CN110390441A - 用能预测方法及装置 - Google Patents
用能预测方法及装置 Download PDFInfo
- Publication number
- CN110390441A CN110390441A CN201910692762.5A CN201910692762A CN110390441A CN 110390441 A CN110390441 A CN 110390441A CN 201910692762 A CN201910692762 A CN 201910692762A CN 110390441 A CN110390441 A CN 110390441A
- Authority
- CN
- China
- Prior art keywords
- data
- history
- energy
- predicted
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000007613 environmental effect Effects 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims description 52
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 18
- 230000000306 recurrent effect Effects 0.000 claims description 17
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000013481 data capture Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 28
- 230000006870 function Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 230000006854 communication Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000005291 magnetic effect Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 238000003556 assay Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请的实施例公开了用能预测方法及装置。该方法的一具体实施方式包括:获取历史用能数据、与历史用能数据对应的历史用能环境数据以及与待预测用能数据对应的待预测用能环境数据;将所获取的历史用能数据、历史用能环境数据以及待预测用能环境数据输入预先训练的用能预测模型中,得到待预测用能数据。本实施方式可应用于云计算领域,通过自动采集企业用能数据,实时洞察企业生产状况,并及时进行企业生产状况预测。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及一种用能预测方法及装置。
背景技术
目前,通过对企业的工商信息、生产状况、财务状况、舆情状况等数据进行人工分析,可以了解企业生产经营状况。
但是,通过对企业相关信息进行人工综合分析,只能了解企业的历史生产经营情况,并不能及时预测企业未来的生产经营情况。而且,人工综合分析的方式存在无法精准洞察企业的生产经营状况、占用大量人力资源的问题。
发明内容
本申请实施例提出了驱动安装方法、装置以及云服务系统。
第一方面,本申请实施例提供了一种用能预测方法,其中,该方法包括:获取历史用能数据、与历史用能数据对应的历史用能环境数据以及与待预测用能数据对应的待预测用能环境数据;将所获取的历史用能数据、历史用能环境数据以及待预测用能环境数据输入预先训练的用能预测模型中,得到待预测用能数据。
在一些实施例中,用能预测模型包括:循环神经网络、一级全连接神经网络和二级全连接神经网络;上述将所获取的历史用能数据、历史用能环境数据以及待预测用能环境数据输入预先训练的用能预测模型中,得到待预测用能数据,包括:将历史用能数据和历史用能环境数据输入循环神经网络中,得到历史编码数据;将待预测用能环境数据输入一级全连接神经网络中,得到待预测环境编码数据;将历史编码数据与待预测环境编码数据拼接得到整合编码数据将整合编码数据输入二级全连接神经网络中,得到待预测用能数据。
在一些实施例中,用能预测模型通过如下方式训练得到:
获取训练样本集,训练样本集中的训练样本包括由发生时间在先的第一历史用能数据和发生时间在后的第二历史用能数据组成的数据对,其中,第一历史用能数据包括第一历史能耗值和与第一历史能耗值对应的第一历史用能环境参数,第二历史用能数据均包括第二历史能耗值和与第二历史能耗值对应的第二历史用能环境参数;将第一历史用能数据输入初始用能预测模型的循环神经网络,将第二历史用能环境参数输入初始用能预测模型的一级全连接神经网络,并以第二历史能耗值作为初始用能预测模型的二级全连接神经网络的目标输出,训练初始用能预测模型,得到用能预测模型。
在一些实施例中,上述训练样本集中的训练样本通过对初始训练样本中的数值项进行归一化处理并对所述初始训练样本中的非数值项进行独热编码后得到。
在一些实施例中,该方法还包括:基于历史用能数据和待预测用能数据分别进行数据分析;响应于分析后的历史用能数据和/或待预测用能数据与预设报警信息相匹配,向接收端发送与预设报警信息相应的报警信号。
第二方面,本申请实施例提供了一种用能预测装置,其中,该装置包括:数据获取单元,被配置为用于获取历史用能数据、与历史用能数据对应的历史用能环境数据以及与待预测用能数据对应的待预测用能环境数据;用能预测单元,被配置为用于将所获取的历史用能数据、历史用能环境数据以及待预测用能环境数据输入预先训练的用能预测模型中,得到待预测用能数据。
在一些实施例中,用能预测模型包括:循环神经网络、一级全连接神经网络和二级全连接神经网络;用能预测单元被进一步配置为用于:将历史用能数据和历史用能环境数据输入循环神经网络中,得到历史编码数据;将待预测用能环境数据输入一级全连接神经网络中,得到待预测环境编码数据;将历史编码数据与待预测环境编码数据拼接得到整合编码数据将整合编码数据输入二级全连接神经网络中,得到待预测用能数据。
在一些实施例中,用能预测模型通过如下方式训练得到:获取训练样本集,训练样本集中的训练样本包括由发生时间在先的第一历史用能数据和发生时间在后的第二历史用能数据组成的数据对,其中,第一历史用能数据包括第一历史能耗值和与第一历史能耗值对应的第一历史用能环境参数,第二历史用能数据均包括第二历史能耗值和与第二历史能耗值对应的第二历史用能环境参数;将第一历史用能数据输入初始用能预测模型的循环神经网络,将第二历史用能环境参数输入初始用能预测模型的一级全连接神经网络,并以第二历史能耗值作为初始用能预测模型的二级全连接神经网络的目标输出,训练初始用能预测模型,得到用能预测模型。
在一些实施例中,上述训练样本集中的训练样本通过对初始训练样本中的数值项进行归一化处理并对所述初始训练样本中的非数值项进行独热编码后得到。
在一些实施例中,该装置还包括:预警单元,被配置为用于基于历史用能数据和待预测用能数据分别进行数据分析;响应于分析后的历史用能数据和/或待预测用能数据与预设报警信息相匹配,向接收端发送与预设报警信息相应的报警信号。
第三方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用能预测方法及装置,首先获取历史用能数据、与历史用能数据对应的历史用能环境数据以及与待预测用能数据对应的待预测用能环境数据;然后将所获取的历史用能数据、历史用能环境数据以及待预测用能环境数据输入预先训练的用能预测模型中,得到待预测用能数据。本申请以企业用能数据分析为核心,自动采集企业用能数据,实时洞察企业生产状况,并及时进行企业生产状况预测。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用能预测方法的一个实施例的流程图;
图3是根据本实施例的用能预测模型的结构示意图;
图4是根据本实施例的用能预测方法的应用场景的示意图;
图5是根据本申请的用能预测方法的又一个实施例的流程图;
图6是根据本申请的用能预测装置的一个实施例的结构图;
图7是适于用来实现本申请实施例的计算机设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
在本申请一个典型的配置中,数据采集设备、数据处理设备均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitorymedia),如调制的数据信号和载波。
图1示出了可以应用本申请的驱动安装方法和装置的示例性架构100。
如图1所示,系统架构100可以包括数据采集设备101、102、103,网络104和数据接收端设备105。网络104用以在数据采集设备101、102、103和数据处理设备105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
本实施例中,可以使用数据采集设备101、102、103通过网络104与数据处理设备105交互,比如,将采集的企业的用能数据传输至数据处理设备等。
