CN111242308B - 节能策略推荐方法、装置、计算机设备以及存储介质 - Google Patents

节能策略推荐方法、装置、计算机设备以及存储介质 Download PDF

Info

Publication number
CN111242308B
CN111242308B CN201911424814.7A CN201911424814A CN111242308B CN 111242308 B CN111242308 B CN 111242308B CN 201911424814 A CN201911424814 A CN 201911424814A CN 111242308 B CN111242308 B CN 111242308B
Authority
CN
China
Prior art keywords
data
energy
electricity
saving strategy
user side
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
Application number
CN201911424814.7A
Other languages
English (en)
Other versions
CN111242308A (zh
Inventor
唐猛
杨文伟
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.)
Shenzhen Energy Electricity Sale Co
Original Assignee
Shenzhen Energy Electricity Sale Co
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 Shenzhen Energy Electricity Sale Co filed Critical Shenzhen Energy Electricity Sale Co
Priority to CN201911424814.7A priority Critical patent/CN111242308B/zh
Publication of CN111242308A publication Critical patent/CN111242308A/zh
Application granted granted Critical
Publication of CN111242308B publication Critical patent/CN111242308B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/001—Measuring real or reactive component; Measuring apparent energy
    • G01R21/002—Measuring real component
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/001—Measuring real or reactive component; Measuring apparent energy
    • G01R21/003—Measuring reactive component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本申请涉及一种节能策略推荐方法、装置、计算机设备和存储介质，方法通过获取用户侧用电的用电参数；通过非侵入式负荷识别，获取用电参数对应用户侧的每个用电设备的用电数据；获取用户侧对应历史用电节能策略；采用机器说服技术以及深度强化学习技术，对用电数据以及历史用电节能策略进行处理，得到用电节能策略；推送用电节能策略至用户侧。本申请的通过非侵入式负荷识别对用户侧的用电负荷数据进行识别，可以有效提高对用户侧的能源监测能力以及用户侧用电数据的数据源质量，同时通过用电数据以及历史用电节能策略来生成新的用电节能策略，对用户侧进行针对性的节能策略推荐，可以有效提高节能策略推荐的效果。

