基于反事实因果推断与共形风险控制储能决策方法及系统与流程

本发明涉及家庭储能控制，具体是基于反事实因果推断与共形风险控制储能决策方法及系统。

背景技术：

1、随着电力现货市场的高度市场化发展，电价呈现显著的非平稳性与极端波动性，包括负电价和尖峰电价等极端情况，对家庭储能管理系统的决策能力提出了严峻挑战。当前家庭储能预测技术经历了三代演进：第一代基于arima或卡尔曼滤波的统计模型，无法处理电力系统中的非线性波动；第二代基于lstm、gru的深度学习模型，依赖云端算力进行数据处理与模型推理，存在用户用电数据隐私泄露的风险；第三代基于轻量化cnn-堆叠稀疏降噪自编码器（ssdae）的边缘预测技术，实现了模型的端侧部署，但仍局限于被动观测学习，无法从观测数据中提取变量间的因果关系。现有前沿的家庭储能管理方案普遍采用“深度预测+模型预测控制（mpc）”的串行架构，前端使用cnn-ssdae对负荷、电价进行降噪与特征提取，后端使用mpc求解器基于预测值进行优化决策。

2、上述现有方案存在致命的结构性技术缺陷，首先是混杂偏差导致的决策失效，现有深度学习模型仅学习变量间的统计相关性而非因果效应，无法识别由未观测混杂变量引起的虚假相关路径，例如高温天气同时导致光伏出力降低与空调负荷激增所形成的虚假关联，在分布式能源渗透率变化时会出现策略失效；其次是反事实查询能力的缺失，储能套利本质是对系统的干预，现有技术只能回答未来状态的预测问题，无法回答不同干预动作下净收益因果增量的反事实问题，导致系统在从未见过的市场状态下无法评估新策略的风险；最后是预测不确定性下的风险失控，边缘端模型存在认知不确定性与偶然不确定性，传统点预测输出在极端电价跳变时缺乏统计保证，极易导致严重套利亏损或电池过充风险。

3、具体而言，现有“深度预测+mpc”架构采用结构风险最小化而非因果风险最小化，cnn-ssdae的损失函数仅包含重构误差与稀疏惩罚，未对混杂变量进行显式建模，提取的特征仍包含虚假相关路径；同时模型输出的是条件期望而非结构因果模型下的潜在结果，存在反事实不可识别性，无法外推至反事实分布；此外mpc基于点预测进行优化，忽略了预测误差的厚尾特性，在电力现货市场的高杠杆场景下，单次极端预测误差可能导致全周期收益被完全抵消，因此，针对以上现状，迫切需要开发基于反事实因果推断与共形风险控制储能决策方法及系统，以克服当前实际应用中的不足。

技术实现思路

1、本发明的目的在于提供基于反事实因果推断与共形风险控制储能决策方法及系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、基于反事实因果推断与共形风险控制储能决策方法，包括以下步骤：

4、s1：因果发现与混杂消除：获取多源观测数据，通过堆叠稀疏降噪自编码器结合后门调整机制提取去混杂因果特征，并基于所述去混杂因果特征构建变量间的有向无环因果图；

5、s2：反事实预测与因果效应估计：基于所述有向无环因果图，采用多分支一维卷积神经网络并行估计储能系统不同干预动作下的潜在结果，并通过双重机器学习框架计算条件平均处理效应；

6、s3：共形风险校准与决策：基于共形预测理论构建具有统计覆盖率保证的反事实预测区间，采用保守优化策略选择使最坏情况净收益最大化的干预动作；

7、s4：输出并执行最优干预动作对应的充放电指令。

8、作为本发明进一步的方案：步骤s1具体包括：

9、构建包含重构误差项、稀疏惩罚项和混杂互信息最小化项的总损失函数：

10、

11、其中，：重构误差；：目标稀疏度，通常设置为0.05；：第l层的平均激活率，m为训练样本数量；：隐含层特征与未观测混杂变量的互信息；和：分别为稀疏惩罚项和混杂消除项的权重系数；

12、通过梯度反转层近似优化所述混杂互信息最小化项，使隐含层特征满足条件独立w⊥y∣h，阻断虚假相关路径；

13、基于所述去混杂因果特征，通过注意力机制的图神经网络构建有向无环因果图，并引入可微分dag约束确保因果图的无环性，其中，为矩阵迹，为hadamard积，为矩阵指数运算，d为变量维度。

14、作为本发明进一步的方案：步骤s2具体包括：

15、针对充电、放电、闲置三种干预动作分别配置独立的一维卷积分支，并行估计各干预动作下的潜在收益；

16、训练倾向得分模型和结果回归模型，计算残差结果和残差干预；

17、基于所述残差结果和残差干预计算条件平均处理效应，所述条件平均处理效应表示在给定特征下执行目标干预动作相对于基准干预动作的因果收益增量；

18、在损失函数中加入反事实一致性约束：

19、

20、其中，为观测到的实际干预动作，为反事实估计值关于特征x的梯度。

21、作为本发明进一步的方案：步骤s3具体包括：

22、利用历史校准数据计算非一致性分数，所述非一致性分数由事实预测误差和反事实结果方差加权求和得到；

23、计算所述非一致性分数的经验分位数，为每个干预动作构建反事实预测区间，确保真实潜在结果落入所述预测区间的概率不低于1-α，其中α为用户设定的可接受风险水平；

24、选择使最坏情况净收益最大化的干预动作，所述最坏情况净收益为预测区间的下界减去电池健康度衰减成本，所述电池健康度衰减成本基于电池管理系统实时上报的电芯温度、荷电状态和等效全循环次数计算得出。

25、作为本发明进一步的方案：还包括模型轻量化部署步骤：

26、通过知识蒸馏将完整因果模型压缩为轻量级学生模型；

27、对所述轻量级学生模型进行int8量化，使量化后的模型可部署于资源受限的家庭边缘网关；

28、在边缘网关中缓存校准数据和计算好的分位数，降低实时推理的内存占用。

29、基于反事实因果推断与共形风险控制储能决策系统，包括：

30、数据获取模块，用于获取多源观测数据；

31、因果发现与混杂消除模块，用于通过堆叠稀疏降噪自编码器结合后门调整机制提取去混杂因果特征，并基于所述去混杂因果特征构建变量间的有向无环因果图；

32、反事实预测与因果效应估计模块，用于基于所述有向无环因果图，采用多分支一维卷积神经网络并行估计储能系统不同干预动作下的潜在结果，并通过双重机器学习框架计算条件平均处理效应；

33、共形风险校准决策模块，用于基于共形预测理论构建具有统计覆盖率保证的反事实预测区间，采用保守优化策略选择使最坏情况净收益最大化的干预动作；

34、执行输出模块，用于输出并执行最优干预动作对应的充放电指令。

35、作为本发明进一步的方案：所述因果发现与混杂消除模块包括：

36、堆叠稀疏降噪自编码器单元，用于对高维可观测特征进行降噪与降维处理；

37、后门调整单元，用于在所述堆叠稀疏降噪自编码器的损失函数中引入混杂互信息最小化项，并通过梯度反转层剥离未观测混杂变量的影响；

38、因果图学习单元，用于基于去混杂因果特征，通过注意力机制的图神经网络构建有向无环因果图，并引入可微分dag约束确保因果图的无环性。

39、作为本发明进一步的方案：所述反事实预测与因果效应估计模块包括：

40、多分支一维卷积神经网络单元，针对充电、放电和闲置三种干预动作分别配置独立的卷积分支，并行估计各干预动作下的潜在收益；

41、双重机器学习单元，用于训练倾向得分模型和结果回归模型，计算残差结果和残差干预，并基于所述残差结果和残差干预计算条件平均处理效应；

42、反事实一致性约束单元，用于在损失函数中加入反事实一致性约束，保证反事实估计的稳定性与泛化能力。

43、作为本发明进一步的方案：所述共形风险校准决策模块包括：

44、非一致性分数计算单元，用于利用历史校准数据计算由事实预测误差和反事实结果方差加权求和得到的非一致性分数；

45、预测区间构建单元，用于计算所述非一致性分数的经验分位数，为每个干预动作构建具有1-α统计覆盖率保证的反事实预测区间；

46、保守优化单元，用于选择使最坏情况净收益最大化的干预动作，所述最坏情况净收益为预测区间的下界减去电池健康度衰减成本，所述电池健康度衰减成本基于电池管理系统实时上报的物理参量计算得出。

47、作为本发明进一步的方案：还包括云边协同模块和轻量化部署单元：

48、所述云边协同模块用于在云端进行全局因果图学习与模型预训练，并通过ota方式下发压缩后的模型权重至边缘端；

49、所述轻量化部署单元用于通过知识蒸馏和int8量化技术将因果模型压缩至轻量级，使模型可部署于家庭边缘网关并在断网环境下独立执行决策。

50、与现有技术相比，本发明的有益效果是：

51、1、通过ssdae结合后门调整机制，在传统损失函数中引入混杂互信息最小化项，利用梯度反转层显式剥离未观测混杂变量的影响，阻断虚假相关路径，解决了传统深度学习模型仅学习统计相关性而非因果效应的问题，使系统在分布式能源渗透率变化等场景下仍能保持稳定的决策效果；

52、2、构建多分支干预特异性1d-cnn架构，针对充电、放电、闲置不同干预动作分别配置独立的卷积分支，并行估计不同干预下的潜在结果，并引入双重机器学习框架校正观测偏差，准确计算条件平均处理效应，使系统能够回答不同干预动作下净收益因果增量的反事实问题，在从未见过的市场状态下仍能有效评估新策略的风险；

53、3、基于共形预测理论构建具有有限样本覆盖保证的反事实预测区间，确保真实潜在结果落入区间的概率不低于1-α，采用保守优化策略选择使最坏情况净收益最大化的干预动作，避免了极端预测误差导致的严重亏损，同时将电池健康度衰减成本纳入决策优化，实现短期套利收益与长期资产价值的平衡；

54、4、通过知识蒸馏与int8量化技术将因果模型压缩至轻量级，模型大小仅180kb，共形预测模块内存占用约500kb，可部署于资源受限的家庭边缘网关，在断网环境下仍能独立执行因果推理与风险校准决策，避免了用户敏感用电数据上传云端带来的隐私泄露风险；

55、5、利用云端高算力资源进行全局因果图学习与模型预训练，通过ota方式下发压缩后的模型权重至边缘端，边缘端仅执行前向推理，大幅降低了端侧算力消耗，同时满足15分钟级决策的实时性要求；

56、6、在市场极端电价场景下，能够有效识别虚假因果关系，避免极端亏损；端侧部署验证结果显示，本发明的因果决策准确率比传统“深度预测+mpc”架构提升34%，极端电价场景下亏损次数降低87%。