CN113434690B - 基于聚类算法的用电预测评估方法、装置、***及介质 - Google Patents
基于聚类算法的用电预测评估方法、装置、***及介质 Download PDFInfo
- Publication number
- CN113434690B CN113434690B CN202110983999.6A CN202110983999A CN113434690B CN 113434690 B CN113434690 B CN 113434690B CN 202110983999 A CN202110983999 A CN 202110983999A CN 113434690 B CN113434690 B CN 113434690B
- Authority
- CN
- China
- Prior art keywords
- power
- preset
- clustering
- electrical appliance
- target
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 64
- 230000005611 electricity Effects 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 61
- 238000012360 testing method Methods 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 abstract description 8
- 238000004088 simulation Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于聚类算法的用电预测评估方法、装置、***及介质,通过响应于用户输入的电器添加操作,采集目标电器的实际运行参数并存储至预设数据库中;基于预设因素对目标电器的用电影响,对预设数据库中已采集的电器进行聚类处理,得到目标电器在相应的预设因素下的聚类结果;根据聚类结果和实际运行参数计算目标电器在预设因素下的预测用电量;根据预测用电量对目标电器进行用电评估,并根据评估结果和聚类结果生成目标电器的最佳用电策略。通过基于预设因素的聚类处理使得在用电量的预测评估过程中能将预测用电量与实际环境因素密切关联,得到准确的预测用电量,并进一步得到可靠的最佳用电策略,有效提高了用电量预测和用电建议的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及基于聚类算法的用电预测评估方法、装置、***及介质。
背景技术
随着各种家用电器的普及使用,现在人们依赖于各种各样的家用电器但又难以形成良好的用电习惯,这使得不少家庭的用电量大大增加,由于普通用户缺乏对各种家用电器的耗电计算能力,因此往往对家庭的电费支出存在疑惑。
即使部分用户能根据电器铭牌上的功率对家庭用电量进行预估并基于预估结果调整用电习惯,由于各种家用电器在不同影响因素下的用电量也会相应改变,使得通过电器铭牌上的功率进行预估并调整用电习惯的方式并不准确,难以实现准确的用电量预测,进而也降低了用电建议的可靠性。
因此,现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足,本发明的目的在于提供基于聚类算法的用电预测评估方法、装置、***及介质,旨在提高用电量预测的准确性并提供可靠的用电策略以节约用电。
本发明的技术方案如下:
一种基于聚类算法的用电预测评估方法,其包括如下步骤:
响应于用户输入的电器添加操作,采集目标电器的实际运行参数并存储至预设数据库中;
基于预设因素对所述目标电器的用电影响,对所述预设数据库中已采集的电器进行聚类处理,得到所述目标电器在相应的所述预设因素下的聚类结果;
根据所述聚类结果和所述实际运行参数计算所述目标电器在所述预设因素下的预测用电量;
根据所述预测用电量对所述目标电器进行用电评估,并根据评估结果和所述聚类结果生成所述目标电器的最佳用电策略。
在一个实施例中,所述响应于用户输入的电器添加操作,采集目标电器的实际运行参数并存储至预设数据库中,包括:
响应于用户输入的电器添加操作,在显示屏上触发显示相应的引导界面;
接收用户在所述引导界面上输入的所述目标电器的电器名称、品牌型号、使用年限和日均运行时长;
根据所述目标电器的电器名称和品牌型号在预设的参数库中调取相应的额定功率,得到所述目标电器的实际运行参数并存储至预设数据库。
在一个实施例中,所述基于预设因素对所述目标电器的用电影响,对所述预设数据库中已采集的电器进行聚类处理,得到所述目标电器在相应的所述预设因素下的聚类结果,包括:
根据所述预设数据库中已采集的电器的类别,获取预先采集的相应类别的电器在预设因素发生变化时的输出功率;
根据所述输出功率与对应的额定功率以及所述预设因素构建相应的功率预测函数;
根据预设聚类算法对所述功率预测函数进行聚类处理后得到若干个聚类中心;
识别所述目标电器在所述预设因素下归属的聚类中心后得到相应的聚类结果。
在一个实施例中,所述根据所述输出功率与对应的额定功率以及所述预设因素构建相应的功率预测函数,包括:
根据所述输出功率相应的额定功率计算功率参数K,K=P/Pr,其中P为所述输出功率,Pr为所述额定功率;
以所述预设因素作为自变量,所述功率参数作为因变量构建相应的功率预测函数。
在一个实施例中,所述根据所述聚类结果和所述实际运行参数计算所述目标电器在所述预设因素下的预测用电量,包括:
根据所述聚类结果确认所述目标电器所处的聚类中心;
根据预测时段获取所述预设因素的预测值,并根据所述聚类中心对应的功率预测函数调取所述预测值对应的功率参数;
根据所述功率参数、额定功率、日均运行时长、预测时段计算所述目标电器在所述预设因素下的预测用电量W,
在一个实施例中,所述根据所述预测用电量对所述目标电器进行用电评估,并根据评估结果和所述聚类结果生成所述目标电器的最佳用电策略,包括:
确认所述预测用电量是否大于预设阈值;
当所述预测用电量大于所述预设阈值时,调取所述目标电器在所述预设因素下所处的所述聚类中心对应的所述功率预测函数;
提取所述聚类中心对应的所述功率预测函数中所述预设因素的最优值,根据所述预设因素的最优值生成所述目标电器的最佳用电策略。
在一个实施例中,所述根据所述预测用电量对所述目标电器进行用电评估,并根据评估结果和所述聚类结果生成所述目标电器的最佳用电策略之后,所述方法还包括:
响应于用户基于所述最佳用电策略输入的预测更新操作,采集所述目标电器的模拟运行参数;
根据所述聚类结果和所述模拟运行参数重新计算所述目标电器在所述预测因素下的模拟用电量。
本发明又一实施例还提供了一种基于聚类算法的用电预测评估装置,包括:
采集模块,用于响应于用户输入的电器添加操作,采集目标电器的实际运行参数并存储至预设数据库中;
聚类模块,用于基于预设因素对所述目标电器的用电影响,对所述预设数据库中已采集的电器进行聚类处理,得到所述目标电器在相应的所述预设因素下的聚类结果;
预测模块,用于根据所述聚类结果和所述实际运行参数计算所述目标电器在所述预设因素下的预测用电量;
评估模块,用于根据所述预测用电量对所述目标电器进行用电评估,并根据评估结果和所述聚类结果生成所述目标电器的最佳用电策略。
本发明又一实施例还提供了一种基于聚类算法的用电预测评估***,所述***包括至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述基于聚类算法的用电预测评估方法。
本发明的另一实施例还提供了一种非易失性计算机可读存储介质,所述非易失性计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行时,可使得所述一个或多个处理器执行上述的基于聚类算法的用电预测评估方法。
有益效果:本发明公开了基于聚类算法的用电预测评估方法、装置、***及介质,相比于现有技术,本发明实施例通过采集目标电器的实际运行参数后存储至预设数据库,对预设数据库中的目标电器按预设因素进行聚类处理后根据聚类结果和实际运行参数计算相应的预测用电量以及生成最佳用电策略,通过基于预设因素的聚类处理使得在用电量的预测评估过程中能将预测用电量与实际环境因素密切关联,得到准确的预测用电量,并进一步得到可靠的最佳用电策略,有效提高了用电量预测和用电建议的准确性。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明实施例提供的基于聚类算法的用电预测评估方法的一个流程图;
图2为本发明实施例提供的基于聚类算法的用电预测评估方法的一个功率预测函数曲线图;
图3为本发明实施例提供的基于聚类算法的用电预测评估装置的结构框图;
图4为本发明实施例提供的基于聚类算法的用电预测评估***的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。以下结合附图对本发明实施例进行介绍。
请参阅图1,图1为本发明提供的基于聚类算法的用电预测评估方法一个实施例的流程图。本实施例提供的基于聚类算法的用电预测评估方法适用于对居民的家庭用电量进行预测评估并生成用电建议以节约用电的情况,该基于聚类算法的用电预测评估方法应用于终端设备,可选地,应用于包括终端设备、网络和服务器构成的***,其中网络为用于在终端设备和服务器之间提供通信链路的介质,其可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等;终端设备上的操作***可以包括苹果IOS***、安卓***、微软操作***或其他操作***,所述终端设备通过网络连接到服务器以实现交互,从而进行接收或发送数据等操作,具体可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、便携式计算机和台式服务器等等。如图1所示,该方法具体包括如下步骤:
S100、响应于用户输入的电器添加操作,采集目标电器的实际运行参数并存储至预设数据库中。
本实施例中,可通过预先安装在终端设备上的应用程序进行用电预测评估,或者也可以通过微信公众号、微信小程序等平台进入相应的用电预测评估界面,当然还可以通过浏览器跳转至指定链接进而进入用电预测评估界面,本实施例对此不作限定。当用户触发了用电预测评估功能且进入相应的用电预测评估界面后,可根据当前家庭中的电器使用情况进行电器添加操作,根据用户输入的电器添加操作,采集当前家庭中的目标电器的实际运行参数并存储至预设数据库中,即根据大量用户输入的电器添加操作,能迅速建立包含有多重目标电器的实际运行参数的预设数据库,为各类电器的用电分析提供详尽的数据基础,以提高用电量预测的准确性。
在一个实施例中,所述响应于用户输入的电器添加操作,采集目标电器的实际运行参数并存储至预设数据库中,包括:
响应于用户输入的电器添加操作,在显示屏上触发显示相应的引导界面;
接收用户在所述引导界面上输入的所述目标电器的电器名称、品牌型号、使用年限和日均运行时长;
根据所述目标电器的电器名称和品牌型号在预设的参数库中调取相应的额定功率,得到所述目标电器的实际运行参数并存储至预设数据库。
本实施例中,当用户在用电预测评估界面输入电器添加操作时,可在检测到该电器添加操作时触发相应的引导界面,并将该引导界面展示在终端设备的显示屏上,以引导用户进行详细的实际运行参数填写,用户可在引导界面上根据家庭内的电器使用情况输入目标电器的电器名称、品牌型号、使用年限以及日均运行时长等数据,具体地,该引导界面可采用递进的方式依次展示,例如先展示名称填写界面,在用户通过文字输入或者下拉框选择了相应的电器名称后,通过跳转链接(例如点击“下一步”按钮等)跳转至品牌型号的填写界面,同理,在通过文字输入或者下拉框选择了相应的品牌型号后再依次展示其他的引导界面,直到用户完成所有的实际运行参数填写;或者,该引导界面也可采用一次性展示的方式,例如在引导界面上设置一参数表格,引导用户填写该参数表格中的各个单元格以完成实际运行参数的填写,具体可根据实际需求选择,本实施例对此不作限定。
在接收到用户填写的目标电器的电器名称和品牌型号后,根据该电器名称和品牌型号在预设的参数库中调取相应的额定功率,即可得到目标电器的实际运行参数并存储至预设数据库,本实施例中,目标电器的实际运行参数包括但不限于电器名称、品牌型号、使用年限、日均运行时长和额定功率,由于普通用户对目标电器的电气参数不甚了解,为避免无法填写目标电器的额定功率导致无法进行后续的用电量预测评估,本实施例中通过预先采集市场上各大品牌的电器型号及其额定功率后构建一参数库,使得用户仅需直观的输入电器名称和品牌型号后即可在该参数库中直接搜索调取现有的额定功率,减低了目标电器的参数填写难度,提高参数获取效率。
可选的,若调取失败,即此时该参数库中没有存储与当前接收到的电器名称和品牌型号对应的额定功率,此时可以在显示屏上输出拍照提示,以提示用户通过终端设备的摄像头采集目标电器的铭牌图像,在接收到摄像头采集的铭牌图像后对该铭牌图像进行文字识别即可获取相应的额定功率,并且将该电器名称、品牌型号以及对应的额定功率存储至参数库中,以便其它用户的调取,通过不同用户在使用过程中的电器添加操作,不断完善参数库中存储数据的覆盖率,提高实际运行参数的获取效率。
S200、基于预设因素对所述目标电器的用电影响,对所述预设数据库中已采集的电器进行聚类处理,得到所述目标电器在相应的所述预设因素下的聚类结果。
本实施例中,由于不同的环境因素对目标电器的运行状态具有不同的影响,进而影响目标电器的用电量,例如外界温度的变化能直接影响大多数电器的输出功率进而影响用电量,因此为实现准确的用电量预测,基于预设因素对目标电器的用电影响,对预测数据库中已采集到的海量电器进行聚类处理,得到每一种预设因素下当前用户添加的目标电器的聚类结果,聚类处理具体是一种机器学习方法,其涉及到数据点的分组,给定一组数据点,可以通过相应的聚类算法将每个数据点划分为一个特定的组,因此得到的聚类结果为若干个组别,同一组中的数据点应该具有相似的属性和/或特征,而不同组中的数据点应该具有高度不同的属性和/或特征,以温度这一预设因素为例,同样属于空调的不同目标电器(例如变频空调和定频空调)在温度变化的条件下可能聚类成不同组别,即温度对不同的空调具有不同的用电影响,而不同种类的目标电器(例如热水器和冰箱)在温度变化的条件下可能聚类成同一组别,表示温度对该组别中不同种类的目标电器具有高度相似的用电影响。
具体的预设因素可根据实际情况而定,包括但不限于温度、季节、使用年限、湿度、海拔等等,使得用户在添加了目标电器后即可通过聚类处理得到在不同的预设因素下的聚类结果,从而使得在用电量的预测评估过程中能将预测用电量与实际环境因素密切关联,有效提高了对目标电器的用电量预测的准确性和可靠性。
在一个实施例中,所述基于预设因素对所述目标电器的用电影响,对所述预设数据库中已采集的电器进行聚类处理,得到所述目标电器在相应的所述预设因素下的聚类结果,包括:
根据所述预设数据库中已采集的电器的类别,获取预先采集的相应类别的电器在预设因素发生变化时的输出功率;
根据所述输出功率与对应的额定功率以及所述预设因素构建相应的功率预测函数;
根据预设聚类算法对所述功率预测函数进行聚类处理后得到若干个聚类中心;
识别所述目标电器在所述预设因素下归属的聚类中心后得到相应的聚类结果。
本实施例中,在基于不同的预设因素对目标电器的用电影响进行聚类处理时,先根据预设数据库中已采集的电器的类别,获取预先采集的相应类别的电器在预设因素发生变化时的输出功率,即不同的预设因素在发生变化时,通常会影响各类电器的输出功率,因此预先对不同类别的电器在预设因素发生变化时的输出功率进行测试并采集数据,例如预设数据库中的电器可按工作原理划分为不同类别,例如变频空调、定频空调、中央空调、直冷式冰箱、风冷式冰箱、太阳能热水器、空气能热水器、电热水器等等,预先对不同类别的电器进行输出功率的测试,每种类别下可选取若干个不同品牌不同型号的测试电器进行测试,以提高测试数据的准确性,采集在预设因素发生变化时各个测试电器的输出功率作为测试数据,将采集到的测试数据存储至相应的数据库中以备在聚类处理时实现灵活高效的调用。
之后根据获取到的随预设因素变化而变化的输出功率、对应的测试电器的额定功率以及预设因素构建响应的功率预测函数,即通过功率预测函数来表示每一类别的电器在不同的预设因素的影响下,输出功率与额定功率之间的关系的变化,以表征环境因素与输出功率之间的关联。之后根据预设聚类算法对构建得到的功率预测函数进行聚类处理后得到若干个聚类中心,具体可采用例如K-means(K均值)聚类、均值漂移聚类、基于密度的聚类等等聚类算法,对所有类别的电器的功率预测函数进聚类处理,能将不同类别的电器按预设因素的影响共性进行聚类分组,即在基于预设因素进行聚类处理时,归属于同一聚类中心的电器的功率预测函数具有相同或相似的特征,表明预设因素对同一聚类中心的电器的输出功率具有相同或相似的影响结果,在后续进行用电量预测时,根据用户输入的目标电器的电器名称与品牌型号获取目标电器的类别,通过目标电器的类别、电器名称与品牌型号识别其在各个预设因素下所归属的聚类中心,即在各个预设因素下聚类得到的聚类中心中均包含了相应的电器类别、测试电器的名称和品牌型号,将目标电器的类别、电器名称与品牌型号与各个聚类中心包含的电器类别、测试电器的名称和品牌型号进行匹配即可便捷高效的得到相应的聚类结果。
在一个实施例中,所述根据所述输出功率与对应的额定功率以及所述预设因素构建相应的功率预测函数,包括:
根据所述输出功率相应的额定功率计算功率参数K,K=P/Pr,其中P为所述输出功率,Pr为所述额定功率;
以所述预设因素作为自变量,所述功率参数作为因变量构建相应的功率预测函数。
本实施例中,在构建功率预测函数时,请一并参阅图2,根据预先测试并采集的输出功率,以预设因素作为自变量,以功率参数K作为因变量构建响应的功率预测函数,其中功率参数K为在预设因素发送变化时相应的输出功率P与当前测试的电器的额定功率Pr的比值,即K=P/Pr,如图2所示,当预设因素为温度时,根据测试得到的输出功率,将温度T为因变量,功率参数K为自变量构建相应的功率预测函数,进而得到相应的功率预测曲线,其中曲线1为空调在温度变化时的功率预测曲线,曲线2为热水器在温度变化时的功率预测曲线,曲线3为冰箱在温度变化时的功率预测曲线,具体该功率预测函数可根据测试得到的输出功率是否连续而构建得到连续函数或者离散函数,本实施例对此不作限定。
具体在进行聚类处理时,以K-means聚类算法为例,在某一预设因素的影响下,可随机选取若干个测试电器在该预设因素变化下的功率预测函数作为初始聚类中心,针对其余测试电器的待处理功率预测函数,分别计算每个待处理功率预测函数与各个初始聚类中心之间的距离,当待处理功率预测函数与任意一个初始聚类中心的距离小于预设距离时则视为满足预设聚类标准,并将满足预设聚类标准的待处理功率预测函数分配至距离最小的初始聚类中心所对应的组别,之后对各个组别进行聚类中心的更新,即针对各个组别中包含的待处理功率预测函数以及初始聚类中心重新计算得到新的聚类中心,具体为计算各个组别中待处理功率预测函数与初始聚类中心之间的距离的平均值,将各个组别中距离最接***均值的待处理功率预测函数作为相应组别的新的聚类中心,不断循环往复以上过程进行聚类中心的迭代更新,直到达到预设迭代次数时输出最终的聚类中心,实现对所有电器的功率预测函数的聚类处理,得到若干个以聚类中心进行区分的组别,以区分各种电器在该预设因素的影响下输出功率的变化特性,便于后续实现高效且准确的用电量预测。
S300、根据所述聚类结果和所述实际运行参数计算所述目标电器在所述预设因素下的预测用电量。
本实施例中,在聚类得到了各种电器在相应的预设因素下的聚类结果后,由于聚类结果代表了该目标电器在相应的预设因素的用电影响下的功率变化,因此结合目标电器的聚类结果以及用户填写的实际运行参数来综合计算在预设因素下的预测用电量,即基于聚类处理将环境影响因素与实际运行参数密切关联,使得计算得到的预测用电量能包含在实际使用情况中预设因素对目标电器的用电影响,相比直接通过目标电器的额定功率进行常规的用电量计算,明显提高了预测用电量的准确性,使得用户可通过准确的预测用电量计算出相应的预测电费支出,在进行电费对比时,不会发生偏差过大导致对电费支出存在疑惑等情况。
在一个实施例中,所述根据所述聚类结果和所述实际运行参数计算所述目标电器在所述预设因素下的预测用电量,包括:
根据所述聚类结果确认所述目标电器所处的聚类中心;
根据预测时段获取所述预设因素的预测值,并根据所述聚类中心对应的功率预测函数调取所述预测值对应的功率参数;
根据所述功率参数、额定功率、日均运行时长、预测时段计算所述目标电器在所述预设因素下的预测用电量W,
本实施例中,在进行预测用电量的计算时,先根据聚类结果确认目标电器所处的
聚类中心,即在预设因素下聚类得到的若干个组别和若干个聚类中心,目标电器会被归属
于其中一个聚类中心对应的组别,每个聚类中心均对应了一个功率预测函数作为该组别中
各个电器的功率变化的共性特征函数,因此根据用户输入的预测时段获取相应预设因素的
预测值,通过该预测值可调取相应的功率参数,该功率参数即为目标电器所处的聚类中心
对应的功率预测函数中,X轴数值取预测值时功率预测函数对应的Y轴数值,例如用户希望
预测未来一个月内的预测用电量,则获取预设因素在未来一个月内的预测值,以温度为例,
可根据用户输入的地理位置或者自动获取的地理位置,获取该地理位置在未来一个月内每
天的温度值,通过目标电器在温度影响下的聚类中心所对应的功率预测函数,调取未来一
个月内不同温度下对应的功率参数,以体现每天的温度变化对目标电器的输出功率的影
响,同理,也可根据其它预设因素的预测值获取相应的功率参数体现不同预设因素对目标
电器的用电影响。之后即可根据所述功率参数、额定功率、日均运行时长、预测时段计算所
述目标电器在所述预设因素下的预测用电量W,,
其中,j为预设因素的数量,为第j个预设因素的预测值对应的功率参数,n为目标电器的
数量,为第i个目标电器的额定功率,为第i个目标电器的日均运行时长,N为所述预设
时段中包含的天数。通过聚类结果和实际运行参数计算得到的预测用电量中,体现了预测
时段内不同的预设因素对目标电器输出功率的叠加影响,使得在进行家庭用电量预测时,
能全面完整的考虑所有电器在预测时段内不同预设因素影响下的用电量,使得用户能清晰
准确的获知在当前的用电习惯以及外界环境因素的影响下家庭用电量的准确预测值,拓宽
了用户对家庭用电量的了解渠道与数据获取的透明程度。
S400、根据所述预测用电量对所述目标电器进行用电评估,并根据评估结果和所述聚类结果生成所述目标电器的最佳用电策略。
本实施例中,在对用户输入的目标电器进行用电量预测后,根据计算得到的预测用电量对用户家庭中使用的目标电器进行用电评估,以获知根据用户当前输入的用电习惯是否存在浪费等情况,若存在浪费情况则说明用户在日常使用目标电器中可能存在一些不良的用电习惯或者较为耗电的老旧电器等,由于聚类结果中体现了预设因素对目标电器的用电影响,因此可以根据评估结果和聚类结果生成目标电器的最佳用电策略,以提示用户可在日常使用目标电器时根据最佳用电策略进行相应的调整,以尽可能的节约用电,节约电力资源。
在一个实施例中,所述根据所述预测用电量对所述目标电器进行用电评估,并根据评估结果和所述聚类结果生成所述目标电器的最佳用电策略,包括:
确认所述预测用电量是否大于预设阈值;
当所述预测用电量大于所述预设阈值时,调取所述目标电器在所述预设因素下所处的所述聚类中心对应的所述功率预测函数;
提取所述聚类中心对应的所述功率预测函数中所述预设因素的最优值,根据所述预设因素的最优值生成所述目标电器的最佳用电策略。
本实施例中,在进行用电评估时,按预测用电量与预设阈值进行对比,该预设阈值可以是根据***内所有用户的日均用电量的平均值计算得到的,即先计算所有用户的日均用电量的平均值,再将平均值乘以计算预测用电量时的天数后得到该预设阈值,即判断当前用户的预测用电量是否超过了所有用户实际用电量的平均值,若是,则评估当前用户输入的实际运行参数中存在例如运行时间过长、使用年限过长等等导致电量浪费等情况,此时根据聚类结果,调取目标电器在各个预设因素下所处的聚类中心对应的功率预测函数,通过该功率预测函数获知目标电器在不同因素影响下的用电变化,提取该功率预测函数中预设因素的最优值,根据各个预设因素的最优值生成目标电器的最佳用电策略,使得能根据用户的实际电器使用情况和大数据聚类结果,针对不同用户的用电习惯提出有针对性的用电优化建议,实现具有针对性和个性化的节约用电建议,例如,对温度变化敏感的电器,可建议用户在不使用时关闭相应电器,例如热水器,在温度较低时24小时保温耗电量极大;而对老化影响较大的电器,可根据聚类中心对应的功率预测函数提取最佳年限值,具体可以先获取功率预测函数的Y轴数值即功率参数的突增处,即功率参数随使用年限的增加而增加的值超过门限值时,则认为发生了突增,此时根据突增处对应的功率预测函数的X轴数值定位该电器最佳使用年限,建议用户在电器的使用年限超过该最佳使用时限应进行更换,实现有准确数据支撑的用电策略优化建议,提高用电建议的可靠性以帮助用户节约用电。
在一个实施例中,所述根据所述预测用电量对所述目标电器进行用电评估,并根据评估结果和所述聚类结果生成所述目标电器的最佳用电策略之后,所述方法还包括:
响应于用户基于所述最佳用电策略输入的预测更新操作,采集所述目标电器的模拟运行参数;
根据所述聚类结果和所述模拟运行参数重新计算所述目标电器在所述预测因素下的模拟用电量。
本实施例中,在用户的预测用电量较大存在浪费时,***自动推送相应的最佳用电策略以为用户的日常用电提供省电参考,此时用户可基于该用电策略重新进行用电预测,例如在当前界面上点击预设的模拟链接进行预测更新操作,点击该模拟链接后可在显示屏上展示新的用电模拟界面,用户可根据之前输出的最佳用电策略在用电模拟界面上输入相应的目标电器的模拟运行参数,即该模拟运行参数是根据最佳用电策略进行了修改后的参数,类似的,根据聚类结果体现预设因素对目标电器的影响,结合修改后的目标电器的模拟运行参数重新计算目标电器的模拟用电量,即本实施例中,通过模拟用电习惯的改变,直观的向用户展示良好的用电习惯能节省下的具体电路数值,将不同的用电习惯直观的转换为量化的数值,以增强不同使用习惯下用电量的对比强度和直观性。
由以上方法实施例可知,本发明提供的基于聚类算法的用电预测评估方法通过采集目标电器的实际运行参数后存储至预设数据库,对预设数据库中的目标电器按预设因素进行聚类处理后根据聚类结果和实际运行参数计算相应的预测用电量以及生成最佳用电策略,通过基于预设因素的聚类处理使得在用电量的预测评估过程中能将预测用电量与实际环境因素密切关联,得到准确的预测用电量,并进一步得到可靠的最佳用电策略,有效提高了用电量预测和用电建议的准确性。
需要说明的是,上述各步骤之间并不必然存在一定的先后顺序,本领域普通技术人员,根据本发明实施例的描述可以理解,不同实施例中,上述各步骤可以有不同的执行顺序,亦即,可以并行执行,亦可以交换执行等等。
本发明另一实施例提供一种基于聚类算法的用电预测评估装置,如图3所示,装置300包括:
采集模块11,用于响应于用户输入的电器添加操作,采集目标电器的实际运行参数并存储至预设数据库中;
聚类模块12,用于基于预设因素对所述目标电器的用电影响,对所述预设数据库中已采集的电器进行聚类处理,得到所述目标电器在相应的所述预设因素下的聚类结果;
预测模块13,用于根据所述聚类结果和所述实际运行参数计算所述目标电器在所述预设因素下的预测用电量;
评估模块14,用于根据所述预测用电量对所述目标电器进行用电评估,并根据评估结果和所述聚类结果生成所述目标电器的最佳用电策略。
所述采集模块11、聚类模块12、预测模块13和评估模块14依次连接,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述所述基于聚类算法的用电预测评估的执行过程,各模块的具体实施方式请参考上述对应的方法实施例,此处不再赘述。
本发明另一实施例提供一种基于聚类算法的用电预测评估***,如图4所示,***10包括:
一个或多个处理器110以及存储器120,图4中以一个处理器110为例进行介绍,处理器110和存储器120可以通过总线或者其他方式连接,图4中以通过总线连接为例。
处理器110用于完成***10的各种控制逻辑,其可以为通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(Acorn RISCMachine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有,处理器110还可以是任何传统处理器、微处理器或状态机。处理器110也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
存储器120作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的基于聚类算法的用电预测评估方法对应的程序指令。处理器110通过运行存储在存储器120中的非易失性软件程序、指令以及单元,从而执行***10的各种功能应用以及数据处理,即实现上述方法实施例中的基于聚类算法的用电预测评估方法。
存储器120可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据***10使用所创建的数据等。此外,存储器120可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器120可选包括相对于处理器110远程设置的存储器,这些远程存储器可以通过网络连接至***10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个单元存储在存储器120中,当被一个或者多个处理器110执行时,执行上述任意方法实施例中的基于聚类算法的用电预测评估方法,例如,执行以上描述的图1中的方法步骤S100至步骤S400。
本发明实施例提供了一种非易失性计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,例如,执行以上描述的图1中的方法步骤S100至步骤S400。
作为示例,非易失性存储介质能够包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦ROM(EEPROM)或闪速存储器。易失性存储器能够包括作为外部高速缓存存储器的随机存取存储器(RAM)。通过说明而非限制,RAM可以以诸如同步RAM(SRAM)、动态RAM、(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、Synchlink DRAM(SLDRAM)以及直接Rambus(兰巴斯)RAM(DRRAM)之类的许多形式得到。本文中所描述的操作环境的所公开的存储器组件或存储器旨在包括这些和/或任何其他适合类型的存储器中的一个或多个。
综上所述,本发明公开的基于聚类算法的用电预测评估方法、装置、***及介质中,方法通过响应于用户输入的电器添加操作,采集目标电器的实际运行参数并存储至预设数据库中;基于预设因素对目标电器的用电影响,对预设数据库中已采集的电器进行聚类处理,得到目标电器在相应的预设因素下的聚类结果;根据聚类结果和实际运行参数计算目标电器在预设因素下的预测用电量;根据预测用电量对目标电器进行用电评估,并根据评估结果和聚类结果生成目标电器的最佳用电策略。通过基于预设因素的聚类处理使得在用电量的预测评估过程中能将预测用电量与实际环境因素密切关联,得到准确的预测用电量,并进一步得到可靠的最佳用电策略,有效提高了用电量预测和用电建议的准确性。
当然,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关硬件(如处理器,控制器等)来完成,所述的计算机程序可存储于一非易失性计算机可读取的存储介质中,该计算机程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、软盘、闪存、光存储器等。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种基于聚类算法的用电预测评估方法,其特征在于,包括:
响应于用户输入的电器添加操作,采集目标电器的实际运行参数并存储至预设数据库中;
基于预设因素对所述目标电器的用电影响,对所述预设数据库中已采集的电器进行聚类处理,得到所述目标电器在相应的所述预设因素下的聚类结果;
根据所述聚类结果和所述实际运行参数计算所述目标电器在所述预设因素下的预测用电量;
根据所述预测用电量对所述目标电器进行用电评估,并根据评估结果和所述聚类结果生成所述目标电器的最佳用电策略;
所述基于预设因素对所述目标电器的用电影响,对所述预设数据库中已采集的电器进行聚类处理,得到所述目标电器在相应的所述预设因素下的聚类结果,包括:
根据所述预设数据库中已采集的电器的类别,获取预先采集的相应类别的测试电器在预设因素发生变化时的输出功率;
根据所述输出功率与对应的测试电器的额定功率以及所述预设因素构建相应的功率预测函数,所述功率预测函数用于表征每一类别的测试电器在不同的预设因素的影响下输出功率与额定功率之间的关系变化;
根据预设聚类算法对所述功率预测函数进行聚类处理后得到若干个聚类中心,将不同类别的测试电器按预设因素的影响共性进行聚类分组;
识别所述目标电器在所述预设因素下归属的聚类中心后得到相应的聚类结果;
所述根据所述输出功率与对应的测试电器的额定功率以及所述预设因素构建相应的功率预测函数,包括:
根据所述输出功率与相应的测试电器的额定功率计算功率参数K,K=P/Pr,其中P为所述输出功率,Pr为所述测试电器的额定功率;
以所述预设因素作为自变量,所述功率参数作为因变量构建相应的功率预测函数。
2.根据权利要求1所述的基于聚类算法的用电预测评估方法,其特征在于,所述响应于用户输入的电器添加操作,采集目标电器的实际运行参数并存储至预设数据库中,包括:
响应于用户输入的电器添加操作,在显示屏上触发显示相应的引导界面;
接收用户在所述引导界面上输入的所述目标电器的电器名称、品牌型号、使用年限和日均运行时长;
根据所述目标电器的电器名称和品牌型号在预设的参数库中调取相应的额定功率,得到所述目标电器的实际运行参数并存储至预设数据库。
3.根据权利要求2所述的基于聚类算法的用电预测评估方法,其特征在于,所述根据所述聚类结果和所述实际运行参数计算所述目标电器在所述预设因素下的预测用电量,包括:
根据所述聚类结果确认所述目标电器所处的聚类中心;
根据预测时段获取所述预设因素的预测值,并根据所述聚类中心对应的功率预测函数调取所述预测值对应的功率参数;
根据所述功率参数、目标电器的额定功率、日均运行时长、预测时段计算所述目标电器在所述预设因素下的预测用电量W,
4.根据权利要求3所述的基于聚类算法的用电预测评估方法,其特征在于,所述根据所述预测用电量对所述目标电器进行用电评估,并根据评估结果和所述聚类结果生成所述目标电器的最佳用电策略,包括:
确认所述预测用电量是否大于预设阈值;
当所述预测用电量大于所述预设阈值时,调取所述目标电器在所述预设因素下所处的所述聚类中心对应的所述功率预测函数;
提取所述聚类中心对应的所述功率预测函数中所述预设因素的最优值,根据所述预设因素的最优值生成所述目标电器的最佳用电策略。
5.根据权利要求4所述的基于聚类算法的用电预测评估方法,其特征在于,所述根据所述预测用电量对所述目标电器进行用电评估,并根据评估结果和所述聚类结果生成所述目标电器的最佳用电策略之后,所述方法还包括:
响应于用户基于所述最佳用电策略输入的预测更新操作,采集所述目标电器的模拟运行参数;
根据所述聚类结果和所述模拟运行参数重新计算所述目标电器在所述预测因素下的模拟用电量。
6.一种基于聚类算法的用电预测评估装置,其特征在于,包括:
采集模块,用于响应于用户输入的电器添加操作,采集目标电器的实际运行参数并存储至预设数据库中;
聚类模块,用于基于预设因素对所述目标电器的用电影响,对所述预设数据库中已采集的电器进行聚类处理,得到所述目标电器在相应的所述预设因素下的聚类结果;
具体用于根据所述预设数据库中已采集的电器的类别,获取预先采集的相应类别的测试电器在预设因素发生变化时的输出功率;
根据所述输出功率与对应的测试电器的额定功率以及所述预设因素构建相应的功率预测函数,所述功率预测函数用于表征每一类别的测试电器在不同的预设因素的影响下输出功率与额定功率之间的关系变化;
根据预设聚类算法对所述功率预测函数进行聚类处理后得到若干个聚类中心,将不同类别的测试电器按预设因素的影响共性进行聚类分组;
识别所述目标电器在所述预设因素下归属的聚类中心后得到相应的聚类结果;
预测模块,用于根据所述聚类结果和所述实际运行参数计算所述目标电器在所述预设因素下的预测用电量;
具体用于根据所述输出功率与相应的测试电器的额定功率计算功率参数K,K=P/Pr,其中P为所述输出功率,Pr为所述测试电器的额定功率;
以所述预设因素作为自变量,所述功率参数作为因变量构建相应的功率预测函数;
评估模块,用于根据所述预测用电量对所述目标电器进行用电评估,并根据评估结果和所述聚类结果生成所述目标电器的最佳用电策略。
7.一种基于聚类算法的用电预测评估***,其特征在于,所述***包括至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5任一项所述的基于聚类算法的用电预测评估方法。
8.一种非易失性计算机可读存储介质,其特征在于,所述非易失性计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行时,可使得所述一个或多个处理器执行权利要求1-5任一项所述的基于聚类算法的用电预测评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110983999.6A CN113434690B (zh) | 2021-08-25 | 2021-08-25 | 基于聚类算法的用电预测评估方法、装置、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110983999.6A CN113434690B (zh) | 2021-08-25 | 2021-08-25 | 基于聚类算法的用电预测评估方法、装置、***及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113434690A CN113434690A (zh) | 2021-09-24 |
CN113434690B true CN113434690B (zh) | 2022-02-08 |
Family
ID=77806219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110983999.6A Active CN113434690B (zh) | 2021-08-25 | 2021-08-25 | 基于聚类算法的用电预测评估方法、装置、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113434690B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117728566A (zh) * | 2023-12-05 | 2024-03-19 | 国网安徽省电力有限公司黄山供电公司 | 一种移动储能远程控制方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512768A (zh) * | 2015-12-14 | 2016-04-20 | 上海交通大学 | 大数据环境下用户用电关联因素辨识及用电量预测方法 |
CN106779253A (zh) * | 2017-02-17 | 2017-05-31 | 广东电网有限责任公司电力科学研究院 | 一种计及光伏的配电网短期负荷预测方法及装置 |
CN106777005A (zh) * | 2016-12-07 | 2017-05-31 | 国网天津市电力公司 | 基于大数据技术改进聚类算法的用户用电行为分析方法 |
CN108776939A (zh) * | 2018-06-07 | 2018-11-09 | 上海电气分布式能源科技有限公司 | 用户用电行为的分析方法及*** |
WO2018209913A1 (zh) * | 2017-05-18 | 2018-11-22 | 华南理工大学 | 一种考虑电压质量的配电网台区缺供电量预测方法 |
CN110601374A (zh) * | 2019-10-21 | 2019-12-20 | 国网电子商务有限公司 | 一种用电管理***及用电数据监测方法 |
CN111428745A (zh) * | 2020-01-03 | 2020-07-17 | 中国电力科学研究院有限公司 | 一种基于聚类分析的低压用户用电特征提取方法 |
CN112072635A (zh) * | 2019-06-11 | 2020-12-11 | 上海芯联芯智能科技有限公司 | 智能供电及用电的***和方法、智能用电*** |
CN112766570A (zh) * | 2021-01-19 | 2021-05-07 | 国网湖北省电力有限公司武汉供电公司 | 居民海量细粒度用电数据融合挖掘与多元应用方法 |
US11070056B1 (en) * | 2020-03-13 | 2021-07-20 | Dalian University Of Technology | Short-term interval prediction method for photovoltaic power output |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2594181A1 (en) * | 2004-12-30 | 2006-07-06 | Proventys, Inc. | Methods, systems, and computer program products for developing and using predictive models for predicting a plurality of medical outcomes, for evaluating intervention strategies, and for simultaneously validating biomarker causality |
-
2021
- 2021-08-25 CN CN202110983999.6A patent/CN113434690B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512768A (zh) * | 2015-12-14 | 2016-04-20 | 上海交通大学 | 大数据环境下用户用电关联因素辨识及用电量预测方法 |
CN106777005A (zh) * | 2016-12-07 | 2017-05-31 | 国网天津市电力公司 | 基于大数据技术改进聚类算法的用户用电行为分析方法 |
CN106779253A (zh) * | 2017-02-17 | 2017-05-31 | 广东电网有限责任公司电力科学研究院 | 一种计及光伏的配电网短期负荷预测方法及装置 |
WO2018209913A1 (zh) * | 2017-05-18 | 2018-11-22 | 华南理工大学 | 一种考虑电压质量的配电网台区缺供电量预测方法 |
CN108776939A (zh) * | 2018-06-07 | 2018-11-09 | 上海电气分布式能源科技有限公司 | 用户用电行为的分析方法及*** |
CN112072635A (zh) * | 2019-06-11 | 2020-12-11 | 上海芯联芯智能科技有限公司 | 智能供电及用电的***和方法、智能用电*** |
CN110601374A (zh) * | 2019-10-21 | 2019-12-20 | 国网电子商务有限公司 | 一种用电管理***及用电数据监测方法 |
CN111428745A (zh) * | 2020-01-03 | 2020-07-17 | 中国电力科学研究院有限公司 | 一种基于聚类分析的低压用户用电特征提取方法 |
US11070056B1 (en) * | 2020-03-13 | 2021-07-20 | Dalian University Of Technology | Short-term interval prediction method for photovoltaic power output |
CN112766570A (zh) * | 2021-01-19 | 2021-05-07 | 国网湖北省电力有限公司武汉供电公司 | 居民海量细粒度用电数据融合挖掘与多元应用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113434690A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110868241B (zh) | 基于多模型的地下电缆故障预警方法和装置 | |
US20180260920A1 (en) | Method and system for determining energy management strategies | |
CN110875851B (zh) | 地下电缆故障预警方法和装置 | |
CN105068513A (zh) | 基于社交网络行为感知的智能家庭能源管理方法 | |
US20150286950A1 (en) | Apparatus for forecasting water demand | |
CN112907128A (zh) | 基于ab测试结果的数据分析方法、装置、设备及介质 | |
CN102953936A (zh) | 风力发电的机组组合 | |
CN110866634A (zh) | 基于模型选择的地下电缆故障预警方法和装置 | |
CN113434690B (zh) | 基于聚类算法的用电预测评估方法、装置、***及介质 | |
CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
WO2016147298A1 (ja) | 推薦装置、推薦決定方法、およびコンピュータプログラム | |
CN112506757A (zh) | 自动测试方法、***、计算机设备及其介质 | |
CN113434746B (zh) | 基于用户标签的数据处理方法、终端设备及存储介质 | |
CN101142559B (zh) | 对计算机控制的处理进行监视的方法与*** | |
CN109839889A (zh) | 设备推荐***及方法 | |
CN114442697A (zh) | 一种温度控制方法、设备、介质及产品 | |
KR102009290B1 (ko) | 건물 분석 장치 및 방법 | |
CN117235873A (zh) | 基于历史工作记录的智慧家居布局方法及*** | |
CN117291576A (zh) | 一种基于工业场景数据趋势预测的方法、***、计算机设备及存储介质 | |
KR20170060361A (ko) | 전력 수요 분석 장치 및 이를 포함하는 전력 관리 시스템 | |
CN113479032B (zh) | 驻车空调控制方法及*** | |
KR20230093874A (ko) | 보일러 관리 장치 및 빅데이터 기반 보일러의 예측 모델 생성 방법 | |
KR20220161849A (ko) | 장단기 메모리 기반 비 간섭 부하 모니터링을 이용한 가전기기 전력 사용 상태 예측 방법 및 그를 위한 장치 | |
CN117974071B (zh) | 一种基于多维度分析的电力***智慧管理方法以及装置 | |
CN111400126B (zh) | 网络服务异常数据检测方法、装置、设备和介质 |
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 |