本发明涉及能源器件安全管理领域，具体而言，涉及一种基于深度学习和应变预测的能源器件安全状态多维度实时评估方法，能够边测试边实时预测器件的未来形变并评估是否处于健康状态，提高能源器件安全管理质量与效益。
背景技术：
1、电池和超级电容器是重要的两类能源器件，在电子设备、电动车、储能电站等领域应用广泛。然而，电池和超级电容器在使用过程中会发生泄露、燃烧、爆炸等安全事故，当出现过充过放、高温环境、物理损伤等情况时危害更严重，影响其健康持续发展和广泛应用。为了保证电池和超级电容器安全使用，人们通过管理系统对电压和温度进行调控和监测。但是，现有的管理系统仅仅监控能源器件的电压和温度，当器件出现严重的形变时，监控的参数仍认为正常，出现误报情况。因此，有必要从形变角度对能源器件进行管理，采用合适的安全监测策略对实际工作的电池和超级电容器进行实时监测并及时基于监测数据进行安全状态评估。
2、从2015年申请利用应变片在线监控电池和电容器安全性能的发明专利（授权号zl201510025487.3）以来，从力学角度讨论电池安全的报道逐渐增多，但是目前仍缺少基于应变测试结果实时预测形变发展的实际研究，而该项研究对电池或超级电容器出现异常情况的提前预警和应急施救至关重要。针对现有管理系统存在的不足，该发明专利在现有管理系统的基础上引入应变监控并根据应变测试结果实时预测未来一段时间的形变发展趋势，提出一种具有高精度的应变预测方法，且设定预测值与实际值的偏差阈值，当超过这个阈值时，将器件视为异常状态，并提供相应应急措施。
技术实现思路
1、本发明的目的在于：克服现有能源器件管理系统的不足，防止出现误报现象，提出一种基于深度学习和应变预测的新型高精度实时电池安全状态监控策略，解决现有器件管理系统中电压、电流和温度数据无法真实反映器件处于温度异常、内应力大或外壳受挤压等状态的问题。
2、有鉴于此，本发明提供了一种电池和超级电容器安全状态实时监控评估的方法，旨在解决现有管理系统不能对器件出现形变异常进行有效监控与预警的不足，为器件安全预警与应急提供时间。
3、为达此目的，本发明主要采用以下技术方案：
4、一种电池和超级电容器安全状态实时评估方法，其特征在于，包括：测试电池和超级电容器的电化学参数、温度和应变数据，构建应变实时预测模型，将过去一段时间内测试的参数数据输入模型，对模型进行训练和测试，输出未来一段时间内应变的预测值；将当前实际测试的应变值（实测值）与在此时刻之前模型输出的当前时刻的应变值（预测值）进行差异比较，评估器件的安全状态；当差异达到设定的阈值时，认定器件状态处于危险状态，及时预警，提供应急方案；当差异没有达到设定的阈值时，重复上述步骤，不断进行器件状态实时监测、比较和评估。
5、作为优选，所述的温度指器件的表面温度。
6、作为优选，所述的电化学参数指器件的电压和电流。
7、作为优选，所述的应变数据指通过应变测试元件获取的器件变形量。
8、作为优选，所述的参数数据指电压、电流、温度、应变等历史数据。
9、作为优选，所述的实测值与预测值的差异指（实测值-预测值）/预测值。
10、作为优选，所述的阈值指器件应变的安全-危险临界实测值与预测值的差异。
11、作为优选，所述的预测模型指基于深度学习的神经网络模型。
12、作为优选，所述的应变测试元件包括但不限于电阻应变片、光纤应变片等。
13、作为优选，所述的神经网络模型指用于时序性数据预测的神经网络模型，尤其指循环神经网络rnn模型、长短期记忆神经网络lstm模型、自注意力机制神经网络transformer模型、长序列预测informer模型。
14、与现有技术相比，本发明具有以下有益效果：
15、本发明所提供的方法能够利用能源器件测试的电化学数据和应变数据多维度实时预测未来一段时间的应变变化并评估安全状态，获得较高精度的预测数据且能够提高预测结果输出的速率，提前预警，为应急施救提供时间，克服现有电池和超级电容器管理系统测试数据无法实时反映器件未来发展趋势和内应力与壳体异常状态误报的不足，避免现有能源器件循环过程中应力状态引起的性能变差、失效、起火、燃烧、爆炸等事故的发生。
1.一种电池和超级电容器安全状态实时评估方法，其特征在于，所述方法包括：测试电池和超级电容器的电化学参数、温度和应变数据，构建应变实时预测模型，将过去一段时间内测试的参数数据输入模型，对模型进行训练和测试，输出未来一段时间内应变的预测值；将当前实际测试的应变值（实测值）与在此时刻之前模型输出的当前时刻的应变值（预测值）进行差异比较，评估器件的安全状态；当差异达到设定的阈值时，认定器件状态处于危险状态，及时预警，提供应急方案；当差异没有达到设定的阈值时，重复上述步骤，不断进行器件状态实时监测、比较和评估。
2.根据权利要求1所述的一种电池和超级电容器安全状态实时评估方法，其特征在于，包括：所述的温度指器件的表面温度。
3.根据权利要求1所述的一种电池和超级电容器安全状态实时评估方法，其特征在于，包括：所述的电化学参数指器件的电压和电流。
4.根据权利要求1所述的一种电池和超级电容器安全状态实时评估方法，其特征在于，包括：所述的应变数据指通过应变测试元件获取的器件变形量。
5.根据权利要求1所述的一种电池和超级电容器安全状态实时评估方法，其特征在于，包括：所述的参数数据指电压、电流、温度、应变等历史数据。
6.根据权利要求1所述的一种电池和超级电容器安全状态实时评估方法，其特征在于，包括：所述的实测值与预测值的差异指（实测值-预测值）/预测值。
7.根据权利要求1所述的一种电池和超级电容器安全状态实时评估方法，其特征在于，包括：所述的阈值指器件应变的安全-危险临界实测值与预测值的差异。
8.根据权利要求1所述的一种电池和超级电容器安全状态实时评估方法，其特征在于，包括：所述的预测模型指基于深度学习的神经网络模型。
9.根据权利要求1所述的一种电池和超级电容器安全状态实时评估方法，其特征在于，包括：所述的应变测试元件包括但不限于电阻应变片、光纤应变片等。
10.根据权利要求1和8所述的一种电池和超级电容器安全状态实时评估方法，其特征在于，包括：所述的神经网络模型指用于时序性数据预测的神经网络模型，尤其指循环神经网络rnn模型、长短期记忆神经网络lstm模型、自注意力机制神经网络transformer模型、长序列预测informer模型。
