一种高速公路智能多维度负荷管理调度系统及方法

本发明属于高速公路用电负荷管理，具体涉及一种高速公路智能多维度负荷管理调度系统及方法。

背景技术：

1、随着城市高速公路系统的发展，用电负荷的管理和调度需求越来越复杂和多样化。传统的负荷管理方式为基于历史用电数据和经验制定负荷调度计划，无法满足不断变化的交通流量、用电需求以及相关用电设备的特殊需求。现有的一种负荷管理方式中引入了负载均衡策略，但此种方式需要调整用电设备运行状态进行负荷平衡，忽视了不同用电设备间的用电差异性，未涉及不同用电设备的多维度特征，因而无法满足不同用电需求，且会导致能源利用率低。现有的另一种负荷管理方式中引入了智能控制系统，即对用电负荷的变化具有了部分自适应性，但仍未考虑用电负荷的多维度特征，不能满足高速公路用电负荷需求的多样化及高动态发展。

2、综上，针对高速公路的负荷管理，传统方式不能满足用电需求变化，现有的简单均衡方式，需要降低设备的需求来满足负荷要求，显然不可取，而现有引入智能控制系统的方式仍然具有局限性，不能满足当前高速公路多样化负荷需求的多维度特征及其高动态性，最终导致用电效率低，存在能源浪费。

3、此为现有技术的不足，因此，针对现有技术中的上述缺陷，提供一种高速公路智能多维度负荷管理调度系统及方法，是非常有必要的。

技术实现思路

1、针对现有技术的上述高速公路的负荷管理，传统方式不能满足用电需求变化，现有的简单均衡方式，需要降低设备的需求来满足负荷要求，显然不可取，而现有引入智能控制系统的方式仍然具有局限性，不能满足当前高速公路多样化负荷需求的多维度特征及其高动态性，最终导致用电效率低，存在能源浪费的缺陷，本发明提供一种高速公路智能多维度负荷管理调度系统及方法，以解决上述技术问题。

2、第一方面，本发明提供一种高速公路智能多维度负荷管理调度系统，包括数据采集模块和中央数据处理控制器；

3、数据采集模块，用于采集各用电设备的电路参数以及用电信息数据；

4、中央数据处理控制器包括：

5、模型训练模块，用于对采集数据进行预处理及特征提取，基于提取的特征构建多维度负荷分类模型，再使用采集数据对多维度负荷分类模型进行训练；

6、实时监测模块，用于实时采集用电设备数据，根据实时采集数据对用电设备的状态进行实时监测；

7、负荷调度管理模块，用于将时采集数据输入多维度负荷分类模型中，得到负荷分类结果，对各类别负荷设备按照对应的负荷调度策略进行动态负荷调度。

8、进一步地，数据采集模块包括若干电流传感器、电压传感器以及智能计量仪；各电流传感器及电压传感器布设在用电设备处，测量用电设备的电流和电压参数提供给中央数据处理控制器；

9、各智能计量仪布设在用电设备处，采集用电设备的用电量和用电时段提供给中央数据处理控制器。

10、进一步地，模型训练模块包括：

11、数据处理单元，用于对采集数据通过滑动窗口平均方式进行数据清洗，以及通过离群点检测算法去除异常值，再对采集数据进行统一量纲和量级的归一化处理，并使用插值法对趋势数据进行补全后，提取不同用电设备的用电特征；

12、模型构建单元，用于对采集数据进行特征提取后，使用聚类分析、管理规则、特征选择与降维以及深度学习算法构建多维度负荷分类模型；

13、模型训练单元，用于将采集数据生成数据集并划分为训练集和测试集，再使用训练集对多维度负荷分类模型进行训练，再使用测试集对训练好的多维度负荷分类模型进行测试；

14、模型更新单元，用于根据实时采集数据及用户反馈通知模型构建单元和模型训练单元对多维度负荷分类模型进行定期更新。

15、进一步地，实时监测模块包括：

16、状态监测单元，用于根据实时采集的用电设备数据判断用电设备状态；

17、异常捕捉单元，用于根据用电设备状态判断是否发生负荷变化以及用电设备故障的异常情况。

18、进一步地，负荷调度管理模块包括：

19、差异化调度单元，用于根据实时负荷分类结果，确定负荷种类，查找对应类别负荷的调度目标及调度策略，进行差异化负荷调度；

20、实时响应单元，用于对实时采集数据进行异常分析，对存在异常用电行为及故障的用电设备启动实时响应报警；

21、预测调度单元，用于通过预先构建的数据挖掘模型结合实时负荷分类结果对各类负荷的用电需求进行预测，根据用电需求的预测结果对进行负荷预调度；用户接口单元，用于接收用户的手动操作指令，对预设的用电设备的工作状态进行手动调整。

22、进一步地，还包括安全保障模块；

23、安全保障模块包括：

24、数据安全单元，用于对采集数据进行加密传输；

25、身份验证单元，用于通过用户名和密码对用户登录身份进行限制；

26、权限控制单元，用于分角色设置用户权限，对登录用户按照角色进行对应的权限限制。

27、第二方面，本发明提供一种高速公路智能多维度负荷管理调度系统及方法，包括如下步骤：

28、s1.采集各用电设备的电路参数以及用电信息数据，对采集数据进行预处理后件保存，生成数据集；

29、s2.对采集数据进行特征提取后，使用聚类分析、管理规则、特征选择与降维以及深度学习算法构建多维度负荷分类模型；

30、s3.使用数据集对多维度负荷分类模型进行训练及评估，并定期进行多维度负荷分类模型更新，再将数据集中实时采集数据输入训练好的多维度负荷分类模型中得到负荷分类结果；

31、s4.基于负荷分类结果对各类别负荷设备按照对应类别的负荷调度策略进行动态负荷调度，实现各类别负荷设备的差异化调度。

32、进一步地，步骤s1具体步骤如下：

33、s11.采集各用电设备的电流、电压及功率参数数据；

34、s12.采集各用电设备的用电量及用电时段数据；

35、s13.对采集的数据进行预处理后生成数据集，并数据集保存到数据库。

36、进一步地，步骤s2具体步骤如下：

37、s21.从采集数据中提取电流波形、电压波形以及功率因数特征，识别不同用电设备的用电特征；

38、s22.通过聚类分析算法识别不同用电设备的用电特征的相似性，并把相似性大于相似阈值的用电设备划分为同一类用电设备；

39、s23.通过关联规则识别不同用电设备间用电行为关联规律，并通过不同用电设备间同时运行的频率及时间关系建立用电设备特征间关联度；

40、s24.从各用电设备的用电特征中选择对负荷分类影响度大于影响阈值的用电特征，使用主成分分析算法从选择的用电特征中计算主用电特征，而将与主用电特征关联度大于阈值的用电特征去除，完成用电特征的降维处理；

41、s25.使用深度学习算法识别各用电设备的采集数据的非线性和时序性，构建抽象用电特征；

42、s26.基于降维处理后的用电特征和抽象用电特征构造多维度负荷分类模型。

43、进一步地，步骤s3具体步骤如下：

44、s31.将预处理后数据集划分训练集和测试集；

45、s32.使用测试集中采集数据对多维度负荷分类模型进行训练；

46、s33.将测试集中采集数据输入训练好的多维度负荷分类模型中得到输出负荷分类结果，根据输出负荷分类结果与实际负荷类别计算模型准确率、召回率以及f1值指标，并在三个指标均满足阈值时，判定多维度负荷分类模型测试通过；s34.根据实时采集数据及用户反馈对多维度负荷分类模型的构建及训练过程进行监督学习或增强学习，实现多维度负荷分类模型的定期更新；

47、s35.对各用电设备的电路参数及用电信息数据进行实时采集，并将实时采集数据输入多维度负荷分类模型中得到当前实时负荷分类结果，识别各类型用电设备的负荷变化和故障异常。

48、进一步地，步骤s4具体步骤如下：

49、s41.获取实时负荷分类结果；

50、对照明系统负荷，进入步骤s42；

51、对交通信号系统负荷，进入步骤s43；

52、对充电桩设备类负荷，进入步骤s44；

53、对通信系统类负荷，进入步骤s45；

54、s42.根据交通流量、天气条件及实时时间段动态调整照明用电设备的亮度和使用时长，进入步骤s46；

55、s43.结合实时道路状态、交通流量及路况用电状态，以提高通行效率或降低通信系统能耗为目标对交通信号类用电设备的控制策略进行动态调整，进入步骤s46；

56、s44.根据电网负荷情况及存在充电需求车辆，以提高充电效率或减轻电网压力为目标对充电桩的工作状态进行智能调度，进入步骤s46；

57、s45.根据通信类用电设备的工作状态和数据传输需求，以降低通信功耗或提供运行效率为目标动态调整通信运行模型；

58、s46.通过预先构建的数据挖掘模型结合实时负荷分类结果对各类负荷的用电需求进行预测，根据用电需求的预测结果对进行负荷预调度；

59、s47.对实时采集数据进行异常分析，对存在异常用电行为及故障的用电设备启动实时响应报警；

60、s48.接收用户的手动操作指令，对预设的用电设备的工作状态进行手动调整。本发明的有益效果在于：

61、本发明提供的高速公路智能多维度负荷管理调度系统及方法，通过构建定期更新的多维度负荷分类模型对实时采集负荷数据进行负荷类别识别，从而对不同负荷类别用电设备进行动态差异化调度，实现精确管控，提高了用高速公路电能源的利用效率，降低用电成本。

62、此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。

63、由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。