一种家庭用户能源供需优化方法及系统技术方案

本发明专利技术涉及能源供给领域，尤其涉及一种家庭用户能源供需优化方法及系统，其特征在于：优化方法，包括：步骤1：获取家庭用户能源数据；步骤2：对家庭用户能源数据进行归一化处理；步骤3：基于神经网络构建预测模型并利用深度学习算法对预测模型进行训练；根据训练好的预测模型预测能源信息、能源风险等级、用户调整的能源消耗量；步骤4：将能源风险等级反馈给用户便于用户对能源消耗进行调整。本发明专利技术提高能源供需问题的准确性与实时性，降低消耗。降低消耗。降低消耗。

【技术实现步骤摘要】
一种家庭用户能源供需优化方法及系统


[0001]本专利技术涉及能源供给领域，尤其涉及一种家庭用户能源供需优化方法及系统。

技术介绍

[0002]随着经济水平不断提高，家庭用户能源供需急速增长，能源供给规模会越来越大，潜力巨大，能源供给水平处于急剧上升模式，但同时也会带来其他能源问题，比如能源浪费与天气干扰等，如何进行能源优化，提高能源利用率是当前备受瞩目的问题。
[0003]家庭用户能源供给的发展与数据管理息息相关，随着不断市场化、信息化与数字化建设，需要从中挖掘出有价值的信息，对其复杂的形式进行深入探讨，但大量数据涌入能源处理中心，会导致大量的数据冗余，从而导致处理中心的服务器瘫痪，并且优化处理结果反馈也需要一定的时间与资源，从而造成了一定的资源浪费。原本能源供需互动的数据与资源都是通过网络的形式进行分析，管理者通过网络进行主观分析判断后，所做出的决策往往具有一定的局限性，从而无法准确有效地处理能源供给问题。

技术实现思路

[0004]本专利技术的目的是为了提供一种家庭用户能源供需优化方法及系统，提高能源供需问题的准确性与实时性，降低消耗。
[0005]为解决以上技术问题，本专利技术的技术方案为：
[0006]第一方面，本专利技术提供一种家庭用户能源供需优化方法，包括：
[0007]步骤1：获取家庭用户能源数据；
[0008]步骤2：对家庭用户能源数据进行归一化处理；
[0009]步骤3：基于神经网络构建预测模型并利用深度学习算法对预测模型进行训练；根据训练好的预测模型预测能源信息、能源风险等级、用户调整的能源消耗量；
[0010]步骤4：将能源风险等级反馈给用户便于用户对能源消耗进行调整。
[0011]进一步地，步骤1中，家庭能源数据具体包括：能源结构数据和能源安全数据；其中，能源结构数据包括：房间数、设备个数、房间总能源消耗量和各设备能源消耗量；能源安全数据包括天气。
[0012]进一步地，步骤1还包括对能源结构数据进行预处理的步骤，具体为：
[0013]当获取实时t时刻能源结构数据时，由于t时刻未必进行过数据采集，则计算t时刻的理论采集时刻t0，计算方法为：
[0014][0015]式中，c表示预设的时间间隔，每隔时间间隔c记录一次能源结构数据；表示向下取整；
[0016]根据理论采集时刻t0计算最近的一次采集时刻记录的数据：
[0017][0018]式中，T为当前采集t时刻相关数据送入网络时的延迟；n＝1,2,3,4，其中n＝1表示样本特征为房间数，n＝2表示样本特征为采集设备个数，n＝3表示样本特征为房间总能源消耗量，n＝4表示样本特征为各设备能源消耗量；
[0019]M
n,t+T
表示t+T时刻样本特征为n时的样本参数；表示t0时刻样本特征为n时的样本参数；表示t0‑
c时刻样本特征为n时的样本参数；表示t0‑
2c时刻样本特征为n时的样本参数；
[0020]通过上式获得当前输入网络t+T时刻房间数、设备个数、一小时内房间总能源消耗量和各设备能源消耗量的样本各参数数据。
[0021]进一步地，所述步骤2的归一化处理将样本变为0到1之间的标准值，归一化方程如下：
[0022]x
′
t
＝(x
t
‑
x
min
)/(x
max
‑
x
min
)
[0023]式中，x
max
与x
min
分别是输入样本参数中的最大值与最小值，x
t
是输入样本参数的真实值，x
′
t
为输入样本参数归一化处理后的标准值。
[0024]进一步地，步骤3中，基于神经网络构建能源信息预测模型并利用深度学习算法对能源信息预测模型进行训练的方法为：
[0025]获取通过神经网络预计的能源信息、能源风险等级、用户调整的能源消耗量的预期输出值；获取能源信息、能源风险等级、用户调整的能源消耗量的真实结果；
[0026]根据预期输出值和真实结果计算误差平方和SSE，采用深度学习算法训练预测模型，直至神经网络的误差平方和SSE在限定的误差区间上收敛。
[0027]进一步地，步骤3具体为：
[0028]假定将上述房间数、设备个数、一小时内房间总能源消耗量、各设备能源消耗量和天气这5个参数输入至神经网络，从而得到的预期输出结果x
k
，k＝1,2,3，当k＝1时，x1表示神经网络预期一小时内总能源消耗量，当k＝2时，x2表示神经网络预期一小时后用户能源风险等级，当k＝3时，x3表示预期一小时后用户调整的能源消耗量；
[0029]获取真实结果值当k＝1时，表示现实中用户一小时内总能源消耗量，当k＝2时，表示现实中用户一小时后用户能源风险等级，当k＝3时，表示现实中用户一小时后用户调整的能源消耗量；
[0030]计算预期误差则误差平方和SSE计算方法为：
[0031][0032]其中，x
k
代表预期输出值，代表真实结果值；选择深度学习算法训练测试样本，直至神经网络在限定的误差区间上收敛，反之则代表网络训练失败，同时调整神经网络的权重，直到获得理想的输出结果。
[0033]进一步地，步骤3中，能源风险等级的真实结果获取方法为：
[0034][0035]其中，D表示能源风险等级，G表示当前室内温度，H表示当前室内湿度，I表示房间总数，i表示第i个房间，M表示房间内设备总数，m表示房间内第m个设备，E
im
表示第i个房间内第m个设备一小时内能源消耗量；
[0036]通过能源风险等级判定，得到现实中用户一小时后能源风险等级。
[0037]第二方面，本专利技术提供一种家庭用户能源供需优化系统，包括：
[0038]数据采集模块，用于获取家庭用户能源数据；
[0039]数据处理模块，用于对获取的家庭用户能源数据进行归一化处理；用于基于神经网络构建预测模型并利用深度学习算法对预测模型进行训练；
[0040]决策分析模块，用于将家庭用户能源数据输入至训练好的预测模型，预测能源风险等级；用户互动模块，用于反馈预测的能源风险等级给用户并实现用户交互。
[0041]本专利技术具有如下有益效果：
[0042]一、本专利技术将深度学习与家庭用户能源供需相结合，构建神经网络，对家庭用户能源数据进行分析处理，根据神经网络模拟优化分析结果作为风险判定依据；
[0043]本专利技术无需将数据上传至能源处理中心，不会导致大量的数据冗余，降低能耗；本专利技术能够在家庭用户内部实现家庭用户能源供需互动，能够快速有效地进行能源优化与配置，从而提前对其进行能源风险规避，用户可以根据反馈信息进行实时调整，从根本上解决能源结构不合理的问题，避免能源浪费，降低能量负载以及天气问题带来的各种能量供给问题；提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种家庭用户能源供需优化方法，其特征在于：包括步骤1：获取家庭用户能源数据；步骤2：对家庭用户能源数据进行归一化处理；步骤3：基于神经网络构建预测模型并利用深度学习算法对预测模型进行训练；根据训练好的预测模型预测能源信息、能源风险等级、用户调整的能源消耗量；步骤4：将能源风险等级反馈给用户便于用户对能源消耗进行调整。2.根据权利要求1所述的家庭用户能源供需优化方法，其特征在于：步骤1中，家庭能源数据具体包括：能源结构数据和能源安全数据；其中，能源结构数据包括：房间数、设备个数、房间总能源消耗量和各设备能源消耗量；能源安全数据包括天气。3.根据权利要求2所述的家庭用户能源供需优化方法，其特征在于：步骤1还包括对能源结构数据进行预处理的步骤，具体为：当获取实时t时刻能源结构数据时，由于t时刻未必进行过数据采集，则计算t时刻的理论采集时刻t0，计算方法为：式中，c表示预设的时间间隔，每隔时间间隔c记录一次能源结构数据；表示向下取整；根据理论采集时刻t0计算最近的一次采集时刻记录的数据：式中，T为当前采集t时刻相关数据送入网络时的延迟；n＝1,2,3,4，其中n＝1表示样本特征为房间数，n＝2表示样本特征为采集设备个数，n＝3表示样本特征为房间总能源消耗量，n＝4表示样本特征为各设备能源消耗量；M
n,t+T
表示t+T时刻样本特征为n时的样本参数；表示t0时刻样本特征为n时的样本参数；表示t0‑
c时刻样本特征为n时的样本参数；表示t0‑
2c时刻样本特征为n时的样本参数；通过上式获得当前输入网络t+T时刻房间数、设备个数、一小时内房间总能源消耗量和各设备能源消耗量的样本各参数数据。4.根据权利要求1所述的家庭用户能源供需优化方法，其特征在于：所述步骤2的归一化处理将样本变为0到1之间的标准值，归一化方程如下：x
′
t
＝(x
t
‑
x
min
)/(x
max
‑
x
min
)式中，x
max
与x
min
分别是输入样本参数中的最大值与最小值，x
t
是输入样本参数的真实值，x
′
t
为输入样本参数归一...

【专利技术属性】
技术研发人员：陈轶，张雳，李京京，严志龙，夏曼娟，
申请(专利权)人：南京有嘉科技有限公司，
类型：发明
国别省市：