一种用电负荷优化的方法、装置、设备及存储介质

技术领域

本发明涉及电网应用技术领域，尤其涉及一种用电负荷优化的方法、装置、设备及存储介质。

背景技术

用电负荷是电能用户的用电设备在某一时刻向电力系统取用的电功率的总和，当用电负荷较大时，则说明该电能用户的用电设备取用电力系统的电功率较大，以使得在用电高峰期时，特别是企业用电用户，容易导致某一电能用户所取用的电功率占比较大，从而导致电力线路奔溃及停电的问题。

目前，对用户的用电负荷进行优化的方法，主要是通过智能算法来实现对企业用户制定用电负荷优化策略，而其主要是将企业用户作为一个用电整体来实现该企业用户的用电负荷优化，但由于企业中存在有不同电功率生产设备以及其他设备，而将整个企业用电作为用电负荷策略的优化，容易导致企业实际的生产效率较低，影响企业正常的生产活动，因此上述用电负荷优化的方法存在一定的局限性，无法准确且可靠地实现企业用户的用电负荷优化，导致优化效率低下、优化策略执行复杂、难以进行实际应用，从而无法使得企业用户能够得到准确、高效及可靠地实现用电负荷的优化。

因此，目前亟需一种能够提高用电负荷优化的准确性、可靠性以及效率的方法。

发明内容

本发明提供了一种用电负荷优化的方法、装置、设备及存储介质，以解决现有技术中无法准确且可靠地实现企业用户的用电负荷优化，以及优化效率低下、优化策略执行复杂、难以进行实际应用的技术问题。

为了解决上述技术问题，本发明实施例提供了一种用电负荷优化的方法，包括：

获取企业用户中的所有用电设备及其运行参数，并根据各用电设备之间的联动关系，构建出所述用电设备之间的设备拓扑图；

获取企业用户在预设时间段内总用电负荷的实时数据，并根据所述实时数据构建出用电负荷预测模型，进而通过所述用电负荷预测模型计算得到未来一段时间内的第一用电预测结果；

获取企业用户在预设时间段内各用电设备的用电负荷的历史数据，并根据所述历史数据依次构建出各个用电设备预测模型，进而依次通过各用电设备预测模型，计算得到未来一段时间内各用电设备对应的第二用电负荷预测量；其中，每一个用电设备均存在有一个第二用电负荷预测量；

根据所述设备拓扑图对所述第一用电预测结果进行分解，从而得到各用电设备之间的第一用电负荷预测量，并通过对各用电设备之间的第一用电负荷预测量和第二用电负荷预测量，得到预测量差值；其中，每一个用电设备均分解得到一个对应的第一用电负荷预测量；

根据每个用电设备对应的预测量差值，结合预设目标产出需求，得到各个用电设备的目标执行量，并根据所述目标执行量制定所有用电设备的优化策略，进而基于所述优化策略对所述企业内用户的所有用电设备分别进行用电负荷的优化。

作为优选方案，所述获取企业用户中的所有用电设备及其运行参数，并根据各用电设备之间的联动关系，构建出所述用电设备之间的设备拓扑图，具体为：

获取企业用户中所有用电设备及其运行参数，根据各用电设备的运行参数，分别将所述用电设备划分为生产端设备和管理端设备；

根据所述生产端设备之间的联动关系，得到各生产端设备之间的边关系，并将所述生产端设备作为节点，构建生产端设备拓扑图；

在所述生产端设备拓扑图中添加所述管理端设备的节点，并根据所述管理端设备与所述生产端设备之间的连接关系，将所述管理端设备的节点与所述生产端设备进行边连接，从而构建出所述用电设备之间的设备拓扑图。

作为优选方案，所述获取企业用户在预设时间段内总用电负荷的实时数据，并根据所述实时数据构建出用电负荷预测模型，进而通过所述用电负荷预测模型计算得到未来一段时间内的第一用电预测结果，具体为：

获取企业用户在预设时间段内总用电负荷的初始实时数据，并将所述初始实时数据进行数字化处理，从而根据所述初始实时数据的均值，将数字化处理的实时数据进行异常值和离群点的修正，从而得到实时数据；

构建初始用电负荷预测模型，将所述实时数据作为训练数据输入至所述初始用电负荷预测模型中进行模型训练，从而得到用电负荷预测模型；

通过所述用电负荷预测模型，对未来一段时间内的用电负荷进行预测，得到预测结果；

将所述预测结果与同样处于该段时间内的实时数据进行比较，从而得到预测差值；

当所述预测差值大于预设值时，则获取该时间段内的实际用电负荷，从而将所述预测结果与实际用电负荷进行对比，进而根据对比结果对所述用电负荷预测模型进行修正，并将修正后的用电负荷预测模型预测该时间段内的用电负荷所输出的结果，作为第一用电预测结果；

当所述预测差值小于预设值时，则将所述预测结果作为第一用电预测结果。

作为优选方案，所述获取企业用户在预设时间段内各用电设备的用电负荷的历史数据，并根据所述历史数据依次构建出各个用电设备预测模型，进而依次通过各用电设备预测模型，计算得到未来一段时间内各用电设备对应的第二用电负荷预测量，具体为：

获取企业用户在预设时间段内各生产端设备和各管理端设备的用电负荷的历史数据；

依次构建各生产端设备对应的初始第一用电设备预测模型，并将各生产端设备的用电负荷的历史数据作为其对应的初始第一用电设备预测模型的训练数据，从而训练得到各生产端设备对应的第一用电设备预测模型；其中，每一个生产端设备均有一个对应的初始第一用电设备预测模型和训练后的第一用电设备预测模型；

构建所有管理端设备共同的初始第二用电设备预测模型，并将所有管理端设备的用电负荷的历史数据作为初始第二用电设备预测模型的训练数据，从而训练得到所有管理端设备对应的第二用电设备预测模型；其中，所述第二用电设备预测模型对应所有的管理端设备；

通过所述第一用电设备预测模型，依次得到每一个生产端设备的第二用电负荷预测量，以及通过第二用电设备预测模型，得到所有管理端设备的第二用电负荷与测量；其中，每一个生产端设备均有对应的一个通过对应的第一用电设备预测模型所预测得到的第二用电负荷预测量，所有管理端设备仅有一个共同的第二用电负荷与测量。

作为优选方案，所述获取企业用户在预设时间段内各用电设备的用电负荷的历史数据，并根据所述历史数据依次构建出各个用电设备预测模型，进而依次通过各用电设备预测模型，计算得到未来一段时间内各用电设备对应的第二用电负荷预测量，具体为：

获取企业用户在预设时间段内各生产端设备和各管理端设备的用电负荷的历史数据；

对每一个生产端设备构建对应的初始第三用电设备预测模型，并将各生产端设备的用电负荷的历史数据作为其对应的初始第三用电设备预测模型的训练数据，从而训练得到各生产端设备对应的第三用电设备预测模型；其中，每一个生产端设备均有一个对应的初始第三用电设备预测模型和训练后的第三用电设备预测模型；

对每一个管理端设备构建对应的初始第四用电设备预测模型，并将各管理端设备的用电负荷的历史数据作为其对应的初始第四用电设备预测模型的训练数据，从而训练得到各管理端设备对应的第四用电设备预测模型；其中，每一个生产端设备均有一个对应的初始第四用电设备预测模型和训练后的第四用电设备预测模型；

通过所述第三用电设备预测模型，依次得到每一个生产端设备的第二用电负荷预测量，以及通过第四用电设备预测模型，依次得到每一个管理端设备的第二用电负荷预测量。

作为优选方案，所述根据所述设备拓扑图对所述第一用电预测结果进行分解，从而得到各用电设备之间的第一用电负荷预测量，具体为：

根据所述设备拓扑图，得到各管理端设备之间的运行关系及其运行参数，与各生产端设备之间的运行关系及其运行参数；

根据各管理端设备之间的运行关系及其运行参数，与各生产端设备之间的运行关系及其运行参数，依次对各用电设备的所述第一用电预测结果进行分解，以使得通过各用电设备之间的运行关系，确定分解顺序，并根据各用电设备之间的运行参数，对各用电设备的所述第一用电预测结果按照所述分解顺序进行分解，从而得到对应各管理端设备和各生产端设备的第一用电负荷预测量。

作为优选方案，所述根据每个用电设备对应的预测量差值，结合预设目标产出需求，得到各个用电设备的目标执行量，并根据所述目标执行量制定所有用电设备的优化策略，具体为：

根据每个用电设备对应的预测量差值，分别对每个用电设备进行未来用电负荷的修正，从而得到初始目标执行量；

结合预设目标产出需求，对所述用电设备对应的初始目标执行量进行调整，从而得到各个用电设备的目标执行量；

根据所述目标执行量制定初始优化策略，并将所述初始优化策略输入至所述设备拓扑图中，以验证所述初始优化策略的可执行性；

当所述初始优化策略具备可执行性时，则将所述初始优化策略作为最终的优化策略；

当所述初始优化策略不具备可执行性时，则获取所述初始优化策略输入至所述设备拓扑图中运行时所产生的各用电设备的运行数据，并根据各用电设备的运行数据，对所述初始优化策略进行修正，从而修正后得到最终的优化策略。

相应地，本发明还提供一种用电负荷优化的装置，包括：构建模块、第一预测模块、第二预测模块、预测差值模块和优化策略模块；

所述构建模块，用于获取企业用户中的所有用电设备及其运行参数，并根据各用电设备之间的联动关系，构建出所述用电设备之间的设备拓扑图；

所述第一预测模块，用于获取企业用户在预设时间段内总用电负荷的实时数据，并根据所述实时数据构建出用电负荷预测模型，进而通过所述用电负荷预测模型计算得到未来一段时间内的第一用电预测结果；

所述第二预测模块，用于获取企业用户在预设时间段内各用电设备的用电负荷的历史数据，并根据所述历史数据依次构建出各个用电设备预测模型，进而依次通过各用电设备预测模型，计算得到未来一段时间内各用电设备对应的第二用电负荷预测量；其中，每一个用电设备均存在有一个第二用电负荷预测量；

所述预测差值模块，用于根据所述设备拓扑图对所述第一用电预测结果进行分解，从而得到各用电设备之间的第一用电负荷预测量，并通过对各用电设备之间的第一用电负荷预测量和第二用电负荷预测量，得到预测量差值；其中，每一个用电设备均分解得到一个对应的第一用电负荷预测量；

所述优化策略模块，用于根据每个用电设备对应的预测量差值，结合预设目标产出需求，得到各个用电设备的目标执行量，并根据所述目标执行量制定所有用电设备的优化策略，进而基于所述优化策略对所述企业内用户的所有用电设备分别进行用电负荷的优化。

相应地，本发明还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项所述的用电负荷优化的方法。

相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项所述的用电负荷优化的方法。

相比于现有技术，本发明实施例具有如下有益效果：

本发明的技术方案通过获取各用电设备的运行参数和历史数据，并构建用电拓扑图，可以更准确地预测未来一段时间内的用电负荷，同时结合第一用电预测结果和各用电设备的第二用电负荷预测量，可以进行差值计算，进一步提高预测的准确性，并且基于实时数据和历史数据，对用电负荷进行预测和优化，通过多源数据的综合分析，可以提高预测的可靠性，减少预测误差，并提供更精确的用电负荷优化方案，而通过基于实际企业用户的用电设备和运行参数，针对不同的设备和联动关系进行建模和预测，使得具有针对性和实用性，可以根据实际情况进行定制化的用电负荷优化，满足企业用户的实际需求，进而通过构建用电拓扑图和各个用电设备的预测模型，可以并行计算和优化各个用电设备的负荷，提高计算效率，同时根据预设目标需求制定优化策略，进一步提高用电设备的效率和能源利用效率。

附图说明

图1：为本发明实施例所提供的一种用电负荷优化的方法的步骤流程图；

图2：为本发明实施例所提供的一种用电负荷优化的装置的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

请参照图1，为本发明实施例提供的一种用电负荷优化的方法，包括以下步骤S101-S105：

步骤S101:获取企业用户中的所有用电设备及其运行参数，并根据各用电设备之间的联动关系，构建出所述用电设备之间的设备拓扑图。

作为本实施例的优选方案，所述获取企业用户中的所有用电设备及其运行参数，并根据各用电设备之间的联动关系，构建出所述用电设备之间的设备拓扑图，具体为：

获取企业用户中所有用电设备及其运行参数，根据各用电设备的运行参数，分别将所述用电设备划分为生产端设备和管理端设备；根据所述生产端设备之间的联动关系，得到各生产端设备之间的边关系，并将所述生产端设备作为节点，构建生产端设备拓扑图；在所述生产端设备拓扑图中添加所述管理端设备的节点，并根据所述管理端设备与所述生产端设备之间的连接关系，将所述管理端设备的节点与所述生产端设备进行边连接，从而构建出所述用电设备之间的设备拓扑图。

在本实施例中，基于企业用户的用电设备和运行参数，将其划分为生产端设备和管理端设备，并根据设备之间的联动关系构建设备拓扑图。其中，设备拓扑图是由节点和边组成的设备网络结构图，而其中的节点为各种生产端设备和管理端设备，边为各生产端设备和/或管理端设备之间的联动关系，例如：对于钢铁生产企业来说，炼钢设备（生产端设备）的用电负荷和轧钢设备（生产端设备）之间是正相关联系，炼钢设备产钢量上升，则炼钢设备的用电负荷上升，而产钢量上升则会带动轧钢设备需要处理更多的钢材，从而使得轧钢设备的用电负荷也会上升。可以理解的是，设备之间的联动关系可以由人为或者根据用电设备的历史运行数据的变化来得到。

在本实施例中，通过划分生产端设备和管理端设备，并建立设备之间的边关系，可以深入了解各设备之间的关联性和相互影响，有助于识别和理解设备之间的联动关系，以及其对用电负荷的影响。同时，构建设备拓扑图可以清晰地展示企业用户用电设备的结构和连接关系，包括生产端设备和管理端设备之间的连接，从而优化用电设备的布局和调度，提高设备的运行效率和能源利用效率。进一步地，通过设备拓扑图，可以快速定位设备故障和错误，找到故障设备对其他设备的影响，从而提高故障诊断和维修的效率，并且拓扑图还可以帮助优化设备的维护计划，提高设备的可靠性和可用性。加之，通过构建设备拓扑图，可以支持更精确的用电负荷预测和优化，结合设备之间的关联性和拓扑结构，可以制定更合理的用电策略和调度方案，提高能源利用效率，降低用电成本。

步骤S102:获取企业用户在预设时间段内总用电负荷的实时数据，并根据所述实时数据构建出用电负荷预测模型，进而通过所述用电负荷预测模型计算得到未来一段时间内的第一用电预测结果。

作为本实施例的优选方案，所述获取企业用户在预设时间段内总用电负荷的实时数据，并根据所述实时数据构建出用电负荷预测模型，进而通过所述用电负荷预测模型计算得到未来一段时间内的第一用电预测结果，具体为：

获取企业用户在预设时间段内总用电负荷的初始实时数据，并将所述初始实时数据进行数字化处理，从而根据所述初始实时数据的均值，将数字化处理的实时数据进行异常值和离群点的修正，从而得到实时数据；构建初始用电负荷预测模型，将所述实时数据作为训练数据输入至所述初始用电负荷预测模型中进行模型训练，从而得到用电负荷预测模型；通过所述用电负荷预测模型，对未来一段时间内的用电负荷进行预测，得到预测结果；将所述预测结果与同样处于该段时间内的实时数据进行比较，从而得到预测差值；当所述预测差值大于预设值时，则获取该时间段内的实际用电负荷，从而将所述预测结果与实际用电负荷进行对比，进而根据对比结果对所述用电负荷预测模型进行修正，并将修正后的用电负荷预测模型预测该时间段内的用电负荷所输出的结果，作为第一用电预测结果；当所述预测差值小于预设值时，则将所述预测结果作为第一用电预测结果。

在本实施例中，获取企业用户的实时用电负荷数据，并基于该数据构建初始用电负荷预测模型，通过与实际用电负荷进行对比和修正，得到第一用电预测结果。

在本实施例中，通过数字化处理和均值比较，对初始实时数据进行异常值和离群点的修正，提高了数据的准确性和可靠性，减少异常数据对用电负荷预测的影响。通过构建初始用电负荷预测模型，并使用实时数据进行模型训练，可以提高预测模型的准确性和适应性，而预测模型可以利用历史数据中的模式和趋势等信息，对未来一段时间内的用电负荷进行预测，同时将预测结果与实时数据进行比较，得到预测差值。根据预设值，判断预测差值是否大于预设值；如果大于预设值，说明预测差异较大，需要进行修正。通过对比实际用电负荷和预测结果，对预测模型进行修正，提高预测的准确性和可靠性。进而根据修正后的用电负荷预测模型，预测该时间段内的用电负荷，并输出第一用电预测结果，可以理解的是，预测结果可以作为初步的用电负荷预测，为后续的用电调度和优化提供参考。

步骤S103:获取企业用户在预设时间段内各用电设备的用电负荷的历史数据，并根据所述历史数据依次构建出各个用电设备预测模型，进而依次通过各用电设备预测模型，计算得到未来一段时间内各用电设备对应的第二用电负荷预测量；其中，每一个用电设备均存在有一个第二用电负荷预测量。

作为本实施例的优选方案，所述获取企业用户在预设时间段内各用电设备的用电负荷的历史数据，并根据所述历史数据依次构建出各个用电设备预测模型，进而依次通过各用电设备预测模型，计算得到未来一段时间内各用电设备对应的第二用电负荷预测量，具体为：

获取企业用户在预设时间段内各生产端设备和各管理端设备的用电负荷的历史数据；依次构建各生产端设备对应的初始第一用电设备预测模型，并将各生产端设备的用电负荷的历史数据作为其对应的初始第一用电设备预测模型的训练数据，从而训练得到各生产端设备对应的第一用电设备预测模型；其中，每一个生产端设备均有一个对应的初始第一用电设备预测模型和训练后的第一用电设备预测模型；构建所有管理端设备共同的初始第二用电设备预测模型，并将所有管理端设备的用电负荷的历史数据作为初始第二用电设备预测模型的训练数据，从而训练得到所有管理端设备对应的第二用电设备预测模型；其中，所述第二用电设备预测模型对应所有的管理端设备；通过所述第一用电设备预测模型，依次得到每一个生产端设备的第二用电负荷预测量，以及通过第二用电设备预测模型，得到所有管理端设备的第二用电负荷与测量；其中，每一个生产端设备均有对应的一个通过对应的第一用电设备预测模型所预测得到的第二用电负荷预测量，所有管理端设备仅有一个共同的第二用电负荷与测量。

在本实施例中，基于企业用户的历史数据，分别构建生产端设备和管理端设备的用电设备预测模型，并通过预测模型得到第二用电负荷预测量和实测值。而通过为每个生产端设备构建独立的第一用电设备预测模型，可以更准确地预测每个设备的用电负荷，并进行统一管理端预测模型，而通过构建个性化的第一用电设备预测模型和统一的第二用电设备预测模型，实现了多层次的用电负荷预测，并提供了与实测数据对比的评估基准，从而可以提高预测的准确性和效果，为企业用户的用电管理和优化提供支持。

在本实施例中，通过为每个生产端设备构建独立的第一用电设备预测模型，可以更准确地预测每个设备的用电负荷，并根据设备自身的历史数据，预测模型可以更好地捕捉设备特定的用电模式和变化趋势。而通过构建所有管理端设备共同的第二用电设备预测模型，可以更高效地预测管理端设备的用电负荷，可以减少模型构建和维护的工作量，并在一定程度上提高模型的适应性和泛化能力。同时，通过第一用电设备预测模型和第二用电设备预测模型，可以得到生产端设备的第二用电负荷预测量和管理端设备的第二用电负荷预测量，使得可以提供更详细和全面的用电负荷预测信息，支持用电调度和优化决策。而将预测的第二用电负荷与实测值进行对比，可以评估预测模型的准确性和可靠性。通过对比结果，可以发现预测误差和偏差，并根据需要调整和优化预测模型，提高预测的准确性和实用性。

作为本实施例的另一优选方案，所述获取企业用户在预设时间段内各用电设备的用电负荷的历史数据，并根据所述历史数据依次构建出各个用电设备预测模型，进而依次通过各用电设备预测模型，计算得到未来一段时间内各用电设备对应的第二用电负荷预测量，具体为：

获取企业用户在预设时间段内各生产端设备和各管理端设备的用电负荷的历史数据；对每一个生产端设备构建对应的初始第三用电设备预测模型，并将各生产端设备的用电负荷的历史数据作为其对应的初始第三用电设备预测模型的训练数据，从而训练得到各生产端设备对应的第三用电设备预测模型；其中，每一个生产端设备均有一个对应的初始第三用电设备预测模型和训练后的第三用电设备预测模型；对每一个管理端设备构建对应的初始第四用电设备预测模型，并将各管理端设备的用电负荷的历史数据作为其对应的初始第四用电设备预测模型的训练数据，从而训练得到各管理端设备对应的第四用电设备预测模型；其中，每一个生产端设备均有一个对应的初始第四用电设备预测模型和训练后的第四用电设备预测模型；通过所述第三用电设备预测模型，依次得到每一个生产端设备的第二用电负荷预测量，以及通过第四用电设备预测模型，依次得到每一个管理端设备的第二用电负荷预测量。

在本实施例中，通过将每一个生产端设备构建对应的初始第三用电设备预测模型，以及将每一个管理端设备构建对应的初始第四用电设备预测模型，能够确保所得到的所有预测结果是基于各个用电设备，而并非是全部用电设备所对应的结果，相比于上述优选实施例，本优选实施例能够更加准确的实现用电负荷的预测，但同时由于对每个设备进行了模型的构建，相应也会导致出现效率低以及算力较大的问题，因此本发明适用于需要高精度进行优化调控的企业用户。

步骤S104:根据所述设备拓扑图对所述第一用电预测结果进行分解，从而得到各用电设备之间的第一用电负荷预测量，并通过对各用电设备之间的第一用电负荷预测量和第二用电负荷预测量，得到预测量差值；其中，每一个用电设备均分解得到一个对应的第一用电负荷预测量。

作为本实施例的优选方案，所述根据所述设备拓扑图对所述第一用电预测结果进行分解，从而得到各用电设备之间的第一用电负荷预测量，具体为：

根据所述设备拓扑图，得到各管理端设备之间的运行关系及其运行参数，与各生产端设备之间的运行关系及其运行参数；根据各管理端设备之间的运行关系及其运行参数，与各生产端设备之间的运行关系及其运行参数，依次对各用电设备的所述第一用电预测结果进行分解，以使得通过各用电设备之间的运行关系，确定分解顺序，并根据各用电设备之间的运行参数，对各用电设备的所述第一用电预测结果按照所述分解顺序进行分解，从而得到对应各管理端设备和各生产端设备的第一用电负荷预测量。

在本实施例中，根据设备拓扑图和设备之间的运行关系和运行参数，对第一用电预测结果进行分解，得到各管理端设备和生产端设备的第一用电负荷预测量，从而可以提高预测的准确性和实用性，为企业用户的用电管理和调度提供支持。

在本实施例中，预测量差值即为各用电设备之间的第一用电负荷预测量和第二用电负荷预测量，由于每一个用电设备均有一个由实时数据计算得到的第一用电负荷预测量，和一个由历史数据计算得到的第二用电负荷预测量，因此通过计算实时数据和历史数据所得到的预测量，从而能够准确得到两者之间的差异，进而来实现对预测数据的调整，提高预测的准确性。

可以理解的是，通过设备拓扑图和设备之间的运行关系，可以深入了解各管理端设备和生产端设备之间的运行关系和相互影响，从而能够准确确定分解顺序和分解方式，提高分解结果的准确性和可靠性，并且根据设备之间的运行关系和运行参数，可以确定合理的分解顺序，而通过合理的分解顺序，可以优化分解过程，减少计算量和复杂度，提高分解的效率和准确性。

进一步地，通过分解顺序和设备运行参数，对第一用电预测结果进行分解，得到各管理端设备和生产端设备的第一用电负荷预测量，并且通过考虑设备之间的运行参数，分解过程中可以更准确地考虑各设备之间的相互影响和关联性，而预测量可以提供对各设备用电负荷的详细预测信息，支持用电调度和优化决策，并且能够提高对各设备用电负荷的预测准确性，并更好地反映实际运行情况。

步骤S105:根据每个用电设备对应的预测量差值，结合预设目标产出需求，得到各个用电设备的目标执行量，并根据所述目标执行量制定所有用电设备的优化策略，进而基于所述优化策略对所述企业内用户的所有用电设备分别进行用电负荷的优化。

作为本实施例的优选方案，所述根据每个用电设备对应的预测量差值，结合预设目标产出需求，得到各个用电设备的目标执行量，并根据所述目标执行量制定所有用电设备的优化策略，具体为：

根据每个用电设备对应的预测量差值，分别对每个用电设备进行未来用电负荷的修正，从而得到初始目标执行量；结合预设目标产出需求，对所述用电设备对应的初始目标执行量进行调整，从而得到各个用电设备的目标执行量；根据所述目标执行量制定初始优化策略，并将所述初始优化策略输入至所述设备拓扑图中，以验证所述初始优化策略的可执行性；当所述初始优化策略具备可执行性时，则将所述初始优化策略作为最终的优化策略；当所述初始优化策略不具备可执行性时，则获取所述初始优化策略输入至所述设备拓扑图中运行时所产生的各用电设备的运行数据，并根据各用电设备的运行数据，对所述初始优化策略进行修正，从而修正后得到最终的优化策略。

在本实施例中，通过对每个用电设备的预测量差值进行修正，可以更准确地确定每个设备的目标执行量，提高目标执行量的准确性和实际可行性，确保用电设备的运行符合预期目标。而根据目标执行量制定初始优化策略，以实现预设目标产出需求，通过结合设备拓扑图和初始优化策略，可以初步验证策略的可执行性，并为后续优化提供基础。当初始优化策略不具备可执行性时，根据设备拓扑图中运行数据对初始优化策略进行修正，进而通过分析用电设备的运行数据，可以发现优化策略中的问题和不足，并进行相应的调整和修正，以获得更符合实际情况的最终优化策略。最后通过验证和修正，得到最终的优化策略，而该策略经过修正后，具备更好的可执行性和适应性，可以在实际运行中实现目标产出需求，并提高用电设备的效率和能源利用效率。

实施以上实施例，具有如下效果：

本发明的技术方案通过获取各用电设备的运行参数和历史数据，并构建用电拓扑图，可以更准确地预测未来一段时间内的用电负荷，同时结合第一用电预测结果和各用电设备的第二用电负荷预测量，可以进行差值计算，进一步提高预测的准确性，并且基于实时数据和历史数据，对用电负荷进行预测和优化，通过多源数据的综合分析，可以提高预测的可靠性，减少预测误差，并提供更精确的用电负荷优化方案，而通过基于实际企业用户的用电设备和运行参数，针对不同的设备和联动关系进行建模和预测，使得具有针对性和实用性，可以根据实际情况进行定制化的用电负荷优化，满足企业用户的实际需求，进而通过构建用电拓扑图和各个用电设备的预测模型，可以并行计算和优化各个用电设备的负荷，提高计算效率，同时根据预设目标需求制定优化策略，进一步提高用电设备的效率和能源利用效率。

实施例二

请参阅图2，其为本发明实施例所提供的一种用电负荷优化的装置，包括：构建模块201、第一预测模块202、第二预测模块203、预测差值模块204和优化策略模块205。

所述构建模块201，用于获取企业用户中的所有用电设备及其运行参数，并根据各用电设备之间的联动关系，构建出所述用电设备之间的设备拓扑图。

所述第一预测模块202，用于获取企业用户在预设时间段内总用电负荷的实时数据，并根据所述实时数据构建出用电负荷预测模型，进而通过所述用电负荷预测模型计算得到未来一段时间内的第一用电预测结果。

所述第二预测模块203，用于获取企业用户在预设时间段内各用电设备的用电负荷的历史数据，并根据所述历史数据依次构建出各个用电设备预测模型，进而依次通过各用电设备预测模型，计算得到未来一段时间内各用电设备对应的第二用电负荷预测量；其中，每一个用电设备均存在有一个第二用电负荷预测量。

所述预测差值模块204，用于根据所述设备拓扑图对所述第一用电预测结果进行分解，从而得到各用电设备之间的第一用电负荷预测量，并通过对各用电设备之间的第一用电负荷预测量和第二用电负荷预测量，得到预测量差值；其中，每一个用电设备均分解得到一个对应的第一用电负荷预测量。

所述优化策略模块205，用于根据每个用电设备对应的预测量差值，结合预设目标产出需求，得到各个用电设备的目标执行量，并根据所述目标执行量制定所有用电设备的优化策略，进而基于所述优化策略对所述企业内用户的所有用电设备分别进行用电负荷的优化。

作为优选方案，所述获取企业用户中的所有用电设备及其运行参数，并根据各用电设备之间的联动关系，构建出所述用电设备之间的设备拓扑图，具体为：

获取企业用户中所有用电设备及其运行参数，根据各用电设备的运行参数，分别将所述用电设备划分为生产端设备和管理端设备；根据所述生产端设备之间的联动关系，得到各生产端设备之间的边关系，并将所述生产端设备作为节点，构建生产端设备拓扑图；在所述生产端设备拓扑图中添加所述管理端设备的节点，并根据所述管理端设备与所述生产端设备之间的连接关系，将所述管理端设备的节点与所述生产端设备进行边连接，从而构建出所述用电设备之间的设备拓扑图。

作为优选方案，所述获取企业用户在预设时间段内总用电负荷的实时数据，并根据所述实时数据构建出用电负荷预测模型，进而通过所述用电负荷预测模型计算得到未来一段时间内的第一用电预测结果，具体为：

获取企业用户在预设时间段内总用电负荷的初始实时数据，并将所述初始实时数据进行数字化处理，从而根据所述初始实时数据的均值，将数字化处理的实时数据进行异常值和离群点的修正，从而得到实时数据；构建初始用电负荷预测模型，将所述实时数据作为训练数据输入至所述初始用电负荷预测模型中进行模型训练，从而得到用电负荷预测模型；通过所述用电负荷预测模型，对未来一段时间内的用电负荷进行预测，得到预测结果；将所述预测结果与同样处于该段时间内的实时数据进行比较，从而得到预测差值；当所述预测差值大于预设值时，则获取该时间段内的实际用电负荷，从而将所述预测结果与实际用电负荷进行对比，进而根据对比结果对所述用电负荷预测模型进行修正，并将修正后的用电负荷预测模型预测该时间段内的用电负荷所输出的结果，作为第一用电预测结果；当所述预测差值小于预设值时，则将所述预测结果作为第一用电预测结果。

作为优选方案，所述获取企业用户在预设时间段内各用电设备的用电负荷的历史数据，并根据所述历史数据依次构建出各个用电设备预测模型，进而依次通过各用电设备预测模型，计算得到未来一段时间内各用电设备对应的第二用电负荷预测量，具体为：

获取企业用户在预设时间段内各生产端设备和各管理端设备的用电负荷的历史数据；依次构建各生产端设备对应的初始第一用电设备预测模型，并将各生产端设备的用电负荷的历史数据作为其对应的初始第一用电设备预测模型的训练数据，从而训练得到各生产端设备对应的第一用电设备预测模型；其中，每一个生产端设备均有一个对应的初始第一用电设备预测模型和训练后的第一用电设备预测模型；构建所有管理端设备共同的初始第二用电设备预测模型，并将所有管理端设备的用电负荷的历史数据作为初始第二用电设备预测模型的训练数据，从而训练得到所有管理端设备对应的第二用电设备预测模型；其中，所述第二用电设备预测模型对应所有的管理端设备；通过所述第一用电设备预测模型，依次得到每一个生产端设备的第二用电负荷预测量，以及通过第二用电设备预测模型，得到所有管理端设备的第二用电负荷与测量；其中，每一个生产端设备均有对应的一个通过对应的第一用电设备预测模型所预测得到的第二用电负荷预测量，所有管理端设备仅有一个共同的第二用电负荷与测量。

作为优选方案，所述获取企业用户在预设时间段内各用电设备的用电负荷的历史数据，并根据所述历史数据依次构建出各个用电设备预测模型，进而依次通过各用电设备预测模型，计算得到未来一段时间内各用电设备对应的第二用电负荷预测量，具体为：

获取企业用户在预设时间段内各生产端设备和各管理端设备的用电负荷的历史数据；对每一个生产端设备构建对应的初始第三用电设备预测模型，并将各生产端设备的用电负荷的历史数据作为其对应的初始第三用电设备预测模型的训练数据，从而训练得到各生产端设备对应的第三用电设备预测模型；其中，每一个生产端设备均有一个对应的初始第三用电设备预测模型和训练后的第三用电设备预测模型；对每一个管理端设备构建对应的初始第四用电设备预测模型，并将各管理端设备的用电负荷的历史数据作为其对应的初始第四用电设备预测模型的训练数据，从而训练得到各管理端设备对应的第四用电设备预测模型；其中，每一个生产端设备均有一个对应的初始第四用电设备预测模型和训练后的第四用电设备预测模型；通过所述第三用电设备预测模型，依次得到每一个生产端设备的第二用电负荷预测量，以及通过第四用电设备预测模型，依次得到每一个管理端设备的第二用电负荷预测量。

作为优选方案，所述根据所述设备拓扑图对所述第一用电预测结果进行分解，从而得到各用电设备之间的第一用电负荷预测量，具体为：

根据所述设备拓扑图，得到各管理端设备之间的运行关系及其运行参数，与各生产端设备之间的运行关系及其运行参数；根据各管理端设备之间的运行关系及其运行参数，与各生产端设备之间的运行关系及其运行参数，依次对各用电设备的所述第一用电预测结果进行分解，以使得通过各用电设备之间的运行关系，确定分解顺序，并根据各用电设备之间的运行参数，对各用电设备的所述第一用电预测结果按照所述分解顺序进行分解，从而得到对应各管理端设备和各生产端设备的第一用电负荷预测量。

作为优选方案，所述根据每个用电设备对应的预测量差值，结合预设目标产出需求，得到各个用电设备的目标执行量，并根据所述目标执行量制定所有用电设备的优化策略，具体为：

根据每个用电设备对应的预测量差值，分别对每个用电设备进行未来用电负荷的修正，从而得到初始目标执行量；结合预设目标产出需求，对所述用电设备对应的初始目标执行量进行调整，从而得到各个用电设备的目标执行量；根据所述目标执行量制定初始优化策略，并将所述初始优化策略输入至所述设备拓扑图中，以验证所述初始优化策略的可执行性；当所述初始优化策略具备可执行性时，则将所述初始优化策略作为最终的优化策略；当所述初始优化策略不具备可执行性时，则获取所述初始优化策略输入至所述设备拓扑图中运行时所产生的各用电设备的运行数据，并根据各用电设备的运行数据，对所述初始优化策略进行修正，从而修正后得到最终的优化策略。

所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

实施以上实施例，具有如下效果：

本发明的技术方案通过获取各用电设备的运行参数和历史数据，并构建用电拓扑图，可以更准确地预测未来一段时间内的用电负荷，同时结合第一用电预测结果和各用电设备的第二用电负荷预测量，可以进行差值计算，进一步提高预测的准确性，并且基于实时数据和历史数据，对用电负荷进行预测和优化，通过多源数据的综合分析，可以提高预测的可靠性，减少预测误差，并提供更精确的用电负荷优化方案，而通过基于实际企业用户的用电设备和运行参数，针对不同的设备和联动关系进行建模和预测，使得具有针对性和实用性，可以根据实际情况进行定制化的用电负荷优化，满足企业用户的实际需求，进而通过构建用电拓扑图和各个用电设备的预测模型，可以并行计算和优化各个用电设备的负荷，提高计算效率，同时根据预设目标需求制定优化策略，进一步提高用电设备的效率和能源利用效率。

实施例三

相应地，本发明还提供一种终端设备，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项实施例所述的用电负荷优化的方法。

该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序、计算机指令。所述处理器执行所述计算机程序时实现上述实施例一中的各个步骤，例如图1所示的步骤S101至S105。或者，所述处理器执行所述计算机程序时实现上述装置实施例中各模块/单元的功能，例如优化策略模块205。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。例如，所述优化策略模块205，用于根据每个用电设备对应的预测量差值，结合预设目标产出需求，得到各个用电设备的目标执行量，并根据所述目标执行量制定所有用电设备的优化策略，进而基于所述优化策略对所述企业内用户的所有用电设备分别进行用电负荷的优化。

所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据移动终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件开发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

实施例四

相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项实施例所述的用电负荷优化的方法。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。