一种基于神经网络的pack级储能消防方法及系统与流程

本发明公开一种基于神经网络的pack级储能消防方法及基于神经网络的pack级储能消防系统，涉及pack级储能消防。

背景技术：

1、随着新能源与储能行业的快速发展，储能消防解决方案也成为保障储能系统安全运行的重要环节。pack级储能主要采用锂离子电池，体积小、容量高循环性能好。但是在充放电过程中释放大量的热量，温度过高易引起燃烧甚至导致爆炸，并散发有毒气体，灭火后也存在二次复燃的风险，因此pack级消防保护措施显得尤为重要。当前，电池舱内以pack为单位设置有温度传感器、烟雾传感器，通过多传感器融合对电池工作状态进行实时监测。舱内温度和有毒气体进行实时监测。当温度或有毒气体达到异常值时，自动灭火系统启动。然而，当前的消防系统结合电池管理系统仅能起到监测以及应对火灾的功能，而预测电池系统火灾并提前布置针对性措施才能在消防安全中抢占先机。深度学习技术的模拟人类神经系统得工作方式，通过多个神经元构建多层网络结构，具有学习、识别、预测的能力，但是深度神经网络需要大量数据进行训练，对硬件要求高。

2、当需要分别多每个电池pack箱都进行监控时，如果每个电池pack箱都使用神经网络实时进行预测，将大量消耗算力。

技术实现思路

1、本发明针对现有技术的问题，提供一种基于神经网络的pack级储能消防方法，所采用的技术方案为：

2、第一方面，所述基于神经网络的pack级储能消防方法包括：

3、获取每个所述电池pack箱中的温度传感器所传递的温度信息以及每个电池pack箱内的电池的电压信息与电流信息；

4、判断能否根据每个所述电池pack箱中的温度传感器所传递的温度信息以及每个电池pack箱内的电池的电压信息与电流信息选取其中至少两个电池pack箱作为监控对象，若是，则

5、选取其中至少两个电池pack箱作为监控对象，其中，作为监控对象的电池pack箱称为待预测电池pack箱，作为监控对象的电池pack箱所获取的温度信息称为待预测用温度信息、作为监控对象的电池pack箱内的电池的电压信息称为待预测用电压信息，作为监控对象的电池pack箱内的电池的电流信息称为待预测用电流信息；

6、获取至少两个经过训练的安全预测用神经网络，其中，至少有一个安全预测用神经网络为基于物理信息的安全预测用神经网络；

7、分别获取每个作为监控对象的电池pack箱的待预测用温度信息的温度特征、获取每个待预测用电压信息的电压特征、获取每个待预测用电流信息的电流特征；

8、将属于同一个待预测电池pack箱内的温度特征、电压特征以及电流特征进行融合，从而获取融合特征，一个待预测电池pack箱对应一个融合特征；

9、将融合特征分别输入至每个经过训练的安全预测用神经网络，并分别获取每个经过训练的安全预测用神经网络所输入的预测标签；

10、根据各个预测标签判断是否需要进行报警。

11、可选地，所述根据每个所述电池pack箱中的温度传感器所传递的温度信息以及每个电池pack箱内的电池的电压信息与电流信息选取其中至少两个电池pack箱作为监控对象包括：

12、根据预设时间段内的每个所述电池pack箱中的温度传感器所传递的温度信息分别制作温度变化曲线，一个电池pack箱对应一个温度变化曲线；

13、根据预设时间段内的每个电池pack箱内的电池的电压信息分别制作电压变化曲线，一个电池pack箱对应一个电压变化曲线；

14、根据预设时间段内的每个电池pack箱内的电池的电流信息分别制作电流变化曲线，一个电池pack箱对应一个电流变化曲线；

15、根据各个所述温度变化曲线、各个电压变化曲线以及各个电流变化曲线选取至少两个电池pack箱作为监控对象。

16、可选地，所述根据各个所述温度变化曲线、各个电压变化曲线以及各个电流变化曲线选取至少两个电池pack箱作为监控对象包括：

17、获取预设时间段内温度变化曲线中温度上升最快的一个温度变化曲线作为基准温度曲线，所述基准温度曲线所对应的电池pack箱的电压变化曲线称为基准电压曲线，所述基准温度曲线所对应的电池pack箱的电流变化曲线称为基准电流曲线；

18、分别将基准温度曲线与其他每个温度变化曲线进行相似度计算，判断是否有温度变化曲线与基准温度曲线的相似度值超过第一相似度预设阈值，其中与所述与基准温度曲线的相似度值超过第一相似度预设阈值的温度变化曲线所对应的电池pack箱称为待选取电池pack箱；若是，则

19、获取待选取电池pack箱的电压变化曲线以及电流变化曲线，所述待选取电池pack箱的电压变化曲线称为待选取电压曲线，所述待选取电池pack箱的电流变化曲线称为待选取电流曲线；

