元热能分布图、线缆单元热能分布图进行热能分布比较与热能异常区域分析计算，得到电池单元热能异常区域、芯片单元热能异常区域、线缆单元热能异常区域；
根据所述电池单元热能异常区域、芯片单元热能异常区域、线缆单元热能异常区域，对目标储能电池组进行基于电池单元、芯片单位、线缆单元的热能损耗评估，得到第二电能评估数据；
基于第一电能评估数据与第二电能评估数据对目标储能电池组进行综合电能评估，得到电池组电能质量评估信息。
6.根据权利要求5所述的一种基于多维度分析的储能电池控制方法，其特征在于，所述实时监测与获取目标储能电池组的电能监测数据与热成像图数据，将所述电能监测数据、热成像图数据与电能监测指标信息、热能分布图进行数据比较分析，得到电池组电能质量评估信息与电池组运维方案，还包括：
计算线缆单元热能异常区域的区域面积，得到线缆热能异常区域面积；
根据第一电能评估数据，获取线缆单元中电流异常差值；
在预设时间段内，基于实时获取的电能监测数据，计算出线缆单元的电流异常持续时间；
基于电流异常差值、电流异常持续时间、线缆热能异常区域面积，对线缆单元进行寿命评估并生成线缆运维计划；
计算电池单元热能异常区域的区域面积，得到电池单元热能异常区域面积；
在预设时间段内，基于电池单元区域热成像图与电池单元热能分布图进行热能异常判断，并计算得出电池单元热能异常持续时间；
若电池单元热能异常区域面积大于预设面积且电池单元热能异常持续时间大于预设时间，则基于电池单元热能异常区域面积与电池单元热能异常持续时间进行电池单元的寿命评估并生成电池单元更换计划；
将线缆运维计划与电池单元更换计划进行方案整合，得到电池组运维方案。
7.一种基于多维度分析的储能电池控制系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于多维度分析的储能电池控制程序，所述基于多维度分析的储能电池控制程序被所述处理器执行时实现如下步骤：
获取目标储能电池组高清图像数据；
基于所述目标储能电池组高清图像数据进行内部结构识别与结构分布分析，得到电池组结构分布图；
获取目标储能电池组充放电计划数据，基于所述充放电计划数据与电池组结构分布图进行热能压力点预测与热成像模拟分析，得到基于热成像的热能分布图；
基于电池组充放电计划数据进行计算分析得到电能监测指标信息；
实时监测与获取目标储能电池组的电能监测数据与热成像图数据，将所述电能监测数据、热成像图数据与电能监测指标信息、热能分布图进行数据比较分析，得到电池组电能质量评估信息与电池组运维方案；
其中，所述获取目标储能电池组充放电计划数据，基于所述充放电计划数据与电池组结构分布图进行热能压力点预测与热成像模拟分析，得到基于热成像的热能分布图，具体为：
获取目标储能电池组充放电计划数据；
基于所述充放电计划数据，对目标储能电池组中各个电池单元进行压力预测评估，得到电池单元压力分布信息；
基于所述充放电计划数据，对目标储能电池组中各个芯片单元进行压力预测评估，得到芯片单元压力分布信息；
基于电池单元压力分布信息与芯片单元压力分布信息，对电池组中的线缆进行电流大小评估，得到线缆电流大小分布图；
基于线缆电流大小分布图进行热成像模拟，形成基于热成像的线缆单元热能分布图；
基于电池单元压力分布信息与芯片单元压力分布信息进行中心压力点预测，得到电池单元压力点与芯片单元压力点；
基于目标储能电池组充放电计划数据获取储能电池计划工作时间；
将储能电池计划工作时间、电池单元压力点与芯片单元压力点导入热扩散模型进行热能扩散预测分析，得到电池单元热能扩散图与芯片单元热能扩散图；
基于电池单元热能扩散图与芯片单元热能扩散图进行热成像模拟，生成对应的电池单元热能分布图与芯片单元热能分布图。
8.根据权利要求7所述的一种基于多维度分析的储能电池控制系统，其特征在于，所述获取目标储能电池组高清图像数据，之前包括：
获取储能电池的组件图像大数据；
对组件图像大数据进行数据清洗、去冗余预处理，基于预设图像标准，从组件图像大数据中进行图像筛选，得到标准电池组图像数据；
将标准电池组图像数据中的组件图像数据与组件类别信息进行映射关联，并将映射关联后的组件图像数据导入储能电池图像数据库；
所述组件类别包括电池单元、芯片单元和线缆单元。
9.一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中包括基于多维度分析的储能电池控制程序，所述基于多维度分析的储能电池控制程序被处理器执行时，实现如权利要求1至6中任一项所述的基于多维度分析的储能电池控制方法的步骤。
CN202310996933.XA 2023-08-09 2023-08-09 一种基于多维度分析的储能电池控制方法、系统及介质 Active CN116706973B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310996933.XA CN116706973B (zh) 2023-08-09 2023-08-09 一种基于多维度分析的储能电池控制方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310996933.XA CN116706973B (zh) 2023-08-09 2023-08-09 一种基于多维度分析的储能电池控制方法、系统及介质

