技术领域
[0001] 本申请涉及储能行业投资测算领域，具体而言，涉及一种储能柜数量的预测方法、装置、电子设备和介质。
相关背景技术
[0002] 目前市场上已有的投资测算工具主要依赖于传统的金融模型和计算方法，这些工具通常通过设定一系列的参数，如初始投资金额、利率、投资期限等，来对储能行业的投资项目进行测算。
[0003] 市场上专门为储能行业设计的投资测算软件能够处理储能项目中特有的变量，如电价波动、能量管理、储能柜寿命等。然而，这些软件通常只针对特定类型的项目，缺乏灵活性，且用户需要具备较高的行业知识才能有效使用。
[0004] 近年来，随着机器学习技术的发展，部分研究者开始尝试利用机器学习算法对储能项目进行投资测算。这类模型能够通过历史数据和大量的样本进行训练，从而在一定程度上提高测算的准确性。然而，传统的机器学习模型在处理语言和文本数据时存在局限性，难以整合来自行业报告、政策等非结构化数据。
具体实施方式
[0039] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，并不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0040] 本申请实施例提供的一种储能柜数量的预测方法可以应用在图1所示的系统架构中，如图1所示，该系统可以包括：服务器和终端。该服务器可以是物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)，以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理(PDA)、平板电脑(PAD)等用户设备(User Equipment，UE)、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备、移动台(Mobile Station，MS)、移动终端(Mobile Terminal)等。终端与服务器可以通过有线或无线的通信方式进行直接或间接的连接，本申请在此不做限定。
[0041] 终端，用于获取待分析企业在第一时长的多个历史电费单和多个第二时长的负荷数据文件，并将待分析企业在第一时长的多个历史电费单和多个第二时长的负荷数据文件发送至服务器。
[0042] 服务器，用于接收待分析企业在第一时长的多个历史电费单和多个第二时长的负荷数据文件，以执行本申请提供的一种储能柜数量的预测方法。
[0043] 在储能行业投资测算过程中，基于大语言模型(LLM)和深度神经网络的测算机器人相较于传统方法展现出显著的优势。现有技术，如传统的财务模型和专用测算软件，虽然能够提供基础的投资分析支持，但在数据处理能力、灵活性和智能化水平方面存在以下几个明显的不足：
[0044] 首先，现有技术在数据整合能力方面存在局限性。传统的财务模型和专用测算软件主要依赖结构化数据，如财务报表和市场数据，难以有效整合来自行业报告、政策等非结构化数据。由于储能行业涉及的变量众多且复杂，无法充分利用这些非结构化数据将导致测算结果的准确性和全面性受限。
[0045] 其次，现有的测算软件在灵活性方面有所不足，这些软件通常是为特定类型的项目设计的，难以灵活应对市场条件的变化和不同项目的独特需求。投资者在使用这些工具时，往往需要手动调整参数，且调整范围有限，导致在复杂的市场环境下难以获得最优的投资策略。
[0046] 最后，现有技术对用户的专业要求较高，使用传统的财务模型和测算软件，往往需要用户具备一定的财务和行业知识，这对非专业人士来说是一个门槛，限制了工具的普及性。
[0047] 因此，本申请提供一种储能柜数量的预测方法，用以解决了现有技术存在的上述问题，能够对多类型数据进行整合，以提升测算的精准度和效率。
[0048] 以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0049] 图2为本申请实施例提供的一种储能柜数量的预测方法的流程示意图。如图2所示，该方法可以包括：
[0050] 步骤S210、对获取的历史电费单和负荷数据文件中的数据分别进行提取，得到关键数据和负荷数据。
[0051] 具体的，步骤S211、获取待分析企业在第一时长的多个历史电费单和多个第二时长的负荷数据文件；第二时长为第一时长中的子时长。例如：获取A企业在过去一年中多个电费单和过去一年中任一天每小时的负荷数据文件。
[0052] 之后，采用训练好的包括编码器和解码器的Seq2Seq模型，对多个历史电费单和负荷数据文件进行结构化转换，得到转换后的多个历史电费单和多个负荷数据文件。简单来说，由于各省份的电费单的格式都不相同，需要将待分析企业的历史电费单进行格式转换，转换为统一Josn数据格式的电费单，便于后续的数据分析。
