CN117237034A - 度电成本确定方法、装置、计算机设备及存储介质 - Google Patents
度电成本确定方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117237034A CN117237034A CN202311495564.2A CN202311495564A CN117237034A CN 117237034 A CN117237034 A CN 117237034A CN 202311495564 A CN202311495564 A CN 202311495564A CN 117237034 A CN117237034 A CN 117237034A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- neural network
- network model
- cost
- power station
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000004146 energy storage Methods 0.000 claims abstract description 416
- 238000012549 training Methods 0.000 claims abstract description 231
- 238000003062 neural network model Methods 0.000 claims abstract description 148
- 238000010276 construction Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 26
- 239000000523 sample Substances 0.000 description 97
- 238000006243 chemical reaction Methods 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000012983 electrochemical energy storage Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- FKNQFGJONOIPTF-UHFFFAOYSA-N Sodium cation Chemical compound [Na+] FKNQFGJONOIPTF-UHFFFAOYSA-N 0.000 description 1
- BNOODXBBXFZASF-UHFFFAOYSA-N [Na].[S] Chemical compound [Na].[S] BNOODXBBXFZASF-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 229910001415 sodium ion Inorganic materials 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种度电成本确定方法、装置、计算机设备及存储介质。属于储能技术领域。在本申请中，通过目标储能方式对应的多个训练样本训练得到第一神经网络模型，由于每个训练样本包括电站信息样本、财务数据样本和度电成本标签，且电站信息样本中包含有储能时长，因此，通过该多个训练样本训练得到的第一神经网络模型能够学习到在采用目标储能方式的情况下，储能时长、财务数据和度电成本之间的关系。在此基础上，利用该第一神经网络模型即能够确定出目标储能方式下任意储能时长对应的度电成本，简化了选定的储能方式下不同储能时长对应的度电成本的测算过程，提高了测算效率，方便用户对不同储能时长对应的度电成本进行比较。
Description
技术领域
本申请属于储能技术领域，尤其涉及一种度电成本确定方法、装置、计算机设备及存储介质。
背景技术
对于采用某种储能方式的储能电站，根据储能时长的不同，储能电站的全生命周期的度电成本也不同。基于此，在建设某种储能方式的储能电站之前，可以测算不同的储能时长对应的度电成本，以此来为最终确定储能电站的建设方案提供数据支持。
相关技术中，根据选定的所要采用的储能方式，建立多个储能时长分别对应的储能电站的财务模型以及生命周期内的放电量模型。之后，基于每个储能时长对应的财务模型来测算相应储能时长对应的项目建设成本和生命周期的运营成本，基于每个储能时长对应的放电量模型确定相应储能时长对应的生命周期内的放电量。根据每个储能时长对应的项目建设成本、生命周期的运营成本以及放电量，计算相应储能时长对应的度电成本。
由于相关技术中要根据不同的储能时长分别建立对应的财务模型和放电量模型，而财务模型和放电量模型的建立较为复杂，因此，导致不同储能时长对应的度电成本的测算过程较为复杂繁琐，测算效率较低，不便于用户进行对比分析。
发明内容
本申请提供了一种度电成本确定方法、装置、计算机设备及存储介质，旨在简化选定储能方式下不同储能时长对应的度电成本的测算过程，提高测算效率，方便用户对不同储能时长对应的度电成本进行比较分析。
本申请的第一方面提供了一种度电成本确定方法，所述方法包括：获取待建设的目标储能电站对应的多个候选储能时长，所述目标储能电站采用目标储能方式；基于所述多个候选储能时长，通过第一神经网络模型确定每个候选储能时长对应的度电成本；所述第一神经网络模型为通过所述目标储能方式对应的多个训练样本训练得到的模型，所述多个训练样本中的每个训练样本包括电站信息样本、所述电站信息样本对应的财务数据样本以及度电成本标签，所述电站信息样本包括储能时长。
在本申请中，第一神经网络模型为通过目标储能方式对应的多个训练样本训练得到的模型，由于每个训练样本包括电站信息样本、电站信息样本对应的财务数据样本和度电成本标签，并且，电站信息样本中包含有储能时长，因此，通过该多个训练样本训练得到的第一神经网络模型能够学习到在采用目标储能方式的情况下，储能时长、财务数据和度电成本之间的关系。在此基础上，对于任意一个待测算的候选储能时长，通过第一神经网络模型，即能够确定出采用目标储能方式的储能电站在该候选储能时长下对应的度电成本，无需针对不同储能时长分别建立财务模型和放电量模型，简化了选定的储能方式下不同储能时长对应的度电成本的测算过程，提高了测算效率，方便用户对不同储能时长对应的度电成本进行比较。
可选地，所述方法还包括：获取多个真实训练样本，所述多个真实训练样本为基于已建成的所述目标储能方式的储能电站获得；基于所述多个真实训练样本对第二神经网络模型进行训练，得到所述第一神经网络模型，所述多个训练样本包括所述多个真实训练样本中的至少一个。
