一种电池配置确定方法、装置、电子设备及存储介质与流程

本技术涉及深度学习及数据处理领域，尤其涉及一种电池配置确定方法、装置、电子设备及存储介质。

背景技术：

1、目前，随着锂电池价格的降低，各地电价差的拉大，储能集成技术的发展，在用户侧配置储能电池的需求日益扩大，当前及未来几年，用户侧储能主要的且较为成熟可用于商业化的方法为削峰填谷赚取电费差，如何基于削峰填谷的收益模式配置合适的储能容量成为了当前亟需解决的问题。

2、当前阶段较为流行的一种方法为根据目标客户历史的瞬时有功（指物理学中电路在瞬时吸收的有效功率）数据，分别统计各个电价时间段的平均值或者对各个电价时间段的瞬时功率，并进行聚类，计算出储能电池在各个时间段大致可以以多大的功率放电或者以多大的功率充电，从而推断出储能电池的配置容量。但该方法需要耗费大量的时间进行统计，同时以平均值等统计值进行容量评估，会丢失一部份客户负荷的特性，导致其评估结果较为笼统，预估储能容量下的年收益与实际投运时的年收益会有较大的偏差。

3、第二种方法为提取典型日的负荷数据，使用遗传算法等智能优化算法进行自动容量配置寻优。该方法只适合全年负荷都较为稳定的用户，而实际工厂的负荷可能会受到订单量、节假日、电价等各种因素影响，从而不同的月份甚至不同的日都会有不同的负荷特点。因此提取典型日进行分析，分析的结果只能适应典型日而不能泛化到所有时段，最终导致评估容量时理论的年收益与实际投运后的年收益有较大的偏差。

技术实现思路

1、本技术提供了一种电池配置确定方法、装置、电子设备及存储介质。

2、本技术实施例一方面提供一种电池配置确定方法，所述方法包括：

3、将采集的用户的历史需量数据输入需量预测模型进行识别，得到预测需量数据，所述预测需量数据中包括多个时间点和所述时间点对应的瞬时功率；

4、基于电价数据和充放电策略对所述瞬时功率添加标签，所述电价数据用于对所述瞬时功率添加对应的电价标签，所述充放电策略用于对所述瞬时功率添加对应的充放电标签；

5、基于用户类型将所述预测需量数据中的充电瞬时功率按照容量或需量进行修正，并修改为可充电功率，得到修正需量数据，所述充电瞬时功率对应的充放电标签为充电；

6、获取多个电池配置，并基于所述电池配置的最大功率和最大容量以及所述充放电标签对所述修正需量数据中的多个瞬时功率进行约束，得到所述电池配置对应的目标需量数据，所述电池配置的最大功率和最大容量为基于电池性能参数和所述电池配置所确定；

7、基于所述目标需量数据和所述电价标签确定所述电池配置对应的收益，并基于所述收益确定所述电池配置对应的成本回收年限；

8、通过遗传算法基于所述多个电池配置确定新的电池配置，并重新计算新的电池配置对应的收益和成本回收年限，直到所述成本回收年限最小化，将对应的成本回收年限最小的电池配置确定为目标电池配置。

9、其中，该方法还包括：

10、采集用户的第一历史需量样本数据；

11、对所述第一历史需量样本数据进行特征提取，得到时间特征、用电行为特征和生产类型特征；

12、对历史电价数据进行特征提取，得到电价特征；

13、将所述时间特征、所述用电行为特征、所述生产类型特征和所述电价特征添加到所述第一历史需量样本数据中，得到第二历史需量样本数据；

14、将所述第二历史需量样本数据分割为多个第一预设时长的第三历史需量样本数据；

15、将所述第三历史需量样本数据输入初始需量预测模型进行识别，得到所述第三历史需量样本数据对应的预测需量数据；

16、基于所述第三历史需量样本数据对应的预测需量数据和所述第三历史需量样本数据对应的标签需量数据确定损失值，所述标签需量数据为时段在所述第三历史需量样本数据之后且与之相接的第三历史需量样本数据；

17、基于所述损失值对所述初始需量预测模型的参数进行优化，得到需量预测模型。

18、其中，所述用户类型为容量类型，基于用户类型将所述预测需量数据中的充电瞬时功率按照容量进行修正，并修改为可充电功率，包括：

19、基于用户设备的性能参数和第一预设系数确定所述用户设备的功率阈值；

20、将所述预测需量数据中大于所述功率阈值的充电瞬时功率修正为所述功率阈值；

21、基于所述充电瞬时功率和所述功率阈值确定对应的可充电功率；

22、将所述充电瞬时功率变更为对应的可充电功率。

23、其中，所述用户类型为需量类型，基于用户类型将所述预测需量数据中的充电瞬时功率按照需量进行修正，并修改为可充电功率，包括：

24、将所述预测需量数据分为多个第二预设时长的预测需量子数据；

25、确定所述预测需量子数据中的最大瞬时功率，并基于所述最大瞬时功率和第二预设系数确定初始功率基准值；

26、基于所述初始功率基准值和所述预测需量子数据确定所述预测需量子数据在所述第二预设时长内的功率基准线；

27、基于所述预测需量子数据的功率基准线确定所述预测需量数据的功率基准线；

28、将所述预测需量数据中大于对应的功率基准值的充电瞬时功率修正为所述功率基准值；

29、基于所述充电瞬时功率和所述充电瞬时功率对应的功率基准值确定对应的可充电功率；

30、将所述充电瞬时功率变更为对应的可充电功率。

31、其中，基于所述电池配置的最大功率和所述充放电标签对所述瞬时功率进行约束，包括：

32、基于所述电池配置确定所述电池的最大放电容量、最大放电速率和最大充电速率；

33、基于所述最大放电容量、最大放电速率和放电单向效率确定最大放电功率；

34、基于所述最大放电容量、最大充电速率和充电单向效率确定最大充电功率；

35、将所述修正需量数据中大于所述最大放电功率的放电瞬时功率修正为所述最大放电功率，所述放电瞬时功率对应的充放电标签为放电；

36、将所述修正需量数据中大于所述最大充电功率的充电瞬时功率修正为所述最大充电功率。

37、其中，基于所述电池配置的最大容量和所述充放电标签对所述瞬时功率进行约束，包括：

38、基于所述电池配置确定所述电池的最大容量和最大放电容量；

39、确定所述修正需量数据中每两个相邻的瞬时功率之间的放电量或充电量；

40、将所述最大放电容量作为初始的剩余容量，并按照瞬时功率对应的时间点的顺序对所有瞬时功率进行遍历；

41、将剩余容量减去当前瞬时功率对应的放电量或加上当前瞬时功率对应的充电量，得到当前剩余容量；

42、如果当前瞬时功率对应的充放电标签为放电且当前剩余容量小于最小剩余容量，则将当前剩余容量修改为最小剩余容量，所述最小剩余容量为基于所述最大容量和所述最大放电容量所确定；

43、如果当前瞬时功率对应的充放电标签为充电且当前剩余容量大于最大容量，则将当前剩余容量修改为最大容量；

44、所述遍历完成后，得到每个瞬时功率对应的剩余容量。

45、其中，该方法还包括：

46、基于所述修正需量数据中修正为所述最大放电功率的放电瞬时功率、所述最大放电功率和所述放电瞬时功率修正前的瞬时功率确定所述放电瞬时功率对应的补充放电量；

47、基于所述修正需量数据中修正为所述最大充电功率的充电瞬时功率、所述最大充电功率和所述充电瞬时功率修正前的瞬时功率确定所述充电瞬时功率对应的补充充电量。

48、本技术实施例另一方面提供一种电池配置确定装置，所述装置包括：

49、计算模块，用于将采集的用户的历史需量数据输入需量预测模型进行识别，得到预测需量数据，所述预测需量数据中包括多个时间点和所述时间点对应的瞬时功率；

50、处理模块，用于基于电价数据和充放电策略对所述瞬时功率添加标签，所述电价数据用于对所述瞬时功率添加对应的电价标签，所述充放电策略用于对所述瞬时功率添加对应的充放电标签；

51、所述计算模块，还用于基于用户类型将所述预测需量数据中的充电瞬时功率按照容量或需量进行修正，并修改为可充电功率，得到修正需量数据，所述充电瞬时功率对应的充放电标签为充电；

52、所述计算模块，还用于获取多个电池配置，并基于所述电池配置的最大功率和最大容量以及所述充放电标签对所述修正需量数据中的多个瞬时功率进行约束，得到所述电池配置对应的目标需量数据，所述电池配置的最大功率和最大容量为基于电池性能参数和所述电池配置所确定；

53、所述计算模块，还用于基于所述目标需量数据和所述电价标签确定所述电池配置对应的收益，并基于所述收益确定所述电池配置对应的成本回收年限；

54、所述计算模块，还用于通过遗传算法基于所述多个电池配置确定新的电池配置，并重新计算新的电池配置对应的收益和成本回收年限，直到所述成本回收年限最小化，将对应的成本回收年限最小的电池配置确定为目标电池配置。

55、本技术还一方面提供一种电子设备，包括：

56、处理器、用于存储所述处理器可执行指令的存储器；

57、所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现所述的电池配置确定方法。

58、本技术再一方面提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行所述的电池配置确定方法。

59、应当理解，本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征，也不用于限制本技术的范围。本技术的其它特征将通过以下的说明书而变得容易理解。