CN110458719A - 一种用于电网企业的电网调度方法及系统 - Google Patents

一种用于电网企业的电网调度方法及系统 Download PDF

Info

Publication number
CN110458719A
CN110458719A CN201910423407.8A CN201910423407A CN110458719A CN 110458719 A CN110458719 A CN 110458719A CN 201910423407 A CN201910423407 A CN 201910423407A CN 110458719 A CN110458719 A CN 110458719A
Authority
CN
China
Prior art keywords
data
electricity consumption
power
power grid
grid enterprises
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
CN201910423407.8A
Other languages
English (en)
Inventor
连文莉
王俊锴
陈波
金正洪
张娜
吴骅
程媛
冯伟峰
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.)
Tai Hao Software Inc Co
State Grid Corp of China SGCC
State Grid Shaanxi Electric Power Co Ltd
Original Assignee
Tai Hao Software Inc Co
State Grid Corp of China SGCC
State Grid Shaanxi Electric Power 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 Tai Hao Software Inc Co, State Grid Corp of China SGCC, State Grid Shaanxi Electric Power Co Ltd filed Critical Tai Hao Software Inc Co
Priority to CN201910423407.8A priority Critical patent/CN110458719A/zh
Publication of CN110458719A publication Critical patent/CN110458719A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种用于电网企业的电网调度方法及管理系统，方法包括：获取第一预设时间段内的电网企业的历史用电数据；根据历史用电数据建立用电预测模型；获取第二预设时间段的电网企业的当前用电数据，并根据当前用电数据和用电预测模型预测电网企业的目标用电数据；将当前用电数据及目标用电数据上传至后台服务器，并接收后台服务器根据当前用电数据及目标用电数据生成的调度计划。实施本发明实施例，可以准确实现电网调度，从而可以保障电力系统的安全稳定运行。

Description

一种用于电网企业的电网调度方法及系统
技术领域
本发明涉及电网调度技术领域，具体涉及一种用于电网企业的电网调度方法及系统。
背景技术
随着高比例电力电子设备使用的快速增长，电网运行控制的技术水平和复杂程度也越来越高，同时增大了电网运行控制的难度。
目前，电网调度多依赖于人工经验，不够准确，难以保障电力系统的安全稳定运行。
发明内容
本发明实施例的目的在于提供一种用于电网企业的电网调度方法及系统，以准确实现电网调度，保障电力系统的安全稳定运行。
为实现上述目的，第一方面，本发明实施例提供了一种用于电网企业的电网调度方法，包括：
获取第一预设时间段内的电网企业的历史用电数据；
根据所述历史用电数据建立用电预测模型；
获取第二预设时间段的电网企业的当前用电数据，并根据所述当前用电数据和用电预测模型预测所述电网企业的目标用电数据，所述第二预设时间段小于第一预设时间段；
将所述当前用电数据及目标用电数据上传至后台服务器，并接收所述后台服务器根据所述当前用电数据及目标用电数据生成的调度计划。
第二方面，本发明实施例还提供了一种用于电网企业的电网调度管理系统，包括多个数据采集装置、多个用户端以及一后台服务器，所述数据采集器设置于电网企业的配电室内。所述数据采集装置采集第一预设时间段内的电网企业的历史用电数据、第二预设时间段的电网企业的当前用电数据，所述第二预设时间段小于第一预设时间段；
每一用户端包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行以下步骤：
获取所述历史用电数据，并根据所述历史用电数据建立用电预测模型；
获取所述当前用电数据，并根据所述当前用电数据和用电预测模型预测所述电网企业的目标用电数据；
将所述当前用电数据及目标用电数据上传至后台服务器，并接收所述后台服务器根据所述当前用电数据及目标用电数据生成的调度计划。
实施本发明实施例，先获取电网企业的历史用电数据，根据该历史用电数据建立用电预测模型，再获取当前用电数据，根据该当前用电数据和用电预测模型预测目标用电数据，最后将当前用电数据及目标用电数据上传至后台服务器，由后台服务器根据上述数据生成调度计划，可以准确实现电网调度，从而可以保障电力系统的安全稳定运行。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1是本发明第一实施例提供的用于电网企业的电网调度方法的流程示意图；
图2是本发明第一实施例提供的政务大数据处理系统的结构示意图；
图3是本发明第二实施例提供的政务大数据处理系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参考图1，是本发明第一实施例提供的用于电网企业的电网调度方法的流程示意图。如图所示，该方法可以包括以下步骤：
S101，获取第一预设时间段内的电网企业的历史用电数据。
其中，第一预设时间段可以是一年、一季度或者一个月，但不仅限于此。历史用电数据包括电网企业的总用电量及用电高峰期时段等。
S102，根据历史用电数据建立用电预测模型。
具体地，步骤S102包括以下步骤：
（1）设置不同预定时间步长的滑动窗口。
（2）根据滑动窗口对历史用电数据进行滑动处理，以得到多个窗口数据。
（3）对每一窗口数据进行采样处理，以得到各预定时间步长对应的样本数据。
其中，预定时间步长包括6个时间单位、11个时间单位及16个时间单位，时间单位是指历史数据的粒度单位。例如，时间单位为天、分钟等。对于6个时间单位的滑动窗口，对应的窗口数据的位数为6位，采样得到的样本数据的位数为6位；对于11个时间单位的滑动窗口，对应的窗口数据的位数为11位，采样得到的样本数据的位数为6位，例如，采样得到的样本数据为(x1,x3,x5,x7,x9,x11)，即采样窗口数据中的第1、3、5、7、9、11位的数据；对于16个时间单位的滑动窗口，对应的窗口数据的位数为16位，采样得到的样本数据的位数为6位，例如，采样得到的样本数据为(x1,x4,x7, x10,x13,x16)，即采样窗口数据中的第1、4、7、10、13、16位的数据。
需要说明的是，通过设置不同预定时间步长的滑动窗口的目的在于在有限的计算资源下，扩大所捕获信息的久远度及联系关系。
（4）对样本数据进行预处理，以得到训练数据。
在对样本数据进行预处理时，包括以下步骤：
第一步，对所述样本数据进行清洗。
在清洗数据时，根据金融交易的需求分析、数据类别分析、任务定义，获取数据清洗方案；对数据进行预处理，检测属性错误数据、冗余数据，并对检测结果进行统计；确定脏数据的类别及相应的清洗方案；根据条件函数、格式函数、汇总分解函数定义完整性约束，通过完整性约束进行不一致数据修复；利用基于欧几里德距离的聚类方法自动检测数据集中的属性错误，获得修改后的数据；通过 N-Gram算法清理重复数据；干净数据回流至样本数据库，通过该方法能够降低数据清理成本，提高数据的质量，保证数据的正确性和准确性，进而能够提高预测的准确性。
第二步，对清洗后的样本数据进行归一化处理。
第三步，对归一化处理后的数据进行分类，获得训练数据；其中，训练数据分为训练样本数据、验证数据和测试数据。
其中，三部分数据所占比例依次为70%、20%、10%，用于之后的用电预测模型的训练、验证和测试。
在对数据进行分类时，将每个时间窗口的数据都按照上述比例分类到三部分数据中，以保证数据的平衡性。
（5）根据训练数据及LSTM-RNN模型建立用电预测模型。
在利用训练数据训练LSTM-RNN模型时，包括以下步骤：
第一步，利用所述训练样本数据训练LSTM-RNN模型。
本发明采用具有一个输入层，5个隐藏层、一个输出层，输出层使用identity函数来执行回归，隐藏层采用LSTM单元，该单元具有三个门，输入门表示是否允许采集的新的污染物浓度数据信息加入到当前隐藏层节点中，如果为1，则门开，允许输入，如果为0，则门关，不允许输入，这样就可以摒弃掉一些没用的输入信息；遗忘门表示是否保留当前隐藏层节点存储的样本数据， 如果为1，则门开保留，如果为0，则门关，清空当前节点所存储的样本数据；输出门表示是否将当前节点输出值输出给下一层(下一个隐藏层或者输出层)，如果为1，则门开，当前节点的输出值将作用于下一层，如果为0，则门关，当前节点输出值不输出。LSTM单元结构弥补了传统RNN结构上的不足，即后面的时间节点对前面的时间节点感知力下降。LSTM单元是一种称作记忆细胞的特殊单元，类似于累加器和门控神经元：它在下一时间步长将拥有一个权值并连接到自身，拷贝自身状态的真实值和累积的外部信号，但这种自联接是由另一个单元学习并决定何时清除记忆内容的乘法门控制，具体内容如下：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)
ot＝σ(Wxoxt+Whoht-1+Wcoct-1+bo)
ht＝ottanh(ct)
其中σ为逻辑sigmoid函数，i、f、o、c、h分别表示输入门(input gate)、遗忘门 (forgetgate)、输出门(output gate)、单元激活向量(cell activation vectors)，隐藏层单元，Wxi、Whi、Wci分别为输入特征向量、隐藏层单元、单元激活向量与输入门之间的权重矩阵，Wxf、Whf、Wcf分别为输入特征向量、隐藏层单元、单元激活向量与遗忘门之间的权重矩阵，Wxo、Who、Wco分别为输入特征向量、隐藏层单元、单元激活向量与输出门之间的权重矩阵，Wxc、Whc分别为输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵，所述权重矩阵均为对角阵；bi、bf、bc、bo分别为输入门、遗忘门、输出门、单元激活向量的偏差值，t作为下标时表示采样时刻，tanh为激活函数。
Gate使用一个sigmoid激活函数，而input和cell state通常会使用tanh激活函数来转换。当输入为0时，tanh函数输出为0。
在训练模型时，采用dropout的连接形式，即在模型训练时随即让网络某些隐含层节点的权重不工作，不工作的节点可暂时认为不是网络结构的一部分，但其权重需保留下来(只是暂时不更新)，以便下次样本输入时重新工作。dropout可以有效防止网络训练过程中出现过拟合现象。
本发明中使用的基于LSTM单元的RNN网络结构训练10000epochs，学习速率(learning rate)为1，训练2500epochs后的每一个epoch开始以系数1.15降低学习速率。在训练的每一步过程中，依据交叉熵(cross entropy)准则计算误差向量，根据标准反向传播算法更新权重：
error(t)＝desired(t)-y(t)
其中desired为预测输出值，y(t)为实际网络输出值，error为误差值。
第二步，利用训练样本数据训练完模型后，需要利用验证数据对模型进行验证，更新参数，具体过程为：
将验证输入训练后的模型，验证数据在训练网络的过程中每迭代1000次进行一次测试，最终比较test loss和train loss。当test loss不再降低时，终止网络训练，标志着包含LSTM单元的RNN网络验证完成。
第三步，利用所述测试数据对修正后的LSTM-RNN模型进行测试；若测试成功，则修正后的LSTM-RNN模型为用电预测模型；若测试失败，则重新获取验证数据，对训练后的LSTM-RNN模型重新进行修正。
在利用测试数据进行测试时，将测试数据输入到训练好的模型中，查看预测数据与相应的样本数据之间的差距，判断该差距是否在期望值之内，若在，则表明测试成功，可以利用该模型进行预测；若不在，则表明测试失败，需要对模型再进行训练测试，修正网络参数，进而逐步提高预测精度。
S103，获取第二预设时间段的电网企业的当前用电数据，并根据当前用电数据和用电预测模型预测电网企业的目标用电数据。
其中，所述第二预设时间段小于第一预设时间段。例如上述指出第一预设时间段为一个月，那么第二预设时间段则可以为一天。目标用电数据指的是未来某一时间段内的用电数据，例如当前用电数据指的是某电网企业2018年11月12日的总用电量，那么目标用电数据则可以是该电网企业2018年11月13的总用电量。
S104，将当前用电数据及目标用电数据上传至后台服务器，并接收后台服务器根据当前用电数据及目标用电数据生成的调度计划。
具体地，目标用电数据是通过用电预测模型预测的，并非实际用电数据。因此，可将当前用电数据及目标用电数据上传至后台服务器，由后台服务器根据当前用电数据及目标用电数据生成更加准确的调度计划，从而提高电网调度的准确性。
进一步地，本发明实施例所提供的电网调度方法还可以采用Adam算法对上述用电预测模型进行优化。Adam算法是一种有效的基于梯度的随机优化方法，该算法融合了AdaGrad 和RMSProp 算法的优势，能够对不同参数计算适应性学习率并且占用较少的存储资源。相比于其他随机优化方法，Adam 算法在实际应用中整体表现更优。
实施本发明实施例用于电网企业的电网调度方法，先获取电网企业的历史用电数据，根据该历史用电数据建立用电预测模型，再获取当前用电数据，根据该当前用电数据和用电预测模型预测目标用电数据，最后将当前用电数据及目标用电数据上传至后台服务器，由后台服务器根据上述数据生成调度计划，可以准确实现电网调度，从而可以保障电力系统的安全稳定运行。
相应地，在上述用于电网企业的电网调度方法的基础上，本发明实施例还提供了一种用于电网企业的电网调度管理系统。如图2所示，该用于电网企业的电网调度管理系统包括：多个数据采集装置100、多个用户端200以及一后台服务器300。
其中，数据采集装置100包括但不仅限于具有通信功能的电表，其设置于电网企业的配电室内，用于采集第一预设时间段内的电网企业的历史用电数据、第二预设时间段的电网企业的当前用电数据，所述第二预设时间段小于第一预设时间段。
如图3所示，每一用户端可以包括：一个或多个处理器101、一个或多个输入设备102、一个或多个输出设备103和存储器104，上述处理器101、输入设备102、输出设备103和存储器104通过总线105相互连接。存储器104用于存储计算机程序，所述计算机程序包括程序指令，所述处理器101被配置用于调用所述程序指令执行以下步骤：
获取所述历史用电数据，并根据所述历史用电数据建立用电预测模型；
获取所述当前用电数据，并根据所述当前用电数据和用电预测模型预测所述电网企业的目标用电数据；
将所述当前用电数据及目标用电数据上传至后台服务器300，并接收所述后台服务器300根据所述当前用电数据及目标用电数据生成的调度计划。
进一步地，处理器还被配置用于调用所述程序指令，执行以下步骤：
设置不同预定时间步长的滑动窗口；
根据所述滑动窗口对所述历史用电数据进行滑动处理，以得到多个窗口数据；
对每一窗口数据进行采样处理，以得到各预定时间步长对应的样本数据；
对所述样本数据进行预处理，以得到训练数据；
根据所述训练数据及LSTM-RNN模型建立用电预测模型。
进一步地，处理器还被配置用于调用所述程序指令，执行以下步骤：
对所述样本数据进行清洗、归一化及分类处理，以得到所述训练数据。
进一步地，处理器还用于接收用户的查询操作，并根据所述查询操作得到电网企业的用电情况以供用户查看。
进一步地，上述后台服务器300还用于对多个电网企业的历史用电数据、当前用电数据以及目标用电数据进行可视化展示。
应当理解，在本发明实施例中，所称处理器101可以是中央处理单元 (CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器 (DigitalSignal 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。
输入设备102可以包括键盘等，输出设备103可以包括显示器（LCD等）、扬声器等。
该存储器104可以包括只读存储器和随机存取存储器，并向处理器101 提供指令和数据。存储器104的一部分还可以包括非易失性随机存取存储器。例如，存储器104还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器101、输入设备102、输出设备103可执行本发明实施例提供的用于电网企业的电网调度方法的实施例中所描述的实现方式，在此不再赘述。
需要说明的是，本发明实施例的用户端的具体工作流程，请参考前述方法实施例部分，在此不再赘述。
实施本发明实施例用于电网企业的电网调度系统，先获取电网企业的历史用电数据，根据该历史用电数据建立用电预测模型，再获取当前用电数据，根据该当前用电数据和用电预测模型预测目标用电数据，最后将当前用电数据及目标用电数据上传至后台服务器，由后台服务器根据上述数据生成调度计划，可以准确实现电网调度，从而可以保障电力系统的安全稳定运行。
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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备 ( 可以是个人计算机，服务器，或者网络设备等 ) 执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U 盘、移动硬盘、只读存储器 (ROM，Read-OnlyMemory)、随机存取存储器 (RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种用于电网企业的电网调度方法，其特征在于，包括：
获取第一预设时间段内的电网企业的历史用电数据；
根据所述历史用电数据建立用电预测模型；
获取第二预设时间段的电网企业的当前用电数据，并根据所述当前用电数据和用电预测模型预测所述电网企业的目标用电数据，所述第二预设时间段小于第一预设时间段；
将所述当前用电数据及目标用电数据上传至后台服务器，并接收所述后台服务器根据所述当前用电数据及目标用电数据生成的调度计划。
2.如权利要求1所述的用于电网企业的电网调度方法，其特征在于，根据所述历史用电数据建立用电预测模型具体包括：
设置不同预定时间步长的滑动窗口；
根据所述滑动窗口对所述历史用电数据进行滑动处理，以得到多个窗口数据；
对每一窗口数据进行采样处理，以得到各预定时间步长对应的样本数据；
对所述样本数据进行预处理，以得到训练数据；
根据所述训练数据及LSTM-RNN模型建立用电预测模型。
3.如权利要求2所述的用于电网企业的电网调度方法，其特征在于，对所述样本数据进行预处理，以得到训练数据，具体包括：
对所述样本数据进行清洗、归一化及分类处理，以得到所述训练数据。
4.如权利要求2所述的用于电网企业的电网调度方法，其特征在于，所述电网调度方法还包括：
采用Adam算法，利用所述当前用电数据，实时优化所述交易价格预测模型。
5.一种用于电网企业的电网调度管理系统，包括多个数据采集装置、多个用户端以及一后台服务器，所述数据采集器设置于电网企业的配电室内，其特征在于，所述数据采集装置采集第一预设时间段内的电网企业的历史用电数据、第二预设时间段的电网企业的当前用电数据，所述第二预设时间段小于第一预设时间段；
每一用户端包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行以下步骤：
获取所述历史用电数据，并根据所述历史用电数据建立用电预测模型；
获取所述当前用电数据，并根据所述当前用电数据和用电预测模型预测所述电网企业的目标用电数据；
将所述当前用电数据及目标用电数据上传至后台服务器，并接收所述后台服务器根据所述当前用电数据及目标用电数据生成的调度计划。
6.如权利要求5所述的用于电网企业的电网调度管理系统，其特征在于，所述处理器还被配置用于调用所述程序指令，执行以下步骤：
设置不同预定时间步长的滑动窗口；
根据所述滑动窗口对所述历史用电数据进行滑动处理，以得到多个窗口数据；
对每一窗口数据进行采样处理，以得到各预定时间步长对应的样本数据；
对所述样本数据进行预处理，以得到训练数据；
根据所述训练数据及LSTM-RNN模型建立用电预测模型。
7.如权利要求6所述的用于电网企业的电网调度管理系统，其特征在于，所述处理器还被配置用于调用所述程序指令，执行以下步骤：
对所述样本数据进行清洗、归一化及分类处理，以得到所述训练数据。
8.如权利要求5-7任一项所述的用于电网企业的电网调度管理系统，其特征在于，所述后台服务器用于对多个电网企业的历史用电数据、当前用电数据以及目标用电数据进行可视化展示。
9.如权利要求8所述的用于电网企业的电网调度管理系统，其特征在于，所述处理器还用于接收用户的查询操作，并根据所述查询操作得到电网企业的用电情况以供用户查看。
10.如权利要求9所述的用于电网企业的电网调度管理系统，其特征在于，所述数据采集装置包括具有通信功能的电表。
CN201910423407.8A 2019-05-21 2019-05-21 一种用于电网企业的电网调度方法及系统 Pending CN110458719A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910423407.8A CN110458719A (zh) 2019-05-21 2019-05-21 一种用于电网企业的电网调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910423407.8A CN110458719A (zh) 2019-05-21 2019-05-21 一种用于电网企业的电网调度方法及系统

Publications (1)

Publication Number Publication Date
CN110458719A true CN110458719A (zh) 2019-11-15

Family

ID=68480946

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910423407.8A Pending CN110458719A (zh) 2019-05-21 2019-05-21 一种用于电网企业的电网调度方法及系统

Country Status (1)

Country Link
CN (1) CN110458719A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046633A (zh) * 2019-12-05 2020-04-21 国家电网公司西北分部 一种基于lstm的电网一次调频数据预测方法及装置
CN111652325A (zh) * 2020-06-28 2020-09-11 广东诺信安科技有限公司 基于聚类的企业用电模式识别方法、装置及存储介质
CN111694884A (zh) * 2020-06-12 2020-09-22 广元量知汇科技有限公司 基于大数据的智慧政务请求处理方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046633A (zh) * 2019-12-05 2020-04-21 国家电网公司西北分部 一种基于lstm的电网一次调频数据预测方法及装置
CN111694884A (zh) * 2020-06-12 2020-09-22 广元量知汇科技有限公司 基于大数据的智慧政务请求处理方法
CN111652325A (zh) * 2020-06-28 2020-09-11 广东诺信安科技有限公司 基于聚类的企业用电模式识别方法、装置及存储介质
CN111652325B (zh) * 2020-06-28 2022-09-13 广东诺信安科技有限公司 基于聚类的企业用电模式识别方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN109615129B (zh) 房地产客户成交概率预测方法、服务器及计算机存储介质
CN110221225A (zh) 一种航天器锂离子电池循环寿命预测方法
CN110458719A (zh) 一种用于电网企业的电网调度方法及系统
KR101732319B1 (ko) 목표 지향적 빅데이터 비즈니스 분석 프레임워크
CN106803799B (zh) 一种性能测试方法和装置
CN109636017A (zh) 一种金融交易价格预测方法、装置、介质及设备
CN102567391A (zh) 一种分类预测混合模型的建立方法及装置
CN108241964A (zh) 基于bp人工神经网络模型算法的基建现场管控移动应用平台
CN110019420B (zh) 一种数据序列预测方法及计算设备
Liu et al. Identifying resilient-important elements in interdependent critical infrastructures by sensitivity analysis
CN112488392A (zh) 一种基于机器学习的智慧水务日用水量预测方法
Hochrainer-Stigler et al. Toward a framework for systemic multi-hazard and multi-risk assessment and management
CN115114128B (zh) 一种卫星健康状态评估系统及评估方法
CN112803398A (zh) 基于经验模态分解和深度神经网络的负荷预测方法及系统
CN109345109A (zh) 一种基于分类预测模型的员工评估方法及终端设备
CN113825165B (zh) 基于时间图网络的5g切片网络拥塞预警方法及装置
CN111199469A (zh) 用户还款模型生成方法、装置及电子设备
CN116523187A (zh) 一种基于bim的工程进度监控方法及其系统
CN115330435A (zh) 一种碳排放权价格指标体系建立方法、装置、设备及介质
CN111784019A (zh) 电力负荷处理方法和装置
Gu et al. Investigation on the quality assurance procedure and evaluation methodology of machine learning building energy model systems
CN115809796B (zh) 基于用户画像的项目智能派工方法及系统
CN117034780A (zh) 一种基于深度学习的多尺度次季节降水量预测方法
CN112039111A (zh) 一种新能源微电网参与电网调峰能力的方法及系统
CN114118759A (zh) 一种配变台区负荷过载状态评估方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191115

WD01 Invention patent application deemed withdrawn after publication