[0053] 步骤S212、针对任一的历史电费单，采用训练好的基于注意力机制(Attention Mechanism)的大语言模型，对转换格式后的历史电费单中的数据进行提取，得到关键数据；其中，关键数据包括：电价波动数据、尖峰电价、平谷电价、用电时段和各用电时段的用电量。
[0054] 该方式通过大语言模型与储能行业知识库的结合，在投资测算的全面性、灵活性、准确性和用户体验方面实现了显著的提升。大语言模型不仅采用了双向长短期记忆网络(BiLSTM)还融合了Transformer中的位置编码(Positional Encoding)技术，以处理和解析非结构化的文本数据，如行业报告，这些技术创新在现有技术中难以实现。
[0055] 在一些实施例中，得到关键数据之前，该方法还包括：
[0056] 若存在第一历史周期的历史电费单中的电价波动数据和/或尖峰电价和/或平谷电价存在缺失，则采用预设补充机制，对缺失的电价波动数据和/或尖峰电价和/或平谷电价进行补充，得到关键数据。也就是使用带有门控机制的循环单元(Gated Recurrent Unit,GRU)从历史电费单中提取并矫正电费数据，以保证数据质量。
[0057] 预设补充机制可以理解为：由于一个历史电费单可能并未显示所有的关键数据，例如，缺失了尖峰电价；此时在其他历史电费单中确定是否存在尖峰电价，将其他历史电费单中的尖峰电价补充至缺失的尖峰电价中，以使该历史电费单中的关键数据完整。
[0058] 以及，针对任一第二历史周期的负荷数据文件，对负荷数据文件中的数据进行提取，得到负荷数据；
[0059] 其中，负荷数据表征待分析企业在第二历史周期内消耗的总电能。
[0060] 在一些实施例中，通过基于图卷积网络(Graph Convolutional Network,GCN)的算法判断是否存在负荷数据，也就是判断负荷文件数据中的数据是否为异常值：若存在异常值，则确定为未提取到负荷数据，后续仅对关键数据进行处理。若未存在异常值，则确定为提取到负荷数据，后续对关键数据和负荷数据同时处理。
[0061] 步骤S220、将负荷数据和关键数据存储至配置的基于知识图谱的数据库，以获取各关键数据与相应负荷数据的数据关系。
[0062] 其中，可以使用Neo4j来配置基于知识图谱的数据库。
[0063] 具体的，服务器通过使用分布式深度学习框架(如Horovod)从储能测算数据库中读取各关键数据与相应负荷数据的数据关系。
[0064] 步骤S230、采用训练好的增强型财务模型，对多个历史电费单对应的多个关键数据、多个第二时长的负荷数据文件对应的多个负荷数据和各关键数据与相应负荷数据的数据关系进行处理，得到待分析企业所需储能柜的预测数量。
[0065] 具体的，采用训练好的增强型财务模型，使用时间序列分析方法(如ARIMA、LSTM等)对未来的负荷数据进行预测，得到预测负荷数据。
[0066] 这一步是为了更好地理解未来的用电需求，并据此规划储能柜的规模。
[0067] 同样的，如果电价有明显的峰谷特征，可以使用同样的方法进行电价预测。这有助于优化储能柜的充放电策略。
[0068] 根据需要预测的时间段，生成未来的时间点，并提取相应的特征(如小时、星期几、月份等)。
[0069] 将生成的未来时间序列数据输入到训练好的增强型财务模型中，得到未来的负荷预测值。
[0070] 将预测的未来负荷值进行累加，得到总的负荷需求。
[0071] 为了应对可能的突发情况，通常会在总需求的基础上增加一定的安全裕度。
[0072] 假设每个储能柜的容量为C(单位：千瓦时)，则所需储能柜的数量N可以通过以下公式计算：
[0073] N＝(总负荷需求+安全裕度)/C
[0074] 在一些实施例中，根据多个关键数据、多个负荷数据、所述预测数量的储能柜和奖励机制，确定各储能柜的投资回报预测方案。
[0075] 其中，奖励机制可以理解为参与需求响应(DR)计划的奖励；例如：当待分析企业的邻近企业需要电能，待分析企业将储能柜的电能分配至邻近企业时，得到的相应奖励。
[0076] 具体的，假设每个储能柜的总成本为C，预测所需的储能柜数量为N，则初始投资I0为：
[0077] I0＝C×N
[0078] 假设每天的峰值电价为Ppeak，谷值电价为Pvalley，每日的平均负荷为L，储能柜的日充放电量为E，则每天节省的电费S为：
[0079] S＝(Ppeak‑Pvalley)×E
[0080] 每年节省的电费Syear为：
[0081] Syear＝S×365
[0082] 假设每年的需求响应奖励为R、每年的节能减排奖励为G、每年的运营成本为O；
[0083] 每年的总收益T为：
[0084] T＝Syear+R+G
[0085] 每年的净收益W为：
[0086] W＝T‑O
[0087] 也就是说，根据多个关键数据、多个负荷数据和所述预测数量的储能柜，确定未来年度的回报预测收益(每年的净收益)。
[0088] 之后，还可以通过自然语言生成(NLG)技术，将得到的回报预测收益、所需储能柜的数量和投资回报预测方案，自动生成项目的方案文档。
[0089] 本申请通过集成的自适应贝叶斯优化算法(Adaptive Bayesian Optimization)，可以根据实时数据动态调整测算参数，并自动生成投资方案，减少了人工干预，提高了效率。通过简化的操作界面和智能化的建议，系统大大降低了使用门槛，使得非专业用户也能轻松进行投资测算。
[0090] 本申请提供一种储能柜数量的预测方法，该方法包括：获取待分析企业在第一时长的多个历史电费单和多个第二时长的负荷数据文件；针对任一的历史电费单，对历史电费单中的数据进行提取，得到关键数据；针对任一第二历史周期的负荷数据文件，对负荷数据文件中的数据进行提取，得到负荷数据；负荷数据表征待分析企业在所述第二历史周期内消耗的总电能；采用训练好的增强型财务模型，对多个历史电费单对应的多个关键数据和多个第二时长的负荷数据文件对应的多个负荷数据进行处理，得到待分析企业所需储能柜的预测数量。现有技术主要依赖于静态的、结构化的数据输入和手动分析，难以应对多变的市场环境和复杂的项目需求。本申请中引入的高级自然语言处理技术、神经网络架构和自适应优化算法得到了有效解决，从而显著提升了测算的精准度和效率。通过大语言模型，利用自然语言处理技术能够高效解析并整合各种形式的数据，提高了投资测算的准确性和深度。基于大语言模型的储能投资测算机器人，能够动态分析市场变化，并自动调整测算模型的参数，提供更灵活和精准的投资建议。通过本申请的提供的方案，测算机器人能够通过简单的自然语言交互界面，引导用户输入必要的信息，并提供智能化的建议，大大降低了使用门槛，使得更多用户可以轻松地进行投资测算。现有技术的缺点通过本申请的技术手段得到了显著改善，为储能行业投资测算提供了更智能化、灵活性更高的解决方案，从而提升了整体的投资决策效率和准确性。
[0091] 本申请通过引入Transformer架构下的多头注意力机制(Multi‑Head Attention)与动态卷积神经网络(Dynamic Convolutional Neural Network,DCNN)，实现了更智能化、自动化的投资测算，能够处理包括非结构化数据在内的多种数据形式，并通过时间序列预测(Time‑Series Forecasting)动态适应不同投资场景。
[0092] 通过整合储能行业知识库与大语言模型(Large Language Model,LLM)，显著提升了投资测算的精确性和效率。与现有技术相比，本申请不仅能够高效处理结构化数据，还能够利用自然语言处理(NLP)技术，深入解析行业报告等非结构化数据。通过引入Transformer架构中的多头注意力机制(Multi‑Head Attention)和双向长短期记忆网络(BiLSTM)，系统能够在复杂的语境下提取关键信息，确保测算结果的全面性和准确性。此外，基于条件生成对抗网络(Conditional GAN)和位置编码(Positional Encoding)的技术应用，使得测算过程更加自动化和智能化，减少了人为干预的需求，显著降低了使用门槛，使非专业用户也能轻松进行复杂的投资测算。通过自适应贝叶斯优化算法(Adaptive Bayesian Optimization)的集成，系统能够实时调整测算参数，以应对储能行业不断变化的投资需求，确保测算结果的可靠性和适应性，为用户提供强有力的决策支持。
[0093] 与上述方法对应的，本申请实施例还提供一种储能柜数量的预测装置，如图3所示，该装置包括：
[0094] 获取单元310，用于获取待分析企业在第一时长的多个历史电费单和多个第二时长的负荷数据文件；
[0095] 提取单元320，用于针对任一的历史电费单，对所述历史电费单中的数据进行提取，得到关键数据；
[0096] 以及，针对任一第二历史周期的负荷数据文件，对所述负荷数据文件中的数据进行提取，得到负荷数据；所述负荷数据表征待分析企业在所述第二历史周期内消耗的总电能；
[0097] 处理单元330，用于采用训练好的增强型财务模型，对多个历史电费单对应的多个关键数据和多个第二时长的负荷数据文件对应的多个负荷数据进行处理，得到所述待分析企业所需储能柜的预测数量。
[0098] 本申请上述实施例提供的一种储能柜数量的预测装置的各功能单元的功能，可以通过上述各方法步骤来实现，因此，本申请实施例提供的一种储能柜数量的预测装置中的各个单元的具体工作过程和有益效果，在此不复赘述。
[0099] 本申请实施例还提供了一种电子设备，如图4所示，包括处理器410、通信接口420、存储器430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。
[0100] 存储器430，用于存放计算机程序；
[0101] 处理器410，用于执行存储器430上所存放的程序时，实现如下步骤：
[0102] 获取待分析企业在第一时长的多个历史电费单和多个第二时长的负荷数据文件；
[0103] 针对任一的历史电费单，对所述历史电费单中的数据进行提取，得到关键数据；
[0104] 针对任一第二历史周期的负荷数据文件，对所述负荷数据文件中的数据进行提取，得到负荷数据；所述负荷数据表征待分析企业在所述第二历史周期内消耗的总电能；
[0105] 采用训练好的增强型财务模型，对多个历史电费单对应的多个关键数据和多个第二时长的负荷数据文件对应的多个负荷数据进行处理，得到所述待分析企业所需储能柜的预测数量。
[0106] 上述提到的通信总线可以是外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0107] 通信接口用于上述电子设备与其他设备之间的通信。
[0108] 存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non‑Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0109] 上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field‑Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0110] 由于上述实施例中电子设备的各器件解决问题的实施方式以及有益效果可以参见图2所示的实施例中的各步骤来实现，因此，本申请实施例提供的电子设备的具体工作过程和有益效果，在此不复赘述。
[0111] 在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的一种储能柜数量的预测方法。
[0112] 在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的一种储能柜数量的预测方法。
[0113] 本领域内的技术人员应明白，本申请实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本申请实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。
[0114] 本申请实施例中是参照根据本申请实施例中实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0115] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0116] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0117] 除非另外定义，本申请使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本申请中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”、“耦接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
[0118] 尽管已描述了本申请实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，本申请实施例意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
[0119] 显然，本领域的技术人员可以对本申请实施例中实施例进行各种改动和变型而不脱离本申请实施例中实施例的精神和范围。这样，倘若本申请实施例中实施例的这些修改和变型属于本申请实施例及其等同技术的范围之内，则本申请实施例中也意图包含这些改动和变型在内。
