CN112132211A - 一种高效梯级能源管理方法及系统 - Google Patents

一种高效梯级能源管理方法及系统 Download PDF

Info

Publication number
CN112132211A
CN112132211A CN202010998436.XA CN202010998436A CN112132211A CN 112132211 A CN112132211 A CN 112132211A CN 202010998436 A CN202010998436 A CN 202010998436A CN 112132211 A CN112132211 A CN 112132211A
Authority
CN
China
Prior art keywords
sampling
power consumption
time period
data
preset time
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
CN202010998436.XA
Other languages
English (en)
Inventor
张亚飞
许�鹏
丁睆
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.)
Zhengzhou Jingcheng Energy Technology Co ltd
Original Assignee
Zhengzhou Jingcheng Energy Technology Co ltd
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 Zhengzhou Jingcheng Energy Technology Co ltd filed Critical Zhengzhou Jingcheng Energy Technology Co ltd
Priority to CN202010998436.XA priority Critical patent/CN112132211A/zh
Publication of CN112132211A publication Critical patent/CN112132211A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了高效梯级能源管理方法及系统，涉及能源管理技术领域，可以通过对工业用户、公共机构和大型数据中心在预设时间段内的用电量进行采集，得到对应的数据采集图片，再由训练好的供电管理模型对数据采集图片进行分类，最后根据分类结果判断是否需要提高供电额度，整个过程方便快捷，能够有效解决能源过剩浪费的问题，提高能源利用效率，降低成本。

Description

一种高效梯级能源管理方法及系统
技术领域
本发明涉及能源管理技术领域，特别是涉及高效梯级能源管理方法及系统。
背景技术
在面临能源短缺困难及节能减排的压力下，建设清洁、可靠、互动、高效的智能电网成为推动时代经济转型、发展低碳经济的重要手段。智能园区作为现代城市中能源综合应用的典型场所，其能源优化管理得到了国内外的广泛关注。如何有效提升智能园区的能源利用效率，成为备受关注的重要问题和技术难点。
现阶段，有些园区会将用户供电线路分为三条，分别对应工业用户、公共机构和大数据中心，能够实施对园区的能源优化管理，为后续的能源效率优化打下基础。
因不同用户的用电需求在一天的不同时间段也不同，因此一个园区当天的用电量是不断浮动的，但是电网因其自身的特殊性并不能快速的合理调整对该园区的供电额度，函待解决。
发明内容
本发明实施例的目的在于提供一种高效梯级能源管理方法及系统，以实现对园区供电的合理控制。具体技术方案如下：
第一方面，本发明公开了一种高效梯级能源管理方法，包括如下步骤：
分别对工业用户、公共机构和大型数据中心在当前预设时间段内的用电量进行多次采集，获得在与所述工业用户对应的多个第一用电量、与所述公共机构对应的多个第二用电量和与所述大型数据中心对应的多个第三用电量；
按照预设规则将属于相同所述预设时间段内的所述第一用电量、所述第二用电量和所述第三用电量转化为数据采集图片；
将所述数据采集图片输入供电管理模型；所述供电管理模型为在指定条件下训练完成的深度学习模型；
若所述深度学习分类模型输出第一分类结果，提高供电额度；
若所述深度学习分类模型输出第二分类结果，降低供电额度。
在一种可能的实现方式中，所述供电管理模型通过以下方法获得：
分别对所述工业用户、所述公共机构和所述大型数据中心在预设时间段内的用电量进行多次采集，获得在与所述工业用户对应的多个第一采样用电量、与所述公共机构对应的多个第二采样用电量和与所述大型数据中心对应的多个第三采样用电量；
按照预设规则将属于相同所述预设时间段内的所述第一采样用电量、所述第二采样用电量和所述第三采样用电量转化为数据采样图片；
利用第一训练集训练对抗生成模型；其中，所述第一训练集包括预设数量的所述数据采样图片和与所述数据采样图片对应的分类标签；
利用所述对抗生成模型生成与所述第一训练集对应的第二训练集；其中，所述第二训练集包括多个拓展采样图片和与所述拓展采样图片对应的分类标签；
利用所述第二训练集和所述第一训练集的集合训练深度学习模型，得到所述供电管理模型。
在一种可能的实现方式中，所述分别对所述工业用户、所述公共机构和所述大型数据中心在预设时间段内的用电量进行多次采集，获得在与所述工业用户对应的多个第一采样用电量、与所述公共机构对应的多个第二采样用电量和与所述大型数据中心对应的多个第三采样用电量包括：
针对一个所述数据采样图片，所述预设时间段为24小时，所述该数据采样图片在纵向上等分为上、中、下三个区域，每个区域在横向上等分为24个时间区域，上区域表示所述工业用户在所述预设时间段内的用电量，所述上区域的每个时间区域表示所述工业用户在所述预设时间段内的1小时的用电量，也就是一个所述第一采样用电量；
所述中区域的每个时间区域表示所述公共机构在所述预设时间段内的1小时的用电量，也就是一个所述第二采样用电量；所述下区域的每个时间区域表示载所述大型数据中心在所述预设时间段内的1小时的用电量，也就是一个所述第三采样用电量。
在一种可能的实现方式中，所述按照预设规则为：
设置用电基准值C；
针对一个所述数据采样图片和与该数据采样图片对应的第一采样用电量，采用指定公式将所述第一采样用电量的值转化为RGB级别亮度；
所述指定公式为：
Figure BDA0002690957250000041
其中，PT为在预设时间段的第T个第一采样用电量，RN为与该第T个第一采样用电量对应的红色亮度值，表现在所述上区域的第N个时间区域。
在一种可能的实现方式中，针对一个所述数据采样图片，若所述数据采样图片所表达的用电总量高于预设用电策略基准值，则所述数据采样图片对应的分类标签为所述第二分类结果，反之，所述数据采样图片对应的分类标签为所述第一分类结果。
第二方面，一种高效梯级能源管理系统，设置在用户端，所述用户端包括：工业用户、公共机构和大型数据中心，其特征在于，所述能源管理系统包括：
采样模块，用于分别对工业用户、公共机构和大型数据中心在当前预设时间段内的用电量进行多次采集，获得在与所述工业用户对应的多个第一用电量、与所述公共机构对应的多个第二用电量和与所述大型数据中心对应的多个第三用电量；
处理模块，与所述采样模块电连接，用于按照预设规则将属于相同所述预设时间段内的所述第一用电量、所述第二用电量和所述第三用电量转化为数据采集图片；
供电管理模型，与所述处理模块数据连接，用于接收所述数据采集图片。
在一种可能的实现方式中，还包括标签匹配模块；
针对一个所述数据采样图片，所述标签匹配模块接收所述数据采样图片，若所述数据采样图片所表达的用电总量高于预设用电策略基准值，所述标签匹配模块分配所述数据采样图片的分类标签为所述第二分类结果，反之，所述标签匹配模块分配所述数据采样图片的分类标签为所述第一分类结果。
本发明实施例有益效果：
本发明实施例提供的一种高效梯级能源管理方法，可以通过对工业用户、公共机构和大型数据中心在预设时间段内的用电量进行采集，得到对应的数据采集图片，再由训练好的供电管理模型对数据采集图片进行分类，最后根据分类结果判断是否需要提高供电额度，整个过程方便快捷，能够有效解决能源过剩浪费的问题，提高能源利用效率，降低成本。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
图1为发明实施例的高效梯级能源管理方法的流程框图；
图2为发明实施例的供电管理器的训练流程框图；
图3为发明实施例的高效梯级能源管理系统的架构示意图；
图4为发明实施例的高效梯级能源管理系统的模块连接图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
本发明公开了一种高效梯级能源管理方法，如图1所示，包括如下步骤：
S100，分别对工业用户、公共机构和大型数据中心在当前预设时间段内的用电量进行多次采集，获得在与工业用户对应的多个第一用电量、与公共机构对应的多个第二用电量和与大型数据中心对应的多个第三用电量；
S200，按照预设规则将属于相同预设时间段内的第一用电量、第二用电量和第三用电量转化为数据采集图片；
S300，将数据采集图片输入供电管理模型；供电管理模型为在指定条件下训练完成的深度学习模型；
S400，若深度学习分类模型输出第一分类结果，提高供电额度；
S500，若深度学习分类模型输出第二分类结果，降低供电额度。
本发明的实施例可以通过对工业用户、公共机构和大型数据中心在预设时间段内的用电量进行采集，得到对应的数据采集图片，再由训练好的供电管理模型对数据采集图片进行分类，最后根据分类结果判断是否需要提高供电额度，整个过程方便快捷，无需时时刻刻监视用电量，能够有效解决能源过剩浪费的问题，提高能源利用效率，降低成本。
如图2所示，供电管理模型通过以下方法获得：
S10，分别对工业用户、公共机构和大型数据中心在预设时间段内的用电量进行多次采集，获得在与工业用户对应的多个第一采样用电量、与公共机构对应的多个第二采样用电量和与大型数据中心对应的多个第三采样用电量；
S20，按照预设规则将属于相同预设时间段内的第一采样用电量、第二采样用电量和第三采样用电量转化为数据采样图片；
S30，利用第一训练集训练对抗生成模型；其中，第一训练集包括预设数量的数据采样图片和与数据采样图片对应的分类标签；
S40，利用对抗生成模型生成与第一训练集对应的第二训练集；其中，第二训练集包括多个拓展采样图片和与拓展采样图片对应的分类标签；
S50，利用第二训练集和第一训练集的集合训练深度学习模型，得到供电管理模型。
在本发明实施例中，分别对工业用户、公共机构和大型数据中心在预设时间段内的用电量进行多次采集，获得在与工业用户对应的多个第一采样用电量、与公共机构对应的多个第二采样用电量和与大型数据中心对应的多个第三采样用电量包括：
针对一个数据采样图片，预设时间段为24小时，该数据采样图片在纵向上等分为上、中、下三个区域，每个区域在横向上等分为24个时间区域，上区域表示工业用户在预设时间段内的用电量，上区域的每个时间区域表示工业用户在预设时间段内的1小时的用电量，也就是一个第一采样用电量；
中区域的每个时间区域表示公共机构在预设时间段内的1小时的用电量，也就是一个第二采样用电量；下区域的每个时间区域表示载大型数据中心在预设时间段内的1小时的用电量，也就是一个第三采样用电量。
在一种可能的实现方式中，按照预设规则为：
设置用电基准值C；
针对一个数据采样图片和与该数据采样图片对应的第一采样用电量，采用指定公式将第一采样用电量的值转化为RGB级别亮度；
指定公式为：
Figure BDA0002690957250000091
其中，PT为在预设时间段的第T个第一采样用电量，RN为与该第T个第一采样用电量对应的红色亮度值，表现在上区域的第N个时间区域。
相应的中区域可以由绿色亮度值填充，下区域可以由蓝色亮度值填充，有利于工作人员在后续工作中对该数据采样图片进行分析。
以上区域为例，第一个第一采样用电量为该上区域在横向上的24等分的第一个矩形格，该矩形格的亮度代表在预设时间段的第一个小时内工业用户的用电量。针对一个数据采样图片，该数据采样图片上会有72个矩形格，所有矩形格的亮度之和可以反映出24小时的用电程度，进而可以换算为24小时内工业用户、公共机构和大型数据中心的用电总量。
在本发明实施例中，针对一个数据采样图片，若数据采样图片所表达的用电总量高于预设用电策略基准值，则数据采样图片对应的分类标签为第二分类结果，反之，数据采样图片对应的分类标签为第一分类结果。
在本发明实施例中，训练完成的供电管理模型可以根据少量的信息，在分别对工业用户、公共机构和大型数据中心在当前预设时间段内的用电量进行多次采集，获得在与工业用户对应的多个第一用电量、与公共机构对应的多个第二用电量和与大型数据中心对应的多个第三用电量中，该预设时间段与供电管理模型在训练时采用的数据采样图片所对应的预设时间段相同。在本实施例中，该预设时间段选为24小时，若预设时间段选为2小时，则每个矩形格对应5分钟的用电量，再结合深度学习模型，可以实现无需全天候监视用电量，也能够较为准确判断是否提高或降低供电额度，方便供电网的决策，有利于资源的合理调配利用。
如图3所示，本发明实施例公开了一种高效梯级能源管理系统，设置在用户端，用户端包括：工业用户、公共机构和大型数据中心，其特征在于，能源管理系统包括：
采样模块，用于分别对工业用户、公共机构和大型数据中心在当前预设时间段内的用电量进行多次采集，获得在与工业用户对应的多个第一用电量、与公共机构对应的多个第二用电量和与大型数据中心对应的多个第三用电量；
处理模块，与采样模块电连接，用于按照预设规则将属于相同预设时间段内的第一用电量、第二用电量和第三用电量转化为数据采集图片；
供电管理模型，与处理模块数据连接，用于接收数据采集图片。
在本发明实施例中，还包括标签匹配模块；
针对一个数据采样图片，标签匹配模块接收数据采样图片，若数据采样图片所表达的用电总量高于预设用电策略基准值，标签匹配模块分配数据采样图片的分类标签为第二分类结果，反之，标签匹配模块分配数据采样图片的分类标签为第一分类结果。该标签匹配模块是为了赋予数据采样图片一个分类标签，方便对供电管理模型进行训练。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (7)

1.一种高效梯级能源管理方法，其特征在于，包括如下步骤：
分别对工业用户、公共机构和大型数据中心在当前预设时间段内的用电量进行多次采集，获得在与所述工业用户对应的多个第一用电量、与所述公共机构对应的多个第二用电量和与所述大型数据中心对应的多个第三用电量；
按照预设规则将属于相同所述预设时间段内的所述第一用电量、所述第二用电量和所述第三用电量转化为数据采集图片；
将所述数据采集图片输入供电管理模型；所述供电管理模型为在指定条件下训练完成的深度学习模型；
若所述深度学习分类模型输出第一分类结果，提高供电额度；
若所述深度学习分类模型输出第二分类结果，降低供电额度。
2.根据权利要求1所述的高效梯级能源管理方法，其特征在于，所述供电管理模型通过以下方法获得：
分别对所述工业用户、所述公共机构和所述大型数据中心在预设时间段内的用电量进行多次采集，获得在与所述工业用户对应的多个第一采样用电量、与所述公共机构对应的多个第二采样用电量和与所述大型数据中心对应的多个第三采样用电量；
按照预设规则将属于相同所述预设时间段内的所述第一采样用电量、所述第二采样用电量和所述第三采样用电量转化为数据采样图片；
利用第一训练集训练对抗生成模型；其中，所述第一训练集包括预设数量的所述数据采样图片和与所述数据采样图片对应的分类标签；
利用所述对抗生成模型生成与所述第一训练集对应的第二训练集；其中，所述第二训练集包括多个拓展采样图片和与所述拓展采样图片对应的分类标签；
利用所述第二训练集和所述第一训练集的集合训练深度学习模型，得到所述供电管理模型。
3.根据权利要求2所述的高效梯级能源管理方法，其特征在于，所述分别对所述工业用户、所述公共机构和所述大型数据中心在预设时间段内的用电量进行多次采集，获得在与所述工业用户对应的多个第一采样用电量、与所述公共机构对应的多个第二采样用电量和与所述大型数据中心对应的多个第三采样用电量包括：
针对一个所述数据采样图片，所述预设时间段为24小时，所述该数据采样图片在纵向上等分为上、中、下三个区域，每个区域在横向上等分为24个时间区域，上区域表示所述工业用户在所述预设时间段内的用电量，所述上区域的每个时间区域表示所述工业用户在所述预设时间段内的1小时的用电量，也就是一个所述第一采样用电量；
所述中区域的每个时间区域表示所述公共机构在所述预设时间段内的1小时的用电量，也就是一个所述第二采样用电量；所述下区域的每个时间区域表示载所述大型数据中心在所述预设时间段内的1小时的用电量，也就是一个所述第三采样用电量。
4.根据权利要求3所述的高效梯级能源管理方法，其特征在于，所述按照预设规则为：
设置用电基准值C；
针对一个所述数据采样图片和与该数据采样图片对应的第一采样用电量，采用指定公式将所述第一采样用电量的值转化为RGB级别亮度；
所述指定公式为：
Figure FDA0002690957240000031
其中，PT为在预设时间段的第T个第一采样用电量，RN为与该第T个第一采样用电量对应的红色亮度值，表现在所述上区域的第N个时间区域。
5.根据权利要求4述的高效梯级能源管理方法，其特征在于，针对一个所述数据采样图片，若所述数据采样图片所表达的用电总量高于预设用电策略基准值，则所述数据采样图片对应的分类标签为所述第二分类结果，反之，所述数据采样图片对应的分类标签为所述第一分类结果。
6.一种高效梯级能源管理系统，设置在用户端，所述用户端包括：工业用户、公共机构和大型数据中心，其特征在于，所述能源管理系统包括：
采样模块，用于分别对工业用户、公共机构和大型数据中心在当前预设时间段内的用电量进行多次采集，获得在与所述工业用户对应的多个第一用电量、与所述公共机构对应的多个第二用电量和与所述大型数据中心对应的多个第三用电量；
处理模块，与所述采样模块电连接，用于按照预设规则将属于相同所述预设时间段内的所述第一用电量、所述第二用电量和所述第三用电量转化为数据采集图片；
供电管理模型，与所述处理模块数据连接，用于接收所述数据采集图片。
7.根据权利要求6述的高效梯级能源管理系统，其特征在于，还包括标签匹配模块；
针对一个所述数据采样图片，所述标签匹配模块接收所述数据采样图片，若所述数据采样图片所表达的用电总量高于预设用电策略基准值，所述标签匹配模块分配所述数据采样图片的分类标签为所述第二分类结果，反之，所述标签匹配模块分配所述数据采样图片的分类标签为所述第一分类结果。
CN202010998436.XA 2020-09-20 2020-09-20 一种高效梯级能源管理方法及系统 Pending CN112132211A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010998436.XA CN112132211A (zh) 2020-09-20 2020-09-20 一种高效梯级能源管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010998436.XA CN112132211A (zh) 2020-09-20 2020-09-20 一种高效梯级能源管理方法及系统

Publications (1)

Publication Number Publication Date
CN112132211A true CN112132211A (zh) 2020-12-25

Family

ID=73841943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010998436.XA Pending CN112132211A (zh) 2020-09-20 2020-09-20 一种高效梯级能源管理方法及系统

Country Status (1)

Country Link
CN (1) CN112132211A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102805648A (zh) * 2011-05-10 2012-12-05 通用电气公司 采用横切面图像进行超声成像的系统和方法
CN105573474A (zh) * 2015-12-28 2016-05-11 联想(北京)有限公司 电子设备及其控制方法
CN106934497A (zh) * 2017-03-08 2017-07-07 青岛卓迅电子科技有限公司 基于深度学习的智慧小区用电量实时预测方法及装置
CN108334543A (zh) * 2017-12-26 2018-07-27 北京国电通网络技术有限公司 配用电数据可视化展示方法和系统
CN109947467A (zh) * 2019-01-14 2019-06-28 珠海金山网络游戏科技有限公司 一种获取远程终端的性能火焰图的方法、装置及系统
CN110175788A (zh) * 2019-05-31 2019-08-27 国网上海市电力公司 一种智慧城市能源云平台
CN110210672A (zh) * 2019-06-04 2019-09-06 北京百度网讯科技有限公司 用电量预测的方法和装置、电子设备、计算机可读介质
US20190286215A1 (en) * 2018-03-16 2019-09-19 Vigyanlabs Innovations Private Limited System and method to enable prediction-based power management
CN110313913A (zh) * 2018-03-29 2019-10-11 通用电气公司 磁共振中心频率的校正方法及装置、磁共振成像系统
CN111009898A (zh) * 2019-12-13 2020-04-14 深圳供电局有限公司 一种智慧园区多能协同供电方法及其系统、终端设备
CN111539467A (zh) * 2020-04-17 2020-08-14 北京工业大学 基于生成对抗网络为医疗影像数据集做数据增广的gan网络架构及方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102805648A (zh) * 2011-05-10 2012-12-05 通用电气公司 采用横切面图像进行超声成像的系统和方法
CN105573474A (zh) * 2015-12-28 2016-05-11 联想(北京)有限公司 电子设备及其控制方法
CN106934497A (zh) * 2017-03-08 2017-07-07 青岛卓迅电子科技有限公司 基于深度学习的智慧小区用电量实时预测方法及装置
CN108334543A (zh) * 2017-12-26 2018-07-27 北京国电通网络技术有限公司 配用电数据可视化展示方法和系统
US20190286215A1 (en) * 2018-03-16 2019-09-19 Vigyanlabs Innovations Private Limited System and method to enable prediction-based power management
CN110313913A (zh) * 2018-03-29 2019-10-11 通用电气公司 磁共振中心频率的校正方法及装置、磁共振成像系统
CN109947467A (zh) * 2019-01-14 2019-06-28 珠海金山网络游戏科技有限公司 一种获取远程终端的性能火焰图的方法、装置及系统
CN110175788A (zh) * 2019-05-31 2019-08-27 国网上海市电力公司 一种智慧城市能源云平台
CN110210672A (zh) * 2019-06-04 2019-09-06 北京百度网讯科技有限公司 用电量预测的方法和装置、电子设备、计算机可读介质
CN111009898A (zh) * 2019-12-13 2020-04-14 深圳供电局有限公司 一种智慧园区多能协同供电方法及其系统、终端设备
CN111539467A (zh) * 2020-04-17 2020-08-14 北京工业大学 基于生成对抗网络为医疗影像数据集做数据增广的gan网络架构及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ABOUZAR ESTEBSARI等: "Single Residential Load Forecasting Using Deep Learning and Image Encoding Techniques", 《ELECTRONICS》 *
许鹏等: "基于人工智能代理的负荷态势感知及调控方法", 《电力系统自动化》 *

Similar Documents

Publication Publication Date Title
CN116646933A (zh) 一种基于大数据的电力负荷调度方法及系统
CN106485417A (zh) 基于动态自适应任务调度策略的光伏电站移动运维方法
CN112286063A (zh) 一种基于非侵入量测的区域能耗监测系统及方法
CN106022530A (zh) 一种电力需求侧柔性负荷有功功率预测方法
CN105391093B (zh) 小水电群并网运行优化调度方法
CN112288141A (zh) 一种渔光互补光伏电站的综合效益评价方法
CN109327049B (zh) 一种多元化供用能系统及其多元化供用能方法
CN112987617A (zh) 近零能耗建筑数字化管理系统及能效监测方法
CN114336615A (zh) 一种基于输电环境大数据分析的电力资源调度智能管理系统
Song et al. An enhanced clustering-based method for determining time-of-day breakpoints through process optimization
Figueroa-Acevedo et al. Visualizing the impacts of renewable energy growth in the US Midcontinent
CN104167731B (zh) 一种多区域多元电源协调规划方法
CN112132211A (zh) 一种高效梯级能源管理方法及系统
CN116293982A (zh) 一种用于冰蓄冷的负荷预测及决策控制系统
CN108665189A (zh) 一种基于用电结构模型分析的工业智能优化节能系统
CN117035143A (zh) 一种基于遥感数据的屋顶可安装光伏面板的普查方法
CN105976046A (zh) 一种考虑需求侧管理的低碳电网规划方法
CN115907246A (zh) 一种基于电力数据的数据中心碳惠模型构建方法
CN111626509B (zh) 一种区域新能源有效供给能力的评价方法和系统
CN115034472A (zh) 一种分布式光伏运行智能预测管理系统
Stanescu et al. Unbundled meters can boost smart city project
CN106600129A (zh) 一种电网规划方法和系统
CN109149644B (zh) 一种基于大数据分析的光储一体在线策略匹配和协同优化方法
CN115021299B (zh) 基于光伏发电的电池储能管理系统
CN105932664B (zh) 一种变电站供区内各节点综合负荷的主动管理调度方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201225

WD01 Invention patent application deemed withdrawn after publication