CN113554361B - 一种综合能源系统数据处理计算方法及处理系统 - Google Patents

一种综合能源系统数据处理计算方法及处理系统 Download PDF

Info

Publication number
CN113554361B
CN113554361B CN202111104070.8A CN202111104070A CN113554361B CN 113554361 B CN113554361 B CN 113554361B CN 202111104070 A CN202111104070 A CN 202111104070A CN 113554361 B CN113554361 B CN 113554361B
Authority
CN
China
Prior art keywords
energy consumption
data
energy
time sequence
real
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.)
Active
Application number
CN202111104070.8A
Other languages
English (en)
Other versions
CN113554361A (zh
Inventor
叶暖强
罗金满
梁浩波
晏晶
刘丽媛
林浩钊
邱通平
李晓霞
刘飘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202111104070.8A priority Critical patent/CN113554361B/zh
Publication of CN113554361A publication Critical patent/CN113554361A/zh
Application granted granted Critical
Publication of CN113554361B publication Critical patent/CN113554361B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q50/06—Energy or water supply
    • 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
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种综合能源系统数据处理计算方法及处理系统，包括以下步骤：步骤S1、在综合能源系统的用户终端获取用户终端的多能源消耗数据时序链，并基于所述多能源消耗数据时序链构建训练时序样本；步骤S2、基于所述训练时序样本构建多能源消耗数据预测模型；步骤S3、将所述用户终端在未来时序的多能源消耗真实数据与多能源消耗预测数据进行对照判断能源消耗状态异常与否。本发明实现对用户终端在未来时序上的多能源消耗情况进行预测得到多能源消耗预测数据，并判定出用户终端的能源消耗状态是否存在异常，并对异常状况进行预警从而能够起到综合能源系统的实时监听，提高系统安全性。

