CN117691227B - 用于电池储能系统安全预警的方法和系统及计算设备 - Google Patents

Abstract

本发明提供一种用于电池储能系统安全预警的方法和系统及计算设备，所述电池储能系统包括多个电池模组，每个电池模组包括多个电芯，所述方法包括从设置于各电池模组每个电芯的温度传感器获取电池模组中的电芯温度点集；将所述电芯温度点集的切片组装为二维图像；将所述二维图像的连续时间序列输入预训练的时间序列神经网络模型；根据所述时间序列神经网络模型的输出结果，确定是否进行预警。利用本发明的方法可以提高电池储能系统的安全运行水平，有效预防并及时处理潜在的安全隐患。

Description

用于电池储能系统安全预警的方法和系统及计算设备

技术领域

本发明涉及储能系统技术领域，具体涉及一种用于电池储能系统安全预警的方法和系统及计算设备。

背景技术

随着电力储能市场的快速发展，对储能产品的技术要求也越来越高，但是市场主流的储能产品在科学性、安全性、经济性方面还无法完全满足市场的需求。与常规电源相比，新能源发电单机容量小、数量多、布点分散，而且具有显著的间歇性、波动性、随机性特征。在大规模开发利用新能源的过程中，发展储能是必然趋势。

储能系统的安全性是业界最为关注的问题。储能系统的安全问题，已成为制约储能产业发展的关键问题，为解决这些问题，需要采取一系列措施来提高储能系统的安全性。

因此，为了促进储能产品的技术，不断创新和进步，提出一种用于电池储能系统安全预警的方法和系统及计算设备。

发明内容

本发明旨在提供一种用于电池储能系统安全预警的方法和系统及计算设备，提高电池储能系统的安全运行水平，有效预防并及时处理潜在的安全隐患。

根据本发明的一方面，提供一种用于电池储能系统安全预警的方法，所述电池储能系统包括多个电池模组，每个电池模组包括多个电芯，其特征在于，所述方法包括：

从设置于各电池模组每个电芯的温度传感器获取电池模组中的电芯温度点集；

将所述电芯温度点集的切片组装为二维图像；

将所述二维图像的连续时间序列输入预训练的时间序列神经网络模型；

根据所述时间序列神经网络模型的输出结果，确定是否进行预警。

根据一些实施例，其特征在于，所述温度传感器包括负温度系数热敏电阻。

根据一些实施例，所述时间序列神经网络模型包括convLSTM模型。

根据一些实施例，将所述电芯温度点集的切片组装为二维图像，包括：

将所述电芯温度点集沿第一方向做点集切片；

将所述点集切片连接为二维结构；

将所述二维结构转换为二维图像。

根据一些实施例，将所述二维结构转换为二维图像，包括：

将每个温度点转换为一个像素灰度值。

根据一些实施例，所述第一方向包括所述电池模组的长度、宽度、或高度方向。

根据一些实施例，将所述点集切片连接为二维结构，包括：

将所述点集切片连接为W*NH或NW*H形式的二维结构。

根据一些实施例，所述时间序列神经网络模型提取所述二维结构的连续时间序列的空间特征和时间特征。

根据本发明另一方面，提供一种用于电池储能系统安全预警的系统，包括：

温度获取模块，用于从设置于各电池模组每个电芯的温度传感器获取电池模组中的电芯温度点集；

组装模块，用于将所述电芯温度点集的切片组装为二维结构；

处理模块，用于将所述二维结构的连续时间序列输入预训练的时间序列神经网络模型，所述时间序列神经网络模型提取所述二维结构的连续时间序列的空间特征和时间特征；

预警模块，用于根据所述时间序列神经网络模型的输出结果，确定是否进行预警。

根据本发明的另一方面，提供一种计算设备，包括处理器，以及存储器，存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行如上任一项所述的方法。

根据本发明的另一方面，提供一种非瞬时性计算机可读存储介质，其上存储有计算机可读指令，当所述指令被处理器执行时，使得所述处理器执行如上任一项所述的方法。

根据本发明实施例的用于电池储能系统安全预警的方法，所述方法利用了现代物联网技术对电池储能系统实现精细化监控，并借助深度学习算法的强大预测能力来提高预警准确率，有助于提升储能系统的运行安全性及延长其使用寿命。

