CN120200250A 一种基于企业供电服务画像的供电服务策略优化方法

(19)国家知识产权局(12)发明专利申请(22)申请日2025.05.27中心264号2#楼9-15层申请人国网福建省电力有限公司郭永劼于娅楠茅琳玲林伟挺GO6NGO6NGO6NH02J合伙)35001一种基于企业供电服务画像的供电服务策略优化方法本发明涉及一种基于企业供电服务画像的基于企业设备数据以及历史负荷数据提取企业构建企业负荷预测模型，基于企业历史负荷数据预测企业的未来负荷数据模型得到企业用电弹性需求曲线，根据企业用电弹性需求曲线对供电服务策略进行优化2基于企业设备数据以及历史负荷数据提取企业设备与负荷关构建企业用电需求弹性响应模型，将企业供电服务画2.根据权利要求1所述的一种基于企业供电服务画像的供电服务策略优化方法，其特对企业历史不同时刻的负荷数据进行归一化处理后构建输入样本集，具体如下式所其中：X(t)表示至t时刻的输入样本集；Lnorm(t)表示t时刻归一化后的企业负荷数所述短时特征提取层基于卷积神经网络构建，将输入样本集输入短时特征提取层提取33.根据权利要求2所述的一种基于企业供电服务画像的供电服务策略优化方法，其特企业的实际产能；Pmax表示企业的历史最大产能；U(t)表示t时刻企业的订单履约紧迫4.根据权利要求3所述的一种基于企业供电服务画像的供电服务策略优化方法，其特向前回溯的历史时间间隔；表示最大回溯窗Lcorec(t+n)=L(t+n)·[1+∑ta,·tanh(DCCF(i,其中：Lcorrect(t+n)表示t+n时刻修正后的企业未来负荷数据；L(t+n)表示DCCF(i,t)表示t时刻企业设备i与企业历史负荷的关联性特征；Epred(i,t)表示t时刻企5.根据权利要求4所述的一种基于企业供电服务画像的供电服务策略优化方法，其特通过改进的动态时间规整算法对企业未来负荷数据与任一典型负荷模式时间序列进DTW(X,Y)=minp√Z(xmyn)EPw(m,n)4基于对齐后的企业未来负荷数据，通过高斯混合模型识别与其最接近的负荷模式，具其中：X表示对齐后的企业未来负荷数据；◎表示高斯混合模型的参数集合，率密度最大的负荷模式c下的对应的高斯混合模型的参数集合。6.根据权利要求5所述的一种基于企业供电服务画像的供电服务策略优化方法，其特第J个分时电价阶梯的价格弹性系数；Ptariff,表示第Î个分时电价阶梯的电像。7.根据权利要求6所述的一种基于企业供电服务画像的供电服务策略优化方法，其特Fopt=min[Zt+nDela(t+n)·Ptariff(t+n)+γ·V8.一种基于企业供电服务画像的供电服务策略优化系统，5模块、企业负荷预测模块、生产强度特征生成模块、关联性特征生产模块、负荷模式识别模块、企业供电服务画像构建模块以及供电服务策略优化模块；所述数据采集模块用于采集企业历史负荷数据、历史运营数据以及企业设备数据，并对历史负荷数据、历史运营数据以及企业设备数据进行预处理；所述企业负荷预测模块用于构建企业负荷预测模型，基于企业历史负荷数据预测企业的未来负荷数据；所述生产强度特征生成模块用于基于企业历史运营数据计算企业的生产强度特征；所述关联性特征生产模块用于基于企业设备数据以及历史负荷数据提取企业设备与负荷关联性特征，并根据关联性特征对企业未来负荷数据进行修正；所述负荷模式识别模块用于根据修正后企业未来负荷数据识别企业的负荷模式；所述企业供电服务画像构建模块用于基于企业的生产强度特征、设备与负荷关联性特所述供电服务策略优化模块用于构建企业用电需求弹性响应模型，将企业供电服务画像以及修正后的未来负荷数据输入企业用电需求弹性响应模型得到企业用电弹性需求曲线，根据企业用电弹性需求曲线对供电服务策略进行优化。9.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7任一项所述的方法。6一种基于企业供电服务画像的供电服务策略优化方法技术领域[0001]本发明涉及一种基于企业供电服务画像的供电服务策略优化方法，属于能源管理技术领域。背景技术[0002]在电力系统规划和企业用电管理领域，负荷预测与供电服务策略优化一直是实现高效、安全、经济供电的关键环节。传统方法主要包括统计学方法和基于历史数据的时间序列模型，如自回归滑动平均模型(ARMA)、指数平滑法以及简单的回归分析，这些方法通常在数据量较小时具有一定预测能力。然而，随着企业生产、设备运行及市场环境的日益复杂，传统技术存在多方面局限性：现有技术往往仅仅侧重于利用企业历史负荷数据进行负荷预测，而忽略了企业生产强度、订单履约情况、设备运行状况等多维度数据的作用。单一数据源或特征的使用使得模型在捕捉非线性、多模态变化规律时能力有限；传统负荷预测模型主要依赖简单的统计模型或浅层神经网络，难以捕捉企业用电数据中的长时依赖性和复杂非线性特征。尤其在面对负荷数据的时序波动、多变的生产节奏和设备状态变化时，传统模型容易出现欠拟合或预测偏差较大的问题；以往的供电服务策略主要侧重于静态成本分析，并未充分考虑企业对价格波动的响应弹性，缺乏将企业实际生产、设备运行和市场电价等多因素协同作用引入决策过程的综合模型，使得供电服务策略难以应对复杂的市场环境和瞬息万变的用电需求。发明内容[0003]为了解决上述现有技术中存在的问题，本发明提出了一种基于企业供电服务画像的供电服务策略优化方法。[0004]本发明的技术方案如下：一方面，本发明提供了一种基于企业供电服务画像的供电服务策略优化方法，包括以下步骤：采集企业历史负荷数据、历史运营数据以及企业设备数据，并对历史负荷数据、历史运营数据以及企业设备数据进行预处理；构建企业负荷预测模型，基于企业历史负荷数据预测企业的未来负荷数据；基于企业历史运营数据计算企业的生产强度特征；基于企业设备数据以及历史负荷数据提取企业设备与负荷关联性特征，并根据关联性特征对企业未来负荷数据进行修正；根据修正后企业未来负荷数据识别企业的负荷模式；基于企业的生产强度特征、设备与负荷关联性特征、负荷模式构建企业供电服务构建企业用电需求弹性响应模型，将企业供电服务画像以及修正后的未来负荷数7对企业历史不同时刻的负荷数据进行归一化处理后构建输所述短时特征提取层基于卷积神经网络构建，将输入样时特征提取层的卷积层数量；W表示第1个卷积层的权重矩阵；bi表示第1个卷积层的偏头的输出；h表示注意力头总数；W⁰表示多头注意力的输出线性投影权重矩阵；8时刻向前回溯的历史时间间隔；表示最大回溯窗口长度；N(i)表示企业设备i的空间邻域业设备i的空间邻域设备集合中的第j个设备；λ表示历史时间权重衰减系数；Eload(j,t—t)表示t—T时刻设备j的历史负荷数据；Lhist(t)Lcorec(t+n)=L(t+n)·[1+Za,tanh(示t+n时刻的企业未来负荷数据；n表示预测跨度时刻；αi表示企业设备i的重要企业设备i的负荷数据。通过改进的动态时间规整算法对企业未来负荷数据与任一典型负荷模式时间序DTW(X,Y)=minp√Z(xmyn)EPw(m,n)与典型负荷模式时间序列Y进行对齐；P表示将企业未来负荷数据X与典型负荷模式时间基于对齐后的企业未来负荷数据，通过高斯混合模型识别与其最接近的负荷模其中：X表示对齐后的企业未来负荷数据；◎表示高斯混合模型的参数集合，9率密度最大的负荷模式c下的对应的高斯混合模型的参数集合。其中：Dela(t+n)表示t+n时刻企业用电弹性需求；表示分时电价阶梯总数；Gj表示第j个分时电价阶梯的价格弹性系数；Ptariff,j表示第J个分Fopt=min[Zt+n(Dela(t+n)·Ptariff(t+n)+γ·V其中：Fopt表示企业的优化供电服务策略；Ptariff(t+n)表示t+九时刻的电[0011]再一方面，本发明还提供了一种基于企业供电服务画像的供电服务策略优化系所述数据采集模块用于采集企业历史负荷数据、历史运营数据以及企业设备数所述生产强度特征生成模块用于基于企业历史运营数据计算企业的生产强度特所述关联性特征生产模块用于基于企业设备数据以及历史负荷数据提取企业设所述供电服务策略优化模块用于构建企业用电需求弹性务画像以及修正后的未来负荷数据输入企业用电需求弹性响应模型得到企业用电弹性需求曲线，根据企业用电弹性需求曲线对供电服务策略进行优化。[0012]再一方面，本发明还提供一种电子设备，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本发明所述的方法。[0013]再一方面，本发明还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本发明所述的方法。[0014]本发明具有如下有益效果：1、本发明通过采集企业历史负荷数据、历史运营数据以及企业设备数据，构建综合的企业供电服务画像，这种画像整合了生产强度特征、设备与负荷之间的关联性以及典型的负荷模式，能够全面反映企业从生产到供电各环节的实际情况，提高了负荷预测与用电响应的适应性和准确性。[0015]2、本发明提出了基于深度混合注意力时序网络的负荷预测模型，通过引入卷积神经网络用于短时特征提取、多头自注意力机制捕捉长期依赖关系以及多层感知机进行映射，极大提升了模型对复杂时序特征和非线性关系的建模能力，确保了预测结果的鲁棒性和准确性。[0016]3、本发明构建了用电需求弹性响应模型，将企业供电服务画像与预测负荷数据相结合，考虑电价、价格弹性系数以及企业综合特征的影响，通过弹性需求曲线分析，在确保用电稳定的前提下，实现成本最小化。结合供电服务策略优化目标函数，在降低供电成本的同时，进一步平衡用电负荷的波动性，从而提升供电系统的经济性和稳定性。附图说明[0017]图1为本发明方法流程图。具体实施方式[0018]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[0019]应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。[0020]应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文[0022]术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组[0023]实施例一：参见图1,一种基于企业供电服务画像的供电服务策略优化方法，包括以下步骤：采集企业历史负荷数据、历史运营数据以及企业设备数据，并对历史负荷数据、历基于企业设备数据以及历史负荷数据提取企业设备与负所述短时特征提取层基于卷积神经网络构建，将输入样时特征提取层的卷积层数量；W表示第1个卷积层的权重矩阵；b₁表示第1个卷积层的偏其中：M表示短期动态窗口最大长度，控制对负荷动态变化特征追溯的深度；φ(m)表示长度为m的短期动态窗口的时间衰减权重函数，φ(m)=e-Bm,β表示时间权重衰减速率；Eload(j,t—T-m)表示企业设备j在t—T-m时刻的历史负荷数据；数，其中，x=Eload(j,t—T-m),y=Lhist(t-m);Hx表示长度为m的短期动态窗口内企业设备j的历史负荷数据均值；Hy表示长度为m的短期动态窗口内企业整体历史负荷示t+n时刻的企业未来负荷数据；n表示预测跨度时刻；αi表示企业设备i的重要性权企业设备i的负荷数据。通过改进的动态时间规整算法对企业未来负荷数据与任一典型负荷模式时间序DTW(X,Y)=minp√Z(xmyn)EPw(m,n)与典型负荷模式时间序列Y进行对齐；P表示将企业未来负荷数据X与典型负荷模式时间序列Y之间的对齐方式的集合，即在两个时序数据之间所有满足一定约束条件(边界条件、基于对齐后的企业未来负荷数据，通过高斯混合模型识别与其最接近的负荷模其中：X表示对齐后的企业未来负荷数据；◎表示高斯混合模型的参数集合，式占总体数据的比例；|Ac|表示基于第C个负荷模式对应的典型负荷模式时间序列构建的协方差矩阵的行列式；μc表示第C个负荷模式对应的典型负荷模式时间序列的均值；Mtag(t)表示t时刻企业未来负荷数据对应的负荷模式；X(t)表示对齐后的企业未来负荷数据在t时刻的数据点；0:表示X(t)在其出现的概率密度最大的负荷模式c下的对应的高斯混合模型的参数集合；(2π)²表示正态分布密度函数中的归一化常数的一部分；所述负荷模式具体包括：其特点为用电量变化相对平稳，波动较小，整体负荷水平基本保持稳定。其特点为用电需求有明显的周期性波动，通常表现为某些时段(例如白天、生产高峰期)负荷急增，而在夜间或休息期间负荷显著下降。其特点为负荷随生产工序或设备状态的不同阶段呈现分段式变化，可能由设备启其特点为在特定事件或异常情况(如设备故障、应急调度)下，负荷会在短时间内急剧上升或下降，表现为突发性波动。其特点为企业在扩产或减产期间，整体负荷呈现出逐步上升或下降的趋势。其特点为负荷受季节、气候或市场需求周期的影响，呈现出长期的波动趋势。[0033]作为本实施例的优选实施方式，构建企业用电需求弹性响应模型，将企业供电服务画像输入企业用电需求弹性响应模型得到企业用电弹性需求曲线，具体如下式所示：其中：Dela(t+n)表示t+n时刻企业用电弹性需求；表示分时电价阶梯总数；Gj表示第Î个分时电价阶梯的价格弹性系数；Ptariff,f表示第J个分时电价阶梯的电价；Pbase表示基础电价；fimp表示服务画像影响函数；Ipsp(t+n)表示t+n时刻的企业供电服务画像；所述服务画像影响函数具体如下式所示：其中：W;表示第j个分时电价阶梯的权重向量；b;表示第j个分时电价阶梯的偏所述企业供电服务画像具体如下式所示：作为本实施例的优选实施方式，根据企业用电弹性需Fopt=min(Zt+nDela(t+n)·Ptariff(t+n))+γ·Var其中：Fopt表示企业的优化供电服务策略；Ptariff(t+n)表示t+九时刻的电更加重视负荷的稳定性(降低波动),当Y较小时，则主要关注降低供电成本；Var(Dela(t+n))表示企业用电弹性需求的方差；通过最小化Fopt来寻找最优供电策略，从而在满足用电需求的基础上达到成本最低或者负荷平稳性最优的目标，在整体决策中实际的优化变量包括：企业主动负荷管理策略(如负荷削峰与移峰措施)、储能设备的启停及充放电策略、生产工艺上负荷时序的合理调整。一种基于企业供电服务画像的供电服务策略优化系统，包括数据采集模块、企业负荷预测模块、生产强度特征生成模块、关联性特征生产模块、负荷模式识别模块、企业供电服务画像构建模块以及供电服务策略优化模块；所述数据采集模块用于采集企业历史负荷数据、历史运营数据以及企业设备数据，并对历史负荷数据、历史运营数据以及企业设备数据进行预处理；所述企业负荷预测模块用于构建企业负荷预测模型，基于企业历史负荷数据预测企业的未来负荷数据；所述生产强度特征生成模块用于基于企业历史运营数据计算企业的生产强度特所述关联性特征生产模块用于基于企业设备数据以及历史负荷数据提取企业设备与负荷关联性特征，并根据关联性特征对企业未来负荷数据进行修正；所述负荷模式识别模块用于根据修正后企业未来负荷数据识别企业的负荷模式；所述企业供电服务画像构建模块用于基于企业的生产强度特征、设备与负荷关联性特征、负荷模式构建企业供电服务画像；所述供电服务策略优化模块用于构建企业用电需求弹性响应模型，将企业供电服务画像以及修正后的未来负荷数据输入企业用电需求弹性响应模型得到企业用电弹性需求曲线，根据企业用电弹性需求曲线对供电服务策略进行优化。[0035]该系统用于实现实施例一中的方法，在此不再赘述。本实施例提出一种电子设备