[go: up one dir, main page]

CN118362923B - 基于多模态感知的储能安全预警方法及系统 - Google Patents

基于多模态感知的储能安全预警方法及系统 Download PDF

Info

Publication number
CN118362923B
CN118362923B CN202410513894.8A CN202410513894A CN118362923B CN 118362923 B CN118362923 B CN 118362923B CN 202410513894 A CN202410513894 A CN 202410513894A CN 118362923 B CN118362923 B CN 118362923B
Authority
CN
China
Prior art keywords
abnormality
level
identification
early warning
detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410513894.8A
Other languages
English (en)
Other versions
CN118362923A (zh
Inventor
张晓红
张忠计
石琼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunshan Jinxin New Energy Technology Co ltd
Original Assignee
Kunshan Jinxin New Energy Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kunshan Jinxin New Energy Technology Co ltd filed Critical Kunshan Jinxin New Energy Technology Co ltd
Priority to CN202410513894.8A priority Critical patent/CN118362923B/zh
Publication of CN118362923A publication Critical patent/CN118362923A/zh
Application granted granted Critical
Publication of CN118362923B publication Critical patent/CN118362923B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—Constructional arrangements
    • G01R31/3646—Constructional arrangements for indicating electrical conditions or variables, e.g. visual or audible indicators
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供了基于多模态感知的储能安全预警方法及系统，涉及安全预警技术领域，包括：获取储能电池组的历史监测数据集合，包括多项监测指标；建立预警关联等级，包括一级预警关联、二级预警关联、三级预警关联；布设一级检测装置，获取一级检测数据集合；布设二级检测装置，获取二级检测数据集合；布设三级检测装置，获取三级检测数据集合；基于异常识别模型进行异常识别，生成带有异常等级标识的异常识别结果；发送至管理终端，基于异常等级进行安全预警。本发明解决了现有技术通常只侧重单一模态数据的监测和分析，缺乏对多种监测指标的综合处理，并且缺乏对不同异常情况的等级划分和预警机制，导致预警的准确性较差的技术问题。

Description

基于多模态感知的储能安全预警方法及系统
技术领域
本发明涉及安全预警技术领域，具体涉及基于多模态感知的储能安全预警方法及系统。
背景技术
储能电池组的安全性对于电网稳定和用户安全至关重要，因此需要有效的监测和预警机制来确保其安全运行，而现有技术对于储能安全预警还存在一些问题。一方面，现有技术对于储能电池组监测通常只依赖于单一数据源，如电压、电流、温度等，缺乏全面的判断依据，导致预警准确性较差；另一方面，传统的安全预警方法可能只是简单地根据某一指标是否超过阈值来发出警报，缺乏对异常情况的多级别划分和全面考虑，无法全面评估储能电池组的安全状况，导致预警可靠性较差。
发明内容
本申请通过提供了基于多模态感知的储能安全预警方法，旨在解决现有技术对于储能安全预警通常只侧重于单一模态数据的监测和分析，缺乏对多种监测指标的综合处理，并且缺乏对不同异常情况的等级划分和预警机制，导致预警的准确性较差的技术问题。
鉴于上述问题，本申请提供了基于多模态感知的储能安全预警方法及系统。
本申请公开的第一个方面，提供了基于多模态感知的储能安全预警方法，所述方法应用于储能电池组，所述方法包括：获取储能电池组的历史监测数据集合，所述历史监测数据集合包括多项监测指标；利用孟德尔随机化对所述多项监测指标进行分析，建立所述多项监测指标与储能电池组之间的预警关联等级，其中，所述预警关联等级包括一级预警关联、二级预警关联、三级预警关联；基于所述一级预警关联，在储能电池组内布设一级检测装置，获取一级检测数据集合，其中，所述一级检测装置包括电池电压检测装置、电荷状态检测装置；基于所述二级预警关联，在储能电池组内布设二级检测装置，获取二级检测数据集合，其中，所述二级检测装置集合包括温度数据检测装置、气体浓度检测装置；基于所述三级预警关联，在储能电池组内布设三级检测装置，获取三级检测数据集合，其中，所述三级检测装置集合包括图像采集装置；基于异常识别模型，对所述一级探测数据集合、二级探测数据集合、三级探测数据集合进行逐级递减异常识别，生成带有异常等级标识的异常识别结果，其中，所述逐级递减异常识别依次为三级异常识别、二级异常识别、一级异常识别；将所述异常识别结果发送至管理终端，基于所述异常等级，进行安全预警。
