CN116739202B - 一种电力选路方法、系统、设备及存储介质 - Google Patents
一种电力选路方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116739202B CN116739202B CN202311021255.1A CN202311021255A CN116739202B CN 116739202 B CN116739202 B CN 116739202B CN 202311021255 A CN202311021255 A CN 202311021255A CN 116739202 B CN116739202 B CN 116739202B
- Authority
- CN
- China
- Prior art keywords
- power
- historical
- calculation
- overload
- path
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 108
- 230000005611 electricity Effects 0.000 claims abstract description 58
- 239000003016 pheromone Substances 0.000 claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 12
- 241000257303 Hymenoptera Species 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000010790 dilution Methods 0.000 claims description 3
- 239000012895 dilution Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种电力选路方法、系统、设备及存储介质，包括根据超负荷用电群和正常负荷用电群建立蚁群，其中，超负荷用电群为空闲算力小于预设值的智能电能表，正常负荷用电群为空闲算力大于预设值的智能电能表；通过算力来计算超负荷用电情况，对蚁群进行分化，得到分化后蚁群；根据分化后蚁群通过蚁群算法进行信息素计算，得到信息素矩阵；根据信息素矩阵进行路径寻优，得到最优路径及其他所有路径；根据历史空闲算力计算最优路径的第一超负荷概率，当第一超负荷概率小于预设趋势线，则最优路径为最终电力路径，通过蚁群算法来选取最终电力路径，从而减少了用电成本。
Description
技术领域
本发明涉及电力选路相关技术领域，尤其是涉及一种电力选路方法、系统、设备及存储介质。
背景技术
电表分为传统的智能电表和传统电表，传统电表指的就是当前常见的具有显示用电量的电表，不具有其他功能，传统智能电表是指具有相应的功能的电表，内部具有单片机的电表，如自动充电费等其他功能，传统电表由于具有入户抄表难度大，人工操作费用高，人工读表精度差等缺点，其正在逐步被智能电表所取代。
目前，电信息采集系统通过采集终端尤其智能电能表实现了对电力用户用电量、用电负荷、电压电流等数据的全面采集，针对此类数据的存储和分析对电力调配起到了关键性的作用，近年来国家电网提出了构建泛在电力物联网的目标，从而实现电网状态全息感知、运营数据全面连接等目的。泛在电网的提出和实现对当前的智能电表提出来新的挑战和要求，为实现智能电表本体及运行环境的深度感知和实时反应，需在有效利用当前已有数据的基础上，实现对用户内多种电器设备使用量进行精确统计，但路径中存在没有意识到的负载电流造成家中没有用电但电能表却还在计量的情况，导致了更高的用电成本。
发明内容
本发明旨在至少解决现有技术中存在的技术问题。为此，本发明提出一种电力选路方法、系统、设备及存储介质，能够发现超负荷用电情况，减少用电成本。
本发明的第一方面，提供了一种电力选路方法，包括如下步骤：
获取每一个智能电能表的历史空闲算力和当前空闲算力；
根据超负荷用电群和正常负荷用电群建立蚁群，其中，所述超负荷用电群为空闲算力小于预设值的智能电能表，所述正常负荷用电群为空闲算力大于预设值的智能电能表；
对所述蚁群进行分化，得到分化后蚁群；
根据所述分化后蚁群通过蚁群算法进行信息素计算，得到信息素矩阵；
根据所述信息素矩阵进行路径寻优，得到最优路径及其他所有路径；
根据所述历史空闲算力计算所述最优路径的第一超负荷概率，当所述第一超负荷概率小于预设趋势线，则所述最优路径为最终电力路径。
根据本发明实施例的控制方法，至少具有如下有益效果：
本方法通过根据超负荷用电群和正常负荷用电群建立蚁群，其中，超负荷用电群为空闲算力小于预设值的智能电能表，正常负荷用电群为空闲算力大于预设值的智能电能表；通过算力来计算超负荷用电情况，对蚁群进行分化，得到分化后蚁群； 根据分化后蚁群通过蚁群算法进行信息素计算，得到信息素矩阵； 根据信息素矩阵进行路径寻优，得到最优路径及其他所有路径； 根据历史空闲算力计算最优路径的第一超负荷概率，当第一超负荷概率小于预设趋势线，则最优路径为最终电力路径，通过蚁群算法来选取最终电力路径，从而减少了用电成本。
根据本发明的一些实施例，所述获取每一个智能电能表的历史空闲算力，包括：
获取每一个智能电能表的历史总算力，历史逻辑运算算力，历史并行计算算力和历史神经网络加速算力；
根据所述历史逻辑运算算力，所述历史并行计算算力和历史所述神经网络加速算力进行算力计算，得到历史算力需求；
根据所述历史总算力与所述历史算力需求进行空闲算力计算，得到所述历史空闲算力。
根据本发明的一些实施例，所述根据所述历史逻辑运算算力，所述历史并行计算算力和历史所述神经网络加速算力进行算力计算，得到历史算力需求的计算公式为：
其中，为算力需求，/>为计算芯片/>的映射函数，/>为计算芯片b的映射函数，/>为计算芯片c的映射函数，/>为预设的映射比例系数，/>为预设的映射比例系数，/>为预设的映射比例系数，/>为逻辑运算算力，/>为并行计算算力，为神经网络加速算力，n为计算芯片/>的总数，l为计算芯片b的总数，p为计算芯片c的总数。
根据本发明的一些实施例，所述根据所述分化后蚁群通过蚁群算法进行信息素计算，得到信息素矩阵的计算公式为：
其中，为第t代蚂蚁中第k只蚂蚁从城市i至城市j的概率，/>为信息素的重要程度，/>为启发因子的相对重要程度，/>为第t代蚂蚁中从城市i至城市j的信息素，为第t代蚂蚁中从城市i至城市j的启发因子，/>为蚂蚁k当前可以选择的城市，为城市i至城市j的距离，/>为m只蚂蚁对在城市i至城市j这条路径上留下的信息素总和，/>为第k只蚂蚁在城市i至城市j这条路径上留下的信息素，Q为第k只蚂蚁所拥有的信息素总和，/>为取值为0至1的信息素稀释程度，/>为第k只蚂蚁走过的路径总距离。
根据本发明的一些实施例，所述电力选路方法还包括：
根据所述历史空闲算力计算预设时间段的所有路径超负荷概率；
当所述预设时间段的所有路径超负荷概率大于预设范围，则根据所述预设时间段的所有路径超负荷概率更新所述预设趋势线；
当所述预设时间段的所有路径超负荷概率小于所述预设范围，则预设趋势线保持不变。
根据本发明的一些实施例，所述电力选路方法还包括：
当所述最优路径的超负荷概率大于预设趋势线，则根据所述历史空闲算力计算第二优路径的第二超负荷概率；
当所述第二超负荷概率小于预设趋势线，则所述第二优路径为最终电力路径；
当所述第二超负荷概率大于预设趋势线，则根据所述历史空闲算力计算第三优路径的第三超负荷概率，依次类推，直至得到负荷概率小于预设趋势线的最终电力路径。
根据本发明的一些实施例，所述对所述蚁群进行分化，得到分化后蚁群，包括：
将所述超负荷用电群分化成正向蚁群，将所述正常负荷用电群分化成负向蚁群。
本发明的第二方面，提供一种电力选路系统，所述电力选路系统包括：
数据获取模块，用于获取每一个智能电能表的历史空闲算力和当前空闲算力；
蚁群建立模块，用于根据超负荷用电群和正常负荷用电群建立蚁群，其中，所述超负荷用电群为空闲算力小于预设值的智能电能表，所述正常负荷用电群为空闲算力大于预设值的智能电能表；
分化模块，用于对所述蚁群进行分化，得到分化后蚁群；
信息素计算模块，用于根据所述分化后蚁群通过蚁群算法进行信息素计算，得到信息素矩阵；
路径寻优模块，用于根据所述信息素矩阵进行路径寻优，得到最优路径及其他所有路径；
最终电力路径选取模块，用于根据所述历史空闲算力计算所述最优路径的第一超负荷概率，当所述第一超负荷概率小于预设趋势线，则所述最优路径为最终电力路径。
本系统通过根据超负荷用电群和正常负荷用电群建立蚁群，其中，超负荷用电群为空闲算力小于预设值的智能电能表，正常负荷用电群为空闲算力大于预设值的智能电能表；通过算力来计算超负荷用电情况，对蚁群进行分化，得到分化后蚁群； 根据分化后蚁群通过蚁群算法进行信息素计算，得到信息素矩阵； 根据信息素矩阵进行路径寻优，得到最优路径及其他所有路径； 根据历史空闲算力计算最优路径的第一超负荷概率，当第一超负荷概率小于预设趋势线，则最优路径为最终电力路径，通过蚁群算法来选取最终电力路径，从而减少了用电成本。
本发明的第三方面，提供了一种电力选路电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行上述的电力选路方法。
本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述的电力选路方法。
需要注意的是，本发明的第二方面至第四方面与现有技术之间的有益效果与上述的一种电力选路系统与现有技术之间的有益效果相同，此处不再细述。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施例的一种电力选路方法的流程图；
图2是本发明一实施例的一种电力选路方法的获取历史空闲算力流程图；
图3是本发明一实施例的一种电力选路系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下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。
本发明的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
目前，电信息采集系统通过采集终端尤其智能电能表实现了对电力用户用电量、用电负荷、电压电流等数据的全面采集，针对此类数据的存储和分析对电力调配起到了关键性的作用，近年来国家电网提出了构建泛在电力物联网的目标，从而实现电网状态全息感知、运营数据全面连接等目的。泛在电网的提出和实现对当前的智能电表提出来新的挑战和要求，为实现智能电表本体及运行环境的深度感知和实时反应，需在有效利用当前已有数据的基础上，实现对用户内多种电器设备使用量进行精确统计，但路径中存在没有意识到的负载电流造成家中没有用电但电能表却还在计量的情况，导致了更高的用电成本。
为了解决上述技术缺陷，参照图1，本发明提供了一种电力选路方法，包括：
步骤S101、获取每一个智能电能表的历史空闲算力和当前空闲算力；
步骤S102、根据超负荷用电群和正常负荷用电群建立蚁群，其中，超负荷用电群为空闲算力小于预设值的智能电能表，正常负荷用电群为空闲算力大于预设值的智能电能表；
步骤S103、对蚁群进行分化，得到分化后蚁群；
步骤S104、根据分化后蚁群通过蚁群算法进行信息素计算，得到信息素矩阵；
步骤S105、根据信息素矩阵进行路径寻优，得到最优路径及其他所有路径；
步骤S106、根据历史空闲算力计算最优路径的第一超负荷概率，当第一超负荷概率小于预设趋势线，则最优路径为最终电力路径。
本方法通过根据超负荷用电群和正常负荷用电群建立蚁群，其中，超负荷用电群为空闲算力小于预设值的智能电能表，正常负荷用电群为空闲算力大于预设值的智能电能表；通过算力来计算超负荷用电情况，对蚁群进行分化，得到分化后蚁群； 根据分化后蚁群通过蚁群算法进行信息素计算，得到信息素矩阵； 根据信息素矩阵进行路径寻优，得到最优路径及其他所有路径； 根据历史空闲算力计算最优路径的第一超负荷概率，当第一超负荷概率小于预设趋势线，则最优路径为最终电力路径，通过蚁群算法来选取最终电力路径，从而减少了用电成本。
参照图2，在一些实施例中，获取每一个智能电能表的历史空闲算力，包括：
步骤S201、获取每一个智能电能表的历史总算力，历史逻辑运算算力，历史并行计算算力和历史神经网络加速算力；
步骤S202、根据历史逻辑运算算力，历史并行计算算力和历史神经网络加速算力进行算力计算，得到历史算力需求；
步骤S203、根据历史总算力与历史算力需求进行空闲算力计算，得到历史空闲算力。
在一些实施例中，根据历史逻辑运算算力，历史并行计算算力和历史神经网络加速算力进行算力计算，得到历史算力需求的计算公式为：
其中，为算力需求，/>为计算芯片/>的映射函数，/>为计算芯片b的映射函数，/>为计算芯片c的映射函数，/>为预设的映射比例系数，/>为预设的映射比例系数，/>为预设的映射比例系数，/>为逻辑运算算力，/>为并行计算算力，为神经网络加速算力，n为计算芯片/>的总数，l为计算芯片b的总数，p为计算芯片c的总数。
