CN112653241A - 电网监测方法和装置、物联计量单元 - Google Patents
电网监测方法和装置、物联计量单元 Download PDFInfo
- Publication number
- CN112653241A CN112653241A CN202011479459.6A CN202011479459A CN112653241A CN 112653241 A CN112653241 A CN 112653241A CN 202011479459 A CN202011479459 A CN 202011479459A CN 112653241 A CN112653241 A CN 112653241A
- Authority
- CN
- China
- Prior art keywords
- data
- load data
- power
- power grid
- monitored
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 230000015654 memory Effects 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 11
- 238000002955 isolation Methods 0.000 description 8
- 230000002829 reductive effect Effects 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 239000010410 layer Substances 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本公开实施例提供的电网监测方法和装置、物联计量单元，属于监测技术领域。该电网监测方法通过采集电网的电力负荷数据，并根据电力负荷数据对双芯智能电表的运行状态进行标注，然后将标注后的待监测负荷数据输入至已构建的预测模型，以通过预测模型对待监测负荷数据、并输出表征电网运行状态的预测数据，从而可以实现对电网的监测，并通过预测模型，提高监测数据的准确性。
Description
技术领域
本发明涉及监测技术领域，尤其涉及电网监测方法和装置、物联计量单元。
背景技术
电表作为电量的专用计量器具，经历了从感应式电表到全电子式电表的发展，其中全电子式电表在功能上又经历了普通电子式电能表、复费率电能表、预付费电能表、多功能电能表等发展阶段。当前阶段，新一代双芯智能电表得到广泛使用。通常，双芯智能电表包括计量芯和管理芯，其中，计量芯主要满足电能计量程序运行、数据处理等功能，管理芯承载着各类电表智能应用、双向互动以及增值服务功能，同时还将电表这个传统电力设备纳入到整个工业互联网体系中，以支撑未来更大的应用想象空间；管理芯一般包括ARM模块或者MCU模块。
随着电力物联网的发展，电网的用户终端有着近四亿台智能电表(包括双芯智能电表)产生的电力数据，这么庞大的电力数据并没有得到合理、有效利用，因此，有必要提供一种方案，可以对电表数据进行监测。
发明内容
本公开实施例的主要目的在于提出一种电网监测方法和装置、物联计量单元，可以监测电网运行状态、并提供监测的准确性。
为实现上述目的，本公开实施例的第一方面提出了一种电网监测方法，包括：
采集电网的电力负荷数据；
根据所述电力负荷数据对双芯智能电表的运行状态进行标注，得到标注后的待监测负荷数据；
将所述待监测负荷数据输入至已构建的预测模型；
接收所述预测模型根据所述待监测负荷数据输出的预测数据；其中，所述预测数据用于表征电网的运行状态。
一些实施例中，还包括构建所述预测模型，具体包括：
搭建初始网络模型；
获取电力负荷样本数据集；
将所述电力负荷样本数据集输入至所述初始网络模型进行训练，得所述预测模型。
一些实施例中，所述构建所述预测模型，还包括：
对所述预测模型进行量化。
一些实施例中，所述方法还包括：
对所述电力负荷样本数据集进行清洗处理。
一些实施例中，所述方法还包括：
将标注后的所述待监测负荷数据进行归一化处理。
一些实施例中，所述方法还包括：
将所述预测模型部署至应用平台。
一些实施例中，所述方法还包包括：
将所述待监测负荷数据上传至区块链。
为实现上述目的，本公开实施例的第二方面提出了一种电网监测装置，包括：
电力负荷采集模块，用于采集电网的电力负荷数据；
数据标注模块，用于根据所述电力负荷数据对双芯智能电表的运行状态进行标注，得到标注后的待监测负荷数据；
输入模块，用于将所述待监测负荷数据输入至已构建的预测模型；
预测模块，用于接收所述预测模型根据所述待监测负荷数据输出的预测数据；其中，所述预测数据用于表征电网的运行状态。
为实现上述目的，本公开实施例的第三方面提出了一种物联计量单元，包括：
至少一个存储器；
至少一个处理器；
至少一个程序；
所述程序被存储在存储器中，处理器执行所述至少一个程序以实现本公开实施例如上述第一方面所述的方法。
