CN115809902A - 基于神经网络的各行业电量电费数据预测方法及装置 - Google Patents
基于神经网络的各行业电量电费数据预测方法及装置 Download PDFInfo
- Publication number
- CN115809902A CN115809902A CN202211489663.5A CN202211489663A CN115809902A CN 115809902 A CN115809902 A CN 115809902A CN 202211489663 A CN202211489663 A CN 202211489663A CN 115809902 A CN115809902 A CN 115809902A
- Authority
- CN
- China
- Prior art keywords
- data
- industry
- bandwidth channel
- electric quantity
- charge 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
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于神经网络的各行业电量电费数据预测方法及装置,包括将各行业用户电量电费数据各对应一个神经元数据库;将用户用电负荷数据赋予传输方向向量,根据向量数据方向将神经元数据库划分输入层、中间层和输出层;输入层内的数据方向向量与中间层内的数据方向向量进行加减匹配累加,得出误差值数据方向向量,误差值数据方向向量转化为误差值数据,误差值数据通过输出层赋予指定传输方向向量。本申请设计合理,能够细化梳理各行业电量电费数据,提高数据传输整合的速度,同时保证预测数据与用户信息匹配的精准性,达到一户一个数据信息库的效果,能够预测出用户最大电量电费数据。
Description
技术领域
本申请涉及电力电网领域,具体是基于神经网络的各行业电量电费数据预测方法及装置。
背景技术
在电力系统中,联系发电和用电的设施和设备的统称,属于输送和分配电能的中间环节,它主要由联结成网的送电线路、变电所、配电所和配电线路组成,通常把由输电、变电、配电设备及相应的辅助系统组成的联系发电与用电的统一整体称为电力网。
受用户负荷、电价调整、新装改类、抄表例日等因素,以至于预测采集的数据量大,且仅仅凭靠传统预估用户数据的方式,无法对用户电量数据进行快速细化处理,增加终端处理量,效率低,数据精准性不高,亟需开展电费电价数据分析技术,构建完备的技术思路。因此,针对上述问题提出一种基于神经网络各行业电量电费预测数据治理方法。
发明内容
为解决现有技术中存在的不足,本发明提供基于神经网络的各行业电量电费数据预测方法及装置,来解决以上背景技术中如何增加终端处理量,效率低,数据精准性不高的问题。
本发明采用如下的技术方案。基于神经网络的各行业电量电费数据预测方法,基于PLC和预测装置,包括如下步骤:
步骤1、将各行业用户电量电费数据各对应一个神经元数据库;
步骤2、将各行业历史用电负荷数据赋予传输方向向量,根据向量数据方向将神经元数据库划分输入层、中间层和输出层;
步骤3、将历史用电负荷数据转化为[0,1]区间内数据,输入层内的数据方向向量与中间层内的数据方向向量进行加减匹配累加得出误差值数据方向向量,误差值数据方向向量转化为误差值数据,误差值数据通过输出层赋予指定传输方向向量;
步骤4、根据误差反向传播算法构建神经数据运算网,预测得出各行业用户所用最大负荷数据,将最大负荷数据转化为所要预测的电量电费值数据。
将各行业用户电量电费数据各对应一个神经元数据库,更新所述神经元数据库,以在所述神经元数据库中新增、删除或更改一个或多个用电负电荷数据治理类。
步骤1包括:步骤1.1,侦听高频宽信道链接状况是否超常;
步骤1.2,如果高频宽信道链接状况超常,经由低频宽信道定时群发侦听信号至预测模块;
步骤1.3,PLC侦听是不是收取了预测装置回传的确认符;
步骤1.4,如果未收取确认符,减小经由低频宽信道群发各行业用户电量电费数据至预测装置的传递的间隔时长。
步骤1.3后还包括:
步骤1.5,如果现时时点前的最终K回群发侦听信号至预测装置后都收取了确认符,就加大经由低频宽信道群发信息给预测装置的传递的间隔时长;K为事先设定的自然数。
