一种基于MEC边缘智能网关的用电管理方法及系统

技术领域

本发明涉及用电管理技术领域，具体涉及一种基于MEC边缘智能网关的用电管理方法及系统。

背景技术

基于大数据分析，智能电网可以制定科学的发电计划、供应更加可靠和绿色的能源；快速检测并恢复故障，保障电力系统稳定；提供多种能源供应方案，满足居民能源消费需求。

居民用电主要以家庭为单位，影响家庭用电行为的因素非常复杂，传统研究大多以整个家庭的总用电量为最小单位，寻找能源消费行为规律。

但是现有的用电管理对用户的用电行为没有进行细化的研究划分，不能更精准的对用户用电情况进行优化。

发明内容

本发明提供一种基于MEC边缘智能网关的用电管理方法及系统，以解决现有技术中存在的上述问题。

本发明提供一种基于MEC边缘智能网关的用电管理方法，包括：

S100，基于用户端的电量管理系统采集用户的用电信息；

S200，将所述用电信息传输至MEC边缘智能网关，所述MEC边缘智能网关对所述用电信息采用用户用电行为模型进行分析，获得用户的用电行为特征；

S300，MEC边缘智能网关将用电信息及用电行为特征构建用户模型，将用户模型通过数字孪生技术同步至云端；

S400，云端根据所有的用户模型对用户进行用户行为分类，将具有相同属性的用户进行相同的用电策略管理，云端将相应的用电策略回传至用户端的电量管理系统。

优选的，所述S200中，所述MEC边缘智能网关对所述用电信息采用用户用电行为模型进行分析，获得用户的用电行为特征，包括：

S201，通过深度学习算法从用户端的电量管理系统中采集家庭总电表信息；

S202，从家庭总电表信息中分解出具体电器的用电信息；

S203，通过分解后的电器使用信息分析用户用电习惯，建立了基于负荷分解的短期用电预测模型，确定用户的用电消费情况；

S204，建立基于规则的多目标需求响应用电优化模型，形成用户用电行为模型，获得用户的用电行为特征和需求特征。

优选的，所述S201包括：

S2011，将用户每个用电设备基本信息录入到相关的用电信息查询的网页中，将用电设备一一接入并使用智能电表采集用户总的用电数据；

S2012，将数据层层传递至变电站内的服务器中，由服务器内的结合深度神经网络模型的非侵入负荷监测技术对采集到的数据加以处理，得到负荷分解后的每个用电设备单独的用电数据。

优选的，所述S2012包括：

S2012-1，设置可变窗口；

S2012-2，以不同大小的窗口滑动读取输入的用电数据；

S2012-3，将用电数据放入深度学习网络框架中进行训练和测试，最终得到分解的各用电器的用电信息。

优选的，所述S400包括：

S401，抽取高需求响应用户的用电计划推荐给具有相似用电习惯的低需求响应用户；

S402，用电计划和用电习惯分别用可调控设备使用时间和不可调控设备使用时间表示；

S403，根据用户历史用电行为与待推荐用电计划的匹配程度计算用户评分，然后基于用户相似度向目标用户推荐评分较高的用电计划；

S404，基于神经网络协调过滤的用电策略推荐模型，利用神经网络预测用户和物品隐向量交叉后的用户评分。

本发明提供一种基于MEC边缘智能网关的用电管理系统，包括：

采集单元，基于用户端的电量管理系统采集用户的用电信息；

特征获取单元，将所述用电信息传输至MEC边缘智能网关，所述MEC边缘智能网关对所述用电信息采用用户用电行为模型进行分析，获得用户的用电行为特征；

同步单元，MEC边缘智能网关将用电信息及用电行为特征构建用户模型，将用户模型通过数字孪生技术同步至云端；

管理单元，云端根据所有的用户模型对用户进行用户行为分类，将具有相同属性的用户进行相同的用电策略管理，云端将相应的用电策略回传至用户端的电量管理系统。

优选的，所述特征获取单元包括：

采集子单元，通过深度学习算法从用户端的电量管理系统中采集家庭总电表信息；

分解子单元，从家庭总电表信息中分解出具体电器的用电信息；

消费子单元，通过分解后的电器使用信息分析用户用电习惯，建立了基于负荷分解的短期用电预测模型，确定用户的用电消费情况；

获取子单元，建立基于规则的多目标需求响应用电优化模型，形成用户用电行为模型，获得用户的用电行为特征和需求特征。

优选的，所述采集子单元包括：

查询子单元，将用户每个用电设备基本信息录入到相关的用电信息查询的网页中，将用电设备一一接入并使用智能电表采集用户总的用电数据；

划分分解子单元，将数据层层传递至变电站内的服务器中，由服务器内的结合深度神经网络模型的非侵入负荷监测技术对采集到的数据加以处理，得到负荷分解后的每个用电设备单独的用电数据。

