CN117036104A - 一种基于电力物联网的智慧用电方法和*** - Google Patents
一种基于电力物联网的智慧用电方法和*** Download PDFInfo
- Publication number
- CN117036104A CN117036104A CN202311286227.2A CN202311286227A CN117036104A CN 117036104 A CN117036104 A CN 117036104A CN 202311286227 A CN202311286227 A CN 202311286227A CN 117036104 A CN117036104 A CN 117036104A
- Authority
- CN
- China
- Prior art keywords
- load
- area
- data
- time
- dividing
- 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 225
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012544 monitoring process Methods 0.000 claims abstract description 160
- 238000009826 distribution Methods 0.000 claims abstract description 80
- 230000007613 environmental effect Effects 0.000 claims abstract description 52
- 238000010276 construction Methods 0.000 claims abstract description 12
- 238000004140 cleaning Methods 0.000 claims description 16
- 238000003908 quality control method Methods 0.000 claims description 16
- 238000007619 statistical method Methods 0.000 claims description 15
- 238000013500 data storage Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 20
- 230000001105 regulatory effect Effects 0.000 abstract description 12
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 43
- 238000004458 analytical method Methods 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 16
- 230000000694 effects Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 11
- 238000005265 energy consumption Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 10
- 230000006855 networking Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 238000007621 cluster analysis Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000013439 planning Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005868 electrolysis reaction Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000691 measurement method Methods 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
- 230000009467 reduction Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 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
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提出了一种基于电力物联网的智慧用电方法和***,方法包括:通过地图信息获得目标监测区域,将目标监测区域划分子区域,根据子区域构建目标监测区域的拓扑信息;获取监测区域内各个子区域的用电设备的运行状态、用电数据以及环境天气数据,划分时间节点,在不同的时间节点根据监测区域各个子区域的用电信息,构建基于区域和时间节点的用电负荷预测模型;基于用电负荷预测模型,监测平台预测未来用电负荷,根据预测结果进行优化和调节,***包括区域划分模块、数据获取模块、模型构建模块和预测和分配模块,通过此方法和***根据预测精准调控和分配负载,从而实现对目标监测区域的智慧用电管理和能源效率提升。
Description
技术领域
本发明涉及智慧用电技术领域,特别涉及一种基于电力物联网的智慧用电方法和***。
背景技术
随着经济的发展,用户对于电力的需求迅速增加。同时,用户对于电力供应的稳定性具有了更高的要求。电网的规模也在不断扩大,为了满足用户的对电力及稳定性的需求,电网建设中使用了大量的智能设备。随着通信网络的不断建设,建立完善的检测网络已具有技术基础并已逐步推进,并逐步形成了电力物联网;如何通过物联网数据对用电负荷进行准确预测,实现均衡负载是需要解决的问题。
发明内容
本发明提供了一种基于电力物联网的智慧用电方法和***,在不同的时间节点对区域内各个子区域的用电情况进行细致的管理和调控;建立预测模型,根据预测精准调控和分配负载,从而实现对目标监测区域的智慧用电管理和能源效率提升。
本发明提出的一种基于电力物联网的智慧用电方法, 所述方法包括:
S1、通过地图信息获得目标监测区域,将目标监测区域划分子区域,根据子区域构建目标监测区域的拓扑信息;
S2、获取监测区域内各个子区域的用电设备的运行状态、用电数据以及环境天气数据,并上传监测平台;
S3、划分时间节点,在不同的时间节点根据监测区域各个子区域的设备运行状态、用电信息以及环境天气数据,构建基于区域和时间节点的用电负荷预测模型;
S4、基于用电负荷预测模型,监测平台预测未来用电负荷,根据预测结果进行优化和调节。
进一步的,一种基于电力物联网的智慧用电方法,所述S1包括:
通过地图信息获得目标监测区域,将目标监测区域根据用电需求和用户类型来划分第一区域;所述第一区域包括住宅区、商业区和工业区;
在第一区域内根据位置距离划分第二区域;
将第二区域根据建筑物划分第二子区域;
获取每个第二子区域内的电力设备信息和设备位置信息;
根据电力设备信息和设备位置信息,获得电力拓扑结构。
进一步的,一种基于电力物联网的智慧用电方法,所述S2包括:
在监测区域设置不同类型的采集设备,以采集更多种类的用电设备的运行状态和用电数据;
采集监测区域环境温度、湿度、和天气预报数据,并上传至监测平台;
对采集到的用电数据进行质量控制和清洗;
对采集到的用电设备的运行状态和用电数据进行存档和索引。
进一步的,一种基于电力物联网的智慧用电方法,所述S3包括:
将监测区域内采集的数据按照环境温度划分第一时间分组;
将第一时间分组按照空气湿度划分第二时间分组;
将第二时间分组按照工作日和休息日划分第三时间分组;
将第三时间分组按照波峰波谷划分第四时间节点;
将同一子区域的数据按照第四时间节点进行统计分析,计算平均负载、最大负载和线路故障概率;
根据平均负载、最大负载、线路故障概率建立第四时间节点负载预测模型;
其中为预测负载;/>为平均负载;/>为最大负载,L为线路已使用寿命;/>为线路最长使用寿命;P为线路故障概率;w1和w2为权重,/>为当前负载。
进一步的,一种基于电力物联网的智慧用电方法,所述S4包括:
根据气象信息,获取预测时间段的第二时间分组;
根据工作日和休息日获取预测时间段的第三时间分组;
根据波峰波谷获取预测时间段的第四时间分组;
根据第四时间分组,选择对应的预测模型;
按照第一区域优先原则,结合对应的第一区域预测模型,进行第一负载分配;
将第一负载分配的结果按照第二区域进行第二负载分配;
将第二负载分配的结果按照第二子区域进行第三负载分配;
将第三负载分配的结果按照建筑物进行第四负载分配。
本发明提出一种基于电力物联网的智慧用电***,所述***包括:
区域划分模块:通过地图信息获得目标监测区域,将目标监测区域划分子区域,根据子区域构建目标监测区域的拓扑信息;
数据获取模块:获取监测区域内各个子区域的用电设备的运行状态、用电数据以及环境天气数据,并上传监测平台;
模型构建模块:划分时间节点,在不同的时间节点根据监测区域各个子区域的设备运行状态、用电信息以及环境天气数据,构建基于区域和时间节点的用电负荷预测模型;
预测和分配模块:基于用电负荷预测模型,监测平台预测未来用电负荷,根据预测结果进行优化和调节。
进一步的,一种基于电力物联网的智慧用电***,所述区域划分模块包括:
第一区域划分模块:通过地图信息获得目标监测区域,将目标监测区域根据用电需求和用户类型来划分第一区域;所述第一区域包括住宅区、商业区和工业区;
第二区域划分模块:在第一区域内根据位置距离划分第二区域;
第二子区域划分模块:将第二区域根据建筑物划分第二子区域;
设备信息获取模块:获取每个第二子区域内的电力设备信息和设备位置信息;
拓扑结构建立模块:根据电力设备信息和设备位置信息,获得电力拓扑结构。
进一步的,一种基于电力物联网的智慧用电***,所述数据获取模块包括:
电力数据采集模块:在监测区域设置不同类型的采集设备,以采集更多种类的用电设备的运行状态和用电数据;
环境数据采集模块:采集监测区域环境温度、湿度、和天气预报数据,并上传至监测平台;
数据预处理模块:对采集到的用电数据进行质量控制和清洗;
数据存储模块:对采集到的用电设备的运行状态和用电数据进行存档和索引。
进一步的,一种基于电力物联网的智慧用电***,所述模型构建模块包括:
第一时间分组模块:将监测区域内采集的数据按照环境温度划分第一时间分组;
第二时间分组模块:将第一时间分组按照空气湿度划分第二时间分组;
第三时间分组模块:将第二时间分组按照工作日和休息日划分第三时间分组;
第四时间分组模块:将第三时间分组按照波峰波谷划分第四时间节点;
统计分析模块:将同一子区域的数据按照第四时间节点进行统计分析,计算平均负载、最大负载和线路故障概率;
统计历史记录中不同区域分组电力线路故障的概率;
模型建立模块:根据平均负载、最大负载、线路故障概率建立第四时间节点负载预测模型;
其中,为预测负载;/>为平均负载;/>为最大负载,L为线路已使用寿命;/>为线路最长使用寿命;P为线路故障概率;w1和w2为权重,/>为当前负载。
进一步的,一种基于电力物联网的智慧用电***,所述预测和分配模块包括:
第二时间确定模块:根据气象信息,获取预测时间段的第二时间分组;
第三时间确定模块:根据工作日和休息日获取预测时间段的第三时间分组;
第四时间确定模块:根据波峰波谷获取预测时间段的第四时间分组;
模型选择模块:根据第四时间分组,选择对应的预测模型;
负载分配模块:按照第一区域优先原则,结合对应的第一区域预测模型,进行第一负载分配;将第一负载分配的结果按照第二区域进行第二负载分配;将第二负载分配的结果按照第二子区域进行第三负载分配;将第三负载分配的结果按照建筑物进行第四负载分配。
本发明有益效果:通过本发明基于电力物联网的智慧用电方法和***,实时监测和分析各个子区域的用电设备运行状态和用电数据,以及环境天气数据,能够精确预测未来的用电负荷。基于预测结果,可以进行合理的优化和调节,减少能源浪费,提高能源利用效率,达到节能的效果;通过实时监测和预测未来用电负荷,在不同的时间节点对区域内各个子区域的用电情况进行细致的管理和调控。这有助于避免电力供需的不平衡问题,提高电网的稳定性和可靠性;通过划分目标监测区域为子区域并构建拓扑信息,可以更加细粒度地进行负荷调度。根据每个子区域的用电需求和特点,进行个性化的调度策略,以满足不同区域的用电需求;监测区域内各个子区域的设备运行状态监测和数据分析,能够及时发现设备健康状况异常和潜在故障风险。这样可以实施预警措施,提前进行维护和修复,减少停机时间和生产成本。
附图说明
图1为本发明所述一种基于电力物联网的智慧用电方法示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
实施例
本实施例一种基于电力物联网的智慧用电方法,所述方法包括
S1、通过地图信息获得目标监测区域,将目标监测区域划分子区域,根据子区域构建目标监测区域的拓扑信息;
S2、获取监测区域内各个子区域的用电设备的运行状态、用电数据以及环境天气数据,并上传监测平台;
S3、划分时间节点,在不同的时间节点根据监测区域各个子区域的设备运行状态、用电信息以及环境天气数据,构建基于区域和时间节点的用电负荷预测模型;
S4、基于用电负荷预测模型,监测平台预测未来用电负荷,根据预测结果进行优化和调节。
上述技术方案的工作原理为:通过地图信息获得目标监测区域,并将其划分为子区域;这一步主要是根据实际需求和场景,将大范围的监测区域细分成更小的子区域,以便更精确地进行用电管理和负荷预测;在这个阶段还需要构建目标监测区域的电力拓扑信息,即各个子区域之间的电力设备连接关系;通过连接和集中管理各个子区域内的用电设备,获取它们的运行状态、用电数据以及环境天气数据,并将这些数据上传到监测平台;通过物联网技术,不同设备之间可以互相连接并与监测平台实现数据交互;这些数据包含了监测区域内各个子区域的能源消耗情况和环境条件;根据子区域内的设备运行状态、用电信息和所采集的环境数据,划分时间节点,并利用这些数据构建基于区域和时间节点的用电负荷预测模型。这个模型可以基于历史数据和机器学习算法来预测未来一段时间内各个子区域的用电负荷情况;
基于用电负荷预测模型,监测平台可以实时预测未来用电负荷。根据预测结果,进行优化和调节,例如调整供电策略、分配能源资源、调整能源储备等手段;这样可以实现对用电负荷进行有效的管理和控制,以确保电力供应的稳定性和高效性。
总体而言,该方法利用物联网技术和数据分析算法,通过对电力设备、用电数据和环境数据的监测和分析,构建用电负荷预测模型,并根据预测结果进行优化和调节,从而实现对目标监测区域的智慧用电管理和能源效率提升。
上述技术方案的效果为:通过实时监测和分析各个子区域的用电设备运行状态和用电数据,以及环境天气数据,能够精确预测未来的用电负荷。基于预测结果,可以进行合理的优化和调节,减少能源浪费,提高能源利用效率,达到节能的效果;通过实时监测和预测未来用电负荷,在不同的时间节点对区域内各个子区域的用电情况进行细致的管理和调控。这有助于避免电力供需的不平衡问题,提高电网的稳定性和可靠性;通过划分目标监测区域为子区域并构建拓扑信息,可以更加细粒度地进行负荷调度。根据每个子区域的用电需求和特点,进行个性化的调度策略,以满足不同区域的用电需求;监测区域内各个子区域的设备运行状态监测和数据分析,能够及时发现设备健康状况异常和潜在故障风险。这样可以实施预警措施,提前进行维护和修复,减少停机时间和生产成本。通过监测平台对用电数据的可视化展示,用户能够更加直观地了解自身用电情况,增强节能意识。用户还可以根据实时预测结果进行用电调整或控制,积极参与到用电优化中。
总体而言,基于电力物联网的智慧用电方法通过实时监测、预测和优化,能够提高能源效率,优化供需平衡,灵活调度负荷,提升设备运维效率,并增强用户对节能的认知和参与度,促进可持续能源的发展。
本实施例一种基于电力物联网的智慧用电方法,所述S1包括:
通过地图信息获得目标监测区域,将目标监测区域根据用电需求和用户类型来划分第一区域;所述第一区域包括住宅区、商业区和工业区;
在第一区域内根据位置距离划分第二区域;
将第二区域根据建筑物划分第二子区域;
获取每个第二子区域内的电力设备信息和设备位置信息;
根据电力设备信息和设备位置信息,获得电力拓扑结构;第一区域作为主干,通过供电节点和连接线路与第二区域相连;在第二区域内,根据建筑物进行划分,并根据设备位置和电力设备信息建立拓扑结构;每个子区域内的设备通过连接线路与主干相连,形成一个完整的电力拓扑结构;
其中,位置距离划分:根据地理信息数据和位置距离,将目标监测区域划分为多个相对独立的区域;可以使用聚类分析或热力图等方法来确定区域边界;较近距离内的区域可能有着相似的用电特征和负荷需求;获取目标监测区域的地理信息数据,包括各个小区或采样点的经纬度坐标。基于收集到的地理信息数据,计算各个小区或采样点之间的距离;可以使用欧氏距离、曼哈顿距离等作为距离度量;利用聚类算法对距离矩阵进行聚类分析,将相近距离的小区或采样点划分为同一簇;聚类算法包括K-means聚类;
根据聚类结果,根据聚类边界来确定区域边界;聚类边界作为第二区域的边界;
对划分结果进行验证和修正,结合实地调研和用户反馈,不断优化第二区域的划分方案。
上述技术方案的工作原理为:通过获取目标监测区域的地图信息,包括各个小区或采样点的经纬度坐标,并利用这些信息进行后续处理。
