CN104655953A - 耗电预测装置及方法 - Google Patents

耗电预测装置及方法 Download PDF

Info

Publication number
CN104655953A
CN104655953A CN201310655388.4A CN201310655388A CN104655953A CN 104655953 A CN104655953 A CN 104655953A CN 201310655388 A CN201310655388 A CN 201310655388A CN 104655953 A CN104655953 A CN 104655953A
Authority
CN
China
Prior art keywords
state
operating state
current
time
electrical equipment
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.)
Pending
Application number
CN201310655388.4A
Other languages
English (en)
Inventor
邱育生
曹孝栎
陈勇旗
郭时粹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute for Information Industry
Original Assignee
Institute for Information Industry
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute for Information Industry filed Critical Institute for Information Industry
Publication of CN104655953A publication Critical patent/CN104655953A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

一种耗电预测装置及方法。该耗电预测装置接收一电器的多笔用电资料，该多笔用电资料具有一时间顺序。各用电资料包含一记录状态及该记录状态所对应的一记录时间长度，且各该记录状态为该电器所具有的多个运作状态其中之一。该耗电预测装置根据该多个记录状态及该多个记录时间长度计算各该运作状态的一平均运转时间长度，且根据该时间顺序及该多笔用电资料计算各该运作状态的至少一转移机率。各该转移机率为由一来源状态进入一目标状态的机率，该来源状态为该多个运作状态其中之一，该目标状态为该多个运作状态其中之一。

