CN116780536B - 基于机器学习的能耗预测方法及系统 - Google Patents
基于机器学习的能耗预测方法及系统 Download PDFInfo
- Publication number
- CN116780536B CN116780536B CN202311061116.1A CN202311061116A CN116780536B CN 116780536 B CN116780536 B CN 116780536B CN 202311061116 A CN202311061116 A CN 202311061116A CN 116780536 B CN116780536 B CN 116780536B
- Authority
- CN
- China
- Prior art keywords
- enterprise
- date
- day
- edge computing
- measured
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 230000005611 electricity Effects 0.000 claims abstract description 75
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 230000000295 complement effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 claims description 2
- 230000018109 developmental process Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 2
- 230000006403 short-term memory Effects 0.000 claims 2
- 230000003139 buffering effect Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及能耗预测和数据处理技术领域，涉及基于机器学习的能耗预测方法及系统，其中方法，包括：针对园区内每一个企业，获取待测日期前一日的用电量，同时获取待测日期当日的平均温度、待测日期的日期属性以及企业画像；对获取的数据进行预处理；将预处理后待测日期前一日的用电量、待测日期的日期属性、待测日期当日的平均温度以及企业画像，输入到训练后的能耗预测模型中，输出待测日期当日用电量的预测值；对园区内所有企业的用电量预测值进行求和，得到待测日期整个园区的用电总量预测值。
Description
技术领域
本发明涉及能耗预测和数据处理技术领域，特别是涉及基于机器学习的能耗预测方法及系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
为了确保向园区稳定供电，电力公司往往需要对园区内企业用户的用电情况进行预测，并以此向园区供电。
现有技术中，常用的预测方式是：根据园区最近一段时间内的用电负荷来预测下一个时间段的用电负荷，然而，由于园区内的用电情况往往受多种因素的影响，所预测出的用电负荷往往与园区的实际用电负荷产生一定的差异，从而导致电力公司不能向园区稳定供电，给园区的正常生产和生活带来极大的影响。
发明内容
为了解决现有技术的不足，本发明提供了基于机器学习的能耗预测方法及系统；实现园区企业用电的准确预测，实现电力公司向园区提供稳定的电力。
一方面，本发明提供了基于机器学习的能耗预测方法，包括：
针对园区内每一个企业，获取待测日期前一日的用电量，同时获取待测日期当日的平均温度、待测日期的日期属性以及企业画像；
对获取的数据进行预处理；
将预处理后待测日期前一日的用电量、待测日期的日期属性、待测日期当日的平均温度以及企业画像，输入到训练后的能耗预测模型中，输出待测日期当日用电量的预测值；其中，所述训练后的能耗预测模型，是以历史时间段内与待测日期相同日期的前一日所对应的历史用电量、与待测日期相同日期的日期属性、相同日期的历史平均温度以及企业画像作为输入值，与待测日期相同日期的当日所对应的历史用电量作为输出进行训练得到的；
对园区内所有企业的用电量预测值进行求和，得到待测日期整个园区的用电总量预测值。
另一方面，本发明提供了基于机器学习的能耗预测系统，包括：
获取模块，其被配置为：针对园区内每一个企业，获取待测日期前一日的用电量，同时获取待测日期当日的平均温度、待测日期的日期属性以及企业画像；
预处理模块，其被配置为：对获取的数据进行预处理；
预测模块，其被配置为：将预处理后待测日期前一日的用电量、待测日期的日期属性、待测日期当日的平均温度以及企业画像，输入到训练后的能耗预测模型中，输出待测日期当日用电量的预测值；其中，所述训练后的能耗预测模型，是以历史时间段内与待测日期相同日期的前一日所对应的历史用电量、与待测日期相同日期的日期属性、相同日期的历史平均温度以及企业画像作为输入值，与待测日期相同日期的当日所对应的历史用电量作为输出进行训练得到的；
输出模块，其被配置为：对园区内所有企业的用电量预测值进行求和，得到待测日期整个园区的用电总量预测值。
上述技术方案中的一个技术方案具有如下优点或有益效果：
本发明通过考虑企业画像、日期属性等多个元素，可以实现园区企业用电负荷的准确预测，实现电力公司向园区提供稳定的电力；
本发明通过图像识别模型实现实体电表数据采集，可以避免工作人员人工查表容易噪声的漏报错报等问题；
本发明对图像识别模型的训练，采用边缘计算节点与园区服务器相互配合的方式，实现各个边缘计算节点的图像识别模型都是最优模型，提升了图像识别的准确度；
本发明通过边缘计算节点对图像的缓存，可以节省园区服务器的存储空间，还可以节省图像被调取的时间。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为实施例一的基于机器学习的能耗预测流程图；
图2为实施例一的硬件连接关系图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
如图1所示，基于机器学习的能耗预测方法，包括：
S101：针对园区内每一个企业，获取待测日期前一日的用电量，同时获取待测日期当日的平均温度、待测日期的日期属性以及企业画像；
S102：对获取的数据进行预处理；
S103：将预处理后待测日期前一日的用电量、待测日期的日期属性、待测日期当日的平均温度以及企业画像，输入到训练后的能耗预测模型中，输出待测日期当日用电量的预测值；
其中，所述训练后的能耗预测模型，是以历史时间段内与待测日期相同日期的前一日所对应的历史用电量、历史时间段内与待测日期相同日期的日期属性、历史时间段内与待测日期相同日期的历史平均温度以及企业画像作为输入值，历史时间段内与待测日期相同日期的当日所对应的历史用电量作为输出进行训练得到的；
S104：对园区内所有企业的用电量预测值进行求和，得到待测日期整个园区的用电总量预测值。
上述技术方案的有益效果是：对园区能耗的预测不仅考虑到历史用电量，还考虑到历史平均温度值，可以提升用电量预测的精度。
示例性地，所述待测日期如果是2000年6月29日，则待测日期前一日是指2000年6月28日。
所述待测日期如果是2000年6月29日，则历史时间段内与待测日期相同日期的前一日是1999年6月28日。历史时间段内与待测日期相同日期是1999年6月29日。
示例性地，待测日期当日的平均温度，是通过气象数据来获取的。
进一步地，所述日期属性，包括：工作日、休息日和节假日。
进一步地，所述企业画像，生成过程包括：
确定待生成画像企业的基本数据；所述基本数据，包括：企业名称、企业办公场所的占地面积、企业工商信息和企业经营信息；
对待生成画像企业的基本数据进行预处理，以获取目标数据；所述预处理包括：去重处理和噪声剔除处理；
对目标数据进行分词处理，选择词频高于设定阈值的词汇作为企业标签，将企业标签作为目标企业的企业画像。
应理解地，所述企业标签，包括：工业、建筑业、批发业、交通运输业、仓储业、信息传输业、软件和信息技术服务业、房地产开发经营、租赁和商务服务业。所述企业标签还包括：微型企业、小型企业、中型企业和大型企业。
进一步地，所述S101：获取待测日期前一日的用电量，具体包括：
通过摄像头采集每个企业名下所有实体电表的显示屏图像；摄像头将采集的图像上传给对应的边缘计算节点，边缘计算节点对图像进行缓存；
边缘计算节点利用训练后的图像识别模型，对缓存的显示屏图像的数字进行识别，得到每个实体电表的一天内用电量数据，将一个企业名下所有实体电表的用电量数据进行求和，得到当前企业一天的总用电量数据；
边缘计算节点将计算得到的当前企业一天的总用电量，上传给园区服务器；
所述训练后的图像识别模型，是以显示屏图像作为输入值，图像中数字作为输出值对模型进行训练得到的；
所述训练后的图像识别模型，采用长短期记忆神经网络LSTM来实现。
上述技术方案的效果是，可以避免园区内安保人员逐一电表计数所带来的工作繁琐，容易出错等问题。
进一步地，训练后的图像识别模型，训练过程包括：
边缘计算节点的数量为若干个；所有的边缘计算节点均与园区服务器通信；
每个边缘计算节点利用本地训练集对图像识别模型进行初步训练，将初步训练后的图像识别模型参数上传给园区服务器，园区服务器对所有边缘计算节点上传的模型参数进行取平均值，将取平均值后的模型参数作为优化后的模型参数，将优化后的模型参数下发给所有的边缘计算节点；
每个边缘计算节点接收优化后的模型参数，将优化后的模型参数配置到图像识别模型中，得到优化后的图像识别模型，每个边缘计算节点再利用本地训练集对优化后的图像识别模型进行第二次训练，再将第二次训练后的图像识别模型参数上传给园区服务器，园区服务器再对所有边缘计算节点上传的模型参数进行取平均值，将取平均值后的模型参数作为第二次优化后的模型参数，将第二次优化后的模型参数下发给所有的边缘计算节点；
以此类推，直至园区服务器的图像识别模型参数不再发生变化或者图像识别模型的损失函数值不再下降，停止训练，园区服务器将最终的图像识别模型参数下发给所有的边缘计算节点；边缘计算节点利用最终的图像识别模型参数，完成图像识别模型的参数配置，边缘计算节点利用最终配置后的图像识别模型开始图像识别操作。
上述技术方案的效果是，可以避免图像识别模型参数不统一或者参数不够优化导致识别精度不够高的技术问题。
进一步地，所述摄像头将采集的图像上传给对应的边缘计算节点，边缘计算节点对图像进行缓存，包括：
边缘计算节点首先判断当前边缘计算节点内是否已经存在当前图像，如果是就不予缓存；如果否，就判断当前边缘计算节点存储容量是否大于设定阈值，如果大于设定阈值，则对图像进行缓存；如果小于设定阈值，则边缘计算节点对数据库中存储超过设定时长的图像按照先进先出的原则进行删除，实现对待存储图像的缓存；
如果有多幅图像待存储，则按照图像的优先级评分，对优先级评分高的图像进行优先缓存，如果存储额度达到设定阈值，则将待存储图像存储到相邻的边缘计算节点；
其中，优先级评分，计算公式为：
；
其中，表示权重，权重为预设值，/>表示待存储图像的缓存时刻距离被拍摄时刻的时间差，/>表示当前边缘计算节点的剩余能量。
上述技术方案的效果是，可以实现图像的缓存，如果有图像读取的需要，可以节省图像被园区服务器读取的时间。
示例性地，所述边缘计算节点，可以采用本地服务器来实现，边缘计算节点与邻居边缘计算节点之间可以相互通信。
进一步地，所述S102：对获取的数据进行预处理，包括：
对获取的数据进行噪声去除；
对缺失数据进行补全处理，补全处理过程中所遵循的补全原则为：
针对待补全数据位置之前的最相邻数据，和待补全数据位置之后的最相邻数据，取二者的平均值作为待补全数据的数值；
将补全后的数据输入到BERT（Bidirectional Encoder Representations fromTransformers）语言模型中，提取每一类数据的特征向量。
进一步地，所述S103：将预处理后待测日期前一日的用电量、待测日期的日期属性、待测日期当日的平均温度以及企业画像，输入到训练后的能耗预测模型中，输出待测日期当日用电量的预测值；其中，能耗预测模型，采用YOLOv5来实现。
进一步地，如图2所示，所述园区服务器分别与若干个企业客户端连接，所述园区服务器还与物业客户端连接；
园区服务器为企业客户端分配唯一的虚拟电表ID；园区服务器将虚拟电表ID与当前企业用户名下的所有实体电表ID进行关联；所述关联是指将虚拟电表ID与当前企业用户名下的所有实体电表ID存储到一个数据库中，在所述数据库中虚拟电表ID与当前企业用户名下的所有实体电表ID之间形成一对多的关系；虚拟电表ID的电量余额等于所关联的所有实体电表ID的电量余额的总和；
；
其中，表示虚拟电表ID的电量余额，/>表示第/>个企业的第/>个实体电表ID的电量余额；
园区服务器接收企业客户端的预付费请求，园区服务器将预付费金额初始化到虚拟电表ID的余额中；虚拟电表ID根据历史每天平均用电量，为每个实体电表ID充入历史平均一天的电量；
园区服务器判断虚拟电表ID的余额是否低于设定阈值，如果是，则园区服务器向企业客户端发送消息，提醒企业客户端为虚拟电表ID充值。
应理解地，上述技术方案所解决的技术问题是：现有智慧园区服务器预付费电费支付依赖于预付费电表硬件功能，需要给电表充电，电表中电量消耗完毕后，自动断电。目前存在的主要问题是一个企业用户租赁的区域可能有很多电表，这种方式需要用户对多个电表充电，不但麻烦，还容易出现充错、充少等情况。如果给每个企业安装一个总表，通过总表控制又存在灵活性不足的问题，如果企业扩充或者缩减租赁范围，园区的物业工作人员还得去改电路，将总表下挂的电表进行调整，这种电路调整还需要对企业用户停电，改动成本较高。
应理解地，上述技术方案所取得的有益效果是：本发明企业客户端的用户只需关注虚拟电表的电量余额，无需关注每个实体电表的电量余额，充值过程，也只需要对虚拟电表进行充值，无需对每个实体电表进行充值，而且有充值监控，避免因用户忘记充值断电的情形发生。给每个企业用户分配一个虚拟电表作为总的电表，企业用户预付充值只需要将电费充到虚拟电表账户上即可，解决了多电表充值的使用不便和操作容易出问题的风险。当企业用户租赁范围发生变化，园区电表管理人员只需要在园区管理系统中将虚拟电表下挂的预付费电表进行调整即可，无需电路调整，避免了灵活性不足的问题，也无需对用户进行停电，改动成本很低，只需要简单的系统操作即可。
进一步地，所述园区服务器，对各个企业客户端的虚拟电表ID的月用电量进行监控：
如果月用电量超出设定阈值，则园区服务器向企业客户端发送消息，建议企业客户端错峰用电或有序用电；
如果月用电量连续数月均超出设定阈值，则向物业客户端发出报警信号，提醒物业客户端关注企业客户端的用电需求，物业客户端查看是否存在用电异常行为。
进一步地，所述物业客户端查看是否存在用电异常行为，采用训练后的卷积神经网络来实现行为判断：
构建训练集和测试集，所述训练集和测试集为已知用电异常标签的用电量数据；其中，用电异常标签是线损率高于设定阈值；
将训练集，输入到卷积神经网络模型、分类回归树模型(classification andregression tree, CART)、随机森林模型和支持向量机模型中，对四种模型分别进行训练；
将测试集，输入到训练后的四种模型中，输出四种模型的分类准确度，筛选出分类准确度最高的模型；
将待识别用电数据，输入到分类准确度最高的模型中，输出最终的用电异常行为判断结果。
上述技术方案的有益效果是，可以实现对用电异常行为的判断，提升用电异常行为判断的准确率。
示例性地，所述物业客户端可以为智能交互终端、电脑端、手机端或IPAD端。上述技术方案的有益效果是，本实施例能够实现智慧园区的节能减排，提升整个园区的用电水平，保证电网安全运行。
应理解地，为每个企业用户增加虚拟电表ID，虚拟电表ID为软件系统增加的虚拟对象，无实际硬件，通过虚拟电表实现统一充值、动态调配等功能。
进一步地，所述虚拟电表ID判断自身余额所对应的剩余电量是否超过M天用电总量，如果是，则虚拟电表ID每天采集所关联的每个实体电表ID的当天耗电量，并为每个实体电表进行充值，充值电量等于当天耗电量与设定系数的乘积。M的取值为5；
所述虚拟电表ID判断自身余额所对应的剩余电量是否超过N天用电总量，如果是，则虚拟电表ID每间隔两个小时采集所关联的每个实体电表ID的当天耗电量，并为每个实体电表进行充值，充值电量等于当天耗电量与设定系数的乘积。N的取值为1；
所述虚拟电表ID判断自身余额所对应的剩余电量是否超过N天用电总量，如果否，则虚拟电表ID每间隔半个小时采集所关联的每个实体电表ID的当天耗电量，并为每个实体电表进行充值，充值电量等于当天耗电量与设定系数的乘积。N的取值为1。
进一步地，所述虚拟电表ID判断自身余额是否等于零，如果是，则实体电表电量耗尽，园区服务器给企业用户停电。
进一步地，园区服务器接收企业客户端的新增实体电表ID请求，园区服务器将实体电表关联到企业客户端对应的虚拟电表ID中；
所园区服务器接收企业客户端的删除实体电表ID请求，园区服务器将待删除的实体电表ID，从企业客户端对应的虚拟电表关联的实体电表列表中予以删除；
园区服务器接收企业客户端的更改实体电表请求，园区服务器将待更改的实体电表编号，从企业客户端对应的虚拟电表关联的实体电表列表中予以更改。
应理解地，在智慧园区服务器中增加虚拟电表管理菜单，菜单显示每个企业客户对应的虚拟电表编号以及下挂的实际电表明细。园区管理人员可通过此菜单为新增企业、变更企业、撤离企业进行电表分配、调整。
企业用户在企业客户端可看到自己虚拟电表ID下的余额，当余额不足时会提醒用户尽快充值，以免影响用电使用。
用户日常用电，初始启动虚拟电表时，按照过去一周平均用电量给每个下挂电表进行充值，充值后虚拟电表账户金额进行扣除。后续使用过程中，虚拟电表会按照一定周期定时抓取下挂电表的用电情况，抓取周期是动态变化的，变化影响参数是历史用电情况和当前虚拟电表账户余额。
如果余额充足，5倍以上所有下挂电表历史一天的用电量之和，则按天进行抓取。抓取用电量后，对每个电表进行电费充值，充值额度为前一天用电量*充电系数（默认为1，可调整）。充值后进行电费计算，扣除虚拟电表中的钱。
当余额不足历史一天用电金额的5倍时，则改为每2小时进行抓取并充值扣费。
如果余额不足历史一天用电金额的1倍，则每半小时进行抓取充值扣费。
上述说明中涉及的抓取频率、阈值等均可系统调控，也可对每个企业单独设置。可以方便用户的电费充值，并且能实现统一的预付费管理，便于园区管理单位对入驻企业的电表调控。
实施例二
本实施例提供了基于机器学习的能耗预测系统，包括：
获取模块，其被配置为：针对园区内每一个企业，获取待测日期前一日的用电量，同时获取待测日期当日的平均温度、待测日期的日期属性以及企业画像；
预处理模块，其被配置为：对获取的数据进行预处理；
预测模块，其被配置为：将预处理后待测日期前一日的用电量、待测日期的日期属性、待测日期当日的平均温度以及企业画像，输入到训练后的能耗预测模型中，输出待测日期当日用电量的预测值；其中，所述训练后的能耗预测模型，是以历史时间段内与待测日期相同日期的前一日所对应的历史用电量、与待测日期相同日期的日期属性、相同日期的历史平均温度以及企业画像作为输入值，与待测日期相同日期的当日所对应的历史用电量作为输出进行训练得到的；
输出模块，其被配置为：对园区内所有企业的用电量预测值进行求和，得到待测日期整个园区的用电总量预测值。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.基于机器学习的能耗预测方法，其特征是，包括：
针对园区内每一个企业，获取待测日期前一日的用电量，同时获取待测日期当日的平均温度、待测日期的日期属性以及企业画像；
对获取的数据进行预处理；
将预处理后待测日期前一日的用电量、待测日期的日期属性、待测日期当日的平均温度以及企业画像，输入到训练后的能耗预测模型中，输出待测日期当日用电量的预测值；其中，所述训练后的能耗预测模型，是以历史时间段内与待测日期相同日期的前一日所对应的历史用电量、与待测日期相同日期的日期属性、相同日期的历史平均温度以及企业画像作为输入值，与待测日期相同日期的当日所对应的历史用电量作为输出进行训练得到的；
对园区内所有企业的用电量预测值进行求和，得到待测日期整个园区的用电总量预测值；
所述获取待测日期前一日的用电量，具体包括：
通过摄像头采集每个企业名下所有实体电表的显示屏图像；摄像头将采集的图像上传给对应的边缘计算节点，边缘计算节点对图像进行缓存；
边缘计算节点利用训练后的图像识别模型，对缓存的显示屏图像的数字进行识别，得到每个实体电表的一天内用电量数据，将一个企业名下所有实体电表的用电量数据进行求和，得到当前企业一天的总用电量数据；
边缘计算节点将计算得到的当前企业一天的总用电量，上传给园区服务器；
所述训练后的图像识别模型，是以显示屏图像作为输入值，图像中数字作为输出值对模型进行训练得到的；
所述训练后的图像识别模型，采用长短期记忆神经网络实现。
2.如权利要求1所述的基于机器学习的能耗预测方法，其特征是，所述企业画像，其生成过程包括：
确定待生成画像企业的基本数据；所述基本数据，包括：企业名称、企业办公场所的占地面积、企业工商信息和企业经营信息；
对待生成画像企业的基本数据进行预处理，以获取目标数据；所述预处理包括：去重处理和噪声剔除处理；
对目标数据进行分词处理，选择词频高于设定阈值的词汇作为企业标签，将企业标签作为目标企业的企业画像；
所述企业标签，包括：工业、建筑业、批发业、交通运输业、仓储业、信息传输业、软件和信息技术服务业、房地产开发经营、租赁和商务服务业；所述企业标签还包括：微型企业、小型企业、中型企业和大型企业。
3.如权利要求1所述的基于机器学习的能耗预测方法，其特征是，训练后的图像识别模型，训练过程包括：
边缘计算节点的数量为若干个；所有的边缘计算节点均与园区服务器通信；
每个边缘计算节点利用本地训练集对图像识别模型进行初步训练，将初步训练后的图像识别模型参数上传给园区服务器，园区服务器对所有边缘计算节点上传的模型参数进行取平均值，将取平均值后的模型参数作为优化后的模型参数，将优化后的模型参数下发给所有的边缘计算节点；
每个边缘计算节点接收优化后的模型参数，将优化后的模型参数配置到图像识别模型中，得到优化后的图像识别模型，每个边缘计算节点再利用本地训练集对优化后的图像识别模型进行第二次训练，再将第二次训练后的图像识别模型参数上传给园区服务器，园区服务器再对所有边缘计算节点上传的模型参数进行取平均值，将取平均值后的模型参数作为第二次优化后的模型参数，将第二次优化后的模型参数下发给所有的边缘计算节点；
以此类推，直至园区服务器的图像识别模型参数不再发生变化或者图像识别模型的损失函数值不再下降，停止训练，园区服务器将最终的图像识别模型参数下发给所有的边缘计算节点；边缘计算节点利用最终的图像识别模型参数，完成图像识别模型的参数配置，边缘计算节点利用最终配置后的图像识别模型开始图像识别操作。
4.如权利要求1所述的基于机器学习的能耗预测方法，其特征是，所述摄像头将采集的图像上传给对应的边缘计算节点，边缘计算节点对图像进行缓存，包括：
边缘计算节点首先判断当前边缘计算节点内是否已经存在当前图像，如果是就不予缓存；如果否，就判断当前边缘计算节点存储容量是否大于设定阈值，如果大于设定阈值，则对图像进行缓存；如果小于设定阈值，则边缘计算节点对数据库中存储超过设定时长的图像按照先进先出的原则进行删除，以实现对图像的缓存；
如果有多幅图像待存储，则按照图像的优先级评分，对优先级评分高的图像进行优先缓存，如果存储额度达到设定阈值，则将待存储图像存储到相邻的边缘计算节点； 其中，优先级评分，计算公式为：
；
其中，表示权重，权重为预设值，/>表示待存储图像的缓存时刻距离被拍摄时刻的时间差，/>表示当前边缘计算节点的剩余能量。
5.如权利要求1所述的基于机器学习的能耗预测方法，其特征是，对获取的数据进行预处理，包括：
对获取的数据进行噪声去除；
对缺失数据进行补全处理，补全处理过程中所遵循的补全原则为：
针对待补全数据之前的数据，和待补全数据之后的数据，取二者的平均值作为待补全数据的数值；
将补全后的数据输入到语言模型中，提取每一类数据的特征向量。
6.如权利要求1所述的基于机器学习的能耗预测方法，其特征是，所述园区服务器分别与若干个企业客户端连接，所述园区服务器还与物业客户端连接；
园区服务器为企业客户端分配唯一的虚拟电表ID；园区服务器将虚拟电表ID与当前企业用户名下的所有实体电表ID进行关联；所述关联是指将虚拟电表ID与当前企业用户名下的所有实体电表ID存储到一个数据库中，在所述数据库中虚拟电表ID与当前企业用户名下的所有实体电表ID之间形成一对多的关系；虚拟电表ID的电量余额等于所关联的所有实体电表ID的电量余额的总和；
园区服务器接收企业客户端的预付费请求，园区服务器将预付费金额初始化到虚拟电表ID的余额中；虚拟电表ID根据历史每天平均用电量，为每个实体电表ID充入历史平均一天的电量；
园区服务器判断虚拟电表ID的余额是否低于设定阈值，如果是，则园区服务器向企业客户端发送消息，提醒企业客户端为虚拟电表ID充值。
7.如权利要求6所述的基于机器学习的能耗预测方法，其特征是，所述园区服务器，对各个企业客户端的虚拟电表ID的月用电量进行监控：
如果月用电量超出设定阈值，则园区服务器向企业客户端发送消息，建议企业客户端错峰用电或有序用电；
如果月用电量连续数月均超出设定阈值，则向物业客户端发出报警信号，提醒物业客户端关注企业客户端的用电需求，物业客户端查看是否存在用电异常行为。
8.如权利要求7所述的基于机器学习的能耗预测方法，其特征是，所述物业客户端查看是否存在用电异常行为，采用训练后的卷积神经网络来实现行为判断：
构建训练集和测试集，所述训练集和测试集为已知用电异常标签的用电量数据；其中，用电异常标签是线损率高于设定阈值；
将训练集，输入到卷积神经网络模型、分类回归树模型、随机森林模型和支持向量机模型中，对四种模型分别进行训练；
将测试集，输入到训练后的四种模型中，输出四种模型的分类准确度，筛选出分类准确度最高的模型；
将待识别用电数据，输入到分类准确度最高的模型中，输出最终的用电异常行为判断结果。
9.基于机器学习的能耗预测系统，其特征是，包括：
获取模块，其被配置为：针对园区内每一个企业，获取待测日期前一日的用电量，同时获取待测日期当日的平均温度、待测日期的日期属性以及企业画像；
预处理模块，其被配置为：对获取的数据进行预处理；
预测模块，其被配置为：将预处理后待测日期前一日的用电量、待测日期的日期属性、待测日期当日的平均温度以及企业画像，输入到训练后的能耗预测模型中，输出待测日期当日用电量的预测值；其中，所述训练后的能耗预测模型，是以历史时间段内与待测日期相同日期的前一日所对应的历史用电量、与待测日期相同日期的日期属性、相同日期的历史平均温度以及企业画像作为输入值，与待测日期相同日期的当日所对应的历史用电量作为输出进行训练得到的；
输出模块，其被配置为：对园区内所有企业的用电量预测值进行求和，得到待测日期整个园区的用电总量预测值；
所述获取待测日期前一日的用电量，具体包括：
通过摄像头采集每个企业名下所有实体电表的显示屏图像；摄像头将采集的图像上传给对应的边缘计算节点，边缘计算节点对图像进行缓存；
边缘计算节点利用训练后的图像识别模型，对缓存的显示屏图像的数字进行识别，得到每个实体电表的一天内用电量数据，将一个企业名下所有实体电表的用电量数据进行求和，得到当前企业一天的总用电量数据；
边缘计算节点将计算得到的当前企业一天的总用电量，上传给园区服务器；
所述训练后的图像识别模型，是以显示屏图像作为输入值，图像中数字作为输出值对模型进行训练得到的；
所述训练后的图像识别模型，采用长短期记忆神经网络实现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311061116.1A CN116780536B (zh) | 2023-08-23 | 2023-08-23 | 基于机器学习的能耗预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311061116.1A CN116780536B (zh) | 2023-08-23 | 2023-08-23 | 基于机器学习的能耗预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116780536A CN116780536A (zh) | 2023-09-19 |
| CN116780536B true CN116780536B (zh) | 2024-02-02 |
Family
ID=87991650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311061116.1A Active CN116780536B (zh) | 2023-08-23 | 2023-08-23 | 基于机器学习的能耗预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116780536B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689070A (zh) * | 2023-12-13 | 2024-03-12 | 北京朗杰科技有限公司 | 一种基于物联网设备的电表管理系统 |
| CN117495434B (zh) * | 2023-12-25 | 2024-04-05 | 天津大学 | 电能需求预测方法、模型训练方法、装置及电子设备 |
| CN117495056A (zh) * | 2023-12-28 | 2024-02-02 | 西安民为电力科技有限公司 | 一种用电数据监测和优化方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111950932A (zh) * | 2020-08-26 | 2020-11-17 | 北京信息科技大学 | 基于多源信息融合的中小微企业综合质量画像方法 |
| CN112686473A (zh) * | 2021-01-22 | 2021-04-20 | 国网江苏省电力有限公司营销服务中心 | 一种基于分类算法的用电量预测方法及预测系统 |
| WO2021133253A1 (en) * | 2019-12-25 | 2021-07-01 | Envision Digital International Pte. Ltd. | Method and apparatus for predicting energy consumption, and device and storage medium thereof |
| CN114398473A (zh) * | 2022-01-19 | 2022-04-26 | 平安国际智慧城市科技股份有限公司 | 企业画像生成方法、装置、服务器及存储介质 |
| CN116579496A (zh) * | 2023-05-26 | 2023-08-11 | 中科聚(北京)能源科技有限公司 | 基于大数据的园区短期负荷预测方法 |
-
2023
- 2023-08-23 CN CN202311061116.1A patent/CN116780536B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021133253A1 (en) * | 2019-12-25 | 2021-07-01 | Envision Digital International Pte. Ltd. | Method and apparatus for predicting energy consumption, and device and storage medium thereof |
| CN111950932A (zh) * | 2020-08-26 | 2020-11-17 | 北京信息科技大学 | 基于多源信息融合的中小微企业综合质量画像方法 |
| CN112686473A (zh) * | 2021-01-22 | 2021-04-20 | 国网江苏省电力有限公司营销服务中心 | 一种基于分类算法的用电量预测方法及预测系统 |
| CN114398473A (zh) * | 2022-01-19 | 2022-04-26 | 平安国际智慧城市科技股份有限公司 | 企业画像生成方法、装置、服务器及存储介质 |
| CN116579496A (zh) * | 2023-05-26 | 2023-08-11 | 中科聚(北京)能源科技有限公司 | 基于大数据的园区短期负荷预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于数据中台的科技型产业园区能效管理平台研究与应用;崔一澜 等;《全球能源互联网》;第06卷(第02期);第216-224页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116780536A (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116780536B (zh) | 基于机器学习的能耗预测方法及系统 | |
| US11485249B2 (en) | And control of electric vehicle charging infrastructure | |
| US20190165580A1 (en) | System and method for optimal control of energy storage system | |
| CN106789563B (zh) | 用电业务提醒方法及装置 | |
| CN113452145B (zh) | 一种低压台区用户的用电情况监测方法及系统 | |
| CN107533780A (zh) | 一种基于智能电表的费用管理系统及方法 | |
| CN109919676A (zh) | 一种智能环保袋计费管理方法及系统 | |
| CN109213804A (zh) | 一种具备自动提醒功能的智能用电管理控制方法 | |
| CN111652699A (zh) | 用于税票系统的数据传输方法 | |
| CN110659816A (zh) | 一种共享移动电源的调度方法、运维系统前端及后端 | |
| CN115271514A (zh) | 通讯企业的监控方法、装置、电子设备及存储介质 | |
| CN115660546A (zh) | 一种电力计量资产仓储管理方法及系统 | |
| CN110582787B (zh) | 更新聚集配置和控制数据聚集的计算机系统和方法 | |
| CN112633663A (zh) | 一种基于大数据平台的电费抄表核算分析系统 | |
| CN110580590A (zh) | 一种电池储能设备收益结算装置 | |
| CN113591005B (zh) | 信息推送方法、装置及终端 | |
| CN111164639A (zh) | 设备管理系统和设备管理方法 | |
| US11948210B2 (en) | Methods of allocating energy generated by a community solar energy system | |
| CN107786635A (zh) | 基于复合物联网的智能表费用收取方法及物联网系统 | |
| CN117196543B (zh) | 一种基于资金池的多用电表充值管理方法及系统 | |
| CN107590650A (zh) | 天然气的销售方法、装置及应急售气系统 | |
| CN115841185A (zh) | 一种业务投诉预测方法、装置、智能终端及存储介质 | |
| CN114565434A (zh) | 共享设备机柜的管理方法、装置、设备及介质 | |
| CN115238922A (zh) | 一种电网抄核收风险数字化智能防范系统 | |
| CN115034559A (zh) | 负荷调整方法、装置、电子设备和存储介质 |
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 |