本公开涉及电池储能，尤其涉及一种多模态神经网络的电池热失控预测方法、装置及系统。
背景技术：
1、相关技术中，锂离子电池由于其较高的能量和功率密度、较长的循环寿命和更低的成本目前被广泛应用于电池储能电站。由于储能电站电池规模庞大，因此，电池系统安全至关重要。然而，现有的对电池热失控的预测仅仅利用储能系统的电压、电流和温度数据，在数据不足的情况下，预测结果的精确度较低。
技术实现思路
1、为克服相关技术中存在的问题，本公开提供一种多模态神经网络的电池热失控预测方法、装置及系统。
2、根据本公开实施例的第一方面，提供一种多模态神经网络的电池热失控预测方法，包括：
3、获取预设历史时间段内电池的热图像、电压数据和温度数据；
4、分别对所述热图像、电压数据和温度数据进行特征提取，得到温度特征、电压特征和图像特征；
5、对所述温度特征、所述电压特征和所述图像特征进行融合处理，得到融合特征；
6、基于所述融合特征预测所述电池在目标时间节点的温度预测值；
7、在所述温度预测值不满足预设条件的情况下，确定所述电池在所述目标时间节点处于热失控状态。
8、在本公开一些实施例中，所述对所述温度特征、所述电压特征和所述图像特征进行融合处理，得到融合特征，包括：
9、分别对所述温度特征、所述电压特征和所述图像特征进行归一化处理，得到归一化后的所述温度特征、所述电压特征和所述图像特征；
10、利用所述电压特征对所述图像特征进行加权处理，得到第一注意力加权特征；
11、利用所述温度特征对所述图像特征进行加权处理，得到第二注意力加权特征；
12、基于所述第一注意力加权特征和所述第一注意力加权特征，生成复合特征；
13、将所述复合特征与归一化前的所述温度特征的聚合值以及归一化前的所述电压特征的聚合值相加，得到所述融合特征。
14、在本公开一些实施例中，所述利用所述电压特征对所述图像特征进行加权处理，得到第一注意力加权特征，包括：
15、通过以下公式对所述电压特征和所述图像特征进行融合处理，得到第一时序注意力图
16、
17、其中，io为归一化后的图像特征，vo为归一化后的电压特征，σx为的softmax函数，t为转置符号；
18、利用所述第一时序注意力图通过以下公式对所述图像特征进行加权处理，得到所述第一注意力加权特征iv：
19、
20、其中，w1为权重矩阵，b1为平均偏差。
21、在本公开一些实施例中，所述利用所述温度特征对所述图像特征进行加权处理，得到第二注意力加权特征，包括：
22、通过以下公式对所述温度特征和所述图像特征进行融合处理，得到第二时序注意力图
23、
24、其中，io为归一化后的图像特征，to为归一化后的温度特征，σx为softmax函数，t为转置符号；
25、利用所述第二时序注意力图通过以下公式对所述图像特征进行加权处理，得到所述第二注意力加权特征it：
26、
27、其中，w2为权重矩阵，b2为平均偏差值。
28、在本公开一些实施例中，所述基于所述第一注意力加权特征和所述第二注意力加权特征，生成复合特征，包括：
29、基于所述第一注意力加权特征和所述第二注意力加权特征，通过以下公式生成所述复合特征c：
30、
31、其中，w3和w4为权重矩阵，b3和b4为偏差值，σf为整流线性单元激励函数。
32、在本公开一些实施例中，所述基于所述融合特征预测所述电池在目标时间节点的温度预测值，包括：
33、基于所述融合特征，通过以下公式计算所述电池在所述目标时间节点的温度预测值
34、
35、其中，w5和w6为权重矩阵，b5和b6为偏差值，f为融合特征，h为所述目标时间节点对应的编号。
36、在本公开一些实施例中，在所述基于所述融合特征预测所述电池在目标时间节点的温度预测值之后，还包括：
37、获取目标数据集；其中，所述目标数据集包括目标热图像、目标电压数据、目标温度数据和目标预测值；
38、对所述目标数据集进行特征提取，得到目标数据特征；
39、基于所述目标数据特征和所述温度特征、电压特征和图像特征，利用余弦相似性函数生成纠偏权重；
40、将所述温度预测值与所述纠偏权重相乘，得到纠偏后的温度预测值；
41、所述在所述温度预测值不满足预设条件的情况下，确定所述电池在所述目标时间节点处于热失控状态，包括：
42、在所述纠偏后的温度预测值不满足预设条件的情况下，确定所述电池在所述目标时间节点处于热失控状态。
43、在本公开一些实施例中，所述在所述温度预测值不满足预设条件的情况下，确定所述电池在所述目标时间节点处于热失控状态，包括：
44、在所述温度预测值大于或者等于预设阈值的情况下，确定所述电池在所述目标时间节点处于热失控状态。
45、根据本公开实施例的第二方面，提供一种多模态神经网络的电池热失控预测装置，包括：
46、获取单元，用于获取预设历史时间段内电池的热图像、电压数据和温度数据；
47、特征提取单元，用于分别对所述热图像、电压数据和温度数据进行特征提取，得到温度特征、电压特征和图像特征；
48、融合单元，用于对所述温度特征、所述电压特征和所述图像特征进行融合处理，得到融合特征；
49、预测单元，用于基于所述融合特征预测所述电池在目标时间节点的温度预测值；
50、确定单元，用于在所述温度预测值不满足预设条件的情况下，确定所述电池在所述目标时间节点处于热失控状态。
51、根据本公开实施例的第三方面，提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如第一方面中任一项所述的方法。
52、根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一项所述的方法。
53、根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如第一方面中任一项所述的方法。
54、本公开的实施例提供的技术方案可以包括以下有益效果：通过获取预设历史时间段内电池的热图像、电压数据和温度数据，利用神经网络模型分别对热图像、电压数据和温度数据进行特征提取，得到温度特征、电压特征和图像特征，对温度特征、电压特征和图像特征进行融合处理，得到融合特征，基于融合特征预测电池在目标时间节点的温度预测值，在温度预测值不满足预设条件的情况下，确定电池在目标时间节点处于热失控状态。通过将电池的热图像、电压数据和温度数据进行融合，根据融合结果综合的预测电池是否处于热失控状态，提高了对电池热失控状态预测的准确性。
55、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和解释性的，并不能限制本公开。
1.一种多模态神经网络的电池热失控预测方法，其特征在于，包括：
2.根据权利要求1所述的多模态神经网络的电池热失控预测方法，其特征在于，所述对所述温度特征、所述电压特征和所述图像特征进行融合处理，得到融合特征，包括：
3.根据权利要求2所述的多模态神经网络的电池热失控预测方法，其特征在于，所述利用所述电压特征对所述图像特征进行加权处理，得到第一注意力加权特征，包括：
4.根据权利要求2所述的多模态神经网络的电池热失控预测方法，其特征在于，所述利用所述温度特征对所述图像特征进行加权处理，得到第二注意力加权特征，包括：
5.根据权利要求4所述的多模态神经网络的电池热失控预测方法，其特征在于，所述基于所述第一注意力加权特征和所述第二注意力加权特征，生成复合特征，包括：
6.根据权利要求1所述的多模态神经网络的电池热失控预测方法，其特征在于，所述基于所述融合特征预测所述电池在目标时间节点的温度预测值，包括：
7.根据权利要求1所述的多模态神经网络的电池热失控预测方法，其特征在于，在所述基于所述融合特征预测所述电池在目标时间节点的温度预测值之后，还包括：
8.根据权利要求1所述的多模态神经网络的电池热失控预测方法，其特征在于，所述在所述温度预测值不满足预设条件的情况下，确定所述电池在所述目标时间节点处于热失控状态，包括：
9.一种多模态神经网络的电池热失控预测装置，其特征在于，包括：
10.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1至8中任一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的方法。
12.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序在被处理器执行时实现如权利要求1至8中任一项所述的方法。
