本發明涉及儲能電池安全監測，具體為基于智能算法的分布式電化學儲能火災報警系統。

背景技術：

1、隨著新能源發電與電網調度協同程度的日益提升，電化學儲能電站在削峰填谷、應急供電等方面扮演著關鍵角色。此類儲能設施通常包含大規模的電池模組陣列，覆蓋多種化學體系（如鋰離子、鈉硫、全釩液流等），并配備復雜的能量管理系統以應對高并發充放電要求。在長期運行環境下，不僅需要保障各級功率平衡與調度效率，更需應對溫度、濕度及負載驟變等多重外部因素的干擾。由于儲能電站多處于常年不停機狀態，單體電池若存在輕微的制造缺陷或在運行中出現局部材料老化，都可能誘發不可預測的微短路或劣化反應，并在蓄熱與疊加效應下逐漸演變成熱失控。倘若隱患積累而無法及時檢測，即使日常監控保持在標稱范圍內，也有可能在某個時刻突然爆發，引發火災、爆炸甚至全站癱瘓，給電網安全與財產安全造成巨大損失。因此，如何在早期階段便捕捉電池內部的細微異常信號，并及時對可能的故障態勢做出前瞻性干預，已成為儲能系統運維領域的核心訴求。

2、現有儲能電站多依賴基本的電池管理系統（bms）進行閾值式報警，僅能在電壓、溫度等參數的明顯偏離時做出提示，難以及時捕捉更隱蔽的潛伏性故障。當單個模組的內短路或材料劣化尚處早期時，參數變化往往呈現微小而不顯著的分布，傳統方法極易忽略這類“小波動信號”；同時，實際工況下故障數據的采集成本很高，導致模型訓練樣本有限，對早期故障征兆的提取與識別精度受到限制。此外，雖然已有少數研發團隊嘗試整合多源傳感器信息（例如電壓、溫度、氣體成分等），但缺乏統一的多模態融合與深度分析手段，難以形成對故障機制的完整刻畫；而跨系統聯動（如消防設備、溫控單元、能源管理系統）的配合機制亦未能系統化，往往僅在事故發生后進行被動的事后補救。

3、綜上所述，如何在容量巨大、工況復雜的大型儲能環境下，通過更靈敏的異常識別算法與更高效的聯動干預模式，實現對潛在熱失控的早期預警與主動防控，構成了目前行業亟需解決的技術難題。

技術實現思路

1、（一）解決的技術問題

2、針對現有技術的不足，本發明提供了基于智能算法的分布式電化學儲能火災報警系統，針對大型儲能電站內電池早期熱失控風險，經實時同步采樣與噪聲過濾生成高質量數據流，應用多維度特征構造突出內短路或材料劣化等微弱故障征兆，利用深度學習模型精準識別并輸出預警，再與bms、ems及消防系統協同降載、隔離及溫控措施，在仿真環境引入進化算法或強化學習持續迭代干預策略，達成對多場景復雜工況下潛伏風險的高靈敏捕捉與快速抑制，可顯著降低漏報與誤報率，解決了背景技術中記載的技術問題。

3、（二）技術方案

4、為實現以上目的，本發明通過以下技術方案予以實現：基于智能算法的分布式電化學儲能火災報警系統，包括，將多源傳感器輸出進行在線濾波、差分插值與缺失補償，剔除隨機噪聲及嚴重誤差點，生成刻畫電池運行狀態的高質量數據流；

5、針對多源信號維度執行多尺度小波能量分析及向量化融合，使各自隱藏特征被凸顯，并以多模態特征向量的形式輸出；

6、當多模態特征向量進入熱失控異常檢測模型訓練與異常檢測，利用有限故障樣本及正常樣本來調整雙向lstm與注意力權重，在在線階段對每一時刻計算異常評分，若其超出動態閾值則即時輸出風險預警信號；

7、若風險預警信號被觸發，對bms、ems及消防系統下達降載、隔離和溫控命令，通過預先設定的指令接口聯動抑爆或預充壓措施，并回傳干預數據更新熱失控異常檢測模型的閾值基線；

8、完成預定義干預并在仿真環境中啟動多輪策略優化后，使用遺傳算法對干預動作參數進行交互試錯并評估其對安全裕度與停機代價的綜合影響，持續迭代后生成更優干預策略。

9、進一步的，在儲能電站內部署多種類型的傳感器，以固定時間間隔同步讀取多源傳感器信號后形成多源信號集；對多源信號集進行實時濾波并進行插值后，對濾波及補償后的所有信號進行同周期重構，獲得預處理后數據流。

10、進一步的，獲取各傳感器輸出的預處理信號后，采用基于小波能量分布與局部趨勢分析相結合的特征構建方式，為每個傳感器在離散時刻上的預處理信號定義健康因子。

11、進一步的，對同一傳感器在不同時刻上的健康因子進行歸集得到一維健康因子序列，當遍歷所有傳感器后得到多維健康因子集，使用健康因子序列在每個時刻通過融合運算函數得到多模態特征向量。

12、進一步的，利用多模態特征向量及其對應的時間標簽，在訓練階段組織為訓練集；

13、引入雙向循環網絡與自注意力機制的混合框架，先用雙向長短期記憶網絡對輸入序列進行上下文編碼，在得到隱藏表征后使用注意力模塊，計算注意力權值以突出序列中的關鍵時刻，輸出時序特征向量；

14、通過隨機梯度下降或自適應優化算法迭代更新參數集合，直至在驗證集上收斂或達到指定指標，得到可用于在線檢測的訓練完成的熱失控異常檢測模型。

15、進一步的，在在線階段實時接收多模態特征向量后，將多模態特征向量輸入至訓練后的熱失控異常檢測模型，通過與離線訓練相同的網絡結構計算得到聚合向量，并輸出異常評分；

16、若異常評分不小于對應的動態閾值，則判定為存在潛在熱失控風險，立即輸出預警信號；若預警信號觸發則執行相應的干預措施，在線檢測所產生的判定結果實時反饋回熱失控異常檢測模型。

17、進一步的，接收異常評分與動態閾值，并根據兩者的相對關系判定風險發生程度，其中，根據風險等級函數的返回值，與bms、ems、消防系統建立聯動接口：在中度風險時，向bms提交狀態監控強化指令，在高危風險時，同時發送緊急干預指令給bms、ems和消防系統。

18、進一步的，在獲取風險等級判定結果后結合bms和ems的當前運行狀態信息；

19、基于風險等級給出分級執行方案，各子系統需將執行狀態實時上報至跨系統聯動控制單元。

20、進一步的，在中度風險時，指示bms對可疑電池模組進行降載或隔離操作，通知ems在調度層面完成負荷轉移或削峰，將消防系統置于待命模式；

21、在高危風險時，將對應的可疑電池模組從主回路中完全切離，或采用極限降載方式聯動溫控單元并執行快速降溫操作，啟動消防系統預先充壓滅火介質或抑爆裝置。

22、進一步的，采集各系統執行后的過程數據及執行狀態數據，干預后新產生的傳感數據與工況信息，并與異常評分記錄進行綜合分析，形成新的訓練或校驗數據集；在空閑階段，對熱失控異常檢測模型的參數或動態閾值進行小規模增量更新。

23、進一步的，沿用安全干預動作，并收集異常評分或故障概率信息后，在數字孿生平臺中構建仿真環境，模擬電池內部故障的演變過程以及執行不同干預動作所帶來的狀態變化；

24、通過在仿真環境中運行干預方案，記錄對應的故障演變曲線與運行代價，獲得用于后續優化算法訓練的多樣化試驗數據集。

25、進一步的，在仿真環境中將干預動作抽象為多維策略向量，在多輪試錯中搜索最優干預方案，并最大化目標函數以兼顧安全性與成本控制，其中，

26、可采用遺傳算法將干預策略向量視為個體染色體，循環執行選擇交叉、變異操作，在目標函數的指引下進化出更優的干預方案。

27、進一步的，當遺傳算法在仿真環境達到收斂或找到最優或次優干預方案后，將輸出的最優策略向量部署到真實儲能系統，在真實運行中，若風險等級高，則優先調用自適應策略，動態生成或修正干預動作，并通過bms、ems及消防系統執行；

28、在部署后，實時監測干預過程中的安全性指標和運行代價指標是否與仿真時一致，并將差異數據再次回流到算法微調環節。

29、（三）有益效果

30、本發明提供了基于智能算法的分布式電化學儲能火災報警系統，具備以下有益效果：

31、在大型儲能電站中構建了從多源數據采集到主動安全干預的完整技術方案，可以在早期準確識別潛在熱失控隱患并迅速采取有效措施，具體有益效果如下：

32、用高速同步采樣與在線濾波機制，全面獲取并預處理來自電壓、溫度、氣體等多路傳感器的信號，借助缺失補償和異常易除操作形成高質量數據流，為后續分析奠定了穩定可靠的基礎；

33、依托多維度特征構造算法，將預處理后數據轉換為能高效表征內短路或材料劣化跡象的關鍵健康因子，并通過統一的多模態特征向量將不同傳感器信息相互印證，提升了對早期微弱故障征兆的敏感度；

34、深度模型結合雙向lstm與注意力機制，既能充分挖掘序列數據的上下文依賴，又可對關鍵時刻進行聚焦，并通過異常評分或故障概率量化隱患級別；當異常評分超過動態閾值時，即時輸出預警信號，可以大大降低熱失控在萌芽期被忽視的概率；

35、借助跨系統聯動，通過bms（電池管理系統）與ems（能源管理系統）協同執行降載、隔離以及溫控與消防系統的主動干預策略，以最短路徑將風險扼殺在早期，同時將干預過程數據回傳給深度模型進行循環校正，確保檢測精度與響應機制持續優化；

36、通過進化算法或強化學習框架，在仿真環境或安全試驗臺中多輪試錯迭代，自動探索最優干預動作，生成具有自適應能力的策略函數，并在驗證收斂后無縫應用于第四步的聯動模塊，極大提高了在多場景、多約束條件下的靈活度和適應性。

37、整體而言，將多模態特征向量、異常評分與動態閾值等技術特征緊密融合，從前期高質量采集到后期自學習式干預都具備嚴謹的邏輯銜接，可以顯著降低漏報與誤報最大程度保護儲能設備安全，減少停機與火災風險，形成從早發現到快干預再到持續進化的全周期安全管理閉環。