一种储能设备调度方法、模型管理方法及其相关装置与流程
本发明涉及智能数据处理领域，尤其涉及一种储能设备调度方法、模型管理方法及其相关装置。
背景技术：
1、当前随着互联网技术的深入发展，储能行业在社会生产中的诸多业务都出现了各种各样的困境，比如说，数据量庞大、数据隐私以及数据安全方面的问题，尤其家庭式储能，对数据的隐私性和安全有更高的要求。目前，我们通常采用的架构是端云架构，即设备数据通过互联网上报至云端，云端对数据进行采集、存储、转化、训练、推理等，传统云计算具有时效性差、能耗大、带宽有限、不利于保护数据安全和隐私等突出性问题。
技术实现思路
1、鉴于以上现有技术存在的问题，本发明提出一种储能设备调度方法、模型管理方法及其相关装置，主要解决穿沟通基于云端进行统一数据处理数据安全性及时效性较差的问题。
2、为了实现上述目的及其他目的，本发明采用的技术方案如下。
3、本技术提供一种储能设备调度方法，包括：
4、提供一边缘设备，通过所述边缘设备连接云端和储能设备端，获取所述云端预训练的初始用电模型以及所述储能设备端的运行数据，其中所述运行数据包括：发电量、用电量以及运行环境参数；
5、将所述储能设备端未来预设时间段内的运行环境参数输入所述用电习惯模型进行模型推理，得到所述未来预设时间段内的发电量与用电量的预测关系，并根据所述预测关系完成所述储能设备端的电量调度，其中所述用电习惯模型是基于所述运行数据对所述初始用电模型进行再训练得到的，所述用电习惯模型用于表征在对应运行环境参数下发电量与用电量的对应关系。
6、在本技术一实施例中，将所述储能设备端未来预设时间段内的运行环境参数输入所述用电习惯模型进行模型推理之前，还包括：
7、将所述用电习惯模型输出至所述云端，以使所述云端根据不同边缘设备上传的对应用电习惯模型对所述初始用电模型进行更新，得到更新模型；
8、接收所述云端下发的所述更新模型，以基于所述更新模型进行模型推理。
9、在本技术一实施例中，通过所述边缘设备连接云端和储能设备端之前，还包括：
10、在所述边缘设备首次接入所述云端时，通过与云端进行安全认证，得到边缘设备的第一认证令牌，以基于所述第一认证令牌在所述边缘设备与所述云端之间进行数据传输；
11、在所述储能设备端首次接入所述边缘设备时，通过所述边缘设备与所述云端进行安全认证，得到所述储能设备端的第二认证令牌，以基于所述第二认证令牌与所述边缘设备进行数据传输。
12、在本技术一实施例中，将所述储能设备端未来预设时间段内的运行环境参数输入所述用电习惯模型进行模型推理，得到所述未来预设时间段内的发电量与用电量的预测关系，包括：
13、根据预设规则将所述未来预设时间段内的运行环境拆分为多个参数组；
14、将所述用电习惯模型中与每个所述参数组相似度达到预设阈值的运行环境参数作为匹配参数；
15、调用各所述匹配参数下的发电量与用电量的对应关系进行组合，得到所述未来预设时间段内的发电量与用电量的预测关系。
16、在本技术一实施例中，所述预测关系包括：发电量大于用电量或发电量小于用电量，根据所述预测关系完成所述储能设备端的电量调度，包括：
17、获取所述边缘设备所在区域的电价；
18、当发电量大于用电量时，若发电量与用电量的差值小于预设电量阈值，且所述电价低于预设电价阈值时，购入电量存储于所述储能设备端；
19、当发电量小于用电量时，根据所述预设电量阈值进行电量购入并存储于所述储能设备端。
20、本技术还提供一种模型管理方法，包括：
21、与至少一个边缘设备连接，以通过所述边缘设备连接储能设备端，每个所述边缘设备至少连接一个所述储能设备端；
22、基于预设样本数据训练初始用电模型，并将所述初始用电模型下发至所述边缘设备，以使所述边缘设备根据所述储能设备端的运行数据对所述初始用电模型进行训练，得到储能设备端的用电习惯模型，所述用电习惯模型用于表征在对应运行环境参数下发电量与用电量的对应关系，将所述储能设备端未来预设时间段内的运行环境参数输入所述用电习惯模型进行模型推理，得到所述未来预设时间段内的发电量与用电量的预测关系，并根据所述预测关系完成所述储能设备端的电量调度。
23、在本技术一实施例中，所述边缘设备根据所述储能设备端的运行数据对所述初始用电模型进行训练，得到储能设备端的用电习惯模型之前，还包括：
24、将距离当前时间节点最近的多条运行数据存入第一数据库，其余时间节点的运行数据存入第二数据库；
25、根据所述第一数据库构建初始样本集，从所述第二数据库中采样预设数量的运行数据对所述初始样本集进行数据扩增，得到训练样本集，以基于所述训练样本集对所述初始用电模型进行训练。
26、在本技术一实施例中，将所述初始用电模型下发至所述边缘设备之后，还包括：
27、接收各所述边缘设备的所述用电习惯模型以对所述初始用电模型进行更新，得到更新模型；
28、将所述更新模型下发至所述边缘设备用于替换所述用电习惯模型，以使边缘边缘设备基于所述更新模型进行对应储能设备端的电量调度。
29、本技术还提供一种储能设备调度装置，包括：
30、边缘设备，用于连接云端和储能设备端，获取所述云端预训练的初始用电模型以及所述储能设备端的运行数据，其中所述运行数据包括：发电量、用电量以及运行环境参数；
31、预测调度模块，用于将所述储能设备端未来预设时间段内的运行环境参数输入所述用电习惯模型进行模型推理，得到所述未来预设时间段内的发电量与用电量的预测关系，并根据所述预测关系完成所述储能设备端的电量调度，其中所述用电习惯模型是基于所述运行数据对所述初始用电模型进行再训练得到的，所述用电习惯模型用于表征在对应运行环境参数下发电量与用电量的对应关系。
32、本技术还提供一种模型管理装置，包括：
33、云端服务器，与至少一个边缘设备连接，以通过所述边缘设备连接储能设备端，每个所述边缘设备至少连接一个所述储能设备端；
34、模型管理模块，用于基于预设样本数据训练初始用电模型，并将所述初始用电模型下发至所述边缘设备，以使所述边缘设备根据所述储能设备端的运行数据对所述初始用电模型进行训练，得到储能设备端的用电习惯模型，所述用电习惯模型用于表征在对应运行环境参数下发电量与用电量的对应关系，将所述储能设备端未来预设时间段内的运行环境参数输入所述用电习惯模型，以基于所述对应关系进行模型推理，得到所述未来预设时间段内的发电量与用电量的预测关系，并根据所述预测关系完成所述储能设备端的电量调度。
35、本技术还提供一种计算机设备，所述设备包括处理器及存储器；
36、所述存储器用于存储计算机程序；
37、所述处理器用于根据所述计算机程序执行所述的储能设备调度方法、或者所述的模型管理方法。
38、本技术还提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于所述的储能设备调度方法、或者所述的模型管理方法。
39、如上所述，本技术提供的一种储能设备调度方法、模型管理方法及其相关装置，具有以下有益效果。
40、本技术通过边缘设备分别连接云端和储能设备端，可调用云端的初始用电模型，基于该初始用电模型得到本地储能设备端的用电习惯模型，得到的模型可满足不同区域储能设备端用户使用习惯需求；基于该用电习惯模型进行未来发电量及用电量关系预测，基于预测关系完成电量调度，可基于用户习惯进行电量调度，增强电量调度的适用性，可提高储能设备端用户的使用体验。
技术特征：
1.一种储能设备调度方法，其特征在于，包括：
2.根据权利要求1所述的储能设备调度方法，其特征在于，将所述储能设备端未来预设时间段内的运行环境参数输入所述用电习惯模型进行模型推理之前，还包括：
3.根据权利要求1所述的储能设备调度方法，其特征在于，通过所述边缘设备连接云端和储能设备端之前，还包括：
4.根据权利要求1所述的储能设备调度方法，其特征在于，将所述储能设备端未来预设时间段内的运行环境参数输入所述用电习惯模型进行模型推理，得到所述未来预设时间段内的发电量与用电量的预测关系，包括：
5.根据权利要求1所述的储能设备调度方法，其特征在于，所述预测关系包括：发电量大于用电量或发电量小于用电量，根据所述预测关系完成所述储能设备端的电量调度，包括：
6.一种模型管理方法，其特征在于，包括：
7.根据权利要求6所述的模型管理方法，其特征在于，所述边缘设备根据所述储能设备端的运行数据对所述初始用电模型进行训练，得到储能设备端的用电习惯模型之前，还包括：
8.根据权利要求6所述的模型管理方法，其特征在于，将所述初始用电模型下发至所述边缘设备之后，还包括：
9.一种储能设备调度装置，其特征在于，包括：
10.一种模型管理装置，其特征在于，包括：
11.一种计算机设备，其特征在于，所述设备包括处理器及存储器；
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于权利要求1-5任一项所述的储能设备调度方法、或者权利要求6-8任一项所述的模型管理方法。
技术总结
本申请提供一种储能设备调度方法、模型管理方法及其相关装置，该储能设备调度方法包括：提供一边缘设备，通过所述边缘设备连接云端和储能设备端，获取所述云端预训练的初始用电模型以及所述储能设备端的运行数据；将所述储能设备端未来预设时间段内的运行环境参数输入所述用电习惯模型进行模型推理，得到所述未来预设时间段内的发电量与用电量的预测关系，并根据所述预测关系完成所述储能设备端的电量调度，其中所述用电习惯模型是基于所述运行数据对所述初始用电模型进行再训练得到的，所述用电习惯模型用于表征在对应运行环境参数下发电量与用电量的对应关系。本申请可满足不同边缘设备用电需求进行电量调度。
技术研发人员：李志方
受保护的技术使用者：上海思格源智能科技有限公司
技术研发日：
技术公布日：2024/9/23