Description

耗电预测装置及方法
技术领域
本发明是关于一种耗电预测装置及方法；具体而言，本发明是关于一种基于电器使用机率的耗电预测装置及方法。
背景技术
电力俨然已成为现代生活最主要的能源。为了管理电力，许多预测用电量的技术纷纷地被提出。然而，这些已知的用电量预测技术主要用于供电系统，以供地区电力系统作为用电调度或是发电量的参考。
事实上，对于终端用户而言，为了节电以降低电费，针对小范围（例如：单一工厂、智慧建筑、智慧家庭等等）进行用电量的预测也是必要的。针对终端用户的用电量预测，已知技术多半需要自用户搜集长时间（例如：一年）的用电资料，或是参考温湿度传感器所感测到的资料做为预测参考。这些已知技术在预测用电量时，往往采用类神经网络、基因演算法等技术。透过这些技术，不仅需要长时间训练过程，当预测对象的规模较小时，其预测成效也不如用于大规模时精准。
有鉴于此，本领域仍亟需一种能快速地建立出电器的用电模型并据以预测电器的未来用电量的技术。
发明内容
为解决已知技术的问题，本发明提供一种耗电预测装置及方法。
本发明所提供的耗电预测装置包含一接口及一处理单元，且二者间电性连接。该接口接收一电器的多笔用电资料，其中该电器具有多个运作状态，且这些用电资料具有一时间顺序。各用电资料包含一记录状态及该记录状态所对应的一记录时间长度，且各该记录状态为这些运作状态其中之一。该处理单元，电性连接至该接口，根据这些记录状态及这些记录时间长度计算各该运作状态的一平均运转时间长度，且根据该时间顺序及这些用电资料计算各该运作状态的至少一转移机率，其中各该转移机率为由一来源状态进入一目标状态的机率，该来源状态为这些运作状态其中之一，该目标状态为这些运作状态其中之一，且该来源状态及该目标状态不同。
本发明所提供的耗电预测方法是由一电脑执行。该耗电预测方法包含下列步骤：(a)接收一电器的多笔用电资料，该电器具有多个运作状态，这些用电资料具有一时间顺序，各用电资料包含一记录状态及该记录状态所对应的一记录时间长度，各该记录状态为这些运作状态其中之一，(b)根据这些记录状态及这些记录时间长度计算各该运作状态的一平均运转时间长度，以及(c)根据该时间顺序及这些用电资料计算各该运作状态的至少一转移机率。各该转移机率为由一来源状态进入一目标状态的机率，该来源状态为这些运作状态其中之一，该目标状态为这些运作状态其中之一，且该来源状态及该目标状态不同。
本发明是利用自电器所搜集到的用电资料为电器建立用电模型。若后续再搜集到其他的用电资料，则会利用这些后来搜集到的用电资料来更新用电模型。透过不断地更新，用电模型便能确实地反映电器在不同运作状态下的平均运转时间长度以及不同运作状态间的转移机率。在建立用电模型后，本发明便能据以预测电器之后的耗电量。简言之，本发明依据电器的一电力特征资料，先判断电器于一目前时间点处于一目前状态（亦即，电器所具有的运作状态其中之一）以及本次进入该目前状态后已经过的时间长度。之后，本发明会计算电器在此目前状态的剩余停留时间，再利用此剩余停留时间及用电模型上的信息来计算电器在目前时间点至目标时间点间的预测耗电量。因此，本发明不需要额外的环境资料（例如：温度资料、湿度资料等等），能在仅搜集到电器的少部分用电资料下，就能建立出电器的用电模型，进而达到预测电器的未来用电量的效果。
附图说明
为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明，其中：
图1A描绘第一实施例的耗电预测装置的示意图；
图1B描绘第一用电资料的示意图；
图1C描绘电器的用电模型的示意图；
图2A描绘第二实施例的耗电预测方法的主要流程图；以及
图2B描绘步骤S23的细部流程图。
图中元件标号说明：
1：耗电预测装置
11：接口
13：处理单元
15：智慧型电表
17：建筑
19：电器
10a、10b、10c、10d、10e：第一用电资料
12a、12b：第二用电资料
S1、S2、S3、START、END：运作状态
T1、T2、T3、T4、T5：记录时间长度
ρ01、ρ12、ρ21、ρ23、ρ31、ρ34：转移机率
S21～S27：步骤
S231～S236：步骤
具体实施方式
以下将透过不同的实施例来解释本发明所提供的耗电预测装置及方法。然而，本发明的实施例并非用以限制本发明须在如实施例所述的任何环境、应用或方式方能实施。因此，关于实施例的说明仅为阐释本发明的目的，而非用以直接限制本发明。须说明者，以下实施例及图式中，与本发明非直接相关的元件已省略而未绘示。
本发明的第一实施例为一耗电预测装置1，其示意图是描绘于图1A。耗电预测装置1包含一接口11及一处理单元13，且二者彼此电性连接。接口11可为任何能接收及传送信号的接口，而处理单元13则可为本发明所属技术领域中具有通常知识者所知悉的各种处理器、中央处理装置（central processingunit）、微处理器或其他计算装置中的任一种。
于本实施例中，接口11电性连接至一智慧型电表15，且此智慧型电表15连接至一建筑17中的一电器19。需说明者，于本发明的其他实施态样中，智慧型电表15可被一非侵入式负载监控设备取代。建筑17中的电器19具有多个运作状态。举例而言，若电器19为一电扇，则其所具有的状态可包含“强”、“中”、“弱”、“启动”及“关闭”。需说明的是，所属技术领域中技术人员应可轻易地理解，不同的电器会具有不同的状态，且状态的数目亦会有所不同。于本实施例中，电器19具有五个运作状态S1、S2、S3、START及END。
接口11透过智慧型电表15接收电器19的多笔第一用电资料10a、10b、10c、10d、……、10e。请一并参考图1B，其是描绘第一用电资料10a、10b、10c、10d、……、10e的示意图。第一用电资料10a、10b、10c、10d、……、10e具有一第一时间顺序。依该第一时间顺序，第一用电资料10a早于第一用电资料10b，第一用电资料10b早于第一用电资料10c，依此类推。各笔第一用电资料10a、10b、10c、10d、……、10e包含一第一记录状态及该第一记录状态所对应的一第一记录时间长度，其中各该第一记录状态为电器19的五个运作状态S1、S2、S3、START及END其中之一。简言之，第一用电资料10a、10b、10c、10d、……、10e的每一笔记录电器19曾于某一运作状态下运作了某一时间长度。于本实施例中，第一用电资料10a包含记录状态S1及第一记录时间长度T1，第一用电资料10b包含记录状态S2及第一记录时间长度T2，第一用电资料10c包含记录状态S1及第一记录时间长度T3，第一用电资料10d包含记录状态S2及第一记录时间长度T4，且第一用电资料10e包含记录状态S3及第一记录时间长度T5。
接着，处理单元13利用第一用电资料10a、10b、10c、10d、……、10e来建立电器19的用电模型。需说明者，此用电模型具有电器19于运作状态S1、S2、S3、START及END的每一个的一平均运转时间长度，以及电器19由某一运作状态进入其他运作状态的转移机率。
具体而言，处理单元13根据第一用电资料10a、10b、10c、10d、……、10e所包含的这些第一记录状态及这些第一记录时间长度，计算运作状态S1、S2、S3、START及END中的每一个的平均运转时间长度。举例而言，处理单元13可借由对运作状态S1、S2、S3、START及END的每一个进行以下处理，来计算出其平均运转时间长度：(a)自第一用电资料10a、10b、10c、10d、……、10e中选取第一记录状态为该运作状态者，作为至少一选取用电资料，以及(b)将该至少一选取用电资料所对应的该至少一第一记录时间长度进行算术平均以作为该运作状态的该平均运转时间长度。以运作状态S1为例，处理单元13会选取第一用电资料10a、10c作为选取用电资料，再将其选取用电资料（亦即，第一用电资料10a、10c）所包含的第一记录时间长度（亦即，第一记录时间长度T1、T3）平均作为运作状态S1的平均运转时间长度。需说明者，于本发明的其他实施态样中，处理单元亦可采用其他的方式计算各运作状态的平均运转时间长度，例如：以取中位数或众数的方式为之。
此外，处理单元13会根据第一用电资料10a、10b、10c、10d、……、10e所具有的该时间顺序及第一用电资料10a、10b、10c、10d、……、10e，计算运作状态S1、S2、S3、START及END中的每一个的至少一转移机率。各该转移机率为由一来源状态进入一目标状态的机率，其中该来源状态为运作状态S1、S2、S3、START及END其中之一，该目标状态亦为运作状态S1、S2、S3、START及END其中之一，且该来源状态及该目标状态不同。
举例而言，处理单元13可借由对运作状态S1、S2、S3、START及END的每一个进行以下处理，来计算出运作状态S1、S2、S3、START及END的每一个的该至少一转移机率：(a)依据该时间顺序及这些第一记录状态，统计进入该运作状态的一第一数目，(b)依据该时间顺序及这些第一记录状态，决定离开该运作状态后所进入的至少一移转状态，各该至少一移转状态为运作状态S1、S2、S3、START及END其中之一，(c)依据该时间顺序及这些第一记录状态，统计由该运作状态进入各该至少一移转状态的至少一第二数目，以及(d)将各该至少一第二数目各自除以该第一数目以得该运作状态的该至少一转移机率。
兹以运作状态S1为例作进一步的说明。处理单元13会依据该时间顺序及这些第一记录状态，统计进入运作状态S1的第一数目。以图1B所描绘的第一用电资料10b、10c为例，由于第一用电资料10c紧接于第一用电资料10b之后，代表电器19曾在离开运作状态S2之后进入运作状态S1。处理单元13便是依据这类信息来进行统计，并得出进入运作状态S1的第一数目。另一方面，处理单元13亦会依据该时间顺序及这些第一记录状态，决定电器19离开运作状态S1后所进入的状态为何，并以此作为运作状态S1的移转状态。以图1B所描绘的第一用电资料10a、10b以及第一用电资料10c、10d为例，电器19离开运作状态S1皆进入运作状态S2，因此处理单元13决定运作状态S1有一个移转状态，且该移转状态为运作状态S2。处理单元13再依据该时间顺序及这些第一记录状态，统计由运作状态S1进入各该至少一移转状态（亦即，运作状态S2）的至少一第二数目。之后，处理单元13将各该至少一第二数目各自除以该第一数目以得运作状态S1的该至少一转移机率。
为方便理解，关于处理单元13为电器19所建立的用电模型，可参考图1C。图1C中的五个圆圈代表运作状态S1、S2、S3、START及END，其中运作状态S1、S2、S3、START及END的每一个有一平均运转时间长度。此外，运作状态START进入运作状态S1的转移机率为ρ01，运作状态S1进入运作状态S2的转移机率为ρ12，运作状态S2进入运作状态S1、S3的转移机率分别为ρ21、ρ23，且运作状态S3进入运作状态S1、END的转移机率分别为ρ31、ρ34。需说明者，本发明的重点在于为电器建立用电模型，但未限制用电模型需以如图1C的状态转换图来呈现。
透过上述运作，处理单元13便可利用自电器19所搜集到的第一用电资料10a、10b、10c、10d、……、10e为电器19建立用电模型。在建立电器19的用电模型后，耗电预测装置1便能预测电器19之后的耗电量。于本实施例中，耗电预测装置1具有一能耗预测间距，代表处理单元13每次所能预测耗电量的时间长度。举例而言，若目前时间点为10:00AM，而能耗预测间距为15分钟，则处理单元13将会利用电器19的用电模型来预测10:00AM至10:15AM的耗电量。以下将接着说明耗电预测装置1如何依据电器19的用电模型来预测电器19之后的耗电量。
