CN111242423B - 主动需求响应潜力分析方法、装置、设备以及存储介质 - Google Patents
主动需求响应潜力分析方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN111242423B CN111242423B CN201911419064.4A CN201911419064A CN111242423B CN 111242423 B CN111242423 B CN 111242423B CN 201911419064 A CN201911419064 A CN 201911419064A CN 111242423 B CN111242423 B CN 111242423B
- Authority
- CN
- China
- Prior art keywords
- data
- user
- response
- behavior
- acquiring
- 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
- 230000004044 response Effects 0.000 title claims abstract description 396
- 238000004458 analytical method Methods 0.000 title claims abstract description 154
- 230000005611 electricity Effects 0.000 claims abstract description 66
- 230000006399 behavior Effects 0.000 claims description 196
- 230000003993 interaction Effects 0.000 claims description 86
- 238000001514 detection method Methods 0.000 claims description 60
- 238000000034 method Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 18
- 230000002787 reinforcement Effects 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000002452 interceptive effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005406 washing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010002942 Apathy Diseases 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种主动需求响应潜力分析方法、装置、计算机设备和存储介质，本申请通过非侵入式的负荷识别对需求侧各个电器的实时用电数据进行识别，而后进行需求响应分析，以获取实时负荷数据以及需求响应潜力数据，并基于实时负荷数据以及需求响应潜力数据获取电力补偿信号，而后基于该电力补偿信号以及用户的实时用电数据来生成并推送补偿奖励信息给到用户端，通过补偿奖励来进行用户端的用电管理。通过非侵入式的负荷识别，有效提高对需求侧的能源监测能力以及需求侧用电数据的数据源质量，同时通过在用电管理中向用户补偿奖励信息来调节用户对电器的使用，可以有效提高用户对于用电管理的参与度，进一步提高根据需求响应来进行用电管理的效率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种主动需求响应潜力分析方法、装置、设备以及存储介质。
背景技术
需求侧管理是提高电能利用效率的方法之一。然而现有的需求侧管理存在多个问题。一是需求侧能源使用模式的探测识别与精准预测；二是在电力市场环境下能源互联网用户侧实施过程中的最优决策管理，三是用户可持续性参与能源互联网需求侧的成本，四是能源互联网商业模式的可持续性。其中需求响应是实现能源互联网的关键技术。需求响应是电力需求响应的简称，是指当电力批发市场价格升高或系统可靠性受威胁时，电力用户接收到供电方发出的诱导性减少负荷的直接补偿通知或者电力价格上升信号后，改变其固有的习惯用电模式，达到减少或者推移某时段的用电负荷而响应电力供应，从而保障电网稳定，并抑制电价上升的短期行为。
目前已有通过采用深度强化学习来进行需求响应分析的方法，然而这些方案基本都是在本地运行服务器运行执行，这种执行方式并不能满足需求响应方案在实际运行中的时效性要求。
发明内容
基于此，有必要针对传统的方案不能满足需求响应方案在实际运行中的时效性要求的问题，提供一种能够有效缩短延时的主动需求响应潜力分析方法、装置、计算机设备以及存储介质。
一种主动需求响应潜力分析方法，所述方法包括：
获取用户用电的用电参数，通过非侵入式负荷识别，获取所述用电参数对应用户的用电行为数据；
将所述用电行为数据输入预设需求响应分析模型，通过协同边缘计算，获取预估用户响应行为数据，所述预设需求响应分析模型通过用户历史行为数据对初始因子图模型进行训练获取；
将所述预估用户响应行为数据输入预设行为决策模型，通过协同边缘计算，获取用户响应交互数据，将所述用户响应交互数据反馈至所述用户，所述预设行为决策模型基于深度强化学习与机器说服技术构建；
获取用户根据所述用户响应交互数据生成的主动响应数据；
根据所述用户响应交互数据与所述主动响应数据，获取所述用户对应的主动需求响应潜力分析数据。
在其中一个实施例中，所述获取用户用电的用电参数，通过非侵入式负荷识别，获取所述用电参数对应用户的用电行为数据包括：
获取用户用电的用电参数；
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探测数据；
提取所述负荷事件探测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，获取所述用户的每个用电设备的用电数据；
根据所述用电数据获取所述用户的用电行为数据。
在其中一个实施例中，所述将所述用电行为数据输入预设需求响应分析模型，通过协同边缘计算，获取预估用户响应行为数据之前，包括：
获取用户对应的时间特征数据、历史用户行为数据、历史负荷状态数据以及历史响应频率特征数据；
通过初始因子图模型整合所述时间特征数据、所述历史用户行为数据、所述历史负荷状态数据以及所述历史响应频率特征数据；
通过置信度传播算法对整合后的所述因子图模型进行训练，获得预设需求响应分析模型。
在其中一个实施例中，所述获取用户根据所述用户响应交互数据生成的主动响应数据包括：
获取反馈所述用户响应交互数据之后预设响应时间段内用户的用电行为数据；
将所述预设响应时间段内用户的用电行为数据输入预设用户行为检测模型，获取用户行为数据，所述预设用户行为检测模型基于候选区域的深度学习目标检测算法构建；
根据所述用户行为数据以及所述用户响应交互数据，获取主动响应数据。
在其中一个实施例中，所述根据所述用户响应交互数据与所述主动响应数据，获取所述用户对应的主动需求响应潜力分析数据包括：
根据所述主动响应数据与所述用户响应交互数据，获取所述用户对应的主动响应频率数据；
通过所述主动响应频率数据获取主动需求响应潜力分析数据。
在其中一个实施例中，所述根据所述用户响应交互数据与所述主动响应数据，获取所述用户对应的主动需求响应潜力分析数据之后，还包括：
获取预设分析区域内所有用户各用电设备对应的主动需求响应潜力分析数据；
根据所述用电设备对应的预设电压级别对所述主动需求响应潜力分析数据进行数据分级处理，获取各预设电压级别对应的主动需求响应潜力分析数据；
根据所述各预设电压级别对应的主动需求响应潜力分析数据，获取所述预设分析区域对应的主动需求响应潜力分析数据。
一种主动需求响应潜力分析装置，包括：
用电数据获取模块，用于获取用户用电的用电参数，通过非侵入式负荷识别，获取所述用电参数对应用户的用电行为数据；
用户响应预估模块，用于将所述用电行为数据输入预设需求响应分析模型，通过协同边缘计算，获取预估用户响应行为数据，所述预设需求响应分析模型通过用户历史行为数据对初始因子图模型进行训练获取；
行为预测模块，用于将所述预估用户响应行为数据输入预设行为决策模型，通过协同边缘计算，获取用户响应交互数据，将所述用户响应交互数据反馈至所述用户，所述预设行为决策模型基于深度强化学习与机器说服技术构建；
主动响应预估模块，用于获取用户根据所述用户响应交互数据生成的主动响应数据；
潜力分析模块，用于根据所述用户响应交互数据与所述主动响应数据，获取所述用户对应的主动需求响应潜力分析数据。
在其中一个实施例中，所述用电数据获取模块用于：
获取用户用电的用电参数；
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探测数据；
提取所述负荷事件探测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，获取所述用户的每个用电设备的用电数据；
根据所述用电数据获取所述用户的用电行为数据。
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的用电行为数据；
将所述用电行为数据输入预设需求响应分析模型，通过协同边缘计算，获取预估用户响应行为数据，所述预设需求响应分析模型通过用户历史行为数据对初始因子图模型进行训练获取；
将所述预估用户响应行为数据输入预设行为决策模型，通过协同边缘计算，获取用户响应交互数据，将所述用户响应交互数据反馈至所述用户，所述预设行为决策模型基于深度强化学习与机器说服技术构建；
获取用户根据所述用户响应交互数据生成的主动响应数据；
根据所述用户响应交互数据与所述主动响应数据，获取所述用户对应的主动需求响应潜力分析数据。
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的用电行为数据；
将所述用电行为数据输入预设需求响应分析模型，通过协同边缘计算，获取预估用户响应行为数据，所述预设需求响应分析模型通过用户历史行为数据对初始因子图模型进行训练获取；
将所述预估用户响应行为数据输入预设行为决策模型，通过协同边缘计算，获取用户响应交互数据，将所述用户响应交互数据反馈至所述用户，所述预设行为决策模型基于深度强化学习与机器说服技术构建；
获取用户根据所述用户响应交互数据生成的主动响应数据；
根据所述用户响应交互数据与所述主动响应数据，获取所述用户对应的主动需求响应潜力分析数据。
上述主动需求响应潜力分析方法、装置、计算机设备和存储介质，本申请的主动需求响应潜力分析方法，通过非侵入式负荷识别识别用户的用电行为数据，而后根据用电行为数据，通过预设需求响应分析模型，获取预估用户响应行为数据，并通过预设行为决策模型对预估用户响应行为数据进行决策，获得用户响应交互数据，而后通过获取用户根据所述用户响应交互数据生成的主动响应数据，对比用户响应交互数据与所述主动响应数据，获取所述用户对应的主动需求响应潜力分析数据。本申请通过在需求响应分析和行为决策过程中，进行协同边缘计算，可以有效缩短需求响应分析和行为决策的时间，满足主动需求响应潜力分析过程中，用户实时参与交互的时效性要求。
附图说明
图1为一个实施例中主动需求响应潜力分析方法的应用环境图；
图2为一个实施例中主动需求响应潜力分析方法的流程示意图；
图3为一个实施例中因子图模型中的特征关联示意图；
图4为一个实施例中图2中步骤S700的子流程示意图；
图5为一个实施例中图2中步骤S900的子流程示意图；
图6为一个实施例中用电管理装置的结构框图；
图7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。
本申请提供的主动需求响应潜力分析方法，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、用户对应的终端104、边缘服务器106以及云服务器108之间通过网络进行通信。云服务器108以及边缘服务器106构建的需求响应分析系统用于对用户进行主动需求响应潜力分析。首先，用电管理服务器106通过非侵入式数据采集设备102获取用户用电的用电参数，并通过非侵入式负荷识别，获取用电参数对应用户的用电行为数据；而后将用电行为数据输入云服务器108以及边缘服务器106上的预设需求响应分析模型，通过协同边缘计算，获取预估用户响应行为数据。而后将预估用户响应行为数据输入述用电行为数据输入云服务器108以及边缘服务器106上的预设行为决策模型，通过协同边缘计算，获取用户响应交互数据，并将用户响应交互数据通过终端104反馈至用户。而后云服务器108获取用户根据用户响应交互数据生成的主动响应数据；并根据用户响应交互数据与主动响应数据，获取用户对应的主动需求响应潜力分析数据。其中，非侵入式数据采集设备102安装于各用户配电主干线上，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，边缘服务器106以及云服务器108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，提供了一种主动需求响应潜力分析方法，以该方法应用于图1中的云服务器108为例进行说明，包括以下步骤：
S100，获取用户用电的用电参数，通过非侵入式负荷识别，获取用电参数对应用户的用电行为数据。
用户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需求侧的配电主干线上，而后云服务器可以通过该数据采集设备获取需求侧用电的电压数据以及电流数据。用电行为数据具体包括了用户所用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。本申请通过设置非侵入式负荷识别，来获取用电参数对应用户的用电行为数据。
S300，将用电行为数据输入预设需求响应分析模型，通过协同边缘计算，获取预估用户响应行为数据。
其中，预设响应分析模型具体可以是一种因子图模型，用于生成用户可能会主动参与的需求响应性行为相关数据。边缘计算是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端。而边缘协同计算，则是指通过边缘服务器与云服务器来实现边缘计算。针对需求响应的用户响应行为具体可以是“关闭洗衣机”以及“把白炽灯切换为LED（Light Emitting Diode，发光二极管）灯”之类的行为数据。
具体的，本申请可以通过云服务器以及边缘服务器上的预设边缘计算模型来实现边缘协同计算，并获得用电行为数据对应的预估用户响应行为数据。预设边缘计算模型的训练过程包括离线训练阶段、在线优化阶段以及联合推断阶段。离线训练阶段训练包含Branchynet（基于提前退出部分样本原理而实现的带分支网络）结构的神经网络模型；并在线优化阶段得到分割点与退出点；联合推断阶段根据分割点和退出点，实现联合推断。
S500，将预估用户响应行为数据输入预设行为决策模型，通过协同边缘计算，获取用户响应交互数据，将用户响应交互数据反馈至用户，预设行为决策模型基于深度强化学习与机器说服技术构建。
机器说服技术即是指Captology（Computers As Persuasive Technology），由于用户缺乏动机，对需求响应过程的主动参与度较低，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。用户响应交互数据具体可以是一种建议性的交互数据，比如针对“关闭洗衣机”的预估用户响应行为数据，可以得到“建议关闭洗衣机，并在下午3时再开启洗衣机”这类的数据。在其中一个实施例中，可以通过机器说服技术以及深度强化学习来构建预设行为决策模型，来从预设需求响应分析模型得到的预估用户响应行为数据中决策出用户最可能进行主动需求响应的行为，获得对应的用户响应交互数据。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户响应交互数据，同时通过与用户的交互，不断学习，可持续性地提高用户响应交互数据决策的准确率。以协同边缘计算来获取用户响应交互数据，可以有效提高决策过程的效率。
S700，获取用户根据所述用户响应交互数据生成的主动响应数据。
其中主动响应数据是指用户针对用户响应交互数据进行主动响应而产生的数据。
当云服务器将用户响应交互数据反馈至用户所在的终端后，用户会根据用户响应交互数据做出对应响应行为。服务器可以通过对用户进行用电行为检测，来获取对应的主动响应数据。具体地，可以通过基于候选区域的深度学习目标检测算法来构建行为检测模型，进行用户行为检测，该算法包括RPN（Region Proposal Networks，区域候选网格）候选框提取模块和Fast R-CNN（Region-CNN，候选区域卷积神经网络） 检测模型。
S900，根据所述用户响应交互数据与所述主动响应数据，获取所述用户对应的主动需求响应潜力分析数据。
其中主动需求响应是指用户主动可持续性的参与需求响应，其中主动需求响应潜力分析数据是指用户进行主动需求响应时，可能产生的负荷变化数据。如用户在进行主动需求响应时，可能执行关闭洗衣机或者切换电灯等行为，而这些行为导致的负荷变化数据，即使主动需求响应对应主动需求响应潜力分析数据。主动需求响应潜力分析数据可以用于衡量需求响应效果，同时可以用于为负荷集成商提供用户具体的用能行为信息。
通过将向用户反馈的用户响应交互数据，以及用户反馈过来的主动响应数据进行对比分析，确定用户对应的主动需求响应潜力分析数据。
上述主动需求响应潜力分析方法，通过获取目标社区内各用户用电的用电参数；通过非侵入式负荷识别，获取用电参数对应用户的每个用电设备的实时用电数据；根据目标社区内各用户对应的实时用电数据对目标社区进行需求响应潜力分析，获取实时负荷数据以及需求响应潜力数据；根据实时负荷数据以及需求响应潜力数据，生成电力补偿信号；根据电力补偿信号以及用户的每个用电设备的用电数据生成补偿奖励信息，反馈补偿奖励信息至对应用户。本申请的主动需求响应潜力分析方法，通过非侵入式的负荷识别对需求侧各个电器的实时用电数据进行识别，而后根据实时用电数据进行需求响应分析，以获取实时负荷数据以及需求响应潜力数据，并基于实时负荷数据以及需求响应潜力数据获取电力补偿信号，而后基于该电力补偿信号以及用户的实时用电数据来生成并推送补偿奖励信息给到用户端，通过补偿奖励来进行用户端的用电管理。本申请通过非侵入式的负荷识别，可以有效提高对需求侧的能源监测能力以及需求侧用电数据的数据源质量，同时通过在用电管理中向用户补偿奖励信息来调节用户对电器的使用，可以有效提高用户对于用电管理的参与度，进一步提高根据需求响应来进行用电管理的效率。
如图3所示，在其中一个实施例中，S100包括：获取用户用电的用电参数；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探测数据；提取所述负荷事件探测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，获取所述用户的每个用电设备的用电数据；根据所述用电数据获取所述用户的用电行为数据。
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，可以基于此把各个电器识别出来。非侵入式负荷识别具体可以分为数据采集、数据处理、事件检测、特征提取、负荷识别等步骤。具体的数据采集以及数据处理的过程主要是，根据检测到的需求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探测数据，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探测数据。当通过负荷事件探测数据，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，本申请可以通过基于变分自编码的深度学习算法来进行负荷分解，实现负荷识别，改进现有的非侵入式负荷识别算法难以大规模推广的劣势。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端用能的监测能力，更有利于进行主动需求响应潜力分析。
在其中一个实施例中，步骤S300之后，还包括：获取用户对应的时间特征数据、历史用户行为数据、历史负荷状态数据以及历史响应频率特征数据；通过初始因子图模型整合时间特征数据、历史用户行为数据、历史负荷状态数据以及历史响应频率特征数据；通过置信度传播算法对整合后的所述因子图模型进行训练，获得预设需求响应分析模型。
为了精确的进行用户行为预测，可以对用户的历史信息数据进行多维度的特征提
取。获取不同时刻的历史用户行为数据，历史负荷状态数据以及历史响应频率特征数据等，
并用因子图模型将其有效地整合到一个统一的框架中。其中时间特征为从时间戳中得到的
用户时间信息（例如具体时刻，工作日，节假日等），历史响应频率特征数据则是对用户在该
段时间段内各种需求响应行为特征（例如发布响应激励信号，发送响应推荐信息，发送电价
信息等）分别进行频率计算得到的数据。历史负荷状态数据是指用户对应的各个用电设备
当前所处的负荷状态（开，关，运行）。历史用户行为数据即用户所处的用户具体行为。如图3
所示，时间特征数据、历史用户行为数据、历史负荷状态数据以及历史响应频率特征数据分
别用
和
表示，用户行为信息用在同一时刻（例如时间t时刻），用户不同类
型的特征和响应行为之间的关联可以用 
进行刻画，其中
。相
邻时刻之间的位置关联用
， 
和
分别代表用户在t-1和t时刻的位
置信息。而后可以通过置信度传播算法训练该网络模型，最后通过最大后验概率方法获得
用户下一时刻最有可能出现的行为。 通过预设需求响应分析模型可以分析得到更加丰富
以及准确的用户响应交互数据。
在其中一个实施例中，如图4所示，步骤S700包括：
S720，获取反馈所述用户响应交互数据之后预设响应时间段内用户的用电行为数据。
S740，将所述预设响应时间段内用户的用电行为数据输入预设用户行为检测模型，获取用户行为数据，所述预设用户行为检测模型基于候选区域的深度学习目标检测算法构建。
S760，根据所述用户行为数据以及所述用户响应交互数据，获取主动响应数据。
行为检测过程具体包括，获取反馈所述用户响应交互数据之后预设响应时间段内用户的用电行为数据。该预设响应时间段可以由用户根据需求响应潜力分析的需要进行设置。而后服务器将用户响应交互数据输入预设用户行为检测模型，将所有数据输入卷积神经网络，传播到共享卷积层后得到特征值。而后通过共享卷积层提取后的特征图经过RPN网络生成推荐窗口，给出区域建议和区域得分。最后将特征值输入到Fast RCNN中的池化层提取对应区域特征。与区域建议和区域得分相结合，对分类概率和边框回归进行训练，输出该区域的分类得分，最后进行结果检测。其中，分析过程还包括模型的训练过程，在进行用户行为检测之前，首先要向预设用户行为检测模型的CNN网络输入数据，为后面的负荷特征做准备。选用的CNN网络输入层是224*224，第一层包含了96个卷积核，大小为7*7，接着进行最大池化操作，卷积跨度为2，通过归一化，生成96个大小为55*55个不同特征模板，层2，3，4，5都是类似操作，第6，7层为全连接层，最后把5层采样结果输入分类器和边界框回归器，分类器给出候选区域的类别，边界框回归器给出候选区域的位置信息。设计好用户行为检测的网络后，需要训练网络来进行学习负荷特征。整个训练过程分4步：1、先进行RPN网络预训练，RPN训练完成后进行参数初始化，用标准差0.01均值为0的高斯分布对新增的其他层进行初始化。然后端到端微调御用区域建议的任务。2、进行Fast R-CNN网络与训练，用第一步得到的区域建议框进行以检测为目的的目标网络FAST R-CNN 网络端到端微调训练，同时进行网络参数初始化。3、使用第2步微调后的Fast R-CNN网络重新初始化RPN网络，股东共享卷积层，及设置学习率为0，不更新，仅微调RPN网络独有的层。4、固定第三步共享卷积层，同时利用第三步得到的区域建议，只微调Fast R-CNN的全连接层。在用户行为检测阶段，通过输入检测的用户数据给卷积神经网络，接着卷积神经网络通过计算把用户特征反应出来，每个候选区域网络都对应并计算出一个候选区域，同时每个输入数据集生成不同的候选建议框。然后分类层和回归曾显示用户所在的候选区域框，在这里，可以通过如下公式来进行计数，每生成一个候选区域框，自动的将边界框计数一次，也就是计数函数值一次递增1，最后统计候选区域框被检测的类别和数量。
其中C为生成候选框的计数函数，f为用户行为模型检测到的结果函数，D 为测试
样本集，
为测试样本，
为真实用户标记。通过预设用户行为检测模型可以进行更加准确
地用户行为检测。
如图5所示，在其中一个实施例中，步骤S900包括：
S920，根据所述主动响应数据与所述用户响应交互数据，获取所述用户对应的主动响应频率数据。
S940，通过所述主动响应频率数据获取主动需求响应潜力分析数据。
主动响应频率数据是指用户做出主动需求响应的频率对应的数据。具体的，可以通过对比主动响应数据与所述用户响应交互数据，判断用户响应交互数据中有哪些数据存在对应的主动响应数据，通过对比确定用户对应的主动响应频率数据，而后用户对应的主动响应频率数据确定用户对应的主动需求响应潜力分析数据。其中一个实施例中，主动需求响应潜力分析数据包括主动需求响应潜力评级。服务器可以基于主动响应频率数据对用户进行需求响应潜力评级，而后将需求响应潜力评级数据反馈至负荷提供商，以供负荷提供商进行用电服务升级。
在其中一个实施例中，步骤S900之后，还包括：获取预设分析区域内所有用户各用电设备对应的主动需求响应潜力分析数据；根据所述用电设备对应的预设电压级别对所述主动需求响应潜力分析数据进行数据分级处理，获取各预设电压级别对应的主动需求响应潜力分析数据；根据所述各预设电压级别对应的主动需求响应潜力分析数据，获取所述预设分析区域对应的主动需求响应潜力分析数据。
用电设备对应的主动需求响应潜力分析数据具体可以是用户通过当前用电设备进行主动需求响应对应的负荷变化数据。预设电压级别包括了高压、中压以及低压。
在得到用户对应的主动需求响应潜力分析数据之后，还可以根据用户对应的主动需求响应潜力分析数据对整个区域进行主动需求响应潜力分析。具体的，可以在得到用户对应的主动需求响应潜力分析数据之后，可以基于该主动需求响应潜力分析数据获取该用户各用电设备对应的主动需求响应潜力分析数据。而后根据所述用电设备对应的预设电压级别对所述主动需求响应潜力分析数据进行数据分级处理，获取各预设电压级别对应的主动需求响应潜力分析数据。在另一个实施例中，可以通过多层次评估模型进行分析，该模型分为三层，低电压设备级别负荷层，中电压用户层，高电压区域层。通过不同区域不同电压的主动需求响应潜力分析，可以全面准确的获取一个区域的精细化的需求响应潜力评估
应该理解的是，虽然图2、图4以及图5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以及图5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6所示，在一个实施例中，提供了一种主动需求响应潜力分析装置，包括：
用电数据获取模块100，用于获取用户用电的用电参数，通过非侵入式负荷识别，获取用电参数对应用户的用电行为数据；
用户响应预估模块300，用于将用电行为数据输入预设需求响应分析模型，通过协同边缘计算，获取预估用户响应行为数据，预设需求响应分析模型通过用户历史行为数据对初始因子图模型进行训练获取；
行为预测模块500，用于将预估用户响应行为数据输入预设行为决策模型，通过协同边缘计算，获取用户响应交互数据，将用户响应交互数据反馈至用户，预设行为决策模型基于深度强化学习与机器说服技术构建；
主动响应预估模块700，用于获取用户根据用户响应交互数据生成的主动响应数据；
潜力分析模块900，用于根据用户响应交互数据与主动响应数据，获取用户对应的主动需求响应潜力分析数据。
在其中一个实施例中，用电数据获取模块100还用于：获取用户用电的用电参数；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探测数据；提取负荷事件探测数据对应的电力信号特征；对电力信号特征进行负荷识别，获取用户的每个用电设备的用电数据；根据用电数据获取用户的用电行为数据。
在其中一个实施例中，还包括需求响应分析模型构建模块，用于：获取用户对应的时间特征数据、历史用户行为数据、历史负荷状态数据以及历史响应频率特征数据；通过初始因子图模型整合时间特征数据、历史用户行为数据、历史负荷状态数据以及历史响应频率特征数据；通过置信度传播算法对整合后的因子图模型进行训练，获得预设需求响应分析模型。
在其中一个实施例中，主动响应预估模块700用于：获取反馈用户响应交互数据之后预设响应时间段内用户的用电行为数据；将预设响应时间段内用户的用电行为数据输入预设用户行为检测模型，获取用户行为数据，预设用户行为检测模型基于候选区域的深度学习目标检测算法构建；根据用户行为数据以及用户响应交互数据，获取主动响应数据。
在其中一个实施例中，潜力分析模块900用于：根据主动响应数据与用户响应交互数据，获取用户对应的主动响应频率数据；通过主动响应频率数据获取主动需求响应潜力分析数据。
在其中一个实施例中，还包括区域分析模块，用于：获取预设分析区域内所有用户各用电设备对应的主动需求响应潜力分析数据；根据用电设备对应的预设电压级别对主动需求响应潜力分析数据进行数据分级处理，获取各预设电压级别对应的主动需求响应潜力分析数据；根据各预设电压级别对应的主动需求响应潜力分析数据，获取预设分析区域对应的主动需求响应潜力分析数据。
关于主动需求响应分析装置的具体限定可以参见上文中对于主动需求响应潜力分析方法的限定，在此不再赘述。上述主动需求响应分析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7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主动需求响应分析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主动需求响应潜力分析方法。该数据库用于存储预设需求响应分析模型以及预设行为决策模型的相关数据。
本领域技术人员可以理解，图7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的用电行为数据；
将用电行为数据输入预设需求响应分析模型，通过协同边缘计算，获取预估用户响应行为数据，预设需求响应分析模型通过用户历史行为数据对初始因子图模型进行训练获取；
将预估用户响应行为数据输入预设行为决策模型，通过协同边缘计算，获取用户响应交互数据，将用户响应交互数据反馈至用户，预设行为决策模型基于深度强化学习与机器说服技术构建；
获取用户根据用户响应交互数据生成的主动响应数据；
根据用户响应交互数据与主动响应数据，获取用户对应的主动需求响应潜力分析数据。
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：获取用户用电的用电参数；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探测数据；提取负荷事件探测数据对应的电力信号特征；对电力信号特征进行负荷识别，获取用户的每个用电设备的用电数据；根据用电数据获取用户的用电行为数据。
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：获取用户对应的时间特征数据、历史用户行为数据、历史负荷状态数据以及历史响应频率特征数据；通过初始因子图模型整合时间特征数据、历史用户行为数据、历史负荷状态数据以及历史响应频率特征数据；通过置信度传播算法对整合后的因子图模型进行训练，获得预设需求响应分析模型。
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：获取反馈用户响应交互数据之后预设响应时间段内用户的用电行为数据；将预设响应时间段内用户的用电行为数据输入预设用户行为检测模型，获取用户行为数据，预设用户行为检测模型基于候选区域的深度学习目标检测算法构建；根据用户行为数据以及用户响应交互数据，获取主动响应数据。
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：根据主动响应数据与用户响应交互数据，获取用户对应的主动响应频率数据；通过主动响应频率数据获取主动需求响应潜力分析数据。
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：获取预设分析区域内所有用户各用电设备对应的主动需求响应潜力分析数据；根据用电设备对应的预设电压级别对主动需求响应潜力分析数据进行数据分级处理，获取各预设电压级别对应的主动需求响应潜力分析数据；根据各预设电压级别对应的主动需求响应潜力分析数据，获取预设分析区域对应的主动需求响应潜力分析数据。
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的用电行为数据；
将用电行为数据输入预设需求响应分析模型，通过协同边缘计算，获取预估用户响应行为数据，预设需求响应分析模型通过用户历史行为数据对初始因子图模型进行训练获取；
将预估用户响应行为数据输入预设行为决策模型，通过协同边缘计算，获取用户响应交互数据，将用户响应交互数据反馈至用户，预设行为决策模型基于深度强化学习与机器说服技术构建；
获取用户根据用户响应交互数据生成的主动响应数据；
根据用户响应交互数据与主动响应数据，获取用户对应的主动需求响应潜力分析数据。
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：获取用户用电的用电参数；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探测数据；提取负荷事件探测数据对应的电力信号特征；对电力信号特征进行负荷识别，获取用户的每个用电设备的用电数据；根据用电数据获取用户的用电行为数据。
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：获取用户对应的时间特征数据、历史用户行为数据、历史负荷状态数据以及历史响应频率特征数据；通过初始因子图模型整合时间特征数据、历史用户行为数据、历史负荷状态数据以及历史响应频率特征数据；通过置信度传播算法对整合后的因子图模型进行训练，获得预设需求响应分析模型。
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：获取反馈用户响应交互数据之后预设响应时间段内用户的用电行为数据；将预设响应时间段内用户的用电行为数据输入预设用户行为检测模型，获取用户行为数据，预设用户行为检测模型基于候选区域的深度学习目标检测算法构建；根据用户行为数据以及用户响应交互数据，获取主动响应数据。
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：根据主动响应数据与用户响应交互数据，获取用户对应的主动响应频率数据；通过主动响应频率数据获取主动需求响应潜力分析数据。
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：获取预设分析区域内所有用户各用电设备对应的主动需求响应潜力分析数据；根据用电设备对应的预设电压级别对主动需求响应潜力分析数据进行数据分级处理，获取各预设电压级别对应的主动需求响应潜力分析数据；根据各预设电压级别对应的主动需求响应潜力分析数据，获取预设分析区域对应的主动需求响应潜力分析数据。
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)
1.一种主动需求响应潜力分析方法，所述方法包括：
获取用户用电的用电参数，通过非侵入式负荷识别，获取所述用电参数对应用户的用电行为数据；
将所述用电行为数据输入预设需求响应分析模型，通过协同边缘计算，获取预估用户响应行为数据，所述预设需求响应分析模型通过用户历史行为数据对初始因子图模型进行训练获取，所述预设需求响应分析模型用于生成用户可能会主动参与的需求响应性行为相关数据；
将所述预估用户响应行为数据输入预设行为决策模型，通过协同边缘计算，获取用户响应交互数据，将所述用户响应交互数据反馈至所述用户，所述预设行为决策模型基于深度强化学习与机器说服技术构建，所述用户响应交互数据为建议性交互数据；
获取所述用户根据所述用户响应交互数据生成的主动响应数据；
根据所述用户响应交互数据与所述主动响应数据，获取所述用户对应的主动需求响应潜力分析数据；
所述获取所述用户根据所述用户响应交互数据生成的主动响应数据包括：
通过行为检测模型对所述用户进行用电行为检测，获取用户根据所述用户响应交互数据生成的主动响应数据，所述行为检测模型基于候选区域的深度学习目标检测算法构建。
2.根据权利要求1所述的方法，其特征在于，所述获取用户用电的用电参数，通过非侵入式负荷识别，获取所述用电参数对应用户的用电行为数据包括：
获取用户用电的用电参数；
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探测数据；
提取所述负荷事件探测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，获取所述用户的每个用电设备的用电数据；
根据所述用电数据获取所述用户的用电行为数据。
3.根据权利要求1所述的方法，其特征在于，所述将所述用电行为数据输入预设需求响应分析模型，通过协同边缘计算，获取预估用户响应行为数据之前，包括：
获取用户对应的时间特征数据、历史用户行为数据、历史负荷状态数据以及历史响应频率特征数据；
通过初始因子图模型整合所述时间特征数据、所述历史用户行为数据、所述历史负荷状态数据以及所述历史响应频率特征数据；
通过置信度传播算法对整合后的所述因子图模型进行训练，获得预设需求响应分析模型。
4.根据权利要求1所述的方法，其特征在于，所述获取用户根据所述用户响应交互数据生成的主动响应数据包括：
获取反馈所述用户响应交互数据之后预设响应时间段内用户的用电行为数据；
将所述预设响应时间段内用户的用电行为数据输入预设用户行为检测模型，获取用户行为数据，所述预设用户行为检测模型基于候选区域的深度学习目标检测算法构建；
根据所述用户行为数据以及所述用户响应交互数据，获取主动响应数据。
5.根据权利要求1所述的方法，其特征在于，所述根据所述用户响应交互数据与所述主动响应数据，获取所述用户对应的主动需求响应潜力分析数据包括：
根据所述主动响应数据与所述用户响应交互数据，获取所述用户对应的主动响应频率数据；
通过所述主动响应频率数据获取主动需求响应潜力分析数据。
6.根据权利要求1所述的方法，其特征在于，所述根据所述用户响应交互数据与所述主动响应数据，获取所述用户对应的主动需求响应潜力分析数据之后，还包括：
获取预设分析区域内所有用户各用电设备对应的主动需求响应潜力分析数据；
根据所述用电设备对应的预设电压级别对所述主动需求响应潜力分析数据进行数据分级处理，获取各预设电压级别对应的主动需求响应潜力分析数据；
根据所述各预设电压级别对应的主动需求响应潜力分析数据，获取所述预设分析区域对应的主动需求响应潜力分析数据。
7.一种主动需求响应潜力分析装置，其特征在于，包括：
用电数据获取模块，用于获取用户用电的用电参数，通过非侵入式负荷识别，获取所述用电参数对应用户的用电行为数据；
用户响应预估模块，用于将所述用电行为数据输入预设需求响应分析模型，通过协同边缘计算，获取预估用户响应行为数据，所述预设需求响应分析模型通过用户历史行为数据对初始因子图模型进行训练获取，所述预设需求响应分析模型用于生成用户可能会主动参与的需求响应性行为相关数据；
行为预测模块，用于将所述预估用户响应行为数据输入预设行为决策模型，通过协同边缘计算，获取用户响应交互数据，将所述用户响应交互数据反馈至所述用户，所述预设行为决策模型基于深度强化学习与机器说服技术构建，所述用户响应交互数据为建议性交互数据；
主动响应预估模块，用于获取用户根据所述用户响应交互数据生成的主动响应数据；
潜力分析模块，用于根据所述用户响应交互数据与所述主动响应数据，获取所述用户对应的主动需求响应潜力分析数据；
所述主动响应预估模块具体用于：通过行为检测模型对所述用户进行用电行为检测，获取用户根据所述用户响应交互数据生成的主动响应数据，所述行为检测模型基于候选区域的深度学习目标检测算法构建。
8.根据权利要求7所述的装置，其特征在于，所述用电数据获取模块用于：
获取用户用电的用电参数；
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探测数据；
提取所述负荷事件探测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，获取所述用户的每个用电设备的用电数据；
根据所述用电数据获取所述用户的用电行为数据。
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6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6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911419064.4A CN111242423B (zh) | 2019-12-31 | 2019-12-31 | 主动需求响应潜力分析方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911419064.4A CN111242423B (zh) | 2019-12-31 | 2019-12-31 | 主动需求响应潜力分析方法、装置、设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111242423A CN111242423A (zh) | 2020-06-05 |
| CN111242423B true CN111242423B (zh) | 2022-07-12 |
Family
ID=70872412
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911419064.4A Active CN111242423B (zh) | 2019-12-31 | 2019-12-31 | 主动需求响应潜力分析方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111242423B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033953B (zh) * | 2021-02-07 | 2023-08-25 | 国网浙江省电力有限公司金华供电公司 | 一种基于大数据的用户侧需求响应决策建议方法 |
| CN113920375B (zh) * | 2021-11-01 | 2024-06-25 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 基于Faster R-CNN与SVM结合的融合特征典型负荷识别方法及系统 |
| CN117154722A (zh) * | 2023-10-30 | 2023-12-01 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电力需求响应潜力评估方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447171A (zh) * | 2016-08-31 | 2017-02-22 | 清华大学 | 电力需求侧可调度资源潜力建模方法及系统 |
| CN108062627A (zh) * | 2017-12-16 | 2018-05-22 | 广西电网有限责任公司电力科学研究院 | 一种基于非侵入式用电数据的需求响应分析方法 |
| CN109034495A (zh) * | 2018-08-30 | 2018-12-18 | 珠海吉瓦科技有限公司 | 基于边缘计算的电力负荷预测系统 |
| 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 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11153175B2 (en) * | 2017-10-16 | 2021-10-19 | International Business Machines Corporation | Latency management by edge analytics in industrial production environments |
| CN109146707A (zh) * | 2018-08-27 | 2019-01-04 | 罗孚电气（厦门）有限公司 | 基于大数据分析的电力用户分析方法、装置及电子设备 |
| CN109344895B (zh) * | 2018-09-28 | 2021-06-29 | 合肥工业大学 | 一种激励型需求响应下的用户响应可靠性评估方法 |
| CN109784748B (zh) * | 2019-01-25 | 2022-06-21 | 广东电网有限责任公司 | 一种市场竞争机制下用户用电行为辨识方法及装置 |
-
2019
- 2019-12-31 CN CN201911419064.4A patent/CN111242423B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447171A (zh) * | 2016-08-31 | 2017-02-22 | 清华大学 | 电力需求侧可调度资源潜力建模方法及系统 |
| CN108062627A (zh) * | 2017-12-16 | 2018-05-22 | 广西电网有限责任公司电力科学研究院 | 一种基于非侵入式用电数据的需求响应分析方法 |
| CN109034495A (zh) * | 2018-08-30 | 2018-12-18 | 珠海吉瓦科技有限公司 | 基于边缘计算的电力负荷预测系统 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111242423A (zh) | 2020-06-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hong et al. | Probabilistic electric load forecasting: A tutorial review | |
| Selakov et al. | Hybrid PSO–SVM method for short-term load forecasting during periods with significant temperature variations in city of Burbank | |
| Haque et al. | Short-term electrical load forecasting through heuristic configuration of regularized deep neural network | |
| Li et al. | Interval prediction of solar power using an improved bootstrap method | |
| Hu et al. | A hybrid technique for short-term wind speed prediction | |
| CN111242423B (zh) | 主动需求响应潜力分析方法、装置、设备以及存储介质 | |
| CN113255973A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
| Raghavendra et al. | Artificial humming bird with data science enabled stability prediction model for smart grids | |
| Bozlak et al. | An optimized deep learning approach for forecasting day-ahead electricity prices | |
| Luan et al. | Leveraging sequence-to-sequence learning for online non-intrusive load monitoring in edge device | |
| dos Santos Ferreira et al. | Short-and long-term forecasting for building energy consumption considering IPMVP recommendations, WEO and COP27 scenarios | |
| Jiang et al. | NSDAR: A neural network-based model for similar day screening and electric load forecasting | |
| Niu et al. | Self‐optimization for smelting process of fused magnesium furnace based on operation status assessment | |
| Fan et al. | Deep belief ensemble network based on MOEA/D for short-term load forecasting | |
| Yin et al. | Automatic selection of fittest energy demand predictors based on cyber swarm optimization and reinforcement learning | |
| Wen et al. | Deep learning-driven hybrid model for short-term load forecasting and smart grid information management | |
| CN117081088B (zh) | 电网负荷调度控制方法、装置、计算机设备及存储介质 | |
| Yang et al. | Short‐Term Demand Forecasting Method in Power Markets Based on the KSVM–TCN–GBRT | |
| Mahmood et al. | Active learning-based machine learning approach for enhancing environmental sustainability in green building energy consumption | |
| Jiang et al. | Deep learning with regularized robust long‐and short‐term memory network for probabilistic short‐term load forecasting | |
| Werling et al. | Automating Value-Oriented Forecast Model Selection by Meta-learning: Application on a Dispatchable Feeder | |
| Singh et al. | A federated and transfer learning based approach for households load forecasting | |
| CN116526670A (zh) | 面向电力大数据可视化的信息融合方法 | |
| Pandya | Predictive Analytics in Smart Grids: Leveraging Machine Learning for Renewable Energy Sources | |
| CN111242308B (zh) | 节能策略推荐方法、装置、计算机设备以及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |