CN105676670A - 用于处理能源数据的方法和系统 - Google Patents

Abstract

提供了一种用于处理能源数据的方法和系统。所述方法包括：根据数据规律对能源数据进行分类；根据所确定的类别来确定能源数据适用的模型；根据历史数据对模型进行训练，以获取模型的具体参数及数据正确性的置信区间；根据所训练的模型对实时数据进行预测；通过判断实际值与预测值之间的偏差是否在置信区间内，对实际值进行修改；以及通过在线学习或根据更多的历史数据来对模型进行修改或优化。

Description

用于处理能源数据的方法和系统

技术领域

本发明涉及一种用于处理能源数据的方法和系统，更具体地涉及一种用于对能源数据进行预测、数据故障通知及修正的方法和系统。

背景技术

目前，绿色建筑已经成为当前建筑领域的目标，专业人员通过对建筑能源进行分析统计以达到节约减排的目的，但能源数据由于通信故障、传感器故障等容易导致异常。同时，专业人员希望通过当前设备的数据趋势获取进一步的信息，以提前采取措施来预防设备故障、能耗消费等情况发生。因此，通过对能源数据进行处理，能有效帮助专业人员进行能耗分析，更好地达到绿色节能的目的。

但是能源数据不同于其他领域(例如交通或经济领域)的数据，因为无法从宏观上对数据进行调控，同时各数据间还存在相互的依赖性及独立性，这极大地增大了能源数据处理的难道。在数据出现质量问题的情况下，相应的能耗分析也会增大不确定性，从而无法有效地提供建筑能效分析。

发明内容

为了解决现有技术中的上述缺点和问题中的至少一个而提出本发明。基于现有技术存在的缺点，本发明提供了一种用于处理能源数据的方法和系统。

本发明的一个目的在于有效预测能源数据，以帮助专业人员提前采取措施来预防能耗浪费等情况发生。

本发明的另一个目的在于对实时数据进行检测，当数据质量发生问题时进行通知，以帮助及时发现设备问题。

本发明的又一目的在于对故障数据进行修正，以帮助对能源数据进行分析，从而达到节约减排的目的。

根据一个方面，本发明提供了一种用于处理能源数据的方法，包括：根据数据规律对能源数据进行分类；根据所确定的类别来确定能源数据适用的模型；根据历史数据对模型进行训练，以获取模型的具体参数及数据正确性的置信区间；根据所训练的模型对实时数据进行预测；通过判断实际值与预测值之间的偏差是否在置信区间内，对实际值进行修改；以及通过在线学习或根据更多的历史数据来对模型进行修改或优化。

可选地，根据特定能源数据是否随时间变化以及该特定能源数据的变化是否依赖于其他能源数据的变化。

可选地，根据数据规律将能源数据分类为无时间规律并且与其他能源数据无关、具有显著时间规律并且与其他能源数据无关、无显著时间规律并且与其他能源数据相关、无显著数据规律等类别。

可选地，如果确定特定能源数据无时间规律并且与其他能源数据无关，则确定该类型的能源数据适用符号函数模型；如果确定特定能源数据具有显著时间规律并且与其他量无关，则该类别的能源数据适用改进ARMA模型；如果确定特定能源数据无显著时间规律并且与其他量相关，则该类别的能源数据适用贝叶斯网络；如果确定特定能源数据无显著数据规律并且该特定能源数据不复杂，则确定该类别的能源数据适用牛顿分析方法或高斯模型；如果确定特定能源数据无显著数据规律并且该特定能源数据复杂，则确定该类别的能源数据适用人工神经网络或支持向量机模型。

可选地，其中所述改进ARMA模型除了考虑前n个时刻的数据点及数据变化值外，还增加了季节数据间的协方差判定，以增大模型对季节性规律的敏感性，其中n为自然数。

可选地，对于已有模型，通过对历史数据的训练获取适当参数。

可选地，对于不确定性模型，选取当前时刻的前几个时刻的数据作为输入量以及当前时刻数据作为输出量来建立数据模型。

可选地，置信区间采用0.03的显著性水平。

可选地，当历史数据较小时，执行人工数据校验。

可选地，通过剪枝算法或核函数来降低模型的维数。

可选地，通过粒子群算法对模型参数进行重新拟合以修正优化参数。

可选地，对能源数据保存标志位，以指示以下中的一个：(1)为正确数据且位于置信空间内；(2)为错误数据且位于置信空间外；(3)为正确数据且处于置信空间外；(4)为错误数据且位于置信空间内。

可选地，当标志位指示为(1)或(2)时，表明所确定的模型能正确处理数据；当标志位指示为(3)时，表明需要对模型重新学习；以及当标志位指示为(4)时，表面需要对模型在线修正。

根据本发明的另一个方面，提供了一种用于处理能源数据的系统，包括：能源数据分类模块，用于根据数据规律对能源数据进行分类；能源数据模型确定模块，用于根据能源数据分类模块210所确定的类别来确定能源数据适用的模型；训练模块，用于根据历史数据对模型进行训练，以获取模型的具体参数及数据正确性的置信区间；实时值预测模块，用于根据所训练的模型对实时数据进行预测；实时值修正模块，用于通过判断实际值与预测值之间的偏差是否在置信区间内，对实际值进行修改；以及模型修正优化模块，用于通过在线学习或根据更多的历史数据来对模型进行修改或优化。

附图说明

通过下面结合附图进行的描述，本发明一些示范性实施例的上述和其他方面、特征和优点对于本领域技术人员来说将变得显而易见，其中：

图1示出了根据本发明的用于处理能源数据的方法的流程图；

图2是根据本发明的用于处理能源数据的系统的框图；

图3示出了根据一个示例的示出作为一个典型能源数据的冷却水流量随时间变化的实际值与预测值的图示；

图4示出了根据另一个示例的示出作为一个典型能源数据的室外温度随时间变化的实际值与预测值的图示；以及

图5示出了根据另一个示例的示出作为一个典型能源数据的总用电量随时间变化的实际值与预测值的图示。

具体实施方式

提供参考附图的下面描述以帮助全面理解本发明的示范性实施例。其包括各种细节以助于理解，而应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，省略了对公知功能和结构的描述。

图1示出了根据本发明的用于处理能源数据的方法的流程图。

在步骤S110中，根据数据规律对能源数据进行分类。在一个实施例中，可以根据特定能源数据是否随时间变化以及该特定能源数据的变化是否依赖于其他能源数据的变化。例如，可以根据数据规律将能源数据分类为无时间规律并且与其他能源数据无关、具有显著时间规律并且与其他能源数据无关、无显著时间规律并且与其他能源数据相关、无显著数据规律等类别。上面列出的对能源数据的分类仅仅是示例，并且不限于此。例如，可以由能源领域的专家来决定具体数据分类。此外，在专家无法确定下，可以通过数据间相关性分析来确定两个数据间的相关性。例如，可以通过一些分析软件，诸如SPSS来研究数据间相关性。在一个示例中，可以利用皮尔逊相关性获取客流量与天气之间的影响关系为高度相关。在能源数据中，例如冷机开关量为与时间无关也与其他能源数据无关，室外温度、湿度等属于具有显著时间规律并且与其他量无关，回水温度等与开关紧密相关但与时间无紧密联系，客流量不仅与时间相关也与室外温度等紧密相关。

在步骤S120中，根据所确定的类别来确定能源数据适用的模型。例如，如果确定特定能源数据无时间规律并且与其他能源数据无关，则该特定能源数据为基本量，其变化仅与自身约束相关(即该值只要在约束内均认为是合理的，例如开关量只能为0,1，则其约束变为离散量0,1)，从而可以确定该类型的能源数据适用符号函数模型；如果确定特定能源数据具有显著时间规律并且与其他量无关，则该类别的能源数据适用改进ARMA(自回归滑动平均)模型；如果确定特定能源数据无显著时间规律并且与其他量相关，则该类别的能源数据适用贝叶斯网络；如果确定特定能源数据无显著数据规律并且该特定能源数据不复杂，则该类别的能源数据适用牛顿分析方法或高斯模型；如果确定特定能源数据无显著数据规律并且该特定能源数据复杂，则该类别的能源数据适用人工神经网络或支持向量机模型，例如多项式模型。

改进ARMA模型除了考虑前n(n为自然数)个时刻的数据点及数据变化值外，还增加了不同时间段(例如季节)的数据间的协方差判定，以增大模型对时间性规律(例如季节性规律)的敏感性。

在人工智能算法中，对于不复杂的数据类型，可以选择牛顿分析方法或高斯模型等来快速建立多项式模型；对于复杂的数据类型，可以选择人工智能或支持向量机等模型来对历史数据进行训练；而贝叶斯网络一般通过计算机语言建立。

在步骤S130中，根据历史数据对模型进行训练，以获取模型的具体参数及数据正确性的置信区间。

对于已有模型，可以只需通过对历史数据的训练获取适当参数。例如可以通过参数拟合方法来快速获取模型在历史数据下的最佳参数。参数拟合方法可以是蚁群算法、遗传算法等，相对于一般的拟合方法，以上算法能够通过少量试验获取符合要求的最优参数，且不易陷入局部最优。例如，所述已有模型可以包括ARMA模型或高斯模型等。

对于不确定性模型，需要通过人工智能算法对历史数据进行训练以获取模型，并将所获取的模型保存在特定的数据结构内。

在使用人工智能算法对历史数据进行训练之前，需要对历史数据进行预处理。当使用人工智能算法来训练模型时，选取当前时刻的前几个时刻(可以根据需要来选择)的数据作为输入量以及当前时刻数据作为输出量来建立数据模型。在一个示例中，可以通过梯度算法来获取模型的参数。当确定置信区间参数时，选择上述输入量以及输出量作为输入量、以及上述输出量是否正确的标志(一般为0或1)作为输出量进行训练，置信区间的上下限分别为实际数据与预测数据的变化度的绝对值。在一个示例中，模型和置信区间的确定是一起获取的。可以使用一些常用的分类方法和概率统计方法来获取置信区间，置信空间的判定即是在一定概率范围内决定数据的正常性，从而为模型提供容错的空间。优选地，置信区间采用0.03的显著性水平对实际值进行判定。

当历史数据(或训练数据)较小时，可以执行人工数据校验，从而降低所产生的模型不准确的可能。当进行人工校验时，不可避免地导致修改标志位，从而导致训练数据变化，因此可以确定是否需要在线学习而重新获取模型(例如模型参数和置信空间)。

可以通过剪枝算法或核函数来降低模型的维数以获取最主要的影响参数。

在步骤S140中，根据所训练的模型对实时数据进行预测。在一个示例中，可以将预测的实际值(即预测值)数字地输出。在另一个示例中，可以将预测值图形地输出，并且可以将随时间变化的实际值与预测值在同一图中输出。

图3示出了根据一个示例的示出作为一个典型能源数据的冷却水流量随时间变化的实际值与预测值的图示，其中预测值是通过应用贝叶斯网络及牛顿分析方法获得的。如图3中所示，预测冷却水流量与实际冷却水流量的误差很小，在置信区间内。

图4示出了根据另一个示例的示出作为一个典型能源数据的室外温度随时间变化的实际值与预测值的图示，其中预测值是通过应用改进ARMA模型获得的。如图4中所示，预测室外温度与实际室外温度的误差很小，在置信区间内。

在S150中，通过判断实际值与预测值之间的偏差是否在置信区间内，对实际值进行修改。

图5示出了根据另一个示例的示出作为一个典型能源数据的总用电量随时间变化的实际值与预测值的图示。从图5中可以看出，预测总用电量与实际用电量在位置1和2处的误差比较大，从而确定在位置1和位置2处存在数据质量问题。位置1处的误差可以反映由于传感器故障导致在一段时间内未采集到数据、并且在传感器恢复正常后存在一段时间电表读数不变并且继而突然跳跃的现象，位置2处的误差可以反映由于网络故障而导致在一段时间内采集到的数据均为-999。在一个示例中，可以将实际值校正为预测值，其中该预测值例如是通过高斯模型获得的。

