一种储能系统热管理方法与流程

本技术涉及储能安全监测，特别是涉及一种储能系统热管理方法。

背景技术：

1、随着新能源发电装机容量的快速增长，锂离子电池储能、液流电池储能、飞轮储能及压缩空气储能等电力储能系统已成为保障电网稳定运行的关键基础设施。温度异常是导致各类储能系统故障甚至热失控安全事故的核心诱因。红外热成像技术已逐步应用于储能温度监测，例如在储能集装箱内安装红外成像测温传感器、在液流电池堆栈周边布置红外探头、在飞轮壳体端部设置红外测温点等。

2、然而，现有技术仍存在以下突出不足：

3、第一，纯数据驱动的深度学习模型缺乏物理约束，在传感器稀疏覆盖或训练数据不足时，预测的温度场可能出现违反热传导定律的异常结果（例如温度梯度方向与热源位置矛盾），导致误报或漏报。

4、第二，异常检测严重依赖故障样本。实际储能系统中新型热失控模式（如特定材料体系下的缓慢热积累）往往缺乏历史故障数据，现有监督或半监督方法无法实现零样本检测，对未知故障类型无能为力。

5、第三，热传播路径不可视，无法主动阻断。现有技术仅能检测已发生的热斑，无法预测热扩散的方向和速度，更无法通过主动调节冷却策略切断热传播链。

6、第四，多冷却支路独立控制，易产生局部竞争。传统热管理中pid控制器各自独立调节，可能出现a区过度冷却浪费能耗而b区仍过热的非协同状态，整体能效和温度均匀性差。

7、第五，故障诊断输出形式单一，缺乏可解释性与交互决策能力。现有报警系统仅提供数值或声光信号，无法生成专业级诊断报告，更不支持运维人员通过自然语言进行“如果…会怎样”的反事实推理。

8、第六，多储能站点之间存在数据孤岛，联合建模面临隐私泄露风险，且ai模型本身易受对抗样本攻击（如恶意构造的红外图像导致漏报）。

技术实现思路

1、本技术提供一种储能系统热管理方法，旨在解决现有技术中纯数据驱动模型缺乏物理约束、无法零样本检测未知故障、不能预测热传播路径实现主动阻断、冷却控制缺乏协同、诊断交互性差且数据安全与模型鲁棒性不足的问题。

2、第一方面，提供了一种储能系统热管理方法，包括：

3、获取储能系统中红外热成像阵列采集的红外图像序列；

4、构建物理信息神经网络与transformer的混合模型，将热传导偏微分方程作为软约束嵌入损失函数，对所述红外图像序列提取符合热力学定律的热特征张量；

5、通过四模态对比学习预训练将至少包括红外模态的多种模态特征映射至公共嵌入空间，进行无需故障样本的零样本异常检测，并利用模型无关元学习适配当前储能体系类型；

6、采用时序图注意力网络根据所述热特征张量动态学习有向热传播路径，输出热源定位结果与热蔓延预测结果；

7、根据所述热源定位结果与所述热蔓延预测结果，输出热管理协同控制指令。

8、上述方案中，可选地，所述将热传导偏微分方程作为软约束嵌入损失函数，具体为：

9、在所述混合模型的总体损失函数中增加热传导方程残差项，所述热传导方程残差项用于约束网络输出的温度场预测结果满足热传导偏微分方程。

10、上述方案中，可选地，所述通过四模态对比学习预训练将至少包括红外模态的多种模态特征映射至公共嵌入空间，具体为：

11、获取同一时刻下红外模态、可见光模态、气体模态及振动模态四路传感器数据，分别提取四路特征向量；

12、以所述四路特征向量中同一模态的不同时刻样本作为负样本对，以同一时刻不同模态的样本作为正样本对，通过对比损失函数拉近正样本对的特征距离并推开负样本对的特征距离，将所述四路特征向量映射至所述公共嵌入空间；

