开云优惠体育网页版入口

专利名称：基于负荷数据分析的电力市场电能协调优化方法及系统

专利类型：实用新型专利

专利申请号：CN202310147490.7

专利申请（专利权）人：南方电网调峰调频发电有限公司鲁布革水力发电厂
权利人地址：云南省曲靖市罗平县鲁布革乡乃格村

专利发明（设计）人：许兴贵,刘金洪,李刚,唐荣和,缪祥富,段宇,张宗训

专利摘要：本申请涉及一种基于负荷数据分析的电力市场电能协调优化方法及系统，够根据用电主体/群体在电力市场中的用电属性等因素，对其各个用电群体的电能负荷分配作出均衡性的电能分配、协调。对用电主体/群体在用电属性等因素的负荷数据上，通过一种负荷率参照模型，为不同群体的用户提供非基于时间段的用电负荷划分规划，而是根据用电群体的属性进行电能负荷规划，让电能供应与企业生产/生活相对应，使得电力市场电能协调优化，保证电力市场电能的有序供应。

主权利要求：
1.基于负荷数据分析的电力市场电能协调优化方法，其特征在于，包括如下步骤：采集历史负荷数据并进行预处理，得到电力市场中各个用电主体的电网负荷率数据；
获取各个用电主体在电力市场中的用电特征，包括：根据用电属性，建立用电主体的分类规则；按照所述分类规则，对电力市场中的用电主体进行属性分类，得到不同属性下的各个用电群体；采集各个用电群体的日负荷率信息，计算并得到所述日负荷率信息中的峰值特征信息；将所述峰值特征信息作为所述用电群体在电力市场中的用电特征，并建立起各个用电群体与对应的所述峰值特征信息之间的映射关系；
将各个用电主体的所述用电特征标记在所述电网负荷率数据中对应的时间段上，得到各个用电主体的负荷率特征数据，包括：获取各个用电群体的所述峰值特征信息；根据各个用电主体在电力市场中的历史平均负荷数据的从高到低的排序，依次有序排列各个用电群体的所述峰值特征信息；将有序排列的各个用电群体的所述峰值特征信息标记在预设的时间轴上，得到在时间轴下的各个用电群体的负荷率特征数据；
以所述负荷率特征数据作为训练参数，基于深度学习的方式进行模型训练，得到负荷率参照模型，将所述负荷率参照模型部署于后台服务器，包括：基于深度学习的方式，预置负荷数据的训练网络；获取在时间轴下有序排列的各个用电群体的负荷率特征数据，将所述负荷率特征数据输入预置的训练网络中，进行模型训练；按照设置的迭代轮次进行优化训练，最终得到一个能够识别不同用电群体的负荷率参照模型并将所述负荷率参照模型部署于后台服务器；其中，将所述负荷率特征数据输入预置的训练网络中，训练输入时的方式包括：依次将各个属性的用电群体的负荷率特征数据，按照时间段逐一输入，对各个用电群体的属性以及相对应的负荷率特征数据中的峰值特征进行识别，多次轮询；
基于所述负荷率参照模型所提供的负荷率参数，协调各个用电主体在电力市场中的电能供应；
在得到负荷率参照模型之后，还包括：
采用阶梯式更新的方式，获取各个用电群体在新一轮时间段中的历史负荷数据；基于所述负荷率特征数据的获取方式，得到各个用电群体在新一轮时间段中的所述负荷率特征数据；以各个用电群体在新一轮时间段中的所述负荷率特征数据，作为新的训练参数进行模型更新训练，得到新的负荷率参照模型。
2.根据权利要求1所述的基于负荷数据分析的电力市场电能协调优化方法，其特征在于，采集历史负荷数据并进行预处理，得到电力市场中各个用电主体的电网负荷率数据，包括：获取各个用电主体在电力市场中的历史负荷数据；
对所述历史负荷数据进行解析，得到解析数据，并根据所述解析数据建立以日为单位的日负荷率；
根据各个用电主体在电力市场中的历史负荷数据，计算得到各个用电主体的历史平均负荷数据，并按照从高到低进行排序；
按照排列的所述历史平均负荷数据，依次将各个用电主体的日负荷率写入负荷表单，得到各个用电主体在电力市场中的电网负荷率数据并上传保存至后台服务器。
3.根据权利要求1所述的基于负荷数据分析的电力市场电能协调优化方法，其特征在于，基于所述负荷率参照模型所提供的负荷率参数，协调各个用电主体在电力市场中的电能供应，包括：登录后台服务器；
输入当前用电主体的用户信息，并从用户信息中得到当前用电主体的属性信息，判断当前用电主体所属的用电群体；
利用所述负荷率参照模型，识别当前用电主体所属的用电群体，并基于各个用电群体与对应的所述峰值特征信息之间的映射关系，输出当前用电主体所属的用电群体所对应的所述峰值特征信息；
根据所述峰值特征信息得到当前用电群体的负荷率参数，并发送至前端，作为前端协调各个用电主体在电力市场中的电能供应的参考。
4.实现权利要求1?3中任一项所述的基于负荷数据分析的电力市场电能协调优化方法的系统，其特征在于，包括：历史负荷采集模块，用于采集历史负荷数据并进行预处理，得到电力市场中各个用电主体的电网负荷率数据；
负荷特征标记模块，用于获取各个用电主体在电力市场中的用电特征，并将各个用电主体的所述用电特征标记在所述电网负荷率数据中对应的时间段上，得到各个用电主体的负荷率特征数据；
负荷率参照模型生成模块，用于以所述负荷率特征数据作为训练参数，基于深度学习的方式进行模型训练，得到负荷率参照模型，将所述负荷率参照模型部署于后台服务器；
负荷参照模块，用于基于所述负荷率参照模型所提供的负荷率参数，协调各个用电主体在电力市场中的电能供应。
5.电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现权利要求1至3中任意一项所述的基于负荷数据分析的电力市场电能协调优化方法。 说明书 : 基于负荷数据分析的电力市场电能协调优化方法及系统技术领域[0001] 本公开涉及电网信息技术领域，尤其涉及一种基于负荷数据分析的电力市场电能协调优化方法及系统。背景技术[0002] 电力负荷，即指的是电能用户的用电设备在某一时刻向电力系统取用的电功率的总和，称为用电负荷。根据电力用户的不同负荷特征，电力负荷可区分为各种工业负荷、农业负荷、交通运输业负荷和人民生活用电负荷等。[0003] 在现有电网的应用市场中，各个地区的电力市场电能的负荷数据，可以反映出各地的用电能耗以及不同时间区段的用电负荷占比。负荷数据中，关于时间和电网负荷率的数据图表等，可以实时反映出某个时间段/时间点的某个城市或者某个个体的用电参数，直观获知电力市场的用电主体的经营等数据。[0004] 在现有的电力市场中，供电方为了协调供电，公平为各个供电目标进行供电，将参照以往各个供电目标(城市/企业/个体等)的耗电情况进行电能协调调度，避免供电过剩或者不足，引起电力市场失衡而带来的负面影响。[0005] 而在传统的电能协调操作中，供电方仅仅依靠用电对象在以往某个时间段的电力负荷来作为参照，以该参照的电力负荷作为标准，为今年的用电对象作出大致平衡的电能供应方案。然而，这种电能供应方案的设计，较为片面，不能够基于各个用电对象/城市电力市场特色/用电区域特色等，作出对应的区别性供电方案。比如一些用电大户，根据其经营时间进行用电数据的调整；比如一些城市将因为其城市特色(比如东北的冬季电力供应)需要及时调整不同时间段的电能协调比例。[0006] 因此，为了综合根据电力市场的因素进行匹配性电能协调，则需要根据电力市场的因素而决定各个用电对象的电能分配、协调，对各个用电对象的负荷配置作出均衡性的规划。发明内容[0007] 为了解决上述问题，本申请提出一种基于负荷数据分析的电力市场电能协调优化方法及系统和电子设备。[0008] 本申请一方面，提出一种基于负荷数据分析的电力市场电能协调优化方法，包括如下步骤：[0009] 采集历史负荷数据并进行预处理，得到电力市场中各个用电主体的电网负荷率数据；[0010] 获取各个用电主体在电力市场中的用电特征，并将各个用电主体的所述用电特征标记在所述电网负荷率数据中对应的时间段上，得到各个用电主体的负荷率特征数据；[0011] 以所述负荷率特征数据作为训练参数，基于深度学习的方式进行模型训练，得到负荷率参照模型，将所述负荷率参照模型部署于后台服务器；[0012] 基于所述负荷率参照模型所提供的负荷率参数，协调各个用电主体在电力市场中的电能供应。