数据采集设备101、102、103可以是支持网络连接从而提供各种网络服务的硬件设备或软件。当数据采集设备101、102、103为硬件时,其可以是具备用能数据采集、计费、管理功能的各种电子设备,包括但不限于智能电表、电能采集器等等。当数据采集设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来进行用能数据采集、计费、管理的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
数据处理设备105可以是提供各种服务的数据处理设备,例如可以是对数据采集设备101、102、103提供相关用能数据处理的服务器、计算机等。服务器、计算机等数据处理设备接收数据采集终端采集的用能数据,并对用能数据进行处理。
需要说明书的是,数据处理设备可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的数据采集设备和数据处理设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备和服务器。
继续参考图2,示出了根据本申请的用能预测方法的一个实施例的流程200,该用能预测方法包括以下步骤:
步骤201,获取历史用能数据、与历史用能数据对应的历史用能环境数据以及与待预测用能数据对应的待预测用能环境数据。
本实施例中,历史用能数据是指企业在生产经营过程中已产生的用能数据,包括但不限于企业的用电数据、煤炭数据、用水数据。企业的历史用能与企业的生产经营状况息息相关,因此,企业的历史用能数据可以直接反应企业的生产经营状况,通过企业的历史用能数据可以直接了解企业的生产经营状况。历史用能环境数据是指影响企业实时生产经营状况的环境数据,包括但不限于企业的节假日信息、企业所在地的天气信息。历史用能环境数据对企业生产经营的影响可以体现在企业的历史用能数据的变化上。待预测用能环境数据是指与历史用能环境数据对应的待预测时间段的用能环境数据。
本实施例中,执行主体(比如图1中的数据处理设备)可以通过智能电表等数据采集设备获取企业的用能数据。智能电表是智能电网的智能终端,它已经不是传统意义上的电能表,智能电表除了具备传统电能表基本用电量的计量功能以外,为了适应智能电网和新能源的使用它还具有双向多种费率计量功能、用户端控制功能、多种数据传输模式的双向数据通信功能、防窃电功能等智能化的功能。基于智能电表的强大功能,数据采集设备可以采用实时获取电能或预定时间间隔获取电能的方式进行用能数据的采集,在此不做限定。
本实施例中,执行主体(比如图1中的数据处理设备)可以通过相关天气预报平台或天气预报应用获取历史用能环境数据和待预测用能环境数据的天气信息。基于预测的天气信息的准确性,可以按日期就近选取待预测用能数据对应的天气信息,以提高待预测用能环境数据的准确性。
步骤202,将所获取的历史用能数据、历史用能环境数据以及待预测用能环境数据输入预先训练的用能预测模型中,得到待预测用能数据。
本实施例中,通过获取的历史用能数据、与历史用能数据对应的历史用能环境数据,可以得到企业的历史用能趋势以及历史用能环境数据与历史用能数据之间的相关性。基于得到的企业的用能趋势,根据历史用能环境数据与历史用能数据之间的相关性,结合待预测用能环境数据便可获得企业的待预测用能数据。其中,预先训练的用能预测模型便是用于基于历史用能数据得到企业的用能趋势、得到历史用能环境数据与历史用能数据之间的相关性进而得到待预测用能数据的预测模型。
在本实施例的一些可选的实施方式中,如图3所示,用能预测模型300包括:循环神经网络301、一级全连接神经网络302和二级全连接神经网络303。其中,循环神经网络(Recurrent Neural Network,RNN)是一类以序列数据为输入,在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neuralnetwork)。全连接神经网络是由若干神经元组成的每两层之间的节点都有边相连所组成的神经网络。
本实施例中,用能预测模型通过如下方式训练得到:
首先,获取训练样本集,训练样本集中的训练样本包括由发生时间在先的第一历史用能数据和发生时间在后的第二历史用能数据组成的数据对,其中,第一历史用能数据包括第一历史能耗值和与第一历史能耗值对应的第一历史用能环境参数,第二历史用能数据均包括第二历史能耗值和与第二历史能耗值对应的第二历史用能环境参数。然后,将第一历史用能数据输入初始用能预测模型的循环神经网络,将第二历史用能环境参数输入初始用能预测模型的一级全连接神经网络,并以第二历史能耗值作为初始用能预测模型的二级全连接神经网络的目标输出,训练初始用能预测模型,得到用能预测模型。
在一些实施例中,上述训练样本集中的训练样本通过对初始训练样本中的数值项进行归一化处理并对所述初始训练样本中的非数值项进行独热编码后得到。进行归一化处理和独热编码后训练样本能够加快用能预测模型的训练速度。
其中,标准化处理是数据挖掘的一项基础工作,由于不同的数据间往往具有不同的量纲和量纲单位,这样会影响数据分析的结果;为了消除指标之间的量纲影响,需要进行数据标准化处理,以解决数据指标之间的可比性。独热编码(One-Hot编码),又称为一位有效编码,主要是采用N位状态寄存器来对N个状态进行编码,每个状态都由他独立的寄存器位,并且在任意时候只有一位有效。
得到预先训练的用能预测模型后,便可根据用能预测模型获取待预测用能数据。其获取待预测用能数据的过程为:执行主体将历史用能数据和历史用能环境数据输入循环神经网络中,得到历史编码数据;将待预测用能环境数据输入一级全连接神经网络中,得到待预测环境编码数据;将历史编码数据与待预测环境编码数据拼接得到整合编码数据将整合编码数据输入二级全连接神经网络中,得到待预测用能数据。
本实施例中,将所获取的历史用能数据、历史用能环境数据以及待预测用能环境数据输入预先训练的用能预测模型中,可以获得待预测用能数据。根据获得的待预测用能数据,可以及时进行企业生产状况预测。
继续参考图4,示意性地示出了根据本实施例的用能预测方法的一个应用场景。银行401的服务器获取企业402的历史用能数据、节假日信息以及与待预测用能数据的时间段对应的企业节假日信息,并通过天气预报平台403获取与历史用能数据对应的企业所在地的天气信息以及与待预测用能数据的时间段对应的企业所在地天气信息。服务器将上述获取的信息输入预先训练的用能预测模型,获取待预测用能数据。银行401根据企业402的待预测用能数据便可了解企业402的接下来的发展趋势。
继续参考图5,示出了根据本申请的应用于用能预测方法的另一个实施例的示意性流程500,该用能预测方法包括以下步骤:
步骤501,获取历史用能数据、与历史用能数据对应的历史用能环境数据以及与待预测用能数据对应的待预测用能环境数据。
本实施例中,步骤501按照与步骤201类似的方式执行,在此不再赘述。
步骤502,将所获取的历史用能数据、历史用能环境数据以及待预测用能环境数据输入预先训练的用能预测模型中,得到待预测用能数据。
本实施例中,步骤502按照与步骤202类似的方式执行,在此不再赘述。
步骤503,基于历史用能数据和待预测用能数据分别进行数据分析;响应于分析后的历史用能数据和/或待预测用能数据与预设报警信息相匹配,向接收端发送与预设报警信息相应的报警信号。
本实施例中,通过历史用能数据和待预测用能数据可以获知企业的历史生产经营情况和待预测的生产经营情况,但是,人们仅通过历史用能数据和待预测用能数据不能精确、直观观测企业的生产经营情况。如此,可以基于历史用能数据和待预测用能数据分别进行数据分析;响应于分析后的历史用能数据和/或待预测用能数据与预设报警信息相匹配,向接收端发送与预设报警信息相应的报警信号。
在本实施例的一些可选实施方式中,对历史用能数据和待预测用能数据采用相同的数据分析方式和报警方式。基于历史用能数据和/或待预测用能数据的变化程度,进行相应停产分析、用能骤降分析、用能骤升分析、用能趋势性衰减分析、用能趋势性提升分析、用能周期性变化分析、用能波动分析、停产回归正常分析、骤降回归正常分析、骤升回归正常分析。基于上述分析,设置相应的报警信息:停产报警信息、用能骤降报警信息、用能骤升报警信息、用能趋势性衰减报警信息、用能趋势性提升报警信息、用能周期性变化报警信息、用能波动报警信息、停产回归正常报警信息、骤降回归正常报警信息、骤升回归正常报警信息。比如,经停产分析后,获知最近两日的企业用能值为月平均用能值的10%以下,符合停产报警信息,便进行停产报警。
在本实施例的一些可选实施方式中,可以针对于上述的报警信息可以设置不同的优先级:设置停产报警信息为第一优先级,设置用能骤降报警信息、用能骤升报警信息为第二优先级,设置用能趋势性衰减报警信息、用能趋势性提升报警信息、用能周期性变化报警信息、用能波动报警信息、停产回归正常报警信息、骤降回归正常报警信息、骤升回归正常报警信息为第三优先级。在多种报警信息同时满足时,根据高优先级的报警信息进行报警时,不再根据低优先级的报警信息进行报警。需要说明的是,可以根据实际情况具体设置预设报警信息,在此不做限定。
从图5中可以看出,与图2对应的实施例相比,本实施例中的驱动安装方法的流程500具体说明了基于历史用能数据和待预测用能数据分别进行数据分析后的报警设置,通过报警设置,银行系统及时了解企业生产状况,针对报警信息采取相应措施,降低了银行风控风险。
继续参考图6,示出了根据本申请的驱动安装装置的一个实施例600,该驱动安装装置包括:数据获取单元601、用能预测单元602和预警单元603。
数据获取单元601被配置为用于获取历史用能数据、与历史用能数据对应的历史用能环境数据以及与待预测用能数据对应的待预测用能环境数据;用能预测单元602被配置为用于将所获取的历史用能数据、历史用能环境数据以及待预测用能环境数据输入预先训练的用能预测模型中,得到待预测用能数据;预警单元603被配置为用于基于历史用能数据和待预测用能数据分别进行数据分析;响应于分析后的历史用能数据和/或待预测用能数据与预设报警信息相匹配,向接收端发送与预设报警信息相应的报警信号。
在本实施例中,用能预测模型包括:循环神经网络、一级全连接神经网络和二级全连接神经网络;用能预测单元602被进一步配置为用于:将历史用能数据和历史用能环境数据输入循环神经网络中,得到历史编码数据;将待预测用能环境数据输入一级全连接神经网络中,得到待预测环境编码数据;将历史编码数据与待预测环境编码数据拼接得到整合编码数据将整合编码数据输入二级全连接神经网络中,得到待预测用能数据。
下面参考图7,其示出了适于用来实现本申请实施例的设备(例如图1所示的设备101、102、103、105)的计算机系统700的结构示意图。图7示出的设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括处理器(例如CPU,中央处理器)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM703中,还存储有系统700操作所需的各种程序和数据。处理器701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器,包括数据获取单元、用能预测单元和预警单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,数据获取单元还可以被描述为“获取历史用能数据、与历史用能数据对应的历史用能环境数据以及与待预测用能数据对应的待预测用能环境数据”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该计算机设备:获取历史用能数据、与历史用能数据对应的历史用能环境数据以及与待预测用能数据对应的待预测用能环境数据;将所获取的历史用能数据、历史用能环境数据以及待预测用能环境数据输入预先训练的用能预测模型中,得到待预测用能数据。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用能预测方法,其中,所述方法包括:
获取历史用能数据、与所述历史用能数据对应的历史用能环境数据以及与待预测用能数据对应的待预测用能环境数据;
将所获取的历史用能数据、历史用能环境数据以及待预测用能环境数据输入预先训练的用能预测模型中,得到所述待预测用能数据。
2.根据权利要求1所述的方法,其中,所述用能预测模型包括:循环神经网络、一级全连接神经网络和二级全连接神经网络;
所述将所获取的历史用能数据、历史用能环境数据以及待预测用能环境数据输入预先训练的用能预测模型中,得到所述待预测用能数据,包括:
将所述历史用能数据和所述历史用能环境数据输入循环神经网络中,得到历史编码数据;
将所述待预测用能环境数据输入一级全连接神经网络中,得到待预测环境编码数据;
将所述历史编码数据与所述待预测环境编码数据拼接得到整合编码数据;
将整合编码数据输入二级全连接神经网络中,得到所述待预测用能数据。
3.根据权利要求1所述的方法,所述用能预测模型通过如下方式训练得到:
获取训练样本集,所述训练样本集中的训练样本包括由发生时间在先的第一历史用能数据和发生时间在后的第二历史用能数据组成的数据对,其中,所述第一历史用能数据包括第一历史能耗值和与第一历史能耗值对应的第一历史用能环境参数,所述第二历史用能数据均包括第二历史能耗值和与第二历史能耗值对应的第二历史用能环境参数;
将所述第一历史用能数据输入初始用能预测模型的循环神经网络,将所述第二历史用能环境参数输入初始用能预测模型的一级全连接神经网络,并以所述第二历史能耗值作为初始用能预测模型的二级全连接神经网络的目标输出,训练初始用能预测模型,得到所述用能预测模型。
4.根据权利要求3所述的方法,其中,所述训练样本集中的训练样本通过对初始训练样本中的数值项进行归一化处理并对所述初始训练样本中的非数值项进行独热编码后得到。
5.根据权利要求1所述的方法,其中,所述方法还包括:
基于所述历史用能数据和待预测用能数据分别进行数据分析;
响应于分析后的历史用能数据和/或待预测用能数据与预设报警信息相匹配,向接收端发送与所述预设报警信息相应的报警信号。
6.一种用能预测装置,其中,所述装置包括:
数据获取单元,被配置为用于获取历史用能数据、与所述历史用能数据对应的历史用能环境数据以及与待预测用能数据对应的待预测用能环境数据;
用能预测单元,被配置为用于将所获取的历史用能数据、历史用能环境数据以及待预测用能环境数据输入预先训练的用能预测模型中,得到所述待预测用能数据。
7.根据权利要求6所述的装置,其中,所述用能预测模型包括:循环神经网络、一级全连接神经网络和二级全连接神经网络;
所述用能预测单元被进一步配置为用于:
将所述历史用能数据和所述历史用能环境数据输入循环神经网络中,得到历史编码数据;
将所述待预测用能环境数据输入一级全连接神经网络中,得到待预测环境编码数据;
将所述历史编码数据与所述待预测环境编码数据拼接得到整合编码数据
将整合编码数据输入二级全连接神经网络中,得到所述待预测用能数据。
8.根据权利要求7所述的装置,所述用能预测模型通过如下方式训练得到:
获取训练样本集,所述训练样本集中的训练样本包括由发生时间在先的第一历史用能数据和发生时间在后的第二历史用能数据组成的数据对,其中,所述第一历史用能数据包括第一历史能耗值和与第一历史能耗值对应的第一历史用能环境参数,所述第二历史用能数据均包括第二历史能耗值和与第二历史能耗值对应的第二历史用能环境参数;
将所述第一历史用能数据输入初始用能预测模型的循环神经网络,将所述第二历史用能环境参数输入初始用能预测模型的一级全连接神经网络,并以所述第二历史能耗值作为初始用能预测模型的二级全连接神经网络的目标输出,训练初始用能预测模型,得到所述用能预测模型。
9.根据权利要求8所述的装置,其中,所述训练样本集中的训练样本通过对初始训练样本中的数值项进行归一化处理并对所述初始训练样本中的非数值项进行独热编码后得到。
10.根据权利要求6所述的装置,其中,所述装置还包括:
预警单元,被配置为用于基于所述历史用能数据和待预测用能数据分别进行数据分析;响应于分析后的历史用能数据和/或待预测用能数据与预设报警信息相匹配,向接收端发送与所述预设报警信息相应的报警信号。
11.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
12.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910692762.5A CN110390441A (zh) | 2019-07-30 | 2019-07-30 | 用能预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910692762.5A CN110390441A (zh) | 2019-07-30 | 2019-07-30 | 用能预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110390441A true CN110390441A (zh) | 2019-10-29 |
Family
ID=68287903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910692762.5A Pending CN110390441A (zh) | 2019-07-30 | 2019-07-30 | 用能预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390441A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126700A (zh) * | 2019-12-25 | 2020-05-08 | 远景智能国际私人投资有限公司 | 用能预测方法、装置、设备及存储介质 |
CN111340648A (zh) * | 2020-02-20 | 2020-06-26 | 北京市天元网络技术股份有限公司 | 一种基于物联网的能源管控方法及系统 |
CN111539563A (zh) * | 2020-04-13 | 2020-08-14 | 珠海格力电器股份有限公司 | 一种用能安全状态预测方法、装置、服务器及存储介质 |
CN114154999A (zh) * | 2021-10-27 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 一种反窃电方法、装置、终端及存储介质 |
CN115423385A (zh) * | 2022-11-04 | 2022-12-02 | 碳管家智能云平台有限公司 | 一种能耗双控管理方法、设备及介质 |
CN117421690A (zh) * | 2023-12-18 | 2024-01-19 | 中节能物业管理有限公司 | 一种智慧园区能耗实时监测方法与系统 |
CN117709987A (zh) * | 2024-02-06 | 2024-03-15 | 浙江省发展规划研究院 | 企业年度基准能耗的核定方法、装置、电子设备及介质 |
-
2019
- 2019-07-30 CN CN201910692762.5A patent/CN110390441A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126700A (zh) * | 2019-12-25 | 2020-05-08 | 远景智能国际私人投资有限公司 | 用能预测方法、装置、设备及存储介质 |
CN111126700B (zh) * | 2019-12-25 | 2023-09-15 | 远景智能国际私人投资有限公司 | 用能预测方法、装置、设备及存储介质 |
CN111340648A (zh) * | 2020-02-20 | 2020-06-26 | 北京市天元网络技术股份有限公司 | 一种基于物联网的能源管控方法及系统 |
CN111539563A (zh) * | 2020-04-13 | 2020-08-14 | 珠海格力电器股份有限公司 | 一种用能安全状态预测方法、装置、服务器及存储介质 |
CN114154999A (zh) * | 2021-10-27 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 一种反窃电方法、装置、终端及存储介质 |
CN115423385A (zh) * | 2022-11-04 | 2022-12-02 | 碳管家智能云平台有限公司 | 一种能耗双控管理方法、设备及介质 |
CN115423385B (zh) * | 2022-11-04 | 2023-03-31 | 碳管家智能云平台有限公司 | 一种能耗双控管理方法、设备及介质 |
CN117421690A (zh) * | 2023-12-18 | 2024-01-19 | 中节能物业管理有限公司 | 一种智慧园区能耗实时监测方法与系统 |
CN117421690B (zh) * | 2023-12-18 | 2024-03-22 | 中节能物业管理有限公司 | 一种智慧园区能耗实时监测方法与系统 |
CN117709987A (zh) * | 2024-02-06 | 2024-03-15 | 浙江省发展规划研究院 | 企业年度基准能耗的核定方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390441A (zh) | 用能预测方法及装置 | |
CN109344170B (zh) | 流数据处理方法、系统、电子设备及可读存储介质 | |
CN112348660B (zh) | 生成风险警示信息的方法、装置及电子设备 | |
CN110197315A (zh) | 风险评估方法、装置及其存储介质 | |
CN108520324A (zh) | 用于生成信息的方法和装置 | |
CN107392502A (zh) | 电力设备检修的管理方法、管理装置及终端设备 | |
CN109976997A (zh) | 测试方法和装置 | |
CN110335138A (zh) | 一种预测客群资质变化的风险预警方法、装置和电子设备 | |
CN108921323A (zh) | 用于生成信息的方法和装置 | |
US20240142063A1 (en) | Method for troubleshooting potential safety hazards of compressor in smart gas pipeline network and internet of things system thereof | |
CN111611612B (zh) | 一种基于区块链的积分系统、装置、存储介质及其运行方法 | |
CN109523117A (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
CN110780856B (zh) | 一种基于微服务的用电数据发布平台 | |
CN110503564A (zh) | 基于大数据的保全案件处理方法、系统、设备及存储介质 | |
CN110310123A (zh) | 风险判断方法和装置 | |
CN115237724A (zh) | 基于人工智能的数据监控方法、装置、设备及存储介质 | |
CN109345371A (zh) | 个人征信报告回溯方法及系统 | |
CN107945034A (zh) | 基于微博财经事件的金融分析方法、应用服务器及计算机可读存储介质 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN110910241B (zh) | 现金流评估方法、装置、服务器设备及存储介质 | |
CN117114909A (zh) | 一种核算规则引擎构建方法、装置、设备及存储介质 | |
CN110413482A (zh) | 检测方法和装置 | |
CN110059234A (zh) | 水务异常事件侦测方法及装置、计算机装置及存储介质 | |
CN113393246A (zh) | 一种基于数据采集体系的支付平台风险识别方法和系统 | |
CN113158497A (zh) | 在线服务实验方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |