CN116756681A - 一种基于云计算的电力调度方法及系统 - Google Patents
一种基于云计算的电力调度方法及系统 Download PDFInfo
- Publication number
- CN116756681A CN116756681A CN202310619217.XA CN202310619217A CN116756681A CN 116756681 A CN116756681 A CN 116756681A CN 202310619217 A CN202310619217 A CN 202310619217A CN 116756681 A CN116756681 A CN 116756681A
- Authority
- CN
- China
- Prior art keywords
- data
- power
- regional
- image
- audio
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 186
- 238000005457 optimization Methods 0.000 claims abstract description 96
- 238000000605 extraction Methods 0.000 claims abstract description 55
- 238000005192 partition Methods 0.000 claims abstract description 45
- 238000005516 engineering process Methods 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 71
- 238000004364 calculation method Methods 0.000 claims description 53
- 238000004422 calculation algorithm Methods 0.000 claims description 52
- 230000005611 electricity Effects 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 39
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 238000000926 separation method Methods 0.000 claims description 27
- 238000007637 random forest analysis Methods 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 230000009467 reduction Effects 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 16
- 238000013075 data extraction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 21
- 230000005236 sound signal Effects 0.000 description 17
- 230000008859 change Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005067 remediation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大数据技术领域,尤其涉及一种基于云计算的电力调度方法及系统。所述方法包括以下步骤:利用监控设备对电力检测区域进行区域电力视频数据采集,获取检测区域的初始区域电力视频数据;利用云平台对区域电力视频数据进行数据存储,生成云平台的区域电力视频数据;对区域电力视频图像数据进行图像及音频提取处理,分别生成区域图像数据与区域音频数据;对区域图像数据进行时间域亮度分区处理,生成时间域图像亮度分区数据;利用灰度共生矩阵技术对时间域图像亮度分区数据进行电力纹理图像特征提取处理,生成电力纹理图像特征数据。本发明通过对区域的电力的图像及音频进行分析,以实现电力调度的优化。
Description
技术领域
本发明涉及大数据技术领域,尤其涉及一种基于云计算的电力调度方法及系统。
背景技术
在电力调度中,如果没有很好的电力调度方法可能会造成电力资源无法很好的利用使得电力浪费,并且用电器也没有发挥到最大的作用。然而,传统的电力调度方法不能通过分析采集到的电力的图像及音频去优化电力调度方法,并且不能通过电力的纹理特征分析到最佳的用电数据,导致用电器的电力资源的浪费以及未发挥到最优作用。
发明内容
基于此,本发明提供一种基于云计算的电力调度方法及系统,以解决至少一个上述技术问题。
为实现上述目的,一种基于云计算的电力调度方法,包括以下步骤:
步骤S1:利用监控设备对电力检测区域进行区域电力视频数据采集,获取检测区域的初始区域电力视频数据;利用云平台对区域电力视频数据进行数据存储,生成云平台的区域电力视频数据;对区域电力视频图像数据进行图像及音频提取处理,分别生成区域图像数据与区域音频数据;
步骤S2:对区域图像数据进行时间域亮度分区处理,生成时间域图像亮度分区数据;利用灰度共生矩阵技术对时间域图像亮度分区数据进行电力纹理图像特征提取处理,生成电力纹理图像特征数据;利用卷积神经网络模型对电力纹理图像特征数据进行区域电力预测处理,生成区域电力图像预测数据;
步骤S3:利用快速傅里叶变换技术对区域音频数据进行频域数据转换处理,生成区域音频数据的频域数据,对频域数据进行音频相关电力预测处理,生成区域电力音频预测数据;
步骤S4:对区域电力图像预测数据以及区域音频图像预测数据进行区域用电优化计算处理,从而生成区域用电优化数据;
步骤S5:利用云计算技术对区域用电优化数据进行区域用电调度方案设计,生成区域用电调度信息。
本发明通过监控设备对电力检测区域进行视频数据采集,可以实时获取电力系统的运行状态和变化情况,这有助于及时了解电力系统的负载情况、供电能力等重要信息;利用云平台对区域电力视频数据进行数据存储,可以实现数据的集中管理和高效存储,云平台提供了可靠的存储系统,可以保障数据的安全性和可用性;对区域电力视频图像数据进行图像提取处理,可以从视频中提取出图像数据,包括电力系统的拓扑结构、设备状态等,同时,对视频数据进行音频提取处理,可以获取音频数据,这些图像和音频数据提供了更全面的电力系统信息。对区域图像数据进行时间域亮度分区处理,可以将图像划分为不同的亮度区域,从而更好地捕捉电力系统中的亮度变化,这有助于提取电力系统的时间域特征,并为后续的电力纹理图像特征提取提供基础;利用灰度共生矩阵技术对时间域图像亮度分区数据进行处理,提取电力纹理图像的特征,电力纹理图像特征反映了电力系统中不同区域的纹理变化和复杂性,可用于表征电力系统的状态和特性;通过卷积神经网络模型对电力纹理图像特征数据进行训练和学习,建立区域电力预测模型,该模型可以根据电力纹理图像特征数据预测未来的电力需求或负载情况,从而为电力调度提供预测依据。通过应用快速傅里叶变换技术对区域音频数据进行频域数据转换处理,将音频信号从时域转换为频域,这样做可以提取音频数据的频域特征,揭示电力系统中的频率成分和振幅变化;对频域数据进行音频相关电力预测处理,可以基于音频信号的特征和模式,预测未来的电力需求或负载情况,通过分析音频数据中的频率、振幅和相位等信息,可以得出电力系统的相关特征,为电力调度提供预测参考。通过对区域电力图像预测数据和区域音频图像预测数据进行计算和分析,可以进行区域用电优化计算,该计算过程基于预测数据,考虑了电力系统的需求、供应和约束等因素,通过区域用电优化计算,确定更合理和高效的电力分配方案,以实现能源的有效利用和节约,优化计算可以帮助降低电力浪费,提高能源效率,减少对环境的不良影响,以优化电力的分配和利用方式。利用云计算技术对区域用电优化数据进行处理和分析,可以实现大规模数据的存储、处理和计算,调度方案考虑了电力系统的需求、供应、约束和优化目标等因素,以合理分配和调整电力资源的使用,以满足电力需求并实现系统的高效运行,云计算提供了强大的计算能力和存储资源,能够高效地处理复杂的用电优化数据,并支持快速生成区域用电调度方案。因此,本发明的基于云计算的电力调度方法能够通过分析采集到的电力的图像及音频去优化电力调度方法,可以通过电力的纹理特征分析到最佳的用电数据,并且通过云计算使得预测的最佳用电数据调整为最佳的用电调度方案,使得用电器发挥到最优作用以及节约了用电资源。
优选地,步骤S1包括以下步骤:
步骤S11:利用监控设备对电力检测区域进行区域电力视频数据采集,获取检测区域的初始区域电力视频数据;
步骤S12:利用云平台对区域电力视频数据进行数据存储,生成云平台的区域电力视频数据;
步骤S13:利用帧间差分法对区域电力视频数据进行视频数据降噪处理,生成降噪区域电力视频数据;
步骤S14:对降噪区域电力视频数据进行时间戳提取处理,生成区域电力视频数据的视频时间戳数据;
步骤S15:根据视频时间戳数据对区域电力视频数据进行图像以及音频数据提取处理,生成区域图像数据与区域音频数据。
本发明通过监控设备对电力检测区域进行视频数据采集,可以实时获取电力系统的运行状态和变化情况,这有助于及时了解电力系统的负载情况、供电能力等重要信息。利用云平台对区域电力视频数据进行数据存储,可以实现数据的集中管理和高效存储,云平台提供了可靠的存储系统,可以保障数据的安全性和可用性。利用帧间差分法对区域电力视频数据进行视频数据降噪处理,帧间差分法可以降低视频数据中的噪声和冗余信息,提高电力视频数据的质量和准确性。对降噪区域电力视频数据进行时间戳提取处理,提取视频时间戳数据可以对电力视频数据进行准确的时间标记,方便后续数据分析和处理。根据视频时间戳数据对区域电力视频数据进行图像以及音频数据提取处理,根据视频时间戳数据,可以从电力视频数据中提取出图像和音频数据,为后续的数据分析和处理提供基础。
优选地,步骤S2包括以下步骤:
步骤S21:利用加权平均法对时间分布区域图像数据进行图像灰度值转换处理,生成时间分布区域图像数据的灰度图像数据;
步骤S22:利用直方图均衡化对灰度图像数据进行图像亮度数据归一化处理,生成归一化亮度图像数据;
步骤S23:对归一化亮度图像数据进行时间域亮度分区处理,生成时间域图像亮度分区数据;
步骤S24:利用灰度共生矩阵技术对时间域图像亮度分区数据进行电力纹理图像特征提取处理,生成电力纹理图像特征数据;
步骤S25:利用卷积神经网络算法对电力纹理图像特征数据进行区域电力预测处理,生成区域电力图像预测数据。
本发明利用加权平均法对时间分布区域图像数据进行图像灰度值转换处理,加权平均法可以对图像的灰度值进行转换,调整图像的亮度分布,提高图像的可视化效果。利用直方图均衡化对灰度图像数据进行图像亮度数据归一化处理,直方图均衡化可以调整图像的亮度分布,使得图像的亮度范围更加均衡,提高图像的视觉效果和质量。对归一化亮度图像数据进行时间域亮度分区处理,将归一化亮度图像数据按时间域进行分区,可以获取不同时间段内图像的亮度分布情况,为后续的纹理特征提取提供更详细的数据。利用灰度共生矩阵技术对时间域图像亮度分区数据进行电力纹理图像特征提取处理,利用灰度共生矩阵技术可以提取图像的纹理特征,包括对比度、能量、熵等指标,用于描述图像中的电力纹理信息。利用卷积神经网络算法对电力纹理图像特征数据进行区域电力预测处理,利用卷积神经网络可以对电力纹理图像特征数据进行学习和预测,从而实现对区域电力的预测,为后续的电力调度和优化提供预测结果。
优选地,步骤S25包括以下步骤:
步骤S251:基于卷积神经网络算法进行电力纹理特征与电力大小的映射关系,生成电力纹理特征模型框架;
步骤S252:将电力纹理图像特征数据进行数据划分处理,分别生成训练集电力纹理图像特征数据以及测试集电力纹理图像特征数据;
步骤S253:利用训练集电力纹理图像特征数据对电力纹理特征模型框架进行模型训练处理,以生成电力纹理特征模型;
步骤S254:利用电力纹理特征模型对测试集电力纹理图像特征数据进行图像相关电力预测处理,生成区域电力图像预测数据。
本发明基于卷积神经网络算法进行电力纹理特征与电力大小的映射关系,通过卷积神经网络算法,建立电力纹理特征与电力大小之间的映射关系,用于模型的训练和预测。将电力纹理图像特征数据进行数据划分处理,将电力纹理图像特征数据划分为训练集和测试集,用于模型的训练和评估。利用训练集电力纹理图像特征数据对电力纹理特征模型框架进行模型训练处理,利用训练集数据对电力纹理特征模型框架进行训练,优化模型参数,使其能够准确地学习电力纹理特征与电力大小之间的关系。利用电力纹理特征模型对测试集电力纹理图像特征数据进行图像相关电力预测处理,利用训练好的电力纹理特征模型,对测试集电力纹理图像特征数据进行预测,得到区域电力的预测结果。
优选地,步骤S3包括以下步骤:
步骤S31:利用快速傅里叶变换技术将区域音频数据进行频域数据转换,生成区域音频数据的频域数据;
步骤S32:利用频率滤波器对频域数据进行迭代频域分离度增强处理,生成优化分离度频域数据;
步骤S33:利用频域特征提取技术对优化分离度频域数据进行频域特征提取处理,生成频域特征数据;
步骤S34:利用随机森林算法对频域特征数据进行音频相关电力预测处理,生成区域电力音频预测数据。
本发明利用快速傅里叶变换技术将区域音频数据进行频域数据转换,通过快速傅里叶变换将时域的音频数据转换为频域表示,以获得音频信号在不同频率上的能量分布情况。利用频率滤波器对频域数据进行迭代频域分离度增强处理,通过应用频率滤波器对频域数据进行处理,增强不同频率成分之间的分离度,使得不同频率的能量更加明确和可辨识。利用频域特征提取技术对优化分离度频域数据进行频域特征提取处理,应用频域特征提取技术,提取优化分离度频域数据中的关键特征,如频谱形状、频率成分、能量分布等,以描述音频信号在频域上的特征。利用随机森林算法对频域特征数据进行音频相关电力预测处理,利用随机森林算法将频域特征数据作为输入,进行音频相关的电力预测,通过学习频域特征与电力之间的关系,得出区域电力的预测结果。
优选地,步骤S34包括以下步骤:
步骤S341:基于随机森林算法进行电力音频频域与电力大小的映射关系,生成电力音频频域模型框架;
步骤S342:将频域特征数据进行数据划分处理,分别生成训练集频域特征数据以及测试集频域特征数据;
步骤S343:利用训练集频域特征数据对电力音频频域模型框架进行模型训练处理,以生成电力音频频域模型;
步骤S344:利用电力音频频域模型对测试集频域特征数据进行音频相关电力预测处理,生成区域电力音频预测数据。
本发明基于随机森林算法进行电力音频频域与电力大小的映射关系,利用随机森林算法构建电力音频频域模型框架,通过学习频域特征与电力大小之间的关系,建立一个预测模型。将频域特征数据进行数据划分处理,将频域特征数据划分为训练集和测试集,用于模型的训练和评估。训练集用于训练模型,测试集用于评估模型的性能。利用训练集频域特征数据对电力音频频域模型框架进行模型训练处理,使用训练集的频域特征数据作为输入,对电力音频频域模型进行训练。通过训练模型,使其能够准确地预测频域特征与电力大小之间的关系。利用电力音频频域模型对测试集频域特征数据进行音频相关电力预测处理,利用已训练好的电力音频频域模型,对测试集的频域特征数据进行预测,得到区域电力的预测结果,这样可以根据音频信号的频域特征,推测出对应的电力需求。
优选地,步骤S4包括以下步骤:
步骤S41:利用区域电力加权平均公式对区域电力图像预测数据以及区域音频图像预测数据进行图像及音频相关权重值计算处理,分别生成电力图像预测权重数据以及电力音频预测权重数据;
步骤S42:利用区域用电优化计算公式对电力图像预测权重数据以及电力音频预测权重数据进行加权平均用电计算,从而生成区域用电优化数据。
本发明利用区域电力加权平均公式对区域电力图像预测数据以及区域音频图像预测数据进行图像及音频相关权重值计算处理,通过区域电力加权平均公式,结合电力图像预测数据和电力音频预测数据,计算图像和音频在区域用电中的权重,这样可以根据图像和音频的重要性,为每个数据提供相应的权重值。利用区域用电优化计算公式对电力图像预测权重数据以及电力音频预测权重数据进行加权平均用电计算,利用区域用电优化计算公式,将电力图像预测权重数据和电力音频预测权重数据进行加权平均计算,通过考虑图像和音频的权重,得到一个综合的区域用电优化数据,该数据可以指导用电调度决策,实现用电的优化分配。
优选地,步骤S41中的区域电力加权平均公式如下所示:
式中,W表示为预测权重数据,p表示为区域电力图像预测数据,f表示为区域音频图像预测数据,θ表示为根据历史用电数据生成的权重信息,t表示为用电涉及的时间长度,k表示为根据区域电力图像预测数据及区域音频图像预测数据生成的常数调整值,n表示为历史用电权重平均调整值,τ表示为预测权重数据的异常调整值。
本发明利用区域电力加权平均公式,该公式充分考虑了区域电力图像预测数据p、区域音频图像预测数据f、根据历史用电数据生成的权重信息θ、用电涉及的时间长度t、根据区域电力图像预测数据及区域音频图像预测数据生成的常数调整值k、历史用电权重平均调整值以及函数之间的相互作用关系n,以形成函数关系该数学公式中,当利用区域电力图像预测数据进行计算式得出的是电力图像预测权重数据,当利用区域音频图像预测数据进行计算式得出的是电力音频预测权重数据,通过用电涉及的时间长度以及各权重信息与调整值,综合考虑多个数据源的信息。这种综合性的方法有助于消除单一数据源的局限性,提高预测权重数据的准确性和可靠性,通过函数作用关系,以更全面、精确地捕捉区域电力图像预测数据或区域电力音频预测数据与电力数据之间的关系和特征,利用用电涉及的时间长度反映了电力需求在不同时间段的变化特征,更好地预测未来电力需求的波动情况,为电力调度和优化提供更准确的参考,提高电力调度的智能化水平,优化用电方案的效率和可持续性,通过对历史用电数据进行平均调整,可以降低突发异常数据对预测权重的影响,以提高预测权重数据的稳定性和准确性,使其更符合实际情况。利用预测权重数据的异常调整值τ,对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地预测权重数据W,提高了对区域电力图像预测数据以及区域音频图像预测数据进行图像及音频相关权重值计算处理的准确性和可靠性。同时该公式中的调整值以及权重信息可以根据实际情况进行调整,应用于不同的用电器的用电数据,提高了算法的灵活性于适用性。
优选地,步骤S42中的区域用电优化计算公式如下所示:
式中,U表示为区域用电优化数据,α表示为区域电力图像预测数据的系数,β表示为区域音频图像预测数据的系数,p表示为区域电力图像预测数据,f表示为区域音频图像预测数据,w1表示为电力图像预测权重数据,w2表示为电力音频预测权重数据,δ表示为历史电力数据的误差调整项,m表示为用电误差优化调整项,μ表示为区域用电优化数据的异常调整值。
本发明利用区域用电优化计算公式,该公式充分考虑了区域电力图像预测数据的系数α、区域音频图像预测数据的系数β、区域电力图像预测数据p、区域音频图像预测数据f、电力图像预测权重数据w1、电力音频预测权重数据w2、历史电力数据的误差调整项用电误差优化调整项δ、用电误差优化调整项m以及函数之间的相互作用关系,以形成函数关系该优化方法通过将区域电力图像预测数据和区域音频图像预测数据结合起来,综合考虑了不同数据源的信息,通过各自数据的系数,可以灵活权衡两种数据源在优化过程中的贡献度,这种多源数据融合与权衡能够充分利用不同数据源的优势,提高优化结果的准确性和鲁棒性;优化计算公式中的电力图像预测权重数据以及电力音频预测权重数据采用指数运算,具有自适应调整的能力,根据上述步骤配比得到合理的权重数据,可以更好地适应数据的变化和重要性,这种自适应权重调整能够根据数据的特点和重要程度,自动调节权重的大小,从而提高优化结果的灵活性和适应性,以此确定不同用电器中所需的用电数据的具体情况。利用区域用电优化数据的异常调整值μ,对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而区域用电优化数据U,提高了对电力图像预测权重数据以及电力音频预测权重数据进行加权平均用电计算的准确性和可靠性。同时该公式中的调整值以及误差调整项可以根据实际情况进行调整,应用于不同的用电器的用电数据,提高了算法的灵活性于适用性。
在本说明书中,提供了一种基于云计算的电力调度方法系统,包括:
至少一个处理器;
与所述至少一个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处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的基于云计算的电力调度方法。
本申请有益效果在于,本发明利用监控设备对电力检测区域进行电力视频数据采集,并进行数据存储、降噪处理和时间戳提取,最终生成区域图像数据和区域音频数据,有助于获取准确的区域图像和音频信息,为后续的处理提供可靠的数据基础。根据图像处理和卷积神经网络算法,对区域图像数据进行灰度值转换、亮度归一化、纹理特征提取和电力预测处理,生成区域电力图像预测数据,有助于从图像中提取电力相关的特征信息,并通过卷积神经网络进行电力预测,提供对区域电力状况的预测结果。根据频域处理和随机森林算法,对区域音频数据进行频域转换、分离度增强、特征提取和音频预测处理,生成区域电力音频预测数据,有助于从音频数据中提取电力相关的特征信息,并通过随机森林算法进行电力预测,提供对区域电力状况的预测结果。通过区域电力加权平均和区域用电优化计算,对电力图像预测权重数据和电力音频预测权重数据进行加权平均用电计算,生成区域用电优化数据,有助于综合考虑图像和音频的权重,进行用电的优化分配,提供区域用电调度方案的设计依据。利用云计算技术对区域用电优化数据进行处理和分析,可以实现大规模数据的存储、处理和计算,调度方案考虑了电力系统的需求、供应、约束和优化目标等因素,以合理分配和调整电力资源的使用,以满足电力需求并实现系统的高效运行,云计算提供了强大的计算能力和存储资源,能够高效地处理复杂的用电优化数据,并支持快速生成区域用电调度方案。通过本发明的云计算电力调度方法提高电力预测的准确性和精度,为电力调度和优化提供可靠的数据支持,促进区域用电的有效管理和调控。此外,还通过云计算技术对优化数据进行调度方案设计,进一步提升用电的效率和可持续性。
附图说明
图1为本发明一种河道水环境整治与水生态修复方法的步骤流程示意图;
图2为图1中步骤S1的详细实施步骤流程示意图;
图3为图1中步骤S2的详细实施步骤流程示意图;
图4为图3中步骤S25的详细实施步骤流程示意图;
图5为图1中步骤S3的详细实施步骤流程示意图;
图6为图5中步骤S34的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
本申请实施例提供一种基于云计算的电力调度方法及系统,所述电力检测区域包括但不限于:A地市区发电站、B地市区交通用电设备等至少一种。
为实现上述目的,请参阅图1至图6,一种基于云计算的电力调度方法,包括以下步骤:
步骤S1:利用监控设备对电力检测区域进行区域电力视频数据采集,获取检测区域的初始区域电力视频数据;利用云平台对区域电力视频数据进行数据存储,生成云平台的区域电力视频数据;对区域电力视频图像数据进行图像及音频提取处理,分别生成区域图像数据与区域音频数据;
步骤S2:对区域图像数据进行时间域亮度分区处理,生成时间域图像亮度分区数据;利用灰度共生矩阵技术对时间域图像亮度分区数据进行电力纹理图像特征提取处理,生成电力纹理图像特征数据;利用卷积神经网络模型对电力纹理图像特征数据进行区域电力预测处理,生成区域电力图像预测数据;
步骤S3:利用快速傅里叶变换技术对区域音频数据进行频域数据转换处理,生成区域音频数据的频域数据,对频域数据进行音频相关电力预测处理,生成区域电力音频预测数据;
步骤S4:对区域电力图像预测数据以及区域音频图像预测数据进行区域用电优化计算处理,从而生成区域用电优化数据;
步骤S5:利用云计算技术对区域用电优化数据进行区域用电调度方案设计,生成区域用电调度信息。
本发明通过监控设备对电力检测区域进行视频数据采集,可以实时获取电力系统的运行状态和变化情况,这有助于及时了解电力系统的负载情况、供电能力等重要信息;利用云平台对区域电力视频数据进行数据存储,可以实现数据的集中管理和高效存储,云平台提供了可靠的存储系统,可以保障数据的安全性和可用性;对区域电力视频图像数据进行图像提取处理,可以从视频中提取出图像数据,包括电力系统的拓扑结构、设备状态等,同时,对视频数据进行音频提取处理,可以获取音频数据,这些图像和音频数据提供了更全面的电力系统信息。对区域图像数据进行时间域亮度分区处理,可以将图像划分为不同的亮度区域,从而更好地捕捉电力系统中的亮度变化,这有助于提取电力系统的时间域特征,并为后续的电力纹理图像特征提取提供基础;利用灰度共生矩阵技术对时间域图像亮度分区数据进行处理,提取电力纹理图像的特征,电力纹理图像特征反映了电力系统中不同区域的纹理变化和复杂性,可用于表征电力系统的状态和特性;通过卷积神经网络模型对电力纹理图像特征数据进行训练和学习,建立区域电力预测模型,该模型可以根据电力纹理图像特征数据预测未来的电力需求或负载情况,从而为电力调度提供预测依据。通过应用快速傅里叶变换技术对区域音频数据进行频域数据转换处理,将音频信号从时域转换为频域,这样做可以提取音频数据的频域特征,揭示电力系统中的频率成分和振幅变化;对频域数据进行音频相关电力预测处理,可以基于音频信号的特征和模式,预测未来的电力需求或负载情况,通过分析音频数据中的频率、振幅和相位等信息,可以得出电力系统的相关特征,为电力调度提供预测参考。通过对区域电力图像预测数据和区域音频图像预测数据进行计算和分析,可以进行区域用电优化计算,该计算过程基于预测数据,考虑了电力系统的需求、供应和约束等因素,通过区域用电优化计算,确定更合理和高效的电力分配方案,以实现能源的有效利用和节约,优化计算可以帮助降低电力浪费,提高能源效率,减少对环境的不良影响,以优化电力的分配和利用方式。利用云计算技术对区域用电优化数据进行处理和分析,可以实现大规模数据的存储、处理和计算,调度方案考虑了电力系统的需求、供应、约束和优化目标等因素,以合理分配和调整电力资源的使用,以满足电力需求并实现系统的高效运行,云计算提供了强大的计算能力和存储资源,能够高效地处理复杂的用电优化数据,并支持快速生成区域用电调度方案。因此,本发明的基于云计算的电力调度方法能够通过分析采集到的电力的图像及音频去优化电力调度方法,可以通过电力的纹理特征分析到最佳的用电数据,并且通过云计算使得预测的最佳用电数据调整为最佳的用电调度方案,使得用电器发挥到最优作用以及节约了用电资源。
本发明实施例中,参考图1所述,为本发明一种基于云计算的电力调度方法的步骤流程示意图,在本实施例中,所述基于云计算的电力调度方法包括以下步骤:
步骤S1:利用监控设备对电力检测区域进行区域电力视频数据采集,获取检测区域的初始区域电力视频数据;利用云平台对区域电力视频数据进行数据存储,生成云平台的区域电力视频数据;对区域电力视频图像数据进行图像及音频提取处理,分别生成区域图像数据与区域音频数据;
本发明实施例中,为了进行区域电力监测,首先安装监控设备,包括摄像头和音频采集设备,以便对电力检测区域进行实时数据采集,这些监控设备可以捕捉到电力检测区域的视频和音频信号。采集到的区域电力视频数据随后被传输到云平台进行存储,通过利用云平台的存储功能,可以方便地保存和管理大量的区域电力视频数据,确保数据的安全性和可靠性。在存储完毕后,对区域电力视频图像数据进行处理,以提取出有用的图像信息,通过图像处理算法,可以提取出区域图像数据,其中包括电力设备的位置、状态和其他关键特征,同时,也对区域电力视频数据进行音频提取处理,以获取区域音频数据,这些音频数据可以包含电力设备的声音信号、环境噪音等信息。
步骤S2:对区域图像数据进行时间域亮度分区处理,生成时间域图像亮度分区数据;利用灰度共生矩阵技术对时间域图像亮度分区数据进行电力纹理图像特征提取处理,生成电力纹理图像特征数据;利用卷积神经网络模型对电力纹理图像特征数据进行区域电力预测处理,生成区域电力图像预测数据;
本发明实施例中,对区域图像数据进行时间域亮度分区处理,将图像分成多个亮度分区,以捕捉不同时间段的亮度变化,这样可以提取出时间域图像亮度分区数据,将图像分割成具有不同亮度特征的小块。利用灰度共生矩阵技术对时间域图像亮度分区数据进行处理,通过计算每个亮度分区中像素值的统计特征,例如像素间的对比度、能量、熵等,生成电力纹理图像特征数据,这些特征数据能够描述图像中的纹理信息,反映出电力图像的纹理特征。使用卷积神经网络模型对电力纹理图像特征数据进行区域电力预测处理,通过训练一个卷积神经网络模型,将电力纹理图像特征数据作为输入,预测出相应的区域电力值,这样可以生成区域电力图像预测数据,即对未来电力状态的预测结果。
步骤S3:利用快速傅里叶变换技术对区域音频数据进行频域数据转换处理,生成区域音频数据的频域数据,对频域数据进行音频相关电力预测处理,生成区域电力音频预测数据;
本发明实施例中,利用快速傅里叶变换技术对区域音频数据进行处理。通过对音频信号进行频域转换,将时域的音频数据转换为频域数据,这样可以分析音频信号在不同频率上的能量分布和频谱特征。利用频域数据进行音频相关电力预测处理,通过分析频域数据的特征,例如频谱形状、频率成分等,结合历史电力数据进行预测分析,生成区域电力音频预测数据,即对未来电力状态的预测结果。
步骤S4:对区域电力图像预测数据以及区域音频图像预测数据进行区域用电优化计算处理,从而生成区域用电优化数据;
本发明实施例中,对区域电力图像预测数据和区域音频图像预测数据的优化计算处理,综合考虑了电力图像和音频图像的特征以及它们与电力分布之间的关联,根据区域电力图像预测数据的亮度变化程度或用电器过热导致的图像变化等信息以及区域电力音频预测数据的根据用电变化产生的音频信息进行计算,以此计算如何最优利用电力调度,得到区域用电优化数据。
步骤S5:利用云计算技术对区域用电优化数据进行区域用电调度方案设计,生成区域用电调度信息。
本发明实施例中,利用区域电力图像预测数据和区域音频预测数据,结合历史用电数据可以得到一系列用电优化数据,这些数据包含了电力需求、优化权重等信息,利用云计算技术的高性能计算资源和算法模型对这些用电优化数据进行处理和分析,通过优化算法和调度策略,可以在满足电力供需平衡的前提下,最大限度地降低能耗成本、提高能源利用效率,进行区域用电调度方案设计时,考虑了多个因素,例如电力需求的峰谷差异、设备运行效率、能源供应稳定性等,通过模拟计算和优化算法的迭代,得到了最优的区域用电调度方案。
优选地,步骤S1包括以下步骤:
步骤S11:利用监控设备对电力检测区域进行区域电力视频数据采集,获取检测区域的初始区域电力视频数据;
步骤S12:利用云平台对区域电力视频数据进行数据存储,生成云平台的区域电力视频数据;
步骤S13:利用帧间差分法对区域电力视频数据进行视频数据降噪处理,生成降噪区域电力视频数据;
步骤S14:对降噪区域电力视频数据进行时间戳提取处理,生成区域电力视频数据的视频时间戳数据;
步骤S15:根据视频时间戳数据对区域电力视频数据进行图像以及音频数据提取处理,生成区域图像数据与区域音频数据。
本发明通过监控设备对电力检测区域进行视频数据采集,可以实时获取电力系统的运行状态和变化情况,这有助于及时了解电力系统的负载情况、供电能力等重要信息。利用云平台对区域电力视频数据进行数据存储,可以实现数据的集中管理和高效存储,云平台提供了可靠的存储系统,可以保障数据的安全性和可用性。利用帧间差分法对区域电力视频数据进行视频数据降噪处理,帧间差分法可以降低视频数据中的噪声和冗余信息,提高电力视频数据的质量和准确性。对降噪区域电力视频数据进行时间戳提取处理,提取视频时间戳数据可以对电力视频数据进行准确的时间标记,方便后续数据分析和处理。根据视频时间戳数据对区域电力视频数据进行图像以及音频数据提取处理,根据视频时间戳数据,可以从电力视频数据中提取出图像和音频数据,为后续的数据分析和处理提供基础。
作为本发明的一个实例,参考图2所示,为图1中步骤S1的详细实施步骤流程示意图,在本实例中所述步骤S1包括:
步骤S11:利用监控设备对电力检测区域进行区域电力视频数据采集,获取检测区域的初始区域电力视频数据;
本发明实施例中,为了进行区域电力监测,首先安装监控设备,包括摄像头和音频采集设备,以便对电力检测区域进行实时数据采集,这些监控设备可以捕捉到电力检测区域的视频和音频信号。
步骤S12:利用云平台对区域电力视频数据进行数据存储,生成云平台的区域电力视频数据;
本发明实施例中,采集到的区域电力视频数据随后被传输到云平台进行存储,通过利用云平台的存储功能,可以方便地保存和管理大量的区域电力视频数据,确保数据的安全性和可靠性。
步骤S13:利用帧间差分法对区域电力视频数据进行视频数据降噪处理,生成降噪区域电力视频数据;
本发明实施例中,使用帧间差分法对区域电力视频数据进行视频数据降噪处理,该方法通过比较相邻帧之间的差异并应用适当的降噪算法和滤波技术来消除噪声和冗余信息,从而生成了降噪区域电力视频数据。
步骤S14:对降噪区域电力视频数据进行时间戳提取处理,生成区域电力视频数据的视频时间戳数据;
本发明实施例中,对降噪区域电力视频数据进行时间戳提取处理,生成区域电力视频数据的视频时间戳数据。假设我们有一段降噪后的电力视频数据,其中包含了多个连续的帧,例如,降噪区域电力视频数据包含了10个连续的帧,该视频的帧率为30帧/秒,即每秒播放30帧。基于这个信息计算出每个帧的时间戳,第一个帧的时间戳为0秒,第二个帧的时间戳为0.033秒(1/30秒),第三个帧的时间戳为0.067秒(2/30秒),以此类推,直到第十个帧的时间戳为0.333秒(10/30秒),得到每个帧的时间戳,这些时间戳表示了该帧在视频序列中的时间位置,这些时间戳数据将成为后续数据处理和分析的重要参考。
步骤S15:根据视频时间戳数据对区域电力视频数据进行图像以及音频数据提取处理,生成区域图像数据与区域音频数据。
本发明实施例中,根据视频时间戳数据对区域电力视频数据进行图像以及音频数据提取处理,生成区域图像数据与区域音频数据,假设选择第五个帧进行图像数据提取,并已知每个帧的分辨率为1920x1080像素,将解码该帧并获得一张1920x1080像素的电力图像;在音频数据提取方面,根据时间戳范围在0.1秒到0.2秒之间的音频数据进行提取,从降噪区域电力视频数据中,我们提取该时间段内的音频信号。
优选地,步骤S2包括以下步骤:
步骤S21:利用加权平均法对时间分布区域图像数据进行图像灰度值转换处理,生成时间分布区域图像数据的灰度图像数据;
步骤S22:利用直方图均衡化对灰度图像数据进行图像亮度数据归一化处理,生成归一化亮度图像数据;
步骤S23:对归一化亮度图像数据进行时间域亮度分区处理,生成时间域图像亮度分区数据;
步骤S24:利用灰度共生矩阵技术对时间域图像亮度分区数据进行电力纹理图像特征提取处理,生成电力纹理图像特征数据;
步骤S25:利用卷积神经网络算法对电力纹理图像特征数据进行区域电力预测处理,生成区域电力图像预测数据。
本发明利用加权平均法对时间分布区域图像数据进行图像灰度值转换处理,加权平均法可以对图像的灰度值进行转换,调整图像的亮度分布,提高图像的可视化效果。利用直方图均衡化对灰度图像数据进行图像亮度数据归一化处理,直方图均衡化可以调整图像的亮度分布,使得图像的亮度范围更加均衡,提高图像的视觉效果和质量。对归一化亮度图像数据进行时间域亮度分区处理,将归一化亮度图像数据按时间域进行分区,可以获取不同时间段内图像的亮度分布情况,为后续的纹理特征提取提供更详细的数据。利用灰度共生矩阵技术对时间域图像亮度分区数据进行电力纹理图像特征提取处理,利用灰度共生矩阵技术可以提取图像的纹理特征,包括对比度、能量、熵等指标,用于描述图像中的电力纹理信息。利用卷积神经网络算法对电力纹理图像特征数据进行区域电力预测处理,利用卷积神经网络可以对电力纹理图像特征数据进行学习和预测,从而实现对区域电力的预测,为后续的电力调度和优化提供预测结果。
作为本发明的一个实例,参考图3所示,为图1中步骤S2的详细实施步骤流程示意图,在本实例中所述步骤S2包括:
步骤S21:利用加权平均法对时间分布区域图像数据进行图像灰度值转换处理,生成时间分布区域图像数据的灰度图像数据;
本发明实施例中,利用加权平均法对时间分布区域图像数据进行图像灰度值转换处理,假设有一系列时间分布的图像数据,每个图像的像素范围为0到255,可以根据像素值的权重进行加权平均,生成对应的灰度图像数据。
步骤S22:利用直方图均衡化对灰度图像数据进行图像亮度数据归一化处理,生成归一化亮度图像数据;
本发明实施例中,利用直方图均衡化对灰度图像数据进行图像亮度数据归一化处理,将灰度图像数据的像素值分布进行调整,使得亮度更加均匀。这样可以增强图像的对比度和细节。
步骤S23:对归一化亮度图像数据进行时间域亮度分区处理,生成时间域图像亮度分区数据;
本发明实施例中,对归一化亮度图像数据进行时间域亮度分区处理,将图像分成多个时间域的亮度分区,以捕捉不同时间段的亮度变化情况。例如,将图像划分为上下左右四个分区,每个分区代表图像的一个时间段。
步骤S24:利用灰度共生矩阵技术对时间域图像亮度分区数据进行电力纹理图像特征提取处理,生成电力纹理图像特征数据;
本发明实施例中,利用灰度共生矩阵技术对时间域图像亮度分区数据进行电力纹理图像特征提取处理,计算每个亮度分区中像素间的灰度共生矩阵,并从中提取纹理特征,如对比度、能量、熵等特征信息,这些特征可以反映图像的纹理信息。
步骤S25:利用卷积神经网络算法对电力纹理图像特征数据进行区域电力预测处理,生成区域电力图像预测数据。
本发明实施例中,利用卷积神经网络算法对电力纹理图像特征数据进行区域电力预测处理,将电力纹理图像特征数据作为输入,通过卷积神经网络模型进行训练和预测,从而生成区域电力图像预测数据。
优选地,步骤S25包括以下步骤:
步骤S251:基于卷积神经网络算法进行电力纹理特征与电力大小的映射关系,生成电力纹理特征模型框架;
步骤S252:将电力纹理图像特征数据进行数据划分处理,分别生成训练集电力纹理图像特征数据以及测试集电力纹理图像特征数据;
步骤S253:利用训练集电力纹理图像特征数据对电力纹理特征模型框架进行模型训练处理,以生成电力纹理特征模型;
步骤S254:利用电力纹理特征模型对测试集电力纹理图像特征数据进行图像相关电力预测处理,生成区域电力图像预测数据。
本发明基于卷积神经网络算法进行电力纹理特征与电力大小的映射关系,通过卷积神经网络算法,建立电力纹理特征与电力大小之间的映射关系,用于模型的训练和预测。将电力纹理图像特征数据进行数据划分处理,将电力纹理图像特征数据划分为训练集和测试集,用于模型的训练和评估。利用训练集电力纹理图像特征数据对电力纹理特征模型框架进行模型训练处理,利用训练集数据对电力纹理特征模型框架进行训练,优化模型参数,使其能够准确地学习电力纹理特征与电力大小之间的关系。利用电力纹理特征模型对测试集电力纹理图像特征数据进行图像相关电力预测处理,利用训练好的电力纹理特征模型,对测试集电力纹理图像特征数据进行预测,得到区域电力的预测结果。
作为本发明的一个实例,参考图4所示,为图3中步骤S25的详细实施步骤流程示意图,在本实例中所述步骤S25包括:
步骤S251:基于卷积神经网络算法进行电力纹理特征与电力大小的映射关系,生成电力纹理特征模型框架;
本发明实施例中,基于卷积神经网络算法建立电力纹理特征与电力大小之间的映射关系,设计网络结构、选择合适的激活函数和损失函数,以及确定网络的超参数,形成电力纹理特征模型框架。
步骤S252:将电力纹理图像特征数据进行数据划分处理,分别生成训练集电力纹理图像特征数据以及测试集电力纹理图像特征数据;
本发明实施例中,将电力纹理图像特征数据进行数据划分处理,分成训练集和测试集,训练集包含一部分电力纹理图像特征数据,用于模型的训练和参数调整;测试集包含另一部分电力纹理图像特征数据,用于评估模型的性能和预测准确度。
步骤S253:利用训练集电力纹理图像特征数据对电力纹理特征模型框架进行模型训练处理,以生成电力纹理特征模型;
本发明实施例中,利用训练集的电力纹理图像特征数据对电力纹理特征模型框架进行模型训练处理,通过反向传播算法和梯度下降优化方法,不断调整模型的权重和偏置,使得模型能够更准确地预测电力纹理图像特征与电力大小之间的关系。训练过程中,我们使用训练集的真实电力大小作为标签,与模型的预测结果进行比较和优化。
步骤S254:利用电力纹理特征模型对测试集电力纹理图像特征数据进行图像相关电力预测处理,生成区域电力图像预测数据。
本发明实施例中,利用已训练好的电力纹理特征模型对测试集的电力纹理图像特征数据进行图像相关电力预测处理,通过输入测试集的电力纹理图像特征数据,模型将输出相应的区域电力图像预测数据,即根据纹理特征预测电力大小的结果。
优选地,步骤S3包括以下步骤:
步骤S31:利用快速傅里叶变换技术将区域音频数据进行频域数据转换,生成区域音频数据的频域数据;
步骤S32:利用频率滤波器对频域数据进行迭代频域分离度增强处理,生成优化分离度频域数据;
步骤S33:利用频域特征提取技术对优化分离度频域数据进行频域特征提取处理,生成频域特征数据;
步骤S34:利用随机森林算法对频域特征数据进行音频相关电力预测处理,生成区域电力音频预测数据。
本发明利用快速傅里叶变换技术将区域音频数据进行频域数据转换,通过快速傅里叶变换将时域的音频数据转换为频域表示,以获得音频信号在不同频率上的能量分布情况。利用频率滤波器对频域数据进行迭代频域分离度增强处理,通过应用频率滤波器对频域数据进行处理,增强不同频率成分之间的分离度,使得不同频率的能量更加明确和可辨识。利用频域特征提取技术对优化分离度频域数据进行频域特征提取处理,应用频域特征提取技术,提取优化分离度频域数据中的关键特征,如频谱形状、频率成分、能量分布等,以描述音频信号在频域上的特征。利用随机森林算法对频域特征数据进行音频相关电力预测处理,利用随机森林算法将频域特征数据作为输入,进行音频相关的电力预测,通过学习频域特征与电力之间的关系,得出区域电力的预测结果。
作为本发明的一个实例,参考图5所示,为图1中步骤S3的详细实施步骤流程示意图,在本实例中所述步骤S3包括:
步骤S31:利用快速傅里叶变换技术将区域音频数据进行频域数据转换,生成区域音频数据的频域数据;
本发明实施例中,利用快速傅里叶变换技术将区域音频数据转换为频域数据,通过将时域的音频数据转换为频域表示,获取音频信号在不同频率上的能量分布情况,从而得到区域音频数据的频域数据。
步骤S32:利用频率滤波器对频域数据进行迭代频域分离度增强处理,生成优化分离度频域数据;
本发明实施例中,利用频率滤波器对频域数据进行迭代频域分离度增强处理,通过迭代应用适当的频率滤波器,我们可以提高频域数据的质量和可分辨性,生成优化的分离度频域数据,增强频域数据的分离度,使得不同频率成分更加清晰地表现出来,以便更好地提取频域特征。
步骤S33:利用频域特征提取技术对优化分离度频域数据进行频域特征提取处理,生成频域特征数据;
本发明实施例中,利用频域特征提取技术对优化的分离度频域数据进行特征提取处理,从频域数据中提取有意义的特征,以反映电力信号的重要频域特性,通过应用适当的频域特征提取算法,如峰值频率、频率分量的能量分布等,将优化的分离度频域数据转化为更具信息量的频域特征数据。
步骤S34:利用随机森林算法对频域特征数据进行音频相关电力预测处理,生成区域电力音频预测数据。
本发明实施例中,利用随机森林算法对频域特征数据进行音频相关电力预测处理,训练一个随机森林模型,将频域特征数据作为输入,以及区域电力作为输出标签,通过对测试集的频域特征数据应用训练好的模型,我们可以预测出对应的区域电力音频预测数据,即根据音频特征预测电力大小的结果,以此获得区域电力音频预测数据。
优选地,步骤S34包括以下步骤:
步骤S341:基于随机森林算法进行电力音频频域与电力大小的映射关系,生成电力音频频域模型框架;
步骤S342:将频域特征数据进行数据划分处理,分别生成训练集频域特征数据以及测试集频域特征数据;
步骤S343:利用训练集频域特征数据对电力音频频域模型框架进行模型训练处理,以生成电力音频频域模型;
步骤S344:利用电力音频频域模型对测试集频域特征数据进行音频相关电力预测处理,生成区域电力音频预测数据。
本发明基于随机森林算法进行电力音频频域与电力大小的映射关系,利用随机森林算法构建电力音频频域模型框架,通过学习频域特征与电力大小之间的关系,建立一个预测模型。将频域特征数据进行数据划分处理,将频域特征数据划分为训练集和测试集,用于模型的训练和评估。训练集用于训练模型,测试集用于评估模型的性能。利用训练集频域特征数据对电力音频频域模型框架进行模型训练处理,使用训练集的频域特征数据作为输入,对电力音频频域模型进行训练。通过训练模型,使其能够准确地预测频域特征与电力大小之间的关系。利用电力音频频域模型对测试集频域特征数据进行音频相关电力预测处理,利用已训练好的电力音频频域模型,对测试集的频域特征数据进行预测,得到区域电力的预测结果,这样可以根据音频信号的频域特征,推测出对应的电力需求。
作为本发明的一个实例,参考图6所示,为图5中步骤S34的详细实施步骤流程示意图,在本实例中所述步骤S34包括:
步骤S341:基于随机森林算法进行电力音频频域与电力大小的映射关系,生成电力音频频域模型框架;
本发明实施例中,基于随机森林算法建立电力音频频域与电力大小之间的映射关系,设计网络结构、选择合适的激活函数和损失函数,以及确定网络的超参数,形成电力音频频域模型框架。
步骤S342:将频域特征数据进行数据划分处理,分别生成训练集频域特征数据以及测试集频域特征数据;
本发明实施例中,将频域特征数据进行数据划分,生成训练集和测试集的频域特征数据,训练集包含一部分频域特征数据,用于模型的训练和参数调整;测试集包含另一部分频域特征数据,用于评估模型的性能和预测准确度。
步骤S343:利用训练集频域特征数据对电力音频频域模型框架进行模型训练处理,以生成电力音频频域模型;
本发明实施例中,利用训练集的频域特征数据对电力音频频域模型框架进行模型训练,使用训练集的频域特征数据作为输入,结合其对应的电力大小作为目标输出,通过训练算法对频域模型框架进行训练,得到一个能够准确预测电力大小的模型,以生成电力音频频域模型。
步骤S344:利用电力音频频域模型对测试集频域特征数据进行音频相关电力预测处理,生成区域电力音频预测数据。
本发明实施例中,利用训练好的电力音频频域模型对测试集的频域特征数据进行音频相关电力预测处理,将测试集中的频域特征数据输入到训练好的模型中,模型将预测出相应的电力大小,从而生成区域电力音频预测数据。
优选地,步骤S4包括以下步骤:
步骤S41:利用区域电力加权平均公式对区域电力图像预测数据以及区域音频图像预测数据进行图像及音频相关权重值计算处理,分别生成电力图像预测权重数据以及电力音频预测权重数据;
步骤S42:利用区域用电优化计算公式对电力图像预测权重数据以及电力音频预测权重数据进行加权平均用电计算,从而生成区域用电优化数据。
本发明利用区域电力加权平均公式对区域电力图像预测数据以及区域音频图像预测数据进行图像及音频相关权重值计算处理,通过区域电力加权平均公式,结合电力图像预测数据和电力音频预测数据,计算图像和音频在区域用电中的权重,这样可以根据图像和音频的重要性,为每个数据提供相应的权重值。利用区域用电优化计算公式对电力图像预测权重数据以及电力音频预测权重数据进行加权平均用电计算,利用区域用电优化计算公式,将电力图像预测权重数据和电力音频预测权重数据进行加权平均计算,通过考虑图像和音频的权重,得到一个综合的区域用电优化数据,该数据可以指导用电调度决策,实现用电的优化分配。
本发明实施例中,利用区域电力加权平均公式对区域电力图像预测数据以及区域音频图像预测数据进行图像及音频相关权重值计算处理,根据预测的电力图像和音频数据,通过加权平均公式计算每个像素或音频样本的权重值,以反映其在用电优化中的重要性,以此分别生成电力图像预测权重数据以及电力音频预测权重数据。利用区域用电优化计算公式对电力图像预测权重数据以及电力音频预测权重数据进行加权平均用电计算,根据电力图像预测权重数据以及电力音频预测权重数据对该区域的用电器进行分配电力,当用电器所需用电多,相应的计算出的电力图像预测权重数据以及电力音频预测权重数据更高,因此得出的区域用电优化数据也便越大,需要调度更多的电力以供用电器运行,当用电器所需用电饱和,相应的计算出的电力图像预测权重数据以及电力音频预测权重数据将变小,因此得出的区域用电优化数据也便减小,使得调度的电力减少以供用电器运行,以此得到区域用电优化数据。
优选地,步骤S41中的区域电力加权平均公式如下所示:
式中,W表示为预测权重数据,p表示为区域电力图像预测数据,f表示为区域音频图像预测数据,θ表示为根据历史用电数据生成的权重信息,t表示为用电涉及的时间长度,k表示为根据区域电力图像预测数据及区域音频图像预测数据生成的常数调整值,n表示为历史用电权重平均调整值,τ表示为预测权重数据的异常调整值。
本发明利用区域电力加权平均公式,该公式充分考虑了区域电力图像预测数据p、区域音频图像预测数据f、根据历史用电数据生成的权重信息θ、用电涉及的时间长度t、根据区域电力图像预测数据及区域音频图像预测数据生成的常数调整值k、历史用电权重平均调整值以及函数之间的相互作用关系n,以形成函数关系该数学公式中,当利用区域电力图像预测数据进行计算式得出的是电力图像预测权重数据,当利用区域音频图像预测数据进行计算式得出的是电力音频预测权重数据,通过用电涉及的时间长度以及各权重信息与调整值,综合考虑多个数据源的信息。这种综合性的方法有助于消除单一数据源的局限性,提高预测权重数据的准确性和可靠性,通过函数作用关系,以更全面、精确地捕捉区域电力图像预测数据或区域电力音频预测数据与电力数据之间的关系和特征,利用用电涉及的时间长度反映了电力需求在不同时间段的变化特征,更好地预测未来电力需求的波动情况,为电力调度和优化提供更准确的参考,提高电力调度的智能化水平,优化用电方案的效率和可持续性,通过对历史用电数据进行平均调整,可以降低突发异常数据对预测权重的影响,以提高预测权重数据的稳定性和准确性,使其更符合实际情况。利用预测权重数据的异常调整值τ,对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地预测权重数据W,提高了对区域电力图像预测数据以及区域音频图像预测数据进行图像及音频相关权重值计算处理的准确性和可靠性。同时该公式中的调整值以及权重信息可以根据实际情况进行调整,应用于不同的用电器的用电数据,提高了算法的灵活性于适用性。
优选地,步骤S42中的区域用电优化计算公式如下所示:
式中,U表示为区域用电优化数据,α表示为区域电力图像预测数据的系数,β表示为区域音频图像预测数据的系数,p表示为区域电力图像预测数据,f表示为区域音频图像预测数据,w1表示为电力图像预测权重数据,w2表示为电力音频预测权重数据,δ表示为历史电力数据的误差调整项,m表示为用电误差优化调整项,μ表示为区域用电优化数据的异常调整值。
本发明利用区域用电优化计算公式,该公式充分考虑了区域电力图像预测数据的系数α、区域音频图像预测数据的系数β、区域电力图像预测数据p、区域音频图像预测数据f、电力图像预测权重数据w1、电力音频预测权重数据w2、历史电力数据的误差调整项用电误差优化调整项δ、用电误差优化调整项m以及函数之间的相互作用关系,以形成函数关系该优化方法通过将区域电力图像预测数据和区域音频图像预测数据结合起来,综合考虑了不同数据源的信息,通过各自数据的系数,可以灵活权衡两种数据源在优化过程中的贡献度,这种多源数据融合与权衡能够充分利用不同数据源的优势,提高优化结果的准确性和鲁棒性;优化计算公式中的电力图像预测权重数据以及电力音频预测权重数据采用指数运算,具有自适应调整的能力,根据上述步骤配比得到合理的权重数据,可以更好地适应数据的变化和重要性,这种自适应权重调整能够根据数据的特点和重要程度,自动调节权重的大小,从而提高优化结果的灵活性和适应性,以此确定不同用电器中所需的用电数据的具体情况。利用区域用电优化数据的异常调整值μ,对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而区域用电优化数据U,提高了对电力图像预测权重数据以及电力音频预测权重数据进行加权平均用电计算的准确性和可靠性。同时该公式中的调整值以及误差调整项可以根据实际情况进行调整,应用于不同的用电器的用电数据,提高了算法的灵活性于适用性。
在本说明书中,提供了一种基于云计算的电力调度方法系统,包括:
至少一个处理器;
与所述至少一个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处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的基于云计算的电力调度方法。
本申请有益效果在于,本发明利用监控设备对电力检测区域进行电力视频数据采集,并进行数据存储、降噪处理和时间戳提取,最终生成区域图像数据和区域音频数据,有助于获取准确的区域图像和音频信息,为后续的处理提供可靠的数据基础。根据图像处理和卷积神经网络算法,对区域图像数据进行灰度值转换、亮度归一化、纹理特征提取和电力预测处理,生成区域电力图像预测数据,有助于从图像中提取电力相关的特征信息,并通过卷积神经网络进行电力预测,提供对区域电力状况的预测结果。根据频域处理和随机森林算法,对区域音频数据进行频域转换、分离度增强、特征提取和音频预测处理,生成区域电力音频预测数据,有助于从音频数据中提取电力相关的特征信息,并通过随机森林算法进行电力预测,提供对区域电力状况的预测结果。通过区域电力加权平均和区域用电优化计算,对电力图像预测权重数据和电力音频预测权重数据进行加权平均用电计算,生成区域用电优化数据,有助于综合考虑图像和音频的权重,进行用电的优化分配,提供区域用电调度方案的设计依据。利用云计算技术对区域用电优化数据进行处理和分析,可以实现大规模数据的存储、处理和计算,调度方案考虑了电力系统的需求、供应、约束和优化目标等因素,以合理分配和调整电力资源的使用,以满足电力需求并实现系统的高效运行,云计算提供了强大的计算能力和存储资源,能够高效地处理复杂的用电优化数据,并支持快速生成区域用电调度方案。通过本发明的云计算电力调度方法提高电力预测的准确性和精度,为电力调度和优化提供可靠的数据支持,促进区域用电的有效管理和调控。此外,还通过云计算技术对优化数据进行调度方案设计,进一步提升用电的效率和可持续性。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于云计算的电力调度方法,其特征在于,包括以下步骤:
步骤S1:利用监控设备对电力检测区域进行区域电力视频数据采集,获取检测区域的初始区域电力视频数据;利用云平台对区域电力视频数据进行数据存储,生成云平台的区域电力视频数据;对区域电力视频图像数据进行图像及音频提取处理,分别生成区域图像数据与区域音频数据;
步骤S2:对区域图像数据进行时间域亮度分区处理,生成时间域图像亮度分区数据;利用灰度共生矩阵技术对时间域图像亮度分区数据进行电力纹理图像特征提取处理,生成电力纹理图像特征数据;利用卷积神经网络模型对电力纹理图像特征数据进行区域电力预测处理,生成区域电力图像预测数据;
步骤S3:利用快速傅里叶变换技术对区域音频数据进行频域数据转换处理,生成区域音频数据的频域数据,对频域数据进行音频相关电力预测处理,生成区域电力音频预测数据;
步骤S4:对区域电力图像预测数据以及区域音频图像预测数据进行区域用电优化计算处理,从而生成区域用电优化数据;
步骤S5:利用云计算技术对区域用电优化数据进行区域用电调度方案设计,生成区域用电调度信息。
2.根据权利要求1所述的基于云计算的电力调度方法,其特征在于,步骤S1包括以下步骤:
步骤S11:利用监控设备对电力检测区域进行区域电力视频数据采集,获取检测区域的初始区域电力视频数据;
步骤S12:利用云平台对区域电力视频数据进行数据存储,生成云平台的区域电力视频数据;
步骤S13:利用帧间差分法对区域电力视频数据进行视频数据降噪处理,生成降噪区域电力视频数据;
步骤S14:对降噪区域电力视频数据进行时间戳提取处理,生成区域电力视频数据的视频时间戳数据;
步骤S15:根据视频时间戳数据对区域电力视频数据进行图像以及音频数据提取处理,生成区域图像数据与区域音频数据。
3.根据权利要求2所述的基于云计算的电力调度方法,其特征在于,步骤S2包括以下步骤:
步骤S21:利用加权平均法对时间分布区域图像数据进行图像灰度值转换处理,生成时间分布区域图像数据的灰度图像数据;
步骤S22:利用直方图均衡化对灰度图像数据进行图像亮度数据归一化处理,生成归一化亮度图像数据;
步骤S23:对归一化亮度图像数据进行时间域亮度分区处理,生成时间域图像亮度分区数据;
步骤S24:利用灰度共生矩阵技术对时间域图像亮度分区数据进行电力纹理图像特征提取处理,生成电力纹理图像特征数据;
步骤S25:利用卷积神经网络算法对电力纹理图像特征数据进行区域电力预测处理,生成区域电力图像预测数据。
4.根据权利要求3所述的基于云计算的电力调度方法,其特征在于,步骤S25包括以下步骤:
步骤S251:基于卷积神经网络算法进行电力纹理特征与电力大小的映射关系,生成电力纹理特征模型框架;
步骤S252:将电力纹理图像特征数据进行数据划分处理,分别生成训练集电力纹理图像特征数据以及测试集电力纹理图像特征数据;
步骤S253:利用训练集电力纹理图像特征数据对电力纹理特征模型框架进行模型训练处理,以生成电力纹理特征模型;
步骤S254:利用电力纹理特征模型对测试集电力纹理图像特征数据进行图像相关电力预测处理,生成区域电力图像预测数据。
5.根据权利要求3所述的基于云计算的电力调度方法,其特征在于,步骤S3包括以下步骤:
步骤S31:利用快速傅里叶变换技术将区域音频数据进行频域数据转换,生成区域音频数据的频域数据;
步骤S32:利用频率滤波器对频域数据进行迭代频域分离度增强处理,生成优化分离度频域数据;
步骤S33:利用频域特征提取技术对优化分离度频域数据进行频域特征提取处理,生成频域特征数据;
步骤S34:利用随机森林算法对频域特征数据进行音频相关电力预测处理,生成区域电力音频预测数据。
6.根据权利要求5所述的基于云计算的电力调度方法,其特征在于,步骤S34包括以下步骤:
步骤S341:基于随机森林算法进行电力音频频域与电力大小的映射关系,生成电力音频频域模型框架;
步骤S342:将频域特征数据进行数据划分处理,分别生成训练集频域特征数据以及测试集频域特征数据;
步骤S343:利用训练集频域特征数据对电力音频频域模型框架进行模型训练处理,以生成电力音频频域模型;
步骤S344:利用电力音频频域模型对测试集频域特征数据进行音频相关电力预测处理,生成区域电力音频预测数据。
7.根据权利要求5所述的基于云计算的电力调度方法,其特征在于,步骤S4包括以下步骤:
步骤S41:利用区域电力加权平均公式对区域电力图像预测数据以及区域音频图像预测数据进行图像及音频相关权重值计算处理,分别生成电力图像预测权重数据以及电力音频预测权重数据;
步骤S42:利用区域用电优化计算公式对电力图像预测权重数据以及电力音频预测权重数据进行加权平均用电计算,从而生成区域用电优化数据。
8.根据权利要求7所述的基于云计算的电力调度方法,其特征在于,步骤S41中的区域电力加权平均公式如下所示:
式中,W表示为预测权重数据,p表示为区域电力图像预测数据,f表示为区域音频图像预测数据,θ表示为根据历史用电数据生成的权重信息,t表示为用电涉及的时间长度,k表示为根据区域电力图像预测数据及区域音频图像预测数据生成的常数调整值,n表示为历史用电权重平均调整值,τ表示为预测权重数据的异常调整值。
9.根据权利要求7所述的基于云计算的电力调度方法,其特征在于,步骤S42中的区域用电优化计算公式如下所示:
式中,U表示为区域用电优化数据,α表示为区域电力图像预测数据的系数,β表示为区域音频图像预测数据的系数,p表示为区域电力图像预测数据,f表示为区域音频图像预测数据,w1表示为电力图像预测权重数据,w2表示为电力音频预测权重数据,δ表示为历史电力数据的误差调整项,m表示为用电误差优化调整项,μ表示为区域用电优化数据的异常调整值。
10.一种基于云计算的电力调度方法系统,其特征在于,包括:
至少一个处理器;
与所述至少一个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处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至9中任意一项所述的基于云计算的电力调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310619217.XA CN116756681A (zh) | 2023-05-29 | 2023-05-29 | 一种基于云计算的电力调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310619217.XA CN116756681A (zh) | 2023-05-29 | 2023-05-29 | 一种基于云计算的电力调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116756681A true CN116756681A (zh) | 2023-09-15 |
Family
ID=87952406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310619217.XA Withdrawn CN116756681A (zh) | 2023-05-29 | 2023-05-29 | 一种基于云计算的电力调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756681A (zh) |
-
2023
- 2023-05-29 CN CN202310619217.XA patent/CN116756681A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | Repeated wavelet transform based ARIMA model for very short-term wind speed forecasting | |
CN112633316B (zh) | 一种基于边界估值理论的负荷预测方法和装置 | |
CN113222403B (zh) | 基于大数据的电力调节方法、装置、存储介质及电子设备 | |
CN110264041A (zh) | 一种基于差分的非侵入式负载分解及监测方法 | |
CN112016748A (zh) | 一种稳控装置运行状态的动态分析与量化评估方法 | |
CN116451873A (zh) | 基于多尺度双时空网络区域风力发电功率预测方法及系统 | |
CN114977176A (zh) | 电力负荷分解方法、装置、设备及存储介质 | |
CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
CN114037209A (zh) | 分布式光伏接入直流配电系统综合效益分析方法及装置 | |
CN116756681A (zh) | 一种基于云计算的电力调度方法及系统 | |
CN110210755B (zh) | 一种基于K_means聚类算法的用户需求响应能力评估方法 | |
CN110222840B (zh) | 一种基于注意力机制的集群资源预测方法和装置 | |
CN116756575A (zh) | 基于bgain-dd网络的非侵入式负荷分解方法 | |
CN116341716A (zh) | 一种基于数字孪生的智能降损方法 | |
CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 | |
CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
CN114359602A (zh) | 产品缺陷的检测方法及装置、存储介质、电子设备 | |
Hou et al. | Standardized Software for Wind Load Forecast Error Analyses and Predictions Based on Wavelet-ARIMA Models--Applications at Multiple Geographically Distributed Wind Farms | |
CN114650190B (zh) | 数据中心网络的节能方法、系统、终端设备及存储介质 | |
CN110648248A (zh) | 一种发电站的控制方法、装置及设备 | |
CN117171551B (zh) | 大规模工业设备数据分析与智能管理方法 | |
CN116231647B (zh) | 高渗透率未监测光伏发电的配电系统状态估计方法及系统 | |
CN117543589B (zh) | 一种梯级水电安全集控系统调度方法 | |
CN117354846A (zh) | 一种5g电力网络切片流量预测方法 | |
CN117522163A (zh) | 一种基于可靠性的配电网投资优化排序方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230915 |
|
WW01 | Invention patent application withdrawn after publication |