13、将待检测样本的特征向量映射至所述公共嵌入空间后，计算其与正常样本特征聚类中心的距离，当所述距离超过预设阈值时判定为异常。

14、上述方案中，可选地，所述利用模型无关元学习适配当前储能体系类型，具体为：

15、获取锂离子电池储能体系、液流电池储能体系、飞轮储能体系及压缩空气储能体系的至少两种体系的历史数据，在元训练阶段学习通用初始化参数；

16、在元测试阶段，利用当前储能体系类型的少量标注样本对所述通用初始化参数进行一次或数次梯度更新，得到适配当前储能体系类型的模型参数。

17、上述方案中，可选地，所述采用时序图注意力网络根据所述热特征张量动态学习有向热传播路径，具体为：

18、以储能系统中的各监测节点作为图节点，以各监测节点之间的热影响关系作为边，构建动态图结构；

19、针对每个时间步，计算当前监测节点与其邻居监测节点之间的时序注意力系数，以所述时序注意力系数作为有向边的权重，表征热流方向；

20、沿时间维度对各监测节点的温度变化序列进行反向传播，追溯温度异常最早发生的起始监测节点作为热源定位结果；

21、根据当前时刻各监测节点的温度及其变化趋势，结合所述有向边的权重，预测热蔓延至相邻监测节点的到达时间和温度峰值。

22、上述方案中，可选地，所述输出热管理协同控制指令，具体为：

23、构建多智能体深度强化学习控制器，将储能系统中的每个冷却支路作为一个智能体，各智能体共享全局状态信息；

24、以全局总能耗最小化、整体温度场均匀性最大化为优化目标，通过集中式训练分布式执行策略输出各智能体的控制动作；

25、所述热管理协同控制指令包括各冷却支路的冷却流量指令、风机转速指令及预冷却启动指令。

26、上述方案中，进一步可选地，所述多智能体深度强化学习控制器的奖励函数为：

27、；

28、其中，为所有冷却支路的总能耗，为储能系统内各监测点温度的均方差，为第i个智能体的动作，为所有智能体动作的平均值，、、为权重系数；所述奖励函数用于以全局总能耗最小化、整体温度场均匀性最大化和各智能体动作差异化最小化为联合优化目标。

29、上述方案中，可选地，所述输出热源定位结果与热蔓延预测结果之后，还包括：

30、获取部署于储能系统的至少两个不同视角的红外热像仪在同一时刻采集的稀疏多角度红外图像，以及各红外热像仪的位姿参数和内部参数；

31、将所述稀疏多角度红外图像输入神经辐射场网络，以所述位姿参数和内部参数作为光线采样参数，沿每条光线在三维空间中进行采样，将采样点的位置坐标和方向向量输入所述神经辐射场网络，输出各采样点的温度和体素密度；

32、通过体素渲染积分，生成稠密的三维温度体素场，所述三维温度体素场的空间分辨率高于所述红外图像序列中单帧图像的空间分辨率。

33、上述方案中，可选地，所述输出热管理协同控制指令之后，还包括：

34、接入经过储能领域指令微调的大语言模型，将所述热源定位结果、所述热蔓延预测结果和当前储能系统的运行状态参数拼接为提示词输入所述大语言模型；

35、通过检索增强生成机制，从知识图谱中检索与当前异常类型匹配的历史故障案例，所述大语言模型结合所述历史故障案例生成自然语言故障诊断报告并输出；

36、响应于用户输入的反事实假设问询，调用物理仿真器模拟在所述反事实假设问询所指定的条件下储能系统的温度演化过程，或将所述反事实假设问询直接输入所述大语言模型由其推理生成预期结果，将所述预期结果反馈至用户。

37、上述方案中，可选地，还包括：

38、采用联邦学习架构，对各储能站点的本地模型训练梯度进行加密后上传至中心服务器，所述中心服务器对各站点的加密梯度进行聚合，将聚合后的全局模型参数下发至各站点进行本地更新；

39、采用对抗攻击检测模块对各模态输入数据进行实时监测，计算各输入样本在特征空间中的局部内在维度，当所述局部内在维度超过预设安全阈值时，判定当前输入样本为对抗样本并予以拦截。

40、相比现有技术，本技术至少具有以下有益效果：

41、本技术基于对现有技术问题的进一步分析和研究，认识到现有技术中存在纯数据驱动模型缺乏物理约束、无法零样本检测未知故障、不能预测热传播路径实现主动阻断、冷却控制缺乏协同、诊断交互性差且数据安全与模型鲁棒性不足的问题，通过构建物理信息神经网络与transformer的混合模型并将热传导偏微分方程作为软约束嵌入损失函数，使热特征张量的提取过程受热力学定律约束，消除违反物理规律的异常预测；通过四模态对比学习预训练将多模态特征对齐至公共嵌入空间，结合模型无关元学习快速适配不同储能体系，实现无需故障样本即可识别未知热失控前兆；通过时序图注意力网络动态学习各监测节点间的有向热传播路径，沿时间维度反向追溯最早异常节点实现热源定位并前向预测热蔓延趋势，为主动干预提供决策依据；通过根据热源定位与热蔓延预测结果输出协同控制指令，使冷却资源按热传播方向预先部署、各支路联动配合，达到物理规律与数据驱动相融合的高置信度温度感知、无需故障样本的跨体系零样本异常预警、热传播路径的可视化溯源与主动阻断，以及多冷却支路按需协同的能效优化效果，从根本上突破了传统阈值报警被动响应且无法预测热扩散方向的局限。