本发明实施例采用模块化设计，结合先进的工程技术实践，为系统提供必要的电气安全措施，通过良好的接地系统降低电气风险，并能在出现接地故障时及时检测报警，防止意外触电和电气火灾的发生，系统具有高度灵活性、可扩展性和可靠性。

根据本发明实施例的一种用于电池储能系统安全预警的系统，通过集成化的设计和智能化的分析手段，实现了对储能电池系统状态的实时监控和提前预警，有效提升了电池使用过程中的安全性。

根据本发明实施例的用于电池储能系统安全预警的方法，解决了电池储能系统安全性低、效率低、寿命短、运维难的问题。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。

图1示出根据示例实施例用于电池储能系统的组成框图。

图2示出根据示例实施例用于电池储能系统安全预警的方法流程图。

图3示出根据示例实施例电池模组温度点三维图示意图。

图4A示出根据示例实施例电池模组温度点组装二维结构示意图。

图4B示出根据示例实施例电池模组温度点组装二维结构示意图。

图5示出根据示例实施例一种用于电池储能系统安全预警的系统组成框图。

图6示出根据示例性实施例的计算设备的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本发明将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本发明概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本发明所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的，因此不能用于限制本发明的保护范围。

针对现有储能市场的高速发展，对储能产品的技术要求也越来越高，储能系统的安全问题成为制约储能产业发展的关键问题。同时，为解决电池模组串联失配和电池模组并联失配的问题，降低储能电站运维时间和运维费用，提高大型储能电站精确响应电网稳控命令的问题等，需要探索一种可行性好的系统，要求储能电站的控制系统与电网稳控系统具有优良的交互能力，并且可以准确评估储能设备的输出能力，实现与电网稳控系统的信息交互。为此，本发明提出一种用于电池储能系统安全预警的方法。

根据示例实施例，本发明基于AI的电池管理系统（BMS）提出了一种用于电池储能系统安全预警的方法，可以实时监测电池的状态，采取相应的措施来保护电池，提高电池的使用效率和寿命。同时，智能BMS还可以通过数据分析和机器学习等技术实现对电池的智能化管理，从而提高储能系统的效率和可靠性。

在描述本发明实施例之前，对本发明实施例涉及到的一些术语或概念进行解释说明。

LSTM（Long Short-Term Memory）模型是一种特殊的循环神经网络，用于解决传统RNN在处理长序列数据时遇到的梯度消失和梯度爆炸问题。LSTM模型能够在处理序列数据时更好地捕捉到长距离的依赖关系，在语音识别、自然语言处理、机器翻译等领域取得了显著的成功。

RNN（Recurrent Neural Network，循环神经网络）是一种人工神经网络，其设计能够处理和预测具有时间依赖性的序列数据。在传统的前馈神经网络中，信息只在网络层间单向流动；而在RNN中，信息在网络内部形成了一个循环结构，使得当前时刻的输出不仅取决于当前输入，还受到过去时刻隐藏状态的影响。

ConvLSTM（Convolutional Long Short-Term Memory）卷积长短期记忆网络，是LSTM模型在处理时空序列数据时的一种扩展变体。ConvLSTM主要用于视频预测、图像序列分析等需要同时考虑时间维度和空间维度依赖关系的问题。

BMS（Battery Management System）电池管理系统，是一种用于监测、控制和管理电池的软硬件系统，可以实时监测电池的状态，采取相应的措施来保护电池，提高电池的使用效率和寿命。BMS通常由传感器、控制器、通信模块等组成，应用于电动汽车、储能系统、便携式电子设备等领域。

SOC（State of Charge，荷电状态），是衡量电池容量的一种方法，表示电池当前的剩余容量占其总容量的百分比。SOC是电池管理系统（BMS）中的一个重要参数，可以用于评估电池的健康状况，以及预测电池的剩余使用时间。

SOH（State of Health，健康状态），是衡量电池性能的一种方法，表示电池当前的健康状况。SOH是电池管理系统（BMS）中的一个重要参数，可以用于评估电池的健康状况，以及预测电池的剩余使用时间。

本发明提出一种用于电池储能系统安全预警的方法，利用了现代物联网技术对电池储能系统实现精细化监控，并借助深度学习算法的强大预测能力来提高预警准确率，有助于提升储能系统的运行安全性及延长其使用寿命。

