CN110658725A - 一种基于人工智能的能源监管和预测系统及其方法 - Google Patents

一种基于人工智能的能源监管和预测系统及其方法 Download PDF

Info

Publication number
CN110658725A
CN110658725A CN201910894824.0A CN201910894824A CN110658725A CN 110658725 A CN110658725 A CN 110658725A CN 201910894824 A CN201910894824 A CN 201910894824A CN 110658725 A CN110658725 A CN 110658725A
Authority
CN
China
Prior art keywords
data
user
energy consumption
energy
module
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
CN201910894824.0A
Other languages
English (en)
Other versions
CN110658725B (zh
Inventor
朱海
徐恒舟
许蒙蒙
宋炯炯
王祺
王洪峰
张少辉
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.)
Zhoukou Normal University
Original Assignee
Zhoukou Normal University
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 Zhoukou Normal University filed Critical Zhoukou Normal University
Publication of CN110658725A publication Critical patent/CN110658725A/zh
Application granted granted Critical
Publication of CN110658725B publication Critical patent/CN110658725B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00Systems controlled by a computer
    • G05B15/02Systems controlled by a computer electric
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/20Pc systems
    • G05B2219/26Pc applications
    • G05B2219/2639Energy management, use maximum of cheap power, keep peak load low

Abstract

本发明公开的属于能源监管系统技术领域,具体为一种基于人工智能的能源监管和预测系统及其监管和预测方法,其包括:数据采集单元、智能监控管理中心、能源监测单元和服务器单元,所述数据采集单元电性输入连接所述智能监控管理中心,所述智能监控管理中心电性输出连接所述能源监测单元,所述智能监控管理中心电性双向连接所述服务器单元,所述服务器单元通过无线双向连接移动终端,该发明实现了智能的数据监测和数据的共享,提高工作效率,及时了解异常情况的综合效果。同时,本发明基于能源消耗预测,为用户提供合理的能源消耗方案。

Description

一种基于人工智能的能源监管和预测系统及其方法
技术领域
本发明涉及能源监管系统技术领域,具体为一种基于人工智能的能源监管和预测系统及其方法。
背景技术
云计算技术、大数据分析及物联网技术的提出和快速发展,为解决上述能源管理系统存在的问题提供了全新的思路。概括地讲,云计算是一种基于信息技术支持能力(硬件与软件)、极富弹性(增加与减少的),并通过网络以服务形式提供给客户的公共设施。这种模式实现了计算资源(主要是指服务器、存储和网络三大资源)的高度集中,即将分布在各地的计算资源整合为一个虚拟的统一资源,实现按需获取、按量付费,就像用电和用自来水一样方便。因此,云计算时代将彻底改变整个信息技术产业的生态环境,无论是基础设施、计算机与网络设备制造,还是软件都将发生巨大的变化。
“大数据”是一个数量特别多,数据类别特别大的数据集。大数据技术是指从各种各样类型的巨量数据中,快速获得有价值信息的技术。目前所说的“大数据”不仅指数据本身的规模,也包括采集数据的工具、平台和数据分析系统。大数据研发目的是发展大数据技术并将其应用到相关领域,通过解决巨量数据处理问题促进其突破性发展。
现有技术当中的能源监管系统,对于实现数据共享有待进一步的提高,往往大多采用的是人工的方式进行抄表,这样导致工作的效率较低,耗费大量的人力和物力,同时对于异常情况不便于及时的知晓情况,往往容易导致较为严重的后果,因此亟需研发一种物联网与云计算的能源监管系统及其监管方法。如CN201910466964.8,其公开了一种智慧城市能源云平台,其中仅给出了概念性的顶层设计,缺乏具体的实施方案。
与此同时,能源成本正在逐步上涨,用户个体也希望能够有效的节约能源。能源部门如何有效地预测电能消耗并合理进行电能负载分在分配,用户如何确定自己处于最佳能源消耗状态;如何减少能源浪费;是这个处处强调绿色的时代亟需解决的问题。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有物联网与云计算的能源监管系统及能源使用中存在的问题,提出了本发明。
因此,本发明的目的是提供物联网与云计算的能源监管系统及其监管方法,能够实现智能的数据监测和数据的共享,提高工作效率,及时了解异常情况。同时,本发明基于能源消耗预测,为用户提供合理的能源消耗方案。
为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术方案:
一种基于人工智能的能源监管和预测系统,其特征在于,包括:数据采集单元(100)、智能监控管理中心(200)、能源监测单元(300)和服务器单元(400),所述数据采集单元(100)电性输入连接所述智能监控管理中心(200),所述智能监控管理中心(200)电性输出连接所述能源监测单元(300),所述智能监控管理中心(200)电性双向连接所述服务器单元(400),所述服务器单元(400)通过无线双向连接移动终端;
所述数据采集单元(100)包括用水管理模块(110)、电表管理模块(120)、燃气管理模块(130)和可燃气体探测器(140),所述用水管理模块(110)、所述电表管理模块(120)、所述燃气管理模块(130)和所述可燃气体探测器(140)均电性输出连接所述智能监控管理中心(200);
所述智能监控管理中心(200)包括中央控制模块(210)、数据存储模块(220)、模数转换器(230)、电源模块(240)和ALU模块(250),所述用水管理模块(110)、所述电表管理模块(120)和所述燃气管理模块(130)均电性输出连接所述模数转换器(230),所述模数转换器(230)电性输出连接所述中央控制模块(210),所述中央控制模块(210)电性输入连接所述电源模块(240),所述中央控制模块(210)电性双向连接所述数据存储模块(220)和所述ALU模块(250);
环境监测系统,利用采集过去一段时间环境参数以及实时监控当前环境参数;
智能监控管理中心(200)根据预报的未来一段时间的环境参数信息,来预测未来一段时间的能源负荷,进而根据预测的未来一段时间的能源负荷进行能源管理控制。
进一步地,智能监控管理中心(200)通过环境监测系统实时采集室内或户外温度、湿度、风力、阳光强度等户外环境参数信息,实时调节能源负荷。
进一步地,通过采集当前用户的能源使用综合统计数据,利用深度学习的卷积神经网络,获取能源使用统计数据的深度特征,根据环境监测系统所连接的室内外传感器,动态采集室内或户外温度、湿度、风力、阳光强度等环境参数信息,将采集到的每个用户的室内外环境条件和用户每个阶段的能源使用综合统计数据,输入设计的神经网络当中进行关联的训练,并且使用孪生神经网络寻找最优的用户能源使用综合统计数据,将该用户能源使用综合统计数据的相关参数以日均或月均的形式形成统计表格,向其他用户进行推荐。
进一步地,所述能源监测单元(300)包括报警模块(310)、打印机(320)和电脑(330),所述中央控制模块(210)电性输出连接所述报警模块(310)、所述打印机(320)和所述电脑(330)。
进一步地,所述服务器单元(400)包括短信服务器(410)、数据库服务器(420)、网络服务器(430)、GPRS移动网络(440),所述中央控制模块(210)电性输出连接所述短信服务器(410)、所述数据库服务器(420)和所述网络服务器(430),所述短信服务器(410)和所述网络服务器(430)均电性双向连接所述GPRS移动网络(440),所述GPRS移动网络(440)电性双向连接所述无线收发模块(450),所述无线收发模块(450)无线连接所述移动终端。
进一步地,该物联网与云计算的能源监管方法步骤如下:
步骤一:数据采集:首先利用用水管理模块(110)监测用水情况,利用电表管理模块(120)监测用电情况,利用燃气管理模块(130)监测燃气用量情况,实现对多种数据的集中采集,同时将可燃气体探测器(140)安装在燃气使用场所;
步骤二:监控管理:将步骤一中采集的数据传输到智能监控管理中心(200),利用模数转换器(230)将数据进行转化传输到中央控制模块(210)上,然后通过数据存储模块(220)进行暂时性存储,利用ALU模块(250)执行逻辑运算,计算出水电气的相关费用;
步骤三:能源监测:利用中央控制模块(210)将监测的数据传输到电脑(330)上,当监测输出故障时,可利用报警模块(310)进行报警,并通过打印机(320)将异常数据打印出来;
步骤四:服务器管理:利用短信服务器(410)与GPRS移动网络(440)相连接实现向用户发送短信能源用量和相关费用提醒,同时利用网络服务器(430)与GPRS移动网络(440)相连接并通过无线收发模块(450)与远程移动终端无线连接,向远程终端传输监测数据情况。
进一步地,针对用户能源使用进行预测,具体包括,
步骤1,进行用户能源消耗数据采集;
步骤2,积累用户能源消耗数据和环境参数信息作为训练网络模型的数据样本,并且将最佳的用户能源消耗数据和环境参数信息存放在数据库当中以便查找引用;
步骤3,将收集到的用户能源消耗数据训练卷积神经网络获取用户能源消耗的特征,将卷积神经网络训练出来的特征和每个点对于的环境参数信息作为输入数据放进LSTM递归神经网络中进行训练,得出的是用户的能源消耗向量;
步骤4,将获取新用户能源消耗数据特征和已有数据库的用户能源消耗数据放进孪生网络模型当中进行模型的训练,寻找相似度最高的用户能源消耗数据;
步骤5,在数据中查找相似度最高的用户能源消耗数据,然后将该数据输出。
进一步地,
在步骤1中,针对用户能源消耗进行时均、日均,月均进行统计记录,作为训练的数据样本;
在步骤2中,在统计用户能源消耗的时刻,环境监测系统将环境的相关传感器的参数记录下来,收集环境参数包括:室内或户外温度、湿度、风力、阳光强度,并且随时记录用户的体感状态、用户体验作为用户能源消耗效益;使用一个向量进行表达称为用户能源消耗效益向量;向量的每个值使用0-1区间表示,值越大表示用户能源消耗的效益越理想,环境条件向量序列,定义为该用户的最佳用户能源消耗方案;
在步骤2中,数据样本包括三类数据,第一类是用户能源消耗数据综合统计,第二类是环境参数向量,第三类是用户能源消耗的效益向量,第三类用于预测相应方案下的用户能源消耗效益,将用户能源消耗习惯、对应的最佳能源消耗方案和用户能源消耗效益向量数据放在数据库当中进行存储;该数据库随着消耗实践不断地进行更新。
进一步地,
在步骤3中,将采集到的用户能源消耗综合统计数据训练卷积神经网络获取用户能源消耗的特征的方法为,将卷积神经网络训练出来的特征和每个点对于的环境参数向量作为输入数据放进LSTM递归神经网络中进行训练,训练的结果标签是该用户能源消耗的最佳效益向量;
在步骤3中,将用户能源消耗综合统计数据分为训练数据集和测试数据集,使用训练数据来训练卷积神经网络,然后对数据进行特征的抽取,特征即卷积操作的特征,所述卷积神经网络为VGGNet深度卷积神经网络,包括5段卷积,每一段内有2~3个卷积层,同时每段尾部会连接一个最大池化层用来缩小数据尺寸,每段内的卷积核数量一样,越靠后的段的卷积核数量越多:64-128-256-512-512,两个3*3的卷积层串联相当于1个5*5的卷积层,认为感受野大小为5*5,感受野即卷积操作的有效区域,而3个3*3的卷积层串联的效果又相当于1个7*7的卷积层,3个串联的3*3的卷积层,拥有比1个7*7的卷积层更少的参数量;
在步骤4中,将获取当前用户能源消耗特征和已有用户能源消耗的综合统计数据放进孪生网络模型当中进行模型的训练,寻找相似度最高的习惯行为的方法包括,为给定一组数据的映射函数Gw(x),其中参数为W,目的就是去找一组参数W,使得当X1和X2属于同一个类别的数据时候,所述X1和X2为新用户能源消耗特征和已有用户能源消耗的数据,相似性度Ew(X1、X2)是一个较小的值,当X1和X2属于不同的类别的数据时候,相似性度量Ew(X1、X2)为最高,用训练集中的成对样本进行训练,当X1和X2来自相同类别的时候,最小化损失函数Ew(X1、X2),当X1和X2来自不同类别的时候,最大化Ew(X1,X2),两个相同的函数G,拥有一份相同的参数W,即结构对称;
在步骤5中,所述相似度最高的用户能源消耗数据为将最佳用户能源消耗的数据和之前用户能源消耗数据放进孪生神经网络当中,进行形似度的比较,得到最相似的用户能源消耗数据,然后使用该用户能源消耗方案对用户能源消耗进行分解,通过输入映射到目标空间,在目标空间使用简单的距离进行对比相似度,距离即欧式距离,在训练阶段去最小化来自相同类别的一对样本的损失函数值,最大化来自不同类别的一堆样本的损失函数值。
进一步地,通过上述预测过程,为用户预测今后几天甚至很长的一段时间内的能源消耗水平预测;同时能够基于训练结果,向用户推荐最佳能源消耗模式,以引导用户合理消耗能源;并且根据当前的实时环境状况,基于最佳能源消耗模式,向用户进行提示当前是否需要调整室内环境。
与现有技术相比:利用数据采集单元实现智能的抄表,提高了工作的效率,同时利用服务器单元实现数据的共享,利用短信服务器实现短信及时的同时客户能源表用量情况,其次,当出现异常情况时,可利用能源监测单元上的报警模块实现及时的报警,并通过打印机将数据及时的打印出来。最后,还能够根据当前的环境状况为用户提供最佳能源消耗方案。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将结合附图和详细实施方式对本发明进行详细说明,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,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为本发明第一实施例系统框图;
图2为本发明第二实施例系统框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施方式的限制。
其次,本发明结合示意图进行详细描述,在详述本发明实施方式时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供一种物联网与云计算的能源监管系统,用于实现智能的数据监测和数据的共享,提高工作效率,及时了解异常情况,请参阅图1,其包括:数据采集单元100、智能监控管理中心200、能源监测单元300和服务器单元400;
请再次参阅图1,所述数据采集单元100电性输入连接所述智能监控管理中心200,所述数据采集单元100包括用水管理模块110、电表管理模块120、燃气管理模块130和可燃气体探测器140,所述用水管理模块110、所述电表管理模块120、所述燃气管理模块130和所述可燃气体探测器140均电性输出连接所述智能监控管理中心200,用水管理模块110为水控的管理系统,电表管理模块120为智能远程电表,燃气管理模块130为燃气智能监控系统,所述智能监控管理中心200包括中央控制模块210、数据存储模块220、模数转换器230、电源模块240和ALU模块250,所述用水管理模块110、所述电表管理模块120和所述燃气管理模块130均电性输出连接所述模数转换器230,所述模数转换器230电性输出连接所述中央控制模块210,所述中央控制模块210电性输入连接所述电源模块240,所述中央控制模块210电性双向连接所述数据存储模块220和所述ALU模块250,所述智能监控管理中心200电性输出连接所述能源监测单元300,所述能源监测单元300包括报警模块310、打印机320和电脑330,所述中央控制模块210电性输出连接所述报警模块310、所述打印机320和所述电脑330,所述报警模块310为声光报警器,所述打印机320为热敏打印机,所述智能监控管理中心200电性双向连接所述服务器单元400,所述服务器单元400通过无线双向连接移动终端,所述服务器单元400包括短信服务器410、数据库服务器420、网络服务器430、GPRS移动网络440,所述中央控制模块210电性输出连接所述短信服务器410、所述数据库服务器420和所述网络服务器430,所述短信服务器410和所述网络服务器430均电性双向连接所述GPRS移动网络440,所述GPRS移动网络440电性双向连接所述无线收发模块450,所述无线收发模块450无线连接所述移动终端,所述移动终端包括电脑、手机。
上述的用水管理模块110、电表管理模块120和燃气管理模块130并不仅限于本实施例记载的具体数量,本技术领域人员在本装置能完成其监管功能的前提下,可以根据需要增加或减少其数量。
一种物联网与云计算的能源监管方法,该物联网与云计算的能源监管方法步骤如下:
步骤一:数据采集:首先利用用水管理模块110监测用水情况,利用电表管理模块120监测用电情况,利用燃气管理模块130监测燃气用量情况,实现对多种数据的集中采集;
步骤二:监控管理:将步骤一中采集的数据传输到智能监控管理中心200,利用模数转换器230将数据进行转化传输到中央控制模块210上,然后通过数据存储模块220进行暂时性存储,利用ALU模块250执行逻辑运算,计算出水电气的相关费用;
步骤三:能源监测:利用中央控制模块210将监测的数据传输到电脑330上,当监测输出故障时,可利用报警模块310进行报警,并通过打印机320将异常数据打印出来;
步骤四:服务器管理:利用短信服务器410与GPRS移动网络440相连接实现向用户发送短信能源用量和相关费用提醒,同时利用网络服务器430与GPRS移动网络440相连接并通过无线收发模块450与远程移动终端无线连接,向远程终端传输监测数据情况。
进一步地,在本发明的技术方案中,增加环境监测系统,利用采集过去一段时间的温度和湿度等环境参数、以及根据预报的未来一段时间的环境参数信息,来预测未来一段时间的能源负荷,进而根据预测的未来一段时间的能源负荷进行能源管理控制。
进一步的,系统还可以通过实时采集室内或户外温度、湿度、风力、阳光强度等户外环境参数信息,可以更为简便地实时调节能源负荷,从而简化了能源管理控制的复杂性,降低了能源管理控制系统的成本。
具体地,通过采集当前用户的能源使用综合统计数据,利用深度学习的卷积神经网络,获取能源使用统计数据的深度特征,根据环境监测系统所连接的的室内外传感器,动态采集室内或户外温度、湿度、风力、阳光强度等环境参数信息,将采集到的每个用户的室内外环境条件和用户每个阶段的能源使用综合统计数据,输入设计的神经网络当中进行关联的训练,并且使用孪生神经网络寻找最优的用户能源使用综合统计数据,将该用户能源使用综合统计数据的相关参数以日均或月均的形式形成统计表格,向其他用户进行推荐。
为了实现上述目的,根据本公开的一方面,提供一种用户能源使用预测方法,所述方法包括以下步骤:
步骤1,进行用户能源消耗数据采集;
步骤2,积累用户能源消耗数据和环境参数信息作为训练网络模型的数据样本,并且将最佳的用户能源消耗数据和环境参数信息存放在数据库当中以便查找引用;
步骤3,将收集到的用户能源消耗数据训练卷积神经网络获取用户能源消耗的特征,将卷积神经网络训练出来的特征和每个点对于的环境参数信息作为输入数据放进LSTM递归神经网络中进行训练,得出的是用户的能源消耗向量;
步骤4,将获取新用户能源消耗数据特征和已有数据库的用户能源消耗数据放进孪生网络模型当中进行模型的训练,寻找相似度最高的用户能源消耗数据;
步骤5,在数据中查找相似度最高的用户能源消耗数据,然后将该数据输出。
进一步地,在步骤1中,针对用户能源消耗进行时均、日均,月均进行统计记录,作为训练的数据样本。
进一步地,在步骤2中,在统计用户能源消耗的时刻,环境监测系统将环境的相关传感器的参数记录下来,收集环境参数包括:室内或户外温度、湿度、风力、阳光强度,并且随时记录用户的体感状态、用户体验等等作为用户能源消耗效益。这里使用一个向量进行表达称为用户能源消耗效益向量。使用这个向量来表达用户在当前能源消耗下的体感状态。向量的每个值使用0-1区间表示,值越大表示用户能源消耗的效益越理想,环境条件向量序列,定义为该用户的最佳用户能源消耗方案。
进一步地,在步骤2中,数据样本包括三类数据,第一类是用户能源消耗数据综合统计,第二类是环境参数向量,第三类是用户能源消耗的效益向量,第三类用于预测相应方案下的用户能源消耗效益,将用户能源消耗习惯、对应的最佳能源消耗方案和用户能源消耗效益向量等等这些数据放在数据库当中进行存储。这个数据库随着消耗实践不断地进行更新。
进一步地,在步骤3中,将采集到的用户能源消耗综合统计数据训练卷积神经网络获取用户能源消耗的特征的方法为,将卷积神经网络训练出来的特征和每个点对于的环境参数向量作为输入数据放进LSTM递归神经网络中进行训练,训练的结果标签是该用户能源消耗的最佳效益向量。
进一步地,在步骤3中,将用户能源消耗综合统计数据分为训练数据集和测试数据集,使用训练数据来训练卷积神经网络,然后对数据进行特征的抽取,特征即卷积操作的特征,所述卷积神经网络为VGGNet(深度卷积神经网络),包括5段卷积,每一段内有2~3个卷积层,同时每段尾部会连接一个最大池化层用来缩小数据尺寸,每段内的卷积核数量一样,越靠后的段的卷积核数量越多:64-128-256-512-512,两个3*3的卷积层串联相当于1个5*5的卷积层,可以认为感受野大小为5*5,感受野即卷积操作的有效区域,而3个3*3的卷积层串联的效果又相当于1个7*7的卷积层,,3个串联的3*3的卷积层,拥有比1个7*7的卷积层更少的参数量。
进一步地,在步骤4中,将获取当前用户能源消耗特征和已有用户能源消耗的综合统计数据放进孪生网络模型当中进行模型的训练,寻找相似度最高的习惯行为的方法包括,为给定一组数据的映射函数Gw(x),其中参数为W,目的就是去找一组参数W,使得当X1和X2属于同一个类别的数据时候,所述X1和X2为新用户能源消耗特征和已有用户能源消耗的数据,相似性度Ew(X1、X2)是一个较小的值,当X1和X2属于不同的类别的数据时候,相似性度量Ew(X1、X2)为最高,用训练集中的成对样本进行训练,当X1和X2来自相同类别的时候,最小化损失函数Ew(X1、X2),当X1和X2来自不同类别的时候,最大化Ew(X1,X2),两个相同的函数G,拥有一份相同的参数W,即结构对称。
进一步地,在步骤5中,所述相似度最高的用户能源消耗数据为将最佳用户能源消耗的数据和之前用户能源消耗数据放进孪生神经网络当中,进行形似度的比较,得到最相似的用户能源消耗数据,然后使用该用户能源消耗方案对用户能源消耗进行分解,通过输入映射到目标空间,在目标空间使用简单的距离进行对比相似度,距离即欧式距离,在训练阶段去最小化来自相同类别的一对样本的损失函数值,最大化来自不同类别的一堆样本的损失函数值。
经过上述预测过程,为用户预测今后几天甚至很长的一段时间内的能源消耗水平预测。同时能够基于训练结果,向用户推荐最佳能源消耗模式,以引导用户合理消耗能源。并且可以根据当前的实时环境状况,基于最佳能源消耗模式,向用户进行提示当前是否需要调整室内环境,具体的例如提示用户开窗通风,或者提示用户将空调温度升高或者降低。具体的提醒方式可以通过短信或特定APP等手段实现。
进一步地,引入人工智能学习方式,通过用户基于所推荐的能源使用综合统计数据以及个人习惯,逐步进行调节,即达到合理节能,有能够获得最佳用户体验。
为达到上述目的,本发明在向用户推荐最佳用户能源消耗方案后,继续根据用户当前的能源消耗模式,进行深度学习修正。具体的方式包括,第一阶段为学习的初级阶段,此时学习装置生成的能源消耗模式策略水平远远不如所推荐的方案执行水平,此时只能依赖用户自己体验并不断提示系统修正,学习装置通过学习用户当前的能源消耗数据,不断学习、优化策略。第二阶段为学习的成熟阶段,此时学习装置通过不断学习生成的策略已经接近用户平时所适应的体验水平。此阶段需要不断评估学习装置生成的策略,当学习装置生成的策略已经达到用户能源消耗的极限水平时,可以停止学习用户用户当前的能源消耗数据。第三阶段为学习的持续优化阶段,此时学习装置已经达到或者超过了用户当前的能源消耗的水平,此阶段学习装置仍不断尝试,研究不同状态下,不同能源消耗组合对用户体验的影响,通过持续不断的尝试和学习能够持续优化策略。
经过上述深度学习之后,用户所使用的能源消耗方案已经与自身所期望的使用方式完全匹配,从而使得用户在节约能源消耗的同时达到最佳的身心环境体验。对用户生活品质的维持和上升起到了最大的共享。
进一步地,监管系统还会定期向用户返回用户能源消耗同比/环比变化情况,使用户能够深刻感受到自己无时无刻不再节约能源,为环保事业做出贡献。
虽然在上文中已经参考实施方式对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施方式,而是包括落入权利要求的范围内的所有技术方案。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件(例如处理器)完成,所述程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地,上述实施例中的每个模块/单元可以采用硬件的形式实现,例如通过集成电路来实现其相应功能,也可以采用软件功能模块的形式实现,例如通过处理器执行存储于存储器中的程序/指令来实现其相应功能。本发明不限制于任何特定形式的硬件和软件的结合。
虽然本申请所揭露的实施方式如上,但所述的内容仅为便于理解本申请而采用的实施方式,并非用以限定本申请,如本发明实施方式中的具体的实现方法。任何本申请所属领域内的技术人员,在不脱离本申请所揭露的精神和范围的前提下,可以在实施的形式及细节上进行任何的修改与变化,但本申请的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于人工智能的能源监管和预测系统,其特征在于,包括:数据采集单元(100)、智能监控管理中心(200)、能源监测单元(300)和服务器单元(400),所述数据采集单元(100)电性输入连接所述智能监控管理中心(200),所述智能监控管理中心(200)电性输出连接所述能源监测单元(300),所述智能监控管理中心(200)电性双向连接所述服务器单元(400),所述服务器单元(400)通过无线双向连接移动终端;
所述数据采集单元(100)包括用水管理模块(110)、电表管理模块(120)、燃气管理模块(130)和可燃气体探测器(140),所述用水管理模块(110)、所述电表管理模块(120)、所述燃气管理模块(130)和所述可燃气体探测器(140)均电性输出连接所述智能监控管理中心(200);
所述智能监控管理中心(200)包括中央控制模块(210)、数据存储模块(220)、模数转换器(230)、电源模块(240)和ALU模块(250),所述用水管理模块(110)、所述电表管理模块(120)和所述燃气管理模块(130)均电性输出连接所述模数转换器(230),所述模数转换器(230)电性输出连接所述中央控制模块(210),所述中央控制模块(210)电性输入连接所述电源模块(240),所述中央控制模块(210)电性双向连接所述数据存储模块(220)和所述ALU模块(250);
环境监测系统,利用采集过去一段时间环境参数以及实时监控当前环境参数;智能监控管理中心(200)根据预报的未来一段时间的环境参数信息,来预测未来一段时间的能源负荷,进而根据预测的未来一段时间的能源负荷进行能源管理控制。
2.根据权利要求1所述的一种基于人工智能的能源监管和预测系统,其特征在于,智能监控管理中心(200)通过环境监测系统实时采集室内或户外温度、湿度、风力、阳光强度等户外环境参数信息,实时调节能源负荷。
3.根据权利要求1或2所述的一种基于人工智能的能源监管和预测系统,其特征在于,通过采集当前用户的能源使用综合统计数据,利用深度学习的卷积神经网络,获取能源使用统计数据的深度特征,根据环境监测系统所连接的室内外传感器,动态采集室内或户外温度、湿度、风力、阳光强度等环境参数信息,将采集到的每个用户的室内外环境条件和用户每个阶段的能源使用综合统计数据,输入设计的神经网络当中进行关联的训练,并且使用孪生神经网络寻找最优的用户能源使用综合统计数据,将该用户能源使用综合统计数据的相关参数以日均或月均的形式形成统计表格,向其他用户进行推荐。
4.根据权利要求1或3所述的一种基于人工智能的能源监管和预测系统,其特征在于,所述能源监测单元(300)包括报警模块(310)、打印机(320)和电脑(330),所述中央控制模块(210)电性输出连接所述报警模块(310)、所述打印机(320)和所述电脑(330)。
5.根据权利要求1或2所述的一种基于人工智能的能源监管和预测系统,其特征在于,所述服务器单元(400)包括短信服务器(410)、数据库服务器(420)、网络服务器(430)、GPRS移动网络(440),所述中央控制模块(210)电性输出连接所述短信服务器(410)、所述数据库服务器(420)和所述网络服务器(430),所述短信服务器(410)和所述网络服务器(430)均电性双向连接所述GPRS移动网络(440),所述GPRS移动网络(440)电性双向连接所述无线收发模块(450),所述无线收发模块(450)无线连接所述移动终端。
6.根据权利要求1-5任一项所述的系统执行的基于人工智能的能源监管和预测方法,其特征在于,该物联网与云计算的能源监管方法步骤如下:
步骤一:数据采集:首先利用用水管理模块(110)监测用水情况,利用电表管理模块(120)监测用电情况,利用燃气管理模块(130)监测燃气用量情况,实现对多种数据的集中采集,同时将可燃气体探测器(140)安装在燃气使用场所;
步骤二:监控管理:将步骤一中采集的数据传输到智能监控管理中心(200),利用模数转换器(230)将数据进行转化传输到中央控制模块(210)上,然后通过数据存储模块(220)进行暂时性存储,利用ALU模块(250)执行逻辑运算,计算出水电气的相关费用;
步骤三:能源监测:利用中央控制模块(210)将监测的数据传输到电脑(330)上,当监测输出故障时,可利用报警模块(310)进行报警,并通过打印机(320)将异常数据打印出来;
步骤四:服务器管理:利用短信服务器(410)与GPRS移动网络(440)相连接实现向用户发送短信能源用量和相关费用提醒,同时利用网络服务器(430)与GPRS移动网络(440)相连接并通过无线收发模块(450)与远程移动终端无线连接,向远程终端传输监测数据情况。
7.根据权利要求6所述的方法,其特征在于,针对用户能源使用进行预测,具体包括,
步骤1,进行用户能源消耗数据采集;
步骤2,积累用户能源消耗数据和环境参数信息作为训练网络模型的数据样本,并且将最佳的用户能源消耗数据和环境参数信息存放在数据库当中以便查找引用;
步骤3,将收集到的用户能源消耗数据训练卷积神经网络获取用户能源消耗的特征,将卷积神经网络训练出来的特征和每个点对于的环境参数信息作为输入数据放进LSTM递归神经网络中进行训练,得出的是用户的能源消耗向量;
步骤4,将获取新用户能源消耗数据特征和已有数据库的用户能源消耗数据放进孪生网络模型当中进行模型的训练,寻找相似度最高的用户能源消耗数据;
步骤5,在数据中查找相似度最高的用户能源消耗数据,然后将该数据输出。
8.根据权利要求7所述的方法,其特征在于,
在步骤1中,针对用户能源消耗进行时均、日均,月均进行统计记录,作为训练的数据样本;
在步骤2中,在统计用户能源消耗的时刻,环境监测系统将环境的相关传感器的参数记录下来,收集环境参数包括:室内或户外温度、湿度、风力、阳光强度,并且随时记录用户的体感状态、用户体验作为用户能源消耗效益;使用一个向量进行表达称为用户能源消耗效益向量;向量的每个值使用0-1区间表示,值越大表示用户能源消耗的效益越理想,环境条件向量序列,定义为该用户的最佳用户能源消耗方案;
在步骤2中,数据样本包括三类数据,第一类是用户能源消耗数据综合统计,第二类是环境参数向量,第三类是用户能源消耗的效益向量,第三类用于预测相应方案下的用户能源消耗效益,将用户能源消耗习惯、对应的最佳能源消耗方案和用户能源消耗效益向量数据放在数据库当中进行存储;该数据库随着消耗实践不断地进行更新。
9.根据权利要求8所述的方法,其特征在于,
在步骤3中,将采集到的用户能源消耗综合统计数据训练卷积神经网络获取用户能源消耗的特征的方法为,将卷积神经网络训练出来的特征和每个点对于的环境参数向量作为输入数据放进LSTM递归神经网络中进行训练,训练的结果标签是该用户能源消耗的最佳效益向量;
在步骤3中,将用户能源消耗综合统计数据分为训练数据集和测试数据集,使用训练数据来训练卷积神经网络,然后对数据进行特征的抽取,特征即卷积操作的特征,所述卷积神经网络为VGGNet深度卷积神经网络,包括5段卷积,每一段内有2~3个卷积层,同时每段尾部会连接一个最大池化层用来缩小数据尺寸,每段内的卷积核数量一样,越靠后的段的卷积核数量越多:64-128-256-512-512,两个3*3的卷积层串联相当于1个5*5的卷积层,认为感受野大小为5*5,感受野即卷积操作的有效区域,而3个3*3的卷积层串联的效果又相当于1个7*7的卷积层,3个串联的3*3的卷积层,拥有比1个7*7的卷积层更少的参数量;
在步骤4中,将获取当前用户能源消耗特征和已有用户能源消耗的综合统计数据放进孪生网络模型当中进行模型的训练,寻找相似度最高的习惯行为的方法包括,为给定一组数据的映射函数Gw(x),其中参数为W,目的就是去找一组参数W,使得当X1和X2属于同一个类别的数据时候,所述X1和X2为新用户能源消耗特征和已有用户能源消耗的数据,相似性度Ew(X1、X2)是一个较小的值,当X1和X2属于不同的类别的数据时候,相似性度量Ew(X1、X2)为最高,用训练集中的成对样本进行训练,当X1和X2来自相同类别的时候,最小化损失函数Ew(X1、X2),当X1和X2来自不同类别的时候,最大化Ew(X1,X2),两个相同的函数G,拥有一份相同的参数W,即结构对称;
在步骤5中,所述相似度最高的用户能源消耗数据为将最佳用户能源消耗的数据和之前用户能源消耗数据放进孪生神经网络当中,进行形似度的比较,得到最相似的用户能源消耗数据,然后使用该用户能源消耗方案对用户能源消耗进行分解,通过输入映射到目标空间,在目标空间使用简单的距离进行对比相似度,距离即欧式距离,在训练阶段去最小化来自相同类别的一对样本的损失函数值,最大化来自不同类别的一堆样本的损失函数值。
10.根据权利要求9所述的方法,其特征在于,通过上述预测过程,为用户预测今后几天甚至很长的一段时间内的能源消耗水平预测;同时能够基于训练结果,向用户推荐最佳能源消耗模式,以引导用户合理消耗能源;并且根据当前的实时环境状况,基于最佳能源消耗模式,向用户进行提示当前是否需要调整室内环境。
CN201910894824.0A 2019-08-19 2019-09-20 一种基于人工智能的能源监管和预测系统及其方法 Active CN110658725B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2019107649237 2019-08-19
CN201910764923 2019-08-19

Publications (2)

Publication Number Publication Date
CN110658725A true CN110658725A (zh) 2020-01-07
CN110658725B CN110658725B (zh) 2023-05-02

Family

ID=69037523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910894824.0A Active CN110658725B (zh) 2019-08-19 2019-09-20 一种基于人工智能的能源监管和预测系统及其方法

Country Status (1)

Country Link
CN (1) CN110658725B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882128A (zh) * 2020-07-28 2020-11-03 中原工学院 基于tcn的汛期气候趋势预测方法
CN112130541A (zh) * 2020-10-20 2020-12-25 陕西煤业新型能源科技股份有限公司 一种基于物联网的能源综合管理控制系统
CN112966831A (zh) * 2021-03-26 2021-06-15 江西省能源大数据有限公司 一种基于人工智能能源超级大脑的智慧能源构建模型
CN113268030A (zh) * 2021-06-01 2021-08-17 中国华能集团有限公司河北雄安分公司 一种基于5g技术的城市综合能源智慧用能终端系统
CN113852664A (zh) * 2021-08-19 2021-12-28 天津市普迅电力信息技术有限公司 一种基于分布式实时计算的能源商品及能源需求的精准推送方法
CN117033705A (zh) * 2023-10-10 2023-11-10 北京鼎诚鸿安科技发展有限公司 面向客户侧能源互联的数据增值服务方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023561A (zh) * 2016-07-13 2016-10-12 袁留路 “四表合一”能源管理一体化服务系统
US20170124466A1 (en) * 2015-10-30 2017-05-04 Global Design Corporation Ltd. System, Method and Cloud-Based Platform for Predicting Energy Consumption
CN107657382A (zh) * 2017-09-21 2018-02-02 广东职业技术学院 一种基于物联网的环保监测及能源管理系统
CN107819613A (zh) * 2017-10-26 2018-03-20 四川建筑职业技术学院 一种绿色建筑的能耗监测系统
CN207408994U (zh) * 2017-05-26 2018-05-25 云南电网有限责任公司电力科学研究院 一种家庭能源管理终端及系统
CN108958054A (zh) * 2018-07-23 2018-12-07 长沙理工大学 一种融入模型预测的开源型智慧家庭能源管理系统
WO2019109771A1 (zh) * 2017-12-05 2019-06-13 南京南瑞信息通信科技有限公司 基于多核异构并行计算的电力人工智能视觉分析系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170124466A1 (en) * 2015-10-30 2017-05-04 Global Design Corporation Ltd. System, Method and Cloud-Based Platform for Predicting Energy Consumption
CN106023561A (zh) * 2016-07-13 2016-10-12 袁留路 “四表合一”能源管理一体化服务系统
CN207408994U (zh) * 2017-05-26 2018-05-25 云南电网有限责任公司电力科学研究院 一种家庭能源管理终端及系统
CN107657382A (zh) * 2017-09-21 2018-02-02 广东职业技术学院 一种基于物联网的环保监测及能源管理系统
CN107819613A (zh) * 2017-10-26 2018-03-20 四川建筑职业技术学院 一种绿色建筑的能耗监测系统
WO2019109771A1 (zh) * 2017-12-05 2019-06-13 南京南瑞信息通信科技有限公司 基于多核异构并行计算的电力人工智能视觉分析系统
CN108958054A (zh) * 2018-07-23 2018-12-07 长沙理工大学 一种融入模型预测的开源型智慧家庭能源管理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘博等: "基于云服务的智慧医院能源效率管理系统的研究", 《计算机应用与软件》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882128A (zh) * 2020-07-28 2020-11-03 中原工学院 基于tcn的汛期气候趋势预测方法
CN111882128B (zh) * 2020-07-28 2021-09-28 中原工学院 基于tcn的汛期气候趋势预测方法
CN112130541A (zh) * 2020-10-20 2020-12-25 陕西煤业新型能源科技股份有限公司 一种基于物联网的能源综合管理控制系统
CN112966831A (zh) * 2021-03-26 2021-06-15 江西省能源大数据有限公司 一种基于人工智能能源超级大脑的智慧能源构建模型
CN113268030A (zh) * 2021-06-01 2021-08-17 中国华能集团有限公司河北雄安分公司 一种基于5g技术的城市综合能源智慧用能终端系统
CN113852664A (zh) * 2021-08-19 2021-12-28 天津市普迅电力信息技术有限公司 一种基于分布式实时计算的能源商品及能源需求的精准推送方法
CN117033705A (zh) * 2023-10-10 2023-11-10 北京鼎诚鸿安科技发展有限公司 面向客户侧能源互联的数据增值服务方法
CN117033705B (zh) * 2023-10-10 2024-01-19 北京鼎诚鸿安科技发展有限公司 面向客户侧能源互联的数据增值服务方法

Also Published As

Publication number Publication date
CN110658725B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN110658725B (zh) 一种基于人工智能的能源监管和预测系统及其方法
CN106779129A (zh) 一种考虑气象因素的短期电力负荷预测方法
WO2019196869A1 (zh) 一种确定巡检基站列表的方法以及巡检装置
CN111611478B (zh) 信息推荐方法、装置和电子设备
KR20140043184A (ko) 에너지 소비량 예측 장치 및 방법
CN102498739A (zh) 向用户提供关于电池操作的电子设备中的功耗的反馈
CN107818133A (zh) 一种基于大数据的居民区网络能力分析方法及系统
CN109409561B (zh) 多时间尺度时间序列协同预测模型的构建方法
CN110989044B (zh) 空气质量分指数级别概率预报方法、装置、设备及存储介质
CN103701931A (zh) 一种基于云平台的远程环境数据管理监控系统
Suryono et al. A fuzzy rule-based fog–cloud computing for solar panel disturbance investigation
US20230153767A1 (en) Method and internet of things system for waste cleaning volume prediction in smart city
CN110989043A (zh) 空气质量指数级别概率预报方法、装置及存储介质
Tripathi et al. Data-driven optimizations in IoT: A new frontier of challenges and opportunities
Mody et al. Cluster head selection algorithm for wireless sensor networks using Machine learning
Yang et al. A decision support system using combined-classifier for high-speed data stream in smart grid
Li et al. Optimization of ice and snow sports industry chain structure based on sensor network communication and artificial intelligence
CN116579496A (zh) 基于大数据的园区短期负荷预测方法
CN111144628A (zh) 一种分布式供能的冷热电负荷预测模型系统及方法
CN116226293A (zh) 一种电力客户画像生成管理的方法及系统
Sousa et al. Knowledge-based decision intelligence in street lighting management
CN114936808A (zh) 一种面向变电站故障检测的云边协同任务管理系统及方法
CN114330136A (zh) 基于水表用水生活状态监测方法、系统、装置及存储介质
TWI536282B (zh) 校園節能類神經網路決策支援系統及其方法
Shrivastava et al. A predictive energy saving technique for 5G network base stations

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
CB03 Change of inventor or designer information

Inventor after: Zhu Hai

Inventor after: Zhang Shaohui

Inventor after: Wang Hongfeng

Inventor after: Xu Hengzhou

Inventor after: Xu Mengmeng

Inventor after: Song Jiongjiong

Inventor after: Wang Qi

Inventor before: Zhu Hai

Inventor before: Xu Hengzhou

Inventor before: Xu Mengmeng

Inventor before: Song Jiongjiong

Inventor before: Wang Qi

Inventor before: Wang Hongfeng

Inventor before: Zhang Shaohui

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant