一种发电侧储能模组健康状态监控与生产调度管理平台的制作方法

本发明涉及储能模组监控与生产调度，具体地说，涉及一种发电侧储能模组健康状态监控与生产调度管理平台。

背景技术：

1、随着新能源并网规模的激增，发电侧储能系统作为关键的新型储能基础设施，在“一次调频”与“削峰填谷”中发挥着核心作用。在真实的野外运行场景中，储能电站由于频繁承受电网高频下发的阶跃调度指令（大倍率充放电冲击），叠加集装箱内部的结构散热死角，常导致簇内个别模组的极化内阻异常飙升。为了防止该劣化模组热失控，现场的电池管理系统（bms）只能触发“木桶效应”，全量压低整个电池簇的充放电电流上限。电站运营方为了恢复额定产能，必须向制造工厂下单，定制生产一个与之匹配的替换模组，此即工程中常见的“短板替换”运维场景。

2、然而，在现有的储能换件运维场景中，频繁发生“新模组到了现场却依旧无法满血并网”的严重阻抗失配事故：从现场上报异常、工厂排产制造、再到长途干线物流与现场静置，往往存在十几天甚至更长的物理时间跨度。现有的制造执行系统（mes）通常机械地照搬“现场此刻”的老旧模组阻抗数据去下达生产指令；却忽略了新模组在长途物流中经历的是平缓的“常温日历老化”，而现场的旧电池簇依然在恶劣工况下经历剧烈的“非线性循环老化”；这种演化轨迹的错位，导致新模组在送达现场真正并网的那一刻，其阻抗早已与持续恶化的旧电池簇再次脱节，并网后极易引发簇内环流。

3、综上，现有平台多依赖于人工智能模型（如常规的时间序列预测网络），这些深度学习算法由于缺乏底层热力学机理的约束，在进行长周期演化外推或遭遇极端突变工况时，神经网络极易脱离物理常识发生严重的参数漂移，无法提供具备工程可靠性的决策前馈；因此，亟需一种发电侧储能模组健康状态监控与生产调度管理平台，以实现从底层物理感知到智能制造排产的工业互联网协同。

技术实现思路

1、本发明的目的在于提供一种发电侧储能模组健康状态监控与生产调度管理平台，以解决上述背景技术中提出的现有平台缺乏对物流时变老化的前馈预测补偿的问题。

2、为实现上述目的，本发明目的在于提供了一种发电侧储能模组健康状态监控与生产调度管理平台，包括：

3、特征采集单元，所述特征采集单元用于持续获取发电侧储能电池簇中各储能模组在工况波动下的充放电响应数据与热场分布特征，并提取用于表征模组微观劣化的时序特征参量；

4、演化预测单元，所述演化预测单元用于将所述时序特征参量输入至预设的健康度演化模型，预测目标劣化模组触及退役阈值的初步剩余时间，并结合所述充放电响应数据与热场分布特征对所述初步剩余时间进行逆向非线性缩减校正，得到实际退役剩余时间，同时，同步预测在实际退役剩余时间时刻，所述目标劣化模组所在电池簇内其余健康模组的预期均值阻抗与预期剩余容量；

5、阻抗匹配决策单元，所述阻抗匹配决策单元用于以所述预期均值阻抗和预期剩余容量为基准，并结合所述实际退役剩余时间，构建用于规避簇内新旧模组阻抗失配的定制化模组生产参数矩阵；

6、柔性排产单元，所述柔性排产单元用于在所述实际退役剩余时间到达前的预设生产提前期内解析所述定制化模组生产参数矩阵，自动调整电芯分选规则与模组组装工艺配方，排产制造出与所述电池簇在实际退役剩余时间时刻性能参数相匹配的替换模组；

7、闭环反馈单元，所述闭环反馈单元用于在所述替换模组在实际退役剩余时间时刻替换所述目标劣化模组并网运行后，生成更新后的簇级台账，并下发至目标劣化模组所属的电池管理系统执行自适应参数修正。