20、将待选取电压曲线与基准电压曲线进行相似度计算，判断相似度是否超过第二相似度预设阈值，若是，则

21、选取所述基准温度曲线所对应的电池pack箱以及该待选取电池pack箱作为监控对象。

22、可选地，所述根据各个所述温度变化曲线、各个电压变化曲线以及各个电流变化曲线选取至少两个电池pack箱作为监控对象进一步包括：

23、将待选取电压曲线与基准电压曲线进行相似度计算，判断相似度是否超过第二相似度预设阈值，若否，则

24、将待选取电流曲线与基准电流曲线进行相似度计算，判断相似度是否超过第三相似度预设阈值，若是，则

25、选取所述基准温度曲线所对应的电池pack箱以及该待选取电池pack箱作为监控对象。

26、可选地，所述根据各个所述温度变化曲线、各个电压变化曲线以及各个电流变化曲线选取至少两个电池pack箱作为监控对象进一步包括：

27、将待选取电流曲线与基准电流曲线进行相似度计算，判断相似度是否超过第三相似度预设阈值，若否，则

28、判断待选取电流曲线与基准电流曲线进行相似度计算的相似度是否超过第四相似度阈值且待选取电压曲线与基准电压曲线进行相似度计算的相似度是否超过第四相似度阈值，若是，则

29、选取所述基准温度曲线所对应的电池pack箱以及该待选取电池pack箱作为监控对象。

30、可选地，所述根据各个所述温度变化曲线、各个电压变化曲线以及各个电流变化曲线选取至少两个电池pack箱作为监控对象进一步包括：

31、判断待选取电流曲线与基准电流曲线进行相似度计算的相似度是否超过第四相似度阈值且待选取电压曲线与基准电压曲线进行相似度计算的相似度是否超过第四相似度阈值，若否，则

32、判断根据每个所述电池pack箱中的温度传感器所传递的温度信息以及每个电池pack箱内的电池的电压信息与电流信息不能够选取其中至少两个电池pack箱作为监控对象，则

33、生成报警信息并发送给bmc电池管理系统，所述报警信息包括基准温度曲线所对应的电池pack箱的基本信息。

34、可选地，分别将基准温度曲线与其他每个温度变化曲线进行相似度计算，判断是否有温度变化曲线与基准温度曲线的相似度值超过第一相似度预设阈值，其中与所述与基准温度曲线的相似度值超过第一相似度预设阈值的温度变化曲线所对应的电池pack箱称为待选取电池pack箱；若否，则

35、判断根据每个所述电池pack箱中的温度传感器所传递的温度信息以及每个电池pack箱内的电池的电压信息与电流信息不能够选取其中至少两个电池pack箱作为监控对象，则

36、生成报警信息并发送给bmc电池管理系统，所述报警信息包括基准温度曲线所对应的电池pack箱的基本信息。

37、可选地，所述基于神经网络的pack级储能消防方法进一步包括：

38、获取每个设置在电池pack箱内的烟雾传感器所传递的烟雾信息和/或气体浓度传感器所传递的气体浓度信息；

39、当所述烟雾信息超过预设烟雾阈值时，生成报警信息；和/或，

40、当所述气体浓度传感器所传递的气体浓度信息超过预设气体浓度时，生成报警信息。

41、可选地，当所述融合特征的数量与经过训练的安全预测用神经网络的数量相同时，一个融合特征用于输入至一个安全预测用神经网络内；

42、当所述融合特征的数量与经过训练的安全预测用神经网络的数量不同时，保证每一个安全预测用神经网络均至少有一个融合特征输入，且一个融合特征不会重复进入不同的安全预测用神经网络。

43、本技术还提供了一种基于神经网络的pack级储能消防系统，所述基于神经网络的pack级储能消防系统包括：

44、电池舱，所述电池舱内设置有多个电池pack箱，每个所述电池pack箱均设置有温度传感器、烟雾传感器以及气体浓度传感器；

45、bmc电池管理系统，所述bmc电池管理系统用于获取每个电池pack箱中的电池的电压信息以及电流信息；

46、总控制器，所述总控制器分别与各个所述温度传感器、烟雾传感器以及bmc电池管理系统，用于获取所述温度传感器、烟雾传感器、气体浓度传感器以及bmc电池管理系统所传递的信息；

47、所述总控制器用于实现如上所述的基于神经网络的pack级储能消防方法。

48、本发明的基于神经网络的pack级储能消防方法并不对每个电池pack箱都实时进行预测，因为在大多数情况也不可能每个电池pack箱都出现问题，本技术选取实时数据具有代表性的电池pack箱进行预测，若具有代表性的电池pack箱在预测中没有出现问题，则表示各个电池pack箱出问题的概率都比较小，从而在进行预测监控的同时能够较大程度的减少算力的浪费。