具体的，通过在智能电能表中部署算力芯片，将智能电表中记录的计量芯片在维持如计量、存储、通信等自身的工作的用电转换为算力。同时，通过计算智能家电芯片所耗算力进行量化后传递给算力芯片，通过算力芯片与计量芯片算力差值比较当值接近0-10%，即空闲算力低于10%，则用户为超负荷用电情况，需及时采取相应措施。计量芯片部分则负责记录智能电表自身电耗情况。
在一些实施例中，根据分化后蚁群通过蚁群算法进行信息素计算，得到信息素矩阵的计算公式为：
其中，为第t代蚂蚁中第k只蚂蚁从城市i至城市j的概率，/>为信息素的重要程度，/>为启发因子的相对重要程度，/>为第t代蚂蚁中从城市i至城市j的信息素，为第t代蚂蚁中从城市i至城市j的启发因子，/>为蚂蚁k当前可以选择的城市，为城市i至城市j的距离，/>为m只蚂蚁对在城市i至城市j这条路径上留下的信息素总和，/>为第k只蚂蚁在城市i至城市j这条路径上留下的信息素，Q为第k只蚂蚁所拥有的信息素总和，/>为取值为0至1的信息素稀释程度，/>为第k只蚂蚁走过的路径总距离。
具体的，为了解决线路有自己没有意识到的负载电流存在造成家中没有用电，电能表却还在计量的问题。通过蚁群算法构建寻路模型获得线路最优解和所有线路数据，并对可能的隐藏用电线路进行发现及排查。从而通过智能电表的智能化功能节约用电成本。
自己没有意识到的负载电流的情况有：
1)家中线路或用电器有漏电。
2)开关老化或失灵，导致电器依旧在用电。
3)凡是有遥控功能或智能化的设备，如：电视、音响、洗衣机、充电器、声/光/时控设备、调光设备、自动储热设备、恒温鱼缸等，除非把它们彻底从插座中拔下来，否则都处于消耗电力的用电状态。
4)家中的线路被他人非正常占用等。
在一些实施例中，电力选路方法还包括：
根据历史空闲算力计算预设时间段的所有路径超负荷概率；
当预设时间段的所有路径超负荷概率大于预设范围，则根据预设时间段的所有路径超负荷概率更新预设趋势线；
当预设时间段的所有路径超负荷概率小于预设范围，则预设趋势线保持不变。
在一些实施例中，电力选路方法还包括：
当最优路径的超负荷概率大于预设趋势线，则根据历史空闲算力计算第二优路径的第二超负荷概率；
当第二超负荷概率小于预设趋势线，则第二优路径为最终电力路径；
当第二超负荷概率大于预设趋势线，则根据历史空闲算力计算第三优路径的第三超负荷概率，依次类推，直至得到负荷概率小于预设趋势线的最终电力路径。
具体的，S1、从日志获取最近短期、中期、长期质差数据结合本次总计10、100、100次。再获取历史所有质差数据加权平均获得预设趋势线。
S2、从10、100、100次数据中分别统计与预设趋势线上或下次数比例，做为超负荷概率。例如：100次中70次在趋势线之上则，预警概率70%。
S3、短期=10次、中期=100次、长期=1000次
分别获得最近10次、100次、1000次三个不同时段周期的超负荷概率。如果短期、中期及长期预测值概率区间幅度趋于一致在10%浮动以上，则更新质差平均趋势线，反之不更新。
分别对高于和低于质差平均趋势线的次数进行计数，高于异常加1，反之，正常加1。
在一些实施例中，对蚁群进行分化，得到分化后蚁群，包括：
将超负荷用电群分化成正向蚁群，将正常负荷用电群分化成负向蚁群。
另外，参照图3，本发明的一个实施例，提供一种电力选路系统，包括数据获取模块1100、蚁群建立模块1200、分化模块1300、信息素计算模块1400、路径寻优模块1500以及最终电力路径选取模块1600，其中：
数据获取模块1100用于获取每一个智能电能表的历史空闲算力和当前空闲算力；
蚁群建立模块1200用于根据超负荷用电群和正常负荷用电群建立蚁群，其中，超负荷用电群为空闲算力小于预设值的智能电能表，正常负荷用电群为空闲算力大于预设值的智能电能表；
分化模块1300用于对蚁群进行分化，得到分化后蚁群；
信息素计算模块1400用于根据分化后蚁群通过蚁群算法进行信息素计算，得到信息素矩阵；
路径寻优模块1500用于根据信息素矩阵进行路径寻优，得到最优路径及其他所有路径；
最终电力路径选取模块1600用于根据历史空闲算力计算最优路径的第一超负荷概率，当第一超负荷概率小于预设趋势线，则最优路径为最终电力路径。
本系统通过根据超负荷用电群和正常负荷用电群建立蚁群，其中，超负荷用电群为空闲算力小于预设值的智能电能表，正常负荷用电群为空闲算力大于预设值的智能电能表；通过算力来计算超负荷用电情况，对蚁群进行分化，得到分化后蚁群； 根据分化后蚁群通过蚁群算法进行信息素计算，得到信息素矩阵； 根据信息素矩阵进行路径寻优，得到最优路径及其他所有路径； 根据历史空闲算力计算最优路径的第一超负荷概率，当第一超负荷概率小于预设趋势线，则最优路径为最终电力路径，通过蚁群算法来选取最终电力路径，从而减少了用电成本。
需要注意的是，本系统实施例与上述的系统实施例是基于相同的发明构思，因此上述方法实施例的相关内容同样适用于本系统实施例，这里不再赘述。
本申请还提供一种电力选路电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现：如上述的电力选路方法。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述实施例的电力选路方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的电力选路方法，例如，执行以上描述的图1中的方法步骤S101至步骤S106。
本申请还提供一种计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于执行：如上述的电力选路方法。
该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的电力选路方法，例如，执行以上描述的图1中的方法步骤S101至步骤S106。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序单元或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序单元或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (5)
1.一种电力选路方法，其特征在于，所述电力选路方法包括：
获取每一个智能电能表的历史空闲算力和当前空闲算力，具体为：
获取每一个智能电能表的历史总算力，历史逻辑运算算力，历史并行计算算力和历史神经网络加速算力；
根据所述历史逻辑运算算力，所述历史并行计算算力和所述历史神经网络加速算力进行算力计算，得到历史算力需求，其中，所述历史并行计算算力和所述历史神经网络加速算力进行算力计算，得到历史算力需求的计算公式为：
，
其中，为算力需求，/>为计算芯片/>的映射函数，/>为计算芯片b的映射函数，/>为计算芯片c的映射函数，/>为预设的映射比例系数，/>为预设的映射比例系数，为预设的映射比例系数，/>为逻辑运算算力，/>为并行计算算力，为神经网络加速算力，n为计算芯片/>的总数，l为计算芯片b的总数，p为计算芯片c的总数；
根据所述历史总算力与所述历史算力需求进行空闲算力计算，得到所述历史空闲算力；
根据超负荷用电群和正常负荷用电群建立蚁群，其中，所述超负荷用电群为空闲算力小于预设值的智能电能表，所述正常负荷用电群为空闲算力大于预设值的智能电能表；
对所述蚁群进行分化，得到分化后蚁群，具体为：
将所述超负荷用电群分化成正向蚁群，将所述正常负荷用电群分化成负向蚁群；
根据所述分化后蚁群通过蚁群算法进行信息素计算，得到信息素矩阵；
根据所述信息素矩阵进行路径寻优，得到最优路径及其他所有路径；
根据所述历史空闲算力计算所述最优路径的第一超负荷概率，当所述第一超负荷概率小于预设趋势线，则所述最优路径为最终电力路径；
当所述最优路径的第一超负荷概率大于预设趋势线，则根据所述历史空闲算力计算第二优路径的第二超负荷概率；
当所述第二超负荷概率小于预设趋势线，则所述第二优路径为最终电力路径；
当所述第二超负荷概率大于预设趋势线，则根据所述历史空闲算力计算第三优路径的第三超负荷概率，依次类推，直至得到超负荷概率小于预设趋势线的最终电力路径；
根据所述历史空闲算力计算预设时间段的所有路径超负荷概率；
当所述预设时间段的所有路径超负荷概率大于预设范围，则根据所述预设时间段的所有路径超负荷概率更新所述预设趋势线；
当所述预设时间段的所有路径超负荷概率小于所述预设范围，则预设趋势线保持不变。
2.根据权利要求1所述的一种电力选路方法，其特征在于，所述根据所述分化后蚁群通过蚁群算法进行信息素计算，得到信息素矩阵的计算公式为：
，
其中，为第t代蚂蚁中第k只蚂蚁从城市i至城市j的概率，/>为信息素的重要程度，/>为启发因子的相对重要程度，/>为第t代蚂蚁中从城市i至城市j的信息素，/>为第t代蚂蚁中从城市i至城市j的启发因子，/>为蚂蚁k当前能够选择的城市，/>为城市i至城市j的距离，/>为m只蚂蚁对在城市i至城市j这条路径上留下的信息素总和，为第k只蚂蚁在城市i至城市j这条路径上留下的信息素，Q为第k只蚂蚁所拥有的信息素总和，/>为取值为0至1的信息素稀释程度，/>为第k只蚂蚁走过的路径总距离。
3.一种电力选路系统，其特征在于，所述电力选路系统包括：
数据获取模块，用于获取每一个智能电能表的历史空闲算力和当前空闲算力，具体为：
获取每一个智能电能表的历史总算力，历史逻辑运算算力，历史并行计算算力和历史神经网络加速算力；
根据所述历史逻辑运算算力，所述历史并行计算算力和所述历史神经网络加速算力进行算力计算，得到历史算力需求，其中，所述历史并行计算算力和所述历史神经网络加速算力进行算力计算，得到历史算力需求的计算公式为：
，
其中，为算力需求，/>为计算芯片/>的映射函数，/>为计算芯片b的映射函数，/>为计算芯片c的映射函数，/>为预设的映射比例系数，/>为预设的映射比例系数，为预设的映射比例系数，/>为逻辑运算算力，/>为并行计算算力，为神经网络加速算力，n为计算芯片/>的总数，l为计算芯片b的总数，p为计算芯片c的总数；
根据所述历史总算力与所述历史算力需求进行空闲算力计算，得到所述历史空闲算力；
蚁群建立模块，用于根据超负荷用电群和正常负荷用电群建立蚁群，其中，所述超负荷用电群为空闲算力小于预设值的智能电能表，所述正常负荷用电群为空闲算力大于预设值的智能电能表；
分化模块，用于对所述蚁群进行分化，得到分化后蚁群，具体为：
将所述超负荷用电群分化成正向蚁群，将所述正常负荷用电群分化成负向蚁群；
信息素计算模块，用于根据所述分化后蚁群通过蚁群算法进行信息素计算，得到信息素矩阵；
路径寻优模块，用于根据所述信息素矩阵进行路径寻优，得到最优路径及其他所有路径；
最终电力路径选取模块，用于根据所述历史空闲算力计算所述最优路径的第一超负荷概率，当所述第一超负荷概率小于预设趋势线，则所述最优路径为最终电力路径；
当所述最优路径的第一超负荷概率大于预设趋势线，则根据所述历史空闲算力计算第二优路径的第二超负荷概率；
当所述第二超负荷概率小于预设趋势线，则所述第二优路径为最终电力路径；
当所述第二超负荷概率大于预设趋势线，则根据所述历史空闲算力计算第三优路径的第三超负荷概率，依次类推，直至得到超负荷概率小于预设趋势线的最终电力路径；
根据所述历史空闲算力计算预设时间段的所有路径超负荷概率；
当所述预设时间段的所有路径超负荷概率大于预设范围，则根据所述预设时间段的所有路径超负荷概率更新所述预设趋势线；
当所述预设时间段的所有路径超负荷概率小于所述预设范围，则预设趋势线保持不变。
4.一种电力选路设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至2任一项所述的一种电力选路方法。
5.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至2任一项所述的一种电力选路方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311021255.1A CN116739202B (zh) | 2023-08-15 | 2023-08-15 | 一种电力选路方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311021255.1A CN116739202B (zh) | 2023-08-15 | 2023-08-15 | 一种电力选路方法、系统、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116739202A CN116739202A (zh) | 2023-09-12 |
| CN116739202B true CN116739202B (zh) | 2024-01-23 |
Family
ID=87917268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311021255.1A Active CN116739202B (zh) | 2023-08-15 | 2023-08-15 | 一种电力选路方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116739202B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116934530B (zh) * | 2023-09-18 | 2023-12-29 | 深圳华越南方电子技术有限公司 | 一种智能电表的数据处理方法和装置、设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732295A (zh) * | 2015-03-31 | 2015-06-24 | 国家电网公司 | 一种基于大数据技术的电力负荷预测模型 |
| CN108875898A (zh) * | 2018-06-29 | 2018-11-23 | 国网福建省电力有限公司漳州供电公司 | 基于萤火虫-蚁群算法的低压电力线载波动态路由方法 |
| CN111651253A (zh) * | 2020-05-28 | 2020-09-11 | 中国联合网络通信集团有限公司 | 算力资源的调度方法及装置 |
| CN212540527U (zh) * | 2020-05-29 | 2021-02-12 | 国网河南省电力公司南阳供电公司 | 电能计量系统 |
| CN115579870A (zh) * | 2022-10-12 | 2023-01-06 | 国网河南省电力公司濮阳供电公司 | 一种电网运行监测与源网荷储的资源最优配置控制方法 |
| CN115866066A (zh) * | 2022-11-22 | 2023-03-28 | 中国电信股份有限公司 | 数据发送方法及装置、非易失性存储介质、电子设备 |
| CN115860856A (zh) * | 2022-11-18 | 2023-03-28 | 中国电信股份有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
| CN116402318A (zh) * | 2023-06-07 | 2023-07-07 | 北京智芯微电子科技有限公司 | 面向配电网的多级算力资源分配方法、装置及网络架构 |
| CN116488254A (zh) * | 2023-04-14 | 2023-07-25 | 许昌许继软件技术有限公司 | 一种电力电子设备日前优化控制方法 |
-
2023
- 2023-08-15 CN CN202311021255.1A patent/CN116739202B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732295A (zh) * | 2015-03-31 | 2015-06-24 | 国家电网公司 | 一种基于大数据技术的电力负荷预测模型 |
| CN108875898A (zh) * | 2018-06-29 | 2018-11-23 | 国网福建省电力有限公司漳州供电公司 | 基于萤火虫-蚁群算法的低压电力线载波动态路由方法 |
| CN111651253A (zh) * | 2020-05-28 | 2020-09-11 | 中国联合网络通信集团有限公司 | 算力资源的调度方法及装置 |
| CN212540527U (zh) * | 2020-05-29 | 2021-02-12 | 国网河南省电力公司南阳供电公司 | 电能计量系统 |
| CN115579870A (zh) * | 2022-10-12 | 2023-01-06 | 国网河南省电力公司濮阳供电公司 | 一种电网运行监测与源网荷储的资源最优配置控制方法 |
| CN115860856A (zh) * | 2022-11-18 | 2023-03-28 | 中国电信股份有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
| CN115866066A (zh) * | 2022-11-22 | 2023-03-28 | 中国电信股份有限公司 | 数据发送方法及装置、非易失性存储介质、电子设备 |
| CN116488254A (zh) * | 2023-04-14 | 2023-07-25 | 许昌许继软件技术有限公司 | 一种电力电子设备日前优化控制方法 |
| CN116402318A (zh) * | 2023-06-07 | 2023-07-07 | 北京智芯微电子科技有限公司 | 面向配电网的多级算力资源分配方法、装置及网络架构 |
Non-Patent Citations (1)
| Title |
|---|
| 电力线载波数据传输系统路由算法的研究;赵一凡;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(第6期);第18-47页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116739202A (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116739202B (zh) | 一种电力选路方法、系统、设备及存储介质 | |
| US20190098377A1 (en) | Optimized smart meter reporting schedule | |
| CN111917113B (zh) | 一种电网负载余量计算系统和方法及充电桩接入配电方法 | |
| CN111711209B (zh) | 基于储能寿命和调频性能的光储充联合运行方法及系统 | |
| US20220337059A1 (en) | Methods and Systems for Controlling an Energy Exchange | |
| CN104298569A (zh) | 应用程序运行异常的检测方法、装置和移动终端 | |
| CN113326585B (zh) | 燃气锅炉的能效异常预警方法、装置和计算机设备 | |
| CN206370695U (zh) | 一种光伏电站 | |
| CN114200204B (zh) | 多相电能表及其计数方法、计算机可读存储介质 | |
| CN106600465A (zh) | 电费异常处理装置、系统和方法 | |
| JP6410775B2 (ja) | エネルギー管理装置、エネルギー管理方法、およびエネルギー管理システム | |
| Long et al. | Model predictive control for household energy management based on individual habit | |
| CN114576827B (zh) | 一种空调用电标准值确定方法、用电控制方法、装置和空调 | |
| CN113780717A (zh) | 基于网关的偷漏电行为分析方法、装置、智能网关和介质 | |
| KR20130111060A (ko) | 전력수요 조정신호에 반응하여 전력 사용을 제어하는 전기저장장치 및 그에 따른 동작방법 | |
| CN114928174B (zh) | 基于智能物联的光伏电站综合监控方法及系统 | |
| CN116894568B (zh) | 一种充电桩的碳排放综合管理预测方法及存储介质 | |
| CN116187825B (zh) | 安全用电检测方法及系统 | |
| JP6022977B2 (ja) | エネルギー管理装置、エネルギー管理方法、およびエネルギー管理システム | |
| US11715957B2 (en) | Power amount measurement system, power amount measurement method, and power amount measurement device | |
| CN117748545B (zh) | 一种电动汽车集群协同的电网一次调频方法及系统 | |
| CN114268097B (zh) | 用户侧能量管理系统接入对配电网影响的分析方法及系统 | |
| KR20120000018A (ko) | 네트워크 시스템 | |
| CN117310360A (zh) | 一种线损监测定位系统 | |
| CN117761549A (zh) | 剩余电量的确定方法和装置、存储介质及电子装置 |
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 |