下面结合附图对本发明的示例实施例进行说明。

图1示出根据示例实施例电池储能系统的组成框图。

参见图1，电池储能系统采用模块化设计，所述电池储能系统包括电池仓、功率仓及控制仓、电池管理系统（BMS）、空调及温控系统、照明系统、火灾探测及自动灭火系统、安防系统、应急系统、防浪涌装置、接地保护装置、接地故障探测装置。

根据示例实施例，电池仓是储能系统的核心能量存储单元，所述电池仓包含磷酸铁锂电池簇及电池机架。电芯是储能的基本单元，通过化学反应实现能量的存储和释放，电芯的质量直接影响整个电池系统的性能与安全性，电芯的寿命受到充放电循环次数、温度、充电状态等因素的影响，任何单个电芯发生故障或性能退化都可能影响到整个电池包的性能和安全。模组是由多个单体电芯按照特定串并联方式组合而成的结构，每个电芯都有独立的监控功能以确保工作状态的均衡性和安全性，模组的设计必须具备足够的机械强度来保护内部电芯不受物理损伤，同时提供良好的热管理设计以控制工作时产生的热量，确保电芯能在适宜的温度下工作，防止过热导致的安全风险。此外，模组应具有故障检测和处理能力，当某个电芯出现异常时能够迅速隔离，防止问题扩大。电池包是由一个或多个模组构成的整体，加上必要的电池管理系统（BMS）、冷却系统、外壳封装及电气连接等组件，形成一个高度集成的能源储存单元。BMS负责对所有模组进行实时监测和智能控制，包括电压均衡、电流控制、温度控制以及健康状态评估等功能，确保整个电池包高效、稳定且安全地运行。

根据示例实施例，所述磷酸铁锂电池选用280Ah电芯，对应的电池包配置为1P18S，电池包规格为57.6V/280Ah，电池包标称容量为16.128kWh，由21个电池包串联成电池簇，电池簇规格为1209.6V/280Ah/338.699kWh，每6个电池簇置于一个电池架内，标称容量为2.032MWh。所述磷酸铁锂电池簇是一种锂离子电池的电芯，正极材料为磷酸铁锂（LiFePO4），磷酸铁锂电芯具有高能量密度、长循环寿命、安全性高和低成本等优点，因此应用在储能系统中。

所述电池管理系统（BMS）用于监控和管理整个电池系统的状态，包括单体电池的电压、电流、温度以及整个电池包的SOC（荷电状态）、SOH（健康状态）等关键参数，以确保电池在安全、高效的工作范围内运行，并延长电池使用寿命。所述功率仓及控制仓是集成电力转换设备，负责将电池储存的直流电能转化为交流电能或反之，实现与电网或其他用电设备的能量交互。

所述温控系统及空调用于维持电池仓内恒定适宜的工作温度，防止电池过热或过冷导致性能下降或安全问题，空调及散热装置能够根据电池工作情况自动调节环境温度。所述照明系统为所述电池储能系统提供内部操作和维护所需的基本光照条件。所述火灾探测及自动灭火系统实时监测电池舱内的火源风险，一旦发生异常升温或火灾迹象，能够迅速启动灭火机制，保障储能系统免受火灾威胁。

所述安防系统包括但不限于视频监控、门禁控制等，确保电池储能系统的物理安全，所述应急系统具备紧急停机、断电保护等功能，在异常情况下快速响应，保证人员安全及设施不受损害。

所述防浪涌装置对电池储能系统的输入输出电力进行保护，避免瞬时高电压或大电流冲击影响电池寿命和系统稳定性。所述接地保护装置及接地故障探测装置为所述电池储能系统提供必要的电气安全措施，通过良好的接地系统降低电气风险，并能在出现接地故障时及时检测报警，防止意外触电和电气火灾的发生。

本示例实施例的所述电池储能系统采用模块化设计，既考虑了日常运营的安全性、可靠性和效率，也兼顾了整体布局的便捷性和未来扩展升级的可能性，是保障现代智能能源安全的重要组成部分。