Description

节能策略推荐方法、装置、计算机设备以及存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种节能策略推荐方法、装置、计算机设备以及存储介质。
背景技术
能源是人类文明的支柱，是一个社会长久发展的关键和基本组成部分。而电能是可利用的能源中的一种。电能是指使用电以各种形式做功的能力。电能既是一种经济、实用、清洁且容易控制和转换的能源形态，又是电力部门向电力用户提供由发、供、用三方共同保证质量的一种特殊产品，它同样具有产品的若干特征，如可被测量、预估、保证或改善。电能被广泛应用在动力、照明、化学、纺织、通信、广播等各个领域，是科学技术发展、人民经济飞跃的主要动力。电能在我们的生活中起到重大的作用。
为了减少电能的浪费，提高节能的效果，可以从需求侧的电能优化入手，现有的需求侧电能优化一般是根据分时电价、天气状况等进行用能设备的开关调节等，然而这些需求侧的电能优化在具体实施过程中主要面临着推荐效果较差，无法可持续性的提高用户侧节能效果的问题。
发明内容
基于此，有必要针对传统的方案推荐效果较差，无法可持续性提高用户侧节能效果的问题，提供一种能够有效提高针对用户侧大规模节能推荐效果的节能策略推荐方法、装置、计算机设备以及存储介质。
一种大规模节能策略推荐方法，所述方法包括：
获取用户侧用电的用电参数；
通过非侵入式负荷识别，获取所述用电参数对应用户侧的每个用电设备的用电数据；
获取所述用户侧对应历史用电节能策略；
采用机器说服技术以及深度强化学习技术，对所述用电数据以及所述历史用电节能策略进行处理，得到用电节能策略；
推送所述用电节能策略至用户侧。
在其中一个实施例中，所述通过非侵入式负荷识别，获取所述用电参数对应用户侧的每个用电设备的功耗数据和实时状态信息包括：
获取所述用电参数对应的负荷变化数据；
根据所述负荷变化数据获取负荷事件数据；
提取所述负荷事件数据对应的电力信号稳态，和暂态特征；
对所述电力信号特征进行负荷识别，获取用户侧的每个用电设备的用电数据。
在其中一个实施例中，所述用电参数包括电压数据以及电流数据，所述获取所述用电参数对应的负荷变化数据包括：
对所述电压数据与所述电流数据进行去噪处理；
根据所述去噪后的电压数据以及所述去噪后的电流数据，获取用户侧用电的有功功率数据以及无功功率数据；
对所述去噪后的电压数据、所述去噪后的电流数据、所述有功功率数据以及所述无功功率数据进行标幺化处理；
生成标幺化处理后的电压数据、电压数据、有功功率数据以及无功功率数据对应的负荷变化数据。
在其中一个实施例中，所述采用机器说服技术以及深度强化学习技术，对所述用电数据以及所述历史用电节能策略进行处理，得到用电节能策略包括：
通过深度强化学习技术根据所述用电数据以及所述历史用电节能策略，确定用户侧的用电行为模式，并对比所述用电行为模式以及所述历史用电节能策略获取用户偏好；
通过机器说服技术根据所述用电数据以及所述用户偏好，生成用电节能策略。
在其中一个实施例中，所述采用机器说服式技术以及深度强化学习技术，对所述用电数据以及所述历史用电节能策略进行处理，得到用电节能策略包括：
采用马尔科夫决策过程对节能策略推荐最优策略问题建模，构建环境状态转化模型；
根据所述环境状态转化模型构建深度强化学习模型；
通过预设节能策略生成模型以及所述深度强化学习模型，构建用户节能行为决策模型，所述节能策略生成模型基于机器说服技术构建；
将所述用电数据以及所述历史用电节能策略输入用户节能行为决策模型，生成用电节能策略。
在其中一个实施例中，所述通过预设行为模型以及所述深度强化学习模型构建用户节能行为决策模型之前，还包括：
获取用户侧对应的用电规划问卷调查信息以及用户侧各用电设备对应的历史用电数据；
根据所述用电规划问卷调查信息以及所述历史用电数据，通过机器说服技术构建预设节能策略生成模型。
一种节能策略推荐装置，包括：
数据获取模块，用于获取用户侧用电的用电参数；
负荷识别模块，用于通过非侵入式负荷识别，获取所述用电参数对应用户侧的每个用电设备的用电数据；
历史数据获取模块，用于获取所述用户侧对应历史用电节能策略；
节能策略生成模块，用于采用机器说服技术以及深度强化学习技术，对所述用电数据以及所述历史用电节能策略进行处理，得到用电节能策略；
节能策略推送模块，用于推送所述用电节能策略至用户侧。
在其中一个实施例中，所述负荷识别模块用于：
获取所述用电参数对应的负荷变化数据；
根据所述负荷变化数据获取负荷事件数据；
提取所述负荷事件数据对应的电力信号特征；
对所述电力信号特征进行负荷识别，获取用户侧的每个用电设备的用电数据。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取用户侧用电的用电参数；
通过非侵入式负荷识别，获取所述用电参数对应用户侧的每个用电设备的用电数据；
获取所述用户侧对应历史用电节能策略；
采用机器说服技术以及深度强化学习技术，对所述用电数据以及所述历史用电节能策略进行处理，得到用电节能策略；
推送所述用电节能策略至用户侧。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取用户侧用电的用电参数；
通过非侵入式负荷识别，获取所述用电参数对应用户侧的每个用电设备的用电数据；
获取所述用户侧对应历史用电节能策略；
采用机器说服技术以及深度强化学习技术，对所述用电数据以及所述历史用电节能策略进行处理，得到用电节能策略；
