CN114202188A - 一种用于用户侧电能需求预测及分配的信息管理系统 - Google Patents
一种用于用户侧电能需求预测及分配的信息管理系统 Download PDFInfo
- Publication number
- CN114202188A CN114202188A CN202111485948.7A CN202111485948A CN114202188A CN 114202188 A CN114202188 A CN 114202188A CN 202111485948 A CN202111485948 A CN 202111485948A CN 114202188 A CN114202188 A CN 114202188A
- Authority
- CN
- China
- Prior art keywords
- module
- electric
- user
- current
- electricity consumption
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000005611 electricity Effects 0.000 claims description 82
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 230000001932 seasonal effect Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 description 32
- 238000000034 method Methods 0.000 description 14
- 230000035772 mutation Effects 0.000 description 6
- 239000002699 waste material Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06314—Calendaring for a resource
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用于用户侧电能需求预测及分配的信息管理系统,属于电力信息管理技术领域,包括电压电流采集模块、日度用电量计算模块、模型训练模块、电量预测模块和电量分配模块,通过训练电量预测模型,根据训练好的电量预测模型预测用户的日度用电量平均值,并根据预测得到的用户日度用电量平均值进行电量分配,能够针对用户的电能需求进行合理分配,避免电力系统供电过多而造成电源浪费,同时也避免电力系统供电过少而无法满足用户的用电需求,以提高电能分配的预见性和科学性。
Description
技术领域
本发明涉及电力信息管理技术领域,特别是涉及一种用于用户侧电能需求预测及分配的电力信息管理系统。
背景技术
用户需求侧管理这一概念于上世纪90年代被引入我国,它是指用电市场由电力供需双方共同管理,优化用电方式,在完成同样用电功能的前提下减少电能消耗,并使得供需双方的费用支出降低,提高供用电效率,提升供电可靠性,缓解缺电压力保证供用电双方的实惠。
随着国家对用户需求侧管理的日益重视,这一概念逐渐得以软件化,平台化,电力需求侧管理信息系统逐渐出现,一般而言,需求侧管理信息系统将互联网通讯技术、无线传输技术、物联网、大数据和云计算等技术整合而成。
此外,伴随着电力体制改革的不断深化,越来越多民营售电公司进入电力市场,工业用户可以与售电公司进行电价协商达成协议,这就要求售电公司对签约企业电力电量数据有着精确地掌控,来确定购电量以应对偏差考核,同时企业也希望掌握自身用电情况并进行合理化分配,用以调整自身生产工序等,降低能耗。所以越来越多的售电公司开始自己搭建电力需求侧管理平台,除实现电力数据监测、传输、保存、可视化等基本功能外,还需要对电力电量预测以及针对工业用户的节能分析功能。
精准的电力电量预测既能够降低售电公司受到偏差考核处罚的风险,又能够为工业用户调整企业生产计划以迎合市场需求,为提高收益提供参考依据;同时依照实际监测到的电力数据进行的节能分析也能为企业决策者提供节能意见,达到节能和降低能耗成本的目的,并提高电力系统稳定性。
伴随着电网建设运营的数字化和精益化进程,以及用户侧需求响应及主动配电网研究工作的开展,实现准确可靠的用电侧电能需求预测及分配的重要性在新背景下逐渐体现出来。
目前缺少针对单一工业用户的用电量预测方法研究,且无法保证对用电特点不同的工业用户用电量预测精度。为支持不断深化的用户侧需求响应及主动配电网建设工作,满足用户对电能不断增长的可靠性需求,避免因电能供应不足或供电不可靠造成经济损失,亟需一种能够针对用户电能需求进行精准预测,根据预测值合理分配电能的电力信息管理系统,以提高电能分配的预见性和科学性。
发明内容
本发明的目的是提供一种用于用户侧电能需求预测及分配的信息管理系统,能够针对用户的电能需求进行合理分配,避免电力系统供电过多而造成电源浪费,同时也避免电力系统供电过少而无法满足用户的用电需求。
为实现上述目的,本发明提供了如下方案:
一种用于用户侧电能需求预测及分配的信息管理系统,包括:
电压电流采集模块,用于采集每一用户配电线路总输出端的每一时刻的电压和电流;
日度用电量计算模块,与所述电压电流采集模块连接,用于根据每一时刻的电压值和电流值计算每一用户每一时刻的用电量,并根据所述每一用户每一时刻的用电量计算每一用户的日度用电量;
模型训练模块,用于将设定个数个历史年份的每一季度的所述每一用户的日度用电量作为输入,将下一年份对应季度的用户日度用电量平均值作为标签,训练电量预测模型,得到训练好的电量预测模型,其中所述下一年份为所述历史年份中最大年份的下一年份;
电量预测模块,与所述模型训练模块连接,用于根据所述训练好的电量预测模型预测所需年份对应季度的用户日度用电量平均值;
电量分配模块,与所述电量预测模块连接,用于根据所述所需年份对应季度的用户日度用电量平均值进行电量分配。
可选的,信息管理系统还包括:
信号转换模块,与所述电压电流采集模块连接,用于通过A/D转换器将每一时刻的电压信号转换为电压数字信号,通过A/D转换器将每一时刻的电流信号转换为电流数字信号;
信号处理模块,与所述信号转换模块连接,用于对所述电压数字信号和所述电流数字信号进行傅里叶变换获得频谱特征和电力参数,其中,所述频谱特征包括电流基波、电流谐波幅值、电流谐波相位、电压基波、电压谐波幅值、电压谐波相位,电力参数包括电流峰值、电流有效值、电压峰值、电压有效值、频率、相位角、有功功率、视在功率、功率因数;
电器识别模块,与所述信号处理模块连接,用于实时监测所述频谱特征和电力参数,当监测到所述频谱特征和电力参数发生波动变化时,将发生变化的特征点与数据库中预先存储的电器特征点进行搜索匹配从而识别电器。
可选的,信息管理系统,还包括:
电器用电量计算模块,与所述日度用电量计算模块和所述电器识别模块连接,用于当当前时刻识别出只有一个电器使用时,则将当前时刻的用电量作为该电器当前时刻的用电量;当当前时间识别出多个电器使用时,则根据当前时刻的用电量和电器的功率比计算各个电器当前时刻的用电量。
可选的,信息管理系统,还包括:
电器季节用电量统计模块,与所述电器用电量计算模块连接,用于根据电器当前时刻的用电量按照季节进行统计;
电器电量报警模块,与所述电器季节用电量统计模块连接,用于当每一电器的季节用电量大于阈值时进行报警。
可选的,信息管理系统,还包括:
阈值更新模块,与所述电器用电量计算模块连接,用于根据神经网络模型和历史未报警的每一电器季节用电量预测下一年份对应季节的每一电器用电量,根据预测得到的所述下一年份对应季节的每一电器用电量更新阈值。
可选的,信息管理系统,还包括:
云存储管理器,与所述电压电流采集模块、所述日度用电量电量计算模块和所述电器用电量计算模块连接,用于按照用户信息、用户对应的电器信息、每一时刻、每一天、每一个月、每一个季度和每一年的不同,存储采集到的电压和电流、每一用户用电量和每一电器用电量。
可选的,信息管理系统还包括:
图形绘制模块,与所述云存储管理器连接,用于根据每一用户用电量和每一电器的用电量绘制天或周或月或年的用户用电量和电器用电量柱状图或折线图。
可选的,信息管理系统还包括:
查询模块,与所述云存储管理器连接,用于根据关键字或目标数据查询用户所需用用户用电量信息或电器用电量信息。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种用于用户侧电能需求预测及分配的信息管理系统,包括电压电流采集模块、日度用电量计算模块、模型训练模块、电量预测模块和电量分配模块,通过训练电量预测模型,根据训练好的电量预测模型预测用户的日度用电量平均值,并根据预测得到的用户日度用电量平均值进行电量分配,能够针对用户的电能需求进行合理分配,避免电力系统供电过多而造成电源浪费,同时也避免电力系统供电过少而无法满足用户的用电需求,以提高电能分配的预见性和科学性。
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为本发明实施例提供的一种用于用户侧电能需求预测及分配的信息管理系统的结构图。
符号说明:
电压电流采集模块1;日度用电量电量计算模块2;模型训练模块3;电量预测模块4;电量分配模块5;信号转换模块6;信号处理模块7;电器识别模块8;电器用电量计算模块9;电器季节用电量统计模块10;电器电量报警模块11;阈值更新模块12;云储存管理器13;图形绘制模块14;查询模块15。
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。
本发明的目的是提供一种用于用户侧电能需求预测及分配的信息管理系统,能够针对用户的电能需求进行合理分配,避免电力系统供电过多而造成电源浪费,同时也避免电力系统供电过少而无法满足用户的用电需求。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例:
电能是国民经济和人民生活极为重要的能源,为保证人民的生活和生产需求,供电部门需要提供足够的电能;而节能降耗是国家大政方针,因此,供电部门提供的电能还需要考虑由于供电过多而造成浪费的问题。基于此,有必要提供一种能够针对用户的电能需求进行合理分配的信息管理系统,如图1所示,包括:
电压电流采集模块1,用于采集每一用户配电线路总输出端的每一时刻的电压和电流,优选地可将电压传感器和电流传感器安装在用户配电线路总输出端,利用电压传感器和电流传感器实时采集电压和电流;
日度用电量计算模块2,与所述电压电流采集模块1连接,用于根据每一时刻的电压值和电流值计算每一用户每一时刻的用电量,并根据所述每一用户每一时刻的用电量计算每一用户的日度用电量;
模型训练模块3,用于将设定个数个历史年份的每一季度的所述每一用户的日度用电量作为输入,将下一年份对应季度的用户日度用电量平均值作为标签,训练电量预测模型,得到训练好的电量预测模型,其中所述下一年份为所述历史年份中最大年份的下一年份。
在实际应用时,可以选取连续三个历史年份的每一季度的日度用电量作为输入数据,例如选取2017-2019年份的第一季度的日度用电量作为输入数据,将2020年份对应的第一季度的用户日度用电量平均值作为标签,以此类推,训练电量预测模型,当某一年份的某一季度的用户日度用电量平均预测值与实际值的损失函数最小时,电量预测模型训练完成。需要说明的是,电量预测模型的输入历史年份的个数可以根据实际需求进行选择,这里不作任何限定。
电量预测模块4,与所述模型训练模块3连接,用于根据所述训练好的电量预测模型预测所需年份对应季度的用户日度用电量平均值;例如,若需要预测2021年份第四季度的用户日度用电量平均值,则将2018-2020年第四季度的用户日度用电量输入至训练好的电量预测模型即可。
电量分配模块5,与所述电量预测模块4连接,用于根据所述所需年份对应季度的用户日度用电量平均值进行电量分配。
本实施例通过训练电量预测模型,根据训练好的电量预测模型预测用户的日度用电量平均值,并根据预测得到的用户日度用电量平均值进行电量分配,能够针对用户的电能需求进行合理分配,避免电力系统供电过多而造成电源浪费,同时也避免电力系统供电过少而无法满足用户的用电需求,提高了电能分配的预见性和科学性。
上述电压电流采集模块能够满足用户和供电端实时了解每一用户的总用电量,但是却不能了解建筑物中各种电器或设备的实际耗电情况。而现有技术中一般是在每个电器设备上安装注入小型电表之类的测量装置,增大成本。因此,为了满足用户无论何时何地都能够实时便捷地监控到家里的用电情况,从而防止用电电器设备的不正常消耗,减少电量的浪费,参阅图1,本实施例提供的信息管理系统还包括:
信号转换模块6,与所述电压电流采集模块1连接,用于通过A/D转换器将每一时刻的电压信号转换为电压数字信号,通过A/D转换器将每一时刻的电流信号转换为电流数字信号;
信号处理模块7,与所述信号转换模块6连接,用于对所述电压数字信号和所述电流数字信号进行傅里叶变换获得频谱特征和电力参数,其中,所述频谱特征包括电流基波、电流谐波幅值、电流谐波相位、电压基波、电压谐波幅值、电压谐波相位,电力参数包括电流峰值、电流有效值、电压峰值、电压有效值、频率、相位角、有功功率、视在功率、功率因数;
电器识别模块8,与所述信号处理模块7连接,用于实时监测所述频谱特征和电力参数对电网中的电器接入、断开情况进行综合分析,当监测到所述频谱特征和电力参数发生波动变化时,将发生变化的特征点与数据库中预先存储的电器特征点进行搜索匹配从而识别电器;
电器用电量计算模块9,与所述日度用电量计算模块2和所述电器识别模块8连接,用于当当前时刻识别出只有一个电器使用时,则将当前时刻的用电量作为该电器当前时刻的用电量;当当前时间识别出多个电器使用时,则根据当前时刻的用电量和电器的功率比计算各个电器当前时刻的用电量。
为了使本领域技术人员更清楚地了解上述电器识别过程以及对识别出的电器用电量计算过程,下述进行具体阐释。
数字信号进行FFT变换以获取频谱特性和电力参数的方法:XHz的电网中的单位节拍时间为(1/X)s,每一个节拍中对电流进行FFT变换获取一组傅里叶变换数据组,取奇数次1、3、5、7、9次的FFT变换的实部、虚部组成特征向量A,A的实部记为R1,R3,R5,R7,R9,虚部记为I1,I3,I5,I7,I9,则奇数次的特征向量A=(R1,R3,R5,R7,R9,I1,I3,I5,I7,I9),为了突出前几次谐波的重要性,在进行距离计算时,设定1、3、5、7、9次谐波的所乘系数分别为9、7、5、3、1,
特征向量长度公式为:
特征向量A的长度
LA=((R1+I1)*9+(R3+I3)*7+(R5+I5)*5+(R7+I7)*3+(R9+I9))/25;
同理,取另一个特征向量B=(R1b,R3b,R5b,R7b,R9b,I1b,I3b,I5b,I7b,I9b),
两向量距离公式为:
特征向量B到特征向量A的距离
LBA=(|R1-R1b|*9+|R3-R3b|*7+|R5-R5b|*5+|R7-R7b|*3+|R9-R9b|+|I1-I1b|*9+|I3-I3b|*7+|I5-I5b|*5+|I7-I7b|*3+|I9-I9b|)/25;
利用特征向量构建电器特征路径的方法:电器启动过程中,获取每个节拍的特征向量依次为A1~An,设定最小间隔距离Lmin,当特征向量Ai的长度(利用特征向量长度公式)大于Lmin时,记对应的特征点并保存该特征点的特征向量A1,接着依次计算Ai以后的特征向量与特征向量A1的距离(利用两向量距离公式),如果距离大于Lmin,则记录A1之后的特征向量A2,以此类推获取新接入电器从启动至关闭的全部特征向量序列,组成路径特征向量组A1~An,且每个特征点的特征向量与其前、后特征点的特征向量的距离大于Lmin;
特征路径训练方法:以时间和特征向量作为因数建立特征路径统计组,初始化统计组为0,在新电器启动时,实时计算每个节拍的当前特征向量Ai与已保存的特征路径向量Ti之间的距离,当找到距离值小于Lmin时,记录此时特征点的特征向量Ti,将Ti处统计值累加,然后通过多次启动同一电器,统计特征路径的特征点的出现频率,将出现频率较低的特征点从特征向量组T1~Tn中剔除掉,更新特征向量组;
电器稳态特征分解规律方法:某一节拍内电网中总的特征特征向量D,在该节拍内,单个独立电器的稳态特征向量分别为D1、D2…Dn,则D=D1+D2+…Dn;
新接入电器路径匹配及识别方法:从电器稳态特征分解规律中提取出新接入电器的变化路径向量组,M1~Mn;逐个计算变化路径向量组与电器数据库中路径特征向量组之间的相交距离,若电器E记录在数据库内的特征向量组为T1~Tn,当Mi与Ti之间距离小于Lmin,则记为1个相近点,若变化路径向量组与新接入电器特征向量组之间相近点数量大于5个,则判定为新接入电器即为电器E,并对电器E进行特征路径训练;当匹配完毕后,若没有找到5个以上相近点,则进行新增电器添加提示,并将变化路径向量组依据特征向量构建电器特征路径的方法添加至电器路径特征数据库中;
不同电器的功耗统计采用时间段分类计算方法:某一时间段内仅有一个电器则对该电器功耗进行直接统计,并记录更新该电器的功率,某一时间段内有多个电器,则将该时间段内电器总功耗以不同电器的功率比进行分配,并分别统计各个电器的功耗,具体地:
监测频谱特性和电力参数的信号波形,当某一时间有新接入电器时,信号波形会产生第一突变点,记录时间点为t1,接着提取t1之前的第二突变点和t1之后的第三突变点,并记录第二突变点对应的时间点t0和第三突变点对应的时间点t2,提取t0、t1、t2之间的频谱特性和电力参数并计算出t0至t1时间段中的总功耗w1,t1至t2时间段中的总功耗w2,从而计算出新接入电器的功率P=w2/(t2-t1)-w1/(t1-t0)。
本实施例通过对每一用户配电线路总输出端采集的电流电压进行信号转换、傅里叶变换,基于变换获得的频谱特征和电力参数的突变点和预先存储的电器特征点,能够识别该用户家里当前正在使用的电器类别,并基于采集的当前时刻的用电量计算出当前正在使用的各个电器的用电量,用户不仅能够知道其家中总用电量,还能够方便用户清楚地了解到其家中各个电器的用电情况,并且相较于在每个电器设备上安装电表之类的测量装置从而确定各个电器用电量的方式,本发明能够节约大量成本。
为了进一步节约用电,如图1所示,本实施例的信息管理系统,还包括:
电器季节用电量统计模块10,与所述电器用电量计算模块9连接,用于根据电器当前时刻的用电量按照季节进行统计;
电器电量报警模块11,与所述电器季节用电量统计模块10连接,用于当每一电器的季节用电量大于阈值时进行报警。
一般情况下,该阈值的设定根据人的经验进行设置,但这样的方法并不是很准确,基于此,电力信息管理系统还包括:
阈值更新模块12,与所述电器用电量计算模块9连接,用于根据神经网络模型和历史未报警的每一电器季节用电量预测下一年份对应季节的每一电器用电量,根据预测得到的所述下一年份对应季节的每一电器用电量更新阈值,需要说明的是,这里可以直接将预测得到的下一年份对应季节的每一电器用电量作为阈值,也可以对预测得到的下一年份对应季节的每一电器用电量设置上限值,上限值不能与预测得到的下一年份对应季节的每一电器用电量的差值过大,将上限值作为阈值,也可以根据实际需要根据预测得到的下一年份对应季节的每一电器用电量更新阈值。
本实施例通过对根据神经网络模型更新阈值,对大于阈值的电器的季节用电量进行报警,能够及时使用户发现用电异常的电器,降低事故发生的风险,节约用电。
作为一种可选的实施方式,如图1所示,信息管理系统还包括:
云存储管理器13,与所述电压电流采集模块1、所述日度用电量电量计算模块2和所述电器用电量计算模块9连接,用于按照用户信息、用户对应的电器信息、每一时刻、每一天、每一个月、每一个季度和每一年的不同,存储采集到的电压和电流、每一用户用电量和每一电器用电量。
图形绘制模块14,与所述云存储管理器13连接,用于根据每一用户用电量和每一电器的用电量绘制天或周或月或年的用户用电量和电器用电量柱状图或折线图。
查询模块15,与所述云存储管理器13连接,用于根据关键字或目标数据查询用户所需用用户用电量信息或电器用电量信息。
本实施例通过利用云储存管理器13,一方面能够存储更多的与用户用电量数据和电器用电量数据,另一方面也更加方面用户随时随地根据实际需求进行数据查询;而设置图形绘制模块14,更能使用户直观地了解自己的用电情况和趋势,从而方便用户根据需求采用措施节约用电。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种用于用户侧电能需求预测及分配的信息管理系统,其特征在于,包括:
电压电流采集模块,用于采集每一用户配电线路总输出端的每一时刻的电压和电流;
日度用电量计算模块,与所述电压电流采集模块连接,用于根据每一时刻的电压值和电流值计算每一用户每一时刻的用电量,并根据所述每一用户每一时刻的用电量计算每一用户的日度用电量;
模型训练模块,用于将设定个数个历史年份的每一季度的所述每一用户的日度用电量作为输入,将下一年份对应季度的用户日度用电量平均值作为标签,训练电量预测模型,得到训练好的电量预测模型,其中所述下一年份为所述历史年份中最大年份的下一年份;
电量预测模块,与所述模型训练模块连接,用于根据所述训练好的电量预测模型预测所需年份对应季度的用户日度用电量平均值;
电量分配模块,与所述电量预测模块连接,用于根据所述所需年份对应季度的用户日度用电量平均值进行电量分配。
2.根据权利要求1所述的一种用于用户侧电能需求预测及分配的信息管理系统,其特征在于,还包括:
信号转换模块,与所述电压电流采集模块连接,用于通过A/D转换器将每一时刻的电压信号转换为电压数字信号,通过A/D转换器将每一时刻的电流信号转换为电流数字信号;
信号处理模块,与所述信号转换模块连接,用于对所述电压数字信号和所述电流数字信号进行傅里叶变换获得频谱特征和电力参数,其中,所述频谱特征包括电流基波、电流谐波幅值、电流谐波相位、电压基波、电压谐波幅值、电压谐波相位,电力参数包括电流峰值、电流有效值、电压峰值、电压有效值、频率、相位角、有功功率、视在功率、功率因数;
电器识别模块,与所述信号处理模块连接,用于实时监测所述频谱特征和电力参数,当监测到所述频谱特征和电力参数发生波动变化时,将发生变化的特征点与数据库中预先存储的电器特征点进行搜索匹配从而识别电器。
3.根据权利要求2所述的一种用于用户侧电能需求预测及分配的信息管理系统,其特征在于,还包括:
电器用电量计算模块,与所述日度用电量计算模块和所述电器识别模块连接,用于当当前时刻识别出只有一个电器使用时,则将当前时刻的用电量作为该电器当前时刻的用电量;当当前时间识别出多个电器使用时,则根据当前时刻的用电量和电器的功率比计算各个电器当前时刻的用电量。
4.根据权利要求3所述的一种用于用户侧电能需求预测及分配的信息管理系统,其特征在于,还包括:
电器季节用电量统计模块,与所述电器用电量计算模块连接,用于根据电器当前时刻的用电量按照季节进行统计;
电器电量报警模块,与所述电器季节用电量统计模块连接,用于当每一电器的季节用电量大于阈值时进行报警。
5.根据权利要求4所述的一种用于用户侧电能需求预测及分配的信息管理系统,其特征在于,还包括:
阈值更新模块,与所述电器用电量计算模块连接,用于根据神经网络模型和历史未报警的每一电器季节用电量预测下一年份对应季节的每一电器用电量,根据预测得到的所述下一年份对应季节的每一电器用电量更新阈值。
6.根据权利要求3所述的一种用于用户侧电能需求预测及分配的信息管理系统,其特征在于,还包括:
云存储管理器,与所述电压电流采集模块、所述日度用电量电量计算模块和所述电器用电量计算模块连接,用于按照用户信息、用户对应的电器信息、每一时刻、每一天、每一个月、每一个季度和每一年的不同,存储采集到的电压和电流、每一用户用电量和每一电器用电量。
7.根据权利要求6所述的一种用于用户侧电能需求预测及分配的信息管理系统,其特征在于,还包括:
图形绘制模块,与所述云存储管理器连接,用于根据每一用户用电量和每一电器的用电量绘制天或周或月或年的用户用电量和电器用电量柱状图或折线图。
8.根据权利要求6所述的一种用于用户侧电能需求预测及分配的信息管理系统,其特征在于,还包括:
查询模块,与所述云存储管理器连接,用于根据关键字或目标数据查询用户所需用用户用电量信息或电器用电量信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111485948.7A CN114202188A (zh) | 2021-12-07 | 2021-12-07 | 一种用于用户侧电能需求预测及分配的信息管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111485948.7A CN114202188A (zh) | 2021-12-07 | 2021-12-07 | 一种用于用户侧电能需求预测及分配的信息管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114202188A true CN114202188A (zh) | 2022-03-18 |
Family
ID=80651063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111485948.7A Pending CN114202188A (zh) | 2021-12-07 | 2021-12-07 | 一种用于用户侧电能需求预测及分配的信息管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202188A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693006A (zh) * | 2022-06-01 | 2022-07-01 | 天津市普迅电力信息技术有限公司 | 一种用于新型电力系统的配电储能管理系统及其方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984307A (zh) * | 2014-05-08 | 2014-08-13 | 国网山西省电力公司经济技术研究院 | 一种基于用电波形分析的能源监控管理系统及方法 |
CN106872824A (zh) * | 2017-02-15 | 2017-06-20 | 宁波华创锐科智能科技有限公司 | 一种电网负载电器类型识别和不同电器电量统计的方法及其装置 |
KR20180070842A (ko) * | 2016-12-19 | 2018-06-27 | 주식회사 새론테크 | 피크전력 감지 및 경보 시스템 |
CN108564204A (zh) * | 2018-03-23 | 2018-09-21 | 西安理工大学 | 基于最大相关熵准则的最小二乘支持向量机电量预测方法 |
CN112529301A (zh) * | 2020-12-14 | 2021-03-19 | 南京中兴力维软件有限公司 | 用电量预测方法、设备及存储介质 |
KR102268012B1 (ko) * | 2020-09-15 | 2021-06-23 | 주식회사 그리드위즈 | 전력 계산 장치 및 전력 계산 방법 |
-
2021
- 2021-12-07 CN CN202111485948.7A patent/CN114202188A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984307A (zh) * | 2014-05-08 | 2014-08-13 | 国网山西省电力公司经济技术研究院 | 一种基于用电波形分析的能源监控管理系统及方法 |
KR20180070842A (ko) * | 2016-12-19 | 2018-06-27 | 주식회사 새론테크 | 피크전력 감지 및 경보 시스템 |
CN106872824A (zh) * | 2017-02-15 | 2017-06-20 | 宁波华创锐科智能科技有限公司 | 一种电网负载电器类型识别和不同电器电量统计的方法及其装置 |
CN108564204A (zh) * | 2018-03-23 | 2018-09-21 | 西安理工大学 | 基于最大相关熵准则的最小二乘支持向量机电量预测方法 |
KR102268012B1 (ko) * | 2020-09-15 | 2021-06-23 | 주식회사 그리드위즈 | 전력 계산 장치 및 전력 계산 방법 |
CN112529301A (zh) * | 2020-12-14 | 2021-03-19 | 南京中兴力维软件有限公司 | 用电量预测方法、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693006A (zh) * | 2022-06-01 | 2022-07-01 | 天津市普迅电力信息技术有限公司 | 一种用于新型电力系统的配电储能管理系统及其方法 |
CN114693006B (zh) * | 2022-06-01 | 2022-07-29 | 天津市普迅电力信息技术有限公司 | 一种用于新型电力系统的配电储能管理系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103135009B (zh) | 基于使用者回馈信息的电器侦测方法与系统 | |
Chicco et al. | Emergent electricity customer classification | |
CN106124852A (zh) | 非侵入式负荷监测系统 | |
CN111126866A (zh) | 交直流可再生能源系统的综合能效评估管理系统及方法 | |
CN109470957B (zh) | 一种基于弗雷歇距离的非侵入式电器识别方法 | |
KR20200128232A (ko) | 전력 수요 예측 장치 및 그 방법 | |
CN101771275B (zh) | 电能监控系统 | |
CN107565585A (zh) | 储能装置调峰回报时间预测方法及其模型创建方法 | |
CN108876154A (zh) | 一种电网规划大数据分析系统 | |
Perçuku et al. | Big data and time series use in short term load forecasting in power transmission system | |
CN103077484A (zh) | 基于电网历史信息统计分析的多维度潮流评价指标方法 | |
CN114202188A (zh) | 一种用于用户侧电能需求预测及分配的信息管理系统 | |
CN103018611B (zh) | 一种基于电流分解的非侵入式负载监测方法及系统 | |
CN105449670A (zh) | 一种配电网负荷特性分析方法 | |
CN111027886A (zh) | 一种考虑单位成本效用的低电压治理方案的评估方法 | |
CN106771734A (zh) | 电力监测方法和装置 | |
CN114564683A (zh) | 园区智慧用电监测系统 | |
CN117097768B (zh) | 一种基于大数据的智能电能表安全通信传输系统及方法 | |
CN201332267Y (zh) | 电能监控系统 | |
CN106127602B (zh) | 一种基于约简离群点算法的窃电辨识方法及装置 | |
CN109245109A (zh) | 一种供电低电压预警系统及方法 | |
CN104700167B (zh) | 基于智能监控平台的用户配电节能决策系统 | |
CN110417111B (zh) | 一种电能质量检测方法 | |
CN114254864A (zh) | 用电数据处理方法、装置、计算机设备、存储介质 | |
CN111027829A (zh) | 一种基于效益的电网规划系统 |
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 |