CN117638950A - 用电策略推荐方法、装置、电子设备及存储介质 - Google Patents
用电策略推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117638950A CN117638950A CN202311362709.1A CN202311362709A CN117638950A CN 117638950 A CN117638950 A CN 117638950A CN 202311362709 A CN202311362709 A CN 202311362709A CN 117638950 A CN117638950 A CN 117638950A
- Authority
- CN
- China
- Prior art keywords
- load
- factor
- electricity
- vector
- data sets
- 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.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 134
- 230000004927 fusion Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力资源优化技术领域，尤其涉及一种用电策略推荐方法、装置、电子设备及存储介质，本发明方法首先获取多个因素数据集；然后根据负荷预测模型以及所述多个因素数据集，确定表征未来时段负荷波动曲线的负荷数据集；接着根据所述多个因素数据集，确定表征多个典型用电曲线的多个用电数据集；最后向目标用户类的多个用户推荐用电策略。本发明实施方式基于影响因素数据分析出未来时段的负荷波动情况，并确定用户在相似条件下的用电曲线，基于负荷波动和用电曲线，有针对性的向用户推荐用电策略，因此，可以调峰效果好，使得负荷有效的进行转移，实现削峰填谷的技术效果。
Description
技术领域
本发明涉及电力资源优化技术领域，尤其涉及一种用电策略推荐方法、装置、电子设备及存储介质。
背景技术
负荷转移管理是电力营销、电力资源配给的主要工作内容。其目的在于通过改变电力资源使用的时间和方式，促进均衡用电提高电网负荷率，改善电网经济运行，优化电力资源配置和合理使用，同时也使客户从中受益。
电力需求的多样性和不确定性，使得按满足客户最大需求设置的发供电能力，在需求低谷时段大量被闲置，不仅增加了发供电资源消耗，而且也增加了客户的负担。电力企业为了改变这种状况，着手研究并采取了用电负荷管理措施。初期，通过指导企业调整生产班次或调整上下班时间，高峰停运大型用电设备，达到错峰用电，使电网负荷率得到改善。随后又研究推出了与客户利益挂钩的激励措施，进一步鼓励客户自愿去改变用电时间和用电方式，使电网负荷率获得进一步提高。
但是，相关技术中，对于高峰时段的确定以及用户的用电习惯的预测并不准确，从而使得调峰效果大打折扣。
基于此，需要开发设计出一种用电策略推荐方法。
发明内容
本发明实施方式提供了一种用电策略推荐方法、装置、电子设备及存储介质，用于解决现有技术中用电策略规划不佳导致的调峰效果差的问题。
第一方面，本发明实施方式提供了一种用电策略推荐方法，包括：
获取多个因素数据集，其中，所述多个因素数据集根据多个影响因素获得，影响因素影响整体负荷的波动；
根据负荷预测模型以及所述多个因素数据集，确定表征未来时段负荷波动曲线的负荷数据集，其中，所述负荷预测模型根据因素数据集输出负荷波动数据的指示；
根据所述多个因素数据集，确定表征多个典型用电曲线的多个用电数据集，其中，所述多个典型用电曲线与多个用户类相对应；
向目标用户类的多个用户推荐用电策略，其中，所述目标用户类根据所述多个用电数据集与所述负荷数据集匹配程度确定。
在一种可能实现的方式中，所述负荷预测模型根据多个样本矩阵对预测基本模型进行训练获得，样本矩阵根据多个样本因素数据集构建，样本因素数据集包括基于多个时间节点采样获得的多个样本因素数据，所述预测基本模型包括：第一卷积单元、第二卷积单元以及人工神经网络模型；
所述第一卷积单元以及所述第二卷积单元分别对输入的矩阵进行差分卷积和均值卷积，并将卷积的结果分割和池化后送入到所述人工神经网络模型中；
所述人工神经网络包括：输入层、中间层以及输出层，所述中间层包括全连接的多个神经元，所述输入层接收所述第一卷积单元的输出以及所述第二卷积单元的输出，所述中间层接收所述输入层的输出，所述输出层根据所述中间层的输出输出表征未来时段负荷波动曲线的负荷数据集。
在一种可能实现的方式中，所述第一卷积单元以及所述第二卷积单元分别包括：卷积模块、多个分割模块以及多个池化模块；
所述卷积模块对输入的矩阵进行差分卷积或均值卷积，获得卷积矩阵；
所述多个池化模块对所述卷积矩阵依次分别进行多次池化，获得多个池化矩阵；
所述多个分割模块与所述多个池化矩阵相对应，所述多个分割模块分别对所述多个池化矩阵进行分割，获得多个分割结果；
所述人工神经网络模型根据所述多个分割结果输出表征未来时段负荷波动曲线的负荷数据集。
在一种可能实现的方式中，因素数据集包括按照时间节点采样获得的多个因素数据，所述多个因素数据集基于相同的时段获得，所述根据所述多个因素数据集，确定表征多个典型用电曲线的多个用电数据集，包括：
获取多个因素向量类以及多个用户用电数据库，其中，因素向量类包括通过聚类而获得的多个因素向量样本，所述多个用户用电数据库与所述多个用户类相对应，用户用电数据库包括多个历史用电数据集，历史用电数据集通过历史融合向量进行标识；
按照时间节点的对应性，从所述多个因素数据集中分别获取数据，构建多个因素向量，其中，因素向量中的多个元素基于所述多个因素数据集获取；
根据所述多个因素向量和多个因素向量样本，通过归类和融合的方式，构建融合向量；
根据所述融合向量对所述多个用户用电数据库进行检索，获得所述多个用电数据集。
在一种可能实现的方式中，所述根据所述多个因素向量和多个因素向量样本，通过归类和融合的方式，构建融合向量，包括：
对于所述多个因素向量中的每个向量，执行如下步骤：
计算因素向量到多个因素向量样本的距离；
将因素向量归类到目标因素向量样本所在的因素向量类，其中，所述目标因素向量样本为与因素向量距离最近的因素向量样本；
将因素向量所在类的类号加入到融合向量中。
在一种可能实现的方式中，所述向目标用户类的多个用户推荐用电策略，包括：
根据所述多个用电数据集以及所述负荷数据集分别构建多个第一用电向量以及第一负荷向量，并获取所述多个第一用电向量以及所述第一负荷向量的单位向量，作为多个第二用电向量以及第二负荷向量；
分别计算所述多个第二用电向量与所述第二负荷向量的相关性，获得多个相关指数；
从所述多个相关指数中选择高于相关性阈值的指数作为目标指数；
选择所述目标指数所对应的用户类作为目标用户类；
根据所述负荷数据集向所述目标用户类推荐用电策略。
在一种可能实现的方式中，所述根据所述负荷数据集向所述目标用户类推荐用电策略，包括：
根据目标用电数据集以及所述负荷数据集分别构建第三用电向量以及第三负荷向量，并分别对所述第三用电向量以及所述第三负荷向量进行归一化处理；
根据归一化处理后的第三用电向量、第一阈值以及第二阈值，确定用电高峰时段；
根据归一化处理后的第三负荷向量、第一阈值以及第二阈值，确定负荷高峰时段以及负荷低峰时段；
根据所述用电高峰时段以及所述负荷高峰时段确定目标时段，其中，所述目标时段为所述用电高峰时段以及所述负荷高峰时段共有的时段；
根据所述目标时段以及所述负荷低峰时段，向所述目标用户类推荐用电策略。
第二方面，本发明实施方式提供了一种用电策略推荐装置，用于实现如上第一方面或第一方面的任一种可能的实现方式所述的用电策略推荐方法，所述用电策略推荐装置包括：
数据获取模块，用于获取多个因素数据集，其中，所述多个因素数据集根据多个影响因素获得，影响因素影响整体负荷的波动；
负荷预测模块，用于根据负荷预测模型以及所述多个因素数据集，确定表征未来时段负荷波动曲线的负荷数据集，其中，所述负荷预测模型根据因素数据集输出负荷波动数据的指示；
用电曲线预测模块，用于根据所述多个因素数据集，确定表征多个典型用电曲线的多个用电数据集，其中，所述多个典型用电曲线与多个用户类相对应；
以及，
用电策略推荐模块，向目标用户类的多个用户推荐用电策略，其中，所述目标用户类根据所述多个用电数据集与所述负荷数据集匹配程度确定。
第三方面，本发明实施方式提供了一种电子设备，包括存储器以及处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施方式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程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施方式与现有技术相比存在的有益效果是：
本发明实施方式公开了一种用电策略推荐方法，其首先获取多个因素数据集，其中，所述多个因素数据集根据多个影响因素获得，影响因素影响整体负荷的波动；然后根据负荷预测模型以及所述多个因素数据集，确定表征未来时段负荷波动曲线的负荷数据集，其中，所述负荷预测模型根据因素数据集输出负荷波动数据的指示；接着根据所述多个因素数据集，确定表征多个典型用电曲线的多个用电数据集，其中，所述多个典型用电曲线与多个用户类相对应；最后向目标用户类的多个用户推荐用电策略，其中，所述目标用户类根据所述多个用电数据集与所述负荷数据集匹配程度确定。本发明实施方式基于影响因素数据分析出未来时段的负荷波动情况，并确定用户在相似条件下的用电曲线，基于负荷波动和用电曲线，有针对性的向用户推荐用电策略，因此，可以调峰效果好，使得负荷有效的进行转移，实现削峰填谷的技术效果。
附图说明
为了更清楚地说明本发明实施方式中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施方式提供的用电策略推荐方法的流程图；
图2是本发明实施方式提供的预测基本模型功能框图；
图3是本发明实施方式提供的融合向量构建过程原理图；
图4是本发明实施方式提供的用电策略推荐装置功能框图；
图5是本发明实施方式提供的电子设备功能框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施方式。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施方式中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施方式来进行说明。
下面对本发明的实施例作详细说明，本实例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
图1为本发明实施方式提供的用电策略推荐方法的流程图。
如图1所示，其示出了本发明实施方式提供的用电策略推荐方法的实现流程图，详述如下：
在步骤101中，获取多个因素数据集，其中，所述多个因素数据集根据多个影响因素获得，影响因素影响整体负荷的波动。
在步骤102中，根据负荷预测模型以及所述多个因素数据集，确定表征未来时段负荷波动曲线的负荷数据集，其中，所述负荷预测模型根据因素数据集输出负荷波动数据的指示。
这里，上述未来时段负荷波动曲线可以理解为获取多个因素数据集的时刻之后一段时间范围内的负荷波动曲线，其中，具体时间范围内可以根据实际情况设置，如1星期或1个月等。
在一些实施方式中，所述负荷预测模型根据多个样本矩阵对预测基本模型进行训练获得，样本矩阵根据多个样本因素数据集构建，样本因素数据集包括基于多个时间节点采样获得的多个样本因素数据，所述预测基本模型包括：第一卷积单元、第二卷积单元以及人工神经网络模型；
所述第一卷积单元以及所述第二卷积单元分别对输入的矩阵进行差分卷积和均值卷积，并将卷积的结果分割和池化后送入到所述人工神经网络模型中；
所述人工神经网络包括：输入层、中间层以及输出层，所述中间层包括全连接的多个神经元，所述输入层接收所述第一卷积单元的输出以及所述第二卷积单元的输出，所述中间层接收所述输入层的输出，所述输出层根据所述中间层的输出输出表征未来时段负荷波动曲线的负荷数据集。
在一些实施方式中，所述第一卷积单元以及所述第二卷积单元分别包括：卷积模块、多个分割模块以及多个池化模块；
所述卷积模块对输入的矩阵进行差分卷积或均值卷积，获得卷积矩阵；
所述多个池化模块对所述卷积矩阵依次分别进行多次池化，获得多个池化矩阵；
所述多个分割模块与所述多个池化矩阵相对应，所述多个分割模块分别对所述多个池化矩阵进行分割，获得多个分割结果；
所述人工神经网络模型根据所述多个分割结果输出表征未来时段负荷波动曲线的负荷数据集。
示例性地，如前所述，发电企业和供电企业根据最大需求设置产能，但是，实际的负荷会出现一定程度的波动性，这其中的影响因素多种多样，如气温、气候、节假日等因素都会导致整体负荷的波动。这其中，不同的影响因素对于负荷波动的影响方式不同，例如，有的由于一些因素是通过潜移默化而影响负荷波动的，另一些则是直接影响负荷波动。由此带来的结果是给负荷的预测带来了一定的困难。
本发明实施方式首先基于多个影响因素进行持续检测、采样，从而获得多个因素数据集，因素数据集中的数据是按照时间节点采样获得的，例如，每15分钟采样一次因素数据，从而在一个自然日中获得96个因素数据构成的因素数据集。为了能够较为准确的处理影响因素与负荷波动的关系，本发明实施方式，将多个因素数据集构建为一个因素矩阵。将这个矩阵输入到负荷预测模型中就获得描述未来一段时段的负荷波动曲线的负荷数据集。
负荷预测模型是基于预测基本模型构建，并通过样本矩阵训练而获得的。如图2所示，该图示出了本发明实施方式提供的预测基本模型功能框图。这个预测基本模型包括有两个矩阵数据处理单元：第一卷积单元和第二卷积单元，还包括一个人工神经网络模型，人工神经网络模型具有依次连接的输入层204、隐含层205和输出层206。第一卷积单元和第二卷积单元对于输入的矩阵进行预处理，提取到多个不同的特征，然后将提取到的多个不同的特征输入到人工神经网络模型中，由人工神经网络模型输出表征未来时段负荷波动曲线的负荷数据集。
第一卷积单元和第二卷积单元虽具有相同或相似的结构，但是，所实现的功能不同，从结构上来说，两个卷积单元都设有卷积模块201、多个分割模块203以及多个池化模块202；卷积模块201通过卷积核提取输入矩阵的特征图，而池化模块202是通过最大池化或平均池化的方式缩小特征图的尺寸，分割模块203是将池化过的特征图进行分割，获得较小的数据块后，输入到人工神经网络中。
第一卷积单元和第二卷积单元虽实现的功能不同，其中，第一个卷积单元的卷积模块采用的卷积核为差分卷积核，而第二个卷积单元的卷积模块采用的是均值卷积核，一种差分卷积核的示例：
一种均值卷积核的示例：
上述两种卷积核对输入的矩阵进行卷积后，分别获得了差分特征和平均值特征，这些特征分别能够代表微分特征和累加特征，从而可以找出那些通过潜移默化影响或剧烈变动影响负荷变动的因素，此外，由于有池化模块和分割模块的存在，经过多次池化后的特征图显著变小，仅保留那些主要的特征，因此可以反应总时段的特征，而经过少数几次池化的特征图，经过分割后，形成多个小的数据块，这些数据块可以反应特征图的局部细节，也就是说，通过多次池化和多次分割，可以获得反应特征图整体和多个局部细节的数据块，这些数据块被送入人工神经网络后，更有利于人工神经网络输出较为精准的负荷数据集。
在步骤103中，根据所述多个因素数据集，确定表征多个典型用电曲线的多个用电数据集，其中，所述多个典型用电曲线与多个用户类相对应。
在一些实施方式中，因素数据集包括按照时间节点采样获得的多个因素数据，所述多个因素数据集基于相同的时段获得，所述步骤103包括：
获取多个因素向量类以及多个用户用电数据库，其中，因素向量类包括通过聚类而获得的多个因素向量样本，所述多个用户用电数据库与所述多个用户类相对应，用户用电数据库包括多个历史用电数据集，历史用电数据集通过历史融合向量进行标识；
按照时间节点的对应性，从所述多个因素数据集中分别获取数据，构建多个因素向量，其中，因素向量中的多个元素基于所述多个因素数据集获取；
根据所述多个因素向量和多个因素向量样本，通过归类和融合的方式，构建融合向量；
根据所述融合向量对所述多个用户用电数据库进行检索，获得所述多个用电数据集。
在一些实施方式中，所述根据所述多个因素向量和多个因素向量样本，通过归类和融合的方式，构建融合向量，包括：
对于所述多个因素向量中的每个向量，执行如下步骤：
计算因素向量到多个因素向量样本的距离；
将因素向量归类到目标因素向量样本所在的因素向量类，其中，所述目标因素向量样本为与因素向量距离最近的因素向量样本；
将因素向量所在类的类号加入到融合向量中。
示例性地，本发明实施方式是通过对于多个用户类的历史数据挖掘，找到受多个影响因素影响时，可能出现的用电曲线的。
具体来说，对于每个用户类(用户类中的多个用户的用电习惯、用电曲线具有较高的相似性)，以典型用户的用电数据构建数据库，这个数据库中包括有多个历史用电数据集用于检索这些历史用电数据集的标识。由于多个历史用电数据集是基于多个时段获取的，所以这些标识是基于历史用电数据集的时段的前一时段采集的因素数据集，并经过融合而形成的。
对于检索数据库方面，同理的，基于获得的多个因素数据集通过数据融合的方式，构建融合向量，通过融合向量对数据库中的标识进行检索比对，就可以确定用电数据集。
如图3所示，该图示出了本发明实施方式提供的融合向量构建过程原理图。
对于多个因素数据集通过数据融合的方式，构建融合向量方面，本发明实施方式基于时间节点302的对应性，从多个因素数据集301中，分别提取一个数据，构建因素向量303，这个因素向量303再与已经归类获得的多个因素向量类304中的因素向量样本305计算距离(例如，计算欧氏距离)，找到距离最近的因素向量样本所在的类作为归属类，由于多个类均设有类号，就将这个类号作为融合值，加入到融合向量中，从而完成融合。
完成融合后，就可以根据融合获得的向量通过距离比较或相似比较的方式，检索数据库，获得用电数据集。
在步骤104中，向目标用户类的多个用户推荐用电策略，其中，所述目标用户类根据所述多个用电数据集与所述负荷数据集匹配程度确定。
在一些实施方式中，所述步骤104包括：
根据所述多个用电数据集以及所述负荷数据集分别构建多个第一用电向量以及第一负荷向量，并获取所述多个第一用电向量以及所述第一负荷向量的单位向量，作为多个第二用电向量以及第二负荷向量；
分别计算所述多个第二用电向量与所述第二负荷向量的相关性，获得多个相关指数；
从所述多个相关指数中选择高于相关性阈值的指数作为目标指数；
选择所述目标指数所对应的用户类作为目标用户类；
根据所述负荷数据集向所述目标用户类推荐用电策略。
在一些实施方式中，所述根据所述负荷数据集向所述目标用户类推荐用电策略，包括：
根据目标用电数据集以及所述负荷数据集分别构建第三用电向量以及第三负荷向量，并分别对所述第三用电向量以及所述第三负荷向量进行归一化处理；
根据归一化处理后的第三用电向量、第一阈值以及第二阈值，确定用电高峰时段；
根据归一化处理后的第三负荷向量、第一阈值以及第二阈值，确定负荷高峰时段以及负荷低峰时段；
根据所述用电高峰时段以及所述负荷高峰时段确定目标时段，其中，所述目标时段为所述用电高峰时段以及所述负荷高峰时段共有的时段；
根据所述目标时段以及所述负荷低峰时段，向所述目标用户类推荐用电策略。
示例性地，对于用电策略推荐方面，本发明实施方式，是根据用电数据集和负荷数据集的相似性进行判断的，如果用电数据集和负荷数据集的相似性较高，说明用电的习惯与负荷的曲线相吻合，从而推高用电的高峰。这类的用户应当是重点关注的用户，应当给于用电策略的指导，以尽量避开高峰用电，实现削峰填谷的效果。
就判断相似性方面，本发明实施方式首先根据用电数据集和负荷数据集构建了向量，并提取构建向量的单位向量，然后，计算提取到的单位向量的点积，将点积的结果作为相关指数，很显然，点积的数值越大，说明相关性越高，越应当予以关注，并推荐用电策略。
对于用电策略方面，本发明实施方式是将负荷和用电划分了三个段，低于第一阈值的，作为谷段，高于第二阈值的作为峰段，而介于两者之间的是平端，当将用电数据集以及负荷数据集进行归一化处理后，就可以通过两个阈值，判断出负荷高峰时段和用电高峰时段，两个时段重叠的部分，推荐用户尽量少用电，并推荐用户在负荷低谷时段用电。
本发明用电策略推荐方法实施方式，其首先获取多个因素数据集，其中，所述多个因素数据集根据多个影响因素获得，影响因素影响整体负荷的波动；然后根据负荷预测模型以及所述多个因素数据集，确定表征未来时段负荷波动曲线的负荷数据集，其中，所述负荷预测模型根据因素数据集输出负荷波动数据的指示；接着根据所述多个因素数据集，确定表征多个典型用电曲线的多个用电数据集，其中，所述多个典型用电曲线与多个用户类相对应；最后向目标用户类的多个用户推荐用电策略，其中，所述目标用户类根据所述多个用电数据集与所述负荷数据集匹配程度确定。本发明实施方式基于影响因素数据分析出未来时段的负荷波动情况，并确定用户在相似条件下的用电曲线，基于负荷波动和用电曲线，有针对性的向用户推荐用电策略，因此，可以调峰效果好，使得负荷有效的进行转移，实现削峰填谷的技术效果。
应理解，上述实施方式中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施方式的实施过程构成任何限定。
以下为本发明的装置实施方式，对于其中未详尽描述的细节，可以参考上述对应的方法实施方式。
图4是本发明实施方式提供的用电策略推荐装置功能框图，参照图4，用电策略推荐装置包括：数据获取模块401、负荷预测模块402、用电曲线预测模块403以及用电策略推荐模块404，其中：
数据获取模块401，用于获取多个因素数据集，其中，所述多个因素数据集根据多个影响因素获得，影响因素影响整体负荷的波动；
负荷预测模块402，用于根据负荷预测模型以及所述多个因素数据集，确定表征未来时段负荷波动曲线的负荷数据集，其中，所述负荷预测模型根据因素数据集输出负荷波动数据的指示；
用电曲线预测模块403，用于根据所述多个因素数据集，确定表征多个典型用电曲线的多个用电数据集，其中，所述多个典型用电曲线与多个用户类相对应；
用电策略推荐模块404，向目标用户类的多个用户推荐用电策略，其中，所述目标用户类根据所述多个用电数据集与所述负荷数据集匹配程度确定。
图5是本发明实施方式提供的电子设备的功能框图。如图5所示，该实施方式的电子设备5包括：处理器500和存储器501，所述存储器501中存储有可在所述处理器500上运行的计算机程序502。所述处理器500执行所述计算机程序502时实现上述各个用电策略推荐方法及实施方式中的步骤，例如图1所示的步骤101至步骤104。
示例性的，所述计算机程序502可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器501中，并由所述处理器500执行，以完成本发明。
所述电子设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备5可包括，但不仅限于，处理器500、存储器501。本领域技术人员可以理解，图5仅仅是电子设备5的示例，并不构成对电子设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备5还可以包括输入输出设备、网络接入设备、总线等。
所称处理器500可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器501可以是所述电子设备5的内部存储单元，例如电子设备5的硬盘或内存。所述存储器501也可以是所述电子设备5的外部存储设备，例如所述电子设备5上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器501还可以既包括所述电子设备5的内部存储单元也包括外部存储设备。所述存储器501用于存储所述计算机程序502以及所述电子设备5所需的其他程序和数据。所述存储器501还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施方式中的对应过程，在此不再赘述。
在上述实施方式中，对各个实施方式的描述都各有侧重，某个实施方式中没有详述或记载的部分，可以参见其它实施方式的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施方式描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施方式中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施方式仅仅是示意性的，例如，所述模块或单元的划分，仅仅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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述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网络单元上。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方式方案的目的。
另外，在本发明各个实施方式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。
所述集成的模块/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，本发明实现上述实施方式方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法及装置实施方式的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施方式仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施方式对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施方式技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种用电策略推荐方法，其特征在于，包括：
获取多个因素数据集，其中，所述多个因素数据集根据多个影响因素获得，影响因素影响整体负荷的波动；
根据负荷预测模型以及所述多个因素数据集，确定表征未来时段负荷波动曲线的负荷数据集，其中，所述负荷预测模型根据因素数据集输出负荷波动数据的指示；
根据所述多个因素数据集，确定表征多个典型用电曲线的多个用电数据集，其中，所述多个典型用电曲线与多个用户类相对应；
向目标用户类的多个用户推荐用电策略，其中，所述目标用户类根据所述多个用电数据集与所述负荷数据集匹配程度确定。
2.根据权利要求1所述的用电策略推荐方法，其特征在于，所述负荷预测模型根据多个样本矩阵对预测基本模型进行训练获得，样本矩阵根据多个样本因素数据集构建，样本因素数据集包括基于多个时间节点采样获得的多个样本因素数据，所述预测基本模型包括：第一卷积单元、第二卷积单元以及人工神经网络模型；
所述第一卷积单元以及所述第二卷积单元分别对输入的矩阵进行差分卷积和均值卷积，并将卷积的结果分割和池化后送入到所述人工神经网络模型中；
所述人工神经网络包括：输入层、中间层以及输出层，所述中间层包括全连接的多个神经元，所述输入层接收所述第一卷积单元的输出以及所述第二卷积单元的输出，所述中间层接收所述输入层的输出，所述输出层根据所述中间层的输出，输出表征未来时段负荷波动曲线的负荷数据集。
3.根据权利要求2所述的用电策略推荐方法，其特征在于，所述第一卷积单元以及所述第二卷积单元分别包括：卷积模块、多个分割模块以及多个池化模块；
所述卷积模块对输入的矩阵进行差分卷积或均值卷积，获得卷积矩阵；
所述多个池化模块对所述卷积矩阵依次分别进行多次池化，获得多个池化矩阵；
所述多个分割模块与所述多个池化矩阵相对应，所述多个分割模块分别对所述多个池化矩阵进行分割，获得多个分割结果；
所述人工神经网络模型根据所述多个分割结果，输出表征未来时段负荷波动曲线的负荷数据集。
4.根据权利要求1所述的用电策略推荐方法，其特征在于，因素数据集包括按照时间节点采样获得的多个因素数据，所述多个因素数据集基于相同的时段获得，所述根据所述多个因素数据集，确定表征多个典型用电曲线的多个用电数据集，包括：
获取多个因素向量类以及多个用户用电数据库，其中，因素向量类包括通过聚类而获得的多个因素向量样本，所述多个用户用电数据库与所述多个用户类相对应，用户用电数据库包括多个历史用电数据集，历史用电数据集通过历史融合向量进行标识；
按照时间节点的对应性，从所述多个因素数据集中分别获取数据，构建多个因素向量，其中，因素向量中的多个元素基于所述多个因素数据集获取；
根据所述多个因素向量和多个因素向量样本，通过归类和融合的方式，构建融合向量；
根据所述融合向量对所述多个用户用电数据库进行检索，获得所述多个用电数据集。
5.根据权利要求4所述的用电策略推荐方法，其特征在于，所述根据所述多个因素向量和多个因素向量样本，通过归类和融合的方式，构建融合向量，包括：
对于所述多个因素向量中的每个向量，执行如下步骤：
计算因素向量到多个因素向量样本的距离；
将因素向量归类到目标因素向量样本所在的因素向量类，其中，所述目标因素向量样本为与因素向量距离最近的因素向量样本；
将因素向量所在类的类号加入到融合向量中。
6.根据权利要求1-5任一项所述的用电策略推荐方法，其特征在于，所述向目标用户类的多个用户推荐用电策略，包括：
根据所述多个用电数据集以及所述负荷数据集分别构建多个第一用电向量以及第一负荷向量，并获取所述多个第一用电向量以及所述第一负荷向量的单位向量，作为多个第二用电向量以及第二负荷向量；
分别计算所述多个第二用电向量与所述第二负荷向量的相关性，获得多个相关指数；
从所述多个相关指数中选择高于相关性阈值的指数作为目标指数；
选择所述目标指数所对应的用户类作为目标用户类；
根据所述负荷数据集向所述目标用户类推荐用电策略。
7.根据权利要求6所述的用电策略推荐方法，其特征在于，所述根据所述负荷数据集向所述目标用户类推荐用电策略，包括：
根据目标用电数据集以及所述负荷数据集分别构建第三用电向量以及第三负荷向量，并分别对所述第三用电向量以及所述第三负荷向量进行归一化处理；
根据归一化处理后的第三用电向量、第一阈值以及第二阈值，确定用电高峰时段；
根据归一化处理后的第三负荷向量、第一阈值以及第二阈值，确定负荷高峰时段以及负荷低峰时段；
根据所述用电高峰时段以及所述负荷高峰时段确定目标时段，其中，所述目标时段为所述用电高峰时段以及所述负荷高峰时段共有的时段；
根据所述目标时段以及所述负荷低峰时段，向所述目标用户类推荐用电策略。
8.一种用电策略推荐装置，其特征在于，用于实现如权利要求1-7任一项所述的用电策略推荐方法，所述用电策略推荐装置包括：
数据获取模块，用于获取多个因素数据集，其中，所述多个因素数据集根据多个影响因素获得，影响因素影响整体负荷的波动；
负荷预测模块，用于根据负荷预测模型以及所述多个因素数据集，确定表征未来时段负荷波动曲线的负荷数据集，其中，所述负荷预测模型根据因素数据集输出负荷波动数据的指示；
用电曲线预测模块，用于根据所述多个因素数据集，确定表征多个典型用电曲线的多个用电数据集，其中，所述多个典型用电曲线与多个用户类相对应；
以及，
用电策略推荐模块，向目标用户类的多个用户推荐用电策略，其中，所述目标用户类根据所述多个用电数据集与所述负荷数据集匹配程度确定。
9.一种电子设备，包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述方法的步骤。
10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311362709.1A CN117638950B (zh) | 2023-10-19 | 2023-10-19 | 用电策略推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311362709.1A CN117638950B (zh) | 2023-10-19 | 2023-10-19 | 用电策略推荐方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117638950A true CN117638950A (zh) | 2024-03-01 |
| CN117638950B CN117638950B (zh) | 2024-05-31 |
Family
ID=90034603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311362709.1A Active CN117638950B (zh) | 2023-10-19 | 2023-10-19 | 用电策略推荐方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117638950B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020237539A1 (zh) * | 2019-05-29 | 2020-12-03 | 西门子股份公司 | 电力负荷的预测方法、装置及存储介质 |
| CN113128738A (zh) * | 2019-12-31 | 2021-07-16 | 新奥数能科技有限公司 | 一种基于时间序列平移法的用电策略优化方法及装置 |
| CN113379564A (zh) * | 2021-04-08 | 2021-09-10 | 国网河北省电力有限公司营销服务中心 | 电网负荷预测方法、装置及终端设备 |
| WO2022142389A1 (zh) * | 2020-12-29 | 2022-07-07 | 新奥数能科技有限公司 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
| CN115085196A (zh) * | 2022-08-19 | 2022-09-20 | 国网信息通信产业集团有限公司 | 电力负荷预测值确定方法、装置、设备和计算机可读介质 |
| CN115860388A (zh) * | 2022-12-02 | 2023-03-28 | 国网吉林省电力有限公司 | 多元负荷调控方法、装置、终端及存储介质 |
| CN116231665A (zh) * | 2022-12-29 | 2023-06-06 | 国网北京市电力公司 | 电力负荷调控方法、装置、非易失性存储介质及电子设备 |
| CN116404631A (zh) * | 2023-01-05 | 2023-07-07 | 上海玫克生储能科技有限公司 | 一种电网负荷预测方法、装置和电子设备 |
| CN116701887A (zh) * | 2023-08-07 | 2023-09-05 | 河北思极科技有限公司 | 用电量预测方法、装置、电子设备及存储介质 |
| KR102577327B1 (ko) * | 2022-12-23 | 2023-09-08 | 중앙대학교 산학협력단 | 인공신경망 기반의 전기 부하 예측 방법 및 장치 |
| CN116826710A (zh) * | 2023-06-06 | 2023-09-29 | 合肥工业大学 | 基于负荷预测的削峰策略推荐方法、装置及存储介质 |
-
2023
- 2023-10-19 CN CN202311362709.1A patent/CN117638950B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020237539A1 (zh) * | 2019-05-29 | 2020-12-03 | 西门子股份公司 | 电力负荷的预测方法、装置及存储介质 |
| CN113128738A (zh) * | 2019-12-31 | 2021-07-16 | 新奥数能科技有限公司 | 一种基于时间序列平移法的用电策略优化方法及装置 |
| WO2022142389A1 (zh) * | 2020-12-29 | 2022-07-07 | 新奥数能科技有限公司 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
| CN113379564A (zh) * | 2021-04-08 | 2021-09-10 | 国网河北省电力有限公司营销服务中心 | 电网负荷预测方法、装置及终端设备 |
| CN115085196A (zh) * | 2022-08-19 | 2022-09-20 | 国网信息通信产业集团有限公司 | 电力负荷预测值确定方法、装置、设备和计算机可读介质 |
| CN115860388A (zh) * | 2022-12-02 | 2023-03-28 | 国网吉林省电力有限公司 | 多元负荷调控方法、装置、终端及存储介质 |
| KR102577327B1 (ko) * | 2022-12-23 | 2023-09-08 | 중앙대학교 산학협력단 | 인공신경망 기반의 전기 부하 예측 방법 및 장치 |
| CN116231665A (zh) * | 2022-12-29 | 2023-06-06 | 国网北京市电力公司 | 电力负荷调控方法、装置、非易失性存储介质及电子设备 |
| CN116404631A (zh) * | 2023-01-05 | 2023-07-07 | 上海玫克生储能科技有限公司 | 一种电网负荷预测方法、装置和电子设备 |
| CN116826710A (zh) * | 2023-06-06 | 2023-09-29 | 合肥工业大学 | 基于负荷预测的削峰策略推荐方法、装置及存储介质 |
| CN116701887A (zh) * | 2023-08-07 | 2023-09-05 | 河北思极科技有限公司 | 用电量预测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117638950B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chiu et al. | An intelligent market segmentation system using k-means and particle swarm optimization | |
| CN109886334B (zh) | 一种隐私保护的共享近邻密度峰聚类方法 | |
| US11971892B2 (en) | Methods for stratified sampling-based query execution | |
| CN112395487B (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
| CN107622326B (zh) | 用户分类、可用资源预测方法、装置及设备 | |
| CN104573130A (zh) | 基于群体计算的实体解析方法及装置 | |
| CN111597348A (zh) | 用户画像方法、装置、计算机设备和存储介质 | |
| CN113744089B (zh) | 一种台区户变关系辨识方法及设备 | |
| CN114238329A (zh) | 向量相似度计算方法、装置、设备及存储介质 | |
| CN111078997B (zh) | 一种资讯推荐方法及装置 | |
| Zhu et al. | Age estimation algorithm of facial images based on multi-label sorting | |
| Shi et al. | Clustering framework based on multi-scale analysis of intraday financial time series | |
| CN117422182A (zh) | 数据预测方法、装置及存储介质 | |
| CN117638950B (zh) | 用电策略推荐方法、装置、电子设备及存储介质 | |
| CN116701887A (zh) | 用电量预测方法、装置、电子设备及存储介质 | |
| Majidpour | Time series prediction for electric vehicle charging load and solar power generation in the context of smart grid | |
| CN115829683A (zh) | 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统 | |
| CN111125541B (zh) | 面向多用户的可持续多云服务组合的获取方法 | |
| CN117194966A (zh) | 对象分类模型的训练方法和相关装置 | |
| Bessas et al. | Automatic and online setting of similarity thresholds in content-based visual information retrieval problems | |
| Wang et al. | Group behavior time series anomaly detection in specific network space based on separation degree | |
| Arumawadu et al. | K-means clustering for segment web search results | |
| CN113495969B (zh) | 数字指纹生成、媒体数据推荐方法、装置和计算机设备 | |
| CN117216796B (zh) | 一种基于隐私等级的能源大数据隐私保护方法 | |
| CN113688229B (zh) | 一种文本推荐方法、系统、存储介质和设备 |
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 |