本书系统介绍电力储能行业的发展现状与技术分类、深度学习技术基础与应用、储能电池测试和状态评估、深度学习在电网侧和用户侧的应用。旨在探讨深度学习技术在电力储能领域的应用，以及如何通过智能化手段提升储能系统的安全性和效率。 本书可供电力行业的工程师、研究人员、政策制定者，以及对深度学习和储能技术感兴趣的学者和学生阅读参考。

第1章 电力储能行业发展现状
1.1 国内电力储能政策
1.1.1 国家政策
1.1.2 地方性政策
1.2 国际电力储能标准
1.2.1 IEC标准
1.2.2 UL标准
1.2.3 UN标准
1.2.4 EN标准
第2章 电力储能及电网调控技术
2.1 化学储能技术
2.1.1 锂离子电池
2.1.2 钠离子电池
2.1.3 全钒液流电池
2.1.4 铅蓄电池
2.2 机械储能技术
2.2.1 抽水蓄能
2.2.2 压缩空气储能
2.2.3 飞轮储能
2.2.4 超级电容储能
2.3 热能储能技术
2.3.1 显热储能
2.3.2 潜热储能
2.3.3 热化学储能
2.4 储能技术的作用
2.4.1 电力系统中协同应用
2.4.2 灵活资源组合及作用机理
2.4.3 国内外储能应用案例
2.5 电网调峰与频率控制技术
2.5.1 电网调峰技术原理
2.5.2 频率控制技术
2.6 可再生能源技术
2.6.1 可再生能源的定义及分类
2.6.2 并网技术与标准
第3章 深度学习技术与应用
3.1 深度学习发展现状
3.1.1 早期探索
3.1.2 重要里程碑
3.2 深度学习框架与方法
3.2.1 深度学习框架
3.2.2 神经网络基础
3.2.3 前向传播与反向传播
3.2.4 损失函数与优化算法
3.2.5 卷积神经网络
3.2.6 循环神经网络
3.3 深度学习在电力系统中的应用
3.3.1 电力设备及系统故障诊断
3.3.2 电力负荷及新能源功率预测
3.3.3 电力系统频率分析与控制
第4章 发电侧储能电池测试、模型构建及状态评估
4.1 电力储能电池测试
4.1.1 测试平台
4.1.2 测试方法
4.1.3 工作特性分析
4.2 储能电池电、热、耦合及老化模型
4.2.1 电化学特性模型
4.2.2 热模型与热管理
4.2.3 电热耦合模型
4.2.4 老化模型
4.3 储能电池状态评估
4.3.1 荷电状态估计策略
4.3.2 健康状态预测算法
4.3.3 能量状态与峰值功率估算
4.3.4 全寿命周期RUL评估
第5章 深度学习与电网侧储能
5.1 电网侧储能的定义及作用
5.2 电网侧储能的应用场景
5.2.1 关键电网节点储能布局
5.2.2 新能源汇集区储能应用
5.2.3 偏远地区的电网供电保障
5.3 深度学习在电网侧储能中的应用
5.3.1 充放电时机预测
5.3.2 自适应电网需求
5.3.3 实时优化与控制
第6章 深度学习与用户侧储能
6.1 用户侧储能的定义及作用
6.2 用户侧储能应用场景
6.2.1 用户侧配置的储能布局
6.2.2 工商业储能
6.2.3 家庭储能
6.3 深度学习在用户侧储能中的应用
6.3.1 智能预测与优化
6.3.2 智能调度
6.3.3 成本效益分析
6.3.4 需求响应
6.3.5 峰谷电价套利
6.3.6 家庭能源管理系统
6.3.7 故障检测与维护
参考文献