优选的，所述划分分解子单元包括：

窗口设置子单元，设置可变窗口；

读取子单元，以不同大小的窗口滑动读取输入的用电数据；

训练子单元，将用电数据放入深度学习网络框架中进行训练和测试，最终得到分解的各用电器的用电信息。

优选的，所述管理单元包括：

响应子单元，抽取高需求响应用户的用电计划推荐给具有相似用电习惯的低需求响应用户；

时间表示子单元，用电计划和用电习惯分别用可调控设备使用时间和不可调控设备使用时间表示；

用电计划子单元，根据用户历史用电行为与待推荐用电计划的匹配程度计算用户评分，然后基于用户相似度向目标用户推荐评分较高的用电计划；

用户评分子单元，基于神经网络协调过滤的用电策略推荐模型，利用神经网络预测用户和物品隐向量交叉后的用户评分。

与现有技术相比，本发明具有以下优点：

本发明提供一种基于MEC边缘智能网关的用电管理方法及系统，包括：基于用户端的电量管理系统采集用户的用电信息；将所述用电信息传输至MEC边缘智能网关，所述MEC边缘智能网关对所述用电信息采用用户用电行为模型进行分析，获得用户的用电行为特征；MEC边缘智能网关将用电信息及用电行为特征构建用户模型，将用户模型通过数字孪生技术同步至云端；云端根据所有的用户模型对用户进行用户行为分类，将具有相同属性的用户进行相同的用电策略管理，云端将相应的用电策略回传至用户端的电量管理系统。基于用户的用电行为特征对用户的用电情况进行细粒度划分，精确优化用户用电需求。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种基于MEC边缘智能网关的用电管理方法的流程图；

图2为本发明实施例中获得用户的用电行为特征的方法流程图；

图3为本发明实施例中一种基于MEC边缘智能网关的用电管理系统的结构示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明实施例提供了一种基于MEC边缘智能网关的用电管理方法，请参照图1，该方法包括以下几个步骤：

S100，基于用户端的电量管理系统采集用户的用电信息；

S200，将所述用电信息传输至MEC边缘智能网关，所述MEC边缘智能网关对所述用电信息采用用户用电行为模型进行分析，获得用户的用电行为特征；

S300，MEC边缘智能网关将用电信息及用电行为特征构建用户模型，将用户模型通过数字孪生技术同步至云端；

S400，云端根据所有的用户模型对用户进行用户行为分类，将具有相同属性的用户进行相同的用电策略管理，云端将相应的用电策略回传至用户端的电量管理系统。

上述技术方案的工作原理为：本实施例采用的方案是首先基于用户端的电量管理系统采集用户的用电信息；其次将所述用电信息传输至MEC边缘智能网关，所述MEC边缘智能网关对所述用电信息采用用户用电行为模型进行分析，获得用户的用电行为特征；之后MEC边缘智能网关将用电信息及用电行为特征构建用户模型，将用户模型通过数字孪生技术同步至云端；最后云端根据所有的用户模型对用户进行用户行为分类，将具有相同属性的用户进行相同的用电策略管理，云端将相应的用电策略回传至用户端的电量管理系统。

上述技术方案的有益效果为：采用本实施例提供的方案包括：基于用户端的电量管理系统采集用户的用电信息；将所述用电信息传输至MEC边缘智能网关，所述MEC边缘智能网关对所述用电信息采用用户用电行为模型进行分析，获得用户的用电行为特征；MEC边缘智能网关将用电信息及用电行为特征构建用户模型，将用户模型通过数字孪生技术同步至云端；云端根据所有的用户模型对用户进行用户行为分类，将具有相同属性的用户进行相同的用电策略管理，云端将相应的用电策略回传至用户端的电量管理系统。基于用户的用电行为特征对用户的用电情况进行细粒度划分，精确优化用户用电需求。

在另一实施例中，如图2所示，所述S200中，所述MEC边缘智能网关对所述用电信息采用用户用电行为模型进行分析，获得用户的用电行为特征，包括：

S201，通过深度学习算法从用户端的电量管理系统中采集家庭总电表信息；

S202，从家庭总电表信息中分解出具体电器的用电信息；

S203，通过分解后的电器使用信息分析用户用电习惯，建立了基于负荷分解的短期用电预测模型，确定用户的用电消费情况；

S204，建立基于规则的多目标需求响应用电优化模型，形成用户用电行为模型，获得用户的用电行为特征和需求特征。

上述技术方案的工作原理为：本实施例采用的方案是所述MEC边缘智能网关对所述用电信息采用用户用电行为模型进行分析，获得用户的用电行为特征，包括：通过深度学习算法从用户端的电量管理系统中采集家庭总电表信息；从家庭总电表信息中分解出具体电器的用电信息；通过分解后的电器使用信息分析用户用电习惯，建立了基于负荷分解的短期用电预测模型，确定用户的用电消费情况；建立基于规则的多目标需求响应用电优化模型，形成用户用电行为模型，获得用户的用电行为特征和需求特征。

所述用户用电行为模型中关于优化用户电费支出时目标用户家电关联使用的习惯，尽量保留关联电器的使用在某个时间范围内，因此设置家电关联矩阵，在家电关联矩阵中涉及家电关联系数，家电关联系数根据各个电器启动时间和工作时长确定，具体算法如下：

其中，r

上述技术方案的有益效果为：采用本实施例提供的方案所述MEC边缘智能网关对所述用电信息采用用户用电行为模型进行分析，获得用户的用电行为特征，包括：通过深度学习算法从用户端的电量管理系统中采集家庭总电表信息；从家庭总电表信息中分解出具体电器的用电信息；通过分解后的电器使用信息分析用户用电习惯，建立了基于负荷分解的短期用电预测模型，确定用户的用电消费情况；建立基于规则的多目标需求响应用电优化模型，形成用户用电行为模型，获得用户的用电行为特征和需求特征。该短期用电预测模型的的可靠性更高，因此，本实施例的方案可以提升用电预测的准确性。

在另一实施例中，所述S201包括：

S2011，将用户每个用电设备基本信息录入到相关的用电信息查询的网页中，将用电设备一一接入并使用智能电表采集用户总的用电数据；

S2012，将数据层层传递至变电站内的服务器中，由服务器内的结合深度神经网络模型的非侵入负荷监测技术对采集到的数据加以处理，得到负荷分解后的每个用电设备单独的用电数据。

上述技术方案的工作原理为：本实施例采用的方案是将用户每个用电设备基本信息录入到相关的用电信息查询的网页中，将用电设备一一接入并使用智能电表采集用户总的用电数据；将数据层层传递至变电站内的服务器中，由服务器内的结合深度神经网络模型的非侵入负荷监测技术对采集到的数据加以处理，得到负荷分解后的每个用电设备单独的用电数据。

上述技术方案的有益效果为：采用本实施例提供的方案将用户每个用电设备基本信息录入到相关的用电信息查询的网页中，将用电设备一一接入并使用智能电表采集用户总的用电数据；将数据层层传递至变电站内的服务器中，由服务器内的结合深度神经网络模型的非侵入负荷监测技术对采集到的数据加以处理，得到负荷分解后的每个用电设备单独的用电数据。

在另一实施例中，所述S2012包括：

S2012-1，设置可变窗口；

S2012-2，以不同大小的窗口滑动读取输入的用电数据；

S2012-3，将用电数据放入深度学习网络框架中进行训练和测试，最终得到分解的各用电器的用电信息。

上述技术方案的工作原理为：本实施例采用的方案是设置可变窗口；以不同大小的窗口滑动读取输入的用电数据；将用电数据放入深度学习网络框架中进行训练和测试，最终得到分解的各用电器的用电信息。

上述技术方案的有益效果为：采用本实施例提供的方案设置可变窗口；以不同大小的窗口滑动读取输入的用电数据；将用电数据放入深度学习网络框架中进行训练和测试，最终得到分解的各用电器的用电信息。

在另一实施例中，所述S400包括：

S401，抽取高需求响应用户的用电计划推荐给具有相似用电习惯的低需求响应用户；

S402，用电计划和用电习惯分别用可调控设备使用时间和不可调控设备使用时间表示；

S403，根据用户历史用电行为与待推荐用电计划的匹配程度计算用户评分，然后基于用户相似度向目标用户推荐评分较高的用电计划；

S404，基于神经网络协调过滤的用电策略推荐模型，利用神经网络预测用户和物品隐向量交叉后的用户评分。

上述技术方案的工作原理为：本实施例采用的方案是抽取高需求响应用户的用电计划推荐给具有相似用电习惯的低需求响应用户；用电计划和用电习惯分别用可调控设备使用时间和不可调控设备使用时间表示；根据用户历史用电行为与待推荐用电计划的匹配程度计算用户评分，然后基于用户相似度向目标用户推荐评分较高的用电计划；基于神经网络协调过滤的用电策略推荐模型，利用神经网络预测用户和物品隐向量交叉后的用户评分。

上述技术方案的有益效果为：采用本实施例提供的方案抽取高需求响应用户的用电计划推荐给具有相似用电习惯的低需求响应用户；用电计划和用电习惯分别用可调控设备使用时间和不可调控设备使用时间表示；根据用户历史用电行为与待推荐用电计划的匹配程度计算用户评分，然后基于用户相似度向目标用户推荐评分较高的用电计划；基于神经网络协调过滤的用电策略推荐模型，利用神经网络预测用户和物品隐向量交叉后的用户评分。

在另一实施例中，本实施例还提供一种基于MEC边缘智能网关的用电管理系统，请参照图3，该系统包括：

采集单元，基于用户端的电量管理系统采集用户的用电信息；

特征获取单元，将所述用电信息传输至MEC边缘智能网关，所述MEC边缘智能网关对所述用电信息采用用户用电行为模型进行分析，获得用户的用电行为特征；

同步单元，MEC边缘智能网关将用电信息及用电行为特征构建用户模型，将用户模型通过数字孪生技术同步至云端；

管理单元，云端根据所有的用户模型对用户进行用户行为分类，将具有相同属性的用户进行相同的用电策略管理，云端将相应的用电策略回传至用户端的电量管理系统。

上述技术方案的工作原理为：本实施例采用的方案是采集单元，基于用户端的电量管理系统采集用户的用电信息；

特征获取单元，将所述用电信息传输至MEC边缘智能网关，所述MEC边缘智能网关对所述用电信息采用用户用电行为模型进行分析，获得用户的用电行为特征；

同步单元，MEC边缘智能网关将用电信息及用电行为特征构建用户模型，将用户模型通过数字孪生技术同步至云端；

管理单元，云端根据所有的用户模型对用户进行用户行为分类，将具有相同属性的用户进行相同的用电策略管理，云端将相应的用电策略回传至用户端的电量管理系统。

上述技术方案的有益效果为：采用本实施例提供的方案采集单元，基于用户端的电量管理系统采集用户的用电信息；

特征获取单元，将所述用电信息传输至MEC边缘智能网关，所述MEC边缘智能网关对所述用电信息采用用户用电行为模型进行分析，获得用户的用电行为特征；

同步单元，MEC边缘智能网关将用电信息及用电行为特征构建用户模型，将用户模型通过数字孪生技术同步至云端；

管理单元，云端根据所有的用户模型对用户进行用户行为分类，将具有相同属性的用户进行相同的用电策略管理，云端将相应的用电策略回传至用户端的电量管理系统。

在另一实施例中，所述特征获取单元包括：

采集子单元，通过深度学习算法从用户端的电量管理系统中采集家庭总电表信息；

分解子单元，从家庭总电表信息中分解出具体电器的用电信息；

消费子单元，通过分解后的电器使用信息分析用户用电习惯，建立了基于负荷分解的短期用电预测模型，确定用户的用电消费情况；

获取子单元，建立基于规则的多目标需求响应用电优化模型，形成用户用电行为模型，获得用户的用电行为特征和需求特征。

上述技术方案的工作原理为：本实施例采用的方案是所述特征获取单元包括：

采集子单元，通过深度学习算法从用户端的电量管理系统中采集家庭总电表信息；

分解子单元，从家庭总电表信息中分解出具体电器的用电信息；

消费子单元，通过分解后的电器使用信息分析用户用电习惯，建立了基于负荷分解的短期用电预测模型，确定用户的用电消费情况；

获取子单元，建立基于规则的多目标需求响应用电优化模型，形成用户用电行为模型，获得用户的用电行为特征和需求特征。

上述技术方案的有益效果为：采用本实施例提供的方案所述特征获取单元包括：

采集子单元，通过深度学习算法从用户端的电量管理系统中采集家庭总电表信息；

分解子单元，从家庭总电表信息中分解出具体电器的用电信息；

消费子单元，通过分解后的电器使用信息分析用户用电习惯，建立了基于负荷分解的短期用电预测模型，确定用户的用电消费情况；

获取子单元，建立基于规则的多目标需求响应用电优化模型，形成用户用电行为模型，获得用户的用电行为特征和需求特征。

在另一实施例中，所述采集子单元包括：

查询子单元，将用户每个用电设备基本信息录入到相关的用电信息查询的网页中，将用电设备一一接入并使用智能电表采集用户总的用电数据；

划分分解子单元，将数据层层传递至变电站内的服务器中，由服务器内的结合深度神经网络模型的非侵入负荷监测技术对采集到的数据加以处理，得到负荷分解后的每个用电设备单独的用电数据。

上述技术方案的工作原理为：本实施例采用的方案是所述采集子单元包括：

查询子单元，将用户每个用电设备基本信息录入到相关的用电信息查询的网页中，将用电设备一一接入并使用智能电表采集用户总的用电数据；

划分分解子单元，将数据层层传递至变电站内的服务器中，由服务器内的结合深度神经网络模型的非侵入负荷监测技术对采集到的数据加以处理，得到负荷分解后的每个用电设备单独的用电数据。

上述技术方案的有益效果为：采用本实施例提供的方案所述采集子单元包括：

查询子单元，将用户每个用电设备基本信息录入到相关的用电信息查询的网页中，将用电设备一一接入并使用智能电表采集用户总的用电数据；

划分分解子单元，将数据层层传递至变电站内的服务器中，由服务器内的结合深度神经网络模型的非侵入负荷监测技术对采集到的数据加以处理，得到负荷分解后的每个用电设备单独的用电数据。

在另一实施例中，所述划分分解子单元包括：

窗口设置子单元，设置可变窗口；

读取子单元，以不同大小的窗口滑动读取输入的用电数据；

训练子单元，将用电数据放入深度学习网络框架中进行训练和测试，最终得到分解的各用电器的用电信息。

上述技术方案的工作原理为：本实施例采用的方案是所述划分分解子单元包括：

窗口设置子单元，设置可变窗口；

读取子单元，以不同大小的窗口滑动读取输入的用电数据；

训练子单元，将用电数据放入深度学习网络框架中进行训练和测试，最终得到分解的各用电器的用电信息。

上述技术方案的有益效果为：采用本实施例提供的方案所述划分分解子单元包括：

窗口设置子单元，设置可变窗口；

读取子单元，以不同大小的窗口滑动读取输入的用电数据；

训练子单元，将用电数据放入深度学习网络框架中进行训练和测试，最终得到分解的各用电器的用电信息。

在另一实施例中，所述管理单元包括：

响应子单元，抽取高需求响应用户的用电计划推荐给具有相似用电习惯的低需求响应用户；

时间表示子单元，用电计划和用电习惯分别用可调控设备使用时间和不可调控设备使用时间表示；

用电计划子单元，根据用户历史用电行为与待推荐用电计划的匹配程度计算用户评分，然后基于用户相似度向目标用户推荐评分较高的用电计划；

用户评分子单元，基于神经网络协调过滤的用电策略推荐模型，利用神经网络预测用户和物品隐向量交叉后的用户评分。

上述技术方案的工作原理为：本实施例采用的方案是所述管理单元包括：

响应子单元，抽取高需求响应用户的用电计划推荐给具有相似用电习惯的低需求响应用户；

时间表示子单元，用电计划和用电习惯分别用可调控设备使用时间和不可调控设备使用时间表示；

用电计划子单元，根据用户历史用电行为与待推荐用电计划的匹配程度计算用户评分，然后基于用户相似度向目标用户推荐评分较高的用电计划；

用户评分子单元，基于神经网络协调过滤的用电策略推荐模型，利用神经网络预测用户和物品隐向量交叉后的用户评分。

上述技术方案的有益效果为：采用本实施例提供的方案所述管理单元包括：

响应子单元，抽取高需求响应用户的用电计划推荐给具有相似用电习惯的低需求响应用户；

时间表示子单元，用电计划和用电习惯分别用可调控设备使用时间和不可调控设备使用时间表示；

用电计划子单元，根据用户历史用电行为与待推荐用电计划的匹配程度计算用户评分，然后基于用户相似度向目标用户推荐评分较高的用电计划；

用户评分子单元，基于神经网络协调过滤的用电策略推荐模型，利用神经网络预测用户和物品隐向量交叉后的用户评分。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。