在步骤S160中，可以通过在线学习或根据更多的历史数据来对模型进行修改或优化。例如，可以通过粒子群算法对模型参数进行重新拟合以修正优化参数。

可以对能源数据保存标志位，以指示以下中的一个：(1)为正确数据且位于置信空间内；(2)为错误数据且位于置信空间外；(3)为正确数据且处于置信空间外；(4)为错误数据且位于置信空间内。当能源数据被指示为(1)或(2)时，表明所确定的模型能正确处理数据；当能源数据被指示为(3)时，可能需要对模型重新学习；当能源数据被指示为(4)时，可能需要对模型在线修正。

图2是根据本发明的用于处理能源数据的系统的框图。

如图2中所示，根据本发明的用于处理能源数据的系统可以包括能源数据分类模块210、能源数据模型确定模块220、训练模块230、实时值预测模块240、实时值修正模块250、模型修正优化模块260。

能源数据分类模块210用于根据数据规律对能源数据进行分类。能源数据分类模块210可以根据特定能源数据是否随时间变化以及该特定能源数据的变化是否依赖于其他能源数据的变化。例如，可以根据数据规律将能源数据分类为无时间规律并且与其他能源数据无关、具有显著时间规律并且与其他能源数据无关、无显著时间规律并且与其他能源数据相关、无显著数据规律等类别。

能源数据模型确定模块220用于根据能源数据分类模块210所确定的类别来确定能源数据适用的模型。例如，如果确定特定能源数据无时间规律并且与其他能源数据无关，则该特定能源数据为基本量，其变化仅与自身约束相关，从而可以确定该类型的能源数据适用符号函数模型；如果确定特定能源数据具有显著时间规律并且与其他量无关，则该类别的能源数据适用改进ARMA(自回归滑动平均)模型；如果确定特定能源数据无显著时间规律并且与其他量相关，则该类别的能源数据适用贝叶斯网络；如果确定特定能源数据无显著数据规律并且该特定能源数据不复杂，则该类别的能源数据适用牛顿分析方法或高斯模型；如果确定特定能源数据无显著数据规律并且该特定能源数据复杂，则该类别的能源数据适用人工神经网络或支持向量机模型，例如多项式模型。

训练模块230用于根据历史数据对模型进行训练，以获取模型的具体参数及数据正确性的置信区间。

实时值预测模块240用于根据所训练的模型对实时数据进行预测。在一个示例中，可以将预测的实际值(即预测值)数字地输出。在另一个示例中，可以将预测值图形地输出，并且可以将随时间变化的实际值与预测值在同一图中输出。

实时值修正模块250用于通过判断实际值与预测值之间的偏差是否在置信区间内，对实际值进行修改。

模型修正优化模块260用于通过在线学习或根据更多的历史数据来对模型进行修改或优化。

应指出的是，上面对本发明的方法实施例描述的细节也同样适用于系统实施例。因此，为了清楚简洁，在此没有对系统实施例的细节进行描述。

以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，对本领域的普通技术人员而言，能够理解本发明的方法和系统的全部或者任何步骤或者部件可以以软件、硬件、固件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。

因此，本发明的目的还可以通过在任何计算装置上运行一个软件模块或者一组软件模块来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。

虽然本说明书包含许多特定实施方式细节，但是不应当将这些细节解释为对任何发明或可以主张的内容的范围的限制，而应当解释为对可以特定于特定发明的特定实施例的特征的描述。还可以将在本说明书中在分离的实施例的情境中描述的某些特征组合在单个实施例中实现。相反地，也可以将在单个实施方式的情境中描述的各个特征分离地在多个实施方式中实现或在任何适当的子组合中实现。此外，尽管可能在上面将特征描述为在某些组合中起作用，甚至最初主张如此，但是可以在一些情况下将来自所主张的组合的一个或多个特征从组合中删去，并且可以将所主张的组合指向子组合或者子组合的变体。

类似地，虽然在附图中以特定次序描绘了操作，但是不应当将这理解为需要以所示的特定次序或者以连续次序执行这样的操作、或者需要执行所有图示的操作才能达到期望的结果。在某些情况下，多任务以及并行处理可以是有利的。此外，不应当将在上述实施例中的各种系统组件的分离理解为在所有实施例中均需要这样的分离，而应当理解的是，通常可以将所描述的程序组件和系统集成到一起成为单个软件产品或封装为多个软件产品。

计算机程序(也称作程序、软件、软件应用、脚本或代码)可以以任何形式的编程语言编写，所述编程语言包括编译或解释语言、或者说明性或过程语言，并且其可以以任何形式部署，包括作为独立程序或作为模块、组件、子程序或适于在计算环境中使用的其它单元。计算机程序没有必要对应于文件系统中的文件。可以将程序存储在保持其它程序或数据的文件(例如，存储在标记语言文档中的一个或多个脚本)的一部分、专用于讨论中的程序的单个文件或者多个协调文件(例如，存储一个或多个模块、子程序或部分代码的文件)中。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (14)

1.一种用于处理能源数据的方法，包括：

根据数据规律对能源数据进行分类；

根据所确定的类别来确定能源数据适用的模型；

根据历史数据对模型进行训练，以获取模型的具体参数及数据正确性的置信区间；

根据所训练的模型对实时数据进行预测；

通过判断实际值与预测值之间的偏差是否在置信区间内，对实际值进行修改；以及

通过在线学习或根据更多的历史数据来对模型进行修改或优化。

2.根据权利要求1所述的方法，其中，根据特定能源数据是否随时间变化以及该特定能源数据的变化是否依赖于其他能源数据的变化。

3.根据权利要求2所述的方法，其中，根据数据规律将能源数据分类为无时间规律并且与其他能源数据无关、具有显著时间规律并且与其他能源数据无关、无显著时间规律并且与其他能源数据相关、无显著数据规律等类别。

4.根据权利要求3所述的方法，其中：

如果确定特定能源数据无时间规律并且与其他能源数据无关，则确定该类型的能源数据适用符号函数模型；

如果确定特定能源数据具有显著时间规律并且与其他量无关，则该类别的能源数据适用改进ARMA模型；

如果确定特定能源数据无显著时间规律并且与其他量相关，则该类别的能源数据适用贝叶斯网络；

如果确定特定能源数据无显著数据规律并且该特定能源数据不复杂，则确定该类别的能源数据适用牛顿分析方法或高斯模型；

如果确定特定能源数据无显著数据规律并且该特定能源数据复杂，则确定该类别的能源数据适用人工神经网络或支持向量机模型。

5.根据权利要求4所述的方法，其中所述改进ARMA模型除了考虑前n个时刻的数据点及数据变化值外，还增加了季节数据间的协方差判定，以增大模型对季节性规律的敏感性，其中n为自然数。

6.根据权利要求4所述的方法，其中，对于已有模型，通过对历史数据的训练获取适当参数。

7.根据权利要求4所述的方法，其中：

对于不确定性模型，选取当前时刻的前几个时刻的数据作为输入量以及当前时刻数据作为输出量来建立数据模型。

8.根据权利要求7所述的方法，其中，置信区间采用0.03的显著性水平。

9.根据权利要求1所述的方法，其中，当历史数据较小时，执行人工数据校验。

10.根据权利要求1所述的方法，其中，通过剪枝算法或核函数来降低模型的维数。

11.根据权利要求1所述的方法，其中，通过粒子群算法对模型参数进行重新拟合以修正优化参数。

12.根据权利要求1所述的方法，其中，对能源数据保存标志位，以指示以下中的一个：(1)为正确数据且位于置信空间内；(2)为错误数据且位于置信空间外；(3)为正确数据且处于置信空间外；(4)为错误数据且位于置信空间内。

13.根据权利要求12所述的方法，其中：

当标志位指示为(1)或(2)时，表明所确定的模型能正确处理数据；

当标志位指示为(3)时，表明需要对模型重新学习；以及

当标志位指示为(4)时，表面需要对模型在线修正。

14.一种用于处理能源数据的系统，包括：

能源数据分类模块，用于根据数据规律对能源数据进行分类；

能源数据模型确定模块，用于根据能源数据分类模块210所确定的类别来确定能源数据适用的模型；

训练模块，用于根据历史数据对模型进行训练，以获取模型的具体参数及数据正确性的置信区间；

实时值预测模块，用于根据所训练的模型对实时数据进行预测；

实时值修正模块，用于通过判断实际值与预测值之间的偏差是否在置信区间内，对实际值进行修改；以及

模型修正优化模块，用于通过在线学习或根据更多的历史数据来对模型进行修改或优化。