CN119027087A - 基于智能云端的储能管理方法、装置及存储介质 - Google Patents

Abstract

本申请属于储能系统技术领域，尤其涉及一种基于智能云端的储能管理方法、装置及存储介质。通过采集储能系统的运行数据；将所述运行数据上传至云端服务器；利用智能运维模型调用知识库对所述运行数据进行能源优化分析，得到能源优化建议；将所述能源优化建议输出，实现了储能系统的智能化管理，提高了储能系统的能源转化效率。

Description

基于智能云端的储能管理方法、装置及存储介质

技术领域

本申请属于储能系统技术领域，尤其涉及一种基于智能云端的储能管理方法、装置及存储介质。

背景技术

随着全球能源需求的不断增长与环境保护的日益重视，可再生能源特别是太阳能的利用已成为全球能源战略的重要组成部分。现有储能系统主要依赖于基本的电池存储技术，这些系统通常缺乏有效的能源管理和优化手段，其能源利用率较低。

因此，提高能源的使用效率和管理智能化程度成为了迫切需要解决的问题。

发明内容

有鉴于此，本申请实施例提供了一种基于智能云端的储能管理方法、装置及存储介质，以解决传统储能系统不能实现智能化管理，且能源转化效率低下的技术问题。

本申请实施例的第一方面提供一种基于智能云端的储能管理方法，包括：

采集储能系统的运行数据；

将所述运行数据上传至云端服务器；

利用智能运维模型调用知识库对所述运行数据进行能源优化分析，得到能源优化建议；

将所述能源优化建议输出；

其中，所述知识库为基于所述储能系统的历史运行数据和环境相关数据中的至少一种预先构建的数据库。

本申请实施例的第二方面提供一种基于智能云端的储能管理装置，包括：

采集单元，用于采集储能系统的运行数据；

通信单元，用于将所述运行数据上传至云端服务器；

分析单元，用于利用智能运维模型调用知识库对所述运行数据进行能源优化分析，得到能源优化建议；

输出单元，用于将所述能源优化建议输出；

其中，所述知识库为基于所述储能系统的历史运行数据和环境相关数据中的至少一种预先构建的数据库。

本申请实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如本申请实施例的第一方面提供的基于智能云端的储能管理方法的步骤。

本申请实施例的第一方面提供的基于智能云端的储能管理方法，通过采集储能系统的运行数据；将所述运行数据上传至云端服务器；利用智能运维模型调用知识库对所述运行数据进行能源优化分析，得到能源优化建议；将所述能源优化建议输出，实现了储能系统的智能化管理，提高了储能系统的能源转化效率。

可以理解的是，上述第二方面至第三方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，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是本申请一实施例提供的基于智能云端的储能管理方法的一种流程示意图；

图2是本申请又一实施例提供的基于智能云端的储能管理方法的一种流程示意图；

图3是本申请又一实施例提供的基于智能云端的储能管理方法的一种流程示意图；

图4是本申请又一实施例提供的基于智能云端的储能管理方法的一种流程示意图；

图5是本申请又一实施例提供的基于智能云端的储能管理方法的一种流程示意图；

图6是本申请又一实施例提供的基于智能云端的储能管理方法的一种流程示意图；

图7是本申请一实施例提供的基于智能云端的储能管理装置的一种结构示意图；

图8是本申请又一实施例提供的基于智能云端的储能管理装置的一种结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本申请实施例提供的基于智能云端的储能管理方法，通过采集储能系统的运行数据，并将所述运行数据上传至云端服务器；利用智能运维模型调用知识库对所述运行数据进行能源优化分析，得到能源优化建议；将所述能源优化建议输出，实现了储能系统的智能化管理，提高了储能系统的能源转化效率。

在应用中，基于智能云端的储能管理方法可广泛应用于家用和商用储能系统产品，包括但不限于户用光储一体化系统、商用微电网储能系统、移动储能电源车以及离网供电系统等。基于智能云端的储能管理装置集成了光伏发电、储能电池、混合逆变器和智能能源管理等功能。基于智能云端的储能管理装置可以是具有能量存储、转换、管理、与用户端交互中至少一种功能的计算设备，例如，平板电脑、笔记本电脑、个人计算机(PersonalComputer，PC)、上网本、服务器等，本申请实施例对基于智能云端的储能管理装置的具体类型不作任何限制。

在应用中，智能运维模型集成有大型语言模型和能源优化模型，还可集成故障诊断模型和故障预测模型中的至少一种。其中，大型语言模型(Large Language Models，LLMs)是在自然语言处理领域，通过深度学习技术，尤其是transformer架构等先进神经网络架构预训练得到的、参数规模庞大的模型。它的核心能力在于理解和生成人类语言，能够应用于文本生成、翻译、问答、对话系统、文档摘要等多个自然语言处理任务。能源优化模型是通过对能源系统进行全面分析，寻找最经济、高效、环保的能源配置、调度和使用方案的模型。故障诊断模型是利用数据分析、信号处理、机器学习或深度学习技术来识别、定位和解释系统或设备中故障的算法模型。故障预测模型是利用数据分析、统计方法、机器学习或深度学习技术来预测设备或系统未来可能出现故障的模型。

如图1所示，本实施例的一种基于智能云端的储能管理方法，包括如下步骤S101至步骤S103：

步骤S101，采集储能系统的运行数据。

在应用中，储能系统至少包括电池模块和混合逆变器。电池模块能够存储从可再生能源产生的电能，并在需要时释放这些能量，以便供给系统或家庭使用，并将电池实时数据上送给混合逆变器。电池模块通常由多个电池串联或并联组成，以提供所需的电压和电流。电池可以是锂离子电池、铅酸电池、镍氢电池等。混合逆变器用于将电池存储的直流电转换为交流电，供家庭或商业设施使用。同时，它也支持将交流电转换为直流电，存储于电池中，并对运行数据进行采样。它通常包含多个输入接口、DC-DC转换器、逆变器电路、控制器、保护电路、用户界面、通讯接口和并网/离网切换功能。电池模块和混合逆变器的形式除上述形式，还可采用其余形式，本实施例不作限定。

在应用中，储能系统的运行数据可以通过电池、逆变器分别与数据采集器连接的方式获取，也可通过电池、逆变器、数据采集器依次连接的方式获取，具体获取储能系统的运行数据的手段不作限定。储能系统的运行数据主要包括逆变器数据和电池数据。其中，逆变器数据和包括自身的序列号、型号、状态、电压电流功率等运行参数中的至少一种，电池数据包括电池的电压、电流、SOC、温度等状态参数和容量、充放电倍率等固有参数中的至少一种。

在应用中，云端服务器收到储能系统的运行数据后，按照设定数据格式进行解析，数据存储到时序数据库中，如InfluxDB，便于后续的趋势分析，重要参数设置实时监测，超出阈值及时告警，如电池电压、温度等。最后用户可以通过网络连接到云端服务器，查看电池和逆变器的状态信息。

步骤S102，将所述运行数据上传至云端服务器。

在应用中，在获取到运行数据后，可以通过wifi、移动数据网络、有线网络连接、蓝牙、近场通信、离线存储等方式中的任一种或多种的结合，将运行数据上传至云端服务器。

步骤S103，利用智能运维模型调用知识库对所述运行数据进行能源优化分析，得到能源优化建议。

在应用中，知识库为开发人员基于储能系统的历史运行数据和环境相关数据中的至少一种预先构建的数据库。其中，历史运行数据和环境相关数据可以包括能源消耗、设备状态、维护记录、案例分析、故障诊断信息、维护策略中的至少一种，还包括规则库以及算法库。知识库用于存储能源优化、设备维护的策略和规则，以及各种数据处理和分析算法，从而支智能运维模型的运算需要。智能运维模型用于基于知识库处理从云端服务器获取的储能系统的运行数据，运用先进的机器学习和自然语言处理技术，为系统提供能源优化建议。智能运维模型除提供能源优化建议，还可提供故障诊断、故障预测建议，以及根据用户反馈的故障处理结果进行自适应优化。

在应用中，智能运维模型可首先对从云端服务器获取的数据进行预处理，预处理可以是数据格式统一、清洗、去除噪声、填补缺失值中的任意一种或多种，预处理后的数据再利用机器学习和自然语言处理技术进行分析。

步骤S104，将所述能源优化建议输出；

在应用中，能源优化建议可以直接输出至用户终端，还可输出至云端服务器，用以通过云端服务器输出至用户终端。用户可依据能源优化建议自行进行设备运行状态的优化调整。对于不需要用户操作的能源优化建议，在用户授权的前提下，还可被翻译成一系列设备级的控制指令，下发给逆变器、电池管理系统等执行单元。设备收到指令后，会相应调整自身的运行工况，如改变充放电功率、切换工作模式等，从而完成整个系统调配，实现优化能量释放。

在应用中，智能运维模型可以通过分析用户的历史用电数据，结合天气、节假日、经济景气指数等影响因素，利用时间序列预测算法如Prophet、DeepAR等生成未来一段时间的用电负荷曲线。由于光伏、风电等新能源的出力会受到天气条件的显著影响。智能运维模型还可通过分析当地气象预报(如辐照度、风速等)和设备特性参数，利用机器学习回归算法如XGBoost、LightGBM等生成新能源发电功率的预测值。智能运维模型还可实时获取电力批发市场的价格行情、阶梯电价和分时电价政策、需求响应和辅助服务市场的报价信息等，作为电网交互策略制定的参考依据。智能运维模型在进行分析时，还可将电池的荷电状态(SoC)、健康状态(SoH)、循环寿命等参数，逆变器和传输线路的实时负载率考虑在内。基于以上数据基础，智能运维模型可以对未来一段时间内的能源供需形势进行整体评估，与传统的优化算法相比，智能运维模型可以考虑更多现实世界的约束条件，捕捉数据中蕴含的复杂非线性模式，从而得出更加精准、长远、全局最优的决策方案。

在一个实施例中，如图2所示，步骤S102，包括如下步骤S201至S203和/或步骤S204-S206：

步骤S201，从所述知识库中获取峰、谷电价数据。

在应用中，开元人员可从当地电力公司的官方公告、官方网站、微信公众号、客服信息、电费账单等来源，获取峰、谷电价数据，并存储于知识库中。

步骤S202，利用所述智能运维模型对所述峰、谷电价数据进行分析，得到电价高峰时段和电价低谷时段。

在应用中，智能运维模型对峰、谷电价数据进行分析，可以得到电价高峰时段和电价低谷时段，时段的区间可以灵活设定为12小时内的任意时长，如半小时，1小时，3小时等。

步骤S203，生成能源优化建议，包括在所述电价高峰时段放电，在所述电价低谷时段充电。

在应用中，当智能运维模型获取到电价高峰时段和电价低谷时段后，可以生成能源优化建议，用于在电价高峰时段放电，电价低谷时段充电，从而节约用电成本，实现更高的经济效益。

步骤S204，从所述知识库中获取历史用电高峰数据。

在应用中，开元人员可通过供电公司、智能电表、第三方能源管理服务、公开数据、研究资料等渠道获取历史用电高峰数据，并存储于知识库中。历史用电高峰数据主要指电力系统负载峰值时刻及其相关数据，包括但不限于时间、负载量、天气条件、节假日等因素。

步骤S205，利用所述智能运维模型基于所述历史用电高峰数据对未来用电高峰时段进行预测。

在应用中，智能运维模型对历史用电高峰数据进行数据预处理与转换，包括但不限于结构化数据适配、时间序列特征融合。再进行特定的下游任务训练，识别与用电高峰相关的因素和规律，从而得到工作日与周末、季节变换、特殊事件(如世界杯决赛)等不同情境下的用电行为差异，进而预测未来的用电需求高峰。

步骤S206，生成能源优化建议，包括在所述未来用电高峰时段之前调整资源配比，降低所述未来用电高峰时段期间对地面电网的依赖。

在应用中，智能运维模型预测到未来的用电需求高峰时，可生成能源优化建议，提前应对用电需求高峰，以保障储能系统的供电可靠性。如提前调整资源配比，降低地面电网的依赖，必要时参与需求响应，削峰填谷；还可以优化光伏、风电、储能、备用电源等多元能源的组合，满足负荷需求的同时追求收益最大化和排放最小；还可以激励用户在非高峰时段使用高能耗电器，如洗衣机、烘干机等，移峰填谷。

在一个实施例中，如图3所示，步骤S101之后，还包括如下步骤S111至步骤S113：

步骤S111，对所述运行数据进行特征提取，得到特征数据。

在应用中，特征提取用于从运行数据中提炼出关键指标或特征向量，这些特征代表着设备运行状态的量化摘要，便于后续分析。

步骤S112，利用所述智能运维模型将所述特征数据与从所述知识库中获取的故障模式进行比对分析，以进行故障诊断。

在应用中，将特征数据与已有的知识库进行匹配和推理。通过识别数据中蕴含的关键特征和故障模式，智能运维模型可以快速判断设备的运行状态是否异常，并根据相似案例给出初步的故障原因分析。其中，所述故障模式通过对历史运行数据进行训练，学习不同故障类型与特征之间的关联得到。例如，如果逆变器的输出电压波动幅度超过正常范围，且与某些历史故障案例的特征相似，智能运维模型就会推断这可能是由电容老化或IGBT损坏引起的。

步骤S113，将所述故障诊断的结果输出。

在应用中，智能运维模型以易于理解和操作的形式将故障诊断的结果反馈给用户。包括故障类型、故障严重程度、建议的维修措施或是预防未来故障的策略中的任意一种或多种。输出形式多样，可以是故障报告、图表、警报通知或直接在用户界面的显示。

本实施例通过对储能系统的故障诊断，能减少系统停机时间，延长设备寿命，提高系统的可靠性和安全性。

在一个实施例中，如图4所示，步骤S103之后，还包括如下步骤S301至步骤S304：

步骤S301，接收用户反馈的故障处理结果。

在应用中，用户在接收到反馈的故障诊断的结果后，可参考故障诊断的结果对设备进行故障修复，并可在故障修复结束后，反馈故障处理结果，用于供智能运维模型进行自适应学习。

步骤S302，利用所述故障处理结果对所述故障诊断的结果的准确性进行分析。

在应用中，在接收到用户反馈的故障处理结果后，根据故障处理结果中的实际故障数据，对故障诊断的结果的准确性进行分析，用以判断故障诊断是否准确。

步骤S303，基于分析结果对所述智能运维模型进行自适应学习。

在应用中，当故障诊断准确时，可对智能运维模型进行强化学习或增权学习，当故障诊断不准确时，可对模型进行调整，比如增加或调整模型参数、引入新的特征、修改或添加规则等。在应用中，还可结合专家反馈的信息对模型进行调整，以提高模型的可靠性。

本实施例利用真实的故障处理结果对故障诊断的准确性进行分析，并进行自适应学习，能提高智能运维模型在进行故障诊断时的可靠性。

在一个实施例中，为了平衡新样本学习和历史知识保留，还会定期对知识库进行剪枝和压缩，剔除冗余或低置信度信息。

步骤S304，当所述故障处理结果反映的真实故障与所述故障诊断的结果不符时，将所述真实故障，以及与所述真实故障关联的运行数据更新至所述知识库。

在应用中，出现智能运维模型未能准确诊断的故障时，可将该故障作为新型故障，将该故障相关数据扩充至知识库，还可将该故障相关的专家意见共同扩充至知识库。

在一个实施例中，对用户的操作习惯和使用习惯中的至少一种进行记录；并根据记录的所述操作习惯和使用习惯中的至少一种进行储能系统中对应设备的控制。

在应用中，用户的使用习惯或操作习惯，还可被存储记忆，从而根据用户的使用/操作习惯进行智能化控制，如，对于具有冷、暖、中性光等多种色调的照明设备，可对用户使用最频繁或上一次使用的灯光色调进行记忆，并在下次开启照明设备时，以记忆的灯光色调进行照明，从而无需用户手动切换开关调节照明设备的色调至偏好色调，提高了用户的使用体验。此外，对于其余设备，同样可对用户的偏好进行记忆存储，从而可在用户开启设备时，按照用户的偏好进行输出。

在一个实施例中，如图5所示，步骤S101之后，还包括如下步骤S121至步骤S123：

步骤S121，对所述运行数据进行特征提取，得到特征数据。

步骤S122，将所述特征数据输入至智能运维模型，利用所述智能运维模型进行故障概率分布计算。

步骤S123，将所述故障概率分布计算结果输出；

其中，所述智能运维模型通过利用巡检日志、维修记录、故障报告、电网事故通报，产品数据手册中的至少一种进行训练得到。

在应用中，故障概率分布计算是故障预测的一种手段，除故障概率分布计算，还可采用其它手段进行故障预测。本实施例中的故障预测基于知识库中海量的历史运行数据和故障案例实现。这些数据来源于多个渠道，包括储能系统的运行数据，以及知识库内不断更新维护的巡检日志、维修记录、故障报告等非结构化文本数据，还可以是网络上公开的电网事故通报，产品数据手册等外部数据源，以上数据共同构成知识库中用于进行故障预测的数据集。

通过对这些异构数据进行清洗、对齐、标注等预处理步骤后，导入到智能运维模型，利用机器学习算法，对数据进行深度挖掘和特征工程，这些初步的特征向量和风险评分会被输入到故障预测模型中，生成故障发生的概率分布。

智能运维模型的故障预测模型可以采用支持向量机(SVM)、随机森林(RF)、长短时记忆网络(LSTM)模型中的任意一种或多种。针对特定设备和故障模式，还可以加入专家知识和物理约束，构建更加精细的模型。系统会定期利用新采集的数据对模型进行重训练，持续优化预测效果。模型集成(model ensemble)策略有助于提高预测准确性和健壮性。

故障预测模型训练完成后，就可以部署上线，开始对实时数据流进行监控。一旦发现某些指标超出预设阈值，或者故障发生概率显著上升，系统就会自动发出预警，提示运维人员提前介入。预警信息会以邮件、短信、语音电话等多种方式通知到相关负责人。

在一个实施例中，如图6所示，步骤S103包括如下步骤S311至S313：

步骤S311，对所述能源优化建议进行边缘计算。

在应用中，可以在靠近数据源头的边缘设备(如智能网关、本地服务器或嵌入式系统)上执行计算任务。边缘计算的优势在于能够迅速处理数据，减少数据传输到云端的时间延迟，提高响应速度。

步骤S312，将所述边缘计算得到的数据传输至云端服务器，所述云端服务器用于向终端用户反馈能源优化建议。

在应用中，边缘设备处理完数据后，会将处理结果或关键数据上传至云端服务器。这一动作有助于云端系统获取全局视图，积累数据用于进一步分析、模型训练或长期策略规划。回传的数据可能包括优化建议的细节、执行效果评估指标或是边缘侧发现的异常情况报告。

在应用中，云端服务器接收到边缘计算的反馈后，会进一步处理这些信息，将其转化为用户易懂的形式(如图表、文本建议等)，并通过Web界面、移动应用、电子邮件或其他通信方式通知终端用户。用户可以根据这些建议调整能源使用习惯、优化设备配置或实施节能措施，从而达到节能减排、降低成本的目的。

本实施例中，智能运维模型得到能源优化建议后，通过边缘计算对能源优化建议进行进一步处理和分析，归纳总结出关键信息后回传给云端服务器，从而减少对云端的依赖，提高系统的响应速度和鲁棒性。

本申请实施例还提供一种基于智能云端的储能管理装置，用于执行上述基于智能云端的储能管理方法实施例中的步骤。基于智能云端的储能管理装置可以是基于智能云端的储能管理装置中的虚拟装置(virtual appliance)，由基于智能云端的储能管理装置的处理器运行，也可以是基于智能云端的储能管理装置本身。

如图7所示，本实施例的一种基于智能云端的储能管理装置100，包括：

采集单元101，用于采集储能系统的运行数据；

通信单元102，用于将所述运行数据上传至云端服务器；

分析单元103，用于利用智能运维模型调用知识库对所述运行数据进行能源优化分析，得到能源优化建议；

输出单元104，用于将所述能源优化建议输出；

其中，所述知识库为基于所述储能系统的历史运行数据和环境相关数据中的至少一种预先构建的数据库。

在一个实施例中，采集单元101包括电池模块1011、混合逆变器1012和采集器1013；

所述电池模块1011的输出端与所述混合逆变器1012的输入端连接，所述混合逆变器的输出端与所述采集器1013的输入端连接，所述采集器1013的输出端与所述云端服务器通信连接；

所述电池模块1011用于储能以及向所述混合逆变器1012输出电池电压、电流、电池荷电状态中的至少一种数据；

所述混合逆变器1012用于将自身运行数据以及所述电池模块1011输入的数据输出至所述采集器1013；

所述采集器1013用于将接收的数据传输至通信单元102。

在应用中，电池模块可通过Link in/out端口实现模块间的串联通信和协同工作，电池模块的CAN/RS485/RS232接口与逆变器通信，传输电池数据，通信方式为逆变器作为主设备，电池模块作为从设备的主从式通信，逆变器通过该接口获取电池数据，并发送充放电控制指令给电池模块。逆变器的RS485接口与数据采集器通信，传输逆变器和电池的各项数据，通信协议采用Modbus RTU协议，逆变器作为从站，数据采集器作为主站，数据采集器通过读取逆变器Modbus寄存器地址分配映射信息来采集数据，主要采集的数据包括逆变器数据和电池数据。数采器通过内置WiFi模块将采集到的数据上传到云端服务器，数据先暂存在数据采集器的内存中，每隔一段时间打包上传一次，如果通信异常，数据会缓存在数据采集器的Flash中，待恢复后补传。混合逆变器1012除了使用全桥逆变电路，还可以采用半桥、推挽等其他拓扑结构来实现DC-AC变换。

在一个实施例中，分析单元103还用于：

从所述知识库中获取峰、谷电价数据；

对所述峰、谷电价数据进行分析，得到电价高峰时段和电价低谷时段；

生成能源优化建议，包括在所述电价高峰时段放电，在所述电价低谷时段充电；

和/或

从所述知识库中获取历史用电高峰数据；

利用所述智能运维模型基于所述历史用电高峰数据对未来用电高峰时段进行预测；

生成能源优化建议，包括在所述未来用电高峰时段之前调整资源配比，降低所述未来用电高峰时段期间对地面电网的依赖。

在一个实施例中，分析单元103还用于：

对所述运行数据进行特征提取，得到特征数据；

利用所述智能运维模型将所述特征数据与从所述知识库中获取的故障模式进行比对分析，以进行故障诊断；

将所述故障诊断的结果输出；

其中，所述故障模式通过对历史运行数据进行训练，学习不同故障类型与特征之间的关联得到。

在一个实施例中，分析单元103还用于：

接收用户反馈的故障处理结果；

利用所述故障处理结果对所述故障诊断的结果的准确性进行分析；

基于分析结果对所述智能运维模型进行自适应学习；

当所述故障处理结果反映的真实故障与所述故障诊断的结果不符时，将所述真实故障，以及与所述真实故障关联的运行数据更新至所述知识库。

在一个实施例中，分析单元103还用于：

对所述运行数据进行特征提取，得到特征数据；

将所述特征数据输入至智能运维模型，利用所述智能运维模型进行故障概率分布计算；

将所述故障概率分布计算结果输出；

其中，所述智能运维模型通过利用巡检日志、维修记录、故障报告、电网事故通报，产品数据手册中的至少一种进行训练得到。

在一个实施例中，还包括边缘计算单元106，用于对输出单元104输出的所述能源优化建议进行边缘计算，以及将所述边缘计算得到的数据回传至云端服务器400。云端服务器400接收到上述数据后，可输出至用户终端300。

在一个实施例中，所述用户终端300还用于接收云端服务器400输出的数据，以及向分析单元103和知识库单元105反馈故障处理结果。

在一个实施例中，还包括知识库单元105，用于存储历史数据，并为分析单元提供支持。

在一个实施例中，如图8所示，基于智能云端的储能管理装置100，包括采集单元101、通信单元102、分析单元103、输出单元104、知识库单元105和边缘计算单元106。

在应用中，通信单元102同于接收采集单元101传输的数据，并将接收的数据上传到云端服务器400。云端服务器400用于接收通信单元102上传的来自混合逆变器的数据，以及其他系统模块的信息，进行深度分析和处理，最终形成智能决策和控制指令。他包括数据存储单元，负责存储收集的各类数据，包括实时数据和历史数据，为数据分析提供支持。云端服务器400提供数据给分析单元103进行深度学习和智能分析，分析单元103根据学习结果反馈优化策略和操作建议给云端服务器，同时作为边缘计算的输出接口，优化服务器的运行效率，最终将处理完毕的决策和建议通过输出单元104反馈给终端用户。

在应用中，知识库单元105存储系统历史运行数据，包括能源消耗、设备状态、维护记录等，还包含策略和规则库以及算法库，用于存储能源优化、设备维护的策略和规则，以及各种数据处理和分析算法，从而支持分析单元的运算需要。知识库单元105直接为分析单元提供支持，分析单元在进行故障诊断、维护建议和能源优化决策时，会利用知识库单元中的数据和信息。同时将系统优化算法处理后的分析结果保存在知识库单元中用于后续使用。

在应用中，边缘计算单元106可以是靠近数据源头的智能网关、本地服务器或嵌入式系统中的任意一种，用于实时数据处理、局部决策执行、数据预处理和过滤，对收集的数据进行预处理和过滤，只将必要和重要的数据发送至云端服务器，优化数据传输和存储。

在应用中，用户终端300可以是智能音箱、车载系统、可穿戴设备等，通过语音交互、AR显示等提供沉浸式能源管理体验。

在应用中，基于智能云端的储能管理装置中的各模块可以为软件程序模块，也可以通过处理器中集成的不同逻辑电路实现，还可以通过多个分布式处理器实现。

在应用中，基于智能云端的储能管理装置100可包括，但不仅限于采集单元101、通信单元102、分析单元103、输出单元104、知识库单元105和边缘计算单元106、处理器、存储器。本领域技术人员可以理解，图8仅仅是基于智能云端的储能管理装置100的举例，并不构成对基于智能云端的储能管理装置100的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

在应用中，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

在应用中，存储器在一些实施例中可以是基于智能云端的储能管理装置的内部存储单元，例如基于智能云端的储能管理装置的硬盘或内存。存储器在另一些实施例中也可以是基于智能云端的储能管理装置的外部存储设备，例如，基于智能云端的储能管理装置上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器还可以既包括基于智能云端的储能管理装置的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等，例如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述各个方法实施例中的步骤。

本申请实施例还提供了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程序，计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在基于智能云端的储能管理装置上运行时，使得基于智能云端的储能管理装置执行时实现可实现上述各个方法实施例中的步骤。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够将计算机程序代码携带到装置的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于智能云端的储能管理方法，其特征在于，包括：

采集储能系统的运行数据；

将所述运行数据上传至云端服务器；

利用智能运维模型调用知识库对所述运行数据进行能源优化分析，得到能源优化建议；

将所述能源优化建议输出；

其中，所述知识库为基于所述储能系统的历史运行数据和环境相关数据中的至少一种预先构建的数据库。

2.如权利要求1所述的基于智能云端的储能管理方法，其特征在于，所述利用智能运维模型调用知识库对所述运行数据进行能源优化分析，得到能源优化建议，包括：

从所述知识库中获取峰、谷电价数据；

利用所述智能运维模型对所述峰、谷电价数据进行分析，得到电价高峰时段和电价低谷时段；

生成能源优化建议，包括在所述电价高峰时段放电，在所述电价低谷时段充电；

和/或

从所述知识库中获取历史用电高峰数据；

利用所述智能运维模型基于所述历史用电高峰数据对未来用电高峰时段进行预测；

生成能源优化建议，包括在所述未来用电高峰时段之前调整资源配比，降低所述未来用电高峰时段期间对地面电网的依赖。

3.如权利要求1所述的基于智能云端的储能管理方法，其特征在于，所述将所述运行数据上传至云端服务器之后，还包括：

对所述运行数据进行特征提取，得到特征数据；

利用所述智能运维模型将所述特征数据与从所述知识库中获取的故障模式进行比对分析，以进行故障诊断；

将所述故障诊断的结果输出；

其中，所述故障模式通过对历史运行数据进行训练，学习不同故障类型与特征之间的关联得到。

4.如权利要求3所述的基于智能云端的储能管理方法，其特征在于，所述将所述能源优化建议输出之后，还包括：

接收用户反馈的故障处理结果；

利用所述故障处理结果对所述故障诊断的结果的准确性进行分析；

基于分析结果对所述智能运维模型进行自适应学习；

当所述故障处理结果反映的真实故障与所述故障诊断的结果不符时，将所述真实故障，以及与所述真实故障关联的运行数据更新至所述知识库。

5.如权利要求1所述的基于智能云端的储能管理方法，其特征在于，所述将所述运行数据上传至云端服务器之后，还包括：

对所述运行数据进行特征提取，得到特征数据；

将所述特征数据输入至智能运维模型，利用所述智能运维模型进行故障概率分布计算；

将所述故障概率分布计算结果输出；

其中，所述智能运维模型通过利用巡检日志、维修记录、故障报告、电网事故通报，产品数据手册中的至少一种进行训练得到。

6.如权利要求1至5中任意一项所述的基于智能云端的储能管理方法，其特征在于，所述将所述能源优化建议输出，包括：

对所述能源优化建议进行边缘计算；

将所述边缘计算得到的数据传输至云端服务器，所述云端服务器用于向终端用户反馈能源优化建议。

7.如权利要求1至5中任意一项所述的基于智能云端的储能管理方法，其特征在于，还包括：

对用户的操作习惯和使用习惯中的至少一种进行记录；

根据记录的所述操作习惯和使用习惯中的至少一种进行储能系统中对应设备的控制。

8.一种基于智能云端的储能管理装置，其特征在于，包括：

采集单元，用于采集储能系统的运行数据；

通信单元，用于将所述运行数据上传至云端服务器；

分析单元，用于利用智能运维模型调用知识库对所述运行数据进行能源优化分析，得到能源优化建议；

输出单元，用于将所述能源优化建议输出；

其中，所述知识库为基于所述储能系统的历史运行数据和环境相关数据中的至少一种预先构建的数据库。

9.如权利要求8所述的基于智能云端的储能管理装置，其特征在于，所述采集单元包括电池模块、混合逆变器和采集器；

所述电池模块的输出端与所述混合逆变器的输入端连接，所述混合逆变器的输出端与所述采集器的输入端连接，所述采集器的输出端与所述云端服务器通信连接；

所述电池模块用于储能以及向所述混合逆变器输出电池电压、电流、电池荷电状态中的至少一种数据；

所述混合逆变器用于将自身运行数据以及所述电池模块输入的数据输出至所述采集器；

所述采集器用于将接收的数据传输至所述通信单元。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于智能云端的储能管理方法的步骤。