本申请公开的第二个方面，提供了基于多模态感知的储能安全预警系统，所述系统应用于储能电池组，所述系统用于上述基于多模态感知的储能安全预警方法，所述系统包括：历史监测数据获取模块，所述历史监测数据获取模块用于获取储能电池组的历史监测数据集合，所述历史监测数据集合包括多项监测指标；预警关联等级建立模块，所述预警关联等级建立模块用于利用孟德尔随机化对所述多项监测指标进行分析，建立所述多项监测指标与储能电池组之间的预警关联等级，其中，所述预警关联等级包括一级预警关联、二级预警关联、三级预警关联；一级检测数据获取模块，所述一级检测数据获取模块用于基于所述一级预警关联，在储能电池组内布设一级检测装置，获取一级检测数据集合，其中，所述一级检测装置包括电池电压检测装置、电荷状态检测装置；二级检测数据获取模块，所述二级检测数据获取模块用于基于所述二级预警关联，在储能电池组内布设二级检测装置，获取二级检测数据集合，其中，所述二级检测装置集合包括温度数据检测装置、气体浓度检测装置；三级检测数据获取模块，所述三级检测数据获取模块用于基于所述三级预警关联，在储能电池组内布设三级检测装置，获取三级检测数据集合，其中，所述三级检测装置集合包括图像采集装置；异常识别模块，所述异常识别模块用于基于异常识别模型，对所述一级探测数据集合、二级探测数据集合、三级探测数据集合进行逐级递减异常识别，生成带有异常等级标识的异常识别结果，其中，所述逐级递减异常识别依次为三级异常识别、二级异常识别、一级异常识别；安全预警模块，所述安全预警模块用于将所述异常识别结果发送至管理终端，基于所述异常等级，进行安全预警。
本申请公开的第三个方面，提供了计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请公开的第一个方面的任一步骤。
本申请公开的第四个方面，提供了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本申请公开的第一个方面的任一步骤。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过获取历史监测数据集合，并利用孟德尔随机化对多项监测指标进行分析，建立了多项监测指标与储能电池组之间的预警关联等级，实现了对多模态数据的综合分析；通过建立一级、二级、三级预警关联，布设相应的检测装置并构建异常识别模型，实现了针对不同等级异常情况的预警机制，提高了预警的准确性和及时性；基于异常识别模型，对一级、二级、三级探测数据集合进行异常识别，并根据异常等级进行安全预警，实现了多级别的异常识别和安全预警，更全面地保障了储能电池组的安全运行。综上所述，该基于多模态感知的储能安全预警方法有效地解决了现有技术中存在的单一模态数据处理、异常预警机制不完善以及缺乏多级异常识别和安全预警等问题，为储能电池组的安全运行提供了更可靠的保障。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供的基于多模态感知的储能安全预警方法流程示意图；
图2为本申请实施例提供的基于多模态感知的储能安全预警系统结构示意图；
图3为本申请实施例提供的计算机设备的内部结构图。
附图标记说明：历史监测数据获取模块10，预警关联等级建立模块20，一级检测数据获取模块30，二级检测数据获取模块40，三级检测数据获取模块50，异常识别模块60，安全预警模块70。
具体实施方式
本申请实施例通过提供基于多模态感知的储能安全预警方法，解决了现有技术对于储能安全预警通常只侧重于单一模态数据的监测和分析，缺乏对多种监测指标的综合处理，并且缺乏对不同异常情况的等级划分和预警机制，导致预警的准确性较差的技术问题。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，本申请实施例提供了基于多模态感知的储能安全预警方法，所述方法应用于储能电池组，所述方法包括：
获取储能电池组的历史监测数据集合，所述历史监测数据集合包括多项监测指标；
本申请实施例提供的基于多模态感知的储能安全预警方法应用于储能电池组。首先收集储能电池组的历史监测数据，这些数据可以来自电池管理系统、电池数据库等，监测指标包括但不限于电池电压、电流、温度、电荷状态等，这样，就可以获取储能电池组的历史监测数据集合，为后续的安全预警提供必要的数据基础。
利用孟德尔随机化对所述多项监测指标进行分析，建立所述多项监测指标与储能电池组之间的预警关联等级，其中，所述预警关联等级包括一级预警关联、二级预警关联、三级预警关联；
孟德尔随机化是一种统计方法，用于评估两个或多个变量之间的关系，在这个步骤中，使用孟德尔随机化方法来分析各项监测指标与储能电池组之间的相关性，并确定它们之间的关联程度，具体分析方法包括计算相关性系数、回归分析等统计方法，根据孟德尔随机化的结果，将监测指标分为不同的预警关联等级。
其中，一级预警关联为与储能电池组安全状态密切相关的监测指标，可以在安全问题出现之前提供早期警示，这些指标在异常情况下可能表现为变化较小或者初步的异常迹象，例如电池电压略微波动等。
二级预警关联为与储能电池组安全状态有一定关联的监测指标，可以在安全问题出现时提供较为明确的预警信号，这些指标在异常情况下可能表现为持续变化或者较大的波动，例如温度升高较为明显等。
三级预警关联为与储能电池组安全状态相关性较低但意味着严重安全问题的监测指标，这些指标在异常情况下可能表现为极端的数值或者异常情况，例如检测到烟雾、火光等异常信号。
基于所述一级预警关联，在储能电池组内布设一级检测装置，获取一级检测数据集合，其中，所述一级检测装置包括电池电压检测装置、电荷状态检测装置；
电池电压检测装置用于实时监测储能电池组中各个电池单体的电压，由一组传感器组成，这些传感器安装在电池组中的不同位置，以捕获电池单体的电压信息，通过这些传感器收集的数据，可以实时监测电池单体的电压变化情况；电荷状态检测装置用于监测储能电池组中各个电池单体的电荷状态，电池的电荷状态是指电池中存储的可用能量，它直接影响着电池的性能和安全性。
通过电池电压检测装置和电荷状态检测装置获取的数据集合，构成一级检测数据集合，这些数据集合包括了储能电池组中各个电池单体的电压和电荷状态信息，这些信息用于识别潜在的安全问题。
基于所述二级预警关联，在储能电池组内布设二级检测装置，获取二级检测数据集合，其中，所述二级检测装置集合包括温度数据检测装置、气体浓度检测装置；
温度数据检测装置用于实时监测储能电池组内部的温度情况，由一组温度传感器组成，这些传感器安装在电池组的不同位置，以捕获不同部位的温度数据，通过这些传感器收集的数据，可以实时监测电池组内部的温度分布情况，以检测是否存在温度异常；气体浓度检测装置用于监测储能电池组内部可能产生的气体浓度，在储能电池组发生异常情况时，例如电池发生过热或损坏，可能会释放出气体，气体浓度检测装置可以通过监测空气中特定气体的浓度来检测是否存在异常情况。
通过温度数据检测装置和气体浓度检测装置获取的数据集合，构成二级检测数据集合，这些数据集合包括了储能电池组内部的温度分布情况和气体浓度信息。
基于所述三级预警关联，在储能电池组内布设三级检测装置，获取三级检测数据集合，其中，所述三级检测装置集合包括图像采集装置；
图像采集装置用于实时捕获储能电池组内部或外部的图像信息，图像采集装置包括摄像头，用于拍摄储能电池组内部或外部的特定区域，这些图像可以提供关于储能电池组状态的可视信息，例如检测电池组是否有烟雾、火光或其他异常情况。通过图像采集装置获取的数据集合，构成三级检测数据集合，这些数据集合包括了储能电池组内部或外部的图像信息。
基于异常识别模型，对所述一级探测数据集合、二级探测数据集合、三级探测数据集合进行逐级递减异常识别，生成带有异常等级标识的异常识别结果，其中，所述逐级递减异常识别依次为三级异常识别、二级异常识别、一级异常识别；
准备用于异常识别的模型，可以是机器学习模型，如神经网络等，模型已经在训练阶段通过训练数据进行了训练，并具有对储能电池组中不同类型异常进行准确识别的能力。将一级探测数据集合、二级探测数据集合和三级探测数据集合输入到异常识别模型中，模型对数据进行处理，并识别出其中的异常情况，并为每个异常情况分配相应的异常等级，根据模型的输出，生成带有异常等级标识的异常识别结果。这些结果可以帮助管理人员及时发现和解决储能电池组中的安全问题，确保其正常运行。
将所述异常识别结果发送至管理终端，基于所述异常等级，进行安全预警。
将异常识别结果通过网络等通信方式发送至管理终端，管理终端是用于管理储能电池组的系统，管理终端接收到异常识别结果后，对结果进行解析，并根据异常等级确定安全预警的紧急程度，针对不同等级的异常，采取不同的预警策略，例如，对于一级异常，可以发送警报通知操作人员；对于二级异常，可以自动采取措施，例如调整电池组的运行参数来减轻风险；对于三级异常，可以立即采取紧急措施，例如停止电池组的运行以确保人员安全。
进一步而言，基于异常识别模型，对所述一级探测数据集合、二级探测数据集合、三级探测数据集合进行逐级递减异常识别，生成带有异常等级标识的异常识别结果，其中，所述逐级递减异常识别依次为三级异常识别、二级异常识别、一级异常识别，包括：
所述异常识别模型包括一级异常识别网络、二级异常识别网络、三级异常识别网络；
所述异常识别模型包括一级异常识别网络、二级异常识别网络、三级异常识别网络；
基于所述三级异常识别网络，对所述三级检测数据集合进行三级异常识别，当三级异常识别结果为存在异常时，标识为三级异常；
当三级异常识别结果为三级异常时，将所述三级异常作为所述异常等级标识，停止异常识别过程，直接将所述异常等级标识添加至所述异常识别结果进行后续预警；
当三级异常识别结果为不存在异常时，基于所述二级异常识别网络，对所述二级检测数据集合进行二级异常识别，当二级异常识别结果为存在异常时，标识为二级异常；
当二级异常识别结果为二级异常时，将所述二级异常作为所述异常等级标识，停止异常识别过程，直接将所述异常等级标识添加至所述异常识别结果进行后续预警；
当二级异常识别结果为不存在异常时，基于所述一级异常识别网络，对所述一级检测数据集合进行一级异常识别，当一级异常识别结果为存在异常时，标识为一级异常；
当一级异常识别结果为一级异常时，将所述一级异常作为所述异常等级标识，将所述异常等级标识添加至所述异常识别结果进行后续预警；
当一级异常识别结果为不存在异常时，输出所述异常识别结果为不存在异常。
异常识别模型包括一级异常识别网络、二级异常识别网络和三级异常识别网络，这些网络分别用于识别不同级别的异常情况。其中，一级异常识别网络用于识别一级预警关联的异常情况，针对电池电压、电荷状态等一级检测数据集合进行训练，并能够识别出与之相关的异常情况；二级异常识别网络用于识别二级预警关联的异常情况，针对温度、气体浓度等二级检测数据集合进行训练，并能够识别出与之相关的异常情况；三级异常识别网络用于识别三级预警关联的异常情况，针对图像采集数据集合进行训练，并能够识别出与之相关的异常情况，如烟雾、火光等。每个网络专注于识别特定类型的异常，并生成相应的异常等级标识，这种结构可以提高异常识别的准确性和效率。
将三级检测数据集合，包括烟雾检测图像，输入到三级异常识别网络中，三级异常识别网络对输入的数据进行处理，以识别是否存在异常情况，如果三级异常识别网络检测到异常，将其标识为三级异常。
当三级异常识别结果为不存在异常时，进行二级异常识别，将二级检测数据集合，包括温度数据和气体浓度数据，输入到二级异常识别网络中，二级异常识别网络对输入的数据进行处理，以识别是否存在异常情况，如果二级异常识别网络检测到异常，将其标识为二级异常。
当二级异常识别结果为不存在异常时，进行一级异常识别，将一级检测数据集合，包括电池电压检测数据和电荷状态检测数据，输入到一级异常识别网络中，一级异常识别网络对输入的数据进行处理，以识别是否存在异常情况，如果一级异常识别网络检测到异常，将其标识为一级异常。
其中，具体的一级异常识别、二级异常识别、三级异常识别过程在后续步骤详细展开。
在所有异常情况中，三级异常为最严重的异常，它的优先级最高，其次是二级异常，最后是一级异常，将最高级别的异常作为最终的异常等级标识，即，如果存在三级异常，则将其作为异常等级标识；如果不存在三级异常但存在二级异常，则将二级异常作为异常等级标识；如果既不存在三级异常也不存在二级异常但存在一级异常，则将一级异常作为异常等级标识；如果没有任何异常情况，则将异常等级标识为无异常。
进一步而言，构建所述一级异常识别网络，包括：
调取历史电池电压检测记录、历史电荷状态检测记录；
其中，所述历史电池电压检测记录包括历史电池电压检测数据集合和对应的电池电压异常标记结果集合，作为第一构建数据；
所述历史电荷状态检测记录包括历史电荷状态检测数据集合和对应的电荷状态异常标记结果集合，作为第二构建数据；
基于神经网络，构建电池电压检测子网络、电荷状态检测子网络；
采用所述第一构建数据对所述电池电压检测子网络进行训练至收敛，采用所述第二构建数据对所述电荷状态检测子网络进行训练至收敛；
将训练完成的所述电池电压检测子网络、所述电荷状态检测子网络并行连接，获得所述一级异常识别网络。
从储能电池组的监测系统或记录数据库中，调取一段时间内的历史电池电压检测记录和历史电荷状态检测记录。
历史电池电压检测记录细分为两个部分，历史电池电压检测数据集合和对应的电池电压异常标记结果集合，其中，历史电池电压检测数据集合包含了从储能电池组监测系统中收集的历史电池电压检测数据，这些数据包括电池电压的测量值；电池电压异常标记结果集合包含了针对历史电池电压检测数据集合进行的异常标记结果，每个历史电池电压数据点都与一个标签相关联，标识该数据点是否属于异常情况。
将历史电池电压检测数据集合和对应的异常标记结果集合整合到一个数据集中，作为第一构建数据，其中，每个电池电压数据点都有对应的异常标记结果，用于监督学习训练模型。
历史电荷状态检测记录同样细分为两个部分，历史电荷状态检测数据集合和对应的电荷状态异常标记结果集合，其中，历史电荷状态检测数据集合包含了从储能电池组监测系统中收集的历史电荷状态检测数据，这些数据包括电荷状态的测量值，例如充电状态、放电状态等；电荷状态异常标记结果集合包含了针对历史电荷状态检测数据集合进行的异常标记结果，每个历史电荷状态数据点都与一个标签相关联，标识该数据点是否属于异常情况。
将历史电荷状态检测数据集合和对应的异常标记结果集合整合到一个数据集中，作为第二构建数据，其中，每个电荷状态数据点都有对应的异常标记结果。
基于神经网络构建电池电压检测子网络和电荷状态检测子网络，这些子网络分别用于对历史电池电压检测数据和历史电荷状态检测数据进行训练和学习，以准确识别不同的电池电压、电荷状态的异常模式。
使用第一构建数据，即历史电池电压检测数据集合和对应的电池电压异常标记结果集合，对电池电压检测子网络进行训练，通过反向传播算法和梯度下降等优化方法，调整网络参数，使其能够准确地识别电池电压异常情况，直到训练误差收敛或达到预设迭代次数时，停止训练。
同样地，使用第二构建数据，即历史电荷状态检测数据集合和对应的电荷状态异常标记结果集合，对电荷状态检测子网络进行训练，使其能够准确地识别电荷状态异常情况。
通过对电池电压检测子网络和电荷状态检测子网络进行训练，可以使它们学习历史数据中电池电压和电荷状态的异常模式，并获取识别异常情况的能力。
将训练完成的电池电压检测子网络和电荷状态检测子网络进行并行连接，这可以通过将两个子网络的输出连接到一个共享的输出层来实现，并确保它们在同一级别上并行工作，将并行连接的网络作为一级异常识别网络，该网络可以同时接收电池电压检测数据和电荷状态检测数据作为输入，并产生异常识别结果作为输出。
进一步而言，基于所述一级异常识别网络，对所述一级检测数据集合进行一级异常识别，包括：
所述一级检测数据集合包括电池电压检测数据、电荷状态检测数据；
将所述电池电压检测数据输入所述电池电压检测子网络，输出电池电压异常识别结果；
将所述电荷状态检测数据输入所述电荷状态检测子网络，输出电荷状态异常识别结果；
当所述电池电压异常识别结果、所述电荷状态异常识别结果中的任一识别结果为异常，则输出一级异常识别结果为存在异常。
所述一级检测数据集合是电池电压检测装置、电荷状态检测装置进行实时数据采集得到的数据集合，包括电池电压检测数据、电荷状态检测数据。
将电池电压检测数据作为输入，输入到电池电压检测子网络中，该子网络通过学习到的历史数据中的模式和关联来识别异常情况，输出电池电压的异常识别结果，该结果是一个标签，表示电池电压是否异常。
同样地，将电荷状态检测数据作为输入，输入到电荷状态检测子网络中，该子网络同样通过学习到的历史数据中的模式和关联来识别异常情况，输出电荷状态的异常识别结果，该结果是一个标签，表示电荷状态是否异常。
进行逻辑判断，当电池电压异常识别结果或电荷状态异常识别结果中任一识别结果为异常时，就将一级异常识别结果标识为存在异常，这意味着只要有任何一个子网络判定存在异常，整体的一级异常识别结果就会被标识为存在异常。
进一步而言，基于所述二级异常识别网络，对所述二级检测数据集合进行二级异常识别，包括：
所述二级异常识别网络内嵌温度预警阈值、气体浓度预警阈值；
所述二级检测数据集合包括实时温度数据、实时气体浓度数据；
当所述实时温度数据达到所述温度预警阈值，和/或所述实时气体浓度数据达到所述气体浓度预警阈值时，则输出二级异常识别结果为存在异常。
所述二级异常识别网络内预先设定了一个温度预警阈值，用于判断温度是否达到异常水平，当实时温度数据超过温度预警阈值时，会判定为异常情况；同样地，预先设定了一个气体浓度预警阈值，用于判断气体浓度是否达到异常水平，当实时气体浓度数据超过气体浓度预警阈值时，会判定为异常情况。这些预警阈值的设定是根据储能电池组的特性和安全要求而确定的，可以通过历史数据分析、工程经验或者专业知识来确定。
所述二级检测数据集合是温度数据检测装置、气体浓度检测装置进行实时数据采集得到的数据集合，包括实时温度数据、实时气体浓度数据。
当实时温度数据达到温度预警阈值和/或实时气体浓度数据达到气体浓度预警阈值时，输出二级异常识别结果为存在异常，这意味着只要实时数据中任一参数超过了设定的预警阈值，就判断为异常情况。
进一步而言，构建所述三级异常识别网络，包括：
所述三级检测数据集合包括烟雾检测图像，以及对应的图像采集状态；
在所述图像采集状态下，获取标定检测图像和样本烟雾检测图像集合，其中，所述标定检测图像是对正常储能电池组进行图像采集获得的，所述样本烟雾检测图像集合是对不同异常程度的储能电池组进行图像采集获得的；
基于所述标定检测图像和所述样本烟雾检测图像集合，获取样本相似度集合；
基于孪生神经网络，构建烟雾识别图像处理器，其中，所述烟雾识别图像处理器包括第一图像处理通道、第二图像处理通道，并且，所述第一图像处理通道、所述第二图像处理通道结构相同、参数共享；
采用所述标定检测图像、所述样本烟雾检测图像集合、所述样本相似度集合，对所述烟雾识别图像处理器进行训练，直到达到收敛条件，获得所述三级异常识别网络。
所述三级检测数据集合是图像采集装置进行实时图像采集得到的数据集合，包括烟雾检测图像，并且在图像采集时记录了对应的图像采集状态，包括光照条件、图像采集装置的相对位置、设备参数等。
在与实时图像采集过程完全相同的图像采集状态下，即，保持完全相同的光照条件、图像采集装置的相对位置、设备参数等，对正常储能电池组进行图像采集，获取标定检测图像，标定检测图像用于捕获正常状态下的图像数据，以使模型能够学习正常情况下的图像特征；同样的状态下，对不同异常程度的储能电池组进行图像采集，获取样本烟雾检测图像集合，样本烟雾检测图像集合包含了各种异常程度的烟雾情况，包括从轻微到严重的不同情况，这些图像用于训练模型以识别各种烟雾程度下的异常特征。
对于每张样本烟雾检测图像，计算它与标定检测图像的相似度，可以使用各种图像相似度度量方法，例如结构相似性指数、峰值信噪比等，来计算图像之间的相似度，将每个烟雾检测图像与其对应的标定检测图像的相似度作为样本相似度集合的一部分，用于训练烟雾异常识别模型。
孪生神经网络是一种特殊的神经网络结构，由两个相同结构的子网络组成，分别处理不同的输入数据，这两个子网络共享相同的参数，这意味着它们学习到的特征表示是相似的。构建的烟雾识别图像处理器由两个图像处理通道组成，包括第一图像处理通道和第二图像处理通道，这两个通道的结构相同，包括相同的神经网络层次和结构，并且它们共享相同的参数，这样的烟雾识别图像处理器可以有效地利用孪生神经网络的结构来处理烟雾检测图像，实现烟雾异常识别。
使用标定检测图像、样本烟雾检测图像集合和样本相似度集合作为训练数据，其中，标定检测图像用于捕获正常状态下的图像特征，样本烟雾检测图像集合用于捕获不同异常程度的烟雾特征，样本相似度集合用于量化图像之间的相似度信息。
使用标定检测图像和样本烟雾检测图像集合作为训练样本，同时利用样本相似度集合来引导模型学习，通过反向传播算法和优化器，不断调整烟雾识别图像处理器的参数，使其能够适应不同程度的烟雾情况，并提高烟雾异常识别的准确性，在训练过程中，监控模型在验证集上的性能，并根据性能指标来判断训练是否收敛，例如根据验证集上的准确率等指标来判断模型是否收敛，当训练过程达到收敛条件时，固定烟雾识别图像处理器的参数，并用作三级异常识别网络，该网络能够对输入的烟雾检测图像进行处理，并输出相应的异常识别结果。
进一步而言，基于所述三级异常识别网络，对所述三级检测数据集合进行三级异常识别，包括：
将所述烟雾检测图像、所述标定检测图像输入所述烟雾识别图像处理器，输出相似度，获取烟雾疑似度；
当所述烟雾疑似度大于或等于预设烟雾疑似度阈值时，则输出三级异常识别结果为存在异常。
将烟雾检测图像和标定检测图像分别输入烟雾识别图像处理器的两个图像处理通道，两个通道分别提取图像特征，并计算它们之间的相似度，输出的相似度反映了烟雾检测图像与标定检测图像之间的相似程度。根据相似度，获取烟雾疑似度，相似度越高，烟雾疑似度越小，说明烟雾异常的可能性越小；相似度越低，烟雾疑似度越大，说明烟雾异常的可能性越大。
设置一个预设的烟雾疑似度阈值，用于判断是否存在烟雾异常，这个阈值可以根据实际需求和安全标准来确定，例如根据经验或实验数据设定。当烟雾疑似度大于或等于预设烟雾疑似度阈值时，即表示烟雾异常的可能性较高，此时输出三级异常识别结果为存在异常，表示储能电池组存在严重的烟雾异常情况，需要立即采取应对措施。
综上所述，本申请实施例所提供的基于多模态感知的储能安全预警方法具有如下技术效果：
1.通过获取历史监测数据集合，并利用孟德尔随机化对多项监测指标进行分析，建立了多项监测指标与储能电池组之间的预警关联等级，实现了对多模态数据的综合分析；
2.通过建立一级、二级、三级预警关联，布设相应的检测装置并构建异常识别模型，实现了针对不同等级异常情况的预警机制，提高了预警的准确性和及时性；
3.基于异常识别模型，对一级、二级、三级探测数据集合进行异常识别，并根据异常等级进行安全预警，实现了多级别的异常识别和安全预警，更全面地保障了储能电池组的安全运行。
综上所述，该基于多模态感知的储能安全预警方法有效地解决了现有技术中存在的单一模态数据处理、异常预警机制不完善以及缺乏多级异常识别和安全预警等问题，为储能电池组的安全运行提供了更可靠的保障。
基于与前述实施例中基于多模态感知的储能安全预警方法相同的发明构思，如图2所示，本申请提供了基于多模态感知的储能安全预警系统，所述系统应用于储能电池组，所述系统包括：
历史监测数据获取模块10，所述历史监测数据获取模块10用于获取储能电池组的历史监测数据集合，所述历史监测数据集合包括多项监测指标；
预警关联等级建立模块20，所述预警关联等级建立模块20用于利用孟德尔随机化对所述多项监测指标进行分析，建立所述多项监测指标与储能电池组之间的预警关联等级，其中，所述预警关联等级包括一级预警关联、二级预警关联、三级预警关联；
一级检测数据获取模块30，所述一级检测数据获取模块30用于基于所述一级预警关联，在储能电池组内布设一级检测装置，获取一级检测数据集合，其中，所述一级检测装置包括电池电压检测装置、电荷状态检测装置；
二级检测数据获取模块40，所述二级检测数据获取模块40用于基于所述二级预警关联，在储能电池组内布设二级检测装置，获取二级检测数据集合，其中，所述二级检测装置集合包括温度数据检测装置、气体浓度检测装置；
三级检测数据获取模块50，所述三级检测数据获取模块50用于基于所述三级预警关联，在储能电池组内布设三级检测装置，获取三级检测数据集合，其中，所述三级检测装置集合包括图像采集装置；
异常识别模块60，所述异常识别模块60用于基于异常识别模型，对所述一级探测数据集合、二级探测数据集合、三级探测数据集合进行逐级递减异常识别，生成带有异常等级标识的异常识别结果，其中，所述逐级递减异常识别依次为三级异常识别、二级异常识别、一级异常识别；
安全预警模块70，所述安全预警模块70用于将所述异常识别结果发送至管理终端，基于所述异常等级，进行安全预警。
进一步而言，所述系统还包括异常识别模块，以执行如下操作步骤：
所述异常识别模型包括一级异常识别网络、二级异常识别网络、三级异常识别网络；
所述异常识别模型包括一级异常识别网络、二级异常识别网络、三级异常识别网络；
基于所述三级异常识别网络，对所述三级检测数据集合进行三级异常识别，当三级异常识别结果为存在异常时，标识为三级异常；
当三级异常识别结果为三级异常时，将所述三级异常作为所述异常等级标识，停止异常识别过程，直接将所述异常等级标识添加至所述异常识别结果进行后续预警；
当三级异常识别结果为不存在异常时，基于所述二级异常识别网络，对所述二级检测数据集合进行二级异常识别，当二级异常识别结果为存在异常时，标识为二级异常；
当二级异常识别结果为二级异常时，将所述二级异常作为所述异常等级标识，停止异常识别过程，直接将所述异常等级标识添加至所述异常识别结果进行后续预警；
当二级异常识别结果为不存在异常时，基于所述一级异常识别网络，对所述一级检测数据集合进行一级异常识别，当一级异常识别结果为存在异常时，标识为一级异常；
当一级异常识别结果为一级异常时，将所述一级异常作为所述异常等级标识，将所述异常等级标识添加至所述异常识别结果进行后续预警；
当一级异常识别结果为不存在异常时，输出所述异常识别结果为不存在异常。
进一步而言，所述系统还包括一级异常识别网络构建模块，以执行如下操作步骤：
调取历史电池电压检测记录、历史电荷状态检测记录；
其中，所述历史电池电压检测记录包括历史电池电压检测数据集合和对应的电池电压异常标记结果集合，作为第一构建数据；
所述历史电荷状态检测记录包括历史电荷状态检测数据集合和对应的电荷状态异常标记结果集合，作为第二构建数据；
基于神经网络，构建电池电压检测子网络、电荷状态检测子网络；
采用所述第一构建数据对所述电池电压检测子网络进行训练至收敛，采用所述第二构建数据对所述电荷状态检测子网络进行训练至收敛；
将训练完成的所述电池电压检测子网络、所述电荷状态检测子网络并行连接，获得所述一级异常识别网络。
进一步而言，所述系统还包括一级异常识别模块，以执行如下操作步骤：
所述一级检测数据集合包括电池电压检测数据、电荷状态检测数据；
将所述电池电压检测数据输入所述电池电压检测子网络，输出电池电压异常识别结果；
将所述电荷状态检测数据输入所述电荷状态检测子网络，输出电荷状态异常识别结果；
当所述电池电压异常识别结果、所述电荷状态异常识别结果中的任一识别结果为异常，则输出一级异常识别结果为存在异常。
进一步而言，所述系统还包括二级异常识别模块，以执行如下操作步骤：
所述二级异常识别网络内嵌温度预警阈值、气体浓度预警阈值；
所述二级检测数据集合包括实时温度数据、实时气体浓度数据；
当所述实时温度数据达到所述温度预警阈值，和/或所述实时气体浓度数据达到所述气体浓度预警阈值时，则输出二级异常识别结果为存在异常。
进一步而言，所述系统还包括三级异常识别网络构建模块，以执行如下操作步骤：
所述三级检测数据集合包括烟雾检测图像，以及对应的图像采集状态；
在所述图像采集状态下，获取标定检测图像和样本烟雾检测图像集合，其中，所述标定检测图像是对正常储能电池组进行图像采集获得的，所述样本烟雾检测图像集合是对不同异常程度的储能电池组进行图像采集获得的；
基于所述标定检测图像和所述样本烟雾检测图像集合，获取样本相似度集合；
基于孪生神经网络，构建烟雾识别图像处理器，其中，所述烟雾识别图像处理器包括第一图像处理通道、第二图像处理通道，并且，所述第一图像处理通道、所述第二图像处理通道结构相同、参数共享；
采用所述标定检测图像、所述样本烟雾检测图像集合、所述样本相似度集合，对所述烟雾识别图像处理器进行训练，直到达到收敛条件，获得所述三级异常识别网络。
进一步而言，所述系统还包括三级异常识别模块，以执行如下操作步骤：
将所述烟雾检测图像、所述标定检测图像输入所述烟雾识别图像处理器，输出相似度，获取烟雾疑似度；
当所述烟雾疑似度大于或等于预设烟雾疑似度阈值时，则输出三级异常识别结果为存在异常。
本说明书通过前述对基于多模态感知的储能安全预警方法的详细描述，本领域技术人员可以清楚得知道本实施例中的基于多模态感知的储能安全预警系统，由于其与实施例公开的方法相对应，所以描述得比较简单，相关之处参见方法部分说明即可。
在一个实施例中，提供了计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，该计算机设备的处理器用于提供计算和控制能力；该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统、计算机程序和数据库，该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境；该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行以实现基于多模态感知的储能安全预警方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.基于多模态感知的储能安全预警方法，其特征在于，所述方法应用于储能电池组，所述方法包括：
获取储能电池组的历史监测数据集合，所述历史监测数据集合包括多项监测指标；
利用孟德尔随机化对所述多项监测指标进行分析，建立所述多项监测指标与储能电池组之间的预警关联等级，其中，所述预警关联等级包括一级预警关联、二级预警关联、三级预警关联；
基于所述一级预警关联，在储能电池组内布设一级检测装置，获取一级检测数据集合，其中，所述一级检测装置包括电池电压检测装置、电荷状态检测装置；
基于所述二级预警关联，在储能电池组内布设二级检测装置，获取二级检测数据集合，其中，所述二级检测装置集合包括温度数据检测装置、气体浓度检测装置；
基于所述三级预警关联，在储能电池组内布设三级检测装置，获取三级检测数据集合，其中，所述三级检测装置集合包括图像采集装置；
基于异常识别模型，对所述一级探测数据集合、二级探测数据集合、三级探测数据集合进行逐级递减异常识别，生成带有异常等级标识的异常识别结果，其中，所述逐级递减异常识别依次为三级异常识别、二级异常识别、一级异常识别；
将所述异常识别结果发送至管理终端，基于所述异常等级，进行安全预警。
2.如权利要求1所述的方法，其特征在于，基于异常识别模型，对所述一级探测数据集合、二级探测数据集合、三级探测数据集合进行逐级递减异常识别，生成带有异常等级标识的异常识别结果，其中，所述逐级递减异常识别依次为三级异常识别、二级异常识别、一级异常识别，包括：
所述异常识别模型包括一级异常识别网络、二级异常识别网络、三级异常识别网络；
基于所述三级异常识别网络，对所述三级检测数据集合进行三级异常识别，当三级异常识别结果为存在异常时，标识为三级异常；
当三级异常识别结果为三级异常时，将所述三级异常作为所述异常等级标识，停止异常识别过程，直接将所述异常等级标识添加至所述异常识别结果进行后续预警；
当三级异常识别结果为不存在异常时，基于所述二级异常识别网络，对所述二级检测数据集合进行二级异常识别，当二级异常识别结果为存在异常时，标识为二级异常；
当二级异常识别结果为二级异常时，将所述二级异常作为所述异常等级标识，停止异常识别过程，直接将所述异常等级标识添加至所述异常识别结果进行后续预警；
当二级异常识别结果为不存在异常时，基于所述一级异常识别网络，对所述一级检测数据集合进行一级异常识别，当一级异常识别结果为存在异常时，标识为一级异常；
当一级异常识别结果为一级异常时，将所述一级异常作为所述异常等级标识，将所述异常等级标识添加至所述异常识别结果进行后续预警；
当一级异常识别结果为不存在异常时，输出所述异常识别结果为不存在异常。
3.如权利要求2所述的方法，其特征在于，构建所述一级异常识别网络，包括：
调取历史电池电压检测记录、历史电荷状态检测记录；
其中，所述历史电池电压检测记录包括历史电池电压检测数据集合和对应的电池电压异常标记结果集合，作为第一构建数据；
所述历史电荷状态检测记录包括历史电荷状态检测数据集合和对应的电荷状态异常标记结果集合，作为第二构建数据；
基于神经网络，构建电池电压检测子网络、电荷状态检测子网络；
采用所述第一构建数据对所述电池电压检测子网络进行训练至收敛，采用所述第二构建数据对所述电荷状态检测子网络进行训练至收敛；
将训练完成的所述电池电压检测子网络、所述电荷状态检测子网络并行连接，获得所述一级异常识别网络。
4.如权利要求3所述的方法，其特征在于，基于所述一级异常识别网络，对所述一级检测数据集合进行一级异常识别，包括：
所述一级检测数据集合包括电池电压检测数据、电荷状态检测数据；
将所述电池电压检测数据输入所述电池电压检测子网络，输出电池电压异常识别结果；
将所述电荷状态检测数据输入所述电荷状态检测子网络，输出电荷状态异常识别结果；
当所述电池电压异常识别结果、所述电荷状态异常识别结果中的任一识别结果为异常，则输出一级异常识别结果为存在异常。
5.如权利要求2所述的方法，其特征在于，基于所述二级异常识别网络，对所述二级检测数据集合进行二级异常识别，包括：
所述二级异常识别网络内嵌温度预警阈值、气体浓度预警阈值；
所述二级检测数据集合包括实时温度数据、实时气体浓度数据；
当所述实时温度数据达到所述温度预警阈值，和/或所述实时气体浓度数据达到所述气体浓度预警阈值时，则输出二级异常识别结果为存在异常。
6.如权利要求2所述的方法，其特征在于，构建所述三级异常识别网络，包括：
所述三级检测数据集合包括烟雾检测图像，以及对应的图像采集状态；
在所述图像采集状态下，获取标定检测图像和样本烟雾检测图像集合，其中，所述标定检测图像是对正常储能电池组进行图像采集获得的，所述样本烟雾检测图像集合是对不同异常程度的储能电池组进行图像采集获得的；
基于所述标定检测图像和所述样本烟雾检测图像集合，获取样本相似度集合；
基于孪生神经网络，构建烟雾识别图像处理器，其中，所述烟雾识别图像处理器包括第一图像处理通道、第二图像处理通道，并且，所述第一图像处理通道、所述第二图像处理通道结构相同、参数共享；
采用所述标定检测图像、所述样本烟雾检测图像集合、所述样本相似度集合，对所述烟雾识别图像处理器进行训练，直到达到收敛条件，获得所述三级异常识别网络。
7.如权利要求6所述的方法，其特征在于，基于所述三级异常识别网络，对所述三级检测数据集合进行三级异常识别，包括：
将所述烟雾检测图像、所述标定检测图像输入所述烟雾识别图像处理器，输出相似度，获取烟雾疑似度；
当所述烟雾疑似度大于或等于预设烟雾疑似度阈值时，则输出三级异常识别结果为存在异常。
8.基于多模态感知的储能安全预警系统，其特征在于，所述系统应用于储能电池组，用于实施权利要求1-7任一项所述的基于多模态感知的储能安全预警方法，所述系统包括：
历史监测数据获取模块，所述历史监测数据获取模块用于获取储能电池组的历史监测数据集合，所述历史监测数据集合包括多项监测指标；
预警关联等级建立模块，所述预警关联等级建立模块用于利用孟德尔随机化对所述多项监测指标进行分析，建立所述多项监测指标与储能电池组之间的预警关联等级，其中，所述预警关联等级包括一级预警关联、二级预警关联、三级预警关联；
一级检测数据获取模块，所述一级检测数据获取模块用于基于所述一级预警关联，在储能电池组内布设一级检测装置，获取一级检测数据集合，其中，所述一级检测装置包括电池电压检测装置、电荷状态检测装置；
二级检测数据获取模块，所述二级检测数据获取模块用于基于所述二级预警关联，在储能电池组内布设二级检测装置，获取二级检测数据集合，其中，所述二级检测装置集合包括温度数据检测装置、气体浓度检测装置；
三级检测数据获取模块，所述三级检测数据获取模块用于基于所述三级预警关联，在储能电池组内布设三级检测装置，获取三级检测数据集合，其中，所述三级检测装置集合包括图像采集装置；
异常识别模块，所述异常识别模块用于基于异常识别模型，对所述一级探测数据集合、二级探测数据集合、三级探测数据集合进行逐级递减异常识别，生成带有异常等级标识的异常识别结果，其中，所述逐级递减异常识别依次为三级异常识别、二级异常识别、一级异常识别；
安全预警模块，所述安全预警模块用于将所述异常识别结果发送至管理终端，基于所述异常等级，进行安全预警。
9.计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于多模态感知的储能安全预警方法的步骤。
10.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权利要求1至7中任一项所述的基于多模态感知的储能安全预警方法的步骤。
