CN117710153A - 一种基于多终端设备的用能辅助决策方法和系统 - Google Patents
一种基于多终端设备的用能辅助决策方法和系统 Download PDFInfo
- Publication number
- CN117710153A CN117710153A CN202410165941.4A CN202410165941A CN117710153A CN 117710153 A CN117710153 A CN 117710153A CN 202410165941 A CN202410165941 A CN 202410165941A CN 117710153 A CN117710153 A CN 117710153A
- Authority
- CN
- China
- Prior art keywords
- energy
- data
- auxiliary decision
- energy consumption
- situation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005265 energy consumption Methods 0.000 claims abstract description 99
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 230000009471 action Effects 0.000 claims description 17
- 238000013506 data mapping Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 230000002787 reinforcement Effects 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 238000007620 mathematical function Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 description 11
- 230000005611 electricity Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
-
- 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
- G06N3/092—Reinforcement learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于多终端设备的用能辅助决策方法和系统，其方法包括：基于多终端设备，采集获取用能区域的用能数据；对用能数据进行量值处理，获取用能区域内的用能用户的用能态势；基于人工智能辅助决策模型，对用能态势进行态势分析，获得用能辅助决策内容。本发明通过根据多终端设备对用能数据进行采集后，并获取用能态势，利用人工智能辅助决策模型对用能态势进行态势分析，获得用能辅助决策内容，可充分保证用能辅助决策的正确性，提高用能辅助决策生成的效率。
Description
技术领域
本发明涉及用能技术领域，尤其涉及一种基于多终端设备的用能辅助决策方法和系统。
背景技术
随着电网系统的广泛应用，日益增长的多类别用电需求使得用能的规划面临挑战，尤其是电网系统中存在多种采集用电数据的终端设备，并获取多个电网系统中的终端设备布设点位的电网数据，对这些电网数据进行分析有助于用能的辅助决策。
当前，AI成为了利用数据的强大工具，它不仅仅是处理和分析数据的工具，更是一种能够从数据中学习、预测和做出智慧决策的技术；通过其数据分析、模式识别和自动化决策能力，改进了决策流程、优化了业务运作，并提高了效率；数据驱动的决策因其准确性、迅速性和多维度分析能力而引领着当今商业、科技、医疗等多个领域的发展方向；
当前，在用能决策上还存在对用能数据的掌握不够全面细致，基于用能数据的分析研判质量不高，使得用能决策的质量不够高，并影响到用能的规划和实施。
因此，有必要提供一种基于多终端设备的用能辅助决策方法和系统。
发明内容
本发明提供了一种基于多终端设备的用能辅助决策方法和系统，通过根据多终端设备对用能数据进行采集后，并获取用能态势，利用人工智能辅助决策模型对用能态势进行态势分析，获得用能辅助决策内容，可充分保证用能辅助决策的正确性，提高用能辅助决策生成的效率。
本发明提供了一种基于多终端设备的用能辅助决策方法，包括：
S1：基于多终端设备，采集获取用能区域的用能数据；
S2：对用能数据进行量值处理，获取用能区域内的用能用户的用能态势；
S3：基于人工智能辅助决策模型，对用能态势进行态势分析，获得用能辅助决策内容。
进一步地，S1包括：
S101：获取部署在用能区域的多个终端设备；多个终端设备包括多类电能计量与采集设备；
S102：设定采集规则和单个终端设备的采集量；
S103：根据采集规则和单个终端设备的采集量，利用多个终端设备，采集获取用能区域的用能数据。
进一步地，S102包括：
S1021：获取多个终端设备所处用能区域的部署位置；
S1022：对部署位置的用能量等级进行评估，获得部署位置的用能量评估等级；
S1023：根据部署位置在用能区域的重要程度，获得部署位置的采集优先级；
S1024：根据用能量评估等级和采集优先级，设定采集规则和单个终端设备的采集量。
进一步地，S2包括：
S201：利用数据量值处理模板对用能数据进行量值处理，获取第一用能数据；
S202：基于预设的数据映射模型，获得与第一用能数据映射对应的表征项数据；
S203：根据表征项数据，对用能区域内的用能用户的用能态势进行表征。
进一步地，S201包括：
S2011：基于预设的数学函数或算法模型，构建若干个数据量值处理模板；
S2012：利用数据量值处理模板，按照数据分类、误差计算判断、典型数据提取和数据标注的处理流程，对用能数据进行数量和数值的筛选处理，获得第一用能数据。
进一步地，S3包括：
S301：获取用能辅助决策内容项，基于神经网络模型和自回归模型，构建人工智能辅助决策模型；
S302：根据人工智能辅助决策模型，对用能态势进行态势分析，获得用能辅助决策内容。
进一步地，S301包括：
S3011：基于神经网络模型构建用于进行预测的预测模型；预测为：针对用能辅助决策内容项的影响程度，预测获得若干个影响程度值；
S3012：基于自回归模型构建用于进行筛选的筛选模型；筛选为：从多个影响程度值中筛选出关键影响程度值；
S3013：利用预测模型结合筛选模型，构建人工智能辅助决策模型。
进一步地，S302还包括：基于构建的多目标奖励函数，利用强化学习中的近端策略优化算法计算获取最优解后，进行用能态势最优控制曲线的绘制，用于用能态势的辅助分析；具体步骤为：
S3021：将用能量、用能时长、用能效率作为候选目标，构建基于候选目标的多目标奖励函数，并利用理想点法逼近多目标奖励函数的最优解，确定多目标奖励函数中的各个内容项的权重系数；
S3022：利用强化学习中的近端策略优化算法对多目标奖励函数进行迭代求解，获得每个动作值所对应的奖励值，依据寻找奖励值递增的动作原则和参数更新公式，更新参数并输出奖励值收敛到最大的动作值，即满足多目标奖励函数的用能管理的最优结果；
S3023：根据最优结果绘制用能态势最优控制曲线，用于用能态势的辅助分析。
进一步地，还包括S4，对用能辅助决策的多元影响因素进行影响贡献度的评估，以及对多个用能设备的用能负荷增长速率进行预测，根据评估结果和预测结果进行决策内容的设计和调整；具体步骤为：
S401：根据预设的评估方案对用能辅助决策的多元影响因素进行影响贡献度的评估，获得评估结果；
S402：根据预设的预测算法，对多个用能设备的用能负荷增长速率进行预测，获得预测结果；
S403：根据评估结果和预测结果，进行赋值处理并加权求和后，获得用能辅助决策综合影响值；
S404：根据用能辅助决策综合影响值的变动幅度和范围，设计和调整用能辅助决策的内容。
一种基于多终端设备的用能辅助决策系统，包括：
用能数据获取模块，用于基于多终端设备，采集获取用能区域的用能数据；
用能数据分析模块，用于对用能数据进行量值处理，获取用能区域内的用能用户的用能态势；
辅助决策内容生成模块，用于基于人工智能辅助决策模型，对用能态势进行态势分析，获得用能辅助决策内容。
本发明与现有技术相比，具有如下的优点和有益效果：通过根据多终端设备对用能数据进行采集后，并获取用能态势，利用人工智能辅助决策模型对用能态势进行态势分析，获得用能辅助决策内容，可充分保证用能辅助决策的正确性，提高用能辅助决策生成的效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为一种基于多终端设备的用能辅助决策方法步骤示意图；
图2为获取用能区域的用能数据的方法步骤示意图；
图3为一种基于多终端设备的用能辅助决策结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供了一种基于多终端设备的用能辅助决策方法，如图1所示，包括：
S1：基于多终端设备，采集获取用能区域的用能数据；
S2：对用能数据进行量值处理，获取用能区域内的用能用户的用能态势；
S3：基于人工智能辅助决策模型，对用能态势进行态势分析，获得用能辅助决策内容。
上述技术方案的工作原理为：S1：基于多终端设备，采集获取用能区域的用能数据；
S2：对用能数据进行量值处理，获取用能区域内的用能用户的用能态势；
S3：基于人工智能辅助决策模型，对用能态势进行态势分析，获得用能辅助决策内容。
上述技术方案的有益效果为：采用本实施例提供的方案，通过根据多终端设备对用能数据进行采集后，并获取用能态势，利用人工智能辅助决策模型对用能态势进行态势分析，获得用能辅助决策内容，可充分保证用能辅助决策的正确性，提高用能辅助决策生成的效率。
在一个实施例中，如图2所示，S1包括：
S101：获取部署在用能区域的多个终端设备；多个终端设备包括多类电能计量与采集设备；
S102：设定采集规则和单个终端设备的采集量；
S103：根据采集规则和单个终端设备的采集量，利用多个终端设备，采集获取用能区域的用能数据。
上述技术方案的工作原理为：S1包括：
S101：获取部署在用能区域的多个终端设备；多个终端设备包括多类电能计量与采集设备；
S102：设定采集规则和单个终端设备的采集量；采集规则包括采集时间间隔、采集内容和采集对象；
S103：根据采集规则和单个终端设备的采集量，利用多个终端设备，采集获取用能区域的用能数据；多个终端设备包括用电采集器、用电计量器和专变采集终端。
上述技术方案的有益效果为：采用本实施例提供的方案，通过设定采集规则和单个终端设备的采集量，便于获得符合要求的用能数据。
在一个实施例中，S102包括：
S1021：获取多个终端设备所处用能区域的部署位置；
S1022：对部署位置的用能量等级进行评估，获得部署位置的用能量评估等级；
S1023：根据部署位置在用能区域的重要程度，获得部署位置的采集优先级；
S1024：根据用能量评估等级和采集优先级，设定采集规则和单个终端设备的采集量。
上述技术方案的工作原理为：S102包括：
S1021：获取多个终端设备所处用能区域的部署位置；部署位置包括用电采集器、用电计量器和专变采集终端的具体的部署的场所和区域；
S1022：对部署位置的用能量等级进行评估，获得部署位置的用能量评估等级；用能量等级指部署位置的用能的多少，用电能多代表用能量等级高，用电能少，代表用能量等级低；
S1023：根据部署位置在用能区域的重要程度，获得部署位置的采集优先级；重要程度指部署位置在用能区域中，其用能的等级是优先保证用能量，还是一般性地保证用能量；
S1024：根据用能量评估等级和采集优先级，设定采集规则和单个终端设备的采集量。
上述技术方案的有益效果为：采用本实施例提供的方案，通过根据用能量评估等级和采集优先级，设置采集规则和单个终端设备的采集量，可保证设置的有效性和针对性。
在一个实施例中，S2包括：
S201：利用数据量值处理模板对用能数据进行量值处理，获取第一用能数据；
S202：基于预设的数据映射模型，获得与第一用能数据映射对应的表征项数据；
S203：根据表征项数据，对用能区域内的用能用户的用能态势进行表征。
上述技术方案的工作原理为：S2包括：
S201：利用数据量值处理模板对用能数据进行量值处理，获取第一用能数据；
S202：基于预设的数据映射模型，获得与第一用能数据映射对应的表征项数据；数据映射指在两个数据模型之间建立起数据元素的对应关系，这一过程称为数据映射；数据映射是数据集成任务的第一步，如数据迁移、数据清洗、数据集成、语义网构造和p2p信息系统等都需要进行数据映射；
S203：根据表征项数据，对用能区域内的用能用户的用能态势进行表征。
上述技术方案的有益效果为：采用本实施例提供的方案，通过获取表征项数据，对用能区域内的用能用户的用能态势进行表征，可获得准确清晰的用能态势。
在一个实施例中，S201包括：
S2011：基于预设的数学函数或算法模型，构建若干个数据量值处理模板；
S2012：利用数据量值处理模板，按照数据分类、误差计算判断、典型数据提取和数据标注的处理流程，对用能数据进行数量和数值的筛选处理，获得第一用能数据。
上述技术方案的工作原理为：S201包括：
S2011：基于预设的数学函数或算法模型，构建若干个数据量值处理模板；
S2012：利用数据量值处理模板，按照数据分类、误差计算判断、典型数据提取和数据标注的处理流程，对用能数据进行数量和数值的筛选处理，获得第一用能数据。
上述技术方案的有益效果为：采用本实施例提供的方案，通过对用能数据进行数量和数值的筛选处理，可保证获得用于后续处理的阿有效数据。
在一个实施例中，S3包括：
S301：获取用能辅助决策内容项，基于神经网络模型和自回归模型，构建人工智能辅助决策模型；
S302：根据人工智能辅助决策模型，对用能态势进行态势分析，获得用能辅助决策内容。
上述技术方案的工作原理为：S3包括：
S301：获取用能辅助决策内容项，基于神经网络模型和自回归模型，构建人工智能辅助决策模型；自回归模型，是统计上一种处理时间序列的方法，用同一变数，例如x的之前各期，亦即x1至xt-1来预测本期xt的表现，并假设它们为一线性关系；
S302：根据人工智能辅助决策模型，对用能态势进行态势分析，获得用能辅助决策内容。
上述技术方案的有益效果为：采用本实施例提供的方案，通过根据人工智能辅助决策模型，对用能态势进行态势分析，可保证获得全面准确地用能辅助决策内容。
在一个实施例中，S301包括：
S3011：基于神经网络模型构建用于进行预测的预测模型；预测为：针对用能辅助决策内容项的影响程度，预测获得若干个影响程度值；
S3012：基于自回归模型构建用于进行筛选的筛选模型；筛选为：从多个影响程度值中筛选出关键影响程度值；
S3013：利用预测模型结合筛选模型，构建人工智能辅助决策模型。
上述技术方案的工作原理为：S301包括：
S3011：基于神经网络模型构建用于进行预测的预测模型；预测为：针对用能辅助决策内容项的影响程度，预测获得若干个影响程度值；
S3012：基于自回归模型构建用于进行筛选的筛选模型；筛选为：从多个影响程度值中筛选出关键影响程度值；
S3013：利用预测模型结合筛选模型，构建人工智能辅助决策模型。
上述技术方案的有益效果为：采用本实施例提供的方案，通过预测模型结合筛选模型，构建人工智能辅助决策模型，可保证人工智能辅助决策模型的高质量。
在一个实施例中，S302还包括：基于构建的多目标奖励函数，利用强化学习中的近端策略优化算法计算获取最优解后，进行用能态势最优控制曲线的绘制，用于用能态势的辅助分析；具体步骤为：
S3021：将用能量、用能时长、用能效率作为候选目标，构建基于候选目标的多目标奖励函数，并利用理想点法逼近多目标奖励函数的最优解，确定多目标奖励函数中的各个内容项的权重系数；
S3022：利用强化学习中的近端策略优化算法对多目标奖励函数进行迭代求解，获得每个动作值所对应的奖励值，依据寻找奖励值递增的动作原则和参数更新公式，更新参数并输出奖励值收敛到最大的动作值，即满足多目标奖励函数的用能管理的最优结果；
S3023：根据最优结果绘制用能态势最优控制曲线，用于用能态势的辅助分析。
上述技术方案的工作原理为：S302还包括：基于构建的多目标奖励函数，利用强化学习中的近端策略优化算法计算获取最优解后，进行用能态势最优控制曲线的绘制，用于用能态势的辅助分析；具体步骤为：
S3021：将用能量、用能时长、用能效率作为候选目标，构建基于候选目标的多目标奖励函数，并利用理想点法逼近多目标奖励函数的最优解，确定多目标奖励函数中的各个内容项的权重系数；
S3022：利用强化学习中的近端策略优化算法对多目标奖励函数进行迭代求解，获得每个动作值所对应的奖励值，依据寻找奖励值递增的动作原则和参数更新公式，更新参数并输出奖励值收敛到最大的动作值，即满足多目标奖励函数的用能管理的最优结果；近端策略优化算法是一种基于策略梯度优化的、面向连续或离散动作空间的深度强化学习算法；该算法有一个带经裁剪概率比的新型目标函数，这一新型目标函数负责引导对策略进行保守更新，在连续控制任务上，近端策略优化算法比其它算法表现得更好；
S3023：根据最优结果绘制用能态势最优控制曲线，用于用能态势的辅助分析。
上述技术方案的有益效果为：采用本实施例提供的方案，利用强化学习中的近端策略优化算法，用于用能态势的辅助分析，可保证辅助分析的质量，提高辅助分析的准确性。
在一个实施例中，还包括S4，对用能辅助决策的多元影响因素进行影响贡献度的评估，以及对多个用能设备的用能负荷增长速率进行预测，根据评估结果和预测结果进行决策内容的设计和调整；具体步骤为：
S401：根据预设的评估方案对用能辅助决策的多元影响因素进行影响贡献度的评估，获得评估结果；
S402：根据预设的预测算法，对多个用能设备的用能负荷增长速率进行预测，获得预测结果；
S403：根据评估结果和预测结果，进行赋值处理并加权求和后，获得用能辅助决策综合影响值；
S404：根据用能辅助决策综合影响值的变动幅度和范围，设计和调整用能辅助决策的内容。
上述技术方案的工作原理为：还包括S4，对用能辅助决策的多元影响因素进行影响贡献度的评估，以及对多个用能设备的用能负荷增长速率进行预测，根据评估结果和预测结果进行决策内容的设计和调整；具体步骤为：
根据预设的评估方案对用能辅助决策的多元影响因素进行影响贡献度的评估，获得评估结果；
根据预设的预测算法，对多个用能设备的用能负荷增长速率进行预测，获得预测结果；
根据评估结果和预测结果，进行赋值处理并加权求和后，获得用能辅助决策综合影响值；
根据用能辅助决策综合影响值的变动幅度和范围，设计和调整用能辅助决策的内容。
上述技术方案的有益效果为：采用本实施例提供的方案，通过对用能辅助决策的多元影响因素进行影响贡献度的评估，以及对多个用能设备的用能负荷增长速率进行预测，根据评估结果和预测结果进行决策内容的设计和调整，可保证对决策内容的设计和调整的准确度。
一种基于多终端设备的用能辅助决策系统，如图3所示，包括：
用能数据获取模块，用于基于多终端设备，采集获取用能区域的用能数据；
用能数据分析模块，用于对用能数据进行量值处理，获取用能区域内的用能用户的用能态势；
辅助决策内容生成模块，用于基于人工智能辅助决策模型，对用能态势进行态势分析，获得用能辅助决策内容。
上述技术方案的工作原理为：用能数据获取模块，用于基于多终端设备，采集获取用能区域的用能数据；
用能数据分析模块，用于对用能数据进行量值处理，获取用能区域内的用能用户的用能态势；
辅助决策内容生成模块，用于基于人工智能辅助决策模型，对用能态势进行态势分析，获得用能辅助决策内容。
上述技术方案的有益效果为：采用本实施例提供的方案，通过根据多终端设备对用能数据进行采集后，并获取用能态势，利用人工智能辅助决策模型对用能态势进行态势分析，获得用能辅助决策内容，可充分保证用能辅助决策的正确性，提高用能辅助决策生成的效率。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于多终端设备的用能辅助决策方法，其特征在于，包括：
S1：基于多终端设备，采集获取用能区域的用能数据；
S2：对用能数据进行量值处理，获取用能区域内的用能用户的用能态势；
S3：基于人工智能辅助决策模型，对用能态势进行态势分析，获得用能辅助决策内容。
2.根据权利要求1所述的一种基于多终端设备的用能辅助决策方法，其特征在于，S1包括：
S101：获取部署在用能区域的多个终端设备；多个终端设备包括多类电能计量与采集设备；
S102：设定采集规则和单个终端设备的采集量；
S103：根据采集规则和单个终端设备的采集量，利用多个终端设备，采集获取用能区域的用能数据。
3.根据权利要求2所述的一种基于多终端设备的用能辅助决策方法，其特征在于，S102包括：
S1021：获取多个终端设备所处用能区域的部署位置；
S1022：对部署位置的用能量等级进行评估，获得部署位置的用能量评估等级；
S1023：根据部署位置在用能区域的重要程度，获得部署位置的采集优先级；
S1024：根据用能量评估等级和采集优先级，设定采集规则和单个终端设备的采集量。
4.根据权利要求2所述的一种基于多终端设备的用能辅助决策方法，其特征在于，S2包括：
S201：利用数据量值处理模板对用能数据进行量值处理，获取第一用能数据；
S202：基于预设的数据映射模型，获得与第一用能数据映射对应的表征项数据；
S203：根据表征项数据，对用能区域内的用能用户的用能态势进行表征。
5.根据权利要求4所述的一种基于多终端设备的用能辅助决策方法，其特征在于，S201包括：
S2011：基于预设的数学函数或算法模型，构建若干个数据量值处理模板；
S2012：利用数据量值处理模板，按照数据分类、误差计算判断、典型数据提取和数据标注的处理流程，对用能数据进行数量和数值的筛选处理，获得第一用能数据。
6.根据权利要求1所述的一种基于多终端设备的用能辅助决策方法，其特征在于，S3包括：
S301：获取用能辅助决策内容项，基于神经网络模型和自回归模型，构建人工智能辅助决策模型；
S302：根据人工智能辅助决策模型，对用能态势进行态势分析，获得用能辅助决策内容。
7.根据权利要求6所述的一种基于多终端设备的用能辅助决策方法，其特征在于，S301包括：
S3011：基于神经网络模型构建用于进行预测的预测模型；预测为：针对用能辅助决策内容项的影响程度，预测获得若干个影响程度值；
S3012：基于自回归模型构建用于进行筛选的筛选模型；筛选为：从多个影响程度值中筛选出关键影响程度值；
S3013：利用预测模型结合筛选模型，构建人工智能辅助决策模型。
8.根据权利要求6所述的一种基于多终端设备的用能辅助决策方法，其特征在于，S302还包括：基于构建的多目标奖励函数，利用强化学习中的近端策略优化算法计算获取最优解后，进行用能态势最优控制曲线的绘制，用于用能态势的辅助分析；具体步骤为：
S3021：将用能量、用能时长、用能效率作为候选目标，构建基于候选目标的多目标奖励函数，并利用理想点法逼近多目标奖励函数的最优解，确定多目标奖励函数中的各个内容项的权重系数；
S3022：利用强化学习中的近端策略优化算法对多目标奖励函数进行迭代求解，获得每个动作值所对应的奖励值，依据寻找奖励值递增的动作原则和参数更新公式，更新参数并输出奖励值收敛到最大的动作值，即满足多目标奖励函数的用能管理的最优结果；
S3023：根据最优结果绘制用能态势最优控制曲线，用于用能态势的辅助分析。
9.根据权利要求6所述的一种基于多终端设备的用能辅助决策方法，其特征在于，还包括S4，对用能辅助决策的多元影响因素进行影响贡献度的评估，以及对多个用能设备的用能负荷增长速率进行预测，根据评估结果和预测结果进行决策内容的设计和调整；具体步骤为：
S401：根据预设的评估方案对用能辅助决策的多元影响因素进行影响贡献度的评估，获得评估结果；
S402：根据预设的预测算法，对多个用能设备的用能负荷增长速率进行预测，获得预测结果；
S403：根据评估结果和预测结果，进行赋值处理并加权求和后，获得用能辅助决策综合影响值；
S404：根据用能辅助决策综合影响值的变动幅度和范围，设计和调整用能辅助决策的内容。
10.一种基于多终端设备的用能辅助决策系统，其特征在于，包括：
用能数据获取模块，用于基于多终端设备，采集获取用能区域的用能数据；
用能数据分析模块，用于对用能数据进行量值处理，获取用能区域内的用能用户的用能态势；
辅助决策内容生成模块，用于基于人工智能辅助决策模型，对用能态势进行态势分析，获得用能辅助决策内容。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410165941.4A CN117710153B (zh) | 2024-02-06 | 2024-02-06 | 一种基于多终端设备的用能辅助决策方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410165941.4A CN117710153B (zh) | 2024-02-06 | 2024-02-06 | 一种基于多终端设备的用能辅助决策方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117710153A true CN117710153A (zh) | 2024-03-15 |
| CN117710153B CN117710153B (zh) | 2024-05-10 |
Family
ID=90157420
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410165941.4A Active CN117710153B (zh) | 2024-02-06 | 2024-02-06 | 一种基于多终端设备的用能辅助决策方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117710153B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030120370A1 (en) * | 2001-12-12 | 2003-06-26 | Mitsubishi Denki Kabushiki Kaisha | Electric power consumer data analyzing method |
| CN110458443A (zh) * | 2019-08-07 | 2019-11-15 | 南京邮电大学 | 一种基于深度强化学习的智慧家庭能量管理方法及系统 |
| CN112186799A (zh) * | 2020-09-22 | 2021-01-05 | 中国电力科学研究院有限公司 | 基于深度强化学习的分布式能源系统自治控制方法及系统 |
| CN114492997A (zh) * | 2022-01-26 | 2022-05-13 | 国网江苏省电力有限公司经济技术研究院 | 一种多站融合综合能源站碳流态势感知与低碳运行方法 |
| CN115293507A (zh) * | 2022-07-04 | 2022-11-04 | 中国电力科学研究院有限公司 | 面向电网调度运行管理的态势知识图谱构建方法及系统 |
| CN115952917A (zh) * | 2023-01-31 | 2023-04-11 | 国网江苏省电力有限公司南京供电分公司 | 一种有源配电网安全态势感知方法与系统 |
| CN116565949A (zh) * | 2023-04-27 | 2023-08-08 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于态势感知的配电网电能质量治理系统及方法 |
| CN116757874A (zh) * | 2023-08-17 | 2023-09-15 | 中能聚创(杭州)能源科技有限公司 | 一种基于群体智能分析的用户用能态势推演方法 |
| WO2023211418A1 (en) * | 2022-04-29 | 2023-11-02 | Türk Telekomüni̇kasyon Anoni̇m Şi̇rketi̇ | A smart energy management system |
| CN117118808A (zh) * | 2023-10-19 | 2023-11-24 | 深圳市先行电气技术有限公司 | 基于物联网的多源电表数据采集分析方法、系统和存储介质 |
-
2024
- 2024-02-06 CN CN202410165941.4A patent/CN117710153B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030120370A1 (en) * | 2001-12-12 | 2003-06-26 | Mitsubishi Denki Kabushiki Kaisha | Electric power consumer data analyzing method |
| CN110458443A (zh) * | 2019-08-07 | 2019-11-15 | 南京邮电大学 | 一种基于深度强化学习的智慧家庭能量管理方法及系统 |
| CN112186799A (zh) * | 2020-09-22 | 2021-01-05 | 中国电力科学研究院有限公司 | 基于深度强化学习的分布式能源系统自治控制方法及系统 |
| CN114492997A (zh) * | 2022-01-26 | 2022-05-13 | 国网江苏省电力有限公司经济技术研究院 | 一种多站融合综合能源站碳流态势感知与低碳运行方法 |
| WO2023211418A1 (en) * | 2022-04-29 | 2023-11-02 | Türk Telekomüni̇kasyon Anoni̇m Şi̇rketi̇ | A smart energy management system |
| CN115293507A (zh) * | 2022-07-04 | 2022-11-04 | 中国电力科学研究院有限公司 | 面向电网调度运行管理的态势知识图谱构建方法及系统 |
| CN115952917A (zh) * | 2023-01-31 | 2023-04-11 | 国网江苏省电力有限公司南京供电分公司 | 一种有源配电网安全态势感知方法与系统 |
| CN116565949A (zh) * | 2023-04-27 | 2023-08-08 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于态势感知的配电网电能质量治理系统及方法 |
| CN116757874A (zh) * | 2023-08-17 | 2023-09-15 | 中能聚创(杭州)能源科技有限公司 | 一种基于群体智能分析的用户用能态势推演方法 |
| CN117118808A (zh) * | 2023-10-19 | 2023-11-24 | 深圳市先行电气技术有限公司 | 基于物联网的多源电表数据采集分析方法、系统和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117710153B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116865258B (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
| CN117036104B (zh) | 一种基于电力物联网的智慧用电方法和系统 | |
| Liu et al. | Accuracy improvement of energy prediction for solar-energy-powered embedded systems | |
| CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
| KR20200128232A (ko) | 전력 수요 예측 장치 및 그 방법 | |
| CN112101673B (zh) | 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统 | |
| CN116914751B (zh) | 一种智能配电控制系统 | |
| Capizzi et al. | An advanced neural network based solution to enforce dispatch continuity in smart grids | |
| CN111311001B (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
| CN115204038A (zh) | 一种基于数据分解和集成模型的储能锂电池寿命预测方法 | |
| CN114720764A (zh) | 一种基于电表实时监测数据的谐波分析方法及系统 | |
| CN112381665A (zh) | 一种基于鸡群算法的多特征加权的家用电气负荷识别方法 | |
| CN117649027A (zh) | 基于智慧车站的数据处理方法及系统 | |
| CN117974395A (zh) | 一种基于碳排放监测的绿色社区管理方法及系统 | |
| KR102556093B1 (ko) | 전력의 피크 부하를 저감하기 위한 보상 생성 방법 및 그 방법을 수행하는 동작 제어 장치 | |
| CN117094478B (zh) | 能量调度管理方法、装置、设备及存储介质 | |
| CN117710153B (zh) | 一种基于多终端设备的用能辅助决策方法和系统 | |
| CN117477614A (zh) | 光伏储能系统的容量配置方法、装置、设备及存储介质 | |
| CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 | |
| WO2020161624A1 (en) | Method and device for controlling a wastewatertank pumping system | |
| Singh et al. | Grey Wolf Optimization Based CNN-LSTM Network for the Prediction of Energy Consumption in Smart Home Environment | |
| CN114022308A (zh) | 基于主成分分析和凸优化的低压配网拓扑自适应识别方法 | |
| CN107067118A (zh) | 一种基于数据挖掘的电气量超短期预测方法及系统 | |
| Safarudin et al. | The Number of Nodes Effect to Predict the Electrical Consumption in Seven Distinct Countries | |
| Wang et al. | An alternative method for estimating wind-power capacity credit based on reliability evaluation using intelligent search |
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 |