一种基于云边协同与用户行为预测的分布式逆变器编组调度方法、云端服务器和调度系统与流程

本技术涉及逆变器控制，特别是涉及一种基于云边协同与用户行为预测的分布式逆变器编组调度方法、云端服务器和调度系统。

背景技术：

1、随着分布式光伏技术和家用储能系统的普及，逆变器的使用数量也越来越多，海量分散的逆变器开始并网运行。

2、随着并网运行的逆变器的数量不断增大，且不同逆变器对应有不同的区域电网，不同逆变器的用户也对应有不同的用电行为，种种原因都导致了不同逆变器有不同的实际运行工况，这导致了目前在针对海量逆变器的运行模式的调控方面存在着较大的困难。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够为逆变器节点确定出与实际需求之间具有较高适配性的运行模式的基于云边协同与用户行为预测的分布式逆变器编组调度方法、云端服务器、调度系统、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种基于云边协同与用户行为预测的分布式逆变器编组调度方法，应用于云端服务器中，方法包括：

3、获取多个逆变器节点的历史用电数据、地理坐标以及电力供应商；

4、基于多个逆变器节点的历史用电数据，确定各逆变器节点对应的用户画像信息，以及，基于多个逆变器节点的地理坐标以及电力供应商，将多个逆变器节点划分到至少两个调度编组中；

5、基于多个用户画像信息、未来时段的天气预报数据以及各调度编组对应区域电网在未来时段的电价预测数据，确定各逆变器节点在未来时段的负荷用电概率预测区间以及光伏出力概率预测区间；

6、基于各逆变器节点在未来时段的负荷用电概率预测区间、在未来时段的光伏出力概率预测区间以及各调度编组对应区域电网的电网负载信息，确定各逆变器节点的运行模式；运行模式，用于控制对应逆变器节点在未来时段将功率调节至与运行模式对应的基线功率。

7、在一个示例性的实施例中，所述基于各逆变器节点在未来时段的负荷用电概率预测区间、在未来时段的光伏出力概率预测区间以及各调度编组对应区域电网的电网负载信息，确定各逆变器节点的运行模式，包括：

8、基于各逆变器节点在未来时段的负荷用电概率预测区间、在未来时段的光伏出力概率预测区间以及各调度编组对应的电网负载信息，将至少两个调度编组划分为至少一个第一调度编组和/或至少一个第二调度编组；

9、确定各第一调度编组中各逆变器节点的运行模式为平衡电网模式；平衡电网模式，用于控制至少一个第一调度编组中多个逆变器节点在未来时段按照相同的功率调节方向进行功率调节，以将功率调节至与各逆变器节点对应的基线功率，且各逆变器节点的基线功率与储能容量对应；

10、基于各逆变器节点在未来时段的负荷用电概率预测区间、在未来时段的光伏出力概率预测区间以及各第二调度编组对应区域电网在未来时段的电价预测数据，确定各第二调度编组中各逆变器节点的运行模式为自发自用模式或者发电优先模式。

11、在一个示例性的实施例中，所述基于各逆变器节点在未来时段的负荷用电概率预测区间、在未来时段的光伏出力概率预测区间以及各第二调度编组对应区域电网在未来时段的电价预测数据，确定各第二调度编组中各逆变器节点的运行模式为自发自用模式或者发电优先模式，包括：

12、基于各逆变器节点在未来时段的负荷用电概率预测区间、在未来时段的光伏出力概率预测区间，确定各逆变器节点的净负荷不确定区间；净负荷不确定区间的净负荷最小值由负荷用电概率预测区间的最小值与光伏出力概率预测区间的最大值之间的差值确定，净负荷不确定区间的净负荷最大值由负荷用电概率预测区间的最大值与光伏出力概率预测区间的最小值之间的差值确定；

13、基于第二调度编组对应的电价预测数据、各逆变器节点的净负荷最小值以及净负荷最大值，确定各第二调度编组中各逆变器节点的运行模式为自发自用模式或者发电优先模式。

14、在一个示例性的实施例中，所述基于第二调度编组对应的电价预测数据、各逆变器节点的净负荷最小值以及净负荷最大值，确定各第二调度编组中各逆变器节点的运行模式为自发自用模式或者发电优先模式，包括：

15、在第二调度编组对应的电价预测数据表征电网销售电价大于或等于预设销售电价阈值，且对应逆变器节点的净负荷最大值大于0的情况下，则确定对应逆变器节点的运行模式为自发自用模式；在自发自用模式下，各逆变器节点的基线功率与净负荷最大值对应；

16、在第二调度编组对应的电价预测数据表征电网收购电价大于或等于预设收购电价阈值，且对应逆变器节点的净负荷最小值小于0的情况下，则确定对应逆变器节点的运行模式为发电优先模式；在发电优先模式下，各逆变器节点的基线功率与净负荷最小值对应。

