本發明涉及儲能電站領域，尤其涉及一種基于深度神經網絡的儲能電站熱管理控制方法及系統。

背景技術：

1、現有儲能電站熱管理技術多采用靜態閾值控制或傳統pid算法，依賴歷史經驗數據調整冷卻系統參數。例如，部分方案通過監測電池溫度直接調節壓縮機轉速，但未考慮未來功率波動對熱負荷的影響，導致響應滯后。此外，現有技術中存在以下缺陷：1、功率預測精度不足：傳統時間序列模型難以捕捉復雜非線性關系，無法適應儲能電站動態功率輸出的高頻波動；2、溫度狀態計算效率低：基于物理模型的溫度仿真計算耗時，無法實時更新；部分數據驅動方法如線性回歸對多源不確定性（環境溫度、冷卻液狀態）融合能力弱；3、控制策略單一化：依賴固定規則庫或經驗閾值，缺乏自適應優化能力，導致能效低下。

技術實現思路

1、本發明的主要優勢在于提供一種基于深度神經網絡的儲能電站熱管理控制方法，其用于功率預測的時間序列預測模型基于改進型交叉卷積神經網絡模型，能夠降低預測誤差，有利于提高預測精度。

2、本發明的另一優勢在于提供一種基于深度神經網絡的儲能電站熱管理控制方法，其溫度狀態預測模型結合自適應模擬退火算法和d-s證據推理融合進行參數優化，能夠減少計算耗時，提升溫度狀態預測模型的收斂速度，同時提升溫度狀態預測模型的泛化能力。

3、本發明的另一優勢在于提供一種基于深度神經網絡的儲能電站熱管理控制方法，其采用置信規則庫構建電動壓縮機轉速設定模型，結合專家知識與實時數據，動態生成電動壓縮機的轉速，從而提高自適應能力，提升系統準確性，有利于降低壓縮機能耗，提升熱管理效率。

4、相應地，依本發明實施例，具有至少一個前述優勢的基于深度神經網絡的儲能電站熱管理控制方法，包括以下步驟：

5、s1、獲取當前儲能電站功率輸出的監測片段，利用基于深度神經網絡的時間序列預測模型對下一個時間段進行功率預測，其中時間序列預測模型是采用改進型交叉卷積神經網絡模型進行訓練學習而得到的，改進型交叉卷積神經網絡模型包括兩條并行的卷積分支，其中第一條分支采用一維卷積層提取功率序列的局部時序特征，第二條分支采用空洞卷積層擴大感受野，捕捉功率變化的長期趨勢；

6、s2、根據預測的下一個時間段的儲能電站輸出功率值，計算儲能電站的荷電狀態和溫度狀態；

7、s3、將當前儲能電站的冷卻液溫度、艙內溫度、環境溫度和電池荷電狀態作為電動壓縮機轉速設定模型的輸入，輸出電動壓縮機的轉速。

8、在本發明的一些實施例中，步驟s1包括步驟：

9、s11、獲取儲能電站功率輸出的歷史監測數據；

10、s12、采用滑動時間窗口對歷史監測數據的時間序列進行切片，并將接下來的第k個時間窗口的平均值作為預測目標，從而構建好時間序列預測數據集；

11、s13、構建改進型交叉卷積神經網絡模型，包括步驟：構建雙通道并行卷積架構，其中第一條分支采用堆疊的一維卷積層，使用3×1卷積核提取功率序列的局部時序特征以捕捉短時充放電波動，第二條分支采用空洞卷積層擴大感受野，分別配置5×1和7×1卷積核以捕捉功率變化的長期趨勢；將雙分支輸出通過1×1卷積核進行跨通道特征融合，接入多頭自注意力模塊，通過可學習的查詢-鍵值對，計算時間片段間的關聯度并生成含時序位置編碼的注意力權重矩陣，以強化功率驟變時段的特征權重；采用門控循環單元對加權特征進行時序建模并通過全連接層輸出下一個時間段的平均功率預測值；

12、s14、使用構建好的時間序列預測數據集對模型進行訓練，并根據預測結果調整模型的超參數；

13、s15、達到訓練結束的設定條件時，結束模型訓練并將模型部署到儲能電站的熱管理系統中。

14、在本發明的一些實施例中，計算儲能電站的荷電狀態的公式為：，其中energy(t)為第t時刻的儲能電站剩余電量，power(t+1)為預測的t+1時刻的儲能電站功率輸出，△t為時間片段長度，energy為儲能電站標定容量。

15、在本發明的一些實施例中，通過溫度狀態預測模型計算儲能電站的溫度狀態，其中溫度狀態預測模型是采用基于自適應模擬退火算法的模糊d-s證據推理融合模型進行訓練學習得到的。

16、在本發明的一些實施例中，在訓練溫度狀態預測模型的過程中，基于自適應模擬退火算法與模糊d-s證據推理融合方法，通過設定初始參數，采用退火機制生成懲罰因子和徑向基核函數的方差參數的候選解組合，并在每個退火階段對溫度狀態預測模型的局部最優解進行d-s證據理論的多源不確定性融合，通過概率分配函數動態調整參數搜索方向，迭代優化直至滿足收斂條件，最終獲得使溫度狀態預測模型全局誤差最小的懲罰因子和徑向基核函數的方差參數組合。

17、在本發明的一些實施例中，溫度狀態預測模型的訓練樣本是通過熱管理有限元仿真運算得到的。

18、在本發明的一些實施例中，采用置信規則庫構建電動壓縮機轉速設定模型，結合專家知識與實時數據，動態生成電動壓縮機的轉速。

19、相應地，本發明進一步提供一種基于深度神經網絡的儲能電站熱管理控制系統，用于實現所述的基于深度神經網絡的儲能電站熱管理控制方法，包括：

20、儲能電站功率預測模塊，用于獲取當前儲能電站功率輸出的監測片段，利用基于改進型交叉卷積神經網絡的時間序列預測模型對下一個時間段進行功率預測；

21、儲能電站狀態計算模塊，根據預測的下一個時間段的儲能電站輸出功率值，計算儲能電站的荷電狀態和溫度狀態；和

22、電動壓縮機轉速設定模塊，基于置信規則庫融合當前儲能電站的冷卻液溫度、艙內溫度、環境溫度和電池荷電狀態，通過專家知識和規則推理動態輸出電動壓縮機的轉速。

23、相應地，本發明進一步提供一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現所述的基于深度神經網絡的儲能電站熱管理控制方法。

24、相應地，本發明進一步提供一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現所述的基于深度神經網絡的儲能電站熱管理控制方法。

25、結合下述描述和說明書附圖，本發明上述的和其它的優勢將得以充分體現。

26、本發明上述的和其它的優勢和特點，通過下述對本發明的詳細說明和說明書附圖得以充分體現。

27、
技術實現要素：
部分不視為標識本發明的必要技術特征，也不視為對本發明保護范圍的限制。

技術特征：

1.一種基于深度神經網絡的儲能電站熱管理控制方法，其特征在于，包括步驟：

2.根據權利要求1所述的基于深度神經網絡的儲能電站熱管理控制方法，其特征在于，步驟s1包括步驟：

3.根據權利要求1所述的基于深度神經網絡的儲能電站熱管理控制方法，其特征在于，計算儲能電站的荷電狀態的公式為：

4.根據權利要求1所述的基于深度神經網絡的儲能電站熱管理控制方法，其特征在于，通過溫度狀態預測模型計算儲能電站的溫度狀態，其中溫度狀態預測模型是采用基于自適應模擬退火算法的模糊d-s證據推理融合模型進行訓練學習得到的。

5.根據權利要求4所述的基于深度神經網絡的儲能電站熱管理控制方法，其特征在于，在訓練溫度狀態預測模型的過程中，基于自適應模擬退火算法與模糊d-s證據推理融合方法，通過設定初始參數，采用退火機制生成懲罰因子和徑向基核函數的方差參數的候選解組合，并在每個退火階段對溫度狀態預測模型的局部最優解進行d-s證據理論的多源不確定性融合，通過概率分配函數動態調整參數搜索方向，迭代優化直至滿足收斂條件，最終獲得使溫度狀態預測模型全局誤差最小的懲罰因子和徑向基核函數的方差參數組合。

6.根據權利要求5所述的基于深度神經網絡的儲能電站熱管理控制方法，其特征在于，溫度狀態預測模型的訓練樣本是通過熱管理有限元仿真運算得到的。

7.根據權利要求1所述的基于深度神經網絡的儲能電站熱管理控制方法，其特征在于，采用置信規則庫構建電動壓縮機轉速設定模型，結合專家知識與實時數據，動態生成電動壓縮機的轉速。

8.一種基于深度神經網絡的儲能電站熱管理控制系統，用于實現權利要求1-7中任一所述的基于深度神經網絡的儲能電站熱管理控制方法，其特征在于，包括：

9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1-7中任一所述的基于深度神經網絡的儲能電站熱管理控制方法。

10.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1-7中任一所述的基于深度神經網絡的儲能電站熱管理控制方法。

技術總結
本發明公開了一種基于深度神經網絡的儲能電站熱管理控制方法，包括步驟：獲取當前儲能電站功率輸出的監測片段，利用基于深度神經網絡的時間序列預測模型對下一個時間段進行功率預測，時間序列預測模型是采用改進型交叉卷積神經網絡模型進行訓練學習而得到的，改進型交叉卷積神經網絡模型包括兩條并行的卷積分支，第一條分支采用一維卷積層提取功率序列的局部時序特征，第二條分支采用空洞卷積層擴大感受野，捕捉功率變化的長期趨勢；根據預測的下一個時間段的儲能電站輸出功率值，計算儲能電站的荷電狀態和溫度狀態；將當前儲能電站的冷卻液溫度、艙內溫度、環境溫度和電池荷電狀態作為電動壓縮機轉速設定模型的輸入，輸出電動壓縮機的轉速。

技術研發人員：萬志強,化澤強,權海亮
受保護的技術使用者：中能建（北京）能源研究院有限公司
技術研發日：
技術公布日：2025/4/28