包括负载估计模型的累计电力装置及其负载估计方法与流程

本发明涉及一种累计电力装置，更具体地涉及一种通过使用基于神经网络的负载估计模型来估计在购电方中运行的电力负载的方法以及使用其的累计电力装置。

背景技术：

1、为了检查测量通过安装在购电方中的累计电力装置向购电方提供的电量的累计电量，过去，抄表员必须访问每个购电方并检查安装在每个购电方中的累计电力装置，然而，最近，电力供应方远程检查累计电量的amr(automatic meter readings)和ami(advanced metering infrastructure)技术受到关注。

2、在上述情况下，电力供应方识别每个购电方中的每个负载，并根据每个识别的负载的运行分析电量变化，以便通过预测电力需求变化等来有效地使用电能。

3、如此，为了识别每个负载，必须以足够高的速度实时获取来自每个购电方的大量电力信息。

4、这样，为了从每个购电方实时获取大量信息，需要安装保证每个购电方有足够带宽(bandwidth，bw)的通信设备。

5、然而，在现实中，很难安装保证所有购电方有足够带宽的通信设备，因此电力供应方正在通过电力线通信(power line communication，plc)等提供有限带宽的通信方法从每个购电方中获取定期累计的电量信息。

6、然而，如果采用电力线通信方法，由于连接电力供应方的数据管理服务器和累计电力装置的通信网络的至少一些部分中的带宽非常窄，因此可以从累计电力装置传输到由电力供应方管理的数据管理服务器的信息量非常有限。

7、从而不能将可估计单个负载的大量的时序详细电力信息传输到数据管理服务器，将实时电量信息累计一定时间后得到的累积电量信息，即累计电力值，传输到数据管理服务器(meter data management server，mdms)。

8、据此，由于周期性地仅从累计电力装置获取累计电力值的电力供应方无法获得足够的时序详细电力信息，因此存在无法识别每个购电方中的每个负载的问题。

9、因此，需要一种能够解决所述问题的改进方案。

技术实现思路

1、技术问题

2、本发明的目的在于解决所有上述问题。

3、并且，本发明的另一目的在于在累计电力装置中基于神经网络识别负载。

4、另外，本发明的又一目的在于累计电力装置将累计电量信息和负载信息传输到电力供应方。

5、另外，本发明的再一目的在于支持电力供应方获取负载信息，而不管通信网络的带宽如何。

6、此外，本发明的再一目的还在于支持电力供应方使用负载信息准确地预测电力需求变化。

7、本发明的目的是通过以下技术方案实现的：

8、根据本发明的一个方面，提供一种包括基于神经网络的负载估计模型的累计电力装置估计负载的方法，其特征在于，包括：(a)所述累计电力装置通过按照预设的采样率对通过分电盘的引入线提供给购电方的电力进行采样，依次生成多个采样供电信息；(b)所述累计电力装置将多个所述采样供电信息依次输入到所述负载估计模型，使所述负载估计模型参考依次获取的多个所述采样供电信息中与第(t-k)时间点至第t时间点之间的时间段对应的第(t-k)采样供电信息至第t采样供电信息输出确定在所述第t时间点在所述购电方中正在运行的负载的负载信息；以及(c)所述累计电力装置支持(i)将累计通过所述引入线提供给所述购电方的电量获得的累计电量信息和所述负载信息传输到数据管理服务器，(ii)以使所述数据管理服务器使用所述累计电量信息和所述负载信息监控所述购电方的用电量信息，提供给所述购电方的所述电力的供应方和所述购电方中的至少一部分使用传输到所述数据管理服务器的所述负载信息，以用于控制所述电力的使用或管理。