处理单元13可依据电器19的一电力特征资料判断电器19于一目前时间点的一目前状态以及于该目前状态下的一已停留时间长度，其中该目前状态为运作状态S1、S2、S3、START及END其中之一，而该已停留时间长度代表电器19于本次进入该目前状态后已经过的时间长度。需说明者，处理单元13如何依据电器19的电力特征资料来判断电器19于目前时间点处于哪一运作状态（亦即，前述目前状态）以及在该运作状态下已经过的时间长度并非本发明的重点，故不赘言。
接着，处理单元13便可依据以下公式(1)以递回的方式来预测电器19自一目前时间点至一目标时间点的一预测耗电量。
E H ( T from , T to , t , i ) = P i + E ( T from + 1 , T to , t - 1 , i ) , ift ≥ 0 Σ j ∈ H X ( E ( T from + 1 , T to , s j h , j ) + ΔP ij ) · ρ ij h , ift ≥ 0 P i , if T from = T to 0 , if T from > T to - - - ( 1 )
上述公式(1)中，变数Tfrom代表目前时间点，变数Tto代表目标时间点，变数i代表目前状态，变数t代表电器19在目前时间点（亦即，变数Tfrom的值）的目前状态（亦即，变数i的值）下的剩余停留时间，变数Pi代表目前状态（亦即，变数i的值）的一功率（亦即，平均功耗），变数代表运作状态j在时段h的平均运转时间长度，变数代表在时段h由运作状态i转移至运作状态j的机率（亦即，前述转移机率），变数HX代表为电器19的有限的运作状态集合，变数△Pij代表由运作状态i转移至运作状态j的功率变化，且期望值EH代表电器19于目前时间点至目标时间点的预测耗电量。
为便于理解，兹假设目前状态为运作状态S2，运作状态S2的平均运转时间长度为30分钟，目前时间点为10:00AM，能耗预测间距为15分钟，且电器19在目前时间点（亦即，10:00AM）在目前状态（亦即，运作状态S2）下的已停留时间长度为20分钟。处理单元13利用上述公式(1)所进行的预测即为E(10:00AM,10:10AM,10,i)+Pi+E(10:10AM,10:15AM,5,i)。
详言之，处理单元13在利用公式(1)进行上述预测时，会依据该能耗预测间距（例如：上述15分钟）、该已停留时间长度（例如：上述20分钟）及该目前状态所对应的该平均运转时间长度（例如：上述30分钟）计算在目前状态的剩余停留时间。于上述范例中，电器19于目前时间点在目前状态的剩余停留时间为10分钟，因此先以E(10:00AM,10:10AM,10,i)进行计算；之后加上Pi；之后剩余停留时间小于零，因此需进行一状态转换，故再加上E(10:10AM,10:15AM,5,i)。
简言之，由公式(1)可知，倘若处理单元13判断该剩余停留时间不小于零，则处理单元13会利用该目前状态的一功率、该剩余停留时间、该目前时间点及一目标时间点，计算电器19于目前时间点至目标时间点的预测耗电量。倘若处理单元13判断该剩余停留时间小于零，处理单元13会选取该目前状态的该至少一转移机率作为至少一选取转移机率，利用各该至少一选取转移机率、各该至少一选取转移机率的该目标状态的该停留时间长度、由该目前状态进入各该至少一选取转移机率的该目标状态的至少一转换功率、该目前时间电及一目标时间点，计算电器19于该目前时间点至该目标时间点的一预测耗电量。倘若处理单元13判断目前时间点及目标时间点相同，则处理单元13将会以电器19的该目前状态的功率（亦即，平均功耗）作为目前时间点至目标时间点的预测耗电量。再者，若处理单元13判断目前时间点晚于目标时间点，则会以零作为目前时间点至目标时间点的预测耗电量。
需说明者，于本发明的其他实施态样中，处理单元13可采取其他的方式来处理剩余停留时间小于零的情况。处理单元13可先利用该目前状态的该至少一转移机率计算出至少一选取转移机率。之后，处理单元再利用各该至少一选取转移机率、各该至少一选取转移机率的该目标状态的该停留时间长度、由该目前状态进入各该至少一选取转移机率的该目标状态的至少一转换功率、该目前时间电及一目标时间点，计算该电器于该目前时间点至该目标时间点的一预测耗电量。举例而言，处理单元13可将一天的时间长度区分为多个不同的时段，并利用不同的时段及转移机率计算出选取转移机率。
后续，若接口11更接收电器19的多笔第二用电资料12a、……、12b，则可根据第二用电资料12a、……、12b来更新电器19的用电模型。具体而言，第二用电资料12a、……、12b具有一第二时间顺序，其中第二用电资料12a、……、12b的每一笔包含一第二记录状态及该第二记录状态所对应的一第二记录时间长度，且各该第二记录状态为运作状态S1、S2、S3、START及END其中之一。处理单元13会采取前述方式，根据这些第二记录状态及这些第二记录时间长度更新运作状态S1、S2、S3、START及END的每一个的平均运转时间长度，且根据该第二时间顺序及第二用电资料12a、……、12b更新运作状态S1、S2、S3、START及END的每一个的该至少一转移机率。
综上所述，耗电预测装置1会利用自电器19所搜集到的第一用电资料10a、10b、10c、10d、……、10e为电器19建立用电模型。若后续再搜集到其他的用电资料，则会利用这些后来搜集到的用电资料来更新用电模型。透过不断地更新，用电模型便能确实地反映电器19在不同运作状态下的平均运转时间长度以及不同运作状态间的转移机率。在建立用电模型后，耗电预测装置1便能据以预测电器19之后的耗电量。简言之，耗电预测装置1可依据电器19的一电力特征资料，先判断电器19于一目前时间点处于一目前状态（亦即，电器19所具有的运作状态S1、S2、S3、START及END其中之一）以及本次进入该目前状态后的一已停留时间长度。之后，耗电预测装置1会依据一能耗预测间距、该已停留时间长度及该目前状态所对应的该停留时间长度平均运转时间长度，计算电器19在此目前状态的剩余停留时间，再利用此剩余停留时间及用电模型上的信息来计算电器19在目前时间点至目标时间点间的预测耗电量。
透过本实施例的机制，耗电预测装置1不需要额外的环境资料（例如：温度资料、湿度资料等等），能在仅搜集到电器19的少部分用电资料下，就能建立出电器19的用电模型，进而达到预测电器19的未来用电量的效果。
本发明的第二实施例为一耗电预测方法，其主要流程图是描绘于图2A。本实施例的耗电预测方法是由一电脑、一电子装置、一处理单元或其他具有运算能力的计算装置来执行。
首先，执行步骤S21，接收一电器的多笔用电资料。该电器具有多个运作状态，这些用电资料具有一时间顺序，各用电资料包含一记录状态及该记录状态所对应的一记录时间长度，且各该记录状态为这些运作状态其中之一。
之后，执行步骤S22，根据这些记录状态及这些记录时间长度计算各该运作状态的一平均运转时间长度。需说明者，于本发明的某些实施态样中，步骤S22可借由对各该运作状态进行以下步骤，以计算出各该运作状态的该平均运转时间长度：(a)自这些用电资料中选取该记录状态为该运作状态者，作为至少一选取用电资料，以及(b)将该至少一选取用电资料所对应的该至少一第一记录时间长度平均以作为该运作状态的该平均运转时间长度。
于步骤S23，根据该时间顺序及这些用电资料计算各该运作状态的至少一转移机率。各该转移机率为由一来源状态进入一目标状态的机率，该来源状态为这些运作状态其中之一，该目标状态为这些运作状态其中之一，且该来源状态及该目标状态不同。
需说明的是，于本发明的某些实施态样中，步骤S23可借由图2B所描绘的流程，来计算出所有运作状态的转移机率。首先，于步骤S231中，选择一尚未计算出转移机率的运作状态。接着，执行步骤S232，依据该时间顺序及这些记录状态，统计进入步骤S231所选取的该运作状态的一第一数目。于步骤S233，依据该时间顺序及这些记录状态，决定离开该运作状态后所进入的至少一移转状态，各该至少一移转状态为这些运作状态其中之一。随后，于步骤S234，依据该时间顺序及这些记录状态，统计由该运作状态进入各该至少一移转状态的至少一第二数目。之后，执行步骤S235，将各该至少一第二数目各自除以该第一数目以得该运作状态的该至少一转移机率。之后，执行步骤S236，判断是否尚有未计算出转移机率的运作状态。若步骤S236的判断结果为是，则重复地执行步骤S231至步骤S235以计算其他运作状态的转移机率。若步骤S236的判断结果为否，则结束步骤S23。于执行完步骤S23后，代表本实施例的耗电预测方法已为电器建立了用电模型，因此后续便可利用此用电模型来预估电器的耗电量。
后续，可执行步骤S24，接收该电器的一电力特征资料。之后，执行步骤S25，依据该电器的该电力特征资料判断该电器于一目前时间点的一目前状态以及于该目前状态下的一已停留时间长度，其中该目前状态为这些运作状态其中之一。之后，于步骤S26，依据一能耗预测间距、该已停留时间长度及该目前状态所对应的该平均运转时间长度计算一剩余停留时间。
接着，执行步骤S27，依据剩余停留时间，对目前时间点进行能耗预测间距的耗电量预测。具体而言，步骤S27可利用上述公式(1)以递回的方式进行计算。简言之，进行递回运算时，当剩余停留时间不小于零时，步骤S27利用该目前状态的一功率、该剩余停留时间、该目前时间点及一目标时间点，计算该电器于该目前时间点至该目标时间点的一预测耗电量。当剩余停留时间小于零时，则步骤S27选取该目前状态的该至少一转移机率作为至少一选取转移机率，利用各该至少一选取转移机率、各该至少一选取转移机率的该目标状态的该平均运转时间长度、由该目前状态进入各该至少一选取转移机率的该目标状态的至少一转换功率、该目前时间电及一目标时间点，计算该电器于该目前时间点至该目标时间点的一预测耗电量。
另一方面，于执行完步骤S23后（亦即，于耗电预测方法为电器建立了用电模型后），耗电预测方法可再执行其他步骤来更新用电模型。具体而言，耗电预测方法可再执行一步骤（未绘示），接收该电器的多笔其他用电资料，这些其他用电资料具有一时间顺序，各笔其他用电资料包含一记录状态及该记录状态所对应的一记录时间长度，各该记录状态为这些运作状态其中之一。之后，再执行另一步骤，根据这些其他用电资料所包含的这些记录状态及这些记录时间长度更新各该运作状态的该平均运转时间长度，且根据该时间顺序及这些其他用电资料更新各该运作状态的该至少一转移机率。
除了前述的步骤外，第二实施例亦能执行第一实施例的所有运作及功能。所属技术领域具有通常知识者可直接了解第二实施例如何基于上述第一实施例以执行此等操作及功能，故不赘述。
再者，第二实施例所描述的耗电预测方法可由一电脑程序产品加以实现。当一电子装置载入此电脑程序产品，并执行此电脑程序产品所包含的多个指令后，即可完成第二实施例所描述的耗电预测方法。前述的电脑程序产品可为能被于网络上传输的档案，亦可被储存于电脑可读取记录媒体中，例如唯读存储器（read only memory；ROM）、快闪存储器、软盘、硬盘、光盘、随身盘、磁带、可由网络存取的资料库或本领域技术人员所已知且具有相同功能的任何其它储存媒体中。
综上所述，本发明利用自电器所搜集到的用电资料为电器建立用电模型。若后续再搜集到其他的用电资料，则会利用这些后来搜集到的用电资料来更新用电模型。透过不断地更新，用电模型便能确实地反映电器在不同运作状态下的平均运转时间长度以及不同运作状态间的转移机率。在建立用电模型后，本发明便能据以预测电器之后的耗电量。简言之，本发明依据电器的一电力特征资料，先判断电器于一目前时间点处于一目前状态（亦即，电器所具有的运作状态其中之一）以及本次进入该目前状态后已经过的时间长度。之后，本发明会计算电器在此目前状态的剩余停留时间，再利用此剩余停留时间及用电模型上的信息来计算电器在目前时间点至目标时间点间的预测耗电量。因此，本发明不需要额外的环境资料（例如：温度资料、湿度资料等等），能在仅搜集到电器的少部分用电资料下，就能建立出电器的用电模型，进而达到预测电器的未来用电量的效果。
虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。

Claims (14)

1.一种耗电预测装置，其特征在于，包含：
一接口，接收一电器的多笔第一用电资料，该电器具有多个运作状态，该多笔第一用电资料具有一第一时间顺序，各第一用电资料包含一第一记录状态及该第一记录状态所对应的一第一记录时间长度，各该第一记录状态为该多个运作状态其中之一；以及
一处理单元，电性连接至该接口，根据该多个第一记录状态及该多个第一记录时间长度计算各该运作状态的一平均运转时间长度，且根据该第一时间顺序及该多笔第一用电资料计算各该运作状态的至少一转移机率，其中各该转移机率为由一来源状态进入一目标状态的机率，该来源状态为该多个运作状态其中之一，该目标状态为该多个运作状态其中之一，且该来源状态及该目标状态不同。
2.如权利要求1所述的耗电预测装置，其特征在于，该处理单元是借由对各该运作状态进行以下处理，以计算出各该运作状态的该平均运转时间长度：
自该多笔第一用电资料中选取该第一记录状态为该运作状态者，作为至少一选取用电资料，
将该至少一选取用电资料所对应的该至少一第一记录时间长度进行算术平均以作为该运作状态的该平均运转时间长度。
3.如权利要求1所述的耗电预测装置，其特征在于，该处理单元是借由对各该运作状态进行以下处理，以计算出各该运作状态的该至少一转移机率：
依据该时间顺序及该多个第一记录状态，统计进入该运作状态的一第一数目，
依据该时间顺序及该多个第一记录状态，决定离开该运作状态后所进入的至少一移转状态，各该至少一移转状态为该多个运作状态其中之一，
依据该时间顺序及该多个第一记录状态，统计由该运作状态进入各该至少一移转状态的至少一第二数目，
将各该至少一第二数目各自除以该第一数目以得该运作状态的该至少一转移机率。
4.如权利要求1所述的耗电预测装置，其特征在于，该处理单元更依据该电器的一电力特征资料判断该电器于一目前时间点的一目前状态以及于该目前状态下的一已停留时间长度，该目前状态为该多个运作状态其中之一，该处理单元更依据一能耗预测间距、该已停留时间长度及该目前状态所对应的该平均运转时间长度计算一剩余停留时间，该处理单元更判断该剩余停留时间不小于零，该处理单元更利用该目前状态的一功率、该剩余停留时间、该目前时间点及一目标时间点，计算该电器于该目前时间点至该目标时间点的一预测耗电量。
5.如权利要求1所述的耗电预测装置，其特征在于，该处理单元更依据该电器的一电力特征资料判断该电器于一目前时间点的一目前状态以及于该目前状态下的一已停留时间长度，该目前状态为该多个运作状态其中之一，该处理单元更依据一能耗预测间距、该已停留时间长度及该目前状态所对应的该平均运转时间长度计算一剩余停留时间，该处理单元更判断该剩余停留时间小于零，该处理单元更选取该目前状态的该至少一转移机率作为至少一选取转移机率，该处理单元更利用各该至少一选取转移机率、各该至少一选取转移机率的该目标状态的该平均运转时间长度、由该目前状态进入各该至少一选取转移机率的该目标状态的至少一转换功率、该目前时间电及一目标时间点，计算该电器于该目前时间点至该目标时间点的一预测耗电量。
6.如权利要求1所述的耗电预测装置，其特征在于，该处理单元更依据该电器的一电力特征资料判断该电器于一目前时间点的一目前状态以及于该目前状态下的一已停留时间长度，该目前状态为该多个运作状态其中之一，该处理单元更依据该已停留时间长度及该目前状态所对应的该平均运转时间长度计算一剩余停留时间，该处理单元更判断该剩余停留时间小于零，该处理单元更利用该目前状态的该至少一转移机率计算出至少一选取转移机率，该处理单元更利用各该至少一选取转移机率、各该至少一选取转移机率的该目标状态的该平均运转时间长度、由该目前状态进入各该至少一选取转移机率的该目标状态的至少一转换功率、该目前时间电及一目标时间点，计算该电器于该目前时间点至该目标时间点的一预测耗电量。
7.如权利要求1所述的耗电预测装置，其特征在于，该接口更接收该电器的多笔第二用电资料，该多笔第二用电资料具有一第二时间顺序，各第二用电资料包含一第二记录状态及该第二记录状态所对应的一第二记录时间长度，各该第二记录状态为该多个运作状态其中之一，该处理单元更根据该多个第二记录状态及该多个第二记录时间长度更新各该运作状态的该平均运转时间长度，且根据该第二时间顺序及该多笔第二用电资料更新各该运作状态的该至少一转移机率。
8.一种电脑执行的耗电预测方法，其特征在于，包含下列步骤：
(a)接收一电器的多笔第一用电资料，该电器具有多个运作状态，该多个第一用电资料具有一第一时间顺序，各第一用电资料包含一第一记录状态及该第一记录状态所对应的一第一记录时间长度，各该第一记录状态为该多个运作状态其中之一；
(b)根据该多个第一记录状态及该多个第一记录时间长度计算各该运作状态的一平均运转时间长度；以及
(c)根据该第一时间顺序及该多笔第一用电资料计算各该运作状态的至少一转移机率；
其中，各该转移机率为由一来源状态进入一目标状态的机率，该来源状态为该多个运作状态其中之一，该目标状态为该多个运作状态其中之一，且该来源状态及该目标状态不同。
9.如权利要求8所述的耗电预测方法，其特征在于，该步骤(c)是借由对各该运作状态进行以下步骤，以计算出各该运作状态的该平均运转时间长度：
自该多笔第一用电资料中选取该第一记录状态为该运作状态者，作为至少一选取用电资料；以及
将该至少一选取用电资料所对应的该至少一第一记录时间长度进行算术平均以作为该运作状态的该平均运转时间长度。
10.如权利要求8所述的耗电预测方法，其特征在于，该步骤(c)是借由对各该运作状态进行以下步骤，以计算出各该运作状态的该至少一转移机率：
依据该时间顺序及该多个第一记录状态，统计进入该运作状态的一第一数目；
依据该时间顺序及该多个第一记录状态，决定离开该运作状态后所进入的至少一移转状态，各该至少一移转状态为该多个运作状态其中之一；
依据该时间顺序及该多个第一记录状态，统计由该运作状态进入各该至少一移转状态的至少一第二数目；以及
将各该至少一第二数目各自除以该第一数目以得该运作状态的该至少一转移机率。
11.如权利要求8所述的耗电预测方法，更包含下列步骤：
依据该电器的一电力特征资料判断该电器于一目前时间点的一目前状态以及于该目前状态下的一已停留时间长度，该目前状态为该多个运作状态其中之一；
依据一能耗预测间距、该已停留时间长度及该目前状态所对应的该平均运转时间长度计算一剩余停留时间；
判断该剩余停留时间不小于零；以及
利用该目前状态的一功率、该剩余停留时间、该目前时间点及一目标时间点，计算该电器于该目前时间点至该目标时间点的一预测耗电量。
12.如权利要求8所述的耗电预测方法，更包含下列步骤：
依据该电器的一电力特征资料判断该电器于一目前时间点的一目前状态以及于该目前状态下的一已停留时间长度，该目前状态为该多个运作状态其中之一；
依据该已停留时间长度及该目前状态所对应的该平均运转时间长度计算一剩余停留时间；
判断该剩余停留时间小于零；
选取该目前状态的该至少一转移机率作为至少一选取转移机率；以及
利用各该至少一选取转移机率、各该至少一选取转移机率的该目标状态的该平均运转时间长度、由该目前状态进入各该至少一选取转移机率的该目标状态的至少一转换功率、该目前时间电及一目标时间点，计算该电器于该目前时间点至该目标时间点的一预测耗电量。
13.如权利要求8所述的耗电预测方法，更包含下列步骤：
依据该电器的一电力特征资料判断该电器于一目前时间点的一目前状态以及于该目前状态下的一已停留时间长度，该目前状态为该多个运作状态其中之一；
依据一能耗预测间距、该已停留时间长度及该目前状态所对应的该平均运转时间长度计算一剩余停留时间；
判断该剩余停留时间小于零；
利用该目前状态的该至少一转移机率计算出至少一选取转移机率；以及
利用各该至少一选取转移机率、各该至少一选取转移机率的该目标状态的该平均运转时间长度、由该目前状态进入各该至少一选取转移机率的该目标状态的至少一转换功率、该目前时间电及一目标时间点，计算该电器于该目前时间点至该目标时间点的一预测耗电量。
14.如权利要求8所述的耗电预测方法，更包含下列步骤：
接收该电器的多笔第二用电资料，该多笔第二用电资料具有一第二时间顺序，各第二用电资料包含一第二记录状态及该第二记录状态所对应的一第二记录时间长度，各该第二记录状态为该多个运作状态其中之一；
根据该多个第二记录状态及该多个第二记录时间长度更新各该运作状态的该平均运转时间长度；以及
根据该第二时间顺序及该多笔第二用电资料更新各该运作状态的该至少一转移机率。
CN201310655388.4A 2013-11-22 2013-12-05 耗电预测装置及方法 Pending CN104655953A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW102142609A TWI481881B (zh) 2013-11-22 2013-11-22 耗電預測裝置、方法及其電腦程式產品
TW102142609 2013-11-22

Publications (1)

Publication Number Publication Date
CN104655953A true CN104655953A (zh) 2015-05-27

Family

ID=53183346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310655388.4A Pending CN104655953A (zh) 2013-11-22 2013-12-05 耗电预测装置及方法

Country Status (4)

Country Link
US (1) US20150149130A1 (zh)
JP (1) JP5940581B2 (zh)
CN (1) CN104655953A (zh)
TW (1) TWI481881B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915283A (zh) * 2015-06-25 2015-09-16 北京奇虎科技有限公司 衡量移动终端耗电情况的方法和装置
CN107194502A (zh) * 2017-05-04 2017-09-22 山东大学 一种居民用户电力负荷预测方法
CN108090647A (zh) * 2016-11-23 2018-05-29 财团法人资讯工业策进会 取得用电户的负载运作机率的方法及取得用电户群组的负载运作机率的方法
CN109359780A (zh) * 2018-11-16 2019-02-19 上海电力学院 一种基于电器化指数的居民用电量预测方法
CN111224443A (zh) * 2020-02-05 2020-06-02 广州赛特智能科技有限公司 基于大数据的配送机器人充电方法、系统及处理终端

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI580145B (zh) * 2015-10-27 2017-04-21 財團法人資訊工業策進會 適用於加工機台之用電量預估系統與用電量預估方法
CN106707807B (zh) * 2016-11-28 2018-01-02 深圳普创天信科技发展有限公司 饮水机及其基于时序的智能控制方法、系统
CN108387776A (zh) * 2018-01-02 2018-08-10 山东浪潮通软信息科技有限公司 一种智能电表的预警方法及装置
CN111126707B (zh) * 2019-12-26 2023-10-27 华自科技股份有限公司 能耗方程构建、能耗预测方法与装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0627175A (ja) * 1992-07-07 1994-02-04 Toyota Autom Loom Works Ltd コンデンサの寿命計算装置
US7310572B2 (en) * 2005-09-16 2007-12-18 Honeywell International Inc. Predictive contract system and method
US20110307200A1 (en) * 2010-06-11 2011-12-15 Academia Sinica Recognizing multiple appliance operating states using circuit-level electrical information
CN103198235A (zh) * 2013-04-27 2013-07-10 国家电网公司 基于风功率纵向时刻概率分布的风功率预测值预评估方法
US20130253890A1 (en) * 2012-03-22 2013-09-26 Kabushiki Kaisha Toshiba Behavioral model generating device and method therefor

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7400115B2 (en) * 2006-02-09 2008-07-15 Lg Chem, Ltd. System, method, and article of manufacture for determining an estimated combined battery state-parameter vector
US7752468B2 (en) * 2006-06-06 2010-07-06 Intel Corporation Predict computing platform memory power utilization
US8190939B2 (en) * 2009-06-26 2012-05-29 Microsoft Corporation Reducing power consumption of computing devices by forecasting computing performance needs
JP2011178209A (ja) * 2010-02-26 2011-09-15 Denso Corp 消費電力予測装置
JPWO2011162405A1 (ja) * 2010-06-25 2013-08-22 シャープ株式会社 複数の電気機器を効率的に動作させる電気管理システム、及びそのための電気機器、中央管理装置、コンピュータプログラムとその記憶媒体、並びに中央管理装置における電気機器の管理方法
US9190844B2 (en) * 2012-11-04 2015-11-17 Bao Tran Systems and methods for reducing energy usage
US8560134B1 (en) * 2010-09-10 2013-10-15 Kwangduk Douglas Lee System and method for electric load recognition from centrally monitored power signal and its application to home energy management
EP2652685A2 (en) * 2010-12-13 2013-10-23 Fraunhofer USA, Inc. Methods and system for nonintrusive load monitoring
US8812427B2 (en) * 2011-04-27 2014-08-19 Hewlett-Packard Development Company, L.P. System and method for disaggregating power load
US8543135B2 (en) * 2011-05-12 2013-09-24 Amit Goyal Contextually aware mobile device
CN103688284A (zh) * 2011-07-13 2014-03-26 日东电工株式会社 按需型电力控制系统、按需型电力控制系统程序以及记录该程序的计算机可读记录介质
TWI420126B (zh) * 2011-09-27 2013-12-21 Neotec Semiconductor Ltd 電池容量預測裝置及其預測方法
JP5395923B2 (ja) * 2012-03-22 2014-01-22 株式会社東芝 行動モデル生成装置およびその方法
KR102065801B1 (ko) * 2012-03-30 2020-01-13 소니 주식회사 데이터 처리 장치, 데이터 처리 방법, 및 프로그램
JP6020880B2 (ja) * 2012-03-30 2016-11-02 ソニー株式会社 データ処理装置、データ処理方法、及び、プログラム
CN103037391B (zh) * 2013-01-17 2015-04-01 上海交通大学 基于数据流预测的低功耗rrc协议优化控制方法
CN103336877B (zh) * 2013-07-25 2016-03-16 哈尔滨工业大学 一种基于rvm动态可重构的卫星锂离子电池剩余寿命预测系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0627175A (ja) * 1992-07-07 1994-02-04 Toyota Autom Loom Works Ltd コンデンサの寿命計算装置
US7310572B2 (en) * 2005-09-16 2007-12-18 Honeywell International Inc. Predictive contract system and method
US20110307200A1 (en) * 2010-06-11 2011-12-15 Academia Sinica Recognizing multiple appliance operating states using circuit-level electrical information
US20130253890A1 (en) * 2012-03-22 2013-09-26 Kabushiki Kaisha Toshiba Behavioral model generating device and method therefor
CN103198235A (zh) * 2013-04-27 2013-07-10 国家电网公司 基于风功率纵向时刻概率分布的风功率预测值预评估方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915283A (zh) * 2015-06-25 2015-09-16 北京奇虎科技有限公司 衡量移动终端耗电情况的方法和装置
CN108090647A (zh) * 2016-11-23 2018-05-29 财团法人资讯工业策进会 取得用电户的负载运作机率的方法及取得用电户群组的负载运作机率的方法
CN108090647B (zh) * 2016-11-23 2021-10-01 财团法人资讯工业策进会 取得用电户的负载运作机率的方法及取得用电户群组的负载运作机率的方法
CN107194502A (zh) * 2017-05-04 2017-09-22 山东大学 一种居民用户电力负荷预测方法
CN107194502B (zh) * 2017-05-04 2020-10-23 山东大学 一种居民用户电力负荷预测方法
CN109359780A (zh) * 2018-11-16 2019-02-19 上海电力学院 一种基于电器化指数的居民用电量预测方法
CN111224443A (zh) * 2020-02-05 2020-06-02 广州赛特智能科技有限公司 基于大数据的配送机器人充电方法、系统及处理终端

Also Published As

Publication number Publication date
US20150149130A1 (en) 2015-05-28
JP5940581B2 (ja) 2016-06-29
JP2015103241A (ja) 2015-06-04
TW201520563A (zh) 2015-06-01
TWI481881B (zh) 2015-04-21

Similar Documents

Publication Publication Date Title
CN104655953A (zh) 耗电预测装置及方法
Corizzo et al. Anomaly detection and repair for accurate predictions in geo-distributed big data
US9542510B2 (en) Detecting appliances in a building from coarse grained meter data with partial label
KR101875329B1 (ko) 전력 사용량 예측 장치 및 방법
CN103020725A (zh) 电力需求预测系统以及方法
Wang et al. AlphaBuilding ResCommunity: A multi-agent virtual testbed for community-level load coordination
Liang et al. Towards online deep learning-based energy forecasting
CN110658725A (zh) 一种基于人工智能的能源监管和预测系统及其方法
Danté et al. Online modeling and identification of plug-in electric vehicles sharing a residential station
US20230244197A1 (en) Machine-learning-enhanced distributed energy resource management system
Kumar et al. Power consumption forecast model using ensemble learning for smart grid
WO2020250648A1 (ja) 電力管理システム、電力管理方法及び電力管理プログラム
CN118211045A (zh) 用于换电站的电池选取方法、装置、存储介质及设备
CN111738529A (zh) 基于强化学习的综合能源系统需求响应方法、系统及设备
CN108173275B (zh) 储能电站的充放电控制方法及装置
KR20230092852A (ko) 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법
KR101867222B1 (ko) 복합 센서의 기기상태 영향도 기반 비접촉 가전기기 식별방법 및 장치
KR20170060361A (ko) 전력 수요 분석 장치 및 이를 포함하는 전력 관리 시스템
Sanz-Alcaine et al. Online voltage prediction using gaussian process regression for fault-tolerant photovoltaic standalone applications
Babu et al. Enhanced SOC estimation of lithium ion batteries with RealTime data using machine learning algorithms
CN103873388A (zh) 一种网络内容控制方法和网络设备
ul Islam et al. Research Article Short-Term Electrical Load Demand Forecasting Based on LSTM and RNN Deep Neural Networks
CN117175609B (zh) 一种电力负荷柔性调控终端
Minhas et al. Activation of electrical loads under electricity price uncertainty
Virgili et al. Black-box model for estimating efficiency curves in DC-DC converters for energy storage systems

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20150527