第一区域划分:根据用电需求和用户类型,将目标监测区域划分为第一区域,该区域包括住宅区、商业区和工业区。划分可以依据已有的规划数据,例如土地规划、建筑用途等信息,将相应的区域归类到第一区域。
第二区域划分:在第一区域内,根据位置距离对小区或采样点进行划分,将目标监测区域划分为多个相对独立的区域。这个划分可以使用聚类分析或热力图等方法,通过计算小区或采样点之间的距离来确定区域边界。较近距离的小区划分为同一簇,具有相似的用电特征和负荷需求。常用的距离度量方法包括欧氏距离、曼哈顿距离等。聚类算法,如K-means聚类等,可以应用于距离矩阵的聚类分析,从而实现区域的划分。
第二子区域划分:在第二区域内,根据建筑物进行划分,并获取每个第二子区域内的电力设备信息和位置信息。通过结合第一区域的拓扑信息以及建筑物的分布情况,可以划分出更小的子区域,以便更精确地进行用电管理和负荷预测。
电力拓扑结构构建:根据电力设备信息和设备位置信息,可以建立第二区域内的电力拓扑结构。第一区域作为主干,通过供电节点和连接线路与第二区域相连,形成总体的电力拓扑结构。在第二区域内,根据建筑物和设备的位置关系,建立子区域内的电力拓扑结构,将各个子区域的设备通过连接线路与主干相连,形成一个完整的电力拓扑结构。
划分方案优化:对划分结果进行验证和修正。结合实地调研和用户反馈,不断优化第二区域的划分方案,确保划分结果符合实际情况,并能够提供准确有效的用电管理和负荷预测。
上述技术方案的效果为:通过按照用电需求和用户类型将目标监测区域划分为第一区域,包括住宅区、商业区和工业区,可以更加精确地了解不同区域的用电特点和负荷需求。这有助于实施针对性的用电管理和优化措施,提高能源利用效率;通过根据位置距离将第一区域进一步划分为第二区域,并根据建筑物划分第二子区域,可以将监测区域划分为多个相对独立的区域;这样可以更好地理解每个区域的用电特征和负荷需求,以提供更准确的用电管理和预测;通过获取每个第二子区域内的电力设备信息和设备位置信息,并根据电力设备信息和设备位置信息获得电力拓扑结构,可以形成一个完整的电力拓扑结构;在该拓扑结构中,每个子区域内的设备通过连接线路与主干相连;这有助于实现负荷的均衡与优化,避免负荷集中和电力供应不足的问题。通过区域划分和电力拓扑结构的建立,可以更好地掌握不同区域的用电情况,并根据实际情况优化用电调度和能源分配;这有助于节约能源、降低能耗,并提高能源利用效率,从而实现节能和提高生产效率的目标;根据区域划分结果,可以为监测平台提供准确的区域边界和电力拓扑结构信息,为智慧用电决策提供有力支持。基于此,监测平台可以做出更精确的用电负荷预测、供需平衡调控、故障诊断与预警等决策,提高用电管理的智能化水平。
总体而言,基于地图信息和用电需求的区域划分方法可以提供精准而细致的用电管理和优化,实现负荷均衡、节能降耗以及智慧用电决策的有效支持,从而提高能源利用效率并提供可持续的用电解决方案。
本实施例一种基于电力物联网的智慧用电方法,所述S2包括:
在监测区域设置不同类型的采集设备,以采集更多种类的用电设备的运行状态和用电数据;例如,可以添加能耗监测仪表、智能插座、传感器等设备,以覆盖不同类型的用电设备,并获取更全面的用电信息;
采集监测区域环境温度、湿度、和天气预报数据,并上传至监测平台;
对采集到的用电数据进行质量控制和清洗;包括数据异常值检测、数据缺失值填充、数据去噪处理;
对采集到的用电设备的运行状态和用电数据进行存档和索引。可以采用云存储或大数据技术,方便对历史数据进行回溯分析和趋势预测。
上述技术方案的工作原理为:在监测区域内设置不同类型的采集设备,包括能耗监测仪表、智能插座、传感器等;这些设备可以覆盖各种不同类型的用电设备,从而实现对用电设备的运行状态和用电数据的采集。通过采集设备的连接和配置,可以获取更全面和准确的用电信息;除了用电设备的运行状态和用电数据,还采集监测区域的环境温度、湿度和天气预报数据。这些环境数据与用电数据相结合,可以更好地理解用电情况和负荷变化与环境因素之间的关系;通过将环境数据上传至监测平台,能够实现对环境因素对用电负荷的影响进行分析和预测;对采集到的用电数据进行质量控制和清洗,包括异常值检测、缺失值填充和去噪处理。通过应用数据处理算法和技术,排除因传感器故障、通信中断或其他原因导致的数据异常值,填充缺失的数据以补全数据集,同时进行去噪处理以降低误差和干扰;对采集到的用电设备的运行状态和用电数据进行存档和索引;可以利用云存储技术或大数据技术,将历史数据进行存储和管理,方便后续的回溯分析和趋势预测。通过建立合适的数据结构和索引方式,能够高效地检索和利用历史数据,为用电管理和决策提供支持。
上述技术方案的效果为:通过设置不同类型的采集设备,如能耗监测仪表、智能插座、传感器等,可以覆盖更多种类的用电设备,并获取更全面的用电信息。这样可以实现对不同设备的运行状态和用电数据进行全面监测和分析,有助于深入了解用电特征和负荷需求;除了用电数据,还采集监测区域的环境温度、湿度和天气预报数据。将这些环境数据与用电数据结合起来,可以进行综合分析,从而更好地理解用电负荷与环境因素之间的关联性。这有助于预测负荷变化、优化调度策略,以及提供更精确的用电管理措施;对采集到的用电数据进行质量控制和清洗,包括异常值检测、缺失值填充和去噪处理。通过这些处理步骤,可以提高数据的准确性和可靠性,避免错误和噪声对分析结果的影响,从而保证后续的用电管理和决策的准确性;对采集到的用电设备的运行状态和用电数据进行存档和索引,可以利用云存储或大数据技术,方便对历史数据进行回溯分析和趋势预测。这有助于了解用电模式的变化、识别潜在的问题和风险,为未来的用电管理和优化提供依据。
总体而言,基于电力物联网的智慧用电方法中的S2阶段通过多样化数据采集、环境数据综合分析、质量控制与清洗以及历史数据管理等步骤,能够获得更全面、准确的用电信息,为用电管理和决策提供有力支持。这将带来更高效的能源利用、负荷调度优化和预测能力增强,实现智能化、可持续的用电管理。
本实施例一种基于电力物联网的智慧用电方法,所述S3包括:
将监测区域内采集的数据按照环境温度划分第一时间分组;将最低温度小于到5℃划分为一组,将最低温5~10℃划分为一个分组,如果最低温大于10℃,则按照最高温到10℃~20℃划分为一个分组,最高温20℃~26℃划分为一个分组;将最高温大于26℃划分为一个组;
将第一时间分组按照空气湿度划分第二时间分组;根据空气湿度在整体湿度范围内的百分比进行划分;将空气湿度按照整个记录期间的最低湿度和最高湿度的百分比划分为几个等级,如“干燥”(0%-30%),“适中”(30%-70%),“潮湿”(70%-100%);
将第二时间分组按照工作日和休息日划分第三时间分组;
将第三时间分组按照波峰波谷划分第四时间节点;
将同一子区域的数据按照第四时间节点进行统计分析,计算平均负载、最大负载和线路故障概率;
统计历史记录中同一第四时间节点内每个建筑物内的平均负载作为第一平均负载;
统计历史记录中同一第四时间节点内每个建筑物内的最大负载作为第一最大负载;
统计历史记录中同一第四时间节点内每个第二子区域内平均负载作为第二平均负载;
统计历史记录中同一第四时间节点内每个第二子区域内的最大负载作为第二最大负载;
统计历史记录中同一第四时间节点内每个第二区域内平均负载作为第三平均负载;
统计历史记录中同一第四时间节点内每个第二区域内的最大负载作为第三最大负载;
统计历史记录中同一第四时间节点内每个第一区域内平均负载作为第四平均负载;
统计历史记录中同一第四时间节点内每个第一区域内的最大负载作为第四最大负载;
统计历史记录中不同区域分组电力线路故障的概率;每个建筑物内线路故障的次数为Ni;监测区域内所有建筑物发生的线路故障次数为;n为监测区域内建筑物的总数;每个建筑物线路故障的概率则为P1=/>;每个第二子区域发生线路故障的概率为P2=/>;m为第二子区域建筑物的总数;每个第二区域发生线路故障的概率为P3=,k为每个第二区域建筑物的总数;每个第一区域发生线路故障的概率为P4 =;u为每个第一区域建筑物的总数;历史记录可以为半年、一年或两年;
根据平均负载、最大负载、线路故障概率建立第四时间节点负载预测模型;
其中为预测负载;/>为平均负载;/>为最大负载,L为线路已使用寿命;/>为线路最长使用寿命;P为线路故障概率;w1和w2为权重,/>为当前负载;w1+w2=1;如果预测每个建筑物的负载,则/>为待预测的建筑物的预测负载,/>为此建筑物的第一平均负载;/>为此建筑物的第一最大负载;L为此建筑物内线路平均已使用寿命;/>为此建筑物内线路的最长使用寿命;P 为此建筑物的线路故障概率即P1;如果预测每个第一区域的负载,则/>为待预测的第一区域的预测负载,/>为此第一区域的第四平均负载;/>为此第一区域的第四最大负载;L为此区域内线路平均已使用寿命;/>为此区域内线路的最长使用寿命;P 为此区域的线路故障概率即P4。
上述技术方案的工作原理为:按环境温度划分第一时间分组:根据监测区域内采集的数据,将记录期间的最低温度进行分类划分。如果最低温度小于5℃,则划分为一组;如果最低温度在5℃~10℃之间,归为另一组;如果最低温度大于10℃,则根据最高温度划分为不同的分组,例如10℃~20℃、20℃~26℃和大于26℃。
按空气湿度划分第二时间分组:根据采集到的空气湿度数据,在整体湿度范围内进行划分。根据记录期间的最低湿度和最高湿度的百分比,将空气湿度划分为几个等级,例如“干燥”(0%-30%)、“适中”(30%-70%)和“潮湿”(70%-100%)。
按工作日和休息日划分第三时间分组:根据日期数据,将第一时间分组按照工作日和休息日进行划分;
按波峰波谷划分第四时间节点:根据负荷曲线的波峰和波谷,将第三时间分组按照负荷曲线的特征划分为不同的第四时间节点。
统计分析和计算:将同一子区域的数据按照第四时间节点进行统计分析。计算每个子区域内的平均负载、最大负载和线路故障概率;同时,统计历史记录中每个建筑物内的平均负载和最大负载,以及每个第二子区域内的平均负载和最大负载。
负载预测模型建立:基于平均负载、最大负载和线路故障概率,建立第四时间节点的负载预测模型。根据权重调整公式,计算待预测的建筑物或第一区域的预测负载。
上述技术方案的效果为:通过将监测区域内采集的数据按照环境温度、空气湿度、工作日和休息日以及波峰波谷等因素进行分组,可以更细致地对用电数据进行分类和整理。通过统计分析每个分组内的平均负载、最大负载和线路故障概率等指标,可以获得更全面的用电情况和问题状况。通过统计历史记录中每个建筑物内的平均负载和最大负载,以及每个子区域内的平均负载和最大负载,可以了解每个建筑物和区域的负载特征。这有助于发现负载异常、优化负载管理、制定合理的调度策略,并提供建议和建模依据。通过统计历史记录中不同区域分组中电力线路故障的次数,计算每个建筑物、子区域和区域内线路故障的概率。这可以帮助识别潜在的线路故障风险,并采取相应的预防和维护措施,提高用电***的可靠性和安全性。基于平均负载、最大负载和线路故障概率等因素,建立第四时间节点的负载预测模型。该模型可以利用历史数据和统计结果预测待预测建筑物或区域的负载情况。这有助于进行负载规划和资源分配,***负载峰值和负载波动,优化电力调度和用电安排。
该负载预测模型综合考虑了平均负载、最大负载和线路故障概率等多个因素。通过权重调整,可以根据不同因素的重要性对负载预测结果进行精确的调控。这样可以更全面地预测负载情况,提高预测的准确性和可信度;公式中的项考虑了线路使用寿命和故障概率的影响。当线路使用寿命较短或故障概率较高时,负载预测结果会相应调整,以反映出潜在的风险和问题。这有助于提前发现可能的线路故障,并采取相应措施进行维修或替换;公式中考虑了当前负载的影响。将当前负载纳入考虑可以更精确地反映出当前的用电情况,并在预测负载时充分利用历史数据和当前的实时数据。这样可以提高预测的实时性和准确性,更好地适应实际用电情况的波动和变化。通过设定权重 w1 和 w2 ,可以根据实际需求和应用场景对负载预测模型进行灵活调控。不同的权重设置可以突出某些因素的重要性,使负载预测结果更加符合具体情况和需求。这样可以满足不同用户和***对负载预测的个性化要求。
综上所述,该负载预测模型的公式结合了多个重要的因素,如平均负载、最大负载、线路故障概率和当前负载,能够更全面地预测负载情况。通过调整权重和考虑线路寿命和故障概率,能够提高负载预测的准确性和可靠性。这样可以为用电管理和能源调度提供更准确的信息,支持智慧用电的实现和优化。通过以上S3阶段的操作,可以实现对监测区域内用电数据的深度分析和预测,为用电管理和能源调度提供支持。同时,通过统计分析和建模,可以发现问题、提升效率、降低线路故障风险,从而达到智能化、高效能源利用和用电安全的目标;帮助进行负载调度和优化控制,提高用电效率和稳定性。
本实施例一种基于电力物联网的智慧用电方法,所述S4包括:
根据气象信息,获取预测时间段的第二时间分组;
根据工作日和休息日获取预测时间段的第三时间分组;
根据波峰波谷获取预测时间段的第四时间分组;
根据第四时间分组,选择对应的预测模型;
预测按照第一区域优先原则,结合对应的第一区域预测模型,进行第一负载分配;
其中,为监测区域总负载,/>为第一区域分配负载;/>为第一区域预测负载;v为第一区域个数;第二负载分配原则同此原则一样,第二区域分配总负载为第一区域到的负载;
将第一负载分配的结果按照第二区域进行第二负载分配;
将第二负载分配的结果按照第二子区域进行第三负载分配;
将第三负载分配的结果按照建筑物进行第四负载分配。
上述技术方案的工作原理为:根据气象信息获取预测时间段的第二时间分组:根据气象信息,包括温度、湿度等数据,对预测时间段内的数据进行分组。这些数据可以帮助预测未来一段时间的天气状况,进而影响用电需求;根据预测时间段内的日期信息,将时间段划分为工作日和休息日。这有助于考虑不同日期下用户用电行为的差异,并以此为依据进行负载预测;通过识别负荷曲线中的波峰和波谷特征,将预测时间段划分为不同的第四时间分组;这样可以更好地捕捉负荷波动和用电高峰期,为负载预测提供更准确的数据依据;针对每个第四时间分组,选择相应的负载预测模型。不同时间分组可能存在不同的用电特征,因此选择适合的模型能够更好地反映实际情况,提高负载预测的准确性;按照第一区域优先的原则,首先使用第一区域的预测模型进行负载分配。根据监测区域总负载和第一区域的预测负载,确定第一区域的分配负载。然后,根据第二区域分配总负载为第一区域的负载,采用第二区域的预测模型进行第二负载分配。持续按照这种方式,将负载逐层分配至第三子区域,最后再按照建筑物进行第四负载分配。
上述技术方案的效果为:通过根据气象信息、工作日和休息日以及波峰波谷等因素进行时间分组,该方法能够综合考虑多个因素对负载预测的影响。这有助于更准确地预测不同时间段和区域的用电负载情况,提高预测的精度和可信度;使用第一区域的预测模型进行负载分配时,按照第一区域优先的原则来进行。这意味着首先将总负载按照第一区域的预测负载进行分配,然后再按照分配给第一区域的负载来分配第二区域的负载,以此类推。这样可以根据预测负载的权重分配,更好地控制不同区域之间的负载分配比例;通过按照第二区域和第二子区域进行负载分配,该方法能够逐层地进行负载分配。从第一区域到第二区域再到第二子区域,最后再按照建筑物进行负载分配。这样可以将负载逐步地细化和分配到各个层级,更准确地预测和分配负载;该方法通过考虑多个因素和逐层的负载分配,能够提高负载预测的精度。通过选择对应的预测模型,并根据实际情况进行分配,能够更准确地预测不同区域和建筑物的用电负载。这样可以帮助用电管理者更好地制定用电策略、优化用电计划,并实现能源的高效利用;该方法在负载预测过程中考虑到多个因素,并根据实际情况进行分组和分配。这使得该方法具有一定的灵活性和适应性,能够针对不同的监测区域和时间段进行调整和优化,以满足不同场景和需求的智慧用电管理。
综上所述,该基于电力物联网的智慧用电方法中的S4阶段通过综合考虑多个因素并逐层进行负载分配,可以提高负载预测的精度和可信度。这有助于优化用电计划、提高能源利用效率,以及实现智慧用电管理的目标。
本实施例一种基于电力物联网的智慧用电***,所述***包括:
区域划分模块:通过地图信息获得目标监测区域,将目标监测区域划分子区域,根据子区域构建目标监测区域的拓扑信息;
数据获取模块:获取监测区域内各个子区域的用电设备的运行状态、用电数据以及环境天气数据,并上传监测平台;
模型构建模块:划分时间节点,在不同的时间节点根据监测区域各个子区域的设备运行状态、用电信息以及环境天气数据,构建基于区域和时间节点的用电负荷预测模型;
预测和分配模块:基于用电负荷预测模型,监测平台预测未来用电负荷,根据预测结果进行优化和调节。
上述技术方案的工作原理为:通过地图信息获得目标监测区域,并将其划分为子区域;这一步主要是根据实际需求和场景,将大范围的监测区域细分成更小的子区域,以便更精确地进行用电管理和负荷预测;在这个阶段还需要构建目标监测区域的电力拓扑信息,即各个子区域之间的电力设备连接关系;通过连接和集中管理各个子区域内的用电设备,获取它们的运行状态、用电数据以及环境天气数据,并将这些数据上传到监测平台;通过物联网技术,不同设备之间可以互相连接并与监测平台实现数据交互;这些数据包含了监测区域内各个子区域的能源消耗情况和环境条件;根据子区域内的设备运行状态、用电信息和所采集的环境数据,划分时间节点,并利用这些数据构建基于区域和时间节点的用电负荷预测模型。这个模型可以基于历史数据和机器学习算法来预测未来一段时间内各个子区域的用电负荷情况;
基于用电负荷预测模型,监测平台可以实时预测未来用电负荷。根据预测结果,进行优化和调节,例如调整供电策略、分配能源资源、调整能源储备等手段;这样可以实现对用电负荷进行有效的管理和控制,以确保电力供应的稳定性和高效性。
