CN110458387A - 一种基于机器学习技术的智能电网信息管理方法及*** - Google Patents
一种基于机器学习技术的智能电网信息管理方法及*** Download PDFInfo
- Publication number
- CN110458387A CN110458387A CN201910569690.5A CN201910569690A CN110458387A CN 110458387 A CN110458387 A CN 110458387A CN 201910569690 A CN201910569690 A CN 201910569690A CN 110458387 A CN110458387 A CN 110458387A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- machine learning
- charging mode
- information
- 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 58
- 238000010801 machine learning Methods 0.000 title claims abstract description 48
- 238000013459 approach Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 56
- 238000013499 data model Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 238000012706 support-vector machine Methods 0.000 claims abstract description 4
- 230000005611 electricity Effects 0.000 claims description 66
- 238000012549 training Methods 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 7
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 241000251468 Actinopterygii Species 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 235000012054 meals Nutrition 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000002045 lasting effect Effects 0.000 claims 1
- 238000012550 audit Methods 0.000 abstract description 4
- 238000009472 formulation Methods 0.000 abstract 1
- 239000000203 mixture Substances 0.000 abstract 1
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000010181 polygamy Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Development Economics (AREA)
Abstract
本发明公开了一种基于机器学习技术的智能电网信息管理方法及***、存储介质,所述方法包括以下步骤:通过机器学习技术构建用户信息与用户用电计费方式的数据模型;所述机器学习技术至少包括以下一种:支持向量机及其改进算法、神经网络及其改进算法、聚类算法、极端学习机及其改进算法、集成学习算法及其改进算法和深度学习算法及其改进算法等算法;基于所述数据模型,输入用户的用户信息,获取用户用电计费方式数据。本发明通过机器学习技术,根据用户信息可以快速地制定出合理的待供电用户的计费方式,避免了通过人工进行制定审核的导致的计费方式不合理且周期较长的问题。
Description
技术领域
本发明涉及电网信息领域,具体涉及一种基于机器学习技术的智能电网信息管理方法及***、存储介质。
背景技术
数据分析,是指用适当的统计分析方法对收集来的大量数据进行分析,提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。在实用中,数据分析可帮助人们作出判断,以便采取适当行动。随着机器学习技术的发展,在数据分析领域大放异彩,压倒了传统的统计学方法,成为主流。机器学习是人工智能的一个分支。人工智能的研究是从以“推理”为重点到以“知识”为重点,再到以“学习”为重点,一条自然、清晰的脉络。显然,机器学习是实现人工智能的一个途径,即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。
信息平台是支撑统一坚强智能电网建设的公共平台和重要手段。统一坚强智能电网的建设对信息平台提出了更高的需求:要求实现信息的全面采集、流畅传输和高效处理,支撑电力流、信息流、业务流的高度一体化;要求建立信息共享透明、集成规范、功能强大的业务协同和互操作平台;要求海量的可靠存储与管理,充分挖掘信息的潜在价值,提升智能分析与决策的支持水平。具有“信息化、自动化、互动化”特征是坚强智能电网发展目标,电网的智能化体现为能够全面、及时地掌握电网运行的信息,综合各自动化功能***对,提升智能分析与决策的支持水平。
如何实现智能电网快速准确分析用户信息,充分挖掘用户信息的潜在价值并做出最优的反应,对用户实现快速合理的电费计价,是智能电网建设的重要方面。
发明内容
鉴于以上技术问题,本发明的目的在于提供一种基于机器学习技术的智能电网信息管理方法及***、存储介质,可以快速地制定出合理的待供电用户的计费方式,避免了通过人工进行制定审核的导致的计费方式不合理且周期较长的问题。
本发明采用以下技术方案:
一种基于机器学习技术的智能电网信息管理方法,包括以下步骤:
通过机器学习技术构建用户信息与用户用电计费方式的数据模型;所述机器学习技术至少包括以下一种:支持向量机及其改进算法、神经网络及其改进算法、聚类算法、极端学习机及其改进算法、集成学习算法及其改进算法和深度学习算法及其改进算法等算法;
基于所述数据模型,输入用户的用户信息,获取用户用电计费方式数据。
进一步的,通过机器学习技术构建用户信息与用户用电计费方式的数据模型的步骤具体包括:
采集用户信息及其对应的用电计费方式,并进行数据预处理;
基于用户信息获取用户需求数据,将所述用户需求数据作为机器学习技术的输入量,将所述用电计费方式作为机器学习技术的输出量;将p个用户需求的集合及其对应的用电计费方式集合组成p个训练样本,其中,p为正整数;
将所述p个训练样本分别输入至s个分类器进行训练,获取所述用户信息与用电计费方式的映射关系为y=f(x),其中x为所述用户信息,y为所述用户信息对应的用电计费方式;
利用决策机设置所述s个分类器的检测权重{q 1,q 2,…,q s},获取所述用户信息与用电计费方式的数据模型。
进一步的,所述s个分类器能够选择相同或不同的训练参数优化算法,其中,所述训练参数优化算法包括以下中的至少一种:粒子群优化算法、遗传算法、蚁群优化算法和鱼群优化算法。
进一步的,基于用户信息获取用户需求数据步骤具体包括:设定与用户需求相关联的多个可划分的分组元素,收集多个用户需求的分组数据,将不同用户的用户需求映射到分组元素,确定用户信息与用户需求之间的匹配。
进一步的,所述训练样本中的用电计费方式基于待供电用户的所属行业、用电性质、核定用电容量和拟定用户分级进行确定。
进一步的,所述用户信息包括以下信息中的至少一种:用户搜索历史记录、用户交易信息录、用户基础信息、用户用电行为信息;
所述用户基础信息包括用户名称、企业性质、企业类型、所在地区、所属行业、年利润等;所述用户交易信息包括:用户合作时间、交易套餐类型、交易电量、交易平均电价、交易电量趋势、增值服务需求、违约记录、缴费记录;所述用户用电行为信息包括年用电量、用电量趋势、负荷信息和用电量信息。
进一步的,还包括步骤:在用户用电计费超过预定时间周期后,根据用户在该预定时间周期内的实际用电数据调整所述用电计费方式数据,将调整后的用电计费方式数据确定为该用户的计费方式数据。
进一步的,所述用户在该预定时间周期内的实际用电数据包括用户用电计费在预定时间周期内的平均用电负荷、用户用电计费在预定时间周期内最大用电负荷以及最大用电负荷持续时间、用户用电计费在预定时间周期内用电负荷超过预定阈值的次数以及所述预定阈值的持续时间;所述预定阈值根据所述最大用电负荷确定。
一种基于机器学习技术的智能电网信息管理***,包括用户信息收集器模块、用户计费方式配置模块、模型选择与训练模块、预测器模块、组合学习模块和配置器模块;其中:所述用户信息收集器模块用于获取用户信息数据;所述用户计费方式配置模块用于根据电力规则预设多种用户计费方式;所述模型选择与训练模块用于根据用户信息数据进行模型选择与训练;所述预测器模块用于得到所述用户信息数据就在模型选择与训练模块进行训练后得到各模型的预测结果;所述组合学习模块用于将预测器模块得到的相应模型的预测结果进行组合学习,取个预测指标的最优模型,并进行最优预测;所述配置器模块用于在所述用户信息数据通过组合学习模块后,得到待供电用户的用户计费方式数据。
一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在被处理器执行时,实现所述的基于机器学习技术的智能电网信息管理方法。
相比现有技术,本发明的有益效果在于:
本发明通过机器学习技术,根据获取的用户信息,可以快速地制定出合理的待供电用户的计费方式,避免了通过人工进行制定审核的导致的计费方式不合理且周期较长的问题。
进一步的,本发明还根据用户在该预定时间周期内的实际用电数据对所述用电计费方式数据进行调整,使待供电用户的计费方式更加合理。
附图说明
图1为本发明一种基于机器学习技术的智能电网信息管理方法一实施例的流程示意图;
图2为本发明一种基于机器学习技术的智能电网信息管理方法另一实施例的流程示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例:
实施例:
请参考图1-2所示,一种基于机器学习技术的智能电网信息管理方法,如图1所示,包括以下步骤:
步骤S1:通过机器学习技术构建用户信息与用户用电计费方式的数据模型;所述机器学习技术至少包括以下一种:支持向量机及其改进算法、神经网络及其改进算法、聚类算法、极端学习机及其改进算法、集成学习算法及其改进算法和深度学习算法及其改进算法等算法;
例如,可以选择使用经典的K-means聚类算法进行聚类,K-means算法有如下特点:简单、运行效率高、容易实现、适用于数值类型数据、适于规模不大的数据集。
步骤S2:基于所述数据模型,输入用户的用户信息,获取用户用电计费方式数据。
通过本发明,可以快速地制定出合理的待供电用户的计费方式,避免了通过人工进行制定审核的导致的计费方式不合理且周期较长的缺陷。
优选的,通过机器学习技术构建用户信息与用户用电计费方式的数据模型的步骤具体包括:
采集用户信息及其对应的用电计费方式,并进行数据预处理;
所述预处理操作主要是过滤无用的数据和重复数据,获取有用的原始数据。
这里无用的数据是指与用电计费方式无关的数据,例如当用户为企业时,企业成立时间作为无用的数据。
基于用户信息获取用户需求数据,将所述用户需求数据作为机器学习技术的输入量,将所述用电计费方式作为机器学习技术的输出量;将p个用户需求的集合及其对应的用电计费方式集合组成p个训练样本,
其中,p为正整数;
将所述p个训练样本分别输入至s个分类器进行训练,获取所述用户信息与用电计费方式的映射关系为y=f(x),其中x为所述用户信息,y为所述用户信息对应的用电计费方式;
利用决策机设置所述s个分类器的检测权重{q 1,q 2,…,q s},获取所述用户信息与用电计费方式的数据模型。
具体的,各个分类器均有自己专属的函数映射关系并以函数映射关系做为自己的检测规则,决策机将各个分类器的检测规则综合成检测规则库,并对各个分类器赋以检测权重,然后决策机对各个分类器的检测结果进行加权计算,即对每个分类器标签乘上其对应的标签权重,用以考虑每个分类器的重要性差异。
所述s个分类器能够选择相同或不同的训练参数优化算法,其中,所述训练参数优化算法包括以下中的至少一种:粒子群优化算法、遗传算法、蚁群优化算法和鱼群优化算法。
基于用户信息获取用户需求数据步骤具体包括:
设定与用户需求相关联的多个可划分的分组元素,收集多个用户需求的分组数据,将不同用户的用户需求映射到分组元素,确定用户信息与用户需求之间的匹配。
在实际电网信息管理***中,分组元素可以是基于以下分组因素,如企业用户还是个人用户,当前价值用户还是潜在价值用户,用户是否有蒸汽、热水等其他能源需求,用电量增长趋势等,用户需求会根据不同分组因数有所不同;这样,可以将用户信息例如根据企业用户和个人用户等信息的不同具有不同的分组因素,匹配到不同的用户需求分组中。
这里,用户需求主要是指用户用电负荷需求,除此之外,用户需求还可包括:基本电费、电度电费、功率因数调整电费、无功电价电费、分时用电(丰枯电,峰谷电)。所述的用电负荷是指电能用户的用电设备在某一时刻向电力***取用的电功率的总和。
具体的,所述训练样本中的用电计费方式基于待供电用户的所属行业、用电性质、核定用电容量和拟定用户分级进行确定。
所述用户信息包括以下信息中的至少一种:用户搜索历史记录、用户购买历史记录、用户基础信息、用户用电行为信息;用户基础信息包括用户名称、企业性质、企业类型、所在地区、所属行业、年利润等;用户交易信息包括:用户合作时间、交易套餐类型、交易电量、交易平均电价、交易电量趋势、增值服务需求、违约记录、缴费记录等;用户用电行为信息包括年用电量、用电量趋势、负荷信息、用电量信息等。
可选的,如图2,本发明还包括步骤:
步骤S3:在用户用电计费超过预定时间周期后,根据用户在该预定时间周期内的实际用电数据调整所述用电计费方式数据,将调整后的用电计费方式数据确定为该用户的计费方式数据。
具体的,所述用户在该预定时间周期内的实际用电数据包括用户用电计费在预定时间周期内的平均用电负荷、用户用电计费在预定时间周期内最大用电负荷以及最大用电负荷持续时间、用户用电计费在预定时间周期内用电负荷超过预定阈值的次数以及所述预定阈值的持续时间;所述预定阈值根据所述最大用电负荷确定。
本发明的一种基于机器学习技术的智能电网信息管理***,包括用户信息收集器模块、用户计费方式配置模块、模型选择与训练模块、预测器模块、组合学习模块和配置器模块;其中:所述用户信息收集器模块用于获取用户信息数据;所述用户计费方式配置模块用于根据电力规则预设多种用户计费方式;所述模型选择与训练模块用于根据用户信息数据进行模型选择与训练;所述预测器模块用于得到所述用户信息数据就在模型选择与训练模块进行训练后得到各模型的预测结果;所述组合学习模块用于将预测器模块得到的相应模型的预测结果进行组合学习,取个预测指标的最优模型,并进行最优预测;所述配置器模块用于在所述用户信息数据通过组合学习模块后,得到待供电用户的用户计费方式数据。
本发明还提供一种计算机存储介质,其上存储有计算机程序,本发明的方法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,可以存储在该计算机存储介质中。基于这样的理解,本发明实现上述实施例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实施例的步骤。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。所述计算机存储介质可以包括: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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机存储介质不包括电载波信号和电信信号。
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (10)
1.一种基于机器学习技术的智能电网信息管理方法,其特征在于,包括以下步骤:
通过机器学习技术构建用户信息与用户用电计费方式的数据模型;所述机器学习技术至少包括以下一种:支持向量机及其改进算法、神经网络及其改进算法、聚类算法、极端学习机及其改进算法、集成学习算法及其改进算法和深度学习算法及其改进算法;
基于所述数据模型,输入用户的用户信息,获取用户用电计费方式数据。
2.根据权利要求1所述的基于机器学习技术的智能电网信息管理方法,其特征在于,通过机器学习技术构建用户信息与用户用电计费方式的数据模型的步骤具体包括:
采集用户信息及其对应的用电计费方式,并进行数据预处理;
基于用户信息获取用户需求数据,将所述用户需求数据作为机器学习技术的输入量,将所述用电计费方式作为机器学习技术的输出量;将p个用户需求的集合及其对应的用电计费方式集合组成p个训练样本,其中,p为正整数;
将所述p个训练样本分别输入至s个分类器进行训练,获取所述用户信息与用电计费方式的映射关系为y=f(x),其中x为所述用户信息,y为所述用户信息对应的用电计费方式;
利用决策机设置所述s个分类器的检测权重{q1,q2,…,qs},获取所述用户信息与用电计费方式的数据模型。
3.根据权利要求2所述的基于机器学习技术的智能电网信息管理方法,其特征在于,所述s个分类器能够选择相同或不同的训练参数优化算法,其中,所述训练参数优化算法包括以下中的至少一种:粒子群优化算法、遗传算法、蚁群优化算法和鱼群优化算法。
4.根据权利要求2所述的基于机器学习技术的智能电网信息管理方法,其特征在于,基于用户信息获取用户需求数据步骤具体包括:设定与用户需求相关联的多个可划分的分组元素,收集多个用户需求的分组数据,将不同用户的用户需求映射到分组元素,确定用户信息与用户需求之间的匹配。
5.根据权利要求2所述的基于机器学习技术的智能电网信息管理方法,其特征在于,所述训练样本中的用电计费方式基于待供电用户的所属行业、用电性质、核定用电容量和拟定用户分级进行确定。
6.根据权利要求1所述的基于机器学习技术的智能电网信息管理方法,其特征在于,所述用户信息包括以下信息中的至少一种:用户搜索历史记录、用户交易信息录、用户基础信息、用户用电行为信息;
所述用户基础信息包括用户名称、企业性质、企业类型、所在地区、所属行业、年利润等;所述用户交易信息包括:用户合作时间、交易套餐类型、交易电量、交易平均电价、交易电量趋势、增值服务需求、违约记录、缴费记录;所述用户用电行为信息包括年用电量、用电量趋势、负荷信息和用电量信息。
7.根据权利要求1所述的基于机器学习技术的智能电网信息管理方法,其特征在于,还包括步骤:在用户用电计费超过预定时间周期后,根据用户在该预定时间周期内的实际用电数据调整所述用电计费方式数据,将调整后的用电计费方式数据确定为该用户的计费方式数据。
8.根据权利要求7所述的基于机器学***均用电负荷、用户用电计费在预定时间周期内最大用电负荷以及最大用电负荷持续时间、用户用电计费在预定时间周期内用电负荷超过预定阈值的次数以及所述预定阈值的持续时间;所述预定阈值根据所述最大用电负荷确定。
9.一种基于机器学习技术的智能电网信息管理***,其特征在于,包括用户信息收集器模块、用户计费方式配置模块、模型选择与训练模块、预测器模块、组合学习模块和配置器模块;其中:所述用户信息收集器模块用于获取用户信息数据;所述用户计费方式配置模块用于根据电力规则预设多种用户计费方式;所述模型选择与训练模块用于根据用户信息数据进行模型选择与训练;所述预测器模块用于得到所述用户信息数据就在模型选择与训练模块进行训练后得到各模型的预测结果;所述组合学习模块用于将预测器模块得到的相应模型的预测结果进行组合学习,取个预测指标的最优模型,并进行最优预测;所述配置器模块用于在所述用户信息数据通过组合学习模块后,得到待供电用户的用户计费方式数据。
10.一种计算机存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序在被处理器执行时,实现如权利要求1至8任一项所述的基于机器学习技术的智能电网信息管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910569690.5A CN110458387A (zh) | 2019-06-27 | 2019-06-27 | 一种基于机器学习技术的智能电网信息管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910569690.5A CN110458387A (zh) | 2019-06-27 | 2019-06-27 | 一种基于机器学习技术的智能电网信息管理方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110458387A true CN110458387A (zh) | 2019-11-15 |
Family
ID=68481769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910569690.5A Pending CN110458387A (zh) | 2019-06-27 | 2019-06-27 | 一种基于机器学习技术的智能电网信息管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458387A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506618A (zh) * | 2019-12-11 | 2020-08-07 | 国网重庆市电力公司北碚供电分公司 | 一种结合lightgbm-stacking算法的异常用电行为分析方法 |
CN112451764A (zh) * | 2020-12-04 | 2021-03-09 | 余英 | 引流装置及其控制方法 |
CN115018182A (zh) * | 2022-06-28 | 2022-09-06 | 广东电网有限责任公司 | 一种通信电路的规划管理方法、装置、存储介质以及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090012885A1 (en) * | 2003-12-31 | 2009-01-08 | Cahn Robert S | Adjustable rate usage-based billing for data services |
CN105046327A (zh) * | 2015-06-03 | 2015-11-11 | 王宝会 | 一种基于机器学习技术的智能电网信息***及方法 |
CN105867347A (zh) * | 2016-03-29 | 2016-08-17 | 全球能源互联网研究院 | 一种基于机器学习技术的跨空间级联故障检测方法 |
CN107346473A (zh) * | 2017-06-29 | 2017-11-14 | 广东工业大学 | 一种电价设定方法及*** |
CN107730398A (zh) * | 2017-09-30 | 2018-02-23 | 广东美的制冷设备有限公司 | 用电计费方式的推荐方法、装置及存储介质 |
CN109559146A (zh) * | 2018-09-25 | 2019-04-02 | 国家电网有限公司客户服务中心 | 电力客服中心基于logistic模型预测***数量的省市接入数据中心优化方法 |
CN109598446A (zh) * | 2018-12-09 | 2019-04-09 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于机器学习算法的电费回收风险预警*** |
-
2019
- 2019-06-27 CN CN201910569690.5A patent/CN110458387A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090012885A1 (en) * | 2003-12-31 | 2009-01-08 | Cahn Robert S | Adjustable rate usage-based billing for data services |
CN105046327A (zh) * | 2015-06-03 | 2015-11-11 | 王宝会 | 一种基于机器学习技术的智能电网信息***及方法 |
CN105867347A (zh) * | 2016-03-29 | 2016-08-17 | 全球能源互联网研究院 | 一种基于机器学习技术的跨空间级联故障检测方法 |
CN107346473A (zh) * | 2017-06-29 | 2017-11-14 | 广东工业大学 | 一种电价设定方法及*** |
CN107730398A (zh) * | 2017-09-30 | 2018-02-23 | 广东美的制冷设备有限公司 | 用电计费方式的推荐方法、装置及存储介质 |
CN109559146A (zh) * | 2018-09-25 | 2019-04-02 | 国家电网有限公司客户服务中心 | 电力客服中心基于logistic模型预测***数量的省市接入数据中心优化方法 |
CN109598446A (zh) * | 2018-12-09 | 2019-04-09 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于机器学习算法的电费回收风险预警*** |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506618A (zh) * | 2019-12-11 | 2020-08-07 | 国网重庆市电力公司北碚供电分公司 | 一种结合lightgbm-stacking算法的异常用电行为分析方法 |
CN111506618B (zh) * | 2019-12-11 | 2023-09-01 | 国网重庆市电力公司北碚供电分公司 | 一种结合lightgbm-stacking算法的异常用电行为分析方法 |
CN112451764A (zh) * | 2020-12-04 | 2021-03-09 | 余英 | 引流装置及其控制方法 |
WO2022116963A1 (zh) * | 2020-12-04 | 2022-06-09 | 深圳市迪曼医疗科技有限公司 | 引流装置及其控制方法、终端 |
CN115018182A (zh) * | 2022-06-28 | 2022-09-06 | 广东电网有限责任公司 | 一种通信电路的规划管理方法、装置、存储介质以及*** |
CN115018182B (zh) * | 2022-06-28 | 2024-02-09 | 广东电网有限责任公司 | 一种通信电路的规划管理方法、装置、存储介质以及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Straka et al. | Predicting popularity of electric vehicle charging infrastructure in urban context | |
CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN110458387A (zh) | 一种基于机器学习技术的智能电网信息管理方法及*** | |
CN109829604A (zh) | 一种电网侧储能电站运行效果综合评估方法 | |
CN104022552B (zh) | 一种用于电动汽车充电控制的智能检测方法 | |
Macedo et al. | Typification of load curves for DSM in Brazil for a smart grid environment | |
Zhang et al. | Bayesian hybrid collaborative filtering-based residential electricity plan recommender system | |
CN112132488B (zh) | 一种耦合建模-优化-优选的水库生态调度方法 | |
TWI540533B (zh) | 智慧型短期電力發電量預測方法 | |
CN110658725A (zh) | 一种基于人工智能的能源监管和预测***及其方法 | |
Raghavendra et al. | Artificial humming bird with data science enabled stability prediction model for smart grids | |
CN113450031B (zh) | 居民智慧用能服务潜在台区选取方法及装置 | |
Abumohsen et al. | Electrical load forecasting based on random forest, xgboost, and linear regression algorithms | |
CN104112168B (zh) | 一种基于多代理***的智能家居优化方法 | |
Hu et al. | Probabilistic net load forecasting based on transformer network and Gaussian process-enabled residual modeling learning method | |
CN110472841B (zh) | 一种电动汽车快速充电站的储能配置方法 | |
Latimier et al. | Online learning for distributed optimal control of an electric vehicle fleet | |
CN116883057A (zh) | 一种基于XGBoost的高精度电力客户营销渠道偏好预测*** | |
CN111784019A (zh) | 电力负荷处理方法和装置 | |
Kumar et al. | Deterministic robust planning and probabilistic techno‐economic assessment of a sector coupled community energy system | |
CN116226293A (zh) | 一种电力客户画像生成管理的方法及*** | |
Nadeem et al. | Short term load forecasting on PRECON dataset | |
CN114819292A (zh) | 基于安全综合评价的园区微电网智能调度方法及*** | |
CN113780686A (zh) | 一种面向分布式电源的虚拟电厂运行方案优化方法 | |
Christensen et al. | Data-driven learning from dynamic pricing data-classification and forecasting |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |
|
RJ01 | Rejection of invention patent application after publication |