为实现上述目的，本公开实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：
如上述第一方面所述的方法。
本公开实施例提出的电网监测方法和装置、物联计量单元、存储介质，通过采集电网的电力负荷数据，并根据电力负荷数据对双芯智能电表的运行状态进行标注，然后将标注后的待监测负荷数据输入至已构建的预测模型，以通过预测模型对待监测负荷数据、并输出表征电网运行状态的预测数据，从而可以实现对电网的监测，并通过预测模型，提高监测数据的准确性。
附图说明
图1是本公开实施例提供的双芯智能电表的功能模块图。
图2是本公开实施例提供的电网监测方法的流程图。
图3是本公开实施例提供的电网监测方法的构建预测模型的流程图。
图4是本公开实施例提供的物联计量单元的硬件结构示意图。
具体实施方式
为了使本发明的目的、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，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
首先，对本申请中涉及的若干名词进行解析：
ARM(Advanced RISC Machine)处理器：是一个32位元精简指令集(RISC)处理器架构，ARM处理器广泛地使用在许多嵌入式系统设计。ARM处理器的特点有指令长度固定，执行效率高，低成本等。
MCU(Microcontroller Unit，微控制单元)：又称单片微型计算机(Single ChipMicrocomputer)或者单片机，是把中央处理器(Central Process Unit；CPU)的频率与规格做适当缩减，并将内存(memory)、计数器(Timer)、USB、A/D转换、UART、PLC、DMA等周边接口，甚至LCD驱动电路都整合在单一芯片上，形成芯片级的计算机，为不同的应用场合做不同组合控制，通常应用于手机、PC外围、遥控器，至汽车电子、工业上的步进马达、机器手臂的控制等。
ADC(Analog-to-Digital Converter，模-数转换器)：是指将连续变化的模拟信号转换为离散的数字信号的器件。
BDS(BeiDou Navigation Satellite System，北斗卫星导航系统)：是一种全球卫星导航系统，也是继GPS、GLONASS之后的第三个卫星导航系统；BDS由空间段、地面段和用户段三部分组成，可在全球范围内全天候、全天时为各类用户提供高精度、高可靠定位、导航、授时服务，并且具备短报文通信能力，初步具备区域导航、定位和授时能力。
softmax分类器：softmax分类器就是要最小化估计分类概率和真实分布之间的交叉熵。交叉熵用于评估两个分布的相似度。其中的softmax分类函数中，给定输入和参数w，分配给正确分类标签的归一化概率。softmax用于估算出每个类别的可能性。softmax分类器可以用于使正确的分类获得更大的概率，使错误的分类得到更小的概率。
Softmax函数：用于多分类过程中，它将多个神经元的输出，映射到(0,1)区间内，实现多分类。
tf.keras.Model类：将定义好的网络结构封装入一个对象，用于训练、测试和预测。
tf.keras.layers类：实现常见的神经网络操作的类，如卷积、批标准化等。这些操作需要管理权重、损失、更新和层间连接。
智能合约：是一种旨在以信息化方式传播、验证或执行合同的计算机协议；智能合约允许在没有第三方的情况下进行可信交易，这些交易可追踪且不可逆转；区块链上的所有用户都可以看到基于区块链的智能合约。
电表作为电量的专用计量器具，经历了从感应式电表到全电子式电表的发展，其中全电子式电表在功能上又经历了普通电子式电能表、复费率电能表、预付费电能表、多功能电能表等发展阶段。当前阶段，新一代双芯智能电表得到广泛使用。通常，双芯智能电表包括计量芯和管理芯，其中，计量芯主要满足电能计量程序运行、数据处理等功能，管理芯承载着各类电表智能应用、双向互动以及增值服务功能，同时还将电表这个传统电力设备纳入到整个工业互联网体系中，以支撑未来更大的应用想象空间；管理芯一般包括ARM模块或者MCU模块。
随着电力物联网的发展，电网的用户终端有着近四亿台智能电表(包括双芯智能电表)产生的电力数据，这么庞大的电力数据并没有得到合理、有效利用，例如：如何根据监测到的家庭用电功率数据对居民用电行为进行精细化分析、以获得家庭主要用电器的运行状态及功率消耗情况，如何提供详细的电费清单、以帮助用户节约用电和检测故障电器，如何监测居民行为来照看容易发生危险的人群，以及如何帮助电网公司提高电力负荷分配的决策准确性等。
基于此，本公开实施例提出一种电网监测的技术方案，可以方便监测电网运行状态和提高监测数据的准确性。
本公开实施例提供一种电网监测方法和装置、物联计量单元、存储介质，具体通过如下实施例进行说明，首先描述本公开实施例中的电网监测方法。
本公开实施例提供的电网监测方法，用于监测双芯智能电表，可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和。人工智能平台等基础云计算服务的云服务器；软件可以是实现电网监测方法的应用等，但并不局限于以上形式。
请参阅图1，本公开实施例提供的双芯智能电表，包括计量芯101和管理芯103，计量芯101用于计量电力负荷数据、并用于将计量的电力负荷数据传输给管理芯103；管理芯103可以用于将电能通过区块链方式传输至云端；其中，计量芯片101包括高精度的ADC单元、隔离单元和通信单元。ADC单元用于监测电网的运行状态、以接收外部采样信号(即电力负荷数据)，并将外部采样信号转换为数字信号；隔离单元用于对数字信号进行电气隔离，并用于输出隔离后的信号；通信单元用于接收隔离后的信号，并用于根据隔离后的信号输出电能计量信号。在一些实施例中，隔离单元至少包括调制模块、隔离电容、解调模块；其中，调制模块用于对数字信号进行调制，并输出调制信号；隔离单元用于接收调制信号和用于输出隔离的调制信号；解调模块用于对隔离调制信号进行解调，并输出隔离后的信号(即电能计量信号)。通信单元包括高速通信接口，电能计量信号通过高速通信接口传输至管理芯103。具体地，高速通信接口可以是以太网口、通信串口、RS232串口或者RS485串口。具体地，隔离单元可以包括隔离电容。
计量芯101还包括北斗定位模块，用于在电网出现故障状态时进行定位、并提供导航数据、导航数据通过高速通信接口传输至管理芯103，以通过管理芯103上传至云端服务器和故障地点。
双芯智能电表还包括语音声纹识别单元105，语音声纹识别单元105用于采集声音信号、并用于识别声音信号，以通过识别的声音信号控制对双芯智能电表的操作，例如，电力负荷数据的读取。
请参阅图2，图2是本公开实施例提供的电网监测方法的一个可选的流程图，图2中的方法包括步骤101至步骤104。
步骤101、采集电网的电力负荷数据；
步骤102、根据电力负荷数据对双芯智能电表的运行状态进行标注，得到标注后的待监测负荷数据；
步骤103、将待监测负荷数据输入至已构建的预测模型；
步骤104、接收预测模型根据待监测负荷数据输出的预测数据；其中，预测数据用于表征电网的运行状态。
在一些实施例中，电力负荷数据可以包括用电参数，例如电流、电压、电量、零线电流、有功、无功、温度、谐波等等。电力负荷数据可以对应每一用户的电力负荷数据。每一用户的电力负荷数据通过网络上传至相应的电网系统和云端服务器；电力负荷数据可以进行如下管理：
将电力负荷数据分为多级，第一级为对应的变电站分表，第二级为对应的小区分表，第三级为对应每一小区的用户表。变电站分表连接小区分表；相应的小区分表连接用户表。
在一些实施例中，电网监测方法，还包括：
将待监测负荷数据上传至区块链；
获取区块链的智能合约根据待监测负荷数据计算出的电力负荷信息。
其中，该区块链为区块链监控平台的区块链，区块链监控平台可以连接变电站分表、小区分表和用户表。
电力负荷信息可以包括用电参数、电能表停走、电能表飞走、无功欠、过补偿、电能表示度下降、断电压、电压逆相序、短接或分接电流、电流反接、超大功率反向、超大功率倒灌、CT二次侧短路、电能表参数更改等。
通过区块链技术，可以智能分析制定准确的负荷预测，以减少电网备用容量，提高电网经济效益。通过双芯智能电表，可以分析用户用电习惯，向电网上传用户近期的用电计划。在实际应用中国，有分布电源的用户可由双芯智能电表上传自己的发送电计划，及分布电源的发电数据，通过区块链智能技术若发现电源的电能质量不合格，可以通过双芯智能电表告知用户，并要求及时整改同时智能提供解决方案。
请参阅图3，电网监测方法，还包括：构建预测模型，具体包括：
步骤201、搭建初始网络模型；
步骤202、获取电力负荷样本数据集；
步骤203、将电力负荷样本数据集输入至初始网络模型进行训练，得预测模型。
在一些实施例中，电力负荷样本数据集包括训练数据集和预测数据集；步骤203包括：
将训练数据集输入至初始网络模型进行训练，得预测模型。
具体地，可以将电力负荷样本数据集按照预设的比例划分训练数据集和预测数据集，例如训练数据集和预测数据集的比例可以是8:2。
在一些实施例中，步骤203之后构建预测模型，还包括：
步骤204、对预测模型进行量化。通过对预测模型进行量化可以降低预测模型的大小且不损耗预测模型的精准度；具体地，本公开实施例采用深度学习框架Tensorflow中的量化工具tensorflowlite将预测模型量化，并使用tensorflowlite的C++API将模型读取出来。
在一应用场景中，预测模型可以是LSTM神经网络模型；在其他的实施例中，还可以是其他类型的网络模型。本公开实施例以LSTM神经网络模型为例进行说明：LSTM神经网络模型包括2层LSTM层和一层全连接层，每层LSTM层有128个神经元，全连接层具有64个神经元，最后经softmax分类器输出；损失函数采用交叉熵损失函数，优化器选择自适应学习率优化算法Adam算法；然后对LSTM神经网络模型进行训练。例如采用tf.keras.loss中的交叉熵作为损失函数，评估模型预测值与真实值之间的损失情况。优化器也可以使用tf.keras.optimizer，并使用优化器更新模型参数，以最小化损失函数。此外，本公开实施例还可以采用评估器tf.keras.metrics来评估预测模型在电力负荷数据上的性能，评估器tf.keras.metrics能够对预测模型的预测结果与真实结果进行比较，并输出预测正确的样本数占总样本数的比例。
在一些实施例中，步骤102之后，电网监测方法，还包括：
将标注后的待监测负荷数据进行归一化处理。其中，进行归一化处理的具体步骤，本公开实施例不做限定，可以参照常规的原理进行归一化处理。
电网监测方法，还包括：
对电力负荷样本数据集进行清洗处理；其中，清洗后的电力负荷样本数据集作为步骤203中输入至初始网络模型进行训练的待监测负荷数据。
在一些实施例中，电网监测方法，还包括：
将预测模型部署至应用平台；具体地，该应用平台至少为以下之一：区块链监控平台、应用数据库或者应用管理平台。实际应用中，可以定时对预测模型进行预测，并将预测出的数据推送到应用数据库或者应用管理平台，从而实现对电力负荷数据的监控。
本公开实施例是应用LSTM神经网络模型的电网监测方法，因神经网络在理论上可以多种类型的算法，降低了机器学习的多个建模成本，即降低了构建多个预测模型的成本，增强预测模型的健壮性与准确性。
本公开实施例还提供一种电网监测割装置，可以实现上述电网监测方法，该装置包括：
电力负荷采集模块，用于采集电网的电力负荷数据；
数据标注模块，用于根据电力负荷数据对双芯智能电表的运行状态进行标注，得到标注后的待监测负荷数据；
输入模块，用于将待监测负荷数据输入至已构建的预测模型；
预测模块，用于接收预测模型根据待监测负荷数据输出的预测数据；其中，预测数据用于表征电网的运行状态。
本公开实施例还提供了一种存储介质，该存储介质是计算机可读存储介质，该计算机可执行指令用于执行上述电网监测方法。
本公开实施例还提供了一种物联计量单元，包括：
至少一个存储器；
至少一个处理器；
至少一个程序；
程序被存储在存储器中，处理器执行至少一个程序以实现本公开实施例上述电网监测方法。该物联计量单元可以为包括手机、平板电脑、个人数字助理(Personal DigitalAssistant，简称PDA)、销售终端(Point of Sales，简称POS)、车载电脑等任意智能终端。
请参阅图4，图4示意了物联计量单元的硬件结构，物联计量单元包括：
处理器401，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本公开实施例所提供的技术方案；
存储器402，可以采用ROM(ReadOnlyMemory，只读存储器)、静态存储设备、动态存储设备或者RAM(RandomAccessMemory，随机存取存储器)等形式实现。存储器402可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器402中，并由处理器401来调用执行本公开实施例的电网监测方法；
输入/输出接口403，用于实现信息输入及输出；
通信接口404，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；和
总线405，在设备的各个组件(例如处理器401、存储器402、输入/输出接口403和通信接口404)之间传输信息；
其中处理器401、存储器402、输入/输出接口403和通信接口404通过总线405实现彼此之间在设备内部的通信连接。
一些实施例中，物联计量单元还包括上述所示的双芯智能电表。
本公开实施例提出的电网监测方法和装置、物联计量单元、存储介质，采集电网的电力负荷数据，并根据电力负荷数据对双芯智能电表的运行状态进行标注，然后将标注后的待监测负荷数据输入至已构建的预测模型，以通过预测模型对待监测负荷数据、并输出表征电网运行状态的预测数据，从而可以实现对电网的监测，并通过预测模型，提高监测数据的准确性。并且，通过对预测模型进行量化可以降低预测模型的大小且不损耗预测模型的精准度。此外，本公开实施例是应用LSTM神经网络模型的电网监测方法，因神经网络在理论上可以多种类型的算法，降低了机器学习的多个建模成本，即降低了构建多个预测模型的成本，增强预测模型的健壮性与准确性。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1-4中示出的技术方案并不构成对本公开实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤；也可以包括比图示更多或更少的模块，或者组合某些模块，或者不同的模块。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。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。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本公开实施例的优选实施例，并非因此局限本公开实施例的权利范围。本领域技术人员不脱离本公开实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本公开实施例的权利范围之内。
Claims (10)
1.一种电网监测方法，其特征在于，包括：
采集电网的电力负荷数据；
根据所述电力负荷数据对双芯智能电表的运行状态进行标注，得到标注后的待监测负荷数据；
将所述待监测负荷数据输入至已构建的预测模型；
接收所述预测模型根据所述待监测负荷数据输出的预测数据；其中，所述预测数据用于表征电网的运行状态。
2.根据权利要求1所述的方法，其特征在于，还包括构建所述预测模型，具体包括：
搭建初始网络模型；
获取电力负荷样本数据集；
将所述电力负荷样本数据集输入至所述初始网络模型进行训练，得所述预测模型。
3.根据权利要求2所述的方法，其特征在于，所述构建所述预测模型，还包括：
对所述预测模型进行量化。
4.根据权利要求2所述的方法，其特征在于，还包括：
对所述电力负荷样本数据集进行清洗处理。
5.根据权利要求1至4任意一项所述的方法，其特征在于，还包括：
将标注后的所述待监测负荷数据进行归一化处理。
6.根据权利要求1至4任意一项所述的方法，其特征在于，还包括：
将所述预测模型部署至应用平台。
7.根据权利要求1至4任意一项所述的方法，其特征在于，还包括：
将所述待监测负荷数据上传至区块链。
8.一种电网监测装置，其特征在于，包括：
电力负荷采集模块，用于采集电网的电力负荷数据；
数据标注模块，用于根据所述电力负荷数据对双芯智能电表的运行状态进行标注，得到标注后的待监测负荷数据；
输入模块，用于将所述待监测负荷数据输入至已构建的预测模型；
预测模块，用于接收所述预测模型根据所述待监测负荷数据输出的预测数据；其中，所述预测数据用于表征电网的运行状态。
9.一种物联计量单元，其特征在于，包括：
至少一个存储器；
至少一个处理器；
至少一个程序；
所述程序被存储在存储器中，处理器执行所述至少一个程序以实现如权利要求1至7任一项所述的方法。
10.一种存储介质，所述存储介质为计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：
如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011479459.6A CN112653241B (zh) | 2020-12-16 | 2020-12-16 | 电网监测方法和装置、物联计量单元 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011479459.6A CN112653241B (zh) | 2020-12-16 | 2020-12-16 | 电网监测方法和装置、物联计量单元 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112653241A true CN112653241A (zh) | 2021-04-13 |
| CN112653241B CN112653241B (zh) | 2023-06-09 |
Family
ID=75354091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011479459.6A Active CN112653241B (zh) | 2020-12-16 | 2020-12-16 | 电网监测方法和装置、物联计量单元 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112653241B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113092855A (zh) * | 2021-04-29 | 2021-07-09 | 深圳供电局有限公司 | 温度监测方法、装置、双芯智能电表和存储介质 |
| CN113657628A (zh) * | 2021-08-20 | 2021-11-16 | 武汉霖汐科技有限公司 | 工业设备监控方法、系统、电子设备及存储介质 |
| CN116872780A (zh) * | 2023-09-08 | 2023-10-13 | 国网浙江省电力有限公司杭州供电公司 | 一种电动汽车充电供应控制方法、装置、终端及介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016518805A (ja) * | 2013-04-23 | 2016-06-23 | トムソン ライセンシングＴｈｏｍｓｏｎ Ｌｉｃｅｎｓｉｎｇ | 電気の使用状況を検出する電気の使用状況センサ・デバイス、および電気の使用状況監視装置 |
| CN108009673A (zh) * | 2017-11-24 | 2018-05-08 | 国网北京市电力公司 | 基于深度学习的新型负荷预测方法和装置 |
| CN109740812A (zh) * | 2018-12-28 | 2019-05-10 | 广州供电局有限公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
| CN110188826A (zh) * | 2019-05-31 | 2019-08-30 | 湖南科技大学 | 基于智能电表数据的家用电器运行状态非侵入式检测方法 |
| CN110263866A (zh) * | 2019-06-24 | 2019-09-20 | 苏州智睿新能信息科技有限公司 | 一种基于深度学习的电力用户负荷区间预测方法 |
| CN110730225A (zh) * | 2019-09-30 | 2020-01-24 | 北京中电拓方科技股份有限公司 | 基于区块链的物联网的数据处理方法、物联网及存储介质 |
| CN111091247A (zh) * | 2019-12-24 | 2020-05-01 | 天津相和电气科技有限公司 | 基于深度神经网络模型融合的电力负荷预测方法、装置 |
| CN111338262A (zh) * | 2020-03-20 | 2020-06-26 | 湖南科技大学 | 基于arm的家用电器运行状态非侵入式检测装置及方法 |
| CN111553752A (zh) * | 2020-06-05 | 2020-08-18 | 济南朗宁电力科技有限公司 | 一种区块链多级控制负荷智能分析模块 |
| CN111913147A (zh) * | 2020-08-05 | 2020-11-10 | 国网甘肃省电力公司营销服务中心 | 基于物联网的电力计量装置的监测方法、装置、服务器及存储介质 |
-
2020
- 2020-12-16 CN CN202011479459.6A patent/CN112653241B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016518805A (ja) * | 2013-04-23 | 2016-06-23 | トムソン ライセンシングＴｈｏｍｓｏｎ Ｌｉｃｅｎｓｉｎｇ | 電気の使用状況を検出する電気の使用状況センサ・デバイス、および電気の使用状況監視装置 |
| CN108009673A (zh) * | 2017-11-24 | 2018-05-08 | 国网北京市电力公司 | 基于深度学习的新型负荷预测方法和装置 |
| CN109740812A (zh) * | 2018-12-28 | 2019-05-10 | 广州供电局有限公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
| CN110188826A (zh) * | 2019-05-31 | 2019-08-30 | 湖南科技大学 | 基于智能电表数据的家用电器运行状态非侵入式检测方法 |
| CN110263866A (zh) * | 2019-06-24 | 2019-09-20 | 苏州智睿新能信息科技有限公司 | 一种基于深度学习的电力用户负荷区间预测方法 |
| CN110730225A (zh) * | 2019-09-30 | 2020-01-24 | 北京中电拓方科技股份有限公司 | 基于区块链的物联网的数据处理方法、物联网及存储介质 |
| CN111091247A (zh) * | 2019-12-24 | 2020-05-01 | 天津相和电气科技有限公司 | 基于深度神经网络模型融合的电力负荷预测方法、装置 |
| CN111338262A (zh) * | 2020-03-20 | 2020-06-26 | 湖南科技大学 | 基于arm的家用电器运行状态非侵入式检测装置及方法 |
| CN111553752A (zh) * | 2020-06-05 | 2020-08-18 | 济南朗宁电力科技有限公司 | 一种区块链多级控制负荷智能分析模块 |
| CN111913147A (zh) * | 2020-08-05 | 2020-11-10 | 国网甘肃省电力公司营销服务中心 | 基于物联网的电力计量装置的监测方法、装置、服务器及存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113092855A (zh) * | 2021-04-29 | 2021-07-09 | 深圳供电局有限公司 | 温度监测方法、装置、双芯智能电表和存储介质 |
| CN113092855B (zh) * | 2021-04-29 | 2023-05-02 | 深圳供电局有限公司 | 温度监测方法、装置、双芯智能电表和存储介质 |
| CN113657628A (zh) * | 2021-08-20 | 2021-11-16 | 武汉霖汐科技有限公司 | 工业设备监控方法、系统、电子设备及存储介质 |
| CN116872780A (zh) * | 2023-09-08 | 2023-10-13 | 国网浙江省电力有限公司杭州供电公司 | 一种电动汽车充电供应控制方法、装置、终端及介质 |
| CN116872780B (zh) * | 2023-09-08 | 2023-12-15 | 国网浙江省电力有限公司杭州供电公司 | 一种电动汽车充电供应控制方法、装置、终端及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112653241B (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112653241A (zh) | 电网监测方法和装置、物联计量单元 | |
| CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
| CN105158537A (zh) | 一种智能电表 | |
| Shashank et al. | Power analysis of household appliances using IoT | |
| CN102982489A (zh) | 一种基于海量计量数据的电力客户在线分群方法 | |
| CN109858728A (zh) | 基于分行业用电特性分析的负荷预测方法 | |
| CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
| CN114004296A (zh) | 一种基于电力负荷特征反向提取监测点的方法及系统 | |
| KR20200128232A (ko) | 전력 수요 예측 장치 및 그 방법 | |
| Huang et al. | E-sketch: Gathering large-scale energy consumption data based on consumption patterns | |
| CN111738529B (zh) | 基于强化学习的综合能源系统需求响应方法、系统及设备 | |
| CN103106248A (zh) | 一种水位流量数据同化报汛方法、装置及报汛系统 | |
| CN103699029A (zh) | 一种能耗数据采集终端 | |
| US9019122B2 (en) | Information retrieval for boundary reading processing | |
| CN110210677B (zh) | 一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置 | |
| CN116992216A (zh) | 一种基于电力用户数据的短期负荷预测方法 | |
| Lei et al. | Forecasting short-term residential electricity consumption using a deep fusion model | |
| CN111177278A (zh) | 一种网格用户短期负荷预测实时处理工具 | |
| CN113642248B (zh) | 定位设备剩余使用时间的评估方法及装置 | |
| CN111127082B (zh) | 用于供能系统的数据处理系统、方法及装置 | |
| US9635441B2 (en) | Information retrieval for service point channels | |
| CN112613670A (zh) | 一种基于权重分配预测电力用户需量的装置及方法 | |
| CN104834978A (zh) | 一种负荷修复及预测的方法 | |
| CN117131315B (zh) | 基于求解多元二次函数极值的超差电能表确定方法及介质 | |
| CN117575175B (zh) | 碳排放评估方法、装置、电子设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 518000 building 501, 502, 601, 602, building D, wisdom Plaza, Qiaoxiang Road, Gaofa community, Shahe street, Nanshan District, Shenzhen City, Guangdong Province Applicant after: China Southern Power Grid Digital Platform Technology (Guangdong) Co.,Ltd. Address before: 518000 building 501, 502, 601, 602, building D, wisdom Plaza, Qiaoxiang Road, Gaofa community, Shahe street, Nanshan District, Shenzhen City, Guangdong Province Applicant before: China Southern Power Grid Shenzhen Digital Power Grid Research Institute Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |