CN117236555A - 用户能耗预测方法、设备以及存储介质 - Google Patents
用户能耗预测方法、设备以及存储介质 Download PDFInfo
- Publication number
- CN117236555A CN117236555A CN202311160622.6A CN202311160622A CN117236555A CN 117236555 A CN117236555 A CN 117236555A CN 202311160622 A CN202311160622 A CN 202311160622A CN 117236555 A CN117236555 A CN 117236555A
- Authority
- CN
- China
- Prior art keywords
- local
- energy consumption
- cloud
- user
- model
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用户能耗预测方法、设备以及存储介质。该方法包括：云端采用主ELMO模型，边缘端采用本地ELMO模型，边缘端根据本地数据集分别对其本地ELMO模型进行训练；边缘端判断本地数据集是否需要上传到云端处理：如果本地数据集数据量大，边缘端将本地数据集传输到云端主ELMO模型训练；如果本地数据集数据量小，边缘端在本地自行训练后将得到的本地ELMO模型参数上传至云端；云端对所有模型梯度进行聚合，再将聚合后的全局模型参数传回各边缘端；各边缘端利用传回的全局模型参数进行用户能耗预测。本发明能够提供设备实时状态、统计信息和历史明细信息，对于异常设备，能够进行在线诊断预警、云‑边协同、边平台调控。
Description
技术领域
本发明涉及预测技术领域，具体而言，涉及一种用户能耗预测方法、设备以及存储介质。
背景技术
我国电力物联网发展迅速，随着5G通信网络的逐渐展开，其建设进程进一步加快，对电力系统安全的依赖性也不断加强，对配电网络安全稳定性的提升以及智能化的建设提出了更高要求。
配电物联网建设过程中最为基础的感知层设备数量大幅增长，设备状态数据、运行环境信息等海量异构且不同传输带宽的数据爆炸式增长，给电力数据的传输存储以及运算处理工作带来了巨大压力。因此，实时监控设备状态、及时发现异常设备，对异常设备进行诊断预警、调控等就显得尤为重要。
但是，目前尚未出现能够提供设备实时状态、统计信息和历史明细信息，对于异常设备能够进行在线诊断预警、云-边协同、边平台调控的用户能耗预测方法或系统。
发明内容
本发明实施例提供了一种用户能耗预测方法、设备以及存储介质。
一种用户能耗预测方法，其特征在于，包括以下步骤：
S1，云端采用主ELMO模型，边缘端采用本地ELMO模型，边缘端根据本地数据集分别对其本地ELMO模型进行训练，所述边缘端为终端用户；
S2，根据云边协同机制，结合传感数据处理的需求，边缘端判断本地数据集是否需要上传到云端处理：如果采集的数据占本地存储能力的百分比大于等于预设阈值，则边缘端将本地数据集传输到云端主ELMO模型训练；如果采集的数据占本地存储能力的百分比小于预设阈值，边缘端在本地自行训练后将得到的本地ELMO模型参数上传至云端；云端对所有模型梯度进行聚合，再将聚合后的全局模型参数传回各边缘端；
S3，各边缘端利用传回的全局模型参数进行用户能耗预测
进一步地，所述预设阈值为采集的数据占本地存储能力的10～30％。
进一步地，所述步骤S1包括：
梳理影响不同类型微电网用户能耗的因素，采集所述因素的数据作为本地ELMo模型输入。
进一步地，所述ELMo模型为双层Bi-LSTM模型；所述影响不同类型微电网用户能耗的因素包括：时间、用户画像、外界环境；所述用户画像包括：是否有车、家庭人数、职业；所述外界环境包括：温度、光照、风速。
进一步地，所述步骤S2包括：
针对用户使用强度低、用户需求低，导致数据处理要求也低的能耗场景，在边缘端直接利用数据预处理和预测算法进行处理，数据无需上传到云端计算，以节约网络与云端存储消耗。
进一步地，边缘端在本地自行训练后将得到的模型参数加密上传至云端。
进一步地，所述步骤S2还包括：
对于数据处理要求高的用能场景，边缘端将本地数据传输到云端主ELMO模型训练，调用云端处理器中能耗预测算法进行处理。
进一步地，边缘端将本地数据集加密后传输到云端的主ELMO模型训练，无需消耗本地资源。
根据本发明的另一实施例，提供了一种设备，所述设备包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现所述的用户能耗预测方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以实现用户能耗的预估。
根据本发明的又一实施例，提供了一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行所述用户能耗预测方法。
本发明能够提供设备实时状态、统计信息和历史明细信息，对于异常设备，本申请能够进行在线诊断预警、云-边协同、边平台调控，实现设备“可控”。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，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。在附图中：
图1为本发明用户能耗预测方法的流程示意图；
图2为本申请实施例云边协同机制的状态示意图；
图3为本申请实施例的联邦学习机制的状态参考图；
图4为本申请实施例的设备结构示意图；
图5为本申请实施例的存储介质的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
请参阅图1本发明用户能耗预测方法的流程示意图，以便进行具体说明：
步骤S1，云端采用主ELMO(Embedding from Language Models)模型，边缘端采用本地ELMO模型，边缘端根据本地数据集分别对其本地ELMO模型进行训练，所述边缘端为终端用户。具体而言：
ELMo模型是一个用于生成词向量的预训练语言模型，其根据输入的文本信息(一个单词序列)，利用双层Bi-LSTM模型分别预测文本序列前向的下一个词和反向的下一个词，以训练出一个动态的词向量模型。ELMo模型相对于早期模型具有先进性，以word2vec为例进行说明：
word2vec生成的词向量最明显的一个弊端就是，生成的词向量是静态的，即一个单词对应就是一个唯一的词向量，但实际情况中同一个单词在不同的语境里有不同的含义，而且有时候是完全不同的含义，这样都用一个词向量来表示的话就会存在问题了，而ELMo模型是一个动态词向量，在对某一个词使用其词向量的时候，需要输入整个文本，根据整个语境信息动态的生成词向量，这样，同一个词在不同的语境下得到的词向量就是不同的值。此外word2vec训练过程中只是利用了周围词的信息，但没有考虑词序，只是把周围词一块加权输入，而ELMo模型由于使用了双层Bi-LSTM，训练过程中利用了整个输入文本，而且同时考虑了正向和反向序列输入信息，得到的特征信息更加丰富。
具体而言：
首先梳理影响不同类型微电网用户能耗的因素，采集所述因素的数据作为本地ELMo模型输入。
其中，所述ELMo模型为双层Bi-LSTM模型；
所述影响不同类型微电网用户能耗的因素包括：时间、用户画像、外界环境；所述用户画像包括：是否有车、家庭人数、职业等；所述外界环境包括：温度、光照、风速等。
所述影响不同类型微电网用户能耗的因素构成了本地数据集，边缘端根据本地数据集分别对其本地ELMO模型进行训练。
步骤S2，根据云边协同机制，请参考图2、图3，结合传感数据处理的数据体量、传输效率、计算效率等需求，边缘端判断本地数据集是否需要上传到云端处理。具体而言：
边缘端判断本地数据集是否需要上传到云端处理：如果本地数据集数据量大于预设阈值(采集的数据占本地存储能力的10～30％以上)，边缘端将本地数据集传输到云端主ELMO模型训练；如果本地数据集数据量小，边缘端在本地自行训练后将得到的本地ELMO模型参数上传至云端；云端对所有模型梯度进行聚合，再将聚合后的全局模型参数传回各边缘端。
本实施例针对用户使用强度低、用户需求低，导致数据处理要求也低的能耗场景时：例如个体用户微电网间歇性的风能，在边缘端直接利用数据预处理和预测算法进行处理，数据无需上传到云端计算，以节约网络与云端存储消耗；
进一步地，边缘端在本地自行训练后将得到的模型参数加密上传至中央服务器云端。
本实施例针对数据处理要求高的用能场景时：例如社区级微电网的光伏用电，边缘端将本地数据传输到云端主ELMO模型训练，调用云端处理器中能耗预测算法进行处理。
进一步地，边缘端将本地数据集加密后传输到云端的主ELMO模型训练，无需消耗本地资源。
采用联邦计算机制，云端将其本地ELMO模型分发给能耗预测的各边缘端，各边缘端将影响因素特征数据输入本地ELMO模型训练，将预测值与真实值对比，使用梯度下降更新各边缘端本地模型参数；云端主ELMO模型聚合各边缘端本地模型参数，在云端进行训练，将其更新的模型参数重新分配给各边缘端本地模型在一些实施例中，采用联邦计算机制，云端将其主ELMO模型分发给能耗预测的各边缘端，各边缘端将影响因素特征数据输入本地ELMO模型训练，将预测值与真实值进行对比，使用两者最小均方误差作为损失，使用梯度下降更新各边缘端本地模型参数；
边缘端发送模型参数到云端主模型，同时输出代表该特定用户对于能耗预测这一任务的【贡献度】的数值向量；其中，所述模型参数包括ELMo双层神经网络中的随机一层；
主模型对于各边缘端生成的贡献值向量，建立自注意力模型(self-attention)，将所有贡献值映射为单一向量，并动态计算各边缘端的权重，即注意力值。如此，能够弥补随机发送本地参数引起的噪音；
主模型聚合边缘端模型参数，在云端进行训练，将其更新的模型参数重新分配给各边缘端本地模型。
值得注意的是，将各边缘端的贡献值向量与权重加密，从而保证边缘端的隐私信息安全。在整个联邦学习过程中，云端主模型不需要知道本地原始数据，且仅需部分参数，保证了数据隐私性，本实施例使用同态加密算法，将各边缘端的贡献值向量与权重加密，由此保证边缘端的隐私信息安全的前提下，最大程度利用全项目数据进行保函价值准确预测。
步骤S3，各边缘端利用传回的全局模型参数进行用户能耗预测。
与现有技术相比，本发明的优点为：
本申请能够提供设备实时状态、统计信息和历史明细信息，对于异常设备，本申请能够进行在线诊断预警、云-边协同、边平台调控，实现设备“可控”。
实施例2
请参阅图4，为本申请实施例的设备结构示意图。该设备50包括处理器51、与处理器51耦接的存储器52。
存储器52存储有用于实现上述用户能耗预测方法的程序指令。
处理器51用于执行存储器52存储的程序指令以实现用户能耗的预估。
其中，处理器51还可以称为CPU(Central Processing Unit，中央处理单元)。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
实施例3
请参阅图5，为本申请实施例的存储介质的结构示意图。本申请实施例的存储介质存储有能够实现上述所有方法的程序文件61，其中，该程序文件61可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等设备。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种用户能耗预测方法，其特征在于，包括以下步骤：
S1，云端采用主ELMO模型，边缘端采用本地ELMO模型，边缘端根据本地数据集分别对其本地ELMO模型进行训练，所述边缘端为终端用户；
S2，根据云边协同机制，结合传感数据处理的需求，边缘端判断本地数据集是否需要上传到云端处理：如果采集的数据占本地存储能力的百分比大于等于预设阈值，则边缘端将本地数据集传输到云端主ELMO模型训练；如果采集的数据占本地存储能力的百分比小于预设阈值，边缘端在本地自行训练后将得到的本地ELMO模型参数上传至云端；云端对所有模型梯度进行聚合，再将聚合后的全局模型参数传回各边缘端；
S3，各边缘端利用传回的全局模型参数进行用户能耗预测。
2.如权利要求1所述的用户能耗预测方法，其特征在于，所述预设阈值为采集的数据占本地存储能力的10～30％。
3.如权利要求1所述的用户能耗预测方法，其特征在于，所述步骤S1包括：
梳理影响不同类型微电网用户能耗的因素，采集所述因素的数据作为本地ELMo模型输入。
4.如权利要求2所述的用户能耗预测方法，其特征在于，所述ELMo模型为双层Bi-LSTM模型；所述影响不同类型微电网用户能耗的因素包括：时间、用户画像、外界环境；所述用户画像包括：是否有车、家庭人数、职业；所述外界环境包括：温度、光照、风速。
5.如权利要求3所述的用户能耗预测方法，其特征在于，所述步骤S2包括：
针对用户使用强度低、用户需求低，导致数据处理要求也低的能耗场景，在边缘端直接利用数据预处理和预测算法进行处理，数据无需上传到云端计算，以节约网络与云端存储消耗。
6.如权利要求4所述的用户能耗预测方法，其特征在于，边缘端在本地自行训练后将得到的模型参数加密上传至云端。
7.如权利要求5所述的用户能耗预测方法，其特征在于，所述步骤S2还包括：
对于数据处理要求高的用能场景，边缘端将本地数据传输到云端主ELMO模型训练，调用云端处理器中能耗预测算法进行处理。
8.如权利要求6所述的用户能耗预测方法，其特征在于，边缘端将本地数据集加密后传输到云端的主ELMO模型训练，无需消耗本地资源。
9.一种设备，其特征在于，所述设备包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现权利要求1-7任一项所述的用户能耗预测方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以实现用户能耗的预估。
10.一种存储介质，其特征在于，存储有处理器可运行的程序指令，所述程序指令用于执行权利要求1至7任一项所述用户能耗预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311160622.6A CN117236555A (zh) | 2023-09-08 | 2023-09-08 | 用户能耗预测方法、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311160622.6A CN117236555A (zh) | 2023-09-08 | 2023-09-08 | 用户能耗预测方法、设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117236555A true CN117236555A (zh) | 2023-12-15 |
Family
ID=89085445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311160622.6A Pending CN117236555A (zh) | 2023-09-08 | 2023-09-08 | 用户能耗预测方法、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236555A (zh) |
-
2023
- 2023-09-08 CN CN202311160622.6A patent/CN117236555A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709533B (zh) | 机器学习模型的分布式训练方法、装置以及计算机设备 | |
| Huong et al. | Detecting cyberattacks using anomaly detection in industrial control systems: A federated learning approach | |
| US11675641B2 (en) | Failure prediction | |
| CN107730040B (zh) | 基于rbm的电力信息系统日志信息综合特征提取方法和装置 | |
| CN109597965B (zh) | 基于深度神经网络的数据处理方法、系统、终端及介质 | |
| CN110929799B (zh) | 用于检测异常用户的方法、电子设备和计算机可读介质 | |
| CN110705719A (zh) | 执行自动机器学习的方法和装置 | |
| US11423307B2 (en) | Taxonomy construction via graph-based cross-domain knowledge transfer | |
| Patel et al. | Machine learning based statistical prediction model for improving performance of live virtual machine migration | |
| CN110245310B (zh) | 一种对象的行为分析方法、装置及存储介质 | |
| CN111625713A (zh) | 基于大数据的资源推荐方法、装置、电子设备及介质 | |
| CN113822315A (zh) | 属性图的处理方法、装置、电子设备及可读存储介质 | |
| CN116485475A (zh) | 基于边缘计算的物联网广告系统、方法及装置 | |
| CN111860853A (zh) | 在线预测系统、设备、方法及电子设备 | |
| WO2022217210A1 (en) | Privacy-aware pruning in machine learning | |
| EP4165560A1 (en) | Training video data generation neural networks using video frame embeddings | |
| Chen et al. | Industrial edge intelligence: Federated-meta learning framework for few-shot fault diagnosis | |
| CN112988954B (zh) | 文本分类方法、装置、电子设备和计算机可读存储介质 | |
| US11943277B2 (en) | Conversion system, method and program | |
| CN116820762A (zh) | 一种基于电力边缘芯片的边云协同计算方法 | |
| CN117236555A (zh) | 用户能耗预测方法、设备以及存储介质 | |
| CN113223121B (zh) | 视频生成方法、装置、电子设备及存储介质 | |
| Wong et al. | Data Reduction with Real-Time Critical Data Forwarding for Internet-of-Things | |
| Sun et al. | Scalable multi‐site photovoltaic power forecasting based on stream computing | |
| Liu et al. | [Retracted] Video Image Processing Method Based on Cloud Platform Massive Data and Virtual Reality |
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 |