总体而言,该方法利用物联网技术和数据分析算法,通过对电力设备、用电数据和环境数据的监测和分析,构建用电负荷预测模型,并根据预测结果进行优化和调节,从而实现对目标监测区域的智慧用电管理和能源效率提升。
上述技术方案的效果为:通过实时监测和分析各个子区域的用电设备运行状态和用电数据,以及环境天气数据,能够精确预测未来的用电负荷。基于预测结果,可以进行合理的优化和调节,减少能源浪费,提高能源利用效率,达到节能的效果;通过实时监测和预测未来用电负荷,在不同的时间节点对区域内各个子区域的用电情况进行细致的管理和调控。这有助于避免电力供需的不平衡问题,提高电网的稳定性和可靠性;通过划分目标监测区域为子区域并构建拓扑信息,可以更加细粒度地进行负荷调度。根据每个子区域的用电需求和特点,进行个性化的调度策略,以满足不同区域的用电需求;监测区域内各个子区域的设备运行状态监测和数据分析,能够及时发现设备健康状况异常和潜在故障风险。这样可以实施预警措施,提前进行维护和修复,减少停机时间和生产成本。通过监测平台对用电数据的可视化展示,用户能够更加直观地了解自身用电情况,增强节能意识。用户还可以根据实时预测结果进行用电调整或控制,积极参与到用电优化中。
总体而言,基于电力物联网的智慧用电方法通过实时监测、预测和优化,能够提高能源效率,优化供需平衡,灵活调度负荷,提升设备运维效率,并增强用户对节能的认知和参与度,促进可持续能源的发展。
本实施例一种基于电力物联网的智慧用电***,所述区域划分模块包括:
第一区域划分模块:通过地图信息获得目标监测区域,将目标监测区域根据用电需求和用户类型来划分第一区域;所述第一区域包括住宅区、商业区和工业区;
第二区域划分模块:在第一区域内根据位置距离划分第二区域;
第二子区域划分模块:将第二区域根据建筑物划分第二子区域;
设备信息获取模块:获取每个第二子区域内的电力设备信息和设备位置信息;
拓扑结构建立模块:根据电力设备信息和设备位置信息,获得电力拓扑结构;第一区域作为主干,通过供电节点和连接线路与第二区域相连;在第二区域内,根据建筑物进行划分,并根据设备位置和电力设备信息建立拓扑结构;每个子区域内的设备通过连接线路与主干相连,形成一个完整的电力拓扑结构。
其中,位置距离划分:根据地理信息数据和位置距离,将目标监测区域划分为多个相对独立的区域;可以使用聚类分析或热力图等方法来确定区域边界;较近距离内的区域可能有着相似的用电特征和负荷需求;获取目标监测区域的地理信息数据,包括各个小区或采样点的经纬度坐标。基于收集到的地理信息数据,计算各个小区或采样点之间的距离;可以使用欧氏距离、曼哈顿距离等作为距离度量;利用聚类算法对距离矩阵进行聚类分析,将相近距离的小区或采样点划分为同一簇;聚类算法包括K-means聚类;
根据聚类结果,根据聚类边界来确定区域边界;聚类边界作为第二区域的边界;
对划分结果进行验证和修正,结合实地调研和用户反馈,不断优化第二区域的划分方案。
上述技术方案的工作原理为:通过获取目标监测区域的地图信息,包括各个小区或采样点的经纬度坐标,并利用这些信息进行后续处理。
第一区域划分:根据用电需求和用户类型,将目标监测区域划分为第一区域,该区域包括住宅区、商业区和工业区。划分可以依据已有的规划数据,例如土地规划、建筑用途等信息,将相应的区域归类到第一区域。
第二区域划分:在第一区域内,根据位置距离对小区或采样点进行划分,将目标监测区域划分为多个相对独立的区域。这个划分可以使用聚类分析或热力图等方法,通过计算小区或采样点之间的距离来确定区域边界。较近距离的小区划分为同一簇,具有相似的用电特征和负荷需求。常用的距离度量方法包括欧氏距离、曼哈顿距离等。聚类算法,如K-means聚类等,可以应用于距离矩阵的聚类分析,从而实现区域的划分。
第二子区域划分:在第二区域内,根据建筑物进行划分,并获取每个第二子区域内的电力设备信息和位置信息。通过结合第一区域的拓扑信息以及建筑物的分布情况,可以划分出更小的子区域,以便更精确地进行用电管理和负荷预测。
电力拓扑结构构建:根据电力设备信息和设备位置信息,可以建立第二区域内的电力拓扑结构。第一区域作为主干,通过供电节点和连接线路与第二区域相连,形成总体的电力拓扑结构。在第二区域内,根据建筑物和设备的位置关系,建立子区域内的电力拓扑结构,将各个子区域的设备通过连接线路与主干相连,形成一个完整的电力拓扑结构。
划分方案优化:对划分结果进行验证和修正。结合实地调研和用户反馈,不断优化第二区域的划分方案,确保划分结果符合实际情况,并能够提供准确有效的用电管理和负荷预测。
上述技术方案的效果为:通过按照用电需求和用户类型将目标监测区域划分为第一区域,包括住宅区、商业区和工业区,可以更加精确地了解不同区域的用电特点和负荷需求。这有助于实施针对性的用电管理和优化措施,提高能源利用效率;通过根据位置距离将第一区域进一步划分为第二区域,并根据建筑物划分第二子区域,可以将监测区域划分为多个相对独立的区域;这样可以更好地理解每个区域的用电特征和负荷需求,以提供更准确的用电管理和预测;通过获取每个第二子区域内的电力设备信息和设备位置信息,并根据电力设备信息和设备位置信息获得电力拓扑结构,可以形成一个完整的电力拓扑结构;在该拓扑结构中,每个子区域内的设备通过连接线路与主干相连;这有助于实现负荷的均衡与优化,避免负荷集中和电力供应不足的问题。通过区域划分和电力拓扑结构的建立,可以更好地掌握不同区域的用电情况,并根据实际情况优化用电调度和能源分配;这有助于节约能源、降低能耗,并提高能源利用效率,从而实现节能和提高生产效率的目标;根据区域划分结果,可以为监测平台提供准确的区域边界和电力拓扑结构信息,为智慧用电决策提供有力支持。基于此,监测平台可以做出更精确的用电负荷预测、供需平衡调控、故障诊断与预警等决策,提高用电管理的智能化水平。
总体而言,基于地图信息和用电需求的区域划分方法可以提供精准而细致的用电管理和优化,实现负荷均衡、节能降耗以及智慧用电决策的有效支持,从而提高能源利用效率并提供可持续的用电解决方案。
本实施例一种基于电力物联网的智慧用电***,所述数据获取模块包括:
电力数据采集模块:在监测区域设置不同类型的采集设备,以采集更多种类的用电设备的运行状态和用电数据;例如,可以添加能耗监测仪表、智能插座、传感器等设备,以覆盖不同类型的用电设备,并获取更全面的用电信息;
环境数据采集模块:采集监测区域环境温度、湿度、和天气预报数据,并上传至监测平台;
数据预处理模块:对采集到的用电数据进行质量控制和清洗;包括数据异常值检测、数据缺失值填充、数据去噪处理;
数据存储模块:对采集到的用电设备的运行状态和用电数据进行存档和索引。可以采用云存储或大数据技术,方便对历史数据进行回溯分析和趋势预测。
上述技术方案的工作原理为:在监测区域内设置不同类型的采集设备,包括能耗监测仪表、智能插座、传感器等;这些设备可以覆盖各种不同类型的用电设备,从而实现对用电设备的运行状态和用电数据的采集。通过采集设备的连接和配置,可以获取更全面和准确的用电信息;除了用电设备的运行状态和用电数据,还采集监测区域的环境温度、湿度和天气预报数据。这些环境数据与用电数据相结合,可以更好地理解用电情况和负荷变化与环境因素之间的关系;通过将环境数据上传至监测平台,能够实现对环境因素对用电负荷的影响进行分析和预测;对采集到的用电数据进行质量控制和清洗,包括异常值检测、缺失值填充和去噪处理。通过应用数据处理算法和技术,排除因传感器故障、通信中断或其他原因导致的数据异常值,填充缺失的数据以补全数据集,同时进行去噪处理以降低误差和干扰;对采集到的用电设备的运行状态和用电数据进行存档和索引;可以利用云存储技术或大数据技术,将历史数据进行存储和管理,方便后续的回溯分析和趋势预测。通过建立合适的数据结构和索引方式,能够高效地检索和利用历史数据,为用电管理和决策提供支持。
上述技术方案的效果为:通过设置不同类型的采集设备,如能耗监测仪表、智能插座、传感器等,可以覆盖更多种类的用电设备,并获取更全面的用电信息。这样可以实现对不同设备的运行状态和用电数据进行全面监测和分析,有助于深入了解用电特征和负荷需求;除了用电数据,还采集监测区域的环境温度、湿度和天气预报数据。将这些环境数据与用电数据结合起来,可以进行综合分析,从而更好地理解用电负荷与环境因素之间的关联性。这有助于预测负荷变化、优化调度策略,以及提供更精确的用电管理措施;对采集到的用电数据进行质量控制和清洗,包括异常值检测、缺失值填充和去噪处理。通过这些处理步骤,可以提高数据的准确性和可靠性,避免错误和噪声对分析结果的影响,从而保证后续的用电管理和决策的准确性;对采集到的用电设备的运行状态和用电数据进行存档和索引,可以利用云存储或大数据技术,方便对历史数据进行回溯分析和趋势预测。这有助于了解用电模式的变化、识别潜在的问题和风险,为未来的用电管理和优化提供依据。
总体而言,基于电力物联网的智慧用电方法中的S2阶段通过多样化数据采集、环境数据综合分析、质量控制与清洗以及历史数据管理等步骤,能够获得更全面、准确的用电信息,为用电管理和决策提供有力支持。这将带来更高效的能源利用、负荷调度优化和预测能力增强,实现智能化、可持续的用电管理。
本实施例一种基于电力物联网的智慧用电***,所述模型构建模块包括:
第一时间分组模块:将监测区域内采集的数据按照环境温度划分第一时间分组;将最低温度小于到5℃划分为一组,将最低温5~10℃划分为一个分组,如果最低温大于10℃,则按照最高温到10℃~20℃划分为一个分组,最高温20℃~26℃划分为一个分组;将最高温大于26℃划分为一个组;
第二时间分组模块:将第一时间分组按照空气湿度划分第二时间分组;根据空气湿度在整体湿度范围内的百分比进行划分;将空气湿度按照整个记录期间的最低湿度和最高湿度的百分比划分为几个等级,如“干燥”(0%-30%),“适中”(30%-70%),“潮湿”(70%-100%);
第三时间分组模块:将第二时间分组按照工作日和休息日划分第三时间分组;
第四时间分组模块:将第三时间分组按照波峰波谷划分第四时间节点;
统计分析模块:将同一子区域的数据按照第四时间节点进行统计分析,计算平均负载、最大负载和线路故障概率;
统计历史记录中同一第四时间节点内每个建筑物内的平均负载作为第一平均负载;
统计历史记录中同一第四时间节点内每个建筑物内的最大负载作为第一最大负载;
统计历史记录中同一第四时间节点内每个第二子区域内平均负载作为第二平均负载;
统计历史记录中同一第四时间节点内每个第二子区域内的最大负载作为第二最大负载;
统计历史记录中同一第四时间节点内每个第二区域内平均负载作为第三平均负载;
统计历史记录中同一第四时间节点内每个第二区域内的最大负载作为第三最大负载;
统计历史记录中同一第四时间节点内每个第一区域内平均负载作为第四平均负载;
统计历史记录中同一第四时间节点内每个第一区域内的最大负载作为第四最大负载;
统计历史记录中不同区域分组电力线路故障的概率;每个建筑物内线路故障的次数为Ni;监测区域内所有建筑物发生的线路故障次数为;n为监测区域内建筑物的总数;每个建筑物线路故障的概率则为P1=/>;每个第二子区域发生线路故障的概率为P2=/>;m为第二子区域建筑物的总数;每个第二区域发生线路故障的概率为P3=,k为每个第二区域建筑物的总数;每个第一区域发生线路故障的概率为P4 =;u为每个第一区域建筑物的总数;历史记录可以为半年、一年或两年;/>
模型建立模块:根据平均负载、最大负载、线路故障概率建立第四时间节点负载预测模型;
其中,为预测负载;/>为平均负载;/>为最大负载,L为线路已使用寿命;/>为线路最长使用寿命;P为线路故障概率;w1和w2为权重,/>为当前负载;w1+w2=1;如果预测每个建筑物的负载,则/>为待预测的建筑物的预测负载,/>为此建筑物的第一平均负载;/>为此建筑物的第一最大负载;L为此建筑物内线路平均已使用寿命;/>为此建筑物内线路的最长使用寿命;P 为此建筑物的线路故障概率即P1;如果预测每个第一区域的负载,则/>为待预测的第一区域的预测负载,/>为此第一区域的第四平均负载;/>为此第一区域的第四最大负载;L为此区域内线路平均已使用寿命;/>为此区域内线路的最长使用寿命;P 为此区域的线路故障概率即P4。
上述技术方案的工作原理为:按环境温度划分第一时间分组:根据监测区域内采集的数据,将记录期间的最低温度进行分类划分。如果最低温度小于5℃,则划分为一组;如果最低温度在5℃~10℃之间,归为另一组;如果最低温度大于10℃,则根据最高温度划分为不同的分组,例如10℃~20℃、20℃~26℃和大于26℃。
按空气湿度划分第二时间分组:根据采集到的空气湿度数据,在整体湿度范围内进行划分。根据记录期间的最低湿度和最高湿度的百分比,将空气湿度划分为几个等级,例如“干燥”(0%-30%)、“适中”(30%-70%)和“潮湿”(70%-100%)。
按工作日和休息日划分第三时间分组:根据日期数据,将第一时间分组按照工作日和休息日进行划分;
按波峰波谷划分第四时间节点:根据负荷曲线的波峰和波谷,将第三时间分组按照负荷曲线的特征划分为不同的第四时间节点。
统计分析和计算:将同一子区域的数据按照第四时间节点进行统计分析。计算每个子区域内的平均负载、最大负载和线路故障概率;同时,统计历史记录中每个建筑物内的平均负载和最大负载,以及每个第二子区域内的平均负载和最大负载。
负载预测模型建立:基于平均负载、最大负载和线路故障概率,建立第四时间节点的负载预测模型。根据权重调整公式,计算待预测的建筑物或第一区域的预测负载。
上述技术方案的效果为:通过将监测区域内采集的数据按照环境温度、空气湿度、工作日和休息日以及波峰波谷等因素进行分组,可以更细致地对用电数据进行分类和整理。通过统计分析每个分组内的平均负载、最大负载和线路故障概率等指标,可以获得更全面的用电情况和问题状况。通过统计历史记录中每个建筑物内的平均负载和最大负载,以及每个子区域内的平均负载和最大负载,可以了解每个建筑物和区域的负载特征。这有助于发现负载异常、优化负载管理、制定合理的调度策略,并提供建议和建模依据。通过统计历史记录中不同区域分组中电力线路故障的次数,计算每个建筑物、子区域和区域内线路故障的概率。这可以帮助识别潜在的线路故障风险,并采取相应的预防和维护措施,提高用电***的可靠性和安全性。基于平均负载、最大负载和线路故障概率等因素,建立第四时间节点的负载预测模型。该模型可以利用历史数据和统计结果预测待预测建筑物或区域的负载情况。这有助于进行负载规划和资源分配,***负载峰值和负载波动,优化电力调度和用电安排。
该负载预测模型综合考虑了平均负载、最大负载和线路故障概率等多个因素。通过权重调整,可以根据不同因素的重要性对负载预测结果进行精确的调控。这样可以更全面地预测负载情况,提高预测的准确性和可信度;公式中的项考虑了线路使用寿命和故障概率的影响。当线路使用寿命较短或故障概率较高时,负载预测结果会相应调整,以反映出潜在的风险和问题。这有助于提前发现可能的线路故障,并采取相应措施进行维修或替换;公式中考虑了当前负载的影响。将当前负载纳入考虑可以更精确地反映出当前的用电情况,并在预测负载时充分利用历史数据和当前的实时数据。这样可以提高预测的实时性和准确性,更好地适应实际用电情况的波动和变化。通过设定权重 w1 和 w2 ,可以根据实际需求和应用场景对负载预测模型进行灵活调控。不同的权重设置可以突出某些因素的重要性,使负载预测结果更加符合具体情况和需求。这样可以满足不同用户和***对负载预测的个性化要求。
综上所述,该负载预测模型的公式结合了多个重要的因素,如平均负载、最大负载、线路故障概率和当前负载,能够更全面地预测负载情况。通过调整权重和考虑线路寿命和故障概率,能够提高负载预测的准确性和可靠性。这样可以为用电管理和能源调度提供更准确的信息,支持智慧用电的实现和优化。通过以上S3阶段的操作,可以实现对监测区域内用电数据的深度分析和预测,为用电管理和能源调度提供支持。同时,通过统计分析和建模,可以发现问题、提升效率、降低线路故障风险,从而达到智能化、高效能源利用和用电安全的目标;帮助进行负载调度和优化控制,提高用电效率和稳定性。
本实施例一种基于电力物联网的智慧用电***,所述预测和分配模块包括:
第二时间确定模块:根据气象信息,获取预测时间段的第二时间分组;
第三时间确定模块:根据工作日和休息日获取预测时间段的第三时间分组;
第四时间确定模块:根据波峰波谷获取预测时间段的第四时间分组;
模型选择模块:根据第四时间分组,选择对应的预测模型;
负载分配模块:按照第一区域优先原则,结合对应的第一区域预测模型,进行第一负载分配;
其中,为监测区域总负载,/>为第一区域分配负载;/>为第一区域预测负载;v为第一区域个数;第二负载分配原则同此原则一样,第二区域分配总负载为第一区域到的负载;
将第一负载分配的结果按照第二区域进行第二负载分配;
将第二负载分配的结果按照第二子区域进行第三负载分配;
将第三负载分配的结果按照建筑物进行第四负载分
上述技术方案的工作原理为:根据气象信息获取预测时间段的第二时间分组:根据气象信息,包括温度、湿度等数据,对预测时间段内的数据进行分组。这些数据可以帮助预测未来一段时间的天气状况,进而影响用电需求;根据预测时间段内的日期信息,将时间段划分为工作日和休息日。这有助于考虑不同日期下用户用电行为的差异,并以此为依据进行负载预测;通过识别负荷曲线中的波峰和波谷特征,将预测时间段划分为不同的第四时间分组;这样可以更好地捕捉负荷波动和用电高峰期,为负载预测提供更准确的数据依据;针对每个第四时间分组,选择相应的负载预测模型。不同时间分组可能存在不同的用电特征,因此选择适合的模型能够更好地反映实际情况,提高负载预测的准确性;按照第一区域优先的原则,首先使用第一区域的预测模型进行负载分配。根据监测区域总负载和第一区域的预测负载,确定第一区域的分配负载。然后,根据第二区域分配总负载为第一区域的负载,采用第二区域的预测模型进行第二负载分配。持续按照这种方式,将负载逐层分配至第三子区域,最后再按照建筑物进行第四负载分配。
上述技术方案的效果为:通过根据气象信息、工作日和休息日以及波峰波谷等因素进行时间分组,该方法能够综合考虑多个因素对负载预测的影响。这有助于更准确地预测不同时间段和区域的用电负载情况,提高预测的精度和可信度;使用第一区域的预测模型进行负载分配时,按照第一区域优先的原则来进行。这意味着首先将总负载按照第一区域的预测负载进行分配,然后再按照分配给第一区域的负载来分配第二区域的负载,以此类推。这样可以根据预测负载的权重分配,更好地控制不同区域之间的负载分配比例;通过按照第二区域和第二子区域进行负载分配,该方法能够逐层地进行负载分配。从第一区域到第二区域再到第二子区域,最后再按照建筑物进行负载分配。这样可以将负载逐步地细化和分配到各个层级,更准确地预测和分配负载;该方法通过考虑多个因素和逐层的负载分配,能够提高负载预测的精度。通过选择对应的预测模型,并根据实际情况进行分配,能够更准确地预测不同区域和建筑物的用电负载。这样可以帮助用电管理者更好地制定用电策略、优化用电计划,并实现能源的高效利用;该方法在负载预测过程中考虑到多个因素,并根据实际情况进行分组和分配。这使得该方法具有一定的灵活性和适应性,能够针对不同的监测区域和时间段进行调整和优化,以满足不同场景和需求的智慧用电管理。
综上所述,该基于电力物联网的智慧用电方法中的S4阶段通过综合考虑多个因素并逐层进行负载分配,可以提高负载预测的精度和可信度。这有助于优化用电计划、提高能源利用效率,以及实现智慧用电管理的目标。
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)
1.一种基于电力物联网的智慧用电方法,其特征在于,所述方法包括:
S1、通过地图信息获得目标监测区域,将目标监测区域划分子区域,根据子区域构建目标监测区域的拓扑信息;
S2、获取监测区域内各个子区域的用电设备的运行状态、用电数据以及环境天气数据,并上传监测平台;
S3、划分时间节点,在不同的时间节点根据监测区域各个子区域的设备运行状态、用电信息以及环境天气数据,构建基于区域和时间节点的用电负荷预测模型;
S4、基于用电负荷预测模型,监测平台预测未来用电负荷,根据预测结果进行优化和调节。
2.根据权利要求1所述的一种基于电力物联网的智慧用电方法,其特征在于,所述S1包括:
通过地图信息获得目标监测区域,将目标监测区域根据用电需求和用户类型来划分第一区域;所述第一区域包括住宅区、商业区和工业区;
在第一区域内根据位置距离划分第二区域;
将第二区域根据建筑物划分第二子区域;
获取每个第二子区域内的电力设备信息和设备位置信息;
根据电力设备信息和设备位置信息,获得电力拓扑结构。
3.根据权利要求1所述的一种基于电力物联网的智慧用电方法,其特征在于,所述S2包括:
在监测区域设置不同类型的采集设备,以采集更多种类的用电设备的运行状态和用电数据;
采集监测区域环境温度、湿度、和天气预报数据,并上传至监测平台;
对采集到的用电数据进行质量控制和清洗;
对采集到的用电设备的运行状态和用电数据进行存档和索引。
4.根据权利要求2所述的一种基于电力物联网的智慧用电方法,其特征在于,所述S3包括:
将监测区域内采集的数据按照环境温度划分第一时间分组;
将第一时间分组按照空气湿度划分第二时间分组;
将第二时间分组按照工作日和休息日划分第三时间分组;
将第三时间分组按照波峰波谷划分第四时间节点;
将同一子区域的数据按照第四时间节点进行统计分析,计算平均负载、最大负载和线路故障概率;
根据平均负载、最大负载、线路故障概率建立第四时间节点负载预测模型。
5.根据权利要求3所述的一种基于电力物联网的智慧用电方法,其特征在于,所述S4包括:
根据气象信息,获取预测时间段的第二时间分组;
根据工作日和休息日获取预测时间段的第三时间分组;
根据波峰波谷获取预测时间段的第四时间分组;
根据第四时间分组,选择对应的预测模型;
按照第一区域优先原则,结合对应的第一区域预测模型,进行第一负载分配;
将第一负载分配的结果按照第二区域进行第二负载分配;
将第二负载分配的结果按照第二子区域进行第三负载分配;
将第三负载分配的结果按照建筑物进行第四负载分配。
6.一种基于电力物联网的智慧用电***,其特征在于,所述***包括:
区域划分模块:通过地图信息获得目标监测区域,将目标监测区域划分子区域,根据子区域构建目标监测区域的拓扑信息;
数据获取模块:获取监测区域内各个子区域的用电设备的运行状态、用电数据以及环境天气数据,并上传监测平台;
模型构建模块:划分时间节点,在不同的时间节点根据监测区域各个子区域的设备运行状态、用电信息以及环境天气数据,构建基于区域和时间节点的用电负荷预测模型;
预测和分配模块:基于用电负荷预测模型,监测平台预测未来用电负荷,根据预测结果进行优化和调节。
7.根据权利要求6所述的一种基于电力物联网的智慧用电***,其特征在于,所述区域划分模块包括:
第一区域划分模块:通过地图信息获得目标监测区域,将目标监测区域根据用电需求和用户类型来划分第一区域;所述第一区域包括住宅区、商业区和工业区;
第二区域划分模块:在第一区域内根据位置距离划分第二区域;
第二子区域划分模块:将第二区域根据建筑物划分第二子区域;
设备信息获取模块:获取每个第二子区域内的电力设备信息和设备位置信息;
拓扑结构建立模块:根据电力设备信息和设备位置信息,获得电力拓扑结构。
8.根据权利要求6所述的一种基于电力物联网的智慧用电***,其特征在于,所述数据获取模块包括:
电力数据采集模块:在监测区域设置不同类型的采集设备,以采集更多种类的用电设备的运行状态和用电数据;
环境数据采集模块:采集监测区域环境温度、湿度、和天气预报数据,并上传至监测平台;
数据预处理模块:对采集到的用电数据进行质量控制和清洗;
数据存储模块:对采集到的用电设备的运行状态和用电数据进行存档和索引。
9.根据权利要求6所述的一种基于电力物联网的智慧用电***,其特征在于,所述模型构建模块包括:
第一时间分组模块:将监测区域内采集的数据按照环境温度划分第一时间分组;
第二时间分组模块:将第一时间分组按照空气湿度划分第二时间分组;
第三时间分组模块:将第二时间分组按照工作日和休息日划分第三时间分组;
第四时间分组模块:将第三时间分组按照波峰波谷划分第四时间节点;
统计分析模块:将同一子区域的数据按照第四时间节点进行统计分析,计算平均负载、最大负载和线路故障概率;
统计历史记录中不同区域分组电力线路故障的概率;
模型建立模块:根据平均负载、最大负载、线路故障概率建立第四时间节点负载预测模型。
10.根据权利要求6所述的一种基于电力物联网的智慧用电***,其特征在于,所述预测和分配模块包括:
第二时间确定模块:根据气象信息,获取预测时间段的第二时间分组;
第三时间确定模块:根据工作日和休息日获取预测时间段的第三时间分组;
第四时间确定模块:根据波峰波谷获取预测时间段的第四时间分组;
模型选择模块:根据第四时间分组,选择对应的预测模型;
负载分配模块:按照第一区域优先原则,结合对应的第一区域预测模型,进行第一负载分配;将第一负载分配的结果按照第二区域进行第二负载分配;将第二负载分配的结果按照第二子区域进行第三负载分配;将第三负载分配的结果按照建筑物进行第四负载分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311286227.2A CN117036104B (zh) | 2023-10-08 | 2023-10-08 | 一种基于电力物联网的智慧用电方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311286227.2A CN117036104B (zh) | 2023-10-08 | 2023-10-08 | 一种基于电力物联网的智慧用电方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117036104A true CN117036104A (zh) | 2023-11-10 |
CN117036104B CN117036104B (zh) | 2024-01-09 |
Family
ID=88641410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311286227.2A Active CN117036104B (zh) | 2023-10-08 | 2023-10-08 | 一种基于电力物联网的智慧用电方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036104B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236530A (zh) * | 2023-11-16 | 2023-12-15 | 国网湖北省电力有限公司 | 基于4g/5g短共享电力无线通信的电力用能优化方法 |
CN117424231A (zh) * | 2023-12-14 | 2024-01-19 | 深圳市华星数字有限公司 | 一种节能配电控制***及方法 |
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*** |
CN117788046A (zh) * | 2024-01-25 | 2024-03-29 | 广东美电国创科技有限公司 | 基于物联网的用电监测预警方法及装置 |
CN117891859A (zh) * | 2024-03-15 | 2024-04-16 | 山东盛途互联网科技有限公司 | 一种用于工业物联网的数据处理方法及*** |
CN117934202A (zh) * | 2023-12-22 | 2024-04-26 | 斗桑杰 | 一种虚拟电厂调度封装模型的构建方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150058061A1 (en) * | 2013-08-26 | 2015-02-26 | Magdy Salama | Zonal energy management and optimization systems for smart grids applications |
CN109508835A (zh) * | 2019-01-01 | 2019-03-22 | 中南大学 | 一种融合环境反馈的智慧电网短期电力负荷预测方法 |
CN114285034A (zh) * | 2021-12-31 | 2022-04-05 | 国网浙江省电力有限公司电力科学研究院 | 一种考虑受电及新能源波动的日前调控优化方法及*** |
CN116073372A (zh) * | 2023-02-01 | 2023-05-05 | 江苏杰拉尔智能科技有限公司 | 一种基于智慧用电的安全监控管理***及方法 |
CN116646933A (zh) * | 2023-07-24 | 2023-08-25 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及*** |
-
2023
- 2023-10-08 CN CN202311286227.2A patent/CN117036104B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150058061A1 (en) * | 2013-08-26 | 2015-02-26 | Magdy Salama | Zonal energy management and optimization systems for smart grids applications |
CN109508835A (zh) * | 2019-01-01 | 2019-03-22 | 中南大学 | 一种融合环境反馈的智慧电网短期电力负荷预测方法 |
CN114285034A (zh) * | 2021-12-31 | 2022-04-05 | 国网浙江省电力有限公司电力科学研究院 | 一种考虑受电及新能源波动的日前调控优化方法及*** |
CN116073372A (zh) * | 2023-02-01 | 2023-05-05 | 江苏杰拉尔智能科技有限公司 | 一种基于智慧用电的安全监控管理***及方法 |
CN116646933A (zh) * | 2023-07-24 | 2023-08-25 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及*** |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236530A (zh) * | 2023-11-16 | 2023-12-15 | 国网湖北省电力有限公司 | 基于4g/5g短共享电力无线通信的电力用能优化方法 |
CN117236530B (zh) * | 2023-11-16 | 2024-02-09 | 国网湖北省电力有限公司 | 基于4g/5g短共享电力无线通信的电力用能优化方法 |
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*** |
CN117424231A (zh) * | 2023-12-14 | 2024-01-19 | 深圳市华星数字有限公司 | 一种节能配电控制***及方法 |
CN117424231B (zh) * | 2023-12-14 | 2024-03-15 | 深圳市华星数字有限公司 | 一种节能配电控制***及方法 |
CN117934202A (zh) * | 2023-12-22 | 2024-04-26 | 斗桑杰 | 一种虚拟电厂调度封装模型的构建方法 |
CN117788046A (zh) * | 2024-01-25 | 2024-03-29 | 广东美电国创科技有限公司 | 基于物联网的用电监测预警方法及装置 |
CN117891859A (zh) * | 2024-03-15 | 2024-04-16 | 山东盛途互联网科技有限公司 | 一种用于工业物联网的数据处理方法及*** |
CN117891859B (zh) * | 2024-03-15 | 2024-05-28 | 山东盛途互联网科技有限公司 | 一种用于工业物联网的数据处理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117036104B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117036104B (zh) | 一种基于电力物联网的智慧用电方法和*** | |
CN116646933B (zh) | 一种基于大数据的电力负荷调度方法及*** | |
CN116865258B (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
CN109461091B (zh) | 考虑光伏和冷负荷相关性的用电负荷计算方法及信息*** | |
CN116683500B (zh) | 一种电化学储能电站有功功率调度方法和*** | |
WO2013169903A1 (en) | Methods and systems for managing distributed energy resources | |
CN116937575A (zh) | 一种网格***用的能源监控管理*** | |
CN109327049B (zh) | 一种多元化供用能***及其多元化供用能方法 | |
CN112508306A (zh) | 一种电力生产配置的自适应方法及*** | |
CN108346009B (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析*** | |
CN117439101B (zh) | 一种用于电网中新能源与柔性负荷互动的智能网络 | |
CN116633016B (zh) | 一种基于高频数据采集技术的电力管理***和方法 | |
CN117114290A (zh) | 一种源网储综合能源互动优化***及方法 | |
CN111968008A (zh) | 基于多能协作的综合能源监控***及方法 | |
CN111144628A (zh) | 一种分布式供能的冷热电负荷预测模型***及方法 | |
CN117175695B (zh) | 一种基于柴油发电机组的光伏微网发电方法及*** | |
CN117955094B (zh) | 一种电力负荷的预测方法和*** | |
CN117422254B (zh) | 智慧园区的信息处理方法、装置、设备及存储介质 | |
CN117249537B (zh) | 一种基于中央空调的虚拟电厂调度与控制***及方法 | |
CN118094262B (zh) | 一种基于空间聚类的负荷异常值检测方法 | |
CN118213998B (zh) | 一种新能源电站集中区域智能管控方法及*** | |
CN117498348B (zh) | 一种综合能源***运行优化调度方法 | |
CN117951555B (zh) | 一种用于负控安装测试装置的策略制定方法 | |
CN117977589B (zh) | 一种融合电网智能化终端管理***及方法 |
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 |