Description

一种综合能源系统数据处理计算方法及处理系统
技术领域
本发明涉及能源数据处理技术领域，具体涉及一种综合能源系统数据处理计算方法及处理系统。
背景技术
综合能源系统是指一定区域内利用先进的物理信息技术和创新管理模式，整合区域内煤炭、石油、天然气、电能、热能等多种能源，实现多种异质能源子系统之间的协调规划、优化运行，协同管理、交互响应和互补互济。在满足系统内多元化用能需求的同时，要有效地提升能源利用效率，促进能源可持续发展的新型一体化的能源系统。
现有研究大多针对综合能源系统，从不同角度构建评价指标体系，对综合能源系统运行、可靠性、效益等方面进行评估。有的文献分析了面向园区微电网的综合能源系统组成及其特点，考虑经济、可靠、能耗、环保4个方面的影响因素，建立了面向园区微电网的综合能源系统的指标评价模型，而后基于层次分析法(AHP)-改进熵权法确定各项指标的权重赋值，建立多准则评价体系；有的文献基于分布式能源系统的主要设备建立不同能源系统，根据冷热电负荷需求、能源价格和设备技术信息等，求解得到不同系统的最优配置、运行策略和评价指标值，建立分布式能源系统指标评价矩阵，利用信息熵原理求解不同指标的权重分布，结合专家评价方法确定的重要性指标权重。
综上所述，现有的综合能源系统数据处理方法，大多考虑系统内各能源在过去时序上的安全性分析，而无法获得未来时序上的综合能源系统的安全性实时监测，不能做到在用户终端处进行安全预警，安全属性低。
发明内容
本发明的目的在于提供一种综合能源系统数据处理计算方法及处理系统，以解决现有技术中不能做到在用户终端处进行安全预警，安全属性低的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种综合能源系统数据处理计算方法，包括以下步骤：
步骤S1、在综合能源系统的用户终端获取用户终端的多能源消耗数据时序链，并基于所述多能源消耗数据时序链构建训练时序样本，所述多能源消耗数据时序链表征为用户终端在每个时序上的多能源消耗真实数据；
步骤S2、基于所述训练时序样本构建多能源消耗数据预测模型，所述多能源消耗数据预测模型用于预测出用户终端在未来时序的多能源消耗预测数据；
步骤S3、将所述用户终端在未来时序的多能源消耗真实数据与多能源消耗预测数据进行对照判断能源消耗状态异常与否，并在能源消耗状态异常状态下进行预警，以实现能源消耗状态的监听。
作为本发明的一种优选方案，所述步骤S1中还包括对各个能源的消耗真实数据在每个时序上进行归一化处理得到所述多能源消耗真实数据
Figure 487148DEST_PATH_IMAGE001
，其中，
Figure 356620DEST_PATH_IMAGE002
表征为时序t上的多能源消耗真实数据，
Figure 136358DEST_PATH_IMAGE003
表征为归一化后的第m个能源的消耗真实数据，m为综合能源系统中能源的总数目，所述多能源消耗数据时序链为
Figure 531567DEST_PATH_IMAGE004
，
Figure 345939DEST_PATH_IMAGE005
表征为第n个时序，n为时序总数目；
将所述多能源消耗数据时序链在每个时序的多能源消耗真实数据量化为一个训练样本，并保留多能源消耗数据时序链的时序属性作为训练样本的时序属性获得训练时序样本
Figure 106085DEST_PATH_IMAGE006
，
Figure 310801DEST_PATH_IMAGE007
表征为矩阵转置运算符，
Figure 509701DEST_PATH_IMAGE008
表征为时序t的训练样本，且为时序
Figure 178580DEST_PATH_IMAGE009
上的多能源消耗真实数据。
作为本发明的一种优选方案，所述步骤S2中，所述多能源消耗数据预测模型的构建方法包括：
步骤S201、将所述训练时序样本为
Figure 171944DEST_PATH_IMAGE010
输入CNN卷积神经网络进行能源数据特征提取，输出能源数据特征序列，其中，所述CNN卷积神经网络的训练参数设定包括：网络filter设定为128个，激活函数设定为Relu函数，池化处理设定为max-poling模式，dropout概率设定为0.25；
步骤S202、将所述能源数据特征序列输入至LSTM长短期记忆网络中进行时序预测训练，输出在训练时序样本的时序t上的多能源消耗预测数据
Figure 926273DEST_PATH_IMAGE011
，其中，所述LSTM长短期记忆网络的训练参数设定包括：网络层timestep设定为图像特征序列的特征类别数，训练方式设置为seq2seq的反向传递模式，误差设定为
Figure 600968DEST_PATH_IMAGE012
，
Figure 124353DEST_PATH_IMAGE013
表征为多能源消耗数据预测模型的误差，n为时序总数目，
Figure 554198DEST_PATH_IMAGE008
为时序
Figure 795823DEST_PATH_IMAGE009
上的训练样本，且为时序
Figure 70947DEST_PATH_IMAGE009
上的多能源消耗真实数据，
Figure 652101DEST_PATH_IMAGE014
为LSTM长短期记忆网络输出时序
Figure 987267DEST_PATH_IMAGE009
的多能源消耗预测数据，
Figure 653872DEST_PATH_IMAGE015
