SmartEle: داشبورد هوشمند برق برای تشخیص الگوهای مصرف: مطالعه موردی در پردیس دانشگاه

برای دستیابی به هدف توسعه پایدار ۷ (SDG7)، تشخیص الگوهای مکانی و زمانی مصرف برق، به ویژه ناهمگنی مکانی زمانی مصرف کنندگان ضروری است. این نیز برای برنامه ریزی و مدیریت منطقی انرژی بسیار مهم است. با این حال، مطالعاتی در مورد بررسی کاربران ناهمگن وجود ندارد. علاوه بر این، آثار موجود بر روی مدل‌های ریاضی برای شناسایی و پیش‌بینی مصرف برق تمرکز دارند. علاوه بر این، به دلیل روابط متقابل غیر خطی پیچیده، تجسم های تعاملی در تشخیص الگوها موثرتر هستند. بنابراین، با ترکیب دانش داشبورد جغرافیایی و فناوری تجسم تعاملی، یک داشبورد برق هوشمند (SmartEle) طراحی و توسعه داده شد تا به صورت تعاملی داده‌های الکتریکی بزرگ و عوامل مرتبط با یکدیگر را تجسم کند. یک محوطه دانشگاهی به عنوان منطقه مطالعاتی. سیستم SmartEle سه چالش را برطرف کرد. اول، نظارت گروه محور الگوهای مصرف برق را که به ندرت در مطالعات موجود در نظر گرفته شده است، مجاز می‌سازد. دوم، یک مدل داده کاوی مبتنی بر تجسم پیشنهاد شد، و یک داشبورد تجسم تعاملی برای تسهیل درک الگوهای مصرف برق در دانه‌بندی‌های مختلف و از دیدگاه‌های مختلف طراحی شد. در نهایت، برای مقابله با ویژگی‌های غیرخطی مصرف برق، مدل یادگیری ماشین ATT-LSTM برای پشتیبانی از پیش‌بینی مشارکتی چند متغیره برای بهبود دقت پیش‌بینی‌های مصرف برق کوتاه‌مدت پیشنهاد شد. نتایج نشان داد که سیستم SmartEle برای برنامه ریزی و مدیریت برق قابل استفاده است. نظارت گروه محور الگوهای مصرف برق را که به ندرت در مطالعات موجود در نظر گرفته شده است، مجاز می‌سازد. دوم، یک مدل داده کاوی مبتنی بر تجسم پیشنهاد شد، و یک داشبورد تجسم تعاملی برای تسهیل درک الگوهای مصرف برق در دانه‌بندی‌های مختلف و از دیدگاه‌های مختلف طراحی شد. در نهایت، برای مقابله با ویژگی‌های غیرخطی مصرف برق، مدل یادگیری ماشین ATT-LSTM برای پشتیبانی از پیش‌بینی مشارکتی چند متغیره برای بهبود دقت پیش‌بینی‌های مصرف برق کوتاه‌مدت پیشنهاد شد. نتایج نشان داد که سیستم SmartEle برای برنامه ریزی و مدیریت برق قابل استفاده است. نظارت گروه محور الگوهای مصرف برق را که به ندرت در مطالعات موجود در نظر گرفته شده است، مجاز می‌سازد. دوم، یک مدل داده کاوی مبتنی بر تجسم پیشنهاد شد، و یک داشبورد تجسم تعاملی برای تسهیل درک الگوهای مصرف برق در دانه‌بندی‌های مختلف و از دیدگاه‌های مختلف طراحی شد. در نهایت، برای مقابله با ویژگی‌های غیرخطی مصرف برق، مدل یادگیری ماشین ATT-LSTM برای پشتیبانی از پیش‌بینی مشارکتی چند متغیره برای بهبود دقت پیش‌بینی‌های مصرف برق کوتاه‌مدت پیشنهاد شد. نتایج نشان داد که سیستم SmartEle برای برنامه ریزی و مدیریت برق قابل استفاده است. که به ندرت در مطالعات موجود مورد توجه قرار گرفته است. دوم، یک مدل داده کاوی مبتنی بر تجسم پیشنهاد شد، و یک داشبورد تجسم تعاملی برای تسهیل درک الگوهای مصرف برق در دانه‌بندی‌های مختلف و از دیدگاه‌های مختلف طراحی شد. در نهایت، برای مقابله با ویژگی‌های غیرخطی مصرف برق، مدل یادگیری ماشین ATT-LSTM برای پشتیبانی از پیش‌بینی مشارکتی چند متغیره برای بهبود دقت پیش‌بینی‌های مصرف برق کوتاه‌مدت پیشنهاد شد. نتایج نشان داد که سیستم SmartEle برای برنامه ریزی و مدیریت برق قابل استفاده است. که به ندرت در مطالعات موجود مورد توجه قرار گرفته است. دوم، یک مدل داده کاوی مبتنی بر تجسم پیشنهاد شد، و یک داشبورد تجسم تعاملی برای تسهیل درک الگوهای مصرف برق در دانه‌بندی‌های مختلف و از دیدگاه‌های مختلف طراحی شد. در نهایت، برای مقابله با ویژگی‌های غیرخطی مصرف برق، مدل یادگیری ماشین ATT-LSTM برای پشتیبانی از پیش‌بینی مشارکتی چند متغیره برای بهبود دقت پیش‌بینی‌های مصرف برق کوتاه‌مدت پیشنهاد شد. نتایج نشان داد که سیستم SmartEle برای برنامه ریزی و مدیریت برق قابل استفاده است. و یک داشبورد تجسم تعاملی برای تسهیل درک الگوهای مصرف برق در دانه بندی های مختلف و از دیدگاه های مختلف طراحی شده است. در نهایت، برای مقابله با ویژگی‌های غیرخطی مصرف برق، مدل یادگیری ماشین ATT-LSTM برای پشتیبانی از پیش‌بینی مشارکتی چند متغیره برای بهبود دقت پیش‌بینی‌های مصرف برق کوتاه‌مدت پیشنهاد شد. نتایج نشان داد که سیستم SmartEle برای برنامه ریزی و مدیریت برق قابل استفاده است. و یک داشبورد تجسم تعاملی برای تسهیل درک الگوهای مصرف برق در دانه بندی های مختلف و از دیدگاه های مختلف طراحی شده است. در نهایت، برای مقابله با ویژگی‌های غیرخطی مصرف برق، مدل یادگیری ماشین ATT-LSTM برای پشتیبانی از پیش‌بینی مشارکتی چند متغیره برای بهبود دقت پیش‌بینی‌های مصرف برق کوتاه‌مدت پیشنهاد شد. نتایج نشان داد که سیستم SmartEle برای برنامه ریزی و مدیریت برق قابل استفاده است.

کلید واژه ها:

داشبورد ؛ مدیریت برق ; تجسم ; گروه کاربری ناهمگن

۱٫ مقدمه

خدمات انرژی مدرن نقش کلیدی در بهبود کیفیت زندگی دارند [ ۱ ، ۲ ، ۳ ]. دستیابی به دسترسی جهانی به خدمات انرژی مدرن و ارائه خدمات انرژی مدرن پایدار به افراد بیشتری، هسته اصلی SDG7 است [ ۴ ]. حدود ۸۴۰ میلیون نفر در سراسر جهان هنوز در پایان سال ۲۰۱۷ به انرژی برق دسترسی نداشتند [ ۵ ]. مصرف برق به دلیل توزیع فضا-زمان مصرف کنندگان دارای یک الگوی مکانی-زمانی واضح است. با این حال، به دست آوردن ارزیابی‌های دقیق از الگوهای مکانی و زمانی مصرف برق و بررسی عواملی که بر مصرف برق تأثیر می‌گذارند برای برنامه‌ریزی و مدیریت برق بسیار مهم است [ ۶ ، ۷ ], ۸ , ۹ , ۱۰ ].

پردیس یک جامعه کاملاً کاربردی با الگوهای فضایی و زمانی مصرف برق قابل توجه است. از منظر مصرف برق، یک پردیس شامل چندین بخش اجتماعی کاربردی است، به عنوان مثال، برای زندگی (غذاخوری، محل اقامت)، یادگیری (کلاس درس، کتابخانه) و اوقات فراغت (ورزش)، در یک منطقه کوچک. در یک پردیس، ساختمان ها به عنوان واحدهای اساسی مصرف انرژی برق، از نظر مصرف برق دارای الگوی مکانی و زمانی نهفته هستند. از دیدگاه گروه های کاربری، پردیس دارای تنوع قابل توجهی است، به ویژه در پردیس های چینی، از جمله معلمان، محققان، دانش آموزان و خانواده های کارمندان. علاوه بر این، گروه‌های کاربر پردیس دارای فعالیت‌های منظم، تجمع قوی، گروه‌های پایدار و رفتارهای مشابه هستند [ ۱۱ ]]. از منظر عوامل مؤثر بر مصرف برق، مصرف برق جامعه مسکونی مستعد تأثیرات ترکیبی عوامل متعددی مانند ساختار خانوار، قیمت برق، شیوه زندگی و رفتار مشتری، آب و هوا و سطوح مصرف است [ ۱۲ ، ۱۳ ، ۱۴ ]. با این حال، در یک دانشگاه، علاوه بر عوامل خارجی مانند آب و هوا، عوامل ذاتی مانند رفتار گروه های کاربری و تحرک آنها نیز میزان مصرف برق را تعیین می کند [ ۱۰ ، ۱۵ ]. بنابراین، الگوی مکانی-زمانی پایدارتر و نهفته‌تری در پردیس وجود دارد.

استفاده از یک رویکرد داده محور برای مدل کردن رفتار مصرف برق کاربر، ابزاری موثر برای شناسایی الگوهای مصرف کاربر و تجزیه و تحلیل عوامل موثر بر مصرف برق است [ ۱۶ ، ۱۷ ، ۱۸ ، ۱۹ ].

با این حال، برخی از چالش ها هنوز در تجزیه و تحلیل مصرف برق یک پردیس وجود دارد. اول، آثار موجود بر روی خود داده ها تمرکز می کنند اما ناهمگونی گروه های کاربر را نادیده می گیرند. کاربران در یک پردیس شامل گروه های مختلفی هستند که الگوهای مصرف برق متفاوتی را نشان می دهند. تنها چند اثر تأثیر ناهمگونی گروه های کاربر را اندازه گیری کرده اند. دوم، تجسم داده های پیچیده غیرخطی مصرف برق آسان نیست. به طور خاص، حسابداری الگوهای مکانی و زمانی در داده‌های مصرف برق کار سخت‌تری در برنامه‌ریزی و مدیریت برق است [ ۲۰ ]]. سوم، یک مدل ریاضی موثر برای پیش‌بینی الگوهای مصرف برق کوتاه‌مدت به دلیل روابط پیچیده مکانی و زمانی وجود ندارد. پارادایم یادگیری ماشین فرصتی برای بهبود قابلیت پیش بینی فراهم می کند.

برای پرداختن به این مسائل، طراحی مدل داده کاوی مبتنی بر تجسم مبتنی بر مکانیزم نمایه‌سازی داده‌های خاص برای درک مؤثر مصرف برق یکپارچه در محوطه دانشگاه بود. مجموعه‌ای از تجسم‌های همراه که به فرد اجازه می‌دهد داده‌ها را از منظرهای چندگانه و در سطوح مختلف کاوش کند به منظور امکان مشاهده و مقایسه اطلاعات مکانی – زمانی در مصرف برق پیشنهاد شده است. با این تکنیک‌ها، یک سیستم داشبورد به نام SmartEle طراحی و پیاده‌سازی شد تا بینشی در مورد الگوهای مصرف برق دانشگاه ارائه دهد. سهم عمده این مطالعه به شرح زیر است.

(۱) پروفایل مصرف برق کاربر گروه محور: به دلیل ناهمگونی یک پردیس، الگوهای مصرف برق جوامع و ساختمان‌های عملکردی مختلف مقایسه و تجزیه و تحلیل شد تا همبستگی‌ها و تفاوت‌ها در مصرف برق گروه‌های کاربری مختلف شناسایی شود.

(۲) یک چارچوب تعاملی: یک مدل داده کاوی مبتنی بر تجسم و مجموعه‌ای از تجسم‌های همراه برای پشتیبانی از سنجش مصرف برق دانشگاه از دیدگاه‌های متعدد و در دانه‌بندی‌های متعدد پیشنهاد شده‌اند.

(۳) یک مدل پیش‌بینی مشارکتی چند متغیره برای پیش‌بینی تقاضای برق کوتاه‌مدت با دقت پیش‌بینی بهبود یافته پیشنهاد شده‌است، که مبنایی علمی برای برنامه‌ریزی توان منطقی فراهم می‌کند.

۲٫ کارهای مرتبط

در سال‌های اخیر، داده‌های برق شهری توجه گسترده‌ای از سوی بسیاری از محققان در چین و خارج از کشور، عمدتاً در زمینه‌های تحلیل رفتار مصرف برق، نظارت بر وضعیت کار شبکه، نظارت بر مصرف برق و پیش‌بینی، به خود جلب کرده است [ ۲۱ ، ۲۲ ].

۲٫۱٫ تجزیه و تحلیل رفتار مصرف برق

تحلیل رفتار مصرف برق به استفاده از فناوری داده کاوی برای تجزیه و تحلیل عادات رفتاری کاربران از داده های عظیم، ناهمگن و چند بعدی الکتریسیته برای شناسایی گروه های کاربر با ویژگی های رفتاری متمایز و تجزیه و تحلیل الگوهای مصرف برق گروه های مختلف اشاره دارد. پرکاربردترین روش در تحقیقات رفتار مصرف برق موجود، تجزیه و تحلیل خوشه ای است و برخی از محققان نیز پرتره های کاربر را برای تجزیه و تحلیل الگوهای رفتار مصرف برق پیاده سازی کرده اند.

استفاده از الگوریتم خوشه بندی برای تجزیه و تحلیل رفتار مصرف برق کاربران رایج است. برای مثال، ژانگ [ ۲۳ ] از الگوریتم خوشه‌بندی K-means برای تحلیل رفتار مصرف برق کاربران برای ویژگی‌های توالی رویداد مانند نرخ مصرف ساعت اوج، نرخ بار و ضریب دره استفاده کرد. کاربران مسکونی محله به پنج دسته تقسیم شدند. خو و همکاران الگوریتم K-means را برای استخراج منحنی‌های ویژگی از طبقه‌بندی منحنی‌های بار مشتری بهبود بخشید، ویژگی‌های رفتار مصرف برق کاربران را تجزیه و تحلیل کرد و به طبقه‌بندی و شناسایی انواع مختلف کاربر پی برد [ ۲۴ ].]. آنها پارامترهای مشخصه سطوح و الگوهای مصرف برق را بر اساس مدل توزیع احتمال خوشه‌بندی استخراج کردند و منحنی‌های مصرف برق مسکونی ۱۶ خوشه را ترسیم کردند [ ۲۵ ]. مطالعه دیگری [ ۲۶] داده های مصرف برق ماهانه و میانگین دمای ماهانه را به طور جداگانه برای مطالعه تأثیر آب و هوا بر مصرف برق دسته بندی کرد. قوانین ارتباط برای دمای اتمسفر و مصرف برق کاربر، ویژگی‌های جغرافیایی محله و مصرف برق به طور جداگانه برای بررسی الگوهای مصرف برق کاربران در ویژگی‌های فضایی خاص ایجاد شد. با این حال، تجزیه و تحلیل داده ها و انتخاب بهینه مجموعه ویژگی رفتار مصرف برق در آن مطالعه نادیده گرفته شد. بنابراین، برخی از محققان برای بهینه‌سازی و انتخاب بهتر مجموعه ویژگی‌ها، یک استراتژی بهینه‌سازی برای ویژگی‌های رفتار مصرف برق کاربران پیشنهاد کرده‌اند که بر اساس آن می‌توان به تحلیل رفتار مصرف برق بهینه‌شده پی برد [ ۲۷ ، ۲۸ ].].

الگوریتم پرتره کاربر به ما کمک می کند تا به سرعت ویژگی های مصرف برق کاربران را درک کنیم، بنابراین برخی از محققان آن را در زمینه برق استفاده کرده اند. یک مطالعه [ ۲۹ ] مصرف برق کاربران را با ایجاد کتابخانه ای از برچسب های رفتار مصرف برق کاربر و شناسایی الگوهای مصرف برق کاربران تجزیه و تحلیل کرد، و در نهایت الگوهای رفتار مصرف برق را برای انواع مختلف کاربران تحقق بخشید. ژانگ ابتدا از یک الگوریتم خوشه بندی دوگانه برای تجزیه و تحلیل رفتار مصرف برق کاربران استفاده کرد، سپس از خوشه بندی K-means برای تجزیه و تحلیل نتایج استفاده کرد و در نهایت یک پرتره در سطح پارک از مصرف برق کاربران به دست آورد [ ۳۰ ].

محدودیت‌های عمده این مطالعات رفتار مصرف برق به شرح زیر است: (۱) بیشتر مطالعات رفتار مصرف برق کاربران را بر حسب تفاوت‌های فردی تحلیل کرده‌اند، در حالی که ویژگی‌های گروه کاربر و تفاوت‌های بین گروهی را نادیده می‌گیرند. و (۲) ساختار عملکردی در منطقه مورد مطالعه نسبتا همگن بود، اگرچه با ساختار عملکردی پیچیده. تجزیه و تحلیل دقیق تفاوت در مصرف برق در مناطق عملکردی مختلف تمرکز این مطالعه بود.

۲٫۲٫ تجسم داده های مصرف برق

داده های برق مبنایی برای بهره برداری و مدیریت سیستم قدرت است. غربالگری و تجسم اطلاعات مفید از داده‌های عظیم الکتریسیته برای آشکار کردن قوانین درونی و روندهای آینده داده‌های برق ضروری است، و در نتیجه عملکرد داده‌ها و کارایی کارگران برق را بهبود می‌بخشد [ ۳۱ ، ۳۲ ]. فناوری تجسم پشتیبانی برای نظارت بر زمان واقعی شرایط عملیاتی یک سیستم قدرت را فراهم می کند [ ۱۹ ]. بسته به نوع داده های برق و تجزیه و تحلیل مورد نیاز، انتخاب روش تجسم مناسب می تواند به بیان بصری ویژگی های داده ها کمک کند [ ۲۱ ، ۳۳ ]. یک مطالعه [ ۳۴] بر اساس دو روش تجزیه و تحلیل داده ها، پرس و جو و خوشه بندی، تجزیه و تحلیل بصری رفتار مصرف برق کاربران را انجام داد. ژائو از نمودارهای توپولوژی برای تجزیه و تحلیل بصری داده های جزر و مد قدرت استفاده کرد [ ۳۵ ]. گگنر و همکاران از حلقه‌های متحرک و نمودارهای خطی در اندازه متن برای نمایش داده‌های الکتریسیته در یک شبکه گسترده استفاده کرد، از این مضرات که یک تجسم ایستا فقط می‌تواند داده‌ها را در یک دوره زمانی نمایش دهد اجتناب کرد و اطلاعات جغرافیایی داده‌ها را تجسم کرد [ ۲۰ ].

اکثر این مطالعات داده‌های الکتریسیته تک سری را به نحوی تجسم کردند یا نتایج تجزیه و تحلیل مجموعه داده‌های چندگانه را تجسم کردند، اما یک روش ساده و شهودی برای تجسم برای تجزیه و تحلیل مقایسه‌ای در میان سری‌های داده چندگانه وجود ندارد. هدف فناوری تجسم مقایسه همپوشانی همپوشانی داده‌های متعدد با ابزارهای بصری مختلف در یک فضای نمایشی است، تجزیه و تحلیل و مقایسه داده‌ها را مختصرتر و کارآمدتر می‌کند و نمایش پویا در میان داده‌ها را تحقق می‌بخشد [ ۳۶ ]. لی [ ۳۷ ] از کدگذاری رنگی برای تجسم خطوط برق استفاده کرد و داده های برق را با همپوشانی نقشه های بخش و مناطق هات اسپات روی خطوط نشان داد، به طوری که وضعیت عملکرد سیستم قدرت و توزیع مشتریان برق به طور موثر نمایش داده شد. لو [۳۸ ] از کدگذاری رنگ و تجسم همپوشانی برای نشان دادن توزیع حالات قدرت و سلسله مراتب سیستم منبع تغذیه استفاده کرد و به کارگران برق کمک کرد تا تجهیزات الکتریکی شهر و منبع تغذیه جوامع را در مقیاس‌های مختلف درک کنند. با این حال، این مطالعات هنوز به تجسم پویا از ارتباط داده های الکتریسیته حاوی ویژگی های متعدد با روابط مکانی-زمانی پیچیده دست نیافته اند. به عنوان مثال، چندین ویژگی داده را می توان در یک نماد گرافیکی برای دستیابی به مقایسه و تجزیه و تحلیل بصری داده ها، و همچنین تنظیم تعاملی پارامترها پس از به روز رسانی ویژگی های داده، ادغام کرد.

۲٫۳٫ پیش بینی تقاضای برق کوتاه مدت

تامین برق ارتباط تنگاتنگی با زندگی و بهره وری مردم دارد. به منظور منطقی کردن تولید، انتقال و توزیع برق و اطمینان از عملکرد ایمن و روان یک سیستم قدرت، لازم است تقاضای برق در بلندمدت (یک یا چند ساله)، میان مدت (میان مدت) پیش بینی شود. هفته تا یک سال) و کوتاه مدت (ساعت تا روز) [ ۳۹ ، ۴۰ ، ۴۱ ، ۴۲ ]. در این میان، پیش‌بینی کوتاه‌مدت توان برای مقامات مدیریت انرژی برای توسعه برنامه‌های زمان‌بندی تولید و برنامه‌های مصرف برق بسیار مهم است [ ۴۳ ، ۴۴ ].

اکثر روش‌های مورد استفاده در مطالعات پیش‌بینی مصرف برق کوتاه‌مدت بر اساس سری‌های زمانی و با استفاده از یادگیری ماشین بوده‌اند. تحلیل پیش‌بینی سری‌های زمانی از ویژگی‌های زمان یک رویداد در دوره گذشته برای پیش‌بینی ویژگی‌های آن رویداد در دوره آینده استفاده می‌کند. این مدل‌ها ساده هستند و کارایی پیش‌بینی عینی دارند، اما برای سری‌هایی با غیرخطی قوی پیش‌بینی نمی‌کنند [ ۴۲ ]. اگرچه دقت پیش‌بینی را می‌توان با استفاده از یادگیری ماشین تا حدودی بهبود بخشید، اما با افزایش تصاعدی در مقدار داده‌های الکتریسیته، معایب آن کاهش در توانایی بیان اطلاعات مؤثر در داده‌ها و راندمان پیش‌بینی آهسته است. ۴۵ ].

برای بهبود دقت پیش‌بینی تقاضای برق، یک مدل پیش‌بینی ترکیبی پیشنهاد شده است. به عنوان مثال، یک مطالعه در ادبیات [ ۴۶ ] هموارسازی نمایی یکپارچه (ETS) و حافظه بلند مدت و کوتاه مدت پیشرفته (LSTM) را برای پیش بینی تقاضای برق ماهانه برای ۳۵ کشور اروپایی انجام داد. روش پیش‌بینی EGM دنگ، که شامل EEMD، GRU و MLR است، به طور موثر دقت پیش‌بینی تقاضای برق کوتاه‌مدت را بهبود بخشید [ ۴۷ ]. یانگ مدل پیش‌بینی مصرف برق کوتاه‌مدت ماشین بردار پشتیبان حداقل مربعات (LSSVM) را بر اساس بهینه‌سازی VMD و SSA پیشنهاد کرد و دقت پیش‌بینی تقاضای برق را بهبود بخشید [ ۴۲ ].

این مطالعات پیش‌بینی تقاضای برق، اطلاعات معنایی ویژگی‌های مکانی و زمانی مکان کاربران را در نظر نگرفت. به عنوان مثال، بین مصرف برق در دوره های خاص (رویدادهای مهم، تعطیلات مهم و …) و مصرف برق روزانه تفاوت زیادی وجود دارد. یک مدل ترکیبی با یک بهینه ساز چند هدفه و ماشین بردار پشتیبانی برای بهبود دقت و پایداری پیش‌بینی‌های تقاضای برق در طول همه‌گیری [ ۴۸ ] پیشنهاد شد. اطلاعات معنایی محیطی فضایی (نوع سکونت، محیط پوشش گیاهی و فاصله تا جاده ها و غیره) [ ۲۶ ]] و اطلاعات معنایی جامعه عملکردی (مسکونی، صنعتی و تفریحی و غیره) در ویژگی های جغرافیایی تأثیر زیادی بر مصرف برق کاربران دارد.

۳٫ منطقه مطالعه و تجزیه و تحلیل وظایف

۳٫۱٫ منطقه و داده های مطالعه

در این مطالعه دانشگاهی واقع در پکن به عنوان منطقه پژوهشی انتخاب شد. به عنوان جوامع مستقل در یک شهر، یک پردیس شامل چندین منطقه کاربردی است. منطقه تحقیق با توجه به ویژگی‌های ناهمگون عملکردها به جامعه آموزشی، جامعه پژوهشی، جامعه خوابگاهی، جامعه تفریحی، جامعه تدارکات و جامعه آپارتمان کارشناسی ارشد و دکترا (جامعه محل زندگی معلمان) تقسیم شد. محوطه دانشگاه. منطقه مورد مطالعه در شکل ۱ نشان داده شده است .

منابع اصلی داده برای این مطالعه داده های مصرف برق، داده های شکل برداری منطقه مورد مطالعه و داده های آب و هوا بودند. داده‌های مصرف برق، مصرف واقعی برق روزانه ساختمان‌ها در منطقه مورد مطالعه به مدت ۲۴ ماه طی سال‌های ۲۰۱۸-۲۰۱۹ بود. داده های مصرف برق مورد استفاده در این مطالعه داده های واقعی هستند که توسط نویسنده پنجم ارائه شده و توسط گروه مدرسه جمع آوری شده است. داده های خاص به شرح زیر بود: شناسه ساختمان، نام ساختمان، مصرف برق و زمان. داده های شکل برداری منطقه مورد مطالعه شامل اطلاعات مکان مکانی و داده های ویژگی بود. داده های ویژگی شامل نام ساختمان، دسته بندی جامعه عملکردی و مصرف برق بود. علاوه بر این، ما از فناوری خزنده برای به دست آوردن داده های آب و هوا برای بازه های زمانی مختلف در منطقه مورد مطالعه استفاده کردیم.

به منظور تجزیه و تحلیل کارآمد داده ها، داده های مختلف پیش پردازش، در پایگاه داده ذخیره و شاخص های پرس و جو ایجاد شد. سپس داده‌های مصرف برق فضایی شدند، یعنی با یک موقعیت مکانی جغرافیایی مرتبط شدند.

۳٫۲٫ تجزیه و تحلیل وظایف

به منظور درک کامل چالش های برنامه ریزی برق، مصاحبه هایی با کارشناسان و روسای بخش ها انجام شد. پس از این بحث ها، فهرستی از وظایف تحلیلی تهیه شد.

T1. تجزیه و تحلیل مصرف برق مبتنی بر جامعه: الگوهای مصرف برق جوامع مختلف عملکردی چیست؟ تفاوت آنها چیست؟ درک عمیق از تقاضای برق در مناطق عملکردی مختلف، منجر به توزیع معقول انرژی الکتریکی به گروه‌های مختلف کاربر می‌شود.

T2. تجزیه و تحلیل مصرف برق مبتنی بر سری زمانی: مصرف برق چگونه در طول زمان تغییر می کند؟ روند مصرف برق برای آینده چگونه است؟ با تجزیه و تحلیل تغییرات مصرف برق در دوره های زمانی مختلف، الگوهای مصرف برق گروه های مختلف کاربری را می توان یافت که به تحقق پیش بینی های مصرف برق کمک می کند.

T3. نظارت غیرعادی: آیا در مصرف برق ناهنجاری وجود دارد؟ در حین کارکرد سیستم قدرت، مصرف برق غیرعادی یا قطع سیگنال، خرابی تجهیزات و سایر رویدادهای غیرمنتظره ممکن است رخ دهد که منجر به داده های غیرعادی برق می شود. نظارت و تجزیه و تحلیل این مقادیر غیرعادی به کارگران برق کمک می کند تا مصرف برق غیرعادی و وضعیت عملکرد تجهیزات برق را درک کنند.

T4. عوامل مصرف برق: چه عواملی بر مصرف برق تاثیر می گذارد؟ ارتباط بین مصرف برق و هر یک از عوامل تأثیرگذار با در نظر گرفتن عواملی مانند فصول، آب و هوا، روزهای کاری، تعطیلات و رویدادهای مهم مورد بررسی قرار گرفت.

T5. تجسم یکپارچه داده های مصرف برق: چگونه می توان طیف کاملی از اطلاعات را به طور موثر به کاربران نمایش داد؟ این اطلاعات به کاربران کمک می کند تا ویژگی های مهم داده های برق را مشاهده و مقایسه کنند. بنابراین، دانستن چگونگی ادغام چندین ویژگی داده در یک نماد گرافیکی، کلید تجسم جامع اطلاعات است.

T6. تجسم تعاملی: چگونه می توان به کاربران انعطاف پذیری برای انتخاب مناطق کاربردی مورد علاقه داد؟ آیا سیستم از انتخاب دوره های زمانی مورد علاقه به صورت تعاملی پشتیبانی می کند؟ یک پیوند چند نما و یک سیستم تجسم داده‌های برق تعاملی برای امکان کاوش رایگان داده‌ها و استخراج اطلاعات قدرت بیشتر ضروری است.

به طور خلاصه، هدف این مطالعه طراحی یک سیستم تجسم تعاملی مشارکتی مرتبط با چند نمای بود که بخش‌های برق را قادر می‌سازد تا به طور موثر از وضعیت برق پردیس بهره ببرند، در حالی که از تجزیه و تحلیل مکانی – زمانی داده‌های مصرف برق و سنجش مصرف برق پردیس پشتیبانی می‌کند. وضعیت و رفتار مصرف برق کاربران علاوه بر این، این سیستم باید پیش‌بینی‌هایی از تقاضای برق برای دوره‌های آینده ارائه دهد که گام مهمی در تضمین تامین برق است. برای اینکه به راحتی قابل درک و مشاهده باشد، سیستم باید تا حد امکان ساده و شهودی باشد.

۴٫ روش ها

با در نظر گرفتن ماهیت ناهمگون پردیس، یک چارچوب تجزیه و تحلیل بصری برای ترکیب ادراک از وضعیت مصرف برق از سطوح و دیدگاه‌های چندگانه پیشنهاد شد. چارچوب در ۴ قسمت طراحی شده است، همانطور که در شکل ۲ نشان داده شده است. برای مقایسه و تحلیل موثر تفاوت‌های مصرف برق در بین گروه‌ها، رفتار کاربر با مصرف برق در جوامع مختلف عملکردی همبستگی داشت. سری‌های زمانی مشابهی برای الگوهای مصرف برق گروهی برای ساخت پیش‌بینی‌های مشترک استخراج شد. در نهایت، نتایج مدل در یک داشبورد جغرافیایی ادغام شدند که از نظر تجسم چند مقیاسی، پویا و تعاملی پیشرفته است، که از یک الگوی جفت گیری محکم استفاده کرد [ ۱۹ ]]، بنابراین ابزاری مؤثر برای کاربران فراهم می کند تا آزادانه داده ها را کاوش کنند.

۴٫۱٫ تجزیه و تحلیل همبستگی مصرف برق برای گروه های کاربر

ناهمگونی گروه های کاربری تقاضاهای متفاوتی برای برق ایجاد می کند. بنابراین، اندازه گیری ارتباط بین گروه های کاربر و مصرف برق مهم است. تفاوت های گروهی در مصرف برق از دیدگاه کیفی و کمی مورد تجزیه و تحلیل قرار گرفت.

۴٫۱٫۱٫ تحلیل کیفی

دو روش نگاشت رنگ ها به مصرف برق با استفاده از تجسم رنگ آمیزی هیپسومتریک اتخاذ شد: گرمای مبتنی بر نقشه و حرارت مبتنی بر تقویم. تجسم نقشه حرارتی پویا مبتنی بر نقشه از بینش بصری در رابطه توزیع مصرف برق گروه ها در فضا پشتیبانی می کند. در نمای نقشه، دو لایه کاربردی به نقشه پایه آنلاین ArcGIS و یک لایه برداری اضافه شده است. لایه عملکردی شامل یک لایه گرما و یک لایه نشانگر است. لایه حرارتی نتیجه نگاشت رنگی سطح مصرف برق ساختمان است. نقشه حرارتی با توجه به فیلتر داده تعریف شده به صورت پویا تغییر می کند. فیلتر داده در بخش ۴٫۴ توضیح داده شده است. هنگامی که کاربر روی ساختمان مورد نظر زوم می کند و روی آن کلیک می کند، نمای از کل محوطه دانشگاه به ساختمان مورد نظر تغییر می کند و برای مکان انتخاب شده توسط کاربر، یک جعبه هشدار اطلاعاتی ظاهر می شود تا اطلاعات مکان و جزئیات برق را نشان دهد. اطلاعات مصرف نقشه حرارتی مبتنی بر تقویم متغیرهای دو متغیره را معرفی می کند، به عنوان مثال، یک متغیر زمان و مصرف برق. با طراحی جدول نقشه رنگی، گروه هایی از بلوک ها که در قالب تقویم چیده شده اند، بر اساس مصرف برق روزانه ارائه می شوند که یک بلوک رنگی نشان دهنده مصرف برق یک روز است. این تغییر رنگ نقش برجسته بصری را ایفا می کند و به نقشه حرارتی تقویم اجازه می دهد تا توزیع مصرف برق را در طول زمان به وضوح منعکس کند.

۴٫۱٫۲٫ آنالیز کمی

تفاوت در مصرف برق توسط گروه های مختلف از دو منظر درک شد: الگوهای تکامل مصرف برق مبتنی بر سری زمانی و مقایسه مصرف برق جامعه. بر اساس تجزیه و تحلیل سری های زمانی، نمودارهای خط مصرف برق ماهانه را می توان برای جوامع عملکردی خاص ترسیم کرد. هر خط به طور خودکار با حداکثر و حداقل مصرف برق به صورت حباب برچسب گذاری می شود و یک خط چین نشان دهنده میانگین مقدار مصرف برق است. این تجسم، پیگیری دوره های اوج و پایین مصرف برق را برای کارگران برق آسان می کند. مقایسه مصرف برق جامعه را می توان با طراحی یک نمودار حلقه تو در تو که با تغییرات دینامیکی در داده ها سازگار می شود و به طور خودکار درصد هر بخش را محاسبه می کند، به دست آورد. در این مورد، نمودار دایره ای داخلی اولین سطح مصرف برق منطقه ای، یعنی شش جامعه عملکردی را نشان می دهد. حلقه بیرونی نشان دهنده مصرف برق منطقه ای ثانویه، به عنوان مثال، ساختمان های فردی در هر جامعه کاربردی است. همبستگی ها و تفاوت ها در مصرف برق بین و درون گروه ها به طور همزمان قابل مشاهده است. ساختمان های فردی در هر جامعه کاربردی. همبستگی ها و تفاوت ها در مصرف برق بین و درون گروه ها به طور همزمان قابل مشاهده است. ساختمان های فردی در هر جامعه کاربردی. همبستگی ها و تفاوت ها در مصرف برق بین و درون گروه ها به طور همزمان قابل مشاهده است.

۴٫۲٫ تجسم داده های مصرف برق با ترکیب ویژگی های متعدد

کارگران برق باید داده‌های مصرف برق را از سطوح و دیدگاه‌های متعدد استخراج کنند، که یک مجموعه داده عظیم با ویژگی‌های چند بعدی تولید می‌کند. این به یک ابزار نمایش اطلاعات جامع نیاز دارد که بتواند به طور مستقیم وضعیت مصرف برق دانشگاه را درک کند، که به کارگران کمک می کند تا به سرعت وضعیت کلی مصرف برق دانشگاه را درک کنند و تفاوت های بین مجموعه داده های مختلف را به صورت بصری مقایسه کنند. با این حال، اگر مجموعه داده‌های چند بعدی با هم همپوشانی داشته باشند و در یک فضای نمایشی یکسان نمایش داده شوند، ممکن است باعث پیچیدگی بصری و ایجاد بار شناختی برای کاربران شود، که یکی از چالش‌هایی است که قبلا توضیح داده شد. بنابراین، طراحی یک استعاره بصری ساده و موثر برای نمایش اطلاعات یکپارچه ضروری بود.

با الهام از تکنیک های تجسم همپوشانی، یک استعاره بصری جدید برای نشان دادن ویژگی های مهم داده های مصرف برق طراحی شد. پس از گفتگو با کارشناسان قدرت، اطلاعات کلیدی برای کدگذاری بصری شناسایی شد، به عنوان مثال، مصرف برق روزانه، مصرف برق ماهانه و داده‌های مصرف برق ساختمان‌ها برای جوامع کاربردی خاص. یک مدل داده کاوی مبتنی بر تجسم (الگوریتم ۱) برای ادغام چندین ویژگی داده مهم و به دست آوردن پرتره های برق کاربر برای گروه های دانشگاه استفاده شد.

الگوریتم ۱ مدل داده کاوی مبتنی بر تجسم.
ورودی: ویژگی های داده های متعدد. خروجی: نمادهای گرافیکی که چندین ویژگی داده را ادغام می کنند.
۱	تبدیل داده ها
۲		داده‌های خام ورودی را به قالب داده‌های استاندارد پذیرفته شده توسط Echarts تبدیل کنید
۳	ایجاد ژنراتور
۴	تابع Option را ایجاد کنید
۵		روش ترسیم نمودار و ویژگی های تابع Option را تعریف کنید
۶		تعریف محورهای قطبی با توجه به شکلی که داده ها باید در آن ارائه شوند
۷		ارائه گرافیکی و ویژگی های مختلف مانند موقعیت و سبک را در گزینه ها تعریف کنید
۸		داده های پردازش تکمیل شده را در گزینه ها وارد کنید
۹	یک نمایه گرافیکی ایجاد کنید
۱۰		برای چندین گرافیک فهرست های جداگانه اضافه کنید
۱۱	پوشش گرافیکی
۱۲		بر اساس شاخص گرافیکی طراحی شده، چندین گرافیک را روی هم قرار دهید
۱۳	توابع Option را برای رسم نمودار در ژنراتور وارد کنید

با در نظر گرفتن مزایای آشکار نمودار حلقه برای همپوشانی چند لایه اطلاعات به صورت انعطاف‌پذیر، و مزایای نمودار خطی برای نشان دادن ویژگی‌های زمانی، یک چارچوب نمودار حلقه‌ای با نمودار ناحیه تا شده تودرتو، نمودار میله‌ای، نمودار دایره‌ای و گرد استفاده شد. نمودار در یک نماد گرافیکی تنظیم شده است. ساختار گرافیکی خاص در شکل ۳ در زیر نشان داده شده است.

در بین نمودارهای مختلف، نمودار ناحیه تا شده مصرف برق روزانه گروه های کاربری خاص (جامعه های عملکردی) را نشان می دهد. دوازده میله، در جهت عقربه های ساعت، نشان دهنده مصرف برق ماهانه گروه های کاربری از ژانویه تا دسامبر است. نمودار دایره ای مصرف برق هر ساختمان را نشان می دهد. رنگ دایره داخلی نشان دهنده گروه کاربری خاص است.

۴٫۳٫ پیش‌بینی مشارکتی بر اساس شباهت‌ها در تغییرات زمانی

پیش‌بینی تقاضای برق یک نوع مسئله پیش‌بینی سری زمانی است. معمولاً از مصرف برق تاریخی برای پیش بینی مصرف برق آینده برای یک یا چند روز استفاده می شود. پیش‌بینی دقیق تقاضای برق پایه‌ای علمی برای برنامه‌ریزی مصرف برق و تخصیص منطقی منابع فراهم می‌کند. با این حال، پیش‌بینی‌های توالی منفرد در مطالعات موجود اغلب دارای خطاهای بزرگی برای داده‌هایی هستند که خیلی چرخه‌ای و به‌روز نیستند، که منجر به نتایج پیش‌بینی ضعیف می‌شود. تجزیه و تحلیل داده های مصرف برق پردیس خصوصیات آشکار غیر هموار و غیر خطی ساختمان های فردی را نشان داد. از این رو، مدل پیش‌بینی Attention-LSTM (ATT-LSTM) که هم افزایی سری‌های زمانی مشابه را در نظر می‌گیرد برای پیش‌بینی مصرف برق کوتاه‌مدت در ساختمان‌های مختلف پیشنهاد شد. ساختار مدل در نشان داده شده استشکل ۴ .

با تجزیه و تحلیل همبستگی مجموعه‌ای از سری‌های زمانی، مجموعه‌ای از سری‌های زمانی با مقداری شباهت فیلتر شده و به ATT-LSTM وارد شد. در این فرآیند، مکانیسم توجه توجه مناسب را به عناصر با توجه به اهمیت هر عنصری که در دنباله یاد می‌شود، اختصاص می‌دهد. LSTM وابستگی طولانی مدت سری های زمانی را نشان می دهد. مقادیر پیش‌بینی‌شده هر دنباله با وزنه‌ها آموزش داده می‌شوند و سپس خروجی می‌شوند. این روش به طور کامل از داده های برق تاریخی استفاده می کند و اثر هم افزایی ویژگی های مصرف برق مشابه را در نظر می گیرد، بنابراین دقت پیش بینی های تقاضای برق کوتاه مدت را بهبود می بخشد.

۴٫۴٫ تجزیه و تحلیل داده کاوی مصرف برق تعاملی

یک سیستم قدرت موثر باید ابزارهای تعاملی پویا را در اختیار کاربران قرار دهد. برای رفع این نیاز، یک فیلتر داده برای استخراج اطلاعات مورد علاقه طراحی شد. تکنیک زمینه تمرکز بر اساس یک فیلتر داده برای تجزیه و تحلیل عوامل مرتبط با مصرف برق است. این نه تنها اطلاعات مورد علاقه کاربر را تقویت می کند، بلکه ارتباط بین فوکوس و ناحیه اطراف را نیز در نظر می گیرد. در نهایت، داده‌های بین نماها با استفاده از تکنیک پیوند چند نمایشی به هم مرتبط می‌شوند.

فیلتر داده با توابعی تعبیه شده است که اطلاعات معتبر را برای نمایش بر اساس پارامترهای وارد شده توسط کاربر استخراج می کند و کاربران را قادر می سازد تا داده ها را مطابق با علایق خود به طور انعطاف پذیر کاوش کنند و به طور موثر T6 را حل کنند. در فیلتر داده، منطقه هدف انتخاب شده و بازه زمانی سفارشی از بالا به پایین نمایش داده می شود، جایی که انتخاب منطقه بر حسب ساختمان و زمان بر حسب ماه است، بنابراین کاربران می توانند مناطق و دوره زمانی مورد علاقه را فیلتر کنند. .

مصرف برق تحت تأثیر عوامل متعددی قرار می گیرد که همراه با داده های مصرف برق، مجموعه داده ای با ابعاد چندگانه ایجاد می کند. سیستم های مختصات موازی برای بیان همبستگی بین داده های چند بعدی بسیار مفید هستند. با این حال، زمانی که مجموعه داده بیش از حد بزرگ باشد، یافتن اطلاعات ارزشمند دشوار است. بنابراین، از تکنیک زمینه تمرکز استفاده شد. یعنی شی کانونی مورد علاقه (داده های مورد علاقه) و محیط متنی (دیگر داده ها) در یک نما نمایش داده می شوند و اشیاء داده در نما با تابع درجه علاقه تعیین شده نمایش داده می شوند، در حالی که اشیاء داده در زمینه محیط اطراف تضعیف می شود و نمایش موثر داده های مورد علاقه مطابق با علاقه انتخابی کاربر است.شکل ۵ . روش binning تنظیم یک تابع نگاشت محلی بود. ورودی پارامترهای زمانی و مکانی به‌عنوان شرایطی برای قضاوت در مورد محدوده فوکوس مورد استفاده قرار گرفت و داده‌های متعلق به ناحیه فوکوس برای نقشه‌برداری فیلتر شدند، در حالی که بقیه داده‌ها بدون تغییر باقی ماندند.

یک شنونده برای گوش دادن به اشیاء بصری در چند نما طراحی شده است و در طول تعامل توسط کاربر، ارتباط پویا نماهای متعدد را درک می کند. هنگامی که کاربر با اشیاء بصری در هر یک از نماها تعامل برقرار می کند، این به صورت پویا به اشیا در نماهای دیگر پیوند می خورد. فناوری پیوند چند نمایشی مورد استفاده، محدودیت‌های اتصال داده‌ای دشوار بین نماها را شکست و به میزان بالایی از تعامل کاربر-سیستم دست یافت.

۵٫ مطالعات موردی

۵٫۱٫ معماری سیستم

فناوری نوآورانه داشبورد، یعنی سیستم SmartEle، برای تجسم مشارکتی تعاملی چند نمای طراحی شده است. معماری سیستم در شکل ۶ نشان داده شده است .

سیستم SmartEle به کاربران کمک می کند مصرف برق را در محوطه دانشگاه حس کنند. کاربر در ابتدا باید منطقه و دوره زمانی مورد نظر را انتخاب کند و سپس پیوندهای پویا برای چندین نمایش ارائه دهد. هنگامی که نواحی راه حل و فاصله زمانی تعیین شد، دو نمای تحلیلی برای ارائه داده های مصرف برق ارائه می شود، به عنوان مثال، مبتنی بر مکان و مبتنی بر سری زمانی. نمای تحلیل مبتنی بر مکان از دو جزء تشکیل شده است. از یک طرف، تفاوت های فضایی در مصرف برق را در قالب نقشه نشان می دهد. از سوی دیگر، مقایسه ای از تفاوت های مصرف برق بر اساس مکان در سطوح مختلف را در قالب نمودارهای دایره ای تو در تو ارائه می دهد. نمای تحلیل مبتنی بر سری زمانی از سه جزء تشکیل شده است. نمودار خطی برای درک وضعیت مصرف برق در سطح کلان استفاده می شود. نقشه حرارتی تقویم مصرف برق ریزدانه را نشان می دهد. نمودار پیش بینی الکتریسیته تقاضای برق را برای دوره های آینده ارائه می کند. برای درک نوسانات و ناهنجاری‌ها در داده‌های مصرف برق، روشی پایدار برای نمایش توزیع داده‌های مصرف برق ارائه می‌کند که تحت تأثیر مقادیر غیرعادی قرار نمی‌گیرد. علاوه بر این، کاربران می توانند از طریق مشاهده عوامل مصرف برق، همبستگی بین مصرف برق و عوامل مختلف را مشاهده کنند. برای بررسی بیشتر تفاوت‌ها در مصرف برق گروهی، کاربران می‌توانند به نمای اطلاعات یکپارچه، که چندین ویژگی داده را در یک نمودار واحد ادغام می‌کند، روی بیاورند. برای درک نوسانات و ناهنجاری‌ها در داده‌های مصرف برق، روشی پایدار برای نمایش توزیع داده‌های مصرف برق ارائه می‌کند که تحت تأثیر مقادیر غیرعادی قرار نمی‌گیرد. علاوه بر این، کاربران می توانند از طریق مشاهده عوامل مصرف برق، همبستگی بین مصرف برق و عوامل مختلف را مشاهده کنند. برای بررسی بیشتر تفاوت‌ها در مصرف برق گروهی، کاربران می‌توانند به نمای اطلاعات یکپارچه، که چندین ویژگی داده را در یک نمودار واحد ادغام می‌کند، روی بیاورند. برای درک نوسانات و ناهنجاری‌ها در داده‌های مصرف برق، روشی پایدار برای نمایش توزیع داده‌های مصرف برق ارائه می‌کند که تحت تأثیر مقادیر غیرعادی قرار نمی‌گیرد. علاوه بر این، کاربران می توانند از طریق مشاهده عوامل مصرف برق، همبستگی بین مصرف برق و عوامل مختلف را مشاهده کنند. برای بررسی بیشتر تفاوت‌ها در مصرف برق گروهی، کاربران می‌توانند به نمای اطلاعات یکپارچه، که چندین ویژگی داده را در یک نمودار واحد ادغام می‌کند، روی بیاورند. کاربران می توانند از طریق دید فاکتورهای مصرف برق، همبستگی بین مصرف برق و عوامل مختلف را مشاهده کنند. برای بررسی بیشتر تفاوت‌ها در مصرف برق گروهی، کاربران می‌توانند به نمای اطلاعات یکپارچه، که چندین ویژگی داده را در یک نمودار واحد ادغام می‌کند، روی بیاورند. کاربران می توانند از طریق دید فاکتورهای مصرف برق، همبستگی بین مصرف برق و عوامل مختلف را مشاهده کنند. برای بررسی بیشتر تفاوت‌ها در مصرف برق گروهی، کاربران می‌توانند به نمای اطلاعات یکپارچه، که چندین ویژگی داده را در یک نمودار واحد ادغام می‌کند، روی بیاورند.

سیستم SmartEle از معماری B/S استفاده می کند و پایگاه داده از MySQL استفاده می کند. پایگاه داده با استفاده از Navicat مدیریت می شود. توسعه Backend بر اساس چارچوب Express در محیط Node.js است. قسمت جلویی مبتنی بر چارچوب Vue با استفاده از ArcGIS برای JavaScript API برای تجسم اطلاعات مکانی است. برنامه نویسی با کمک نرم افزار Vscode و pycharm انجام شده است. شکل ۷ پیاده سازی سیستم SmartEle را نشان می دهد.

۵٫۲٫ تحلیل رفتار مصرف برق

۵٫۲٫۱٫ تجزیه و تحلیل تغییرات در مصرف برق توسط گروه های کاربری

ابتدا باید ناهمگونی کاربران را درک کرد و سپس با بررسی الگوهای مصرف برق مناطق مختلف، تفاوت‌های مصرف برق این گروه‌های کاربری را تحلیل کرد. شکل ۷ B,E تفاوت مصرف برق را برای جوامع مختلف عملکردی نشان می دهد. شکل ۷ B تفاوت مصرف برق بین ساختمان ها را در قالب یک نقشه حرارتی نشان می دهد که رنگ های تیره تر نشان دهنده مصرف بیشتر برق است. شکل ۷ E تفاوت مصرف برق را با محاسبه نسبت مصرف برق برای هر ساختمان نشان می دهد. با ترکیب توزیع برق مصرفی در شکل ۷B,E می توان تفاوت هایی را در مصرف برق ساختمان هایی با ویژگی های عملکردی متفاوت در محوطه دانشگاه مشاهده کرد. در این میان، بیشترین مصرف برق توسط جامعه تدارکاتی است که ۲۷٫۲ درصد از کل مصرف پردیس را تشکیل می دهد. بزرگترین مصرف کننده برق در این منطقه کاربردی، کافه تریا و اتاق دیگ بخار هستند که به دانشجویان و اساتید اجازه می دهد تا تحصیلات و زندگی خود را انجام دهند. جامعه خوابگاهی دومین منطقه کاربردی بزرگ از نظر مصرف برق است که ۲۶٫۰۲ درصد از کل پردیس را به خود اختصاص داده است. در داخل جامعه، خوابگاه شماره ۵ بیشترین مصرف برق را دارد زیرا دارای بیشترین طبقات است: نه طبقه بالای زمین و یک طبقه زیر زمین. بعدی خوابگاه شماره ۹ است که ۹ طبقه بالای زمین دارد. بقیه ساختمان های خوابگاه همگی سازه هایی با شش طبقه بالای زمین هستند و مصرف برق آنها تفاوت چندانی ندارد. جامعه آموزشی سومین منطقه کاربردی بزرگ از نظر مصرف برق است که ۲۱٫۵۵٪ از کل پردیس را به خود اختصاص داده است. در این جامعه، بلوک B به طور قابل توجهی بیشتر از سایر ساختمان‌های منطقه برق مصرف می‌کند، زیرا شامل خدماتی با مصرف برق بالا مانند اتاق‌های ماشین، مرکز اطلاعات شبکه دانشگاه و اتاق‌های چاپ است. مصرف برق جامعه پژوهشی، جامعه تفریحی و مجتمع آپارتمانی کارشناسی ارشد و دکتری تفاوت چندانی ندارد و به ترتیب ۱۰٫۳۶، ۷٫۵ و ۷٫۳۷ درصد است. درصد برق مصرفی هر ساختمان در جامعه تحقیقاتی بین ۱ تا ۳ درصد است. و تنوع مصرف برق قابل توجه نیست. در داخل جامعه تفریحی، مجموعه ورزشگاه بیشترین مصرف برق را دارد، زیرا سالن دارای بیشترین امکانات تفریحی در مقایسه با سایرین است. در مقابل، مصرف برق جامعه آپارتمان های کارشناسی ارشد و دکتری پایدار و متمرکز است که شاید به این موضوع مربوط می شود که جامعه محلی است که معلمان و خانواده هایشان در آن زندگی می کنند و کار و استراحت آنها منظم است و کمتر تحت تأثیر تعطیلات است. .

۵٫۲٫۲٫ نظارت بر ناهنجاری

مصرف برق غیرعادی در حین کار سیستم وجود خواهد داشت. باکس‌پلات‌ها برای نظارت بر داده‌های غیرعادی و نمایش وضعیت توزیع داده‌ها به طور همزمان استفاده شد. شش جعبه در شکل ۷ D نشان دهنده شش نوع جامعه عملکردی است (از چپ به راست: جامعه خوابگاه، جامعه آپارتمان کارشناسی ارشد و دکترا، جامعه پژوهشی، جامعه آموزشی، جامعه تفریحی و جامعه تدارکات). در شکل ۷ قابل مشاهده استD اینکه جامعه لجستیک دارای ارزش غیرعادی بالایی است، که نشان می دهد مصرف برق با شدت بالا غیرعادی بیشتری در این جامعه عملکردی وجود دارد. با این حال، میانه مصرف برق جامعه خوابگاهی از مرکز چارک بالا و پایین منحرف می شود که نشان دهنده چولگی توزیع قوی است که نشان می دهد نوسانات بیشتری در مصرف برق این جامعه وجود دارد.

۵٫۲٫۳٫ تحلیل همبستگی عوامل مصرف برق

مصرف برق پردیس تحت تاثیر آب و هوا و تاریخ های خاص است. بنابراین، فناوری زمینه تمرکز برای بررسی همبستگی عوامل مصرف برق ساختمان در یک دوره خاص مورد استفاده قرار گرفت. با در نظر گرفتن ساختمان F کالج به عنوان مثال، همبستگی بین مصرف برق و آب و هوا و روز هفته مشخص شد. نتایج در شکل ۸ نشان داده شده است. خط قرمز در شکل ۸ الف مصرف برق از جولای تا سپتامبر ۲۰۱۸ است و خط قرمز در شکل ۸ ب مصرف برق از دسامبر ۲۰۱۸ تا فوریه ۲۰۱۹ است. تقریباً از شکل ۸ قابل مشاهده است.هنگامی که دما بین ۳۰ تا ۴۰ درجه سانتیگراد است، مصرف برق به همان نسبت با افزایش دما افزایش می یابد. محدوده مصرف برق ۶۰۰-۱۵۰۰ کیلووات ساعت در روزهای کاری و ۳۰۰-۹۰۰ کیلووات ساعت در تعطیلات آخر هفته است. در شکل ۸ ب، مصرف برق با کاهش دما روند افزایشی را نشان می دهد. همچنین مشاهده می شود که محدوده مصرف برق ۳۰۰-۵۰۰ کیلووات ساعت در روزهای کاری و ۳۰۰-۸۰۰ کیلووات ساعت در تعطیلات آخر هفته است. در حالت تعادل، مصرف برق زمستانی کمتر از مصرف برق تابستانی است. این ممکن است مربوط به استفاده بیشتر از تهویه مطبوع در تابستان باشد اما عدم استفاده از برق به عنوان منبع اصلی گرما در زمستان. مصرف برق آخر هفته کمی کمتر از روزهای هفته است که با زمان عادی کار و استراحت دانش آموزان مطابقت دارد.

۵٫۳٫ آگاهی از وضعیت مصرف برق

سنجش چند دانه ای آگاهی از وضعیت مصرف برق برای ثبت تکامل الگوهای مصرف برق در طول زمان و درک مصرف برق دانشگاه در سطوح درشت و ریزدانه مورد نیاز است. داده های مصرف برق بر حسب روز و ماه شمارش می شود و خط روند مصرف برق در طول زمان رسم می شود. به عنوان مثال، شکل ۷ F آمار ماهانه مصرف برق را نشان می دهد. شکل ۷ H آمار مصرف برق روزانه را نشان می دهد. نمودارها نشان می دهد که در الگوی مصرف برق در دوره های مختلف تفاوت وجود دارد که به طور کلی به دوره های پیک، فلات و دره تقسیم می شود.

داده های کلی مصرف برق پردیس در شکل ۷ F نشان داده شده است، با خط سبز نشان دهنده مصرف برق در سال ۲۰۱۸ و خط آبی نشان دهنده مصرف برق در سال ۲۰۱۹ است. همانطور که توسط خط تاشو نشان داده شده است، دو سر پایین و وسط بالا است. . مصرف برق بین تیر و شهریور الگوی پیک، فوریه الگوی دره ای و سایر ماه ها تفاوت کمی در مصرف برق دارند که نشان دهنده یک دوره پایدار است. این پدیده بازتاب رنگ های همان بازه در شکل ۷ استح- این روند عمدتاً به این دلیل است که تیر تا شهریور در فصل تابستان است که استفاده از کولر گازی افزایش چشمگیری پیدا می کند. از طرف دیگر در فصل زمستان به دلیل امکانات گرمایشی، دفعات استفاده از تهویه مطبوع کم است. از سوی دیگر، سال نو چینی در ماه فوریه است و این دوره تعطیل است، بنابراین مصرف برق به میزان قابل توجهی کاهش می یابد. به طور کلی، مصرف برق در سال ۲۰۱۹ کمی کمتر از سال ۲۰۱۸ بود. در اکتبر ۲۰۱۹، سیگنال به دلیل تعمیر و نگهداری سیستم قطع شد و در نتیجه داده‌های ماه اکتبر از دست رفت که در نمای نظارت بر ناهنجاری نیز منعکس شده است. علاوه بر این، رابطه بین مصرف برق و روزهای هفته شناسایی شد. در شکل ۸، جامعه پژوهشی و جامعه آموزشی در روزهای هفته بیشتر از روزهای غیر کاری از برق استفاده می کردند.

۵٫۴٫ پیش بینی تقاضای برق

دقت پیش‌بینی مدل‌های موجود به دلیل نظم ضعیف داده‌های تاریخی محدود است. این مطالعه حاضر بر اساس مدل ATT-LSTM است که هم افزایی مجموعه ای از سری های زمانی با ویژگی های مشابه را برای پیش بینی تقاضای برق کوتاه مدت آینده در نظر می گیرد. با استفاده از جامعه خوابگاهی به عنوان مثال، ابتدا مصرف برق روزانه ساختمان ها از سال ۲۰۱۸ تا ۲۰۱۹ در مجموع ۷۳۰ روز محاسبه شد و عملیاتی مانند پیش پردازش داده ها، پر کردن مقادیر از دست رفته و نرمال سازی انجام شد. پس از تجزیه و تحلیل همبستگی، ماتریس متریک شباهت، همانطور که در شکل ۹ نشان داده شده است، تولید شد. مقادیر موجود در ماتریس نشان دهنده همبستگی بین دو ساختمان است. سری های زمانی با همبستگی بیش از ۸۵ درصد برای افزایش هم افزایی داده ها برای جبران کاستی های ناشی از غیر هموار بودن داده های تک سری انتخاب شدند. در نهایت، مجموعه‌ای از سری‌های زمانی با ویژگی‌های مشابه در مدل ATT-LSTM وارد شد و ۶۹۴ روز داده به عنوان مجموعه آموزشی و ۳۶ روز داده به عنوان مجموعه آزمایش، با ۶ روز داده‌های مصرف برق تاریخی استفاده شد. برای آموزش ۱ روز داده مصرف برق استفاده می شود. همانطور که در شکل ۷ G نشان داده شده است، خط قرمز نشان دهنده برق پیش بینی شده از ۲۵ نوامبر تا ۳۱ دسامبر ۲۰۱۹ برای ساختمان شماره ۱ در جامعه خوابگاه دانشجویی است. خط سبز نشان دهنده مصرف واقعی برق ساختمان است.

۶٫ بحث

۶٫۱٫ قابلیت استفاده از تجسم تعاملی برای کشف الگوهای فضایی و زمانی

در سیستم SmartEle یک سری روش های تحلیل برای نیازهای مختلف طراحی شده است. امکان‌سنجی این روش‌ها برای پشتیبانی از تحلیل با تأیید اینکه آیا آنها به مسائل و چالش‌های برق پردیس بهتر از روش‌های تحلیل سنتی پرداخته‌اند، ارزیابی شد. سودمندی آنها از نظر جنبه های زیر مورد ارزیابی قرار گرفت: درک جامع داده های مصرف برق، پیش بینی کوتاه مدت تقاضای برق ساختمان، تجسم موثر داده های چند بعدی و جهانی بودن سیستم.

ادراک داده های مصرف برق یکپارچه با طراحی یک علامت علامت جدید، همانطور که در شکل ۱۰ نشان داده شده است، به دست آمد . گلیف ها از ویژگی های داده مهم شناسایی شده تشکیل شده اند که الگوهای مصرف برق گروه های مختلف را نشان می دهند، به عنوان مثال، مصرف برق روزانه و ماهانه یک جامعه عملکردی خاص و مصرف برق ساختمان های فردی در یک جامعه عملکردی خاص. شکل ۱۰b تصویرسازی جداگانه ای برای هر یک از سه نوع داده نشان می دهد. به طور کلی، تجسم سنتی یک تکه داده را به روشی خاص ارائه می دهد یا نتایج تجزیه و تحلیل داده ها را ارائه می دهد. اگرچه این نیز می‌تواند اطلاعات داده‌ها را تا حدی منعکس کند، اما عمیق‌تر کردن داده‌ها دشوار است. روش تجسم پیشنهادی بهتر می‌تواند اطلاعات بیشتری را در یک فضای بصری محدود نمایش دهد و برای تجزیه و تحلیل مقایسه‌ای مصرف برق بین گروه‌ها (جمعیت‌های عملکردی) و درون گروه‌ها (ساختمان‌ها) مساعدتر است و چالش به دست آوردن موثر ویژگی‌های داده مهم از پیچیده را حل می‌کند. داده ها.

پیش‌بینی تقاضای برق کوتاه‌مدت توسط یک ساختمان بر اساس یک مدل ترکیبی ATT-LSTM بود که هم‌افزایی سری‌های زمانی مشابه را در نظر می‌گیرد. این مطالعه یک آزمایش مقایسه ای برای پیش بینی های مدل LSTM ایجاد کرد. در اینجا پیش بینی های کوتاه مدت تقاضای برق با استفاده از خوابگاه شماره ۱ به عنوان نمونه انجام شد. دو مدل به طور جداگانه برای ۲۰۰۰ دور اجرا شدند و مدل ها با معیارهای MAE، RMSE و MAPE ارزیابی شدند. نتایج عملیاتی نشان داد که میانگین زمان اجرای مدل ATT-LSTM پیشنهادی ۰٫۲۴ ثانیه در هر ۱۰۰ دور بود، در حالی که مدل LSTM 0.46 ثانیه طول کشید. شکل ۱۱ مقادیر پیش بینی شده مدل ATT-LSTM و مدل LSTM را در مقایسه با مقادیر واقعی نشان می دهد. مقایسه مدل ها در جدول ۱ نشان داده شده است. در نتایج ارزیابی مدل، روش پیشنهادی در مقایسه با مدل LSTM، MAE را ۵۹ درصد، RMSE را ۶۶ درصد و MAPE را ۲۶ درصد کاهش داد. MAE و RMSE با بزرگی مقدار واقعی مرتبط هستند، بنابراین دقت توسط MAPE اندازه گیری می شود. در تعدادی از مطالعات موجود، محدوده MAPE 0.0215-0.058 پیش بینی های کافی را نشان می دهد، بنابراین دقت پیش بینی مدل پیشنهادی در محدوده خطای قابل قبول است. این بدان معنی است که روش پیشنهادی می تواند به طور دقیق تقاضای برق را پیش بینی کند.

یک سیستم مختصات موازی می تواند به صورت بصری همبستگی داده های چند بعدی را توصیف کند. شکل ۱۲ a,b سیستم های مختصات موازی را نشان می دهد که همبستگی های داده های چند بعدی را با استفاده از زمینه تمرکز توصیف می کند و شکل ۱۲ c یک سیستم مختصات موازی معمولی است. به طور کلی، رویکرد پیشنهادی برای تجسم داده‌های مورد علاقه، جزئیات بیشتری را نسبت به یک سیستم مختصات معمولی منعکس می‌کند. به عنوان مثال، خط قرمز در شکل ۱۲a مصرف برق ساختمان A را از آگوست تا سپتامبر ۲۰۱۸ نشان می دهد. خط سبز داده های مصرف برق سایر ساختمان ها را در همان بازه زمانی نشان می دهد. در این دیدگاه، می توان مشاهده کرد که ساختمان مورد نظر چگونه در کل مصرف برق برای یک دوره زمانی خاص توزیع می شود و همبستگی بین مصرف برق و عوامل مرتبط مشاهده می شود. بر این اساس، همانطور که در شکل ۱۲ ب نشان داده شده است، می توان داده های مورد علاقه را برای مشاهده مصرف برق خاص و کشف اطلاعات دقیق تر بر روی آنها متمرکز کرد. با این حال، در شکل ۱۲ ج، این اطلاعات پنهان شده است.

اگرچه سیستم پیشنهادی برای داده‌های مصرف برق یک پردیس خاص توسعه داده شده است، اما می‌توان آن را به راحتی در سناریوهای مشابه دیگر مانند تجسم داده‌های مصرف برق پردیس یا جامعه دیگری اعمال کرد. در چنین مشکلات مشابهی، مدل مبتنی بر تجسم را می توان با ویژگی های داده سناریوهای خاص تنظیم کرد تا داده های مصرف برق سایر سیستم های قدرت را نشان دهد، بنابراین سیستم SmartEle تا حدی جهانی است. علاوه بر این، سیستم پیشنهادی برای ترکیب بسیاری از انواع داده ها، مانند توزیع شبکه و اطلاعات تجهیزات، مقیاس پذیر است.

۶٫۲٫ تجزیه و تحلیل الگوهای مصرف برق در پردیس را تجربه کنید

به منظور بررسی مشخصات کلی مصرف برق پردیس و استخراج تقاضای برق گروه‌های مختلف و تفاوت‌های مصرف برق بین گروه‌ها، تحلیل مقایسه‌ای داده‌های مصرف برق گروه‌های مختلف انجام شد که نتایج در شکل نشان داده شده است. ۱۳٫ نمودار مساحت تاشو در شکل نشان دهنده مصرف برق روزانه در مجموع ۳۶۵ روز در سال ۲۰۱۹ است. نمودار میله ای مصرف برق ماهانه در مجموع ۱۲ ماه در سال ۲۰۱۹ را نشان می دهد که مناطق بزرگتر نشان دهنده مصرف برق بیشتر در آن ماه است. نمودار دایره ای مصرف برق هر ساختمان را در جامعه عملکردی تعیین شده نشان می دهد و اندازه بخش نشان دهنده مصرف برق است (مصرف برق در ماه اکتبر به دلیل اشکال زدایی سیستم صفر ثبت شد). همانطور که در شکل ۱۳ مشاهده می شود ، برای گروه های مختلف، عدم تعادل قابل توجهی در مصرف برق، نوسانات در مصرف برق و نسبت مصرف برق در ساختمان ها در یک جامعه عملکردی وجود دارد.

از نظر مصرف برق، تفاوت هایی در تقاضای برق گروه های مختلف (جوامع کارکردی) وجود دارد. مصرف برق جامعه لجستیک در محدوده ۷۰۰۰ تا ۱۵۰۰۰ کیلووات ساعت است که به طور قابل توجهی بیشتر از سایر جوامع کاربردی است. این جامعه در (اولین) بالاترین سطح تقاضا است. در مرحله بعدی جامعه پژوهشی، جامعه معلمان و جامعه خوابگاهی قرار دارند که مصرف برق برای آنها بین ۴۰۰۰ تا ۱۰۰۰۰ کیلووات ساعت است که سطح دوم تقاضا است. بعد از آن جامعه تفریحی است که ۳۰۰۰ تا ۹۰۰۰ کیلووات ساعت برق مصرف می کند و در سطح سوم تقاضا قرار دارد. در نهایت مصرف برق جامعه آپارتمان های کارشناسی ارشد و دکتری در محدوده ۱۵۰۰ تا ۲۰۰۰ کیلووات ساعت است که سطح چهارم تقاضا را ایجاد می کند.

از نظر نوسانات مصرف برق، گروه های مختلف (جوامع عملکردی) الگوهای رفتار مصرف برق خود را دارند. در میان آنها، مصرف برق در جامعه تحقیقاتی نوسانات زیادی دارد و نمودار نیز پیک های متعددی را در این جامعه عملکردی نشان می دهد که ممکن است مربوط به وظایف تحقیقات علمی انجام شده توسط این جامعه عملکردی باشد. نمودار ناحیه چین خورده جامعه لجستیک در نیمه بالایی دایره (نیمه اول ژانویه تا نیمه دوم مارس و نوامبر تا دسامبر) از نیمه پایینی دایره (آوریل تا سپتامبر) بالاتر است. مربوط به این است که نیمه بالایی دایره مربوط به فصل زمستان است و نیازهای گرمایشی جامعه لجستیک بسیار زیاد است. شکل ناهموار است، نشان دهنده نوسان خاصی در مصرف برق در این جامعه عملکردی است. برخلاف جامعه لجستیکی، برای جامعه خوابگاهی، نیمه پایینی نمودار منطقه چین خورده (فروردین تا شهریور) بالاتر از نیمه بالایی نمودار (ژانویه تا مارس و آبان تا آذر) است که به این دلیل است. که فصل تابستان در نیمه پایین نمودار قرار دارد و تقاضا برای استفاده از کولر گازی در آن دوره زیاد است و باعث افزایش مصرف برق می شود. نیمه دوم ژانویه تا نیمه اول فوریه در دوره تعطیلات زمستانی است، بنابراین مصرف برق تمایل به کاهش دارد. جامعه تفریحی در زمستان و تابستان مصرف برق بالایی دارد و تعطیلات مدارس از نیمه دوم ژانویه تا نیمه اول فوریه و در ماه اوت است. با این حال، برخی از جوامع تفریحی معمولاً در آن دوره به روی عموم باز هستند، بنابراین هنوز تقاضای زیادی برای برق در این دوره وجود دارد. مصرف برق جامعه آپارتمان های کارشناسی ارشد و دکتری و جامعه معلمان نسبتاً پایدار است، عمدتاً به این دلیل که جامعه آپارتمان های کارشناسی ارشد و دکتری مکانی است که معلمان در آن زندگی می کنند و کمتر تحت تأثیر روزهای هفته و تعطیلات قرار می گیرند. جامعه معلمان جایی است که وظیفه تدریس در آن انجام می شود و مطابق با برنامه ریزی تحصیلی مدرسه مورد استفاده قرار می گیرد، بنابراین مصرف برق کمتر تابع عوامل دیگر است. مصرف برق جامعه آپارتمان های کارشناسی ارشد و دکتری و جامعه معلمان نسبتاً پایدار است، عمدتاً به این دلیل که جامعه آپارتمان های کارشناسی ارشد و دکتری مکانی است که معلمان در آن زندگی می کنند و کمتر تحت تأثیر روزهای هفته و تعطیلات قرار می گیرند. جامعه معلمان جایی است که وظیفه تدریس در آن انجام می شود و مطابق با برنامه ریزی تحصیلی مدرسه مورد استفاده قرار می گیرد، بنابراین مصرف برق کمتر تابع عوامل دیگر است. مصرف برق جامعه آپارتمان های کارشناسی ارشد و دکتری و جامعه معلمان نسبتاً پایدار است، عمدتاً به این دلیل که جامعه آپارتمان های کارشناسی ارشد و دکتری مکانی است که معلمان در آن زندگی می کنند و کمتر تحت تأثیر روزهای هفته و تعطیلات قرار می گیرند. جامعه معلمان جایی است که وظیفه تدریس در آن انجام می شود و مطابق با برنامه ریزی تحصیلی مدرسه مورد استفاده قرار می گیرد، بنابراین مصرف برق کمتر تابع عوامل دیگر است.

از نظر سهم مصرف برق در هر ساختمان، تفاوت هایی در سهم مصرف برق در جوامع مختلف عملکردی وجود دارد. متعادل ترین توزیع مصرف برق در جامعه آپارتمان های کارشناسی ارشد و دکتری مشاهده شد. تفاوت های زیادی در مصرف برق در بین ساختمان های جامعه تحقیقاتی وجود دارد که کمترین مصرف برق در آزمایشگاه آب باران و آزمایشگاه مهندسی زیرزمینی است و این تفاوت عمدتاً مربوط به وظایف تحقیقاتی است. در جامعه خوابگاهی به جز ساختمان شماره ۵ که سهم نسبتاً زیادی در مصرف برق دارد، میزان مصرف برق تفاوت چندانی ندارد. ساختمان آکادمیک B دارای چندین اتاق کامپیوتر است، بنابراین این ساختمان بیشترین سهم مصرف برق را دارد. در جامعه تفریحی به دلیل تفاوت در مقیاس خود مکان و خدمات ارائه شده، توزیع برق مصرفی به وضوح متفاوت است. در جامعه تدارکات، مصرف برق ساختمان اداری یکپارچه کمتر از سایر ساختمان ها است و تفاوت مصرف برق سایر ساختمان ها کمتر است.

۷٫ نتیجه گیری

در این مطالعه، انواع تکنیک‌های داده کاوی، از جمله یک روش تجسم برای تجزیه و تحلیل و پیش‌بینی مصرف برق دانشگاه، طراحی و توسعه داده شد تا یک سیستم تجسم تعاملی چند نما، به نام SmartEle را ارائه دهد. مطالعه موردی برای پردیس دانشگاه مورد مطالعه انجام شد. این مطالعه بر روی ناهمگونی گروهی و تحلیل گروهی الگوهای مصرف برق کاربر متمرکز بود. معمولاً کاربران نمی توانند همزمان روی چندین داده تمرکز کنند. برای مقابله با این چالش، یک مدل داده کاوی مبتنی بر تجسم که چندین ویژگی داده را در یک نمودار واحد ادغام می‌کند، پیشنهاد شد. این تجسم از تشخیص مصرف برق دانشگاه در دانه بندی های متعدد پشتیبانی می کند. که می تواند به طور موثر چالش کاهش بار شناختی کاربران سیستم را حل کند. دقت پیش‌بینی مدل‌های موجود برای داده‌های ضعیف محدود است. در این مطالعه، یک مدل پیش‌بینی هم‌افزایی چند متغیره با در نظر گرفتن اثرات هم‌افزایی سری‌های زمانی مصرف برق مشابه ارائه شد. در مقایسه با مدل LSTM، مدل پیشنهادی MAE را ۵۹ درصد، RMSE را ۶۶ درصد و MAPE را ۲۶ درصد کاهش داد. به طور متوسط، به طور متوسط ۰٫۲۲ ثانیه در هر ۱۰۰ دور تمرین سریعتر بود. این نشان می دهد که این مطالعه باعث بهبود دقت پیش بینی و کاهش زمان اجرا شد. یک مدل پیش‌بینی هم‌افزایی چند متغیره با در نظر گرفتن اثرات هم‌افزایی سری‌های زمانی مصرف برق مشابه ارائه شد. در مقایسه با مدل LSTM، مدل پیشنهادی MAE را ۵۹ درصد، RMSE را ۶۶ درصد و MAPE را ۲۶ درصد کاهش داد. به طور متوسط، به طور متوسط ۰٫۲۲ ثانیه در هر ۱۰۰ دور تمرین سریعتر بود. این نشان می دهد که این مطالعه باعث بهبود دقت پیش بینی و کاهش زمان اجرا شد. یک مدل پیش‌بینی هم‌افزایی چند متغیره با در نظر گرفتن اثرات هم‌افزایی سری‌های زمانی مصرف برق مشابه ارائه شد. در مقایسه با مدل LSTM، مدل پیشنهادی MAE را ۵۹ درصد، RMSE را ۶۶ درصد و MAPE را ۲۶ درصد کاهش داد. به طور متوسط، به طور متوسط ۰٫۲۲ ثانیه در هر ۱۰۰ دور تمرین سریعتر بود. این نشان می دهد که این مطالعه باعث بهبود دقت پیش بینی و کاهش زمان اجرا شد.

جای پیشرفت در این کار وجود دارد. تجزیه و تحلیل دانه ای بیشتر بر اساس طبقات یا اتاق ها کار آینده ما خواهد بود.

منابع

Reddy، BS دسترسی به خدمات انرژی مدرن: یک چارچوب اقتصادی و سیاست. تمدید کنید. حفظ کنید. انرژی Rev. ۲۰۱۵ ، ۴۷ ، ۱۹۸-۲۱۲٫ [ Google Scholar ] [ CrossRef ]
اولاتومیوا، ال. بلانچارد، آر. مکیلف، اس. Akinyele، D. تامین انرژی تجدیدپذیر ترکیبی برای تأسیسات مراقبت های بهداشتی روستایی: رویکردی برای ارائه مراقبت های بهداشتی با کیفیت. حفظ کنید. فناوری انرژی ارزیابی کنید. ۲۰۱۸ ، ۳۰ ، ۱۲۱-۱۳۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
محمود، U. سهم انرژی های تجدیدپذیر در جهت کیفیت زیست محیطی: نقش آموزش برای دستیابی به اهداف توسعه پایدار در کشورهای G11. تمدید کنید. انرژی ۲۰۲۱ ، ۱۷۸ ، ۶۰۰-۶۰۷٫ [ Google Scholar ] [ CrossRef ]
رادولسکو، سی. تودر، آر. بوکا، جی. آبرودان، م. آنگل، سی. تودر، توسعه پایدار دی سی در شهرستان مارامورس. پایداری ۲۰۱۵ ، ۷ ، ۷۶۲۲-۷۶۴۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کازناو، م. پاچائوری، اس. مدلی از فقر انرژی و دسترسی: برآورد تقاضای برق خانگی و مالکیت لوازم خانگی. اقتصاد انرژی ۲۰۲۱ ، ۹۸ ، ۱۰۵۲۶۶٫ [ Google Scholar ] [ CrossRef ]
Van Ruijven، BJ; دی سیان، ای. Sue Wing, L. تقویت رشد تقاضای انرژی در آینده به دلیل تغییرات آب و هوایی. نات. اشتراک. ۲۰۱۹ ، ۱۰ ، ۲۷۶۲٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
شهباز، م. Topcu، BA; ساریگل، اس.اس. Vo, XV تأثیر توسعه مالی بر تقاضای انرژی تجدیدپذیر: مورد کشورهای در حال توسعه. تمدید کنید. انرژی ۲۰۲۱ ، ۱۷۸ ، ۱۳۷۰-۱۳۸۰٫ [ Google Scholar ] [ CrossRef ]
سوان، ال جی; Ugursal، VI مدل سازی مصرف نهایی انرژی در بخش مسکونی: مروری بر تکنیک های مدل سازی. تمدید کنید. حفظ کنید. انرژی Rev. ۲۰۰۹ ، ۱۳ ، ۱۸۱۹-۱۸۳۵٫ [ Google Scholar ] [ CrossRef ]
اقبال، م.ن. Kütt، L. مدل سازی مصرف برق کاربر نهایی برای تجزیه و تحلیل کیفیت توان در ساختمان های مسکونی. در مجموعه مقالات نوزدهمین کنفرانس علمی بین المللی مهندسی برق (EPE) 2018، برنو، جمهوری چک، ۱۶ تا ۱۸ مه ۲۰۱۸؛ صص ۱-۶٫ [ Google Scholar ]
اقبال، م.ن. کوت، ال. Rosin, A. پیچیدگی های مرتبط با مدل سازی مصرف برق مسکونی. در مجموعه مقالات پنجاه و نهمین کنفرانس علمی بین المللی IEEE 2018 در زمینه مهندسی برق و برق دانشگاه فنی ریگا (RTUCON)، ریگا، لتونی، ۱۲ تا ۱۳ نوامبر ۲۰۱۸٫ [ Google Scholar ]
Gu, J. تحقیق در مورد ساختار گردش و سازمان فضایی پردیس دانشگاه ; دانشگاه کشاورزی مغولستان داخلی: هوهات، چین، ۲۰۱۵٫ [ Google Scholar ]
لیو، جی. یانگ، تی. فن، ص. تحقیق در مورد عوامل مؤثر بر مصرف برق شهری شهرهای استان تحت تأثیر فضایی. ساختن. علمی ۲۰۲۰ ، ۳۶ ، ۳۱۲-۳۱۸٫ [ Google Scholar ]
Guo, F. مطالعه بر روی مصرف انرژی تجاری خانگی روستایی چین و عوامل تأثیرگذار آن . دانشگاه معدن و فناوری چین: Xuzhou، چین، ۲۰۱۵٫ [ Google Scholar ]
Ramnath، GS; Harikrishnan، R. تجزیه و تحلیل مصرف برق خانگی: یک رویکرد کتاب سنجی. Libr فیلوس تمرین کنید. ۲۰۲۱ ، ۵۰۹۸ ، ۱-۲۱٫ [ Google Scholar ]
سانتیاگو، آی. لوپز-رودریگز، MA; تریلو-مونترو، دی. توریتی، جی. Moreno-Munoz، A. فعالیت های مرتبط با مصرف برق در بخش مسکونی اسپانیا: تغییرات بین روزهای هفته، جوامع خودمختار و اندازه شهرها. انرژی ساخت. ۲۰۱۴ ، ۷۹ ، ۸۴-۹۷٫ [ Google Scholar ] [ CrossRef ]
وانگ، ی. چن، کیو. کانگ، سی. مدل رفتار مصرف کننده برق. در تجزیه و تحلیل داده های متر هوشمند ؛ اسپرینگر: سنگاپور، ۲۰۲۰؛ صص ۳۷-۵۷٫ [ Google Scholar ] [ CrossRef ]
آوورده، ت.ک. گیامفی، س. Opoku، AA برآورد مصرف برق مسکونی برای استفاده از لوازم خانگی: یک رویکرد مدل آماری. در مجموعه مقالات کنفرانس بین المللی ۲۰۲۱ در زمینه فناوری های برق، کامپیوتر و انرژی (ICECET)، کیپ تاون، آفریقای جنوبی، ۹ تا ۱۰ دسامبر ۲۰۲۱؛ صص ۱-۱۰٫ [ Google Scholar ]
وانگ، ی. بنانی، IL; لیو، ایکس. سان، م. ژو، ی. شناسایی ویژگی های مصرف کننده برق: یک رویکرد یادگیری فدرال. در مجموعه مقالات معاملات IEEE در شبکه هوشمند، کیپ تاون، آفریقای جنوبی، ۹ تا ۱۰ دسامبر ۲۰۲۱؛ صص ۳۶۳۷–۳۶۴۷٫ [ Google Scholar ]
جینگ، سی اف. Du، MY; لی، اس.ان. Liu، داشبوردهای جغرافیایی SY برای نظارت بر عملکرد شهر هوشمند. پایداری ۲۰۱۹ ، ۱۱ ، ۵۶۴۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
گگنر، KM; خداحافظ، TG; Shetye، KS; وبر، JD تجسم سیستم قدرت در محدوده وسیع، اطلاعات متغیر زمان. در مجموعه مقالات موسسه مهندسین برق و الکترونیک، اوربانا، IL، ایالات متحده آمریکا، ۱۹ تا ۲۰ فوریه ۲۰۱۶٫ [ Google Scholar ]
شیائو، ی. فی، ز. ژنگ، ک. ژنگ، تی. کیان، بی. ژنگ، دبلیو. بررسی تجسم حالت عملیات شبکه برق. J. Comput.-Aided Des. محاسبه کنید. نمودار. ۲۰۱۹ ، ۳۱ ، ۱۷۵۰-۱۷۵۸٫ [ Google Scholar ]
نیش، جی. پنگ، ایکس. لیو، تی. چن، ی. لی، دبلیو. ون، جی. شیونگ، ال. وانگ، اچ. روند توسعه و چشم انداز کاربرد نظارت بر وضعیت مبتنی بر داده های بزرگ دستگاه قدرت. سیستم پاور Prot. کنترل ۲۰۲۰ ، ۱۳ ، ۱۷۶-۱۸۶٫ [ Google Scholar ]
ژانگ، اس. لیو، جی. ژائو، بی. کائو، جی. تحلیل مبتنی بر محاسبات ابری بر رفتار مصرف برق مسکونی. سیستم پاور تکنولوژی ۲۰۱۳ ، ۳۷ ، ۱۵۴۲-۱۵۴۶٫ [ Google Scholar ]
خو، ال. یانگ، ایکس. ژانگ، ام. کاربران صنعتی تحلیل رفتار برق بر اساس داده کاوی. برق Meas. ساز. ۲۰۱۷ ، ۵۴ ، ۶۸-۷۴٫ [ Google Scholar ]
خو، جی. کانگ، ایکس. چن، ز. یان، دی. گوا، اس. جین، ی. هائو، تی. جیا، R. مدل توزیع احتمال مبتنی بر خوشه برای تجزیه و تحلیل مصرف برق ماهانه ساختمان های مسکونی. ساختن. شبیه سازی ۲۰۲۱ ، ۱۴ ، ۱-۱۶٫ [ Google Scholar ] [ CrossRef ]
Rathod، RR; Garg، RD تجزیه و تحلیل مصرف برق منطقه ای برای مصرف کنندگان با استفاده از تکنیک های داده کاوی و داده های خواندن کنتور مصرف کننده. بین المللی جی الکتر. سیستم انرژی برق ۲۰۱۶ ، ۷۸ ، ۳۶۸-۳۷۴٫ [ Google Scholar ] [ CrossRef ]
لو، جی. زو، ی. ونهائو، پی. Sun, Y. استراتژی انتخاب ویژگی برای تحلیل رفتار مصرف برق در شبکه هوشمند. خودکار برق سیستم پاور ۲۰۱۷ ، ۴۱ ، ۵۸-۶۳٫ (به زبان چینی) [ Google Scholar ]
گونگ، جی. چن، ز. لو، جی. وانگ، سی. چی، بی. Cui، G. استراتژی بهینه‌سازی خوشه‌بندی برای تحلیل رفتار مصرف برق در شبکه هوشمند. خودکار برق سیستم پاور ۲۰۱۸ ، ۴۲ ، ۵۸-۶۳٫ [ Google Scholar ]
وانگ، سی. ژنگ، اچ. پرتره ای از حالت رفتار مصرف برق کاربران برق بر اساس خوشه بندی فازی. برق Meas. ساز. ۲۰۱۸ ، ۵۵ ، ۷۷-۸۱٫ [ Google Scholar ]
ژانگ، ال. خو، سی. وانگ، ال. لی، سی. مدل پروفایل کاربری پارک بر اساس تحلیل مصرف انرژی چند بعدی. تمدید کنید. منبع انرژی ۲۰۲۱ ، ۳۹ ، ۱۰۷۸-۱۰۸۶٫ [ Google Scholar ]
گوا، سی. هونگ، اف. چن، جی. لی، ی. خو، ی. شی، جی. Wang, J. کاربرد تجسم علمی در سیستم های قدرت. منبع آب قدرت ۲۰۱۱ ، ۲۹ ، ۱۴۶-۱۴۹٫ [ Google Scholar ]
نتک، آر. بروس، جی. Tomecka، O. تست عملکرد در خوشه بندی نشانگر و تکنیک های تجسم نقشه حرارتی: مطالعه مقایسه ای در کتابخانه های نقشه برداری جاوا اسکریپت. ISPRS Int. J. Geo-Inf. ۲۰۱۹ ، ۸ ، ۳۴۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
ژائو، ال. وانگ، ال. لیو، ی. سان، پ. Zhang, L. تحقیق و تحلیل بر روی فناوری تجسم برای نظارت بر زمان واقعی شبکه برق. سیستم پاور تکنولوژی ۲۰۱۴ ، ۳۸ ، ۵۳۸-۵۴۳٫ [ Google Scholar ]
هو، ایکس. شیائو، دی. چن، پی. Song, L. سیستم تجزیه و تحلیل بصری برای داده های رفتار الکتریکی. جی. کامپیوتر. Appl. ۲۰۱۸ ، ۳۸ ، ۷۷-۸۲٫ [ Google Scholar ]
ژائو، ز. ژانگ، تی. هوانگ، ی. ژنگ، دبلیو. وی، سی. تحلیل بصری مبتنی بر شبیه سازی حالت عملکرد شبکه برق. دانشگاه ژجیانگ. ۲۰۲۰ ، ۴۷ ، ۳۶-۴۴٫ [ Google Scholar ]
دندان های نیش.؛ وانگ، ال. گائو، ام. کیان، ر. چن، ایکس. شن، ال. ژانگ، ال. لیو، آر. وانگ، کیو. تجسم و تجزیه و تحلیل داده های قدرت تعاملی. J. هنجار نانجینگ. دانشگاه ۲۰۱۹ ، ۴۲ ، ۹۶-۱۰۶٫ [ Google Scholar ]
لی، دبلیو. چنگ، ایکس. Lu, Q. یک روش مبتنی بر نمودار برای تجزیه و تحلیل بصری داده های قدرت. جی. نمودار. ۲۰۱۹ ، ۴۰ ، ۱۲۴-۱۳۰٫ [ Google Scholar ]
لو، کیو. خو، دبلیو. ژانگ، اچ. تانگ، کیو. لی، جی. Fang, R. ElectricVIS: سیستم تجزیه و تحلیل بصری برای داده های منبع تغذیه شهر هوشمند. جی. ابرکامپیوتر. ۲۰۲۰ ، ۷۶ ، ۷۹۳-۸۱۳٫ [ Google Scholar ] [ CrossRef ]
هیپرت، اچ اس. پدریرا، م. سوزا، شبکه های عصبی RC برای پیش بینی بار کوتاه مدت: بررسی و ارزیابی IEEE Trans. سیستم پاور ۲۰۰۱ ، ۱۶ ، ۴۴-۵۵٫ [ Google Scholar ] [ CrossRef ]
Kwon، BS; پارک، RJ; آهنگ، KB پیش بینی بار کوتاه مدت بر اساس شبکه های عصبی عمیق با استفاده از لایه LSTM. جی الکتر. مهندس تکنولوژی ۲۰۲۰ ، ۱۵ ، ۱۵۰۱-۱۵۰۹٫ [ Google Scholar ] [ CrossRef ]
گوان، تی. خو، ز. لین، ال. ژانگ، جی. جیا، ی. Shi، Y. مدل بازگشتی حداکثر بار افزایشی بر اساس LS-SVM با در نظر گرفتن اثر دمای انباشته. در مجموعه مقالات کنفرانس بین المللی IEEE 2018 در مورد اینترنت اشیا (iThings) و محاسبات سبز و ارتباطات IEEE (GreenCom) و IEEE Cyber, Physical and Social Computing (CPSCom) و IEEE Smart Data (SmartData)، هالیفاکس، NS، کانادا، ۳۰ جولای–۳ اوت ۲۰۱۸; صص ۷۱۶-۷۱۹٫ [ Google Scholar ]
یانگ، دی. یانگ، جی. هو، سی. کوی، دی. Chen, Z. پیش‌بینی بار قدرت کوتاه‌مدت بر اساس بهبود LSSVM. الکترون. Meas. تکنولوژی ۲۰۲۱ ، ۴۴ ، ۴۷-۵۳٫ [ Google Scholar ]
تانگ، XL; دای، YY; لیو، کیو. دانگ، XY; Xu, J. کاربرد شبکه عصبی بازگشتی دو طرفه همراه با شبکه باور عمیق در پیش بینی بار کوتاه مدت. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۱۶۰۶۶۰–۱۶۰۶۷۰٫ [ Google Scholar ] [ CrossRef ]
پتروشانو، D.-M. طراحی، توسعه و اعتبارسنجی یک روش پیش‌بینی برای مصرف ساعتی برق ماه آینده در مورد مصرف‌کنندگان صنعتی متوسط. Processes ۲۰۱۹ ، ۷ ، ۳۱۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
ژنگ، جی. خو، سی. ژانگ، ز. Li، X. پیش‌بینی بار الکتریکی در شبکه‌های هوشمند با استفاده از شبکه عصبی بازگشتی مبتنی بر حافظه کوتاه‌مدت. در مجموعه مقالات پنجاه و یکمین کنفرانس سالانه علوم و سیستم های اطلاعاتی (CISS)، بالتیمور، MD، ایالات متحده آمریکا، ۲۲ تا ۲۴ مارس ۲۰۱۷؛ صص ۱-۶٫ [ Google Scholar ]
دودک، دی. پلکا، پی. اسمیل، اس. یک مدل LSTM گشاد شده هیبریدی و هموارسازی نمایی برای پیش بینی بار الکتریکی میان مدت. IEEE Trans. شبکه عصبی فرا گرفتن. سیستم ۲۰۲۰ ، ۱-۱۳٫ [ Google Scholar ] [ CrossRef ]
دنگ، دی. لی، جی. ژانگ، ز. تنگ، ی. Huang، Q. پیش بینی بار الکتریکی کوتاه مدت بر اساس EEMD-GRU-MLR. سیستم پاور تکنولوژی ۲۰۲۰ ، ۴۴ ، ۵۹۳-۶۰۲٫ [ Google Scholar ]
لو، اچ. ما، ایکس. Ma, M. یک مدل ترکیبی مبتنی بر بهینه‌ساز چندهدفه برای پیش‌بینی تقاضای برق روزانه با در نظر گرفتن COVID-19. Energy ۲۰۲۱ , ۲۱۹ , ۱۱۹۵۶۸٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
پوردریایی، ع. مخلیس، ح. ایلیاس، HA; کابلی، ش.ا. احمد، اس. پیش بینی قیمت برق کوتاه مدت از طریق الگوریتم جستجوی عقبگرد ترکیبی و رویکرد ANFIS. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۷۷۶۷۴–۷۷۶۹۱٫ [ Google Scholar ] [ CrossRef ]
چانگ، ز. ژانگ، ی. Chen, W. پیش‌بینی قیمت برق بر اساس مدل ترکیبی شبکه عصبی LSTM و تبدیل موجک بهینه‌سازی شده آدام. Energy ۲۰۱۹ , ۱۸۷ , ۱۱۵۸۰۴٫ [ Google Scholar ] [ CrossRef ]
ژانگ، جی. تان، ز. Wei, Y. یک مدل هیبریدی تطبیقی برای پیش‌بینی کوتاه‌مدت قیمت برق. Appl. Energy ۲۰۲۰ , ۲۵۸ , ۱۱۴۰۸۷٫ [ Google Scholar ] [ CrossRef ]
ژانگ، جی. ژانگ، ی. لی، دی. تان، ز. جی، جی. پیش بینی قیمت برق در آینده با استفاده از یک مدل یکپارچه جدید. بین المللی جی الکتر. سیستم انرژی برق ۲۰۱۹ ، ۱۰۵ ، ۵۴۱-۵۴۸٫ [ Google Scholar ] [ CrossRef ]
احمد، دبلیو. ایوب، ن. علی، ت. عرفان، م. آویس، م. شیراز، م. Glowacz، A. به سوی پیش بینی بار الکتریکی کوتاه مدت با استفاده از ماشین بردار پشتیبانی بهبودیافته و ماشین یادگیری شدید. Energies ۲۰۲۰ , ۱۳ , ۲۹۰۷٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ دانشگاه در پکن به عنوان منطقه مورد مطالعه در نظر گرفته شده است.

شکل ۲٫ یک چارچوب تجزیه و تحلیل بصری برای تجسم یکپارچه داده های مصرف برق.

شکل ۳٫ ساختار طراحی گرافیکی.

شکل ۴٫ مدل پیش بینی ATT-LSTM که هم افزایی سری های زمانی مشابه را در نظر می گیرد.

شکل ۵٫ سیستم های مختصات موازی با استفاده از زمینه تمرکز.

شکل ۶٫ معماری سیستم.

شکل ۷٫ سیستم SmartEle. ( A ) نشان دهنده پانل انتخاب است. ( B ) نمایانگر نمای نقشه حرارتی است. ( ج ) نمایانگر دیدگاه عوامل مرتبط با مصرف برق است. ( D ) نمایانگر نظارت بر ناهنجاری است. ( E ) نمایانگر درصد مصرف برق است. ( F ) نمایانگر روند مصرف برق است. ( G ) نمایانگر نمای پیش بینی مصرف برق است. ( H ) نمایانگر نمای تقویم مصرف برق است. در ( C) D نشان دهنده جامعه خوابگاه، M نشان دهنده جامعه آپارتمان کارشناسی ارشد و دکترا، R1 نشان دهنده جامعه پژوهشی، T نشان دهنده جامعه آموزشی، R2 نشان دهنده جامعه تفریحی و L نشان دهنده جامعه تدارکات است.

شکل ۸٫ تجزیه و تحلیل عوامل موثر بر مصرف برق. ( الف ) مصرف برق ژوئیه تا سپتامبر ۲۰۱۸٫ ( ب ) مصرف برق دسامبر تا فوریه ۲۰۱۹٫

شکل ۹٫ ماتریس متریک شباهت. محورهای افقی و عددی ساختمان خوابگاه را نشان می دهد.

شکل ۱۰٫ ( الف ) تجسم یکپارچه و ( ب ) تجسم سنتی داده های مصرف برق.

شکل ۱۱٫ مقایسه مقادیر پیش بینی شده مدل پیش بینی ATT-LSTM، مدل پیش بینی LSTM و مقادیر واقعی.

شکل ۱۲٫ تحلیل همبستگی داده های چند بعدی.

شکل ۱۳٫ تفاوت در مصرف برق در میان گروه های کاربر.

ونوس نصیرفام

13 ژانویه 2023

مقالات