在本申请中，可以通过已建成的目标储能方式的储能电站提供的真实训练样本来训练得到第一神经网络模型，这样，第一神经网络模型的准确性较高。
可选地，所述基于所述多个真实训练样本对所述第二神经网络模型进行训练，包括：对所述多个真实训练样本中的每个真实训练样本进行数据合法性校验；基于校验通过的真实训练样本对第二神经网络模型进行训练。
在本申请中，可以先对每个真实训练样本进行数据合法性校验，以此来检验真实训练样本中的各项数据是否在合理的数值范围内，在此基础上，基于校验通过的真实训练样本对第二神经网络模型进行训练，可以提高训练得到的第一神经网络模型的准确性。
可选地，所述基于校验通过的真实训练样本对第二神经网络模型进行训练，包括：基于校验通过的真实训练样本生成多个模拟训练样本；基于校验通过的真实训练样本和所述多个模拟训练样本对所述第二神经网络模型进行训练，所述多个训练样本包括校验通过的真实训练样本和所述多个模拟训练样本。
在本申请中，可以根据校验通过的真实训练样本来生成模拟训练样本，以此来增加训练样本数量，从而提高训练得到的第一神经网络模型的准确性。
可选地，所述第一神经网络模型是在服务器上训练得到的，所述方法还包括：从所述服务器中获取所述第一神经网络模型。
在本申请中，第一神经网络模型可以由服务器通过前述训练方法训练得到后部署至当前设备上，这样，可以减轻当前设备的处理压力。
可选地，所述财务数据样本包括项目建设成本和生命周期运营成本。
由于训练样本包括有度电成本标签，且电站信息样本中包含有储能时长，而财务数据样本包括项目建设成本、生命周期运营成本和融资数据，因此，利用这些训练样本训练得到的第一神经网络模型学习到了储能时长对项目建设成本、生命周期运营成本的影响，以及项目建设成本、生命周期运营成本对度电成本的影响。也即，学习到了储能时长与度电成本之间的非线性关系。换句话说，第一神经网络模型即可以用于表征目标储能方式下储能时长与度电成本之间的非线性关系，这样，后续通过在该第一神经网络模型中输入任意一个储能时长即能够得到目标储能方式下相应储能时长对应的度电成本。
可选地，所述方法还包括：基于所述多个候选储能时长分别对应的度电成本，生成数据对比图表；显示所述数据对比图表。
在本申请中，根据多个候选储能时长分别对应的度电成本生成数据对比图表，这样，数据对比图表可以清晰的展示出不同储能时长与度电成本之间的关系，相应的，用户可以通过该数据对比图表直观的确定出目标储能方式下合适的储能时长，更为方便快捷。
可选地，所述方法还包括：将所述多个候选储能时长中对应的度电成本最小的候选储能时长确定为所述目标储能电站的储能时长；显示所述目标储能电站的储能时长和对应的度电成本。
在本申请中，可以直接从多个候选储能时长中确定出对应的度电成本最小的候选储能时长，进而向用户输出确定的储能时长，如此，用户可以直接获得目标储能方式下合适的储能时长，提高了用户评估确定储能电站的建设方案的效率。
本申请的第二方面提供了一种度电成本确定装置，所述装置包括：
获取模块，用于获取待建设的目标储能电站对应的多个候选储能时长，所述目标储能电站采用目标储能方式；确定模块，用于基于所述多个候选储能时长，通过第一神经网络模型确定每个候选储能时长对应的度电成本；所述第一神经网络模型为通过所述目标储能方式对应的多个训练样本训练得到的模型，所述多个训练样本中的每个训练样本包括电站信息样本、所述电站信息样本对应的财务数据样本以及度电成本标签，所述电站信息样本包括储能时长。
可选地，所述装置还包括：训练模块，用于获取多个真实训练样本，所述多个真实训练样本为基于已建成的所述目标储能方式的储能电站获得；基于所述多个真实训练样本对第二神经网络模型进行训练，得到所述第一神经网络模型，所述多个训练样本包括所述多个真实训练样本中的至少一个。
可选地，所述训练模块具体用于：对所述多个真实训练样本中的每个真实训练样本进行数据合法性校验；基于校验通过的真实训练样本对所述第二神经网络模型进行训练。
可选地，所述训练模块具体用于：基于校验通过的真实训练样本生成多个模拟训练样本；基于校验通过的真实训练样本和所述多个模拟训练样本对所述第二神经网络模型进行训练，所述多个训练样本包括校验通过的真实训练样本和所述多个模拟训练样本。
可选地，所述第一神经网络模型是在服务器上训练得到的，所述获取模块还用于：从所述服务器中获取所述第一神经网络模型。
可选地，所述财务数据样本包括项目建设成本和生命周期运营成本。
可选地，所述装置还包括：生成模块，用于基于所述多个候选储能时长分别对应的度电成本，生成数据对比图表；显示模块，用于显示所述数据对比图表。
可选地，所述装置还包括：所述确定模块，用于将所述多个候选储能时长中对应的度电成本最小的候选储能时长确定为所述目标储能电站的储能时长；显示模块，用于显示所述目标储能电站的储能时长和对应的度电成本。
本申请的第三方面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存储有计算机程序，所述计算机程序被计算机设备执行时实现上述第一方面的度电成本确定方法。
本申请的第四方面还提供了一种计算机设备，所述计算机设备包括处理器，所述处理器用于执行存储器中的计算机程序，以实现上述第一方面的度电成本确定方法。
本申请的第五方面提供了一种计算机程序产品，所述计算机程序产品包括指令，所述指令被处理器执行时实现如上述第一方面所述的度电成本确定方法。
本申请实施例与现有技术相比至少存在的有益效果是：
在本申请实施例中，第一神经网络模型为通过目标储能方式对应的多个训练样本训练得到的模型，由于每个训练样本包括电站信息样本、电站信息样本对应的财务数据样本和度电成本标签，并且，电站信息样本中包含有储能时长，因此，通过该多个训练样本训练得到的第一神经网络模型能够学习到在采用目标储能方式的情况下，储能时长、财务数据和度电成本之间的关系。在此基础上，对于任意一个待测算的候选储能时长，通过第一神经网络模型，即能够确定出采用目标储能方式的储能电站在该候选储能时长下对应的度电成本，无需针对不同储能时长分别建立财务模型和放电量模型，简化了选定的储能方式下不同储能时长对应的度电成本的测算过程，提高了测算效率，方便用户对不同储能时长对应的度电成本进行比较。
附图说明
图1是本申请实施例提供的一种度电成本测算系统的结构示意图；
图2是本申请实施例提供的一种训练第二神经网络模型以获得第一神经网络模型的方法流程图；
图3是本申请实施例提供的一种度电成本确定方法的流程图；
图4是本申请实施例提供的一种确定度电成本的详细示例图；
图5是本申请实施例提供的一种度电成本确定装置的结构示意图；
图6是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。
在本申请实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“至少一个”的含义是一个或一个以上，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在本申请实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
储能电站在建设过程中会有项目建设成本，在建成之后会存在运营维护成本。基于此，在选定某种储能方式之后，在建设该种储能方式的储能电站之前，可以先对储能电站进行成本评估，以此来使得储能电站的成本可控。目前，常用的成本评估方式是计算储能电站的度电成本，度电成本可以指示出储能电站每发一度电的综合成本。因此，通过确定待建设的某种储能方式的储能电站的度电成本，能够为储能电站的成本控制提供数据参考。
目前，储能电站常用的储能方式有机械储能，电化学储能，熔融（热）储能，化学储能等。其中，不同储能方式的储能电站的度电成本不同。针对选定的某种储能方式，该种储能方式的储能电站的度电成本可以通过项目建设成本、生命周期内的运营成本和放电量来计算得到。而项目建设成本、生命周期内的运营成本和放电量均与储能时长相关，由此可见，储能时长将会影响储能电站的度电成本。基于此，在建设某种储能方式的储能电站之前，可以通过计算多个储能时长对应的度电成本来从该多个储能时长中选择适合该储能电站的储能时长。
相关技术中，针对选定的储能方式，可以建立多个储能时长分别对应的储能电站的财务模型以及生命周期内的放电量模型。之后，基于每个储能时长对应的财务模型来测算相应储能时长对应的项目建设成本和生命周期的运营成本，基于每个储能时长对应的放电量模型确定相应储能时长对应的生命周期内的放电量。根据每个储能时长对应的项目建设成本、生命周期的运营成本以及放电量，计算相应储能时长对应的度电成本。其中，建立财务模型和放电量模型的过程较为复杂。例如，建立财务模型需要收集大量的财务数据，如储能电站的融资数据、收益数据、投资成本等等，并且，这些财务数据与储能时长的关系也较为复杂。在这种情况下，通过建立每个储能时长对应的财务模型和放电量模型来测算相应储能时长的度电成本的方式较为复杂且繁琐，且测算效率低下，不利于用户快速比较不同储能时长对应的度电成本。基于此，本申请实施例提供了一种度电成本确定方法，在该方法中，通过目标储能方式对应的多个训练样本训练得到第一神经网络模型，由于每个训练样本包括电站信息样本、电站信息样本对应的财务数据样本和度电成本标签，并且，电站信息样本中包含有储能时长，因此，通过该多个训练样本训练得到的第一神经网络模型能够学习到在采用目标储能方式建设储能电站的情况下，储能时长、财务数据和度电成本之间的关系。在此基础上，对于任意一个候选储能时长，通过第一神经网络模型，即能够确定出采用目标储能方式的储能电站在该候选储能时长下对应的度电成本，无需针对不同储能时长分别建立财务模型和放电量模型，简化了目标储能方式下不同储能时长对应的度电成本的测算过程，提高了测算效率，方便用户对不同储能时长对应的度电成本进行比较。
本申请实施例提供的度电成本确定方法可以由计算机设备来执行，例如，可以由终端设备来执行。可选地，该度电成本确定方法也可以应用于度电成本测算系统中。
示例性的，图1是本申请实施例提供的一种度电成本测算系统的结构示意图。如图1所示，该度电成本测算系统可以包括终端设备101和服务器102。其中，终端设备101和服务器102可以通过有线或无线的方式进行通信。
在本申请实施例中，服务器102用于获取目标储能方式对应的多个训练样本，并通过该多个训练样本训练得到第一神经网络模型。其中，该多个训练样本中的每个训练样本包括电站信息样本、电站信息样本对应的财务数据样本以及度电成本标签，并且，电站信息样本包括储能时长。这样，基于该多个训练样本训练得到的第一神经网络模型将会学习到目标储能方式下储能时长、财务数据和度电成本之间的关系。在得到第一神经网络模型之后，服务器102可以将该第一神经网络模型的二进制文件下发至终端设备101，以此来将第一神经网络模型部署至终端设备101。
终端设备101在接收到第一神经网络模型的二进制文件之后，可以通过加载该二进制文件来运行第一神经网络模型。在运行第一神经网络模型之后，终端设备101可以获取待建设的目标储能电站对应的多个候选储能时长，该目标储能电站采用目标储能方式；基于该多个候选储能时长，通过第一神经网络模型确定每个候选储能时长对应的度电成本。
可选地，在一种可能的实现方式中，服务器102在训练得到第一神经网络模型之后，也可以运行该第一神经网络模型，在这种情况下，终端设备101上可以不部署该第一神经网络模型。基于此，终端设备101可以接收用户输入的目标储能电站对应的多个候选储能时长，并将多个候选储能时长发送至服务器102，由服务器102基于该多个候选储能时长，通过第一神经网络模型确定每个候选储能时长对应的度电成本。之后，服务器102可以向终端设备101发送每个候选储能时长对应的度电成本，以便终端设备101向用户展示。
其中，该终端设备可以为台式电脑、笔记本电脑、手持式设备如智能手机等。该服务器可以为物理服务器也可以为云服务器。
接下来对本申请实施例提供的度电成本确定方法进行介绍。
在本申请实施例中，首先可以通过多个训练样本对第二神经网络模型进行训练，以得到第一神经网络模型。之后，再利用该第一神经网络模型来确定候选储能时长所对应的度电成本。基于此，本申请实施例首先对训练第二神经网络模型以获得第一神经网络模型的过程进行介绍。
图2是本申请实施例提供的一种训练第二神经网络模型以获得第一神经网络模型的方法流程图。该方法可以应用于终端设备中，也可以应用于图1所示的度电成本测算系统中的服务器中，接下来以该方法应用于服务器中为例，来对神经网络模型的训练过程进行介绍。如图2所示，该方法包括以下步骤：
201：获取多个真实训练样本，该多个真实训练样本为基于已建成的目标储能方式的储能电站获得。
在本申请实施例中，服务器可以接收用户输入或者是其他设备发送的多个真实训练样本，其中，一个真实训练样本来自已建成的一个目标储能方式的储能电站。其中，该目标储能方式可以为机械储能、电化学储能、熔融（热）储能、化学储能中的任一个。
可选地，机械储能包括但不限于抽水储能、压缩空气储能、飞轮储能、新型重力储能等，基于此，目标储能方式可以为机械储能包括的各种储能方式中的任一种。电化学储能包括但不限于铅酸电池储能，锂离子电池储能，钠离子电池储能，液流电池储能，钠硫电池储能等，基于此，目标储能方式也可以为电化学储能包括的各种储能方式中的任一种。熔融（热）储能包括但不限于显热式储能、潜热式储能、热化学式储能等，基于此，目标储能方式也可以为熔融（热）储能包括的各种储能方式中的任一种。化学储能包括但不限于氢储能，基于此，目标储能方式也可以为氢储能。
