CN115965236A - 一种基于用电画像的智能优化方法 - Google Patents
一种基于用电画像的智能优化方法 Download PDFInfo
- Publication number
- CN115965236A CN115965236A CN202211383783.7A CN202211383783A CN115965236A CN 115965236 A CN115965236 A CN 115965236A CN 202211383783 A CN202211383783 A CN 202211383783A CN 115965236 A CN115965236 A CN 115965236A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- electricity
- power utilization
- utilization
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 73
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 57
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 57
- 230000006399 behavior Effects 0.000 claims abstract description 32
- 238000013145 classification model Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 230000032683 aging Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 230000002411 adverse Effects 0.000 claims 1
- 230000010354 integration Effects 0.000 claims 1
- 239000002699 waste material Substances 0.000 description 9
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 230000005612 types of electricity Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000012106 screening analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于用电画像的智能优化方法，包括：获取酒店用户信息与用户用电数据；根据酒店用户信息与用户用电数据构建用户画像；根据用户画像数据、实时用电数据与环境数据构建节能用电组合模型，并利用节能用电组合模型进行实时用电设备控制，具体包括：分析设备用电数据的用电误差，检查用电设备是否老化；利用节能用电组合模型检测异常用电，并分析异常用电类型；根据异常用电类型优化节能用电决策；根据用户用电数据分析用户不良用电行为，并更新用户画像；根据用户画像构建用户群体分类模型对用户进行分类；根据碳积分确定节能等级；根据用户画像与碳积分进行酒店权益推荐。
Description
技术领域
本发明涉及信息技术领域，尤其涉及一种基于用电画像的智能优化方法。
背景技术
随着经济全球化的快速发展，酒店行业的竞争也不断加剧，若想在竞争中取得竞争优势，不仅仅需要达到标准化的服务，追求个性化的服务，更需要保护环境，促进可持续发展。在酒店日常运营过程中，需要消耗大量的能源，如照明消耗，电器消耗，热水供应消耗等等。巨大的能源消耗不仅导致较大的经营成本，同时也不利于节能减排。碳中和(CarbonNeutral)是指企业、产品、活动或个人在一定时间内直接或间接产生的二氧化碳或温室气体排放总量，通过植树造林、节能减排等形式，以抵消自身产生的二氧化碳或温室气体排放量，实现正负抵消，达到相对“零排放”。减少能源消耗是酒店业实现碳中和的有效途径之一，如何在保证酒店用户的入住体验的基础上，减少能源消耗，降低经营成本，促进可持续发展，是本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了一种基于用电画像的智能优化方法，主要包括：
获取酒店用户信息与用户用电数据；根据酒店用户信息与用户用电数据构建用户画像；根据用户画像数据、实时用电数据与环境数据构建节能用电组合模型，并利用节能用电组合模型进行实时用电设备控制，具体包括：分析设备用电数据的用电误差，检查用电设备是否老化；利用节能用电组合模型检测异常用电，并分析异常用电类型；根据异常用电类型优化节能用电决策；根据用户用电数据分析用户不良用电行为，并更新用户画像；根据用户画像构建用户群体分类模型对用户进行分类；根据碳积分确定节能等级；根据用户画像与碳积分进行酒店权益推荐。
进一步可选地，所述获取酒店用户信息与用户用电数据包括：
获取酒店用户信息，所述酒店用户信息通过酒店用户管理平台获得，对所述酒店用户信息进行数据预处理，并存储于用户信息数据库；利用非侵入式负载监控(Non-intrusiveloadmonitoringNILM)技术获取酒店的总用户用电数据，并对所述总用户用电数据进行分解，分别得到所述酒店中每个用户的实际用电数据；将所述实际用电数据上传至分布式服务器，所述分布式服务器定时将所述实际用电数据转发至云计算平台，所述云计算平台用于对所述实际用电数据进行分析评估分别得到每个所述用户的用户用电数据，并将所述用户用电数据存放在用户用电数据库中；其中，所述用户用电数据包括用电设备名称，用电设备日用电量，用电设备使用时间，用电设备使用频率、用电高峰时段，异常断电次数与主动断电次数。
进一步可选地，所述根据酒店用户信息与用户用电数据构建用户画像包括：
通过所述用户信息数据库与所述用户用电数据库分别获取用户消费数据与用户用电数据，并对属于同一用户的用户消费数据和用户用电数据进行关联；利用深度神经网络DNN(DeepNeuralNetworks)模型分析所述用户消费数据与所述用户用电数据，并根据深度神经网络DNN模型输出用户标签，所述用户标签包括用电设备偏好，用电类型，用电高峰时段，常住房型，酒店入住率与入住酒店缘由；根据所述用户标签构建用户画像，并保存到用户画像数据库。
进一步可选地，所述根据用户画像数据、实时用电数据与环境数据构建节能用电组合模型，并利用节能用电组合模型进行实时用电设备控制包括：
所述节能用电组合模型包括数据获取模块，节能用电决策模块与预警模块；所述数据获取模块用于获取用户的实时用电数据、用户画像数据与实时环境数据，所述实时环境数据包括温度，湿度与光线强度；所述节能用电决策模块对所述数据获取模块获取的数据进行筛选分析，最终形成节能用电决策；通过所述云计算平台执行所述节能用电决策，所述云计算平台用于根据所述节能用电决策生成实时配电指令数据，通过智能用电控制设备控制所述用户相应的用电设备执行所述实时配电指令数据；所述预警模块用于对所述用电设备进行监控，根据所述实时用电数据获取设备用电数据，即APD＝{e,c,v,a,p},其中，APD表示设备用电数据，e表示用电设备名称，c表示用电设备电流，v,表示用电设备电压，a表示用电量，p表示用电设备功率；若所述设备用电数据大于预先设置的正常用电数据波动区间，则确定所述设备用电数据为异常用电数据，并将所述用电设备电路断开并发出警报进行预警；包括：分析设备用电数据的用电误差，检查用电设备是否老化；
所述分析设备用电数据的用电误差，检查用电设备是否老化，具体包括：
从官方数据接口获取用电设备使用的标准数据，计算指定周期内设备用电数据平均值与所述标准数据的误差，即E＝sqrt(((x1-S)^2+(x2-S)^2+......(xn-S)^2)/n)。其中，E表示用电误差，S表示用电设备使用的标准数据，xi表示用电设备第i次的用电数据，n表示检测周期。若所述用电误差超过阈值，则表明用电设备出现老化，并利用节能用电组合模型的预警模块发出预警，提醒管理人员检查设备。
进一步可选地，所述利用节能用电组合模型检测异常用电，并分析异常用电类型包括：
根据CatBoost算法构建异常用电类型分析模型，利用节能用电组合模型的预警模块对设备用电数据进行筛选，若所述设备用电数据为异常用电数据，则将将所述异常用电数据输入所述异常用电类型分析模型，通过所述异常用电类型分析模型分析所述异常用电数据的异常用电类型。
进一步可选地，所述根据异常用电类型优化节能用电决策包括：
将异常用电类型数据作为输入训练节能用电决策模块；通过贝叶斯优化(BayesianOptimization)选择出所述节能用电决策模块的最佳参数配置；通过优化后的节能用电决策模块生成最优节能用电决策，实现对不同用电设备的个性化优化。
进一步可选地，所述根据用户用电数据分析用户不良用电行为，并更新用户画像包括：
获取异常用电数据并利用云计算平台统计指定周期内出现异常用电数据次数，若所述异常用电数据次数超过指定阈值，则表示用户存在不良用电行为并对用户定期进行预警；通过云计算平台分析用户纠正不良用电行为类型，所述用户纠正不良用电行为包括主动纠正型与被动纠正型；所述主动纠正型是指用户纠正用电的时间小于阈值，所述被动纠正型是指用户纠正用电的时间大于阈值；将所述用户纠正不良用电行为类型标签化，更新用户画像，并存储与用户画像数据库。
进一步可选地，所述根据用户画像构建用户群体分类模型对用户进行分类包括：
通过用户画像数据库获取所有用户画像数据；构建用户群体分类模型，所述用户群体分类模型利用KNN算法对用户群体进行分类，其中，所述用户画像数据作为输入用于所述用户群体分类模型训练；建立用户群体预设分类条件，将用户群体分类结果与所述用户群体预设分类条件输入用户群体类别匹配模型，根据所述用户群体类别匹配模型得到用户群体类别，并将所述用户群体类别存储于用户群体分类数据库。
进一步可选地，所述根据碳积分确定节能等级包括：
根据碳积分计算模型计算酒店用户的会员碳积分，构建所述碳积分计算模型，即C＝(k+a)*w1+g*w2,其，C表示碳积分，k表示用户用电类型评分，表示用户纠正不良用电行为评分，g表示群体分类等级评分，w1表示用户用电类型评分与用户纠正不良用电行为评分的权重，w2表示群体分类等级评分的权重；所述用户用电类型评分，用户纠正不良用电行为评分与所述群体分类等级评分通过构建分类等级评分量化表获得；设定N个节能等级区间，不同区间表示不同的节能等级，根据所述会员碳积分确定相应的节能等级；碳积分账户包括会员碳积分与节能等级。
进一步可选地，所述根据用户画像与碳积分进行酒店权益推荐包括：
通过用户画像数据库获取用户画像数据，通过碳积分账户获取用户碳积分，通过酒店用户管理平台获取用户历史会员权益兑换数据并进行数据预处理,所述数据预处理包括去除缺失值与数据规范化处理；根据碳积分构建酒店权益列表，设定N个权益区间，不同区间表示不同的酒店权益；将所述用户画像数据、所述用户碳积分，所述用户历史会员权益兑换数据与所述酒店权益列表输入预先构建的权益推荐模型生成topN个酒店权益推荐，实现个性化酒店权益推荐。
本发明实施例提供的技术方案可以包括以下有益效果：
为解决上述问题，本发明提供一种基于用电画像的智能优化方法。本发明通过构建酒店用户用电画像分析酒店用户用电习惯，并构建节能用电组合模型，减少用电设备的耗电，提升用户入住体验并达到节能减排的效果。另外，通过分析用户不良用电习惯，并根据不良用电习惯纠正结果计算碳积分，利用碳积分进行酒店价格调整，能鼓励更多用户参与节能减排。
附图说明
图1为本发明的一种基于用电画像的智能优化方法的流程图。
图2为本发明的一种基于用电画像的智能优化方法的示意图。
具体实施方式
下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。
本实施例一种基于用电画像的智能优化方法具体可以包括：
步骤101，获取酒店用户信息与用户用电数据。
获取酒店用户信息，所述酒店用户信息通过酒店用户管理平台获得，对所述酒店用户信息进行数据预处理，并存储于用户信息数据库。利用非侵入式负载监控(Non-intrusiveloadmonitoringNILM)技术获取酒店的总用户用电数据，并对所述总用户用电数据进行分解，分别得到所述酒店中每个用户的实际用电数据。将所述实际用电数据上传至分布式服务器，所述分布式服务器定时将所述实际用电数据转发至云计算平台，所述云计算平台用于对所述实际用电数据进行分析评估分别得到每个所述用户的用户用电数据，并将所述用户用电数据存放在用户用电数据库中。其中，所述用户用电数据包括用电设备名称，用电设备日用电量，用电设备使用时间，用电设备使用频率、用电高峰时段，异常断电次数与主动断电次数。例如，酒店用户信息至少包括酒店用户的用户消费数据，以上仅仅是本申请实施例提供的酒店用户信息的优选内容，有关酒店用户信息的具体内容，本领域技术人员可根据需求进行设置，在此不作限定，对获取的酒店用户信息数据进行清洗，删除重复值与缺失值，并存储于用户信息数据库。通过非侵入式负载监控技术对单个电器的能耗进行监测，获取用户“Jason”的实际用电数据，并将数据上传至分布式服务器，利用云计算平台对实际用电数据进行分析评估与计算，得到“Jason”的用户用电数据，并将“Jason”的用户用电数据存储于用户用电数据库中。“Jason”的用户用电数据包括“Jason”在不同设备的用电数据，以一个设备为例，在该设备的用电数据包括用日用电量，使用时间，使用频率，用电高峰时段，异常断电次数与主动断电次数。比如，从用户用电数据库获取“Jason”在空调的用电数据为：{用电设备：“空调”，日用电量：“8000w”，使用时间：“8h”，使用频率：“3次”，用电高峰时段：“15：00-17：00“，异常断电次数：“0次”，主动断电次数：“3次”}。
步骤102，根据酒店用户信息与用户用电数据构建用户画像。
通过所述用户信息数据库与所述用户用电数据库分别获取用户消费数据与用户用电数据，并对属于同一用户的用户消费数据和用户用电数据进行关联。利用深度神经网络DNN(DeepNeuralNetworks)模型分析所述用户消费数据与所述用户用电数据，并根据深度神经网络DNN模型输出用户标签，所述用户标签包括用电设备偏好，用电类型，用电高峰时段，常住房型，酒店入住率与入住酒店缘由。根据所述用户标签构建用户画像，并保存到用户画像数据库。例如，获取用户“Mike”的消费数据与用电数据，并利用训练好的深度神经网络模型分析用户“Mike”的消费数据与用电数据，输出“Mike”的用户标签为{“空调，冰箱，台灯”，“节约型”，“晚上用电高峰”，“商务型套房”，“高入住率”，“出差”}，根据用户标签构建用户“MIke”的画像为{用电设备偏好：“空调，冰箱，台灯”，用电类型：“节约型”，用电高峰时段：“晚上”，常住房型：“商务型”，酒店入住率：“高”，入住酒店原因：“出差”}。
步骤103，根据用户画像数据、实时用电数据与环境数据构建节能用电组合模型，并利用节能用电组合模型进行实时用电设备控制。
所述节能用电组合模型包括数据获取模块，节能用电决策模块与预警模块。所述数据获取模块用于获取用户的实时用电数据、用户画像数据与实时环境数据，所述实时环境数据包括温度，湿度与光线强度。所述节能用电决策模块对所述数据获取模块获取的数据进行筛选分析，最终形成节能用电决策。通过所述云计算平台执行所述节能用电决策，所述云计算平台用于根据所述节能用电决策生成实时配电指令数据，通过智能用电控制设备控制所述用户相应的用电设备执行所述实时配电指令数据。所述预警模块用于对所述用电设备进行监控，根据所述实时用电数据获取设备用电数据，即APD＝{e,c,v,a,p},其中，APD表示设备用电数据，e表示用电设备名称，c表示用电设备电流，v,表示用电设备电压，a表示用电量，p表示用电设备功率。若所述设备用电数据大于预先设置的正常用电数据波动区间，则确定所述设备用电数据为异常用电数据，并将所述用电设备电路断开并发出警报进行预警。例如，通过智能设备获取用户“Mike”实时用电数据，通过用户画像数据库获取用户“Mike“的用户画像数据，通过温度监测器获得用户“Mike”室内的实时温度，通过湿度监测器获得用户“Mike”室内的实时湿度，通过光线传感器获得用户“Mike”室内的实时光线强度。利用节能用电决策模块对用户“Mike”的实时用电数据、用户画像数据与实时环境数据进行筛选分析生成节能用电决策，比如，{“空调”：1000w”，“台灯”：“3w”，“其他用电设备”：“0w”},利用云计算平台执行该节能用电决策，生成实时配电指令数据并通过智能用电控制设备执行实时配电指令数据。通过预警模块获取设备的用电数据APD＝{“用电设备”：“台灯“，“电流”：0.35A，“电压”：35V，”用电量”：0.05Kw·h，”功率”：15.5w}，预先设置的正常用电数据波动区间为{“电压”：”1.5V-32V“，“电流”：”0.1A-0.3A”，“用电量“：”0.01Kw·h-0.03Kw·h“，“功率”：”9w-12w“}，则发出警报进行预警。
分析设备用电数据的用电误差，检查用电设备是否老化。
从官方数据接口获取用电设备使用的标准数据，计算指定周期内设备用电数据平均值与所述标准数据的误差，即E＝sqrt(((x1-S)^2+(x2-S)^2+......(xn-S)^2)/n)。其中，E表示用电误差，S表示用电设备使用的标准数据，xi表示用电设备第i次的用电数据，n表示检测周期。若所述用电误差超过阈值，则表明用电设备出现老化，并利用节能用电组合模型的预警模块发出预警，提醒管理人员检查设备。例如，通过从官方数据接口获取“台灯”使用的标准数据，计算1个月内“台灯”的用电数据平均值与标准数据的误差，其误差超过标准误差，则发出预警提醒管理人员检查优化设备，减少设备的损坏。
步骤104，利用节能用电组合模型检测异常用电，并分析异常用电类型。
根据CatBoost算法构建异常用电类型分析模型，利用节能用电组合模型的预警模块对设备用电数据进行筛选，若所述设备用电数据为异常用电数据，则将将所述异常用电数据输入所述异常用电类型分析模型，通过所述异常用电类型分析模型分析所述异常用电数据的异常用电类型。例如，在执行节能用电组合模型生成的节能决策过程中，预警模块识别到用户“Bob”存在异常用电数据，将异常用电数据输入异常用电类型分析模型，通过异常用电类型分析模型分析其异常用电数据，得出异常用电类型为{“设备”：“台灯”，“类型”：“串接”，“失流”}。
步骤105，根据异常用电类型优化节能用电决策。
将异常用电类型数据作为输入训练节能用电决策模块。通过贝叶斯优化(BayesianOptimization)选择出所述节能用电决策模块的最佳参数配置。通过优化后的节能用电决策模块生成最优节能用电决策，实现对不同用电设备的个性化优化。例如，贝叶斯优化是指一种基于贝叶斯方法的搜寻函数全局极值的方法，由于神经网络模型计算量大且耗时、耗资源，利用贝叶斯优化来寻找神经网络模型中函数f(x)在x自变量上的最佳参数配置，根据优化后的神经网络模型寻求最优配电参数。如异常用电类型为{“设备”：“台灯”，“类型”：“失流”}，节能用电决策模块采用随机森林模型，经过优化后的随机森林模型计算得出其最优节能用电决策为{“电压”：“12v”，“电流”：“0.18A”}。根据不同用电设备异常用电类型生成对应的最优节能用电决策，可以减少异常用电的发生。
步骤106，根据用户用电数据分析用户不良用电行为，并更新用户画像。
获取异常用电数据并利用云计算平台统计指定周期内出现异常用电数据次数，若所述异常用电数据次数超过指定阈值，则表示用户存在不良用电行为并对用户定期进行预警。通过云计算平台分析用户纠正不良用电行为类型，所述用户纠正不良用电行为包括主动纠正型与被动纠正型。所述主动纠正型是指用户纠正用电的时间小于阈值，所述被动纠正型是指用户纠正用电的时间大于阈值。将所述用户纠正不良用电行为类型标签化，更新用户画像，并存储与用户画像数据库。例如，通过智能用电监测设备获取用户“Mike”的实时用电数据，并将用户实时用电数据上传至云计算平台，进行数据预处理。预警模块可以为XGBoost检测模型,利用XGBoost检测模型用于检测异常用电，XGBoost(ExtremeGradientBoosting)是一种高效的梯度提升决策树算法,利用包含多个特征的训练数据xi，以预测目标变量yi。用户1小时出现异常用电数据阈值为10次，通过XGBoost检测模型检测出用户存在异常用电并通过云计算平台计算得出用户”Mike”在1小时内出现异常用电数据的次数为15次，通过智能设备进行语音提醒，如语音提醒为“Mike请注意床边右侧插座的合理使用”。提醒后5min内若依旧检测到异常数据，则系统进行自动断电，并通过云计算平台分析历史数据得出该用户属于被动纠正类型，更新该用户画像，即{用电设备偏好：“空调，台灯”，用电类型：“节约型”，用电高峰时段：“晚上”，常住房型：“普通型”，酒店入住率：
“低，入住酒店原因：“旅游”，纠正不良用电行为类型：“被动纠正型”}。
步骤107，根据用户画像构建用户群体分类模型对用户进行分类。
通过用户画像数据库获取所有用户画像数据。构建用户群体分类模型，所述用户群体分类模型利用KNN算法对用户群体进行分类，其中，所述用户画像数据作为输入用于所述用户群体分类模型训练。建立用户群体预设分类条件，将用户群体分类结果与所述用户群体预设分类条件输入用户群体类别匹配模型，根据所述用户群体类别匹配模型得到用户群体类别，并将所述用户群体类别存储于用户群体分类数据库。例如，获取所有用户画像数据，建立用户群体预设分类条件，其输出结果包括“主动节约型”：{“用电类型”：“节约型”，“纠正不良用电行为类型”：“主动纠正型”}，“被动节约型”：{“用电类型”：“节约型”，“纠正不良用电行为类型”：“被动纠正型”}，“轻度浪费型”：{“用电类型”：“浪费型”，“纠正不良用电行为类型”：“主动纠正型”}，“重度浪费型”：{“用电类型”：“浪费型”，“纠正不良用电行为类型”：“被动纠正型”}。利用KNN算法对用户画像数据进行用户群体分类，分类结果为：{“用户“：“Mike，Bob”，“用电类型”：
“节约型”，“纠正不良用电行为类型”：“主动纠正型”}，{“用户“：“Wendy，
George”，“用电类型”：“节约型”，“纠正不良用电行为类型”：“被动纠正型”}，
{“用户“：“Kitty，Alice”，“用电类型”：“浪费型”，“纠正不良用电行为类型”：“主动纠正型”}，{“用户“：“Mary，Jack”，“用电类型”：“浪费型”，“纠正不良用电行为类型”：“被动纠正型”}。将用户群体分类结果与用户群体预设分类条件输入用户群体类别匹配模型，根据用户群体类别匹配模型得到用户群体类别，即{“主动节约型”：“Mike，Bob”；“被动节约型”：“Wendy，George”；“轻度浪费型”：
“Kitty，Alice”；“重度浪费型”：“Mary，Jack”},并将结果存储于用户群体分类数据库。
步骤108，根据碳积分确定节能等级。
根据碳积分计算模型计算酒店用户的会员碳积分，构建所述碳积分计算模型，即C＝(k+a)*w1+g*w2,其，C表示碳积分，k表示用户用电类型评分，表示用户纠正不良用电行为评分，g表示群体分类等级评分，w1表示用户用电类型评分与用户纠正不良用电行为评分的权重，w2表示群体分类等级评分的权重。所述用户用电类型评分，用户纠正不良用电行为评分与所述群体分类等级评分通过构建分类等级评分量化表获得。设定N个节能等级区间，不同区间表示不同的节能等级，根据所述会员碳积分确定相应的节能等级。碳积分账户包括会员碳积分与节能等级。例如，碳积分(CarbonCredits)是指欧盟设立的二氧化碳排放配额，企业或个人通过购买碳积分消除碳足迹。设定3个节能等级区间，碳积分为C，若C∈(0,1000]，则表示低节能；若C∈(1000,2000]，则表示中节能，若C∈(2000,+∞]，则表示高节能。通过用户画像数据库获得用户“Mike”{用电类型：“节约型”，“纠正不良用电行为”：“主动纠正型”}，通过用户群体分类数据库获取其群体类型为“被动节约型”，分类等级评分量化表为用户用电类型评分：{“节约型”：50，“浪费型”：0}；用户纠正不良用电行为评分：{“主动纠正型”：50，“被动纠正型”：0}；群体分类等级评分：{“主动节约型”：100，“被动节约型”：70，“轻度浪费型”：40，“重度浪费型”：0}。故该用户的用户用电类型评分为50，用户纠正不良用电行为评分为50，群体分类等级评分为70，权重w1为10，w2为20，通过碳积分计算模型得出用户“Mike”的碳积分为2400，则该用户的节能等级为高节能。
步骤109，根据用户画像与碳积分进行酒店权益推荐。
通过用户画像数据库获取用户画像数据，通过碳积分账户获取用户碳积分，通过酒店用户管理平台获取用户历史会员权益兑换数据并进行数据预处理,所述数据预处理包括去除缺失值与数据规范化处理。根据碳积分构建酒店权益列表，设定N个权益区间，不同区间表示不同的酒店权益。将所述用户画像数据、所述用户碳积分，所述用户历史会员权益兑换数据与所述酒店权益列表输入预先构建的权益推荐模型生成topN个酒店权益推荐，实现个性化酒店权益推荐。例如，构建酒店权益列表，设定3个权益区间，碳积分为C，若C∈
(0,1000]，则权益包括礼品兑换，延迟退房；若C∈(1000,2000]，则权益包括免费升级房型，酒店折扣券；若C∈(2000,+∞]，则权益包括酒店免费体验券，附赠酒店配套服务。获取用户“Bob”的用户画像数据：{用电设备偏好：“空调，台灯”，用电类型：“节约型”，用电高峰时段：“晚上”，常住房型：“普通型”，酒店入住率：“低，入住酒店缘由：“出差”，纠正不良用电行为类型：“被动纠正型”}；碳积分：6000；历史会员权益兑换数据：{“酒店折扣券”，“延迟退房”，“礼品兑换”}。将用户画像数据、碳积分、历史会员权益兑换数据与酒店权益列表作为输入，利用深度神经网络训练得到权益推荐模型。利用权益推荐模型得到用户“Bob”的酒店权益推荐为：{“延迟退房”，“免费升级房型”，“酒店折扣券”}。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于用电画像的智能优化方法，其特征在于，所述方法包括：
获取酒店用户信息与用户用电数据；根据酒店用户信息与用户用电数据构建用户画像；根据用户画像数据、实时用电数据与环境数据构建节能用电组合模型，并利用节能用电组合模型进行实时用电设备控制，具体包括：分析设备用电数据的用电误差，检查用电设备是否老化；利用节能用电组合模型检测异常用电，并分析异常用电类型；根据异常用电类型优化节能用电决策；根据用户用电数据分析用户不良用电行为，并更新用户画像；根据用户画像构建用户群体分类模型对用户进行分类；根据碳积分确定节能等级；根据用户画像与碳积分进行酒店权益推荐。
2.根据权利要求1所述的方法，其中，所述获取酒店用户信息与用户用电数据，包括:
获取酒店用户信息，所述酒店用户信息通过酒店用户管理平台获得，对所述酒店用户信息进行数据预处理，并存储于用户信息数据库；利用非侵入式负载监控(Non-intrusiveloadmonitoringNILM)技术获取酒店的总用户用电数据，并对所述总用户用电数据进行分解，分别得到所述酒店中每个用户的实际用电数据；将所述实际用电数据上传至分布式服务器，所述分布式服务器定时将所述实际用电数据转发至云计算平台，所述云计算平台用于对所述实际用电数据进行分析评估分别得到每个所述用户的用户用电数据，并将所述用户用电数据存放在用户用电数据库中；其中，所述用户用电数据包括用电设备名称，用电设备日用电量，用电设备使用时间，用电设备使用频率、用电高峰时段，异常断电次数与主动断电次数。
3.根据权利要求1所述的方法，其中，所述根据酒店用户信息与用户用电数据构建用户画像，包括:
通过所述用户信息数据库与所述用户用电数据库分别获取用户消费数据与用户用电数据，并对属于同一用户的用户消费数据和用户用电数据进行关联；利用深度神经网络DNN(DeepNeuralNetworks)模型分析所述用户消费数据与所述用户用电数据，并根据深度神经网络DNN模型输出用户标签，所述用户标签包括用电设备偏好，用电类型，用电高峰时段，常住房型，酒店入住率与入住酒店缘由；根据所述用户标签构建用户画像，并保存到用户画像数据库。
4.根据权利要求1所述的方法，其中，所述根据用户画像数据、实时用电数据与环境数据构建节能用电组合模型，并利用节能用电组合模型进行实时用电设备控制，包括:
所述节能用电组合模型包括数据获取模块，节能用电决策模块与预警模块；所述数据获取模块用于获取用户的实时用电数据、用户画像数据与实时环境数据，所述实时环境数据包括温度，湿度与光线强度；所述节能用电决策模块对所述数据获取模块获取的数据进行筛选分析，最终形成节能用电决策；通过所述云计算平台执行所述节能用电决策，所述云计算平台用于根据所述节能用电决策生成实时配电指令数据，通过智能用电控制设备控制所述用户相应的用电设备执行所述实时配电指令数据；所述预警模块用于对所述用电设备进行监控，根据所述实时用电数据获取设备用电数据，即APD＝{e,c,v,a,p},其中，APD表示设备用电数据，e表示用电设备名称，c表示用电设备电流，v,表示用电设备电压，a表示用电量，p表示用电设备功率；若所述设备用电数据大于预先设置的正常用电数据波动区间，则确定所述设备用电数据为异常用电数据，并将所述用电设备电路断开并发出警报进行预警；包括：分析设备用电数据的用电误差，检查用电设备是否老化；
所述分析设备用电数据的用电误差，检查用电设备是否老化，具体包括:
从官方数据接口获取用电设备使用的标准数据，计算指定周期内设备用电数据平均值与所述标准数据的误差，即E＝sqrt(((x1-S)^2+(x2-S)^2+......(xn-S)^2)/n)；其中，E表示用电误差，S表示用电设备使用的标准数据，xi表示用电设备第i次的用电数据，n表示检测周期；若所述用电误差超过阈值，则表明用电设备出现老化，并利用节能用电组合模型的预警模块发出预警，提醒管理人员检查设备。
5.根据权利要求1所述的方法，其中，所述利用节能用电组合模型检测异常用电，并分析异常用电类型，包括:
根据CatBoost算法构建异常用电类型分析模型，利用节能用电组合模型的预警模块对设备用电数据进行筛选，若所述设备用电数据为异常用电数据，则将将所述异常用电数据输入所述异常用电类型分析模型，通过所述异常用电类型分析模型分析所述异常用电数据的异常用电类型。
6.根据权利要求1所述的方法，其中，所述根据异常用电类型优化节能用电决策，包括:
将异常用电类型数据作为输入训练节能用电决策模块；通过贝叶斯优化(
BayesianOptimization)选择出所述节能用电决策模块的最佳参数配置；通过优化后的节能用电决策模块生成最优节能用电决策，实现对不同用电设备的个性化优化。
7.根据权利要求1所述的方法，其中，所述根据用户用电数据分析用户不良用电行为，并更新用户画像，包括:
获取异常用电数据并利用云计算平台统计指定周期内出现异常用电数据次数，若所述异常用电数据次数超过指定阈值，则表示用户存在不良用电行为并对用户定期进行预警；通过云计算平台分析用户纠正不良用电行为类型，所述用户纠正不良用电行为包括主动纠正型与被动纠正型；所述主动纠正型是指用户纠正用电的时间小于阈值，所述被动纠正型是指用户纠正用电的时间大于阈值；将所述用户纠正不良用电行为类型标签化，更新用户画像，并存储与用户画像数据库。
8.根据权利要求1所述的方法，其中，所述根据用户画像构建用户群体分类模型对用户进行分类，包括:
通过用户画像数据库获取所有用户画像数据；构建用户群体分类模型，所述用户群体分类模型利用KNN算法对用户群体进行分类，其中，所述用户画像数据作为输入用于所述用户群体分类模型训练；建立用户群体预设分类条件，将用户群体分类结果与所述用户群体预设分类条件输入用户群体类别匹配模型，根据所述用户群体类别匹配模型得到用户群体类别，并将所述用户群体类别存储于用户群体分类数据库。
9.根据权利要求1所述的方法，其中，所述根据碳积分确定节能等级，包括:
根据碳积分计算模型计算酒店用户的会员碳积分，构建所述碳积分计算模型，即C＝(k+a)*w1+g*w2,其，C表示碳积分，k表示用户用电类型评分，表示用户纠正不良用电行为评分，g表示群体分类等级评分，w1表示用户用电类型评分与用户纠正不良用电行为评分的权重，w2表示群体分类等级评分的权重；所述用户用电类型评分，用户纠正不良用电行为评分与所述群体分类等级评分通过构建分类等级评分量化表获得；设定N个节能等级区间，不同区间表示不同的节能等级，根据所述会员碳积分确定相应的节能等级；碳积分账户包括会员碳积分与节能等级。
10.根据权利要求1所述的方法，其中，所述根据用户画像与碳积分进行酒店权益推荐，包括:
通过用户画像数据库获取用户画像数据，通过碳积分账户获取用户碳积分，通过酒店用户管理平台获取用户历史会员权益兑换数据并进行数据预处理,所述数据预处理包括去除缺失值与数据规范化处理；根据碳积分构建酒店权益列表，设定N个权益区间，不同区间表示不同的酒店权益；将所述用户画像数据、所述用户碳积分，所述用户历史会员权益兑换数据与所述酒店权益列表输入预先构建的权益推荐模型生成topN个酒店权益推荐，实现个性化酒店权益推荐。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211383783.7A CN115965236B (zh) | 2022-11-07 | 2022-11-07 | 一种基于用电画像的智能优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211383783.7A CN115965236B (zh) | 2022-11-07 | 2022-11-07 | 一种基于用电画像的智能优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115965236A true CN115965236A (zh) | 2023-04-14 |
| CN115965236B CN115965236B (zh) | 2023-10-24 |
Family
ID=87351851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211383783.7A Active CN115965236B (zh) | 2022-11-07 | 2022-11-07 | 一种基于用电画像的智能优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115965236B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018039445A1 (en) * | 2016-08-24 | 2018-03-01 | Alibaba Group Holding Limited | Calculating individual carbon footprints |
| CN113946754A (zh) * | 2021-10-29 | 2022-01-18 | 平安科技（深圳）有限公司 | 基于用户画像的权益推荐方法、装置、设备及存储介质 |
| KR102360491B1 (ko) * | 2021-09-28 | 2022-02-09 | 라이트브라더스 주식회사 | 저감된 탄소 배출량 계산 기반의 자전거 응용 서비스 플랫폼 서버, 방법, 및 컴퓨터 판독 가능한 기록 매체 |
| CN114742681A (zh) * | 2022-04-08 | 2022-07-12 | 绿普惠碳中和科技(苏州)有限公司 | 个人绿色低碳行为减排量抵消商品碳排放的方法和装置 |
| CN114897487A (zh) * | 2022-04-19 | 2022-08-12 | 天津圣光投资集团有限公司 | 一种用于酒店碳检测的连续流动分析方法 |
| CN115131063A (zh) * | 2022-06-23 | 2022-09-30 | 江苏华泽微福科技发展有限公司 | 一种碳普惠制积分发放与礼品兑换方法 |
-
2022
- 2022-11-07 CN CN202211383783.7A patent/CN115965236B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018039445A1 (en) * | 2016-08-24 | 2018-03-01 | Alibaba Group Holding Limited | Calculating individual carbon footprints |
| KR102360491B1 (ko) * | 2021-09-28 | 2022-02-09 | 라이트브라더스 주식회사 | 저감된 탄소 배출량 계산 기반의 자전거 응용 서비스 플랫폼 서버, 방법, 및 컴퓨터 판독 가능한 기록 매체 |
| CN113946754A (zh) * | 2021-10-29 | 2022-01-18 | 平安科技（深圳）有限公司 | 基于用户画像的权益推荐方法、装置、设备及存储介质 |
| CN114742681A (zh) * | 2022-04-08 | 2022-07-12 | 绿普惠碳中和科技(苏州)有限公司 | 个人绿色低碳行为减排量抵消商品碳排放的方法和装置 |
| CN114897487A (zh) * | 2022-04-19 | 2022-08-12 | 天津圣光投资集团有限公司 | 一种用于酒店碳检测的连续流动分析方法 |
| CN115131063A (zh) * | 2022-06-23 | 2022-09-30 | 江苏华泽微福科技发展有限公司 | 一种碳普惠制积分发放与礼品兑换方法 |
Non-Patent Citations (3)
| Title |
|---|
| 傅军;许鑫;罗迪;朱天博;刘霞;: "电力用户行为画像构建技术研究", 电气应用, no. 13 * |
| 施丽;洪锋;李沛霖;白枫;: "电网客户用户画像系统设计与实现", 信息系统工程, no. 04 * |
| 金昌铉;朱宇龙;马博;刘森;黎晚晴;陈玲娜;: "基于数据挖掘判别用电类别异常的分析与研究", 科技与创新, no. 10 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115965236B (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230169427A1 (en) | Method and system for adaptively switching prediction strategies optimizing time-variant energy consumption of built environment | |
| CN111626536A (zh) | 一种基于数据驱动的居民用电能效评估方法 | |
| CN106779129A (zh) | 一种考虑气象因素的短期电力负荷预测方法 | |
| CN106575422A (zh) | 能量管理系统和方法 | |
| CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
| US20210216938A1 (en) | Enterprise platform for enhancing operational performance | |
| CN110658725B (zh) | 一种基于人工智能的能源监管和预测系统及其方法 | |
| JP6315905B2 (ja) | 監視制御システム及び制御方法 | |
| Peng et al. | Dual-stage attention-based long-short-term memory neural networks for energy demand prediction | |
| CN111612228A (zh) | 一种基于用电信息的用户用电行为分析方法 | |
| Shaikh et al. | A new approach to seasonal energy consumption forecasting using temporal convolutional networks | |
| CN113660335A (zh) | 一种基于物联网的设备精细化管理方法与系统 | |
| CN110880055A (zh) | 楼宇智能电表系统 | |
| Fong et al. | Optimization of power usage in a smart nursing home environment | |
| González-Briones et al. | Virtual agent organizations for user behaviour pattern extraction in energy optimization processes: A new perspective | |
| CN114155044A (zh) | 一种电力现货市场节点电价预测方法及系统 | |
| Zhang et al. | A segmented evaluation model for building energy performance considering seasonal dynamic fluctuations | |
| CN115965236B (zh) | 一种基于用电画像的智能优化方法 | |
| CN117200352A (zh) | 一种基于云边融合的光伏发电调控方法及系统 | |
| Zhai et al. | Combining PSO-SVR and Random Forest Based Feature Selection for Day-ahead Peak Load Forecasting. | |
| CN116226293A (zh) | 一种电力客户画像生成管理的方法及系统 | |
| CN115081893A (zh) | 用户用电数据分析方法、装置、电子设备及可读存储介质 | |
| CN115437876A (zh) | 一种数据中心的管理方法、装置、电子设备和存储介质 | |
| Peng et al. | Typical application scenarios of rural energy internet platform | |
| JP2017037459A (ja) | 電力情報管理装置、電力情報管理方法および電力情報管理プログラム |
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 |