步骤1.5还包括依据事先设定的比率二来加大传递的间隔时长,加大后的传递的间隔时长不高于预测装置的确定时长。
步骤1.1包括:
步骤1.11,经由高频宽信道向预测装置传递各行业用户电量电费数据;
步骤1.12,判断是否能经由高频宽信道收取确认符;
步骤1.13,如果不能,则判定高频宽信道链接状况超常,如果是,则判定高频宽信道链接状况合理。
经由高频宽信道向预测装置传递各行业用户电量电费数据后不能经由高频宽信道收取确认符,代表各行业用户电量电费数据不能在高频宽信道中传递;在PLC侦听到高频宽信道链接状况合理时,就自动启动高低频宽信道切换性能。
步骤1.1后还包含:步骤1.6、如果高频宽信道链接状况合理,就启动高低频宽信道切换性能;或者,步骤1.1后还包含:步骤1.7、如果高频宽信道链接状况合理,就在预测装置的操控下启动高低频宽信道切换性能。
输入层单位向量个数为24个,中间层单位向量个数为50个,输出层单位向量个数为24个;
预测电力负荷的最大值为M,参考当地需量基本电价Q,需量申报负荷为S,则预测负荷值转化为需量基本电费预测值F的计算方式如下:
当M≤S时,F=QS;
当M>S时,F=QS+2Q(M-S);
S4中误差值数据通过输出层赋予指定传输方向向量。
S4中通过误差反向传播算法构建神经数据运算网。
基于神经网络的各行业电量电费数据预测装置,预测装置包括:
数据采集模块,用于采集将各行业用户电量电费数据;
数据预处理模块,用于将各行业历史用电负荷数据赋予传输方向向量,根据向量数据方向将神经元数据库划分输入层、中间层和输出层;
数据传输模块,用于经由高频宽信道传递各行业用户电量电费数据;
判断模块,用于判断是否能经由高频宽信道收取确认符以及判定高频宽信道链接状况是否超常;
结果输出模块,用于输出预测负荷值并根据预测负荷值转化为需量基本电费预测结果。
本发明的有益效果在于,与现有技术相比,采用在输出层数据方向向量上和中间层数据方向向量上分别插入加减对应的数据方向向量值的方式,能够精准指定处所需预测的目标,从而能够细化梳理各行业电量电费数据,提高数据传输整合的速度,同时保证预测数据与用户信息匹配的精准性,达到一户一个数据信息库的效果,能够预测出用户最大电量电费数据。预测装置在收取了PLC传递的各行业用户电量电费数据后会面向该各行业用户电量电费数据回传一确认符,如果预测装置在持续收取不了PLC传递的侦听信号时,即会确定该PLC有问题,保证了信息传输的准确性;对加大了传递的间隔时长的PLC,如果每回传递各行业用户电量电费数据后都可收取确认符,可始终维持加大后的传递的间隔时长执行信息传递;如果在一回传递信息后未收取确认符,就把传递的间隔时长还原成起始的传递的间隔时长,益于预测装置实时了解其问题状况。
附图说明
图1为基于神经网络各行业电量电费预测数据治理方法流程图。
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,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例,而不是全部实施例。基于本发明精神,本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例,都属于本发明的保护范围。
实施例1:一种基于神经网络各行业电量电费预测数据治理方法,运行在预测装置上,包括如下步骤:
S1、采集各行业用户电量电费数据,PLC传递各行业用户电量电费数据至电费预测模块并构建神经元数据库,具体地,收取PLC传来的各行业用户电量电费数据,将各行业用户电量电费数据各对应一个神经元数据库;
现在,收取各行业用户电量电费数据的架构为:在各行业用户处设有电量表,电量表和如3G模块或4G模块这样的移动通信模块都同PLC电池供电的PLC相连,PLC经由移动通信模块同位于如3G网或4G网这样的移动通信网中的如PC机这样的预测装置相连,这样,电量表把收取的各行业用户的用电量送至PLC,PLC依据用电量导出各行业用户电量电费数据且经由移动通信模块传至预测装置,而在实际运用中,PLC不光可经由高频宽信道同预测装置执行各行业用户电量电费数据传递,亦可经由低频宽信道传递的方法同另外的PLC执行各行业用户电量电费数据传递,还带有中转性能,在中转性能运用时,可经由低频宽信道传递的方法把收取源于预测装置或者收取源于另外的PLC的如确认符这样的数据群发送出。
高频宽信道与低频宽信道是相对而言的,就是代表高频宽信道的频宽比低频宽信道的频宽要宽。
面向此类PLC,在聚合运用时,每个PLC会经由信道定时朝预测装置传递信号(就像侦听信号)来让预测装置确定PLC是不是有问题,而预测装置在收取了PLC传递的各行业用户电量电费数据后会面向该各行业用户电量电费数据回传一确认符,如果预测装置在持续收取不了PLC传递的侦听信号时,即会确定该PLC有问题(就像,PLC的传递的间隔时长为60s,事先设定的回数临界量是三回,如果PLC在180s内未有收取一PLC的侦听信号,即会确定该PLC有问题),通常,事先设定的回数临界量愈高,那么确定结论愈精准,然而所要的确定时长愈高,影响了预测装置实时了解各PLC的问题状况,因此,为了便于预测装置实时了解每个PLC的问题状况,事先设定的回数临界量通常不高,以此在就减小了确定结论的精准度。
经过改进,PLC传递各行业用户电量电费数据到预测装置的方法,运行在PLC上,包括:
步骤1-1、侦听高频宽信道链接状况是不是超常;
步骤1-2、如果高频宽信道链接状况超常,就定时的经由低频宽信道群发侦听信号至预测装置;
步骤1-3、侦听是不是收取了预测装置回传的确认符;
步骤1-4、如果未收取确认符,就减小经由低频宽信道群发各行业用户电量电费数据至预测装置的传递的间隔时长。
通常,在高频宽信道链接状况合理时,PLC为经由高频宽信道朝预测装置传递各行业用户电量电费数据的,然而在高频宽信道链接状况超常时,经由高频宽信道不能成功的朝预测装置传递各行业用户电量电费数据,使得预测装置会确定该PLC有问题,然而如果只是由于高频宽信道链接状况超常形成的,那么该确定结论为错定。
这里,要减小预测装置错定的几率,在高频宽信道链接状况超常时,PLC经由低频宽信道把侦听信号群发而出,以此经另外的高频宽信道链接状况合理的PLC把该各行业用户电量电费数据中转至预测装置(该高频宽信道链接状况合理的PLC收取了该各行业用户电量电费数据后,会对该各行业用户电量电费数据执行侦听,来确定其是不是要传至预测装置的各行业用户电量电费数据,如果是,方可中转至预测装置),如果PLC没问题,预测装置就可取得该各行业用户电量电费数据,且在收取了该各行业用户电量电费数据后回传确认符(预测装置把该确认符传递至高频宽信道链接状况合理的PLC,且经该高频宽信道链接状况合理的PLC经由低频宽信道群发该确认符,最终经该PLC经由低频宽信道收取该确认符),如果没收取确认符,代表预测装置没收取该PLC的各行业用户电量电费数据,这时,PLC依照事先设定的比率一减小传递的间隔时长,在预测装置的确定时长恒定的状况下,该PLC在一确定时长内可传递更大量回数的各行业用户电量电费数据,如果预测装置仍然未收取该各行业用户电量电费数据,则代表PLC存在问题的几率更高,这时,预测装置确定该PLC问题的确定结论精准度更佳,宜于改善预测装置对PLC问题状况确定的精准度。
另外,因为该PLC减小传递的间隔时长,在另外的PLC还未到传递各行业用户电量电费数据时,该PLC已执行了若干回各行业用户电量电费数据的传递,这时,全部传递信道内仅有很小部分的各行业用户电量电费数据传递,遗落率很小,以此可改善预测装置对PLC问题状况确定的可信度。
这里,步骤1-4内,依照事先设定的比率一减小传递的间隔时长,该事先设定的比率一可依据具体要求而设,就像,百分之三十(也就是把传递的间隔时长减小成先前的百分之三十)、百分之四十(也就是把传递的间隔时长减小成先前的百分之四十)等。
如果事先设定的回数临界量是五,先前的传递的间隔时长为60s,那么预测装置的确定时长为300s,在PLC把传递的间隔时长减小成先前的百分之二十后,那么减小后的传递的间隔时长是十二秒,在相应的确定时长300s中,PLC已送出了52回侦听信号,如果预测装置仍然没收取该侦听信号,代表已持续52回侦听信号未收取,这时判定该PLC有问题,其确定结论的精准度比先前确定结论(也就是依据持续5次未收取信息就做出确定的确定结论)的精准度更佳。
优选地,步骤1-3后还包含:
步骤1-5:如果现时时点前的最终K回群发侦听信号至预测装置后都收取了确认符,就加大经由低频宽信道群发信息给预测装置的传递的间隔时长;这里K为事先设定的自然数。
优选地,在现时时点前的最终K回群发信息至预测装置后都收取了确认符,代表该PLC在之前的一时长中没问题,其在之后一时长中没问题的几率不小,以此可减小其传递信息的节奏,来节约用电与减小预测装置的运算量;这里,K可依据要求执行设定,就像,K取值为十。
优选地,可依据事先设定的比率二来加大传递的间隔时长,该事先设定的比率二可依据具体要求设定,就像,百分之二百(也就是把传递的间隔时长加大成先前的百分之二百)、百分之三百(也就是把传递的间隔时长加大成先前的百分之三百)等;但加大后的传递的间隔时长不能高过预测装置的确定时长,防止预测装置在确定时长中因为未收取该PLC的信息而确定其问题。
优选地,对加大了传递的间隔时长的PLC,如果每回传递各行业用户电量电费数据后都可收取确认符,可始终维持加大后的传递的间隔时长执行信息传递;如果在一回传递信息后未收取确认符,就把传递的间隔时长还原成起始的传递的间隔时长,益于预测装置实时了解其问题状况。
优选地,步骤1-1包含:
步骤1-1-1、经由高频宽信道朝预测装置传递各行业用户电量电费数据;
步骤1-1-2、侦听是不是可经由高频宽信道收取确认符;
步骤1-1-3、如果不是,就判定高频宽信道链接状况超常,如果是,就判定高频宽信道链接状况合理。
优选地,经由高频宽信道朝预测装置传递各行业用户电量电费数据后不能经由高频宽信道收取确认符,代表各行业用户电量电费数据不能在高频宽信道中传递,所以可判定高频宽信道链接状况超常。
优选地,如果PLC的高频宽信道链接状况合理,就在另外的PLC的高频宽信道链接状况超常时,则要求该PLC来收取与传递另外的PLC经由低频宽信道群发的各行业用户电量电费数据,所以在PLC侦听到高频宽信道链接状况合理时,可就自动启动高低频宽信道切换性能(启动网络切换性能的PLC可经由低频宽信道和另外的PLC执行信息传递且可经由高频宽信道和预测装置执行各行业用户电量电费数据传递,以此可把另外的PLC的窄带信息中转到预测装置,亦可把预测装置传递的各行业用户电量电费数据经由低频宽信道执行群发),亦可在预测装置的操控下启动高低频宽信道切换性能。
优选地,步骤1-1后还包含:步骤1-6、如果高频宽信道链接状况合理,就启动高低频宽信道切换性能;或者,步骤1-1后还包含:步骤1-7、如果高频宽信道链接状况合理,就在预测装置的操控下启动高低频宽信道切换性能,也就是在收取了预测装置传递的启动命令后启动高低频宽信道切换性能。
优选地,如果是在预测装置的操控下启动高低频宽信道切换性能,预测装置往往为依据每个各PLC的坐标值来择取要求启动该性能的PLC的,如果各PLC的位置是恒定的,那么预测装置会依据事先存放的坐标值来择取要求启动该性能的PLC,如果PLC的位置为可变的,那么PLC定时传递的侦听信号还包含坐标值。
这样,经由侦听高频宽信道链接状况是不是超常;如果高频宽信道链接状况超常,就定时的经由低频宽信道群发侦听信号至预测装置;侦听是不是收取了预测装置回传的确认符;如果未收取确认符,就减小经由低频宽信道群发信息给预测装置的传递的间隔时长;以此在预测装置的确定时长恒定的状况下,PLC在一确定时长内可传递更高回数的信息,如果预测装置仍然未收取该信息,就代表PLC存在问题的几率更高,以此预测装置确定该PLC问题的确定结论精准度更佳,宜于改善预测装置对PLC问题状况确定的精准度。
实施例2:
如图1所示,所述基于神经网络各行业电量电费预测数据治理方法,包括如下步骤:
S1、将各行业用户电量电费数据各对应一个神经元数据库;
S2、将用户用电负荷数据赋予传输方向向量,根据向量数据方向将神经元数据库划分输入层、中间层和输出层;
S3、输入层、中间层和输出层中的用电负荷数据均在[0,1]区间内对负荷数据做归一化处理;
S4、输入层内的数据方向向量与中间层内的数据方向向量进行加减匹配累加,得出误差值数据方向向量,误差值数据方向向量转化为误差值数据,误差值数据通过输出层赋予指定传输方向向量;
S5、根据误差反向传播算法构建神经数据运算网,预测得出各行业用户所用最大负荷数据;
进一步地,误差反向传播神经网络算法如下:
设δQ为误差函数,eQy为节点y的期望输出值,RQy为节点y实际输出值,Lxy为节点x到节点y之间的权重值,h为节点y的阈值,节点y的净输入,阈值hy为常数,在(-1,+1)之间,要得到误差函数δQ的最小值,则训练时使δQ关于Lxy的导数为负,由隐函数求导法则得出,令RQy=fy,则CQy=f'y(NQy)(eQy-RQ),误差反向传播算法要减少误差函数δQ的值,令ΔLxy=ηCQyRQk,如果y为输出单元,则可以求出CQy和ΔLxy。
预测电力负荷的最大值为M,参考当地需量基本电价Q,需量申报负荷为S,则预测负荷值转化为需量基本电费预测值F的计算方式如下:
当M≤S时,F=QS;
当M>S时,F=QS+2Q(M-S)。
进一步地,在(-1,+1)之间,要得到误差函数δQ的最小值,则训练时使δQ关于Lxy的导数为负,由隐函数求导法则得出,令RQy=fy,则CQy=f'y(NQy)(eQy-RQ)。
进一步地,误差反向传播算法要减少误差函数δQ的值,令ΔLij=ηCQjRQk,如果j为输出单元,则可以求出CQj和ΔLij。
进一步地,所述S4中误差值数据通过输出层赋予指定传输方向。
S6、将最大负荷数据转化为所要预测的电量电费值数据。
进一步地,更新所述神经元数据库,以在所述神经元数据库中新增、删除或更改一个或多个用电负电荷数据治理类。
优选地,输入层单位向量个数为24个,中间层单位向量个数为50个,输出层单位向量个数为24个。
优选地,输入层单位向量个数为48个,中间层单位向量个数为100个,输出层单位向量个数为48个。
进一步地,误差反向传播神经网络算法如下:
实施例3:基于神经网络的各行业电量电费数据预测装置,预测装置包括:
数据采集模块,用于采集将各行业用户电量电费数据;
数据预处理模块,用于将各行业历史用电负荷数据赋予传输方向向量,根据向量数据方向将神经元数据库划分输入层、中间层和输出层;
数据传输模块,用于经由高频宽信道传递各行业用户电量电费数据;
判断模块,用于判断是否能经由高频宽信道收取确认符以及判定高频宽信道链接状况是否超常;
结果输出模块,用于输出预测负荷值并根据预测负荷值转化为需量基本电费预测结果上述电量电费预测数据治理方法,能够细化梳理各行业电量电费数据,提高数据传输整合的速度,同时保证预测数据与用户信息匹配的精准性,达到一户一个数据信息库的效果,能够预测出用户最大电量电费数据。
本发明的有益效果在于,与现有技术相比,采用在输出层数据方向向量上和中间层数据方向向量上分别插入加减对应的数据方向向量值的方式,能够精准指定处所需预测的目标,从而能够细化梳理各行业电量电费数据,提高数据传输整合的速度,同时保证预测数据与用户信息匹配的精准性,达到一户一个数据信息库的效果,能够预测出用户最大电量电费数据。预测装置在收取了PLC传递的各行业用户电量电费数据后会面向该各行业用户电量电费数据回传一确认符,如果预测装置在持续收取不了PLC传递的侦听信号时,即会确定该PLC有问题,保证了信息传输的准确性;对加大了传递的间隔时长的PLC,如果每回传递各行业用户电量电费数据后都可收取确认符,可始终维持加大后的传递的间隔时长执行信息传递;如果在一回传递信息后未收取确认符,就把传递的间隔时长还原成起始的传递的间隔时长,益于预测装置实时了解其问题状况。本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其它设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (14)
1.基于神经网络的各行业电量电费数据预测方法,基于PLC和预测装置,其特征在于:包括如下步骤:
步骤1、将各行业用户电量电费数据各对应一个神经元数据库;
步骤2、将各行业历史用电负荷数据赋予传输方向向量,根据向量数据方向将神经元数据库划分输入层、中间层和输出层;
步骤3、将历史用电负荷数据转化为[0,1]区间内数据,输入层内的数据方向向量与中间层内的数据方向向量进行加减匹配累加得出误差值数据方向向量,误差值数据方向向量转化为误差值数据,误差值数据通过输出层赋予指定传输方向向量;
步骤4、根据误差反向传播算法构建神经数据运算网,预测得出各行业用户所用最大负荷数据,将最大负荷数据转化为所要预测的电量电费值数据。
2.根据权利要求1所述的基于神经网络的各行业电量电费数据预测方法,其特征在于:
将各行业用户电量电费数据各对应一个神经元数据库,更新所述神经元数据库,以在所述神经元数据库中新增、删除或更改一个或多个用电负电荷数据治理类。
3.根据权利要求1所述的基于神经网络的各行业电量电费数据预测方法,其特征在于:
步骤1包括:步骤1.1,侦听高频宽信道链接状况是否超常;
步骤1.2,如果高频宽信道链接状况超常,经由低频宽信道定时群发侦听信号至预测装置;
步骤1.3,PLC侦听是不是收取了预测装置回传的确认符;
步骤1.4,如果未收取确认符,减小经由低频宽信道群发各行业用户电量电费数据至预测装置的传递的间隔时长。
4.根据权利要求1所述的基于神经网络的各行业电量电费数据预测方法,其特征在于:
步骤1.3后还包括:
步骤1.5,如果现时时点前的最终K回群发侦听信号至预测装置后都收取了确认符,就加大经由低频宽信道群发信息给预测装置的传递的间隔时长;K为事先设定的自然数。
5.根据权利要求4所述的基于神经网络的各行业电量电费数据预测方法,其特征在于:
步骤1.5还包括依据事先设定的比率二来加大传递的间隔时长,加大后的传递的间隔时长不高于预测装置的确定时长。
6.根据权利要求5所述的基于神经网络的各行业电量电费数据预测方法,其特征在于:
步骤1.1包括:
步骤1.11,经由高频宽信道向预测装置传递各行业用户电量电费数据;
步骤1.12,判断是否能经由高频宽信道收取确认符;
步骤1.13,如果不能,则判定高频宽信道链接状况超常,如果是,则判定高频宽信道链接状况合理。
7.根据权利要求6所述的基于神经网络的各行业电量电费数据预测方法,其特征在于:
经由高频宽信道向预测装置传递各行业用户电量电费数据后不能经由高频宽信道收取确认符,代表各行业用户电量电费数据不能在高频宽信道中传递;在PLC侦听到高频宽信道链接状况合理时,就自动启动高低频宽信道切换性能。
8.根据权利要求7所述的基于神经网络的各行业电量电费数据预测方法,其特征在于:
步骤1.1后还包含:步骤1.6、如果高频宽信道链接状况合理,就启动高低频宽信道切换性能;或者,步骤1.1后还包含:步骤1.7、如果高频宽信道链接状况合理,就在预测装置的操控下启动高低频宽信道切换性能。
9.根据权利要求1所述的基于神经网络的各行业电量电费数据预测方法,其特征在于:
输入层单位向量个数为24个,中间层单位向量个数为50个,输出层单位向量个数为24个;
预测电力负荷的最大值为M,参考当地需量基本电价Q,需量申报负荷为S,则预测负荷值转化为需量基本电费预测值F的计算方式如下:
当M≤S时,F=QS;
当M>S时,F=QS+2Q(M-S)。
10.根据权利要求1所述的基于神经网络的各行业电量电费数据预测方法,其特征在于:
所述S4中误差值数据通过输出层赋予指定传输方向向量。
11.根据权利要求1中所述的基于神经网络的各行业电量电费数据预测方法,其特征在于所述S4中通过误差反向传播算法构建神经数据运算网。
12.基于神经网络的各行业电量电费数据预测装置,利用权利要求1-10任一项权利要求所述方法。其特征在于,所述预测装置包括:
数据采集模块,用于采集将各行业用户电量电费数据;
数据预处理模块,用于将各行业历史用电负荷数据赋予传输方向向量,根据向量数据方向将神经元数据库划分输入层、中间层和输出层;
数据传输模块,用于经由高频宽信道传递各行业用户电量电费数据;
判断模块,用于判断是否能经由高频宽信道收取确认符以及判定高频宽信道链接状况是否超常;
结果输出模块,用于输出预测负荷值并根据预测负荷值转化为需量基本电费预测结果。
13.一种终端,包括处理器及存储介质;其特征在于:
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-11任一项所述方法的步骤。
14.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-11任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211489663.5A CN115809902A (zh) | 2022-11-25 | 2022-11-25 | 基于神经网络的各行业电量电费数据预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211489663.5A CN115809902A (zh) | 2022-11-25 | 2022-11-25 | 基于神经网络的各行业电量电费数据预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115809902A true CN115809902A (zh) | 2023-03-17 |
Family
ID=85484132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211489663.5A Pending CN115809902A (zh) | 2022-11-25 | 2022-11-25 | 基于神经网络的各行业电量电费数据预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115809902A (zh) |
-
2022
- 2022-11-25 CN CN202211489663.5A patent/CN115809902A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9020800B2 (en) | Method and apparatus for controlling energy services based on market data | |
KR102589383B1 (ko) | 마이크로그리드의 전력 수급 예측 장치 및 그 방법 | |
CN113034059B (zh) | 异常电力信息定位方法、装置、电子设备和计算机介质 | |
Sharma et al. | Multi‐stage restoration strategy for service restoration in distribution systems considering outage duration uncertainty | |
CN116739360A (zh) | 基于区块链的分布式风光储智慧能量管理系统 | |
CN117154844A (zh) | 储能系统的能源供应控制方法及装置 | |
CN108122054A (zh) | 一种基于图计算的电力系统拓扑实时计算方法 | |
CN117332897A (zh) | 人工智能驱动的新能源小时间尺度功率插值集成预测方法 | |
CN115051912B (zh) | 一种停电用户定位方法、装置、设备、介质 | |
CN115809902A (zh) | 基于神经网络的各行业电量电费数据预测方法及装置 | |
CN115085921B (zh) | 模型训练方法、节点检测方法、装置、设备及介质 | |
CN116488149A (zh) | 微电网发电策略确定方法、装置以及微电网 | |
CN115275975A (zh) | 一种光储充电站电力数据匹配度的确定方法及装置 | |
CN114492975A (zh) | 一种配电物联网的边缘侧智能决策系统 | |
CN113255994A (zh) | 电网cps的优化配置方法、装置、设备和介质 | |
CN110851943B (zh) | 一种电池充电性能的建模方法和装置 | |
KR20220117432A (ko) | 전력 계통 클러스터링 방법 및 장치 | |
CN114333807B (zh) | 电力调度方法、装置、设备、存储介质及程序 | |
CN115276762B (zh) | 卫星网络的连接方法、系统、电子设备及存储介质 | |
EP4371807A1 (en) | Optimized control of power depots using multi-tenant charging system-of-systems | |
CN115759236B (zh) | 模型训练方法、信息发送方法、装置、设备和介质 | |
CN118170566B (zh) | 面向边缘设备的消息处理方法及相关设备 | |
US20230384747A1 (en) | Method for Operating a Power Supply Network, Computer Program and Electronically Readable Data Carrier | |
CN113258578B (zh) | 潮流数据生成方法、装置、电子设备和计算机可读介质 | |
CN111897655B (zh) | 一种输变电云端智能控制器 |
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 |