CN115271463A - 智慧能源管理系统 - Google Patents
智慧能源管理系统 Download PDFInfo
- Publication number
- CN115271463A CN115271463A CN202210911728.4A CN202210911728A CN115271463A CN 115271463 A CN115271463 A CN 115271463A CN 202210911728 A CN202210911728 A CN 202210911728A CN 115271463 A CN115271463 A CN 115271463A
- Authority
- CN
- China
- Prior art keywords
- unit
- data
- power demand
- prediction
- algorithm
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 85
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 85
- 238000013461 design Methods 0.000 claims abstract description 76
- 230000009467 reduction Effects 0.000 claims abstract description 68
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000007726 management method Methods 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000005611 electricity Effects 0.000 claims abstract description 19
- 238000005265 energy consumption Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000013440 design planning Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 13
- 230000009471 action Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 239000013589 supplement Substances 0.000 claims description 11
- 238000013480 data collection Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000010220 Pearson correlation analysis Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002759 z-score normalization 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
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种智慧能源管理管理系统,具体包括:电力预测模块100,碳减排设计单元200,以及能耗优化策略模块300;电力预测模块100,用于精确的电力需求预测,可以使用各种因素来预测电力需求;碳减排设计单元200,能够实现碳减排设计规划,实现智慧用电;能耗优化策略模块300收集每个用电节点装置的用电信息,存储并对其采用深度学习算法不断的进行用能优化;使用的优化算法使用监督学习算法进行操作,并使用训练集优化基本算法计算温度和湿度变化的补偿值,基于能量管理,由用户在奖励预测神经网络中的使用模式进行补偿,以便用户在节能的同时享受舒适度,从而实现高效节能。
Description
技术领域
本发明涉及智慧能源管理技术领域,尤其涉及一种基于人工智能的智慧能源管理系统。
背景技术
智慧能源管理系统围绕能源、网络和用户展开,包括对用户的整个供能系统监控,实现整个系统的过程管理和运行管理,提高供能系统的管理手段,实现智慧能源管理系统是基于互联网技术应用的管控一体化的平台,它实现了从产能、能源网络到能源系统的整体优化。调高调度效率,便于高层管理决策。
社会结构向低能耗的转变,能源消费和生产的多元化,对能源高效利用和综合管理的需求不断增加。此外,还需要通过综合能源管理来管理能源生产和减排的绩效,验证改进前后的能源自给率,并通过测量数据分析得出改进方向。在分析能源解决方案时,需要通过使用人工智能技术的电力需求预测模型,得出关于各种能源消耗模式的可靠预测数据。