8、作为本技术方案的进一步改进，所述特征采集单元包括工况响应抓取模块、物理热场感知模块与时序特征提取模块；

9、所述工况响应抓取模块用于在发电侧功率突变工况下，抓取模组承受1c以上阶跃电流时的充放电响应数据，所述充放电响应数据具体包括在发电侧功率突变工况下，储能模组承受阶跃电流时的电压瞬态跌落深度及极化内阻恢复时间常数；

10、所述物理热场感知模块用于获取储能模组内部电芯极耳区域与中心区域的热场分布特征，所述热场分布特征具体包括实时温差梯度；

11、所述时序特征提取模块用于根据预设时间窗口内所述电压瞬态跌落深度与极化内阻恢复时间常数随时间的一阶变化率，确定极化内阻动态增长斜率；对所述预设时间窗口内的实时温差梯度进行随时间的时间积分计算，得到累积热应力积分值，并将所述极化内阻动态增长斜率与所述累积热应力积分值映射至同一时域坐标系下进行多维特征融合，得到用于表征模组微观劣化的时序特征参量。

12、作为本技术方案的进一步改进，所述预设的健康度演化模型为融合不可逆物理衰变边界约束的多头自注意力神经网络；

13、所述演化预测单元包括机理特征融合模块、深度时序外推模块以及极端工况突变校正模块；

14、其中，机理特征融合模块通过储能变流器的历史出力曲线提取发电侧历史调度功率谱的频域特征，并将所述频域特征与所述时序特征参量进行正交化级联映射，构建得到多维联合输入特征张量；

15、深度时序外推模块用于将所述多维联合输入特征张量输入至所述多头自注意力神经网络的自注意力时间编码层中，捕获常态工况下所述时序特征参量随时间演变的长短期非线性衰变特征，并基于所述不可逆物理衰变边界约束限制所述多头自注意力神经网络输出的参数漂移，得到初步剩余时间、以及目标电池簇随未来时间推演的均值阻抗轨迹曲线与剩余容量轨迹曲线；

16、极端工况突变校正模块在监控到发电侧触发连续大倍率阶跃调峰指令时，基于提取的大电流冲击持续时间与电芯瞬态温升速率解算得到瞬态电热耦合应力因子，并基于所述瞬态电热耦合应力因子对所述初步剩余时间进行逆向非线性缩减校正，得到实际退役剩余时间，并在所述均值阻抗轨迹曲线与所述剩余容量轨迹曲线上，以所述实际退役剩余时间作为时间索引坐标进行同步寻址，提取对应时刻的数值作为所述预期均值阻抗与预期剩余容量。

17、作为本技术方案的进一步改进，基于所述不可逆物理衰变边界约束限制所述多头自注意力神经网络输出的参数漂移，涉及的具体步骤为：

18、将所述多维联合输入特征张量输入所述多头自注意力神经网络，通过多个平行的注意力头分别计算所述频域特征、极化内阻动态增长斜率以及累积热应力积分值在历史时间序列上的注意力权重矩阵，提取多尺度时序关联特征；

19、在所述多头自注意力神经网络的前向推演中，提取当前预测时间步与下一预测时间步的网络预输出节点数据；

20、执行所述不可逆物理衰变边界约束，所述不可逆物理衰变边界约束在神经网络中被量化为物理单调性偏导数条件，并设定物理单调性偏导数条件为：对所述网络预输出节点数据计算针对时间步的一阶偏导数，要求预期均值阻抗随时间的一阶变化率必须保持为非负值，且预期剩余容量随时间的一阶变化率必须保持为非正值；

21、将所述网络预输出节点数据的一阶变化率代入至所述物理单调性偏导数条件进行校验，若识别到网络预输出节点数据违背所述物理单调性偏导数条件，则在模型损失函数中施加指数级惩罚梯度进行权重修正，限制网络在长周期外推时的参数漂移，直至网络达到符合所述不可逆物理衰变边界约束的稳态收敛；

22、将多维联合输入特征张量送入已完成稳态收敛的所述多头自注意力神经网络中，通过前向计算，输出初步剩余时间、以及目标电池簇随未来时间推演的均值阻抗轨迹曲线与剩余容量轨迹曲线。