分别为第1,2,…,m个能源的消耗预测数据；
步骤S203、根据所述误差
Figure 732686DEST_PATH_IMAGE016
最小原则确定出CNN卷积神经网络和LSTM长短期记忆网络的网络参数得到多能源消耗数据预测模型。
作为本发明的一种优选方案，所述步骤S2中，所述多能源消耗数据预测模型的输入为时序
Figure 230664DEST_PATH_IMAGE017
的多能源消耗真实数据
Figure 2311DEST_PATH_IMAGE018
，输出为在未来时序
Figure 890632DEST_PATH_IMAGE019
的多能源消耗预测数据
Figure 773138DEST_PATH_IMAGE020
，其中，
Figure 125621DEST_PATH_IMAGE021
表征为未来时序
Figure 68170DEST_PATH_IMAGE022
上的多能源消耗预测数据，M为未来时序
Figure 378541DEST_PATH_IMAGE022
的总数目。
作为本发明的一种优选方案，所述步骤S3中，所述能源消耗状态异常与否的判断方法包括：
获取所述用户终端在未来时序
Figure 799158DEST_PATH_IMAGE022
上的多能源消耗真实数据
Figure 271728DEST_PATH_IMAGE023
，并与多能源消耗预测数据
Figure 385177DEST_PATH_IMAGE020
进行相似度比较；
设定相似度阈值，其中，
若多能源消耗真实数据
Figure 248091DEST_PATH_IMAGE023
与多能源消耗预测数据
Figure 472399DEST_PATH_IMAGE020
相似度超过于相似度阈值，则判定能源消耗状态为异常；
若多能源消耗真实数据
Figure 533896DEST_PATH_IMAGE023
与多能源消耗预测数据
Figure 818246DEST_PATH_IMAGE020
相似度未超过于相似度阈值，则判定能源消耗状态为正常。
作为本发明的一种优选方案，所述相似度的计算方法包括：
计算多能源消耗真实数据
Figure 230773DEST_PATH_IMAGE024
与多能源消耗预测数据
Figure 134138DEST_PATH_IMAGE025
的欧氏距离作为所述相似度，所述相似度计算公式为：
Figure 315721DEST_PATH_IMAGE026
；
其中，
Figure 505394DEST_PATH_IMAGE027
为多能源消耗真实数据
Figure 405217DEST_PATH_IMAGE024
与多能源消耗预测数据
Figure 909010DEST_PATH_IMAGE028
的相似度，T为转置运算符，
Figure 210679DEST_PATH_IMAGE029
，
Figure 571253DEST_PATH_IMAGE030
为各个能源的危险系数权重向量，
Figure 958372DEST_PATH_IMAGE031
为第r个能源的危险系数权重，m为综合能源系统中能源的总数目。
作为本发明的一种优选方案，所述相似度阈值的设定方法包括：
在所述多能源消耗真实数据
Figure 328173DEST_PATH_IMAGE032
每个时序t上对能源消耗状态进行标记，其中，
若所述用户终端在时序
Figure 156452DEST_PATH_IMAGE033
上处于异常能源消耗状态，则将多能源消耗真实数据
Figure 953507DEST_PATH_IMAGE034
标记为异常多能源消耗真实数据；
若所述用户终端在时序
Figure 500026DEST_PATH_IMAGE033
上处于正常能源消耗状态，则将多能源消耗真实数据
Figure 611201DEST_PATH_IMAGE034
标记为正常多能源消耗真实数据；
将所有正常多能源消耗真实数据进行极限项获取，并对所述正常多能源消耗真实数据的极大项
Figure 621883DEST_PATH_IMAGE035
和极小项
Figure 589839DEST_PATH_IMAGE036
分别进行均值化处理得到相似度阈值，其中，
极大项
Figure 685971DEST_PATH_IMAGE035
的均值化公式为：
Figure 397575DEST_PATH_IMAGE037
，
Figure 203375DEST_PATH_IMAGE038
表征为相似度阈值极大值，
Figure 279916DEST_PATH_IMAGE039
表征为
Figure 863344DEST_PATH_IMAGE035
的第i个能源的消耗真实数据， m为综合能源系统中能源的总数目；
极小项
Figure 113060DEST_PATH_IMAGE036
的均值化公式为：
Figure 98333DEST_PATH_IMAGE040
，
Figure 408092DEST_PATH_IMAGE041
表征为相似度阈值极小值，
Figure 416499DEST_PATH_IMAGE042
表征为
Figure 469906DEST_PATH_IMAGE036
的第k个能源的消耗真实数据， m为综合能源系统中能源的总数目；
相似度阈值
Figure 309686DEST_PATH_IMAGE043
，
Figure 790346DEST_PATH_IMAGE044
表征为相似度阈值。
作为本发明的一种优选方案，本发明提供了一种根据所述的综合能源系统数据处理计算方法的处理系统，包括：
数据采集装置，用于在综合能源系统的用户终端获取用户终端的各个能源的消耗真实数据；
模型训练单元，用于构建训练时序样本以及构建多能源消耗数据预测模型；
能源消耗监听单元，用于将所述用户终端在未来时序的多能源消耗真实数据与多能源消耗预测数据进行对照判断能源消耗状态异常与否，并在能源消耗状态异常状态下进行预警，以实现能源消耗状态的监听。
作为本发明的一种优选方案，所述数据采集装置包括与各个能源相匹配的数据采集组件，所述数据采集组件分别对应安装在每种能源的用户终端处以采集每种能源在每个时序上的消耗真实数据，所有数据采集组件具有相同的采集时序规律。
本发明与现有技术相比较具有如下有益效果：
本发明利用对用户终端的多能源消耗真实数据进行实时采集生成预测模型训练用的训练时序样本，并基于CNN-LSTM时序预测模型对训练时序样本进行训练得到多能源消耗数据预测模型，实现对用户终端在未来时序上的多能源消耗情况进行预测得到多能源消耗预测数据，并与用户终端在未来时序上的多能源消耗真实数据进行相似度比对判定出用户终端的能源消耗状态是否存在异常，并对异常状况进行预警从而能够起到综合能源系统的实时监听，提高系统安全性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的综合能源系统数据处理计算方法流程图；
图2为本发明实施例提供的处理系统结构框图。
图中的标号分别表示如下：
1-数据采集装置；2-模型训练单元；3-能源消耗监听单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，正常状态下能源用户的能源消耗量通常是具有一定稳定且规律性的时序数据，主要表征出能源用户的能源消耗量的特征规律，如果能源用户的能源消耗量突然产生巨大的量变情况，则说明该能源用户出现了能源消耗异常，通常预示着该能源用户出现了异常事件，比如煤气泄漏导致煤气能源消耗量大幅提升、或者用水泄漏导致水源消耗量大幅提升等，对此类事件进行预警，可有效的提高能源用户的安全性，因此本发明提供了一种综合能源系统数据处理计算方法。
一种综合能源系统数据处理计算方法，包括以下步骤：
步骤S1、在综合能源系统的用户终端获取用户终端的多能源消耗数据时序链，并基于所述多能源消耗数据时序链构建训练时序样本，所述多能源消耗数据时序链表征为用户终端在每个时序上的多能源消耗真实数据；
所述步骤S1中还包括对各个能源的消耗真实数据在每个时序上进行归一化处理得到所述多能源消耗真实数据
Figure 82787DEST_PATH_IMAGE001
，其中，
Figure 939884DEST_PATH_IMAGE002
表征为时序t上的多能源消耗真实数据，
Figure 571854DEST_PATH_IMAGE003
表征为归一化后的第m个能源的消耗真实数据，m为综合能源系统中能源的总数目，所述多能源消耗数据时序链为
Figure 161098DEST_PATH_IMAGE004
，
Figure 206415DEST_PATH_IMAGE005
表征为第n个时序，n为时序总数目；
将所述多能源消耗数据时序链在每个时序的多能源消耗真实数据量化为一个训练样本，并保留多能源消耗数据时序链的时序属性作为训练样本的时序属性获得训练时序样本
Figure 601624DEST_PATH_IMAGE006
，
Figure 150417DEST_PATH_IMAGE007
表征为矩阵转置运算符，
Figure 176142DEST_PATH_IMAGE008
表征为时序t的训练样本，且为时序
Figure 443175DEST_PATH_IMAGE009
上的多能源消耗真实数据。
多能源包括但不限于水源，电源和煤气能源，通过采集用户终端在每个时序上的多能源消耗真实数据，可有效的获取到能源用户的多能源消耗量的真实情况，并从中获取出能源用户的多能源消耗真实数据的时序规律。
步骤S2、基于所述训练时序样本构建多能源消耗数据预测模型，所述多能源消耗数据预测模型用于预测出用户终端在未来时序的多能源消耗预测数据；
所述步骤S2中，所述多能源消耗数据预测模型的构建方法包括：
步骤S201、将所述训练时序样本为
Figure 642075DEST_PATH_IMAGE010
输入CNN卷积神经网络进行能源数据特征提取，输出能源数据特征序列，其中，所述CNN卷积神经网络的训练参数设定包括：网络filter设定为128个，激活函数设定为Relu函数，池化处理设定为max-poling模式，dropout概率设定为0.25；
步骤S202、将所述能源数据特征序列输入至LSTM长短期记忆网络中进行时序预测训练，输出在训练时序样本的时序t上的多能源消耗预测数据
Figure 983058DEST_PATH_IMAGE045
，其中，所述LSTM长短期记忆网络的训练参数设定包括：网络层timestep设定为图像特征序列的特征类别数，训练方式设置为seq2seq的反向传递模式，误差设定为
Figure 242001DEST_PATH_IMAGE046
，
Figure 934013DEST_PATH_IMAGE013
表征为多能源消耗数据预测模型的误差，n为时序总数目，
Figure 671025DEST_PATH_IMAGE008
为时序
Figure 194410DEST_PATH_IMAGE009
上的训练样本，且为时序
Figure 624255DEST_PATH_IMAGE009
上的多能源消耗真实数据，
Figure 535054DEST_PATH_IMAGE014
为LSTM长短期记忆网络输出时序
Figure 75757DEST_PATH_IMAGE009
的多能源消耗预测数据，
Figure 719228DEST_PATH_IMAGE047
分别为第1,2,…,m个能源的消耗预测数据；
步骤S203、根据所述误差
Figure 54394DEST_PATH_IMAGE013
最小原则确定出CNN卷积神经网络和LSTM长短期记忆网络的网络参数得到多能源消耗数据预测模型。
所述步骤S2中，所述多能源消耗数据预测模型的输入为时序
Figure 783316DEST_PATH_IMAGE048
的多能源消耗真实数据
Figure 799814DEST_PATH_IMAGE049
，输出为在未来时序
Figure 297791DEST_PATH_IMAGE050
的多能源消耗预测数据
Figure 803859DEST_PATH_IMAGE051
，其中，
Figure 20076DEST_PATH_IMAGE052
表征为未来时序
Figure 840265DEST_PATH_IMAGE053
上的多能源消耗预测数据，M为未来时序
Figure 192749DEST_PATH_IMAGE053
的总数目。
利用CNN卷积神经网络实现对训练时序样本进行能源数据特征的提取，并输出作为LSTM长短期记忆网络输入的具有时序依赖属性的能源数据特征序列，可便于LSTM长短期记忆网络挖掘出各时序上能源数据特征之间的关联属性，映射到未来时序上，表示为挖掘出多能源消耗真实数据在过去时序中各个时序上的真实数据之间的关联属性，从而可实现输入多能源消耗真实数据在过去时序t的真实数据
Figure 135297DEST_PATH_IMAGE008
，得到多能源消耗真实数据在过去时序
Figure 573232DEST_PATH_IMAGE022
的预测数据
Figure 993849DEST_PATH_IMAGE021
，从而实现多能源消耗数据在未来时序的预测功能，即表征为按照能源用户在过去时序上的能源消耗量规律预测出在未来时序上的能源消耗量。
在不存在异常状况发生的情况下，一般而言能源用户的能源消耗量会在未来时序上保持一个与过去时序上相同的数据规律，因此，只需要将未来时序的能源预测消耗量作为能源用户的能源消耗基准，将能源用户在未来时序的能源真实消耗量与能源消耗基准进行比较，只要能源用户在未来时序的能源真实消耗量与能源消耗基准的相似程度高，则表明能源用户未出现异常能源消耗状况，而能源用户在未来时序的能源真实消耗量与能源消耗基准的相似程度低，能源真实消耗量已经很大程度的偏离了能源消耗基准，则表明能源用户出现异常能源消耗状况，因此可利用表征能源用户在未来时序的能源真实消耗量的用户终端在未来时序的多能源消耗真实数据，以及表征能源用户未来时序的能源预测消耗量的用户终端在未来时序的多能源消耗预测数据进行能源用户的能源消耗状态的监听，具体如下：
步骤S3、将所述用户终端在未来时序的多能源消耗真实数据与多能源消耗预测数据进行对照判断能源消耗状态异常与否，并在能源消耗状态异常状态下进行预警，以实现能源消耗状态的监听。
所述步骤S3中，所述能源消耗状态异常与否的判断方法包括：
获取所述用户终端在未来时序
Figure 404101DEST_PATH_IMAGE053
上的多能源消耗真实数据
Figure 251972DEST_PATH_IMAGE054
，并与多能源消耗预测数据
Figure 177202DEST_PATH_IMAGE055
进行相似度比较；
设定相似度阈值，其中，
若多能源消耗真实数据
Figure 401510DEST_PATH_IMAGE054
与多能源消耗预测数据
Figure 728586DEST_PATH_IMAGE055
相似度超过于相似度阈值，则判定能源消耗状态为异常；
若多能源消耗真实数据
Figure 950620DEST_PATH_IMAGE054
与多能源消耗预测数据
Figure 363147DEST_PATH_IMAGE055
相似度未超过于相似度阈值，则判定能源消耗状态为正常。
所述相似度的计算方法包括：
计算多能源消耗真实数据
Figure 125567DEST_PATH_IMAGE024
与多能源消耗预测数据
Figure 307149DEST_PATH_IMAGE025
的欧氏距离作为所述相似度，所述相似度计算公式为：
Figure 762401DEST_PATH_IMAGE026
；
其中，
Figure 599907DEST_PATH_IMAGE056
为多能源消耗真实数据
Figure 166018DEST_PATH_IMAGE023
与多能源消耗预测数据
Figure 202107DEST_PATH_IMAGE020
的相似度，T为转置运算符，
Figure 828261DEST_PATH_IMAGE057
，
Figure 215380DEST_PATH_IMAGE058
为各个能源的危险系数权重向量，
Figure 257285DEST_PATH_IMAGE059
为第r个能源的危险系数权重，m为综合能源系统中能源的总数目。
由于综合能源系统中各个能源的能源消耗异常所带来的危险程度不同，比如，煤气能源出现正常使用外的异常泄漏情况，就算泄漏量少，造成的能源消耗量异常程度低，但是少量的煤气泄漏就会造成严重的安全危害，因此像此类消耗量异常程度低，却危害性高的能源需要给予高权重系数，以表示处该能源消耗量数据的重要程度，越重要的能源数据类别，在相似度计算中占据的权重越大，设置每种能源的危险系数可以实现对危险系数高的能源数据类别进行贡献排序，使得计算得到的相似度能够精准反应出危险系数高且泄漏量小的能源消耗状况。
所述相似度阈值的设定方法包括：
在所述多能源消耗真实数据
Figure 413460DEST_PATH_IMAGE006
每个时序t上对能源消耗状态进行标记，其中，
若所述用户终端在时序
Figure 210514DEST_PATH_IMAGE009
上处于异常能源消耗状态，则将多能源消耗真实数据
Figure 819350DEST_PATH_IMAGE008
标记为异常多能源消耗真实数据；
若所述用户终端在时序
Figure 992843DEST_PATH_IMAGE009
上处于正常能源消耗状态，则将多能源消耗真实数据
Figure 941207DEST_PATH_IMAGE008
标记为正常多能源消耗真实数据；
将所有正常多能源消耗真实数据进行极限项获取，并对所述正常多能源消耗真实数据的极大项
Figure 838057DEST_PATH_IMAGE060
和极小项
Figure 934189DEST_PATH_IMAGE061
分别进行均值化处理得到相似度阈值，其中，
极大项
Figure 380214DEST_PATH_IMAGE060
的均值化公式为：
Figure 510981DEST_PATH_IMAGE062
，
Figure 587521DEST_PATH_IMAGE063
表征为相似度阈值极大值，
Figure 170950DEST_PATH_IMAGE064
表征为
Figure 420665DEST_PATH_IMAGE060
的第i个能源的消耗真实数据， m为综合能源系统中能源的总数目；
极小项
Figure 281305DEST_PATH_IMAGE061
的均值化公式为：
Figure 341796DEST_PATH_IMAGE065
，
Figure 347274DEST_PATH_IMAGE066
表征为相似度阈值极小值，
Figure 400680DEST_PATH_IMAGE067
表征为
Figure 178143DEST_PATH_IMAGE061
的第k个能源的消耗真实数据， m为综合能源系统中能源的总数目；
相似度阈值
Figure 658803DEST_PATH_IMAGE068
，
Figure 951244DEST_PATH_IMAGE069
表征为相似度阈值。
相似度阈值取自于能源用户处于正常能源消耗状况下的用户终端在每个时序消耗真实数据，是对能源用户的正常能源消耗状况下的用户终端在每个时序消耗真实数据的经验归纳而得到的经验值，即能源用户的正常能源消耗状况下的能源消耗量的最大值和最小值间差距，表明能源真实消耗量和能源消耗基准间的最大允许差距，多能源消耗真实数据
Figure 808342DEST_PATH_IMAGE023
与多能源消耗预测数据
Figure 440312DEST_PATH_IMAGE020
相似度在这个差距范围内，则表示了能源用户在未来时序上的能源真实消耗量仍然在能源消耗基准容许的范围内，不触及异常的能源消耗状况，多能源消耗真实数据
Figure 91873DEST_PATH_IMAGE023
与多能源消耗预测数据
Figure 137189DEST_PATH_IMAGE020
相似度不在这个差距范围内，则表示了能源用户在未来时序上的能源真实消耗量不在能源消耗基准容许的范围内，将触及异常的能源消耗状况，需要进行预警处理，预警处理可采用向能源系统安全监管部门进行能源消耗状况的消息上报，由能源系统安全监管部门上门进行巡视维护，或者其他预警方法，本实施例不作设定，由使用者进行自定义。
如图2所示，基于上述综合能源系统数据处理计算方法，本发明提供了一种处理系统，包括：
数据采集装置1，用于在综合能源系统的用户终端获取用户终端的各个能源的消耗真实数据；
模型训练单元2，用于构建训练时序样本以及构建多能源消耗数据预测模型；
能源消耗监听单元3，用于将所述用户终端在未来时序的多能源消耗真实数据与多能源消耗预测数据进行对照判断能源消耗状态异常与否，并在能源消耗状态异常状态下进行预警，以实现能源消耗状态的监听。
所述数据采集装置包括与各个能源相匹配的数据采集组件，对应于各个能源，包括但不限于水表数据采集组件，电表数据采集组件，煤气表数据采集组件等，所述数据采集组件分别对应安装在每种能源的用户终端处以采集每种能源在每个时序上的消耗真实数据，分别安装在水表处，电表处以及煤气表处等，所有数据采集组件具有相同的采集时序规律。
本发明利用对用户终端的多能源消耗真实数据进行实时采集生成预测模型训练用的训练时序样本，并基于CNN-LSTM时序预测模型对训练时序样本进行训练得到多能源消耗数据预测模型，实现对用户终端在未来时序上的多能源消耗情况进行预测得到多能源消耗预测数据，并与用户终端在未来时序上的多能源消耗真实数据进行相似度比对判定出用户终端的能源消耗状态是否存在异常，并对异常状况进行预警从而能够起到综合能源系统的实时监听，提高系统安全性。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (3)

1.一种综合能源系统数据处理计算方法，其特征在于，包括以下步骤：
步骤S1、在综合能源系统的用户终端获取用户终端的多能源消耗数据时序链，并基于所述多能源消耗数据时序链构建训练时序样本，所述多能源消耗数据时序链表征为用户终端在每个时序上的多能源消耗真实数据；
步骤S2、基于所述训练时序样本构建多能源消耗数据预测模型，所述多能源消耗数据预测模型用于预测出用户终端在未来时序的多能源消耗预测数据；
步骤S3、将所述用户终端在未来时序的多能源消耗真实数据与多能源消耗预测数据进行对照判断能源消耗状态异常与否，并在能源消耗状态异常状态下进行预警，以实现能源消耗状态的监听；
所述步骤S1中还包括对各个能源的消耗真实数据在每个时序上进行归一化处理得到所述多能源消耗真实数据
Figure DEST_PATH_IMAGE001
，其中，
Figure DEST_PATH_IMAGE002
表征为时序t上的多能源消耗真实数据，
Figure DEST_PATH_IMAGE003
表征为归一化后的第m个能源的消耗真实数据，m为综合能源系统中能源的总数目，所述多能源消耗数据时序链为
Figure DEST_PATH_IMAGE004
，
Figure DEST_PATH_IMAGE005
表征为第n个时序，n为时序总数目；
将所述多能源消耗数据时序链在每个时序的多能源消耗真实数据量化为一个训练样本，并保留多能源消耗数据时序链的时序属性作为训练样本的时序属性获得训练时序样本
Figure DEST_PATH_IMAGE006
，
Figure DEST_PATH_IMAGE007
表征为矩阵转置运算符，
Figure DEST_PATH_IMAGE008
表征为时序t的训练样本，且为时序
Figure DEST_PATH_IMAGE009
上的多能源消耗真实数据；
所述步骤S2中，所述多能源消耗数据预测模型的构建方法包括：
步骤S201、将所述训练时序样本为
Figure DEST_PATH_IMAGE010
输入CNN卷积神经网络进行能源数据特征提取，输出能源数据特征序列，其中，所述CNN卷积神经网络的训练参数设定包括：网络filter设定为128个，激活函数设定为Relu函数，池化处理设定为max-poling模式，dropout概率设定为0.25；
步骤S202、将所述能源数据特征序列输入至LSTM长短期记忆网络中进行时序预测训练，输出在训练时序样本的时序t上的多能源消耗预测数据
Figure DEST_PATH_IMAGE011
，其中，所述LSTM长短期记忆网络的训练参数设定包括：网络层timestep设定为图像特征序列的特征类别数，训练方式设置为seq2seq的反向传递模式，误差设定为
Figure DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE013
表征为多能源消耗数据预测模型的误差，n为时序总数目，
Figure 140972DEST_PATH_IMAGE008
为时序
Figure 58113DEST_PATH_IMAGE009
上的训练样本，且为时序
Figure 837850DEST_PATH_IMAGE009
上的多能源消耗真实数据，
Figure DEST_PATH_IMAGE014
为LSTM长短期记忆网络输出时序
Figure 921475DEST_PATH_IMAGE009
的多能源消耗预测数据，
Figure DEST_PATH_IMAGE015
分别为第1,2,…,m个能源的消耗预测数据；
步骤S203、根据所述误差
Figure 860481DEST_PATH_IMAGE013
最小原则确定出CNN卷积神经网络和LSTM长短期记忆网络的网络参数得到多能源消耗数据预测模型；
所述步骤S2中，所述多能源消耗数据预测模型的输入为时序
Figure DEST_PATH_IMAGE016
的多能源消耗真实数据
Figure DEST_PATH_IMAGE017
，输出为在未来时序
Figure DEST_PATH_IMAGE018
的多能源消耗预测数据
Figure DEST_PATH_IMAGE019
，其中，
Figure DEST_PATH_IMAGE020
表征为未来时序
Figure DEST_PATH_IMAGE021
上的多能源消耗预测数据，M为未来时序
Figure 246725DEST_PATH_IMAGE021
的总数目；
所述步骤S3中，所述能源消耗状态异常与否的判断方法包括：
获取所述用户终端在未来时序
Figure 700709DEST_PATH_IMAGE021
上的多能源消耗真实数据
Figure DEST_PATH_IMAGE022
，并与多能源消耗预测数据
Figure 525708DEST_PATH_IMAGE019
进行相似度比较；
设定相似度阈值，其中，
若多能源消耗真实数据
Figure 194586DEST_PATH_IMAGE022
与多能源消耗预测数据
Figure 187950DEST_PATH_IMAGE019
相似度超过于相似度阈值，则判定能源消耗状态为异常；
若多能源消耗真实数据
Figure 942280DEST_PATH_IMAGE022
与多能源消耗预测数据
Figure 679291DEST_PATH_IMAGE019
相似度未超过于相似度阈值，则判定能源消耗状态为正常；
所述相似度的计算方法包括：
计算多能源消耗真实数据
Figure 202677DEST_PATH_IMAGE022
与多能源消耗预测数据
Figure 570204DEST_PATH_IMAGE019
的欧氏距离作为所述相似度，所述相似度计算公式为：
Figure DEST_PATH_IMAGE023
；
其中，
Figure DEST_PATH_IMAGE024
为多能源消耗真实数据
Figure 811830DEST_PATH_IMAGE022
与多能源消耗预测数据
Figure 211587DEST_PATH_IMAGE019
的相似度，T为转置运算符，
Figure DEST_PATH_IMAGE025
，
Figure DEST_PATH_IMAGE026
为各个能源的危险系数权重向量，
Figure DEST_PATH_IMAGE027
为第r个能源的危险系数权重，m为综合能源系统中能源的总数目；
所述相似度阈值的设定方法包括：
在所述多能源消耗真实数据
Figure 543473DEST_PATH_IMAGE006
每个时序t上对能源消耗状态进行标记，其中，
若所述用户终端在时序
Figure 816323DEST_PATH_IMAGE009
上处于异常能源消耗状态，则将多能源消耗真实数据
Figure 545245DEST_PATH_IMAGE008
标记为异常多能源消耗真实数据；
若所述用户终端在时序
Figure 624059DEST_PATH_IMAGE009
上处于正常能源消耗状态，则将多能源消耗真实数据
Figure 122036DEST_PATH_IMAGE008
标记为正常多能源消耗真实数据；
将所有正常多能源消耗真实数据进行极限项获取，并对所述正常多能源消耗真实数据的极大项
Figure DEST_PATH_IMAGE028
和极小项
Figure DEST_PATH_IMAGE029
分别进行均值化处理得到相似度阈值，其中，
极大项
Figure 80634DEST_PATH_IMAGE028
的均值化公式为：
Figure DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE031
表征为相似度阈值极大值，
Figure DEST_PATH_IMAGE032
表征为
Figure 968956DEST_PATH_IMAGE028
的第i个能源的消耗真实数据， m为综合能源系统中能源的总数目；
极小项
Figure 539876DEST_PATH_IMAGE029
的均值化公式为：
Figure DEST_PATH_IMAGE033
，
Figure DEST_PATH_IMAGE034
表征为相似度阈值极小值，
Figure DEST_PATH_IMAGE035
表征为
Figure 830043DEST_PATH_IMAGE029
的第k个能源的消耗真实数据， m为综合能源系统中能源的总数目；
相似度阈值
Figure DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE037
表征为相似度阈值。
2.一种实现权利要求1所述的综合能源系统数据处理计算方法的处理系统，其特征在于，包括：
数据采集装置，用于在综合能源系统的用户终端获取用户终端的各个能源的消耗真实数据；
模型训练单元，用于构建训练时序样本以及构建多能源消耗数据预测模型；
能源消耗监听单元，用于将所述用户终端在未来时序的多能源消耗真实数据与多能源消耗预测数据进行对照判断能源消耗状态异常与否，并在能源消耗状态异常状态下进行预警，以实现能源消耗状态的监听。
3.根据权利要求2所述的处理系统，其特征在于，所述数据采集装置包括与各个能源相匹配的数据采集组件，所述数据采集组件分别对应安装在每种能源的用户终端处以采集每种能源在每个时序上的消耗真实数据，所有数据采集组件具有相同的采集时序规律。
CN202111104070.8A 2021-09-22 2021-09-22 一种综合能源系统数据处理计算方法及处理系统 Active CN113554361B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111104070.8A CN113554361B (zh) 2021-09-22 2021-09-22 一种综合能源系统数据处理计算方法及处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111104070.8A CN113554361B (zh) 2021-09-22 2021-09-22 一种综合能源系统数据处理计算方法及处理系统

Publications (2)

Publication Number Publication Date
CN113554361A CN113554361A (zh) 2021-10-26
CN113554361B true CN113554361B (zh) 2022-01-25

Family

ID=78134540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111104070.8A Active CN113554361B (zh) 2021-09-22 2021-09-22 一种综合能源系统数据处理计算方法及处理系统

Country Status (1)

Country Link
CN (1) CN113554361B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115022187B (zh) * 2022-01-20 2023-12-08 长沙理工大学 一种电-气综合能源系统态势感知方法与装置
CN114124730A (zh) * 2022-01-27 2022-03-01 北京冠邦开源智能系统工程技术有限公司 一种通信方法、装置及系统
CN117522168B (zh) * 2023-11-23 2024-05-14 北京清远博创科技有限公司 一种基于大数据的资产管理方法和系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685252A (zh) * 2018-11-30 2019-04-26 西安工程大学 基于循环神经网络和多任务学习模型的建筑能耗预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11159022B2 (en) * 2018-08-28 2021-10-26 Johnson Controls Tyco IP Holdings LLP Building energy optimization system with a dynamically trained load prediction model
CN111310960A (zh) * 2018-12-12 2020-06-19 华北电力大学扬中智能电气研究中心 一种能源消耗预测方法及装置
CN111161095B (zh) * 2019-12-16 2023-10-24 南京松数科技有限公司 一种检测建筑能源异常消耗的方法
CN113205203A (zh) * 2021-03-29 2021-08-03 北京金茂绿建科技有限公司 基于cnn-lstm的建筑能耗预测方法和系统
CN113128113B (zh) * 2021-04-14 2024-04-12 国网上海市电力公司 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685252A (zh) * 2018-11-30 2019-04-26 西安工程大学 基于循环神经网络和多任务学习模型的建筑能耗预测方法

Also Published As

Publication number Publication date
CN113554361A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
CN113554361B (zh) 一种综合能源系统数据处理计算方法及处理系统
CN110097297B (zh) 一种多维度窃电态势智能感知方法、系统、设备及介质
Xue et al. Fault detection and operation optimization in district heating substations based on data mining techniques
CN105117602B (zh) 一种计量装置运行状态预警方法
CN110222991B (zh) 基于rf-gbdt的计量装置故障诊断方法
CN109345409B (zh) 一种基于宽带载波的居民用户综合能效管理方法
CN108052528A (zh) 一种存储设备时序分类预警方法
CN115170000B (zh) 一种基于电能表通信模块的远程监测方法及系统
CN113036913B (zh) 一种综合能源设备状态监测方法及装置
CN107807860B (zh) 一种基于矩阵分解的电力故障分析方法及系统
CN111371188A (zh) 一种用电异常数据实时预警系统
Oludolapo et al. Comparing performance of MLP and RBF neural network models for predicting South Africa's energy consumption
CN115905319B (zh) 一种海量用户电费异常的自动识别方法及系统
CN112418687B (zh) 基于用电特征的用户用电异常识别方法、装置和存储介质
CN115358155A (zh) 一种电力大数据异常预警方法、装置、设备及可读存储介质
CN113627735A (zh) 工程建设项目安全风险的预警方法及系统
CN116205544A (zh) 基于深度神经网络和迁移学习的非侵入式负荷识别系统
CN112417627A (zh) 一种基于四维指标体系配电网运行可靠性分析方法
CN117094688B (zh) 一种供电所数字化管控方法及系统
CN116862209B (zh) 一种新能源汽车充电设施管理方法及系统
CN117856245A (zh) 基于网格化管理的台区线损分析方法、装置及存储介质
CN111475548A (zh) 一种基于大数据挖掘技术的用电异常分析决策系统
CN111506636A (zh) 一种基于自回归和近邻算法的居民用电行为分析的系统及方法
CN111060755A (zh) 一种电磁干扰诊断方法和装置
Kaur et al. Predicting power for home appliances based on climatic conditions

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
GR01 Patent grant
GR01 Patent grant