Publications (2)

Publication Number Publication Date
CN116706973A CN116706973A (zh) 2023-09-05
CN116706973B true CN116706973B (zh) 2024-02-02

Family

ID=87829809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310996933.XA Active CN116706973B (zh) 2023-08-09 2023-08-09 一种基于多维度分析的储能电池控制方法、系统及介质

Country Status (1)

Country Link
CN (1) CN116706973B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117134007B (zh) * 2023-10-23 2024-01-26 深圳市神通天下科技有限公司 一种锂离子电池温度控制方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107845100A (zh) * 2017-10-23 2018-03-27 浙江工业大学 一种储能系统锂电池堆三维立体温度场重构方法
CN114179675A (zh) * 2022-02-16 2022-03-15 深圳康普盾科技股份有限公司 一种基于物联网的换电柜安全控制方法、系统及存储介质
CN115343623A (zh) * 2022-08-31 2022-11-15 中国长江三峡集团有限公司 一种电化学储能电池故障的在线检测方法及装置
CN115953566A (zh) * 2023-03-15 2023-04-11 深圳市普雷德科技有限公司 一种用于红外热成像仪的特征分析方法、系统及介质
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
CN116455085A (zh) * 2023-06-16 2023-07-18 尚宁心材(天津)科技有限公司 一种电池储能电站智能监控系统
CN116523211A (zh) * 2023-04-12 2023-08-01 公安县前锋科技能源有限公司 基于图像识别和多维度监测分析的光伏发电站选址方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011225206A (ja) * 2010-03-31 2011-11-10 Honda Motor Co Ltd 車両用駆動装置の制御装置
NL2017511B1 (en) * 2016-09-22 2018-03-29 Mito Medical Products B V A device and method for thermal imaging of a living mammal body section.

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107845100A (zh) * 2017-10-23 2018-03-27 浙江工业大学 一种储能系统锂电池堆三维立体温度场重构方法
CN114179675A (zh) * 2022-02-16 2022-03-15 深圳康普盾科技股份有限公司 一种基于物联网的换电柜安全控制方法、系统及存储介质
CN115343623A (zh) * 2022-08-31 2022-11-15 中国长江三峡集团有限公司 一种电化学储能电池故障的在线检测方法及装置
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
CN115953566A (zh) * 2023-03-15 2023-04-11 深圳市普雷德科技有限公司 一种用于红外热成像仪的特征分析方法、系统及介质
CN116523211A (zh) * 2023-04-12 2023-08-01 公安县前锋科技能源有限公司 基于图像识别和多维度监测分析的光伏发电站选址方法
CN116455085A (zh) * 2023-06-16 2023-07-18 尚宁心材(天津)科技有限公司 一种电池储能电站智能监控系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于大数据的油气集输系统生产能耗时序预测模型;檀朝东 等;《石油学报》;第37卷(S2);第158-164页 *

Also Published As

Publication number Publication date
CN116706973A (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN111584952B (zh) 用于储能电站电化学电池在线评估的方法和系统
CN116706973B (zh) 一种基于多维度分析的储能电池控制方法、系统及介质
CN104217110A (zh) 一种利用基准态分析的gis状态评估方法及装置
CN116933666B (zh) 一种集装箱储能系统的热管理优化方法、系统及介质
CN116154900B (zh) 一种电池储能电站的主动安全三级防控系统及方法
CN116956639B (zh) 一种基于数据分析的高散热性蓄电池评估方法及系统
CN116722571B (zh) 一种基于数字孪生的储能管理方法、系统及介质
CN113990054A (zh) 一种储能电站数据分析与预警系统
CN115954910B (zh) 一种基于能量优化的分布式储能控制方法及系统
CN116455085A (zh) 一种电池储能电站智能监控系统
CN114734873B (zh) 一种基于云端在线数据的动力电池单体热失控预警方法
CN114578251A (zh) 基于卷积神经网络的电池模组安全状态评估方法及装置
CN116845391A (zh) 一种锂电池储能管理系统
CN113159517B (zh) 一种三维可视化电网运行数据分析系统
CN110261748A (zh) Gis设备绝缘性能识别方法及系统
CN106058338A (zh) 一种动力电池组的检测维护和均衡保养设备
CN117706375A (zh) 电池组安全状态评分方法、装置、设备及可读存储介质
CN113541306A (zh) 一种绿色能源低碳效能监测系统及方法
CN117169761A (zh) 电池状态评估方法、装置、设备、存储介质和程序产品
CN117192390A (zh) 储能电池安全评估方法、系统、储能设备及储能场站
CN115049241A (zh) 基于大数据的新能源设备安全检测检修方法、系统及装置
CN114720879A (zh) 基于bp神经网络的储能锂电池组老化模式自动识别方法
CN117691227B (zh) 用于电池储能系统安全预警的方法和系统及计算设备
CN116167689B (zh) 一种电池仓储物流安全控制方法和系统
CN114114056B (zh) 一种换电柜的电池检测回收方法、系统及存储介质

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