23、作为本技术方案的进一步改进，对所述初步剩余时间进行逆向非线性缩减校正，得到实际退役剩余时间，涉及的具体步骤为：

24、实时监测目标电池簇的充放电电流，若识别到电流绝对值持续超过预设的安全倍率阈值，则启动高精度定时器累加计算获取大电流冲击持续时间；

25、同步获取所述特征采集单元采集的实时温度数据，通过离散一阶差分运算计算得到当前的电芯瞬态温升速率；

26、将所述大电流冲击持续时间与所述电芯瞬态温升速率作为联合索引键值，寻址调入预先标定存储的电热耦合急性损伤映射矩阵中，通过双线性内插法进行空间平滑求解，输出大于或等于1的无量纲参数，作为瞬态电热耦合应力因子；

27、读取所述深度时序外推模块输出的初步剩余时间，执行非线性缩减校正，以初步剩余时间与瞬态电热耦合应力因子的商，作为实际退役剩余时间；

28、在解算得到所述实际退役剩余时间后，在所述均值阻抗轨迹曲线与剩余容量轨迹曲线中，以所述实际退役剩余时间为时间节点执行寻址截取，提取对应时刻的瞬态数值作为最终的预期均值阻抗与预期剩余容量；

29、并将所述实际退役剩余时间、预期均值阻抗与预期剩余容量输出至所述阻抗匹配决策单元。

30、作为本技术方案的进一步改进，所述阻抗匹配决策单元包括基准阻抗对齐模块和在途老化逆向补偿模块；

31、其中，所述基准阻抗对齐模块用于读取所述预期均值阻抗与预期剩余容量，并针对待排产的替换模组，基于其基准内阻需求以及预期均值阻抗，并引入预设的被动均衡容差指标，构建初始阻抗匹配约束方程，所述初始阻抗匹配约束方程用于限定所述替换模组并网时的容许阻抗偏差边界，用于规避新旧模组并联环流与串联过充；

32、在途老化逆向补偿模块用于读取所述实际退役剩余时间，并针对制造基地与发电侧储能电站之间的地理跨度，提取运输物流周期常数与沿途环境温度序列，计算所述替换模组在物流运输及入库静置阶段由于日历老化引发的在途历时常温静置衰减矩阵，并将所述在途历时常温静置衰减矩阵作为负向补偿变量引入所述初始阻抗匹配约束方程，生成包含物理出厂内阻目标值的定制化模组生产参数矩阵，输出至柔性排产单元。

33、作为本技术方案的进一步改进，所述在途老化逆向补偿模块生成所述定制化模组生产参数矩阵，涉及以下步骤：

34、所述基准阻抗对齐模块针对多个离散荷电状态点，基于所述替换模组在理想并网状态下的基准内阻需求以及目标电池簇的所述预期均值阻抗，并引入预设的被动均衡电流允许偏离系数作为容差约束指标，构建所述初始阻抗匹配约束方程；其中，所述初始阻抗匹配约束方程要求所述基准内阻需求与所述预期均值阻抗之间的绝对阻抗差值，不得超过由所述预期均值阻抗与所述被动均衡电流允许偏离系数相乘所确定的动态容许偏离边界；

35、在途老化逆向补偿模块基于在所述实际退役剩余时间倒推排产交期，提取在物流规划中的预估物流运输耗时以及基于地理气象数据预测的沿途离散环境温度序列；

36、采用离散阿伦尼乌斯老化时变积分模型，将预估物流运输耗时与所述沿途离散环境温度序列作为边界条件输入，对各离散荷电状态点下的固相界面钝化增量进行积分累计，解算得到所述在途历时常温静置衰减矩阵；

37、将所述在途历时常温静置衰减矩阵作为负向补偿变量引入所述初始阻抗匹配约束方程进行出厂标定逆向修正，得到包含物理出厂内阻目标值的定制化模组生产参数矩阵；

38、其中，所述定制化模组生产参数矩阵的出厂标定逻辑限定：要求所述物理出厂内阻目标值与所述在途历时常温静置衰减矩阵的等效叠加值，与所述预期均值阻抗之间的绝对阻抗差值，必须满足不得超过由所述预期均值阻抗与所述被动均衡电流允许偏离系数相乘所确定的动态容许偏离边界，用于指导下游的柔性排产单元在出厂前即预先扣除物流老化冗余。

39、作为本技术方案的进一步改进，所述柔性排产单元包括物料动态筛选模块与工艺联动控制模块；

40、其中，所述物料动态筛选模块用于在所述实际退役剩余时间到达前的预设生产提前期内解析所述定制化模组生产参数矩阵，提取定制化模组生产参数矩阵中的物理出厂内阻目标值，并控制前端电芯分选设备筛选出交流内阻特征逼近所述物理出厂内阻目标值的电芯批次；

41、所述工艺联动控制模块用于在单一电芯自身内阻无法完全匹配所述物理出厂内阻目标值时，自动调整模组组装工序中的汇流排激光焊接参数，通过调节激光焊接熔深或有效焊接面积引入可控的接触热阻，以补偿电芯本体阻抗与所述物理出厂内阻目标值之间的残差，制造出满足出厂标定的替换模组。

42、作为本技术方案的进一步改进，所述工艺联动控制模块通过调节激光焊接熔深或有效焊接面积引入可控的接触热阻，制造出满足出厂标定的替换模组，涉及的具体步骤为：

43、获取所述物料动态筛选模块完成首轮配组后、流水线当前工位上待焊接电芯批次的实际交流内阻均值；

44、提取定制化模组生产参数矩阵中的物理出厂内阻目标值，并计算所述物理出厂内阻目标值与所述实际交流内阻均值之间的阻抗补偿残差；

45、若阻抗补偿残差大于0，则将所述阻抗补偿残差作为输入特征量，输入至预先标定存储的工艺映射模型中，所述工艺映射模型包含接触热阻与激光焊接参数之间的非线性映射关系，解算匹配得到对应的变参焊接指令，其中，所述变参焊接指令具体为目标焊接激光功率降幅指令或目标有效焊点缩减数量指令；

46、将所述变参焊接指令编译为底层可执行机读代码，并通过工业控制总线下发至模组组装流水线上的激光焊接设备执行自适应变参焊接，在电芯极柱与汇流排的结合界面处精准生成等效于所述阻抗补偿残差的定制化接触热阻；

47、通过待焊接电芯批次的所述实际交流内阻均值与所述定制化接触热阻在结构上的物理串联叠加，从而制造出总体内阻绝对逼近所述物理出厂内阻目标值、且满足出厂标定的替换模组。

48、作为本技术方案的进一步改进，所述闭环反馈单元用于在所述替换模组历经物流运输与常温静置后，在所述实际退役剩余时间到达节点替换所述目标劣化模组并网运行后，提取所述替换模组的最终并网身份标识；

49、并将所述预期均值阻抗与所述预期剩余容量赋予所述最终并网身份标识，生成更新后的簇级台账；

50、随后将所述更新后的簇级台账下发至目标劣化模组所属的现场电池管理系统，驱动现场电池管理系统解除基于原目标劣化模组衰减状态所设置的降额与限流充放电保护机制，完成产能至运维的物理闭环。

51、与现有技术相比，本发明的有益效果：

52、1、一种发电侧储能模组健康状态监控与生产调度管理平台中，针对工厂排产与现场并网间长达数十天的物流周期差异，构建融合不可逆物理衰变边界约束的多头自注意力神经网络，并结合极端工况突变校正模块（基于瞬态电热耦合应力因子），锁定目标劣化模组真实的实际退役剩余时间以及该时刻现场簇内的预期均值阻抗；进一步的，引入在途历时常温静置衰减矩阵，并将其作为负向补偿变量进行出厂标定逆向修正，确保替换模组在历经长途物流并网的瞬间，其物理阻抗能够与持续老化的现场旧电池簇达成完美同化，从源头上扼杀了簇内并联环流与串联过充的风险。

53、2、一种发电侧储能模组健康状态监控与生产调度管理平台中，在替换模组并网后提取其最终并网身份标识，将预期均值阻抗与预期剩余容量强制下发至目标劣化模组所属的现场电池管理系统（bms），生成更新后的簇级台账；驱动底层系统解除因原劣化模组衰减状态而被迫设定的降额与限流充放电保护机制，使簇内单体电压分布恢复均流同步，彻底消除阻抗错配风险，保障目标电池簇在时刻迅速恢复至满功率额定运行区间。