推送所述用电节能策略至用户侧。
上述节能策略推荐方法、装置、计算机设备和存储介质，通过获取用户侧用电设备的用电参数；通过低成本的非侵入式负荷识别，获取用电参数对应用户侧的每个用电设备的用电数据；获取用户侧对应历史用电节能策略；采用机器说服技术以及深度强化学习技术，对用电数据以及历史用电节能策略进行处理，得到用电节能策略，而后推送用电节能策略至用户侧。本申请的可持续性节能策略推荐方法，通过非侵入式的负荷识别对用户侧各个用电设备的用电数据进行识别，而后根据用户侧的用电数据以及用户侧对应的的历史推荐数据生成最新的用户节能策略，并将其推送到用户端，通过非侵入式负荷识别对用户侧的用电负荷数据进行识别，可以有效提高对用户侧的能源监测能力以及用户侧用电数据的数据源质量，同时通过用电数据以及历史用电节能策略来生成新的用电节能策略，对用户侧进行针对性的节能策略推荐，可以有效提高节能策略推荐的效果。
附图说明
图1为一个实施例中节能策略推荐方法的应用环境图；
图2为一个实施例中节能策略推荐方法的流程示意图；
图3为一个实施例中图2中步骤S300的子流程示意图；
图4为一个实施例中图2中步骤S700的子流程示意图；
图5为一个实施例中节能策略推荐装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的节能策略推荐方法，可以应用于如图1所示的应用环境中。其中，安装于用户侧的非侵入式数据采集设备102以及用户侧对应的终端104通过网络与节能策略推荐服务器106通过网络进行通信。节能策略推荐服务器106通过非侵入式数据采集设备102获取用户侧用电的电压数据以及电流数据用电参数；通过非侵入式负荷识别，获取用电参数电压数据以及与电流数据对应用户侧的每个用电设备的用电数据；获取用户侧对应历史用电节能策略；将用电数据以及历史用电节能策略输入用户节能行为决策模型，生成对应用电节能策略，用户节能行为决策模型基于机器说服技术以及深度强化学习技术构建；推送用电节能策略至用户侧所在的终端104。其中，非侵入式数据采集设备102安装于用户配电主干线上，终端104可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，节能策略推荐服务器106可以通过独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种节能策略推荐方法，以该方法应用于图1中的节能策略推荐服务器106为例进行说明，包括以下步骤：
S100，获取用户侧用电的用电参数。
用户侧用电的用电参数具体可以包括电压数据以及电流数据，具体是指用户配电主干线上对应的电压数据以及电流数据。具体的，可以预先将非侵入式的数据采集设备安装在用户侧的配电主干线上，而后服务器可以通过该数据采集设备获取用户侧用电的电压数据以及电流数据。
S300，通过非侵入式负荷识别，获取用电参数对应用户侧的每个用电设备的用电数据。
用电数据具体包括了电气设备的工作状态、用电功率和累计电量、运行时间以至故障预警等用电细节信息。对于获取用户侧用电设备的用电数据，目前有两种方法，一种是硬件为中心的，如通过在插座上设置检测设备进行检测，这种是侵入式的方法可以获得详细的用电数据，然而这些设备具有硬件成本高，施工复杂等缺点。另一种是以软件为中心的，称为非侵入式负载监测，非侵入式负荷监测是在用户配电主干线上安装数据采集设备，采集总电压、电流信号，利用相应的算法来将各家用用电设备分解出来，以获取对应的单个用电设备用电信息。本申请即是通过设置非侵入式负荷识别，来获取用电参数对应用户侧的每个用电设备的用电数据，相对硬件成本与施工成本更低。
S500，获取用户侧对应历史用电节能策略。
具体的，本申请的节能策略推荐方法设置有推荐周期，可以在每个推荐周期内向用户侧推荐用电节能策略，历史用电节能策略是指当前推荐周期前向用户推荐的用电节能策略。服务器可以根据当前推荐周期前的推荐周期对应的用电节能策略，以及用户实际的每个用电设备的用电数据，分析确定用户可能感兴趣并执行的用电节能策略，并进行推荐。特别的，对于不包含历史用电节能策略的用户，该步骤的输入为空。具体的，在其中一个实施例中，服务器还包括数据库模块，用于存储历史用电节能策略数据以及用户侧的每个用电设备对应的历史用电数据，服务器可以直接从数据库中提取获得用户侧对应历史用电节能策略。
S700，采用机器说服技术以及深度强化学习技术，对用电数据以及历史用电节能策略进行处理，得到用电节能策略。
具体的，用电节能策略可以是“建议上午10点至11点使用洗衣机”以及“建议晚上9点-晚上12点开启空调，并调节室温为26摄氏度”之类的策略推荐。机器说服技术即是指Captology(Computers As Persuasive Technology)，由于用户参与节能环保的参与度低，缺乏动机和信任的方法，而机器说服式技术是一种在增强用户可持续性最大化参与到节能的需求响应过程中，它基于传统的说服式技术上以人机交互为前提建立用户行为模型，通过该用户行为模型成功执行改变行为的关键在于从根本上提高用户的动机，能力和意识。在其中一个实施例中，可以通过机器说服技术来构建生成节能策略的模型，提高用户侧中用户的参与度，提高节能策略推荐的效果。而深度强化学习则是将深度学习与强化学习结合的一种方法，深度学习具有较强的感知能力，但是缺乏一定的决策能力；而强化学习具有决策能力，对感知问题束手无策。因此，将两者结合起来，优势互补，为复杂系统的感知决策问题提供了解决思路。以计算机说服式技术为基础的基于深度强化学习来构建的用户节能行为决策的模型，可以针对用户侧的特点决策出适用的用电节能策略，同时通过与用户的交互，不断学习，可持续性地提高用电节能策略推荐的成功率。
