本发明涉及深度学习在电力系统的应用领域，特别涉及一种基于多源协同的工商业储能热失控预警方法。
背景技术：
1、在能源领域，随着可再生能源的大规模应用和智能电网的快速发展，储能电站作为平衡电力供需、提高能源利用效率的关键环节，其重要性日益凸显。然而，储能电站的运行效率和安全性受到多种因素的制约，其中热管理尤为关键。
2、储能电站中的电池组在运行过程中会产生大量的热量，而热失控是指电池持续放热的连锁反应。此时电池组温度急剧上升，进而引发电池燃烧事故。热失控有三个过程，诱发、发生、蔓延，其中引发热失控的主要原因是过热、过充、内短路、碰撞等因素。如果不能有效地进行热失控监测并预警，不仅会影响电池的充放电效率和寿命，还可能导致储能电站热失控甚至引发火灾等安全事故。因此，一个精准、高效的热失控监测系统对于确保储能电站的稳定运行至关重要。
3、多源协同的热失控监测策略能够提升储能电站的整体性能。储能电站的热失控会在多个方面有预兆，包括环境温度、环境湿度、电池状态等；通过采用多源协同的热失控监测策略，可以综合考虑各种影响因素，实现更加精准的监测和控制。这不仅可以提高储能电站的运行效率，还可以延长电池的使用寿命，降低运维成本，为能源行业的可持续发展提供有力支撑。
技术实现思路
1、为了克服现有技术中的不足，本发明提供一种基于多源协同的工商业储能热失控预警方法，用于提高系统整体的可靠性和安全性，同时实现了更快的实时决策。
2、为了达到上述发明目的，解决其技术问题所采用的技术方案如下：
3、一种基于多源协同的工商业储能热失控预警方法，包括以下步骤：
4、步骤1：在储能电站电池舱中分别部署温度传感器、湿度传感器、振动传感器、电流传感器、电压传感器和气体浓度传感器并进行数据采集；
5、步骤2：对提取到的数据进行完整性检查、异常值处理、重复值处理、噪声处理；
6、步骤3：联合考虑各物理参数之间的相互影响和耦合关系，建立多物理耦合模型；
7、步骤4：将热状态得分与阈值对比，判断是否需要告警；
8、步骤5：进行系统数据上传。
9、进一步的，步骤1包括以下内容：
10、在储能电站电池舱中分别部署温度传感器、湿度传感器、振动传感器、电流传感器、电压传感器和气体浓度传感器，随后通过监测设备收集各项传感器数据；其中，电流数据、电压数据、振动数据的采样频率为1hz，温度数据、湿度数据和气体浓度数据的采样频率为0.2hz。
11、进一步的，步骤2包括以下内容：
12、首先，遍历每个维度的每一个数据点，检查数据的完整性，确保所有必填字段都已填写；
13、然后使用z-score统计量法计算每个数据点与均值的偏离程度，设定阈值识别异常值，对于偏离程度高于阈值的异常值，删除或用均值替换；z-score统计量法的公式如下：
14、
15、其中，x是数据的观测值，μ是该组数据的平均值，σ是该组数据的标准差；
16、在数据采集过程中，采用中值滤波方法进行平滑去噪，公式如下：
17、y[n]＝median(x[n-k],...,x[n],...,x[n+k])
18、将每个数据点的值替换为它周围邻近数据点的中值，其中，k为滤波器的大小。
19、进一步的，步骤3包括以下内容：
20、由于工商业储能大多在云上进行状态监测，而上云的多源数据通常采样频率不一致；同时，上云数据通常使用无线通道，存在通信中断的情况导致数据缺失，因此，建立多物理耦合模型时考虑低采样频率和数据缺失的问题；
21、所述多物理耦合模型具有三个模块，分别是时间transformer模块、核回归模块和掩码模块；
22、所述时间transformer模块用于提取时间序列中的时间依赖性；
23、所述核回归模块用于提取不同物理维度信息之间的相关性；
24、首先进行缺失值标记，对于每维时间序列，假设时间索引t是窗口的一部分，其中起始和结束时间分别为和然后定义函数如下：
25、
26、其中，hfg表示掩码模块产生的输出向量，i(a)是一个指示器集合，包含所有非缺失数据点的索引，xj是在索引j处的观测值，而|i(a)|是集合i(a)中元素的数量，用作归一化因子；
27、所述时间transformer模块中，首先，对于每段计算设备获取的原始温度数据tpt、湿度数据h、振动数据v、电流数据i、电压数据u和气体浓度数据gc，先分别对其提取特征，得到其中，t{tpt,h,v,i,u,gc}表示各个维度时间序列中的时间步长，d{tpt,h,v,i,u,gc}表示经过特征提取后各个维度每个数据点所对应的特征量；
28、为了确保每个源数据都可以接触到其相邻时间域的数据，从而获得更全局的上下文信息，将输入序列通过一维时间卷积层：
29、
30、其中，k{tpt,h,v,i,u,gc}为每个维度原数据对应的卷积核大小，d为公共维度；
31、同时，为了使特征序列携带时间信息，需要嵌入位置编码，位置编码公式如下：
32、
33、其中，et,r表示在时间步t和维度r的位置编码，p是位置编码向量的维度；
34、然后通过多头注意力模块提取信息，对于每个yj，定义q(·)和k(·)分别为yj-1和yj+1的函数，定义值v(·)为yj的函数：
35、
36、其中，wq,wk∈r2p×2p，wv∈rp×p，ej是索引j的位置编码，ai是可用性掩码标志位；
37、然后计算v(yj)向量的注意力加权和，公式如下：
38、
39、上述公式计算了在时间点j的上下文中，所有时间点j′的v(yj′)根据它们的注意力权重对输出向量hj的加权贡献，输出向量hj是输入序列中与当前时间点j最相关的信息的聚合表示，对于缺失值的索引j′，k(y,j′,a)为零；
40、计算nhead个这样的实例，使用索引l＝1…nhead来表示，通过将所有nhead注意力的输出向量连接成一个向量来获得多头注意力的输出，公式如下：
41、
42、最后将hj与yj逐点相乘，得到经过注意力处理后的特征：
43、
44、其中，表示逐点相乘；
45、所述核回归模块中，首先定义索引k沿维度i的兄弟sib(k,i)为所有索引k′的集合，使得k和k′仅在第i维上不同：
46、
47、然后使用rbf核计算第i维度中索引ki和k′i之间的相似度分数，公式如下：
48、
49、其中，γ是核函数的参数，控制了高斯分布的宽度，即在特征空间中的平滑程度；e[ki]和e[k′i]分别表示输入ki和k′i在某个特征空间中的表示；是欧几里得距离的平方，也就是e[ki]和e[k′i]之间的平方差；
50、给定索引(k,t)处的序列x，对于每个维度i，计算核加权的度量值之和，公式如下：
51、
52、其中，ak′,t＝1表示非缺失索引，而缺失索引则为0；当维度i很大时，通过预先选择与核相似度的前l个成员来节省计算；
53、计算其他两个度量：每个兄弟维度上x值的核权重之和和方差：
54、
55、核回归模块的最后一层是u、v和w组件的串联：
56、hkr＝concat[u(k,i),t,v(k,i),t,w(k,i),t]
57、其中，
58、最后将三个向量拼接作为最终特征m，用于缺失值插补任务和热失控预警任务；
59、缺失值插补任务通过反卷积将m解码成所有位置的输出向量公式如下：
60、
61、其中，为可学习的权重矩阵，relu(·)为激活函数，表示第j个窗口中所有索引的输出向量，需要通过模运算获取每个时间步的输出向量，t为时间步，w为窗口大小；
62、然后将特征输入到一个轻量的全连接神经网络，得到缺失值的概率分布：
63、
64、损失函数使用平均绝对误差，公式如下：
65、
66、其中，是插补预测值，为真实值；
67、热失控预警任务将特征m输入到另一个全连接神经网络，该网络包含两个隐藏层，每层包含64个神经元，同时使用relu激活函数，以引入非线性映射，输出层使用sigmoid激活函数，设置1个神经元；
68、损失函数使用二元交叉熵损失函数，公式如下：
69、
70、其中，l是损失函数，n是样本的数量，yi是第i个样本的真实标签(0或1)，是模型预测的第i个样本属于正类的概率；
71、最终的损失函数为两个子任务损失函数加权相加，公式如下：
72、
73、其中，max(·)为求ltask1和ltask2的最大值，λ为超参数，用于调节两个任务之间的权重。
74、进一步的，步骤4包括以下内容：
75、训练完成后，将待检测的多源数据输入模型进行检测，得到热状态得分y后，将其与阈值score进行比较，若热状态得分y小于阈值，则判断为正常，反之，判为异常，即热失控；
76、
77、进一步的，步骤5包括以下内容：
78、数据上传分为告警上传和触发上传两种情况：
79、告警上传时：经过步骤1～4端边计算，最终得到一个热状态得分，一旦这个值超过设定阈值，端边会直接发出告警，同时将数据上传至云服务器；此时上传的数据为储能电站监控系统技术规范中要求的事故追忆时段内的所有数据；
80、未发生告警时，采用触发上传模式：端边计算对每一维采集的数据进行突变判定，当新的数据与最近存储的数据进行比较时，若其值小于设定的阈值θ，数据就不会被记录，直到新的数据与最近存储的数据之差大于阈值θ为止。
81、本发明由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：
82、本发明一种基于多源协同的工商业储能热失控预警方法，是一种联合多种传感数据进行热失控监测的方法，该方法集成数据采集、数据清洗、多物理参数融合、协同预警策略制定和数据上传等关键功能步骤，实现对储能电站热失控的高效监测与预警。在数据采集阶段，使用专门传感器分别采集温度、湿度、振动、电流、电压和气体浓度信号；数据清洗阶段进行了完整性检查、异常值处理、重复值处理、噪声处理等操作；在数据融合阶段，搭建了多物理耦合模型，利用时间transformer和核回归函数，联合考虑了各物理参数之间的相互影响和耦合关系，提取关键信息，提升监测系统的智能化水平，同时利用多任务学习方法，有效缓解了工商业储能云端数据缺失和不同维度数据采集频率不一致的问题，并且增强了模型的泛化性；最后，在数据上传环节，系统采用了关键数据优先上传的触发上传方法，确保重要信息的实时传输，同时降低上层系统数据存储和分析的压力，为储能电站的安全稳定运行提供了有力保障。总体而言，该系统能够提高储能电站热失控的监测效率，同时增强预警的准确性，为储能电站的安全管理提供了重要支持。
1.一种基于多源协同的工商业储能热失控预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多源协同的工商业储能热失控预警方法，其特征在于，步骤1包括以下内容：
3.根据权利要求1所述的一种基于多源协同的工商业储能热失控预警方法，其特征在于，步骤2包括以下内容：
4.根据权利要求1所述的一种基于多源协同的工商业储能热失控预警方法，其特征在于，步骤3包括以下内容：
5.根据权利要求1所述的一种基于多源协同的工商业储能热失控预警方法，其特征在于，步骤4包括以下内容：
6.根据权利要求1所述的一种基于多源协同的工商业储能热失控预警方法，其特征在于，步骤5包括以下内容：
