一种基于物联网的储能消防控制系统的制作方法

本发明涉及物联网，更具体地说，本发明涉及一种基于物联网的储能消防控制系统。

背景技术：

1、随着可再生能源的发展、电动汽车的普及以及工商业用电量的增加，储能设备的需求日益增长。

2、储能设备在运行过程中可能出现故障，导致火灾事故的发生，为了确保储能设备的安全运行，需要对储能设备进行有效的消防保护，因此现有的消防系统通过设置传感器，监测储能设备的运行，从而及时处理火灾事故，防止火灾事故蔓延，造成严重的财产损失和人员伤亡。

3、然后，现有的消防系统主要针对整个储能舱或其构筑物进行空间级消防，对于储能设备的pack级别消防保护尚不完善，不能够及时预测潜在的异常风险，缺乏对电池组健康度的综合评估和预测能力，无法准确判断电池组的异常类型和发展趋势，缺乏智能化决策支持处理异常，因此，需要一种能够实时监测和预警储能pack异常情况的消防控制系统。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明提供一种基于物联网的储能消防控制系统，通过数据采集模块采集储能pack的原始数据；通过数据预处理模块对采集到的原始数据进行预处理；通过数据分析模块，构建神经网络模型对预处理后的数据进行分析，能够准确判断储能pack的异常类型和发展趋势，为系统提供全面的健康度评估和预测能力；通过系统监测模块根据储能pack的健康度指数、异常类型数据和异常类型数据发展趋势预测值，计算储能pack的异常程度系数，根据异常程度系数划分异常报警等级，实现分级报警，提高系统的响应速度和准确性；通过系统控制模块根据一级报警信息或二级报警信息，实施相应的控制策略；通过系统执行模块执行系统控制模块发出的指令，并向系统控制模块反馈执行结果和状态信息，实现系统的闭环控制和管理，提高系统的可靠性和可维护性，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于物联网的储能消防控制系统，包括：

3、数据采集模块：用于采集储能pack的原始数据，并传输给数据预处理模块进行处理和分析；所述原始数据包括电池组温度、电池组湿度、电池箱内气体浓度、电池组电量、电池组充电电流、电池组放电电流、电池组放电电压、电池组振动，以及电池箱内压力数据；

4、数据预处理模块：用于对采集到的原始数据进行预处理，包括去除噪声、滤波和校准操作；

5、数据分析模块：用于对预处理后的数据进行分析，通过构建神经网络模型，识别异常类型数据判断异常类型，并预测异常类型数据发展趋势；

6、系统监测模块包括参数计算单元和故障报警单元；所述参数计算单元用于根据储能pack的预处理后的数据，计算储能pack的健康度指数；所述故障报警单元用于根据储能pack的健康度指数、异常类型数据和异常类型数据发展趋势预测值，计算储能pack的异常程度系数，根据异常程度系数划分异常报警等级，传输至系统控制模块；

7、系统控制模块：用于接收系统监测模块传输的数据，根据一级报警信息或二级报警信息，实施相应的控制策略；

8、系统执行模块：用于执行系统控制模块发出的指令，并向系统控制模块反馈执行结果和状态信息。

9、在一个优选的实施方式中，所述数据分析模块的具体分析过程为：

10、a1、根据不同的异常类型，对预处理后的数据进行标记和分类，得到异常类型数据；所述异常类型数据包括温度异常数据、湿度异常数据、气体浓度异常数据、电池状态异常数据，以及振动异常数据；

11、a2、从异常类型数据中提取温度特征、湿度特征、气体浓度特征、电池状态特征，以及振动特征；所述温度特征包括平均温度、温度变化率和温度梯度；所述湿度特征包括平均湿度和湿度变化率；所述气体浓度特征包括平均氧气浓度、平均烟雾浓度和平均有害气体浓度；所述电池状态特征包括电池容量、电池内阻和电压变化；所述振动特征包括振动幅度和振动频率；

12、a3、根据包含各种异常类型样本的数据集和提取的特征，通过神经网络建立神经网络模型；

13、a4、使用测试集评估模型的性能，包括准确度、精确度和召回率指标；根据评估结果对网络架构和超参数进行调整，以优化模型的性能；

14、a5、将完成训练和调优的模型部署到实际应用中，用于处理未知数据并识别异常类型数据，从而判断异常类型；

15、a6、采用自回归移动平均模型，预测异常类型数据未来的发展趋势。

16、在一个优选的实施方式中，所述根据包含各种异常类型样本的数据集和提取的特征，通过神经网络建立神经网络模型，其处理过程如下：

17、a31、将包含各种异常类型样本的数据集划分为训练集和测试集；

18、a32、设计神经网络的结构，根据所提取的特征，确定神经网络的输入层节点数量为13，每个节点对应一个特征；确定神经网络中隐藏层的数量和每个隐藏层的神经元数量；对于每个神经元，选择sigmoid激活函数；选择随机梯度下降算法训练神经网络模型；

19、a33、使用训练集对神经网络模型进行训练，其处理过程如下：

20、a331、根据网络结构中每层的节点数量初始化权重和偏置，从标准正态分布中随机采样初始化权重，将偏置初始化为零；

21、a332、将训练集的特征数据输入到网络中，通过每一层的参数计算出每个神经元的激活值，在隐藏层和输出层之间执行这个前向传播过程；

22、a333、在前向传播后，将模型的预测结果ypr与实际标签ytr进行比较，计算损失函数loss，，其中a表示样本数量；

23、a334、使用反向传播算法将误差信号从输出层向隐藏层进行传播，并利用链式法则计算每个参数的梯度；

24、a335、采用随机梯度下降算法，根据计算得到的梯度更新各层之间的权重和偏置；

25、a336、重复执行步骤a332至步骤a335，直到达到预定的迭代次数或满足收敛条件。

26、在一个优选的实施方式中，所述采用自回归移动平均模型，预测异常类型数据未来的发展趋势，其处理过程如下：

27、a61、将异常类型数据按照时间顺序排列，并选择每一分钟为时间间隔，作为自回归移动平均模型的时间单位；

28、a62、通过观察时间序列的自相关图和偏自相关图，确定自回归移动平均模型的阶数g和h；其中阶数g表示自回归项的数量，阶数h表示移动平均项的数量；

29、a63、使用选定的g和h值，在历史数据上拟合自回归移动平均模型；

30、a64、对拟合的自回归移动平均模型进行诊断，检查残差是否符合白噪声假设；

31、a65、使用已训练的自回归移动平均模型对未来的异常类型数据进行预测；根据历史观测值和模型参数，使用递归的方式生成未来的预测值，并得到异常类型数据发展趋势预测值。

32、在一个优选的实施方式中，所述参数计算单元的具体处理过程为：

33、b1、根据储能pack预处理后的数据，计算充电/放电比、能量效率、循环效率、充电时间恢复系数，以及自放电率；

34、b2、根据充电/放电比bcf、能量效率xnl、循环效率xxh、充电时间恢复系数xcs，以及自放电率lzfd，计算储能pack的健康度指数zjk，

35、，其中 ta和 tb分别表示定义积分的时间范围的起始时间和结束时间， α、 β、 γ、 δ、 ε表示各项的比例系数， k表示自放电率的调整因子。

36、在一个优选的实施方式中，所述故障报警单元的具体处理过程为：

37、c1、根据储能pack的健康度指数zjk进行归一化处理，将其转换到0到1的范围内；所述归一化的具体计算公式为：，其中zjkmin表示健康度指数zjk的最小值，zjkmax表示健康度指数zjk的最大值；

38、c2、根据异常类型数据的数量和严重程度，给予不同等级的权重，将异常程度权重记为ui；

39、c3、综合储能pack的健康度指数gzjk、异常类型数据和异常类型数据发展趋势预测值，计算储能pack的异常程度系数u，，其中d表示异常类型数据的数量，每个异常类型数据都有对应的权重ui和发展趋势预测值gi；

40、c4、将储能pack的异常程度系数u与预先设定的异常程度阈值u阈进行判断对比，若u＞u阈则将当前异常类型数据标记为一级报警信息传输至系统控制模块，若u≤u阈则将当前异常类型数据标记为二级报警信息传输至系统控制模块。

41、在一个优选的实施方式中，所述系统控制模块的具体处理方式为：若报警信息为一级报警信息，则根据异常类型和预先设定的灭火装置控制逻辑，启动灭火装置以扑灭潜在的火灾或热事件；通过声音、光闪方式向人员发出警报信号，提醒储能pack出现严重异常；将储能pack从系统中隔离，切断与其他设备的连接；若报警信息为二级信息，则根据异常类型数据和异常类型数据的发展趋势预测值，调整储能pack的运行参数；安排维护人员进行检修、维护或更换相关部件；通过显示屏、手机应用方式向相关人员发送提示信息，提醒储能pack存在异常，需要关注和处理。

42、本发明的技术效果和优点：

43、本发明通过数据采集模块采集储能pack的原始数据；通过数据预处理模块对采集到的原始数据进行预处理；通过数据分析模块，构建神经网络模型对预处理后的数据进行分析，能够准确判断储能pack的异常类型和发展趋势，为系统提供全面的健康度评估和预测能力，有助于提高消防监督与管理水平，并为防火监督管理和灭火救援提供数据支撑；通过系统监测模块根据储能pack的健康度指数、异常类型数据和异常类型数据发展趋势预测值，计算储能pack的异常程度系数，根据异常程度系数划分异常报警等级，实现分级报警，提高系统的响应速度和准确性；通过系统控制模块根据一级报警信息或二级报警信息，实施相应的控制策略；通过系统执行模块执行系统控制模块发出的指令，并向系统控制模块反馈执行结果和状态信息，实现系统的闭环控制和管理，提高系统的可靠性和可维护性，在大规模和分布式储能电站、移动式储能车、备用电源储能站等应用场景中，该系统具有显著的优势，将智慧与消防有机融合，实现了灭火救援和火灾防控的智能化，为提高消防安全提供了新的解决方案。