S900，推送用电节能策略至用户侧。
当生成用户侧可用的用电节能策略后，可以将该用电节能策略推送至对应的用户侧终端，用户可以通过终端查收该用电节能策略，完成一个节能策略推荐的过程。
上述节能策略推荐方法，通过获取用户侧的用电参数；通过非侵入式负荷识别，获取用电参数对应用户侧的每个用电设备的用电数据；获取用户侧对应历史用电节能策略；采用机器说服技术以及深度强化学习技术，对用电数据以及历史用电节能策略进行处理，得到用电节能策略，而后推送用电节能策略至用户侧。本申请的节能策略推荐方法，通过非侵入式的负荷识别对用户侧各个用电设备的用电数据进行识别，而后根据用户侧的用电数据以及用户侧对应的的历史推荐数据生成最新的用户节能策略，并将其推送到用户端，通过非侵入式负荷识别对用户侧的用电负荷数据进行识别，可以有效提高对用户侧的能源监测能力以及用户侧用电数据的数据源质量，同时通过用电数据以及历史用电节能策略来生成新的用电节能策略，对用户侧进行针对性的节能策略推荐，可以有效提高节能策略推荐的效果。
如图3所示，在其中一个实施例中，S300包括：
S320，获取用电参数对应的负荷变化数据.
S340，根据负荷变化数据获取负荷事件数据。
S360，提取负荷事件数据对应的电力信号特征。
S380，对电力信号特征进行负荷识别，获取用户侧的每个用电设备的用电数据。
具体的，非侵入式负荷识别是通过负荷印记识别用电设备的用电数据的。负荷印记能反映一个用电设备在运行中所体现的独特的反映用电状态的信息，比如电压、有功的波形、启动电流等。这些特征由用电设备的工作条件决定的，据此可将负荷印记分为稳态、暂态、运行模式3类，其中稳态和暂态取决于设备内部的元器件特征；运行模式由设备的运行控制策略决定。在设备运行过程中，这些负荷印记会重复出现，可以基于此把各个用电设备识别出来。非侵入式负荷识别具体可以分为数据测量、数据处理、事件检测、特征提取、负荷识别等步骤。具体的数据测量以及数据处理的过程主要是，根据检测到的用户侧用电的电压数据以及电流数据，获取负荷变化数据。而后通过负荷变化数据来检测负荷事件数据，事件检测简单来说就是按照一定的规则根据信号的变化来判断是否有新事件的产生。在其中一个实施例中，可以通过计算相邻时刻或者时间段负荷印记的变化，并将其与设定的阈值进行比较，当变化超过阈值时，判断有事件发生。此外，还可以通过变电检测或者边缘检测从负荷变化数据中检测到负荷事件数据。当通过负荷事件数据，检测到用电设备投入使用后，可以进一步提取负荷印记的电力信号特征。电力信号特征分为稳态特征和暂态特征，据此可以将特征提取技术归为基于稳态特征、暂态特征以及将两者综合考虑的三类方法。具体的，在其中一个实施例中，本申请通过结合稳态特征和暂态特征的特征提取技术来提取电力信号特征。考虑稳态特征和暂态特征的特征提取技术吸取两者的优势，能进一步提高负荷识别精度。此外将有功、无功、电压、电流四者稳态特征组合，再加上有功暂态波形进行特征提取，能够得到更高的识别精度。当提取到对应的特征之后，可以从给定用电设备的特征库和从采集数据中提取出来的负荷特征，识别总负荷的成分，实现负荷分解。具体的，本申请可以通过模式识别的方法来完成负荷分解识别的过程、基于模式识别的负荷识别，实质是通过学习各种用电设备的负荷印记特征，来达到识别负荷的目标。其中模式识别模型可以基于有监督的K最近邻算法、神经网络、支持向量机、Adaboost算法构建，或者是基于基于隐形马尔科夫模型和主旨模式挖掘来构建。通过非侵入式负荷识别可以通过安装方便简单的非侵入式负荷识别检测装置进行，可以有效提高数据源质量以及用户能源监测能力。
在其中一个实施例中，用电参数包括电压数据以及电流数据，S320包括：对电压数据以及电流数据进行去噪处理；根据去噪后的电压数据以及去噪后的电流数据，获取用户侧用电的有功功率数据以及无功功率数据；对去噪后的电压数据、去噪后的电流数据、有功功率数据以及无功功率数据进行标幺化处理；生成标幺化处理后的电压数据、电压数据、有功功率数据以及无功功率数据对应的负荷变化数据。
具体的，数据测量以及数据处理的过程包括了去噪、有功功率等电气量的计算和标幺化，首先将电力信号去噪，而后根据这些数据计算一些后续步骤需要使用到的电气量，而后对所有数据进行标幺化处理，得到可用的负荷变化数据。其中，标幺化处理主要目的是便于处理电能质量波动带来的干扰问题。通过数据处理的步骤可以有效提高负荷识别的精准度，提高节能策略推荐的效果。
如图4所示，在其中一个实施例中，步骤S700包括：
S720，通过深度强化学习技术根据用电数据以及历史用电节能策略，确定用户侧的用电行为模式，并对比用电行为模式以及历史用电节能策略获取用户偏好。
S740，通过机器说服技术根据用电数据以及用户偏好，生成用电节能策略。
具体的，可以通过深度强化学习技术先根据用户的用电数据确定用户电能使用的行为模式，而后通过识别用户对电能使用的行为模式以及以前向用户推送的历史用电节能策略，判断哪些策略是用户选择接受的，进而确定用户侧对于节能策略选用的用户偏好相关信息，而后通过机器说服技术确定用于用户可能会接受的用电节能策略。本申请通过用户节能行为决策模型，结合用户侧的用电设备的用电数据的以及用户的节能策略来确定向用户侧推荐的用电节能策略，能有效提高用电节能策略的推荐效果。
在其中一个实施例中，步骤S700之前，还包括：采用马尔科夫决策过程对节能策略推荐最优策略问题建模，构建环境状态转化模型；根据环境状态转化模型构建深度强化学习模型；通过预设节能策略生成模型以及深度强化学习模型构建用户节能行为决策模型，预设节能策略生成模型基于机器说服技术构建，将用电数据以及历史用电节能策略输入用户节能行为决策模型，生成用电节能策略。
深度强化学习的过程可以概括为通过观察机器人在与外界系统的决策交互过程中，产生的状态变化以及带来的收益，学习一个最优的决策模型，使得未来进行自动决策的时候能获得期望最大化的累积收益。具体的，本申请中的深度强化学习还可采用基于注意力机制的DQ网络用于节能策略推荐模型，即卷积神经网络(CNN)和Q-Learning结合起来，CNN的输入是原始用电数据(作为状态State)，输出则是每个节能策略推荐动作Action对应的价值评估Value Function(Q值)。具体来讲，通过Q-Learning采用Reward函数来进行节能策略标签推荐，通过经验池的方法进行构建虚拟节能策略网络。通过一个主要网路CNN来产生当前Q值，使用另外一个目标策略CNN产生目标推荐Q值。
本申请通过将节能策略推荐最优策略作为累计收益，通过马尔科夫决策过程来构建深度强化学习模型中的环境状态转换模型，并基于环境状态转化模型构建深度强化学习模型。最后通过深度强化学习模型与预设节能策略生成模型生成用户节能行为决策模型。其中，深度强化学习模型用于通过输入的用电数据以及历史用电节能策略，从生成的节能策略中挑选出可以推荐至用户端的用电节能策略。将深度强化学习模型在需求侧智慧用能管理，可以带来一些例如需求响应，节能策略推荐等方面的优点，通过学习用户侧用电行为的偏好，可以向其推荐更优化的用电节能策略，提高策略推荐的成功率。
在其中一个实施例中，通过预设行为模型以及深度强化学习模型构建用户节能行为决策模型之前，还包括：获取用户侧对应的用电规划问卷调查信息以及用户侧各用电设备对应的历史用电数据；根据用电规划问卷调查信息以及历史用电数据，通过机器说服技术构建预设节能策略生成模型。
具体的，服务器可以网络预先向用户侧所在的终端提供用电规划问卷，用户通过终端填写该用电规划问卷。服务器可以直接提取用电规划问卷内包含的用电规划问卷调查信息，将其作为构建预设节能策略生成模型的人机交互信息，而后服务器可以通过用户侧各用电设备对应的历史用电数据以及这些用电规划问卷调查信息，通过机器说服技术构建预设节能策略生成模型，预设节能策略生成模型用于生成向用户侧推荐的用电节能策略。通过机器说服技术来构建预设节能策略生成模型，可以充分挖掘需求侧潜力，实现新型的灵活互动的用能方式，通过生成的用电节能策略可以提高用户参与的能力，动机，及触发提醒来达到使用户以低成本轻松高效的方式参与需求响应。
应该理解的是，虽然图2-图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图5所示，在一个实施例中，提供了一种节能策略推荐装置，装置包括：
数据获取模块100，用于获取用户侧用电的用电参数。
负荷识别模块300，用于通过非侵入式负荷识别，获取用电参数对应用户侧的每个用电设备的用电数据。
历史数据获取模块500，用于获取用户侧对应历史用电节能策略。
节能策略生成模块700，用于采用机器说服技术以及深度强化学习技术，对用电数据以及历史用电节能策略进行处理，得到用电节能策略。
节能策略推送模块900，用于推送用电节能策略至用户侧。
在其中一个实施例中，负荷识别模块300用于：获取用电参数对应的负荷变化数据；根据负荷变化数据获取负荷事件数据；提取负荷事件数据对应的电力信号特征；对电力信号特征进行负荷识别，获取用户侧的每个用电设备的用电数据。
在其中一个实施例中，用电参数包括电压数据以及电流数据，负荷识别模块300还用于：对电压数据与电流数据进行去噪处理；根据去噪后的电压数据以及去噪后的电流数据，获取用户侧用电的有功功率数据以及无功功率数据；对去噪后的电压数据、去噪后的电流数据、有功功率数据以及无功功率数据进行标幺化处理；生成标幺化处理后的电压数据、电压数据、有功功率数据以及无功功率数据对应的负荷变化数据。
在其中一个实施例中，节能策略生成模块700用于：通过深度强化学习技术根据用电数据以及历史用电节能策略，确定用户侧的用电行为模式，并对比用电行为模式以及历史用电节能策略获取用户偏好；通过机器说服技术根据用电数据以及用户偏好，生成用电节能策略。
在其中一个实施例中，节能策略生成模块700具体用于：采用马尔科夫决策过程对节能策略推荐最优策略问题建模，构建环境状态转化模型；根据环境状态转化模型构建深度强化学习模型；通过预设节能策略生成模型以及深度强化学习模型构建用户节能行为决策模型，预设节能策略生成模型基于机器说服技术构建，通过机器说服技术根据用电数据以及用户偏好，生成用电节能策略。
在其中一个实施例中，节能策略生成模块700还用于：获取用户侧对应的用电规划问卷调查信息以及用户侧各用电设备对应的历史用电数据；根据用电规划问卷调查信息以及历史用电数据，通过机器说服技术构建预设节能策略生成模型。
关于节能策略推荐装置的具体限定可以参见上文中对于节能策略推荐方法的限定，在此不再赘述。上述节能策略推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储节能策略推荐申请以及集成网页的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种节能策略推荐方法。该数据库用于存储用户侧每个用电设备的历史用电数据。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取用户侧用电的用电参数；
通过非侵入式负荷识别，获取用电参数对应用户侧的每个用电设备的用电数据；
获取用户侧对应历史用电节能策略；
采用机器说服技术以及深度强化学习技术，对用电数据以及历史用电节能策略进行处理，得到用电节能策略；
推送用电节能策略至用户侧。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取用电参数对应的负荷变化数据；根据负荷变化数据获取负荷事件数据；提取负荷事件数据对应的电力信号特征；对电力信号特征进行负荷识别，获取用户侧的每个用电设备的用电数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对电压数据与电流数据进行去噪处理；根据去噪后的电压数据以及去噪后的电流数据，获取用户侧用电的有功功率数据以及无功功率数据；对去噪后的电压数据、去噪后的电流数据、有功功率数据以及无功功率数据进行标幺化处理；生成标幺化处理后的电压数据、电压数据、有功功率数据以及无功功率数据对应的负荷变化数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过深度强化学习技术根据用电数据以及历史用电节能策略，确定用户侧的用电行为模式，并对比用电行为模式以及历史用电节能策略获取用户偏好；通过机器说服技术根据用电数据以及用户偏好，生成用电节能策略。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：采用马尔科夫决策过程对节能策略推荐最优策略问题建模，构建环境状态转化模型；根据环境状态转化模型构建深度强化学习模型；通过预设节能策略生成模型以及深度强化学习模型构建用户节能行为决策模型，预设节能策略生成模型基于机器说服技术构建，将用电数据以及历史用电节能策略输入用户节能行为决策模型，生成用电节能策略。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取用户侧对应的用电规划问卷调查信息以及用户侧各用电设备对应的历史用电数据；根据用电规划问卷调查信息以及历史用电数据，通过机器说服技术构建预设节能策略生成模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取用户侧用电的用电参数；
通过非侵入式负荷识别，获取用电参数对应用户侧的每个用电设备的用电数据；
获取用户侧对应历史用电节能策略；
采用机器说服技术以及深度强化学习技术，对用电数据以及历史用电节能策略进行处理，得到用电节能策略；
推送用电节能策略至用户侧。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取用电参数对应的负荷变化数据；根据负荷变化数据获取负荷事件数据；提取负荷事件数据对应的电力信号特征；对电力信号特征进行负荷识别，获取用户侧的每个用电设备的用电数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对电压数据与电流数据进行去噪处理；根据去噪后的电压数据以及去噪后的电流数据，获取用户侧用电的有功功率数据以及无功功率数据；对去噪后的电压数据、去噪后的电流数据、有功功率数据以及无功功率数据进行标幺化处理；生成标幺化处理后的电压数据、电压数据、有功功率数据以及无功功率数据对应的负荷变化数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过深度强化学习技术根据用电数据以及历史用电节能策略，确定用户侧的用电行为模式，并对比用电行为模式以及历史用电节能策略获取用户偏好；通过机器说服技术根据用电数据以及用户偏好，生成用电节能策略。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：采用马尔科夫决策过程对节能策略推荐最优策略问题建模，构建环境状态转化模型；根据环境状态转化模型构建深度强化学习模型；通过预设节能策略生成模型以及深度强化学习模型构建用户节能行为决策模型，预设节能策略生成模型基于机器说服技术构建，将用电数据以及历史用电节能策略输入用户节能行为决策模型，生成用电节能策略。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取用户侧对应的用电规划问卷调查信息以及用户侧各用电设备对应的历史用电数据；根据用电规划问卷调查信息以及历史用电数据，通过机器说服技术构建预设节能策略生成模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种节能策略推荐方法，所述方法包括：
获取用户侧用电的用电参数；
通过非侵入式负荷识别，获取所述用电参数对应用户侧的每个用电设备的用电数据；
获取所述用户侧对应历史用电节能策略；
采用机器说服技术以及深度强化学习技术，对所述用电数据以及所述历史用电节能策略进行处理，得到用电节能策略；
推送所述用电节能策略至用户侧；
所述采用机器说服技术以及深度强化学习技术，对所述用电数据以及所述历史用电节能策略进行处理，得到用电节能策略包括：
通过深度强化学习技术根据所述用电数据以及所述历史用电节能策略，确定用户侧的用电行为模式，并对比所述用电行为模式以及所述历史用电节能策略获取用户偏好；
通过机器说服技术根据所述用电数据以及所述用户偏好，生成用电节能策略；
或，所述采用机器说服技术以及深度强化学习技术，对所述用电数据以及所述历史用电节能策略进行处理，得到用电节能策略包括：
采用马尔科夫决策过程对节能策略推荐最优策略问题建模，构建环境状态转化模型；
根据所述环境状态转化模型构建深度强化学习模型；
通过预设节能策略生成模型以及所述深度强化学习模型，构建用户节能行为决策模型，所述节能策略生成模型基于机器说服技术构建；
将所述用电数据以及所述历史用电节能策略输入所述用户节能行为决策模型，生成用电节能策略。
2.根据权利要求1所述的方法，其特征在于，所述通过非侵入式负荷识别，获取所述用电参数对应用户侧的每个用电设备的功耗数据和实时状态信息包括：
获取所述用电参数对应的负荷变化数据；
根据所述负荷变化数据获取负荷事件数据；
提取所述负荷事件数据对应的电力信号特征；
对所述电力信号特征进行负荷识别，获取用户侧的每个用电设备的用电数据。
3.根据权利要求2所述的方法，其特征在于，所述用电参数包括电压数据以及电流数据，所述获取所述用电参数对应的负荷变化数据包括：
对所述电压数据与所述电流数据进行去噪处理；
根据所述去噪后的电压数据以及所述去噪后的电流数据，获取用户侧用电的有功功率数据以及无功功率数据；
对所述去噪后的电压数据、所述去噪后的电流数据、所述有功功率数据以及所述无功功率数据进行标幺化处理；
生成标幺化处理后的电压数据、电压数据、有功功率数据以及无功功率数据对应的负荷变化数据。
4.根据权利要求1所述的方法，其特征在于，所述通过预设节能策略生成模型以及所述深度强化学习模型，构建用户节能行为决策模型之前，还包括：
获取用户侧对应的用电规划问卷调查信息以及用户侧各用电设备对应的历史用电数据；
根据所述用电规划问卷调查信息以及所述历史用电数据，通过机器说服技术构建预设节能策略生成模型。
5.一种节能策略推荐装置，其特征在于，包括：
数据获取模块，用于获取用户侧用电的用电参数；
负荷识别模块，用于通过非侵入式负荷识别，获取所述用电参数对应用户侧的每个用电设备的用电数据；
历史数据获取模块，用于获取所述用户侧对应历史用电节能策略；
节能策略生成模块，用于采用机器说服技术以及深度强化学习技术，对所述用电数据以及所述历史用电节能策略进行处理，得到用电节能策略；
节能策略推送模块，用于推送所述用电节能策略至用户侧；
所述节能策略生成模块具体用于：通过深度强化学习技术根据所述用电数据以及所述历史用电节能策略，确定用户侧的用电行为模式，并对比所述用电行为模式以及所述历史用电节能策略获取用户偏好；通过机器说服技术根据所述用电数据以及所述用户偏好，生成用电节能策略；
所述节能策略生成模块还用于：采用马尔科夫决策过程对节能策略推荐最优策略问题建模，构建环境状态转化模型；根据所述环境状态转化模型构建深度强化学习模型；通过预设节能策略生成模型以及所述深度强化学习模型，构建用户节能行为决策模型，所述节能策略生成模型基于机器说服技术构建；将所述用电数据以及所述历史用电节能策略输入所述用户节能行为决策模型，生成用电节能策略。
6.根据权利要求5所述的装置，其特征在于，所述负荷识别模块用于：
获取所述用电参数对应的负荷变化数据；
根据所述负荷变化数据获取负荷事件数据；
提取所述负荷事件数据对应的电力信号特征；
对所述电力信号特征进行负荷识别，获取用户侧的每个用电设备的用电数据。
7.根据权利要求5所述的装置，其特征在于，所述用电参数包括电压数据以及电流数据，所述负荷识别模块还用于：对所述电压数据与所述电流数据进行去噪处理；根据所述去噪后的电压数据以及所述去噪后的电流数据，获取用户侧用电的有功功率数据以及无功功率数据；对所述去噪后的电压数据、所述去噪后的电流数据、所述有功功率数据以及所述无功功率数据进行标幺化处理；生成标幺化处理后的电压数据、电压数据、有功功率数据以及无功功率数据对应的负荷变化数据。
8.根据权利要求5所述的装置，其特征在于，所述节能策略生成模块还用于：获取用户侧对应的用电规划问卷调查信息以及用户侧各用电设备对应的历史用电数据；根据所述用电规划问卷调查信息以及所述历史用电数据，通过机器说服技术构建预设节能策略生成模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
CN201911424814.7A 2019-12-31 2019-12-31 节能策略推荐方法、装置、计算机设备以及存储介质 Active CN111242308B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911424814.7A CN111242308B (zh) 2019-12-31 2019-12-31 节能策略推荐方法、装置、计算机设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911424814.7A CN111242308B (zh) 2019-12-31 2019-12-31 节能策略推荐方法、装置、计算机设备以及存储介质

Publications (2)

Publication Number Publication Date
CN111242308A CN111242308A (zh) 2020-06-05
CN111242308B true CN111242308B (zh) 2023-06-23

Family

ID=70866372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911424814.7A Active CN111242308B (zh) 2019-12-31 2019-12-31 节能策略推荐方法、装置、计算机设备以及存储介质

Country Status (1)

Country Link
CN (1) CN111242308B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985824A (zh) * 2020-08-25 2020-11-24 安徽南瑞中天电力电子有限公司 一种智能电表箱的非侵入式负荷监测方法及其监测设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106300349A (zh) * 2016-11-05 2017-01-04 北京普锐电子有限公司 一种区域用电智能管理系统
CN107958338A (zh) * 2017-12-08 2018-04-24 合肥工业大学 用电策略推荐方法及装置、存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120144219A1 (en) * 2010-12-06 2012-06-07 International Business Machines Corporation Method of Making Power Saving Recommendations in a Server Pool

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106300349A (zh) * 2016-11-05 2017-01-04 北京普锐电子有限公司 一种区域用电智能管理系统
CN107958338A (zh) * 2017-12-08 2018-04-24 合肥工业大学 用电策略推荐方法及装置、存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐春雷 ; 周竞 ; 余 ; 吴海伟 ; 王勇 ; .基于强化学习模型的需求侧用户智能报价策略研究.智慧电力.2018,(10),全文. *

Also Published As

Publication number Publication date
CN111242308A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
Almeshaiei et al. A methodology for electric power load forecasting
Che et al. Short-term electricity prices forecasting based on support vector regression and auto-regressive integrated moving average modeling
Moradzadeh et al. Electric load forecasting under False Data Injection Attacks using deep learning
CN111242423B (zh) 主动需求响应潜力分析方法、装置、设备以及存储介质
Sayed et al. Endorsing energy efficiency through accurate appliance-level power monitoring, automation and data visualization
CN111242308B (zh) 节能策略推荐方法、装置、计算机设备以及存储介质
Luan et al. Leveraging sequence-to-sequence learning for online non-intrusive load monitoring in edge device
Safhi et al. Energy load forecasting in big data context
Mishra et al. Performance evaluation of prophet and STL-ETS methods for load forecasting
Türkoğlu et al. Integrated approaches in resilient hierarchical load forecasting via TCN and optimal valley filling based demand response application
CN117081088B (zh) 电网负荷调度控制方法、装置、计算机设备及存储介质
Guo et al. Detecting the novel appliance in non-intrusive load monitoring
Luna-Romero et al. Enhancing anomaly detection in electrical consumption profiles through computational intelligence
CN111190890A (zh) 用户日用电量数据清洗方法、装置、设备和介质
Salem et al. A review on machine learning and data mining techniques for residential energy smart management
CN112926777B (zh) 考虑商业建筑用能行为的日前负荷预测方法及系统
Das et al. Do occupants in a building exhibit patterns in energy consumption? analyzing clusters in energy social games
Khan et al. Electricity Price Forecasting in a Smart Grid
Ahir et al. A data-driven analytic approach for investigation of electricity demand variability for energy conservation programs
Kouloumpris et al. Short-term load forecasting with clustered hybrid models based on hour granularity
Meng et al. Application of energy scheduling algorithm based on energy consumption prediction in smart home energy scheduling
Wen et al. Deep learning-driven hybrid model for short-term load forecasting and smart grid information management
Oudinga The Role of Artificial Intelligence in Enhancing Energy Management in Microgrid Systems
Karri LSTM and SHAP for transparent and effective IoB systems in IoT environments: household power consumption
CN113765096B (zh) 用电负荷分析方法、装置、计算机设备和存储介质

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

Effective date of registration: 20220516

Address after: 518051 Room 201, building a, No.1 Qianwan 1st Road, Qianhai Shenzhen Hong Kong cooperation zone, Nanshan District, Shenzhen City, Guangdong Province

Applicant after: SHENZHEN ENERGY ELECTRICITY SALE CO.

Address before: 518051 Room 201, building a, No.1 Qianwan 1st Road, Qianhai Shenzhen Hong Kong cooperation zone, Nanshan District, Shenzhen City, Guangdong Province

Applicant before: SHENZHEN ENERGY ELECTRICITY SALE CO.

Applicant before: Shenzhen Union Clean Energy Research Institute

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant