本發(fā)明涉及儲(chǔ)能電池，尤其涉及一種基于大數(shù)據(jù)的儲(chǔ)能電站電池健康狀態(tài)診斷方法及系統(tǒng)。

背景技術(shù)：

1、隨著新能源發(fā)電技術(shù)的快速發(fā)展,可再生能源發(fā)電在電力系統(tǒng)中的比例不斷提高。然而,新能源發(fā)電具有間歇性和波動(dòng)性的特點(diǎn),為電網(wǎng)的穩(wěn)定運(yùn)行帶來了挑戰(zhàn)。儲(chǔ)能電站作為平滑新能源發(fā)電波動(dòng)、提高電網(wǎng)靈活性的關(guān)鍵技術(shù),在電力系統(tǒng)中扮演著越來越重要的角色。儲(chǔ)能電站通常采用大規(guī)模的電池陣列來存儲(chǔ)和釋放電能。電池健康狀態(tài)直接影響著儲(chǔ)能電站的可靠性、安全性和經(jīng)濟(jì)性。電池在長(zhǎng)期使用過程中會(huì)發(fā)生容量衰減、內(nèi)阻增加等性能退化現(xiàn)象,導(dǎo)致儲(chǔ)能電站的可用容量下降、效率降低,甚至引發(fā)安全隱患。

2、傳統(tǒng)的電池健康狀態(tài)診斷方法主要包括基于模型的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法?；谀Ｐ偷姆椒ㄍㄟ^建立電池的等效電路模型或電化學(xué)模型,估計(jì)電池的狀態(tài)變量，通常依賴于精確的物理模型和參數(shù)辨識(shí),難以適應(yīng)電池的復(fù)雜非線性特性和長(zhǎng)期退化行為。基于數(shù)據(jù)驅(qū)動(dòng)的方法利用機(jī)器學(xué)習(xí)算法,從大量的歷史運(yùn)行數(shù)據(jù)中提取電池健康退化的特征,建立健康狀態(tài)與特征之間的映射關(guān)系。但是,現(xiàn)有的數(shù)據(jù)驅(qū)動(dòng)方法主要關(guān)注單個(gè)電池的健康診斷,缺乏對(duì)電池陣列整體健康狀態(tài)的考慮,難以充分挖掘不同電池之間的關(guān)聯(lián)信息和退化模式。

3、綜上所述，亟需一種基于大數(shù)據(jù)的儲(chǔ)能電站電池健康狀態(tài)診斷方法,充分利用儲(chǔ)能電站運(yùn)行過程中產(chǎn)生的海量多源異構(gòu)數(shù)據(jù),提高電池健康診斷的準(zhǔn)確性、魯棒性和效率,為儲(chǔ)能電站的安全穩(wěn)定運(yùn)行提供有力支撐，本發(fā)明能夠解決現(xiàn)有技術(shù)中的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例提供一種基于大數(shù)據(jù)的儲(chǔ)能電站電池健康狀態(tài)診斷方法及系統(tǒng)，能夠解決現(xiàn)有技術(shù)中的問題。

2、本發(fā)明實(shí)施例的第一方面，

3、提供一種基于大數(shù)據(jù)的儲(chǔ)能電站電池健康狀態(tài)診斷方法，包括：

4、采集儲(chǔ)能電站電池pack級(jí)和電芯級(jí)的多模態(tài)運(yùn)行數(shù)據(jù)，對(duì)所述多模態(tài)運(yùn)行數(shù)據(jù)進(jìn)行同態(tài)加密，得到密文數(shù)據(jù)，基于transformer的自注意力數(shù)據(jù)融合機(jī)制對(duì)所述密文數(shù)據(jù)進(jìn)行分析計(jì)算，自適應(yīng)提取顯式和隱式關(guān)聯(lián)特征，得到融合時(shí)序數(shù)據(jù)；

5、基于所述融合時(shí)序數(shù)據(jù)，構(gòu)建電池健康診斷模型，通過量子游走卷積核的卷積操作，提取多路徑的量子糾纏特征，結(jié)合自演化量子注意力機(jī)制，動(dòng)態(tài)調(diào)整量子比特的相位和振幅，探索不同特征子空間的組合權(quán)重，生成診斷特征增強(qiáng)表示，基于所述診斷特征增強(qiáng)表示，通過量子電路實(shí)現(xiàn)長(zhǎng)短期記憶的糾纏存儲(chǔ)，結(jié)合門控單元，預(yù)測(cè)健康狀態(tài)序列；

6、基于預(yù)測(cè)健康狀態(tài)序列，確定電池健康預(yù)測(cè)結(jié)果，構(gòu)建量子強(qiáng)化學(xué)習(xí)算法，通過結(jié)合量子態(tài)疊加和量子并行，在線搜索診斷策略組合空間，在所述量子強(qiáng)化學(xué)習(xí)算法的回路中，嵌入多階因果關(guān)系張量模型，建模電池性能指標(biāo)之間的因果聯(lián)系強(qiáng)度，確定電池健康退化指標(biāo)，生成因果診斷圖譜，得到電池健康狀態(tài)診斷結(jié)果。

7、在一種可選的實(shí)施例中，

8、采集儲(chǔ)能電站電池pack級(jí)和電芯級(jí)的多模態(tài)運(yùn)行數(shù)據(jù)，對(duì)所述多模態(tài)運(yùn)行數(shù)據(jù)進(jìn)行同態(tài)加密，得到密文數(shù)據(jù)，基于transformer的自注意力數(shù)據(jù)融合機(jī)制對(duì)所述密文數(shù)據(jù)進(jìn)行分析計(jì)算，自適應(yīng)提取顯式和隱式關(guān)聯(lián)特征，得到融合時(shí)序數(shù)據(jù)包括：

9、采集儲(chǔ)能電站電池pack級(jí)和電芯級(jí)的多模態(tài)運(yùn)行數(shù)據(jù)，所述多模態(tài)運(yùn)行數(shù)據(jù)包括電壓、電流、溫度和荷電狀態(tài)，在采集過程中，引入基于mqtt協(xié)議的邊緣計(jì)算設(shè)備，對(duì)所述多模態(tài)運(yùn)行數(shù)據(jù)進(jìn)行實(shí)時(shí)采集與預(yù)處理，并通過預(yù)先構(gòu)建的區(qū)塊鏈數(shù)據(jù)認(rèn)證機(jī)制，對(duì)多模態(tài)運(yùn)行數(shù)據(jù)進(jìn)行哈希運(yùn)算，將哈希值存儲(chǔ)于區(qū)塊鏈中；

10、對(duì)多模態(tài)運(yùn)行數(shù)據(jù)進(jìn)行基于格密碼體制的全同態(tài)加密，將原始數(shù)據(jù)轉(zhuǎn)化為加密后的密文數(shù)據(jù)，在加密過程中引入噪聲機(jī)制，基于預(yù)設(shè)的公鑰，對(duì)原始數(shù)據(jù)進(jìn)行逐個(gè)加密，通過基于安全多方計(jì)算的密鑰管理協(xié)議，將預(yù)設(shè)的私鑰分割為多個(gè)份額，分發(fā)給多個(gè)儲(chǔ)能電站，其中通過安全多方計(jì)算對(duì)公鑰和密鑰進(jìn)行分發(fā)與更新；

11、將密文數(shù)據(jù)輸入基于transformer的自注意力數(shù)據(jù)融合模型，通過自注意力機(jī)制計(jì)算不同模態(tài)數(shù)據(jù)之間的顯式和隱式關(guān)聯(lián)特征，其中所述自注意力數(shù)據(jù)融合模型采用編碼器-解碼器架構(gòu)，編碼器引入位置編碼機(jī)制，捕獲密文數(shù)據(jù)的位置信息，編碼器和解碼器采用多頭注意力機(jī)制，從不同子空間捕獲密文數(shù)據(jù)之間的關(guān)聯(lián)特征，并通過基于全同態(tài)加密的前向傳播算法，從密文數(shù)據(jù)上提取對(duì)應(yīng)特征并融合，得到融合時(shí)序密文數(shù)據(jù)；

12、基于與全同態(tài)加密算法對(duì)應(yīng)的同態(tài)解密算法，對(duì)融合時(shí)序密文數(shù)據(jù)進(jìn)行同態(tài)解密，通過私鑰對(duì)密文數(shù)據(jù)進(jìn)行逐個(gè)解密，并結(jié)合基于gpu的并行解密框架，將密文數(shù)據(jù)分批次傳輸至gpu，在gpu上并行執(zhí)行解密算法，得到融合時(shí)序解密數(shù)據(jù)。

13、在一種可選的實(shí)施例中，

14、基于所述融合時(shí)序數(shù)據(jù)，構(gòu)建電池健康診斷模型，通過量子游走卷積核的卷積操作，提取多路徑的量子糾纏特征，結(jié)合自演化量子注意力機(jī)制，動(dòng)態(tài)調(diào)整量子比特的相位和振幅，探索不同特征子空間的組合權(quán)重，生成診斷特征增強(qiáng)表示，基于所述診斷特征增強(qiáng)表示，通過量子電路實(shí)現(xiàn)長(zhǎng)短期記憶的糾纏存儲(chǔ)，結(jié)合門控單元，預(yù)測(cè)健康狀態(tài)序列包括：

15、構(gòu)建量子游走卷積核，將融合時(shí)序數(shù)據(jù)映射到量子比特空間，每個(gè)時(shí)間步對(duì)應(yīng)一個(gè)量子比特，創(chuàng)建平移算子和硬幣算子，生成量子游走卷積核，通過量子游走卷積核在量子比特空間中進(jìn)行卷積操作，所述平移算子控制量子比特在空間中的移動(dòng)，所述硬幣算子控制量子比特的疊加狀態(tài)，通過調(diào)整所述平移算子對(duì)應(yīng)的移動(dòng)參數(shù)和所述硬幣算子對(duì)應(yīng)的疊加參數(shù)，控制量子游走的步長(zhǎng)和方向，提取量子糾纏特征；

16、將所述量子糾纏特征輸入基于注意力機(jī)制構(gòu)建的自演化量子注意力模塊，通過量子門操作，動(dòng)態(tài)調(diào)整量子比特的相位和振幅，探索不同特征子空間的組合權(quán)重，對(duì)每個(gè)量子糾纏特征，按照預(yù)設(shè)的一組參數(shù)進(jìn)行量子門操作，得到初級(jí)特征表示，結(jié)合自演化算法，調(diào)整量子門操作對(duì)應(yīng)的參數(shù)，按照自注意力分配，生成診斷特征增強(qiáng)表示；

17、將診斷特征增強(qiáng)表示輸入預(yù)先構(gòu)建的量子長(zhǎng)短期記憶電路，對(duì)診斷特征增強(qiáng)表示對(duì)應(yīng)的時(shí)序信息，進(jìn)行糾纏存儲(chǔ)和更新，所述量子長(zhǎng)短期記憶電路由輸入門、遺忘門、輸出門和狀態(tài)更新門組成，輸入門控制新的診斷特征增強(qiáng)表示進(jìn)入記憶單元，遺忘門控制歷史信息的遺忘，輸出門控制記憶單元對(duì)當(dāng)前狀態(tài)的影響，狀態(tài)更新門更新記憶單元的狀態(tài)；

18、將量子長(zhǎng)短期記憶電路的輸出，通過參數(shù)化的量子電路，將量子長(zhǎng)短期記憶電路的輸出和診斷特征增強(qiáng)表示進(jìn)行糾纏，得到預(yù)測(cè)狀態(tài)，通過遞歸調(diào)用量子長(zhǎng)短期記憶電路，連續(xù)生成預(yù)測(cè)狀態(tài)，結(jié)合量子測(cè)量操作，對(duì)每個(gè)預(yù)測(cè)狀態(tài)進(jìn)行測(cè)量，將預(yù)測(cè)狀量子態(tài)轉(zhuǎn)換為經(jīng)典態(tài)，生成健康狀態(tài)預(yù)測(cè)序列。

19、在一種可選的實(shí)施例中，

20、所述方法還包括：

21、量子游走卷積核通過多步量子游走，提取量子糾纏特征，其公式如下：

22、；

23、其中，uwalk表示量子游走卷積核，l表示量子游走步數(shù)序號(hào)，l表示量子游走總步數(shù)，表示平移算子，表示移動(dòng)參數(shù)，表示隱蔽算子，表示疊加參數(shù)，i表示單位矩陣，表示張量積操作。

24、在一種可選的實(shí)施例中，

25、將量子長(zhǎng)短期記憶電路的輸出，通過參數(shù)化的量子電路，將量子長(zhǎng)短期記憶電路的輸出和診斷特征增強(qiáng)表示進(jìn)行糾纏，得到預(yù)測(cè)狀態(tài)包括：

26、所述預(yù)測(cè)狀態(tài)，其公式如下：

27、；

28、其中，表示第t個(gè)時(shí)間步的健康狀態(tài)預(yù)測(cè)量子態(tài)，p表示量子門操作序數(shù)，np表示量子門操作總數(shù)，γp,t表示第t個(gè)時(shí)間步第p個(gè)量子門操作的權(quán)重，vp表示第t個(gè)時(shí)間步第p個(gè)參數(shù)化的量子門操作，λp,t表示控制第t個(gè)時(shí)間步第p個(gè)量子門操作的參數(shù)，表示第t個(gè)時(shí)間步的隱藏狀態(tài)量子態(tài)，表示第t個(gè)時(shí)間步調(diào)整后的量子糾纏特征表示。

29、在一種可選的實(shí)施例中，

30、基于預(yù)測(cè)健康狀態(tài)序列，確定電池健康預(yù)測(cè)結(jié)果，構(gòu)建量子強(qiáng)化學(xué)習(xí)算法，通過結(jié)合量子態(tài)疊加和量子并行，在線搜索診斷策略組合空間包括：

31、將電池在不同健康狀態(tài)下的性能指標(biāo)映射到量子態(tài)的概率幅度,構(gòu)建電池健康狀態(tài)的量子表示，將量子相位作為隱藏變量添加到量子態(tài)中,捕獲電池健康退化過程的非線性動(dòng)力學(xué)特征；

32、基于量子電路，構(gòu)建值迭代和策略迭代算法，通過量子并行計(jì)算加速策略搜索，利用量子振幅放大定位最優(yōu)診斷策略組合，通過量子門序列對(duì)診斷策略組合空間進(jìn)行采樣；

33、基于所述診斷策略組合空間，動(dòng)態(tài)生成診斷策略組合的搜索樹，基于啟發(fā)式知識(shí)對(duì)搜索樹的分支進(jìn)行剪枝，基于量子游走算法對(duì)所述診斷策略組合空間進(jìn)行自適應(yīng)步長(zhǎng)的探索和利用。

34、在一種可選的實(shí)施例中，

35、在所述量子強(qiáng)化學(xué)習(xí)算法的回路中，嵌入多階因果關(guān)系張量模型，建模電池性能指標(biāo)之間的因果聯(lián)系強(qiáng)度，確定電池健康退化指標(biāo)，生成因果診斷圖譜，得到電池健康狀態(tài)診斷結(jié)果包括：

36、對(duì)電池的性能指標(biāo)進(jìn)行高階奇異值分解，生成電池性能指標(biāo)之間的多階張量因果關(guān)系，基于性能指標(biāo)之間的因果聯(lián)系強(qiáng)度，確定因果強(qiáng)度張量，基于因果發(fā)現(xiàn)算法，通過設(shè)置損失函數(shù)，結(jié)合因果干預(yù)正則化項(xiàng)，構(gòu)建性能指標(biāo)之間的因果圖結(jié)構(gòu)，生成多階因果關(guān)系張量模型，在量子強(qiáng)化學(xué)習(xí)算法的回路中嵌入多階因果關(guān)系張量模型；

37、采用量子-經(jīng)典混合優(yōu)化算法在線搜索電池健康退化指標(biāo)，結(jié)合數(shù)據(jù)驅(qū)動(dòng)的量子因果增強(qiáng)方法提取高階因果統(tǒng)計(jì)量，動(dòng)態(tài)更新電池健康退化指標(biāo)對(duì)應(yīng)的權(quán)重，生成性能退化指標(biāo)組合；

38、基于多階張量因果關(guān)系和性能退化指標(biāo)組合，構(gòu)建因果診斷圖譜，利用預(yù)先訓(xùn)練的量子圖神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)因果診斷圖譜的量子表示，通過圖嵌入正則化約束，保持圖譜語義一致性；

39、基于因果診斷圖譜，量化不同指標(biāo)對(duì)診斷結(jié)果的貢獻(xiàn)度，基于量子密度矩陣確定診斷結(jié)果的概率分布，通過選擇概率最大值對(duì)應(yīng)的診斷結(jié)果，確定當(dāng)前健康診斷結(jié)果。

40、本發(fā)明實(shí)施例的第二方面，

41、提供一種基于大數(shù)據(jù)的儲(chǔ)能電站電池健康狀態(tài)診斷系統(tǒng)，包括：

42、第一單元，用于采集儲(chǔ)能電站電池pack級(jí)和電芯級(jí)的多模態(tài)運(yùn)行數(shù)據(jù)，對(duì)所述多模態(tài)運(yùn)行數(shù)據(jù)進(jìn)行同態(tài)加密，得到密文數(shù)據(jù)，基于transformer的自注意力數(shù)據(jù)融合機(jī)制對(duì)所述密文數(shù)據(jù)進(jìn)行分析計(jì)算，自適應(yīng)提取顯式和隱式關(guān)聯(lián)特征，得到融合時(shí)序數(shù)據(jù)；

43、第二單元，用于基于所述融合時(shí)序數(shù)據(jù)，構(gòu)建電池健康診斷模型，通過量子游走卷積核的卷積操作，提取多路徑的量子糾纏特征，結(jié)合自演化量子注意力機(jī)制，動(dòng)態(tài)調(diào)整量子比特的相位和振幅，探索不同特征子空間的組合權(quán)重，生成診斷特征增強(qiáng)表示，基于所述診斷特征增強(qiáng)表示，通過量子電路實(shí)現(xiàn)長(zhǎng)短期記憶的糾纏存儲(chǔ)，結(jié)合門控單元，預(yù)測(cè)健康狀態(tài)序列；

44、第三單元，用于基于預(yù)測(cè)健康狀態(tài)序列，確定電池健康預(yù)測(cè)結(jié)果，構(gòu)建量子強(qiáng)化學(xué)習(xí)算法，通過結(jié)合量子態(tài)疊加和量子并行，在線搜索診斷策略組合空間，在所述量子強(qiáng)化學(xué)習(xí)算法的回路中，嵌入多階因果關(guān)系張量模型，建模電池性能指標(biāo)之間的因果聯(lián)系強(qiáng)度，確定電池健康退化指標(biāo)，生成因果診斷圖譜，得到電池健康狀態(tài)診斷結(jié)果。

45、本發(fā)明實(shí)施例的第三方面，

46、提供一種電子設(shè)備，包括：

47、處理器；

48、用于存儲(chǔ)處理器可執(zhí)行指令的存儲(chǔ)器；

49、其中，所述處理器被配置為調(diào)用所述存儲(chǔ)器存儲(chǔ)的指令，以執(zhí)行前述所述的方法。

50、本發(fā)明實(shí)施例的第四方面，

51、提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序指令，所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)前述所述的方法。

52、在本發(fā)明實(shí)施例中，通過同態(tài)加密對(duì)多模態(tài)運(yùn)行數(shù)據(jù)進(jìn)行處理，確保了數(shù)據(jù)在分析和計(jì)算過程中的隱私性和安全性，減少了數(shù)據(jù)泄露的風(fēng)險(xiǎn)；能夠自適應(yīng)地提取顯式和隱式關(guān)聯(lián)特征，自動(dòng)發(fā)現(xiàn)數(shù)據(jù)中的重要模式和關(guān)系，提高數(shù)據(jù)分析的準(zhǔn)確性和效率；通過量子游走卷積核的卷積操作，提取多路徑的量子糾纏特征，捕捉不同電池狀態(tài)之間的復(fù)雜關(guān)聯(lián)，提高特征提取的豐富性和多樣性；動(dòng)態(tài)調(diào)整量子比特的相位和振幅，探索不同特征子空間的組合權(quán)重，生成診斷特征增強(qiáng)表示，提高了特征表示的準(zhǔn)確性和有效性；通過量子電路實(shí)現(xiàn)長(zhǎng)短期記憶的糾纏存儲(chǔ)，結(jié)合門控單元，能夠有效處理時(shí)序數(shù)據(jù)，捕捉電池健康狀態(tài)的長(zhǎng)短期依賴關(guān)系，增強(qiáng)預(yù)測(cè)能力；基于量子糾纏特征和自演化量子注意力機(jī)制生成的診斷特征增強(qiáng)表示，為健康狀態(tài)序列預(yù)測(cè)提供了更高質(zhì)量的輸入數(shù)據(jù)，提升了預(yù)測(cè)模型的性能和精度；通過量子態(tài)疊加和量子并行，量子強(qiáng)化學(xué)習(xí)算法可以同時(shí)探索和評(píng)估多個(gè)策略組合，顯著提高了策略搜索和優(yōu)化的效率，使得算法能夠更快地找到最佳診斷策略；通過嵌入多階因果關(guān)系張量模型，算法能夠建模和量化電池性能指標(biāo)之間的復(fù)雜因果關(guān)系，提高了對(duì)電池健康退化指標(biāo)的準(zhǔn)確判斷，從而生成更為精準(zhǔn)的因果診斷圖譜；因果診斷圖譜提供了對(duì)電池健康狀態(tài)的詳細(xì)因果分析，揭示了不同性能指標(biāo)之間的因果關(guān)系和影響強(qiáng)度。