CN116823383A - 一种电力零售套餐推荐方法、系统、电子设备及存储介质 - Google Patents
一种电力零售套餐推荐方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116823383A CN116823383A CN202310579509.5A CN202310579509A CN116823383A CN 116823383 A CN116823383 A CN 116823383A CN 202310579509 A CN202310579509 A CN 202310579509A CN 116823383 A CN116823383 A CN 116823383A
- Authority
- CN
- China
- Prior art keywords
- retail
- peak
- historical
- user
- package
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000005611 electricity Effects 0.000 claims abstract description 208
- 238000012549 training Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000007774 longterm Effects 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005485 electric heating Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000026280 response to electrical stimulus Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种电力零售套餐推荐方法、系统、电子设备及存储介质，涉及电力交易技术领域。方法包括：获取零售用户的购电需求；根据所述购电需求，获取所述零售用户的历史用电信息；基于所述历史用电信息，进行负荷预测，获取所述零售用户在未来的预设时间段内的预测负荷曲线；根据所述预测负荷曲线和预先获取的峰平谷时间段，获取峰平谷比例；将所述峰平谷比例与预设的电力零售套餐集中的电力零售套餐进行匹配，完成电力零售套餐推荐。本发明中的电力零售套餐推荐方法、系统、电子设备及存储介质，能够较好地提高用户需求与推荐套餐的匹配度，较好地满足了不同零售用户的个性化用电需求，精确度较高，成本较低，有效提高零售用户的购电体验感。
Description
技术领域
本发明涉及电力交易技术领域，尤其涉及一种电力零售套餐推荐方法、系统、电子设备及存储介质。
背景技术
随着经济的不断发展，各地需要有序推动工商业用户全部进入电力市场。一般工商业用户进入电力市场后，不仅数量繁多，且行业分布广泛，这就为电力零售行业带来了巨大的挑战。
目前，售电公司通常采用“见面直销”模式进行售电，然而，这种模式已经不能较好地满足规模化电力零售业务开展的需要。并且，由于缺乏一般的工商业用户画像，电力零售公司通常推荐给零售用户的电力零售套餐与零售用户的用电需求匹配度较低，不能较好地满足不同零售用户的个性化用电需求。也不能为零售用户提供准确有效的政策信息与用电指导建议，导致用户购电体验较差。电力零售公司也无法较好地结合电力交易需要开展精细化的负荷管理工作。
发明内容
本发明提供一种电力零售套餐推荐方法、系统、电子设备及存储介质，以解决现有技术中推荐给零售用户的电力零售套餐与零售用户的用电需求匹配度较低，不能较好地满足不同零售用户的个性化用电需求的问题。
本发明提供的电力零售套餐推荐方法，包括：
获取零售用户的购电需求；
根据所述购电需求，获取所述零售用户的历史用电信息；
基于所述历史用电信息，进行负荷预测，获取所述零售用户在未来的预设时间段内的预测负荷曲线；
根据所述预测负荷曲线和预先获取的峰平谷时间段，获取峰平谷比例；
将所述峰平谷比例与预设的电力零售套餐集中的电力零售套餐进行匹配，完成电力零售套餐推荐。
可选的，根据所述购电需求，获取所述零售用户的历史用电信息的步骤包括：
根据所述购电需求中零售用户的所在地区，获取所述零售用户对应的调度机构，从相应的调度机构获取所述零售用户的历史用电信息；
或者，获取零售用户的历史用电曲线，所述历史用电曲线由零售用户输入得到，将所述历史用电曲线作为所述历史用电信息。
可选的，基于所述历史用电信息，进行负荷预测，获取所述零售用户在未来的预设时间段内的预测负荷曲线的步骤包括：
根据所述历史用电信息与零售用户的生产计划安排，进行负荷预测，获取所述预测负荷曲线，所述生产计划安排通过用户输入得到，或者通过用户触发预设的生产计划模板得到；
或者，将所述历史用电信息输入预先训练好的负荷预测模型进行负荷预测，获取所述预测负荷曲线，
其中，所述负荷预测模型的获取方式包括：获取训练集，所述训练集包括：多个训练样本、以及与所述训练样本相对应的实际训练结果；
将所述训练样本输入预设的神经网络进行训练，获取预测结果；
根据所述预测结果和实际训练结果之间的差距，对所述神经网络进行迭代训练，获取所述负荷预测模型。
可选的，根据所述预测负荷曲线和预先获取的峰平谷时间段，获取峰平谷比例的步骤包括：
根据预设的峰平谷比例获取规则、所述预测负荷曲线和所述峰平谷时间段，获取峰平谷比例；
所述峰平谷比例获取规则的数学表达为：
A:B:C
其中，A为峰时间段总电量，B为平时间段总电量，C为谷时间段总电量。
可选的，获取所述电力零售套餐集的步骤包括：
获取多个历史用户对应的调度机构，并从对应的调度机构获取历史用户关联信息，所述历史用户关联信息包括：历史用户的历史平均用电曲线；
将所述历史用户关联信息输入预设的安全约束经济调度模型进行优化处理，获取所述历史用户在未来的预设时间段内的预测电价；
根据所述历史用户关联信息和所述预测电价，获取预测基准价；
根据所述历史平均用电曲线和获取的峰平谷时间段，确定历史用户对应的峰平谷比例；
根据所述预测基准价和历史用户对应的峰平谷比例，获取峰平谷基准价；
基于所述预测基准价和峰平谷基准价，制定电力零售套餐，所述电力零售套餐分别具有对应的峰平谷比例，完成电力零售套餐集的创建。
可选的，基于所述预测基准价和峰平谷基准价，制定电力零售套餐的步骤包括：
将所述预测基准价、峰平谷基准价、获取的交易涨幅分成比例和交易降幅分成比例作为套餐基础参数，进行电力零售套餐制定；
其中，所述电力零售套餐包括：固定服务费套餐和分成模式套餐；
所述固定服务费套餐包括：预测基准价、峰平谷基准价、固定服务费和配置套餐期限；
所述分成模式套餐包括：预测基准价、峰平谷基准价、交易涨幅分成比例、交易降幅分成比例和配置套餐期限，所述交易涨幅分成比例和交易降幅分成比例为售电公司与用户各自承担的电力购买费用的损益比例。
可选的，将所述峰平谷比例与获取的电力零售套餐集中的电力零售套餐进行匹配，完成电力零售套餐推荐的步骤之后还包括：
将所述峰平谷比例与获取的电力零售套餐集中的电力零售套餐进行匹配，获取一个或多个匹配零售套餐；
当接收到零售用户对所述匹配零售套餐的费用测算请求时，对相应的匹配零售套餐进行费用测算，获取匹配零售套餐的测算信息，所述测算信息包括：单日总电量、单日总电费、月度总电量和月度总电费；
当接收到零售用户对任一匹配零售套餐的结算请求时，获取所述零售用户的历史电费单；
通过对所述历史电费单进行图片识别，获取电费关联信息，所述电费关联信息包括：历史到户价和历史交易价格；
基于所述电费关联信息和对应的匹配零售套餐，生成结算单并推送至零售用户的终端设备。
本发明还提供一种电力零售套餐推荐系统，包括：
需求获取模块，用于获取零售用户的购电需求；
负荷预测模块，用于根据所述购电需求，获取所述零售用户的历史用电信息；基于所述历史用电信息，进行负荷预测，获取所述零售用户在未来的预设时间段内的预测负荷曲线；
峰平谷比例获取模块，用于根据所述预测负荷曲线和预先获取的峰平谷时间段，获取峰平谷比例；
套餐推荐模块，用于将所述峰平谷比例与预设的电力零售套餐集中的电力零售套餐进行匹配，完成电力零售套餐推荐；
所述需求获取模块、负荷预测模块、峰平谷比例获取模块和套餐推荐模块连接。
本发明还提供一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令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上述中任一项所述的电力零售套餐推荐方法。
本发明还提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行根据上述中任一项所述的电力零售套餐推荐方法。
本发明的有益效果：本发明中的电力零售套餐推荐方法、系统、电子设备及存储介质，通过获取零售用户的购电需求，根据购电需求，获取零售用户的历史用电信息，并基于历史用电信息，进行负荷预测，获取相应的预测负荷曲线，进而根据预测负荷曲线和预先获取的峰平谷时间段，获取峰平谷比例，之后再利用峰平谷比例进行套餐匹配，能够较好地提高用户需求与推荐套餐的匹配度，较好地满足了不同零售用户的个性化用电需求，精确度较高，成本较低，有效提高零售用户的购电体验感。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1示出了本发明实施例电力零售套餐推荐方法的流程示意图。
图2示出了本发明实施例电力零售套餐推荐方法中获取零售用户的历史用电信息的流程示意图一。
图3示出了本发明实施例电力零售套餐推荐方法中获取零售用户的历史用电信息的流程示意图二。
图4示出了本发明实施例电力零售套餐推荐方法中获取电力零售套餐集的流程示意图。
图5示出了本发明实施例电力零售套餐推荐方法中套餐匹配、费用测算及结算的流程示意图。
图6示出了本发明实施例电力零售套餐推荐系统的结构示意图。
图7示出了本发明实施例一种电子设备的组成结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
为使本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中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，而非全部实施例。基于本发明中的实施例，本领域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。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
目前，电力零售行业存在大量的零售用户，不同零售用户的购电需求各不相同。有些客户的用电量比较大，他们可能希望购买更多的电力，因此需要选择较大用电量的套餐。有些客户的用电量比较小，他们可能希望购买更少的电力，因此可以选择小用电量的套餐。并且，每位零售用户的用电时间也不同，如有些客户希望在高峰期使用电力，因此需要选择高峰期用电量较大的套餐。有些客户可能希望在低峰期使用电力，因此可以选择低峰期用电量较大的套餐。对此，传统的“见面直销”的方式已经不能满足众多零售用户的个性化购电需求。因此，本申请提出一种电力零售套餐推荐方法、系统、电子设备及存储介质，通过获取零售用户的购电需求，根据购电需求，获取零售用户的历史用电信息，然后，基于历史用电信息，进行负荷预测，获取相应的预测负荷曲线，再根据预测负荷曲线和预先获取的峰平谷时间段，获取峰平谷比例，最后利用峰平谷比例进行套餐匹配，将匹配度较高的电力零售套餐推荐给用户，较好地满足了不同零售用户的个性化用电需求，能够较好地提高用户需求与推荐套餐的匹配度，精确度较高。将用户的用电量需求、用电时间需求有机结合，能够帮助零售用户更好地控制用电费用，并且可以有助于提高电力公司的运营效率。同时，促进电力市场的竞争，提高电力的质量和服务水平。
为了便于理解，在此对本发明涉及的技术术语进行解释。
零售用户：通常将参与零售市场交易的电力大用户和一般用户称为零售用户。
电力零售交易：指售电公司与电力用户之间开展的电力交易活动的总称。
电力零售套餐：是售电公司为客户提供的一种购买电力的方式。电力零售套餐通常包含电力的价格、用电量和使用时间等信息。
负荷预测：负荷预测是保证电力供需平衡的基础,并为电网、电源的规划建设以及电网企业、电网使用者的经营决策提供信息和依据。负荷预测分为长期、中期、短期和超短期负荷预测。
请参考图1，本实施例中的电力零售套餐推荐方法，包括：
S101：获取零售用户的购电需求。具体的，所述购电需求包括：用户名称、所在省市、电压等级、用电类型和月度计划电量。所述购电需求的获取方式可以通过用户输入的方式获取。本步骤通过获取零售用户的购电需求，能够便于后续根据用户的购电需求进行负荷预测与套餐匹配等，有助于提高后续电力零售套餐推荐的精确度。
需要说明的是，在一些实施例中，获取零售用户的购电需求的步骤之前还包括：
获取用户的注册信息，所述注册信息为售电用户在售电平台注册时输入的信息，所述注册信息包括：联系人、法人名称、电子邮箱、法人身份证号、办公电话、通讯地址、全年预计总电量、行业分类、是否为高耗能企业、是否为电供暖企业等；所述行业分类包括：一般工商业及其他用电和大工业用电。
S102：根据所述购电需求，获取所述零售用户的历史用电信息。可以理解的，所述历史用电信息包括该零售用户在预设时间段内每天的用电情况，可以每隔15分钟采集一次。本步骤通过获取零售用户的历史用电信息，能够便于对零售用户未来的负荷情况进行预测，其中，负荷情况表示零售用户的用电情况。
S103：基于所述历史用电信息，进行负荷预测，获取所述零售用户在未来的预设时间段内的预测负荷曲线。具体的，负荷预测指对零售用户未来的预设时间段内的用电曲线进行预测，可以有助于识别用户未来的预设时间段内的用电分布情况。预测负荷曲线表示未来的预设时间段内该零售用户的用电分布情况，如每隔15分钟该零售用户的用电量等。
S104：根据所述预测负荷曲线和预先获取的峰平谷时间段，获取峰平谷比例。需要说明的，每个地区的峰平谷时间段可能存在差异，因此，需要获取与零售用户相对应的峰平谷时间段，才能获取该零售用户在未来的预设时间段内的峰平谷比例。其中，峰平谷比例为零售用户在未来的预设时间段内峰平谷三个时段内的用电量比值。
还需要说明的是，所述峰平谷时间段的获取步骤包括：
根据所述购电需求中零售用户的所在省市，获取对应省市的峰平谷时间段；所述峰平谷时间段包括：峰时间段、平时间段和谷时间段。即可以根据零售用户所在地的政府要求，获取相应的峰平谷时间段。
S105：将所述峰平谷比例与预设的电力零售套餐集中的电力零售套餐进行匹配，完成电力零售套餐推荐。具体的，电力零售套餐集中每个电力零售套餐都具有对应的峰平谷比例，将零售用户的峰平谷比例与电力零售套餐集中的电力零售套餐进行匹配，能够获取与用户购电需求匹配度较高的电力零售套餐，进而根据预设的套餐推荐规则，将不同类型的一个或多个电力零售套餐推荐给零售用户，能够有效提高用户的购电体验感，与用户购电需求的贴合度较高，精确度较高。
为了便于对零售用户进行负荷预测，需要提前获取零售用户对应的历史用电信息。请参考图2，在一些实施例中，根据所述购电需求，获取所述零售用户的历史用电信息的步骤包括：
S201：根据所述购电需求中零售用户的所在地区，确定所述零售用户对应的调度机构。各个地区分别对应不同的调度机构。
S202：从相应的调度机构获取所述零售用户的历史用电信息。即从当前零售用户对应的调度机构中获取零售用户的历史用电信息，如前一个月内每天的历史用电情况等。
需要提及的是，在从调度机构获取零售用户的历史用电信息时，需要进行权限验证，例如：首先获取零售用户的授权信息，之后将所述授权信息和当前售电平台的验证信息发送至调度机构进行权限验证，验证成功后，接收调度机构发送的零售用户的历史用电信息。通过进行权限验证，有助于提高电力零售套餐推荐过程中信息传输与获取的安全性。
如图3所示，在一些实施例中，还可以通过用户输入的方式，获取零售用户的历史用电信息，步骤包括：
S301：获取零售用户的历史用电曲线，所述历史用电曲线由零售用户输入得到。具体的，所述历史用电曲线可以通过用户直接输入得到，也可以通过下载预设的用电曲线录入模板，导入自己的用电曲线进行测算。模板填写字段为1-24时的用电量，单位kWh，可填写多条，每一行代表一天负荷电量数据。
S302：将所述历史用电曲线作为所述历史用电信息。
可以理解的，为了提高电力零售套餐的精确度，本实施例提出对用户进行负荷预测。在一些实施例中，基于所述历史用电信息，进行负荷预测，获取所述零售用户在未来的预设时间段内的预测负荷曲线的步骤包括：
根据所述历史用电信息与零售用户的生产计划安排，进行负荷预测，获取所述预测负荷曲线，所述生产计划安排通过用户输入得到，或者通过用户触发预设的生产计划模板得到；或者，将所述历史用电信息输入预先训练好的负荷预测模型进行负荷预测，获取所述预测负荷曲线。
具体的，零售用户的生产计划安排可以通过用户输入的方式获得，也可以通过用户选择预设的生产计划模板获得，例如，预先设置全天平稳生产、白天生产(一班制)、避峰时段生产等生产计划模板，用户可以选择相应的生产计划模板作为自己的生产计划安排。
在一实施例中，所述负荷预测模型的获取方式包括：获取训练集，所述训练集包括：多个训练样本、以及与所述训练样本相对应的实际训练结果；
将所述训练样本输入预设的神经网络进行训练，获取预测结果；
根据所述预测结果和实际训练结果之间的差距，对所述神经网络进行迭代训练，获取所述负荷预测模型。所述神经网络可以是深度神经网络或者卷积神经网络等。通过对神经网络进行迭代训练，能够较好地提高获取的负荷预测模型的精准度。
在一些实施例中，根据所述预测负荷曲线和预先获取的峰平谷时间段，获取峰平谷比例的步骤包括：
根据预设的峰平谷比例获取规则、所述预测负荷曲线和所述峰平谷时间段，获取峰平谷比例。
其中，所述峰平谷比例获取规则的数学表达为：
A:B:C
其中，A为峰时间段总电量，B为平时间段总电量，C为谷时间段总电量。所述峰时间段总电量为预测负荷曲线中峰时间段用电量之和，所述平时间段总电量为预测负荷曲线中平时间段用电量之和，所述谷时间段总电量为预测负荷曲线中谷时间段用电量之和。可以理解的，上述峰时间段表示高峰时间段，平时间段表示平常时间段，谷时间段表示低谷时间段。
为了便于对零售用户的购电需求进行较精准的响应，并且，提高响应的及时性，本实施例提出，通过预先对历史用户的用电情况和购电情况进行综合分析，获取电力零售套餐集，所述电力零售套餐集中每个电力零售套餐都具有对应的峰平谷比例。具体请参考图4，在一些实施例中，获取所述电力零售套餐集的步骤还包括：
S401：获取多个历史用户对应的调度机构，并从对应的调度机构获取历史用户关联信息，所述历史用户关联信息包括：历史用户的历史平均用电曲线。具体的，所述历史平均用电曲线指将预设时间段内每天每个相同时段的用电量进行累加并求取平均值的曲线。例如：每天每个15分钟采集一次用电量，每天共采集96次，也就是96个点，将预设时间段内96个点的用电量进行分别累加，再除以预设时间段的对应天数，则获取所述历史平均用电曲线。
在一些实施例中，可以通过预设的软件算法从对应的调度机构获取所述历史用户关联信息，例如：采用数据爬取等方式获取，具体包括：首先，进行逆向前端环境搭建：手机刷机(即手机重装系统)、安装magisk，其次，在网上国网app进行抓包：通过抓包分析数据请求接口以及必须携带的参数，然后，发送请求，即通过预设的脚本向国网发送请求返回目标数据，所述目标数据指历史用户关联信息。Magisk是一套用于定制Android的开源工具，在具体实施过程中，还可以采用其他现有的开源工具，本实施例对此不做限定。
S402：将所述历史用户关联信息输入预设的安全约束经济调度模型进行优化处理，获取所述历史用户在未来的预设时间段内的预测电价。具体的，所述安全约束经济调度(SCED，Security Constrained Economic Dispatch)模型可以是采用现有的安全约束经济调度算法进行创建，此处不再赘述。例如：根据最新电网运行信息，结合负荷平衡、机组运行约束、网络安全约束、火电最小发电能力，采用安全约束经济调度算法进行集中优化计算，滚动出清未来15分钟至2小时的电价。通过预测历史用户未来预设时间段内的预测电价，能够有助于后续进行零售套餐创建。
S403：根据所述历史用户关联信息和所述预测电价，获取预测基准价。
在一些实施例中，根据所述历史用户关联信息和所述预测电价，获取预测基准价的数学表达为：
∑(24个点)[min(Q中长期电量，Q实际用电量)*P中长期价格
+max(0，Q实际用电量-Q中长期电量)
*P预测电价]/∑(24个点)Q实际用电量
其中，24个点表示24个小时，Q中长期电量为历史用户中长期使用的电量，Q实际用电量为历史平均用电曲线中历史用户每小时实际使用的电量，P中长期价格为历史用户中长期的电费价格，P预测电价为预测电价。
S404：根据所述历史平均用电曲线和获取的峰平谷时间段，确定历史用户对应的峰平谷比例。可以理解的，此处获取的峰平谷时间段是历史用户所在地区的峰平谷时间段。
S405：根据所述预测基准价和历史用户对应的峰平谷比例，获取峰平谷基准价。
在一些实施例中，峰平谷基准价格＝基准价×峰平谷比例。
S406：基于所述预测基准价和峰平谷基准价，制定电力零售套餐，所述电力零售套餐分别具有对应的峰平谷比例，完成电力零售套餐集的创建。
在一些实施例中，基于所述预测基准价和峰平谷基准价，制定电力零售套餐的步骤包括：
S4061：将所述预测基准价、峰平谷基准价、获取的交易涨幅分成比例和交易降幅分成比例作为套餐基础参数，进行电力零售套餐制定。
其中，所述电力零售套餐包括：固定服务费套餐和分成模式套餐。
所述固定服务费套餐包括：预测基准价、峰平谷基准价、固定服务费和配置套餐期限。在一些实施例中，所述固定服务费套餐还包括：用电类型、电压等级和用电量区间。所述固定服务费包括：售电公司代理服务费和售电公司考核费用，其中，售电公司代理服务费(技术服务费)＝委托代理电量×代理服务价格；售电公司考核费用＝少于15％的电量×电网代理购电各时段电价×0.15。
所述分成模式套餐包括：预测基准价、峰平谷基准价、交易涨幅分成比例、交易降幅分成比例和配置套餐期限，所述交易涨幅分成比例和交易降幅分成比例为售电公司与用户各自承担的电力购买费用的损益比例。通过设置两种套餐类型，能够增大零售用户的选择空间，例如：当零售用户想要购买风险程度较小的电力零售套餐时，可以选择固定服务费套餐，当零售用户想要购买风险程度较大收益可能性较大的电力零售套餐时，可以选择分成模式套餐。
图5示出了本发明实施例电力零售套餐推荐方法中套餐匹配、费用测算及结算的流程示意图，步骤包括：
S501：将所述峰平谷比例与获取的电力零售套餐集中的电力零售套餐进行匹配，获取一个或多个匹配零售套餐。可以理解的，所述匹配零售套餐包括：固定服务费套餐和分成模式套餐。
S502：当接收到零售用户对所述匹配零售套餐的费用测算请求时，对相应的匹配零售套餐进行费用测算，获取匹配零售套餐的测算信息，所述测算信息包括：单日总电量、单日总电费、月度总电量和月度总电费。具体的，可以利用预设的测算规则对匹配零售套餐进行费用测算，测算规则可以根据实际情况进行设置，此处不再赘述。
S503：当接收到零售用户对任一匹配零售套餐的结算请求时，获取所述零售用户的历史电费单。具体的，所述历史电费单可以由用户进行输入获得。
S504：通过对所述历史电费单进行图片识别，获取电费关联信息，所述电费关联信息包括：历史到户价和历史交易价格。其中，图片识别的方法可以采用OCR(OpticalCharacter Recognition，光学字符识别)图片识别等。
S505：基于所述电费关联信息和对应的匹配零售套餐，生成结算单并推送至零售用户的终端设备。
在一些实施例中，基于所述电费关联信息和对应的匹配零售套餐，生成结算单的步骤包括：根据所述电费关联信息、对应的匹配零售套餐和预设的结算规则，进行结算参数计算，生成所述结算单。所述结算规则可以根据实际情况进行设置，此处不再赘述。结算参数包括：到户价、交易价格、交易降幅、实际服务费、结算电费、整体中长期价格、整体基准对标价格、中长期服务费、现货服务费、中长期服务费单价。
其中，到户价＝应收总电费/实际用电量(合计)；
交易价格(交易单价)＝(交易结算电费+上月现货市场回收、不平衡资金、补偿费用及其分摊)/交易结算电量；
交易降幅＝整体基准对标价格(已知的)-交易价格；
分成用户实际服务费交易降幅>0：交易降幅*实际用电量(合计)*降幅分成；
分成用户实际服务费交易降幅<0：交易降幅*实际用电量(合计)*涨幅分成；
固定服务费用户实际服务费＝代理服务费；
结算电费(售电公司所收的服务费)＝实际服务费-代理服务费；
整体中长期价格＝(实际用电量(峰)*中长期价格(峰)+实际用电量(平)*中长期价格(平)+实际用电量(谷)*中长期价格(谷))/实际用电量(合计)；
整体基准对标价格＝(实际用电量(峰)*基准对标价格(峰)+实际用电量(平)*基准对标价格(平)+实际用电量(谷)*基准对标价格(谷))/实际用电量(合计)；
中长期服务费＝代理服务费-现货服务费；
现货服务费＝现货服务费单价*实际用电量(合计)；
中长期服务费单价＝中长期服务费/实际用电量(合计)。上述公式为举例，具体实施过程中，可以根据实际情况进行适应性修改，此处不再赘述。
实施例一：
当某厂家需要进行购电时。售电公司端需要进行如下步骤：
首先，获取零售用户的购电需求。
其次，根据所述购电需求，获取所述零售用户的历史用电信息。
然后，基于所述历史用电信息，进行负荷预测，获取所述零售用户在未来的预设时间段内的预测负荷曲线。
再根据所述预测负荷曲线和获取的峰平谷时间段，获取峰平谷比例。
最后，将所述峰平谷比例与获取的电力零售套餐集中的电力零售套餐进行匹配，完成电力零售套餐推荐。
实施例二：
当某厂家需要进行购电时。用户端需要进行如下操作流程：
首先，该厂家需要先进行注册，输入联系人、法人名称、电子邮箱、法人身份证号、办公电话、通讯地址、全年预计总电量、行业分类(一般工商业及其他用电、大工业用电)、是否为高耗能企业、是否为电供暖企业、营业执照等信息；
其次，登录售电平台，输入购电需求，所述购电需求包括：用户名称、所在省市、电压等级、用电类型和月度计划电量；
之后，上传本厂家的历史用电曲线，获取平台推荐的电力零售套餐；
然后，根据需要点击或触摸相应的电力零售套餐进行费用测算；
最后，根据实际需要进行套餐绑定与套餐结算，完成购电。
请参考图6，本实施例还提供一种电力零售套餐推荐系统，包括：
需求获取模块601，用于获取零售用户的购电需求；
负荷预测模块602，用于根据所述购电需求，获取所述零售用户的历史用电信息；基于所述历史用电信息，进行负荷预测，获取所述零售用户在未来的预设时间段内的预测负荷曲线；
峰平谷比例获取模块603，用于根据所述预测负荷曲线和预先获取的峰平谷时间段，获取峰平谷比例；
套餐推荐模块604，用于将所述峰平谷比例与预设的电力零售套餐集中的电力零售套餐进行匹配，完成电力零售套餐推荐；所述需求获取模块601、负荷预测模块602、峰平谷比例获取模块603和套餐推荐模块604连接。本实施例中的电力零售套餐推荐系统，通过获取零售用户的购电需求，根据购电需求，获取零售用户的历史用电信息，并基于历史用电信息，进行负荷预测，获取相应的预测负荷曲线，进而根据预测负荷曲线和获取的峰平谷时间段，获取峰平谷比例，之后再利用峰平谷比例进行套餐匹配，能够较好地提高用户需求与推荐套餐的匹配度，较好地满足了不同零售用户的个性化用电需求，精确度较高，成本较低，有效提高零售用户的购电体验感，可行性较高，可实施性较强。
在一些实施例中，负荷预测模块602根据所述购电需求，获取所述零售用户的历史用电信息的步骤包括：
根据所述购电需求中零售用户的所在地区，获取所述零售用户对应的调度机构，从相应的调度机构获取所述零售用户的历史用电信息；
或者，获取零售用户的历史用电曲线，所述历史用电曲线由零售用户输入得到，将所述历史用电曲线作为所述历史用电信息。
在一些实施例中，负荷预测模块602基于所述历史用电信息，进行负荷预测，获取所述零售用户在未来的预设时间段内的预测负荷曲线的步骤包括：
根据所述历史用电信息与零售用户的生产计划安排，进行负荷预测，获取所述预测负荷曲线，所述生产计划安排通过用户输入得到，或者通过用户触发预设的生产计划模板得到；
或者，将所述历史用电信息输入预先训练好的负荷预测模型进行负荷预测，获取所述预测负荷曲线，
其中，所述负荷预测模型的获取方式包括：获取训练集，所述训练集包括：多个训练样本、以及与所述训练样本相对应的实际训练结果；
将所述训练样本输入预设的神经网络进行训练，获取预测结果；
根据所述预测结果和实际训练结果之间的差距，对所述神经网络进行迭代训练，获取所述负荷预测模型。
在一些实施例中，峰平谷比例获取模块603根据所述预测负荷曲线和预先获取的峰平谷时间段，获取峰平谷比例的步骤包括：
根据预设的峰平谷比例获取规则、所述预测负荷曲线和所述峰平谷时间段，获取峰平谷比例；
所述峰平谷比例获取规则的数学表达为：
A:B:C
其中，A为峰时间段总电量，B为平时间段总电量，C为谷时间段总电量。
在一些实施例中，套餐推荐模块604获取所述电力零售套餐集的步骤包括：
获取多个历史用户对应的调度机构，并从对应的调度机构获取历史用户关联信息，所述历史用户关联信息包括：历史用户的历史平均用电曲线；
将所述历史用户关联信息输入预设的安全约束经济调度模型进行优化处理，获取所述历史用户在未来的预设时间段内的预测电价；
根据所述历史用户关联信息和所述预测电价，获取预测基准价；
根据所述历史平均用电曲线和获取的峰平谷时间段，确定历史用户对应的峰平谷比例；
根据所述预测基准价和历史用户对应的峰平谷比例，获取峰平谷基准价；
基于所述预测基准价和峰平谷基准价，制定电力零售套餐，所述电力零售套餐分别具有对应的峰平谷比例，完成电力零售套餐集的创建。
在一些实施例中，基于所述预测基准价和峰平谷基准价，制定电力零售套餐的步骤包括：
将所述预测基准价、峰平谷基准价、获取的交易涨幅分成比例和交易降幅分成比例作为套餐基础参数，进行电力零售套餐制定；
其中，所述电力零售套餐包括：固定服务费套餐和分成模式套餐；
所述固定服务费套餐包括：预测基准价、峰平谷基准价、固定服务费和配置套餐期限；
所述分成模式套餐包括：预测基准价、峰平谷基准价、交易涨幅分成比例、交易降幅分成比例和配置套餐期限，所述交易涨幅分成比例和交易降幅分成比例为售电公司与用户各自承担的电力购买费用的损益比例。
在一些实施例中，还包括：费用测算模块，用于在将所述峰平谷比例与获取的电力零售套餐集中的电力零售套餐进行匹配，获取一个或多个匹配零售套餐的步骤之后，当接收到零售用户对所述匹配零售套餐的费用测算请求时，对相应的匹配零售套餐进行费用测算，获取匹配零售套餐的测算信息，所述测算信息包括：单日总电量、单日总电费、月度总电量和月度总电费。
在一些实施例中，还包括：结算模块，用于当接收到零售用户对任一匹配零售套餐的结算请求时，获取所述零售用户的历史电费单；通过对所述历史电费单进行图片识别，获取电费关联信息，所述电费关联信息包括：历史到户价和历史交易价格；基于所述电费关联信息和对应的匹配零售套餐，生成结算单并推送至零售用户的终端设备。
图7示出了可以用来实施本发明的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如电力零售套餐推荐方法。例如，在一些实施例中，电力零售套餐推荐方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的电力零售套餐推荐方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行电力零售套餐推荐方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。
在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种电力零售套餐推荐方法，其特征在于，包括：
获取零售用户的购电需求；
根据所述购电需求，获取所述零售用户的历史用电信息；
基于所述历史用电信息，进行负荷预测，获取所述零售用户在未来的预设时间段内的预测负荷曲线；
根据所述预测负荷曲线和预先获取的峰平谷时间段，获取峰平谷比例；
将所述峰平谷比例与预设的电力零售套餐集中的电力零售套餐进行匹配，完成电力零售套餐推荐。
2.根据权利要求1所述的电力零售套餐推荐方法，其特征在于，根据所述购电需求，获取所述零售用户的历史用电信息的步骤包括：
根据所述购电需求中零售用户的所在地区，获取所述零售用户对应的调度机构，从相应的调度机构获取所述零售用户的历史用电信息；
或者，获取零售用户的历史用电曲线，所述历史用电曲线由零售用户输入得到，将所述历史用电曲线作为所述历史用电信息。
3.根据权利要求1所述的电力零售套餐推荐方法，其特征在于，基于所述历史用电信息，进行负荷预测，获取所述零售用户在未来的预设时间段内的预测负荷曲线的步骤包括：
根据所述历史用电信息与零售用户的生产计划安排，进行负荷预测，获取所述预测负荷曲线，所述生产计划安排通过用户输入得到，或者通过用户触发预设的生产计划模板得到；
或者，将所述历史用电信息输入预先训练好的负荷预测模型进行负荷预测，获取所述预测负荷曲线，
其中，所述负荷预测模型的获取方式包括：获取训练集，所述训练集包括：多个训练样本、以及与所述训练样本相对应的实际训练结果；
将所述训练样本输入预设的神经网络进行训练，获取预测结果；
根据所述预测结果和实际训练结果之间的差距，对所述神经网络进行迭代训练，获取所述负荷预测模型。
4.根据权利要求1所述的电力零售套餐推荐方法，其特征在于，根据所述预测负荷曲线和预先获取的峰平谷时间段，获取峰平谷比例的步骤包括：
根据预设的峰平谷比例获取规则、所述预测负荷曲线和所述峰平谷时间段，获取峰平谷比例；
所述峰平谷比例获取规则的数学表达为：
A:B:C
其中，A为峰时间段总电量，B为平时间段总电量，C为谷时间段总电量。
5.根据权利要求1所述的电力零售套餐推荐方法，其特征在于，获取所述电力零售套餐集的步骤还包括：
获取多个历史用户对应的调度机构，并从对应的调度机构获取历史用户关联信息，所述历史用户关联信息包括：历史用户的历史平均用电曲线；
将所述历史用户关联信息输入预设的安全约束经济调度模型进行优化处理，获取所述历史用户在未来的预设时间段内的预测电价；
根据所述历史用户关联信息和所述预测电价，获取预测基准价；
根据所述历史平均用电曲线和获取的峰平谷时间段，确定历史用户对应的峰平谷比例；
根据所述预测基准价和历史用户对应的峰平谷比例，获取峰平谷基准价；
基于所述预测基准价和峰平谷基准价，制定电力零售套餐，所述电力零售套餐分别具有对应的峰平谷比例，完成电力零售套餐集的创建。
6.根据权利要求5所述的电力零售套餐推荐方法，其特征在于，基于所述预测基准价和峰平谷基准价，制定电力零售套餐的步骤包括：
将所述预测基准价、峰平谷基准价、获取的交易涨幅分成比例和交易降幅分成比例作为套餐基础参数，进行电力零售套餐制定；
其中，所述电力零售套餐包括：固定服务费套餐和分成模式套餐；
所述固定服务费套餐包括：预测基准价、峰平谷基准价、固定服务费和配置套餐期限；
所述分成模式套餐包括：预测基准价、峰平谷基准价、交易涨幅分成比例、交易降幅分成比例和配置套餐期限，所述交易涨幅分成比例和交易降幅分成比例为售电公司与用户各自承担的电力购买费用的损益比例。
7.根据权利要求1所述的电力零售套餐推荐方法，其特征在于，将所述峰平谷比例与获取的电力零售套餐集中的电力零售套餐进行匹配，完成电力零售套餐推荐的步骤之后还包括：
将所述峰平谷比例与获取的电力零售套餐集中的电力零售套餐进行匹配，获取一个或多个匹配零售套餐；
当接收到零售用户对所述匹配零售套餐的费用测算请求时，对相应的匹配零售套餐进行费用测算，获取匹配零售套餐的测算信息，所述测算信息包括：单日总电量、单日总电费、月度总电量和月度总电费；
当接收到零售用户对任一匹配零售套餐的结算请求时，获取所述零售用户的历史电费单；
通过对所述历史电费单进行图片识别，获取电费关联信息，所述电费关联信息包括：历史到户价和历史交易价格；
基于所述电费关联信息和对应的匹配零售套餐，生成结算单并推送至零售用户的终端设备。
8.一种电力零售套餐推荐系统，其特征在于，包括：
需求获取模块，用于获取零售用户的购电需求；
负荷预测模块，用于根据所述购电需求，获取所述零售用户的历史用电信息；基于所述历史用电信息，进行负荷预测，获取所述零售用户在未来的预设时间段内的预测负荷曲线；
峰平谷比例获取模块，用于根据所述预测负荷曲线和预先获取的峰平谷时间段，获取峰平谷比例；
套餐推荐模块，用于将所述峰平谷比例与预设的电力零售套餐集中的电力零售套餐进行匹配，完成电力零售套餐推荐。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令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权利要求1-7中任一项所述的电力零售套餐推荐方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的电力零售套餐推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310579509.5A CN116823383A (zh) | 2023-05-22 | 2023-05-22 | 一种电力零售套餐推荐方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310579509.5A CN116823383A (zh) | 2023-05-22 | 2023-05-22 | 一种电力零售套餐推荐方法、系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116823383A true CN116823383A (zh) | 2023-09-29 |
Family
ID=88126684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310579509.5A Pending CN116823383A (zh) | 2023-05-22 | 2023-05-22 | 一种电力零售套餐推荐方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116823383A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118365429A (zh) * | 2024-06-19 | 2024-07-19 | 广东电力交易中心有限责任公司 | 一种购电零售套餐处理推送方法及处理推送平台 |
| CN118644278A (zh) * | 2024-08-13 | 2024-09-13 | 中国工业互联网研究院 | 电力交易方法、装置、设备及存储介质 |
-
2023
- 2023-05-22 CN CN202310579509.5A patent/CN116823383A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118365429A (zh) * | 2024-06-19 | 2024-07-19 | 广东电力交易中心有限责任公司 | 一种购电零售套餐处理推送方法及处理推送平台 |
| CN118644278A (zh) * | 2024-08-13 | 2024-09-13 | 中国工业互联网研究院 | 电力交易方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2022202616B2 (en) | Method and apparatus for facilitating the operation of an on-site energy storage system to co-optimize battery dispatch | |
| US20230419423A1 (en) | Systems and methods for advanced energy settlements, network-based messaging, and software applications for electric power grids, microgrids, grid elements, and/or electric power networks | |
| Wu et al. | Hourly demand response in day‐ahead scheduling for managing the variability of renewable energy | |
| CN116823383A (zh) | 一种电力零售套餐推荐方法、系统、电子设备及存储介质 | |
| US20160072287A1 (en) | Comfort-driven optimization of electric grid utilization | |
| US20180308184A1 (en) | Facilitating power transactions | |
| CN109325537A (zh) | 用电管理方法、装置、计算机设备和存储介质 | |
| Vardanyan et al. | Optimal coordinated bidding of a profit-maximizing EV aggregator under uncertainty | |
| CN115081958B (zh) | 用户电力调整方法、装置、电子设备和计算机可读介质 | |
| CN115511631A (zh) | 一种碳交易方法、装置、电子设备及存储介质 | |
| Tiemann et al. | Operational flexibility for multi-purpose usage of pooled battery storage systems | |
| CN110705738B (zh) | 基于人工智能的智能用电激励需求响应方法和系统 | |
| Razzak et al. | Leveraging Deep Q-Learning to maximize consumer quality of experience in smart grid | |
| CN114282881A (zh) | 折旧测算方法、装置、存储介质及计算机设备 | |
| CN115879975A (zh) | 基于用电企业建设分布式光伏的电力零售套餐制定方法 | |
| CN114971736A (zh) | 电力计量物资需求预测方法、装置、电子设备和存储介质 | |
| Teotia et al. | Modelling local electricity market over distribution network | |
| CN110633860A (zh) | 最大需量的预测方法、装置、电子设备和存储介质 | |
| Hesamzadeh et al. | Transmission Network Investment in a Time of Transition. | |
| CN116976968A (zh) | 资源分配方法、装置、设备及存储介质 | |
| CN111523802A (zh) | 送达时间应答方法、装置、设备及介质 | |
| CN113887825A (zh) | 一种基于不规则时间序列电力销售日现金流预测方法 | |
| CN115907823A (zh) | 大工业用户基本电费优化辅助决策方法及相关产品 | |
| CN113902195A (zh) | 电力销售金额预测方法和系统 | |
| US20200167707A1 (en) | System and method for workload forecasting and distribution |
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 |