17、在一个示例性的实施例中，所述基于各逆变器节点在未来时段的负荷用电概率预测区间、在未来时段的光伏出力概率预测区间，确定各逆变器节点的净负荷不确定区间，包括：

18、基于各逆变器节点的风险偏好系数，对各逆变器节点未来时段的负荷用电概率预测区间进行收缩，得到未来时段收缩后的负荷用电概率预测区间；收缩后的负荷用电概率预测区间的最大值小于收缩前的负荷用电概率预测区间的最大值，收缩后的负荷用电概率预测区间的最小值大于收缩前的负荷用电概率预测区间的最小值；

19、基于各逆变器节点的风险偏好系数，对各逆变器节点未来时段的光伏出力概率预测区间进行收缩，得到未来时段收缩后的光伏出力概率预测区间；收缩后光伏出力概率预测区间的最大值小于收缩前的光伏出力概率预测区间的最大值，收缩后的光伏出力概率预测区间的最小值大于收缩前的光伏出力概率预测区间的最小值；

20、基于未来时段收缩后的负荷用电概率预测区间、未来时段收缩后的光伏出力概率预测区间，确定各逆变器节点的净负荷不确定区间。

21、在一个示例性的实施例中，所述基于多个逆变器节点的历史用电数据，确定各逆变器节点对应的用户画像信息，包括：

22、基于多个逆变器节点的历史用电数据，确定各逆变器节点的日负荷曲线以及多个用电特征；

23、基于各逆变器节点的日负荷曲线、多个用电特征以及各用电特征对应的特征阈值，确定各逆变器节点对应的用户画像信息。

24、在一个示例性的实施例中，所述基于各逆变器节点的日负荷曲线、多个用电特征以及各用电特征对应的特征阈值，确定各逆变器节点对应的用户画像信息，包括：

25、获取各逆变器节点对应的储能容量，以及与各逆变器节点连接的各用电负载的额定功率；

26、基于各逆变器节点对应的储能容量、对应的各用电负载的额定功率、多个用电特征以及各用电特征对应的特征阈值，确定各逆变器节点的用户标签；

27、基于各逆变器节点对应的日负荷曲线以及用户标签，确定各逆变器节点对应的用户画像信息。

28、在一个示例性的实施例中，所述逆变器节点为家庭储能逆变器节点。

29、第二方面，本技术还提供了一种云端服务器，云端服务器用于执行如本技术第一方面任一项所述的方法。

30、第三方面，本技术还提供了一种调度系统，包括如本技术第二方面任一项所述的云端服务器以及多个逆变器节点；

31、逆变器节点，用于在进入未来时段的情况下，从历史模式切换至运行模式，以在未来时段将功率调节至与运行模式对应的基线功率。

32、第四方面，本技术还提供了一种基于云边协同与用户行为预测的分布式逆变器编组调度装置，应用于云端服务器中，装置包括：

33、获取模块，用于获取多个逆变器节点的历史用电数据、地理坐标以及电力供应商；

34、第一确定模块，用于基于多个逆变器节点的历史用电数据，确定各逆变器节点对应的用户画像信息，以及，基于多个逆变器节点的地理坐标以及电力供应商，将多个逆变器节点划分到至少两个调度编组中；

35、第二确定模块，用于基于多个用户画像信息、未来时段的天气预报数据以及各调度编组对应区域电网在未来时段的电价预测数据，确定各逆变器节点在未来时段的负荷用电概率预测区间以及光伏出力概率预测区间；

36、第三确定模块，用于基于各逆变器节点在未来时段的负荷用电概率预测区间、在未来时段的光伏出力概率预测区间以及各调度编组对应区域电网的电网负载信息，确定各逆变器节点的运行模式；运行模式，用于控制对应逆变器节点在未来时段将功率调节至与运行模式对应的基线功率。

37、第五方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本技术实施例第一方面任一方法中所描述的部分或全部步骤。

38、第六方面，本技术还提供了一种计算机可读存储介质。所述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技术实施例第一方面任一方法中所描述的部分或全部步骤。

39、第七方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本技术实施例第一方面任一方法中所描述的部分或全部步骤。

40、上述基于云边协同与用户行为预测的分布式逆变器编组调度方法、云端服务器、调度系统、装置、计算机设备、计算机可读存储介质和计算机程序产品，一方面，云端服务器能够确定各边缘侧逆变器节点的运行模式，避免多个逆变器节点处于“孤岛”运行状态，通过云边协同架构能够基于调度编组对应区域电网的电网负载信息进行集群协同响应；另一方面，既能够对各逆变器节点对应的用户画像信息进行考虑，又能够对逆变器节点所在区域电网的电网负载信息进行考虑，因此，实现了对用户用电行为和区域电网负载平衡的综合考虑，能够准确地为逆变器节点确定出与实际需求之间具有较高适配性的运行模式，基于此，本实施例基于云边系统架构以及用户行为预测实现了对分布式逆变器编组的准确与快速调度。