基于深度学习的相变储能热库异常检测系统及方法技术方案

本申请涉及智能检测领域，提供了一种基于深度学习的相变储能热库异常检测系统及方法，其首先对PCM温度、进出口温度及环境温度进行独立时序编码以提取各参数的时间关联特征，接着将环境温度时序关联隐含特征与进口、出口温度时序关联隐含特征进行按位差分运算以从特征空间剥离环境温度波动对传热链路的噪声干扰，再利用链式推理编码构建进口‑出口温度与PCM温度间的热力学响应模型，生成基于正常工况的PCM温度仿真特征，最终通过比对仿真特征与实际特征的差异向量，实现环境噪声解耦后的热力学本构关系偏离度检测。这样，可以显著提升相变储能热库异常的检测灵敏度。

【技术实现步骤摘要】

本申请涉及智能检测领域，且更为具体地，涉及一种基于深度学习的相变储能热库异常检测系统及方法。

技术介绍

1、相变储能热库作为高效热能管理的重要组成部分，其通过相变材料(pcm)的潜热特性实现能量的存储与释放，在工业余热回收、建筑节能等领域具有广泛应用。运行过程中，热库内部pcm温度、流体进出口温度及环境温度等参数间存在复杂的动态耦合关系，而设备老化、相变材料性能衰减或外部环境突变等因素可能引发热力学失衡，导致储能效率下降甚至系统故障。因此，对热库运行状态进行实时异常检测是保障系统安全性与经济性的关键技术环节。

2、传统异常检测方法主要依赖于基于阈值的统计监测或传统统计模型，但在实际应用中存在显著缺陷：首先，相变储能系统多源传感器采集的时序数据(如进口温度、出口温度、pcm温度等)受设备振动、电磁干扰及环境波动影响，呈现高噪声特性，传统滤波算法难以有效分离有效信号与随机噪声；其次，温度参数间的非线性动态关联未被充分建模，现有方法往往孤立分析单一参数或采用线性相关性假设，导致异常特征提取不完整；再次，环境温度作为外部干扰源的动态影响未被显式解耦，使本文档来自技高网...

【技术保护点】

1.一种基于深度学习的相变储能热库异常检测方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的相变储能热库异常检测方法，其特征在于，对所述运行数据的时序数据集进行数据分组和时间序列编码以得到进口温度时序关联隐含特征编码向量、出口温度时序关联隐含特征编码向量、环境温度时序关联隐含特征编码向量和PCM温度时序关联隐含特征编码向量，包括：

3.根据权利要求2所述的基于深度学习的相变储能热库异常检测方法，其特征在于，对所述PCM温度时间序列、所述进口温度时间序列、所述出口温度时间序列和所述环境温度时间序列进行时间序列编码以得到所述PCM温度时序关联隐含特征编码...

【技术特征摘要】

1.一种基于深度学习的相变储能热库异常检测方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的相变储能热库异常检测方法，其特征在于，对所述运行数据的时序数据集进行数据分组和时间序列编码以得到进口温度时序关联隐含特征编码向量、出口温度时序关联隐含特征编码向量、环境温度时序关联隐含特征编码向量和pcm温度时序关联隐含特征编码向量，包括：

3.根据权利要求2所述的基于深度学习的相变储能热库异常检测方法，其特征在于，对所述pcm温度时间序列、所述进口温度时间序列、所述出口温度时间序列和所述环境温度时间序列进行时间序列编码以得到所述pcm温度时序关联隐含特征编码向量、所述进口温度时序关联隐含特征编码向量、所述出口温度时序关联隐含特征编码向量和所述环境温度时序关联隐含特征编码向量，包括：对所述pcm温度时间序列、所述进口温度时间序列、所述出口温度时间序列和所述环境温度时间序列分别进行基于膨胀因果卷积的时间序列编码以得到所述pcm温度时序关联隐含特征编码向量、所述进口温度时序关联隐含特征编码向量、所述出口温度时序关联隐含特征编码向量和所述环境温度时序关联隐含特征编码向量。

4.根据权利要求1所述的基于深度学习的相变储能热库异常检测方法，其特征在于，对所述进口温度时序关联隐含特征编码向量、所述出口温度时序关联隐含特征编码向量和所述环境温度时序关联隐含特征编码向量进行基于降噪进出口温度时序引导的pcm温度仿真推理以得到所述pcm温度仿真推...

【专利技术属性】
技术研发人员：支晓华，杨林博，金圣坚，
申请(专利权)人：杭州纽臻储能科技有限公司，
类型：发明
国别省市：