一种用电调控系统及调控方法与流程

1.本发明属于用电调控领域，尤其涉及一种用电调控系统及调控方法。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.建筑能耗在社会总能消中的比例也逐年增加。据研究表明，通过建筑节能技术可以有效地降低建筑的能耗。如何利用现有的计算机技术、嵌入式技术、通信技术，建立一种建筑智能用电系统已成为当前研究的热点。发明人发现，目前的建筑智能用电控制策略大多通过人为经验控制，无法准确及时调节用电设备的工作状态，这样降低了生活环境的舒适，也浪费了建筑用电能量。


技术实现要素：

4.为了解决上述背景技术中存在的技术问题，本发明提供一种用电调控系统及调控方法，其能够提高建筑用电能量的利用率。
5.为了实现上述目的，本发明采用如下技术方案：
6.本发明的第一个方面提供了一种用电调控系统，其包括：
7.信息采集模块，其用于：采集设定调控区域内的用电信息和负荷信息；
8.终端控制模块，其用于：接收设定调控区域内的用电信息和负荷信息；提取负荷信息的负荷特征，并经训练好且使用pso算法优化的svm模型中，得到负荷辨识结果；将用电信息经预先训练好的模糊神经网络模型处理，得到调控区域内已辨识负荷的调控策略，以达到满足用户设定用电需求且总能耗最低的目的。
9.进一步地，所述用电信息包括温度、湿度、照度、co2浓度和电量。
10.进一步地，所述负荷信息包括用电设备启停的负荷电压变化及电流变化。
11.进一步地，在所述终端控制模块中，提取负荷信息的负荷特征之前还包括：对负荷信息进行滤波。
12.进一步地，所述模糊神经网络模型包括模糊神经元、模糊神经模型和模糊学习的神经网络三部分组成。
13.进一步地，在训练模糊神经网络模型的过程中，比较实际调控输出与模型输出调控的误差，当误差在设定范围内时，学习完成；如果误差超出设定范围，重新调整模糊神经网络模型的连接权值，直至学习完成。
14.本发明的第二个方面提供一种用电调控方法，其包括：
15.获取设定调控区域内的用电信息和负荷信息；
16.提取负荷信息的负荷特征，并经训练好且使用pso算法优化的svm模型中，得到负荷辨识结果；
17.将用电信息经预先训练好的模糊神经网络模型处理，得到调控区域内已辨识负荷
的调控策略，以达到满足用户设定用电需求且总能耗最低的目的。
18.进一步地，所述用电信息包括温度、湿度、照度、co2浓度和电量；所述负荷信息包括用电设备启停的负荷电压变化及电流变化。
19.本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的用电调控方法中的步骤。
20.本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的用电调控方法中的步骤。
21.与现有技术相比，本发明的有益效果是：
22.本发明通过接收设定调控区域内的用电信息和负荷信息；提取负荷信息的负荷特征，并经训练好且使用pso算法优化的svm模型中，得到负荷辨识结果；将用电信息经预先训练好的模糊神经网络模型处理，得到调控区域内已辨识负荷的调控策略，达到了满足用户设定用电需求且总能耗最低的目的。
23.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
24.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
25.图1是本发明实施例的用电调控系统结构示意图；
26.图2是本发明实施例的模糊神经网络模型结构示意图；
27.图3是本发明实施例的模糊神经网络模型示意图；
28.图4是本发明实施例的zigbee协议体系结构。
具体实施方式
29.下面结合附图与实施例对本发明作进一步说明。
30.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
31.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
32.实施例一
33.如图1所示，本实施例提供了一种用电调控系统，其具体包括如下模块：
34.(1)信息采集模块，其用于：采集设定调控区域内的用电信息和负荷信息。
35.在本实施例中，所述用电信息包括温度、湿度、照度、co2浓度和电量。所述负荷信息包括用电设备启停的负荷电压变化及电流变化。
36.例如：信息采集模块包括温度传感器、湿度传感器、光照度传感器、co2浓度传感
器、电量计量模块、电压传感器和电流传感器。
37.在本实施例中，需要满足
‑
20～50℃的温度测量范围，0～99％的湿度测量范围，且需要较小的体积。为了避免电路板的温度对测量结果造成的影响，模块与电路板之间需增加缝隙以减少来自pcb板的热传导。因此，温湿度传感器选用sht11模块，该模块同时实现温度、湿度测量，内部集成测量、校准电路，保证数据的准确性。
38.照度的强弱影响人们的居住舒适度和眼睛疲劳程度，科学有效的调节照度可以保证人们舒适的同时又节约能源。据研究表明，室内最适宜的照度为100lux，照度过高或过低对人眼都会造成伤害。为保证室内照度的准确测量，照度模块选择bh1750fvi芯片，该芯片测量范围可达1～65535lux，且支持i2c总线接口，方便数据的读取。
39.此处需要说明的是，信息采集模块中的各个传感器元件均可采用现有的元器件来实现，其具体型号，本领域技术人员可根据实际的情况来具体选择，此处不再累述。
40.其中，用电设备包括但不限于照明灯、空调、风扇、电脑、电加热壶和电视等。
41.(2)终端控制模块，其用于：
42.接收设定调控区域内的用电信息和负荷信息；
43.提取负荷信息的负荷特征，并经训练好且使用pso算法优化的svm模型中，得到负荷辨识结果；
44.将用电信息经预先训练好的模糊神经网络模型处理，得到调控区域内已辨识负荷的调控策略，以达到满足用户设定用电需求且总能耗最低的目的。
45.在具体实施中，提取负荷信息的负荷特征之前还包括：对负荷信息进行滤波。例如：使用扩展卡尔曼滤波算法对负荷信息进行滤波。
46.此处可以理解的是，本领域技术人员可根据实际情况来具体选择负荷信息的滤波方法。
47.在本实施例中，负荷特征包括电压特征和电流特征。
48.在一个或多个实施例中，提取负荷信息的负荷特征的方法包括但不限于小波包分析法。
49.在具体实施过程中，使用pso算法优化的svm模型的具体过程为：
50.使用pso算法初始化svm模型的超参数；通过训练不断使用pso算法优化svm模型，找出适合负荷辨识的最佳决策边界，获取最佳超参数从而使得svm模型的输出精度达到设定要求。
51.在具体实施中，信息采集模块可采用zigbee通信与终端控制模块相互通信。
52.如图4所示，ieee802.15.4标准定义了物理层和mac层，zigbee标准定义了安全层、网络层、应用层以及产品的应用资料。物理层定义了mac层与无线信道接口，基于硬件驱动程序，实现对物理信道信息传输机制的管理和数据管理。物理层管理服务包括空闲信道评估、收发器的控制、物理信道的能量检测、物理层数据参数的设置与获取。
53.mac层定义了网络层与mac层接口，实现多项服务内容，包括协调器对网络的建立和维护、协调器和信标帧的同步、保证mac实体之间的信息传输、通过csma机制访问物理信道、支持gts时隙保护、支持pan网络的连接与断开、支持安全机制。
54.网络层定义应用层和网络层接口，负责网络连接的维护和拓扑结构的建立，主要功能包括设备路由的维护和转交、提供设备断开和连接机制、提供信息传输保密协议。
55.应用层定义了应用层和应用层之间的接口，包括设备配置层、应用支持子层、应用程序，提供应用层信息管理服务。服务内容包括aib管理、安全管理、提供绑定服务等。
56.zigbee拓扑结构中包括三个设备：协调器(coordinator)、路由器(router)、终端设备(enddevice)。协调器负责网络的建立、消息的发送等，是一个网络的核心。一个网络只有一个协调器，但可以有多个路由设备。
57.zigbee组网选用z
‑
stack协议栈，与其他协议栈相比，z
‑
stack协议栈具有路由智能化、环路稳定高效、操作方便等优点。z
‑
stack协议栈内部包括了从应用层到mac层五层事件的处理函数，包括主文件、头文件、操作系统接口文件三部分。
58.需要说明的是，在其他实施例中，信息采集模块也可采用wifi等其他无线通信与终端控制模块相互通信。
59.在一个或多个实施例中，如图3所示，所述模糊神经网络模型包括模糊神经元、模糊神经模型和模糊学习的神经网络三部分组成。其中，输入的信号要经过模糊处理、隶属度计算、反模糊化、参数学习等过程。
60.其中，模糊神经元包括三种类型：类型i、类型ii、类型iii；类型i具有精确输入信号的模糊神经元；类型ii的输入和输出变量均为模糊值；类型iii的神经网络模型由if
‑
then规则表示。
61.模糊神经模型包括五层，第一层为输入层，第二层为模糊化层，第三层为“与”层，第四层为“或”层，第五层为解模糊化层。
62.第一层为输入层，输入信号为精确值，输入变量的个数用节点数表示，实现节点输入值的传送；第二层为模糊化层，计算输入变量的隶属度函数，实现输入变量的模糊化；第三层为“与”层，该层的节点个数表示模糊规则数，所有节点用来计算每个模糊度函数的使用度，该层的节点与第二层的一个节点相连接；第四层为“或”层，第四层为节点数表示变量模糊度划分个数，该层与第三层之间全互连接，权值为w
kj
；第五层为解模糊化层，节点数表示输出变量的个数，该层与第四层之间采用全互连接，该层将模糊输出转化为确定值输出。
63.神经网络的学习过程就是通过不断调整权值，减小输出信息与教师信号的差值，使输出信号逐渐逼近教师信号，当差值接近允许范围内时，认为学习完成。具体地，在训练模糊神经网络模型的过程中，比较实际调控输出与模型输出调控的误差，当误差在设定范围内时，学习完成；如果误差超出设定范围，重新调整模糊神经网络模型的连接权值，直至学习完成。
64.实施例二
65.如图2所示，本实施例提供了一种用电调控方法，其具体包括如下步骤：
66.步骤1：获取设定调控区域内的用电信息和负荷信息；
67.其中，所述用电信息包括温度、湿度、照度、co2浓度和电量；所述负荷信息包括用电设备启停的负荷电压变化及电流变化。
68.步骤2：提取负荷信息的负荷特征，并经训练好且使用pso算法优化的svm模型中，得到负荷辨识结果；
69.步骤3：将用电信息经预先训练好的模糊神经网络模型处理，得到调控区域内已辨识负荷的调控策略，以达到满足用户设定用电需求且总能耗最低的目的。
70.需要说明的是，本实施例中的各个步骤与实施例一中的终端控制模块中的具体实
施过程相同，此处不再累述。
71.实施例三
72.本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例二所述的用电调控方法中的步骤。
73.实施例四
74.本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例二所述的用电调控方法中的步骤。
75.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
76.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
77.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
78.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
79.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
80.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。