9、在所述(b)的步骤中，所述累计电力装置将所述第(t-k)采样供电信息至所述第t采样供电信息输入到分别与所述第(t-k)时间点至所述第t时间点对应的所述负载估计模型的第1输入层至第(k+1)输入层，使所述负载估计模型(i)通过分别与所述第1输入层至所述第(k+1)输入层对应的第1隐藏层至第(k+1)隐藏层中的每一个，参考(i-1)从所述第1输入层至所述第(k+1)输入层获得的所述第(t-k)采样供电信息至所述第t采样供电信息中的每一个和(i-2)先前从各隐藏层获得的第(t-k)先前输入信息至第t先前输入信息中的每一个输出第(t-k)隐藏状态信息至第t隐藏状态信息，(ii)通过与所述第(k+1)隐藏层对应的输出层参考所述第t隐藏状态信息输出确定在所述第t时间点在所述购电方中正在运行的所述负载的所述负载信息。

10、在所述(a)的步骤之前，(a0)在负载估计模型学习装置训练学习用负载估计模型以生成所述学习用负载估计模型的优化参数的状态下，当从所述负载估计模型学习装置获得所述优化参数时，所述累计电力装置将所述负载估计模型的当前参数更新为所述优化参数。

11、在所述(a)的步骤之前，还包括：(a01)所述负载估计模型学习装置(1)将通过采样与学习用第(t-k)时间点至学习用第t时间点对应的电力图案采样来生成的学习用第1采样供电信息至学习用第(k+1)采样供电信息作为学习数据输入到所述学习用负载估计模型的学习用第1输入层至学习用第(k+1)输入层，(2)使所述学习用负载估计模型(i)通过分别与所述学习用第1输入层至所述学习用第(k+1)输入层对应的学习用第1隐藏层至学习用第(k+1)隐藏层中的每一个，参考(i-1)从所述学习用第1输入层至所述学习用第(k+1)输入层获得的所述学习用第1采样供电信息至所述学习用第(k+1)采样供电信息中的每一个和(i-2)先前从各学习用隐藏层获得的学习用第1先前输入信息至学习用第(k+1)先前输入信息中的每一个输出学习用第1隐藏状态信息至学习用第(k+1)隐藏状态信息，(ii)通过与所述学习用第(k+1)隐藏层对应的学习用输出层，参考所述学习用第(k+1)隐藏状态信息输出确定在所述学习用第t时间点在所述学习用购电方中正在运行的学习用负载的学习用负载信息，(3)参考所述学习用负载信息和与所述学习用负载信息对应的真实数据负载信息获得分类损失，通过反向传播所述分类损失学习所述学习用负载估计模型。

12、在所述(c)的步骤中，所述累计电力装置使用电力线通信方式将所述累计电量信息和所述负载信息传输到所述数据管理服务器。

13、所述累计电力装置将(i)包括与在所述购电方中正在运行的负载对应的有效电力信息、无效电力信息和采样时间点信息的所述累计电量信息和(ii)所述负载信息传输到所述数据管理服务器。

14、根据本发明的另一个方面，提供一种包括基于神经网络的负载估计模型的累计电力装置，其特征在于，包括：至少一个存储多个指令的存储器；和至少一个用于执行多个所述指令的处理器，所述处理器执行如下处理：(1)通过按照预设的采样率对通过分电盘的引入线提供给购电方的电力进行采样，依次生成多个采样供电信息；(2)将多个所述采样供电信息依次输入到所述负载估计模型，使所述负载估计模型参考依次获取的多个所述采样供电信息中与第(t-k)时间点至第t时间点之间的时间段对应的第(t-k)采样供电信息至第t采样供电信息，输出确定在所述第t时间点在所述购电方中正在运行的负载的负载信息；以及(3)将通过累计通过所述引入线提供给所述购电方的电量而获得的累计电量信息和所述负载信息传输到数据管理服务器，支持使所述数据管理服务器使用所述累计电量信息和所述负载信息监控所述购电方的用电量信息，提供给所述购电方的所述电力的供应方和所述购电方中的至少一些使用传输到所述数据管理服务器的所述负载信息，以便控制所述电力的使用或管理。

15、所述处理器，在所述(2)处理中，分别将所述第(t-k)采样供电信息至所述第t采样供电信息输入到分别与所述第(t-k)时间点至所述第t时间点对应的所述负载估计模型的第1输入层至第(k+1)输入层，使所述负载估计模型(i)通过分别与所述第1输入层至所述第(k+1)输入层对应的第1隐藏层至第(k+1)隐藏层中的每一个，参考(i-1)从所述第1输入层至所述第(k+1)输入层获得的所述第(t-k)采样供电信息至所述第t采样供电信息中的每一个和(i-2)分别从先前隐藏层获得的第(t-k)先前输入信息至第t先前输入信息中的每一个输出第(t-k)隐藏状态信息至第t隐藏状态信息，(ii)通过与所述第(k+1)隐藏层对应的输出层，参考所述第t隐藏状态信息输出确定在所述第t时间点在所述购电方中正在运行的所述负载的所述负载信息。

16、在所述(1)处理之前，所述处理器在负载估计模型学习装置训练学习用负载估计模型以生成所述学习用负载估计模型的优化参数的状态下，当从所述负载估计模型学习装置获得所述优化参数时，将所述负载估计模型的当前参数更新为所述优化参数。

17、在所述(1)处理之前，还执行如下处理：所述负载估计模型学习装置将通过对与学习用第(t-k)时间点至学习用第t时间点对应的电力图案进行采样来生成的学习用第1采样供电信息至学习用第(k+1)采样供电信息作为学习用数据输入到所述学习用负载估计模型的学习用第1输入层至学习用第(k+1)输入层，使所述学习用负载估计模型(i)通过分别与所述学习用第1输入层至所述学习用第(k+1)输入层对应的学习用第1隐藏层至学习用第(k+1)隐藏层中的每一个，参考(i-1)从所述学习用第1输入层至所述学习用第(k+1)输入层获得的所述学习用第1采样供电信息至所述学习用第(k+1)采样供电信息中的每一个和(i-2)分别从先前学习用隐藏层获得的学习用第1先前输入信息至学习用第(k+1)先前输入信息中的每一个输出学习用第1隐藏状态信息至学习用第(k+1)隐藏状态信息，(ii)通过与所述学习用第(k+1)隐藏层对应的学习用输出层，参考所述学习用第(k+1)隐藏状态信息输出确定在所述学习用第t时间点在所述学习用购电方中正在运行的学习用负载的学习用负载信息，参考所述学习用负载信息和与所述学习用负载信息对应的真实数据负载信息获得分类损失，通过对所述分类损失进行反向传播来学习所述学习用负载估计模型。

18、所述处理器，在所述(3)处理中，使用电力线通信方式将所述累计电量信息和所述负载信息传输到所述数据管理服务器。

19、将所述累计电量信息和所述负载信息传输到所述数据管理服务器，其包括与在所述购电方中正在运行的负载对应的有效电力信息、无效电力信息和采样时间点信息。

20、所述电力的所述供应方使用传输到所述数据管理服务器的所述负载信息，以便参考所述负载信息的分析结果向所述购电方收取不同的费用。

21、所述电力的所述供应方使用传输到所述数据管理服务器的所述负载信息，以便为所述购电方提供服务。

22、所述购电方使用传输到所述数据管理服务器的所述负载信息，以便管理所述电力的使用。

23、所述电力的所述供应方使用传输到所述数据管理服务器的所述负载信息，以便参考所述负载信息的分析结果向所述购电方收取不同的费用。

24、所述电力的所述供应方使用传输到所述数据管理服务器的所述负载信息，以便为所述购电方提供服务。

25、所述购电方使用传输到所述数据管理服务器的所述负载信息，以便管理所述电力的使用。

26、有益效果

27、本发明的效果在于在累计电力装置中基于神经网络识别负载。

28、并且，本发明的另一效果在于累计电力装置将累计电量信息和负载信息传输到电力供应方。

29、另外，本发明的又一目的在于支持电力供应方获取负载信息，而不管通信网络的带宽如何。

30、此外，本发明的再一目的在于支持电力供应方使用负载信息准确地预测电力需求变化。