CN110136024A - 获取用户的用电特征、用电习惯及用电量预测值的方法及装置 - Google Patents

获取用户的用电特征、用电习惯及用电量预测值的方法及装置 Download PDF

Info

Publication number
CN110136024A
CN110136024A CN201910244178.3A CN201910244178A CN110136024A CN 110136024 A CN110136024 A CN 110136024A CN 201910244178 A CN201910244178 A CN 201910244178A CN 110136024 A CN110136024 A CN 110136024A
Authority
CN
China
Prior art keywords
user
information
electrical
electrical feature
electricity
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
Application number
CN201910244178.3A
Other languages
English (en)
Other versions
CN110136024B (zh
Inventor
林宏炽
石克强
何薇玲
肖正华
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.)
Shanghai Xinlianxin Intelligent Technology Co ltd
Original Assignee
Chuangweiyuan Intelligent Technology (shanghai) Co Ltd
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 Chuangweiyuan Intelligent Technology (shanghai) Co Ltd filed Critical Chuangweiyuan Intelligent Technology (shanghai) Co Ltd
Priority to CN201910244178.3A priority Critical patent/CN110136024B/zh
Publication of CN110136024A publication Critical patent/CN110136024A/zh
Application granted granted Critical
Publication of CN110136024B publication Critical patent/CN110136024B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种获取用户的用电特征、用电习惯及用电量预测值的方法，所述方法包括：按时序采集用户的用电特征影响因素信息；对按时序采集到的用电特征影响因素信息进行数据挖掘以获取用户的用电特征信息；对采集到的用户的用电特征影响因素信息和获取到的所述用户的用电特征信息进行深度学习以获得用户的用电习惯信息及未来预定时间段內的用电量预测值；将用户的用电特征信息、用电习惯信息及未来预定时间段的用电量预测值信息发送至远端数据库。本发明按时序采集用电特征影响因素信息，并对采集到的信息进行数据挖掘和深度学习，以获得用户的用电特征、用电习惯并对用户的未来预定时间段的用电量进行合理预测。

Description

获取用户的用电特征、用电习惯及用电量预测值的方法及 装置
技术领域
本发明涉及电力技术领域，特别是涉及一种获取用户用电规律及用电量预测值的方法及装置。
背景技术
对用电用户的用电特征(包括用电量、用电设备种类、用电设备规格等)、用电习惯进行准确识别并对用户的未来用电量趋势进行合理预测，可以帮助电力企业更好地了解各类用户的个性化用电需求，为未来电网发展及电力政策的制定提供了数据支撑。
但是各用电用户的用电特征多样化对传统的数据采集和数据分析提出了新的挑战，如何采集到各类用户的用电数据并从海量的用电数据中识别出其用电特征、用电习惯及未来用电量趋势是目前亟待解决的问题。
发明内容
本发明的目的在于提供一种获取用户的用电特征、用电习惯及用电量预测值的方法，其能够按时序采集用电特征影响因素信息，并对采集到的信息进行数据挖掘和深度学习，以获得用户的用电特征、用电习惯并对用户的未来预定时间段的用电量进行合理预测。
为了实现上述目的，根据本发明的一个方面，本发明提供一种获取用户的用电特征、用电习惯及用电量预测值的方法，其包括：按时序采集用户的用电特征影响因素信息；对按时序采集到的用电特征影响因素信息进行数据挖掘以获取用户的用电特征信息；对采集到的用户的用电特征影响因素信息和获取到的所述用户的用电特征信息进行深度学习以获得用户的用电习惯信息及未来预定时间段內的用电量预测值；将用户的用电特征信息、用电习惯信息及未来预定时间段的用电量预测值信息发送至远端数据库。
进一步的，所述用电特征影响因素信息包括用电量信息、环境温度信息、环境湿度信息、环境气压信息、环境声音信息、环境影像信息中的一种或几种。
进一步的，所述用电特征信息包括用电设备的种类、用电设备的用电规格、用电设备的用电特性中的一种或几种。
进一步的，所述深度学习包括有督促深度学习和/无督促深度学习。
进一步的，所述对按时序采集到的用电特征影响因素信息进行数据挖掘以获取用户的用电特征信息包括：将采集的用户的用电特征影响因素信息进行模数转换得到数字的用户的用电特征影响因素信息数据；对数字的用户的用电特征影响因素信息数据进行数据挖掘以获取用户的用电特征信息。
根据本发明的另一方面，本发明提供一种获取用户的用电特征、用电习惯及用电量预测值的装置，其包括：信息采集单元，其被配置为按时序采集用户的用电特征影响因素信息；用电特征获取单元，其被配置为对按时序采集到的用电特征影响因素信息进行数据挖掘以获取用户的用电特征信息；用电习惯及用电量预测值获取单元，其被配置为对采集到的用户的用电特征影响因素信息和获取到的所述用户的用电特征信息进行深度学习以获得用户的用电习惯信息及未来预定时间段的用电量预测值；信息发送单元：将用户的用电特征信息、用电习惯信息及未来预定时间段的用电量预测值信息发送至远端数据库。
进一步的，所述信息采集单元包括用电量采集单元、环境温度采集单元、环境湿度采集单元、环境气压采集单元、环境声音采集单元、环境影像采集单元中的一种或几种，其中：所述用电量采集单元用于采集用户的用电量信息，所述环境温度采集单元用于采集环境温度信息，所述环境湿度采集单元用于采集环境湿度信息，所述环境声音采集单元用于采集环境声音信息，所述环境影像采集单元用于采集环境影像信息。
进一步的，所述用电特征信息包括用电设备的种类、用电设备的用电规格、用电设备的用电特性中的一种或几种。
进一步的，所述深度学习包括有督促深度学习和/无督促深度学习。
进一步的，所述用电特征获取单元包括：数模转换单元，其被配置为将采集的用户的用电特征影响因素信息进行模数转换得到数字的用户的用电特征影响因素信息数据；数据挖掘单元，其被配置为对数字的用户的用电特征影响因素信息数据进行数据挖掘以获取用户的用电特征信息。
与现有技术相比，本发明中的获取用户的用电特征、用电习惯及用电量预测值的方法，其能够按时序采集用电特征影响因素信息，并对采集到的信息进行数据挖掘和深度学习，以获得用户的用电特征、用电习惯并对用户的未来预定时间段的用电量进行合理预测。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，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发明的一些实施例，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它的附图。其中：
图1为本发明中的获取用户的用电特征、用电习惯及用电量预测值的装置在一个实施例中的结构框图；和
图2为本发明中的获取用户的用电特征、用电习惯及用电量预测值的方法在一个实施例中的流程示意图。
【具体实施方式】
下面结合附图来详细介绍一下本发明的具体实施方式。
在本发明中，各处的“在一个实施例中”并不是特别指在同一个实施例中，它们可以是同一个实施例，也可以是不同的实施例。
图1为本发明中的获取用户的用电特征、用电习惯及用电量预测值的装置100在一个实施例中的结构框图。如图1所示，所述获取用户的用电特征、用电习惯及用电量预测值的装置100能够按时序采集用电特征影响因素信息，并对采集到的信息进行数据挖掘和深度学习，以获得用户的用电特征、用电习惯，并对用户的未来预定时间段的用电量进行合理预测。
如图1所示，所述装置100包括信息采集单元110、用电特征获取单元120、用电习惯及用电量预测值获取单元130和信息发送单元140。
所述信息采集单元110被配置为按时序采集用户的用电特征影响因素信息。在一些实施例中，所述用电特征影响因素信息包括用电量信息、环境温度信息、环境湿度信息、环境气压信息、环境声音信息、环境影像信息。其中：用电量信息直接反应了用户的用电量在时序上的变化情况，环境温度、环境温度信息、环境气压等信息则表征用户所处的环境情况，其直接影响冷暖设备、冰箱、加/除湿设备、电烤炉的运行时长、耗电量等。环境声音信息、环境影像信息则可以用来辅助判断用户对电视机、电灯、电脑等音/视频及照明设备的使用情况，此外其还能反应用户的人数信息等。
所述用电特征获取单元120被配置为对所述信息采集单元110按时序采集到的用电特征影响因素信息进行数据挖掘以获取用户的用电特征信息。在一些实施例中，所述用电特征信息包括用电设备的种类、各用电设备的用电规格、各用电设备的用电特性。其中：用电设备的种类包括冷暖设备、冰箱、电视、电烤炉、空调等，用电设备的用电规格包括各用电设备的电压、电流、功率等；用电设备的用电特性包括用电设备的耗电量曲线、开启时段、用电时长等。
通过对时序上的用电量信息、环境温度信息、环境湿度信息、环境气压信息、环境声音信息、环境影像信息等用电特征信息的深度挖掘，所述用电特征获取单元120即可获取用户的用电设备种类、各用电设备的用电规格、各用电设备的用电特性等信息。例如，通过数据挖掘，所述用电特征获取单元120发现某用电设备在环境湿度高于70％时开启，在环境湿度低于40％时关闭，且该设备的功率为1500W，则所述用电特征获取单元120判断该用电设备为除湿机。又如，某用电设备在每天晚上19-20点开始，每天早上7-8点关闭，且该设备的功率为2W，则所述用电特征获取单元120判断该用电设备为小夜灯。
需要说明的是，本发明中所采用的数据挖掘的算法模型采用已有的各类数据挖掘分析算法模型，如判别分析模型、聚类分析模型、神经网络算法模型等。
由于信息采集单元110所采集到的原始信息一般为模拟信息量，因此在一些实施例中，所述用电特征获取单元120包括数模转换单元121和数据挖掘单元122，其中所述数模转换单元121被配置为将采集的用户的用电特征影响因素信息进行模数转换得到数字的用户的用电特征影响因素信息数据，所述数据挖掘单元122被配置为对数字的用户的用电特征影响因素信息数据进行数据挖掘以获取用户的用电特征信息。
所述用电习惯及用电量预测值获取单元130被配置为对采集到的用户的用电特征影响因素信息和获取到的所述用户的用电特征信息进行深度学习以获得用户的用电习惯信息及未来预定时间段的用电量预测值。其中，所述用户的用电习惯信息包括用户对用电设备的使用习惯，如：用户一般会在几点打开、几点关闭电视机，环境温度下降到多少度时会开启暖气，环境湿度下降到多少度时会开启加湿器等等。所述用电量预测值是指对用户在未来一段时间内的用电量的预测。本发明中，深度学习可以采用已有的各种类型的有督促深度学习算法模型和/无督促深度学习算法模型。
由于用户的用电习惯与用电特征信息之间直接相关，因此只需要对用电特征信息进行深度学习即能轻松地获得用户的用电习惯，本说明书不再对其具体过程进行赘述。
由于用户的用电量与用电特征信息(包括用电设备的种类、各用电设备的用电规格、各用电设备的用电特性)、用电特征影响因素信息之间存在关联度。因此在预测用户在未来一段时间内的用电总量时，可以通过深度学习建立用户用电量与用电特征信息、用电特征影响因素信息之间的关联度模型，如在一些实施例中，该关联度模型可以表征为Q＝f(S、F)，其中Q为用户的用电量，S为用电特征信息，F为用电特征影响因素信息。在对未来预定时间内的用电量进行预测时，只需将用电特征信息及用电特征影响因素信息输入至该关系模型内即可输出未来预定时间内的用电总量的预测值。当然，其中的用电特征信息采用所述用电特征获取单元120所获取的历史数据，而用电特征影响因素信息中的部分信息，如环境温度、环境湿度、环境气压等数据则可能需要使用预测值，如通过外部的天气预报系统获取。
例如，当需要预测用户在未来一周每天的用电量情况时，首先需要获得未来一周内环境温度、环境湿度、环境气压等用电特征影响因素的预测值，并调取所述用电特征获取单元120所获取到的用电特征信息。最后，所述用电习惯及用电量预测值获取单元130调用关联度模型即能预测出未来一周内每天的用电总量情况。
所述信息发送单元140被配置为将用户的用电特征信息、用电习惯信息及未来预定时间段的用电量预测值信息发送至远端数据库，从而满足各部门的分析需求。在一些实施例中，所述远端数据库包括云端数据库和供电部门专用数据库。通过对这些数据库中的数据进行分析利用，一些商业部门可以对云端数据库中存储的各用户的用电特征信息、用电习惯信息进行评估分析，从而实现相关的商业应用，又如供电部门可以基于用户用电习惯、用电量预测值对未来一段时间内的供电安排经进行合理部署，如提前对其配载容量进行提前分配及调试，以满足用户未来一段时间内的用电需求。
在具体实现结构上，本发明中，所述信息采集单元110、所述用电特征获取单元120、所述用电习惯及用电量预测值获取单元130和所述信息发送单元140均可采用已有的信息采集结构、信息处理结构及信息发送结构。例如，信息采集单元110被配置为由各种类型的传感器节点(如获取用户用电量的计量传感器，获得环境温度的温度传感器，获得环境湿度的湿度传感器、获取环境气压的压力传感器等)所组成的互联式传感网络。
所述用电特征获取单元120、所述用电习惯及用电量预测值获取单元130被配置为与这些传感器节点连接的微处理器单元(MCU)，该所述微处理器单元(MCU)能够获取传感器节点发送的信息，并能够写入各类数据挖掘算法程序、深度学习算法程序。所述信息发送单元140则被配置为有线信号或无线信号发射器。
请继续参考图1所示，为降低成本、方便维护，在一些优选实施例中，上述各种类型的传感器、微处理器单元(MCU)和有线信号/无线信号发射器被统一集成为一个具有信息采集、信息处理及信息发送功能的智能电表100，该智能电表100安装在用户终端所在的输电网络150上。
本发明还提供了一种获取用户的用电特征、用电习惯及用电量预测值的方法。图2为本发明中的获取用户的用电特征、用电习惯及用电量预测值的方法200在一个实施例中的流程示意图。如图2所示的，所述方法200包括如下步骤。
步骤210，按时序采集用户的用电特征影响因素信息；
步骤220，对按时序采集到的用电特征影响因素信息进行数据挖掘以获取用户的用电特征信息；
步骤230，对采集到的用户的用电特征影响因素信息和获取到的所述用户的用电特征信息进行深度学习以获得用户的用电习惯信息及未来预定时间段的用电量预测值；
步骤240，将用户的用电特征信息、用电习惯信息及未来预定时间段的用电量预测值信息发送至远端数据库。。
在一些实施例中，所述用电特征影响因素信息包括用电量信息、环境温度信息、环境湿度信息、环境气压信息、环境声音信息、环境影像信息中的一种或几种。
在一些实施例中，所述用电特征信息包括用电设备的种类、用电设备的用电规格、用电设备的用电特性中的一种或几种。
在一些实施例中，所述深度学习包括有督促深度学习和/无督促深度学习。
在一些实施例中，所述远端数据库包括云端数据库和/供电部门专用数据库。
由于所述装置100的技术原理与所述方法200的技术原理一致，因此在介绍方法200时对于重复的部分进行了简化或省略处理，简化或省略的部分可以参考所述装置100的有关描述。
上述说明已经充分揭露了本发明的具体实施方式。需要指出的是，熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应地，本发明的权利要求的范围也并不仅仅局限于前述具体实施方式。

Claims (10)

1.一种获取用户的用电特征、用电习惯及用电量预测值的方法，其特征在于，所述方法包括：
按时序采集用户的用电特征影响因素信息；
对按时序采集到的用电特征影响因素信息进行数据挖掘以获取用户的用电特征信息；
对采集到的用户的用电特征影响因素信息和获取到的所述用户的用电特征信息进行深度学习以获得用户的用电习惯信息及未来预定时间段的用电量预测值；
将用户的用电特征信息、用电习惯信息及未来预定时间段的用电量预测值信息发送至远端数据库。
2.如权利要求1所述的获取用户的用电特征、用电习惯及用电量预测值的方法，其特征在于，所述用电特征影响因素信息包括用电量信息、环境温度信息、环境湿度信息、环境气压信息、环境声音信息、环境影像信息中的一种或几种。
3.如权利要求1所述的获取用户的用电特征、用电习惯及用电量预测值的方法，其特征在于，所述用电特征信息包括用电设备的种类、用电设备的用电规格、用电设备的用电特性中的一种或几种。
4.如权利要求1所述的获取用户的用电特征、用电习惯及用电量预测值的方法，其特征在于，所述深度学习包括有督促深度学习和/无督促深度学习。
5.如权利要求1所述的获取用户的用电特征、用电习惯及用电量预测值的方法，其特征在于，所述对按时序采集到的用电特征影响因素信息进行数据挖掘以获取用户的用电特征信息包括：
将采集的用户的用电特征影响因素信息进行模数转换得到数字的用户的用电特征影响因素信息数据；
对数字的用户的用电特征影响因素信息数据进行数据挖掘以获取用户的用电特征信息。
6.一种获取用户的用电特征、用电习惯及用电量预测值的装置，其特征在于，其包括：
信息采集单元，其被配置为按时序采集用户的用电特征影响因素信息；
用电特征获取单元，其被配置为对按时序采集到的用电特征影响因素信息进行数据挖掘以获取用户的用电特征信息；
用电习惯及用量预测值获取单元，其被配置为对采集到的用户的用电特征影响因素信息和获取到的所述用户的用电特征信息进行深度学习以获得用户的用电习惯信息及未来预定时间段的用电量预测值；
信息发送单元：将用户的用电特征信息、用电习惯信息及未来预定时间段的用电量预测值信息发送至远端数据库。
7.如权利要求6所述的获取用户的用电特征、用电习惯及用电量预测值的装置，其特征在于：所述信息采集单元包括用电量采集单元、环境温度采集单元、环境湿度采集单元、环境气压采集单元、环境声音采集单元、环境影像采集单元中的一种或几种，其中：所述用电量采集单元用于采集用户的用电量信息，所述环境温度采集单元用于采集环境温度信息，所述环境湿度采集单元用于采集环境湿度信息，所述环境声音采集单元用于采集环境声音信息，所述环境影像采集单元用于采集环境影像信息。
8.如权利要求6所述的获取用户的用电特征、用电习惯及用电量预测值的装置，其特征在于：所述用电特征信息包括用电设备的种类、用电设备的用电规格、用电设备的用电特性中的一种或几种。
9.如权利要求6所述的获取用户的用电特征、用电习惯及用电量预测值的装置，其特征在于：所述深度学习包括有督促深度学习和/无督促深度学习。
10.如权利要求6所述的获取用户的用电特征、用电习惯及用电量预测值的装置，其特征在于：所述用电特征获取单元包括：
数模转换单元，其被配置为将采集的用户的用电特征影响因素信息进行模数转换得到数字的用户的用电特征影响因素信息数据；
数据挖掘单元，其被配置为对数字的用户的用电特征影响因素信息数据进行数据挖掘以获取用户的用电特征信息。
CN201910244178.3A 2019-03-28 2019-03-28 获取用户的用电特征、用电习惯及用电量预测值的方法及装置 Active CN110136024B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910244178.3A CN110136024B (zh) 2019-03-28 2019-03-28 获取用户的用电特征、用电习惯及用电量预测值的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910244178.3A CN110136024B (zh) 2019-03-28 2019-03-28 获取用户的用电特征、用电习惯及用电量预测值的方法及装置

Publications (2)

Publication Number Publication Date
CN110136024A true CN110136024A (zh) 2019-08-16
CN110136024B CN110136024B (zh) 2023-10-10

Family

ID=67568762

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910244178.3A Active CN110136024B (zh) 2019-03-28 2019-03-28 获取用户的用电特征、用电习惯及用电量预测值的方法及装置

Country Status (1)

Country Link
CN (1) CN110136024B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027785A (zh) * 2019-12-30 2020-04-17 源创芯动科技(宁波)有限公司 一种分布式电网用户的智能用电系统及用电方法
CN111476438A (zh) * 2020-05-18 2020-07-31 南方电网科学研究院有限责任公司 一种用户用电量预测方法、系统以及设备
CN111798336A (zh) * 2020-07-09 2020-10-20 山东大学 一种基于典型用户的居民电费套餐推荐方法及系统
CN115046315A (zh) * 2022-06-24 2022-09-13 国网安徽省电力有限公司淮北供电公司 一种蓄热式电锅炉的控制系统和控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682349A (zh) * 2012-05-14 2012-09-19 云南电力试验研究院（集团）有限公司电力研究院 一种用电量智能预测系统及方法
CN104008430A (zh) * 2014-05-29 2014-08-27 华北电力大学 一种构建拟境挖掘动态智能负荷预测模型的方法
CN105260803A (zh) * 2015-11-06 2016-01-20 国家电网公司 一种系统用电量预测方法
CN107248740A (zh) * 2017-06-15 2017-10-13 贵州电网有限责任公司电力科学研究院 一种家庭用电设备负荷预测方法
CN107301474A (zh) * 2017-06-19 2017-10-27 武汉大学 一种针对低压用户的基于深度学习的用电量预测方法
CN108011367A (zh) * 2017-12-04 2018-05-08 贵州电网有限责任公司电力科学研究院 一种基于深度决策树算法的电力负荷特性挖掘方法
CN108510006A (zh) * 2018-04-08 2018-09-07 重庆邮电大学 一种基于数据挖掘的企业用电量分析与预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682349A (zh) * 2012-05-14 2012-09-19 云南电力试验研究院（集团）有限公司电力研究院 一种用电量智能预测系统及方法
CN104008430A (zh) * 2014-05-29 2014-08-27 华北电力大学 一种构建拟境挖掘动态智能负荷预测模型的方法
CN105260803A (zh) * 2015-11-06 2016-01-20 国家电网公司 一种系统用电量预测方法
CN107248740A (zh) * 2017-06-15 2017-10-13 贵州电网有限责任公司电力科学研究院 一种家庭用电设备负荷预测方法
CN107301474A (zh) * 2017-06-19 2017-10-27 武汉大学 一种针对低压用户的基于深度学习的用电量预测方法
CN108011367A (zh) * 2017-12-04 2018-05-08 贵州电网有限责任公司电力科学研究院 一种基于深度决策树算法的电力负荷特性挖掘方法
CN108510006A (zh) * 2018-04-08 2018-09-07 重庆邮电大学 一种基于数据挖掘的企业用电量分析与预测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027785A (zh) * 2019-12-30 2020-04-17 源创芯动科技(宁波)有限公司 一种分布式电网用户的智能用电系统及用电方法
CN111027785B (zh) * 2019-12-30 2023-10-10 上海芯联芯智能科技有限公司 一种分布式电网用户的智能用电系统及用电方法
CN111476438A (zh) * 2020-05-18 2020-07-31 南方电网科学研究院有限责任公司 一种用户用电量预测方法、系统以及设备
CN111798336A (zh) * 2020-07-09 2020-10-20 山东大学 一种基于典型用户的居民电费套餐推荐方法及系统
CN111798336B (zh) * 2020-07-09 2021-06-01 山东大学 一种基于典型用户的居民电费套餐推荐方法及系统
CN115046315A (zh) * 2022-06-24 2022-09-13 国网安徽省电力有限公司淮北供电公司 一种蓄热式电锅炉的控制系统和控制方法

Also Published As

Publication number Publication date
CN110136024B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
Himeur et al. Building power consumption datasets: Survey, taxonomy and future directions
CN110136024A (zh) 获取用户的用电特征、用电习惯及用电量预测值的方法及装置
Himeur et al. A novel approach for detecting anomalous energy consumption based on micro-moments and deep neural networks
US11493895B2 (en) Method and system for adaptively switching prediction strategies optimizing time-variant energy consumption of built environment
Zoha et al. Non-intrusive load monitoring approaches for disaggregated energy sensing: A survey
CN105302266B (zh) 向用户提供关于电池操作的电子设备中的功耗的反馈
Zhou et al. Semantic information modeling for emerging applications in smart grid
JP6232021B2 (ja) 消費特性に応じた電力消費量の予測方法、電力消費量予測モデルの生成方法、電力消費量の予測装置
Chalmers et al. Detecting activities of daily living and routine behaviours in dementia patients living alone using smart meter load disaggregation
CN101482747A (zh) 工业系统中的预订与通知
Mora et al. Occupancy patterns obtained by heuristic approaches: Cluster analysis and logical flowcharts. A case study in a university office
Batra et al. Data driven energy efficiency in buildings
CN102789219A (zh) 一种能源管理系统
Haase et al. The IOT mediated built environment: A brief survey
CN106405183A (zh) 电能信息提供系统及其方法
US20150355247A1 (en) Apparatus, server, system and method for energy measuring
CN111242276A (zh) 一种用于负荷电流信号识别的一维卷积神经网络构建方法
CN108475257A (zh) 处理远程仪表读取数据以分析消耗量模式
CN116681177A (zh) 一种基于建筑能耗碳积分减免制的建筑节能方法和系统
Alam et al. Smart-energy group anomaly based behavioral abnormality detection
Li et al. Smart home energy management systems based on non-intrusive load monitoring
CN111314177B (zh) 一种基于无线信号的作息时段识别方法以及相关装置
CN111830320A (zh) 一种基于深度学习的非侵入式能耗监测系统及方法
KR102622634B1 (ko) 전자기기의 비침식 부하 모니터링 시스템 및 그 방법
CN106152371B (zh) 环境控制方法、环境控制装置以及电力管理系统

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220920

Address after: Room 806, No. 570 Shengxia Road, Free Trade Pilot Zone, Pudong New Area, Shanghai, 201203

Applicant after: Shanghai xinlianxin Intelligent Technology Co.,Ltd.

Address before: Room 805, No. 570 Shengxia Road, China (Shanghai) Pilot Free Trade Zone, Shanghai 200000

Applicant before: CHUANGXINYUAN INTELLIGENT TECHNOLOGY (SHANGHAI) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant