用户能耗预测方法技术

本发明专利技术涉及一种用户能耗预测方法

【技术实现步骤摘要】
用户能耗预测方法、设备以及存储介质


[0001]本专利技术涉及预测
，具体而言，涉及一种用户能耗预测方法
、
设备以及存储介质
。

技术介绍

[0002]我国电力物联网发展迅速，随着
5G
通信网络的逐渐展开，其建设进程进一步加快，对电力系统安全的依赖性也不断加强，对配电网络安全稳定性的提升以及智能化的建设提出了更高要求
。
[0003]配电物联网建设过程中最为基础的感知层设备数量大幅增长，设备状态数据
、
运行环境信息等海量异构且不同传输带宽的数据爆炸式增长，给电力数据的传输存储以及运算处理工作带来了巨大压力
。
因此，实时监控设备状态
、
及时发现异常设备，对异常设备进行诊断预警
、
调控等就显得尤为重要
。
[0004]但是，目前尚未出现能够提供设备实时状态
、
统计信息和历史明细信息，对于异常设备能够进行在线诊断预警
、
云
‑
边协同
、
边平台调控的用户能耗预测方法或系统
。

技术实现思路

[0005]本专利技术实施例提供了一种用户能耗预测方法
、
设备以及存储介质
。
[0006]一种用户能耗预测方法，其特征在于，包括以下步骤：
[0007]S1
，云端采用主
ELMO
模型，边缘端采用本地
ELMO/>模型，边缘端根据本地数据集分别对其本地
ELMO
模型进行训练，所述边缘端为终端用户；
[0008]S2
，根据云边协同机制，结合传感数据处理的需求，边缘端判断本地数据集是否需要上传到云端处理：如果采集的数据占本地存储能力的百分比大于等于预设阈值，则边缘端将本地数据集传输到云端主
ELMO
模型训练；如果采集的数据占本地存储能力的百分比小于预设阈值，边缘端在本地自行训练后将得到的本地
ELMO
模型参数上传至云端；云端对所有模型梯度进行聚合，再将聚合后的全局模型参数传回各边缘端；
[0009]S3
，各边缘端利用传回的全局模型参数进行用户能耗预测
[0010]进一步地，所述预设阈值为采集的数据占本地存储能力的
10
～
30
％
。
[0011]进一步地，所述步骤
S1
包括：
[0012]梳理影响不同类型微电网用户能耗的因素，采集所述因素的数据作为本地
ELMo
模型输入
。
[0013]进一步地，所述
ELMo
模型为双层
Bi
‑
LSTM
模型；所述影响不同类型微电网用户能耗的因素包括：时间
、
用户画像
、
外界环境；所述用户画像包括：是否有车
、
家庭人数
、
职业；所述外界环境包括：温度
、
光照
、
风速
。
[0014]进一步地，所述步骤
S2
包括：
[0015]针对用户使用强度低
、
用户需求低，导致数据处理要求也低的能耗场景，在边缘端直接利用数据预处理和预测算法进行处理，数据无需上传到云端计算，以节约网络与云端
[0034]请参阅图1本专利技术用户能耗预测方法的流程示意图，以便进行具体说明：
[0035]步骤
S1
，云端采用主
ELMO(Embedding from Language Models)
模型，边缘端采用本地
ELMO
模型，边缘端根据本地数据集分别对其本地
ELMO
模型进行训练，所述边缘端为终端用户
。
具体而言：
[0036]ELMo
模型是一个用于生成词向量的预训练语言模型，其根据输入的文本信息
(
一个单词序列
)
，利用双层
Bi
‑
LSTM
模型分别预测文本序列前向的下一个词和反向的下一个词，以训练出一个动态的词向量模型
。ELMo
模型相对于早期模型具有先进性，以
word2vec
为例进行说明：
[0037]word2vec
生成的词向量最明显的一个弊端就是，生成的词向量是静态的，即一个单词对应就是一个唯一的词向量，但实际情况中同一个单词在不同的语境里有不同的含义，而且有时候是完全不同的含义，这样都用一个词向量来表示的话就会存在问题了，而
ELMo
模型是一个动态词向量，在对某一个词使用其词向量的时候，需要输入整个文本，根据整个语境信息动态的生成词向量，这样，同一个词在不同的语境下得到的词向量就是不同的值
。
此外
word2vec
训练过程中只是利用了周围词的信息，但没有考虑词序，只是把周围词一块加权输入，而
ELMo
模型由于使用了双层
Bi
‑
LSTM
，训练过程中利用了整个输入文本，而且同时考虑了正向和反向序列输入信息，得到的特征信息更加丰富
。
[0038]具体而言：
[0039]首先梳理影响不同类型微电网用户能耗的因素，采集所述因素的数据作为本地
ELMo
模型输入
。
[0040]其中，所述
ELMo
模型为双层
Bi
‑
LSTM
模型；
[0041]所述影响不同类型微电网用户能耗的因素包括：时间
、
用户画像
、
外界环境；所述用户画像包括：是否有车
、
家庭人数
、
职业等；所述外界环境包括：温度
、
光照
、
风速等
。
[0042]所述影响不同类型微电网用户能耗的因素构成了本地数据集，边缘端根据本地数据集分别对其本地
ELMO
模型进行训练
。
[0043]步骤
S2
，根据云边协同机制，请参考图
2、
图3，结合传感数据处理的数据体量
、
传输效率
、
计算效率等需求，边缘端判断本地数据集是否需要上传到云端处理
。
具体而言：
[0044]边缘端判断本地数据集是否需要上传到云端处理：如果本地数据集数据量大于预设阈值
(
采集的数据占本地存储能力的
10
～
30
％以上
)
，边缘端将本地数据集传输到云端主
ELMO
模型训练；如果本地数据集数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用户能耗预测方法，其特征在于，包括以下步骤：
S1
，云端采用主
ELMO
模型，边缘端采用本地
ELMO
模型，边缘端根据本地数据集分别对其本地
ELMO
模型进行训练，所述边缘端为终端用户；
S2
，根据云边协同机制，结合传感数据处理的需求，边缘端判断本地数据集是否需要上传到云端处理：如果采集的数据占本地存储能力的百分比大于等于预设阈值，则边缘端将本地数据集传输到云端主
ELMO
模型训练；如果采集的数据占本地存储能力的百分比小于预设阈值，边缘端在本地自行训练后将得到的本地
ELMO
模型参数上传至云端；云端对所有模型梯度进行聚合，再将聚合后的全局模型参数传回各边缘端；
S3
，各边缘端利用传回的全局模型参数进行用户能耗预测
。2.
如权利要求1所述的用户能耗预测方法，其特征在于，所述预设阈值为采集的数据占本地存储能力的
10
～
30
％
。3.
如权利要求1所述的用户能耗预测方法，其特征在于，所述步骤
S1
包括：梳理影响不同类型微电网用户能耗的因素，采集所述因素的数据作为本地
ELMo
模型输入
。4.
如权利要求2所述的用户能耗预测方法，其特征在于，所述
ELMo
模型为双层
Bi
‑
LSTM
模型；所述影响不同类型微电网用户能耗的因素包括：时间
、
用户画像
...

【专利技术属性】
技术研发人员：宫兆军，朱建，谢丽萍，赵志渊，郑萧然，王欢，薛贵生，姚小强，
申请(专利权)人：国家电投集团综合智慧能源科技有限公司，
类型：发明
国别省市：