CN113826294B - 电力管理方法、装置、计算设备、介质以及产品 - Google Patents

电力管理方法、装置、计算设备、介质以及产品 Download PDF

Info

Publication number
CN113826294B
CN113826294B CN201980096443.6A CN201980096443A CN113826294B CN 113826294 B CN113826294 B CN 113826294B CN 201980096443 A CN201980096443 A CN 201980096443A CN 113826294 B CN113826294 B CN 113826294B
Authority
CN
China
Prior art keywords
power consumption
time period
error
time
period
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201980096443.6A
Other languages
English (en)
Other versions
CN113826294A (zh
Inventor
华文韬
李晶
王丹
刘浩
李昂
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.)
Siemens Ltd China
Original Assignee
Siemens Ltd China
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 Siemens Ltd China filed Critical Siemens Ltd China
Publication of CN113826294A publication Critical patent/CN113826294A/zh
Application granted granted Critical
Publication of CN113826294B publication Critical patent/CN113826294B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及电力管理方法、装置、计算设备、介质以及产品。电力管理方法，包括：监测步骤：实时采集并存储用户的耗电量数据；预测步骤：基于所采集的耗电量数据，利用预先存储的第一预测模型来预测第一时间段的第一预测耗电量，利用预先存储的第二预测模型来预测第一时间段所包括的每一个第二时间段各自的第二预测耗电量；误差计算步骤：基于所采集的实时耗电量数据，从第一时间段所包括的第一个第二时间段开始至最后一个第二时间段为止，针对每一个第二时间段依次执行以下处理：计算该第二时间段的实际耗电量和该第二时间段的第二预测耗电量之间的第一误差，并且计算从第一个第二时间段至当前第二时间段的总实际耗电量和从第一个第二时间段至当前第二时间段的各个第二预测耗电量的总和之间的第二误差；以及调整步骤：在第一误差大于第一预定阈值和/或第二误差大于第二预定阈值的情况下，调整电量供给计划或者用户的电量需求。

Description

电力管理方法、装置、计算设备、介质以及产品
技术领域
本公开通常涉及电力领域，更具体地，涉及电力管理方法、装置、计算设备、介质以及产品。
背景技术
电气化是目前世界的大趋势。电量消耗特征是多变的，例如新的波动特性和更复杂的时间序列特征等。电量消耗的管理可以在多个方面有益，例如，这是对于对于电网运营者的电力和能量优化计划的有效方法。另一方面，可以帮助电力零售商在电力市场实现更可靠的交易，并且可以分辨终端用户电力消耗特征，以确保他们的收益。除此之外，可以帮助根据终端用户的电力消耗特征发现潜在的增值服务。
电力管理系统可以包括多个部分，在现有技术中，这些部分通常是独立工作，而没有一个闭环的电力管理系统。
其中的预测部分一般来说可以使用以下三种定律来预测消耗电量：平均增长率定律、季节系数定律和趋势比定律。然而，目前的预测是使用先前预测的时间点的电力消耗数据来计算后面的时间点的电力消耗数据，可以理解，在预测过程中预测数据相比于实际数据不是很可靠，因此由于预测过程中包括预测数据，而导致误差累积。
考虑到以上情况，需要提供一种电力管理系统，能够更有效、可靠地管理电力消耗。
发明内容
在下文中给出关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
鉴于上述，本公开提出了一种电力管理方法、装置和系统，实现了对电力的闭环管理。在根据本公开的实施例的电力管理方法中，采用一种全时间尺度预测方法，可以提高预测准确度，满足误差追踪的实时要求。利用误差追踪的结果，可以对电量的供给计划或者用户的电量需求进行适当的调整，减小实际需求与预测需求之间的差异，从而增强对电力消耗的管理，提高电力消耗的效率。
根据本公开的一个方面，提供了电力管理方法，包括：电力管理方法，包括：监测步骤：实时采集并存储用户的耗电量数据；预测步骤：基于所采集的耗电量数据，利用预先存储的第一预测模型来预测第一时间段的第一预测耗电量，利用预先存储的第二预测模型来预测所述第一时间段所包括的每一个第二时间段各自的第二预测耗电量；误差计算步骤：基于所采集的实时耗电量数据，从所述第一时间段所包括的第一个第二时间段开始至最后一个第二时间段为止，针对每一个第二时间段依次执行以下处理：计算该第二时间段的实际耗电量和该第二时间段的所述第二预测耗电量之间的第一误差，并且计算从第一个第二时间段至当前第二时间段的总实际耗电量和从第一个第二时间段至当前第二时间段的各个第二预测耗电量的总和之间的第二误差；以及调整步骤：在所述第一误差大于第一预定阈值和/或所述第二误差大于第二预定阈值的情况下，调整电量供给计划或者用户的电量需求。
可选地，在上述方面的一个示例中，所述方法还包括：后评估步骤：在所述第一时间段结束之后，计算所述第一时间段的实际耗电量和所述第一预测耗电量之间的第三误差，在所述第三误差大于第三预定阈值的情况下，分别调整所述第一预测模型和所述第二预测模型。
以这样的方式，可以对预测耗电量和实际耗电量进行分析，根据分析结果可以对预测模型进行更新，以进一步提高预测的准确度。
可选地，在上述方面的一个示例中，所述后评估步骤进一步包括：根据针对不同用户计算的所述第三误差，对各个用户进行排序。
以这样的方式，可以方便地确认高质量的用电用户，以及不同用户的特性，从而改进对用电用户的管理，提高用电效率。
可选地，在上述方面的一个示例中，所述第一时间段是一个月，所述第二时间段是一天。
以这样的方式，可以按照每月的方式对电力消耗进行后评估。
可选地，在上述方面的一个示例中，所述第一预测模型是用所述第一时间段的耗电量历史数据作为训练数据，训练得到的第一机器学习模型，所述第二预测模型是用所述第二时间段的耗电量历史数据作为训练数据，训练得到的第二机器学习模型。
以这样的方式，先前预测的时间点的数据将不会用于预测后面时间点的数据，这样可以避免由于先前预测的数据存在误差而导致误差累积。另一方面，日耗电量的预测可以受到预测的月耗电量的约束，从而可以减小所预测的日耗电量和月耗电量的误差。
根据本公开的另一方面，提供了电力管理装置，包括：一个监测单元，被配置为实时采集并存储用户的耗电量数据；一个预测单元(204)，被配置为基于所采集的耗电量数据，利用预先存储的第一预测模型来预测第一时间段的第一预测耗电量，利用预先存储的第二预测模型来预测所述第一时间段所包括的每一个第二时间段各自的第二预测耗电量；一个误差计算单元，被配置为基于所采集的实时耗电量数据，从所述第一时间段所包括的第一个第二时间段开始至最后一个第二时间段为止依次执行以下处理：计算该第二时间段的实际耗电量和该第二时间段的所述第二预测耗电量之间的第一误差，并且计算从第一个第二时间段至当前第二时间段的总实际耗电量和从第一个第二时间段至当前第二时间段的各个第二预测耗电量的总和之间的第二误差；以及一个调整单元，被配置为在所述第一误差大于第一预定阈值和/或所述第二误差大于第二预定阈值的情况下，调整电量供给计划或者用户的电量需求。
可选地，在上述方面的一个示例中，电力管理装置还包括：一个后评估单元，被配置为在第一时间段结束之后，计算第一时间段的实际耗电量和所述第一预测耗电量之间的第三误差，在所述第三误差大于第三预定阈值的情况下，分别调整所述第一预测模型和所述第二预测模型。
可选地，在上述方面的一个示例中，所述后评估单元进一步被配置为：根据针对不同用户计算的所述第三误差，对各个用户进行排序。
根据本公开的另一方面，提供了电力管理系统，包括：一个接口单元，所述接口单元用于使电力管理系统从外部系统获得耗电量数据；一个数据库，所述数据库用于存储所述耗电量数据；以及如以上所述的一个电力管理装置，其中，所述电力管理装置从所述数据库获得所述耗电量数据。
根据本公开的另一方面，提供了一种计算设备，包括：至少一个处理器；以及与所述至少一个处理器耦合的一个存储器，所述存储器用于存储指令，当所述指令被所述至少一个处理器执行时，使得所述处理器执行如上所述的方法。
根据本公开的另一方面，提供了一种非暂时性机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，所述计算机程序产品被有形地存储在计算机可读介质上并且包括计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行如上所述的方法。
附图说明
参照下面结合附图对本发明实施例的说明，会更加容易地理解本发明的以上和其它目的、特点和优点。附图中的部件只是为了示出本发明的原理。在附图中，相同的或类似的技术特征或部件将采用相同或类似的附图标记来表示。
图1示出了根据本公开的一个实施例的电力管理方法100的示例性过程的流程图；
图2是示出了根据本公开的一个实施例的电力管理装置200的示例性配置的框图；
图3是示出了根据本公开的一个实施例的电力管理系统300的示例性配置的框图；以及
图4示出了根据本公开的一个实施例的进行电力管理的计算设备的方框图。
附图标记
S102、S104、S106、S108和S110：步骤
200：电力管理装置
202：监测单元
204：预测单元
206：误差计算单元
208：调整单元
210：后评估单元
300：电力管理系统
302：接口单元
304：数据库
310：外部系统
312：测量系统
314：本地服务器
316：本地数据库
400：计算设备
402：处理器
404：存储器
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。例如，所描述的方法可以按照与所描述的顺序不同的顺序来执行，以及各个步骤可以被添加、省略或者组合。另外，相对一些示例所描述的特征在其它例子中也可以进行组合。
如本文中使用的，术语“包括”及其变型表示开放的术语，含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义，无论是明确的还是隐含的。除非上下文中明确地指明，否则一个术语的定义在整个说明书中是一致的。
本公开提出了一种电力管理方法、装置和系统，实现了对电力的闭环管理。在根据本公开的实施例的电力管理方法中，采用一种全时间尺度预测方法，可以提高预测准确度，满足误差追踪的实时要求。利用误差追踪的结果，可以对电量的供给计划或者用户的电量需求进行适当的调整，减小实际需求与预测需求之间的差异，从而增强对电力消耗的管理，提高电力消耗的效率。
现在结合附图来描述根据本公开的实施例的电力管理方法、装置和系统。
图1示出了根据本公开的一个实施例的电力管理方法100的示例性过程的流程图。
在图1中，首先执行监测步骤S102，实时采集并存储用户的耗电量数据。
所采集的耗电量数据可以以某种文件格式(例如，Excel或.txt格式)导出，或者通过控制台进行监测。
接下来，执行预测步骤S104，基于所采集的耗电量数据，利用预先存储的第一预测模型来预测第一时间段的第一预测耗电量，利用预先存储的第二预测模型来预测所述第一时间段所包括的每一个第二时间段各自的第二预测耗电量。
其中，所述第一预测模型是用所述第一时间段的耗电量历史数据作为训练数据，训练得到的第一机器学习模型；所述第二预测模型是用所述第二时间段的耗电量历史数据作为训练数据，训练得到的第二机器学习模型。
为了提高预测精度，在根据本公开的一个实施例的电力管理方法中采用了全时段尺度预测的方法。
在一个实施例中，第一时间段为一个月，第二时间段为一天。
具体地，在步骤S104中，首先预测一个月的月耗电量，然后一次性预测这一个月所包括的每一天的日耗电量。在这种情况下，先前预测的时间点的数据将不会用于预测后面时间点的数据，这样可以避免由于先前预测的数据存在误差而导致误差累积。另一方面，日耗电量的预测可以受到预测的月耗电量的约束，从而可以减小所预测的日耗电量和月耗电量的误差。
本领域技术人员可以理解，第一时间段也可以例如为两个月或者一年，第二时间段也可以为一周或者一个月等，只要第一时间段是由多个第二时间段组成的，而并不限于在本实施例中所限定的一个月和一天。
在一个示例中，可以用月耗电量历史数据作为训练数据，利用线性回归算法训练第一机器学习模型来预测月耗电量(第一预测耗电量)。可以用日耗电量历史数据作为训练数据，训练一个神经网络模型，例如RNN(循环神经网络)模型作为第二机器学习模型，来预测日耗电量(第二预测耗电量)。
本领域技术人员可以理解训练得到第一机器学习模型和第二机器学习模型，以及利用第一机器学习模型和第二机器学习模型来预测第一预测耗电量以及第二预测耗电量的具体过程，在此不再赘述。
此外，本领域技术人员可以理解，也可以采用其他不同方式来预测第一预测耗电量和第二预测耗电量，而不限于以上所述的利用机器学习模型进行预测的方式。
接下来，执行误差计算步骤S106，基于所采集的实时耗电量数据，从所述第一时间段所包括的第一个第二时间段开始至最后一个第二时间段为止，针对每一个第二时间段依次执行以下处理：
计算该第二时间段的实际耗电量和该第二时间段的所述第二预测耗电量之间的第一误差，并且计算从第一个第二时间段至当前第二时间段的总实际耗电量和从第一个第二时间段至当前第二时间段的各个第二预测耗电量的总和之间的第二误差。
实际耗电量与预测耗电量之间的误差是不可避免的。因此需要实时监控实际耗电量与预测耗电量，在监控的同时也会追踪其误差。在本公开的方法中，按照不同的时间间隔来计算误差，以进一步进行监控。
具体地，仍然以第一时间段为一个月，第二时间段为一天为例来进行说明。
从一个月的第一天起，计算每一天的实际耗电量和这一天的预测耗电量之间的第一误差，并且计算从本月第一天起至当天的总实际耗电量与从本月第一天起至当天的每天的预测耗电量的总和之间的第二误差。
例如，用Eai表示本月第i天的实际耗电量，Epi表示本月第i天的预测耗电量，E1i表示本月第i天的第一误差，E2j表示在本月的第j天计算的第二误差。
则第i天的第一误差的计算公式可以表示为下面的式(1)：
E1i＝Eai-Epi ...(1)
第j天的第二误差的计算公式可以表示为下面的式(2)：
E2j＝(Ea1+Ea2+...+Eaj)-(Ep1+Ep2+...+Epj)...(2)
从一个月的第一天开始，依次计算E11、E21、E12、E22...，一直到本月的最后一天，如E130和E230(假设本月有30天)。
通过计算第一误差和第二误差，可以进行实时地误差追踪。利用误差追踪的结果，可以根据针对第一误差和第二误差不同的阈值来触发告警。从而执行下面的调整步骤S108。
在步骤S108中，在所述第一误差大于相应的第一预定阈值和/或所述第二误差大于相应的第二预定阈值的情况下，调整电量供给计划或者用户的电量需求。
这里，可以调整电量的供给计划，也可以调整用户的电量需求，还可以根据误差的正负和大小来确定如何调整(增大/减小)，通过适当的调整，可以减小实际需求与预测需求之间的差异。
在一个示例中，电力管理方法100还可以包括后评估步骤S110，在第一时间段之后，计算第一时间段的实际耗电量和所述第一预测耗电量之间的第三误差，在所述第三误差大于第三预定阈值的情况下，分别调整用于预测所述第一预测耗电量和所述第二预测耗电量的第一预测模型和第二预测模型。
在第一时间段为一个月的情况下，第三误差是该用户一个月的实际耗电量和月预测耗电量之间的误差。
具体地，调整预测模型例如可以包括：用新采集的月耗电量数据和日耗电量数据来重新学习第一机器学习模型和第二机器学习模型等，在此不再赘述。
本领域技术人员可以根据经验来分别设置相应的第一预定阈值、第二预定阈值和第三预定阈值，在此不再赘述。
可以对电力系统的所有用户分别执行上述电力管理方法，针对每个用户计算其第三误差，例如每个用户一个月的实际耗电量和月预测耗电量之间的误差，然后根据计算的误差对电力系统的所有用户进行排序。
例如，可以按照误差从小到大的顺序对用户进行排序。误差小的用户是用电质量较好的用户。利用该排序，可以方便地确认高质量的用电用户，以及不同用户的特性，从而改进对用电用户的管理，提高用电效率。
图2是示出了根据本公开的一个实施例的电力管理装置200的示例性配置的框图。
如图2所示，电力管理装置200包括：一个监测单元202、一个预测单元204、一个误差计算单元206和一个调整单元208。
其中，监测单元202被配置为实时采集并存储用户的耗电量数据。
预测单元204被配置为基于所采集的耗电量数据，利用预先存储的第一预测模型来预测第一时间段的第一预测耗电量，利用预先存储的第二预测模型来预测所述第一时间段所包括的每一个第二时间段各自的第二预测耗电量。
误差计算单元206被配置为基于所采集的实时耗电量数据，从所述第一时间段所包括的第一个第二时间段开始至最后一个第二时间段为止依次执行以下处理：
计算该第二时间段的实际耗电量和该第二时间段的所述第二预测耗电量之间的第一误差，并且计算从第个第二时间段至当前第二时间段的总实际耗电量和从第一个第二时间段至当前第二时间段的各个第二预测耗电量的总和之间的第二误差。
调整单元208被配置为在所述第一误差大于第一预定阈值和/或所述第二误差大于第二预定阈值的情况下，调整电量供给计划或者用户的电量需求。
在一个实施例中，电力管理装置200还包括一个后评估单元210，被配置为在第一时间段之后，计算第一时间段的实际耗电量和所述第一预测耗电量之间的第三误差，在所述第三误差大于第三预定阈值的情况下，分别调整所述第一预测模型和所述第二预测模型。
其中，所述后评估单元进一步被配置为：根据针对不同用户计算的所述第三误差，对各个用户进行排序。
其中，所述第一时间段是一个月，所述第二时间段是一天。
其中，所述第一预测模型是用所述第一时间段的耗电量历史数据作为训练数据，训练得到的第一机器学习模型；所述第二预测模型是用所述第二时间段的耗电量历史数据作为训练数据，训练得到的第二机器学习模型。
电力管理装置200的各个部分的操作和功能的细节例如可以与参照结合图1描述的本公开的电力管理方法的实施例的相关部分相同或类似，这里不再详细描述。
在此需要说明的是，图2所示的电力管理装置200及其组成单元的结构仅仅是示例性的，本领域技术人员可以根据需要对图2所示的结构框图进行修改。
图3是示出了根据本公开的一个实施例的闭环的电力管理系统300的示例性配置的框图。
电力管理系统300可以包括一个接口单元302、一个数据库304和一个如以上所述的电力管理装置200。
电力管理系统300通过接口单元302与外部系统310接口。
外部系统310例如可以是电力公司的耗电数据监控系统。外部系统可以包括例如一个测量系统312和一个本地服务器314。测量系统312用于实时采集各个用户的耗电量数据，然后将所采集的耗电量数据发送至本地服务器314，耗电量数据可以存储在服务器314的本地数据库316中。
接口单元302例如可以是一个Jar包，电力管理系统300通过接口单元302从外部系统310请求耗电量数据，并将得到的数据导出到数据库304。
根据本公开所述的电力管理装置200可以从数据库304获得耗电量数据，并且执行电力管理的操作。
其中，电力管理装置200所包括的监测单元、误差计算单元和后评估单元可以以Web应用程序来实现，Web应用程序可以包括后台和前端。而用于预测耗电量的预测单元可以在一个数据分析模块中实现。数据库可以在Web应用程序和数据分析模块之间共享。
在根据本公开一个实施例的方法和装置中，预测是一个重要的技术。其采用全时间尺度进行预测，例如不仅预测日耗电量，还预测月耗电量。如上所述，在现有技术中，预测准确度通常存在一些瓶颈，在本公开的方法和装置中，通过采用全时间尺度进行预测，可以提高预测准确度。
为了减小实际耗电量与预测耗电量之间的误差，可以进行误差追踪。在基于某些关键时间的监控点出现不可接受的误差时，可以发出警报，从而调整电量的供给计划或者调整用户的电量需求。
根据本公开一个实施例的方法、装置和系统，可以提高预测的准确度，增强对电力消耗的管理，从而提高电力消耗的效率。
根据本公开一个实施例的方法、装置和系统，对于电力销售公司和工厂来说可以节省成本，另一方面可以优化电力供给计算，减少由于预测耗电量与实际耗电量之间的较大的电力需求差距而引起的管理成本。
如上参照图1到图3，对根据本公开的电力管理方法、装置和系统进行了描述。上面的电力管理装置可以采用硬件实现，也可以采用软件或者硬件和软件的组合来实现。
在本公开中，电力管理装置200可以利用计算设备实现。图4示出了根据本公开的实施例的进行电力管理的计算设备400的方框图。根据一个实施例，计算设备400可以包括至少一个处理器402，处理器402执行在计算机可读存储介质(即，存储器404)中存储或编码的至少一个计算机可读指令(即，上述以软件形式实现的元素)。
在一个实施例中，在存储器404中存储计算机可执行指令，其当执行时使得至少一个处理器402完成以下动作：实时采集并存储用户的耗电量数据；基于所采集的耗电量数据，利用预先存储的第一预测模型来预测第一时间段的第一预测耗电量，利用预先存储的第二预测模型来预测所述第一时间段所包括的每一个第二时间段各自的第二预测耗电量；基于所采集的实时耗电量数据，从所述第一时间段所包括的第一个第二时间段开始至最后一个第二时间段为止，针对每一个第二时间段依次执行以下处理：计算该第二时间段的实际耗电量和该第二时间段的所述第二预测耗电量之间的第一误差，并且计算从第一个第二时间段至当前第二时间段的总实际耗电量和从第一个第二时间段至当前第二时间段的各个第二预测耗电量的总和之间的第二误差；以及在所述第一误差大于第一预定阈值和/或所述第二误差大于第二预定阈值的情况下，调整电量供给计划或者用户的电量需求。
应该理解，在存储器404中存储的计算机可执行指令当执行时使得至少一个处理器402进行本公开的各个实施例中以上结合图1-3描述的各种操作和功能。
根据一个实施例，提供了一种非暂时性机器可读介质。该非暂时性机器可读介质可以具有机器可执行指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本公开的各个实施例中以上结合图1-3描述的各种操作和功能。
根据一个实施例，提供了一种计算机程序产品，包括计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行本公开的各个实施例中以上结合图1-3描述的各种操作和功能。
上面结合附图阐述的具体实施方式描述了示例性实施例，但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”，并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的，具体实施方式包括具体细节。然而，可以在没有这些具体细节的情况下实施这些技术。在一些实例中，为了避免对所描述的实施例的概念造成难以理解，公知的结构和装置以框图形式示出。
本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说，对本公开内容进行的各种修改是显而易见的，并且，也可以在不脱离本公开内容的保护范围的情况下，将本文所定义的一般性原理应用于其它变型。因此，本公开内容并不限于本文所描述的示例和设计，而是与符合本文公开的原理和新颖性特征的最广范围相一致。

Claims (14)

1.电力管理方法，包括：
监测步骤：实时采集并存储用户的耗电量数据；
预测步骤：基于所采集的耗电量数据，利用预先存储的第一预测模型来预测第一时间段的第一预测耗电量，利用预先存储的第二预测模型来预测所述第一时间段所包括的每一个第二时间段各自的第二预测耗电量；
误差计算步骤：基于所采集的实时耗电量数据，从所述第一时间段所包括的第一个第二时间段开始至最后一个第二时间段为止，针对每一个第二时间段依次执行以下处理；
计算该第二时间段的实际耗电量和该第二时间段的所述第二预测耗电量之间的第一误差，并且计算从第一个第二时间段至当前第二时间段的总实际耗电量和从第一个第二时间段至当前第二时间段的各个第二预测耗电量的总和之间的第二误差；以及
调整步骤：在所述第一误差大于第一预定阈值和/或所述第二误差大于第二预定阈值的情况下，调整电量供给计划或者用户的电量需求。
2.如权利要求1所述的电力管理方法，还包括：后评估步骤：在所述第一时间段结束之后，计算所述第一时间段的实际耗电量和所述第一预测耗电量之间的第三误差，在所述第三误差大于第三预定阈值的情况下，分别调整所述第一预测模型和所述第二预测模型。
3.如权利要求2所述的电力管理方法，所述后评估步骤进一步包括：
根据针对不同用户计算的所述第三误差，对各个用户进行排序。
4.如权利要求1-3中任意一项所述的电力管理方法，其中，所述第一时间段是一个月，所述第二时间段是一天。
5.如权利要求1-3中任意一项所述的电力管理方法，其中，所述第一预测模型是用所述第一时间段的耗电量历史数据作为训练数据，训练得到的第一机器学习模型；所述第二预测模型是用所述第二时间段的耗电量历史数据作为训练数据，训练得到的第二机器学习模型。
6.电力管理装置(200)，包括：
一个监测单元(202)，被配置为实时采集并存储用户的耗电量数据；
一个预测单元(204)，被配置为基于所采集的耗电量数据，利用预先存储的第一预测模型来预测第一时间段的第一预测耗电量，利用预先存储的第二预测模型来预测所述第一时间段所包括的每一个第二时间段各自的第二预测耗电量；
一个误差计算单元(206)，被配置为基于所采集的实时耗电量数据，从所述第一时间段所包括的第一个第二时间段开始至最后一个第二时间段为止依次执行以下处理；
计算该第二时间段的实际耗电量和该第二时间段的所述第二预测耗电量之间的第一误差，并且计算从第一个第二时间段至当前第二时间段的总实际耗电量和从第一个第二时间段至当前第二时间段的各个第二预测耗电量的总和之间的第二误差；以及
一个调整单元(208)，被配置为在所述第一误差大于第一预定阈值和/或所述第二误差大于第二预定阈值的情况下，调整电量供给计划或者用户的电量需求。
7.如权利要求6所述的电力管理装置(200)，还包括：一个后评估单元(210)，被配置为在第一时间段结束之后，计算第一时间段的实际耗电量和所述第一预测耗电量之间的第三误差，在所述第三误差大于第三预定阈值的情况下，分别调整所述第一预测模型和所述第二预测模型。
8.如权利要求7所述的电力管理装置(200)，所述后评估单元(210)进一步被配置为：
根据针对不同用户计算的所述第三误差，对各个用户进行排序。
9.如权利要求6-8中任意一项所述的电力管理装置(200)，其中，所述第一时间段是一个月，所述第二时间段是一天。
10.如权利要求6-8中任意一项所述的电力管理装置(200)，其中，所述第一预测模型是用所述第一时间段的耗电量历史数据作为训练数据，训练得到的第一机器学习模型；所述第二预测模型是用所述第二时间段的耗电量历史数据作为训练数据，训练得到的第二机器学习模型。
11.电力管理系统(300)，包括：
一个接口单元(302)，所述接口单元(302)用于使电力管理系统(300)从外部系统(310)获得耗电量数据；
一个数据库(304)，所述数据库(304)用于存储所述耗电量数据；以及
根据权利要求6-10中任一项所述的一个电力管理装置(200)，
其中，所述电力管理装置(200)从所述数据库(304)获得所述耗电量数据。
12.计算设备(400)，包括：
至少一个处理器(402)；以及
与所述至少一个处理器(402)耦合的一个存储器(404)，所述存储器用于存储指令，当所述指令被所述至少一个处理器(402)执行时，使得所述处理器(402)执行如权利要求1到5中任意一项所述的方法。
13.一种非暂时性机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得机器执行如权利要求1到5中任意一项所述的方法。
14.一种计算机程序产品，所述计算机程序产品被有形地存储在计算机可读介质上并且包括计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行根据权利要求1至5中任意一项所述的方法。
CN201980096443.6A 2019-05-22 2019-05-22 电力管理方法、装置、计算设备、介质以及产品 Active CN113826294B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/088002 WO2020232673A1 (zh) 2019-05-22 2019-05-22 电力管理方法、装置、计算设备、介质以及产品

Publications (2)

Publication Number Publication Date
CN113826294A CN113826294A (zh) 2021-12-21
CN113826294B true CN113826294B (zh) 2023-08-29

Family

ID=73459296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980096443.6A Active CN113826294B (zh) 2019-05-22 2019-05-22 电力管理方法、装置、计算设备、介质以及产品

Country Status (4)

Country Link
US (1) US11502516B2 (zh)
EP (1) EP3961841B1 (zh)
CN (1) CN113826294B (zh)
WO (1) WO2020232673A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11972278B2 (en) * 2020-05-21 2024-04-30 Paypal, Inc. Dynamic computing touchpoint journey recommendation platform
CN114737923B (zh) * 2022-04-16 2023-07-07 盘锦辽河油田裕隆实业集团有限公司 游梁式抽油机曲柄定位系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118027A (zh) * 2018-09-30 2019-01-01 广东小天才科技有限公司 电量预测模型训练方法、电量预测方法、智能设备及系统
CN109213098A (zh) * 2018-08-29 2019-01-15 西门子电力自动化有限公司 调整运行参数的方法、装置、电子设备和计算机可读介质
CN109314392A (zh) * 2016-06-17 2019-02-05 松下知识产权经营株式会社 电力管理系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7216021B2 (en) * 2003-10-30 2007-05-08 Hitachi, Ltd. Method, system and computer program for managing energy consumption
JP2006174654A (ja) 2004-12-17 2006-06-29 Nippon Telegr & Teleph Corp <Ntt> 分散型エネルギー需給制御方法および設定装置
WO2009058880A2 (en) * 2007-10-29 2009-05-07 American Power Conversion Corporation Electrical efficiency measurement for data centers
JP6019566B2 (ja) 2011-11-17 2016-11-02 ソニー株式会社 電力管理装置および電力管理方法
CA2864739C (en) * 2011-11-29 2020-03-31 Energy Aware Technology Inc. Method and system for forecasting power requirements using granular metrics
EP2805172A4 (en) * 2012-01-20 2015-09-16 Neurio Technology Inc SYSTEM AND METHOD FOR COMPOSING AND ORGANIZING ELECTRICAL CONSUMPTION DATA AND FOR CONVERTING SUCH DATA INTO ONE OR TWO USER FORMATS
CA2837414C (en) * 2012-12-14 2022-12-13 Battelle Memorial Institute Transactive control and coordination framework and associated toolkit functions
BR112015029424B1 (pt) * 2013-05-30 2021-07-13 Toshiba Mitsubishi-Electric Industrial Systems Corporation Dispositivo de gestão de energia
KR20150123540A (ko) 2014-04-25 2015-11-04 삼성전자주식회사 전력 소비 최적화를 위한 스마트 시스템의 동작방법 및 장치
US10094586B2 (en) * 2015-04-20 2018-10-09 Green Power Labs Inc. Predictive building control system and method for optimizing energy use and thermal comfort for a building or network of buildings

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109314392A (zh) * 2016-06-17 2019-02-05 松下知识产权经营株式会社 电力管理系统
CN109213098A (zh) * 2018-08-29 2019-01-15 西门子电力自动化有限公司 调整运行参数的方法、装置、电子设备和计算机可读介质
CN109118027A (zh) * 2018-09-30 2019-01-01 广东小天才科技有限公司 电量预测模型训练方法、电量预测方法、智能设备及系统

Also Published As

Publication number Publication date
EP3961841B1 (en) 2024-10-23
CN113826294A (zh) 2021-12-21
US20220255317A1 (en) 2022-08-11
EP3961841A4 (en) 2022-12-28
US11502516B2 (en) 2022-11-15
EP3961841A1 (en) 2022-03-02
WO2020232673A1 (zh) 2020-11-26

Similar Documents

Publication Publication Date Title
US10734811B2 (en) System and method for optimal control of energy storage system
KR102409009B1 (ko) 배터리 관리 시스템
CN108470233B (zh) 一种智能电网的需求响应能力评估方法和计算设备
US10333306B2 (en) Data-driven demand charge management solution
CN113826294B (zh) 电力管理方法、装置、计算设备、介质以及产品
US9658263B2 (en) Methods and systems for measurement and verification weighting with temperature distribution
EP2920747A1 (en) Identifying operability failure in dr assets
CN110334879A (zh) 电网母线无功负荷预测方法及装置
Zhou et al. An ARIMA approach to forecasting electricity price with accuracy improvement by predicted errors
CN105678414A (zh) 对资源消耗量进行预测的数据处理方法
CN112308270A (zh) 一种长期用电负荷预测方法、装置及计算机实现系统
KR20130044765A (ko) 예측 속도 향상을 위한 신경망과 보정계수를 이용한 주간 부하 예측 장치 및 방법
Palaniyappan et al. Solving electric power distribution uncertainty using deep learning and incentive-based demand response
CN106600135A (zh) 基于云数据的停电损失评估方法
Fernandes et al. Very short-term current and load forecasting for distribution systems in data constrained situations
CN110826949A (zh) 产能控制实现方法和装置
Manembu et al. Multi-grained household load profile analysis using smart meter data: the case of Indonesia
WO2022162798A1 (ja) 電力需要予測装置、電力需要予測方法およびプログラム
Xie et al. Enhance load forecastability: Optimize data sampling policy by reinforcing user behaviors
WO2017212497A1 (en) Automatic real-time load side voltage optimization
Radovanovic et al. Optimized risk-aware nomination strategy in demand response markets
SK Murthy Balijepalli et al. A system and method for electricity price forecasting with a Novel Forecast Error Correction
CN112330049A (zh) 续签率的预测方法、装置、设备及存储介质
CN117613874A (zh) 工业灵活负荷日前调度潜力等值方法、系统、设备及介质
CN116757663A (zh) 车辆定损方法、车辆定损装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant