CN114707737B - 一种基于边缘计算的预测用电量的方法、计算机设备和存储介质 - Google Patents

一种基于边缘计算的预测用电量的方法、计算机设备和存储介质 Download PDF

Info

Publication number
CN114707737B
CN114707737B CN202210382638.0A CN202210382638A CN114707737B CN 114707737 B CN114707737 B CN 114707737B CN 202210382638 A CN202210382638 A CN 202210382638A CN 114707737 B CN114707737 B CN 114707737B
Authority
CN
China
Prior art keywords
data
edge
prediction
model
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.)
Active
Application number
CN202210382638.0A
Other languages
English (en)
Other versions
CN114707737A (zh
Inventor
张世权
宋晓峰
关建国
胡心祥
彭柳源
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.)
Guangzhou Hoko Electric Co ltd
Original Assignee
Guangzhou Hoko Electric 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 Guangzhou Hoko Electric Co ltd filed Critical Guangzhou Hoko Electric Co ltd
Priority to CN202210382638.0A priority Critical patent/CN114707737B/zh
Publication of CN114707737A publication Critical patent/CN114707737A/zh
Application granted granted Critical
Publication of CN114707737B publication Critical patent/CN114707737B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—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
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
    • H04Q2209/84—Measuring functions
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Signal Processing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于边缘计算的预测用电量的方法、装置、计算机设备和存储介质，属于用电量预测技术领域。其中方法包括：边缘管理器收到用电量预测触发，发送用电数据收集指令；边缘管理器向云端服务器发送辅助信息获取指令；收集用电数据，并上传至边缘数据管理；边缘数据管理创建电量预测信息到边缘控制器；云端服务器从外界信息中获取辅助信息；边缘数据管理对辅助信息进行处理；边缘控制器与边缘节点之间建立通信信道；边缘控制器利用所述通信通道发送通知消息，通知消息用于指示数据的变更；边缘节点根据辅助信息生成误差修正模型，结合用电基本模型，生成电量精确预测模型；本发明的方法能够提高电量预测的准确性。

Description

一种基于边缘计算的预测用电量的方法、计算机设备和存储 介质
技术领域
本发明属于用电量预测技术领域，具体涉及一种基于边缘计算的预测用电量的方法、计算机设备和存储介质。
背景技术
电力系统涉及发电、输电、配送电以及调度管理等主要环节，用电量预测是电力系统调度中的重要一环。准确预测用电量能够合理地实行电力规划和能源配置、提高供电效率。
现有的用电量预测方法有很多种，包括电力弹性系数法、电量产出效益法、回归分析法、月比例法等等，还有一些利用回归模型预测以及时间序列预测等方法，但上述方法通常存在一些问题，如数据需要预处理、用电量与同期变量之间的关系预测不准确等等。现有方案中通常采用一种预测模型，未考虑不同类型用电场景的差异性，未综合考虑不同外界信息对电量预测的干扰性。
对于终端收集的用电量数据，其总体上表现为包含一定波动的周期性数据，不同来源的数据具有周期性的同时其统计特性又有所不同，用电量预测需要考虑这些不同来源的用电量数据所具有的不同统计特性，在捕捉周期性的同时也体现出其波动性，这对电量的预测任务带来了挑战。
此外，用电量预测通常设置在云平台，但随着终端数据量越来越多，这些数据都上传到云端进行处理和预测会带来时间的延长，处理效率的降低；用电量预测过程所需处理的信息较多，现有方法较难处理好各单元之间的信息传输。
发明内容
本发明的目的在于解决上述现有技术中存在的难题，提供一种基于边缘计算的预测用电量的方法、计算机设备和存储介质，针对电力网络边缘侧进行用电量预测，提高对楼宇、工厂、小区等用电区域的电量预测精度，优化电网的输配电方式和调度时机，为电网大范围精确调控提供支持数据。有效提高用电量预测准确性、缩短处理时长、提高用电量预测效率。
本发明是通过以下技术方案实现的：
为了实现上述目的，本发明第一方面提供一种基于边缘计算的预测用电量的方法，其特征在于：
边缘管理器收到用电量预测触发，发送用电数据收集指令；
所述边缘管理器向云端服务器发送辅助信息获取指令；
针对电量预测区域，收集所述用电数据，并将所述用电数据上传至边缘数据管理；
所述用电数据上传至所述云端服务器；
所述边缘数据管理对所述用电数据进行处理，设M个智能电表采集N个时刻的采集数据时刻T＝[t1,t2,…,tN]的数据为
Figure GDA0003843336670000021
对所述用电数据进行差分，获得某时刻用电量，对M个智能电表数据求和，获得新的用电历史数据，X＝[x1,x2,…,xN]，对应的时刻为T＝[t1,t2,…,tN]，式中
Figure GDA0003843336670000022
用电量记为Y＝[y1,y2,…,yN-1]，式中
Figure GDA0003843336670000023
所述边缘数据管理与所述云端服务器建立通信信道，接收用电基本模型数据，所述用电基本模型数据按照类型进行区分；
所述用电基本模型要通过采集所述电量预测区域的用户特性，结合历史数据和用电预测模型，构建针对所述电量预测区域的所述用电基本模型；
所述边缘数据管理创建电量预测信息到边缘控制器；
所述云端服务器从外界信息中获取辅助信息；
所述云端服务器将所述辅助信息数据传输至所述边缘数据管理；
所述边缘数据管理对所述辅助信息进行处理；
所述边缘控制器与边缘节点之间建立通信信道；
所述边缘控制器利用所述通信通道发送通知消息，所述通知消息用于指示数据的变更；
所述边缘节点根据所述辅助信息生成误差修正模型，结合所述用电基本模型，生成电量精确预测模型；
所述电量精确预测模型的网络采用四层前向反馈网络，第一层为输入层，第二层和第三层为隐藏层，第四层为输出层，核函数采用非线性函数，根据所述采集数据时刻T＝[t1,t2,…,tN]和所述用电量Y＝[y1,y2,…,yN-1]，对建立所述电量精确预测模型架构进行训练；
根据所述类型新选择预测模型，设网络net初始的参数为(W，B)，分别为连接权重和偏置大小，采用批处理方式，每一批选择K个数据，每批总误差为：
Figure GDA0003843336670000031
按下述公式进行参数调整
Figure GDA0003843336670000032
Figure GDA0003843336670000033
式中η1、η2分别为(W，B)的学习率；将全部训练数据进行误差修正操作，获得训练完成的网络net(W,B)；
所述边缘节点利用训练好的所述电量精确预测模型进行电量预测。
优选的，所述用电预测模型为线性回归、非线性回归、灰色系统模型、交互多模型中的一种或多种。
优选的，所述类型分为住宅、办公、商业、厂矿四个基本类型，所述预测模型为
Figure GDA0003843336670000034
式中sgn()为符号函数，如果预测区域类型与“住宅区”、“办公区”、“商业区”、“厂矿区”对应，则值为1，否则为0，Net()为训练好的误差修正网络；得到用电量预测值。
优选的，针对所述住宅区域，单独设置新能源汽车的预测模型，住宅区域的用电预测模型表示为：
S(t)H＝E(t)+V(t)
式中S(t)H为t时刻住宅类型的区域用电量，E(t)为t时刻家用电器用电量预测值，V(t)为t时刻新能源汽车充电用电量预测值。
优选的，所述前向反馈网络第一层节点数为5，第二层和第三层节点数分别为5和3，最后一层节点数1。
优选的，所述住宅区的模型架构训练方法为，选择预测模型S(t)H＝E(t)+V(t)，设网络net初始的参数为(W，B)，分别为连接权重和偏置大小，输出为：
S(t)＝E(t)+V(t)+net(P1(t),P2(t),P3(t),P4(t),P5(t))
令Q(t)＝S(t)-E(t)-V(t)，模型训练可转化为输入P1(t),P2(t),P3(t),P4(t),P5(t)、输出Q(t)的网络训练。
在本发明的第二方面，还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前述预测用电量方法的步骤。
在本发明的第三方面，还提供了一种计算机存储介质，其上存储有计算机程序，被处理器执行时实现前述预测用电量方法的步骤。
与现有技术相比，本发明的有益效果是：
本发明通过设置边缘侧与云侧之间的信息传输方式，实现了用电量预测效率的提升；合理性的分配数据传输通道，合理分配云端服务器、边缘数据管理、边缘控制器、边缘节点处理内容与传输方式，提升边缘用电量预测的效率；
本发明在精确预测模型中增加了辅助信息，并且辅助信息数据来自于云端，直接发送指令调用云端服务器的辅助信息，可以提升辅助信息的可靠性，为预测数据增加了相关因素，提升了准确性，且本发明在用电基本模型进行预测的基础上，增加了结合辅助信息的误差修正模型，两者结合，共同实现用电量预测，提高了预测精度；本发明采用差分方式对电量数据进行预处理，并增加了对辅助信息的处理方式，通过对不同方式辅助信息的量化，提高了数据预处理后数据的可用性；
本发明根据用户特性将用户分为住宅、办公、商业、厂矿四个基本类型，结合用户特性设置相关用电基本模型，提高了对不同场景下用电数据的模型的差异性和准确性；并通过对不同类型用电模型的训练，可以获得更好的预测结果；
本发明的在网络训练过程中，减小相对差值，可以获得更好的预测效果；本发明充分结合了预测电量过程中与用电场景的结合，根据用电不同场景，以及用电量预测过程可能涉及的辅助信息，和综合设置训练网络，并通过训练方法与参数的设置，提升了预测的效果。
附图说明
图1为本发明实施例一种基于边缘计算的预测用电量的方法步骤示意图；
图2位本发明另一实施例一种基于边缘计算的预测用电量的方法步骤示意图
图3为本发明的预测模型结构示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述：
本发明提供的用电量方法，可以用于电力网络边缘侧进行用电量预测，提高对楼宇、工厂、小区等用电区域的电量预测精度，优化电网的输配电方式和调度时机，为电网大范围精确调控提供支持数据。
为了更好地理解本发明，下面结合附图来详细解释本发明的实施方式。
附图1示出了一种基于边缘计算的预测用电量的方法，主要包括以下步骤：
步骤101:边缘管理器收到用电量预测触发，发送用电数据收集指令。
步骤102：边缘管理器向云端服务器发送辅助信息获取指令。
步骤103：针对电网边缘区域电量预测区域，利用智能电表连续采集并记录一段时间的用电量数据，用电数据上传至边缘数据管理。
步骤104：用电数据上传至云端服务器，作为后续模型训练与更新的基础，原始数据直接由用电终端上传，除用电量预测外，还可后续可应用于其他场景，方便对原始数据基于需求的加工，且直接由用电终端对数据进行定时上传，减少传输过程，加快模型事实更新与训练。
步骤105：边缘数据管理模块对边缘用电量数据进行处理。
处理过程如下：
设M个智能电表采集N个时刻T＝[t1,t2,…,tN]的数据为
Figure GDA0003843336670000061
由于智能电表采集的数据为用电累计量，因此，需要对上述数据进行差分，获得某时刻用电量。为了减少智能电表的误差，对N个智能电表数据求均值，获得新的用电历史数据。
X＝[x1,x2,…,xN]，对应的时刻为T＝[t1,t2,…,tN]。
式中
Figure GDA0003843336670000062
用电量记为Y＝[y1,y2,…,yN-1]，式中
Figure GDA0003843336670000063
经过对用电量的预先处理，可以提高数据的可用性，提高后续数据处理的准确性。
步骤106：边缘数据管理与云端服务器建立通信信道，接受用电基本模型信息。用电基本模型构建方式如下：
采集用电区域的用户特性，按类型分为住宅、办公、商业、厂矿四个基本类型；分析用户特性，结合历史数据和用电预测模型，构建针对电网边缘区域的用电模型。可采用线性回归、非线性回归、灰色系统模型、交互多模型等方法进行相关区域的基本模型构建，针对不同区域类型加入相关要素。
住宅、办公、商业、厂矿模型确定方式如下：
(1)针对住宅区域，用户用电量主要为家用电器等，此外，新能源汽车充电桩也逐渐成为用电量大户，需要单独设置新能源汽车的预测模型。住宅区域的用电预测模型表示为：
S(t)H＝E(t)+V(t)
式中S(t)H为t时刻住宅类型的区域用电量，E(t)为t时刻家用电器用电量预测值，V(t)为t时刻新能源汽车充电用电量预测值。
(2)针对办公区域，用电量主要为办公设备和照明、空调等基本设施用电。因此，办公区域的用电预测模型表示为：
S(t)B＝O(t)+F(t)
式中S(t)B为t时刻办公类型的区域用电量，O(t)为t时刻办公设备用电量预测值，F(t)为t时刻基本设施用电量预测值。
(3)针对商业区域，用电量主要为空调、照明等设施用电，与商业营业时间具有较为密切的联系，预测的用电量可用S(t)C表示。
(4)针对厂矿区域，用电量主要为场内生产设备用电，与厂矿工作时间具有较为密切的联系，预测的用电量可用S(t)F表示。
用电基本模型需要进行定期动态更新。
步骤107：边缘数据管理创建电量预测相关信息到边缘控制器。
步骤108：云端服务器从外界信息中获取根据环境、社会等信息记录辅助信息。
步骤109：云端服务器将辅助信息数据传输至边缘数据管理。
步骤110：边缘数据管理对辅助信息进行处理。处理方式如下：
对于辅助信息：节假日信息P1、气温信息P2、湿度信息P3、降水信息P4、产品市场供求情况P5，首先列出可能的情况，确定取值范围：
P1：工作日＝1，双休日＝2，小长假＝3，长假＝4。
P2:极寒(T<-15℃)＝1，严寒天(-15℃≤T<0℃)＝2，寒冷(0℃≤T<10℃)＝3，一般(10℃≤T<20℃)＝4，较热(20℃≤T<35℃)＝5，炎热(35℃≤T)＝6。
P3：干燥(H<15％)＝1,较干燥(15％≤H<40％)＝2，中等(40％≤H<60％)＝3，较湿(60％≤H<80％)＝4，高湿(H>80％)＝5。
P4：无降水＝1,小雨＝2，中雨＝3，大雨＝4，暴雨＝5。
P5：滞销＝1，正常＝2，畅销＝3。
根据上述量化方法，可以得出辅助信息量化序列。针对时刻T＝[t1,t2,…,tN]，辅助信息P为
Figure GDA0003843336670000081
通过对辅助信息的处理，可以区分在不同时间、温度、湿度、降水、市场等情况下的数据问题，提高预测的准确性。
步骤111：边缘控制器与边缘节点之间建立通信信道，实现边缘控制器与边缘节点之间的信息交互。
步骤112：在该数据发生变化时，边缘控制器利用通信通道发送通知消息，通知消息用于指示数据的变更。
步骤113：边缘节点根据辅助信息生成误差修正模型，结合用电基本模型，生成精确预测模型，实现电量预测。具体方法如下：
根据获得的基本模型，利用采集的用电历史数据对基本模型进行修正，在基本模型后增加一个误差修正模型，二者共同作用于预测结果。在误差修正模型中，为了增加预测准确性，在获得智能电表数据的同时，加入辅助预测信息P，节假日信息P1、气温信息P2、湿度信息P3、降水信息P4以及产品市场供求情况P5(针对厂矿用电区域)。
(1)建立电量精确预测模型架构
按照预测模型和误差修正网络两个部分构建电量精确预测模型架构，如下图所示。网络采用四层前向反馈网络，第一层为输入层(节点数5)，第二层和第三层为隐藏层(节点数分别为5和3)，最后一层为输出层(节点数1)。核函数采用非线性函数，可较为精确的逼近复杂的用电特性情况。
(2)训练模型
根据采集数据时刻T＝[t1,t2,…,tN]和用电量Y＝[y1,y2,…,yN-1]，对建立电量精确预测模型架构进行训练。
针对上述模型架构，需要获取不同类型区域历史用电数据，才能进行整体模型的训练。如果只有部分区域类型，同样可利用该模型架构进行训练，但是，训练后的模型也仅可为该类型区域进行电量预测。
以住宅区为例，说明模型架构的训练方法：
根据区域类型，选择预测模型S(t)H＝E(t)+V(t)。设网络net初始的参数为(W，B)，分别为连接权重和偏置大小。输出为：
S(t)＝E(t)+V(t)+net(P1(t),P2(t),P3(t),P4(t),P5(t))
为了便于说明网络训练过程，令Q(t)＝S(t)-E(t)-V(t)，模型训练可转化为输入P1(t),P2(t),P3(t),P4(t),P5(t)、输出Q(t)的网络训练。Q(t)相对于S(t)，减小了相对差值，利用获得更好的预测效果。
类似的，其他三种区域类型，也参照上述方式进行模型训练，具体公式不再赘述。
采用批处理方式，每一批选择K个数据，每批总误差为：
Figure GDA0003843336670000091
按下述公式进行参数调整：
Figure GDA0003843336670000092
Figure GDA0003843336670000101
式中η1、η2分别为(W，B)的学习率。
将所有训练数据进行上述操作，则可以获得训练完成的网络net(W,B)。
(3)利用训练好的模型进行电量预测。
S(t)＝S(t)H*sgn(type＝住宅区)+S(t)B*sgn(type＝办公区)+S(t)C*sgn(type＝商业区)+S(t)F*sgn(type＝厂矿区)+net(P1(t),P2(t),P3(t),P4(t),P5(t))
式中sgn()为符号函数，如果预测区域类型与“住宅区”、“办公区”、“商业区”、“厂矿区”对应，则值为1，否则为0。Net()为训练好的误差修正网络。
步骤114：预测结果反馈至云端服务器，为后续的模型更新校正提供基础。
步骤115：完成模型更新与训练，更新用电基本模型。
可以理解的是，本发明所指的云端包括云端服务器和边缘管理器，边缘管理器用于实现边缘管理；边缘侧包括边缘数据管理，边缘控制器和边缘节点，用于实现边缘数据的处理、控制以及边缘计算。
附图2示出了本发明的另一实施方式，步骤101:边缘管理器收到用电量预测触发，发送用电数据收集指令。
步骤202：边缘管理器向云端服务器发送辅助信息获取指令。
步骤203：针对电网边缘区域电量预测区域，利用智能电表连续采集并记录一段时间的用电量数据，用电数据上传至边缘数据管理。
步骤204：用电数据上传至云端服务器，作为后续模型训练与更新的基础，原始数据直接由用电终端上传，除用电量预测外，还可后续可应用于其他场景，方便对原始数据基于需求的加工，且直接由用电终端对数据进行定时上传，减少传输过程，加快模型事实更新与训练。
步骤205：边缘数据管理模块对边缘用电量数据进行处理。
处理过程如参照实施例1。
步骤206：边缘数据管理与云端服务器建立通信信道，接受用电基本模型信息。用电基本模型参照实施例1。
步骤207：边缘数据管理创建电量预测相关信息到边缘控制器。
步骤208：云端服务器从外界信息中获取根据环境、社会等信息记录辅助信息。
步骤209：云端服务器将辅助信息数据传输至边缘数据管理。
步骤210：边缘数据管理对辅助信息进行处理。处理方式参照实施例1。
步骤211：边缘控制器与边缘节点之间建立通信信道，实现边缘控制器与边缘节点之间的信息交互。
步骤212：在该数据发生变化时，边缘控制器利用通信通道发送通知消息，通知消息用于指示数据的变更。
步骤213：边缘节点根据辅助信息生成误差修正模型。
步骤214：边缘节点向边缘控制器发送训练请求。
步骤215：边缘控制器向边缘管理器请求调度训练模型资源。
步骤216：边缘管理器协调云端资源，在云端或其他边缘节点中完成模型训练。
步骤217：发送精准预测模型到边缘控制器。边缘控制器基于通信信道实时传输数据。
步骤218：边缘节点生成电量精确预测模型，并完成电量预测。
模型训练与预测方法参照实施例1。
可以理解的，实施例2中在边缘节点资源有限的情况下，将无法在边缘节点中进行的模型训练放到云端或其他空闲边缘节点中，加快训练速度，提升预测效率。
附图3示出了本发明的预测模型结构。输入时间t,输出用电量S(t),根据所预测用电区域特点，选择模型，分为四种不同类型的预测模型。此外，还提供了附加信息，通过误差修正网络进行修正，最终对两部分结果进行融合，最终实现对用电量的预测。具体的方法参见前述实施例的描述。
本发明提供的一种实施方式中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现前述实施例中的用电量预测的步骤。
本发明提供的一种实施方式中，提供了一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现前述实施例中的用电量预测的步骤。
计算机存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，除非另有说明，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
最后应说明的是，上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。

Claims (8)

1.一种基于边缘计算的预测用电量的方法，其特征在于：
边缘管理器收到用电量预测触发，发送用电数据收集指令；
所述边缘管理器向云端服务器发送辅助信息获取指令；
针对电量预测区域，收集所述用电数据，并将所述用电数据上传至边缘数据管理；
所述用电数据上传至所述云端服务器；
所述边缘数据管理对所述用电数据进行处理，设M个智能电表采集N个时刻的采集数据时刻T＝[t1,t2,…,tN]的数据为
Figure FDA0003843336660000011
对所述用电数据进行差分，获得某时刻用电量，对M个智能电表数据求和，获得新的用电历史数据，X＝[x1,x2,…,xN]，对应的时刻为T＝[t1,t2,…,tN]，式中
Figure FDA0003843336660000012
用电量记为Y＝[y1,y2,…,yN-1]，式中
Figure FDA0003843336660000013
所述边缘数据管理与所述云端服务器建立通信信道，接收用电基本模型数据，所述用电基本模型数据按照类型进行区分；
所述用电基本模型要通过采集所述电量预测区域的用户特性，结合历史数据和用电预测模型，构建针对所述电量预测区域的所述用电基本模型；
所述边缘数据管理创建电量预测信息到边缘控制器；
所述云端服务器从外界信息中获取辅助信息；
所述云端服务器将所述辅助信息数据传输至所述边缘数据管理；
所述边缘数据管理对所述辅助信息进行处理；
所述边缘控制器与边缘节点之间建立通信信道；
所述边缘控制器利用所述通信通道发送通知消息，所述通知消息用于指示数据的变更；
所述边缘节点根据所述辅助信息生成误差修正模型，结合所述用电基本模型，生成电量精确预测模型；
所述电量精确预测模型的网络采用四层前向反馈网络，第一层为输入层，第二层和第三层为隐藏层，第四层为输出层，核函数采用非线性函数，根据所述采集数据时刻T＝[t1,t2,…,tN]和所述用电量Y＝[y1,y2,…,yN-1]，对建立所述电量精确预测模型架构进行训练；
根据所述类型新选择预测模型，设网络net初始的参数为(W，B)，分别为连接权重和偏置大小，采用批处理方式，每一批选择K个数据，每批总误差为：
Figure FDA0003843336660000021
按下述公式进行参数调整
Figure FDA0003843336660000022
Figure FDA0003843336660000023
式中η1、η2分别为(W，B)的学习率；将全部训练数据进行误差修正操作，获得训练完成的网络net(W,B)；
所述边缘节点利用训练好的所述电量精确预测模型进行电量预测。
2.根据权利要求1所述的预测用电量的方法，其特征在于：所述用电预测模型为线性回归、非线性回归、灰色系统模型、交互多模型中的一种或多种。
3.根据权利要求1所述的预测用电量的方法，其特征在于：所述类型分为住宅、办公、商业、厂矿四个基本类型，所述预测模型为
Figure FDA0003843336660000024
式中sgn()为符号函数，如果预测区域类型与“住宅区”、“办公区”、“商业区”、“厂矿区”对应，则值为1，否则为0，Net()为训练好的误差修正网络；得到用电量预测值。
4.根据权利要求3所述的预测用电量的方法，其特征在于：针对所述住宅区域，单独设置新能源汽车的预测模型，住宅区域的用电预测模型表示为：
S(t)H＝E(t)+V(t)
式中S(t)H为t时刻住宅类型的区域用电量，E(t)为t时刻家用电器用电量预测值，V(t)为t时刻新能源汽车充电用电量预测值。
5.根据权利要求4所述的预测用电量的方法，其特征在于：所述前向反馈网络第一层节点数为5，第二层和第三层节点数分别为5和3，最后一层节点数1。
6.根据权利要求5所述的预测用电量的方法，其特征在于：所述住宅区的模型架构训练方法为，选择预测模型S(t)H＝E(t)+V(t)，设网络net初始的参数为(W，B)，分别为连接权重和偏置大小，输出为：
S(t)＝E(t)+V(t)+net(P1(t),P2(t),P3(t),P4(t),P5(t))
令Q(t)＝S(t)-E(t)-V(t)，模型训练可转化为输入P1(t),P2(t),P3(t),P4(t),P5(t)、输出Q(t)的网络训练。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的一种预测用电量方法的步骤。
8.一种计算机存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的一种预测用电量方法的步骤。
CN202210382638.0A 2022-04-12 2022-04-12 一种基于边缘计算的预测用电量的方法、计算机设备和存储介质 Active CN114707737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210382638.0A CN114707737B (zh) 2022-04-12 2022-04-12 一种基于边缘计算的预测用电量的方法、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210382638.0A CN114707737B (zh) 2022-04-12 2022-04-12 一种基于边缘计算的预测用电量的方法、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN114707737A CN114707737A (zh) 2022-07-05
CN114707737B true CN114707737B (zh) 2022-11-11

Family

ID=82175861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210382638.0A Active CN114707737B (zh) 2022-04-12 2022-04-12 一种基于边缘计算的预测用电量的方法、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN114707737B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115801844B (zh) * 2023-02-03 2023-04-11 深圳市思傲拓科技有限公司 一种应用于泳池机器人的数据传输管理系统及方法
CN116821590B (zh) * 2023-08-29 2024-03-26 江苏德赛尔科技有限公司 电力边缘数据的采集方法和系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111600296B (zh) * 2020-01-09 2021-09-14 浙江中新电力工程建设有限公司自动化分公司 基于边缘计算的电力负荷预测系统及其预测方法
CN111062651A (zh) * 2020-03-18 2020-04-24 南京中电科能技术有限公司 基于边缘计算和大数据分析的安全用电管理系统及方法
CN112686456A (zh) * 2020-12-31 2021-04-20 广东电网有限责任公司 一种结合边缘计算与用能识别的电力负荷预测系统和方法

Also Published As

Publication number Publication date
CN114707737A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
Ali et al. Closed-loop home energy management system with renewable energy sources in a smart grid: A comprehensive review
CN114707737B (zh) 一种基于边缘计算的预测用电量的方法、计算机设备和存储介质
US10614146B2 (en) Adaptive demand response method using batteries with commercial buildings for grid stability and sustainable growth
Akter et al. An optimal distributed energy management scheme for solving transactive energy sharing problems in residential microgrids
CN111466063A (zh) 储能管理及控制方法、系统、计算机设备、存储介质
Chang et al. From insight to impact: Building a sustainable edge computing platform for smart homes
CN112966883B (zh) 综合能源系统运行优化方法及终端设备
CN116914747B (zh) 电力用户侧负荷预测方法及系统
Li et al. Optimal battery schedule for grid-connected photovoltaic-battery systems of office buildings based on a dynamic programming algorithm
CN113139711A (zh) 一种基于数据整合的智慧能源数据中心管理系统
Ghasemkhani et al. Reinforcement learning based pricing for demand response
Li et al. Two-stage community energy trading under end-edge-cloud orchestration
CN112950098A (zh) 基于综合能源系统的能源规划方法、装置及终端设备
CN116599151A (zh) 基于多源数据的源网储荷安全管理方法
CN116384039A (zh) 一种基于模型预测的智能电网能源优化高效管理方法
CN117578534B (zh) 光伏储能系统的调度方法、装置、设备及存储介质
Li et al. Deep integration planning of sustainable energies in district energy system and distributed energy station
Leopold et al. Simulation-based methodology for optimizing energy community controllers
CN116739292A (zh) 数据中心的能量优化调度方法、系统和存储介质
CN116307437A (zh) 基于碳排放权兑换机制的虚拟电厂优化调度方法及系统
Chang et al. The use of the peak-clipping method for energy management in households with energy storage equipment
CN109038672A (zh) 一种平抑可再生能源波动的多目标鲁棒优化配置方法
CN115169839A (zh) 一种基于数据-物理-知识联合驱动的供暖负荷调度方法
Reynolds Real-time and semantic energy management across buildings in a district configuration
Ghiassi et al. On the use of AI as a requirement for improved insolation forecasting accuracy to achieve optimized PV utilization

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