公共機構(gòu)電力需求側(cè)管理系統(tǒng)以及電能質(zhì)量預測方法
【專利摘要】本發(fā)明公開了一種公共機構(gòu)電力需求側(cè)管理系統(tǒng)以及電能質(zhì)量預測方法，其中公共機構(gòu)電力需求側(cè)管理系統(tǒng)，包括：數(shù)據(jù)源層、網(wǎng)絡層、數(shù)據(jù)層、支撐層和應用層；所述數(shù)據(jù)源層：用于實現(xiàn)公共機構(gòu)用能數(shù)據(jù)采集，對采集的現(xiàn)場數(shù)據(jù)進行信息計算、分析與處理，并反映公共機構(gòu)用能現(xiàn)場的運行狀況，且具有人機交互界面；所述網(wǎng)絡層：用于公共機構(gòu)用能數(shù)據(jù)傳輸及信息通信；所述數(shù)據(jù)層：用于公共機構(gòu)用能數(shù)據(jù)的存儲；所述支撐層：用于對數(shù)據(jù)層發(fā)送的數(shù)據(jù)信息進行對比分析，實現(xiàn)智能搜索，并提供智能控制標準的制定工具與標準；所述應用層：為用戶提供應用服務。實現(xiàn)提高公共機構(gòu)用電設備的電能利用效率的優(yōu)點。
【專利說明】
公共機構(gòu)電力需求側(cè)管理系統(tǒng)從及電能質(zhì)量預測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設及電力領(lǐng)域，具體地，設及一種公共機構(gòu)電力需求側(cè)管理系統(tǒng)W及電能 質(zhì)量預測方法。
【背景技術(shù)】
[0002] 目前，電力需求側(cè)管理工作在國內(nèi)已開展多年，能量管理系統(tǒng)（energy management system,EMS)是電力需求側(cè)管理工作的有效技術(shù)工具，能夠監(jiān)測、分析需求側(cè) 用電系統(tǒng)或設備的電能使用情況，引導用戶合理安排用電，節(jié)約用電開支。在電網(wǎng)供電緊張 時，該系統(tǒng)可W調(diào)控需求側(cè)用電系統(tǒng)或設備運行狀態(tài)，起到錯峰、避峰的效果。
[0003] 在國外，能量管理系統(tǒng)也已獲得較普遍應用，在提高能效水平方面發(fā)揮了一定作 用。隨著節(jié)能減排工作的深入開展，基于能效理論的EMS，即能效管理系統(tǒng)已陸續(xù)在國內(nèi)外 推廣應用。能效管理系統(tǒng)的應用一定程度上提高了用能系統(tǒng)或設備的能源利用效率，降低 了用電負荷，但仍無法充分挖掘需求側(cè)用能系統(tǒng)的節(jié)能潛力。
[0004] 我國政府高度重視節(jié)能環(huán)保工作，針對電力需求側(cè)管理工作，特別強調(diào)建立國家 電力需求側(cè)管理平臺，利用信息化系統(tǒng)監(jiān)控電能消耗過程。盡管國內(nèi)外在需求響應試點系 統(tǒng)建設取得了一定成果，但對于公共機構(gòu)電力需求側(cè)能效管理系統(tǒng)建設尚未大面積開展。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于，針對上述問題，提出一種公共機構(gòu)電力需求側(cè)管理系統(tǒng)W及 電能質(zhì)量預測方法，W實現(xiàn)提高公共機構(gòu)用電設備的電能利用效率的優(yōu)點。
[0006] 為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：
[0007] -種公共機構(gòu)電力需求側(cè)管理系統(tǒng)，包括：
[000引數(shù)據(jù)源層、網(wǎng)絡層、數(shù)據(jù)層、支撐層和應用層；
[0009] 所述數(shù)據(jù)源層：用于實現(xiàn)公共機構(gòu)用能數(shù)據(jù)采集，對采集的現(xiàn)場數(shù)據(jù)進行信息計 算、分析與處理，并反映公共機構(gòu)用能現(xiàn)場的運行狀況，且具有人機交互界面；
[0010] 所述網(wǎng)絡層:用于公共機構(gòu)用能數(shù)據(jù)傳輸及信息通信；
[0011] 所述數(shù)據(jù)層:用于公共機構(gòu)用能數(shù)據(jù)的存儲；
[0012] 所述支撐層:用于對數(shù)據(jù)層發(fā)送的數(shù)據(jù)信息進行對比分析，實現(xiàn)智能捜索，并提供 智能控制標準的制定工具與標準；
[0013] 所述應用層:為用戶提供應用服務。
[0014] 優(yōu)選的，所述應用層提供的應用服務包括:電量分項計量、統(tǒng)計分析、節(jié)能控制、節(jié) 能降損效果評估和DSM用戶外網(wǎng)設計。
[0015] 優(yōu)選的，所述數(shù)據(jù)源層，實現(xiàn)公共機構(gòu)用能數(shù)據(jù)采集時，針對公共機構(gòu)用電特征， 將用電類型劃分為照明插座用電、空調(diào)用電、動力用電和特殊用電四個分類。
[0016] 優(yōu)選的，所述網(wǎng)絡層的數(shù)據(jù)傳輸方式支持無線VPN通道與有線傳輸共存的模式。
[0017] 優(yōu)選的，所述支撐層主要由通用工具、對標體系和核屯、引擎=大類業(yè)務支撐工具 組成；
[0018] 優(yōu)選的，所述通用工具：至少實現(xiàn)數(shù)據(jù)挖掘工具、圖表展示工具與流程設計器功 能，是數(shù)據(jù)處理和智能通訊管理中屯、，具備數(shù)據(jù)采集、數(shù)據(jù)抽取和數(shù)據(jù)處理功能；
[0019] 所述對標體系:實現(xiàn)包括國際能耗標準、國內(nèi)能耗標準、地方能耗標準和行業(yè)能耗 標準的查詢與對標；
[0020] 所述核屯、引擎：至少實現(xiàn)元數(shù)據(jù)捜索、知識庫檢索、行業(yè)標準捜索和政策資料查 詢。
[0021] 同時本發(fā)明技術(shù)方案還公開一種電能質(zhì)量預測方法，包括，依據(jù)公共機構(gòu)電力需 求側(cè)管理系統(tǒng)采集的數(shù)據(jù)采用BP神經(jīng)網(wǎng)絡進行預測。
[0022] 優(yōu)選的，所述BP神經(jīng)網(wǎng)絡，主要由BP神經(jīng)元組成，其中，Pia = I,2,…，R)為BP神經(jīng) 元的輸入，Wi (i = 1，2，…，R)代表BP神經(jīng)元之間的連接權(quán)值，b=WO為闊值，R為自然數(shù)，f為BP 神經(jīng)元的傳輸函數(shù)，y為BP神經(jīng)元的輸出，有
[0023] (1)。
[0024] 優(yōu)選的，所述BP神經(jīng)網(wǎng)絡采用S層BP神經(jīng)網(wǎng)絡；
[00巧]所述S層BP神經(jīng)網(wǎng)絡的學習包括W下步驟：
[0026] 步驟1、初始化，給每個連接權(quán)值和闊值資f和賦予區(qū)間[-1，+1]內(nèi)的隨 機值；
[0027] 步驟2、隨機選取一組輸入和目標樣本
i提供給BP神經(jīng)網(wǎng)絡；
[002引步驟3、用輸入樣本
1連接權(quán)值日闊值(9/計算中間層 各單元的輸入然后用中間層各單元的輸入義^通過傳遞函數(shù)計算中間層各單元的輸出 h'i ；
[0029； 巧）
[0030- 巧） T fc
[0031]步驟4、利用中間層各單元的輸出連接權(quán)值和闊值;計算輸出層各單元 、 的輸出/f然后通過傳遞函數(shù)計算輸出層各單元的響應cf > ， *
[0032]
(4)
[0033] ， (5)
[0034] 步驟5、利用目標樣輸出層各單元的響應cf計 ? ，- 算輸出層的各單元一般化誤蓋(^/^ >
[0035]
巧）
[0036] 步驟6、利用連接權(quán)值Vjtf輸出層的各單元一般化誤差和中間層各單元的輸 出計算中間層各單元的一般化誤差^
[0037] ',''=X , 7 = 1,2,...,/7 巧）
[0038] 步驟7、利用輸出層的各單元的一般化誤差^/；^和中間層各單元的&^來修正連接 權(quán)值心'^^日闊值^^^，
[0039. ，/ = !、；?'....,f, / = 1,2,0<a<l 佩
[0040: /-].2....'(/，〇<"< 1 (9)
[0041]步驟8、利用中間層各單元的一般化誤差輸入樣本 ,
值和闊值< ，/二1-2.,，打，7=1.2.~，少，0</?<] 手 IQi J / = 1.2.2.…,片，0 </>'< ] (11)
[0044] 步驟9、隨機選取下一個訓練樣本提供給BP神經(jīng)網(wǎng)絡，返回到步驟(3)，直到m個訓 練樣本訓練完畢；
[0045] 步驟10、重新從m個訓練樣本中隨機選取一組輸入樣本和目標樣本，返回步驟(3)， 直到網(wǎng)絡全局誤差E小于預先設定的一個極小值，即網(wǎng)絡收斂。
[0046] 本發(fā)明的技術(shù)方案具有W下有益效果：
[0047] 本發(fā)明的技術(shù)方案，實現(xiàn)區(qū)域整體和單個公共機構(gòu)的用電綜合監(jiān)測與分析，對公 共機構(gòu)的用能情況進行分析和評估并形成用能決策建議，有效提升電網(wǎng)與公共機構(gòu)之間的 雙向靈活互動水平，提高公共機構(gòu)用電設備的電能利用效率，節(jié)約電費支出，滿足各公共機 構(gòu)個性化、差異化的服務需求。并實現(xiàn)對電力系統(tǒng)中短期電能質(zhì)量相關(guān)指標的預測。
[0048] 下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進一步的詳細描述。
【附圖說明】
[0049] 圖1為本發(fā)明實施例所述的公共機構(gòu)電力需求側(cè)管理系統(tǒng)的原理框圖；
[0050] 圖2為本發(fā)明實施例所述的BP神經(jīng)網(wǎng)絡算法的工作流程圖；
[0051] 圖3為本發(fā)明實施例所述的BP神經(jīng)網(wǎng)絡的神經(jīng)元模型的結(jié)構(gòu)框圖。
【具體實施方式】
[0052] W下結(jié)合附圖對本發(fā)明的優(yōu)選實施例進行說明，應當理解，此處所描述的優(yōu)選實 施例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。
[0053] 如圖1所示，一種公共機構(gòu)電力需求側(cè)管理系統(tǒng)，包括：
[0054] 數(shù)據(jù)源層(采集層）、網(wǎng)絡層、數(shù)據(jù)層、支撐層(管理層)和應用層(功能層）；
[0055] 數(shù)據(jù)源層：用于實現(xiàn)公共機構(gòu)用能數(shù)據(jù)采集，對采集的現(xiàn)場數(shù)據(jù)進行信息計算、分 析與處理，并反映公共機構(gòu)用能現(xiàn)場的運行狀況，且具有人機交互界面；
[0056] 網(wǎng)絡層:用于公共機構(gòu)用能數(shù)據(jù)傳輸及信息通信；
[0057] 數(shù)據(jù)層:用于公共機構(gòu)用能數(shù)據(jù)的存儲；
[0058] 支撐層:用于對數(shù)據(jù)層發(fā)送的數(shù)據(jù)信息進行對比分析，實現(xiàn)智能捜索，并提供智能 控制標準的制定工具與標準；
[0059] 應用層:為用戶提供應用服務。
[0060] 其中，應用層提供的應用服務包括：電量分項計量、統(tǒng)計分析、節(jié)能控制、節(jié)能降損 效果評估和DSM用戶外網(wǎng)設計。
[0061] 數(shù)據(jù)源層，實現(xiàn)公共機構(gòu)用能數(shù)據(jù)采集時，針對公共機構(gòu)用電特征，將用電類型劃 分為照明插座用電、空調(diào)用電、動力用電和特殊用電四個分類。
[0062] 照明插座用電為建筑物主要功能區(qū)域的照明、插座等室內(nèi)設備用電。主要包括照 明和插座用電、走廊和應急照明用電、室外景觀照明用電；
[0063] 空調(diào)用電主要包括冷熱站用電、空調(diào)末端用電；
[0064] 動力用電主要包括電梯用電、水累用電、通風機用電；
[0065] 特殊用電主要包括信息中屯、、洗衣房、廚房餐廳、游泳池、健身房或者其他特殊用 電；
[0066] 網(wǎng)絡層的數(shù)據(jù)傳輸方式支持無線VPN通道與有線傳輸共存的模式。
[0067] 支撐層主要由通用工具、對標體系和核屯、引擎=大類業(yè)務支撐工具組成；
[0068] 通用工具主要實現(xiàn)數(shù)據(jù)挖掘工具、圖表展示工具與流程設計器等功能，是系統(tǒng)數(shù) 據(jù)處理和智能通訊管理中屯、，具備了數(shù)據(jù)采集、抽取、處理等功能；
[0069] 對標體系主要實現(xiàn)包括國際能耗標準、國內(nèi)能耗標準、地方能耗標準、行業(yè)能耗標 準的查詢與對標工作；
[0070] 核屯、引擎主要實現(xiàn)元數(shù)據(jù)捜索、知識庫檢索、行業(yè)標準捜索、政策資料查詢等功 能。
[0071] -種電能質(zhì)量預測方法，包括，依據(jù)公共機構(gòu)電力需求側(cè)管理系統(tǒng)采集的數(shù)據(jù)采 用BP神經(jīng)網(wǎng)絡進行預測。
[0072] BP神經(jīng)網(wǎng)絡，主要由BP神經(jīng)元組成，其中，Pia = I, 2,…，R)為BP神經(jīng)元的輸入，Wi (i = 1，2，…，R)代表BP神經(jīng)元之間的連接權(quán)值，b = WO為闊值，R為自然數(shù)，f為BP神經(jīng)元的傳 輸函數(shù)，y為BP神經(jīng)元的輸出，有
[0073] BP神經(jīng)元結(jié)構(gòu)如圖3所示。 (1)。
[0074] BP神經(jīng)網(wǎng)絡采用S層BP神經(jīng)網(wǎng)絡；
[0075] 如圖2所示，S層BP神經(jīng)網(wǎng)絡的學習包括W下步驟：
[0076] 步驟1、初始化，給每個連接權(quán)值和>闊值和賦予區(qū)間[-1，+ 1]內(nèi)的隨 機值；
[0077] 步驟2、隨機選取一組輸入和目標樣本
、 提供給BP神經(jīng)網(wǎng)絡；
[007引步驟3、用輸入樣:^
>連接權(quán)值和闊值(9^計算中間層 各單元的輸入然后用中間層各單元的輸入公^通過傳遞函數(shù)計算中間層各單元的輸 出磚. ?
