1.一種基于深度學(xué)習(xí)的無監(jiān)督儲能電站電池簇狀態(tài)識別方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的無監(jiān)督儲能電站電池簇狀態(tài)識別方法，其特征在于，步驟1中包括以下內(nèi)容：
3.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)的無監(jiān)督儲能電站電池簇狀態(tài)識別方法，其特征在于，步驟2中包括以下內(nèi)容：
4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)的無監(jiān)督儲能電站電池簇狀態(tài)識別方法，其特征在于，步驟3中提取基礎(chǔ)數(shù)據(jù)集中7-12月份的電池簇電壓、電流、溫度、soc、電池簇容量時間序列，與步驟2中得到的預(yù)測電壓值時間序列、趨勢值時間序列、自回歸電壓值時間序列、周期性時間序列按照時間進(jìn)行合并，形成新的數(shù)據(jù)集，該數(shù)據(jù)集中總共包含9個特征屬性，是特征屬性的時間序列匯總，時間序列長度為(31+31+30+31+30+31)*24*60。
5.根據(jù)權(quán)利要求4所述的一種基于深度學(xué)習(xí)的無監(jiān)督儲能電站電池簇狀態(tài)識別方法，其特征在于，步驟4中將上述得到的數(shù)據(jù)集按列進(jìn)行z-score歸一化處理，把歸一化后的數(shù)據(jù)集輸入二維cnn網(wǎng)絡(luò)中，提取融合了特征之間關(guān)聯(lián)關(guān)系的新特征，之后在決策層融合lstm和mlp的預(yù)測結(jié)果獲取未來1小時的電壓預(yù)測值，將兩個預(yù)測模型的預(yù)測值取平均得到最終的預(yù)測值，最終預(yù)測值的計(jì)算方法如公式(3)所示：
6.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的無監(jiān)督儲能電站電池簇狀態(tài)識別方法，其特征在于，所述z-score歸一化處理，其計(jì)算公式如公式(10)所示：
7.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的無監(jiān)督儲能電站電池簇狀態(tài)識別方法，其特征在于，步驟5中對待檢測電池簇連續(xù)10個點(diǎn)的電壓預(yù)測值和實(shí)際采集值作差，當(dāng)差值大于規(guī)定閾值的電壓點(diǎn)數(shù)超過4時，則認(rèn)為該電池簇狀態(tài)為異常，反之為正常，閾值的大小參考?xì)v史故障數(shù)據(jù)和實(shí)際工況環(huán)境設(shè)置。
8.根據(jù)權(quán)利要求7所述的一種基于深度學(xué)習(xí)的無監(jiān)督儲能電站電池簇狀態(tài)識別方法，其特征在于，步驟6中使用滑動窗口方法對數(shù)據(jù)集進(jìn)行更新，將窗口的大小固定為365*24*60，包含365天的數(shù)據(jù)，滑動步長為當(dāng)前時刻到滑動窗口終點(diǎn)時刻的差值，單位為分鐘；同時規(guī)定若當(dāng)前時刻檢測出電池簇狀態(tài)為異常，則該時刻前30分鐘數(shù)據(jù)點(diǎn)和當(dāng)前時刻到電池簇恢復(fù)正常狀態(tài)這段時間的數(shù)據(jù)都跳過。