CN110956321B - 基于神经网络的用电控制方法、电子装置及存储介质 - Google Patents
基于神经网络的用电控制方法、电子装置及存储介质 Download PDFInfo
- Publication number
- CN110956321B CN110956321B CN201911182562.1A CN201911182562A CN110956321B CN 110956321 B CN110956321 B CN 110956321B CN 201911182562 A CN201911182562 A CN 201911182562A CN 110956321 B CN110956321 B CN 110956321B
- Authority
- CN
- China
- Prior art keywords
- power
- value
- limiting
- preset
- neural network
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000005611 electricity Effects 0.000 claims abstract description 65
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力数据处理技术，提供了一种基于神经网络的用电控制方法、电子装置及存储介质。该方法通过当监测到预设终端发送的限电需求时，读取限电需求的限电功率需求值，从预设数据库中读取多个用户的用电历史值输入预先训练的用电预测模型，得到用电预测值，筛选出用电预测值大于第一预设值的用户，向该用户发送限电请求并生成时间戳，基于时间戳筛选出在预设时长内接收到的用户反馈，对限电意愿度值大于第二预设值的用户的第一设备及第二设备执行用电控制，并对限电意愿度值小于第二预设值且大于第三预设值的用户的第一设备执行用电控制。利用本发明，可以提高用电需求侧的管理效果。
Description
技术领域
本发明涉及电力数据处理技术领域，尤其涉及一种基于神经网络的用电控制方法、电子装置及存储介质。
背景技术
电力需求侧管理是指电力行业采取行政、经济、技术措施，鼓励用户采用各种有效的节能技术改变需求方式，在保持能源服务水平的情况下，降低能源消费和用电负荷，实现减少新建电厂投资和一次能源对大气环境的污染，从而取得明显的经济效益和社会效益。
为了缓和电力供需矛盾、节约能源，电力部门通常采用宣传教育、鼓励合理安排用电时间、推进节能用电设备的改造等方式引导居民合理用电、节约用电。然而，现有的这些方式提供的措施可行性和个性化程度较差，导致用电的需求侧管理效果较差。
发明内容
鉴于以上内容，本发明提供一种基于神经网络的用电控制方法、电子装置及存储介质，其目的在于解决现有方案对用电需求侧管理效果差的问题。
为实现上述目的，本发明提供一种基于神经网络的用电控制方法，该方法包括：
读取步骤：当监测到预设终端发送的限电需求时，读取所述限电需求的限电功率需求值，从预设数据库中读取基于预先配置的智能电表上传的多个用户的第一设备及第二设备在预设时间段内的用电历史值；
发送步骤：将所述用电历史值输入预先训练好的用电预测模型，得到多个用户的用电预测值，遍历所述多个用户的用电预测值，筛选出用电预测值大于第一预设值对应的用户，向该用户发送限电请求并生成对应的时间戳，其中，所述请求中包括限电意愿度值；及
第一控制步骤：基于所述时间戳筛选出在预设时长内接收到的用户反馈，并读取该用户反馈的限电意愿度值，遍历用户反馈的限电意愿度值，对限电意愿度值大于第二预设值的用户的第一设备及第二设备执行用电控制，并对限电意愿度值小于第二预设值且大于第三预设值的用户的第一设备执行用电控制。
优选的，所述用电预测模型是通过BP神经网络训练得到的，具体训练步骤包括：
获取预设数量目标用户群的用电历史值，对所述目标用户群的用电历史值作预处理后生成训练样本，构建BP神经网络模型并设定BP神经网络的参数；
基于预设第一计算规则计算出该神经网络模型隐含层的节点数量取值范围，基于预设第二计算规则及所述训练样本计算出隐含层的节点数量在所述取值范围下的多个学习误差的神经网络模型，将学习误差最小的神经网络模型作为所述用电预测模型。
优选的，所述预设第一计算规则包括：
其中，n1为BP神经网络模型的隐含层的节点数量，n为BP神经网络模型的输入层的节点数量，m为BP神经网络模型的输出层的节点数量，a为常数，a的取值范围为[1,10]。
优选的，所述方法还包括第二控制步骤：
读取所述第一控制步骤之后的第一限电功率值，判断所述第一限电功率值是否小于所述限电功率需求值，若是，则对限电意愿度值小于第二预设值且大于第三预设值的用户的第二设备执行用电控制。
优选的，所述方法还包括第三控制步骤：
读取所述第二控制步骤之后的第二限电功率值，判断所述第二限电功率值是否小于所述限电功率需求值，若是，则根据所述时间戳筛选出在预设时长内未接收到反馈的用户，对该用户的第一设备执行用电控制。
为实现上述目的，本发明还提供一种电子装置，该电子装置包括：存储器及处理器，其特征在于，所述存储器上存储基于神经网络的用电控制程序，所述基于神经网络的用电控制程序被所述处理器执行，实现如下步骤：
读取步骤：当监测到预设终端发送的限电需求时，读取所述限电需求的限电功率需求值，从预设数据库中读取基于预先配置的智能电表上传的多个用户的第一设备及第二设备在预设时间段内的用电历史值；
发送步骤：将所述用电历史值输入预先训练好的用电预测模型，得到多个用户的用电预测值，遍历所述多个用户的用电预测值，筛选出用电预测值大于第一预设值对应的用户，向该用户发送限电请求并生成对应的时间戳，其中，所述请求中包括限电意愿度值；及
第一控制步骤：基于所述时间戳筛选出在预设时长内接收到的用户反馈，并读取该用户反馈的限电意愿度值，遍历用户反馈的限电意愿度值，对限电意愿度值大于第二预设值的用户的第一设备及第二设备执行用电控制，并对限电意愿度值小于第二预设值且大于第三预设值的用户的第一设备执行用电控制。
优选的，所述用电预测模型是通过BP神经网络训练得到的，具体训练步骤包括：
获取预设数量目标用户群的用电历史值，对所述目标用户群的用电历史值作预处理后生成训练样本，构建BP神经网络模型并设定BP神经网络的参数；
基于预设第一计算规则计算出该神经网络模型隐含层的节点数量取值范围，基于预设第二计算规则及所述训练样本计算出隐含层的节点数量在所述取值范围下的多个学习误差的神经网络模型，将学习误差最小的神经网络模型作为所述用电预测模型。
优选的，所述方法还包括第二控制步骤：
读取所述第一控制步骤之后的第一限电功率值，判断所述第一限电功率值是否小于所述限电功率需求值，若是，则对限电意愿度值小于第二预设值且大于第三预设值的用户的第二设备执行用电控制。
优选的，所述方法还包括第三控制步骤：
读取所述第二控制步骤之后的第二限电功率值，判断所述第二限电功率值是否小于所述限电功率需求值，若是，则根据所述时间戳筛选出在预设时长内未接收到反馈的用户，对该用户的第一设备执行用电控制。
为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于神经网络的用电控制程序，所述基于神经网络的用电控制程序被处理器执行时，可实现如上所述基于神经网络的用电控制方法中的任意步骤。
本发明提出的基于神经网络的用电控制方法、电子装置及存储介质，通过当监测到预设终端发送的限电需求时，读取限电需求的限电功率需求值，从预设数据库中读取多个用户的用电历史值输入预先训练的用电预测模型，得到用电预测值，筛选出用电预测值大于第一预设值的用户，向该用户发送限电请求并生成时间戳，基于时间戳筛选出在预设时长内接收到的用户反馈，对限电意愿度值大于第二预设值的用户的第一设备和第二设备执行用电控制，并对限电意愿度值小于第二预设值且大于第三预设值的用户的第一设备执行用电控制。利用本发明，可以准确预测用户的用电预测值，对预测值大于预设值的用户发送限电请求可以避免海量的信息发送导致资源浪费，根据用户反馈的限电意愿度值对用户的不同设备进行相应的限电控制，提高了用电需求侧的管理效果。
附图说明
图1为本发明电子装置较佳实施例的示意图；
图2为图1中基于神经网络的用电控制程序较佳实施例的模块示意图；
图3为本发明基于神经网络的用电控制方法较佳实施例的流程图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
参照图1所示，为本发明电子装置1较佳实施例的示意图。
该电子装置1包括但不限于：存储器11、处理器12、显示器13及网络接口14。所述电子装置1通过网络接口14连接网络，获取原始数据。其中，所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobilecommunication，GSM)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi、通话网络等无线或有线网络。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述电子装置1的外部存储设备，例如该电子装置1配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器11还可以既包括所述电子装置1的内部存储单元也包括其外部存储设备。本实施例中，存储器11通常用于存储安装于所述电子装置1的操作系统和各类应用软件，例如基于神经网络的用电控制程序10的程序代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子装置1的总体操作，例如执行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行基于神经网络的用电控制程序10的程序代码等。