当前,可以使用各种减少碳排放的解决方案,例如安装新能源和可再生能源设施,环保运输系统,创建绿色空间和废物回收,但是建立量身定制的减碳计划,需要高度的专业知识,因为有必要考虑实现条件(例如追求碳的目标) 引入减碳计划的设计要素减少和所需的预算。但是,该领域的专家仍然不足,并且大多数减碳计划都是手动建立的,这会招致大量成本和时间,包括昂贵的咨询费用。综上,需要一种能够除了实现传统能源管理系统能耗数据的收集、分析、显示和优化的基本功能外,还能够实现电力需求预测、能耗优化策略以及碳减排设计等综合性的智慧能源管理系统。
发明内容
本发明的目的在于实现一种智慧能源管理管理系统,具体包括:电力预测模块100,碳减排设计单元200,以及能耗优化策略模块300;
电力预测模块100,用于精确的电力需求预测,可以使用各种因素来预测电力需求;电力需求预测模块100包括数据收集单元110、数据补充单元130、预测器选择器150和电力需求预测单元170;数据收集单元110收集用于电力需求预测的气象要素数据,执行用于电力需求预测的数据处理和预处理;数据补充单元130补充所收集数据的缺失数据;预测器选择器150通过CNN分析预测器之间的相关性来选择要反映在每个部分的电力需求预测中的预测器;电力需求预测单元170通过CNN-LSTM和CNN-GRU的并行结构为每个区间选择更准确的最终电力需求;
碳减排设计单元200,能够实现碳减排设计规划,实现智慧用电;碳减排设计单元200包括对象特征输入单元205,相似案例匹配单元210和案例存储单元 215,案例输入单元220,案例应用验证单元225,应用有效性规则存储单元230,规则输入单元235,减碳设计元素生成单元240,模拟单元245和输出单元250;
能耗优化策略模块300收集每个用电节点装置的用电信息,存储并对其采用深度学习算法不断的进行用能优化;使用的优化算法使用监督学习算法进行操作,并使用训练集优化基本算法计算温度和湿度变化的补偿值,基于能量管理,由用户在奖励预测神经网络中的使用模式进行补偿,以便用户在节能的同时享受舒适度,从而实现高效节能。
优选的,数据补充单元130使用移动窗口技术确定是否存在缺失数据,根据缺失数据的数量改变处理方法,当缺失数据的数量为两个或更少时,可以通过分析缺失时间点前后的数据,使用均值插值来补充缺失数据;当缺失数据数量为三个或更多时,可以通过ARIMA时间序列预测模型对缺失数据进行补充。
优选的,预测器选择器150通过以补充数据为输入的卷积神经网络CNN分析预测变量之间的相关性,并选择要反映在每个区段的电力需求预测中的预测变量,为了节省时间和防止过拟合,通过分析每个区间的不同预测因子之间的相关性,可以选择相关系数等于或大于预设阈值的因子进行电力需求预测。
优选的,电力需求预测单元170通过应用划分时间和区间的算法,采用对每个时间和区间具有更高精度的算法。通过LSTM/GRU进行各路段的电力需求预测,并为各路段选择通过精度更高的技术计算出的预测值;通过MAPE和RMSE函数进行误差分析。
优选的,相似案例匹配单元210包括通过对象特征输入单元205输入的用于碳减排的对象特征信息,对象的碳减排目标量信息以及与该对象的投资预算信息最相似的现有碳减排量,从对象设计元素案例存储单元215中检索;案例申请验证单元225将相似案例匹配单元210搜索到的减碳对象案例中包括的对象设计要素存储在规则存储单元230中,并限制对象减少碳排放量;减碳设计要素生成单元240基于案例应用验证单元225的验证结果,生成并输出用于减碳的对象设计要素信息;模拟单元245用于模拟相应的所需预算,输出单元250用于以报告文件的形式提供关于由模拟单元245模拟的对象设计要素的信息。
优选的,能耗优化策略模块300使用的优化算法包括:状态值传输步骤,其中从生成设备输入的一个或多个状态值被传输到深度强化学习神经网络、奖励预测神经网络和PID控制神经网络;PID控制神经网络将动作值作为学习数据存储,使用机器学习技术计算最佳PID值,PID控制神经网络根据状态值和动作值分别存储PID值作为学习数据,通过学习它们来预测PID值的最优值。
附图说明
图1为本发明的智慧能源管理系统的系统结构图;
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案作进一步地说明。
在下文中,将参考附图详细描述根据本发明的实施例的智慧能源管理系统。图1是说明本发明提出的智慧能源管理系统框图,包括:电力预测模块100,用于精确的电力需求预测,可以使用各种因素来预测电力需求,如时间(n天前、1 周前等)和分区(季节、季度等)的天气数据(温度、湿度、风速、云量等)、每日天气指数(不愉快指数、感温等)、历史用电需求数据;碳减排设计单元200,能够实现碳减排设计规划,实现智慧用电以及能耗优化策略模块300收集每个用电节点装置的用电信息,将每个数据存储并对采用深度学习算法不断的进行用能优化。
其中,电力需求预测模块100包括数据收集单元110、数据补充单元130、预测器选择器150和电力需求预测单元170。
数据收集单元110收集用于电力需求预测的气象要素数据。可以通过分析预测电力需求所需的天气元素,如温度、湿度、大气压和风速等分析数据。为了算法执行的灵活性和敏感性,数据采集周期可以设置一个较长的时间段,比如最近一年或三年。可以使用各种因素来预测电力需求,以及根据时间(n天前、 1周前等)和分区(季节、季度等)的天气数据(温度、湿度、风速、云量等)、每日天气指数(不愉快指数、感温等)、历史用电需求数据。短期电力需求预测直接受气象因素以及历史电力需求数据的影响。因此,为了准确预测电力需求,需要通过与各种气象因素的相关性分析来分析必要的数据。此外,电力需求呈现出模式周期性变化的形状。由于四个季节、工作日、周末和节假日的电力需求模式不同,因此不仅可以考虑天气因素,还可以考虑季节变化、历史数据、工作日、周末和公众假期等因素进行分析。
为了分析过去电力需求的相关性,总共进行1至6小时的前历史数据分析。电力需求预测采用的预测器一般根据Pearson相关分析方程和散点图计算。在 LSTM和GRU的情况下,不仅气象因素和历史数据,而且代表时间序列特征的数据都可以作为重要因素,因此将它们一起分析。
数据收集单元110可以首先执行用于电力需求预测的数据处理和预处理。如果气象要素数据等数据本身的尺度差异较大,则会成为预测性能下降的原因。因此,为了提高预测性能并防止过拟合,可以执行每个数据的归一化。至于数据归一化方法,有使用每个数据的最大值和最小值的Min-Max归一化方法,还有使用数据的标准差和均值的Z-Score归一化方法。
数据补充单元130补充所收集数据的缺失数据。首先,可以使用移动窗口技术确定是否存在缺失数据。当用电需求、气象因素和特定地点用电需求数据实际存储在数据库中时,可能存在缺失数据或异常数据。此类数据会对电力需求预测的准确性产生不利影响,并被用作增加基于深度学习的算法(尤其是 LSTM)的不准确性的因素。因此,需要额外的工作来处理缺失值。移动窗口技术是在许多领域中用于自动观察数据的方法,作为通过数据模式的重叠率来确定丢失数据的存在或不存在的方法。在本发明的一个实施例中,当通过移动窗口技术观察到缺失数据时,根据缺失数据的数量改变处理方法。
例如,当缺失数据的数量为两个或更少时,可以通过分析缺失时间点前后的数据,使用均值插值来补充缺失数据。平均插值是一种用每个变量的平均值替换缺失部分的技术。如果缺失数据的数量很少,即使通过均值插值补充数据,预测性能也不会下降。另一方面,当缺失数据数量为三个或更多时,可以通过 ARIMA时间序列预测模型对缺失数据进行补充。特别是电力需求和天气因素不会在短时间内造成大的变化,因此即使使用基于时间序列的插值方法也显示出很高的准确性。
预测器选择器150可以通过CNN分析预测器之间的相关性来选择要反映在每个部分的电力需求预测中的预测器,CNN是具有补充数据作为输入的卷积神经网络。此外,在电力需求预测算法中,基于高相关系数自动选择每个预测因素的相关系数分析,并且可以实现在数据更新时选择最优输入变量。相关性分析通过卷积神经网络(CNN)自动更新,以选择一个预测因子以反映在每个部分的电力需求预测中。在本发明中,为了节省时间和防止过拟合,通过分析每个区间的不同预测因子之间的相关性,可以选择相关系数等于或大于预设阈值的因子进行电力需求预测。
本发明使用与电力需求模式具有高度相关性的因素作为通过CNN的输入数据。电力需求预测单元170通过CNN-LSTM和CNN-GRU的并行结构为每个区间选择更准确的最终电力需求。电力需求预测是通过将CNN(卷积神经网络)与LSTM 或GRU模型相结合来进行的。现有的Pearson相关分析单独存在一个缺点,即无法准确解释电力需求数据和预测变量之间的关系。这是因为Pearson相关系数没有考虑季节性周期或一天内的数据模式。
使用卷积神经网络CNN,可以通过考虑电力需求模式和其他因素之间的模式来提取具有高相关性的数据。这是因为CNN中卷积层下数据特征的自动提取是可能的。因此,可以通过开发可以利用两种深度学习技术优势的混合模型来提高预测精度。长短期记忆(LSTM)是循环神经网络(RNN)的一部分,是一种在长时间学习或执行数据时使用的技术。RNN的一个缺点是当预测时间序列数据时,当预测数据量增加时,学习能力会大大降低。为克服这个问题而设计的一种方法是将单元状态添加到LSTM RNN的隐藏状态的结构。
由于目前用于大部分时间序列预测,并且在电力需求预测中表现出较高的准确性,因此在本发明中,使用LSTM来预测电力需求。现有的RNN技术在处理时间序列数据时,存在数据消失的问题,因此采用LSTM技术对数据进行分类和预测。LSTM技术被大量用于学习和预测长时间发生的数据,因为它不如RNN敏感,即使增加间隔长度也不会引起问题。
GRU(Gate Recurrent Unit)单元是LSTM单元的简化版本,可补偿长LSTM 运算速度。GRU的参数调整比LSTM少,因此它比LSTM需要更短的学习时间,并且可以用更少的数据进行学习。但是,当训练数据的数量足够时,LSTM可以表现出出色的学习能力,因此在本研究中,对两种算法进行了比较和验证。
在本发明中,提出了一种通过构建具有CNN-LSTM和CNN-GRU的并行结构的集成来预测电力需求的算法。本发明是一种用于预测最终电力需求的算法,该算法通过应用划分时间和区间的算法,采用对每个时间和区间具有更高精度的算法。通过LSTM/GRU进行各路段的电力需求预测,并为各路段选择通过精度更高的技术计算出的预测值。另外,N天前的预测值可以通过MAPE和RMSE函数进行误差分析。RMSE是均方根误差的缩写,通过对实际值与预测值的差值求平方再取平方根来表示测量值的精度。MAPE通过将所有相对误差与实际值的比率相加并除以数据数,将测量值的精度表示为0到100%之间的百分比值。
本发明通过应用时间和区间划分的算法,可以通过对每个时间和区间采用更准确的算法来预测最终的电力需求。因此,通过开发基于人工智能的电力需求预测算法和优化每个客户的运行调度,它可以为经济效益和能源效率提高做出贡献。此外,利用影响电力需求的主要变量,如气象因素、区域人口密度、生活天气指数等,可以提高需求预测的准确性和客观性。在本发明中,提出了一种通过构建具有CNN-LSTM和CNN-GRU的并行结构的集成来预测电力需求的算法。本发明是一种用于预测最终电力需求的算法,该算法通过应用划分时间和区间的算法,采用对每个时间和区间具有更高精度的算法,因此具有更高准确性的算法来预测最终的电力需求。
碳减排设计单元200能够实现碳减排设计规划,实现智慧用电。其考虑到对象的特征,减碳目标和减碳条件,通过将现有的设计元素转换成数据库以创建碳减排规划。该功能可以通过将最相似的碳减排案例映射到要建立的对象来迅速推荐定制的碳减排规划的设计要素。以通过对与拟建立减碳计划的对象最相似的案例进行制图来快速推荐定制的减碳计划的设计要素。并管理搜索到的相似案例。根据设计规则或约束进行验证,并为减少碳排放的规划建议设计元素。碳减排设计单元包括对象特征输入单元205,相似案例匹配单元210和案例存储单元215,案例输入单元220,案例应用验证单元225,应用有效性规则存储单元230,规则输入单元235,减碳设计元素生成单元240,模拟单元245和输出单元250。
相似案例匹配单元210包括通过对象特征输入单元205输入的用于碳减排的对象特征信息,对象的碳减排目标量信息以及与该对象的投资预算信息最相似的现有碳减排量。可以从对象设计元素案例存储单元215中检索。相似情况匹配单元210包括输入对象特征信息,对象减碳目标量信息和对象投资预算信息,关于存储的现有减碳对象用例的对象特征信息以及对象减碳目标量信息。对于对象的预算信息,可以搜索与现有最相似的减碳对象案例。在匹配方法中,将权重分配给用户输入的每个数据字段,并且优先匹配所有字段的相似性加权平均值高的情况。例如,可以通过以下方法计算每个字段的相似度:对区域加权使用1分,对地形加权使用2分,对人口使用3分,对家庭数量进行3分,对对象主要功能使用4分。
相似情况匹配单元210包括通过对象特征输入单元205输入的信息(例如,对象区域信息和对象地形)中包括的数据字段值信息等)可以被检索。来自对象设计要素案例存储单元215的现有碳减排对象案例具有数据字段值,其中权重的总和的平均值最大。
案例申请验证单元225将相似案例匹配单元210搜索到的减碳对象案例中包括的对象设计要素存储在规则存储单元230中,并限制对象减少碳排放量。可以根据条件(或设计规则信息)。相似案例应用可行性验证功能单元225是关于现有相似案例匹配功能单元应用的减碳对象规划设计要素是否与用户输入的对象特征和条件一致的应用可行性清单。通过(清单)规则,如果违反了该规则,则可以排除或扩展侵权的碳减排设计元素(例如,减少现有对象案例中提议的绿色空间的大小)。
减碳设计要素生成单元240基于案例应用验证单元225的验证结果,生成并输出用于减碳的对象设计要素信息。例如,可以通过显示单元(未示出)来提供(显示)输出。基于案例申请验证单元225的验证结果,由相似案例匹配单元210搜索的减碳对象案例中包括减碳设计要素生成单元240。碳减排设计单元可以将由减碳设计要素生成单元240生成的对象设计要素信息中的至少一个设计要素的值修改为修改后的对象设计要素信息,还可以包括模拟单元245用于模拟相应的所需预算,或者输出单元用于以报告文件的形式提供关于由模拟单元245模拟的对象设计要素的信息。报告文件的格式可以是PDF(便携式文档格式)文件或Excel文件。
对象特征输入单元205,案例输入单元220和规则输入单元235可以被集成为一个并被配置为输入单元。另外,在本发明的另一实施例中,存储单元215 和230可以被布置为位于碳减排设计单元外部的数据库单元。碳减排设计单元中包括的对象特征输入单元205提供关于用于减少用户的碳排放的对象的特征的信息,以及碳减排目标量信息和投资预算信息。
相似案例匹配单元210提供关于输入的用于减少碳排放的对象的特性以及对象的碳的信息。从对象设计要素案例存储单元215中检索出与对象的投资预算信息最相似的金额信息和现有减碳对象案例。存储在对象设计要素案例存储单元215中的现有减碳对象案例的对象设计要素可以包括土地利用设计数据,绿地设计数据,交通设计数据,能源设计数据和废物设计数据。交通设计数据可以包括公共交通项目和绿色交通项目。相似案例匹配单元210包括通过对象特征输入单元205输入的信息(例如,对象区域信息和对象地形)中包括的数据字段值信息等)可以被检索。来自对象设计要素案例存储单元215的现有碳减排对象案例具有数据字段值,其中权重的总和的平均值最大。
应用验证单元225包括在对象设计要素生成装置的匹配步骤310中搜索到的减碳对象案例中包括的对象设计要素。根据规则存储单元230中存储的关于对象的限制条件(或设计规则信息)以减少碳排放。减碳设计元素生成单元240 基于验证结果,来减少碳排放的对象设计元素信息,并进行打印。基于验证结果,由相似案例匹配单元210搜索的减碳对象案例中包括减碳设计要素生成单元240。对象设计元素或调整对象设计元素中特定对象设计元素的值可能生成用于减少碳排放的对象设计要素信息。
推荐设计元素审查和模拟功能单元245可以包括允许用户审查减碳设计元素并直接修改碳减少因子的功能。通过修改生成的对象设计因子信息中的至少一个设计因子值,通过仿真单元245来计算与修改后的对象设计因子信息相对应的所需预算。例如,当用户修改某个设计元素时,模拟功能单元245可以具有模拟所需预算,进度,问题或效果等的功能。关于所需预算,进度,问题或效果的信息可以预先存储(存储)在存储单元中。
模拟的对象设计要素信息以报告文件的形式通过输出单元250输出。报告文件的格式可以是PDF文件或Excel文件。可以通过模拟功能单元以咨询报告文件的形式向用户提供经过用户修改和模拟的最终减碳对象规划设计元素。然后,用户可以修改此报告文件,并将其用作减碳对象规划设计元素报告。
能耗优化策略模块300收集每个用电节点装置的用电信息,将每个数据存储并对采用深度学习算法不断的进行用能优化。其使用的优化算法包括:
状态值传输步骤,其中从生成设备输入的一个或多个状态值被传输到深度强化学习神经网络、奖励预测神经网络和PID控制神经网络;
补偿预测神经网络由最优温度预测神经网络和能量预测神经网络组成,最优温度预测神经网络和能量预测神经网络学习状态值,进而确定补偿值并传送补偿值传送步骤;
深度强化学习神经网络由actor神经网络和关键神经网络组成,关键神经网络将传输状态值和期望动作值与奖励值结合到value value(计算Q的动作值计算步骤)并传递给actor神经网络,actor神经网络使用值和状态值计算出最优动作值;
PID控制神经网络由PID计算步骤组成,该步骤将动作值作为学习数据存储,使用机器学习技术计算最佳PID值,并将其发送到控制设备。PID值是用于根据动作值控制操作量的值,并确定包括比例、积分和微分项的控制量(操作量)。PID控制神经网络根据状态值和动作值分别存储PID值作为学习数据,通过学习它们来预测PID值的最优值。
优化算法使用监督学习算法进行操作,并使用训练集(学习数据)优化基本算法。学习数据是通过按时间段和日期从用电节点装置和控制器收集的每个用电节点的数据(温度、湿度、CO2浓度、太阳辐射等)分类获得的数据。用电节点积累的数据越长越好,但对于没有积累数据的节点,可以收集相似环境下的用电节点装置数据,利用数据集计算出最优值。算法的奖励预测神经网络和深度强化学习神经网络都在基本算法优化的状态下执行是合适的。补偿预测神经网络由最佳温度预测神经网络和能量预测神经网络组成,最佳温度预测神经网络应用补偿函数计算温度和湿度变化的补偿值,能量预测神经网络使用电能,应用补偿函数计算热能消耗变化的补偿值。
综合考虑每个用电节点装置的能源消耗、温度状态确定补偿值。由于执行了定制的能量管理,并且新的状态值由用户在奖励预测神经网络中的使用模式进行补偿,因此确定了动作值,以便用户感到最佳舒适度。尽管有新的状态值,可以在节能的同时享受舒适度,并不断计算每一代、每一期、每一时间段的新动作值,并运行设备,从而实现高效节能。
在上文中,已经描述了根据本发明的智能变电站管理系统。应该理解,本领域技术人员可以在不改变本发明的技术精神或基本特征的情况下,以其他特定形式来实现本发明的技术配置。
上述仅为本发明的优选实施例而已,并不对本发明起到任何限制作用。任何所属技术领域的技术人员,在不脱离本发明的技术方案的范围内,对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动,均属未脱离本发明的技术方案的内容,仍属于本发明的保护范围之内。
Claims (6)
1.一种智慧能源管理系统,其特征在于,具体包括:电力预测模块100,碳减排设计单元200,以及能耗优化策略模块300;
电力预测模块100,用于精确的电力需求预测,可以使用各种因素来预测电力需求;电力需求预测模块100包括数据收集单元110、数据补充单元130、预测器选择器150和电力需求预测单元170;数据收集单元110收集用于电力需求预测的气象要素数据,执行用于电力需求预测的数据处理和预处理;数据补充单元130补充所收集数据的缺失数据;预测器选择器150通过CNN分析预测器之间的相关性来选择要反映在每个部分的电力需求预测中的预测器;电力需求预测单元170通过CNN-LSTM和CNN-GRU的并行结构为每个区间选择更准确的最终电力需求;
碳减排设计单元200,能够实现碳减排设计规划,实现智慧用电;碳减排设计单元200包括对象特征输入单元205,相似案例匹配单元210和案例存储单元215,案例输入单元220,案例应用验证单元225,应用有效性规则存储单元230,规则输入单元235,减碳设计元素生成单元240,模拟单元245和输出单元250;
能耗优化策略模块300收集每个用电节点装置的用电信息,存储并对其采用深度学习算法不断的进行用能优化;使用的优化算法使用监督学习算法进行操作,并使用训练集优化基本算法计算温度和湿度变化的补偿值,基于能量管理,由用户在奖励预测神经网络中的使用模式进行补偿,以便用户在节能的同时享受舒适度,从而实现高效节能。
2.根据权利要求1所述的智能变电站管理系统,其特征在于,数据补充单元130使用移动窗口技术确定是否存在缺失数据,根据缺失数据的数量改变处理方法,当缺失数据的数量为两个或更少时,可以通过分析缺失时间点前后的数据,使用均值插值来补充缺失数据;当缺失数据数量为三个或更多时,可以通过ARIMA时间序列预测模型对缺失数据进行补充。
3.根据权利要求2所述的智能变电站管理系统,其特征在于,预测器选择器150通过以补充数据为输入的卷积神经网络CNN分析预测变量之间的相关性,并选择要反映在每个区段的电力需求预测中的预测变量,为了节省时间和防止过拟合,通过分析每个区间的不同预测因子之间的相关性,可以选择相关系数等于或大于预设阈值的因子进行电力需求预测。
4.根据权利要求1所述的智能变电站管理系统,其特征在于,电力需求预测单元170通过应用划分时间和区间的算法,采用对每个时间和区间具有更高精度的算法。通过LSTM/GRU进行各路段的电力需求预测,并为各路段选择通过精度更高的技术计算出的预测值;通过MAPE和RMSE函数进行误差分析。
5.根据权利要求1所述的智能变电站管理系统,其特征在于,
相似案例匹配单元210包括通过对象特征输入单元205输入的用于碳减排的对象特征信息,对象的碳减排目标量信息以及与该对象的投资预算信息最相似的现有碳减排量,从对象设计元素案例存储单元215中检索;案例申请验证单元225将相似案例匹配单元210搜索到的减碳对象案例中包括的对象设计要素存储在规则存储单元230中,并限制对象减少碳排放量;减碳设计要素生成单元240基于案例应用验证单元225的验证结果,生成并输出用于减碳的对象设计要素信息;模拟单元245用于模拟相应的所需预算,输出单元250用于以报告文件的形式提供关于由模拟单元245模拟的对象设计要素的信息。
6.根据权利要求1所述的智能变电站管理系统,其特征在于,能耗优化策略模块300使用的优化算法包括:
状态值传输步骤,其中从生成设备输入的一个或多个状态值被传输到深度强化学习神经网络、奖励预测神经网络和PID控制神经网络;PID控制神经网络将动作值作为学习数据存储,使用机器学习技术计算最佳PID值,PID控制神经网络根据状态值和动作值分别存储PID值作为学习数据,通过学习它们来预测PID值的最优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210911728.4A CN115271463B (zh) | 2022-07-29 | 2022-07-29 | 智慧能源管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210911728.4A CN115271463B (zh) | 2022-07-29 | 2022-07-29 | 智慧能源管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115271463A true CN115271463A (zh) | 2022-11-01 |
CN115271463B CN115271463B (zh) | 2023-06-02 |
Family
ID=83746626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210911728.4A Active CN115271463B (zh) | 2022-07-29 | 2022-07-29 | 智慧能源管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115271463B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314639A (zh) * | 2011-07-05 | 2012-01-11 | 万达信息股份有限公司 | 一种可视化的动态智能应急处置方案生成方法 |
CA3082974A1 (en) * | 2017-11-20 | 2019-05-23 | Ihi Corporation | Energy management system, power demand plan optimization method, and power demand plan optimization program |
CN111351180A (zh) * | 2020-03-06 | 2020-06-30 | 上海外高桥万国数据科技发展有限公司 | 一种运用人工智能实现数据中心节能温控的系统及方法 |
CN111609534A (zh) * | 2020-05-25 | 2020-09-01 | 珠海拓芯科技有限公司 | 温度控制方法、装置及中央温度控制系统 |
CN111738512A (zh) * | 2020-06-22 | 2020-10-02 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
CN113962364A (zh) * | 2021-10-22 | 2022-01-21 | 四川大学 | 一种基于深度学习的多因素用电负荷预测方法 |
US20220036246A1 (en) * | 2020-07-29 | 2022-02-03 | International Business Machines Corporation | Automated machine learning pipeline generation |
CN114579818A (zh) * | 2022-03-11 | 2022-06-03 | 张巧铃 | 一种可视化碳排放检测管理系统及方法 |
-
2022
- 2022-07-29 CN CN202210911728.4A patent/CN115271463B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314639A (zh) * | 2011-07-05 | 2012-01-11 | 万达信息股份有限公司 | 一种可视化的动态智能应急处置方案生成方法 |
CA3082974A1 (en) * | 2017-11-20 | 2019-05-23 | Ihi Corporation | Energy management system, power demand plan optimization method, and power demand plan optimization program |
CN111351180A (zh) * | 2020-03-06 | 2020-06-30 | 上海外高桥万国数据科技发展有限公司 | 一种运用人工智能实现数据中心节能温控的系统及方法 |
CN111609534A (zh) * | 2020-05-25 | 2020-09-01 | 珠海拓芯科技有限公司 | 温度控制方法、装置及中央温度控制系统 |
CN111738512A (zh) * | 2020-06-22 | 2020-10-02 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
US20220036246A1 (en) * | 2020-07-29 | 2022-02-03 | International Business Machines Corporation | Automated machine learning pipeline generation |
CN113962364A (zh) * | 2021-10-22 | 2022-01-21 | 四川大学 | 一种基于深度学习的多因素用电负荷预测方法 |
CN114579818A (zh) * | 2022-03-11 | 2022-06-03 | 张巧铃 | 一种可视化碳排放检测管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115271463B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
Sun et al. | A review of the-state-of-the-art in data-driven approaches for building energy prediction | |
Szoplik | Forecasting of natural gas consumption with artificial neural networks | |
CN101872384B (zh) | 动态可持续性因素管理 | |
CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
Sarmas et al. | ML-based energy management of water pumping systems for the application of peak shaving in small-scale islands | |
CN112614009A (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
CN106022549A (zh) | 基于神经网络和思维演化搜索的短期负荷预测方法 | |
CN104598986A (zh) | 基于大数据的电力负荷预测方法 | |
CN106203683A (zh) | 一种电力客户用电负荷预测系统的建模方法 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
Capuno et al. | Very short-term load forecasting using hybrid algebraic prediction and support vector regression | |
CN114925874A (zh) | 一种基于bert神经网络模型的碳排量预判方法及装置 | |
Zdravković et al. | Explainable heat demand forecasting for the novel control strategies of district heating systems | |
Bişkin et al. | Forecasting of Turkey’s Electrical Energy Consumption using LSTM and GRU Networks | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
Kampouropoulos et al. | An energy prediction method using adaptive neuro-fuzzy inference system and genetic algorithms | |
CN115271463B (zh) | 智慧能源管理系统 | |
Meng et al. | Digital twin for intelligent probabilistic short term load forecasting in solar based smart grids using shark algorithm | |
Chen et al. | The predictive management in campus heating system based on deep reinforcement learning and probabilistic heat demands forecasting | |
CN116644562B (zh) | 一种新能源电站运维费用评估系统 | |
CN117455041B (zh) | 一种针对预测所得未来水资源的多目标管控利用方法 | |
Hinova et al. | A Brief Overview of the Some Forecasting Methods in Energetics | |
Mohammadigohari | Energy consumption forecasting using machine learning | |
Wang et al. | Forecasting Short-Term Solar PV Using Hierarchical Clustering and Cascade Model |
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 |