CN112686456A - 一种结合边缘计算与用能识别的电力负荷预测***和方法 - Google Patents
一种结合边缘计算与用能识别的电力负荷预测***和方法 Download PDFInfo
- Publication number
- CN112686456A CN112686456A CN202011642330.2A CN202011642330A CN112686456A CN 112686456 A CN112686456 A CN 112686456A CN 202011642330 A CN202011642330 A CN 202011642330A CN 112686456 A CN112686456 A CN 112686456A
- Authority
- CN
- China
- Prior art keywords
- data
- energy consumption
- identification
- voltage
- layer
- 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 110
- 238000004364 calculation method Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 230000005540 biological transmission Effects 0.000 claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 40
- 230000006399 behavior Effects 0.000 claims description 36
- 238000007619 statistical method Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 24
- 238000005192 partition Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000005065 mining Methods 0.000 abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种结合边缘计算与用能识别的电力负荷预测***和方法，借助智能电表的边缘计算能力，将负荷识别算法内嵌于终端芯片之中，从而实现对用户高频量测数据的非侵入式挖掘和分析，并从中得到用户的用能行为和用能规律数据，充分利用了智能电表终端的计算能力，在提高负荷预测精度的同时，避免了大量数据传输和存储带来的网络堵塞、资源紧缺等问题，解决了现有的集中式负荷预测方式存在的负荷预测精度不高和大量数据传输和存储带来的网络堵塞和资源紧缺的问题。
Description
技术领域
本申请涉及电力***负荷预测技术领域，尤其涉及一种结合边缘计算与用能识别的电力负荷预测***和方法。
背景技术
电力***负荷预测是指在充分考虑一些重要的***运行特性、增容决策、自然条件与社会影响的条件下，处理过去与未来负荷的数学方法，在满足一定精度要求的意义下，确定未来特定时刻的负荷数值。提高负荷预测的精度对于保障***运行安全、提升其经济性水平具有重要作用。
目前电力***电力负荷预测的方法大多采用集中式地回归分析或智能学习方法进行预测，其数据来源包括预测区域的历史负荷、气象信息和经济参数等，并未涉及区域内各类用户的用能行为和用能规律等信息，而这些信息可以用于进一步提高负荷预测的精度；其次，传统负荷预测均采用集中式的方法进行分析和计算，即将所有数据进行集中存储、访问和处理，对计算资源的要求很高，当考虑用户的高频实时用能量测时，若不借助海量的计算和通讯资源，将不具备工程上的可行性。因此，为解决集中式负荷预测方式存在的负荷预测精度不高和大量数据传输和存储带来的网络堵塞和资源紧缺的问题，本申请提供了一种结合边缘计算与用能识别的电力负荷预测***和方法。
发明内容
本申请提供了一种结合边缘计算与用能识别的电力负荷预测***和方法，用于解决现有的集中式负荷预测方式存在的负荷预测精度不高和大量数据传输和存储带来的网络堵塞和资源紧缺的问题。
有鉴于此，本申请第一方面提供了一种结合边缘计算与用能识别的电力负荷预测***，包括边缘计算层、数据传输层、统计分析层和训练预测层；
所述边缘计算层包括智能电表，所述智能电表内设数据采集模块和数据处理芯片，所述数据采集模块用于实时采集电力用户的高频量测信息，所述数据处理芯片用于采用负荷识别算法对所述数据采集模块采集到的所述高频量测信息进行用能细分识别，得到所述电力用户的实际用能行为数据，将所述实际用能行为数据上传到所述数据传输层；
所述数据传输层包括数据集中器，所述数据集中器用于对所述实际用能行为数据进行统计和合并，得到分区用能序列，将所述分区用能序列上传到所述统计分析层；
所述统计分析层用于将区域内所有所述数据集中器上传的所述分区用能序列按照预置分类原则进行分类统计，得到区域用能数据，将所述区域用能数据上传至所述训练预测层，所述预置分类原则包括用户类型、时间序列、电器类别和地理位置；
所述训练预测层用于对所述区域用能数据进行归一化处理，将归一化处理后得到的数据代入深度学习神经网络进行训练，得到训练好的神经网络，将所述训练好的神经网络用于电力***的负荷预测。
可选地，所述负荷识别算法为基于电压-电流轨迹和多特征融合的自适应多分类学习算法；
所述采用负荷识别算法对所述数据采集模块采集到的所述高频量测信息进行用能细分识别的步骤包括：
获取各类电器设备在启动和停止状态下的电压-电流瞬时采样值，对所述电压-电流瞬时采样值进行归一化，以电压为横轴，以电流为纵轴，绘制电压电流轨迹图；
提取所述电压电流轨迹图中电压-电流轨迹的特征指标，形成特征向量，并结合设备采样状态构造样本，得到各类设备的启动样本序列，所述特征指标包括循环方向、自相交点的数量、平均曲线中段斜率、平均曲线曲率、轨迹包络面积；
设置迭代次数，并初始化各样本的权重；
开始迭代，根据各样本的权重对各样本进行训练和分类识别，计算k类标签样本中被识别为非本类别的样本的权重之和，判断k类标签样本中识别正确的样本权值之和是否大于识别错误的样本权值之和，若是，则继续循环迭代，否则返回重新计算k类标签样本中被识别为非本类别的样本的权重之和；
计算分类识别的分类函数的错误识别率；
更新权重值，并对更新的权重值进行归一化，得到增强分类识别器；
通过增强分类识别器进行用能细分识别，得到所述电力用户的实际用能行为数据。
可选地，所述电力用户包括工业电力用户、商业电力用户和居民电力用户，所述高频量测信息包括电压波形和电流波形。
可选地，所述数据采集模块采集数据的采样频率不低于6000Hz。
可选地，所述智能电表通过RS485总线与所述数据集中器进行数据传输。
可选地，所述数据集中器通过GPRS或5G专网传输至所述统计分析层。
本申请第二方面提供了一种结合边缘计算与用能识别的电力负荷预测方法，包括：
边缘计算层实时采集电力用户的高频量测信息，采用负荷识别算法对采集到的所述高频量测信息进行用能细分识别，得到所述电力用户的实际用能行为数据，将所述实际用能行为数据上传到所述数据传输层；
所述数据传输层对所述实际用能行为数据进行统计和合并，得到分区用能序列，将所述分区用能序列上传到所述统计分析层；
所述统计分析层将区域内所有所述数据集中器上传的所述分区用能序列按照预置分类原则进行分类统计，得到区域用能数据，将所述区域用能数据上传至所述训练预测层，所述预置分类原则包括用户类型、时间序列、电器类别和地理位置；
所述训练预测层对所述区域用能数据进行归一化处理，将归一化处理后得到的数据代入深度学习神经网络进行训练，得到训练好的神经网络，将所述训练好的神经网络用于电力***的负荷预测。
可选地，所述负荷识别算法为基于电压-电流轨迹和多特征融合的自适应多分类学习算法；
所述采用负荷识别算法对采集到的所述高频量测信息进行用能细分识别的步骤包括：
获取各类电器设备在启动和停止状态下的电压-电流瞬时采样值，对所述电压-电流瞬时采样值进行归一化，以电压为横轴，以电流为纵轴，绘制电压电流轨迹图；
提取所述电压电流轨迹图中电压-电流轨迹的特征指标，形成特征向量，并结合设备采样状态构造样本，得到各类设备的启动样本序列，所述特征指标包括循环方向、自相交点的数量、平均曲线中段斜率、平均曲线曲率、轨迹包络面积；
设置迭代次数，并初始化各样本的权重；
开始迭代，根据各样本的权重对各样本进行训练和分类识别，计算k类标签样本中被识别为非本类别的样本的权重之和，判断k类标签样本中识别正确的样本权值之和是否大于识别错误的样本权值之和，若是，则继续循环迭代，否则返回重新计算k类标签样本中被识别为非本类别的样本的权重之和；
计算分类识别的分类函数的错误识别率；
更新权重值，并对更新的权重值进行归一化，得到增强分类识别器；
通过增强分类识别器进行用能细分识别，得到所述电力用户的实际用能行为数据。
可选地，所述边缘计算层采集数据的采样频率不低于6000Hz。
可选地，所述电力用户包括工业电力用户、商业电力用户和居民电力用户，所述高频量测信息包括电压波形和电流波形。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请中提供了一种结合边缘计算与用能识别的电力负荷预测***，包括边缘计算层、数据传输层、统计分析层和训练预测层；边缘计算层包括智能电表，智能电表内设数据采集模块和数据处理芯片，数据采集模块用于实时采集电力用户的高频量测信息，数据处理芯片用于采用负荷识别算法对数据采集模块采集到的高频量测信息进行用能细分识别，得到电力用户的实际用能行为数据，将实际用能行为数据上传到所述数据传输层；数据传输层包括数据集中器，数据集中器用于对实际用能行为数据进行统计和合并，得到分区用能序列，将分区用能序列上传到所述统计分析层；统计分析层用于将区域内所有数据集中器上传的分区用能序列按照预置分类原则进行分类统计，得到区域用能数据，将区域用能数据上传至所述训练预测层，预置分类原则包括用户类型、时间序列、电器类别和地理位置；训练预测层用于对区域用能数据进行归一化处理，将归一化处理后得到的数据代入深度学习神经网络进行训练，得到训练好的神经网络，将训练好的神经网络用于电力***的负荷预测。借助智能电表的边缘计算能力，将负荷识别算法内嵌于终端芯片之中，从而实现对用户高频量测数据的非侵入式挖掘和分析，并从中得到用户的用能行为和用能规律数据，充分利用了智能电表终端的计算能力，在提高负荷预测精度的同时，避免了大量数据传输和存储带来的网络堵塞、资源紧缺等问题，解决了现有的集中式负荷预测方式存在的负荷预测精度不高和大量数据传输和存储带来的网络堵塞和资源紧缺的问题。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例中提供的一种结合边缘计算与用能识别的电力负荷预测***的物理架构示意图；
图2为本申请实施例中提供的一种结合边缘计算与用能识别的电力负荷预测***的信息传递及处理流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
实施例1
为了便于理解，请参阅图1和图2，本申请提供的一种结合边缘计算与用能识别的电力负荷预测***的一个实施例，包括边缘计算层、数据传输层、统计分析层和训练预测层；
边缘计算层包括智能电表，智能电表内设数据采集模块和数据处理芯片，数据采集模块用于实时采集电力用户的高频量测信息，数据处理芯片用于采用负荷识别算法对数据采集模块采集到的高频量测信息进行用能细分识别，得到电力用户的实际用能行为数据，将实际用能行为数据上传到数据传输层；
数据传输层包括数据集中器，数据集中器用于对实际用能行为数据进行统计和合并，得到分区用能序列，将分区用能序列上传到统计分析层；
统计分析层用于将区域内所有数据集中器上传的分区用能序列按照预置分类原则进行分类统计，得到区域用能数据，将区域用能数据上传至训练预测层，预置分类原则包括用户类型、时间序列、电器类别和地理位置；
训练预测层用于对区域用能数据进行归一化处理，将归一化处理后得到的数据代入深度学习神经网络进行训练，得到训练好的神经网络，将训练好的神经网络用于电力***的负荷预测。
本申请实施例中提供的结合边缘计算与用能识别的电力负荷预测***物理架构分为边缘计算层、数据传输层、统计分析层和训练预测层。其中边缘计算层利用智能电表的计算能力对各类用户的用能行为进行智能感知，提取出有价值的用电序列信息；数据传输层通过数据集中器对所连接用户的用能识别结果进行初步合并处理，再将处理压缩后的信息传输至统计分析层；统计分析层负责将区域内所有用户的用能行为按时间序列、用户类型以及电器类别进行统计分类；训练预测层则根据区域内用户的总体用能特征以及其他数据源信息进行反复训练学习，从而得到训练好的网络并将其用于后续负荷预测。
本申请实施例中提供的结合边缘计算与用能识别的电力负荷预测***，借助智能电表的边缘计算能力，将负荷识别算法内嵌于终端芯片之中，从而实现对用户高频量测数据的非侵入式挖掘和分析，并从中得到用户的用能行为和用能规律数据，充分利用了智能电表终端的计算能力，在提高负荷预测精度的同时，避免了大量数据传输和存储带来的网络堵塞、资源紧缺等问题，解决了现有的集中式负荷预测方式存在的负荷预测精度不高和大量数据传输和存储带来的网络堵塞和资源紧缺的问题。
实施例2
为了便于理解，请参阅图1和图2，本申请提供的一种结合边缘计算与用能识别的电力负荷预测***的另一个实施例，包括边缘计算层、数据传输层、统计分析层和训练预测层；
边缘计算层包括设置在电力用户处的智能电表，智能电表内设数据采集模块和数据处理芯片，利用智能电表的数据采集模块实时获取各类用户(包括工业、商业、居民)的高频量测信息，采集的信息包括电压和电流的波形，采样频率不低于6000Hz。利用内嵌于智能电表芯片中的负荷识别算法对采集到的用户量测信息进行用能细分识别，得到当前用户的实际用能行为，包括热水器、空调、冰箱、电磁炉等电器的启停和运行序列，所采用的负荷识别算法为基于电压-电流轨迹和多特征融合的自适应多分类学***均曲线中段斜率、平均曲线曲率、轨迹包络面积等，然后将这些特征和电器的标签作为训练样本代入自适应多分类学习算法中进行训练，从而得到增强的分类器，最后将分类器内置于智能电表中即可对用户用能行为进行识别和感知。采用基于电压-电流轨迹和多特征融合的自适应多分类学习算法对数据采集模块采集到的高频量测信息进行用能细分识别的方法包括以下步骤：
(1)获取各类电器设备(热水器、电灯、冰箱、空调、电磁炉等)在启动和停止状态下的电压-电流瞬时采样值，并对电压和电流采样值进行归一化，然后以电压为横轴，电流为纵轴，绘制电压-电流轨迹图；
(2)提取电压-电流轨迹的循环方向、自相交点的数量、平均曲线中段斜率、平均曲线曲率、轨迹包络面积5个指标，形成特征向量，并结合设备采样状态，构造样本，得到各类设备的启动样本序列
和停运样本序列
需要说明的是，同一类设备品牌型号可能不同，其电压-电流轨迹也有一定程度差异，为保证识别的准确性，尽可能对常见品牌设备特性进行采样。
例如采集到热水器(第i个设备)在启动状态时的电压和电流瞬时值，提取到特征向量
分别对应电压-电流轨迹的循环方向、自相交点的数量、平均曲线中段斜率、平均曲线曲率、轨迹包络面积5个特征指标，上标1表示启动状态。那么结合该电器的标签
(表示特征向量
对应于启动状态的第i类电器，区别于其他设备和状态)，可构造样本
(3)设置迭代次数N,初始化各样本的权重
D为样本的权值分布，即
(4)for n＝1,2,…,N，执行以下步骤：
a、根据权重ωn,对样本进行训练和分类识别，即hn:X→Y，其中X为特征空间，Y为标签空间，hn为分类函数；
b、for k＝1,2,…,K，执行以下步骤(I)～(II)。其中K为电器类别和运行状态标签数，即分类数。
(I)计算k类标签样本中，被识别为其他类别样本的权重之和，即
for j＝1,2,…,K
(II)判断k(k＝1,2,…，K)类标签中识别正确的样本权值之和是否大于识别错误的样本权值之和，即
若成立，则继续循环，否则返回步骤(a)重新计算；
c、计算hn的错误识别率:
d、更新权重值,并对
进行归一化：
(5)得到增强分类识别器为：
根据以上识别方法，可对用户的用能行为进行感知。对于某用户第t时段，其负荷识别的结果为各设备的启停状态u和功率p，例如第t时段(t＝1,2,…，24)照明的启停状态ulight,t和功率plight,t、空调的启停状态uair,t和功率pair,t、电冰箱的启停状态urefrig,t和功率prefrig,t、电热水器的启停状态uheater,t和功率pheater,t等。那么该用户t时段的总功率可表示为：
Pt＝ulight,tplight,t+uair,tpair,t+urefrig,tprefrig,t+uheater,tpheater,t+…
对用户的用能进行连续监测和识别，可得到各类设备的启停序列，即电力用户的实际用能行为数据。
智能电表将各个电力用户的用能识别结果通过RS485总线上传至相应的数据集中器，数据集中器对这些用能信息进行初步的统计与合并，形成更加精简的分区用能序列(各时段所有设备的启停状态)，然后借助GPRS或5G专网传输至用统计分析层的用采中心。
用采中心将整个区域的用能信息进行分类统计，分类的原则包括用户类型、时间序列、电器类别、地理位置等，最终形成如表1所示结构的数据。表1中各类设备的统计数据为t时段区域内所有处于启动状态的相应设备数之和。
表1
将统计好的区域用能规律连同其他数据信息(包括气象数据、负荷数据、经济数据等)传输至训练预测层的计算中心，计算中心将上述参数按下式进行归一化；
式中，x为输入参数序列，xt为第t个序列参数，yt为xt归一化后的值。
例如x为用户照明统计数据序列，xt为第t时段所有处于启动状态的用户照明数，即
(上标i表示第i个用户)，min(x)、max(x)分别表示照明数据序列的最小和最大值，那么依据上式可得到t时段的归一化值yt。
将归一化后的数据代入深度学习神经网络进行反复训练，最终得到训练好的神经网络结构和参数；
利用该神经网络对未来负荷进行预测，即可得到精度更高的预测结果。
本申请实施例提出一种结合边缘计算与用能识别的电力负荷预测***，通过借助智能电表的边缘计算能力，将负荷识别算法内嵌于终端芯片之中，从而实现对用户高频量测数据的非侵入式挖掘和分析，并从中得到用户的用能行为和用能规律数据。然后将这些小体量的数据(包括该用户类型，各类电器的启停序列等)通过数据集中器和5G网络回传至统计分析层用采中心进行存储和分析，得到分用户类型、分时段、分电器类别的全区域用户用能统计信息，再将这些信息连同其他数据(负荷数据、气象数据、经济数据以及工作日/非工作日数据)送入深度学习神经网络中进行反复训练，最终得到预测精度更高的神经网络。本申请实施例提出的电力负荷预测***能够充分利用智能终端的计算能力，在提高负荷预测精度的同时，避免了大量数据传输和存储带来的网络堵塞、资源紧缺等问题，具有一定的经济效益和实用价值。
实施例3
本申请中提供了一种结合边缘计算与用能识别的电力负荷预测方法的实施例，包括：
步骤101、边缘计算层实时采集电力用户的高频量测信息，采用负荷识别算法对采集到的高频量测信息进行用能细分识别，得到电力用户的实际用能行为数据，将实际用能行为数据上传到所述数据传输层；
步骤102、数据传输层对实际用能行为数据进行统计和合并，得到分区用能序列，将分区用能序列上传到统计分析层；
步骤103、统计分析层将区域内所有数据集中器上传的分区用能序列按照预置分类原则进行分类统计，得到区域用能数据，将区域用能数据上传至训练预测层，预置分类原则包括用户类型、时间序列、电器类别和地理位置；
步骤104、训练预测层对区域用能数据进行归一化处理，将归一化处理后得到的数据代入深度学习神经网络进行训练，得到训练好的神经网络，将训练好的神经网络用于电力***的负荷预测。
负荷识别算法为基于电压-电流轨迹和多特征融合的自适应多分类学习算法；
采用负荷识别算法对采集到的所述高频量测信息进行用能细分识别的步骤包括：
获取各类电器设备在启动和停止状态下的电压-电流瞬时采样值，对电压-电流瞬时采样值进行归一化，以电压为横轴，以电流为纵轴，绘制电压电流轨迹图；
提取电压电流轨迹图中电压-电流轨迹的特征指标，形成特征向量，并结合设备采样状态构造样本，得到各类设备的启动样本序列，特征指标包括循环方向、自相交点的数量、平均曲线中段斜率、平均曲线曲率、轨迹包络面积；
设置迭代次数，并初始化各样本的权重；
开始迭代，根据各样本的权重对各样本进行训练和分类识别，计算k类标签样本中被识别为非本类别的样本的权重之和，判断k类标签样本中识别正确的样本权值之和是否大于识别错误的样本权值之和，若是，则继续循环迭代，否则返回重新计算k类标签样本中被识别为非本类别的样本的权重之和；
计算分类识别的分类函数的错误识别率；
更新权重值，并对更新的权重值进行归一化，得到增强分类识别器；
通过增强分类识别器进行用能细分识别，得到所述电力用户的实际用能行为数据。
进一步地，数据集中器通过GPRS或5G专网传输至统计分析层，智能电表通过RS485总线与数据集中器进行数据传输。
进一步地，边缘计算层采集数据的采样频率不低于6000Hz。
进一步地，电力用户包括工业电力用户、商业电力用户和居民电力用户，高频量测信息包括电压波形和电流波形。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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例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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种结合边缘计算与用能识别的电力负荷预测***，其特征在于，包括边缘计算层、数据传输层、统计分析层和训练预测层；
所述边缘计算层包括智能电表，所述智能电表内设数据采集模块和数据处理芯片，所述数据采集模块用于实时采集电力用户的高频量测信息，所述数据处理芯片用于采用负荷识别算法对所述数据采集模块采集到的所述高频量测信息进行用能细分识别，得到所述电力用户的实际用能行为数据，将所述实际用能行为数据上传到所述数据传输层；
所述数据传输层包括数据集中器，所述数据集中器用于对所述实际用能行为数据进行统计和合并，得到分区用能序列，将所述分区用能序列上传到所述统计分析层；
所述统计分析层用于将区域内所有所述数据集中器上传的所述分区用能序列按照预置分类原则进行分类统计，得到区域用能数据，将所述区域用能数据上传至所述训练预测层，所述预置分类原则包括用户类型、时间序列、电器类别和地理位置；
所述训练预测层用于对所述区域用能数据进行归一化处理，将归一化处理后得到的数据代入深度学习神经网络进行训练，得到训练好的神经网络，将所述训练好的神经网络用于电力***的负荷预测。
2.根据权利要求1所述的结合边缘计算与用能识别的电力负荷预测***，其特征在于，所述负荷识别算法为基于电压-电流轨迹和多特征融合的自适应多分类学习算法；
所述采用负荷识别算法对所述数据采集模块采集到的所述高频量测信息进行用能细分识别的步骤包括：
获取各类电器设备在启动和停止状态下的电压-电流瞬时采样值，对所述电压-电流瞬时采样值进行归一化，以电压为横轴，以电流为纵轴，绘制电压电流轨迹图；
提取所述电压电流轨迹图中电压-电流轨迹的特征指标，形成特征向量，并结合设备采样状态构造样本，得到各类设备的启动样本序列，所述特征指标包括循环方向、自相交点的数量、平均曲线中段斜率、平均曲线曲率、轨迹包络面积；
设置迭代次数，并初始化各样本的权重；
开始迭代，根据各样本的权重对各样本进行训练和分类识别，计算k类标签样本中被识别为非本类别的样本的权重之和，判断k类标签样本中识别正确的样本权值之和是否大于识别错误的样本权值之和，若是，则继续循环迭代，否则返回重新计算k类标签样本中被识别为非本类别的样本的权重之和；
计算分类识别的分类函数的错误识别率；
更新权重值，并对更新的权重值进行归一化，得到增强分类识别器；
通过增强分类识别器进行用能细分识别，得到所述电力用户的实际用能行为数据。
3.根据权利要求1所述的结合边缘计算与用能识别的电力负荷预测***，其特征在于，所述电力用户包括工业电力用户、商业电力用户和居民电力用户，所述高频量测信息包括电压波形和电流波形。
4.根据权利要求1所述的结合边缘计算与用能识别的电力负荷预测***，其特征在于，所述数据采集模块采集数据的采样频率不低于6000Hz。
5.根据权利要求1所述的结合边缘计算与用能识别的电力负荷预测***，其特征在于，所述智能电表通过RS485总线与所述数据集中器进行数据传输。
6.根据权利要求1所述的结合边缘计算与用能识别的电力负荷预测***，其特征在于，所述数据集中器通过GPRS或5G专网传输至所述统计分析层。
7.一种结合边缘计算与用能识别的电力负荷预测方法，其特征在于，包括：
边缘计算层实时采集电力用户的高频量测信息，采用负荷识别算法对采集到的所述高频量测信息进行用能细分识别，得到所述电力用户的实际用能行为数据，将所述实际用能行为数据上传到所述数据传输层；
所述数据传输层对所述实际用能行为数据进行统计和合并，得到分区用能序列，将所述分区用能序列上传到所述统计分析层；
所述统计分析层将区域内所有所述数据集中器上传的所述分区用能序列按照预置分类原则进行分类统计，得到区域用能数据，将所述区域用能数据上传至所述训练预测层，所述预置分类原则包括用户类型、时间序列、电器类别和地理位置；
所述训练预测层对所述区域用能数据进行归一化处理，将归一化处理后得到的数据代入深度学习神经网络进行训练，得到训练好的神经网络，将所述训练好的神经网络用于电力***的负荷预测。
8.根据权利要求7所述的结合边缘计算与用能识别的电力负荷预测方法，其特征在于，所述负荷识别算法为基于电压-电流轨迹和多特征融合的自适应多分类学习算法；
所述采用负荷识别算法对采集到的所述高频量测信息进行用能细分识别的步骤包括：
获取各类电器设备在启动和停止状态下的电压-电流瞬时采样值，对所述电压-电流瞬时采样值进行归一化，以电压为横轴，以电流为纵轴，绘制电压电流轨迹图；
提取所述电压电流轨迹图中电压-电流轨迹的特征指标，形成特征向量，并结合设备采样状态构造样本，得到各类设备的启动样本序列，所述特征指标包括循环方向、自相交点的数量、平均曲线中段斜率、平均曲线曲率、轨迹包络面积；
设置迭代次数，并初始化各样本的权重；
开始迭代，根据各样本的权重对各样本进行训练和分类识别，计算k类标签样本中被识别为非本类别的样本的权重之和，判断k类标签样本中识别正确的样本权值之和是否大于识别错误的样本权值之和，若是，则继续循环迭代，否则返回重新计算k类标签样本中被识别为非本类别的样本的权重之和；
计算分类识别的分类函数的错误识别率；
更新权重值，并对更新的权重值进行归一化，得到增强分类识别器；
通过增强分类识别器进行用能细分识别，得到所述电力用户的实际用能行为数据。
9.根据权利要求7所述的结合边缘计算与用能识别的电力负荷预测方法，其特征在于，所述边缘计算层采集数据的采样频率不低于6000Hz。
10.根据权利要求7所述的结合边缘计算与用能识别的电力负荷预测方法，其特征在于，所述电力用户包括工业电力用户、商业电力用户和居民电力用户，所述高频量测信息包括电压波形和电流波形。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011642330.2A CN112686456A (zh) | 2020-12-31 | 2020-12-31 | 一种结合边缘计算与用能识别的电力负荷预测***和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011642330.2A CN112686456A (zh) | 2020-12-31 | 2020-12-31 | 一种结合边缘计算与用能识别的电力负荷预测***和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112686456A true CN112686456A (zh) | 2021-04-20 |
Family
ID=75456730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011642330.2A Pending CN112686456A (zh) | 2020-12-31 | 2020-12-31 | 一种结合边缘计算与用能识别的电力负荷预测***和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686456A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240184A (zh) * | 2021-05-21 | 2021-08-10 | 浙江大学 | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及*** |
| CN113361802A (zh) * | 2021-06-28 | 2021-09-07 | 杭州易龙电安科技有限公司 | 一种基于人工智能的电力负荷识别与预测方法 |
| CN114707737A (zh) * | 2022-04-12 | 2022-07-05 | 广州汉光电气股份有限公司 | 一种基于边缘计算的预测用电量的***和方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820825A (zh) * | 2015-04-27 | 2015-08-05 | 北京工业大学 | 基于Adaboost算法的人脸识别优化方法 |
-
2020
- 2020-12-31 CN CN202011642330.2A patent/CN112686456A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820825A (zh) * | 2015-04-27 | 2015-08-05 | 北京工业大学 | 基于Adaboost算法的人脸识别优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 杨新武等: "基于弱分类器调整的多分类Adaboost算法", 《电子与信息学报》 * |
| 祁兵等: "居民负荷特征研究及特征库的建立", 《东北电力技术》 * |
| 钟韬等: "基于决策树的非入侵式负荷分解算法的研究", 《计算机应用研究》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240184A (zh) * | 2021-05-21 | 2021-08-10 | 浙江大学 | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及*** |
| CN113240184B (zh) * | 2021-05-21 | 2022-06-24 | 浙江大学 | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及*** |
| CN113361802A (zh) * | 2021-06-28 | 2021-09-07 | 杭州易龙电安科技有限公司 | 一种基于人工智能的电力负荷识别与预测方法 |
| CN114707737A (zh) * | 2022-04-12 | 2022-07-05 | 广州汉光电气股份有限公司 | 一种基于边缘计算的预测用电量的***和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112686456A (zh) | 一种结合边缘计算与用能识别的电力负荷预测***和方法 | |
| CN109376772B (zh) | 一种基于神经网络模型的电力负荷组合预测方法 | |
| CN109345409A (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
| CN115796393B (zh) | 基于多能互动的能源网管理优化方法、***及存储介质 | |
| CN103093288A (zh) | 基于气象信息的分区电网母线负荷预测*** | |
| CN103577883A (zh) | 一种网-荷智能互动方法及装置 | |
| CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和*** | |
| CN111563827B (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
| CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
| CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
| CN116611589B (zh) | 主网输变电设备停电窗口期预测方法、***、设备及介质 | |
| CN113361454A (zh) | 一种基于非监督优化的深度学习非侵入式负荷监测方法 | |
| CN115829418B (zh) | 适用于负荷管理的电力用户负荷特性画像构建方法和*** | |
| CN116960985A (zh) | 一种电力***虚拟电厂需求响应潜力评估方法 | |
| CN111144628A (zh) | 一种分布式供能的冷热电负荷预测模型***及方法 | |
| CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及*** | |
| CN116298576A (zh) | 一种考虑时间分段的可扩展非侵入式负荷监测方法 | |
| CN112579721B (zh) | 构建人群分布图的方法及***、终端设备、存储介质 | |
| CN115511218A (zh) | 基于多任务学习与深度学习的间歇型电器负荷预测方法 | |
| CN103970016B (zh) | 多极镁电解槽状态识别控制***及其识别控制方法 | |
| CN111047465B (zh) | 一种基于电力大数据的电网友好型负荷响应方法 | |
| Zhang et al. | Load prediction based on depthwise separable convolution model | |
| Chavda et al. | Electricity consumption patterns using SOM-based two-level clustering of residential households | |
| CN118195279B (zh) | 基于可再生能源智能耦合的供暖管理调度方法及*** | |
| CN112257923B (zh) | 重过载预警方法、装置以及电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210420 |