[0079] (2)
[0080] (3)
[0081] 步驟4、利用中間層各單元的輸出連接權(quán)值日闊值計算輸出層各單元 、 的輸出然后通過傳遞函數(shù)計算輸出層各單元的響應cf,.， *
[0082] f3V2r...，,g .(句
[0083]
,t = l,2,--,g (<；)
[0084] 步驟5、利用目標樣本馬…，yj)輸出層各單元的響應cf計算 .5 ? 輸出層的各單元一般化誤差。
[0085]
，！二巧）
[00化]步驟6、利用連接權(quán)值輸出層的各單元一般化誤差和中間層各單元的輸 、 f 出/)"^十算中間層各單元的一般化誤差€^; ：
[0087] '―' ，/ = 1，么--'，蘆 （7)
[0088] 步驟7、利用輸出層的各單元的一般化誤差和中間層各單元的來修正連接 權(quán)值vj/和闊值
[00例 ，/ = l，2，.".，_p, ( = 1,2，''.，毎',0<"<1.佩
[0090] K2rvp, f 二 〇<蛛<1 (夢）
[0091] 步驟8、利用中間層各單元的一般化誤差輸入樣本 J'
農(nóng)修正連接權(quán)值^^和闊值6^//\
[0092]
(10) W (Il)
[0094] 步驟9、隨機選取下一個訓練樣本提供給BP神經(jīng)網(wǎng)絡，返回到步驟(3)，直到m個訓 練樣本訓練完畢；
[00M] 步驟10、重新從m個訓練樣本中隨機選取一組輸入樣本和目標樣本，返回步驟(3)，
直到網(wǎng)絡全局誤差E小于預先設定的一個極小值，即網(wǎng)絡收斂。如果學習次數(shù)大于預先設定 的值，網(wǎng)絡就無法收斂。
[0096] BP神經(jīng)網(wǎng)絡輸入向量夫 P神經(jīng)網(wǎng)絡目標向量為
絡輸入層至中間層的連接權(quán)值為= ^ = ^2,....^|8口神經(jīng)網(wǎng)絡中間層至 輸出層的連接權(quán)值為J = / = Ll...>g>BP神經(jīng)網(wǎng)絡中間層各單元的輸出 閥值為傍^ y二]，.2，...，巧.BP神經(jīng)網(wǎng)絡輸出層各單元的輸出閥值為f j =1,2,...,P P 數(shù) k=l，2，'''，m。
[0097] 本技術(shù)方案采用的是BP神經(jīng)網(wǎng)絡，也被稱為誤差反向傳播神經(jīng)網(wǎng)絡，是人工神經(jīng) 網(wǎng)絡中應用最廣的一種神經(jīng)網(wǎng)絡。在人工神經(jīng)網(wǎng)絡的實際應用中，B巧申經(jīng)網(wǎng)絡廣泛應用于 函數(shù)逼近、模式識別和分類、數(shù)據(jù)壓縮、預測等領(lǐng)域，80%-90%的人工神經(jīng)網(wǎng)絡模型都是采 用BP神經(jīng)網(wǎng)絡或者是BP神經(jīng)網(wǎng)絡的變化。
[0098] BP神經(jīng)網(wǎng)絡的設計：
[0099] BP神經(jīng)網(wǎng)絡的設計主要包括輸入層、隱含層、輸出層及各層之間的傳遞函數(shù)幾個 方面，使用的軟件是mat lab。
[0100] I，網(wǎng)絡層數(shù)BP神經(jīng)網(wǎng)絡是一種多層前饋型網(wǎng)絡，根據(jù)神經(jīng)網(wǎng)絡的理論，給定任何 一個連續(xù)函數(shù)，都可由一個S層BP神經(jīng)網(wǎng)絡來實現(xiàn)，輸入層與隱含層各節(jié)點之間，隱含層與 輸出層各節(jié)點之間可通過調(diào)整的權(quán)值來連接。本方案選取的BP神經(jīng)網(wǎng)絡為S層結(jié)構(gòu)，即輸 入層、輸出層和一個隱含層。
[0101] 2,輸入輸出數(shù)據(jù)選取如下所示，若是W每3分鐘測得一個點，那么一天就有480個 點，將第一天到第五天的連續(xù)5天數(shù)據(jù)作為樣本的輸入，將第9天的數(shù)據(jù)作為樣本的輸出，建 立映射關(guān)系，得到該指標的數(shù)據(jù)模型。
[0102] 3,傳輸函數(shù)BP神經(jīng)網(wǎng)絡傳遞函數(shù)是BP神經(jīng)網(wǎng)絡的重要組成部分，B巧巾經(jīng)網(wǎng)絡經(jīng)常 采用S型的對數(shù)或正切函數(shù)，在某些特定的情況下還可能采用純線性(purelin)函數(shù)。
[0103] Iogsig函數(shù)，即S型的對數(shù)函數(shù)，函數(shù)返回值位于區(qū)間[0，1 ]中。
[0104] (1巧
[0105] I函數(shù)，函數(shù)返回值位于區(qū)間[-1，1 ]中。
[0106] (13)
[0107] 本方案BP神經(jīng)網(wǎng)絡從輸入層到隱含層和隱含層到輸出層的傳遞函數(shù)分別采用 Iogsig函數(shù)和1:ansig函數(shù)。
[010引 BP神經(jīng)網(wǎng)絡的創(chuàng)建：netl = newff (P, t, [40,20], {' logsig'，' tansig'})
[0109] 其中，newffO為BP神經(jīng)網(wǎng)絡的創(chuàng)建函數(shù);P表示輸入數(shù)據(jù)，t表示輸出數(shù)據(jù)，[40， 20]表示BP神經(jīng)網(wǎng)絡隱含層節(jié)點數(shù)為40個，B巧巾經(jīng)網(wǎng)絡輸出層節(jié)點數(shù)為20個；riogsig'，' tansig'}表示BP神經(jīng)網(wǎng)絡隱含層的傳遞函數(shù)為'logsig'，B巧巾經(jīng)網(wǎng)絡輸出層的傳遞函數(shù) 為'tansi邑'。
[0110] 4,設置模型的參數(shù)
[0111] 11日1:1.付日;[證日招111.邱0油3 = 1000;%創(chuàng)建迭代次數(shù)
[0112] netl .trainParam. lr = 0.01; %創(chuàng)建速度
[0113] netl .trainParam.goal = 0.00001; % 目標精度
[0114] 5，BP神經(jīng)網(wǎng)絡的訓練BP神經(jīng)網(wǎng)絡創(chuàng)建后，要進行訓練。
[0115] net2 = train(netl ,p,t)；
[0116] 其中，trainO為BP神經(jīng)網(wǎng)絡的訓練函數(shù)，netl為剛才創(chuàng)建的BP神經(jīng)網(wǎng)絡，P為BP神 經(jīng)網(wǎng)絡的輸入訓練樣本數(shù)據(jù)，t為BP神經(jīng)網(wǎng)絡的目標訓練樣本數(shù)據(jù)，net2為訓練好的BP神經(jīng) 網(wǎng)絡。
[0117] 6，BP神經(jīng)網(wǎng)絡的測試BP神經(jīng)網(wǎng)絡的性能好壞主要看其是否具有很好地泛化能力， 而對泛化能力的測試不能用訓練樣本的數(shù)據(jù)進行檢驗，而要用訓練樣本W(wǎng)外的測試樣本數(shù) 據(jù)來進行檢驗。
[011 引 Y = sim(net2,ptest);
[0119] 其中，SimO可對BP神經(jīng)網(wǎng)絡進行仿真，net2為訓練好的BP神經(jīng)網(wǎng)絡，Ptest為BP神 經(jīng)網(wǎng)絡的輸入測試樣本數(shù)據(jù)，Y為BP神經(jīng)網(wǎng)絡的測試結(jié)果。
[0120] E = YA;
[0121] 其中，Y為BP神經(jīng)網(wǎng)絡的測試結(jié)果，L為BP神經(jīng)網(wǎng)絡的輸出測試樣本數(shù)據(jù)，E為BP神 經(jīng)網(wǎng)絡測試樣本數(shù)據(jù)的絕對誤差。
[0122] mae化)即平方絕對誤差，是BP神經(jīng)網(wǎng)絡的一種性能分析函數(shù)。
[0123] 7,保存W上的具有很好地泛化能力的模型，在W后的數(shù)據(jù)預測中，可W將每連續(xù)5 天的數(shù)據(jù)來作為輸入，通過該模型就可W預測未來第9天的數(shù)據(jù)。
[0124] 綜上所述，本發(fā)明技術(shù)方案的特點為：
[0125] 電力系統(tǒng)中短期電能質(zhì)量相關(guān)數(shù)據(jù)預測可獲得很高的精度，由于電力系統(tǒng)負荷變 化受多方面的影響，一方面，負荷變化存在著由未知不確定的因素引起的隨機的波動；另一 方面，又具有周期變化的規(guī)律性，運也使得負荷曲線具有相似性，所W電能質(zhì)量數(shù)據(jù)也會波 動。目前各指標短期預測問題的解決辦法和方式可W分為統(tǒng)計技術(shù)、專家系統(tǒng)法和神經(jīng)網(wǎng) 絡法等。神經(jīng)網(wǎng)絡的優(yōu)點在于它具有模擬多變量而不需要對輸入變量做復雜的相關(guān)假設的 能力。它不依靠專家經(jīng)驗，只利用觀察到的數(shù)據(jù)，可W從訓練過程中通過學習來抽樣和逼近 隱含的輸入/輸出非線性的關(guān)系。近年來的研究表明，相對于前兩種方法，利用神經(jīng)網(wǎng)絡技 術(shù)進行電力系統(tǒng)中短期電能質(zhì)量預測可獲得更高的精度。
[0126] 最后應說明的是：W上所述僅為本發(fā)明的優(yōu)選實施例而已，并不用于限制本發(fā)明， 盡管參照前述實施例對本發(fā)明進行了詳細的說明，對于本領(lǐng)域的技術(shù)人員來說，其依然可 W對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分技術(shù)特征進行等同替換。 凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的 保護范圍之內(nèi)。
【主權(quán)項】
1. 一種公共機構(gòu)電力需求側(cè)管理系統(tǒng)，其特征在于，包括： 數(shù)據(jù)源層、網(wǎng)絡層、數(shù)據(jù)層、支撐層和應用層； 所述數(shù)據(jù)源層：用于實現(xiàn)公共機構(gòu)用能數(shù)據(jù)采集，對采集的現(xiàn)場數(shù)據(jù)進行信息計算、分 析與處理，并反映公共機構(gòu)用能現(xiàn)場的運行狀況，且具有人機交互界面； 所述網(wǎng)絡層:用于公共機構(gòu)用能數(shù)據(jù)傳輸及信息通信； 所述數(shù)據(jù)層:用于公共機構(gòu)用能數(shù)據(jù)的存儲； 所述支撐層：用于對數(shù)據(jù)層發(fā)送的數(shù)據(jù)信息進行對比分析，實現(xiàn)智能搜索，并提供智能 控制標準的制定工具與標準； 所述應用層:為用戶提供應用服務。2. 根據(jù)權(quán)利要求1所述的公共機構(gòu)電力需求側(cè)管理系統(tǒng)，其特征在于，所述應用層提供 的應用服務包括：電量分項計量、統(tǒng)計分析、節(jié)能控制、節(jié)能降損效果評估和DSM用戶外網(wǎng)設 計。3. 根據(jù)權(quán)利要求1所述的公共機構(gòu)電力需求側(cè)管理系統(tǒng)，其特征在于，所述數(shù)據(jù)源層， 實現(xiàn)公共機構(gòu)用能數(shù)據(jù)采集時，針對公共機構(gòu)用電特征，將用電類型劃分為照明插座用電、 空調(diào)用電、動力用電和特殊用電四個分類。4. 根據(jù)權(quán)利要求1所述的公共機構(gòu)電力需求側(cè)管理系統(tǒng)，其特征在于，所述網(wǎng)絡層的數(shù) 據(jù)傳輸方式支持無線VPN通道與有線傳輸共存的模式。5. 根據(jù)權(quán)利要求1所述的公共機構(gòu)電力需求側(cè)管理系統(tǒng)，其特征在于，所述支撐層主要 由通用工具、對標體系和核心引擎三大類業(yè)務支撐工具組成。6. 根據(jù)權(quán)利要求5所述的公共機構(gòu)電力需求側(cè)管理系統(tǒng)，其特征在于， 所述通用工具:至少實現(xiàn)數(shù)據(jù)挖掘工具、圖表展示工具與流程設計器功能，是數(shù)據(jù)處理 和智能通訊管理中心，具備數(shù)據(jù)采集、數(shù)據(jù)抽取和數(shù)據(jù)處理功能； 所述對標體系：實現(xiàn)包括國際能耗標準、國內(nèi)能耗標準、地方能耗標準和行業(yè)能耗標準 的查詢與對標； 所述核心引擎:至少實現(xiàn)元數(shù)據(jù)搜索、知識庫檢索、行業(yè)標準搜索和政策資料查詢。7. -種電能質(zhì)量預測方法，其特征在于，包括，依據(jù)權(quán)利要求1至6任一所述的公共機構(gòu) 電力需求側(cè)管理系統(tǒng)采集的數(shù)據(jù)采用BP神經(jīng)網(wǎng)絡進行預測。8. 根據(jù)權(quán)利要求7所述的電能質(zhì)量預測方法，其特征在于，所述BP神經(jīng)網(wǎng)絡，主要由BP 神經(jīng)元組成，其中，Pi(i = 1，2,…，R)為BP神經(jīng)元的輸入，wi(i = l，2,…，R)代表BP神經(jīng)元之 間的連接權(quán)值，b=wo為閾值，R為自然數(shù)，f為BP神經(jīng)元的傳輸函數(shù)，y為BP神經(jīng)元的輸出，有⑴。9. 根據(jù)權(quán)利要求9所述的電能質(zhì)量預測方法，其特征在于，所述BP神經(jīng)網(wǎng)絡采用三層BP 神經(jīng)網(wǎng)絡； 所述三層BP神經(jīng)網(wǎng)絡的學習包括以下步驟： 步驟1、初始化，給每個連接權(quán)值和閾值6^和%賦予區(qū)間[-1，+ 1 ]內(nèi)的隨機 值； 步驟2、隨機選取一組輸入和目標樣本提供給BP神經(jīng)網(wǎng)絡； 步驟3、用輸入樣本只=…>連接權(quán)值wf和閾值<計算中間層各單元 的輸入然后用中間層各單元的輸入通過傳遞函數(shù)計算中間層各單元的輸出(2) (3) 步驟4、利用中間層各單元的輸出連接權(quán)值和閾值計算輸出層各單元的輸 、+ 出然后通過傳遞函數(shù)計算輸出層各單元的響應cf β,(5) (4) 步驟5、利用目標樣：輸出層各單元的響應Cf計算輸 ? ， 出層的各單元一般化誤差_(6) 步驟6、利用連接權(quán)值輸出層的各單元一般化誤差?//'和中間層各單元的輸出 計算中間層各單元的一般化誤差(7) 步驟7、利用輸出層的各單元的一般化誤差i/f和中間層各單元的g來修正連接權(quán)值 V&和閾值.步驟8、利用中間層各單元的一般化誤差 < 輸入樣本宋修 正連接權(quán)值和閾值€ y %步驟9、隨機選取卜一個訓練樣本提供給BP神經(jīng)|WJ絡，返回到步驟（3 )，直到m個訓練樣 本訓練完畢； 步驟10、重新從m個訓練樣本中隨機選取一組輸入樣本和目標樣本，返回步驟(3)，直到 網(wǎng)絡全局誤差E小于預先設定的一個極小值，即網(wǎng)絡收斂。
【文檔編號】G06Q10/04GK105956683SQ201610244213
【公開日】2016年9月21日
【申請日】2016年4月19日
【發(fā)明人】王維洲, 韓永軍, 劉福潮, 彭晶, 鄭晶晶, 馬朝暉, 張建華, 杜培東, 祿啟龍, 岳琳, 王慶玲, 王偉, 劉彩霞, 張鈺, 李文番, 王涌, 馮潤, 李臻, 柳立慧, 路陽, 胡東雪
【申請人】國網(wǎng)甘肅省電力公司電力科學研究院, 國網(wǎng)甘肅省電力公司, 國家電網(wǎng)公司, 北京同宇科技發(fā)展有限公司, 北京一同宇科技發(fā)展有限公司, 國網(wǎng)新疆電力公司電力科學研究院