CN115660225A - 一种基于电表通信模块的用电负荷预测管理方法及系统 - Google Patents
一种基于电表通信模块的用电负荷预测管理方法及系统 Download PDFInfo
- Publication number
- CN115660225A CN115660225A CN202211592687.3A CN202211592687A CN115660225A CN 115660225 A CN115660225 A CN 115660225A CN 202211592687 A CN202211592687 A CN 202211592687A CN 115660225 A CN115660225 A CN 115660225A
- Authority
- CN
- China
- Prior art keywords
- target
- electricity
- power consumption
- electric meter
- data
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于电表通信模块的用电负荷预测管理方法及系统，涉及计算机应用领域，所述方法包括：通过根据目标区域的智能电表用户信息，组建目标用户集，其中包括多个目标用户；采集得到多个目标智能电表数据；聚类分析得到聚类分析结果，其中包括多个用电模式；提取任意一个用电模式并作为目标用电模式；分析目标用电模式的目标用电特征集，并生成实时用电量预测结果；根据实时用电量预测结果对目标区域进行配电管理。解决了现有技术中在基于用电量预测进行配电调度管理时，存在忽略目标区域中用电基本单元差异性，导致用电量预测准确性不高问题。达到了提高用电量预测结果准确性，并提高用电符合预测管理高效性、可靠性的效果。
Description
技术领域
本发明涉及计算机应用领域，尤其涉及一种基于电表通信模块的用电负荷预测管理方法及系统。
背景技术
电能消费预测是行业和能源部门宏观规划的重要环节，准确预测电力负荷对电网管理和电力调度至关重要。现有技术中进行区域用电量预测，即电能消费预测时，通常直接以区域为单位进行用电量预测，存在忽略目标区域中用电基本单元差异性，进而导致用电量预测准确性不高，最终影响配电管理质量的技术问题。随着21世纪智能电网的发展，越来越多家庭开始安装建设智能电表，由此便能收集到以中小型企业或家庭为单位的用电数据。区域中居民、各类企业等作为区域用电的基本单元，其用电负荷预测对区域用电负荷预测非常重要。因此，基于居民和中小型企业用电负荷预测进行区域用电预测，同时考虑实时温度、时刻、节假日、历史负荷等因素对用电量预测结果的影响，对于提高用电量预测准确性，进一步提高区域配电管理质量等具有重要意义。
然而，现有技术中在基于用电量预测进行配电调度管理时，通过对目标区域用电量分析实现区域的用电量预测，存在忽略目标区域中用电基本单元差异性，进而导致用电量预测准确性不高，最终影响配电管理质量的技术问题。
发明内容
本发明的目的是提供一种基于电表通信模块的用电负荷预测管理方法及系统，用以解决现有技术中在基于用电量预测进行配电调度管理时，通过对目标区域用电量分析实现区域的用电量预测，存在忽略目标区域中用电基本单元差异性，进而导致用电量预测准确性不高，最终影响配电管理质量的技术问题。
鉴于上述问题，本发明提供了一种基于电表通信模块的用电负荷预测管理方法及系统。
第一方面，本发明提供了一种基于电表通信模块的用电负荷预测管理方法，所述方法通过一种基于电表通信模块的用电负荷预测管理系统实现，其中，所述方法包括：通过根据目标区域的智能电表用户信息，组建目标用户集，其中，所述目标用户集包括多个目标用户；对所述多个目标用户的智能电表数据进行采集，得到多个目标智能电表数据；对所述多个目标智能电表数据进行聚类分析，得到聚类分析结果，其中，所述聚类分析结果包括多个用电模式；提取所述多个用电模式中任意一个用电模式，并作为目标用电模式；分析获得所述目标用电模式的目标用电特征集，并根据所述目标用电特征集生成实时用电量预测结果；根据所述实时用电量预测结果对所述目标区域进行配电管理。
第二方面，本发明还提供了一种基于电表通信模块的用电负荷预测管理系统，用于执行如第一方面所述的一种基于电表通信模块的用电负荷预测管理方法，其中，所述系统包括：用户组建模块，所述用户组建模块用于根据目标区域的智能电表用户信息，组建目标用户集，其中，所述目标用户集包括多个目标用户；数据采集模块，所述数据采集模块用于对所述多个目标用户的智能电表数据进行采集，得到多个目标智能电表数据；聚类分析模块，所述聚类分析模块用于对所述多个目标智能电表数据进行聚类分析，得到聚类分析结果，其中，所述聚类分析结果包括多个用电模式；模式获得模块，所述模式获得模块用于提取所述多个用电模式中任意一个用电模式，并作为目标用电模式；实时预测模块，所述实时预测模块用于分析获得所述目标用电模式的目标用电特征集，并根据所述目标用电特征集生成实时用电量预测结果；管理执行模块，所述管理执行模块用于根据所述实时用电量预测结果对所述目标区域进行配电管理。
本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过根据目标区域的智能电表用户信息，组建目标用户集，其中，所述目标用户集包括多个目标用户；对所述多个目标用户的智能电表数据进行采集，得到多个目标智能电表数据；对所述多个目标智能电表数据进行聚类分析，得到聚类分析结果，其中，所述聚类分析结果包括多个用电模式；提取所述多个用电模式中任意一个用电模式，并作为目标用电模式；分析获得所述目标用电模式的目标用电特征集，并根据所述目标用电特征集生成实时用电量预测结果；根据所述实时用电量预测结果对所述目标区域进行配电管理。通过采集目标区域中各个目标用户的智能电表数据，进而分析并将目标用户的用电情况进行聚类，最终通过对聚类得到的用电模式进行分析计算，实现了对目标区域的用电量进行预测的技术目标，达到了提高目标区域实时用电量预测结果准确性，并提高用电符合预测管理高效性、可靠性的技术效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述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示例性的，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，还可以根据提供的附图获得其他的附图。
图1为本发明一种基于电表通信模块的用电负荷预测管理方法的流程示意图；
图2为本发明一种基于电表通信模块的用电负荷预测管理方法中对实时用电量预测结果进行一次调整的流程示意图；
图3为本发明一种基于电表通信模块的用电负荷预测管理方法中对实时用电量预测结果进行二次调整的流程示意图；
图4为本发明一种基于电表通信模块的用电负荷预测管理方法中得到多个用电模式的流程示意图；
图5为本发明一种基于电表通信模块的用电负荷预测管理系统的结构示意图。
附图标记说明：
用户组建模块M100，数据采集模块M200，聚类分析模块M300，模式获得模块M400，实时预测模块M500，管理执行模块M600。
具体实施方式
本发明通过提供一种基于电表通信模块的用电负荷预测管理方法及系统，解决了现有技术中在基于用电量预测进行配电调度管理时，通过对目标区域用电量分析实现区域的用电量预测，存在忽略目标区域中用电基本单元差异性，进而导致用电量预测准确性不高，最终影响配电管理质量的技术问题。通过采集目标区域中各个目标用户的智能电表数据，进而分析并将目标用户的用电情况进行聚类，最终通过对聚类得到的用电模式进行分析计算，实现了对目标区域的用电量进行预测的技术目标，达到了提高目标区域实时用电量预测结果准确性，并提高用电符合预测管理高效性、可靠性的技术效果。
本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面，将参考附图对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明的实施例，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。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。
实施例一
请参阅附图1，本发明提供了一种基于电表通信模块的用电负荷预测管理方法，其中，所述方法应用于一种基于电表通信模块的用电负荷预测管理系统，所述方法具体包括如下步骤：
步骤S100：根据目标区域的智能电表用户信息，组建目标用户集，其中，所述目标用户集包括多个目标用户；
进一步的，本发明还包括如下步骤：
步骤S110：组建用电基本单元集，其中，所述用电基本单元集包括居民用电单元、企业用电单元；
步骤S120：对所述目标区域中的所述居民用电单元、所述企业用电单元依次进行信息采集，得到用电基本单元信息；
步骤S130：根据所述用电基本单元信息组建所述目标用户集。
具体而言，所述一种基于电表通信模块的用电负荷预测管理方法应用于所述一种基于电表通信模块的用电负荷预测管理系统，可以通过采集目标区域中各个目标用户的智能电表数据，进而分析并将目标用户的用电情况进行聚类，最终通过对聚类得到的用电模式进行分析计算，实现对目标区域的用电量进行预测的目标。所述目标区域是指待利用所述基于电表通信模块的用电负荷预测管理系统进行用电负荷预测、进而针对性进行用电调度管理的任意一个区域。示范性的如江苏省区域。所述智能电表用户是指所述目标区域中，使用智能电表进行用电消费和管理的所有用户，包括居民用户、中小型企业用户等。首先确定所述目标区域中的用电基本单元，并组建所述用电基本单元集，也就是说，对所述目标区域中的用电居民用户、用电企业用户进行相关信息采集，示范性的如，针对用电居民用户，对其居民用户中用电人口数、居民家庭位置、所属社区等相关信息进行采集，针对用电企业用户，对其企业用户的企业营业领域、企业规模、总员工数、企业所在位置等相关信息进行采集，从而分别得到用电居民用户的信息和用电企业用户的信息，进而组成所述用电基本单元信息。也就是说，将各个用电居民家庭、用电企业分别作为一个用电基本单元，进而采集各个用电基本单元中，会对其用电量、用电规律等产生影响的相关数据进行采集。最终根据所述用电基本单元信息组建所述目标用户集。
通过对目标区域中的各个用电用户进行信息采集，得到目标区域中的多个目标用户，达到了为后续分析各个目标用户的用电规律和特征提供基础的技术效果。
步骤S200：对所述多个目标用户的智能电表数据进行采集，得到多个目标智能电表数据；
具体而言，首先获得所述多个目标用户中各个目标用户的智能电表记录数据，从而分析得到所述多个目标智能电表数据。其中，所述多个目标智能电表数据与所述多个目标用户具备一一对应关系。通过采集目标区域中所有目标用户的智能电表数据，为后续分析各个目标用户的历史用电规律和用电特征提供基础数据，达到了提高目标用户用电特征分析可靠性、有效性的技术效果。
步骤S300：对所述多个目标智能电表数据进行聚类分析，得到聚类分析结果，其中，所述聚类分析结果包括多个用电模式；
进一步的，如附图4所示，本发明步骤S300还包括：
步骤S310：对所述多个目标智能电表数据中各目标智能电表数据依次进行分析，得到多个用电特征；
进一步的，本发明步骤S310还包括：
步骤S311：提取所述多个目标智能电表数据中任意一个目标智能电表数据；
步骤S312：获得预设周期阈值，并基于所述预设周期阈值对所述任意一个目标智能电表数据进行数据截取，得到周期电表数据；
步骤S313：对所述预设周期阈值进行划分，得到周期划分结果，其中，所述周期划分结果包括多个周期区间；
步骤S314：根据所述多个周期区间对所述周期电表数据进行划分，得到周期电表数据划分结果，其中，所述周期电表数据划分结果包括多个周期电表数据区间；
步骤S315：对所述多个周期电表数据区间中各周期电表数据区间依次进行计算分析，得到用电指标参数集；
进一步的，本发明还包括如下步骤：
步骤S3151：提取所述多个周期电表数据区间中任意一个周期电表数据区间；
步骤S3152：对所述任意一个周期电表数据区间进行用电量采集，得到多个区间用电量值；
步骤S3153：对比所述多个区间用电量值，依次获得最大区间用电量值、最小区间用电量值；
步骤S3154：根据所述最大区间用电量值、所述最小区间用电量值，计算得到区间用电量极差；
步骤S3155：依次计算所述多个区间用电量值的区间用电量众数值、区间用电量均值；
步骤S3156：根据所述区间用电量极差、所述区间用电量众数值、所述区间用电量均值，得到所述任意一个周期电表数据区间的用电指标参数集。
步骤S316：将所述用电指标参数集作为所述任意一个目标智能电表数据的用电特征。
步骤S320：根据所述多个目标智能电表数据与所述多个用电特征之间的映射关系，构建电表-特征列表；
步骤S330：基于所述电表-特征列表进行特征聚类，得到多个电表类别；
步骤S340：对所述多个电表类别中各电表类别进行用电规律分析，得到所述多个用电模式。
具体而言，在对所述多个目标智能电表数据进行聚类分析，得到聚类分析结果前，首先对所述多个目标智能电表数据中各目标智能电表数据依次进行分析，得到各目标智能电表的历史使用记录特征，即得到所述多个用电特征。
具体来说，任意提取所述多个目标智能电表数据中的目标智能电表数据，并基于预设周期阈值对所述任意一个目标智能电表数据进行电表数据截取，从而得到预设周期阈值所述任意一个目标智能电表数据的数据，记作所述周期电表数据。示范性的如对A居民用户智能电表数据中同年4月20日的用电数据进行提取，即预设周期阈值为一天。接着，对所述预设周期阈值进行划分，得到周期划分结果。其中，所述周期划分结果包括多个周期区间。示范性的如将一天划分为24小时，即划分为24个周期区间。进而，根据划分得到的所述多个周期区间，反向匹配各个周期区间中的电表数据，从而得到多个周期电表数据区间。示范性的如根据一天划分得到的24个周期区间，对应得到一天用电数据在24小时内的数据，即24个周期电表数据区间。接下来，对各个周期电表数据区间依次进行用电数据计算和分析，并根据计算分析结果组建所述用电指标参数集。其中，所述用电指标参数集中包括所述多个周期电表数据区间的用电指标参数。
进一步的，在计算分析得到所述用电指标参数集之前，首先对所述多个周期电表数据区间中任意一个周期电表数据区间进行提取，并采集其用电量数据，从而得到多个区间用电量值。然后，对比所述多个区间用电量值，并筛选得到所述多个区间用电量值中用电量最大时的具体用电量值，即得到所述最大区间用电量值，筛选得到所述多个区间用电量值中用电量最小时的具体用电量值，即得到所述最小区间用电量值。接着，计算所述最大区间用电量值、所述最小区间用电量值之间的差值，所述差值即为所述区间用电量极差。同时，依次计算所述多个区间用电量值的区间用电量众数值、区间用电量均值。其中，所述区间用电量众数值是指任意任意区间中，所有用电用户实际用电量的众数。所述区间用电量均值是指任意任意区间中，所有用电用户实际用电量的均值。最后，根据所述区间用电量极差、所述区间用电量众数值、所述区间用电量均值，得到所述任意一个周期电表数据区间的用电指标参数集。最终将所述用电指标参数集作为所述任意一个目标智能电表数据的用电特征。示范性的如A居民用户智能电表数据中同年4月20日的用电数据中，多次检测得到凌晨1点到凌晨2点之间用电的最大值为3度，最小值为0度，那么凌晨1点到凌晨2点这个区间的用电量极差为3，若凌晨1点到凌晨2点之间多次检测得到的用电量分别为3，4，4.5，4.5，4.5，5，那么凌晨1点到凌晨2点这个区间的用电量众数值为4.5，用电量均值约为0.4。
进一步的，依次计算得到所述多个目标智能电表数据的多个用电特征，并根据所述多个目标智能电表数据与所述多个用电特征之间的映射关系构建所述电表-特征列表。也就是说，通过对所述多个目标智能电表数据中各目标智能电表数据依次进行分析，从而得到各个目标智能电表的区间用电量极差、所述区间用电量众数值、所述区间用电量均值，进而组建得到所述用电指标参数集，即得到所述多个用电特征，进一步根据目标智能电表与其对应用电指标参数之间的对应关系构建各个智能电表与其特征之间的映射关系，即得到所述电表-特征列表。进而，基于所述电表-特征列表进行特征聚类，也就是说将具有相同特征的电表归为一类，从而得到多个电表类别。也就是说，将对用电用户及其用电数据之间的聚类分析以各用电用户电表及其电表特征间的映射关系进行类比，最后对所述多个电表类别中各电表类别依次进行用电规律分析，从而得到各个电表类别对应的所述多个用电模式。通过对目标区域中各个目标用户进行用电数据分析，并将用电特征相似的目标用户组为一个用电模式，达到了为提高目标区域用电量预测准确性提供基础的技术效果。
步骤S400：提取所述多个用电模式中任意一个用电模式，并作为目标用电模式；
步骤S500：分析获得所述目标用电模式的目标用电特征集，并根据所述目标用电特征集生成实时用电量预测结果；
进一步的，如附图2所示，本发明步骤S500还包括：
步骤S510：采集所述目标用电模式的智能电表用户，并组建用户集；
步骤S520：提取所述用户集中任意一个用户，并对所述任意一个用户进行实时用电量监测，得到实时用电量监测结果；
步骤S530：根据所述实时用电量监测结果，得到实时用电量数据，其中，所述实时用电量数据是指具有时间标识的用电量；
步骤S540：结合所述实时用电量数据与所述实时用电量预测结果，计算获得预测偏差值；
步骤S550：判断所述预测偏差值是否符合预设偏差阈值；
步骤S560：若所述预测偏差值符合所述预设偏差阈值，根据所述预测偏差值对所述实时用电量预测结果进行一次调整。
进一步的，如附图3所示，本发明还包括如下步骤：
步骤S571：基于大数据组建用电量人为影响因素集，其中，所述用电量人为影响因素集包括多个人为影响因素；
步骤S572：基于大数据组建用电量自然影响因素集，其中，所述用电量自然影响因素集包括多个自然影响因素；
步骤S573：基于大数据组建用电量其他影响因素集，其中，所述用电量人为影响因素集包括多个其他影响因素；
步骤S574：根据所述多个人为影响因素、多个自然影响因素、多个其他影响因素，组建用电量影响因素集；
步骤S575：基于所述用电量影响因素集中各用电量影响因素，对所述实时用电量预测结果进行二次调整。
具体而言，提取所述多个用电模式中任意一个用电模式，并作为目标用电模式，分析获得所述目标用电模式的目标用电特征集，并对应生成实时用电量预测结果。示范性的如将每日用电数据，在凌晨12点至早上7点中各小时区间用电量均低于1.5度电、早上7点至中午12点中各小时区间用电量均低于1.0度电、中午12点至下午6点中各小时区间用电量均低于1.3度电、下午6点至夜晚12点中各小时区间用电量均低于1.8度电的用户划分为一类用电模式，从而根据该模式下用户的用电规律，预测其在在凌晨12点至早上7点中各小时区间用电量需求均为1.5度电，以此类推预测。即根据所述目标用电特征集生成实时用电量预测结果之后。进一步遍历所述多个用户，从而得到用电模式为所述目标用电模式，即用电规律和习惯为所述目标用电模式的所有用户，并组成所述用户集。接着，对用户集中任意一个用户的实时用电量进行监测，得到所述实时用电量监测结果。对所述实时用电量监测结果进行分析，得到实时用电量数据。其中，所述实时用电量数据是指具有时间标识的用电量。示范性的如A居民用户智能电表数据中同年4月20日的用电数据中，实际检测得到凌晨1点到凌晨2点之间用电的用电量分别为：凌晨1点十五分检测用电3度、凌晨1点三十分检测用电4度、凌晨1点四十五分检测用电4.5度、凌晨2点检测用电4.5度等。接着，结合所述实时用电量数据与所述实时用电量预测结果，计算获得预测偏差值，并判断所述预测偏差值是否符合预设偏差阈值。其中，所述预设偏差阈值是指基于实际用电调度管理情况，允许的最大的预测误差。当所述预测偏差值符合所述预设偏差阈值时，说明当前预测误差可控，即根据所述预测偏差值对所述实时用电量预测结果进行一次调整。
进一步的，基于大数据依次得到会对用电量预测结果产生影响的多个人为影响因素、多个自然影响因素、多个其他影响因素，并对应组建用电量人为影响因素集、用电量自然影响因素集、用电量其他影响因素集。示范性的如A居民用户新增洗衣机、洗碗机等多个大功率家电设备即人为影响因素，受温度变化、天气变化影响引起空调、风扇等家电设备的使用频率变化，即为自然影响因素等。最后根据所述多个人为影响因素、多个自然影响因素、多个其他影响因素，组建用电量影响因素集，并基于所述用电量影响因素集中各用电量影响因素，对所述实时用电量预测结果进行二次调整。
通过基于历史预测误差分析情况、影响预测准确性的影响因素等的分析，对实时用电量预测结果进行两次调整，达到了基于全面分析提高用电量预测准确性的技术效果。
步骤S600：根据所述实时用电量预测结果对所述目标区域进行配电管理。
具体而言，根据所述实时用电量预测结果对所述目标区域进行配电管理。示范性的如当实时用电量预测结果显示下一时间段目标区域的用电量很大时，对应加快对目标区域电力的调度频率和次调度量，从而保证目标区域中各用电目标用户的正常用电。通过采集目标区域中各个目标用户的智能电表数据，进而分析并将目标用户的用电情况进行聚类，最终通过对聚类得到的用电模式进行分析计算，实现了对目标区域的用电量进行预测的技术目标，达到了提高目标区域实时用电量预测结果准确性，并提高用电符合预测管理高效性、可靠性的技术效果。
综上所述，本发明所提供的一种基于电表通信模块的用电负荷预测管理方法具有如下技术效果：
通过根据目标区域的智能电表用户信息，组建目标用户集，其中，所述目标用户集包括多个目标用户；对所述多个目标用户的智能电表数据进行采集，得到多个目标智能电表数据；对所述多个目标智能电表数据进行聚类分析，得到聚类分析结果，其中，所述聚类分析结果包括多个用电模式；提取所述多个用电模式中任意一个用电模式，并作为目标用电模式；分析获得所述目标用电模式的目标用电特征集，并根据所述目标用电特征集生成实时用电量预测结果；根据所述实时用电量预测结果对所述目标区域进行配电管理。通过采集目标区域中各个目标用户的智能电表数据，进而分析并将目标用户的用电情况进行聚类，最终通过对聚类得到的用电模式进行分析计算，实现了对目标区域的用电量进行预测的技术目标，达到了提高目标区域实时用电量预测结果准确性，并提高用电符合预测管理高效性、可靠性的技术效果。
实施例二
基于与前述实施例中一种基于电表通信模块的用电负荷预测管理方法，同样发明构思，本发明还提供了一种基于电表通信模块的用电负荷预测管理系统，请参阅附图5，所述系统包括：
用户组建模块M100，所述用户组建模块M100用于根据目标区域的智能电表用户信息，组建目标用户集，其中，所述目标用户集包括多个目标用户；
数据采集模块M200，所述数据采集模块M200用于对所述多个目标用户的智能电表数据进行采集，得到多个目标智能电表数据；
聚类分析模块M300，所述聚类分析模块M300用于对所述多个目标智能电表数据进行聚类分析，得到聚类分析结果，其中，所述聚类分析结果包括多个用电模式；
模式获得模块M400，所述模式获得模块M400用于提取所述多个用电模式中任意一个用电模式，并作为目标用电模式；
实时预测模块M500，所述实时预测模块M500用于分析获得所述目标用电模式的目标用电特征集，并根据所述目标用电特征集生成实时用电量预测结果；
管理执行模块M600，所述管理执行模块M600用于根据所述实时用电量预测结果对所述目标区域进行配电管理。
进一步的，所述系统中的所述实时预测模块M500还用于：
采集所述目标用电模式的智能电表用户，并组建用户集；
提取所述用户集中任意一个用户，并对所述任意一个用户进行实时用电量监测，得到实时用电量监测结果；
根据所述实时用电量监测结果，得到实时用电量数据，其中，所述实时用电量数据是指具有时间标识的用电量；
结合所述实时用电量数据与所述实时用电量预测结果，计算获得预测偏差值；
判断所述预测偏差值是否符合预设偏差阈值；
若所述预测偏差值符合所述预设偏差阈值，根据所述预测偏差值对所述实时用电量预测结果进行一次调整。
进一步的，所述系统中的所述实时预测模块M500还用于：
基于大数据组建用电量人为影响因素集，其中，所述用电量人为影响因素集包括多个人为影响因素；
基于大数据组建用电量自然影响因素集，其中，所述用电量自然影响因素集包括多个自然影响因素；
基于大数据组建用电量其他影响因素集，其中，所述用电量人为影响因素集包括多个其他影响因素；
根据所述多个人为影响因素、多个自然影响因素、多个其他影响因素，组建用电量影响因素集；
基于所述用电量影响因素集中各用电量影响因素，对所述实时用电量预测结果进行二次调整。
进一步的，所述系统中的所述聚类分析模块M300还用于：
对所述多个目标智能电表数据中各目标智能电表数据依次进行分析，得到多个用电特征；
根据所述多个目标智能电表数据与所述多个用电特征之间的映射关系，构建电表-特征列表；
基于所述电表-特征列表进行特征聚类，得到多个电表类别；
对所述多个电表类别中各电表类别进行用电规律分析，得到所述多个用电模式。
进一步的，所述系统中的所述聚类分析模块M300还用于：
提取所述多个目标智能电表数据中任意一个目标智能电表数据；
获得预设周期阈值，并基于所述预设周期阈值对所述任意一个目标智能电表数据进行数据截取，得到周期电表数据；
对所述预设周期阈值进行划分，得到周期划分结果，其中，所述周期划分结果包括多个周期区间；
根据所述多个周期区间对所述周期电表数据进行划分，得到周期电表数据划分结果，其中，所述周期电表数据划分结果包括多个周期电表数据区间；
对所述多个周期电表数据区间中各周期电表数据区间依次进行计算分析，得到用电指标参数集；
将所述用电指标参数集作为所述任意一个目标智能电表数据的用电特征。
进一步的，所述系统中的所述聚类分析模块M300还用于：
提取所述多个周期电表数据区间中任意一个周期电表数据区间；
对所述任意一个周期电表数据区间进行用电量采集，得到多个区间用电量值；
对比所述多个区间用电量值，依次获得最大区间用电量值、最小区间用电量值；
根据所述最大区间用电量值、所述最小区间用电量值，计算得到区间用电量极差；
依次计算所述多个区间用电量值的区间用电量众数值、区间用电量均值；
根据所述区间用电量极差、所述区间用电量众数值、所述区间用电量均值，得到所述任意一个周期电表数据区间的用电指标参数集。
进一步的，所述系统中的所述用户组建模块M100还用于：
组建用电基本单元集，其中，所述用电基本单元集包括居民用电单元、企业用电单元；
对所述目标区域中的所述居民用电单元、所述企业用电单元依次进行信息采集，得到用电基本单元信息；
根据所述用电基本单元信息组建所述目标用户集。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种基于电表通信模块的用电负荷预测管理方法和具体实例同样适用于本实施例的一种基于电表通信模块的用电负荷预测管理系统，通过前述对一种基于电表通信模块的用电负荷预测管理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于电表通信模块的用电负荷预测管理系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于电表通信模块的用电负荷预测管理方法，其特征在于，包括：
根据目标区域的智能电表用户信息，组建目标用户集，其中，所述目标用户集包括多个目标用户；
对所述多个目标用户的智能电表数据进行采集，得到多个目标智能电表数据；
对所述多个目标智能电表数据进行聚类分析，得到聚类分析结果，其中，所述聚类分析结果包括多个用电模式；
提取所述多个用电模式中任意一个用电模式，并作为目标用电模式；
分析获得所述目标用电模式的目标用电特征集，并根据所述目标用电特征集生成实时用电量预测结果；
根据所述实时用电量预测结果对所述目标区域进行配电管理。
2.根据权利要求1所述的方法，其特征在于，在所述分析获得所述目标用电模式的目标用电特征集，并根据所述目标用电特征集生成实时用电量预测结果之后，还包括：
采集所述目标用电模式的智能电表用户，并组建用户集；
提取所述用户集中任意一个用户，并对所述任意一个用户进行实时用电量监测，得到实时用电量监测结果；
根据所述实时用电量监测结果，得到实时用电量数据，其中，所述实时用电量数据是指具有时间标识的用电量；
结合所述实时用电量数据与所述实时用电量预测结果，计算获得预测偏差值；
判断所述预测偏差值是否符合预设偏差阈值；
若所述预测偏差值符合所述预设偏差阈值，根据所述预测偏差值对所述实时用电量预测结果进行一次调整。
3.根据权利要求2所述的方法，其特征在于，还包括：
基于大数据组建用电量人为影响因素集，其中，所述用电量人为影响因素集包括多个人为影响因素；
基于大数据组建用电量自然影响因素集，其中，所述用电量自然影响因素集包括多个自然影响因素；
基于大数据组建用电量其他影响因素集，其中，所述用电量人为影响因素集包括多个其他影响因素；
根据所述多个人为影响因素、多个自然影响因素、多个其他影响因素，组建用电量影响因素集；
基于所述用电量影响因素集中各用电量影响因素，对所述实时用电量预测结果进行二次调整。
4.根据权利要求1所述的方法，其特征在于，所述对所述多个目标智能电表数据进行聚类分析，得到聚类分析结果，其中，所述聚类分析结果包括多个用电模式，包括：
对所述多个目标智能电表数据中各目标智能电表数据依次进行分析，得到多个用电特征；
根据所述多个目标智能电表数据与所述多个用电特征之间的映射关系，构建电表-特征列表；
基于所述电表-特征列表进行特征聚类，得到多个电表类别；
对所述多个电表类别中各电表类别进行用电规律分析，得到所述多个用电模式。
5.根据权利要求4所述的方法，其特征在于，所述对所述多个目标智能电表数据中各目标智能电表数据依次进行分析，得到多个用电特征，包括：
提取所述多个目标智能电表数据中任意一个目标智能电表数据；
获得预设周期阈值，并基于所述预设周期阈值对所述任意一个目标智能电表数据进行数据截取，得到周期电表数据；
对所述预设周期阈值进行划分，得到周期划分结果，其中，所述周期划分结果包括多个周期区间；
根据所述多个周期区间对所述周期电表数据进行划分，得到周期电表数据划分结果，其中，所述周期电表数据划分结果包括多个周期电表数据区间；
对所述多个周期电表数据区间中各周期电表数据区间依次进行计算分析，得到用电指标参数集；
将所述用电指标参数集作为所述任意一个目标智能电表数据的用电特征。
6.根据权利要求5所述的方法，其特征在于，所述对所述多个周期电表数据区间中各周期电表数据区间依次进行计算分析，得到用电指标参数集，包括：
提取所述多个周期电表数据区间中任意一个周期电表数据区间；
对所述任意一个周期电表数据区间进行用电量采集，得到多个区间用电量值；
对比所述多个区间用电量值，依次获得最大区间用电量值、最小区间用电量值；
根据所述最大区间用电量值、所述最小区间用电量值，计算得到区间用电量极差；
依次计算所述多个区间用电量值的区间用电量众数值、区间用电量均值；
根据所述区间用电量极差、所述区间用电量众数值、所述区间用电量均值，得到所述任意一个周期电表数据区间的用电指标参数集。
7.根据权利要求1所述的方法，其特征在于，所述根据目标区域的智能电表用户信息，组建目标用户集，包括：
组建用电基本单元集，其中，所述用电基本单元集包括居民用电单元、企业用电单元；
对所述目标区域中的所述居民用电单元、所述企业用电单元依次进行信息采集，得到用电基本单元信息；
根据所述用电基本单元信息组建所述目标用户集。
8.一种基于电表通信模块的用电负荷预测管理系统，其特征在于，包括：
用户组建模块，所述用户组建模块用于根据目标区域的智能电表用户信息，组建目标用户集，其中，所述目标用户集包括多个目标用户；
数据采集模块，所述数据采集模块用于对所述多个目标用户的智能电表数据进行采集，得到多个目标智能电表数据；
聚类分析模块，所述聚类分析模块用于对所述多个目标智能电表数据进行聚类分析，得到聚类分析结果，其中，所述聚类分析结果包括多个用电模式；
模式获得模块，所述模式获得模块用于提取所述多个用电模式中任意一个用电模式，并作为目标用电模式；
实时预测模块，所述实时预测模块用于分析获得所述目标用电模式的目标用电特征集，并根据所述目标用电特征集生成实时用电量预测结果；
管理执行模块，所述管理执行模块用于根据所述实时用电量预测结果对所述目标区域进行配电管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211592687.3A CN115660225A (zh) | 2022-12-13 | 2022-12-13 | 一种基于电表通信模块的用电负荷预测管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211592687.3A CN115660225A (zh) | 2022-12-13 | 2022-12-13 | 一种基于电表通信模块的用电负荷预测管理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115660225A true CN115660225A (zh) | 2023-01-31 |
Family
ID=85019858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211592687.3A Pending CN115660225A (zh) | 2022-12-13 | 2022-12-13 | 一种基于电表通信模块的用电负荷预测管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115660225A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523547A (zh) * | 2023-07-03 | 2023-08-01 | 厦门闽投科技服务有限公司 | 一种数字化营销服务管理平台 |
| CN116579884A (zh) * | 2023-07-12 | 2023-08-11 | 武汉振铭科技发展有限公司 | 一种电力用户行为分析方法及系统 |
| CN116824602A (zh) * | 2023-07-17 | 2023-09-29 | 国网浙江省电力有限公司 | 电费数据分析处理方法、装置及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105260803A (zh) * | 2015-11-06 | 2016-01-20 | 国家电网公司 | 一种系统用电量预测方法 |
| CN105590174A (zh) * | 2015-12-29 | 2016-05-18 | 南京因泰莱电器股份有限公司 | 基于k-均值聚类rbf神经网络的企业用电负荷预测方法 |
| CN106910017A (zh) * | 2017-02-21 | 2017-06-30 | 深圳供电局有限公司 | 一种基于用户行为数据挖掘的电能体验分析方法和系统 |
| CN113988436A (zh) * | 2021-11-01 | 2022-01-28 | 广西电网有限责任公司 | 基于lstm神经网络和层级关系修正的用电量预测方法 |
| CN114912720A (zh) * | 2022-07-15 | 2022-08-16 | 石家庄科林电气股份有限公司 | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 |
-
2022
- 2022-12-13 CN CN202211592687.3A patent/CN115660225A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105260803A (zh) * | 2015-11-06 | 2016-01-20 | 国家电网公司 | 一种系统用电量预测方法 |
| CN105590174A (zh) * | 2015-12-29 | 2016-05-18 | 南京因泰莱电器股份有限公司 | 基于k-均值聚类rbf神经网络的企业用电负荷预测方法 |
| CN106910017A (zh) * | 2017-02-21 | 2017-06-30 | 深圳供电局有限公司 | 一种基于用户行为数据挖掘的电能体验分析方法和系统 |
| CN113988436A (zh) * | 2021-11-01 | 2022-01-28 | 广西电网有限责任公司 | 基于lstm神经网络和层级关系修正的用电量预测方法 |
| CN114912720A (zh) * | 2022-07-15 | 2022-08-16 | 石家庄科林电气股份有限公司 | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523547A (zh) * | 2023-07-03 | 2023-08-01 | 厦门闽投科技服务有限公司 | 一种数字化营销服务管理平台 |
| CN116523547B (zh) * | 2023-07-03 | 2023-09-08 | 厦门闽投科技服务有限公司 | 一种数字化营销服务管理平台 |
| CN116579884A (zh) * | 2023-07-12 | 2023-08-11 | 武汉振铭科技发展有限公司 | 一种电力用户行为分析方法及系统 |
| CN116579884B (zh) * | 2023-07-12 | 2023-09-22 | 武汉振铭科技发展有限公司 | 一种电力用户行为分析方法及系统 |
| CN116824602A (zh) * | 2023-07-17 | 2023-09-29 | 国网浙江省电力有限公司 | 电费数据分析处理方法、装置及存储介质 |
| CN116824602B (zh) * | 2023-07-17 | 2023-12-01 | 国网浙江省电力有限公司 | 电费数据分析处理方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Forecasting residential energy consumption: Single household perspective | |
| CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| Yildiz et al. | Household electricity load forecasting using historical smart meter data with clustering and classification techniques | |
| CN108009938B (zh) | 一种基于形状的系统负荷聚类及负荷周期的模式识别方法 | |
| CN116646933A (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
| CN108593990B (zh) | 一种基于电能用户用电行为模式的窃电检测方法和应用 | |
| CN115660225A (zh) | 一种基于电表通信模块的用电负荷预测管理方法及系统 | |
| CN109345409B (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
| CN105117810A (zh) | 一种阶梯电价机制下居民用电中期负载预测方法 | |
| CN105811402B (zh) | 一种电力负荷预测系统及其预测方法 | |
| Kouzelis et al. | Estimation of residential heat pump consumption for flexibility market applications | |
| CN111612228A (zh) | 一种基于用电信息的用户用电行为分析方法 | |
| CN110991477A (zh) | 一种识别电力系统异常行业用户和异常用电行为的方法和系统 | |
| Chicco | Customer behaviour and data analytics | |
| CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
| Mutanen | Improving electricity distribution system state estimation with AMR-based load profiles | |
| CN111428745A (zh) | 一种基于聚类分析的低压用户用电特征提取方法 | |
| Klingler et al. | Residential photovoltaic self-consumption: Identifying representative household groups based on a cluster analysis of hourly smart-meter data | |
| Hartmann et al. | Suspicious electric consumption detection based on multi-profiling using live machine learning | |
| Maki et al. | Employing electricity-consumption monitoring systems and integrative time-series analysis models: A case study in Bogor, Indonesia | |
| Yu et al. | Estimating power demand shaving capacity of buildings on an urban scale using extracted demand response profiles through machine learning models | |
| CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
| Xu et al. | Spatial-temporal load forecasting using AMI data | |
| CN114186733A (zh) | 一种短期负荷预测方法和装置 | |
| CN116633016B (zh) | 一种基于高频数据采集技术的电力管理系统和方法 |
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: No. 109, Yongchang Road, Shifeng Street, Tiantai County, Taizhou City, Zhejiang Province 317200 Applicant after: ZHEJIANG WELLSUN INTELLIGENT TECHNOLOGY Co.,Ltd. Address before: 317200 15 Xingye East Third Street, Fuxi street, Tiantai County, Taizhou, Zhejiang Applicant before: ZHEJIANG WELLSUN INTELLIGENT TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information |