[0013] 作为本申请的一可选实施方案，可选地，采集历史负荷数据并进行预处理，得到电力市场中各个用电主体的电网负荷率数据，包括：[0014] 获取各个用电主体在电力市场中的历史负荷数据；[0015] 对所述历史负荷数据进行解析，得到解析数据，并根据所述解析数据建立以日为单位的日负荷率；[0016] 根据各个用电主体在电力市场中的历史负荷数据，计算得到各个用电主体的历史平均负荷数据，并按照从高到低进行排序；[0017] 按照排列的所述历史平均负荷数据，依次将各个用电主体的日负荷率写入负荷表单，得到各个用电主体在电力市场中的电网负荷率数据并上传保存至后台服务器。[0018] 作为本申请的一可选实施方案，可选地，获取各个用电主体在电力市场中的用电特征，包括：[0019] 根据用电属性，建立用电主体的分类规则；[0020] 按照所述分类规则，对电力市场中的用电主体进行属性分类，得到不同属性下的各个用电群体；[0021] 采集各个用电群体的日负荷率信息，计算并得到所述日负荷率信息中的峰值特征信息；[0022] 将所述峰值特征信息作为所述用电群体在电力市场中的用电特征，并建立起各个用电群体与对应的所述峰值特征信息之间的映射关系。[0023] 作为本申请的一可选实施方案，可选地，获取各个用电主体在电力市场中的用电特征，并将各个用电主体的所述用电特征标记在所述电网负荷率数据中对应的时间段上，得到各个用电主体的负荷率特征数据，包括：[0024] 获取各个用电群体的所述峰值特征信息；[0025] 根据各个用电主体在电力市场中的历史平均负荷数据的从高到低的排序，依次有序排列各个用电群体的所述峰值特征信息；[0026] 将有序排列的各个用电群体的所述峰值特征信息标记在预设的时间轴上，得到在时间轴下的各个用电群体的负荷率特征数据。[0027] 作为本申请的一可选实施方案，可选地，以所述负荷率特征数据作为训练参数，基于深度学习的方式进行模型训练，得到负荷率参照模型，将所述负荷率参照模型部署于后台服务器，包括：[0028] 基于深度学习的方式，预置负荷数据的训练网络；[0029] 获取在时间轴下有序排列的各个用电群体的负荷率特征数据，将所述负荷率特征数据输入预置的训练网络中，进行模型训练；[0030] 按照设置的迭代轮次进行优化训练，最终得到一个能够识别不同用电群体的负荷率参照模型并将所述负荷率参照模型部署于后台服务器。[0031] 作为本申请的一可选实施方案，可选地，在得到负荷率参照模型之后，还包括：[0032] 采用阶梯式更新的方式，获取各个用电群体在新一轮时间段中的历史负荷数据；[0033] 基于所述负荷率特征数据的获取方式，得到各个用电群体在新一轮时间段中的所述负荷率特征数据；[0034] 以各个用电群体在新一轮时间段中的所述负荷率特征数据，作为新的训练参数进行模型更新训练，得到新的负荷率参照模型。[0035] 作为本申请的一可选实施方案，可选地，基于所述负荷率参照模型所提供的负荷率参数，协调各个用电主体在电力市场中的电能供应，包括：[0036] 登录后台服务器；[0037] 输入当前用电主体的用户信息，并从用户信息中得到当前用电主体的属性信息，判断当前用电主体所属的用电群体；[0038] 利用所述负荷率参照模型，识别当前用电主体所属的用电群体，并基于各个用电群体与对应的所述峰值特征信息之间的映射关系，输出当前用电主体所属的用电群体所对应的所述峰值特征信息；[0039] 根据所述峰值特征信息得到当前用电群体的负荷率参数，并发送至前端，作为前端协调各个用电主体在电力市场中的电能供应的参考。[0040] 本申请另一方面，提出一种实现所述的基于负荷数据分析的电力市场电能协调优化方法的系统，包括：[0041] 历史负荷采集模块，用于采集历史负荷数据并进行预处理，得到电力市场中各个用电主体的电网负荷率数据；[0042] 负荷特征标记模块，用于获取各个用电主体在电力市场中的用电特征，并将各个用电主体的所述用电特征标记在所述电网负荷率数据中对应的时间段上，得到各个用电主体的负荷率特征数据；[0043] 负荷率参照模型生成模块，用于以所述负荷率特征数据作为训练参数，基于深度学习的方式进行模型训练，得到负荷率参照模型，将所述负荷率参照模型部署于后台服务器；[0044] 负荷参照模块，用于基于所述负荷率参照模型所提供的负荷率参数，协调各个用电主体在电力市场中的电能供应。[0045] 本申请另一方面，还提出一种电子设备，包括：[0046] 处理器；[0047] 用于存储处理器可执行指令的存储器；[0048] 其中，所述处理器被配置为执行所述可执行指令时实现所述的基于负荷数据分析的电力市场电能协调优化方法。[0049] 本发明的技术效果：[0050] 本申请通过采集历史负荷数据并进行预处理，得到电力市场中各个用电主体的电网负荷率数据；获取各个用电主体在电力市场中的用电特征，并将各个用电主体的所述用电特征标记在所述电网负荷率数据中对应的时间段上，得到各个用电主体的负荷率特征数据；以所述负荷率特征数据作为训练参数，基于深度学习的方式进行模型训练，得到负荷率参照模型，将所述负荷率参照模型部署于后台服务器；基于所述负荷率参照模型所提供的负荷率参数，协调各个用电主体在电力市场中的电能供应。能够根据用电主体/群体在电力市场中的用电属性等因素，对其各个用电群体的电能负荷分配作出均衡性的电能分配、协调。对用电主体/群体在用电属性等因素的负荷数据上，通过一种负荷率参照模型，为不同群体的用户提供非基于时间段的用电负荷划分规划，而是根据用电群体的属性进行电能负荷规划，让电能供应与企业生产/生活相对应，使得电力市场电能协调优化，保证电力市场电能的有序供应。[0051] 根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。附图说明[0052] 包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。[0053] 图1示出为本发明基于负荷数据分析的电力市场电能协调优化方法的实施流程示意图；[0054] 图2示出为本发明在时间轴上的日负荷率展现示意图；[0055] 图3示出为本发明进行卷积学习的模型训练示意图；[0056] 图4示出为本发明采用新一轮数据进行卷积学习的模型训练示意图；[0057] 图5示出为本发明系统的组成示意图；[0058] 图6示出为本发明电子设备的组成示意图。具体实施方式[0059] 以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。[0060] 在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。[0061] 另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。[0062] 本实施例，涉及到电网负荷数据的计算，以及电网负荷信息的采集获。梢圆握展业缤峁┑牡缤汉尚畔⒔屑扑，也可以参照当前电网公司所提供的电能分配和负荷数据作为基础进行计算。[0063] 实施例1[0064] 本方案需要利用用户群体的历史用电负荷数据进行数据采集，经过用户群体的用电负荷特征标记后，采用深度学习方式对用电群体的负荷特征数据进行模型训练，以此得到一个可以识别不同用户群体的负荷参照模型，应用该模型后，可以对不同属性的用户群体自动识别并输出对应的负荷率参照信息，供电主体即可以此为参照对各个时间段的用电群体作出匹配性的电能功能协调方案。[0065] 本实施例，采用深度学习方式进行模型训练的方案，优选神经网络的训练框架，具体的模型训练过程，采用现有的神经网络训练框架即可，本实施例不作限定。[0066] 如图1所示，本申请一方面，提出一种基于负荷数据分析的电力市场电能协调优化方法，包括如下步骤：[0067] S1、采集历史负荷数据并进行预处理，得到电力市场中各个用电主体的电网负荷率数据；[0068] 电力市场中各个用电主体的用电信息，可以通过国家电网所提供的电网信息进行获。部梢圆握盏钡氐缤舅峁┑牡缒/负荷数据作为用电信息进行获取。[0069] 获取对应的用电信息后，即可经过负荷计算，得到不同用户群体的电网负荷率数据。[0070] 作为本申请的一可选实施方案，可选地，采集历史负荷数据并进行预处理，得到电力市场中各个用电主体的电网负荷率数据，包括：[0071] 获取各个用电主体在电力市场中的历史负荷数据；[0072] 对所述历史负荷数据进行解析，得到解析数据，并根据所述解析数据建立以日为单位的日负荷率；[0073] 根据各个用电主体在电力市场中的历史负荷数据，计算得到各个用电主体的历史平均负荷数据，并按照从高到低进行排序；[0074] 按照排列的所述历史平均负荷数据，依次将各个用电主体的日负荷率写入负荷表单，得到各个用电主体在电力市场中的电网负荷率数据并上传保存至后台服务器。[0075] 历史负荷数据，即各个用电主体在电力市场中的以往一个时间段的用电负荷数据，比如A用户在去年12个月份的各个月份用电负荷数据。[0076] 本处的各个主体，实际上是按照单位/区域进行划分的，比如一个镇上的用电企业和用电个体户等。本处可以对任何一个用电对象皆适用，比如开云优惠体育网页版入口的用电用户，仅仅是技术的实施范围不同，但依旧可以参照本方案进行实施。[0077] 本实施例，负荷率可以采用年负荷率、月负荷率以及日负荷率等方式进行展现。[0078] 如图2所示，但本实施例优先采用日负荷率进行负荷率展现并实施。当获取到某个用电主体的历史负荷数据，对其历史负荷数据进行数据解析(文本解析或者数字解析，方式不限)，可以得到用户基本信息、用电时间、用电度数等基础数据，从中可以可以按照时间轴建立该用户的以日为单位的日负荷率图表，便于了解该用户的历史负荷信息(用电信息)。[0079] 在时间轴上，不同用电主体在电力市场中的历史负荷数据，有高有低，因此可以计算得到当前时间周期内，各个用电主体的历史平均负荷数据，并按照从高到低进行排序。[0080] 根据各个用电主体在电力市场中的历史负荷数据，计算得到各个用电主体的历史平均负荷数据，并按照从高到低进行排序。[0081] 为了有序对数据进行划分，可以采用一个负荷表单，按照高低顺序排列的所述历史平均负荷数据，依次将各个用电主体的日负荷率写入负荷表单，得到各个用电主体在电力市场中的电网负荷率数据并上传保存至后台服务器。[0082] 后台服务器可以部署在电网公司信息中心，便于及时进行电能调度。[0083] S2、获取各个用电主体在电力市场中的用电特征，并将各个用电主体的所述用电特征标记在所述电网负荷率数据中对应的时间段上，得到各个用电主体的负荷率特征数据；[0084] 结合附图2所示，用电负荷，在不同的时间段以及不同的时间点，呈现出不同的负荷峰值。按理来说，不同用电主体在电力市场中的用电负荷峰值，应当不一样，但是对于具有同样市场属性的用电主体来说，则他们在电力市场中的用电负荷峰值具有相似性或者相同性。[0085] 因此，为了避免对所有用电主体一对一的输出负荷参照，本实施例对电力市场中的用电主体进行属性划分，统一采集并计算各个属性下的用户群体的用电负荷峰值。[0086] 作为本申请的一可选实施方案，可选地，获取各个用电主体在电力市场中的用电特征，包括：[0087] 根据用电属性，建立用电主体的分类规则；[0088] 按照所述分类规则，对电力市场中的用电主体进行属性分类，得到不同属性下的各个用电群体；[0089] 采集各个用电群体的日负荷率信息，计算并得到所述日负荷率信息中的峰值特征信息；[0090] 将所述峰值特征信息作为所述用电群体在电力市场中的用电特征，并建立起各个用电群体与对应的所述峰值特征信息之间的映射关系。[0091] 比如用电大户的化工生产企业A、企业B......企业F等，皆为工业生产这种属性的用电主体，因此将这些工业生产的企业，按照工业生产这种属性划分为一个群体。这样，可以利用群体的相同数据进行日负荷率信息计算，降低各个用电主体的日负荷率信息计算量，为后台降低工作压力，节省软/硬件消耗。[0092] 对于某一个用电群体，参照一个基本的负荷曲线图即可。在负荷曲线图中，某个时间点/时间段所对应的负荷峰值(峰值特征信息)，将作为该用电群体的电能分配参照。[0093] 作为本申请的一可选实施方案，可选地，获取各个用电主体在电力市场中的用电特征，并将各个用电主体的所述用电特征标记在所述电网负荷率数据中对应的时间段上，得到各个用电主体的负荷率特征数据，包括：[0094] 获取各个用电群体的所述峰值特征信息；[0095] 根据各个用电主体在电力市场中的历史平均负荷数据的从高到低的排序，依次有序排列各个用电群体的所述峰值特征信息；[0096] 将有序排列的各个用电群体的所述峰值特征信息标记在预设的时间轴上，得到在时间轴下的各个用电群体的负荷率特征数据。[0097] 前期已经按照各个用电主体的历史平均负荷数据，从高到低进行排序，有序写入了一个负荷表单。因此，本处各个用电群体的所述峰值特征信息依旧参照上述排序方式写入负荷表单。在服务器读取得到负荷表单后，将读取的有序排列的各个用电群体的所述峰值特征信息写入预设的时间轴上，得到在时间轴下的各个用电群体的负荷率特征数据。[0098] 如附图2所示的用电群体A和用电群体B，在一个时间轴上，可以显示出不同时间点处的峰值特征信息。当本月需要对下一个月的用电群体A的电能负荷进行协调规划时，可以通过本模型参观用电群体A在下一个月的用电负荷峰值特征信息，提前作出用电群体A在当期用电群体中的用电负荷配置。[0099] 不同用电群体的峰值特征信息不同(时间轴上标示)，每一属性的用电群体在同一时间轴上的特征标记数据，作为一类负荷率特征数据，便于后续模型训练时，对各个属性的用电群体分别进行识别和学习。[0100] S3、以所述负荷率特征数据作为训练参数，基于深度学习的方式进行模型训练，得到负荷率参照模型，将所述负荷率参照模型部署于后台服务器；[0101] 各个属性的用电群体的负荷率特征数据不同，但是某一种的负荷率特征数据，代表的是一个属性的用电群体。因此，利用模型对不同属性的用电群体进行识别，并“记住”各个用电群体在时间轴上不同时间点的峰值特征信息。[0102] 作为本申请的一可选实施方案，可选地，以所述负荷率特征数据作为训练参数，基于深度学习的方式进行模型训练，得到负荷率参照模型，将所述负荷率参照模型部署于后台服务器，包括：[0103] 基于深度学习的方式，预置负荷数据的训练网络；[0104] 获取在时间轴下有序排列的各个用电群体的负荷率特征数据，将所述负荷率特征数据输入预置的训练网络中，进行模型训练；[0105] 按照设置的迭代轮次进行优化训练，最终得到一个能够识别不同用电群体的负荷率参照模型并将所述负荷率参照模型部署于后台服务器。[0106] 如图3所示，本实施例采用卷积神经CNN训练网络，作为对负荷率特征数据的训练网络。卷积神经CNN训练网络为深度学习网络中一种模型训练方式，能够对不同的图文以及信息文本等进行特征识别。[0107] 本实施例，有关卷积神经CNN训练网络的具体结构以及训练过程，本实施例不作赘述。[0108] 作为卷积神经CNN训练网络的输入，采用本实施例的各个属性的用电群体的负荷率特征数据。训练输入时的方式有两种：[0109] 一是依次将各个属性的用电群体的负荷率特征数据，按照时间段逐一输入，对各个用电群体的属性以及相对应的负荷率特征数据中的峰值特征进行识别，多次轮询；[0110] 二是单独按照顺序对单个属性的用电群体的负荷率特征数据，一次性输入进行识别，对当前属性的用电群体的属性以及相对应的负荷率特征数据中的峰值特征进行识别后，进行保存；保存后对下一个用电群体的属性以及相对应的负荷率特征数据中的峰值特征继续进行识别。[0111] 本实施例优选第一种方式。用电群体A、B...的负荷率特征数据依次输入卷积神经CNN训练网络，神经网络对不同属性的用电群体的属性以及相对应的负荷率特征数据中的峰值特征进行识别，记住各用电群体的属性以及相对应的负荷率特征数据中的峰值特征；按照设定的轮次条件进行迭代轮询学习，达到轮次条件后结束训练。[0112] 此时作为卷积神经CNN的输出端，将输出卷积神经CNN模型对各个用电群体的属性以及相对应峰值特征的识别参数。按照此识别参数生成得到负荷率参照模型，可以用于不同属性的用电群体的属性以及相对应的负荷率特征数据中的峰值特征的识别。[0113] 但是需要该模型匹配性部署在电网机构的服务器上，经过参数和性能等调节，才能用于实际使用。具体将模型部署服务器上的配置过程，本实施例不作赘述。[0114] 作为本申请的一可选实施方案，可选地，在得到负荷率参照模型之后，还包括：[0115] 采用阶梯式更新的方式，获取各个用电群体在新一轮时间段中的历史负荷数据；[0116] 基于所述负荷率特征数据的获取方式，得到各个用电群体在新一轮时间段中的所述负荷率特征数据；[0117] 以各个用电群体在新一轮时间段中的所述负荷率特征数据，作为新的训练参数进行模型更新训练，得到新的负荷率参照模型。[0118] 识别性能需要及时更新，避免对新电能负荷数据的协调不及时。神经网络对不同属性的用电群体的属性以及相对应的负荷率特征数据中的峰值特征进行识别后，比如电力市场发展过快，其模型识别参数将滞后。因此有必要重新调整模型的识别输入参数。[0119] 如图4所示，依旧还是采用上述的模型训练过程，但是此时的负荷率特征数据为新一阶段的数据，需要采集新一时间阶段的历史负荷数据，来计算并获取新一轮时间段中的所述负荷率特征数据。重新按照最新的深度学习方式进行模型训练，以适应电力市场的发展规律。[0120] 新的负荷率参照模型，将提高其模型识别率，可以结合实际中的模型指导精度来反馈调整模型框架等。[0121] 本实施例，采用阶梯式更新的方式，比如采用等比数列的时间年限进行更新，当前模型应用2年后进行更新，新模型应用4年后再次更新等。[0122] S4、基于所述负荷率参照模型所提供的负荷率参数，协调各个用电主体在电力市场中的电能供应。[0123] 电网机构在其后台服务器部署上述负荷率参照模型后，可以对电力市场的不同属性的用电群体，提前根据模型输出的后一时间段的该用户群体的峰值特征信息，提前作出电能协调部署。[0124] 作为本申请的一可选实施方案，可选地，基于所述负荷率参照模型所提供的负荷率参数，协调各个用电主体在电力市场中的电能供应，包括：[0125] 登录后台服务器；[0126] 输入当前用电主体的用户信息，并从用户信息中得到当前用电主体的属性信息，判断当前用电主体所属的用电群体；[0127] 利用所述负荷率参照模型，识别当前用电主体所属的用电群体，并基于各个用电群体与对应的所述峰值特征信息之间的映射关系，输出当前用电主体所属的用电群体所对应的所述峰值特征信息；[0128] 根据所述峰值特征信息得到当前用电群体的负荷率参数，并发送至前端，作为前端协调各个用电主体在电力市场中的电能供应的参考。[0129] 各个用电群体与对应的所述峰值特征信息之间的映射关系，在建立模型时，在表格中已经将用电群体和对应的峰值特征值在表格上映射关联，因此各个用电群体与对应的所述峰值特征信息之间的映射关系，模型已经识别并配置好，在电网工作人员查看比如用电群体A的下一个月的电能负荷预估峰值时，将某个用电主体a(比如属于当地的工业用电群体A)的信息输入模型，模型即可分析出该用户a属于工业用电群体A，则将以往用电群体A在下一个月的电能负荷预估峰值输出并展示给电网工作人员，便于提前判断是否为该用户a进行电能负荷规划。[0130] 因此，本申请通过负荷参照模型对不同属性的用户群体自动识别并输出对应的负荷率参照信息，供电主体即可以此为参照对各个时间段的用电群体作出匹配性的电能功能协调方案，快速知道用电主体的用电预估负荷，提前为当地用电用户进行电能负荷规划，避免当前时间段不同属性的用电群体出现用电紧张而电能负荷规划不到位的情况发生，造成不必要的工业生产损失。[0131] 需要说明的是，尽管以作为示例介绍了如上，但本领域技术人员能够理解，本公开应不限于此。事实上，用户完全可根据实际应用场景灵活设定，只要可以按照上述技术方法实现本申请的技术功能即可。[0132] 显然，本领域的技术人员应该明白，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的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各控制方法的实施例的流程。本领域技术人员可以理解，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的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各控制方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read?OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive，缩写：HDD)或固态硬盘(Solid?StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。[0133] 实施例2[0134] 如图5所示，基于实施例1的实施原理，本申请另一方面，提出一种实现所述的基于负荷数据分析的电力市场电能协调优化方法的系统，包括：[0135] 历史负荷采集模块，用于采集历史负荷数据并进行预处理，得到电力市场中各个用电主体的电网负荷率数据；[0136] 负荷特征标记模块，用于获取各个用电主体在电力市场中的用电特征，并将各个用电主体的所述用电特征标记在所述电网负荷率数据中对应的时间段上，得到各个用电主体的负荷率特征数据；[0137] 负荷率参照模型生成模块，用于以所述负荷率特征数据作为训练参数，基于深度学习的方式进行模型训练，得到负荷率参照模型，将所述负荷率参照模型部署于后台服务器；[0138] 负荷参照模块，用于基于所述负荷率参照模型所提供的负荷率参数，协调各个用电主体在电力市场中的电能供应。[0139] 上述各个模块的功能和交互应用方式具体参见实施例1的描述。[0140] 上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。[0141] 实施例3[0142] 如图6所示，更进一步地，本申请另一方面，还提出一种电子设备，包括：[0143] 处理器；[0144] 用于存储处理器可执行指令的存储器；[0145] 其中，所述处理器被配置为执行所述可执行指令时实现所述的基于负荷数据分析的电力市场电能协调优化方法。[0146] 本公开实施例来电子设备包括处理器以及用于存储处理器可执行指令的存储器。其中，处理器被配置为执行可执行指令时实现前面任一所述的基于负荷数据分析的电力市场电能协调优化方法。[0147] 此处，应当指出的是，处理器的个数可以为一个或多个。同时，在本公开实施例的电子设备中，还可以包括输入装置和输出装置。其中，处理器、存储器、输入装置和输出装置之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。[0148] 存储器作为一计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本公开实施例的基于负荷数据分析的电力市场电能协调优化方法所对应的程序或模块。处理器通过运行存储在存储器中的软件程序或模块，从而执行电子设备的各种功能应用及数据处理。[0149] 输入装置可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置可以包括显示屏等显示设备。[0150] 以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

专利地区：云南

专利申请日期：2023-02-21

专利公开日期：2024-08-23

专利公告号：CN116029457B