CN106204329A - 一种智能电网负荷管理系统 - Google Patents
一种智能电网负荷管理系统 Download PDFInfo
- Publication number
- CN106204329A CN106204329A CN201610562895.7A CN201610562895A CN106204329A CN 106204329 A CN106204329 A CN 106204329A CN 201610562895 A CN201610562895 A CN 201610562895A CN 106204329 A CN106204329 A CN 106204329A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- cloud server
- matrix
- load management
- 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.)
- Withdrawn
Links
- 238000011084 recovery Methods 0.000 claims abstract description 46
- 230000005611 electricity Effects 0.000 claims abstract description 22
- 238000004891 communication Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 39
- 230000001537 neural effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000009885 systemic effect Effects 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 105
- 230000006870 function Effects 0.000 description 31
- 238000007781 pre-processing Methods 0.000 description 21
- 230000011218 segmentation Effects 0.000 description 21
- 238000011157 data evaluation Methods 0.000 description 11
- 238000005295 random walk Methods 0.000 description 10
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 6
- 240000002853 Nelumbo nucifera Species 0.000 description 6
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 6
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 5
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Storage Device Security (AREA)
Abstract
一种智能电网负荷管理系统,包括多个原始数据采集终端,用于录入各地区的电量相关原始数据;负荷管理中心,通过230MHz电力无线专网与多个原始数据采集终端通信,获得采集到的原始数据;云服务器,包括计算云服务器和储存云服务器;数据储存和恢复单元,连接在负荷管理中心与云服务器之间,根据负荷管理中心的请求将数据经过加密后储存到云服务器中,并且提供数据恢复取出功能;负荷分配中心,根据负荷管理中心和云服务器接受的数据,以及预先输入的月度或者年度负荷分配计划,由计算云服务器计算得到经过实时调整后的实际负荷分配计划,并将此实际负荷分配计划提供给管理人员以及各个地方电量管理处。
Description
技术领域
本发明涉及电网负荷管理领域,具体涉及一种智能电网负荷管理系统。
背景技术
电网负荷的管理是一个关系到千家百户的民生话题,今年因为负荷管理不当造成的非计划局部停电屡发不止。随着社会信息化技术的不断提高以及互联网技术快速普及,负荷管理中心需要处理的数据也越来越大,对海量数据处理的需求也越来越多。利用云计算的强大处理能力来进行电网负荷的管理,已经成为一种趋势。另一方面,电网负荷的相关参数又是要求又一定的保密性的,尤其是重要数据。
发明内容
针对上述问题,本发明提供一种智能电网负荷管理系统。
本发明的目的采用以下技术方案来实现:
一种智能电网负荷管理系统,包括多个原始数据采集终端,用于录入各地区的电量相关原始数据,所述电量相关原始数据包括用电情况、地区断电记录、地区用户满意度;
负荷管理中心,通过230MHz电力无线专网与多个原始数据采集终端通信,获得采集到的原始数据;
云服务器,包括计算云服务器和储存云服务器,所述计算云服务器为数据处理提供计算支撑,所述储存云服务器用于储存负荷管理中心输送的的各种数据;
数据储存和恢复单元,连接在负荷管理中心与云服务器之间,根据负荷管理中心的请求将数据经过加密后储存到云服务器中,并且提供数据恢复取出功能;
负荷分配中心,根据负荷管理中心和云服务器接受的数据,以及预先输入的月度或者年度负荷分配计划,由计算云服务器计算得到经过实时调整后的实际负荷分配计划,并将此实际负荷分配计划提供给管理人员以及各个地方电量管理处;
负荷预测单元,利用BP神经网络方法,根据相关运行参数预测每个地区的电网负荷;
判断修正单元,利用所述负荷预测单元预测得到的地区电网负荷与负荷分配中心的预测的相应负荷作比较,如果两者的差值小于设定阀值,则取大者;如果两者的差值大于等于设定阀值,至发送报警值管理人员,由管理人员人工确定该地区的最终负荷分配。
本智能电网负荷管理系统的有益效果为:设计了一种合理的智能电网负荷管理系统,利用云计算对电网的负荷进行科学管理,使得负荷管理中的计算和储存量大大减少,而且在调整实际负荷计划时,考虑了地区断电记录、用户满意度等因素。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是一种智能电网负荷管理系统的结构框图;
图2是数据储存和恢复单元的结构框图。
附图标记:原始数据采集终端-1;负荷管理中心-2;数据储存和恢复单元-3;云服务器-4;负荷分配中心-5;负荷预测单元-6;判断修正单元-7;负荷反馈比较单元-8;数据预处理模块-21;数据存储模块-22;数据恢复模块-23;数据评估模块-24;数据分割子模块-221;数据加密子模块-222;云存储子模块223分级匹配子模块-231;匹配容错子模块-232。
具体实施方式
结合以下实施例对本发明作进一步描述。
应用场景1:
如图1所示的一种智能电网负荷管理系统,包括多个原始数据采集终端1,用于录入各地区的电量相关原始数据,所述电量相关原始数据包括用电情况、地区断电记录、地区用户满意度;
负荷管理中心2,通过230MHz电力无线专网与多个原始数据采集终端1通信,获得采集到的原始数据;
云服务器4,包括计算云服务器和储存云服务器,所述计算云服务器为数据处理提供计算支撑,所述储存云服务器用于储存负荷管理中心输送的的各种数据;
数据储存和恢复单元3,连接在负荷管理中心与云服务器之间,根据负荷管理中心的请求将数据经过加密后储存到云服务器中,并且提供数据恢复取出功能;
负荷分配中心5,根据负荷管理中心2和云服务器4接受的数据,以及预先输入的月度或者年度负荷分配计划,由计算云服务器计算得到经过实时调整后的实际负荷分配计划,并将此实际负荷分配计划提供给管理人员以及各个地方电量管理处。
负荷预测单元6,利用BP神经网络方法,根据相关运行参数预测每个地区的电网负荷;
判断修正单元7,利用所述负荷预测单元6预测得到的地区电网负荷与负荷分配中心5的预测的相应负荷作比较,如果两者的差值小于设定阀值,则取大者;如果两者的差值大于等于设定阀值,至发送报警值管理人员,由管理人员人工确定该地区的最终负荷分配。
本发明设计了一种合理的智能电网负荷管理系统,利用云计算对电网的负荷进行科学管理,使得负荷管理中的计算和储存量大大减少,而且在调整实际负荷计划时,考虑了地区断电记录、用户满意度等因素。
优选地,所述相关运行参数包括该地区的正常运行方式、指定时间段内的检修方式、天气影响因子、节假日影响因子。
优选地,还包括负荷反馈比较单元8,所述负荷反馈比较单元8将某一地区的实时负荷与所述判断修正单元7得到的最终负荷分配相比较,如果两者的差值大于设定阀值,则发送报警信息至管理人员,由管理人员对具体负荷情况进行复查。
优选地,如图2所示,所述数据储存和恢复单元包括数据预处理模块21、数据存储模块22、数据恢复模块23和数据评估模块24:
(1)数据预处理模块21,用于对所述负荷管理中心2来的大规模数据进行分类,其具体执行以下操作:通过K-means聚类对数据进行分类,以聚类中心为名称为每一分类建立目录,重复以上分类过程,将数据进行细分,形成分类下的子分类,并形成数据的多级目录。
(2)数据存储模块22,包括数据分割子模块221、数据加密子模块222和云存储子模块223:
a、数据分割子模块221,用于对存储的数据进行分割,其具体执行以下操作:
当需要存储数据r时,首先在本地服务端1把数据r分割成长度均为h的n部分r1,r2,...,rn,然后在有限域ZP中将每个ri分别分割成n个子块ri,1,ri,2...ri,n,其中p>2h,则对于第j个子块ri,j=ri.(ri,1.ri,2....ri,j-1)-1modp,其中mod代表求余运算符;
将{ri,1.ri,2....ri,n-1}设成是初始的分块集,映射到集合{p1,p2...pn}构建线性相关关系,用下式表示线性方程组:
ai1r1,1+ai2r1,2+…+ainr1,n=ci,1
ai1r2,1+ai2r2,2+…+ainr2,n=ci,2
……
ai1rn,1+ai2rn,2+…+ainrn,n=ci,n
其中aij是从有限域ZP中任意选取的,以此类推得出c2,1,c2,2,...,c2,n,...,cn,1,cn,2,...,cn,n,用矩阵的形式表现出其相关关系,令 则上述线性方程组表示为A×R=C;
对矩阵R按下式进行二次混合得到新的矩阵C‘:A×R×A=C‘。
b、数据加密子模块222,用于对存储的数据进行加密以提高数据的安全性,其具体执行以下操作:
调用密匙生成函数,根据每个aij的值以及用户(即负荷管理中心的使用者)输入的安全参数λ值,输出解密密匙对{KE,KD},并将加密密匙KE与计算云服务器Hi共享,将解密密匙KD存储在负荷管理中心2。
通过计算云服务器向伪随机序列生成器输入aij,生成与aij一一对应的标识Tagij,同时调用同态加密函数,输入加密密匙及每个aij所对应的数据值Vij,生成密文Zij,容易知Tagij和cij均为n×n矩阵,分别记为Tag和Z矩阵;用Tag矩阵按下式对C‘进行一次混合加密得到C“:Tag×C‘=C“;然后用Z矩阵按下式对C“进行二次混合加密得到C“’:C“×Z=C“’;任意随机产生B个虚拟向量,其中B≥2n,随机地将该虚拟向量安排入C“’中,得到一个N1×N2的矩阵Q,其中N1和N2均大于n,所述虚拟向量用于掩饰真实的n值,进一步加强了数据的安全性。在此实施例中,min(N1,N2)≥n+1,得到的矩阵Q的行数或者列数至少比n值大1,称为提高了1个安全等级。
c、云存储子模块223,用于将加密后的数据上传到储存云服务器进行存储,将得到的A、C、C‘、C“、C“’、Q、Tag、Z、由C“’得到矩阵Q时的具体随机路径以及所述虚拟向量上传到储存云服务器。
(3)数据恢复模块23,用于根据用户的请求将储存数据的恢复和取出,其包括分级匹配子模块231和匹配容错子模块232,这里所指的用户包括合法用户和非法用户:
a、分级匹配子模块231,其具体执行以下操作:
用户发出请求需要恢复数据r,从储存服务器中调出矩阵Q、生成矩阵Q时的随机路径和虚拟向量,按照该随机路径逆向剔除虚拟向量后得到矩阵C“’1;
将C“’1与从储存服务器中调出的C“’比较,如果不匹配则报错,如果匹配则进入下一步;
将C“’1按照预先编写好的逆向函数以及从储存服务器中调出的矩阵Z和矩阵Tag分别得出C“1和C‘1,并分别与C“和C‘比较,任一步骤不匹配均报错,匹配成功后进入下一步;
调出矩阵A,一方面根据矩阵A的可逆性按照R=A-1C‘A-1得到储存数据r,另一方面将A用预先编好的解密函数解密,得到解密密匙KD‘,KD‘与存储在负荷管理中心2的解密密匙KD进行比较,如果KD‘与存储在负荷管理中心2的解密密匙KD相匹配,则云服务器向用户发送得到的储存数据r,这样就恢复了数据r;
b、匹配容错子模块232:
如果KD‘与KD无法匹配则报错并且将得到的数据r在设定的时间t内作保存,如果在时间t内用户重新匹配上密匙,则直接将数据r发送给用户,否则丢失该数据r。
(4)数据评估模块24,对数据预处理模块21中的数据分类过程、数据存储模块22中的数据分割和加密过程、数据恢复模块23中的分级匹配过程进行监督和评价,为后续的改进提供数据支持。
在此实施例的智能电网负荷管理系统中,(1)设置数据预处理模块21对大规模数据进行分类,能够有效提高计算效率,减少时间成本;
(2)先对数据平均分割,再对每个子块进行分割,由于C中任意元素的值不仅与R中第j列有关,也与R中其它的列有关,关联性强,而且将伪随机函数和同态加密机制有机地结合在矩阵加密中,窃取者想要获得数据r的完整信息,不光要对密匙和随机函数进行破解,而且必须获得矩阵中每一个元素的值,才能恢复处全部信息;
(3)将随机产生的虚拟向量随机地安排到矩阵C“’中,能有效掩饰真实的n值,这进一步提高了破译的难度,这对于均分分割的方案来说是尤为重要的,min(N1,N2)≥n+1,得到的矩阵Q的行数或者列数至少比n值大1,提高了1个安全等级;
(4)恢复数据过程中每一个步均与储存的数据进行比较,降低了容错率;一次数据恢复失败后,并不立即丢失恢复出来的数据,而是采取暂存的方式,降低了系统的计算强度。
应用场景2:
如图1所示的一种智能电网负荷管理系统,包括多个原始数据采集终端1,用于录入各地区的电量相关原始数据,所述电量相关原始数据包括用电情况、地区断电记录、地区用户满意度;
负荷管理中心2,通过230MHz电力无线专网与多个原始数据采集终端1通信,获得采集到的原始数据;
云服务器4,包括计算云服务器和储存云服务器,所述计算云服务器为数据处理提供计算支撑,所述储存云服务器用于储存负荷管理中心输送的的各种数据;
数据储存和恢复单元3,连接在负荷管理中心与云服务器之间,根据负荷管理中心的请求将数据经过加密后储存到云服务器中,并且提供数据恢复取出功能;
负荷分配中心5,根据负荷管理中心2和云服务器4接受的数据,以及预先输入的月度或者年度负荷分配计划,由计算云服务器计算得到经过实时调整后的实际负荷分配计划,并将此实际负荷分配计划提供给管理人员以及各个地方电量管理处。
负荷预测单元6,利用BP神经网络方法,根据相关运行参数预测每个地区的电网负荷;
判断修正单元7,利用所述负荷预测单元6预测得到的地区电网负荷与负荷分配中心5的预测的相应负荷作比较,如果两者的差值小于设定阀值,则取大者;如果两者的差值大于等于设定阀值,至发送报警值管理人员,由管理人员人工确定该地区的最终负荷分配。
本发明设计了一种合理的智能电网负荷管理系统,利用云计算对电网的负荷进行科学管理,使得负荷管理中的计算和储存量大大减少,而且在调整实际负荷计划时,考虑了地区断电记录、用户满意度等因素。
优选地,所述相关运行参数包括该地区的正常运行方式、指定时间段内的检修方式、天气影响因子、节假日影响因子。
优选地,还包括负荷反馈比较单元8,所述负荷反馈比较单元8将某一地区的实时负荷与所述判断修正单元7得到的最终负荷分配相比较,如果两者的差值大于设定阀值,则发送报警信息至管理人员,由管理人员对具体负荷情况进行复查。
优选地,如图2所示,所述数据储存和恢复单元3包括数据预处理模块21、数据存储模块22、数据恢复模块23和数据评估模块24:
(1)数据预处理模块21,用于对所述负荷管理中心2来的大规模数据进行分类,其具体执行以下操作:通过K-means聚类对数据进行分类,以聚类中心为名称为每一分类建立目录,重复以上分类过程,将数据进行细分,形成分类下的子分类,并形成数据的多级目录。
(2)数据存储模块22,包括数据分割子模块221、数据加密子模块222和云存储子模块223:
a、数据分割子模块221,用于对存储的数据进行分割,其具体执行以下操作:
当需要存储数据r时,首先在负荷管理中心把数据r分割成长度均为h的n部分r1,r2,...,rn,然后在有限域ZP中将每个ri分别分割成n个子块ri,1,ri,2...ri,n,其中p>2h,则对于第j个子块ri,j=ri.(ri,1.ri,2....ri,j-1)-1modp,其中mod代表求余运算符;
将{ri,1.ri,2....ri,n-1}设成是初始的分块集,映射到集合{p1,p2...pH}构建线性相关关系,用下式表示线性方程组:
ai1r1,1+ai2r1,2+…+ainr1,n=ci,1
ai1r2,1+ai2r2,2+…+ainr2,n=ci,2
……
ai1rn,1+ai2rn,2+…+ainrn,n=ci,n
其中aij是从有限域ZP中任意选取的,以此类推得出c2,1,c2,2,...,c2,n,...,cn,1,cn,2,...,cn,n,用矩阵的形式表现出其相关关系,令 则上述线性方程组表示为A×R=C;
对矩阵R按下式进行二次混合得到新的矩阵C‘:A×R×A=C‘。
b、数据加密子模块222,用于对存储的数据进行加密以提高数据的安全性,其具体执行以下操作:
调用密匙生成函数,根据每个aij的值以及用户(即负荷管理中心的使用者)输入的安全参数λ值,输出解密密匙对{KE,KD},并将加密密匙KE与计算云服务器Hi共享,将解密密匙KD存储在负荷管理中心。
通过计算云服务器向伪随机序列生成器输入aij,生成与aij一一对应的标识Tagij,同时调用同态加密函数,输入加密密匙及每个aij所对应的数据值Vij,生成密文Zij,容易知Tagij和cij均为n×n矩阵,分别记为Tag和Z矩阵;用Tag矩阵按下式对C‘进行一次混合加密得到C“:Tag×C‘=C“;然后用Z矩阵按下式对C“进行二次混合加密得到C“’:C“×Z=C“’;任意随机产生B个虚拟向量,其中B≥2n,随机地将该虚拟向量安排入C“’中,得到一个N1×N2的矩阵Q,其中N1和NP均大于n,所述虚拟向量用于掩饰真实的n值,进一步加强了数据的安全性。在此实施例中,min(N1,N2)≥n+2,得到的矩阵Q的行数或者列数至少比n值大2,称为提高了2个安全等级。
c、云存储子模块223,用于将加密后的数据上传到储存云服务器进行存储,将得到的A、C、C‘、C“、C“’、Q、Tag、Z、由C“’得到矩阵Q时的具体随机路径以及所述虚拟向量上传到储存云服务器。
(3)数据恢复模块23,用于根据用户的请求将储存数据的恢复和取出,其包括分级匹配子模块231和匹配容错子模块232,这里所指的用户包括合法用户和非法用户:
a、分级匹配子模块231,其具体执行以下操作:
用户发出请求需要恢复数据r,从储存服务器中调出矩阵Q、生成矩阵Q时的随机路径和虚拟向量,按照该随机路径逆向剔除虚拟向量后得到矩阵C“’1;
将C“’1与从储存服务器中调出的C“’比较,如果不匹配则报错,如果匹配则进入下一步;
将C“’1按照预先编写好的逆向函数以及从储存服务器中调出的矩阵Z和矩阵Tag分别得出C“1和C‘1,并分别与C“和C‘比较,任一步骤不匹配均报错,匹配成功后进入下一步;
调出矩阵A,一方面根据矩阵A的可逆性按照R=A-1C‘A-1得到储存数据r,另一方面将A用预先编好的解密函数解密,得到解密密匙KD‘,KD‘与存储在负荷管理中心的解密密匙KD进行比较,如果KD‘与存储在负荷管理中心的解密密匙KD相匹配,则云服务器向用户发送得到的储存数据r,这样就恢复了数据r;
b、匹配容错子模块232:
如果KD‘与KD无法匹配则报错并且将得到的数据r在设定的时间t内作保存,如果在时间t内用户重新匹配上密匙,则直接将数据r发送给用户,否则丢失该数据r。
(4)数据评估模块24,对数据预处理模块21中的数据分类过程、数据存储模块22中的数据分割和加密过程、数据恢复模块23中的分级匹配过程进行监督和评价,为后续的改进提供数据支持。
在此实施例的智能电网负荷管理系统中,(1)设置数据预处理模块21对大规模数据进行分类,能够有效提高计算效率,减少时间成本;
(2)先对数据平均分割,再对每个子块进行分割,由于C中任意元素的值不仅与R中第j列有关,也与R中其它的列有关,关联性强,而且将伪随机函数和同态加密机制有机地结合在矩阵加密中,窃取者想要获得数据r的完整信息,不光要对密匙和随机函数进行破解,而且必须获得矩阵中每一个元素的值,才能恢复处全部信息;
(3)将随机产生的虚拟向量随机地安排到矩阵C“’中,能有效掩饰真实的n值,这进一步提高了破译的难度,这对于均分分割的方案来说是尤为重要的,min(N1,N2)≥n+2,得到的矩阵Q的行数或者列数至少比n值大2,提高了2个安全等级;
(4)恢复数据过程中每一个步均与储存的数据进行比较,降低了容错率;一次数据恢复失败后,并不立即丢失恢复出来的数据,而是采取暂存的方式,降低了系统的计算强度。
应用场景3:
如图1所示的一种智能电网负荷管理系统,包括多个原始数据采集终端1,用于录入各地区的电量相关原始数据,所述电量相关原始数据包括用电情况、地区断电记录、地区用户满意度;
负荷管理中心2,通过230MHz电力无线专网与多个原始数据采集终端1通信,获得采集到的原始数据;
云服务器4,包括计算云服务器和储存云服务器,所述计算云服务器为数据处理提供计算支撑,所述储存云服务器用于储存负荷管理中心输送的的各种数据;
数据储存和恢复单元3,连接在负荷管理中心与云服务器之间,根据负荷管理中心的请求将数据经过加密后储存到云服务器中,并且提供数据恢复取出功能;
负荷分配中心5,根据负荷管理中心2和云服务器4接受的数据,以及预先输入的月度或者年度负荷分配计划,由计算云服务器计算得到经过实时调整后的实际负荷分配计划,并将此实际负荷分配计划提供给管理人员以及各个地方电量管理处。
负荷预测单元6,利用BP神经网络方法,根据相关运行参数预测每个地区的电网负荷;
判断修正单元7,利用所述负荷预测单元6预测得到的地区电网负荷与负荷分配中心5的预测的相应负荷作比较,如果两者的差值小于设定阀值,则取大者;如果两者的差值大于等于设定阀值,至发送报警值管理人员,由管理人员人工确定该地区的最终负荷分配。
本发明设计了一种合理的智能电网负荷管理系统,利用云计算对电网的负荷进行科学管理,使得负荷管理中的计算和储存量大大减少,而且在调整实际负荷计划时,考虑了地区断电记录、用户满意度等因素。
优选地,所述相关运行参数包括该地区的正常运行方式、指定时间段内的检修方式、天气影响因子、节假日影响因子。
优选地,还包括负荷反馈比较单元8,所述负荷反馈比较单元8将某一地区的实时负荷与所述判断修正单元7得到的最终负荷分配相比较,如果两者的差值大于设定阀值,则发送报警信息至管理人员,由管理人员对具体负荷情况进行复查。
优选地,如图2所示,所述数据储存和恢复单元包括数据预处理模块21、数据存储模块22、数据恢复模块23和数据评估模块24:
(1)数据预处理模块21,用于对所述负荷管理中心2来的大规模数据进行分类,其具体执行以下操作:通过K-means聚类对数据进行分类,以聚类中心为名称为每一分类建立目录,重复以上分类过程,将数据进行细分,形成分类下的子分类,并形成数据的多级目录。
(2)数据存储模块22,包括数据分割子模块221、数据加密子模块222和云存储子模块223:
a、数据分割子模块221,用于对存储的数据进行分割,其具体执行以下操作:
当需要存储数据r时,首先在负荷管理中心把数据r分割成长度均为h的n部分r1,r2,...,rn,然后在有限域ZP中将每个ri分别分割成n个子块ri,1,ri,2...ri,n,其中p>2h,则对于第j个子块ri,j=ri.(ri,1.ri,2....ri,j-1)-1modp,其中mod代表求余运算符;
将{ri,1.ri,2....ri,n-1}设成是初始的分块集,映射到集合{p1,p2...pn}构建线性相关关系,用下式表示线性方程组:
ai1r1,1+ai2r1,2+…+ainr1,n=ci,1
ai1r2,1+ai2r2,2+…+ainr2,n=ci,2
……
ai1rn,1+ai2rn,2+…+ainrn,n=ci,n
其中aij是从有限域ZP中任意选取的,以此类推得出c2,1,2,2,...,c2,n,...,cn,1,cn,2,...,cn,n,用矩阵的形式表现出其相关关系,令 则上述线性方程组表示为A×R=C;
对矩阵R按下式进行二次混合得到新的矩阵C‘:A×R×A=C‘。
b、数据加密子模块222,用于对存储的数据进行加密以提高数据的安全性,其具体执行以下操作:
调用密匙生成函数,根据每个aij的值以及用户(即负荷管理中心的使用者)输入的安全参数λ值,输出解密密匙对{KE,KD},并将加密密匙KE与计算云服务器Hi共享,将解密密匙KD存储在负荷管理中心。
通过计算云服务器向伪随机序列生成器输入aij,生成与aij一一对应的标识Tagij,同时调用同态加密函数,输入加密密匙及每个aij所对应的数据值Vij,生成密文Zij,容易知Tagij和cij均为n×n矩阵,分别记为Tag和Z矩阵;用Tag矩阵按下式对C‘进行一次混合加密得到C“:Tag×C‘=C“;然后用Z矩阵按下式对C“进行二次混合加密得到C“’:C“×Z=C“’;任意随机产生B个虚拟向量,其中B≥2n,随机地将该虚拟向量安排入C“’中,得到一个N1×N2的矩阵Q,其中N1和N2均大于n,所述虚拟向量用于掩饰真实的n值,进一步加强了数据的安全性。在此实施例中,min(N1,N2)≥n+3,得到的矩阵Q的行数或者列数至少比n值大3,称为提高了3个安全等级。
c、云存储子模块223,用于将加密后的数据上传到储存云服务器进行存储,将得到的A、C、C‘、C“、C“’、Q、Tag、Z、由C“’得到矩阵Q时的具体随机路径以及所述虚拟向量上传到储存云服务器。
(3)数据恢复模块23,用于根据用户的请求将储存数据的恢复和取出,其包括分级匹配子模块231和匹配容错子模块232,这里所指的用户包括合法用户和非法用户:
a、分级匹配子模块231,其具体执行以下操作:
用户发出请求需要恢复数据r,从储存服务器中调出矩阵Q、生成矩阵Q时的随机路径和虚拟向量,按照该随机路径逆向剔除虚拟向量后得到矩阵C“’1;
将C“’1与从储存服务器中调出的C“’比较,如果不匹配则报错,如果匹配则进入下一步;
将C“’1按照预先编写好的逆向函数以及从储存服务器中调出的矩阵Z和矩阵Tag分别得出C“1和C‘1,并分别与C“和C‘比较,任一步骤不匹配均报错,匹配成功后进入下一步;
调出矩阵A,一方面根据矩阵A的可逆性按照R=A-1C‘A-1得到储存数据r,另一方面将A用预先编好的解密函数解密,得到解密密匙KD‘,KD‘与存储在负荷管理中心的解密密匙KD进行比较,如果KD‘与存储在负荷管理中心的解密密匙KD相匹配,则云服务器向用户发送得到的储存数据r,这样就恢复了数据r;
b、匹配容错子模块232:
如果KD‘与KD无法匹配则报错并且将得到的数据r在设定的时间t内作保存,如果在时间t内用户重新匹配上密匙,则直接将数据r发送给用户,否则丢失该数据r。
(4)数据评估模块24,对数据预处理模块21中的数据分类过程、数据存储模块22中的数据分割和加密过程、数据恢复模块23中的分级匹配过程进行监督和评价,为后续的改进提供数据支持。
在此实施例的智能电网负荷管理系统中,(1)设置数据预处理模块21对大规模数据进行分类,能够有效提高计算效率,减少时间成本;
(2)先对数据平均分割,再对每个子块进行分割,由于C中任意元素的值不仅与R中第j列有关,也与R中其它的列有关,关联性强,而且将伪随机函数和同态加密机制有机地结合在矩阵加密中,窃取者想要获得数据r的完整信息,不光要对密匙和随机函数进行破解,而且必须获得矩阵中每一个元素的值,才能恢复处全部信息;
(3)将随机产生的虚拟向量随机地安排到矩阵C“’中,能有效掩饰真实的n值,这进一步提高了破译的难度,这对于均分分割的方案来说是尤为重要的,min(N1,N2)≥n+3,得到的矩阵Q的行数或者列数至少比n值大3,提高了3个安全等级;
(4)恢复数据过程中每一个步均与储存的数据进行比较,降低了容错率;一次数据恢复失败后,并不立即丢失恢复出来的数据,而是采取暂存的方式,降低了系统的计算强度。
应用场景4:
如图1所示的一种智能电网负荷管理系统,包括多个原始数据采集终端1,用于录入各地区的电量相关原始数据,所述电量相关原始数据包括用电情况、地区断电记录、地区用户满意度;
负荷管理中心2,通过230MHz电力无线专网与多个原始数据采集终端1通信,获得采集到的原始数据;
云服务器4,包括计算云服务器和储存云服务器,所述计算云服务器为数据处理提供计算支撑,所述储存云服务器用于储存负荷管理中心输送的的各种数据;
数据储存和恢复单元3,连接在负荷管理中心与云服务器之间,根据负荷管理中心的请求将数据经过加密后储存到云服务器中,并且提供数据恢复取出功能;
负荷分配中心5,根据负荷管理中心2和云服务器4接受的数据,以及预先输入的月度或者年度负荷分配计划,由计算云服务器计算得到经过实时调整后的实际负荷分配计划,并将此实际负荷分配计划提供给管理人员以及各个地方电量管理处。
负荷预测单元6,利用BP神经网络方法,根据相关运行参数预测每个地区的电网负荷;
判断修正单元7,利用所述负荷预测单元6预测得到的地区电网负荷与负荷分配中心5的预测的相应负荷作比较,如果两者的差值小于设定阀值,则取大者;如果两者的差值大于等于设定阀值,至发送报警值管理人员,由管理人员人工确定该地区的最终负荷分配。
本发明设计了一种合理的智能电网负荷管理系统,利用云计算对电网的负荷进行科学管理,使得负荷管理中的计算和储存量大大减少,而且在调整实际负荷计划时,考虑了地区断电记录、用户满意度等因素。
优选地,所述相关运行参数包括该地区的正常运行方式、指定时间段内的检修方式、天气影响因子、节假日影响因子。
优选地,还包括负荷反馈比较单元8,所述负荷反馈比较单元8将某一地区的实时负荷与所述判断修正单元7得到的最终负荷分配相比较,如果两者的差值大于设定阀值,则发送报警信息至管理人员,由管理人员对具体负荷情况进行复查。
优选地,如图2所示,所述数据储存和恢复单元包括数据预处理模块21、数据存储模块22、数据恢复模块23和数据评估模块24:
(1)数据预处理模块21,用于对所述负荷管理中心2来的大规模数据进行分类,其具体执行以下操作:通过K-means聚类对数据进行分类,以聚类中心为名称为每一分类建立目录,重复以上分类过程,将数据进行细分,形成分类下的子分类,并形成数据的多级目录。
(2)数据存储模块22,包括数据分割子模块221、数据加密子模块222和云存储子模块223:
a、数据分割子模块221,用于对存储的数据进行分割,其具体执行以下操作:
当需要存储数据r时,首先在负荷管理中心把数据r分割成长度均为h的n部分r1,r2,...,rn,然后在有限域ZP中将每个ri分别分割成n个子块ri,1,ri,2...ri,n,其中p>2h,则对于第j个子块ri,j=ri.(ri,1.ri,2....ri,j-1)-1modp,其中mod代表求余运算符;
将{ri,1.ri,2....ri,n-1}设成是初始的分块集,映射到集合{p1,p2...pn}构建线性相关关系,用下式表示线性方程组:
ai1r1,1+ai2r1,2+…+ainr1,n=ci,1
ai1r2,1+ai2r2,2+…+ainr2,n=ci,2
……
ai1rn,1+ai2rn,2+…+ainrn,n=ci,n
其中aij是从有限域ZP中任意选取的,以此类推得出c2,1,c2,2,...,c2,n,...,cn,1,cn,2,...,cn,n,用矩阵的形式表现出其相关关系,令 则上述线性方程组表示为A×R=C;
对矩阵R按下式进行二次混合得到新的矩阵C‘:A×R×A=C‘。
b、数据加密子模块222,用于对存储的数据进行加密以提高数据的安全性,其具体执行以下操作:
调用密匙生成函数,根据每个aij的值以及用户(即负荷管理中心的使用者)输入的安全参数λ值,输出解密密匙对{KE,KD},并将加密密匙KE与计算云服务器Hi共享,将解密密匙KD存储在负荷管理中心。
通过计算云服务器向伪随机序列生成器输入aij,生成与aij一一对应的标识Tagij,同时调用同态加密函数,输入加密密匙及每个aij所对应的数据值Vij,生成密文Zij,容易知Tagij和cij均为n×n矩阵,分别记为Tag和Z矩阵;用Tag矩阵按下式对C‘进行一次混合加密得到C“:Tag×C‘=C“;然后用Z矩阵按下式对C“进行二次混合加密得到C“’:C“×Z=C“’;任意随机产生B个虚拟向量,其中B≥2n,随机地将该虚拟向量安排入C“’中,得到一个N1×N2的矩阵Q,其中N1和N2均大于n,所述虚拟向量用于掩饰真实的n值,进一步加强了数据的安全性。在此实施例中,min(N1,N2)≥n+4,得到的矩阵Q的行数或者列数至少比n值大4,称为提高了4个安全等级。
c、云存储子模块223,用于将加密后的数据上传到储存云服务器进行存储,将得到的A、C、C‘、C“、C“’、Q、Tag、Z、由C“’得到矩阵Q时的具体随机路径以及所述虚拟向量上传到储存云服务器。
(3)数据恢复模块23,用于根据用户的请求将储存数据的恢复和取出,其包括分级匹配子模块231和匹配容错子模块232,这里所指的用户包括合法用户和非法用户:
a、分级匹配子模块231,其具体执行以下操作:
用户发出请求需要恢复数据r,从储存服务器中调出矩阵Q、生成矩阵Q时的随机路径和虚拟向量,按照该随机路径逆向剔除虚拟向量后得到矩阵C“’1;
将C“’1与从储存服务器中调出的C“’比较,如果不匹配则报错,如果匹配则进入下一步;
将C“’1按照预先编写好的逆向函数以及从储存服务器中调出的矩阵Z和矩阵Tag分别得出C“1和C‘1,并分别与C“和C‘比较,任一步骤不匹配均报错,匹配成功后进入下一步;
调出矩阵A,一方面根据矩阵A的可逆性按照R=A-1C‘A-1得到储存数据r,另一方面将A用预先编好的解密函数解密,得到解密密匙KD‘,KD‘与存储在负荷管理中心的解密密匙KD进行比较,如果KD‘与存储在负荷管理中心的解密密匙KD相匹配,则云服务器向用户发送得到的储存数据r,这样就恢复了数据r;
b、匹配容错子模块232:
如果KD‘与KD无法匹配则报错并且将得到的数据r在设定的时间t内作保存,如果在时间t内用户重新匹配上密匙,则直接将数据r发送给用户,否则丢失该数据r。
(4)数据评估模块24,对数据预处理模块21中的数据分类过程、数据存储模块22中的数据分割和加密过程、数据恢复模块23中的分级匹配过程进行监督和评价,为后续的改进提供数据支持。
在此实施例的智能电网负荷管理系统中,(1)设置数据预处理模块21对大规模数据进行分类,能够有效提高计算效率,减少时间成本;
(2)先对数据平均分割,再对每个子块进行分割,由于C中任意元素的值不仅与R中第j列有关,也与R中其它的列有关,关联性强,而且将伪随机函数和同态加密机制有机地结合在矩阵加密中,窃取者想要获得数据r的完整信息,不光要对密匙和随机函数进行破解,而且必须获得矩阵中每一个元素的值,才能恢复处全部信息;
(3)将随机产生的虚拟向量随机地安排到矩阵C“’中,能有效掩饰真实的n值,这进一步提高了破译的难度,这对于均分分割的方案来说是尤为重要的,min(N1,N2)≥n+4,得到的矩阵Q的行数或者列数至少比n值大4,提高了4个安全等级;
(4)恢复数据过程中每一个步均与储存的数据进行比较,降低了容错率;一次数据恢复失败后,并不立即丢失恢复出来的数据,而是采取暂存的方式,降低了系统的计算强度。
应用场景5:
如图1所示的一种智能电网负荷管理系统,包括多个原始数据采集终端1,用于录入各地区的电量相关原始数据,所述电量相关原始数据包括用电情况、地区断电记录、地区用户满意度;
负荷管理中心2,通过230MHz电力无线专网与多个原始数据采集终端1通信,获得采集到的原始数据;
云服务器4,包括计算云服务器和储存云服务器,所述计算云服务器为数据处理提供计算支撑,所述储存云服务器用于储存负荷管理中心输送的的各种数据;
数据储存和恢复单元3,连接在负荷管理中心与云服务器之间,根据负荷管理中心的请求将数据经过加密后储存到云服务器中,并且提供数据恢复取出功能;
负荷分配中心5,根据负荷管理中心2和云服务器4接受的数据,以及预先输入的月度或者年度负荷分配计划,由计算云服务器计算得到经过实时调整后的实际负荷分配计划,并将此实际负荷分配计划提供给管理人员以及各个地方电量管理处。
负荷预测单元6,利用BP神经网络方法,根据相关运行参数预测每个地区的电网负荷;
判断修正单元7,利用所述负荷预测单元6预测得到的地区电网负荷与负荷分配中心5的预测的相应负荷作比较,如果两者的差值小于设定阀值,则取大者;如果两者的差值大于等于设定阀值,至发送报警值管理人员,由管理人员人工确定该地区的最终负荷分配。
本发明设计了一种合理的智能电网负荷管理系统,利用云计算对电网的负荷进行科学管理,使得负荷管理中的计算和储存量大大减少,而且在调整实际负荷计划时,考虑了地区断电记录、用户满意度等因素。
优选地,所述相关运行参数包括该地区的正常运行方式、指定时间段内的检修方式、天气影响因子、节假日影响因子。
优选地,还包括负荷反馈比较单元8,所述负荷反馈比较单元8将某一地区的实时负荷与所述判断修正单元7得到的最终负荷分配相比较,如果两者的差值大于设定阀值,则发送报警信息至管理人员,由管理人员对具体负荷情况进行复查。
优选地,如图2所示,所述数据储存和恢复单元包括数据预处理模块21、数据存储模块22、数据恢复模块23和数据评估模块24:
(1)数据预处理模块21,用于对所述负荷管理中心2来的大规模数据进行分类,其具体执行以下操作:通过K-means聚类对数据进行分类,以聚类中心为名称为每一分类建立目录,重复以上分类过程,将数据进行细分,形成分类下的子分类,并形成数据的多级目录。
(2)数据存储模块22,包括数据分割子模块221、数据加密子模块222和云存储子模块223:
a、数据分割子模块221,用于对存储的数据进行分割,其具体执行以下操作:
当需要存储数据r时,首先在负荷管理中心把数据r分割成长度均为h的n部分r1,r2,...,rn,然后在有限域ZP中将每个ri分别分割成n个子块ri,1,ri,2...ri,n,其中p>2h,则对于第j个子块ri,j=ri.(ri,1.ri,2....ri,j-1)-1modp,其中mod代表求余运算符;
将{ri,1.ri,2....ri,n-1}设成是初始的分块集,映射到集合{p1,p2...pn}构建线性相关关系,用下式表示线性方程组:
ai1r1,1+ai2r1,2+…+ainr1,n=ci,1
ai1r2,1+ai2r2,2+…+ainr2,n=ci,2
……
ai1rn,1+ai2rn,2+…+ainrn,n=ci,n
其中aij是从有限域ZP中任意选取的,以此类推得出c2,1,c2,2,...,c2,n,...,cn,1,cn,2,...,cn,n,用矩阵的形式表现出其相关关系,令 则上述线性方程组表示为A×R=C;
对矩阵R按下式进行二次混合得到新的矩阵C‘:A×R×A=C‘。
b、数据加密子模块222,用于对存储的数据进行加密以提高数据的安全性,其具体执行以下操作:
调用密匙生成函数,根据每个aij的值以及用户(即负荷管理中心的使用者)输入的安全参数λ值,输出解密密匙对{KE,KD},并将加密密匙KE与计算云服务器Hi共享,将解密密匙KD存储在负荷管理中心。
通过计算云服务器向伪随机序列生成器输入aij,生成与aij一一对应的标识Tagij,同时调用同态加密函数,输入加密密匙及每个aij所对应的数据值Vij,生成密文Zij,容易知Tagij和cij均为n×n矩阵,分别记为Tag和Z矩阵;用Tag矩阵按下式对C‘进行一次混合加密得到C“:Tag×C‘=C“;然后用Z矩阵按下式对C“进行二次混合加密得到C“’:C“×Z=C“’;任意随机产生B个虚拟向量,其中B≥2n,随机地将该虚拟向量安排入C“’中,得到一个N1×N2的矩阵Q,其中N1和N2均大于n,所述虚拟向量用于掩饰真实的n值,进一步加强了数据的安全性。在此实施例中,min(N1,N2)≥n+5,得到的矩阵Q的行数或者列数至少比n值大5,称为提高了5个安全等级。
c、云存储子模块223,用于将加密后的数据上传到储存云服务器进行存储,将得到的A、C、C‘、C“、C“’、Q、Tag、Z、由C“’得到矩阵Q时的具体随机路径以及所述虚拟向量上传到储存云服务器。
(3)数据恢复模块23,用于根据用户的请求将储存数据的恢复和取出,其包括分级匹配子模块231和匹配容错子模块232,这里所指的用户包括合法用户和非法用户:
a、分级匹配子模块231,其具体执行以下操作:
用户发出请求需要恢复数据r,从储存服务器中调出矩阵Q、生成矩阵Q时的随机路径和虚拟向量,按照该随机路径逆向剔除虚拟向量后得到矩阵C“’1;
将C“’1与从储存服务器中调出的C“’比较,如果不匹配则报错,如果匹配则进入下一步;
将C“’1按照预先编写好的逆向函数以及从储存服务器中调出的矩阵Z和矩阵Tag分别得出C“1和C‘1,并分别与C“和C‘比较,任一步骤不匹配均报错,匹配成功后进入下一步;
调出矩阵A,一方面根据矩阵A的可逆性按照R=A-1C‘A-1得到储存数据r,另一方面将A用预先编好的解密函数解密,得到解密密匙KD‘,KD‘与存储在负荷管理中心的解密密匙KD进行比较,如果KD‘与存储在负荷管理中心的解密密匙KD相匹配,则云服务器向用户发送得到的储存数据r,这样就恢复了数据r;
b、匹配容错子模块232:
如果KD‘与KD无法匹配则报错并且将得到的数据r在设定的时间t内作保存,如果在时间t内用户重新匹配上密匙,则直接将数据r发送给用户,否则丢失该数据r。
(4)数据评估模块24,对数据预处理模块21中的数据分类过程、数据存储模块22中的数据分割和加密过程、数据恢复模块23中的分级匹配过程进行监督和评价,为后续的改进提供数据支持。
在此实施例的智能电网负荷管理系统中,(1)设置数据预处理模块21对大规模数据进行分类,能够有效提高计算效率,减少时间成本;
(2)先对数据平均分割,再对每个子块进行分割,由于C中任意元素的值不仅与R中第j列有关,也与R中其它的列有关,关联性强,而且将伪随机函数和同态加密机制有机地结合在矩阵加密中,窃取者想要获得数据r的完整信息,不光要对密匙和随机函数进行破解,而且必须获得矩阵中每一个元素的值,才能恢复处全部信息;
(3)将随机产生的虚拟向量随机地安排到矩阵C“’中,能有效掩饰真实的n值,这进一步提高了破译的难度,这对于均分分割的方案来说是尤为重要的,min(N1,N2)≥n+5,得到的矩阵Q的行数或者列数至少比n值大5,提高了5个安全等级;
(4)恢复数据过程中每一个步均与储存的数据进行比较,降低了容错率;一次数据恢复失败后,并不立即丢失恢复出来的数据,而是采取暂存的方式,降低了系统的计算强度。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (3)
1.一种智能电网负荷管理系统,其特征是,包括多个原始数据采集终端,用于录入各地区的电量相关原始数据,所述电量相关原始数据包括用电情况、地区断电记录、地区用户满意度;
负荷管理中心,通过230MHz电力无线专网与多个原始数据采集终端通信,获得采集到的原始数据;
云服务器,包括计算云服务器和储存云服务器,所述计算云服务器为数据处理提供计算支撑,所述储存云服务器用于储存负荷管理中心输送的的各种数据;
数据储存和恢复单元,连接在负荷管理中心与云服务器之间,根据负荷管理中心的请求将数据经过加密后储存到云服务器中,并且提供数据恢复取出功能;
负荷分配中心,根据负荷管理中心和云服务器接受的数据,以及预先输入的月度或者年度负荷分配计划,由计算云服务器计算得到经过实时调整后的实际负荷分配计划,并将此实际负荷分配计划提供给管理人员以及各个地方电量管理处;
负荷预测单元,利用BP神经网络方法,根据相关运行参数预测每个地区的电网负荷;
判断修正单元,利用所述负荷预测单元预测得到的地区电网负荷与负荷分配中心的预测的相应负荷作比较,如果两者的差值小于设定阀值,则取大者;如果两者的差值大于等于设定阀值,至发送报警值管理人员,由管理人员人工确定该地区的最终负荷分配。
2.根据权利要求1所述的一种智能电网负荷管理系统,其特征是,所述相关运行参数包括该地区的正常运行方式、指定时间段内的检修方式、天气影响因子、节假日影响因子。
3.根据权利要求2所述的一种智能电网负荷管理系统,其特征是,还包括负荷反馈比较单元,所述负荷反馈比较单元将某一地区的实时负荷与所述判断修正单元得到的最终负荷分配相比较,如果两者的差值大于设定阀值,则发送报警信息至管理人员,由管理人员对具体负荷情况进行复查。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610562895.7A CN106204329A (zh) | 2016-07-13 | 2016-07-13 | 一种智能电网负荷管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610562895.7A CN106204329A (zh) | 2016-07-13 | 2016-07-13 | 一种智能电网负荷管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106204329A true CN106204329A (zh) | 2016-12-07 |
Family
ID=57475009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610562895.7A Withdrawn CN106204329A (zh) | 2016-07-13 | 2016-07-13 | 一种智能电网负荷管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204329A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897943A (zh) * | 2017-02-23 | 2017-06-27 | 上海耐相智能科技有限公司 | 一种电网负荷管理系统 |
CN110930051A (zh) * | 2019-12-02 | 2020-03-27 | 国网江西省电力有限公司电力科学研究院 | 基于大数据分析的居民需求响应潜力分析系统及方法 |
CN111600296A (zh) * | 2020-01-09 | 2020-08-28 | 浙江中新电力工程建设有限公司自动化分公司 | 基于边缘计算的电力负荷预测系统及其预测方法 |
CN112398120A (zh) * | 2020-10-29 | 2021-02-23 | 山东理工大学 | 一种配电网各台区用电负荷分配系统 |
-
2016
- 2016-07-13 CN CN201610562895.7A patent/CN106204329A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897943A (zh) * | 2017-02-23 | 2017-06-27 | 上海耐相智能科技有限公司 | 一种电网负荷管理系统 |
CN110930051A (zh) * | 2019-12-02 | 2020-03-27 | 国网江西省电力有限公司电力科学研究院 | 基于大数据分析的居民需求响应潜力分析系统及方法 |
CN111600296A (zh) * | 2020-01-09 | 2020-08-28 | 浙江中新电力工程建设有限公司自动化分公司 | 基于边缘计算的电力负荷预测系统及其预测方法 |
CN111600296B (zh) * | 2020-01-09 | 2021-09-14 | 浙江中新电力工程建设有限公司自动化分公司 | 基于边缘计算的电力负荷预测系统及其预测方法 |
CN112398120A (zh) * | 2020-10-29 | 2021-02-23 | 山东理工大学 | 一种配电网各台区用电负荷分配系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220230071A1 (en) | Method and device for constructing decision tree | |
CN112182644A (zh) | 一种数据处理方法、装置和电子设备 | |
CN112347495A (zh) | 一种基于区块链的可信隐私智能服务计算系统及方法 | |
CN106204329A (zh) | 一种智能电网负荷管理系统 | |
CN113537633B (zh) | 基于纵向联邦学习的预测方法、装置、设备、介质和系统 | |
Asfia et al. | Energy trading of electric vehicles using blockchain and smart contracts | |
CN106209850A (zh) | 基于可信计算的大数据信息网络自适应安全防护系统 | |
CN112365001A (zh) | 模型的生成方法、装置和服务器 | |
CN110244573A (zh) | 基于智能家电的存储系统与智能家电 | |
CN111490995A (zh) | 保护隐私的模型训练方法和装置、数据处理方法、服务器 | |
Kiruthika et al. | Fusion of IoT, blockchain and artificial intelligence for developing smart cities | |
CN114417258A (zh) | 碳减排量核算方法及装置 | |
CN117151736A (zh) | 反电诈管理预警方法及系统 | |
CN117034304A (zh) | 数据处理方法、装置、计算机设备、存储介质和程序产品 | |
CN115643090A (zh) | 基于隐私检索的纵向联邦分析方法、装置、设备及介质 | |
Wang et al. | Blockchain-Enabled Lightweight Fine-Grained Searchable Knowledge Sharing for Intelligent IoT | |
CN105957398A (zh) | 一种车场停车位发布管理系统 | |
CN106204405A (zh) | 一种高安全性校车信息处理系统 | |
Eldegwi et al. | Utilization of Mobile Agents for Building a Secure Decentralized Energy System with Remote Monitoring | |
CN105959327A (zh) | 一种会员信息处理系统 | |
Banerjee et al. | Asymmetric confidentiality in blockchain embedded smart grids in galois field | |
CN106130820A (zh) | 一种大数据平台系统 | |
CN114726613B (zh) | 微电网与终端数据交流加密方法、装置和计算机设备 | |
Barolli et al. | Advances in Internetworking, Data & Web Technologies: The 5th International Conference on Emerging Internetworking, Data & Web Technologies (EIDWT-2017) | |
Xia et al. | Privacy-Preserving Electricity Data Classification Scheme Based on CNN Model with Fully Homomorphism |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C04 | Withdrawal of patent application after publication (patent law 2001) | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20161207 |