另外，在本申请实施例中，每个真实训练样本包括电站信息样本、电站信息样本对应的财务数据样本以及度电成本标签，并且，电站信息样本包括储能时长。
示例性的，电站信息样本可以包括电站基本信息样本和电站运行参数样本。
其中，电站基本信息样本可以包括储能电站的储能时长、能量需求数据以及运营年限。储能电站的储能时长是指储能电站的储能单元一次持续储存电能的时长。储能电站的能量需求数据可以用于指示储能电站所能储存的电量。运营年限用于指示储能电站能够运行多少年。
电站运行参数样本可以包括储能电站的多种运行数据。例如，该多种运行数据可以包括储能电站的年在线天数、单日循环数、DOD（Depth of discharge，放电深度）、储能单元的SOH（State of Health，健康状态）曲线、系统转换效率等。其中，年在线天数也可以称为年运营天数，单日循环数可以是指每天储能单元在充放电过程中所经历的循环次数。DOD可以是指储能电站在放电过程中所消耗的能量与其总容量之比。储能单元的SOH曲线用于指示储能单元的SOH随时间的变化。系统转换效率用于指示储能电站在充放电过程中的能量转换效率。
财务数据样本可以包括储能电站的项目建设成本、生命周期运营成本、融资数据和其他的财务数据等。
其中，项目建设成本可以包括储能电站的储能单元的成本、功率单元的成本、EPC（Engineering Procurement Construction，工程采购施工）成本和调试成本、项目开发和并网成本。其中，并网成本是指储能电站连接到电网以实现向电网输送电力所需的成本。
生命周期运维成本可以包括储能电站的运维成本、计划内的维修保养成本、其他维修成本、保险、厂电功耗和辅源功耗等。其中，厂电功耗是指储能电站在运行过程中，电池组、电力电子设备、冷却系统等设备所消耗的电能，辅源功耗是指储能电站运行过程中，为保障电池组正常工作所消耗的额外电能。
融资数据可以包括融资比例、融资年限、融资利率等。其他的财务数据可以包括税率和残值率。其中，税率可以包括所得税率和增值税率，残值率可以是指储能电站中的设备在使用一定时间后的剩余价值相对于初始价值的比例。
训练样本中的度电成本标签是训练样本所对应的储能电站的真实的度电成本。在本申请实施例中，度电成本可以为储能电站的LCOS（Levelized Cost of Storage，平准化储能成本）或LCOE（Levelized Cost of Energy，平准化度电成本）。
202：基于该多个真实训练样本对第二神经网络模型进行训练，得到第一神经网络模型。
在一种可能的实现方式中，在获取到多个真实训练样本之后，服务器首先可以将一个真实训练样本输入至第二神经网络模型，通过该第二神经网络模型对该真实训练样本进行处理，从而得到该真实训练样本对应的度电成本。将该真实训练样本对应的度电成本与该真实训练样本中的度电成本标签进行比较，并基于二者之间的差值来对第二神经网络模型中的模型参数进行更新。更新完成之后，再输入下一个真实训练样本，并重复上述过程，直至基于最后一个真实训练样本进行参数更新后为止，或者是直至模型收敛为止，将最后一次更新模型参数后得到的神经网络模型作为第一神经网络模型。
其中，第二神经网络模型可以为一个初始的未经训练过的神经网络模型。示例性的，该第二神经网络模型可以为ANN（Artificial Neural Network，人工神经网络）模型，例如，可以为XGBoost（extreme gradient boosting，极端梯度提升）、LightGBM（LightGradient Boosting Machine，轻量梯度提升机）、CatBoost（Categorical GradientBoosting，类别梯度提升）、RandomForest（随机森林）, ExtraTree（Extremely randomizedtree，极端随机树）等树模型。或者，该第二神经网络模型也可以为CNN（ConvolutionalNeural Networks，卷积神经网络）模型。当然，该第二神经网络模型也可以为其他类型的深度学习模型。
需要说明的是，由于用于训练第二神经网络模型的训练样本中包括目标储能方式的储能电站的电站信息样本、对应的财务数据样本和度电成本标签，并且，电站信息样本中包括储能时长，所以通过这些训练样本来训练第二神经网络模型，能够使得第二神经网络模型学习到在目标储能方式下，储能时长对财务数据的综合影响、以及财务数据对度电成本的影响，也即，能够使得第二神经网络模型学习到储能时长与度电成本之间的非线性关系。在此基础上，训练得到的第一神经网络模型即可以用于表征目标储能方式下储能时长与度电成本之间的非线性关系，这样，后续通过在该第一神经网络模型中输入任意一个储能时长即能够得到目标储能方式下相应储能时长对应的度电成本。
在另一种可能的实现方式中，服务器在接收到多个真实训练样本之后，可以先对多个真实训练样本中的每个真实训练样本进行数据合法性校验；之后，再基于校验通过的真实训练样本对第二神经网络模型进行训练。
需要说明的是，每个真实训练样本中包括的各种数据均对应有一定的取值范围，如果某个真实训练样本中的某个数据未处于对应的取值范围内，则说明该真实训练样本不准确甚至有误。在这种情况下，如果通过该真实训练样本来训练第二神经网络模型，可能会导致训练得到的第一神经网络模型的准确性较差。基于此，在本申请实施例中，服务器可以首先校验真实训练样本中包括的数据是否处于对应的取值范围之内，如果处于对应的取值范围之内，则对该真实训练样本的数据合法性的校验通过。如果真实训练样本中的某个数据未处于对应的取值范围内，则对该真实训练样本的数据合法性的校验未通过。
示例性的，对于前述201中介绍的真实训练样本中电站基本信息样本包括的储能电站的储能时长、能量需求数据以及运营年限，其中，储能时长在储能电站的建设时由投资方或运营方决定，目前常见的储能电站的储能时长有2小时、4小时等，通常最大的储能时长为24小时。基于此，电站的储能时长对应的取值范围可以为大于0且不大于24小时。
能量需求数据也可以由投资方或运营方根据自身的储能需求来决定。基于此，在本申请实施例中，能量需求数据对应的取值范围可以根据目前已知的最小能量值来设置，也即，能量需求数据不小于该最小能量值即可。
运营年限取决于储能电站的设备寿命，而储能电站的设备寿命根据储能方式的不同而不同。基于此，运营年限对应的取值范围可以根据目标储能方式对应的储能电站的设备寿命来设置。例如，当目标储能方式为电化学储能时，运营年限对应的取值范围可以为5年至10年。
再例如，对于电站运行参数样本中包括的储能电站的年在线天数、单日循环数、DOD、储能单元的SOH曲线、系统转换效率等，其中，年在线天数对应的取值范围可以为200天至365天；单日循环数对应的取值范围可以为0至5；DOD对应的取值范围可以为60%至100%；储能单元的SOH曲线根据储能方式的不同而不同，基于此，在本申请实施例中，SOH曲线对应的取值范围可以根据目标储能方式对应的SOH曲线中的最小SOH数据和最大SOH数据来确定。系统转换效率根据储能方式的不同也不同，例如，当目标储能方式为电化学储能时，系统转换效率对应的取值范围可以为70%至95%，当目标储能方式为抽水储能时，系统转换效率对应的取值范围可以为70%至85%，当目标储能方式为压缩空气储能时，系统转换效率对应的取值范围可以为60%至75%，当目标储能方式为飞轮储能时，系统转换效率对应的取值范围可以为80%至90%，当目标储能方式为全钒液流储能时，系统转换效率对应的取值范围可以为60%至75%，当目标储能方式为氢储能时，系统转换效率对应的取值范围可以为35%至45%。
再例如，项目建设成本中的储能单元的成本、功率单元的成本、EPC成本和调试成本均根据储能方式的不同而不同，基于此，上述这几种成本对应的取值范围可以根据目标储能方式下已知的相应成本的最小数值和最大数值来设置。另外，项目建设成本中的项目开发和并网成本对应的取值范围可以为20至40¥/kW。
再例如，生命周期运营成本中的运维成本对应的取值范围可以为每年5至20¥/kW；计划内的维修保养成本对应的取值范围可以为每年0.001-0.005¥/kWh；除计划内的维修保养成本之外的其他维修成本根据储能方式的不同而不同，基于此，此类维修成本对应的取值范围可以根据目标储能方式下最小的维修成本和最大的维修成本来确定，例如，此类维修成本对应的取值范围可以为每年2至50¥/kWh；保险对应的取值范围可以为每年1至10¥/kWh。厂电和辅源功耗对应的取值范围可以为每天3000-10000kWh/100MWh。
再例如，融资数据中的融资比例对应的取值范围可以为20%至80%，融资年限对应的取值范围可以为3年至10年，融资利率可以为2%至6%。
其他的财务数据中，税率根据储能电站所处地区的不同而不同，并且，对于特定的地区，税率是一定的，例如，对于某一国家，所得税率可以为25%，增值税率可以为13%。基于此，在本申请实施例中，对于税率的校验可以通过比较真实训练样本中的税率与预设的某个地区的税率是否相同来实现。另外，残值率根据储能方式的不同而不同，基于此，残值率对应的取值范围可以根据目标储能方式下已知的最小残值率和最大残值率来设置。
在对各个真实训练样本进行数据合法性校验之后，对于校验通过后的各个真实训练样本，可以输入至第二神经网络模型，通过前述介绍的过程来对该第二神经网络模型进行训练，从而得到第一神经网络模型。
可选地，在一些可能的情况中，由于真实训练样本要通过已建成的目标储能方式的储能电站来获得，而已建成的目标储能方式的储能电站的数量可能较为有限，因此，能够获得的真实训练样本也较少，在此基础上，校验通过的真实训练样本的数量可能更少。而训练样本的数量太少将会导致训练得到的神经网络模型的准确度较低。基于此，在本申请实施例中，服务器在对多个真实训练样本进行数据合法性校验之后，还可以基于校验通过的真实训练样本生成多个模拟训练样本；之后，基于校验通过的真实训练样本和该多个模拟训练样本对第二神经网络模型进行训练，以得到第一神经网络模型。
其中，服务器可以利用蒙特卡洛仿真（Monte-Carlo-Simulation）算法，对校验通过的真实训练样本中取值存在可变性的数据进行仿真，从而得到模拟训练样本中的电池信息样本和对应的财务数据样本。之后，通过预设的经济模型测算表来估算该电池信息样本和财务数据样本所对应的度电成本，将估算得到的度电成本作为该模拟训练样本中的度电成本标签。
在获得模拟训练样本之后，对于校验通过的真实训练样本和该多个模拟训练样本，服务器均可以参考前述介绍的方法利用这些训练样本来对第二神经网络模型进行训练，从而得到第一神经网络模型。
综上可见，本申请实施例中服务器利用数量有限的真实训练样本生成大量的模拟训练样本，以此来增加训练样本的数量，在此基础上，通过真实训练样本和模拟训练样本来训练第二神经网络模型，可以提高训练得到的第一神经网络模型的准确度。
服务器在训练得到第一神经网络模型之后，终端设备可以从该服务器中获取该第一神经网络模型，进而通过该第一神经网络模型来测算目标储能方式下不同储能时长对应的度电成本。
其中，服务器在训练得到第一神经网络模型之后，可以直接将该第一神经网络模型的二进制文件下发至终端设备。相应的，终端设备在接收到第一神经网络模型的二进制文件之后，可以通过加载该二进制文件来运行第一神经网络模型，进而通过该第一神经网络模型来确定在目标储能方式下多个候选储能时长分别对应的度电成本。或者，服务器可以存储第一神经网络模型的二进制文件。终端设备在需要使用该第一神经网络模型时，可以向服务器发送模型请求，服务器在接收到该模型请求之后，可以向该终端设备下发该第一神经网络模型。
接下来对终端设备确定度电成本的过程进行介绍。参见图3，该过程包括以下步骤：
301：获取待建设的目标储能电站对应的候选储能时长，该目标储能电站采用目标储能方式。
在本申请实施例中，终端设备在运行第一神经网络模型之后，可以接收用户输入的待建设的目标储能方式的目标储能电站对应的多个候选储能时长。其中，该多个候选储能时长即为用户所要评估的储能时长。示例性的，该多个候选储能时长可以为1至24小时中的至少两个数值。
302：基于多个候选储能时长，通过第一神经网络模型确定每个候选储能时长对应的度电成本。
在本申请实施例中，对于多个候选储能时长中的任意一个候选储能时长，终端设备可以将该候选储能时长输入至第一神经网络模型，通过第一神经网络模型对该候选储能时长进行处理，从而得到该候选储能时长对应的度电成本。
由于第一神经网络模型已经学习到了目标储能方式下的储能时长与度电成本之间的非线性关系，所以，第一神经网络模型通过对候选储能时长进行处理，可以输出候选储能时长对应的度电成本。
在得到每个候选储能时长对应的度电成本之后，终端设备可以显示每个候选储能时长对应的度电成本。此时，用户通过每个候选储能时长对应的度电成本，即能够确定出目标储能方式下储能时长与度电成本之间的数值关系，从而可以为用户选择合适的储能时长提供数据参考。
可选地，终端设备可以基于多个候选储能时长分别对应的度电成本，生成数据对比图表，并显示该数据对比图表，以便用户可以快速查看并对比不同储能时长对应的度电成本。
例如，终端设备可以以储能时长为X轴，以度电成本为Y轴，生成度电成本随储能时长的变化曲线图，或者，也可以按照储能时长从小到大的顺序，生成储能时长和对应的度电成本的展示表格，这样，用户可以通过对比各种候选储能时长对应的度电成本，从多个候选储能时长中选择一个储能时长作为目标储能方式下合适的储能时长。
可选地，终端设备在确定出多个候选储能时长分别对应的度电成本后，也可以直接将该多个候选储能时长中对应的度电成本最小的候选储能时长确定为目标储能电站的储能时长，并显示该目标储能电站的储能时长和对应的度电成本，这样，用户可以直接获得目标储能方式下合适的储能时长。
可选地，在一些可能的情况中，终端设备不仅可以利用第一神经网络模型来确定储能时长对应的度电成本，还可以通过获取真实训练样本来对第一神经网络模型的模型参数进行进一步更新，以此来提高第一神经网络模型的准确性。
示例性的，终端设备可以获取真实训练样本，并将该真实训练样本中包括的储能时长输入至该第一神经网络模型，第一神经网络模型对该储能时长进行处理，从而输出对应的度电成本，之后，终端设备可以将该度电成本与真实训练样本中的度电成本标签进行比较，之后，根据二者之间的差值对第一神经网络模型的模型参数进行调整。
在本申请实施例中，通过目标储能方式对应的多个训练样本训练得到第一神经网络模型，由于每个训练样本包括电站信息样本、电站信息样本对应的财务数据样本和度电成本标签，并且，电站信息样本中包含有储能时长，因此，通过该多个训练样本训练得到的第一神经网络模型能够学习到在采用目标储能方式建设储能电站的情况下，储能时长、财务数据和度电成本之间的关系。在此基础上，利用该第一神经网络模型即能够确定出采用目标储能方式的储能电站在任意储能时长下对应的度电成本，无需针对不同储能时长分别建立财务模型和放电量模型，简化了选定的储能方式下不同储能时长对应的度电成本的测算过程，提高了测算效率，方便用户对不同储能时长对应的度电成本进行比较。
基于上述实施例中介绍的度电成本确定方法，本申请实施例提供了一种确定度电成本的详细示例图。参见图4，该过程可以包括以下步骤：
401：接收多个真实训练样本，该多个真实训练样本为基于已建成的目标储能方式的储能电站获得。
402：对该多个真实训练样本中的每个真实训练样本进行数据合法性校验。
403：基于校验通过的真实训练样本生成多个模拟训练样本。
404：通过校验通过的真实训练样本和多个模拟训练样本对第二神经网络模型进行训练，得到第一神经网络模型。
405：接收目标储能电站的多个候选储能时长。
406：将目标储能电站的每个候选储能时长输入第一神经网络模型。
407：通过第一神经网络模型对目标储能电站的每个候选储能时长进行处理，得到每个候选储能时长对应的度电成本。
408：显示每个候选储能时长以及对应的度电成本。
其中，401至408的具体实现方式，可以参考前述实施例中的相关介绍，本申请实施例在此不再赘述。
接下来对本申请实施例提供的度电成本确定装置进行介绍。
图5是本申请实施例提供的一种度电成本确定装置500的结构示意图。该度电成本确定装置500可以部署于终端设备中，也可以部署于度电成本测算系统中，如图5所示，该度电成本确定装置500包括获取模块501和确定模块502。
获取模块501，用于获取待建设的目标储能电站对应的多个候选储能时长，目标储能电站采用目标储能方式；
确定模块502，用于基于多个候选储能时长，通过第一神经网络模型确定每个候选储能时长对应的度电成本；
第一神经网络模型为通过目标储能方式对应的多个训练样本训练得到的模型，多个训练样本中的每个训练样本包括电站信息样本、电站信息样本对应的财务数据样本以及度电成本标签，电站信息样本包括储能时长。
可选地，该装置还包括：训练模块503，用于获取多个真实训练样本，多个真实训练样本为基于已建成的目标储能方式的储能电站获得；基于多个真实训练样本对第二神经网络模型进行训练，得到第一神经网络模型，多个训练样本包括多个真实训练样本中的至少一个。
可选地，训练模块503具体用于：
对多个真实训练样本中的每个真实训练样本进行数据合法性校验；
基于校验通过的真实训练样本对第二神经网络模型进行训练。
可选地，训练模块503具体用于：
基于校验通过的真实训练样本生成多个模拟训练样本；
基于校验通过的真实训练样本和多个模拟训练样本对第二神经网络模型进行训练，多个训练样本包括校验通过的真实训练样本和多个模拟训练样本。
可选地，第一神经网络模型是在服务器上训练得到的，获取模块501还用于从服务器中获取第一神经网络模型。
可选地，财务数据样本包括项目建设成本和生命周期运营成本。
可选地，该装置500还包括：
生成模块504，用于基于多个候选储能时长分别对应的度电成本，生成数据对比图表；
显示模块505，用于显示数据对比图表。
可选地，该装置500还包括：显示模块505；
确定模块502，还用于将多个候选储能时长中对应的度电成本最小的候选储能时长确定为目标储能电站的储能时长；
显示模块505，用于显示目标储能电站的储能时长和对应的度电成本。
在本申请实施例中，通过目标储能方式对应的多个训练样本训练得到第一神经网络模型，由于每个训练样本包括电站信息样本、电站信息样本对应的财务数据样本和度电成本标签，并且，电站信息样本中包含有储能时长，因此，通过该多个训练样本训练得到的第一神经网络模型能够学习到在采用目标储能方式建设储能电站的情况下，储能时长、财务数据和度电成本之间的关系。在此基础上，利用该第一神经网络模型即能够确定出采用目标储能方式的储能电站在任意储能时长下对应的度电成本，无需针对不同储能时长分别建立财务模型和放电量模型，简化了选定的储能方式下不同储能时长对应的度电成本的测算过程，提高了测算效率，方便用户对不同储能时长对应的度电成本进行比较。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将度电成本确定装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。另外，各模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图6是本申请实施例提供的一种计算机设备的结构示意图。上述实施例中介绍的服务器或终端设备即可以通过该计算机设备来实现。如图6所示，该实施例的计算机设备6包括：处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62，例如训练第二神经网络模型以及通过第一神经网络模型确定度电成本的程序等。处理器60执行计算机程序62时实现上述各个方法实施例中的步骤，例如图2所示的201至202，图3所示的301和302或图4所示的401至408。或者，处理器60执行计算机程序62时实现上述度电成本确定装置实施例中各模块/单元的功能。
示例性的，计算机程序62可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器61中，并由处理器60执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序62在计算机设备6中的执行过程。例如，计算机程序62可以被分割成上述的获取模块、确定模块、显示模块等（虚拟装置中的模块）。
计算机设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是计算机设备6的示例，并不构成对计算机设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器61可以是计算机设备6的内部存储单元，例如计算机设备6的硬盘或内存。存储器61也可以是计算机设备6的外部存储设备，例如计算机设备6上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（FlashCard）等。进一步地，存储器61还可以既包括计算机设备6的内部存储单元也包括外部存储设备。存储器61用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
其中，当本申请实施例使用软件方式来实现时，可以全部或部分的以计算机程序产品的形式实现。也即，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (11)
1.一种度电成本确定方法，其特征在于，所述方法包括：
获取待建设的目标储能电站对应的多个候选储能时长，所述目标储能电站采用目标储能方式；
基于所述多个候选储能时长，通过第一神经网络模型确定每个候选储能时长对应的度电成本；
所述第一神经网络模型为通过所述目标储能方式对应的多个训练样本训练得到的模型，所述多个训练样本中的每个训练样本包括电站信息样本、所述电站信息样本对应的财务数据样本以及度电成本标签，所述电站信息样本包括储能时长。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取多个真实训练样本，所述多个真实训练样本为基于已建成的所述目标储能方式的储能电站获得；
基于所述多个真实训练样本对第二神经网络模型进行训练，得到所述第一神经网络模型，所述多个训练样本包括所述多个真实训练样本中的至少一个。
3.根据权利要求2所述的方法，其特征在于，所述基于所述多个真实训练样本对第二神经网络模型进行训练，包括：
对所述多个真实训练样本中的每个真实训练样本进行数据合法性校验；
基于校验通过的真实训练样本对所述第二神经网络模型进行训练。
4.根据权利要求3所述的方法，其特征在于，所述基于校验通过的真实训练样本对所述第二神经网络模型进行训练，包括：
基于校验通过的真实训练样本生成多个模拟训练样本；
基于校验通过的真实训练样本和所述多个模拟训练样本对所述第二神经网络模型进行训练，所述多个训练样本包括校验通过的真实训练样本和所述多个模拟训练样本。
5.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型是在服务器上训练得到的，所述方法还包括：
从所述服务器中获取所述第一神经网络模型。
6.根据权利要求1至5任一所述的方法，其特征在于，所述财务数据样本包括项目建设成本和生命周期运营成本。
7.根据权利要求1至5任一所述的方法，其特征在于，所述方法还包括：
基于所述多个候选储能时长分别对应的度电成本，生成数据对比图表；
显示所述数据对比图表。
8.根据权利要求1至5任一所述的方法，其特征在于，所述方法还包括：
将所述多个候选储能时长中对应的度电成本最小的候选储能时长确定为所述目标储能电站的储能时长；
显示所述目标储能电站的储能时长和对应的度电成本。
9.一种度电成本确定装置，其特征在于，所述装置包括：
获取模块，用于获取待建设的目标储能电站对应的多个候选储能时长，所述目标储能电站采用目标储能方式；
确定模块，用于基于所述多个候选储能时长，通过第一神经网络模型确定每个候选储能时长对应的度电成本；
所述第一神经网络模型为通过所述目标储能方式对应的多个训练样本训练得到的模型，所述多个训练样本中的每个训练样本包括电站信息样本、所述电站信息样本对应的财务数据样本以及度电成本标签，所述电站信息样本包括储能时长。
10.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器用于执行存储器中的计算机程序，以实现权利要求1至8任一所述的度电成本确定方法。
11.一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存储有计算机程序，所述计算机程序被计算机设备执行时实现权利要求1至8任一项所述的度电成本确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311495564.2A CN117237034B (zh) | 2023-11-10 | 2023-11-10 | 度电成本确定方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311495564.2A CN117237034B (zh) | 2023-11-10 | 2023-11-10 | 度电成本确定方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117237034A true CN117237034A (zh) | 2023-12-15 |
| CN117237034B CN117237034B (zh) | 2024-02-09 |
Family
ID=89093126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311495564.2A Active CN117237034B (zh) | 2023-11-10 | 2023-11-10 | 度电成本确定方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117237034B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107453379A (zh) * | 2017-09-18 | 2017-12-08 | 中国电力工程顾问集团西北电力设计院有限公司 | 一种确定光热电站参与调峰后最优储热时长的分析方法 |
| CN113624998A (zh) * | 2021-09-17 | 2021-11-09 | 辽宁旭能科技有限公司 | 基于电力大数据的电锅炉补热储热成本优化方法和装置 |
| CN114142470A (zh) * | 2021-12-03 | 2022-03-04 | 国网甘肃省电力公司经济技术研究院 | 电力系统新能源电站配套储能合理规模测算方法及系统 |
| CN114202229A (zh) * | 2021-12-20 | 2022-03-18 | 南方电网数字电网研究院有限公司 | 能量管理策略的确定方法、装置、计算机设备和存储介质 |
| US20220122164A1 (en) * | 2020-10-16 | 2022-04-21 | Toyota Jidosha Kabushiki Kaisha | Bid-offer condition determination apparatus for electricity transaction by mobile object |
| CN116345577A (zh) * | 2023-05-12 | 2023-06-27 | 国网天津市电力公司营销服务中心 | 风-光-储微电网能量调控优化方法、设备及存储介质 |
-
2023
- 2023-11-10 CN CN202311495564.2A patent/CN117237034B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107453379A (zh) * | 2017-09-18 | 2017-12-08 | 中国电力工程顾问集团西北电力设计院有限公司 | 一种确定光热电站参与调峰后最优储热时长的分析方法 |
| US20220122164A1 (en) * | 2020-10-16 | 2022-04-21 | Toyota Jidosha Kabushiki Kaisha | Bid-offer condition determination apparatus for electricity transaction by mobile object |
| CN113624998A (zh) * | 2021-09-17 | 2021-11-09 | 辽宁旭能科技有限公司 | 基于电力大数据的电锅炉补热储热成本优化方法和装置 |
| CN114142470A (zh) * | 2021-12-03 | 2022-03-04 | 国网甘肃省电力公司经济技术研究院 | 电力系统新能源电站配套储能合理规模测算方法及系统 |
| CN114202229A (zh) * | 2021-12-20 | 2022-03-18 | 南方电网数字电网研究院有限公司 | 能量管理策略的确定方法、装置、计算机设备和存储介质 |
| CN116345577A (zh) * | 2023-05-12 | 2023-06-27 | 国网天津市电力公司营销服务中心 | 风-光-储微电网能量调控优化方法、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| JONATHAN BOSCH: "Global levelised cost of electricity from offshore wind", 《ENERGY》, pages 1 - 13 * |
| 赵赫 等: "基于平准化度电成本的风光火储一体化项目成本分析及比较", 《广东电力》, vol. 36, no. 10, pages 39 - 46 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117237034B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pandžić et al. | An accurate charging model of battery energy storage | |
| CN107123982A (zh) | 一种基于设备异动的配电网可靠性经济效益分析方法 | |
| CN115330275B (zh) | 一种退役电池的梯次利用方法及装置 | |
| CN116796631A (zh) | 一种计及约束条件的锂电池寿命预测方法 | |
| CN109814037A (zh) | 锂离子电池熵热系数的获取方法、终端设备及介质 | |
| CN111751143A (zh) | 智能锁测试系统、方法、装置和存储介质 | |
| CN109633448A (zh) | 识别电池健康状态的方法、装置和终端设备 | |
| CN109713762A (zh) | 一种充电控制方法、装置及终端设备 | |
| CN112968450A (zh) | 一种储能参与调频的储能系统效益评估方法 | |
| CN116485220A (zh) | 一种员工绩效考核方法、装置、电子设备及存储介质 | |
| CN117665630A (zh) | 一种基于充放电循环数据的电池寿命预测方法及系统 | |
| CN113646947A (zh) | 开发支援装置、开发支援方法以及计算机程序 | |
| CN108399505A (zh) | 分布式光伏电源接入容量规划方法及终端设备 | |
| CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
| CN117237034B (zh) | 度电成本确定方法、装置、计算机设备及存储介质 | |
| CN113689068A (zh) | 一种电力电量平衡规划方法、装置及终端设备 | |
| CN117035445A (zh) | 储能系统的收益预测方法、装置、设备及存储介质 | |
| CN117557125A (zh) | 一种电力系统灵活性资源调节能力评价方法及系统 | |
| CN116432908A (zh) | 近零碳园区的碳核算方法、装置、终端及存储介质 | |
| CN113933718B (zh) | 一种退役电池容量分选方法、装置、设备及存储介质 | |
| CN115545588A (zh) | 固定储能系统选址确定方法、装置、电子设备及存储介质 | |
| CN115511016A (zh) | 一种基于增量主动学习的电费异常检测方法及其装置 | |
| CN105427045A (zh) | 一种电力系统及电力市场参与主体风险评估系统 | |
| CN115015786A (zh) | 动力电池荷电状态确定方法、装置和电子设备 | |
| CN113642248A (zh) | 定位设备剩余使用时间的评估方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |