一种储能系统边缘计算设备的运行控制方法、装置、电子设备及存储介质与流程

本发明涉及电池运行控制，具体涉及一种储能系统边缘计算设备的运行控制方法、装置、电子设备及存储介质。

背景技术：

1、随着储能技术的发展，利用边缘计算设备对储能电池的运行状态进行实时监测与评估，已成为保障储能电站运行与调度的重要手段。边缘计算设备能够就近处理密集的实时运行数据，满足系统对状态感知的实时性要求，因此，边缘计算设备的运行控制策略，影响着端侧计算资源的利用效率以及监控系统的稳定性。

2、然而，现有的储能边缘计算设备在执行状态评估时通常采用固定时间间隔的推理机制，面临计算冗余与设备负载偏高的问题。原因在于为了获取所需的评估结果，边缘侧往往需要运行包含复杂时序特征提取机制的网络模型，其单次推理的算力开销较大；但在储能电池的实际运行中，存在部分底层电气特征例如电流波动较小且模型输出结果较为一致的平稳工况阶段。传统的固定频率推理机制缺乏对底层物理电气状态波动与模型预测结果稳定性的联合感知能力，难以根据电池的实际运行状态自适应调整计算节奏，导致边缘计算设备在平稳工况下依然执行重复推理，耗费计算资源，进而易使设备处于高负载状态并带来散热压力。

技术实现思路

1、本发明实施例提供一种储能系统边缘计算设备的运行控制方法、装置、电子设备及存储介质，能够解决现有技术中边缘计算设备在储能电池平稳工况下因采用固定时间间隔的推理机制导致计算冗余与设备负载偏高的问题。

2、本发明一实施例提供了一种储能系统边缘计算设备的运行控制方法，包括：

3、每经过预设的初始推理时间间隔，获取储能电池的实时运行数据；所述实时运行数据包括电压序列数据、电流序列数据和温度序列数据；

4、将实时运行数据输入预设的量化评估模型，输出实时预测值；其中，所述量化评估模型由初始评估模型基于样本运行数据训练并经量化处理得到；所述初始评估模型包括双向长短期记忆网络层和多头注意力机制层，用于提取运行数据的时序隐藏特征并进行特征融合；

5、当累积输出的所述实时预测值的时长满足预设的时间窗口时，获取所述电流序列数据在当前的时间窗口内对应的电流数值，计算所述电流数值的电流方差，以及所述实时预测值的预测方差；

6、当电流方差低于预设的电流方差阈值，且预测方差低于预设的预测方差阈值时，控制所述边缘计算设备延长所述初始推理时间间隔，以减小边缘计算设备的计算负载。

7、进一步的，在将实时运行数据输入预设的量化评估模型之前，还包括：

8、根据预设温度均值、预设温度标准差和温度序列数据，计算生成标准化温度特征；

9、根据预设电压均值、预设电压标准差和电压序列数据，计算生成标准化电压特征；

10、根据预设电流均值、预设电流标准差和电流序列数据，计算生成标准化电流特征；

11、组合标准化温度特征、标准化电压特征和标准化电流特征，生成更新后的实时运行数据。

12、进一步的，初始评估模型基于样本运行数据训练并经量化处理得到量化评估模型的过程，包括：

13、获取储能电池的样本运行数据集；其中，样本运行数据集包括若干样本运行数据和对应的样本真实状态标签；样本运行数据包括样本电压序列数据、样本电流序列数据和样本温度序列数据；样本真实状态标签为储能电池真实的能量状态数值；

14、按照预设的批量大小将样本运行数据集划分为若干批次的训练样本；

15、将各批次的训练样本依次输入至初始评估模型中进行迭代训练，直至满足预设训练停止条件，生成训练后模型；

16、其中，初始评估模型在每接收一批次的训练样本时，通过双向长短期记忆网络层提取样本运行数据的时序隐藏特征；通过多头注意力机制层对时序隐藏特征进行特征融合，输出样本预测状态数值；根据样本预测状态数值和样本真实状态标签，计算生成损失函数值；根据损失函数值计算生成模型梯度；根据模型梯度计算生成一阶矩移动平均估计和二阶矩移动平均估计；结合预设的学习率和预设的权重衰减系数，根据一阶矩移动平均估计、二阶矩移动平均估计和预设的防除零常数对当前模型参数进行更新；

17、获取训练后模型的浮点最大值；

18、根据预设的量化最大整数值、预设的量化尺度因子和浮点最大值，计算生成初始量化零点；

19、截断初始量化零点至预设的截断区间，生成目标量化零点；

20、根据预设的量化尺度因子和目标量化零点，将训练后模型内的浮点数据转换为整数数据，生成量化评估模型。

21、进一步的，当累积输出的所述实时预测值的时长满足预设的时间窗口时，获取所述电流序列数据在当前的时间窗口内对应的电流数值，计算所述电流数值的电流方差，以及所述实时预测值的预测方差，包括：

22、当累积输出的所述实时预测值的时长满足预设的时间窗口时，提取电流序列数据在当前的时间窗口内对应的若干电流数值；

23、提取在当前的时间窗口内累积输出的若干实时预测值；

24、确定所述若干电流数值的电流数值总数；

25、确定所述若干实时预测值的预测数值总数；

26、根据所述若干电流数值，计算生成电流平均值；

27、根据电流平均值和所述若干电流数值，计算生成各电流数值对应的电流偏差平方值；

28、根据各电流数值对应的电流偏差平方值和电流数值总数，计算生成电流方差；

29、根据所述若干实时预测值，计算生成预测平均值；

30、根据预测平均值和各实时预测值，计算生成各实时预测值对应的预测偏差平方值；

31、根据各实时预测值对应的预测偏差平方值和预测数值总数，计算生成预测方差。

32、进一步的，控制所述边缘计算设备延长所述初始推理时间间隔，包括：

33、根据初始推理时间间隔和预设的时间增加步长，计算生成候选推理时间间隔；

34、判断候选推理时间间隔是否大于预设的最大容许时间间隔，若是，将初始推理时间间隔调整为预设的最大容许时间间隔；若否，将初始推理时间间隔调整为候选推理时间间隔。

35、进一步的，所述储能系统边缘计算设备的运行控制方法，还包括：

36、当电流方差不低于预设的电流方差阈值，或预测方差不低于预设的预测方差阈值时，将初始推理时间间隔调整为预设的基准推理时间间隔。

37、进一步的，所述储能系统边缘计算设备的运行控制方法，还包括：

38、比对实时预测值和预设的能量状态安全阈值，生成过放状态判定结果；

39、当过放状态判定结果表征实时预测值低于预设的能量状态安全阈值时，生成放电切断指令；

40、根据放电切断指令，控制储能电池断开物理放电回路。

41、在上述方法项实施例的基础上，本发明对应提供了装置项实施例。

42、本发明一实施例提供了一种储能系统边缘计算设备的运行控制装置，包括：数据获取模块、模型推理模块、方差计算模块和负载控制模块；

43、所述数据获取模块，用于每经过预设的初始推理时间间隔，获取储能电池的实时运行数据；所述实时运行数据包括电压序列数据、电流序列数据和温度序列数据；

44、所述模型推理模块，用于将实时运行数据输入预设的量化评估模型，输出实时预测值；其中，所述量化评估模型由初始评估模型基于样本运行数据训练并经量化处理得到；所述初始评估模型包括双向长短期记忆网络层和多头注意力机制层，用于提取运行数据的时序隐藏特征并进行特征融合；

45、所述方差计算模块，用于当累积输出的所述实时预测值的时长满足预设的时间窗口时，获取所述电流序列数据在当前的时间窗口内对应的电流数值，计算所述电流数值的电流方差，以及所述实时预测值的预测方差；

46、所述负载控制模块，用于当电流方差低于预设的电流方差阈值，且预测方差低于预设的预测方差阈值时，控制所述边缘计算设备延长所述初始推理时间间隔，以减小边缘计算设备的计算负载。

47、在上述方法项实施例的基础上，本发明对应提供了电子设备项实施例。

48、本发明一实施例提供了一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述方法项实施例中任一项所述储能系统边缘计算设备的运行控制方法。

49、在上述方法项实施例的基础上，本发明对应提供了存储介质项实施例。

50、本发明一实施例提供了一种存储介质，其上存储有计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行上述方法项实施例中任一项所述储能系统边缘计算设备的运行控制方法。

51、与现有技术对比，本发明具有如下有益效果：

52、本发明实施例提供一种储能系统边缘计算设备的运行控制方法、装置、电子设备及存储介质。所述方法获取储能电池的实时运行数据；根据实时运行数据，利用量化评估模型进行周期性推理，输出实时预测值；其中，量化评估模型基于双向长短期记忆网络层和多头注意力机制层提取运行数据的时序特征并经量化处理得到；计算电流序列数据的电流方差以及实时预测值的预测方差；当电流方差和预测方差均低于对应阈值时，延长边缘计算设备的推理时间间隔，以降低计算负载。

53、本发明通过计算预设时间窗口内的电流方差与预测方差，构建了底层物理电气状态与模型输出稳定性的联合感知机制，弥补了现有技术缺乏稳态工况感知能力的不足。当判定上述双重方差均低于预设阈值时，系统控制边缘计算设备延长初始推理时间间隔，改变了传统固定时间间隔的推理模式。这一技术特征的协同，减少了储能电池在平稳工况下运行复杂模型所产生的重复推理，从而降低了边缘计算设备的计算冗余并减小了设备的整体计算负载。