【技術實現步驟摘要】
本公開涉及電池儲能，尤其涉及一種多模態神經網絡的電池熱失控預測方法、裝置及系統。
技術介紹
1、相關技術中，鋰離子電池由于其較高的能量和功率密度、較長的循環壽命和更低的成本目前被廣泛應用于電池儲能電站。由于儲能電站電池規模龐大，因此，電池系統安全至關重要。然而，現有的對電池熱失控的預測僅僅利用儲能系統的電壓、電流和溫度數據，在數據不足的情況下，預測結果的精確度較低。
技術實現思路
1、為克服相關技術中存在的問題，本公開提供一種多模態神經網絡的電池熱失控預測方法、裝置及系統。
2、根據本公開實施例的第一方面，提供一種多模態神經網絡的電池熱失控預測方法，包括：
3、獲取預設歷史時間段內電池的熱圖像、電壓數據和溫度數據；
4、分別對所述熱圖像、電壓數據和溫度數據進行特征提取，得到溫度特征、電壓特征和圖像特征；
5、對所述溫度特征、所述電壓特征和所述圖像特征進行融合處理，得到融合特征；
6、基于所述融合特征預測所述電池在目標時間節點的溫度預測值；
7、在所述溫度預測值不滿足預設條件的情況下，確定所述電池在所述目標時間節點處于熱失控狀態。
8、在本公開一些實施例中，所述對所述溫度特征、所述電壓特征和所述圖像特征進行融合處理，得到融合特征，包括：
9、分別對所述溫度特征、所述電壓特征和所述圖像特征進行歸一化處理，得到歸一化后的所述溫度特征、所述電壓特征和所述圖像特征；
10、利用所述電壓
11、利用所述溫度特征對所述圖像特征進行加權處理，得到第二注意力加權特征；
12、基于所述第一注意力加權特征和所述第一注意力加權特征，生成復合特征；
13、將所述復合特征與歸一化前的所述溫度特征的聚合值以及歸一化前的所述電壓特征的聚合值相加，得到所述融合特征。
14、在本公開一些實施例中，所述利用所述電壓特征對所述圖像特征進行加權處理，得到第一注意力加權特征，包括：
15、通過以下公式對所述電壓特征和所述圖像特征進行融合處理，得到第一時序注意力圖
16、
17、其中，io為歸一化后的圖像特征，vo為歸一化后的電壓特征，σx為的softmax函數，t為轉置符號；
18、利用所述第一時序注意力圖通過以下公式對所述圖像特征進行加權處理，得到所述第一注意力加權特征iv：
19、
20、其中，w1為權重矩陣，b1為平均偏差。
21、在本公開一些實施例中，所述利用所述溫度特征對所述圖像特征進行加權處理，得到第二注意力加權特征，包括：
22、通過以下公式對所述溫度特征和所述圖像特征進行融合處理，得到第二時序注意力圖
23、
24、其中，io為歸一化后的圖像特征，to為歸一化后的溫度特征，σx為softmax函數，t為轉置符號；
25、利用所述第二時序注意力圖通過以下公式對所述圖像特征進行加權處理，得到所述第二注意力加權特征it：
26、
27、其中，w2為權重矩陣，b2為平均偏差值。
28、在本公開一些實施例中，所述基于所述第一注意力加權特征和所述第二注意力加權特征，生成復合特征，包括：
29、基于所述第一注意力加權特征和所述第二注意力加權特征，通過以下公式生成所述復合特征c：
30、
31、其中，w3和w4為權重矩陣，b3和b4為偏差值，σf為整流線性單元激勵函數。
32、在本公開一些實施例中，所述基于所述融合特征預測所述電池在目標時間節點的溫度預測值，包括：
33、基于所述融合特征，通過以下公式計算所述電池在所述目標時間節點的溫度預測值
34、
35、其中，w5和w6為權重矩陣，b5和b6為偏差值，f為融合特征，h為所述目標時間節點對應的編號。
36、在本公開一些實施例中，在所述基于所述融合特征預測所述電池在目標時間節點的溫度預測值之后，還包括：
37、獲取目標數據集；其中，所述目標數據集包括目標熱圖像、目標電壓數據、目標溫度數據和目標預測值；
38、對所述目標數據集進行特征提取，得到目標數據特征；
39、基于所述目標數據特征和所述溫度特征、電壓特征和圖像特征，利用余弦相似性函數生成糾偏權重；
40、將所述溫度預測值與所述糾偏權重相乘，得到糾偏后的溫度預測值；
41、所述在所述溫度預測值不滿足預設條件的情況下，確定所述電池在所述目標時間節點處于熱失控狀態，包括：
42、在所述糾偏后的溫度預測值不滿足預設條件的情況下，確定所述電池在所述目標時間節點處于熱失控狀態。
43、在本公開一些實施例中，所述在所述溫度預測值不滿足預設條件的情況下，確定所述電池在所述目標時間節點處于熱失控狀態，包括：
44、在所述溫度預測值大于或者等于預設閾值的情況下，確定所述電池在所述目標時間節點處于熱失控狀態。
45、根據本公開實施例的第二方面，提供一種多模態神經網絡的電池熱失控預測裝置，包括：
46、獲取單元，用于獲取預設歷史時間段內電池的熱圖像、電壓數據和溫度數據；
47、特征提取單元，用于分別對所述熱圖像、電壓數據和溫度數據進行特征提取，得到溫度特征、電壓特征和圖像特征；
48、融合單元，用于對所述溫度特征、所述電壓特征和所述圖像特征進行融合處理，得到融合特征；
49、預測單元，用于基于所述融合特征預測所述電池在目標時間節點的溫度預測值；
50、確定單元，用于在所述溫度預測值不滿足預設條件的情況下，確定所述電池在所述目標時間節點處于熱失控狀態。
51、根據本公開實施例的第三方面，提供一種電子設備，包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時，實現如第一方面中任一項所述的方法。
52、根據本公開實施例的第四方面，提供一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現如第一方面中任一項所述的方法。
53、根據本公開實施例的第五方面，提供一種計算機程序產品，包括計算機程序，所述計算機程序在被處理器執行時實現如第一方面中任一項所述的方法。
54、本公開的實施例提供的技術方案可以包括以下有益效果：通過獲取預設歷史時間段內電池的熱圖像、電壓數據和溫度數據，利用神經網絡模型分別對熱圖像、電壓數據和溫度數據進行特征提取，得到溫度特征、電壓特征和圖像特征，對溫度特征、電壓特征和圖像特征進行融合處理，得到融合特征，基于融合特征預測電池在目標時間節點的溫度預測值，在溫度預測值不滿足預設條件的情況下，確定電池在目標時間節點處本文檔來自技高網...
【技術保護點】
1.一種多模態神經網絡的電池熱失控預測方法，其特征在于，包括：
2.根據權利要求1所述的多模態神經網絡的電池熱失控預測方法，其特征在于，所述對所述溫度特征、所述電壓特征和所述圖像特征進行融合處理，得到融合特征，包括：
3.根據權利要求2所述的多模態神經網絡的電池熱失控預測方法，其特征在于，所述利用所述電壓特征對所述圖像特征進行加權處理，得到第一注意力加權特征，包括：
4.根據權利要求2所述的多模態神經網絡的電池熱失控預測方法，其特征在于，所述利用所述溫度特征對所述圖像特征進行加權處理，得到第二注意力加權特征，包括：
5.根據權利要求4所述的多模態神經網絡的電池熱失控預測方法，其特征在于，所述基于所述第一注意力加權特征和所述第二注意力加權特征，生成復合特征，包括：
6.根據權利要求1所述的多模態神經網絡的電池熱失控預測方法，其特征在于，所述基于所述融合特征預測所述電池在目標時間節點的溫度預測值，包括：
7.根據權利要求1所述的多模態神經網絡的電池熱失控預測方法，其特征在于，在所述基于所述融合特征預測所述電池在目
8.根據權利要求1所述的多模態神經網絡的電池熱失控預測方法，其特征在于，所述在所述溫度預測值不滿足預設條件的情況下，確定所述電池在所述目標時間節點處于熱失控狀態，包括：
9.一種多模態神經網絡的電池熱失控預測裝置，其特征在于，包括：
10.一種電子設備，其特征在于，包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時，實現如權利要求1至8中任一項所述的方法。
11.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1至8中任一項所述的方法。
12.一種計算機程序產品，包括計算機程序，其特征在于，所述計算機程序在被處理器執行時實現如權利要求1至8中任一項所述的方法。
...【技術特征摘要】
1.一種多模態神經網絡的電池熱失控預測方法，其特征在于，包括：
2.根據權利要求1所述的多模態神經網絡的電池熱失控預測方法，其特征在于，所述對所述溫度特征、所述電壓特征和所述圖像特征進行融合處理，得到融合特征，包括：
3.根據權利要求2所述的多模態神經網絡的電池熱失控預測方法，其特征在于，所述利用所述電壓特征對所述圖像特征進行加權處理，得到第一注意力加權特征，包括：
4.根據權利要求2所述的多模態神經網絡的電池熱失控預測方法，其特征在于，所述利用所述溫度特征對所述圖像特征進行加權處理，得到第二注意力加權特征，包括：
5.根據權利要求4所述的多模態神經網絡的電池熱失控預測方法，其特征在于，所述基于所述第一注意力加權特征和所述第二注意力加權特征，生成復合特征，包括：
6.根據權利要求1所述的多模態神經網絡的電池熱失控預測方法，其特征在于，所述基于所述融合特征預測所述電池在目標時間節點的溫度預測值，包括：
...
【專利技術屬性】
技術研發人員：張國輝，永勝，盧昊，張偉，景昊，趙珈卉，劉明義，劉大為，朱勇，馮笑丹，王建星，姚紹飛，劉承皓，孫悅，周飛，梁哲銘，劉偉，林家源，秦曄，李遙宇，靳江江，張敏，
申請(專利權)人：華能扎賚特旗太陽能光伏發電有限公司科右中旗分公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。