基于场景合成与尖峰预测的户用储能预充电控制方法及系统与流程

本发明属于储能系统控制，具体涉及一种基于场景合成与尖峰预测的户用储能预充电控制方法及系统。

背景技术：

1、目前，户用储能作为分布式能源核心单元，主要通过低谷电价充电、高峰电价放电的模式参与电力市场套利，是提升家庭能源经济性与供电可靠性的关键设备。当前户用储能充放电控制高度依赖电价预测与优化决策，但现有技术存在数据、预测、决策、交互四大层面的核心缺陷，严重制约系统套利收益与用户接受度：

2、1.户用储能数据稀缺，极端场景覆盖不足：

3、户用储能安装周期短（通常1-3年），用户侧历史运行数据积累有限，尤其缺乏：

4、本地化极端电价样本：用户所在配电网节点的历史电价数据难以获取，极端尖峰事件（如台风导致线路故障、夏季空调负荷激增）可能数年才发生一次；

5、用户侧负荷-电价联动数据：家庭ev充电、大功率电器启动对本地节点电价的冲击未被记录；

6、跨域关联特征：气象灾害预警、电网检修计划、可再生能源出力波动等外部因素与电价的关联模式。

7、现有数据驱动预测方法依赖大规模历史数据训练，在户储小样本场景下泛化能力差，尤其无法预测未经历过的极端事件。

8、2.确定性点预测存在风险盲区，决策鲁棒性差

9、现有充放电策略均基于lstm单值点预测与确定性优化，预测误差在滚动优化中累积放大，无法量化预测不确定性；实际运行中易出现尖峰错过（预测保守未预充，错失套利）、过度预充（预测激进高价充电，尖峰未现造成损失）的双重问题，且系统无风险敞口评估，无法适配用户个性化风险偏好。

10、3.预充电策略僵化，无主动套利逻辑

11、传统策略仅遵循“电价低于阈值才充电”的被动逻辑，未引入主动预充电机制；无法在预测到未来极端尖峰时，以当前市价甚至高价提前部署电池soc，错失“高价买入、更高价卖出”的核心套利机会，策略灵活性与收益能力严重不足。

12、4.决策黑箱化，用户信任度低

13、现有智能控制系统存在“不解释、不披露、不响应、不学习”的问题：不说明预充电决策原因、不披露预测错误风险、无法适配用户临时用电需求、不记录用户反馈优化策略；导致用户对自动化决策信任度极低，难以接受系统主动控制，进一步加剧策略失效问题。

14、此外，现有基于大语言模型的储能优化方案主要面向大型集中式储能，依托电网级海量历史数据（如aemo多年市场出清数据），通过llm进行数据增强、贝叶斯预测及多场景随机优化。然而，该类方案与分布式户用储能存在本质差异：大型储能为电网级统一市场出清价，数据充足且空间尺度宏观；户储则为配电网节点级本地化价格，受局部负荷波动影响显著，历史数据极度稀缺（通常不足1000条），且需考虑单个用户侧的微观行为、有限系统信息及家庭用户信任与交互需求。因此，现有大型储能方案无法直接迁移至户储场景，亟需针对户储小样本、节点级电价、用户交互特性的专用技术方案。

技术实现思路

1、本发明的目的是克服现有的缺陷，提供一种基于场景合成与尖峰预测的户用储能预充电控制方法及系统，提出了“合成-预测-决策-执行-交互”五层闭环架构，通过数据层采集本地历史电价、用户负荷、气象及电网事件；合成层利用llm在物理约束下生成本地化极端场景；预测层通过贝叶斯lstm结合蒙特卡洛dropout获取电价概率分布；决策层构建预充电成本-收益-风险权衡优化模型求解目标soc；交互层通过llm向用户解释决策并接收反馈。各层闭环协同，实现从被动低价充电到主动风险预充的转变。

2、为了解决上述技术问题，本发明提供了如下的技术方案：

3、本发明的第一目的在于提供一种基于场景合成与尖峰预测的户用储能预充电控制方法，包括以下步骤：

4、（1）获取用户电网区域标识、本地历史电价数据、外部知识源，利用大语言模型生成物理约束下的本地化极端电价场景，对本地历史电价数据进行扩充，得到增强数据集；

5、（2）基于所述增强数据集，利用贝叶斯lstm结合蒙特卡洛dropout推理获取未来时段的电价预测分布及对应的置信区间；

6、（3）基于所述电价预测分布计算各时段尖峰发生概率，结合用户设定的置信水平阈值进行预充电触发判定，构建预充电成本-收益-风险权衡优化模型，通过期望净收益与风险价值量化决策，求解得到预充电目标soc轨迹及当前时段的预充电功率指令；

7、（4）将所述预充电功率指令下发至逆变器执行，并实时监测电网电价，当实时电价与预测偏差超过设定阈值时，触发滚动重优化，以最新数据重新执行步骤（2）~（3）；

8、（5）利用大语言模型将预充电决策转化为自然语言向用户展示，接收用户反馈并在线校正个性化控制参数。

9、进一步，所述利用大语言模型生成物理约束下的本地化极端电价场景，包括：

10、构建包含领域上下文、历史极端案例和物理约束项的结构化prompt；

11、通过大语言模型生成合成样本，对合成样本进行物理一致性验证，并剔除违背电力市场物理规律的反常识样本。

12、进一步，所述利用贝叶斯lstm结合蒙特卡洛dropout推理获取未来时段的电价预测分布及对应的置信区间，具体包括：

13、在贝叶斯lstm推理阶段保持dropout开启，执行次随机前向传播：

14、

15、

16、其中，为第次前向传播的dropout掩码，为dropout概率，为伯努利分布，为第次前向传播的电价预测值；

17、得到预测集合

18、计算近似预测均值和近似预测方差，利用高斯预测分布模型及置信区间计算模型得到未来时段的电价预测分布及对应的置信区间。

19、进一步，所述各时段尖峰发生概率的计算公式表示为：

20、

21、其中，为时刻尖峰发生概率，为标准正态累积分布函数，为用户设定的尖峰电价阈值，为时刻预测均值，为时刻预测标准差。

22、进一步，所述预充电成本-收益-风险权衡优化模型表示为：

23、优化目标函数：

24、

25、其中，为待优化的目标soc轨迹函数，为时刻期望收益，为风险厌恶系数，为风险度量值；

26、期望收益：

27、

28、其中，为尖峰发生概率，为尖峰时段预测电价均值，为当前预充电电价，为非尖峰时段预测电价均值，为计划放电量；

29、风险项：

30、

31、其中，为置信水平下的风险价值，为损失随机变量，为下确界，为风险置信水平；

32、约束条件：

33、

34、

35、

36、

37、其中，为电池最小允许soc，为电池最大允许soc，为电池额定容量，为最大充放电功率，为时段长度，为家庭备用电量保障soc，为预测窗口内预估循环次数，为每日最大允许循环次数。

38、进一步，所述接收用户反馈并在线校正个性化控制参数，具体包括：

39、当接收到用户对预充电决策的质疑或覆盖指令时，根据用户判断与系统判断的正确次数比对结果维护用户个性化置信阈值；

40、根据用户反馈调整风险厌恶系数和尖峰阈值，使系统策略逐步适配用户的个性化风险偏好；

41、将用户质疑的场景记录为潜在误报样本，用于重训练时增强负样本，形成强化学习式的持续进化机制。

42、本发明的另一目的在于提供一种基于场景合成与尖峰预测的户用储能预充电控制系统，包括：

43、llm本地化极端场景合成模块，用于获取用户电网区域标识、本地历史电价数据、外部知识源，利用大语言模型生成物理约束下的本地化极端电价场景，对本地历史电价数据进行扩充，得到增强数据集；

44、贝叶斯概率电价预测模块，用于基于所述增强数据集，利用贝叶斯lstm结合蒙特卡洛dropout推理获取未来时段的电价预测分布及对应的置信区间；

45、尖峰概率评估与预充电决策模块，用于基于所述电价预测分布计算各时段尖峰发生概率，结合用户设定的置信水平阈值进行预充电触发判定，构建预充电成本-收益-风险权衡优化模型，通过期望净收益与风险价值量化决策，求解得到预充电目标soc轨迹及当前时段的预充电功率指令；

46、预充电执行与实时修正模块，用于将所述预充电功率指令下发至逆变器执行，并实时监测电网电价，当实时电价与预测偏差超过设定阈值时，触发滚动重优化；

47、llm驱动的解释与在线校正模块，用于利用大语言模型将预充电决策转化为自然语言向用户展示，接收用户反馈并在线校正个性化控制参数。

48、进一步，所述llm本地化极端场景合成模块包括：

49、特征提取单元，从本地历史电价数据中提取极端样本阈值，对检测到的极端样本，提取其上下文特征向量；

50、prompt构建单元，构建包含领域上下文、历史极端案例和物理约束项的结构化prompt；

51、物理一致性验证单元，通过大语言模型生成合成样本，对合成样本进行物理一致性验证，并剔除违背电力市场物理规律的反常识样本。

52、本发明的另一目的在于提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述计算机程序时实现本发明第一目的提供的基于场景合成与尖峰预测的户用储能预充电控制方法。

53、本发明的另一目的在于提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明第一目的提供的基于场景合成与尖峰预测的户用储能预充电控制方法。

54、结合上述技术方案，本发明与现有技术相比所具备的有益效果为：

55、本发明通过带物理约束的llm本地化极端场景合成，生成符合电力市场规律的极端电价样本，扩充训练数据边界；从根本上替代smote/gan等盲目增强方法，避免物理失真，让预测模型基于真实可信的数据分布训练，大幅提升极端场景预测泛化能力。解决了户储小样本数据困境，保证数据物理一致性。

56、本发明采用贝叶斯lstm结合蒙特卡洛dropout输出电价概率分布与置信区间，将“尖峰是否发生”从单点猜测转化为可计算的概率度量；引入风险价值var与用户自定义风险偏好，优化目标从“收益最大化”升级为“期望收益-风险权衡”，彻底避免尖峰错过与过度预充的双重损失，消除预测风险盲区，实现量化鲁棒决策。

57、本发明采用预充电成本-收益-风险权衡模型，允许系统在期望净收益为正时，主动以市价/高价预充电部署soc；通过尖峰发生/未发生双情景收益计算，精准平衡套利收益与预测失误损失，实现“高价预充、更高价放电”的主动套利模式，突破传统充电逻辑，实现主动套利预充电。

58、本发明通过建立实时电价偏差触发的滚动重优化机制，当实际电价超出预测置信区间时，立即更新预测与预充电计划；形成“预测-执行-检测-修正”闭环，将预测偏差损失控制在单周期内，大幅提升动态电价环境下的策略鲁棒性，动态滚动修正，提升策略自适应能力。

59、本发明在优化模型中嵌入电池循环次数硬约束，限制每日预充电循环次数；避免为短期套利过度充放电损害电池，平衡“尖峰收益”与“电池寿命”，保障户用储能长期投资价值，保护电池寿命，提升全生命周期经济性

60、本发明通过llm将决策转化为自然语言解释，透明披露尖峰概率、预充电成本、预期收益与风险；接收用户反馈并在线校正置信阈值、风险系数等参数，形成“解释-反馈-校正”的持续进化机制，解决决策黑箱问题，人机协同闭环，大幅提升用户接受度，提升用户信任与个性化适配。

61、本发明与现有技术的本质区别在于：

62、数据稀缺程度差异：现有大型储能方案中llm仅作为数据增强辅料，依托海量历史数据；本发明针对户储数据极度稀缺场景（样本量通常<<1000），将llm合成作为数据基础而非增强手段，通过结构化prompt注入物理约束，确保合成样本符合电力市场规律。

63、预测→决策的转化创新：现有技术将预测用于多场景随机优化（功率分配）；本发明将概率预测转化为预充电目标soc规划（状态预部署），引入“高价预充、更高价放电”的主动套利决策逻辑，突破传统“仅低价时段充电”的被动边界。

64、用户交互闭环：现有技术无用户交互；本发明通过llm解释agent实现决策透明化，并接收用户自然语言反馈（质疑、override），在线校正个性化置信阈值、风险厌恶系数及尖峰阈值，形成人机协同进化机制。