CN110060176A - 电力物联网智能配电方法、可读存储介质和终端 - Google Patents
电力物联网智能配电方法、可读存储介质和终端 Download PDFInfo
- Publication number
- CN110060176A CN110060176A CN201910265066.6A CN201910265066A CN110060176A CN 110060176 A CN110060176 A CN 110060176A CN 201910265066 A CN201910265066 A CN 201910265066A CN 110060176 A CN110060176 A CN 110060176A
- Authority
- CN
- China
- Prior art keywords
- user
- electric power
- power utilization
- power
- things intelligent
- 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- Withdrawn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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000009826 distribution Methods 0.000 title claims abstract description 30
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 230000005611 electricity Effects 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 38
- 238000012417 linear regression Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 9
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种电力物联网智能配电方法、可读存储介质和终端,所述方法包括:用户端采集对应用电环境下的用户用电数据并发送至服务端;服务端接收所述用户用电数据,对所接收的用户用电数据进行训练得到用户在不同用电环境下的电力资源消耗模型,并采用所得到的电力资源消耗模型对不同用电环境下用户的电力资源进行配置、上述的方案,可以提高电力资源配置的准确性和智能化程度。
Description
技术领域
本发明属于电力技术领域,特别是涉及一种电力物联网智能配电方法、可读存储介质和终端。
背景技术
现代我国电力基础建设逐渐完善,电能的使用已渗透到国民经济和人民生活的一切领域,电能已成为工业、农业、交通运输的主要动力形式和人民家庭生活中不可缺少的能源,其在照明、电热、通信、网络等方面都得到了广泛的应用。
电能作为一种生产产品,不具有储存保留的能力,所以电能的生产、传送配置极大的受用户电能的消耗量的影响。然而,我国电能使用情况复杂,人民群众用电需求多层次、多样化的问题,使得满足电能的供给愈发困难,出现了诸如供电量的系统峰谷差拉大、时段性系统调峰能力不足等问题,并且电煤价格的提升也使得电力配给的成本加大。
因此,如何智能配给电力,减少电能浪费成为急需解决的问题。
发明内容
本发明解决的技术问题是如何提高电力资源配置的准确性和智能化程度。
为了达到上述目的,本发明提供一种电力物联网智能配电方法,所述方法包括:
用户端采集对应用电环境下的用户用电数据并发送至服务端;
服务端接收所述用户用电数据,对所接收的用户用电数据进行训练得到用户在不同用电环境下的电力资源消耗模型,并采用所得到的电力资源消耗模型对不同用电环境下用户的电力资源进行配置。
可选地,所述对所接收的用户用电数据进行训练得到用户在不同用电环境下的电力资源消耗模型,包括:
对所接收的用户用电数据按照用电条件进行分类,形成不同用电条件下的用户用电数据;
将不同用电条件下的用户用电数据作为特征变量,构建对应的线性回归目标函数;
构建所述线性回归目标函数的损失函数,并求得使得所述线性回归目标函数的损失函数最小的模型参量并代入所述线性回归目标函数,得到所述用户在对应用电环境下的电力资源消耗模型。
可选地,所述线性回归目标函数为:
y=w1x1+w2x2+w3x3+......+wnxn+b;
其中,y表示所述线性回归目标函数,x1、x2、……xn表示对应用电条件下的用户的用电数测量值,w1、w2、……wn分别表示对应用电条件下的用户的用电数测量值x1、x2、……xn的模型参量。
可选地,所述线性回归目标函数的损失函数为:
其中,J(w1,w2,…wn)表示所述线性回归目标函数的损失函数,表示第i组用户的用电预测值,yi表示第i组用户的用电数值。
可选地,所述求得使得所述线性回复目标函数的损失函数最小的模型参量,包括:
采用梯度下降算法求得使得所述线性回复目标函数的损失函数最小的模型参量。
可选地,所述用户端采集对应用电环境下的用户用电数据,包括:
所述用户端实时或分时采集对应用电环境下的用户用电数据。
可选地,所述方法还包括:
采用所述电力资源消耗模型对用户端采集用户用电数据的方式进行调整。
可选地,所述用户端采用通信线缆或无线通信方式将用户的用电数据发送至所述服务端。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述任一项所述的电力物联网智能配电方法的步骤。
本发明实施例还提供了一种终端,包括存储器和处理器,所述存储器上储存有能够在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行上述任一项所述的电力物联网智能配电方法的步骤。
与现有技术相比,本发明的有益效果为:
上述的方案,通过服务端接收所述用户用电数据,对所接收的用户用电数据进行训练得到用户在不同用电环境下的电力资源消耗模型,并采用所得到的电力资源消耗模型对不同用电环境下用户的电力资源进行配置,可以提高电力资源配置的准确性和智能化程度,优化资源配置。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种电力物联网智能配电系统的结构示意图;
图2是本发明实施例的一种电力物联网智能配电方法的流程示意图。
具体实施方式
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,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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。本发明实施例中有关方向性指示(诸如上、下、左、右、前、后等)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
如背景技术所述,现有技术中的电路资源配置方法存在智能化程度低,且浪费电能成为急需解决的问题。
本发明的技术方案通过服务端接收所述用户用电数据,对所接收的用户用电数据进行训练得到用户在不同用电环境下的电力资源消耗模型,并采用所得到的电力资源消耗模型对不同用电环境下用户的电力资源进行配置,可以提高电力资源配置的准确性和智能化程度,优化资源配置。
为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
为了便于理解,下面首先对本发明实施例中的电力物联网智能配电系统的结构进行介绍。
图1是本发明实施例的一种电力物联网智能配电系统的结构示意图。参见图1,一种电力物联网智能配电系统可以包括用户端和服务端102。其中,所述用户端101和服务端102之间相互耦接。在本发明一实施例中,多个用户端101、102、……10n分别与服务端102耦接。
下面将结合图2对图1所示的电力物联网智能配电系统的工作原理进行描述。
图2是本发明实施例的一种电力物联网智能配电方法的流程示意图。参见图2,一种电力物联网智能配电方法,具体可以包括如下的步骤:
步骤S201:用户端采集对应用电环境下的用户用电数据并发送至服务端。
在具体实施中,所述用户端可以根据实际需要采用实时或定时的方式采集用户的用电数据采集。
例如,对于用电数据变化幅度较大用户的用电数据可以采用实时方式进行采集;对于用电数据变化幅度较小或者没有规律可循的用户的用电数据则可以采用定时的方式采集。同时,还可以根据其下属区域的采集环境如人流量、温度、湿度等选择诸如红外抄表、无线抄表、低压载波抄表的抄表系统作为数据采集的主要部分进行数据的采集。
在具体实施中,当采集到用户的用电数据时,可以根据距离、传输带宽、传输成本等条件选用通信线缆或无线通信的方式将其区域下属的用户用电数据发送至服务端。
步骤S202:服务端接收所述用户用电数据,对所接收的用户用电数据进行训练得到用户在不同用电环境下的电力资源消耗模型,并采用所得到的电力资源消耗模型对不同用电环境下用户的电力资源进行配置。
在具体实施中,所述服务端可以数据库技术、物联网通信技术、机器学习技术为基础,接收其广域覆盖范围下的用户端发送的用户用电数据并保存在数据库中。当在数据库拥有足够的数据量时,服务端可以采用不同用电环境下的用电数据训练得到用户在不同用电环境下的电力资源消耗模型,并采用所得到的电力资源消耗模型对不同用电环境下用户的电力资源进行配置。
在本发明一实施例中,服务端利用根据不同的用电环境条件如居住人口密集度、温度、湿度、降水量等对用户用电数据进行分类,以机器学习技术为基础,使用分类处理后的用户用电数据并形成训练样本,利用机器学习技术中的回归算法建立不用条件下的用户用电量与其相应用电情况如居住人口密集度、温度、湿度、降水量等的线性回归模型并与梯度下降法相结合,通过对训练样本的学习,得到最精确的模型参量,其具体过程如下:
首先,将各项用电条件下用户的用电测量值作为n个特征变量(x1,x2……xn),并构建目标变量函数:
y=w1x1+w2x2+w3x3+......+wnxn+b (1)
其中,y表示所述线性回归目标函数,x1、x2、……xn表示对应用电条件下的用户的用电数测量值,w1、w2、……wn分别表示对应用电条件下的用户的用电数测量值x1、x2、……xn的模型参量。
接着,通过绘制散点图的方式查看确定变量x和y之间是否存在线性关系。当确定变量x和y之间存在线性关系时利用梯度下降法求解使线性回归直线的损失函数取得最小值的参数,其中损失函数的公式为:
其中,J(w1,w2,…wn)表示所述线性回归目标函数的损失函数,表示第i组用户的用电预测值,yi表示第i组用户的用电数值。
通过公式(2)可知,损失函数的数值越小,则求得的模型参量的数值越准确。
在本发明一实施例中,为了进一步提高计算效率,降低计算的复杂度,通过梯度下降算法求得使损失函数最小的模型参量,即采用如下的公式求得使损失函数最小的模型参量:
wj:=wj-α×J′(wj) (3)
其中wj为第j个模型参量,α表示学习速率。
通过迭代逼近的方法找到使损失函数最小值的模型参量,并通过对训练样本的不断学习,得到最合适的模型参量,从而形成所需的用户用电数据与其相应用电条件的电力资源消耗模型。
在具体实施中,当得到不同用电条件下的电力资源消耗模型时,可以最终依据所述电力资源消耗模型对用户端的电力资源进行优化配置,优化配电方案,优化在不同用户用电环境如时间段、季节、气温、人口密集度等条件下的配送电力功率、电压的配电方案。
根据所得用户电力资源消耗模型,优化在不同用户用电环境如时间段、季节、气温、人口密集度等条件下的配送电力功率、电压的配电方案。
在本发明一实施例中,为了进一步优化资源配置,所述方法还包括:
步骤S203:采用所述电力资源消耗模型对用户端采集用户用电数据的方式进行调整。
在本发明一实施例中,通过对不同用电环境下的用户的用电数据训练得到的电力资源消耗模型,对用户端的数据采集及上传进行反馈控制,获得服务端所需要的数据,优化数据源。例如,更改数据采集为实时或分时的方式、减少或不采集与电力消耗无线性关系的数据。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述的电力物联网智能配电方法的步骤。其中,所述电力物联网智能配电方法请参见前述部分的介绍,不再赘述。
本发明实施例还提供了一种终端,包括存储器和处理器,所述存储器上储存有能够在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行所述的电力物联网智能配电方法的步骤。其中,所述电力物联网智能配电方法请参见前述部分的介绍,不再赘述。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,本发明要求保护范围由所附的权利要求书、说明书及其等效物界定。
Claims (10)
1.一种电力物联网智能配电方法,其特征在于,包括:
用户端采集对应用电环境下的用户用电数据并发送至服务端;
服务端接收所述用户用电数据,对所接收的用户用电数据进行训练得到用户在不同用电环境下的电力资源消耗模型,并采用所得到的电力资源消耗模型对不同用电环境下用户的电力资源进行配置。
2.根据权利要求1所述的电力物联网智能配电方法,其特征在于,所述对所接收的用户用电数据进行训练得到用户在不同用电环境下的电力资源消耗模型,包括:
对所接收的用户用电数据按照用电条件进行分类,形成不同用电条件下的用户用电数据;
将不同用电条件下的用户用电数据作为特征变量,构建对应的线性回归目标函数;
构建所述线性回归目标函数的损失函数,并求得使得所述线性回归目标函数的损失函数最小的模型参量并代入所述线性回归目标函数,得到所述用户在对应用电环境下的电力资源消耗模型。
3.根据权利要求2所述的电力物联网智能配电方法,其特征在于,所述线性回归目标函数为:
y=w1x1+w2x2+w3x3+......+wnxn+b;
其中,y表示所述线性回归目标函数,x1、x2、……xn表示对应用电条件下的用户的用电数测量值,w1、w2、……wn分别表示对应用电条件下的用户的用电数测量值x1、x2、……xn的模型参量。
4.根据权利要求3所述的电力物联网智能配电方法,其特征在于,所述线性回归目标函数的损失函数为:
其中,J(w1,w2,…wn)表示所述线性回归目标函数的损失函数,表示第i组用户的用电预测值,yi表示第i组用户的用电数值。
5.根据权利要求4所述的电力物联网智能配电方法,其特征在于,所述求得使得所述线性回复目标函数的损失函数最小的模型参量,包括:
采用梯度下降算法求得使得所述线性回复目标函数的损失函数最小的模型参量。
6.根据权利要求3所述的电力物联网智能配电方法,其特征在于,所述用户端采集对应用电环境下的用户用电数据,包括:
所述用户端实时或分时采集对应用电环境下的用户用电数据。
7.根据权利要求6所述的电力物联网智能配电方法,其特征在于,还包括:采用所述电力资源消耗模型对用户端采集用户用电数据的方式进行调整。
8.根据权利要求1-7任一项所述的电力物联网智能配电方法,其特征在于,所述用户端采用通信线缆或无线通信方式将用户的用电数据发送至所述服务端。
9.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令运行时执行权利要求1至8任一项所述的电力物联网智能配电方法的步骤。
10.一种终端,其特征在于,包括存储器和处理器,所述存储器上储存有能够在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行权利要求1至8任一项所述的电力物联网智能配电方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910265066.6A CN110060176A (zh) | 2019-04-03 | 2019-04-03 | 电力物联网智能配电方法、可读存储介质和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910265066.6A CN110060176A (zh) | 2019-04-03 | 2019-04-03 | 电力物联网智能配电方法、可读存储介质和终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110060176A true CN110060176A (zh) | 2019-07-26 |
Family
ID=67318290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910265066.6A Withdrawn CN110060176A (zh) | 2019-04-03 | 2019-04-03 | 电力物联网智能配电方法、可读存储介质和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110060176A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110620820A (zh) * | 2019-09-26 | 2019-12-27 | 国网山东省电力公司莱芜供电公司 | 一种泛在电力物联网智能管理系统 |
CN112163709A (zh) * | 2020-10-09 | 2021-01-01 | 珠海格力电器股份有限公司 | 用电提示方法和装置、存储介质、电子装置 |
CN112578679A (zh) * | 2019-09-30 | 2021-03-30 | 北京国双科技有限公司 | 控制系统及方法、存储介质及电子设备 |
CN114498941A (zh) * | 2022-04-14 | 2022-05-13 | 江苏黑马高科股份有限公司 | 基于物联网无线通信的智能配电控制方法及系统 |
-
2019
- 2019-04-03 CN CN201910265066.6A patent/CN110060176A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110620820A (zh) * | 2019-09-26 | 2019-12-27 | 国网山东省电力公司莱芜供电公司 | 一种泛在电力物联网智能管理系统 |
CN112578679A (zh) * | 2019-09-30 | 2021-03-30 | 北京国双科技有限公司 | 控制系统及方法、存储介质及电子设备 |
CN112578679B (zh) * | 2019-09-30 | 2024-02-13 | 北京国双科技有限公司 | 控制系统及方法、存储介质及电子设备 |
CN112163709A (zh) * | 2020-10-09 | 2021-01-01 | 珠海格力电器股份有限公司 | 用电提示方法和装置、存储介质、电子装置 |
CN112163709B (zh) * | 2020-10-09 | 2024-04-09 | 珠海格力电器股份有限公司 | 用电提示方法和装置、存储介质、电子装置 |
CN114498941A (zh) * | 2022-04-14 | 2022-05-13 | 江苏黑马高科股份有限公司 | 基于物联网无线通信的智能配电控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060176A (zh) | 电力物联网智能配电方法、可读存储介质和终端 | |
Ullah et al. | Short-term prediction of residential power energy consumption via CNN and multi-layer bi-directional LSTM networks | |
Luo et al. | A short-term energy prediction system based on edge computing for smart city | |
Ma et al. | Forecasting iron ore import and consumption of China using grey model optimized by particle swarm optimization algorithm | |
Tun et al. | Federated learning based energy demand prediction with clustered aggregation | |
Yang et al. | RFID-enabled indoor positioning method for a real-time manufacturing execution system using OS-ELM | |
Pooranian et al. | Scheduling distributed energy resource operation and daily power consumption for a smart building to optimize economic and environmental parameters | |
Ge et al. | Data-driven spatial-temporal prediction of electric vehicle load profile considering charging behavior | |
CN111612275B (zh) | 一种预测区域用户负荷量的方法及装置 | |
Dong et al. | A short-term power load forecasting method based on k-means and SVM | |
CN110619420A (zh) | 一种基于Attention-GRU的短期住宅负荷预测方法 | |
CN101976842A (zh) | 基于电气分区的关键断面自动获取方法 | |
CN106855957A (zh) | 基于相似日和最小二乘支持向量机的工厂母线负荷预测 | |
Yan | Research on green suppliers' evaluation based on AHP & genetic algorithm | |
CN110796307A (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN112668909B (zh) | 基于遗传算法的水资源优化配置方法及系统 | |
CN113574550A (zh) | 使用集成机器学习技术的非侵入式负荷监测 | |
CN113614755A (zh) | 使用机器学习的负荷监测 | |
CN113557537A (zh) | 使用机器学习和被处理的训练数据的非侵入式负荷监测 | |
Nengroo et al. | Management of distributed renewable energy resources with the help of a wireless sensor network | |
Feng et al. | Saturated load forecasting based on clustering and logistic iterative regression | |
Hu et al. | Edge intelligence for real-time data analytics in an IoT-based smart metering system | |
Li et al. | Machine learning‐based scheduling: a bibliometric perspective | |
CN114548575A (zh) | 基于迁移学习的自适应建筑日前负荷预测方法 | |
Tripathi et al. | Data-driven optimizations in IoT: A new frontier of challenges and opportunities |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190726 |
|
WW01 | Invention patent application withdrawn after publication |