CN112381673A - 一种基于数字孪生的园区用电信息分析方法及装置 - Google Patents
一种基于数字孪生的园区用电信息分析方法及装置 Download PDFInfo
- Publication number
- CN112381673A CN112381673A CN202110019056.1A CN202110019056A CN112381673A CN 112381673 A CN112381673 A CN 112381673A CN 202110019056 A CN202110019056 A CN 202110019056A CN 112381673 A CN112381673 A CN 112381673A
- Authority
- CN
- China
- Prior art keywords
- park
- model
- information
- equipment
- electricity
- 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.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 262
- 238000004458 analytical method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 103
- 238000012937 correction Methods 0.000 claims abstract description 78
- 230000015654 memory Effects 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims description 41
- 238000007781 pre-processing Methods 0.000 claims description 30
- 210000004027 cell Anatomy 0.000 claims description 10
- 238000005265 energy consumption Methods 0.000 claims description 9
- 230000009193 crawling Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 abstract description 4
- 230000006403 short-term memory Effects 0.000 abstract description 4
- 239000000126 substance Substances 0.000 description 10
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000011160 research Methods 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出了一种基于数字孪生的园区用电信息分析方法及装置。包括:获取园区用电信息;构建长短期记忆网络模型作为原始模型,根据该长短期记忆网络模型对园区用电信息进行训练,并获取训练结果,对原始模型进行迭代矫正,获取二代模型;构建矫正因子算法,通过该模型矫正因子对二代模型进行矫正,获取最终模型作为数字孪生模型;实时获取园区各设备用电信息,通过数字孪生模型对各设备用电信息进行预测,获取园区用电分析报告。本发明通过长短期记忆网络模型构建原始模型,然后通过矫正因子算法对二代模型不停矫正迭代,得到最终的数字孪生模型,然后对用电信息进行预测,能够提高预测的精确度,方便用户对用电数据进行管理,提升了管理效率。
Description
技术领域
本发明涉及计算机本发软件技术领域,尤其涉及一种基于数字孪生的园区用电信息分析方法及装置。
背景技术
数字孪生技术是指利用数字技术对物理实体对象的行为、特征、性能和形成过程等进行描述和建模的过程和方法,该技术具有实时同步、高保真度、忠实映射等特性,能够实现物理世界与信息世界的交互与融合,数字孪生技术应用领域十分广泛,在航空航天、汽车、石油天然气、城市管理等领域皆有应用。
目前数字孪生在电力系统上的应用并不多,而且不同的园区用电设备用电信息的管理也是一个很大的问题,现有的技术并不能很好对这些用电设备用电信息进行管理,并且通过数字孪生的方式对这些用电设备用电信息管理精确度也不高,所以,亟需一种基于数字孪生的园区用电信息分析方法,能够提高数字孪生的管理精确度。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
有鉴于此,本发明提出了一种基于数字孪生的园区用电信息分析方法及装置,旨在解决现有技术无法通过提高数字孪生精确度的方式提高用电信息分析的精确度的技术问题。
本发明的技术方案是这样实现的:
一方面,本发明提供了一种基于数字孪生的园区用电信息分析方法,所述基于数字孪生的园区用电信息分析方法包括以下步骤:
S1,获取园区信息、园区设备信息以及园区各设备历史用电信息,将该各设备历史用电信息分为用电训练样本以及用电测试样本,对该用电训练样本进行预处理,获取历史用电训练数据集;
S2,构建长短期记忆网络模型作为原始模型,根据该长短期记忆网络模型对历史用电训练数据集进行训练,并获取训练结果,通过用电测试样本以及训练结果对原始模型进行迭代矫正,获取二代模型;
S3,构建矫正因子算法,根据园区信息以及园区设备信息爬取对应设备用电数据均值,根据园区信息以及设备用电数据均值计算模型矫正因子,通过该模型矫正因子对二代模型进行矫正,获取最终模型作为数字孪生模型;
S4,实时获取园区各设备用电信息,通过数字孪生模型对各设备用电信息进行预测,并根据预测结果获取园区用电分析报告。
在以上技术方案的基础上,优选的,步骤S1中,获取园区信息、园区设备信息以及园区各设备历史用电信息,将该各设备历史用电信息分为用电训练样本以及用电测试样本,对该用电训练样本进行预处理,获取历史用电训练数据集,还包括以下步骤,获取园区信息、园区设备信息以及园区各设备历史用电信息,所述园区信息包括:园区类别以及园区面积,园区设备信息包括:设备型号以及设备能耗,将该各设备历史用电信息分为用电训练样本以及用电测试样本,设定预处理规则:特征提取、归一化、均值以及方差,根据该预处理规则依次对该用电训练样本进行预处理。
在以上技术方案的基础上,优选的,步骤S2中,构建长短期记忆网络模型作为原始模型,根据该长短期记忆网络模型对历史用电训练数据集进行训练,并获取训练结果,通过用电测试样本以及训练结果对原始模型进行迭代矫正,获取二代模型,还包括以下步骤,构建长短期记忆网络模型作为原始模型,根据该长短期记忆网络模型对历史用电训练数据集进行训练,根据不同数据的特征确定隐层的个数以及每一层神经元的个数,将隐层的个数以及每一层神经元的个数作为训练结果,通过预处理规则对用电测试样本进行预处理,获取用电测试测试数据集,设定误差阈值,计算电测试测试数据集与训练结果的均方误差值,将均方误差值与误差阈值进行比较,当均方误差值大于误差阈值时,通过用电测试样本以及训练结果对原始模型进行迭代矫正,获取矫正后的原始模型作为二代模型;当均方误差值小于误差阈值时,将该原始模型作为二代模型。
在以上技术方案的基础上,优选的,步骤S3中,构建矫正因子算法,根据园区信息以及园区设备信息爬取对应设备用电数据均值,根据园区信息以及设备用电数据均值计算模型矫正因子,通过该模型矫正因子对二代模型进行矫正,获取最终模型作为数字孪生模型,还包括以下步骤,构建矫正因子算法,根据园区类别获取同类别园区设备用电数据表,根据园区设备型号从同类别园区设备用电数据表中获取对应设备用电数据,并计算该对应设备用电数据的用电数据均值,根据园区信息以及设备用电数据均值计算模型矫正因子,通过该模型矫正因子对二代模型进行矫正,获取最终模型作为数字孪生模型。
在以上技术方案的基础上,优选的,根据园区类别获取同类别园区设备用电数据表,根据园区设备型号从同类别园区设备用电数据表中获取对应设备用电数据,并计算该对应设备用电数据的用电数据均值,根据园区信息以及设备用电数据均值计算模型矫正因子,还包括以下步骤,根据园区类别获取同类别园区设备用电数据表,根据园区类别以及同类别园区设备用电数据表获取园区类别对用电数据的影响程度,根据园区设备型号从同类别园区设备用电数据表中提取该设备不用时间段对应的用电数据以及对应的时长,并计算该设备用电数据均值,获取园区设备型号对应的标准功率,获取不同季节对用电数据的影响程度。
在以上技术方案的基础上,优选的,还包括以下步骤,所述矫正因子算法为:
其中,f代表矫正因子,代表园区类别对用电数据的影响程度,代表不同季节对用
电数据的影响程度,m代表设备型号对应的标准功率,代表设备用电数据均值,t代表不同
的时间段,n代表不同时间段对应的编号,i代表不同时间段对应的时长。
在以上技术方案的基础上,优选的,步骤S4中,实时获取园区各设备用电信息,通过数字孪生模型对各设备用电信息进行预测,并根据预测结果获取园区用电分析报告,还包括以下步骤,实时获取园区各设备用电信息,通过数字孪生模型对各设备用电信息进行预测,获取预测结果,并根据该预测结果生成对应的园区用电分析报告,根据园区信息获取同类园区用电分析报告,根据该同类园区用电分析报告生成用电建议。
更进一步优选的,所述基于数字孪生的园区用电信息分析装置包括:
预处理模块,用于获取园区信息、园区设备信息以及园区各设备历史用电信息,将该各设备历史用电信息分为用电训练样本以及用电测试样本,对该用电训练样本进行预处理,获取历史用电训练数据集;
模型构建模块,用于构建长短期记忆网络模型作为原始模型,根据该长短期记忆网络模型对历史用电训练数据集进行训练,并获取训练结果,通过用电测试样本以及训练结果对原始模型进行迭代矫正,获取二代模型;
模型矫正模块,用于构建矫正因子算法,根据园区信息以及园区设备信息爬取对应设备用电数据均值,根据园区信息以及设备用电数据均值计算模型矫正因子,通过该模型矫正因子对二代模型进行矫正,获取最终模型作为数字孪生模型;
预测分析模块,用于实时获取园区各设备用电信息,通过数字孪生模型对各设备用电信息进行预测,并根据预测结果获取园区用电分析报告。
第二方面,所述基于数字孪生的园区用电信息分析方法还包括一种电子设备,所述电子设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于数字孪生的园区用电信息分析方法程序,所述基于数字孪生的园区用电信息分析方法程序配置为实现如上文所述的基于数字孪生的园区用电信息分析方法的步骤。
第三方面,所述基于数字孪生的园区用电信息分析方法还包括一种存储介质,所述存储介质为计算机存储介质,所述计算机存储介质上存储有基于数字孪生的园区用电信息分析方法程序,所述基于数字孪生的园区用电信息分析方法程序被处理器执行时实现如上文所述的基于数字孪生的园区用电信息分析方法的步骤。
本发明的一种基于数字孪生的园区用电信息分析方法相对于现有技术具有以下有益效果:
(1)通过长短期记忆网络构建数字孪生原始模型,通过这个模型可以较为精确的对园区用电数据进行预测,及时根据用户的用电信息给用户提出相对应建议。
(2)通过构建矫正因子算法对数字孪生模型不停进行矫正迭代,能够提高数字孪生模型的预测精确度,同时减少后续数据预测的计算量。
(3)通过根据园区用电信息以及其他信息构建矫正因子算法,能够极大程度提升数值孪生模型的预测精确度,避免了园区中其他因素对用电信息的干扰。
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附图。
图1是本发明实施例方案涉及的硬件运行环境的电子设备的结构示意图;
图2为本发明基于数字孪生的园区用电信息分析方法第一实施例的流程示意图;
图3为本发明基于数字孪生的园区用电信息分析方法园区用电量曲线图以及矫正前后示意图;
图4为本发明基于数字孪生的园区用电信息分析方法第一实施例的功能模块示意图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
如图1所示,该电子设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对电子设备的限定,在实际应用中电子设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于数字孪生的园区用电信息分析方法程序。
在图1所示的电子设备中,网络接口1004主要用于建立电子设备与存储基于数字孪生的园区用电信息分析方法系统中所需的所有数据的服务器的通信连接;用户接口1003主要用于与用户进行数据交互;本发明基于数字孪生的园区用电信息分析方法设备中的处理器1001、存储器1005可以设置在基于数字孪生的园区用电信息分析方法设备中,所述基于数字孪生的园区用电信息分析方法设备通过处理器1001调用存储器1005中存储的基于数字孪生的园区用电信息分析方法程序,并执行本发明实施提供的基于数字孪生的园区用电信息分析方法。
结合图2,图2为本发明基于数字孪生的园区用电信息分析方法第一实施例的流程示意图。
本实施例中,所述基于数字孪生的园区用电信息分析方法包括以下步骤:
S1:获取园区信息、园区设备信息以及园区各设备历史用电信息,将该各设备历史用电信息分为用电训练样本以及用电测试样本,对该用电训练样本进行预处理,获取历史用电训练数据集。
应当理解的是,系统首先会获取园区信息、园区设备信息以及园区各设备历史用电信息,所述园区信息包括:园区类别以及园区面积,园区设备信息包括:设备型号以及设备能耗,园区类别指的是如化工园区、科技型园区以及科研园区等不同的园区类型,因为不同的园区类型会对应有不同的用电设备以及用电策略,所以本实施例中需要根据园区的不同来具体划分对应的用电数据,而园区面积则是用于计算园区对用电信息的影响因子,园区设备信息包括:设备型号以及设备能耗,设备型号可以用于获取这个设备的基础信息,方便后续对设备用电量进行判断,设备能耗在本实施例中指的是标准功率数值。
应当理解的是,之后系统会将各设备历史用电信息分为用电训练样本以及用电测试样本,然后设定预处理规则:特征提取、归一化、均值以及方差,通过预处理规则依次对用电训练样本进行预处理,即对用电训练样本进行特征提取,对提取的特征进行归一化处理,并计算归一化处理后的特征的均值和方差,将得到的均值和方差作为历史用电训练数据集。
S2:构建长短期记忆网络模型作为原始模型,根据该长短期记忆网络模型对历史用电训练数据集进行训练,并获取训练结果,通过用电测试样本以及训练结果对原始模型进行迭代矫正,获取二代模型。
应当理解的是,一个数字孪生模型的建立涉及到多种机器学习算法,本实施例中主要使用的是长短期记忆网络算法来进行计算,具体步骤如下:构建长短期记忆网络模型作为原始模型,根据该长短期记忆网络模型对历史用电训练数据集进行训练,根据不同数据的特征确定隐层的个数以及每一层神经元的个数,将隐层的个数以及每一层神经元的个数作为训练结果,通过预处理规则对用电测试样本进行预处理,获取用电测试测试数据集,设定误差阈值,计算电测试测试数据集与训练结果的均方误差值,将均方误差值与误差阈值进行比较,当均方误差值大于误差阈值时,通过用电测试样本以及训练结果对原始模型进行迭代矫正,获取矫正后的原始模型作为二代模型;当均方误差值小于误差阈值时,将该原始模型作为二代模型。
应当理解的是,长短期记忆网络是重复神经网络模块的链式结构,网络中有三个模块,每个模块中包含四个交互层,长短期记忆网络核心是贯穿整个链条水平线它表示的细胞的状态,长短期记忆网络有三个门来保护和控制细胞的状态,门中有一个sigmoid神经网络层和一个pointwise乘法操作,它能够增加或去除信息到细胞状态中来让信息选择性的通过。
应当理解的是,长短期记忆网络第一个门是遗忘门(foget gate),遗忘门将决定细胞状态的丢弃信息,该门会读取和,输出0—1之间的数值到所有的在细胞状态中的数字(如果输出是0,那么对前一个状态遗忘,如果是1那么对前一个状态加强)。
应当理解的是,长短期记忆网络第二个门是输入门(input gate),输入门决定要更新的值,tanh层负责创建新的候选值向量,输入门与tanh层决定存入在细胞状态中的新信息,产生对状态的更新。
应当理解的是,在经过遗忘门跟输入门之后,长短期记忆网络会更新旧细胞状态,将更新为。首先把旧状态与相乘,丢弃掉需丢弃的信息,再加,此时就是新的候选值。
应当理解的是,长短期记忆网络最后的门是输出门,输出门决定了输出的值。首先sigmoid层来确定细胞状态的输出部分。其次,通过tanh处理的细胞状态与sigmoid门的输出相乘得到输出结果。
S3:构建矫正因子算法,根据园区信息以及园区设备信息爬取对应设备用电数据均值,根据园区信息以及设备用电数据均值计算模型矫正因子,通过该模型矫正因子对二代模型进行矫正,获取最终模型作为数字孪生模型。
应当理解的是,为了提高数字孪生模型对于用电信息的预测精确度,同时也是模型的一种优化,使模型的精确度更高,所以,本实施例中系统会构建矫正因子算法,根据园区类别获取同类别园区设备用电数据表,根据园区设备型号从同类别园区设备用电数据表中获取对应设备用电数据,并计算该对应设备用电数据的用电数据均值,根据园区信息以及设备用电数据均值计算模型矫正因子,通过该模型矫正因子对二代模型进行矫正,获取最终模型作为数字孪生模型。
应当理解的是,具体步骤为:首先系统会根据园区类别获取同类别园区的设备用电数据表,本实施例以化工园区为例,系统获取的就会是化工园区的设备用电数据表,这个设备用电数据表包括各个不同型号设备的用电数据以及用电时长,然后根据化工园区的信息以及设备用电数据表整理生成对用电数据的影响程度,所述各个园区对用电数据的影响程度如表1所示:
园区类别 | 对用电数据的影响程度 | 等级 |
化工园区 | 60% | 2 |
科技园区 | 65% | 1 |
居民小区 | 40% | 4 |
工业园区 | 55% | 3 |
表1
应当理解的是,上述对用电数据的影响程度表由系统自行定义,主要是通过各类园区的设备型号和园区的总用电量定义得到,比如化工园区的设备大都是大型设备,功率和能耗高,开启和关闭时的消耗也高,这也就间接提高了化工园区对用电数据的影响程度。
应当理解的是,天气的变化也会对用电数据造成影响,对于某些设备来说,外界环境的变化也会影响设备的功率和能耗,从而进一步影响整个园区的用电,所以,系统会根据当前的天气状况,通过各设备的功率、能耗以及园区用电实时的预估当前季节对用电数据的影响程度,整个数据是个变化的数据。
应当理解的是,为了更进一步对数字孪生模型进行精确矫正,系统还会根据园区设备型号从同类别园区设备用电数据表中提取该设备不用时间段对应的用电数据以及对应的时长,并计算该设备用电数据均值,在提取到设备不用时间段对应的用电数据以及对应的时长后,系统会对这个时长进行排序,方便后续的计算,如表2所示:
设备 | 用电量 | 时长 | 时间段 | 序号 |
设备1 | 500千瓦时 | 12 | 0~12:00 | 1 |
设备2 | 2000千瓦时 | 7 | 12:00~19:00 | 2 |
设备3 | 400千瓦时 | 5 | 19:00~24:00 | 3 |
表2
应当理解的是,表2的数据仅用于对实施例进行说明,并不代表实际园区的用电数据,表的时间段划分仅划分了3段,实际情况中,时间段的划分要更加细致,这样也是为了方便后续对数字孪生模型进行更精确的矫正。
应当理解的是,矫正因子算法为:
其中,f代表矫正因子,代表园区类别对用电数据的影响程度,代表不同季节对用
电数据的影响程度,m代表设备型号对应的标准功率,代表设备用电数据均值,t代表不同
的时间段,n代表不同时间段对应的编号,i代表不同时间段对应的时长。
应当理解的是,本实施例中,矫正因子算法对数字孪生模型的矫正程度如图3所示,通过图3可以是看出,通过矫正因子对数字孪生模型进行矫正迭代之后,预测的园区用电数据曲线要更加贴近实际用电曲线,对于用电数据曲线的波峰和波谷都可以很好进行预测,并且相对于矫正前的数字孪生模型来说,精确度更高,用户能够通过矫正后的数字孪生模型对园区未来的用电情况进行更精确的预测,提高用户对于园区用电的管理效率。
S4:实时获取园区各设备用电信息,通过数字孪生模型对各设备用电信息进行预测,并根据预测结果获取园区用电分析报告。
应当理解的是,最后系统会实时获取园区各设备用电信息,然后通过构建好的数字孪生模型对各设备用电信息进行预测,同步获取预测结果,根据该预测结果生成对应的园区用电分析报告,这个用电分析报告主要是对用户当前用电情况进行分析,方便用户对自己的用电情况有一个清晰的把握,能够看到自己什么时候用电比较大,存不存在设备用电异常的情况;同时还可以对园区未来设备的用电情况进行预测,以此可以提醒用户提前对可能会出现用电异常的设备进行关注,防止因用电异常而导致的故障发生。
应当理解的是,系统还会根据上述实施例获取得到的园区类型,比如化工园区,系统就会获取所有化工园区的用电分析报告,然后从中得到其他化工园区的用电高峰期和用电低峰期以及具体耗电设备的型号,并依次来生成对应的用电建议,向用户反馈。
需要说明的是,以上仅为举例说明,并不对本申请的技术方案构成任何限定。
通过上述描述不难发现,本实施例通过获取园区信息、园区设备信息以及园区各设备历史用电信息,将该各设备历史用电信息分为用电训练样本以及用电测试样本,对该用电训练样本进行预处理,获取历史用电训练数据集;构建长短期记忆网络模型作为原始模型,根据该长短期记忆网络模型对历史用电训练数据集进行训练,并获取训练结果,通过用电测试样本以及训练结果对原始模型进行迭代矫正,获取二代模型;构建矫正因子算法,根据园区信息以及园区设备信息爬取对应设备用电数据均值,根据园区信息以及设备用电数据均值计算模型矫正因子,通过该模型矫正因子对二代模型进行矫正,获取最终模型作为数字孪生模型;实时获取园区各设备用电信息,通过数字孪生模型对各设备用电信息进行预测,并根据预测结果获取园区用电分析报告。本实施例通过长短期记忆网络模型构建原始模型,然后通过矫正因子算法对二代模型不停矫正迭代,得到最终的数字孪生模型,然后对用电信息进行预测,能够提高预测的精确度,方便用户对用电数据进行管理,提升了管理效率。
此外,本发明实施例还提出一种基于数字孪生的园区用电信息分析装置。如图4所示,该基于数字孪生的园区用电信息分析装置包括:预处理模块10、模型构建模块20、模型矫正模块30以及预测分析模块40。
预处理模块10,用于获取园区信息、园区设备信息以及园区各设备历史用电信息,将该各设备历史用电信息分为用电训练样本以及用电测试样本,对该用电训练样本进行预处理,获取历史用电训练数据集;
模型构建模块20,用于构建长短期记忆网络模型作为原始模型,根据该长短期记忆网络模型对历史用电训练数据集进行训练,并获取训练结果,通过用电测试样本以及训练结果对原始模型进行迭代矫正,获取二代模型;
模型矫正模块30,用于构建矫正因子算法,根据园区信息以及园区设备信息爬取对应设备用电数据均值,根据园区信息以及设备用电数据均值计算模型矫正因子,通过该模型矫正因子对二代模型进行矫正,获取最终模型作为数字孪生模型;
预测分析模块40,用于实时获取园区各设备用电信息,通过数字孪生模型对各设备用电信息进行预测,并根据预测结果获取园区用电分析报告。
此外,需要说明的是,以上所描述的装置实施例仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的基于数字孪生的园区用电信息分析方法,此处不再赘述。
此外,本发明实施例还提出一种存储介质,所述存储介质为计算机存储介质,所述计算机存储介质上存储有基于数字孪生的园区用电信息分析方法程序,所述基于数字孪生的园区用电信息分析方法程序被处理器执行时实现如下操作:
S1,获取园区信息、园区设备信息以及园区各设备历史用电信息,将该各设备历史用电信息分为用电训练样本以及用电测试样本,对该用电训练样本进行预处理,获取历史用电训练数据集;
S2,构建长短期记忆网络模型作为原始模型,根据该长短期记忆网络模型对历史用电训练数据集进行训练,并获取训练结果,通过用电测试样本以及训练结果对原始模型进行迭代矫正,获取二代模型;
S3,构建矫正因子算法,根据园区信息以及园区设备信息爬取对应设备用电数据均值,根据园区信息以及设备用电数据均值计算模型矫正因子,通过该模型矫正因子对二代模型进行矫正,获取最终模型作为数字孪生模型;
S4,实时获取园区各设备用电信息,通过数字孪生模型对各设备用电信息进行预测,并根据预测结果获取园区用电分析报告。
进一步地,所述基于数字孪生的园区用电信息分析方法程序被处理器执行时还实现如下操作:
获取园区信息、园区设备信息以及园区各设备历史用电信息,所述园区信息包括:园区类别以及园区面积,园区设备信息包括:设备型号以及设备能耗,将该各设备历史用电信息分为用电训练样本以及用电测试样本,设定预处理规则:特征提取、归一化、均值以及方差,根据该预处理规则依次对该用电训练样本进行预处理,获取用电训练样本均值以及用电训练样本方差作为历史用电训练数据集。
进一步地,所述基于数字孪生的园区用电信息分析方法程序被处理器执行时还实现如下操作:
构建长短期记忆网络模型作为原始模型,根据该长短期记忆网络模型对历史用电训练数据集进行训练,根据不同数据的特征确定隐层的个数以及每一层神经元的个数,将隐层的个数以及每一层神经元的个数作为训练结果,通过预处理规则对用电测试样本进行预处理,获取用电测试测试数据集,设定误差阈值,计算电测试测试数据集与训练结果的均方误差值,将均方误差值与误差阈值进行比较,当均方误差值大于误差阈值时,通过用电测试样本以及训练结果对原始模型进行迭代矫正,获取矫正后的原始模型作为二代模型;当均方误差值小于误差阈值时,将该原始模型作为二代模型。
进一步地,所述基于数字孪生的园区用电信息分析方法程序被处理器执行时还实现如下操作:
构建矫正因子算法,根据园区类别获取同类别园区设备用电数据表,根据园区设备型号从同类别园区设备用电数据表中获取对应设备用电数据,并计算该对应设备用电数据的用电数据均值,根据园区信息以及设备用电数据均值计算模型矫正因子,通过该模型矫正因子对二代模型进行矫正,获取最终模型作为数字孪生模型。
进一步地,所述基于数字孪生的园区用电信息分析方法程序被处理器执行时还实现如下操作:
根据园区类别获取同类别园区设备用电数据表,根据园区类别以及同类别园区设备用电数据表获取园区类别对用电数据的影响程度,根据园区设备型号从同类别园区设备用电数据表中提取该设备不用时间段对应的用电数据以及对应的时长,并计算该设备用电数据均值,获取园区设备型号对应的标准功率,获取不同季节对用电数据的影响程度。
进一步地,所述基于数字孪生的园区用电信息分析方法程序被处理器执行时还实现如下操作:
所述矫正因子算法为:
其中,f代表矫正因子,代表园区类别对用电数据的影响程度,代表不同季节对用
电数据的影响程度,m代表设备型号对应的标准功率,代表设备用电数据均值,t代表不同
的时间段,n代表不同时间段对应的编号,i代表不同时间段对应的时长。
进一步地,所述基于数字孪生的园区用电信息分析方法程序被处理器执行时还实现如下操作:
实时获取园区各设备用电信息,通过数字孪生模型对各设备用电信息进行预测,获取预测结果,并根据该预测结果生成对应的园区用电分析报告,根据园区信息获取同类园区用电分析报告,根据该同类园区用电分析报告生成用电建议。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于数字孪生的园区用电信息分析方法,其特征在于:包括以下步骤;
S1,获取园区信息、园区设备信息以及园区各设备历史用电信息,将该各设备历史用电信息分为用电训练样本以及用电测试样本,对该用电训练样本进行预处理,获取历史用电训练数据集;
S2,构建长短期记忆网络模型作为原始模型,根据该长短期记忆网络模型对历史用电训练数据集进行训练,并获取训练结果,通过用电测试样本以及训练结果对原始模型进行迭代矫正,获取二代模型;
S3,构建矫正因子算法,根据园区信息以及园区设备信息爬取对应设备用电数据均值,根据园区信息以及设备用电数据均值计算模型矫正因子,通过该模型矫正因子对二代模型进行矫正,获取最终模型作为数字孪生模型;
S4,实时获取园区各设备用电信息,通过数字孪生模型对各设备用电信息进行预测,并根据预测结果获取园区用电分析报告。
2.如权利要求1所述的基于数字孪生的园区用电信息分析方法,其特征在于:步骤S1中,获取园区信息、园区设备信息以及园区各设备历史用电信息,将该各设备历史用电信息分为用电训练样本以及用电测试样本,对该用电训练样本进行预处理,获取历史用电训练数据集,还包括以下步骤,获取园区信息、园区设备信息以及园区各设备历史用电信息,所述园区信息包括:园区类别以及园区面积,园区设备信息包括:设备型号以及设备能耗,将该各设备历史用电信息分为用电训练样本以及用电测试样本,设定预处理规则:特征提取、归一化、均值以及方差,根据该预处理规则依次对该用电训练样本进行预处理,获取用电训练样本均值以及用电训练样本方差作为历史用电训练数据集。
3.如权利要求2所述的基于数字孪生的园区用电信息分析方法,其特征在于:步骤S2中,构建长短期记忆网络模型作为原始模型,根据该长短期记忆网络模型对历史用电训练数据集进行训练,并获取训练结果,通过用电测试样本以及训练结果对原始模型进行迭代矫正,获取二代模型,还包括以下步骤,构建长短期记忆网络模型作为原始模型,根据该长短期记忆网络模型对历史用电训练数据集进行训练,根据不同数据的特征确定隐层的个数以及每一层神经元的个数,将隐层的个数以及每一层神经元的个数作为训练结果,通过预处理规则对用电测试样本进行预处理,获取用电测试测试数据集,设定误差阈值,计算电测试测试数据集与训练结果的均方误差值,将均方误差值与误差阈值进行比较,当均方误差值大于误差阈值时,通过用电测试样本以及训练结果对原始模型进行迭代矫正,获取矫正后的原始模型作为二代模型;当均方误差值小于误差阈值时,将该原始模型作为二代模型。
4.如权利要求3所述的基于数字孪生的园区用电信息分析方法,其特征在于:步骤S3中,构建矫正因子算法,根据园区信息以及园区设备信息爬取对应设备用电数据均值,根据园区信息以及设备用电数据均值计算模型矫正因子,通过该模型矫正因子对二代模型进行矫正,获取最终模型作为数字孪生模型,还包括以下步骤,构建矫正因子算法,根据园区类别获取同类别园区设备用电数据表,根据园区设备型号从同类别园区设备用电数据表中获取对应设备用电数据,并计算该对应设备用电数据的用电数据均值,根据园区信息以及设备用电数据均值计算模型矫正因子,通过该模型矫正因子对二代模型进行矫正,获取最终模型作为数字孪生模型。
5.如权利要求4所述的基于数字孪生的园区用电信息分析方法,其特征在于:根据园区类别获取同类别园区设备用电数据表,根据园区设备型号从同类别园区设备用电数据表中获取对应设备用电数据,并计算该对应设备用电数据的用电数据均值,根据园区信息以及设备用电数据均值计算模型矫正因子,还包括以下步骤,根据园区类别获取同类别园区设备用电数据表,根据园区类别以及同类别园区设备用电数据表获取园区类别对用电数据的影响程度,根据园区设备型号从同类别园区设备用电数据表中提取该设备不用时间段对应的用电数据以及对应的时长,并计算该设备用电数据均值,获取园区设备型号对应的标准功率,获取不同季节对用电数据的影响程度。
7.如权利要求6所述的基于数字孪生的园区用电信息分析方法,其特征在于:步骤S4中,实时获取园区各设备用电信息,通过数字孪生模型对各设备用电信息进行预测,并根据预测结果获取园区用电分析报告,还包括以下步骤,实时获取园区各设备用电信息,通过数字孪生模型对各设备用电信息进行预测,获取预测结果,并根据该预测结果生成对应的园区用电分析报告,根据园区信息获取同类园区用电分析报告,根据该同类园区用电分析报告生成用电建议。
8.一种基于数字孪生的园区用电信息分析装置,其特征在于,所述基于数字孪生的园区用电信息分析装置包括:
预处理模块,用于获取园区信息、园区设备信息以及园区各设备历史用电信息,将该各设备历史用电信息分为用电训练样本以及用电测试样本,对该用电训练样本进行预处理,获取历史用电训练数据集;
模型构建模块,用于构建长短期记忆网络模型作为原始模型,根据该长短期记忆网络模型对历史用电训练数据集进行训练,并获取训练结果,通过用电测试样本以及训练结果对原始模型进行迭代矫正,获取二代模型;
模型矫正模块,用于构建矫正因子算法,根据园区信息以及园区设备信息爬取对应设备用电数据均值,根据园区信息以及设备用电数据均值计算模型矫正因子,通过该模型矫正因子对二代模型进行矫正,获取最终模型作为数字孪生模型;
预测分析模块,用于实时获取园区各设备用电信息,通过数字孪生模型对各设备用电信息进行预测,并根据预测结果获取园区用电分析报告。
9.一种电子设备,其特征在于,所述电子设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于数字孪生的园区用电信息分析方法程序,所述基于数字孪生的园区用电信息分析方法程序配置为实现如权利要求1至7任一项所述的基于数字孪生的园区用电信息分析方法的步骤。
10.一种存储介质,其特征在于,所述存储介质为计算机存储介质,所述计算机存储介质上存储有基于数字孪生的园区用电信息分析方法程序,所述基于数字孪生的园区用电信息分析方法程序被处理器执行时实现如权利要求1至7任一项所述的基于数字孪生的园区用电信息分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110019056.1A CN112381673B (zh) | 2021-01-07 | 2021-01-07 | 一种基于数字孪生的园区用电信息分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110019056.1A CN112381673B (zh) | 2021-01-07 | 2021-01-07 | 一种基于数字孪生的园区用电信息分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381673A true CN112381673A (zh) | 2021-02-19 |
CN112381673B CN112381673B (zh) | 2021-04-20 |
Family
ID=74590099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110019056.1A Active CN112381673B (zh) | 2021-01-07 | 2021-01-07 | 一种基于数字孪生的园区用电信息分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381673B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205202A (zh) * | 2021-03-23 | 2021-08-03 | 苏州易助能源管理有限公司 | 一种基于产业园电力大数据的用电峰值预测方法及设备 |
CN113570277A (zh) * | 2021-08-06 | 2021-10-29 | 中国建设银行股份有限公司 | 一种电力容量管理方法及装置 |
CN114266187A (zh) * | 2021-12-08 | 2022-04-01 | 山东大卫国际建筑设计有限公司 | 一种办公建筑用电网络优化方法及系统 |
CN116109011A (zh) * | 2023-04-10 | 2023-05-12 | 知鱼智联科技股份有限公司 | 一种智慧园区的能耗管理方法及终端 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950794A (zh) * | 2020-08-18 | 2020-11-17 | 上海仪电(集团)有限公司中央研究院 | 园区能耗预测方法,系统、设备和存储介质 |
CN112069247A (zh) * | 2020-09-09 | 2020-12-11 | 广东电网有限责任公司中山供电局 | 基于数字孪生技术的电力系统运行数据可视化系统及方法 |
-
2021
- 2021-01-07 CN CN202110019056.1A patent/CN112381673B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950794A (zh) * | 2020-08-18 | 2020-11-17 | 上海仪电(集团)有限公司中央研究院 | 园区能耗预测方法,系统、设备和存储介质 |
CN112069247A (zh) * | 2020-09-09 | 2020-12-11 | 广东电网有限责任公司中山供电局 | 基于数字孪生技术的电力系统运行数据可视化系统及方法 |
Non-Patent Citations (4)
Title |
---|
LEHMANN C: "The digital twin: Realizing the cyber-physical production system for industry 4.0", 《PROCEDIA CIRP》 * |
SCHLEICH B , ANWER N , MATHIEU L , ET AL: "Shaping the digital twin for design and production engineering", 《CIRP ANNALS - MANUFACTURING TECHNOLOGY》 * |
徐冰涵,孙云莲,易仕敏,王华佑,谢文旺: "考虑分时电价的居民用户短期用电量分类预测及修正方法", 《电力系统保护与控制》 * |
贺兴,艾芊,朱天怡,邱才明,张东霞: "数字孪生在电力系统应用中的机遇和挑战", 《电网技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205202A (zh) * | 2021-03-23 | 2021-08-03 | 苏州易助能源管理有限公司 | 一种基于产业园电力大数据的用电峰值预测方法及设备 |
CN113570277A (zh) * | 2021-08-06 | 2021-10-29 | 中国建设银行股份有限公司 | 一种电力容量管理方法及装置 |
CN114266187A (zh) * | 2021-12-08 | 2022-04-01 | 山东大卫国际建筑设计有限公司 | 一种办公建筑用电网络优化方法及系统 |
CN114266187B (zh) * | 2021-12-08 | 2023-04-07 | 山东大卫国际建筑设计有限公司 | 一种办公建筑用电网络优化方法及系统 |
CN116109011A (zh) * | 2023-04-10 | 2023-05-12 | 知鱼智联科技股份有限公司 | 一种智慧园区的能耗管理方法及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN112381673B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
Sun et al. | Using Bayesian deep learning to capture uncertainty for residential net load forecasting | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
CN111260030B (zh) | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 | |
CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN109412161A (zh) | 一种电力系统概率潮流计算方法及系统 | |
CN113449919A (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN115600840A (zh) | 用户群体碳排放动态画像模型构建方法、装置及设备 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN113240217A (zh) | 一种基于集成预测模型的光伏发电预测方法及装置 | |
Tangrand | Some new contributions to neural networks and wavelets with applications | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
CN116316629A (zh) | 一种考虑拓扑特征学习的数据驱动最优潮流计算方法 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
CN115238951A (zh) | 一种电力负荷的预测方法及装置 |
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 |