显示器13可以称为显示屏或显示单元。在一些实施例中显示器13可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(OrganicLight-Emitting Diode，OLED)触摸器等。显示器13用于显示在电子装置1中处理的信息以及用于显示可视化的工作界面，例如显示数据统计的结果。
网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口)，该网络接口14通常用于在所述电子装置1与其它电子设备之间建立通信连接。
图1仅示出了具有组件11-14以及基于神经网络的用电控制程序10的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，所述电子装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。
该电子装置1还可以包括射频(Radio Frequency，RF)电路、传感器和音频电路等等，在此不再赘述。
在上述实施例中，处理器12执行存储器11中存储的基于神经网络的用电控制程序10时可以实现如下步骤：
读取步骤：当监测到预设终端发送的限电需求时，读取所述限电需求的限电功率需求值，从预设数据库中读取基于预先配置的智能电表上传的多个用户的第一设备及第二设备在预设时间段内的用电历史值；
发送步骤：将所述用电历史值输入预先训练好的用电预测模型，得到多个用户的用电预测值，遍历所述多个用户的用电预测值，筛选出用电预测值大于第一预设值对应的用户，向该用户发送限电请求并生成对应的时间戳，其中，所述请求中包括限电意愿度值；及
第一控制步骤：基于所述时间戳筛选出在预设时长内接收到的用户反馈，并读取该用户反馈的限电意愿度值，遍历用户反馈的限电意愿度值，对限电意愿度值大于第二预设值的用户的第一设备及第二设备执行用电控制，并对限电意愿度值小于第二预设值且大于第三预设值的用户的第一设备执行用电控制。
关于上述步骤的详细介绍，请参照下述图2关于基于神经网络的用电控制程序10实施例的程序模块图以及图3关于基于神经网络的用电控制方法实施例的流程图的说明。
在其他实施例中，所述基于神经网络的用电控制程序10可以被分割为多个模块，该多个模块被存储于存储器12中，并由处理器13执行，以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。
参照图2所示，为图1中基于神经网络的用电控制程序10一实施例的程序模块图。在本实施例中，所述基于神经网络的用电控制程序10可以被分割为：读取模块110、发送模块120及第一控制模块130。
读取模块110，用于当监测到预设终端发送的限电需求时，读取所述限电需求的限电功率需求值，从预设数据库中读取基于预先配置的智能电表上传的多个用户的第一设备及第二设备在预设时间段内的用电历史值。
在本实施例中，当读取模块监测到预设终端发生的限电需求时，读取该限电需求的限电功率需求值，例如，在用电高峰期，某住宅小区或某工业区监测到预设终端(例如，安装在低压配电室的智能终端)发送的用电部门发出的限电需求时，读取该限电需求的限电功率需求值，从预设数据库中读取基于预先配置的智能电表上传的多个用户的第一设备及第二设备在预设时间段内的用电历史值，其中，第一设备可以是用户的预先选定的优先级高的可执行断电操作的设备，例如，照明电器。第二设备可以是用户预先选定优先级低的可执行断电操作的设备，例如，空调、风扇及一些动力设备等。需要说明的是，第一设备与第二设备不属于相同开关控制的回路的设备，第一设备及第二设备均为用户预先选定的。预设时间段内的用电历史值可以是有功功率、无功功率、视在功率及功率因数等。
发送模块120，用于将所述用电历史值输入预先训练好的用电预测模型，得到多个用户的用电预测值，遍历所述多个用户的用电预测值，筛选出用电预测值大于第一预设值对应的用户，向该用户发送限电请求并生成对应的时间戳，其中，所述请求中包括限电意愿度值。
在本实施例中，将读取到的用电历史值输入预先训练好的用电预测模型，得到多个用户的用电预测值，用电预测值可以是在发出限电需求后，未来两小时内该用户消耗的实际功率值，再遍历多个用户的用电预测值，筛选出用电预测值大于第一预设值对应的用户，其中，第一预设值可以根据实际应用场景进行设置，在此不做限定。之后，向用电预测值大于第一预设值对应的用户发送限电请求并生成对应的时间戳，其中，该请求中包括限电意愿度值，意愿度值可以设为1,、2、3、4、5，值越高，表示意愿程度越高。
进一步地，用电预测模型可以是通过BP神经网络训练得到的，具体训练步骤包括：获取预设数量目标用户群的用电历史值，对目标用户群的用电历史值作预处理(例如，归一化处理)后生成训练样本，构建BP神经网络模型并设定BP神经网络的参数；基于预设第一计算规则计算出该神经网络模型隐含层的节点数量取值范围，基于预设第二计算规则及所述训练样本计算出隐含层的节点数量在所述取值范围下的多个学习误差的神经网络模型，将学习误差最小的神经网络模型作为所述用电预测模型。
具体的，构造BP神经网络模型，建立具有一个输入层，一个隐含层和一个输出层的三层BP神经网络，以目标用户的4个历史值(有功功率、无功功率、视在功率及功率因数)对本方案进行说明，即确定输入层的节点数量为4，输出层节点数量为1。再确定BP神经网络的隐含层节点数，若隐含层节点数过少，则无法产生足够的连接权组合数来满足若干样本的学习，若隐含层节点数过多的话，会使模型训练时间增加，神经网络的容错性差，导致测试误差增大，模型的泛化能力下降。因此，本实施例是根据输入层的节点数量、输出层节点数量及预设第一计算规则，计算得到隐含层节点数量的取值范围，预设第一计算规则包括：
其中，n1为BP神经网络模型的隐含层的节点数量，n为BP神经网络模型的输入层的节点数量，m为BP神经网络模型的输出层的节点数量，a为常数，a的取值范围为[1，10]。即隐含层节点数量最大为12，最小为3。通过使隐含层节点数在[3，12]之间的取值时，比较网络的收敛速度和训练结果的学习误差来选择隐含层的最佳隐含层的节点数。
将BP神经网络初始的权值随机赋值为[-1,1]的值，能有效的避免网络计算过早的进入饱和区，并设定学习误差ε0为0.0005，学习速率η为0.05，最大循环次数为5000次，隐含层和输出层的传递函数为非对称Sigmoid函数。
具体的训练步骤包括：根据预先设定BP神经网络的参数，首先将隐含层节点数的初始值设为3，计算隐含层和输出层的各节点输出，再计算输出层的实际输出与目标输出的误差Ek，将Ek与预先设定的学习误差ε0进行大小比较，当Ek大于预设的学习误差时，则对神经网络的权值进行调整，直到输出层所有节点的Ek均小于学习误差，再逐一增加隐含层单元的个数并重复上述的网络训练，隐含层节点数的取值范围介于3和12之间，直到隐含层节点数增加到12停止。分别比较不同隐含层节点数量下的神经网络预测误差，将预测误差最小的BP神经网络模型作为用电预测模型。
其中，预设第二计算规则，即输出层的实际输出与目标输出的误差公式为：
Ek为输出层的实际输出与目标输出的误差，dk为第k个样本中的目标输出，yk为第k个样本训练神经网络时的实际输出，N为样本数据的个数。
神经网络的权值的调节的公式为：
其中，Δω(t+1)为权值的调节量，η为学习速率，
为误差函数E对权值ω的导数，Δω(t)为前一次权值的调节量。误差函数的公式为：
其中，E为误差函数，N为样本数据的个数，Ek为输出层的实际输出与目标输出的误差。
第一控制模块130，用于基于所述时间戳筛选出在预设时长内接收到的用户反馈，并读取该用户反馈的限电意愿度值，遍历用户反馈的限电意愿度值，对限电意愿度值大于第二预设值的用户的第一设备及第二设备执行用电控制，并对限电意愿度值小于第二预设值且大于第三预设值的用户的第一设备执行用电控制。
在本实施例中，基于生成的时间戳筛选出在预设时长内接收到的用户反馈，预设时长可根据实际应用场景进行设置，读取用户反馈的限电意愿度值，遍历所有用户反馈的限电意愿度值，对限电意愿度值大于第二预设值(例如，4)的用户的第一设备及第二设备执行用电控制，用电控制可以是接收到用户反馈后执行用电控制，并对限电意愿度值小于第二预设值且大于第三预设值(例如，2)的用户的第一设备执行用电控制，用电控制的具体方式可以是直接断电的方式，或在接收到用户的意愿度值在一定时间内(例如，两分钟)后执行断电操作。
在一个实施例中，还包括第二控制模块：
读取执行所述第一控制步骤之后的第一限电功率值，判断所述第一限电功率值是否小于所述限电功率需求值，若是，则对限电意愿度值小于第二预设值且大于第三预设值的用户的第二设备执行用电控制。
在本实施例中，对用户执行用电控制后，读取第一控制步骤的第一限电功率值，判断该限电功率值是否小于所述限电功率需求值，若是，再对限电意愿度值小于第二预设值且大于第三预设值的用户的第二设备执行用电控制。通过先对意愿度高的用户进行用电控制，再判断对意愿度高的用户执行用电控制后的限电功率是否已经达到限电功率需求值，更合理高效地实现对用户的用电控制。
在一个实施例中，还包括第三控制模块：
读取执行所述第二控制步骤之后的第二限电功率值，判断所述第二限电功率值是否小于所述限电功率需求值，若是，则根据所述时间戳筛选出在预设时长内未接收到反馈的用户，对该用户的第一设备执行用电控制。
参照图3所示，是本发明基于神经网络的用电控制方法较佳实施例的流程图。
步骤S10，当监测到预设终端发送的限电需求时，读取所述限电需求的限电功率需求值，从预设数据库中读取基于预先配置的智能电表上传的多个用户的第一设备及第二设备在预设时间段内的用电历史值。
在本实施例中，当读取模块监测到预设终端发生的限电需求时，读取该限电需求的限电功率需求值，例如，在用电高峰期，某住宅小区或某工业区监测到预设终端(例如，安装在低压配电室的智能终端)发送的用电部门发出的限电需求时，读取该限电需求的限电功率需求值，从预设数据库中读取基于预先配置的智能电表上传的多个用户的第一设备及第二设备在预设时间段内的用电历史值，其中，第一设备可以是用户的预先选定的优先级高的可执行断电操作的设备，例如，照明电器。第二设备可以是用户预先选定优先级低的可执行断电操作的设备，例如，空调、风扇及一些动力设备等。需要说明的是，第一设备与第二设备不属于相同开关控制的回路的设备，第一设备及第二设备均为用户预先选定的。预设时间段内的用电历史值可以是有功功率、无功功率、视在功率及功率因数等。
步骤S20，将所述用电历史值输入预先训练好的用电预测模型，得到多个用户的用电预测值，遍历所述多个用户的用电预测值，筛选出用电预测值大于第一预设值对应的用户，向该用户发送限电请求并生成对应的时间戳，其中，所述请求中包括限电意愿度值。
在本实施例中，将读取到的用电历史值输入预先训练好的用电预测模型，得到多个用户的用电预测值，用电预测值可以是在发出限电需求后，未来两小时内该用户消耗的实际功率值，再遍历多个用户的用电预测值，筛选出用电预测值大于第一预设值对应的用户，其中，第一预设值可以根据实际应用场景进行设置，在此不做限定。之后，向用电预测值大于第一预设值对应的用户发送限电请求并生成对应的时间戳，其中，该请求中包括限电意愿度值，意愿度值可以设为1,、2、3、4、5，值越高，表示意愿程度越高。
进一步地，用电预测模型可以是通过BP神经网络训练得到的，具体训练步骤包括：获取预设数量目标用户群的用电历史值，对目标用户群的用电历史值作预处理(例如，归一化处理)后生成训练样本，构建BP神经网络模型并设定BP神经网络的参数；基于预设第一计算规则计算出该神经网络模型隐含层的节点数量取值范围，基于预设第二计算规则及所述训练样本计算出隐含层的节点数量在所述取值范围下的多个学习误差的神经网络模型，将学习误差最小的神经网络模型作为所述用电预测模型。
具体的，构造BP神经网络模型，建立具有一个输入层，一个隐含层和一个输出层的三层BP神经网络，以目标用户的4个历史值(有功功率、无功功率、视在功率及功率因数)对本方案进行说明，即确定输入层的节点数量为4，输出层节点数量为1。再确定BP神经网络的隐含层节点数，若隐含层节点数过少，则无法产生足够的连接权组合数来满足若干样本的学习，若隐含层节点数过多的话，会使模型训练时间增加，神经网络的容错性差，导致测试误差增大，模型的泛化能力下降。因此，本实施例是根据输入层的节点数量、输出层节点数量及预设第一计算规则，计算得到隐含层节点数量的取值范围，预设第一计算规则包括：
其中，n1为BP神经网络模型的隐含层的节点数量，n为BP神经网络模型的输入层的节点数量，m为BP神经网络模型的输出层的节点数量，a为常数，a的取值范围为[1，10]。即隐含层节点数量最大为12，最小为3。通过使隐含层节点数在[3，12]之间的取值时，比较网络的收敛速度和训练结果的学习误差来选择隐含层的最佳隐含层的节点数。
将BP神经网络初始的权值随机赋值为[-1,1]的值，能有效的避免网络计算过早的进入饱和区，并设定学习误差ε0为0.0005，学习速率η为0.05，最大循环次数为5000次，隐含层和输出层的传递函数为非对称Sigmoid函数。
具体的训练步骤包括：根据预先设定BP神经网络的参数，首先将隐含层节点数的初始值设为3，计算隐含层和输出层的各节点输出，再计算输出层的实际输出与目标输出的误差Ek，将Ek与预先设定的学习误差ε0进行大小比较，当Ek大于预设的学习误差时，则对神经网络的权值进行调整，直到输出层所有节点的Ek均小于学习误差，再逐一增加隐含层单元的个数并重复上述的网络训练，隐含层节点数的取值范围介于3和12之间，直到隐含层节点数增加到12停止。分别比较不同隐含层节点数量下的神经网络预测误差，将预测误差最小的BP神经网络模型作为用电预测模型。
其中，预设第二计算规则，即输出层的实际输出与目标输出的误差公式为：
Ek为输出层的实际输出与目标输出的误差，dk为第k个样本中的目标输出，yk为第k个样本训练神经网络时的实际输出，N为样本数据的个数。
神经网络的权值的调节的公式为：
其中，Δω(t+1)为权值的调节量，η为学习速率，
为误差函数E对权值ω的导数，Δω(t)为前一次权值的调节量。误差函数的公式为：
其中，E为误差函数，N为样本数据的个数，Ek为输出层的实际输出与目标输出的误差。
步骤S30，基于所述时间戳筛选出在预设时长内接收到的用户反馈，并读取该用户反馈的限电意愿度值，遍历用户反馈的限电意愿度值，对限电意愿度值大于第二预设值的用户的第一设备及第二设备执行用电控制，并对限电意愿度值小于第二预设值且大于第三预设值的用户的第一设备执行用电控制。
在本实施例中，基于生成的时间戳筛选出在预设时长内接收到的用户反馈，预设时长可根据实际应用场景进行设置，读取用户反馈的限电意愿度值，遍历所有用户反馈的限电意愿度值，对限电意愿度值大于第二预设值(例如，4)的用户的第一设备及第二设备执行用电控制，用电控制可以是接收到用户反馈后执行用电控制，并对限电意愿度值小于第二预设值且大于第三预设值(例如，2)的用户的第一设备执行用电控制，用电控制的具体方式可以是直接断电的方式，或在接收到用户的意愿度值在一定时间内(例如，两分钟)后执行断电操作。
在一个实施例中，还包括第二控制步骤：
读取所述第一控制步骤之后的第一限电功率值，判断所述第一限电功率值是否小于所述限电功率需求值，若是，则对限电意愿度值小于第二预设值且大于第三预设值的用户的第二设备执行用电控制。
在本实施例中，对用户执行用电控制后，读取第一控制步骤的第一限电功率值，判断该限电功率值是否小于所述限电功率需求值，若是，再对限电意愿度值小于第二预设值且大于第三预设值的用户的第二设备执行用电控制。通过先对意愿度高的用户进行用电控制，再判断对意愿度高的用户执行用电控制后的限电功率是否已经达到限电功率需求值，更合理高效地实现对用户的用电控制。
在一个实施例中，还包括第三控制步骤：
读取所述第二控制步骤之后的第二限电功率值，判断所述第二限电功率值是否小于所述限电功率需求值，若是，则根据所述时间戳筛选出在预设时长内未接收到反馈的用户，对该用户的第一设备执行用电控制。
此外，本发明还提出一种计算机可读存储介质，该计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括基于神经网络的用电控制程序10，所述基于神经网络的用电控制程序10被处理器执行时实现如下操作：
读取步骤：当监测到预设终端发送的限电需求时，读取所述限电需求的限电功率需求值，从预设数据库中读取基于预先配置的智能电表上传的多个用户的第一设备及第二设备在预设时间段内的用电历史值；
发送步骤：将所述用电历史值输入预先训练好的用电预测模型，得到多个用户的用电预测值，遍历所述多个用户的用电预测值，筛选出用电预测值大于第一预设值对应的用户，向该用户发送限电请求并生成对应的时间戳，其中，所述请求中包括限电意愿度值；及
第一控制步骤：基于所述时间戳筛选出在预设时长内接收到的用户反馈，并读取该用户反馈的限电意愿度值，遍历用户反馈的限电意愿度值，对限电意愿度值大于第二预设值的用户的第一设备及第二设备执行用电控制，并对限电意愿度值小于第二预设值且大于第三预设值的用户的第一设备执行用电控制。
本发明之计算机可读存储介质的具体实施方式与上述基于神经网络的用电控制方法的具体实施方式大致相同，在此不再赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，电子装置，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于神经网络的用电控制方法，应用于电子装置，其特征在于，所述方法包括：
读取步骤：当监测到预设终端发送的限电需求时，读取所述限电需求的限电功率需求值，从预设数据库中读取基于预先配置的智能电表上传的多个用户的第一设备及第二设备在预设时间段内的用电历史值；
发送步骤：将所述用电历史值输入预先训练好的用电预测模型，得到多个用户的用电预测值，遍历所述多个用户的用电预测值，筛选出用电预测值大于第一预设值对应的用户，向该用户发送限电请求并生成对应的时间戳，其中，所述请求中包括限电意愿度值；
第一控制步骤：基于所述时间戳筛选出在预设时长内接收到的用户反馈，并读取该用户反馈的限电意愿度值，遍历用户反馈的限电意愿度值，对限电意愿度值大于第二预设值的用户的第一设备及第二设备执行用电控制，并对限电意愿度值小于第二预设值且大于第三预设值的用户的第一设备执行用电控制；
第二控制步骤：读取所述第一控制步骤之后的第一限电功率值，判断所述第一限电功率值是否小于所述限电功率需求值，若是，则对限电意愿度值小于第二预设值且大于第三预设值的用户的第二设备执行用电控制；
第三控制步骤：读取所述第二控制步骤之后的第二限电功率值，判断所述第二限电功率值是否小于所述限电功率需求值，若是，则根据所述时间戳筛选出在预设时长内未接收到反馈的用户，对该用户的第一设备执行用电控制，所述执行用电控制包括：在接收到用户意愿度值的预定时间后执行断电操作。
2.如权利要求1所述的基于神经网络的用电控制方法，其特征在于，所述用电预测模型是通过BP神经网络训练得到的，具体训练步骤包括：
获取预设数量目标用户群的用电历史值，对所述目标用户群的用电历史值作预处理后生成训练样本，构建BP神经网络模型并设定BP神经网络的参数；
基于预设第一计算规则计算出该神经网络模型隐含层的节点数量取值范围，基于预设第二计算规则及所述训练样本计算出隐含层的节点数量在所述取值范围下的多个学习误差的神经网络模型，将学习误差最小的神经网络模型作为所述用电预测模型。
3.如权利要求2所述的基于神经网络的用电控制方法，其特征在于，所述预设第一计算规则包括：
其中，n1为BP神经网络模型的隐含层的节点数量，n为BP神经网络模型的输入层的节点数量，m为BP神经网络模型的输出层的节点数量，a为常数，a的取值范围为[1,10]。
4.一种电子装置，该电子装置包括存储器及处理器，其特征在于，所述存储器上存储基于神经网络的用电控制程序，所述基于神经网络的用电控制程序被所述处理器执行，实现如下步骤：
读取步骤：当监测到预设终端发送的限电需求时，读取所述限电需求的限电功率需求值，从预设数据库中读取基于预先配置的智能电表上传的多个用户的第一设备及第二设备在预设时间段内的用电历史值；
发送步骤：将所述用电历史值输入预先训练好的用电预测模型，得到多个用户的用电预测值，遍历所述多个用户的用电预测值，筛选出用电预测值大于第一预设值对应的用户，向该用户发送限电请求并生成对应的时间戳，其中，所述请求中包括限电意愿度值；
第一控制步骤：基于所述时间戳筛选出在预设时长内接收到的用户反馈，并读取该用户反馈的限电意愿度值，遍历用户反馈的限电意愿度值，对限电意愿度值大于第二预设值的用户的第一设备及第二设备执行用电控制，并对限电意愿度值小于第二预设值且大于第三预设值的用户的第一设备执行用电控制；
第二控制步骤：读取所述第一控制步骤之后的第一限电功率值，判断所述第一限电功率值是否小于所述限电功率需求值，若是，则对限电意愿度值小于第二预设值且大于第三预设值的用户的第二设备执行用电控制；
第三控制步骤：读取所述第二控制步骤之后的第二限电功率值，判断所述第二限电功率值是否小于所述限电功率需求值，若是，则根据所述时间戳筛选出在预设时长内未接收到反馈的用户，对该用户的第一设备执行用电控制，所述执行用电控制包括：在接收到用户意愿度值的预定时间后执行断电操作。
5.如权利要求4所述的电子装置，其特征在于，所述用电预测模型是通过BP神经网络训练得到的，具体训练步骤包括：
获取预设数量目标用户群的用电历史值，对所述目标用户群的用电历史值作预处理后生成训练样本，构建BP神经网络模型并设定BP神经网络的参数；
基于预设第一计算规则计算出该神经网络模型隐含层的节点数量取值范围，基于预设第二计算规则及所述训练样本计算出隐含层的节点数量在所述取值范围下的多个学习误差的神经网络模型，将学习误差最小的神经网络模型作为所述用电预测模型。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于神经网络的用电控制程序，所述基于神经网络的用电控制程序被处理器执行时，可实现如权利要求1至3中任一项所述基于神经网络的用电控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911182562.1A CN110956321B (zh) | 2019-11-27 | 2019-11-27 | 基于神经网络的用电控制方法、电子装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911182562.1A CN110956321B (zh) | 2019-11-27 | 2019-11-27 | 基于神经网络的用电控制方法、电子装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110956321A CN110956321A (zh) | 2020-04-03 |
| CN110956321B true CN110956321B (zh) | 2020-10-20 |
Family
ID=69977009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911182562.1A Active CN110956321B (zh) | 2019-11-27 | 2019-11-27 | 基于神经网络的用电控制方法、电子装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110956321B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103746453A (zh) * | 2013-12-27 | 2014-04-23 | 江苏南瑞帕威尔电气有限公司 | 基于用户实时反馈的电力负荷调节系统 |
| CN109254211A (zh) * | 2018-08-24 | 2019-01-22 | 珠海格力电器股份有限公司 | 用电设备的控制方法、装置、计算机设备和存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4712833B2 (ja) * | 2008-06-25 | 2011-06-29 | 日立オートモティブシステムズ株式会社 | ブレーキ制御装置およびその制御方法 |
| CN105989420B (zh) * | 2015-02-12 | 2020-07-17 | 西门子公司 | 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置 |
| CN107689671A (zh) * | 2017-08-31 | 2018-02-13 | 珠海格力电器股份有限公司 | 用电量控制方法及装置 |
| CN110135761A (zh) * | 2019-05-27 | 2019-08-16 | 国网河北省电力有限公司沧州供电分公司 | 供用电需求侧响应负荷调节交易方法、系统及终端设备 |
-
2019
- 2019-11-27 CN CN201911182562.1A patent/CN110956321B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103746453A (zh) * | 2013-12-27 | 2014-04-23 | 江苏南瑞帕威尔电气有限公司 | 基于用户实时反馈的电力负荷调节系统 |
| CN109254211A (zh) * | 2018-08-24 | 2019-01-22 | 珠海格力电器股份有限公司 | 用电设备的控制方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110956321A (zh) | 2020-04-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108549310A (zh) | 污水处理云服务器 | |
| CN110442170B (zh) | 设备运行及监测方法、装置、设备及介质 | |
| CN112508118A (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
| Wang et al. | Bad-scenario-set robust scheduling for a job shop to hedge against processing time uncertainty | |
| CN109727155A (zh) | 基于电量预测的用电控制方法、装置、设备和存储介质 | |
| Chiu et al. | Rescheduling strategies for integrating rush orders with preventive maintenance in a two-machine flow shop | |
| CN114109792B (zh) | 一种空压机流量动态调整的方法、装置、设备及存储介质 | |
| CN116187549A (zh) | 能耗预测方法、计算设备及计算机存储介质 | |
| CN115566800A (zh) | 一种用电监控方法、装置、电子设备及存储介质 | |
| Zhang et al. | Stochastic unit commitment with air conditioning loads participating in reserve service | |
| CN117490481B (zh) | 冷却系统的冷却塔控制方法、装置、设备和存储介质 | |
| CN110956321B (zh) | 基于神经网络的用电控制方法、电子装置及存储介质 | |
| CN116880231B (zh) | 基于智能家居的多端交互方法及装置 | |
| KR20150097015A (ko) | 다중상황 기반 에너지 관리장치 및 관리방법 | |
| CN109214578A (zh) | 电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质 | |
| Wang et al. | A cooperative algorithm for energy-efficient scheduling of distributed no-wait flowshop | |
| CN110909036A (zh) | 功能模块的推荐方法及装置 | |
| CN111768063A (zh) | 面向电力需求侧的节能管理系统、节能方法 | |
| CN116205444A (zh) | 工单融合处理方法、电子设备及存储介质 | |
| CN114243681B (zh) | 电力系统的用电调控方法、装置、设备和存储介质 | |
| WO2020031228A1 (ja) | 生産スケジューリング装置、および生産スケジューリング方法 | |
| CN115292580A (zh) | 数据查询方法、装置、计算机设备及存储介质 | |
| CN105786151A (zh) | 智能省电系统与方法 | |
| CN114116376A (zh) | 联络柜监控方法、装置、计算机设备和存储介质 | |
| Renna | Controllable processing times with limited resources and energy consumption in flow shops: an assessment by simulation |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |