一种锂电池储能站云边协同智能消防联动系统及实现方法

技术领域

本发明涉及锂电池储能站相关技术领域，尤其是指一种锂电池储能站云边协同智能消防联动系统及实现方法。

背景技术

随着双碳目标的提出和数字牵引新型电力系统建设的展开，电化学储能站由于技术相对成熟，性价比较高，在绿色能源转换中起着非常重要的作用。但是随着储能站装机容量的不断增加，锂电池储能站的安全隐患开始不断呈现出来。国内外储能电站火灾爆炸事故层出不穷，不仅造成重大财产损失，同时还严重威胁人员生命安全，因此针对锂电池储能站的安全监测已经刻不容。

当前对锂电池预警研究中，国内研究文献方法中有基于储能电池温度进行早期预警，根据电池热模型和电化学阻抗谱对电池内温进行分析，并建立相应模型预测电池整体的温度分布情况。电场温度由内部传输到表面会有数秒的时间差，构建的热模型的计算过程较为复杂。也有通过检测电池舱内特定气体含量，对电池发生的热失控进行判别，对热分解后的气体进行采样检测，从而建立储能电站多级预警体系。由于电池架阻挡等原因气体扩散较慢，导致预警灵敏度较差，并且无法直接获取故障电池的位置信息。而对于声波信号的检测和分析的系统中应用一种声发射测量系统，并统计分析了这种电池故障信号和声发射频谱的相关性，对去噪后的声信号进行特征提取，根据提取的特征值构建识别分类器。但是在锂电池故障信号的提取过程中，信号的内在信息无法获得，同时也容易受到噪声干扰。

发明内容

本发明是为了克服现有技术中存在上述的不足，提供了一种运行安全风险小的锂电池储能站云边协同智能消防联动系统及实现方法。

为了实现上述目的，本发明采用以下技术方案：

一种锂电池储能站云边协同智能消防联动系统，包括消防服务云台系统、网络层、感知层和控制层，其中：

感知层包括各类传感器设备通过RS485 modbusrtu协议和网关通信，实时上报各类数据到网络层；

网络层包括部署在储能站的具有边缘计算功能的网关、网络交换机和防火墙组成，主要负责将感知层上报的各个传感器多源异构数据分类解析后，再通过小波变换将高维的特征样本投影到低维，将原样本所包含的特征信息提取出来，并保留正相关特征矢量，提取的特征矢量集上报到消防服务平台进行训练，构建有效的特征参数识别分类器；

控制层通过将不同种类的探测设备进行关联，通过网络层结合消防服务云台下发的早期预警信息，实现综合联动灭火控制；

消防服务云台系统的前端采用MVC的开发模式，与网络层连接，用于处理程序的数据逻辑，负责访问数据库中的数据，消防服务云台系统的后端采用Springboot轻量级的服务器框架。

针对当前大规模锂电池储能电池结构复杂、运行安全风险大、热失控速度快等特点，结合目前对锂电池储能站的监测停留在单个装置或终端，和消防系统完全隔离的情况下，本发明提出了一种锂电池储能站云边协同智能消防联动系统及其实现方法，利用边缘计算技术和云边协同，将表征储能站锂电池的多个运行状态参数在边缘网关侧进行特征提取、统计分析、降维优化等预处理后，再通过部署在智能消防云台基于改进的BP神经网络模型进行训练和动态识别，根据识别结果发出预警信息，结合消防联动控制系统，形成完整的云边协同智能消防联动控制方法。

作为优选，所述的消防服务云台系统包括应用服务层、数据分析层和数据管理层，数据管理层分别与网络层、应用服务层、数据分析层连接，其中数据管理层中采用的是SQLServer和MYSQL数据库，根据系统的每个模块提供的功能，设计相对应的数据库表，通过表格展示数据库表中各字段的含义以及约束关系；数据分析层对网关上报的时间敏感性数据和存储在数据管理层的非时间敏感性数据提供分析、处理、识别、匹配和判定服务；应用服务层为系统用户提供操作接口，为系统用户提供了现场设备状态显示和手动控制功能。

本发明还提供了一种锂电池储能站云边协同智能消防联动的实现方法，其特征是，具体包括如下步骤：

(1)感知层获取数据并通过modbusrtu协议上报到网络层；

(2)网络层对数据利用边缘计算技术进行数据预处理，提取特征向量矩阵，由网关上报到消防服务云台；

(3)消防服务云台部署的基于改进的BP神经网络模型，对前30次数据的进行模拟训练，并获得特征向量识别库；同时，根据后续上传的数据不断更新特征向量识别库；

(4)研究人员手动输入一份历年的锂电池储能站火灾数据作为一个异常数据库到消防服务云台，异常数据库作为预测火灾的重要参考，且后续收到异常数据时不断更新数据库，从而提升判断的准确性；

(5)对后续采集的数据利用改进的BP神经网络模型进行动态识别和诊断，通过与特征向量识别库中的正常数据进行比较；当出现异常数据时，比较异常数据库，对异常数据进行分析，诊断储能站内部是否出现故障；如果是，则单独建立火灾事件档案；

(6)对于诊断故障的结果立即在发出预警信息的同时发送消防控制指令给边缘侧消防联动的控制层；

(7)消防联动的控制层收到灭火指令后，立即启动报警信息，同时打开灭火材料安全阀门，释放灭火材料，切断锂电池储能仓内所有电气回路；同时，网关将明火信息发送到消防服务云台，通知消防人员和电气维护人员及时抵达现场做后续火情调查和电气维护工作；

(8)消防服务云台对本次火情进行分析，更正本次火灾事件档案，并更新异常数据库。

作为优选，在步骤(2)中，利用边缘计算技术进行数据预处理的步骤具体如下：

(21)获取小波基函数：

设定小波变换

称

上式中，a与b分别是母小波的伸缩与平移因子；

(22)对上式进行离散化，得到离散的小波函数为：

(23)对于任意输入的声波信号f(t)∈L

(24)对离散小波按照近似值和噪声值进行四层分解，如下式所示：

w

式中C

(25)根据样本估计确定阈值大小；

(26)根据阈值重组小波系数；

(27)对小波系数处理后的小波能量谱进行逆变换，重构时间信号

上式中，其中a＝2

(28)建立去噪评价指标函数，这里引入信噪比来评价信号去噪性能评价指标，对于未能满足要求的去噪效果，将重构后的信号重新返回到步骤(24)再次进行分解，并进行第二次阈值判定后再进行重构，二次重构后的信号如果还无法满足评价指标要求，则将该信号抛弃，评价指标函数如下：

(29)对小波去噪后并且满足要求信噪比评价指标的重构信号需要进行主成分分析法PCA进行特征值提取。

作为优选，在步骤(25)中，阈值的选择和设置是小波去噪过程中的关键，通过去除不满足所设定阈值要求的小波系数，保留其余的系数，从而达到良好的去噪效果；根据电池预制舱的背景噪声特点，并考虑边缘侧网关的计算能力，直接用固定的最大最小准则法确定阈值，以减低计算开销提高计算效率；最大最小准则阈值法如下式所示：

上式中，θ为噪声的标准差，n为每个尺度上的小波系数的数量。

作为优选，在步骤(26)中，对一个给定信号进行小波变换就是将该信号按某一小波函数簇展开，即将信号表示为一系列不同尺度和不同时移的小波函数的线性组合，其中每一项的系数称为小波系数，具体为：将大于所设定阈值的小波系数留下，剩下的归零处理，如下式所示：

其中，

作为优选，在步骤(29)中，主成分分析法的具体步骤为：

(291)假设输入数据源有n个样本，p个指标，则可构成大小为n×p样本矩阵x：

(292)计算特征向量的平均值：

(293)求出特征向量的协方差矩阵S，即：

(294)计算标准化样本协方差的特征值和特征向量：

特征值:λ

(295)计算各成分的贡献率η

(296)构建特征向量映射矩阵：

将各主成分按贡献率大小排序，选取最大的p个满足要求的主成分，然后将其对应的p个特征向量组成特征向量矩阵V作为映射矩阵，将去噪重构后的信号变换到特征空间，即：

Y＝V

上式中:Y为投影后的数据矩阵，即原始信号经PCA处理后的主成分矩阵；V为特征向量矩阵，V＝[v

作为优选，在步骤(3)中，改进的BP神经网络模型具体原理为：

设定神经网络前向传播输出的结果可表示为：

bp_output＝f(∑WX)

上式中，W表示权重矩阵，X表示输入的特征值向量矩阵，f表示激活函数；通过上式得到输入层到隐含层的传输信息，在正向传播过程中使用了误差函数来验证训练过程是否结束，输出误差小于预定值时训练结束，未满足结束条件则进行反向传输，误差函数计算过程为：

上式中E表示误差函数，d

上式中v

上式中，O

上式中w

本发明的有益效果是：利用边缘计算技术和云边协同，将表征储能站锂电池的多个运行状态参数在边缘网关侧进行特征提取、统计分析、降维优化等预处理后，再通过部署在智能消防云台基于改进的BP神经网络模型进行训练和动态识别，根据识别结果发出预警信息，结合消防联动控制系统，形成完整的云边协同智能消防联动控制方法，使得运行安全风险得到了大大的降低。

附图说明

图1是本发明的系统结构框图；

图2是本发明的方法流程图；

图3是数据预处理的方法流程图；

图4是改进的BP神经网络模型图。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步的描述。

如图1所述的实施例中，一种锂电池储能站云边协同智能消防联动系统，包括消防服务云台系统、网络层、感知层和控制层，其中：

感知层包括各类传感器设备通过RS485 modbusrtu协议和网关通信，实时上报各类数据到网络层；感知层主要是各类传感器装置，包括电池计量装置、温度传感器、声波传感器、气体传感器、红外探测器、烟感探测器等传感器设备；

网络层包括部署在储能站的具有边缘计算功能的网关、网络交换机和防火墙组成，其中具有边缘计算功能的网关是构建本系统边缘计算的核心节点，主要负责将感知层上报的各个传感器多源异构数据分类解析后，再通过小波变换将高维的特征样本投影到低维，将原样本所包含的特征信息提取出来，并保留正相关特征矢量，提取的特征矢量集上报到消防服务平台进行训练，构建有效的特征参数识别分类器；

控制层主要包括了探测器联动报警、报警设备、消防灭火材料、消防灭火器与消防设备联动和区域内多控制器联动，通过将不同种类的探测设备进行关联，通过网络层结合消防服务云台下发的早期预警信息，实现综合联动灭火控制；

消防服务云台系统的前端采用MVC的开发模式，与网络层连接，用于处理程序的数据逻辑，负责访问数据库中的数据，消防服务云台系统的后端采用Springboot轻量级的服务器框架。消防服务云台系统包括应用服务层、数据分析层和数据管理层，应用服务层、数据分析层和数据管理层都属于后台数据处理的一部分，数据管理层分别与网络层、应用服务层、数据分析层连接，其中数据管理层中采用的是SQL Server和MYSQL数据库，数据管理功能完善同时数据保存安全性高，能够灵活设计数据库表，根据系统的每个模块提供的功能，设计相对应的数据库表，通过表格展示数据库表中各字段的含义以及约束关系；数据分析层对网关上报的时间敏感性数据和存储在数据管理层的非时间敏感性数据提供分析、处理、识别、匹配和判定服务；应用服务层为系统用户提供操作接口，为系统用户提供了现场设备状态显示和手动控制功能。

如图2所示，本发明还提供了一种锂电池储能站云边协同智能消防联动的实现方法，其特征是，具体包括如下步骤：

(1)感知层获取(声波、热感应、温度、气体)数据并通过modbusrtu协议上报到网络层；

(2)网络层对数据利用边缘计算技术进行数据预处理，提取特征向量矩阵，由网关上报到消防服务云台；如图3所示，利用边缘计算技术进行数据预处理的步骤具体如下：

(21)获取小波基函数：

设定小波变换

称

上式中，a与b分别是母小波的伸缩与平移因子；

(22)对上式进行离散化，得到离散的小波函数为：

(23)对于任意输入的声波信号f(t)∈L

(24)对离散小波按照近似值和噪声值进行四层分解，如下式所示：

w

式中C

(25)根据样本估计确定阈值大小；阈值的选择和设置是小波去噪过程中的关键，通过去除不满足所设定阈值要求的小波系数，保留其余的系数，从而达到良好的去噪效果；根据电池预制舱的背景噪声特点，并考虑边缘侧网关的计算能力，直接用固定的最大最小准则法确定阈值，以减低计算开销提高计算效率；最大最小准则阈值法如下式所示：

上式中，θ为噪声的标准差，n为每个尺度上的小波系数的数量；

(26)根据阈值重组小波系数；对一个给定信号进行小波变换就是将该信号按某一小波函数簇展开，即将信号表示为一系列不同尺度和不同时移的小波函数的线性组合，其中每一项的系数称为小波系数，具体为：将大于所设定阈值的小波系数留下，剩下的归零处理，如下式所示：

其中，

(27)对小波系数处理后的小波能量谱进行逆变换，重构时间信号

上式中，其中a＝2

(28)建立去噪评价指标函数，这里引入信噪比来评价信号去噪性能评价指标，对于未能满足要求的去噪效果，将重构后的信号重新返回到步骤(24)再次进行分解，并进行第二次阈值判定后再进行重构，二次重构后的信号如果还无法满足评价指标要求，则将该信号抛弃，步骤(27)中的重构时间信号与评价指标函数之间的关系如下方公式所示，简单的讲就是经过平方差求和平均数，再做对数运算，n为每个尺度上的小波系数的数量，f(n)指的是以n作为变量的重构时间信号，评价指标函数如下：

(29)对小波去噪后并且满足要求信噪比评价指标的重构信号需要进行主成分分析法PCA进行特征值提取；主成分分析法的具体步骤为：

(291)假设输入数据源有n个样本，p个指标(因为小波去噪和PCA特征值提取是两个相对分立的部分，这里的n和p只是假定的参数，不与前面的步骤对应)，则可构成大小为n×p样本矩阵x：

(292)计算特征向量的平均值：

(293)求出特征向量的协方差矩阵S，即：

(294)计算标准化样本协方差的特征值和特征向量：

特征值:λ

(295)计算各成分的贡献率η

(296)构建特征向量映射矩阵：

将各主成分按贡献率大小排序，选取最大的p个满足要求(累计贡献率高于85％)的主成分，然后将其对应的p个特征向量组成特征向量矩阵V作为映射矩阵，将去噪重构后的信号变换到特征空间，即：

Y＝V

上式中:Y为投影后的数据矩阵，即原始信号经PCA处理后的主成分矩阵；V为特征向量矩阵，V＝[v

基于小波去噪和PCA主成分分析法对传感器采集的原始数据进行去噪、降维处理，将多个变量的数据集转变为较少新变量的数据集，同时将主成分归一化后上报给消防服务云台的改进的BP神经网络模型进行训练和动态识别诊断。

(3)消防服务云台部署的基于改进的BP神经网络模型，对前30次数据的进行模拟训练，并获得特征向量识别库；同时，根据后续上传的数据不断更新特征向量识别库；由于表征锂电池储能站健康状态的最重要的四个运行状态参数声波、气体浓度、热感应和温度在时间维度有先后关系，在状态空间的概率分布上有一定的先验性和互相关性，不是完全互相独立的，因此这里引入脉冲神经网络SNN，利用特定的神经元模型进行时间信息的计算与传递，从而使得新的神经网络模型，能够对四个运行状态参数的时间序列进行有效的处理，以后传梯度的方式求出脉冲神经元对应的梯度，并进行反向传播更新梯度，尽管这种模型采用二次神经网络训练架构，对云台的硬件资源要求很高，一定程度上降低了训练的速度，但是大大提高了识别的精度，如图4所示，改进的BP神经网络模型具体原理为：

设定神经网络前向传播输出的结果可表示为：

bp_output＝f(∑WX)

上式中，W表示权重矩阵，X表示输入的特征值向量矩阵(这个X矩阵对应上文的Y矩阵)，f表示激活函数；通过上式得到输入层到隐含层的传输信息，在正向传播过程中使用了误差函数来验证训练过程是否结束，输出误差小于预定值时训练结束，未满足结束条件则进行反向传输，误差函数计算过程为：

上式中E表示误差函数，d

上式中v

上式中，O

上式中w

(4)研究人员手动输入一份历年的锂电池储能站火灾数据(含温度、气体等参数)作为一个异常数据库到消防服务云台，异常数据库作为预测火灾的重要参考，且后续收到异常数据时不断更新数据库，从而提升判断的准确性；

(5)对后续采集的数据利用改进的BP神经网络模型进行动态识别和诊断，通过与特征向量识别库中的正常数据进行比较；当出现异常数据时，比较异常数据库，对异常数据进行分析，诊断储能站内部是否出现故障；如果是，则单独建立火灾事件档案；

(6)对于诊断故障的结果立即在发出预警信息的同时发送消防控制指令给边缘侧消防联动的控制层；

(7)消防联动的控制层收到灭火指令后，立即启动报警信息，同时打开灭火材料安全阀门，释放灭火材料(灭火材料主要作用为隔绝空气，可起到预防火灾的作用)，切断锂电池储能仓内所有电气回路；同时，网关将明火信息发送到消防服务云台，通知消防人员和电气维护人员及时抵达现场做后续火情调查和电气维护工作；

(8)消防服务云台对本次火情进行分析，更正本次火灾事件档案，并更新异常数据库。

针对当前大规模锂电池储能电池结构复杂、运行安全风险大、热失控速度快等特点，结合目前对锂电池储能站的监测停留在单个装置或终端，和消防系统完全隔离的情况下，本发明提出了一种锂电池储能站云边协同智能消防联动系统及其实现方法，利用边缘计算技术和云边协同，将表征储能站锂电池的多个运行状态参数在边缘网关侧进行特征提取、统计分析、降维优化等预处理后，再通过部署在智能消防云台基于改进的BP神经网络模型进行训练和动态识别，根据识别结果发出预警信息，结合消防联动控制系统，形成完整的云边协同智能消防联动控制方法。