CN112488340A - 基于深度学习的智能储能控制方法、装置及存储介质 - Google Patents

Abstract

本发明涉及一种的基于深度学习的智能储能控制方法，包括：获取当前时间T时，至少包含电池单元整体轮廓尺寸参数信息的N个异常报警字符串信息，N≥3；通过对所述N个异常报警字符串信息嵌入处理为N层异常报警数值信息；利用经训练的分类预判神经网络模型对输入的所述N层异常报警数值信息进行特征分类并预判，输出预判处理指令。通过实施本发明，以解决现有技术无法根据异常报警字符串信息进行智能分类、预判，自动输出预判处理指令进行处理的问题。

Description

基于深度学习的智能储能控制方法、装置及存储介质

技术领域

本发明涉及储能技术领域，具体涉及一种基于深度学习的智能储能控制方法、装置及存储介质。

背景技术

储能技术是构建智能电网的重要环节。我国当前电网运营面临着最高用电负荷持续增加、间歇式能源接入占比扩大、调峰手段有限等诸多挑战；而优质、自愈、安全、清洁、经济、互动是我国智能电网的设定目标，储能技术尤其大规模储能技术具备的诸多特性得以在发电、输电、配电、用电四大环节得到广泛应用，可以说储能环节是构建智能电网及实现目标不可或缺的关键环节。

一方面随着储能技术的发展及普及，现有储能设备在运行过程中，系统会监控环境参数，例如通过传感器对环境湿度、环境温度进行监控；系统还会监控设备运行参数，比如设备温度、直流硬件是否过流、电池放电是否欠压、三相电流是否不平衡、风扇是否异常等；系统还也监控软件运行参数，比如直流电软件过流、用户交互等；环境参数、设备运行参数、软件运行参数是决定储能控制系统的主要安全参数。目前，因为各种各样的原因，例如人员操作失误、设备故障、环境因素，不可能避免的造成报警或报错。上述各种报警或报错信息形成了各种异常报警字符串信息。为了核实、消除这些报警或报错，会安排各种人员进行处理，例如当系统报警或报错时，由管理人员进行核对，是否是操作输入错误、软件BUG问题，进行处理；当环境参数、设备运行参数报警或报错时，管理人员在软件系统层确认的同时，可以安排巡检或维修人员现场巡检、维修，巡检或维修人员上报检查结论，以协助管理人员消除报警或报错，或者巡检或维修人员现场处理后，直接消除报警或报错。

另一方面，随着人们对电池的使用量的增加，大部分电池都可以进行梯次利用，需要对梯次利用的电池加强安全监护。尤其是，被梯次利用的电池有发生鼓包的可能性。目前对梯度电池的安全监护，现有技术中，如图12所示，采用机械接触式报警，当电池单元外壳轮廓变形后接触到挡片后触发报警；或者采用红外接触式报警，当电池单元外壳轮廓变形后接触到监控的红外线后触发报警。无论是机械接触式报警还是红外接触式报警，都只能设定一个不可调整的电池单元轮廓尺寸变化阈值，当电池单元轮廓尺寸变化达到设定的阈值时，触发报警；而且现有技术中采用的是在电池单元的任一面上，监控其在任一面上的垂直方向的变化距离，若任一面上的垂直方向高度达到固定预设值，则触发报警，此方法采用的是点距离报警，无法根据电池单元整体的轮廓尺寸变化情况进行监控。而且，目前，电池单元轮廓尺寸参数信息未被纳入日常的异常报警字符串信息，只是作为一个备用监控手段。

发明内容

有鉴于此，本发明实施例提供了一种基于深度学习的智能储能控制方法、装置及存储介质，以解决现有技术无法根据含有电池单元轮廓尺寸参数的异常报警字符串信息进行智能分类、预判，自动输出预判处理指令进行处理的问题。

本发明提出的技术方案如下：

本发明实施例第一方面提供一种基于深度学习的智能储能控制方法，该方法包括：获取当前时间T时，至少包含电池单元整体轮廓尺寸参数信息的N个异常报警字符串信息，N≥3；通过对所述N个异常报警字符串信息嵌入处理为N层异常报警数值信息；利用经训练的分类预判神经网络模型对输入的所述N层异常报警数值信息进行特征分类并预判，输出预判处理指令；根据各种异常报警数值信息，进行自动分类，并进行自动预判，输出预判处理指令，提高人工效率的同时，避免人为操作失误，进而提高储能效率，提高储能设备利用率。

进一步地，该基于深度学习的智能储能控制方法还包括：所述经训练的分类预判神经网络模型依次包括输入层、多个全连接层、分类层以及输出层；

所述多个全连接层，用于异常报警数值信息特征提取，得到异常报警特征信息；所述分类层，用于对异常报警特征信息进行分类；所述多个全连接层包括多个含有激活函数的全连接层及1个不含激活函数的全连接层，所述预判层，用于对分类后的异常报警特征信息进行预判，得到预判处理指令。

进一步地，所述经训练的分类预判神经网络模型还包括：长短时记忆层；所述长短时记忆层基于全连接层输入的当前时间T时的异常报警特征信息，结合T-1时的异常报警特征信息，输出包括有时间相关性影响的异常报警特征；根据长短时记忆层，输出包括有时间相关性影响的异常报警特征，分类更加精确，进而辅助预判更加准确。

进一步地，所述电池单元整体轮廓尺寸参数信息包括：电池单元整体轮廓尺寸变化率β_T，β_T＝(A_T-A_T0)/A_T0，A_T为当前时间T时的电池单元当前整体轮廓尺寸值，A_T0为电池单元原始整体轮廓尺寸值；通过监控电池单元整体轮廓尺寸变化率β_T，若电池单元整体轮廓尺寸变化率β_T达到预先设置的阈值，则发出异常报警字符串信息，这样更够更好的对电池单元的工况进行监控，避免鼓包过渡造成漏液等现象，进而避免宕机，间接提高储效率。

进一步地，所述电池单元整体轮廓尺寸变化率β_T通过以下步骤获取：

通过摄像头拍摄电池单元的编号信息，对电池单元的编号信息进行识别；通过摄像头拍摄含经识别的所述电池单元的环境影像信息；根据所述环境影像信息，通过经训练的分割神经网络模型，分割出当前时间T时的电池单元整体轮廓；根据当前时间T时的电池单元整体轮廓，得到当前时间T时的电池单元当前整体轮廓尺寸值A_T；读取存储器内经识别的电池单元的原始整体轮廓尺寸值A_T0，计算得到电池单元整体轮廓尺寸变化率β_T；通过对摄像头拍摄电池单元的环境影像信息，较机械接触式报警还是红外接触式报警，都能够实时监控电池单元整体轮廓尺寸值，监控更加实时、准确，避免报警滞后，造成不必要的损失。

进一步地，所述电池单元整体轮廓尺寸为电池单元朝着摄像头的面投影后形成的整体轮廓周长值；监控投影后形成的整体轮廓周长值，较监控其在任一面上的垂直方向的变化尺寸，能够更加全面的监控电池单元整体轮廓尺寸变化情况，使得监控更加准确。

进一步地，所述经训练的分割神经网络模型包括：输入层、多个卷积层、多个池化层、多个双线性插值层以及输出层；通过多个卷积层、多个池化层、多个双线性插值层处理后，能够自动分割电池单元整体轮廓尺寸。

进一步地，该基于深度学习的智能储能控制方法还包括：获取时间间隔为P的M个电池单元整体轮廓尺寸变化率β_T；计算时间间隔为P的电池单元整体轮廓尺寸变化趋势γ_P；判断电池单元整体轮廓尺寸变化趋势γ_P种类；若电池单元整体轮廓尺寸变化趋势γ_P种类为指数趋势时，则发出异常报警；若电池单元整体轮廓尺寸变化趋势γ_P种类为线性趋势、二次线性趋势、S型趋势中的一种时，则不发出异常报警。