图2示出根据示例实施例用于电池储能系统安全预警的方法流程图。

根据示例实施例，电池模组发生火灾、爆炸等安全事故前，其内部温度变化会发生改变，参见图2，通过对储能系统中电池模组的温度监控进行安全预警。

在S101，从设置于各电池模组每个电芯的温度传感器获取电池模组中的电芯温度点集。

在电池储能系统中，为了确保每个电芯的安全运行和整个系统的稳定性，通常会在每个电池模组内部的每一个电芯安装温度传感器。这些传感器实时监测每个电芯的工作温度，并将数据传输至电池管理系统（BMS）或其他监控设备。确保图像的时间顺序与实际测量时间一致，即每一帧图像代表一个特定时间点，本实施例电池模组温度点三维图示意图参见图3。

根据示例实施例，温度传感器持续不断地监测各自对应的电芯表面或内部温度，精确测量并记录每个时刻的温度值。

将所述传感器收集到的数据按照特定的通信协议发送给电池管理系统或其他数据处理单元，形成一个包含所有电芯温度信息的温度点集。所述温度点集的构建包含多个电芯，获取到的温度点集是一组多维数据，对应一个电芯在某一时间点的温度值。随着时间推移，这一数据集合就形成了连续的时间序列，可以用来反映电池模组内各电芯温度变化的动态过程。通过分析这些温度点集，可以评估电池模组的整体健康状况、热管理效率以及是否存在潜在的安全风险。

在S103，将所述电芯温度点集的切片组装为二维图像。

在电池储能系统中，通过将各电芯的温度传感器所采集到的数据进行处理，可以将所述采集到的温度数据转化为可视化信息以方便分析和预警，所述温度传感器包括负温度系数热敏电阻。

根据示例实施例，将所述电芯温度点集的切片组装为二维图像，从各个电池模组内部每个电芯获取到实时温度数据后，把这些数据按照一定的规律组织成一个矩阵形式的数据集，然后通过图形化手段，将这个数据集描绘成一张二维图像。这样形成的二维图像，可以直观地呈现出电池模组内部各电芯温度随时间演变的热分布状况，有助于快速识别异常升温、局部过热等潜在的安全风险，并据此采取相应的预防措施。

在S105，将所述二维图像的连续时间序列输入预训练的时间序列神经网络模型。

根据示例实施例，将二维图像形式表示的电芯温度连续时间序列输入预训练的时间序列神经网络模型，是为了预测未来的温度趋势、检测异常行为或优化电池管理策略。

选择适用于时间序列分析的预训练模型，所述时间序列神经网络模型包括convLSTM模型。所述convLSTM模型对连续时间序列数据进行适当的数据归一化或标准化，以确保数据在模型训练阶段的稳定性。使用所述模型对新的连续时间序列图像进行预测，得到未来一段时间内电芯的温度分布情况，这有助于提前采取措施预防过热或其他潜在故障。

在S107，根据所述时间序列神经网络模型的输出结果，确定是否进行预警。

根据时间序列神经网络模型对电池储能系统中电芯温度图像连续时间序列的分析和预测结果，可以设定一系列预警阈值和规则，以确定是否需要发出预警信号。

根据示例实施例，获取时间序列神经网络模型在处理输入数据后的输出结果，所述结果包括但不限于未来一段时间内的温度预测值、异常检测指标或潜在故障概率。为关键的温度参数设定预警阈值，当预测到某个电芯或一组电芯的温度超过安全范围时，或者模型识别出温度趋势存在显著异常变化时，触发预警条件；或者当模型检测到温度变化模式与正常工作状态有显著偏离，且这种偏离符合预先定义的异常行为特征，也应触发预警。当满足预警条件时，根据不同的监测结果，通过电池管理系统（BMS）、安防系统或火灾探测及自动灭火系统采取相应措施，如减缓充电速率、启动散热设备、隔离异常电芯等，防止安全事故的发生，同时向运维人员发送报警信息，以便及时进行现场检查和维护。

通过本示例实施例用于电池储能系统安全预警的方法，利用深度学习技术构建的时间序列神经网络模型能够实时监测并提前预警电池储能系统的安全隐患，从而提高整个储能系统的安全性与可靠性。

图4A、4B示出根据示例实施例电池模组温度点组装二维结构示意图。

根据示例实施例，将所述电芯温度点集（图中A1、A2、…、An表示各个温度点）的切片组装为二维图像，包括将所述电芯温度点集沿第一方向做点集切片，所述第一方向包括所述电池模组的长度、宽度、或高度方向。如果电池模组是由多个电芯串联或并联形成的长条形结构，那么沿长度方向做点集切片可能意味着按照电芯在模组中的排列顺序来收集和组织温度数据；如果电芯在模组内是按行或列排列的，则宽度方向上的切片可以理解为同一时间下，对所有横向相邻电芯的温度进行采样整合；对于多层堆叠式的电池模组，高度方向上的切片则表示在同一时刻，从上至下或从下至上对各层电芯温度的集合。无论选择哪个方向作为所述第一方向，其目的都是将连续的电芯温度数据以二维图像的形式呈现出来，以便更好地进行可视化分析、识别异常情况以及通过预训练的时间序列神经网络模型进行预警判断。这样的转换有助于快速发现潜在的安全风险，并及时采取相应的控制措施。

根据示例实施例，将所述电芯温度点集的切片组装为二维图像，包括将所述点集切片连接为二维结构，将所述点集切片连接为二维结构，包括将所述点集切片连接为W*NH或NW*H形式的二维结构。将点集切片连接为二维结构的过程中，W*NH或NW*H这两种形式的表述分别代表了不同的数据组织方式。W表示点集切片在宽度方向上的温度点数量，H表示高度方向上的温度点数量，N表示切片数量。

无论是哪种形式，最终目标都是将采集到的电芯温度数据整合成二维结构，便于后续将其转换为灰度图像进行可视化分析以及输入到时间序列神经网络模型中进行预测和预警判断。

根据示例实施例，将所述电芯温度点集的切片组装为二维图像，包括将二维结构转换为二维图像，每个温度点被映射为一个像素的灰度值。定义温度与灰度值的对应关系，建立一个映射规则，将电芯的温度数据范围映射到灰度等级范围上。将二维结构中的每个温度数据点作为单个像素点来处理，按照预设的温度-灰度映射规则，将每个电芯在特定时间切片下的温度值转换为相应的灰度值。将所有像素点按照它们在电池模组中的位置顺序排列，形成一个二维数组或者矩阵，这个矩阵就是最终的二维图像。每一元素代表同一时间下各个电芯的温度。

通过将所述电芯温度点集的切片组装为二维图像，电池储能系统中电芯的温度状态以灰度图像的形式呈现出来，不仅便于人眼观察和理解，也方便进一步输入到计算机视觉算法或深度学习模型中进行分析和预测，从而实现对电池安全状况的有效预警。

通过本示例实施例用于电池储能系统安全预警的方法，原本抽象的电芯温度时间序列数据被转换成了易于理解和分析的图像形式，进而可借助图像处理技术和深度学习模型来进行更精准的安全预警和状态评估。

根据本发明的技术方案，对电池模组中的每个电芯设置温度传感器，采集电芯温度，将采集的电池模组中的电芯温度点集按所述第一方向的切片转换为二维图像，每个温度点对应一个像素灰度值，输入预训练时间序列神经网络进行处理，根据结果确定是否发出预警。

所述时间序列神经网络模型convLSTM模型是LSTM模型的一种变体，是一种能够捕捉时间和空间特征的深度学习模型。所述模型引入了空间上的卷积操作和时间上的循环操作，同时保留了LSTM中的记忆单元和门控机制，能够考虑到时序数据的长期依赖性和空间结构的局部相关性。因此，ConvLSTM可以有效地用于处理时空数据。相比于LSTM模型，ConvLSTM模型可以将图片作为网络的输入并对图片序列进行卷积操作，提取图片特征，能够更好地完成时序数据是图像的序列预测。

根据示例实施例，所述时间序列神经网络模型提取所述二维结构的连续时间序列的空间特征和时间特征。模型可以通过卷积层等操作捕捉到相邻电芯间温度分布的模式、热点区域以及异常热扩散路径等空间关联性。模型可以学习到温度随时间变化的趋势、周期性以及突发性的变化规律。例如，通过循环层（如LSTM的门控机制），模型可以理解和记忆过去的温度状态，并预测未来的温度走势，从而有效识别出可能的热失控风险或其他潜在的安全问题。

本发明的技术方案将电芯温度点集的二维图像的连续时间序列输入convLSTM，提取空间特征，然后得到时序特征，二者融合后得到预警结果。通过结合空间特征和时间特征的学习，时间序列神经网络模型能够在电池储能系统安全预警任务中提供更准确的预测结果，及时发现并预警潜在的危险情况。

图5示出根据示例实施例一种用于电池储能系统安全预警的系统组成框图。

参见图5，一种用于电池储能系统安全预警的系统包括温度获取模块111、组装模块113、处理模块115和预警模块117。所述系统通过集成化的设计和智能化的分析手段，实现了对储能电池系统状态的实时监控和提前预警，有效提升了电池使用过程中的安全性。

根据示例实施例，所述温度获取模块111用于从设置于各电池模组每个电芯的温度传感器获取电池模组中的电芯温度点集。在每个电池模组内部，针对每一个电芯安装高精度、稳定性好的温度传感器，这些传感器通常紧密贴合在电芯表面或嵌入电芯内部，以便准确测量电芯工作时的实际温度。随着电池运行过程中充放电状态的变化，温度传感器持续不断地读取每个电芯的温度值，并将其转换为电信号。将这些数据按照与传感器对应的电芯位置进行整合，形成一个完整的电芯温度点集，该点集包含了整个电池模组中所有电芯在某一时刻或一段连续时间内的温度分布情况。

根据示例实施例，所述组装模块113用于将所述电芯温度点集的切片组装为二维结构，在电池储能系统的温度监控过程中，所述组装模块113从所述温度获取模块111获取到的电芯温度点集进行数据整理和组织，将连续采集的电芯温度数据进行切片处理，将处理好的二维结构数据以适合后续分析和处理的形式输出。通过所述组装模块113将原本零散的电芯温度数据得以有效地组织成具有时空特征的结构化信息，进而方便后续的实时监测、异常检测、故障诊断及预警等功能模块进行深入分析与应用。

根据示例实施例，所述处理模块115用于将所述二维结构的连续时间序列输入预训练的时间序列神经网络模型，所述时间序列神经网络模型提取所述二维结构的连续时间序列的空间特征和时间特征。

所述处理模块115将预处理后的二维结构数据输入到预先训练好的时间序列神经网络模型ConvLSTM深度学习模型，通过神经网络中的卷积层或全连接层捕捉各电芯之间的温度分布关系和空间依赖性，通过循环层（如LSTM中的门控机制）捕获温度随时间变化的趋势、周期性和突变规律，从而识别出潜在的内部短路等异常现象。根据时间序列神经网络模型提取的空间和时间特征，所述处理模块115还可以辅助制定更加精细的电池管理系统策略，比如调整充放电速率、启动冷却设备、隔离问题电芯等操作，以保证整个电池储能系统的稳定运行和安全性。

根据示例实施例，所述预警模块117用于根据所述时间序列神经网络模型的输出结果，确定是否进行预警。所述预警模块117是电池储能系统安全监控的关键组成部分，根据所述处理模块115输出的时间序列神经网络模型结果进行实时的风险评估，并据此作出是否触发预警的决策。

所述预警模块117从所述处理模块115获取经过时间序列神经网络模型分析后的结果数据，所述数据包含了电芯温度趋势预测、潜在故障概率、异常行为检测等多种指标，所述预警模块117利用预设的阈值和规则对当前系统的安全性进行综合评估。

本示例实施例用于电池储能系统安全预警的系统，通过及时捕捉并分析电芯温度变化，可以有效预防过热、热失控等可能导致电池损坏的风险事件发生，结合实时监测与智能预警的判断，可以大大提高电池储能系统的安全运行水平，有效预防并及时处理潜在的安全隐患。

图6示出根据本发明示例实施例的计算设备的框图。

如图6所示，计算设备30包括处理器12和存储器14。计算设备30还可以包括总线22、网络接口16以及I/O接口18。处理器12、存储器14、网络接口16以及I/O接口18可以通过总线22相互通信。

处理器12可以包括一个或多个通用CPU(Central Processing Unit，处理器)、微处理器、或专用集成电路等，用于执行相关程序指令。根据一些实施例，计算设备30还可包括为处理器12进行加速的高性能显示适配器（GPU）20。

存储器14可以包括易失性存储器形式的机器系统可读介质，例如随机存取存储器（RAM）、只读存储器（ROM）和/或高速缓存存储器。存储器14用于存储包含指令的一个或多个程序以及数据。处理器12可读取存储在存储器14中的指令以执行上述根据本发明实施例的方法。

计算设备30也可以通过网络接口16与一个或者多个网络通信。该网络接口16可以是无线网络接口。

总线22可以为包括地址总线、数据总线、控制总线等。总线22提供了各组件之间交换信息的通路。

需要说明的是，在具体实施过程中，计算设备30还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统（包括分子存储器IC）、网络存储设备、云存储设备，或适合于存储指令和/或数据的任何类型的媒介或设备。

本发明实施例还提供一种计算机程序产品，该计算机程序产品包括存储计算机程序的非瞬时性计算机可读存储介质，该计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种方法的部分或全部步骤。

本发明用于用于电池储能系统安全预警的方法，通过及时捕捉并分析电芯温度变化，可以有效预防过热、热失控等可能导致电池损坏的风险事件发生。利用深度学习技术构建的时间序列神经网络模型能够实时监测并提前预警电池储能系统的安全隐患，从而提高整个储能系统的安全性与可靠性。

本示例实施例的所述电池储能系统采用模块化设计，既考虑了日常运营的安全性、可靠性和效率，也兼顾了整体布局的便捷性和未来扩展升级的可能性，是保障现代智能能源安全的重要组成部分。

本领域的技术人员可以清楚地了解到本发明的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列、集成电路等。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

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，可以参见其他实施例的相关描述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可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意性的，例如单元的划分，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服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

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，在本发明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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

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器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。

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，可以参见其他实施例的相关描述。

以上具体地展示和描述了本发明的示例性实施例。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附条款的精神和范围内的各种修改和等效设置。

Claims (10)

1.一种用于电池储能系统安全预警的方法，所述电池储能系统包括多个电池模组，每个电池模组包括多个电芯，其特征在于，所述方法包括：

从设置于各电池模组每个电芯的温度传感器获取电池模组中的电芯温度点集；

将所述电芯温度点集的切片组装为二维图像；

将所述二维图像的连续时间序列输入预训练的时间序列神经网络模型；

根据所述时间序列神经网络模型的输出结果，确定是否进行预警。

2.根据权利要求1所述的方法，其特征在于，所述温度传感器包括负温度系数热敏电阻。

3.根据权利要求1所述的方法，其特征在于，所述时间序列神经网络模型包括卷积长短期记忆网络模型。

4.根据权利要求1所述的方法，其特征在于，将所述电芯温度点集的切片组装为二维图像，包括：

将所述电芯温度点集沿第一方向做点集切片；

将所述点集切片连接为二维结构；

将所述二维结构转换为二维图像。

5.根据权利要求4所述的方法，其特征在于，将所述二维结构转换为二维图像，包括：

将每个温度点转换为一个像素灰度值。

6.根据权利要求4所述的方法，其特征在于，所述第一方向包括所述电池模组的长度、宽度或高度方向。

7.根据权利要求4所述的方法，其特征在于，将所述点集切片连接为二维结构，包括：

将所述点集切片连接为W*NH或NW*H形式的二维结构，其中W表示所述点集切片在宽度方向上的温度点数量，H表示所述点集切片在高度方向上的温度点数量，N表示所述点集切片的数量。

8.根据权利要求1所述的方法，其特征在于，所述时间序列神经网络模型提取所述二维结构的连续时间序列的空间特征和时间特征。

9.一种用于电池储能系统安全预警的系统，其特征在于，包括：

温度获取模块，用于从设置于各电池模组每个电芯的温度传感器获取电池模组中的电芯温度点集；

组装模块，用于将所述电芯温度点集的切片组装为二维图像；

处理模块，用于将所述二维图像的连续时间序列输入预训练的时间序列神经网络模型，所述时间序列神经网络模型提取所述二维图像的连续时间序列的空间特征和时间特征；

预警模块，用于根据所述时间序列神经网络模型的输出结果，确定是否进行预警。

10.一种计算设备，其特征在于，包括：

处理器；以及

存储器，存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-8中任一项所述的方法。