云边协同的储能系统安全监测与健康预测调度方法及系统与流程
本发明涉及储能系统安全监测、故障预测与能量管理,具体地,涉及一种云边协同的储能系统安全监测与健康预测调度方法及系统。
背景技术:
1、随着新能源发电的大规模并网和智能电网建设的推进,电化学储能系统在发电侧、电网侧和负荷侧得到了广泛应用。然而,储能系统在运行过程中面临着热失控、过充过放、电池老化等多重安全风险,对储能系统的安全监测、健康管理和调度控制提出了极高要求。
2、现有储能系统的安全监测、健康管理与调度技术主要存在以下不足:
3、第一,安全监测、健康评估与调度决策相互割裂,缺乏统一框架。现有技术中,安全监测模块、健康状态评估模块和调度优化模块通常独立运行,各模块之间信息传递不畅。安全监测结果未能有效融入健康评估和调度决策过程,健康评估结果也未能及时反馈至调度优化,导致“监测到风险却无法有效规避、评估到老化却无法主动保护”的困境。
4、第二,数据处理架构单一,实时性与准确性难以兼顾。传统储能管理系统多采用集中式云平台架构,所有监测数据均需上传至云端进行处理和决策。随着储能系统规模扩大至gwh级别,海量数据的实时传输与处理导致显著的通信延迟和计算瓶颈。云端集中处理模式难以满足储能系统对毫秒级安全响应的需求。现有技术虽提出云边协同架构,但边缘端通常仅承担数据采集与转发功能,缺乏独立的安全态势感知与自主决策能力。
5、第三,健康状态评估与故障预测缺乏多时间尺度能力。储能系统的故障演化具有多时间尺度特征:从毫秒级的电压异常、秒级的温度突变,到小时级的容量衰减、天级的老化趋势。现有技术通常仅关注单一时间尺度的异常检测或健康评估,未能建立跨时间尺度的监测-预测一体化机制。
6、第四,模型缺乏基于运行数据的持续进化能力。电池的老化特性受运行工况、环境温度、充放电策略等多因素影响,具有显著的时变性和个体差异性。现有phm模型和安全评估模型多为静态部署,无法基于各储能单元的实际运行数据进行个性化更新和持续进化。
7、第五,云边模型协同进化机制缺失,数据隐私与模型优化难以兼顾。现有系统中,云端训练的模型难以高效部署至海量边缘节点,边缘端的本地运行经验也无法有效回馈至云端实现全局模型优化。同时,各储能电站的运行数据涉及商业隐私,直接上传原始数据存在数据安全风险。
8、第六,多储能电站间的协同调度缺乏有效机制。对于分布在不同地理位置的多个储能电站,现有技术多采用独立管控模式,缺乏跨站点的安全态势共享与协同调度能力,难以实现全局最优的安全与经济效益平衡。
技术实现思路
1、本发明实施例的目的是针对现有储能系统安全监测、健康管理与调度技术中存在的安全监测与调度决策割裂、实时性与准确性难以兼顾、缺乏多时间尺度预测能力、模型缺乏持续进化机制、云边协同不足以及多站协同困难的问题,提供一种云边协同的储能系统安全监测与健康预测调度方法及系统,显著提升了储能系统的安全性、可靠性与调度效率。
2、为了实现上述目的,本发明实施例提供一种云边协同的储能系统安全监测与健康预测调度方法,该方法包括:
3、构建包含终端感知层、边缘计算层和云端决策层的三层云边协同架构;其中,
4、利用边缘计算层采集实时运行数据,通过多尺度滑动窗口提取安全特征与健康征兆特征,输入轻量级模型计算实时安全态势指数,并根据指数等级执行本地紧急调度、请求云端辅助决策或常规监测;
5、利用云端决策层融合多边缘数据构建全局安全态势图谱与运行历史数据集,通过深度学习模型进行健康状态soh估算与剩余使用寿命rul预测;基于安全态势、健康状态及电网调度需求构建多目标优化调度模型并求解,将调度方案输入数字孪生模型完成安全预验证,仅下发通过验证的方案;
6、边缘计算层与云端决策层通过联邦学习实现安全评估与寿命预测模型的协同进化;
7、边缘计算层在执行调度指令时实时监测安全与健康状态,出现异常则启动安全重调度,并上传反馈数据以动态调整调度模型约束权重,实现闭环联动。
8、优选地,通过多尺度滑动窗口提取安全特征与健康征兆特征包括:
9、以1秒为窗口长度提取超短期征兆,超短期征兆包括电压瞬时偏差和电压变化率;
10、以60秒为窗口长度提取短期征兆,短期征兆包括温度变化率、电压一致性偏差和内阻短期变化率;
11、以600秒为窗口长度提取中期征兆,中期征兆包括电压波动特征、温度累积变化和内阻趋势特征。
12、优选地,根据指数等级执行本地紧急调度、请求云端辅助决策或常规监测包括:
13、当实时安全态势指数低于第一预设阈值时,边缘计算层独立执行本地紧急调度策略,同时,将安全预警信息及对应的征兆特征数据上传至云端决策层;
14、当实时安全态势指数介于第一预设阈值与第二预设阈值之间时,边缘计算层将安全特征数据、健康征兆特征数据及本地初步评估结果上传至云端决策层,请求云端进行精细化健康状态评估和辅助决策;
15、当实时安全态势指数高于第二预设阈值时,边缘计算层维持正常运行监测,定期将摘要数据上传至云端决策层。
16、优选地,多目标优化调度模型以系统安全性最大化、运行经济性最优和设备寿命损耗最小化为优化目标,其中,安全约束条件包括各储能单元的实时安全态势指数约束、健康状态约束、温度约束和电压约束,并且,各约束条件的权重系数根据实时安全态势指数和健康状态动态调整。
17、优选地,将调度方案输入数字孪生模型完成安全预验证,仅下发通过验证的方案包括:
18、云端决策层基于各储能单元的实时运行数据构建数字孪生模型;
19、将全局最优调度方案输入数字孪生模型,在虚拟空间中模拟执行该调度方案,预测执行过程中各储能单元的安全态势变化和健康状态演化;
20、若数字孪生模拟结果中出现任一储能单元的安全态势指数低于第一预设阈值或健康状态加速衰退等情况,则判定该调度方案未通过安全预验证,将预验证结果反馈至多目标优化调度模型进行重新优化;
21、重复上述步骤直至生成通过安全预验证的调度方案方予以下发执行。
22、优选地,边缘计算层与云端决策层通过联邦学习实现安全评估与寿命预测模型的协同进化包括:
23、边缘计算层记录本地安全态势评估模型的实际预测偏差、调度决策效果和各储能单元的实际衰退轨迹数据;
24、边缘计算层采用联邦学习方式,将本地模型的梯度更新信息加密上传至云端决策层;
25、边缘计算层定期将本地记录的实际衰退轨迹数据上传至云端决策层;
26、云端决策层聚合各边缘端上传的模型梯度更新信息和实际衰退轨迹数据,构建全局老化数据库;
27、云端决策层基于全局老化数据库定期对云端深度学习安全评估与寿命预测模型进行全局迭代优化;
28、云端决策层将优化后的模型参数经差分隐私处理和模型压缩后下发至各边缘计算层。
29、优选地,云端决策层还执行多储能电站协同安全调度,包括:
30、利用多个边缘计算层上传的安全态势数据和健康状态数据构建多储能电站安全态势分布图谱和健康状态分布图谱;
31、基于安全态势分布图谱和健康状态分布图谱识别系统性风险模式;
32、根据各储能电站的安全态势和健康状态实现跨电站的负荷分配优化和备用容量协同调度。
33、优选地,云端决策层还执行退化主导模式识别,包括:
34、基于剩余使用寿命预测结果识别薄弱储能单元;
35、利用故障模式识别模型分析薄弱储能单元退化轨迹的形态特征,判断退化主导模式;其中,退化主导模式包括sei膜增长主导型、锂析出主导型、电极材料结构退化主导型和电解液分解主导型;
36、根据退化主导模式的判断结果生成针对性的健康管理建议。
37、另一方面,本发明提供一种用于实现上述云边协同的储能系统安全监测与健康预测调度方法的系统,该系统包括:
38、终端感知层,部署于各储能单元,包括电压传感器、电流传感器、温度传感器、气体传感器、压力传感器和内阻在线监测模块,用于采集储能单元的实时运行数据及在线内阻数据;
39、边缘计算层,部署于储能电站本地,包括边缘计算节点和本地存储单元,边缘计算节点内置轻量级安全态势评估模型、多尺度健康征兆提取模块和紧急调度策略库,用于执行本地数据预处理、多层级实时安全态势评估、健康征兆提取、紧急调度决策和本地健康状态评估;
40、云端决策层,部署于远程云平台,包括云存储集群和gpu计算集群,gpu计算集群内置深度学习安全评估与寿命预测模型、故障模式识别模型、多目标优化调度引擎、数字孪生映射模块和多单元协同评估引擎,用于执行全局安全态势分析、长期退化轨迹预测、全局健康状态评估、故障模式识别、跨站协同调度优化、数字孪生安全预验证和模型训练进化;
41、云边协同通信层,用于实现终端感知层与边缘计算层之间、边缘计算层与云端决策层之间的安全数据传输与指令交互;
42、安全监测与调度联动模块,分别部署于边缘计算层和云端决策层,用于实现安全态势评估结果、健康状态预测结果与调度决策之间的闭环联动与自适应修正;
43、模型进化管理模块,部署于云端决策层,用于管理安全评估模型和寿命预测模型的持续训练、联邦学习聚合、更新和向边缘端的部署下发。
44、优选地,边缘计算层的轻量级安全态势评估模型采用模型量化、剪枝和知识蒸馏技术中的至少一种进行压缩优化;云端决策层还包括退化模式知识库,用于存储不同电池类型在不同工况下的典型退化轨迹模板和故障模式特征。
45、根据上述技术方案,首先,本发明通过边缘端部署轻量级模型实现本地态势感知,根据安全等级分层处理——紧急状态本地毫秒级响应、预警状态云端辅助决策、正常状态常规监测,能够将热失控等突发事件的响应时间从传统云端的3-5秒缩短至边缘端的毫秒级,从根本上解决了通信延迟导致的保护失效问题。其次,本发明采用多尺度滑动窗口提取安全与健康征兆,实现从瞬时异常到长期退化趋势的全尺度覆盖。边缘端承担实时异常检测,云端利用全局历史数据完成精细化soh估算和rul预测,克服了“单模型无法同时满足实时性与准确性”的技术矛盾,构建了从毫秒级异常到天级寿命预测的完整时间谱系监测能力。同时,本发明将安全态势指数和soh/rul预测结果直接作为调度模型的动态约束条件,建立了安全约束前置、健康状态量化、调度优化求解的联动机制,使调度方案在生成阶段即内嵌了安全与寿命保护逻辑,而非事后补救,实现了被动响应向主动防护的转变。此外,本发明通过数字孪生模型在虚拟空间中进行执行前预演,模拟安全态势变化和健康状态演化,仅通过验证的方案才予下发,实现了调度方案的先验证、后执行,从源头上杜绝了理论最优方案在实际工况中诱发安全事件的可能性,填补了传统优化调度缺乏安全校验环节的空白。本发明还采用联邦学习机制,既保护了各储能电站的运行数据隐私,又实现了模型基于实际运行经验的持续迭代。进一步的,本发明在执行端持续监测安全与健康状态,一旦检测到异常即触发安全重调度,并将执行反馈上传云端动态调整约束权重,使得每一次调度经验都能反馈至后续决策优化中,形成了自适应的动态优化能力,而非静态的一次性决策。
46、本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com