进一步地，该基于深度学习的智能储能控制方法还包括：获取巡检或维修人员的评价分数表；基于所述预判处理指令及所述评价分数表的评价分值，得到当前时间T时，处理所述N个异常报警字符串信息的最佳推荐巡检或维修人员；获取当前时间T时，巡检或维修人员的值班表，遍历所述值班表；判断最佳巡检或维修人员是否在所述值班表内；若是，则向所述最佳推荐巡检人员发送巡检指令或向所述最佳维修人员发送维修指令；若否，则基于所述预判处理指令及所述评价分数表的评价分值，重新得到推荐巡检或维修人员，直至推荐的巡检或维修人员在所述值班表内；该方法能够根据预判处理指令自动分配巡检或维修人员进行处理，且能够根据巡检或维修人员的评价分值以及值班表情况，自动分配在值班且评价分值高的巡检或维修人员进行处理。

进一步地，所述基于深度学习的智能储能控制方法还包括：根据巡检人员或维修人员的处理过程、结果，进行评价并得到评价分值；更新所述评价分数表；通过更新所述评价分数表，可以不断更新巡检人员或维修人员的当前的对异常报警实际处理能力，使得自动分配结果更加准确。

本发明实施例第二方面提供一种深度学习的智能储能控制装置，该装置包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明实施例第一方面及第一方面任一项所述的基于深度学习的智能储能控制方法；该装置能够解决现有技术无法根据含有电池单元轮廓尺寸参数的异常报警字符串信息进行智能分类、预判，自动输出预判处理指令进行处理的问题。

本发明实施例第三方面提供一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明实施例第一方面及第一方面任一项所述的基于深度学习的智能储能控制方法。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例的基于深度学习的智能储能控制方法的流程图；

图2为本发明一实施例的分类预判神经网络模型的结构示意图；

图3为本发明一实施例的分类预判神经网络模型的结构示意图；

图4为本发明一实施例的基于深度学习的智能储能控制方法的流程图；

图5为本发明一实施例的基于深度学习的智能储能控制方法的流程图；

图6为本发明实施例的分割神经网络模型；

图7为为本发明一实施例的电池单元整体轮廓尺寸变化率计算流程图；

图8为本发明实施例的电池单元原始轮廓尺寸的正视图；

图9为本发明实施例时间T时的电池单元整体轮廓尺寸的正视图；

图10是根据本发明实施例提供的智能储能控制装置结构示意图；

图11是根据本发明实施例提供的计算机可读存储介质的结构示意图；

图12为现有技术中的机械接触式报警结构示意图；

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。另外，其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

本发明实施例提供一种基于深度学习的智能储能控制方法，如图1所示，该方法包括：

步骤S100：获取当前时间T时，至少包含电池单元整体轮廓尺寸参数信息的N个异常报警字符串信息，N≥3；异常报警字符串信息还包括系统设备温度过高、直流硬件过流、电池放电欠压、三相电流不平衡、风扇异常、直流电软件过流、用户交互报错、环境温度过高或过低、环境湿度过高或过低等报警信息。现有技术中，未将电池单元整体轮廓尺寸参数信息包括在异常报警信息字符串信息中，无法良好的监控电池单元整体轮廓尺寸变化情况。

步骤S200：通过对N个异常报警字符串信息嵌入处理为N层异常报警数值信息；通过常规的嵌入处理函数即可完成转换。

步骤S300：利用经训练的分类预判神经网络模型对输入的N层异常报警数值信息进行特征分类并预判，输出至少一组预判处理指令。如图2所示，经训练的分类预判神经网络模型依次包括输入层、多个全连接层、分类层以及输出层；多个全连接层，包括含有多个激活函数的全连接层及1个不含激活函数的全连接层，全连接层用于异常报警数值信息特征提取，得到异常报警特征信息；分类层，用于对异常报警特征信息进行分类；预判层，用于对分类后的异常报警特征信息进行预判，得到至少一组预判处理指令。根据各种异常报警数值信息，进行自动分类，并进行自动预判，输出预判处理指令，提高人工效率的同时，避免人为操作失误，进而提高储能效率，提高储能设备利用率。

在步骤300中，在一个实施例中，如图3所示，经训练的分类预判神经网络模型还包括：长短时记忆层；所述长短时记忆层基于全连接层输入的当前时间T时的异常报警特征信息，结合T-1时的异常报警特征信息，输出包括有时间相关性影响的异常报警特征；例如环境温度过高，会持续随着时间影响设备温度升高，进而影响设备温度；例如风扇异常时，风扇异常，会影响环境温度，进而影响设备温度。根据长短时记忆层，输出包括有时间相关性影响的异常报警特征，分类更加精确，进而辅助预判更加准确。

在一个实施例中，如图8、图9所示，电池单元100包括编号标签，通过摄像头可以拍摄编号标签进行识别。电池单元整体轮廓尺寸参数信息包括：电池单元整体轮廓尺寸变化率β_T，β_T＝(A_T-A_T0)/A_T0，图8为电池单元原始整体轮廓尺寸的正视图，图9为时间T时的电池单元整体轮廓尺寸的正视图，A_T为当前时间T时的电池单元当前整体轮廓尺寸值，A_T0为电池单元原始整体轮廓尺寸值。通过监控电池单元整体轮廓尺寸变化率β_T，若电池单元整体轮廓尺寸变化率β_T达到预先设置的阈值，则发出异常报警字符串信息，这样更够更好的对电池单元的工况进行监控，避免鼓包过渡造成漏液等现象，进而避免宕机，间接提高储效率。

如图9所示，电池单元整体轮廓尺寸为电池单元朝着摄像头的面投影后形成的整体轮廓周长值；监控投影后形成的整体轮廓周长值，较监控其在任一面上的垂直方向的变化尺寸，能够更加全面的监控电池单元整体整体轮廓尺寸变化情况，使得监控更加准确。监控投影后形成的整体轮廓，是由与任意投影面接触的4个面上，在垂直于投影面的四个面上，取每个直线上的最大尺寸变化值最终形成了投影后的整体轮廓周长值，其为四个面在每个直线方向上最大尺寸值，采用的是，与任意投影面接触的4个面的整体轮廓变化，属于面监控。相较于现有技术中，现有技术采用的是机械接触式报警或红外接触式报警，都属于点接触监控，而本发明采用的是面监控，能够更加全面的反应电池单元的整体变化情况。更加容易监控“鼓包”情况。电池单元整体轮廓尺寸变化率β_T通过以下步骤获取：

如图6、图7所示，通过摄像头拍摄电池单元的编号信息，对电池单元的编号信息进行识别；通过摄像头拍摄含经识别的所述电池单元的环境影像信息；根据所述环境影像信息，通过经训练的分割神经网络模型，得到当前时间T时的电池单元当前整体轮廓尺寸值A_T；经训练的分割神经网络模型包括：输入层、多个卷积层、多个池化层、多个双线性插值层以及输出层；输入层输入多张含经识别的所述电池单元的环境影像；卷积层用于电池单元当前整体轮廓图像特征进行提取；池化层用于对被提取的电池单元当前整体轮廓图像特征将采样，双线性插值层用于对低分辨率的电池单元当前整体轮廓图像特征插值处理，还原出高分辨率的电池单元当前整体轮廓图像特征；输出层用于输出电池单元当前整体轮廓。通过多个卷积层、多个池化层、多个双线性插值层处理后，分割出当前时间T时的电池单元整体轮廓，根据当前时间T时的电池单元整体轮廓，能够自动计算出电池单元整体轮廓尺寸A_T；读取存储器内经识别的电池单元的原始整体轮廓尺寸值A_T0，计算得到电池单元整体轮廓尺寸变化率β_T；通过对摄像头拍摄电池单元的环境影像信息，较机械接触式报警还是红外接触式报警，都能够实时监控电池单元整体轮廓尺寸值，监控更加实时、准确，避免报警滞后，造成不必要的损失。

在另一实施例中，基于深度学习的智能储能控制方法还包括：获取时间间隔为P的M个电池单元整体轮廓尺寸变化率β_T；计算时间间隔为P的电池单元整体轮廓尺寸变化趋势γ_P；使用时间序列图对M个电池单元整体轮廓尺寸变化率β_T数据进行绘图，判断电池单元整体轮廓尺寸变化趋势γ_P种类；若电池单元整体轮廓尺寸变化趋势γ_P种类为指数趋势时，则发出异常报警；若电池单元整体轮廓尺寸变化趋势γ_P种类为线性趋势、二次线性趋势、S型趋势中的一种时，则不发出异常报警。若电池单元整体轮廓尺寸变化趋势γ_P为线性趋势，则表明在时间间隔为P的M个电池单元整体轮廓尺寸变化率β_T内，则表明电池单元整体轮廓尺寸变化趋势是均匀的；若电池单元整体轮廓尺寸变化趋势γ_P为二次线性趋势，则表明电池单元整体轮廓尺寸变化趋势是基本均匀，但会发生改变；若电池单元整体轮廓尺寸变化趋势γ_P为指数趋势，则表明电池单元整体轮廓尺寸变化趋势是加剧，电池单元鼓包趋势明显，可能发生漏液；若电池单元整体轮廓尺寸变化趋势γ_P为S型趋势，则电池单元整体轮廓尺寸变化趋势是不均匀。

在另一实施例中，如图4所示，该基于深度学习的智能储能控制方法还包括：

步骤400：获取巡检或维修人员的评价分数表；基于所述预判处理指令及所述评价分数表的评价分值，得到当前时间T时，处理所述N个异常报警字符串信息的最佳推荐巡检或维修人员。根据对巡检或维修的处理时间，处理不同异常报警的过程、处理不同异常报警的结果进行评价，得到评价分数表。

步骤500：获取当前时间T时，巡检或维修人员的值班表，遍历所述值班表；判断最佳巡检或维修人员是否在所述值班表内；若是，则向所述最佳推荐巡检人员发送巡检指令或向所述最佳维修人员发送维修指令；若否，则基于所述预判处理指令及所述评价分数表的评价分值，重新得到推荐巡检或维修人员，直至推荐的巡检或维修人员在所述值班表内；该方法能够根据预判处理指令自动分配巡检或维修人员进行处理，且能够根据预判处理指令、巡检或维修人员的评价分值、以及值班表情况，自动分配在值班且评价分值高的巡检或维修人员进行处理。例如，将最佳推荐巡检或维修人员作为第一推荐巡检或维修人员，当第一推荐巡检或维修人员不在值班表内，则推荐评价分数表中最接近第一推荐巡检或维修人员评价分数的第二推荐巡检或维修人员，若第一推荐巡检或维修人员仍不在值班表内，则推荐第三推荐巡检或维修人员，直至推荐的巡检或维修人员在值班表内。

如图5所示，在另一实施例中，基于深度学习的智能储能控制方法还包括：

步骤600：根据巡检人员或维修人员的处理过程、结果，进行评价并得到评价分值；更新所述评价分数表；通过更新所述评价分数表，可以不断更新巡检人员或维修人员的当前的对异常报警实际处理能力，使得自动分配结果更加准确。当系统向推荐的巡检或维修人员发送巡检指令或维修指令时，系统开始计时；并在人员维修过程中可选地通过摄像头进行监控，根据相应报警或报错部分维修SOP(标准作业程序)进行评价；当维修或巡检结束后，根据维修或巡检结果进行评价，得到基于维修时间、维修过程、维修结果的评价分值。

本发明的基于深度学习智能储能控制装置包括处理器和存储器，其中处理器和存储器可以通过总线或者其他方式连接，在图11中，处理器和存储器通过总线进行连接。处理器可以为中央处理器。处理器还可以为其他通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的基于深度学习的智能储能控制方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器中，当被所述处理器执行时，执行如图1-9所示实施例中的基于深度学习的智能储能控制方法。

上述电子装置具体细节可以对应参阅图1至图9所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。

上文对本发明进行了足够详细的具有一定特殊性的描述。所属领域内的普通技术人员应该理解，实施例中的描述仅仅是示例性的，在不偏离本发明的真实精神和范围的前提下做出所有改变都应该属于本发明的保护范围。

Claims (12)

1.一种基于深度学习的智能储能控制方法，其特征在于，包括：

获取当前时间T时，至少包含电池单元整体轮廓尺寸参数信息的N个异常报警字符串信息，N≥3；

通过对所述N个异常报警字符串信息嵌入处理为N层异常报警数值信息；

利用经训练的分类预判神经网络模型对输入的所述N层异常报警数值信息进行特征分类并预判，输出预判处理指令。

2.根据权利要求1所述的基于深度学习的智能储能控制方法，其特征在于，

所述经训练的分类预判神经网络模型依次包括输入层、多个全连接层、分类层以及输出层；

所述多个全连接层用于异常报警数值信息特征提取，得到异常报警特征信息；

所述分类层，用于对异常报警特征信息进行分类；

所述预判层，用于对分类后的异常报警特征信息进行预判，得到预判处理指令。

3.根据权利要求2所述的基于深度学习的智能储能控制方法，其特征在于，所述经训练的分类预判神经网络模型还包括：长短时记忆层；所述长短时记忆层基于全连接层输入的当前时间T时的异常报警特征信息，结合T-1时的异常报警特征信息，输出包括有时间相关性影响的异常报警特征。

4.根据权利要求1-3任一项所述的基于深度学习的智能储能控制方法，其特征在于，所述电池单元整体轮廓尺寸参数信息包括：电池单元整体轮廓尺寸变化率β_T，β_T＝(A_T-A_T0)/A_T0，

A_T为当前时间T时的电池单元当前整体轮廓尺寸值，A_T0为电池单元原始整体轮廓尺寸值。

5.根据权利要求4所述的基于深度学习的智能储能控制方法，其特征在于，所述电池单元整体轮廓尺寸变化率β_T通过以下步骤获取：

通过摄像头拍摄电池单元的编号信息，对电池单元的编号信息进行识别；

通过摄像头拍摄含经识别的所述电池单元的环境影像信息；

根据所述环境影像，通过经训练的分割神经网络模型，分割出当前时间T时的电池单元整体轮廓；

根据当前时间T时的电池单元整体轮廓，得到当前时间T时的电池单元当前整体轮廓尺寸值A_T；

读取存储器内经识别的电池单元的原始整体轮廓尺寸值A_T0，计算得到电池单元整体轮廓尺寸变化率β_T。

6.根据权利要求5所述的基于深度学习的智能储能控制方法，其特征在于，

所述电池单元整体轮廓尺寸为电池单元投影后形成的轮廓周长值。

7.根据权利要求5或6所述的基于深度学习的智能储能控制方法，其特征在于，所述经训练的分割神经网络模型包括：输入层、多个卷积层、多个池化层、多个双线性插值层以及输出层。

8.根据权利要求5或6所述的基于深度学习的智能储能控制方法，其特征在于，所述基于深度学习的智能储能控制方法还包括：

获取时间间隔为P的M个电池单元整体轮廓尺寸变化率β_T；

计算时间间隔为P的电池单元整体轮廓尺寸变化趋势γ_P；

判断电池单元整体轮廓尺寸变化趋势γ_P种类；若电池单元整体轮廓尺寸变化趋势γ_P种类为指数趋势时，则发出异常报警；若电池单元整体轮廓尺寸变化趋势γ_P种类为线性趋势、二次线性趋势、S型趋势中的一种时，则不发出异常报警。

9.根据权利要求1-3任一项所述的基于深度学习的智能储能控制方法，其特征在于，所述基于深度学习的智能储能控制方法还包括：

获取巡检或维修人员的评价分数表；基于所述预判处理指令及所述评价分数表的评价分值，得到当前时间T时，处理所述N个异常报警字符串信息的最佳推荐巡检或维修人员；

获取当前时间T时，巡检或维修人员的值班表，遍历所述值班表；判断最佳巡检或维修人员是否在所述值班表内；若是，则向所述最佳推荐巡检人员发送巡检指令或向所述最佳维修人员发送维修指令；若否，则基于所述预判处理指令及所述评价分数表的评价分值，重新得到推荐巡检或维修人员，直至推荐的巡检或维修人员在所述值班表内。

10.根据权利要求9所述的基于深度学习的智能储能控制方法，其特征在于，所述基于深度学习的智能储能控制方法还包括：根据巡检人员或维修人员的处理过程、结果，进行评价并得到评价分值；更新所述评价分数表。

11.一种基于深度学习的智能储能控制装置，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-10任一项所述的基于深度学习的智能储能控制方法。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1-10任一项所述的基于深度学习的智能储能控制方法。

Images