CN202410513894.8A 2024-04-26 2024-04-26 基于多模态感知的储能安全预警方法及系统 Active CN118362923B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410513894.8A CN118362923B (zh) 2024-04-26 2024-04-26 基于多模态感知的储能安全预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410513894.8A CN118362923B (zh) 2024-04-26 2024-04-26 基于多模态感知的储能安全预警方法及系统

Publications (2)

Publication Number Publication Date
CN118362923A CN118362923A (zh) 2024-07-19
CN118362923B true CN118362923B (zh) 2024-11-08

Family

ID=91875203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410513894.8A Active CN118362923B (zh) 2024-04-26 2024-04-26 基于多模态感知的储能安全预警方法及系统

Country Status (1)

Country Link
CN (1) CN118362923B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115549094A (zh) * 2022-12-01 2022-12-30 速度时空信息科技股份有限公司 一种智能电网变电设备预警评估方法及系统
CN116061690A (zh) * 2023-02-02 2023-05-05 重庆赛力斯新能源汽车设计院有限公司 一种电动汽车充电过程中的安全预警方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6880560B2 (ja) * 2016-03-30 2021-06-02 株式会社Ihi 故障予測装置、故障予測方法及び故障予測プログラム
CN117388725B (zh) * 2023-03-13 2024-07-05 中国石油大学(华东) 一种基于锂离子电池膨胀力的早期异常预警方法
CN116758712A (zh) * 2023-06-26 2023-09-15 苏州时代华景新能源有限公司 一种锂电池储能箱的消防响应控制方法及系统
CN117805511A (zh) * 2023-10-18 2024-04-02 新源智储能源发展(北京)有限公司 一种储能电站异常识别系统及方法
CN117746591B (zh) * 2023-12-25 2024-07-02 浙江大学 一种数据驱动的不可移动文物异常预警方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115549094A (zh) * 2022-12-01 2022-12-30 速度时空信息科技股份有限公司 一种智能电网变电设备预警评估方法及系统
CN116061690A (zh) * 2023-02-02 2023-05-05 重庆赛力斯新能源汽车设计院有限公司 一种电动汽车充电过程中的安全预警方法及装置

Also Published As

Publication number Publication date
CN118362923A (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
CN117474357B (zh) 基于深度学习的配电房运维管理方法及系统
CN117332347A (zh) 一种机巡与ai融合的电网智慧运维方法及系统
CN117783769B (zh) 基于可视平台的配电网络故障定位方法、系统、设备及存储介质
CN109492790A (zh) 基于神经网络与数据挖掘的风电机组健康管理方法
CN108763966B (zh) 一种尾气检测作弊监管系统及方法
CN113760670A (zh) 电缆接头异常预警方法、装置、电子设备和存储介质
CN116505106B (zh) 一种锂电池储能站的可视化管理方法及系统
CN116633689A (zh) 基于网络安全分析的数据存储风险预警方法及系统
CN114721336A (zh) 一种仪控系统工艺参数的信息安全事件预警方法
CN116923188A (zh) 一种新能源车的充电保护系统
CN118861651B (zh) 基于物联网的储能装置远程监控管理平台及方法
CN118362923B (zh) 基于多模态感知的储能安全预警方法及系统
CN118155047B (zh) 一种适用于高寒地区的小型电池管理方法
CN118473901B (zh) 基于智能优化算法的物联网故障诊断方法及系统
CN118228274B (zh) 一种用于调度自动化系统的数据安全诊断方法
CN119293664A (zh) 一种基于多源数据融合的设备运行评估方法
CN118136161A (zh) 水汽循环系统的给水氢电导率异常预警方法和装置
CN118096112A (zh) 一种智能建筑设施运维方法、系统、设备及介质
CN118247902A (zh) 一种基于大数据的大坝消防预警方法及消防系统
CN114492636B (zh) 一种变压器绕组状态信号的采集系统
CN118656611B (zh) 一种基于多参数学习的电涌事件识别方法及识别系统
CN118965247B (zh) 一种基于多源数据的电厂数据管理方法及系统
Xue et al. Research on Intelligent Server Room Integrated Operation and Maintenance Management System
Patnaik et al. Advanced Anomaly Detection in Batteries Using Deep Learning Methods
CN119007395A (zh) 一种储能电站异常故障报警装置及其报警方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant