CN113541272B - 一种储能电池均衡充放电方法及设备、介质 - Google Patents

Abstract

本申请公开了一种基于深度学习模型的储能电池均衡充放电方法及设备、介质。上述方法包括获取储能电池中电池模块的基础数据及实时数据；根据预先建立的充/放电策略，将基础数据与实时数据输入预先建立的电池均衡神经网络模型，输出本次用于对电池模块进行操作的待调整充/放电计划；将待调整充/放电计划输入预先建立的电池计划调整模型，输出本次用于对电池模块进行操作的最终充/放电计划；基于最终充/放电计划调整储能电池的控制系统的工作状态以完成对电池模块的充电作业或放电作业。上述方法利用深度学习神经网络技术通过智能化控制能够实现电池主动均衡，电池储能成本效益最大化，延长电池使用寿命，保证充放电效率，合理有效地使用电池。

Description

一种储能电池均衡充放电方法及设备、介质

技术领域

本申请涉及电池储能、深度学习技术领域，尤其涉及一种基于深度学习模型的储能电池均衡充放电方法及设备、介质。

背景技术

近年来，风能、太阳能、水能等可再生能源成为解决能源问题的重点发展方向。在新一轮能源革命推进过程中,由于新能源存在很大的不可预测性和多变性，因此以电池储能为代表的储能技术对新能源产业的影响日趋重要。

储能电池通常是由大量的电池单体通过串/并联构成的，储能电池能够实现电能的储存和释放，解决新能源发电并网等问题。其中，低压小容量储能电池，一般可以直接接入交流电网中，可以用于微网主电源、小区或楼宇储能、小型可再生能源并网等场合；中压大容量储能电池，可以用于电能质量治理、削峰填谷、备用电源及可再生能源并网等场合；高压超大容量储能电池，能够适用于削峰填谷、电网调峰调频、备用电源及可再生能源并网等场合。储能电池具有易线性扩展、可即插即用、可维护性强等优点。

在电池储能技术领域，电池管理系统起着关键的作用，如何保证电池的使用寿命，更加合理地利用资源成为电池管理系统研究的热点，其中电池均衡功能对于延长电池的使用寿命起着决定性的作用。在这种情况下，如何有效利用轻量化深度学习技术，更加合理的实现电池均衡，延长电池使用寿命同时保证充放电效率成为亟须解决的问题。

因此，现在迫切需要开发一种新型的基于深度学习模型的储能电池均衡充放电方法及设备、介质，利用深度学习神经网络技术实现电池均衡充放电，更加合理有效地利用电池，实现储能成本效益最大化，延长电池整体使用寿命，同时保证其充放电效率。

发明内容

本说明书实施例提供了一种基于深度学习模型的储能电池均衡充放电方法及设备、介质，用于解决现有技术中的如下技术问题：储能电池在充电或放电过程中难以单纯地利用电力电子技术，使其中的电池单体或电池模块之间的偏差保持在预设范围内，难以确保电池单体或电池模块在使用时保持相同状态实现均衡充放电，从而避免过充或过放的发生。

本说明书实施例采用下述技术方案：

一种基于深度学习模型的储能电池均衡充放电方法，其中，包括：

获取所述储能电池中电池模块的基础数据及实时数据，所述基础数据至少包括以下一项：最低电量下限、充满电量上限、最高充放电次数，所述实时数据至少包括以下一项：实时电流、实时电压、实时电量、已充放电次数；

根据预先建立的充电策略或放电策略，将所述基础数据与所述实时数据输入预先建立的电池均衡神经网络模型，输出本次用于对所述电池模块进行操作的待调整充电计划或待调整放电计划，所述充电策略是基于供电方的特性数据构建得到的，所述放电策略是基于需电方的特性数据构建得到的，所述电池均衡神经网络模型是基于3D卷积残差网络构建并根据电池模块历史运行数据训练得到的；

将所述待调整充电计划或所述待调整放电计划输入预先建立的电池计划调整模型，输出本次用于对电池模块进行操作的最终充电计划或最终放电计划，所述电池计划调整模型是基于神经网络构建并根据电池基本特性数据训练得到的；

基于所述最终充电计划或所述最终放电计划调整所述储能电池的控制系统的工作状态以完成对所述电池模块的充电作业或放电作业。

进一步地，所述待调整充电计划至少包括以下一项：待调整供电方地址，待调整需电电池模块地址，待调整输入电量；和/或

所述待调整放电计划至少包括以下一项：待调整需电方地址，待调整供电电池模块地址，待调整输出电量；和/或

所述最终充电计划至少包括以下一项：最终供电方地址，最终需电电池模块地址，最终输入电量；和/或

所述最终放电计划至少包括以下一项：最终需电方地址，最终供电电池模块地址，最终输出电量。

进一步地，所述供电方的特性数据至少包括以下一项：供电方提供电能的时间、供电方提供电能的时长、供电方提供电能的类型、供电方提供电能的价格；和/或

所述需电方的特性数据至少包括以下一项：需电方需要电能的时间、需电方需要电能的时长、需电方需要电能的类型、需电方需要电能的价格。

进一步地，所述电池基本特性数据至少包括以下一项：电池规格参数、电池充电特性曲线、电池放电特性曲线。

进一步地，基于深度学习模型的储能电池均衡充放电方法，还包括：

基于3D卷积残差网络构建待训练电池均衡神经网络模型；

获取所述电池模块的历史数据集，所述历史数据集至少包括所述电池模块的历史基础数据集及所述电池模块的历史实时数据集；

根据所述历史数据集制作电池均衡神经网络模型训练数据集；

根据所述电池均衡神经网络模型训练数据集训练所述的待训练电池均衡神经网络模型，得到电池均衡神经网络模型。

进一步地，基于深度学习模型的储能电池均衡充放电方法，还包括：

基于神经网络构建待训练电池计划调整模型；

获取所述电池模块中电池单体的电池基本特性数据；

根据所述电池基本特性数据制作电池计划调整模型训练数据集；

根据所述电池计划调整模型训练数据集训练所述的待训练电池计划调整模型，得到电池计划调整模型。

进一步地，基于深度学习模型的储能电池均衡充放电方法，还包括：

根据所述储能电池的边缘侧计算力，采用模型压缩方法对所述的电池均衡神经网络模型和/或所述的电池计划调整模型进行压缩，所述模型压缩方法至少包括以下一项：量化与定点化、模型剪枝、模型蒸馏。

进一步地，基于深度学习模型的储能电池均衡充放电方法，还包括：

持续获取所述电池模块的实时数据；

基于持续获取的所述实时数据构建电池运行数据集；

采用大数据分析方法对所述电池运行数据集进行分析得到电池运行分析结果，

基于所述电池运行分析结果对所述的电池均衡神经网络模型和/或所述的电池计划调整模型进行调整优化。

一种基于深度学习模型的储能电池均衡充放电设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取所述储能电池中电池模块的基础数据及实时数据，所述基础数据至少包括以下一项：最低电量下限、充满电量上限、最高充放电次数，所述实时数据至少包括以下一项：实时电流、实时电压、实时电量、已充放电次数；

根据预先建立的充电策略或放电策略，将所述基础数据与所述实时数据输入预先建立的电池均衡神经网络模型，输出本次用于对所述电池模块进行操作的待调整充电计划或待调整放电计划，所述充电策略是基于供电方的特性数据构建得到的，所述放电策略是基于需电方的特性数据构建得到的，所述电池均衡神经网络模型是基于3D卷积残差网络构建并根据电池模块历史运行数据训练得到的；

将所述待调整充电计划或所述待调整放电计划输入预先建立的电池计划调整模型，输出本次用于对电池模块进行操作的最终充电计划或最终放电计划，所述电池计划调整模型是基于神经网络构建并根据电池基本特性数据训练得到的；

基于所述最终充电计划或所述最终放电计划调整所述储能电池的控制系统的工作状态以完成对所述电池模块的充电作业或放电作业。

一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令被计算机执行时能够实现：

获取所述储能电池中电池模块的基础数据及实时数据，所述基础数据至少包括以下一项：最低电量下限、充满电量上限、最高充放电次数，所述实时数据至少包括以下一项：实时电流、实时电压、实时电量、已充放电次数；

根据预先建立的充电策略或放电策略，将所述基础数据与所述实时数据输入预先建立的电池均衡神经网络模型，输出本次用于对所述电池模块进行操作的待调整充电计划或待调整放电计划，所述充电策略是基于供电方的特性数据构建得到的，所述放电策略是基于需电方的特性数据构建得到的，所述电池均衡神经网络模型是基于3D卷积残差网络构建并根据电池模块历史运行数据训练得到的；

将所述待调整充电计划或所述待调整放电计划输入预先建立的电池计划调整模型，输出本次用于对电池模块进行操作的最终充电计划或最终放电计划，所述电池计划调整模型是基于神经网络构建并根据电池基本特性数据训练得到的；

基于所述最终充电计划或所述最终放电计划调整所述储能电池的控制系统的工作状态以完成对所述电池模块的充电作业或放电作业。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

(1)本说明书实施例示例的基于深度学习模型的储能电池均衡充放电方法，利用深度学习神经网络技术，综合考虑各种影响储能电池寿命的因素，设计电池均衡神经网络模型，实现储能电池均衡充放电，更加合理有效地使用电池，实现储能成本效益最大化。

(2)本说明书实施例示例的基于深度学习模型的储能电池均衡充放电方法，通过电池模块内电池单体的传统控制方式和电池模块之间深度学习方式，实现了更加合理高效的电池均衡，电池模块内电池单体的结构相对比较简单，采用传统的控制方式，利用电池磨损曲线等现有知识实现高效管理，电池模块之间利用神经网络模型，能更好的发现电池模块之间的内在联系，同时有效利用了电池模块之间的位置结构特征，有效地延长了电池整体使用寿命，同时确保了储能电池的充放电效率。

(3)本说明书实施例示例的基于深度学习模型的储能电池均衡充放电方法，通过边缘人工智能场景，通过模型压缩的手段，尽可能地降低模型的大小，同时又要保证了一定的预测精度，从而确保了深度学习模型能够产品化落地，满足电池储能业务个性化的需求。

(4)本说明书实施例示例的基于深度学习模型的储能电池均衡充放电方法，电池均衡模型加入了先验知识，使得输出的电池计划尽量避免频繁切换充放电，有一定的持续性，更加有效合理的分配充放电次数。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本说明书实施例提供的基于深度学习模型的储能电池均衡充放电方法的一种流程示意图；

图2为本说明书实施例提供的储能电池的一种结构示意图；

图3为本说明书实施例提供的电池均衡神经网络模型的一种结构示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。图1为本说明书实施例提供的基于深度学习模型的储能电池均衡充放电方法的一种流程示意图。

如图1所述，一种基于深度学习模型的储能电池均衡充放电方法方法，其中，包括：

获取所述储能电池中电池模块的基础数据及实时数据，所述基础数据至少包括以下一项：最低电量下限、充满电量上限、最高充放电次数，所述实时数据至少包括以下一项：实时电流、实时电压、实时电量、已充放电次数；

根据预先建立的充电策略或放电策略，将所述基础数据与所述实时数据输入预先建立的电池均衡神经网络模型，输出本次用于对所述电池模块进行操作的待调整充电计划或待调整放电计划，所述充电策略是基于供电方的特性数据构建得到的，所述放电策略是基于需电方的特性数据构建得到的，所述电池均衡神经网络模型是基于3D卷积残差网络构建并根据电池模块历史运行数据训练得到的；

将所述待调整充电计划或所述待调整放电计划输入预先建立的电池计划调整模型，输出本次用于对电池模块进行操作的最终充电计划或最终放电计划，所述电池计划调整模型是基于神经网络构建并根据电池基本特性数据训练得到的；

基于所述最终充电计划或所述最终放电计划调整所述储能电池的控制系统的工作状态以完成对所述电池模块的充电作业或放电作业。

电池系统中的电池模块之间采用3D卷积残差网络构建电池均衡神经网络模型，然后根据电池模块内电池单体的基本特性构建电池计划调整模型。因为，电池模块内电池单体的结构相对比较简单，所以采用传统的控制方式，利用电池磨损曲线等现有知识实现对其进行高效地管理。电池模块之间利用神经网络模型，能更好的发现电池模块之间的内在联系，同时有效地利用了电池模块之间的位置结构特征。本实施例示例的方法，通过电池模块内电池单体的传统控制方式和电池模块之间深度学习方式，实现了更加合理高效的电池均衡，有效地延长了电池整体使用寿命，同时确保了储能电池的充放电效率。

在本实施例中，所述待调整充电计划至少包括以下一项：待调整供电方地址，待调整需电电池模块地址，待调整输入电量。

在本实施例中，所述待调整放电计划至少包括以下一项：待调整需电方地址，待调整供电电池模块地址，待调整输出电量。

在本实施例中，所述最终充电计划至少包括以下一项：最终供电方地址，最终需电电池模块地址，最终输入电量。

在本实施例中，所述最终放电计划至少包括以下一项：最终需电方地址，最终供电电池模块地址，最终输出电量。

在本实施例中，所述供电方的特性数据至少包括以下一项：供电方提供电能的时间、供电方提供电能的时长、供电方提供电能的类型、供电方提供电能的价格。

在本实施例中，所述需电方的特性数据至少包括以下一项：需电方需要电能的时间、需电方需要电能的时长、需电方需要电能的类型、需电方需要电能的价格。

在本实施例中，所述电池基本特性数据至少包括以下一项：电池规格参数、电池充电特性曲线、电池放电特性曲线。

在本实施例中，基于深度学习模型的储能电池均衡充放电方法，其特征在于，还包括：

基于3D卷积残差网络构建待训练电池均衡神经网络模型；

获取所述电池模块的历史数据集，所述历史数据集至少包括所述电池模块的历史基础数据集及所述电池模块的历史实时数据集；

根据所述历史数据集制作电池均衡神经网络模型训练数据集；

根据所述电池均衡神经网络模型训练数据集训练所述的待训练电池均衡神经网络模型，得到电池均衡神经网络模型。

在本实施例中，基于深度学习模型的储能电池均衡充放电方法，其特征在于，还包括：

基于神经网络构建待训练电池计划调整模型；

获取所述电池模块中电池单体的电池基本特性数据；

根据所述电池基本特性数据制作电池计划调整模型训练数据集；

根据所述电池计划调整模型训练数据集训练所述的待训练电池计划调整模型，得到电池计划调整模型。

在本实施例中，基于深度学习模型的储能电池均衡充放电方法，其特征在于，还包括：

根据所述储能电池的边缘侧计算力，采用模型压缩方法对所述的电池均衡神经网络模型和/或所述的电池计划调整模型进行压缩，所述模型压缩方法至少包括以下一项：量化与定点化、模型剪枝、模型蒸馏。

通过边缘人工智能场景，通过模型压缩的手段，尽可能地降低模型的大小，同时又要保证了一定的预测精度，从而确保了深度学习模型能够产品化落地，满足电池储能业务个性化的需求。

在本实施例中，基于深度学习模型的储能电池均衡充放电方法，其特征在于，还包括：

持续获取所述电池模块的实时数据；

基于持续获取的所述实时数据构建电池运行数据集；

采用大数据分析方法对所述电池运行数据集进行分析得到电池运行分析结果，

基于所述电池运行分析结果对所述的电池均衡神经网络模型和/或所述的电池计划调整模型进行调整优化。

为便于对本发明的理解，下面对上述基于深度学习模型的储能电池均衡充放电方法方法的具体内容做进一步的描述：

为了便于本领域技术人员更好地理解本申请实施例提供的技术方案，下面首先对本申请涉及的部分概念进行说明。

储能电池系统，是指为基于磷酸铁锂电池、超级电容等储能元件经过多串并组合而成的储能模组提供电源管理、保护等功能的系统。储能电池系统包括电池系统、储能流变系统、储能控制系统、电池管理系统及监控系统等部分组成。在实际应用中，为便于设计、管理及控制通常将电池系统、功率转换系统、电池管理系统重新组合成单元模块，而监控系统主要用于监测、管理与控制一个或多个上述单元模块。

电池系统是实现电能存储和释放主要载体，电池系统可以通过电池单体的串/并联实现。比如，电池系统可以先由多个电池单体经串/并联后形成电池模块，再将多个电池模块串联成电池串，最后由多个电池串经并联而成。

在本实施例中，电池系统中的一个电池模块与其相邻电池模块，以及与外部储能变流系统均可以进行双向传输，但是同一时刻电池模块仅单向传输。具体地，电池系统中的电池模块即可以与外界进行充电传输，也可以进行放电传输，但是在某一个确定的时间段内，电池模块只进行充电作业或只进行放电作业。电池模块之间采用单一输出方式，设计简单，实现成本低，是较好的储能电池组织方式。

储能变流系统一种由电力电子变换器件构成的装置，它连接着电池系统和外部供电方(如交流电网等)及外部需电方(如各种电子设备等)，是电池储能系统与外界进行能量交换的关键组成部分，在不同工作模式下对电池系统实现充放电。

储能控制系统根据由预先建立的充电策略或放电策略、电池均衡神经网络模型以及电池计划调整模型生成的最终充电计划或最终放电计划，控制对电池系统进行的充放电作业，实现电池均衡充放电的智能控制。

电池管理系统负责电池系统的智能化管理和维护，是一种由电子电路设备构成的实时监测系统，能够有效地采集电池系统的各种状态数据(包括基础数据及实时数据)。其中，基础数据比如可以包括：最低电量下限、充满电量上限、最高充放电次数；实时数据比如可以包括：实时电流、实时电压、实时电量、已充放电次数、电池模块绝缘状态、电池模块荷电状态，以及电池模块内各电池单体的状态数据，如电压、电流、温度、荷电状态SOC等。电池管理系统还能够对电池系统充电与放电过程进行安全管理(如防止过充、过放管理)、对电池系统可能出现的故障进行报警和应急保护处理以及对电池系统的运行进行优化控制，并保证电池系统安全、可靠、稳定的运行。

本实施例示例的基于深度学习模型的储能电池均衡充放电方法：

步骤101：构建电池均衡神经网络模型。

电池均衡神经网络模型核心是由3D卷积残差网络构成的神经网络。在电池储能系统运行过程中，采集电池系统中各个电池模块及各电池模块中各个电池单体的能够表征其特征或运行状态的海量数据，构成数据集。这些数据集比如可以是历史基础数据集、历史实时数据集。其中，历史基础数据集比如可以包括：最低电量下限数据集、充满电量上限数据集、最高充放电次数数据集等。历史实时数据集比如可以包括：实时电流数据集、实时电压数据集、实时电量数据集、已充放电次数数据集等。根据对采集的海量数据进行大数据分析，选取影响电池模块或电池单体的特征参数，从而制作出针对电池均衡神经网络模型的训练数据集。然后，将训练数据集输入待训练电池均衡神经网络模型对其进行训练，得到电池均衡神经网络模型。

步骤102：构建电池计划调整模型。

基于神经网络构建待训练电池计划调整模型。采集电池模块中电池单体的各项基本特性数据。这些基本特性数据比如可以包括：电池规格参数、电池充电特性曲线、电池放电特性曲线等。根据电池基本特性数据、电池模块磨损曲线等先验知识，设定相应的规则，利用采集到的海量数据制成训练数据集；训练待训练电池计划调整模型，得到电池计划调整模型。

步骤103：调整电池均衡神经网络模型及电池计划调整模型。

根据实际的电池模块中的电池特性，对电池均衡神经网络模型及电池计划调整模型进行调整。

步骤104：压缩电池均衡神经网络模型及电池计划调整模型。

根据电池储能系统边缘侧的计算资源情况，如计算力，利用量化、减枝等模型压缩方法，对电池均衡神经网络模型及电池计划调整模型进行压缩，使模型的大小与计算的精度达到一个平衡状态，以满足实际应用的需求。

步骤105：输入数据。

实时通过电池管理系统采集电池系统中各个电池模块的实时数据，如实时电流、实时电压、实时电量、已充放电次数。结合电池模块的基础数据，如最低电量下限、充满电量上限、最高充放电次数等。根据外部充电或放电需求(即预先建立的充电策略或放电策略)，通过多通道输入到构建的电池均衡神经网络模型中。

在本实施例中，充电策略是基于供电方的特性数据构建得到的。其中，供电方的特性数据比如可以包括：供电方提供电能的时间、供电方提供电能的时长、供电方提供电能的类型、供电方提供电能的价格等。例如，构建充电策略时，如果早上6点之后电价高，则在此时间段内设置为少量充电或者不充电，如果晚上10点以后电价低，则在此时间段内设置为大量充电或者充满电为止；再比如优先选择光伏太阳能设备进行充电等。

同样的，放电策略是基于需电方的特性数据构建得到的，需电方的特性数据比如可以包括：需电方需要电能的时间、需电方需要电能的时长、需电方需要电能的类型、需电方需要电能的价格等。

步骤106：输出待调整充电计划或待调整放电计划。

通过电池均衡神经网络模型，输出待调整计划，即输出每个电池模块的输入电量值或输出电量值、输入或输出方向。待调整计划表示为三元组，即源单元ID、目标单元ID及输入或输出电量。

在本实施例中，待调整充电计划比如可以包括：待调整供电方地址，待调整需电电池模块地址，待调整输入电量。待调整放电计划比如可以包括：待调整需电方地址，待调整供电电池模块地址，待调整输出电量。

步骤107：输出最终充电计划或最终放电计划。

将待调整充电计划或待调整放电计划输入到电池计划调整模型，生成最终的充放电计划。

在本实施例中，最终充电计划比如可以包括：最终供电方地址，最终需电电池模块地址，最终输入电量。最终放电计划比如可以包括：最终需电方地址，最终供电电池模块地址，最终输出电量。

步骤108：完成充电作业或放电作业。

根据生成的最终充放电计划，通过控制储能控制系统、储能变流系统和电池系统的工作状态，以执行最终的充放电计划，完成充电作业或放电作业。

步骤109：优化电池均衡神经网络模型及电池计划调整模型。

持续收集电池模块的运行数据，构建电池运行数据集，采用大数据分析方法对电池运行数据集进行分析，根据分析结果优化电池均衡神经网络模型及电池计划调整模型，提升储能电池均衡充放电方法的合理性及提升充放电效率。大数据分析方法比如可以包括：分类、回归、聚类、相似匹配、因果分析等。

本实施例示例的基于深度学习模型的储能电池均衡充放电方法，综合考虑了各种影响储能电池中电池模块寿命的因素，基于电池管理系统采集的电池模块状态数据，同时结合储能变流系统以及外部充放电需求情况，制定充放电计划，利用电池计划调整模型对充放电计划进行微调调整，通过控制储能控制系统、储能变流系统等控制系统智能化控制完成电池主动均衡，延长了电池的整体使用寿命，实现了储能成本效益最大化。

图2为本说明书实施例提供的基于深度学习模型的储能电池均衡充放电方法的一种架构示意图，所述设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取所述储能电池中电池模块的基础数据及实时数据，所述基础数据至少包括以下一项：最低电量下限、充满电量上限、最高充放电次数，所述实时数据至少包括以下一项：实时电流、实时电压、实时电量、已充放电次数；

根据预先建立的充电策略或放电策略，将所述基础数据与所述实时数据输入预先建立的电池均衡神经网络模型，输出本次用于对所述电池模块进行操作的待调整充电计划或待调整放电计划，所述充电策略是基于供电方的特性数据构建得到的，所述放电策略是基于需电方的特性数据构建得到的，所述电池均衡神经网络模型是基于3D卷积残差网络构建并根据电池模块历史运行数据训练得到的；

将所述待调整充电计划或所述待调整放电计划输入预先建立的电池计划调整模型，输出本次用于对电池模块进行操作的最终充电计划或最终放电计划，所述电池计划调整模型是基于神经网络构建并根据电池基本特性数据训练得到的；

基于所述最终充电计划或所述最终放电计划调整所述储能电池的控制系统的工作状态以完成对所述电池模块的充电作业或放电作业。

本申请的一些实施例提供的对应于图1的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令被计算机执行时能够实现：

获取所述储能电池中电池模块的基础数据及实时数据，所述基础数据至少包括以下一项：最低电量下限、充满电量上限、最高充放电次数，所述实时数据至少包括以下一项：实时电流、实时电压、实时电量、已充放电次数；

根据预先建立的充电策略或放电策略，将所述基础数据与所述实时数据输入预先建立的电池均衡神经网络模型，输出本次用于对所述电池模块进行操作的待调整充电计划或待调整放电计划，所述充电策略是基于供电方的特性数据构建得到的，所述放电策略是基于需电方的特性数据构建得到的，所述电池均衡神经网络模型是基于3D卷积残差网络构建并根据电池模块历史运行数据训练得到的；

将所述待调整充电计划或所述待调整放电计划输入预先建立的电池计划调整模型，输出本次用于对电池模块进行操作的最终充电计划或最终放电计划，所述电池计划调整模型是基于神经网络构建并根据电池基本特性数据训练得到的；

基于所述最终充电计划或所述最终放电计划调整所述储能电池的控制系统的工作状态以完成对所述电池模块的充电作业或放电作业。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产

品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种基于深度学习模型的储能电池均衡充放电方法，其特征在于，包括：

获取所述储能电池中电池模块的基础数据及实时数据，所述基础数据至少包括以下一项：最低电量下限、充满电量上限、最高充放电次数，所述实时数据至少包括以下一项：实时电流、实时电压、实时电量、已充放电次数；

根据预先建立的充电策略或放电策略，将所述基础数据与所述实时数据输入预先建立的电池均衡神经网络模型，输出本次用于对所述电池模块进行操作的待调整充电计划或待调整放电计划，所述充电策略是基于供电方的特性数据构建得到的，所述放电策略是基于需电方的特性数据构建得到的，所述电池均衡神经网络模型是基于3D卷积残差网络构建并根据电池模块历史运行数据训练得到的；

将所述待调整充电计划或所述待调整放电计划输入预先建立的电池计划调整模型，输出本次用于对电池模块进行操作的最终充电计划或最终放电计划，所述电池计划调整模型是基于神经网络构建并根据电池基本特性数据训练得到的；

基于所述最终充电计划或所述最终放电计划调整所述储能电池的控制系统的工作状态以完成对所述电池模块的充电作业或放电作业。

2.如权利要求1所述的基于深度学习模型的储能电池均衡充放电方法，其特征在于：

所述待调整充电计划至少包括以下一项：待调整供电方地址，待调整需电电池模块地址，待调整输入电量；和/或

所述待调整放电计划至少包括以下一项：待调整需电方地址，待调整供电电池模块地址，待调整输出电量；和/或

所述最终充电计划至少包括以下一项：最终供电方地址，最终需电电池模块地址，最终输入电量；和/或

所述最终放电计划至少包括以下一项：最终需电方地址，最终供电电池模块地址，最终输出电量。

3.如权利要求1所述的基于深度学习模型的储能电池均衡充放电方法，其特征在于：

所述供电方的特性数据至少包括以下一项：供电方提供电能的时间、供电方提供电能的时长、供电方提供电能的类型、供电方提供电能的价格；和/或

所述需电方的特性数据至少包括以下一项：需电方需要电能的时间、需电方需要电能的时长、需电方需要电能的类型、需电方需要电能的价格。

4.如权利要求1所述的基于深度学习模型的储能电池均衡充放电方法，其特征在于：

所述电池基本特性数据至少包括以下一项：电池规格参数、电池充电特性曲线、电池放电特性曲线。

5.如权利要求1所述的基于深度学习模型的储能电池均衡充放电方法，其特征在于，还包括：

基于3D卷积残差网络构建待训练电池均衡神经网络模型；

获取所述电池模块的历史数据集，所述历史数据集至少包括所述电池模块的历史基础数据集及所述电池模块的历史实时数据集；

根据所述历史数据集制作电池均衡神经网络模型训练数据集；

根据所述电池均衡神经网络模型训练数据集训练所述的待训练电池均衡神经网络模型，得到电池均衡神经网络模型。

6.如权利要求1所述的基于深度学习模型的储能电池均衡充放电方法，其特征在于，还包括：

基于神经网络构建待训练电池计划调整模型；

获取所述电池模块中电池单体的电池基本特性数据；

根据所述电池基本特性数据制作电池计划调整模型训练数据集；

根据所述电池计划调整模型训练数据集训练所述的待训练电池计划调整模型，得到电池计划调整模型。

7.如权利要求1所述的基于深度学习模型的储能电池均衡充放电方法，其特征在于，还包括：

根据所述储能电池的边缘侧计算力，采用模型压缩方法对所述的电池均衡神经网络模型和/或所述的电池计划调整模型进行压缩，所述模型压缩方法至少包括以下一项：量化与定点化、模型剪枝、模型蒸馏。

8.如权利要求1所述的基于深度学习模型的储能电池均衡充放电方法，其特征在于，还包括：

持续获取所述电池模块的实时数据；

基于持续获取的所述实时数据构建电池运行数据集；

采用大数据分析方法对所述电池运行数据集进行分析得到电池运行分析结果，

基于所述电池运行分析结果对所述的电池均衡神经网络模型和/或所述的电池计划调整模型进行调整优化。

9.一种基于深度学习模型的储能电池均衡充放电设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取所述储能电池中电池模块的基础数据及实时数据，所述基础数据至少包括以下一项：最低电量下限、充满电量上限、最高充放电次数，所述实时数据至少包括以下一项：实时电流、实时电压、实时电量、已充放电次数；

根据预先建立的充电策略或放电策略，将所述基础数据与所述实时数据输入预先建立的电池均衡神经网络模型，输出本次用于对所述电池模块进行操作的待调整充电计划或待调整放电计划，所述充电策略是基于供电方的特性数据构建得到的，所述放电策略是基于需电方的特性数据构建得到的，所述电池均衡神经网络模型是基于3D卷积残差网络构建并根据电池模块历史运行数据训练得到的；

将所述待调整充电计划或所述待调整放电计划输入预先建立的电池计划调整模型，输出本次用于对电池模块进行操作的最终充电计划或最终放电计划，所述电池计划调整模型是基于神经网络构建并根据电池基本特性数据训练得到的；

基于所述最终充电计划或所述最终放电计划调整所述储能电池的控制系统的工作状态以完成对所述电池模块的充电作业或放电作业。

10.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令被计算机执行时能够实现：

获取储能电池中电池模块的基础数据及实时数据，所述基础数据至少包括以下一项：最低电量下限、充满电量上限、最高充放电次数，所述实时数据至少包括以下一项：实时电流、实时电压、实时电量、已充放电次数；

根据预先建立的充电策略或放电策略，将所述基础数据与所述实时数据输入预先建立的电池均衡神经网络模型，输出本次用于对所述电池模块进行操作的待调整充电计划或待调整放电计划，所述充电策略是基于供电方的特性数据构建得到的，所述放电策略是基于需电方的特性数据构建得到的，所述电池均衡神经网络模型是基于3D卷积残差网络构建并根据电池模块历史运行数据训练得到的；

将所述待调整充电计划或所述待调整放电计划输入预先建立的电池计划调整模型，输出本次用于对电池模块进行操作的最终充电计划或最终放电计划，所述电池计划调整模型是基于神经网络构建并根据电池基本特性数据训练得到的；

基于所述最终充电计划或所述最终放电计划调整所述储能电池的控制系统的工作状态以完成对所述电池模块的充电作业或放电作业。

Images