CN111512326A - 基于负载形状分析的能量计划通信控制系统及方法 - Google Patents

基于负载形状分析的能量计划通信控制系统及方法 Download PDF

Info

Publication number
CN111512326A
CN111512326A CN201980006847.1A CN201980006847A CN111512326A CN 111512326 A CN111512326 A CN 111512326A CN 201980006847 A CN201980006847 A CN 201980006847A CN 111512326 A CN111512326 A CN 111512326A
Authority
CN
China
Prior art keywords
energy
data
customer
load
energy customer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201980006847.1A
Other languages
English (en)
Inventor
O·本杰明
本·帕克尔
J·库恩茨
E·希尔斯
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.)
Oracle International Corp
Original Assignee
Oracle International Corp
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 Oracle International Corp filed Critical Oracle International Corp
Publication of CN111512326A publication Critical patent/CN111512326A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24575—Query processing with adaptation to user needs using context
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low

Landscapes

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

Abstract

描述了与预测能效计划参与相关联的系统、方法和其它实施例。该方法的实施例包括获得能量客户的负载数据，并基于获得的负载数据确定能量客户的经验负载形状。为能量客户选择最紧密匹配经验负载形状的定义的负载形状。生成数据结构以包括定义的负载形状、人口统计数据和/或站点地块数据。通过将经过训练的预测模型应用于数据结构来确定该能量客户比不同的能量客户更可能参与能效计划。通过向该能量客户的传输分配比向该不同的能量客户的第二传输更高的优先级来控制关于能效计划的信息的传输。

Description

基于负载形状分析的能量计划通信控制系统及方法
背景技术
公用事业公司和其它实体提供各种旨在鼓励客户高效地消耗能量的能效计划。每个此类计划都会提供有不同的措施来激励能量客户。例如，可以在节能电器计划下向高效电器的购买者提供财务激励或其它省钱措施。更具体而言，电力公用事业公司可以直接向节能电器的消费者提供返利，以抵消零售商通常为节能电器收取的一部分溢价。电力公用事业公司可能会针对向购买此类节能电器的能量客户居住的家庭供应的电力提供折现率。购买节能电器的客户也可以获得政府税收抵免。
可用的计划如此之多，以及在这些计划下提供的这些各种不同的措施，公用事业公司缺乏一种实用的方式来向能量客户通知可用的计划。此外，公用事业公司传统上无法将它们的可能参与某些能效计划的能量客户与那些不太可能参与的能量客户区分开。计算机系统可能纯粹基于识别在能量客户的数据记录中被识别出的结构类型的广义数据来允许将能量客户的数据记录分类或分组为类别。例如，能量客户可能被分组为居住在单户家庭中的客户的子组和居住在多户公寓楼中的客户的子组。但是，每个此类子组内的客户参与能效计划的倾向可能会有很大不同。因此，常规的计算机系统已经不能过滤一般分类内的数据记录以从那些不太可能参与的能量客户过滤出可能参与能效计划的能量客户来控制关于此类计划的通信。替代地，关于所有可用计划的信息传统上是经由电子或物理通信信道发送给所有能量客户的。向所有能量客户传输关于所有计划的信息会浪费用于被电子地传输的信息(例如，电子邮件、推送通知等)的计算和网络资源。向所有能量客户传输关于所有计划的信息会浪费用于被物理地传输的信息(例如，经由邮政服务等)的自然资源和金钱。而且，无论何种传输模式，向能量客户提供大量关于不适用的能效计划信息可能会激怒那些能量客户。激怒的能量客户可能会忽略将来接收到的所有此类信息，即使该信息与那些能量客户适合的计划有关。
发明内容
在一个实施例中，公开了一种存储计算机可执行指令的非暂态计算机可读介质。当由计算系统的至少一个处理器执行时，该计算机可执行指令使计算系统：从数据库中获得能量客户的负载数据，其中负载数据指示由能量客户在不同时间消耗的电力；基于获得的负载数据为能量客户生成经验负载形状，该经验负载形状表示由能量客户在一段时间内消耗的电力，其中该一段时间包括获得的负载数据中的所述不同时间；从存储在存储设备中的多个已建立的负载形状中选择与能量客户的经验负载形状最紧密匹配的定义的负载形状；为能量客户生成数据结构，该数据结构包括定义的负载形状、人口统计数据、站点地块(parcel)数据、或定义的负载形状与人口统计数据和站点地块数据中的一个或多个的组合；通过将预测模型应用于数据结构来确定该能量客户比不同的能量客户更可能参与能效计划，其中至少部分地基于多个不同的能量客户的定义的负载形状来训练预测模型；以及作为确定该能量客户比所述不同的能量客户更可能参与能效计划的结果，通过使关于能效计划的信息向该能量客户的传输优先于该信息向所述不同的能量客户的第二传输来控制该信息的传输。
在非暂态计算机可读介质的另一个实施例中，预测模型是二进制分类器，并且计算机可执行指令在由计算系统的至少一个处理器执行时，使至少一个处理器使用二进制分类器：将能量客户分类为可能参与能效计划的一类客户，并将不同的能量客户分类为不太可能参与能效计划的一类客户。
在非暂态计算机可读介质的另一个实施例中，二进制分类器是能量客户和不同的能量客户进行分类的逻辑回归模型。
在非暂态计算机可读介质的另一个实施例中，从数据库中获得的负载数据包括能量客户在多个不同天中的每一天的总电力消耗，并且经验负载形状表示能量客户按天的总电力消耗的模式。
在非暂态计算机可读介质的另一个实施例中，预测模型是根据经验得出的算法，该算法是从以下一项或多项的组合中得出的：用于客户的训练集的负载数据、人口统计数据和站点地块数据，其中客户的训练集中的客户包括：(i)参与了能效计划的多个参与客户，以及(ii)没有参与能效计划的多个未参与客户。
在非暂态计算机可读介质的另一个实施例中，基于包括多个不同的能量客户的多个已建立的负载形状的数据集来训练预测模型。
在非暂态计算机可读介质的另一个实施例中，计算机可执行指令被执行以使计算系统防止关于能效计划的信息向不同的能量客户的第二传输。
在另一个实施例中，公开了一种计算系统。该计算系统包括：连接到至少一个存储器的至少一个处理器；数据管理模块，该数据管理模块存储在非暂态计算机可读介质上并且包括指令，该指令在由至少一个处理器执行时，使计算系统从数据库中获得能量客户的负载数据，其中负载数据指示由能量客户在不同时间消耗的电力；分析模块，该分析模块存储在非暂态计算机可读介质上并且包括指令，该指令在由至少一个处理器执行时，使计算系统：基于获得的负载数据为能量客户生成经验负载形状，该经验负载形状表示由能量客户在一段时间内消耗的电力，从存储在存储设备中的多个已建立的负载形状中选择与能量客户的经验负载形状最紧密匹配的定义的负载形状，为能量客户生成数据结构，该数据结构包括定义的负载形状、人口统计数据、站点地块数据、或定义的负载形状与人口统计数据和站点地块数据中的至少一个的组合，通过将预测模型应用于数据结构来确定该能量客户比不同的能量客户更可能参与能效计划；以及传输控制模块，该传输控制模块存储在非暂态计算机可读介质上并且包括指令，该指令在由至少一个处理器执行时，使计算系统：作为确定该能量客户比所述不同的能量客户更可能参与能效计划的结果，通过使关于能效计划的信息向该能量客户的传输优先于该信息向所述不同的能量客户的第二传输来控制该信息的传输。
在计算系统的另一个实施例中，预测模型是二进制分类器，并且分析模块还包括指令，该指令在由至少一个处理器执行时使计算系统：将能量客户分类为可能参与能效计划的一类客户，并将不同的能量客户分类为不太可能参与能效计划的一类客户。
在计算系统的另一个实施例中，二进制分类器是对能量客户和不同的能量客户进行分类的逻辑回归模型。
在计算系统的另一个实施例中，数据库通过通信网络与仪表通信，该仪表被提供用于测量与能量客户相关联的房屋的获得的负载数据，并存储由仪表取得的通过通信网络接收到的测量结果。
在计算系统的另一个实施例中，由数据库存储并由数据管理模块获得的负载数据包括能量客户在不同天期间的总电力消耗，并且分析模块的指令生成经验负载形状以表示能量客户按天的总电力消耗的模式。
在计算系统的另一个实施例中，预测模型是根据经验得出的算法，该算法是从以下一项或多项的组合中得出的：用于客户的训练集的负载数据、人口统计数据和站点地块数据，其中客户的训练集中的客户包括：(i)参与了能效计划的多个参与客户，以及(ii)没有参与能效计划的多个未参与客户。
在计算系统的另一个实施例中，基于包括多个不同的能量客户的多个已建立的负载形状的数据集来训练预测模型。
在计算系统的另一个实施例中，传输控制模块还包括指令，该指令在由至少一个处理器执行时使计算系统防止关于能效计划的信息向不同的能量客户的第二传输。
在另一个实施例中，公开了一种计算机实现的方法。该计算机实现的方法包括：从数据库中获得能量客户的负载数据，其中负载数据指示由能量客户在不同时间消耗的电力；以及基于获得的负载数据为能量客户生成经验负载形状，该经验负载形状表示由能量客户在一段时间内消耗的电力，其中该一段时间包括获得的负载数据中的所述不同时间；从存储在存储设备中的多个已建立的负载形状中选择与能量客户的经验负载形状最紧密匹配的定义的负载形状；为能量客户生成数据结构，该数据结构包括定义的负载形状、人口统计数据、站点地块数据、或定义的负载形状与人口统计数据和站点地块数据中的至少一个的组合；通过将预测模型应用于数据结构来确定该能量客户比不同的能量客户更可能参与能效计划；以及作为确定该能量客户比所述不同的能量客户更可能参与能效计划的结果，通过使关于能效计划的信息向该能量客户的传输优先于该信息向所述不同的能量客户的第二传输来控制该信息的传输。
在计算机实现的方法的另一个实施例中，预测模型是二进制分类器，并且确定能量客户比不同的能量客户更可能参与能效计划包括：将能量客户分类为可能参与能效计划的一类客户，并将不同的能量客户分类为不太可能参与能效计划的一类客户。
在计算机实现的方法的另一个实施例中，基于包括多个不同的能量客户的多个已建立的负载形状的数据集来训练预测模型。
在计算机实现的方法的另一个实施例中，从数据库中获得的负载数据包括由能量客户在多个不同天中的每一天的总电力消耗，并且确定能量客户的经验负载形状包括确定能量客户按天的总电力消耗的模式。
计算机实现的方法的另一个实施例还包括防止关于能效计划的信息向不同能量客户的第二传输。
附图说明
结合在说明书中并构成说明书的一部分的附图图示了本公开的各种系统、方法和其它实施例。将认识到的是，图中所示的元素边界(例如，方框、方框组或其它形状)表示边界的一个实施例。在一些实施例中，一个元素可以被实现为多个元素，或者多个元素可以被实现为一个元素。在一些实施例中，被示为另一个元素的内部组件的元素可以被实现为外部组件，反之亦然。此外，元素可能未按比例绘制。
图1示意性地图示了能量分配网络的实施例，该能量分配网络包括用于预测能量客户参与能效计划的计算系统。
图2图示了流程图，该流程图示意性地描绘了通过计算系统预测能量客户参与能效计划的倾向的方法的实施例。
图3图示了根据本文描述的示例系统和方法中的一个或多个配置和/或编程的示例计算设备。
具体实施方式
本文描述了计算机化的系统和方法，其操纵能量客户的数据记录以识别表示数据记录中测量的能量消耗模式的负载形状。每个识别的负载形状都与已建立的最准确地表示相应数据记录中的能量消耗模式的负载形状相匹配。链接到已建立的最准确地表示能量消耗模式的负载形状的预测模型被应用于数据记录中的信息。预测模型的应用导致将数据记录指定为与可能参与能效计划的能量客户相关联，或与不太可能参与的能量客户相关联。可以对这些数据记录进行过滤，以将关于能效计划的信息的传输限制为给具有至少阈值参与倾向的能量客户。
历史上，公用事业公司依靠节能电器的制造商和零售商使用能效为卖点向能量客户提供这些产品。在其它情况下，公用事业公司已使用传统方法发起其自己的信息宣传活动，诸如一揽子将实物材料邮寄给所有能量客户。但是，这些方法显示出有限的有效性。
为了解决上述缺点中的至少一些缺点，本公开涉及一种计算机实现的技术和算法，其包括监督式机器学习以“训练”预测模型。经过训练的预测模型旨在区分与倾向于参与能效计划的能量客户相关联的数据记录和与不太可能参与的能量客户相关联的数据记录。使用训练数据集来训练预测模型，该训练数据集包括收集的数据，诸如先验参与数据、可用的人口统计和站点地块数据，和/或使用智能仪表或其它仪表为训练集中的每个能量客户测量的能量消耗数据。训练集包括已知已参与针对其训练预测模型的特定能效计划的能量客户和已知未参与该特定能效计划的能量客户两者的数据记录。已知已参与的能量客户和已知未参与的能量客户的数据记录的相对比例可以与基础数据集中的相对比例大致相同。通过以这种方式进行训练，可以将预测模型应用于不在训练集中并且未知其参与能效计划的倾向的能量客户的数据记录。因此，经过训练的预测模型可以预测其它未参与的能量客户在将来是否可能参与此类计划。
训练涉及开发一种模型，该模型至少部分地基于以下一项或多项将可能参与能效计划的能量客户的数据记录与不太可能参与的能量客户的数据记录区分开来：与能量客户相关联的房屋的经验确定的负载形状；关于房屋的信息，诸如平方占地面积、热量类型(例如，强制空气、热水、热泵等)、房屋状况等；能量客户的人口统计信息；以及能量客户的先前参与历史。一个实施例涉及开发一种模型，该模型至少部分地基于以下各项的组合来区分可能参与的能量客户的数据记录和不太可能参与的能量客户的数据记录：(i)与能量客户相关联的房屋的经验确定的负载形状；以及(ii)关于房屋的信息，诸如平方占地面积、热量类型(例如，强制空气、热水、热泵等)、房屋状况等。经验确定的负载形状可以被分类为多个定义的负载形状中最紧密匹配的负载形状，并使用定义的负载形状来训练预测模型。可以通过使用对应的训练数据集来针对特定于以下一项或多项的能效计划分开训练预测模型：房屋类型、人口统计信息和先前参与历史。
一旦被训练，预测模型就可以应用于根据未参与者将来参与能效计划的预测倾向来对未参与者的数据记录进行排名和/或过滤。未参与者是有资格参与能效计划但目前尚未参与的能量客户。为了应用该预测模型，能量客户的数据记录中的每日能量使用模式被表征为一个小数字，但多于一个已建立的负载形状。表征涉及找到与经验负载形状最紧密匹配的已建立的负载形状。已建立的负载形状可以在数据库中定义，并且包括N个最常见负载形状的通用表示，其中N可以是大于一(1)的任何正整数值(例如，N可以等于2、3、4、5、6、7、8等)。然后，使用最紧密匹配经验负载形状的已建立的负载形状作为预测模型的变量，将训练后的预测模型应用于未参与者的数据。因此，预测模型使用最紧密匹配的已建立的负载形状作为一个变量。还向预测模型输入一个或多个附加变量，诸如关于房屋、热量类型、房屋状况等的信息，以区分可能参与的未参与者和不太可能参与的未参与者。
使用能量客户的每日负载形状来训练预测模型已经显示出超出其它特征的显著预测能力。将关于节能计划的信息定位到能量客户的较小子集(例如，少于所有能量客户)，该子集的能量客户被预测为比该子集外的能量客户更有可能参与，公用事业公司可以节省资源。此外，公用事业公司可以减少营销成本以及因接收到无关或不受欢迎的营销而导致的客户满意度成本。
参考图1，图示了与分析数据记录以预测能量客户参与能效计划相关联的系统100的说明性实施例。为了清楚地描述本技术，本文示出并描述了与配电系统105一起使用的系统100。但是，系统100可以与任何其它公用事业或消耗品供应商(例如，诸如天然气分配系统)结合使用。
配电系统105包括站点110，该站点110可以是发电站、变电站、分配点或由电力公司运营或代表电力公司运营的任何其它电力供应商。包括由一个或多个塔120支撑的传输线115的网络在站点110和与能量客户相关联的房屋125之间传导电。网络可以包括其它传输设备，诸如变压器、开关等，但是为清楚起见，这些设备已从图1中省略。此外，房屋125被示为单户住宅家庭，但是房屋125的其它示例包括：任何单户或多户住宅家庭、共管房(condominium)、公寓(apartment)等；商业办公楼；零售店；工业厂房；政府建筑物；或与能量客户相关联并由电力公用事业公司供应电能的任何其它结构。
房屋125配备有仪表130，该仪表130测量由房屋125随时间推移消耗的电量。仪表130的实施例可以是所谓的“智能仪表”。智能仪表包括网络通信模块(未示出)，该网络通信模块偶尔可选地以固定间隔(诸如，每月、每季度等)通过通信网络135传输数据。通信网络135可以包括诸如互联网之类的广域网(“WAN”)、包括诸如无线路由器和交换机、调制解调器等的住宅或本地联网设备的局域网(“LAN”)，或者WAN和LAN的组合。
传输的数据可以是用于针对在房屋125处消耗的实际电量为与房屋125相关联的能量客户准确地开具发票的数据。传输的数据还可以可选地存储在系统140可访问的数据库140中。由智能仪表传输的数据包括但不限于指示在不同时间在房屋125处由能量客户消耗的电量的一部分负载数据145，和可选地全部负载数据145。例如，由智能仪表传输的数据可以包括：明确识别在一周、一天、一小时等期间消耗的总电力的数据或可以用于确定在一周、一天、一小时等期间消耗的总电力的数据；报告电力消耗的时间长度，诸如每月、每季度等；千瓦时等等。
对于可能缺乏通过通信网络135传输数据的能力的仪表130的实施例，由智能仪表经由通信网络135传输的数据可以被手动读取，并被记录在数据库140中。无论数据是通过通信网络135传输还是手动记录在数据库140中，数据都可以与对应于不同的能量客户的数据记录相关联。
在一个实施例中，系统100是包括用于企业组织的应用或分布式应用的集合的计算系统。应用和计算系统100可以被配置为与基于云的联网系统、软件即服务(SaaS)架构或其它类型的联网计算方案一起操作或被实现为基于云的联网系统、软件即服务架构或其它类型的联网计算方案。在一个实施例中，系统100是集中式服务器侧应用，其至少提供本文公开的功能并且被许多用户经由通过计算机/通信网络135与系统100通信的计算设备/终端(用作服务器)来访问。
在一个实施例中，本文描述的组件中的一个或多个组件被配置为存储在至少一种非暂态计算机可读介质中的程序模块。该程序模块被配置有存储的指令，该指令在至少由处理器执行时使计算设备执行如本文描述的(一个或多个)对应功能。
图1的系统100包括数据库140，该数据库存储如本文描述的由系统100使用的数据的至少一部分。数据库140可以驻留在非暂态计算机可读介质上，或者包括由由多个存储设备组成的非暂态计算机可读介质阵列所存储的数据。根据还有的其它实施例，参考示出的实施例描述的数据库145中包括的信息可以从多个不同的数据库中获取。此外，包括在数据库140中并且由系统100利用的数据的任何部分可以可选地从系统100外部的远程数据库获取，并且不构成系统100的一部分。系统100可以经由通信网络135或本地数据通信链路来访问这种外部数据库。为了简洁起见，在图1中示出的数据库140在本文中被描述为包括由系统100用作预测能量客户参与能效计划的倾向的因素的数据。通过将经过训练的预测模型应用于与能量客户相关联的数据记录来实现这种预测。
数据库140中的数据记录中包括的数据中有负载数据145。负载数据145指示由能量客户在不同时间在房屋125处消耗的电力。负载数据145可以由系统100用来确定能量客户例如在一段时间内(例如，在每月、三个月等)的多个不同天中的每一天按天以千瓦时为单位在房屋125处的总电力消耗。
数据库140还包括特定于房屋125的客户数据150和/或与数据记录相关联的能量客户。例如，在一个实施例中，客户数据150可以包括可以是与房屋125对应的数据记录的一部分的以下类型的数据中的一种或多种或它们的组合：
·可用于电力公用事业公司的人口统计数据。例如，人口统计数据可以包括居住在与能量客户相关联的房屋125中的成人数量、居住在与能量客户相关联的房屋125中的儿童数量、能量客户是拥有还是租用房屋125等。
·站点地块数据或描述房屋125的特征的其它数据。例如，站点地块数据可以包括平方占地面积、楼层数或关于与能量客户相关联的房屋125的大小的其它指示。在寒冷季节用于加热房屋125的热量的类型(例如、电、天然气、燃料油、木材等)、房屋类型(例如，单户家庭、多户公寓大楼等)也可以被包含在站点地块数据中。
·可以用于预测能量客户参与能效计划的倾向的其它数据也可以被包含在客户数据150中。例如，能量客户已经是其中的参与者的其它计划和/或措施(不包括关注的计划)的数量可以作为客户数据150存储在数据库140中。能量客户在能效计划和/或措施中的历史参与(或其没有参与)可以是能量客户通常是否接受此类计划和/或措施的有用指示。
在数据库140中还包含了包括有多个已建立的负载形状的库155。电负载是由房屋125在给定时间(例如，实时、在特定小时、在一天等)中使用的总电力。电负载响应于诸如灯、加热装备、通风装备、空调装备、计算机和办公装备、熔炉和其它工业装备等电子设备的操作变化而随时间变化。电负载可以由测量出的数据表示，该测量出的数据将图形曲线、其它线图、曲线图或其它图形表示定义为时间的函数。该曲线表示负载形状，并以图形方式揭示电力消耗的模式。
库155中的每个已建立的负载形状是一种数据结构，该数据结构定义被预期由一种或多种特定类型的房屋125展现出的负载形状的广义表示(例如，基于先前观察到的数据)。作为广义表示，已建立的负载形状可能无法准确反映基于实际电力消耗数据(诸如负载数据145)创建的经验负载形状。替代地，广义形状可以是显示理想负载形状的形式，该理想负载形状具有展现出与不同建筑物的电力消耗模式不同的特性的平滑模式。
例如，如图1所示的具有相等间隔的矩形峰的规则的、重复的每日负载形状160可以指示周末关闭的办公楼。在工作周期间(例如，周一至周五)，电力消耗通常是在高水平上均匀的，因此是矩形峰。在周末，当办公楼关闭时，电力消耗通常是在低水平上均匀的，从而在矩形峰之间形成低谷。因此，负载形状160可以与例如在周末关闭但在一周的常规时间期间使用的房屋125(诸如办公楼和学校)相关联。
相反，对于具有在白天期间常规工作时间(例如，8:00AM-4:30PM)工作的两个成年人的住宅房子，已建立的负载形状可能与负载形状160相反。在工作周(周一至周五)期间，在房子空置时所消耗的电力通常是在低水平上均匀的，从而导致工作日的低谷。在周末，当居住的成年人在白天期间可能更长时间在家时，电力消耗通常是在高水平上均匀的，从而在低估之间形成周末的矩形峰。库155中可以包括不同的已建立的负载形状，以表示其它常见负载形状。
虽然将负载形状160的实施例描述为每周负载形状，但是本公开不限于此。负载形状160的另一个实施例是每日负载形状。每日负载形状不是在一周的过程中消耗的电力随时间的曲线(例如，以每天的频率采样)，而是在一天的二十四(24)小时的过程中消耗的电力随时间的曲线。因此，每日负载曲线的采样频率可能比每天记录的一个样本高得多。例如，每日负载形状可以显示为以秒、分钟或小时为单位消耗的电力。此外，可以将每日负载形状与已建立的负载形状进行比较(这些已建立的负载形状具有特定于工作日、特定于周末的模式)，并且基于取决于生成经验负载形状的日期的总使用情况。例如，可以将工作日的经验负载形状与特定于工作日的已建立的负载形状进行比较。同样，可以将周末期间消耗的电力的负载形状与特定于周末的已建立的负载形状进行比较。
为了确保用于训练预测模型的足够样本大小的数据的可用性，可以限制库155中已建立的负载形状的数量。例如，数量可以被限制为小于所有已知负载形状的数量的数量。在一个实施例中，库155可以被限制为包括N个最常见的负载形状，其中N可以是大于一(1)的任何正整数值(例如，N可以等于2、3、4、5、6、7、8等)。每个已建立的负载形状可以与一天的类型(例如，工作日、周末等)、一周的类别(例如，季节、假期等)相关联。换句话说，可以将经验负载形状与特定于不同时间段的不同的已建立的负载形状进行比较，并将这些不同的已建立的负载形状适当地输入到预测模型中。
系统100还包括数据管理模块165。数据管理模块165用作与数据库140的接口。可以通过数据管理模块165从数据库140中获得至少与能量客户对应的负载数据145。但是，如本文所述，也可以通过数据管理模块获得其它信息，诸如客户数据150和/或库155中已建立的负载形状。
分析模块170使用由数据管理模块165获得的数据(包括能量客户的负载数据145)，以基于获得的负载数据145确定并生成能量客户的经验负载形状175。经验负载形状175表示由仪表130测量的、能量客户在一段时间内的实际电力消耗的模式。作为一个示例，经验负载形状175可以表示在一个月的过程中与能量客户相关联的房屋125处的每日电力消耗。然后，分析模块170从库155中的一组存储的负载形状中识别与经验负载形状175最紧密匹配的已建立的负载形状，诸如例如图1中的负载形状160。分析模块170将最紧密匹配的已建立的负载形状160选择为下文中称为“定义的负载形状160”的负载形状。系统100将使用定义的负载形状160来确定适当的预测模型180，该预测模型将由系统100应用于与能量客户对应的数据结构。将预测模型应用于能量客户的数据结构的结果确定能量客户参与能效计划的倾向。
预测模型可以使用针对落入各种不同的已建立的负载形状中的每个已建立的负载形状中的能量客户的训练数据集来训练。作为示例，要包括在训练数据集中的全部能量客户被分解成多个子集。每个子集可以包括其每日或其它周期性负载形状落入多个已建立的负载形状中的不同的负载形状中的能量客户。可以将训练数据集中的每个能量客户的负载形状分类为与N个不同的已建立的负载形状中最紧密匹配的负载形状对应的子集。可以创建每个能量客户的数据结构(诸如特征向量)以包括最紧密匹配的已建立的负载形状，以及与能量客户相关联的其它信息，诸如关于房屋、热量类型、房屋状况等的信息。
每个特征向量被分配有二进制标签，该二进制标签指示相应的能量客户是否是感兴趣的计划或措施的参与者。感兴趣的计划或措施是指针对其预测能量客户参与的可能性的计划或措施。可以使用每个子集的特征向量执行逻辑回归分析，以开发逻辑回归模型或其它合适的算法作为预测模型。例如，经过训练的预测模型可以是将能量客户分类为以下两类之一的二元分类器：(i)可能参与能效计划的一类客户，或者(ii)不太可能参与能效计划的一类客户。无论预测模型的类型如何，预测模型的任何标量值、误差常数、公式结构等都应以合理的准确度区分具有不同二进制标签的特征向量。因此，可以将预测模型训练为已建立的负载形状和至少一个其它输入变量(诸如与能量客户相关联的关于房屋、人口统计数据、热量类型、房屋状况等的信息)的函数。
在完成对预测模型的初始训练之后，可以进行持续的细化。当使用经过训练的预测模型为能量客户进行预测时，可以从初始训练的结果中修改标量值、误差常数、或者甚至预测模型的结构。由使用预测模型得出的预测和指示能量客户是否最终被选择参与能效计划的数据可以用于更新预测模型。
分析模块170为能量客户生成数据结构，以预测能量客户参与节能计划的倾向。生成的数据结构可以是向量，该向量至少包括与能量客户或与能量客户相关联的房屋125对应的人口统计数据和/或站点地块数据。从数据库140获得的经过训练的预测算法180应用于数据结构，以确定能量客户参与能效计划的倾向。预测结果可以实施在分析模块170输出的数据结构中。
系统100的传输控制模块185接收预测结果，并基于预测结果控制关于能效计划的信息的传输。控制信息的传输可以涉及更新或以其它方式修改数据库140以用倾向性指定来标记与能量客户相关联的数据记录。例如，如果预测结果指示该能量客户比不同的能量客户更可能参与能效计划，那么传输控制模块185可以将该能量客户指定为信息的接收者。具有这种指定的更新记录随后可以通过在数据记录中搜索该标记来被识别，并且可以由与系统100分离的系统访问。因此，将带有标记的识别出的数据记录识别为应向其传输包括关于能效计划信息的电子消息的接收者。
电子消息的电子传输可以被寻址到电子邮件地址、可以接收文本的编号或能量客户的其它电子联系信息。然后可以基于能量客户作为接收者的指定，经由通信网络35传输该电子传输。根据其它实施例，分开的系统可以基于更新记录中的指定来访问更新记录并处理信件、小册子、发票或其它物理信件，包括关于能效计划的信息。根据其它实施例，例如，当能量客户登录到公用事业公司的用户账户以支付发票时，分开的系统可以访问更新记录并控制向能量客户呈现什么内容。
不管传输方式如何，这样的信息向能量客户的传输可以优先于这样的信息向不同的能量客户的传输。不同的能量客户可能具有低于阈值或至少低于能量客户的预测倾向的参与能效计划的预测倾向。对于这样的实施例，传输控制模块185可以输出、修改或以其它方式更新防止关于能效计划的信息向不同的能量客户的传输的数据结构。
图2图示了流程图，该流程图图示了使用系统100预测能量客户参与能效计划的倾向的方法200。响应于系统100接收到对预测能量客户的倾向的请求，在步骤205处，数据管理模块165访问数据库140并获得与能量客户对应的房屋125的负载数据145。负载数据例如按天识别经验负载形状或者可以用于确定经验负载形状。
在步骤210处，利用由数据管理模块165获得的负载数据145，分析模块170确定定义的时段(例如，每天)的经验负载形状。经验负载形状表示在一段时间内在房屋125处消耗的电力。如上所述，时间段可以是一天、一周、两周时段、一个月或另一个期望的时段。在步骤215处，分析模块170将确定的经验负载形状与库155中已建立的负载形状进行比较。在步骤220处，分析模块170选择最紧密匹配经验负载形状的已建立的负载形状。例如，将来自经验负载形状的数据值与已建立的负载形状之一的数据值进行比较(并针对其它负载形状重复)，并且匹配函数至少基于这些值之差的阈值、基于任何距离度量，诸如欧几里得距离等。在步骤220处，将所选择的已建立的负载形状识别为定义的负载形状。
在步骤225处，生成用于能量客户的数据结构，诸如特征向量。生成的数据结构包括参数的值，诸如最紧密匹配与能量客户相关联的经验负载形状的已建立的负载形状、人口统计数据和/或站点地块数据，这些数据将形成预测模型的输入。在步骤230处，利用分析模块170，通过将经训练的预测模型应用于数据结构来确定能量客户比不同的能量客户更可能参与能效计划。确定该能量客户和该不同的能量客户的相对倾向可以涉及比较该能量客户和该不同的能量客户的各自倾向值。根据替代实施例，可以将所确定的能量客户的倾向与阈值进行比较，该阈值将可能的参与者与不可能的参与者分开。根据还有的其它实施例，可以简单地为能量客户和不同的能量客户中的每一个确定倾向。这些倾向值可以稍后呈现给用户，以由用户手动比较来确定能量客户和不同能量客户的相对倾向。
在步骤235处，基于分析模块170的输出，传输控制模块185传输、修改或生成数据，该数据控制关于能效计划的信息向能量客户的传输。例如，传输控制模块185可以使该信息向能量客户的传输优先于该信息向不同的能量客户的传输。根据替代实施例，传输控制模块可以使关于能效计划的信息被传输到能量客户，而不传输到不同的能量客户。
图3图示了用本文描述的示例系统和方法中的一个或多个和/或等同物配置和/或编程的计算设备300的示例。计算设备300的说明性示例可以是计算机315，其包括通过总线325可操作地连接的处理器320、存储器335和I/O端口345。在一个实施例中，计算机315可以包括被配置为促进关于图1和图2描述的系统100和/或方法的数据管理模块165、分析模块170和传输控制模块185的逻辑。在不同的实施例中，数据管理模块165、分析模块170和传输控制模块185的逻辑可以用硬件、具有存储的指令的非暂态计算机可读介质305、固件和/或其组合来实现。虽然数据管理模块165、分析模块170和传输控制模块185的逻辑被图示为附接至总线325的硬件组件，但是应该认识到的是，在其它实施例中，这些模块中的一个或多个模块的逻辑可以在处理器320中实现、存储在存储器335中或存储在盘355中。
在一个实施例中，数据管理模块165、分析模块170和传输控制模块185或计算机315的逻辑是用于执行上述动作的装置(例如，结构：硬件、非暂态计算机可读介质、固件)。在一些实施例中，计算设备300可以是在云计算系统中操作的服务器、在软件即服务(SaaS)架构中配置的服务器、智能电话、膝上型电脑、平板计算设备等。
该装置可以被实现为例如专用集成电路(ASIC)，其被编程为实现基于规则的源排序以进行分配。该装置还可以被实现为存储的计算机可执行指令，该存储的计算机可执行指令作为临时存储在存储器335中、然后由处理器320执行的数据310呈现给计算机315。
数据管理模块165、分析模块170和传输控制模块185的逻辑还可以提供用于执行基于规则的源排序以进行分配的装置(例如，硬件、存储可执行指令的非暂态计算机可读介质305、固件)。
一般性地描述计算机315的示例配置，处理器320可以是各种各样的处理器，包括双微处理器和其它多处理器架构。存储器335可以包括易失性存储器和/或非易失性存储器。非易失性存储器可以包括例如只读存储器(ROM)、可编程只读存储器(PROM)等。易失性存储器可以包括例如随机存取存储器(RAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)等。
盘355可以经由例如I/O接口340(例如，卡、设备)和I/O端口345可操作地连接到计算机315。盘355可以是例如磁盘驱动器、固态盘驱动器、软盘驱动器、带驱动器、Zip驱动器、闪存卡、记忆棒等。此外，盘355可以是CD-ROM驱动器、CD-R驱动器、CD-RW驱动器、DVD ROM等。例如，存储器335可以在诸如非暂态计算机可读介质305内存储过程和/或数据310。盘355和/或存储器335可以存储控制和分配计算机315的资源的操作系统。
计算机315可以经由I/O接口340和I/O端口345与输入/输出(I/O)设备交互。I/O设备可以是例如键盘、麦克风、定点和选择设备、相机、视频卡、显示器、盘355、网络设备350等。I/O端口345可以包括例如串行端口、并行端口和USB端口。I/O控制器330可以将I/O接口340连接到总线325。
计算机315可以在网络环境中操作，因此可以经由I/O接口340和/或I/O端口345连接到网络设备350。通过网络设备350，计算机315可以与网络交互。通过网络，计算机315可以在逻辑上连接到远程计算机(例如，计算机315可以驻留在客户端可以连接到的分布式计算环境中)。计算机315可以与之交互的网络包括但不限于局域网(LAN)、新区域网络(WAN)和其它网络。
在另一个实施例中，所描述的方法和/或它们的等同物可以用计算机可执行指令来实现。因此，在一个实施例中，非暂态计算机可读/存储介质被配置为具有存储的算法/可执行应用的计算机可执行指令，当该指令由(一个或多个)机器执行时使该(一个或多个)机器(和/或相关联的组件)执行所述方法。示例机器包括但不限于处理器、计算机、在云计算系统中操作的服务器、用软件即服务(SaaS)架构配置的服务器、智能电话等等。在一个实施例中，计算设备用被配置为执行任何所公开的方法的一个或多个可执行算法来实现。
在一个或多个实施例中，所公开的方法或它们的等同物由以下任一项执行：被配置为执行所述方法的计算机硬件；或者，存储在非暂态计算机可读介质中的模块中体现的计算机指令，其中指令被配置为可执行算法，可执行算法被配置为在由计算设备的至少一个处理器执行时执行所述方法。
虽然为了简化说明的目的，图中图示的方法被示出和描述为算法的一系列方框，但是应该认识到的是，这些方法不受方框的顺序的限制。一些方框可以以与所示出和描述的不同的顺序出现和/或与其它方框同时出现。而且，可以使用比全部图示的方框少的方框来实现示例方法。方框可以被组合或分成多个动作/组件。此外，附加的和/或替代的方法可以采用未在方框中图示的附加动作。
以下包括本文所采用的所选择术语的定义。定义包括属于术语的范围并且可以用于实现的组件的各种示例和/或形式。示例并不旨在是限制性的。术语的单数和复数形式都可以在定义之内。
对“一个实施例”、“实施例”、“一个示例”、“示例”等的引用指示如此描述的(一个或多个)实施例或(一个或多个)示例可以包括特定的特征、结构、特性、性质、元素或限制，但并非每个实施例或示例都必须包括该特定的特征、结构、特性、性质、元素或限制。此外，短语“在一个实施例中”的重复使用不一定指代相同的实施例，但是可以指代相同的实施例。
如本文所使用的，“数据结构”或“数据对象”是计算系统中存储在存储器、存储设备或其它计算机化系统中的数据的组织。数据结构可以是例如数据字段、数据文件、数据阵列、数据记录、数据库、数据表、图表、树、链表等中的任何一个。数据结构可以由许多其它数据结构形成以及包含许多其它数据结构(例如，数据库包括许多数据记录)。根据其它实施例，数据结构的其它示例也是可能的。
如本文所使用的，“计算机可读介质”或“计算机存储介质”是指存储被配置为当被执行时执行所公开的功能中的一个或多个功能的指令和/或数据的非暂态介质。在一些实施例中，数据可以用作指令。计算机可读介质可以采取包括但不限于非易失性介质和易失性介质的形式。非易失性介质可以包括例如光盘、磁盘等。易失性介质可以包括例如半导体存储器、动态存储器等。计算机可读介质的常见形式可以包括但不限于软盘、柔性盘、硬盘、磁带、其它磁性介质、专用集成电路(ASIC)、可编程逻辑器件、紧凑型盘(CD)、其它光学介质、随机存取存储器(RAM)、只读存储器(ROM)、存储器芯片或卡、存储棒、固态存储设备(SSD)、闪存驱动器、以及计算机、处理器或其它电子设备可以利用其工作的其它介质。如果每种类型的媒体在一个实施例中被选择用于实现，则其可以包括被配置为执行所公开的和/或所要求保护的功能中的一个或多个功能的算法的存储指令。
如本文所使用的，“逻辑”表示利用计算机或电气硬件、具有存储的可执行应用或程序模块的指令的非暂态介质和/或这些的组合实现的组件，以执行如本文公开的任何功能或动作，和/或使得来自另一逻辑、方法和/或系统的功能或动作如本文所公开的那样被执行。等效逻辑可以包括固件、利用算法编程的微处理器、离散逻辑(例如，ASIC)、至少一个电路、模拟电路、数字电路、编程的逻辑器件、包含算法的指令的存储器设备等，其中任何一个可以被配置为执行所公开的功能中的一个或多个功能。在一个实施例中，逻辑可以包括一个或多个门、门的组合、或者被配置为执行所公开的功能中的一个或多个功能的其它电路组件。在描述多个逻辑的情况下，有可能将多个逻辑合并到一个逻辑中。类似地，在描述单个逻辑的情况下，有可能在多个逻辑之间分配那单个逻辑。在一个实施例中，这些逻辑中的一个或多个是与和执行所公开的和/或所要求保护的功能相关联的对应结构。选择实现哪种类型的逻辑可以基于系统条件或规范。例如，如果考虑更高的速度，则将选择硬件来实现功能。如果考虑更低的成本，则将选择存储的指令/可执行应用来实现功能。
“可操作的连接”或实体通过其“可操作地连接”的连接是可以发送和/或接收信号、物理通信和/或逻辑通信的连接。可操作的连接可以包括物理接口、电接口和/或数据接口。可操作的连接可以包括足以允许可操作的控制的接口和/或连接的不同组合。例如，两个实体可以可操作地连接，以直接或者通过一个或多个中间实体(例如，处理器、操作系统、逻辑、非暂态计算机可读介质)彼此传送信号。逻辑和/或物理通信信道可以被用于创建可操作的连接。
如本文所使用的，“用户”包括但不限于一个或多个从公用事业消费能源的人、由这些人操作或代表这些人操作的计算机或其它设备，或其组合。
虽然已经相当详细地图示和描述了所公开的实施例，但并不旨在将所附权利要求的范围限制或以任何方式限定到这样的细节。当然，不可能为了描述主题的各个方面而描述组件或方法的每种预期的组合。因此，本公开不限于所示出和描述的特定细节或说明性示例。因此，本公开旨在涵盖落入所附权利要求的范围内的变更、修改和变化。
就术语“包含”在具体实施方式或权利要求书中被采用的程度而言，它旨在以类似于当术语“包括”作为过渡词在权利要求中被采用时所解释的方式是包含性的。
就术语“或”在具体实施方式或权利要求书中被采用的程度而言(例如，A或B)，其旨在意味着“A或B或两者”。当申请人旨在指示“仅A或B但不是两者”时，那么将使用短语“仅A或B但不是两者”。因此，术语“或”在本文的使用是包含性的，而不是排他性使用。

Claims (15)

1.一种存储计算机可执行指令的非暂态计算机可读介质，所述计算机可执行指令在由计算系统的至少一个处理器执行时使所述至少一个处理器：
从数据库中获得能量客户的负载数据，其中所述负载数据指示由所述能量客户在不同时间消耗的电力；
基于获得的负载数据为所述能量客户生成经验负载形状，所述经验负载形状表示由所述能量客户在一段时间内消耗的电力，其中所述一段时间包括获得的负载数据中的所述不同时间；
从存储在存储设备中的多个已建立的负载形状中选择与所述能量客户的所述经验负载形状最紧密匹配的定义的负载形状；
为所述能量客户生成数据结构，所述数据结构包括定义的负载形状、人口统计数据、站点地块数据、或定义的负载形状与人口统计数据和站点地块数据中的一个或多个的组合；
通过将预测模型应用于所述数据结构来确定所述能量客户比不同的能量客户更可能参与能效计划，其中至少部分地基于多个不同的能量客户的定义的负载形状来训练预测模型；以及
作为确定所述能量客户比所述不同的能量客户更可能参与能效计划的结果，通过使关于能效计划的信息向所述能量客户的传输优先于该信息向所述不同的能量客户的第二传输来控制该信息的传输。
2.如权利要求1所述的非暂态计算机可读介质，其中所述预测模型是包括逻辑回归模型的二进制分类器，并且所述计算机可执行指令在由所述计算系统的所述至少一个处理器执行时，使所述至少一个处理器使用所述二进制分类器：
将所述能量客户分类为可能参与能效计划的一类客户，并且
将所述不同的能量客户分类为不太可能参与能效计划的一类客户。
3.如权利要求1所述的非暂态计算机可读介质，其中从所述数据库中获得的负载数据包括所述能量客户在多个不同天中的每一天的总电力消耗，并且所述经验负载形状表示所述能量客户按天的总电力消耗的模式。
4.如权利要求1所述的非暂态计算机可读介质，其中所述预测模型是基于包括所述多个不同的能量客户的多个已建立的负载形状的数据集来训练的。
5.如权利要求1所述的非暂态计算机可读介质，还包括指令，所述指令在由所述至少一个处理器执行时使所述至少一个处理器防止关于能效计划的信息向所述不同的能量客户的第二传输。
6.一种计算系统，包括：
连接到至少一个存储器的至少一个处理器；
数据管理模块，存储在非暂态计算机可读介质上并且包括指令，该指令在由所述至少一个处理器执行时，使所述计算系统从数据库中获得能量客户的负载数据，其中所述负载数据指示由所述能量客户在不同时间消耗的电力；
分析模块，存储在所述非暂态计算机可读介质上并且包括指令，该指令在由所述至少一个处理器执行时，使所述计算系统：
基于获得的负载数据为所述能量客户生成经验负载形状，所述经验负载形状表示由所述能量客户在一段时间内消耗的电力，
从存储在存储设备中的多个已建立的负载形状中选择与所述能量客户的所述经验负载形状最紧密匹配的定义的负载形状，
为所述能量客户生成数据结构，所述数据结构包括定义的负载形状、人口统计数据、站点地块数据、或定义的负载形状与人口统计数据和站点地块数据中的至少一个的组合，
通过将预测模型应用于数据结构来确定所述能量客户比不同的能量客户更可能参与能效计划；以及
传输控制模块，存储在所述非暂态计算机可读介质上并且包括指令，该指令在由所述至少一个处理器执行时，使所述计算系统：作为确定所述能量客户比所述不同的能量客户更可能参与能效计划的结果，通过使关于能效计划的信息向所述能量客户的传输优先于该信息向所述不同的能量客户的第二传输来控制该信息的传输。
7.如权利要求6所述的计算系统，其中所述预测模型是包括逻辑回归模型的二进制分类器，并且所述分析模块还包括指令，该指令在由所述至少一个处理器执行时使所述计算系统：
将所述能量客户分类为可能参与能效计划的一类客户，并且
将所述不同的能量客户分类为不太可能参与能效计划的一类客户。
8.如权利要求6所述的计算系统，其中所述数据库通过通信网络与仪表通信，所述仪表被提供用于测量与所述能量客户相关联的房屋的获得的负载数据，并存储由所述仪表取得的通过通信网络接收到的测量结果。
9.如权利要求6所述的计算系统，其中由所述数据库存储并由所述数据管理模块获得的负载数据包括所述能量客户在不同天期间的总电力消耗，并且所述分析模块的指令生成所述经验负载形状以表示所述能量客户按天的总电力消耗的模式。
10.如权利要求6所述的计算系统，其中所述预测模型是根据经验得出的算法，该算法是从以下一项或多项的组合中得出的：用于客户的训练集的负载数据、人口统计数据和站点地块数据，并且其中客户的训练集中的客户包括：(i)参与了能效计划的多个参与客户，以及(ii)没有参与能效计划的多个未参与客户。
11.如权利要求6所述的计算系统，其中所述传输控制模块还包括指令，所述指令在由所述至少一个处理器执行时使所述计算系统防止关于能效计划的信息向所述不同的能量客户的第二传输。
12.一种计算机实现的方法，所述方法包括：
从数据库中获得能量客户的负载数据，其中所述负载数据指示由所述能量客户在不同时间消耗的电力；
基于获得的负载数据为所述能量客户生成经验负载形状，所述经验负载形状表示由所述能量客户在一段时间内消耗的电力，其中所述一段时间包括获得的负载数据中的所述不同时间；
从存储在存储设备中的多个已建立的负载形状中选择与所述能量客户的所述经验负载形状最紧密匹配的定义的负载形状；
为所述能量客户生成数据结构，所述数据结构包括定义的负载形状、人口统计数据、站点地块数据、或定义的负载形状与人口统计数据和站点地块数据中的至少一个的组合；
通过将预测模型应用于所述数据结构来确定所述能量客户比不同的能量客户更可能参与能效计划；以及
作为确定所述能量客户比所述不同的能量客户更可能参与能效计划的结果，通过使关于能效计划的信息向所述能量客户的传输优先于该信息向所述不同的能量客户的第二传输来控制该信息的传输。
13.如权利要求12所述的计算机实现的方法，其中所述预测模型是二进制分类器，并且确定所述能量客户比所述不同的能量客户更可能参与能效计划包括：
将所述能量客户分类为可能参与能效计划的一类客户，并且
将所述不同的能量客户分类为不太可能参与能效计划的一类客户。
14.如权利要求12所述的计算机实现的方法，其中从所述数据库中获得的负载数据包括所述能量客户在多个不同天中的每一天的总电力消耗，并且确定所述能量客户的所述经验负载形状包括确定所述能量客户按天的总电力消耗的模式。
15.如权利要求12所述的计算机实现的方法，还包括防止关于能效计划的信息向所述不同的能量客户的第二传输。
CN201980006847.1A 2018-02-01 2019-01-29 基于负载形状分析的能量计划通信控制系统及方法 Pending CN111512326A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/886,083 2018-02-01
US15/886,083 US11308563B2 (en) 2018-02-01 2018-02-01 Energy program communication control system and method based on load shape analysis
PCT/US2019/015512 WO2019152337A1 (en) 2018-02-01 2019-01-29 Energy program communication control system and method based on load shape analysis

Publications (1)

Publication Number Publication Date
CN111512326A true CN111512326A (zh) 2020-08-07

Family

ID=65520386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980006847.1A Pending CN111512326A (zh) 2018-02-01 2019-01-29 基于负载形状分析的能量计划通信控制系统及方法

Country Status (4)

Country Link
US (1) US11308563B2 (zh)
JP (1) JP2021512421A (zh)
CN (1) CN111512326A (zh)
WO (1) WO2019152337A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220237476A1 (en) * 2018-02-01 2022-07-28 Oracle International Corporation Machine learning predictive model based on electricity load shapes
CN111598316B (zh) * 2020-05-06 2023-03-24 深圳大学 物体转移装箱过程策略生成方法、装置、计算机设备
CN113781096B (zh) * 2021-07-30 2024-05-28 国网浙江省电力有限公司 一种办公楼空置率分析方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06130085A (ja) * 1992-10-19 1994-05-13 Osaka Gas Co Ltd エネルギ使用情報管理装置
US8977404B2 (en) * 2008-09-08 2015-03-10 Tendril Networks, Inc. Collaborative energy benchmarking systems and methods
US9805321B2 (en) 2010-10-15 2017-10-31 Accenture Global Services Limited Eco score analytics system
EP2652855B1 (en) * 2010-12-17 2019-06-12 ABB Research Ltd. Systems and methods for predicting customer compliance with demand response requests
US9542510B2 (en) 2013-08-07 2017-01-10 International Business Machines Corporation Detecting appliances in a building from coarse grained meter data with partial label
US20150081384A1 (en) * 2013-09-16 2015-03-19 Fraunhofer Usa, Inc. Determining likelihood of an individual consumer enrolling in a behavior-based energy efficiency program
US20150161233A1 (en) * 2013-12-11 2015-06-11 The Board Of Trustees Of The Leland Stanford Junior University Customer energy consumption segmentation using time-series data
US10115120B2 (en) * 2014-05-12 2018-10-30 Fujitsu Limited Dynamic demand response event assessment
JP6137498B2 (ja) * 2014-10-23 2017-05-31 トヨタ自動車株式会社 エネルギー節約支援システム
EP3391323A4 (en) 2015-12-18 2019-06-05 C3 IoT, Inc. PREDICTIVE SEGMENTATION OF ENERGY CLIENTS
JP6722481B2 (ja) * 2016-03-18 2020-07-15 株式会社エヌ・ティ・ティ・データ エネルギー需要制御装置、エネルギー需要制御方法、エネルギー需要制御システム、およびプログラム

Also Published As

Publication number Publication date
JP2021512421A (ja) 2021-05-13
WO2019152337A1 (en) 2019-08-08
US20190236725A1 (en) 2019-08-01
US11308563B2 (en) 2022-04-19

Similar Documents

Publication Publication Date Title
Zhang et al. Forecasting residential energy consumption: Single household perspective
JP7065231B2 (ja) エネルギー顧客の予測的セグメント化
US11381081B2 (en) Systems and methods for energy-related load optimization
JP6079215B2 (ja) 電力需要予測装置、プログラム
Rodríguez Fernández et al. Using the Big Data generated by the Smart Home to improve energy efficiency management
US20110023045A1 (en) Targeted communication to resource consumers
US20120166616A1 (en) System and method for energy performance management
WO2013102932A2 (en) System and method facilitating forecasting, optimization and visualization of energy data for an industry
Englberger et al. Two-stage stochastic master production scheduling under demand uncertainty in a rolling planning environment
CN111512326A (zh) 基于负载形状分析的能量计划通信控制系统及方法
Lazzari et al. User behaviour models to forecast electricity consumption of residential customers based on smart metering data
Kavya et al. Short term water demand forecast modelling using artificial intelligence for smart water management
US9805321B2 (en) Eco score analytics system
Abera et al. Machine learning approach electric appliance consumption and peak demand forecasting of residential customers using smart meter data
Roth et al. Uncertainty matters: Bayesian probabilistic forecasting for residential smart meter prediction, segmentation, and behavioral measurement and verification
Burnett et al. How do machines predict energy use? Comparing machine learning approaches for modeling household energy demand in the United States
US20220237476A1 (en) Machine learning predictive model based on electricity load shapes
Zheng et al. An application of machine learning for a smart grid resource allocation problem
Dent Deriving knowledge of household behaviour from domestic electricity usage metering
Ropuszyńska-Surma et al. The Behavioural Profiles of Energy Consumers: Comparison of the Decision Tree Method and the Logit Model
KR102642595B1 (ko) 광고물 주문 수요 예측 시스템 및 그의 동작 방법
JP7209523B2 (ja) 需要家選定システム、需要家の提示方法及びプログラム
González et al. Leveraging Smart Meter Data for Adaptive Consumer Profiling
Kukkonen Building energy consumption prediction using statistical methods
Gellert et al. Estimating electricity consumption at city-level through advanced machine learning methods

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