CN113673760A - 一种能耗预测方法、装置、计算机设备和存储介质 - Google Patents
一种能耗预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113673760A CN113673760A CN202110953565.1A CN202110953565A CN113673760A CN 113673760 A CN113673760 A CN 113673760A CN 202110953565 A CN202110953565 A CN 202110953565A CN 113673760 A CN113673760 A CN 113673760A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- time period
- data
- measurement data
- sample
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 239
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 121
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 81
- 238000013145 classification model Methods 0.000 claims abstract description 25
- 239000003814 drug Substances 0.000 claims description 29
- 239000010865 sewage Substances 0.000 claims description 29
- 230000005611 electricity Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 229940079593 drug Drugs 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 10
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000001376 precipitating effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Engineering & Computer Science (AREA)
Abstract
本发明公开了一种能耗预测方法、装置、计算机设备和存储介质。能耗预测方法包括:获取第一时间段的水厂测量数据;在预先建立的能耗分级模型中,确定所述水厂测量数据的目标类别;根据所述能耗分级模型中各类别对应的能耗级别,确定所述目标类别对应的能耗级别,并确定为第二时间段的预测能耗数据,所述第二时间段的时序在所述第一时间段的时序之后。本发明实施例实现提高水厂能耗预测准确率。
Description
技术领域
本发明实施例涉及数据处理技术,尤其涉及一种能耗预测方法、装置、计算机设备和存储介质。
背景技术
污水排放量呈逐年增加的趋势,污水处理费用也不断增加,其中,电能消耗是处理费用中的主要部分。因此需要对污水厂的电源消耗进行预测。
现有技术中,没有方法实现对电能消耗量进行预测。
发明内容
本发明实施例提供一种能耗预测方法、装置、计算机设备和存储介质,以实现提高水厂能耗预测准确率。
第一方面,本发明实施例提供了一种能耗预测方法,包括:
获取第一时间段的水厂测量数据;
在预先建立的能耗分级模型中,确定所述水厂测量数据的目标类别;
根据所述能耗分级模型中各类别对应的能耗级别,确定所述目标类别对应的能耗级别,并确定为第二时间段的预测能耗数据,所述第二时间段的时序在所述第一时间段的时序之后。
第二方面,本发明实施例还提供了一种能耗预测装置,包括:
数据获取模块,用于获取第一时间段的水厂测量数据;
目标类别确定模块,用于在预先建立的能耗分级模型中,确定所述水厂测量数据的目标类别;
能耗数据预测模块,用于根据所述能耗分级模型中各类别对应的能耗级别,确定所述目标类别对应的能耗级别,并确定为第二时间段的预测能耗数据,所述第二时间段的时序在所述第一时间段的时序之后。
第三方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
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本发明实施例提供的能耗预测方法。
第四方面,本发明实施例还提供了一种包括计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例提供的能耗预测方法。
本发明实施例通过确定第一时间段水厂测量数据的目标类别,应用能耗分级模型确定目标类别对应的能耗级别,并作为第二时间段的预测能耗数据,根据第一时间段的测量数据预测第二时间段的能耗数据,采用先分类再分级的方法细化能耗预测方法,解决了现有技术中无法对能耗进行预测的问题,实现能耗预测,并提高能耗预测的准确性。
附图说明
图1是本发明实施例一中的一种能耗预测方法的流程图;
图2是本发明实施例二中的一种能耗预测方法的流程图;
图3是本发明实施例三中的一种模型训练的示意图;
图4是本发明实施例四中的一种能耗预测装置的结构示意图;
图5是本发明实施例五中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种能耗预测方法的流程图,本实施例可适用于对能耗预测的情况,该方法可以由能耗预测装置来执行,该装置可以由软件和/或硬件来实现,具体配置于计算机设备中,计算机设备可以是服务端设备和客户端设备,例如,客户端设备是可以是手机、平板电脑、车载终端或台式计算机等。具体包括如下步骤:
S110,获取第一时间段的水厂测量数据。
第一时间段指当前时间之前的一段时间,例如,前一个月、前一周、前一天或当天上午。水厂测量数据指通过测量得到的数据,具体的可以包括水厂水流量测量数据、电耗量测量数据和药耗量测量数据等。其中水流量指水流流速与流通面积的乘积,示例性的,水流量测量数据包括水厂进水水流量测量数据和出水水流量测量数据;电耗量指水厂在第一时间段的电能消耗量测量数据;药耗量指指水厂在第一时间段的药物消耗量测量数据,药耗量指用于沉淀水中杂质和杀菌等处理环节所用药物量。
在一个可选实施例中,所述水厂测量数据为污水厂测量数据,所述污水厂测量数据,包括:水流量测量数据、药耗量测量数据和电耗量测量数据。
污水厂是将进入污水厂的污水通过化学和物理方法对水质进行净化的一种水厂。污水厂的测量数据,主要包括水流量测量数据、药耗量测量数据和电耗量测量数据。药耗量测量数据为测量得到的处理污水的用药消耗量实际数据,用于表示一定时间内污水厂处理污水,使污水达到排放要求或循环利用要求消耗的药物量;电耗量测量数据为测量得到的维持污水厂污水处理设备运行的用电消耗量实际数据,用于表示一定时间内污水厂处理污水消耗的电量;水流量测量数据为测量得到的污水厂的进出水的水流量实际数据,用于表示污水厂一定时间内的污水处理量。
水流量可以衡量污水厂处理的污水总量,污水厂的主要运营成本为药耗量和电耗量,通过测量水流量测量数据、药耗量测量数据和电耗量测量数据可以丰富数据种类,综合考虑多种影响因素预测能耗数据,提高能耗数据预测的准确率。
在一个可选实施例中,所述药耗量测量数据包括化学需氧量数据和氨氮含量数据。
化学需氧量(Chemical Oxygen Demand,COD)数据指以化学方法测量水样中需要被氧化的还原性物质的量。氨氮含量(NH3-N)数据指水中氨氮含量指标。COD是污水处理中反应水质的重要参数,可以衡量药耗量。同时药耗量与电耗量之间存在函数关系,示例性的,在一定数值区间范围内电耗量随着药耗量的数值增大而增大,在另一个数值区间范围内,电耗量随着药耗量的数值增大不发生变化,通过药耗量可以预测电耗量。因此可以通过COD数据预测电耗量,但是只根据COD数据预测电耗量,预测结果并不是很精确,本发明结合COD数据和NH3-N数据作为药耗量测量数据,并用结合COD数据和NH3-N数据的药耗量测量数据预测电耗量。
通过测量COD数据和NH3-N数据,可以衡量污水处理的药耗量,同时可以通过COD数据和NH3-N数据预测电耗量,使电耗量预测数据更加准确。
在一个可选实施例中,所述获取第一时间段的水厂测量数据,包括:获取第一时间段的测量数据,并进行归一化处理,得到水厂测量数据。
归一化处理指对收集得到的测量数据的数值映射到0-1范围内,方便数据处理。具体的,归一化基于如下公式:
对采集的数据进行归一化处理,可以规范数据形式,提高数据处理效率。
S120,在预先建立的能耗分级模型中,确定所述水厂测量数据的目标类别。
能耗分级模型指预先训练得到的,能够针对输入模型的第一时间段测量数据的目标类别,预测第二时间段的能耗数据的模型,还可以包括通过聚类算法对输入的水厂测量数据分类。目标类别指测量数据经过聚类算法进行聚类后所属测量数据类别。
S130,根据所述能耗分级模型中各类别对应的能耗级别,确定所述目标类别对应的能耗级别,并确定为第二时间段的预测能耗数据,所述第二时间段的时序在所述第一时间段的时序之后。
能耗级别用于表示能耗大小的级别,示例性的可以分为1级能耗、2级能耗和3级能耗等,需要说明的是,实际中可以根据需求设定级别,本发明不做具体要求。目标类别与能耗级别存在对应关系,根据目标类别与能耗级别存在对应关系确定目标类别对应的能耗级别,将确定的能耗级别作为第二时间段的预测能耗数据,其中,预测能耗数据指预测电耗量数据。第二时间段的预测能耗数据指要预测的时间段的能耗数据,具体的,第二时间段指包括当前时间的未来时间,第二时间段的时序在第一时间段的时序之后,示例性的,可以是,当前时间为7月1号,第二时间段为7月1号到7月30号,第一时间段为6月1号到6月30号;可以是,当前时间为7月1号,第二时间段为7月1号到7月7号,第一时间段为6月24号到6月30号;可以是,当前时间为7月1号,第二时间段为7月1号,第一时间段为6月30号;还可以是,当前时间为7月1号下午,第二时间段为7月1号下午,第一时间段为7月1号上午。
本发明实施例通过确定第一时间段水厂测量数据的目标类别,应用能耗分级模型确定目标类别对应的能耗级别,并作为第二时间段的预测能耗数据,根据第一时间段的测量数据预测第二时间段的能耗数据,采用先分类再分级的方法细化能耗预测方法,解决了现有技术中直接通过耗电量历史数据进行预测准确率低的问题,实现提高能耗预测的准确性。
在一个可选实施例中,在确定为第二时间段的能耗预测数据之后,还包括:采集所述第二时间段的能耗测量数据,并与所述能耗预测数据比较;根据比较结果,检测异常信息。
第二时间段的能耗测量数据指实际中测量得到的能耗数据的实际值。比较第二时间段的能耗测量数据相对于第二时间段的能耗预测数据的数值差值,比较结果用于表示第二时间段的能耗测量数据相和第二时间段的能耗预测数据的相差程度。具体的可以设置第二时间段的能耗测量数据与第二时间段的能耗预测数据的差值阈值,当测量值与预测值的差值大于等于差值阈值时,认为第二时间段的能耗测量数据相不符合第二时间段的能耗预测数据;当测量值与预测值的差值小于差值阈值时,认为第二时间段的能耗测量数据相符合第二时间段的能耗预测数据。当测量数据相对于预测数据有较大的差异时,则表明存在异常信息,示例性的,可以是进水量突然变大,电耗量突然增大和药耗量突然增大等,需要说明的是,异常信息也可以是进水量突然减少,电耗量突然减少和药耗量突然减少等。当第二时间段的能耗测量数据相不符合第二时间段的能耗预测数据时,检测第二时间段的能耗测量数据相中存在的异常信息,并将检测到的异常信息提供给用户。
通过比较第二时间段的能耗测量数据与所述能耗预测数据,当比较结果有较大的差异时,检测测量数据中存在的异常信息,可以实时发现能耗异常情况,及时处理,减少不必要能耗浪费。
实施例二
图2为本发明实施例二提供的一种能耗预测方法的流程图,本实施例的技术方案在上述技术方案的基础上进一步细化,具体的,在预先建立的能耗分级模型中,确定所述水厂测量数据的目标类别之前,还包括:获取样本集合,所述样本集合中各样本标注有能耗级别,所述样本包括第三时间段的水厂测量数据和第四时间段的能耗级别,所述第三时间段与所述第四时间段之间的对应关系与所述第一时间段与所述第二时间段的对应关系相同;对所述样本集合进行分类;根据各样本类别中样本以及各所述样本标注的能耗级别,确定各所述样本类别对应的能耗级别;根据各所述样本类别对应的能耗级别,生成能耗分级模型。该方法包括:
S210,获取第一时间段的水厂测量数据。
S220,获取样本集合,所述样本集合中各样本标注有能耗级别,所述样本包括第三时间段的水厂测量数据和第四时间段的能耗级别,所述第三时间段与所述第四时间段之间的对应关系与所述第一时间段与所述第二时间段的对应关系相同。
样本集中的各样本标注有能耗级别,示例性的,能耗级别可以为人工标注,样本数据包括水流量测量数据、药耗量测量数据和电耗量测量数据。第三时间段与第四时间段用于表示样本数据中的时间段,其中第三时间段与第一时间段对应,第四时间段与第二时间段对应。第三时间段的水厂测量数据指第三时间段的样本数据,用于预测第四时间段样本数据的能耗级别,示例性的,第三时间段的水厂测量数据包括水流量测量数据、药耗量测量数据和电耗量数据。
S230,对所述样本集合进行分类。
根据样本集合中数据的能耗级别对样本集合的数据进行分类,具体的可以通过聚类算法对样本集合分类。
在一个可选实施例中,所述对所述样本集合进行分类,包括:基于K均值Kmeans++聚类算法对所述样本集合进行分类,得到至少一个样本类别。
Kmeans++聚类算法是常见的Kmeans聚类算法的改进算法,具体的,在Kmeans聚类算法基础上在初始化簇中心的方式上做了改进,克服Kmeans聚类算法中初始簇中心的位置会严重影响到聚类算法最终结果的缺点。Kmeans++聚类算法具体原理如下:
(1)从数据集X中随机选取K个样本点作为第一次初始聚类中心;
(2)计算每个样本点与当前已有聚类中心之间的最短距离,用D(x)表示;计算每个样本点被选为下一个聚类中心的概率p(x),概率值最大的样本点为下一个聚类簇中心。其中D(x)的计算公式为:
(3)重复(2),直到选择出K个聚类中心。
利用Kmeans++聚类算法对样本进行分类,不受初始簇中心的位置的影响,分类结果更加准确,提高分级模型预测的准确率。
S240,根据各样本类别中样本以及各所述样本标注的能耗级别,确定各所述样本类别对应的能耗级别。
每个样本中包括第三时间段的水流量测量数据、药耗量测量数据、电耗量测量数据和能耗级别,通过聚类算法后,得到样本数据的聚类类别,类别与能耗级别存在对应关系。示例性的,样本数据类别为1类、2类和3类,能耗级别为1级、2级和3级,若1类数据中有100个样本数据,其中80个样本数据的能耗级别为3级,则确定1类样本数据对应的能耗级别为3级,具体的,可以设定数量阈值,当某一类别中属于同一能耗级别的样本数量大于等于数量阈值时,确定此样本类别与该能耗级别对应。数量阈值为确定样本类别与能耗级别对应关系的数量百分比值,例如,60%,当同一类别中超过60%的样本数据属于同一能耗级别时,确定此类别与该能耗级别对应。分别确定样本中所有样本类别与能耗级别的对应关系。需要说明的是,不同样本类别可以对应同一能耗级别。
S250,根据各所述样本类别对应的能耗级别,生成能耗分级模型。
将第三时间段的水厂测量数据输入到能耗分级模型中,训练模型,输出第四时间段的能耗数据的能耗级别。当第四时间段的能耗数据的能耗级别达到预设的准确率阈值时,停止模型训练,保存此时的能耗分级模型中的参数值,即生成能耗分级模型。预设的准确率阈值指预先设置的能耗分级模型预测准确率的数值。
S260,在预先建立的能耗分级模型中,确定所述水厂测量数据的目标类别。
S270,根据所述能耗分级模型中各类别对应的能耗级别,确定所述目标类别对应的能耗级别,并确定为第二时间段的预测能耗数据,所述第二时间段的时序在所述第一时间段的时序之后。
本发明实施例通过带有能耗级别标签的第三时间段的水厂测量数据和第四时间段的能耗级别等样本数据训练能耗分级模型,得到能耗分级模型,可以用于预测能耗级别,通过对样本数据分类对应不同的能耗级别,细化预测方法,提高能耗预测的准确率。
实施例三
图3为本发明实施例三提供的一种能耗预测方法的流程图,本实施例的技术方案为上述技术方案的一种具体实现流程,该方法包括:
S310,样本测量数据。收集一段时间的每天的水流量测量数据、药耗量测量数据和电耗量测量数据作为样本数据,即第三时间段的测量数据,其中水流量包括进水水流量和出水水流量。人工标记样本数据的能耗级别。
S320,Kmeans++聚类分类。利用Kmeans++聚类算法对数据进行分类。
S330,聚类类别。得到样本数据的目标类别。
S340,能耗级别数据。样本数据中的用于验证预测能耗级别的数据,即第四时间段的能耗测量数据。
S350,能耗级别。根据第三时间段的测量数据和第四时间段的能耗测量数据得到能耗级别,对第四时间段的能耗测量数据的能耗级别进行标记。
S360,收集测量数据。收集第一时间段的水流量测量数据、药耗量测量数据和电耗量测量数据,其中水流量包括进水水流量和出水水流量。
S370,能耗分级模型。基于Kmeans++聚类分类和带有标签的样本数据训练得到能耗分级模型。
S380,预测能耗级别。将预测第一时间段的测量数据作为输入数据输入到能耗分级模型中,预测第二时间段的能耗级别。
S390,测量数据。第二时间段的能耗测量数据,即第二时间段的能耗数据的实际值。
S311,数据分析结果。根据能耗数据的测量值和预测值,进行比较,当能耗数据的测量值和预测值两个数据差值较大时,超过预设差值阈值时,检测异常信息,可以检测是否第二时间段进水量增大或者药耗量增大,导致耗电量增大,还可以检测是否在存在人工的误操作或者机械故障等,针对异常原因做出相应的调整策略。
通过具体的实现流程,展示能耗预测的完整流程,通过Kmeans++聚类分类和能耗分级模型能够基于更加全面地信息对能耗数据进行预测,通过分析预测数据与真实测量数据偏差,可以及时发现问题,并制定针对性解决问题的策略,节约能源。
实施例四
图4为本发明实施例四提供的一种能耗预测装置的结构示意图。实施例四是实现本发明上述实施例提供的能耗预测方法的相应装置,该装置可采用软件和/或硬件的方式实现,并一般可集成在计算机设备中。能耗预测装置包括:
数据获取模块410,用于获取第一时间段的水厂测量数据;
目标类别确定模块420,用于在预先建立的能耗分级模型中,确定所述水厂测量数据的目标类别;
能耗数据预测模块430,用于根据所述能耗分级模型中各类别对应的能耗级别,确定所述目标类别对应的能耗级别,并确定为第二时间段的预测能耗数据,所述第二时间段的时序在所述第一时间段的时序之后。
本发明实施例通过确定第一时间段水厂测量数据的目标类别,应用能耗分级模型确定目标类别对应的能耗级别,并作为第二时间段的预测能耗数据,根据第一时间段的测量数据预测第二时间段的能耗数据,采用先分类再分级的方法细化能耗预测方法,解决了现有技术中直接通过耗电量历史数据进行预测准确率低的问题,实现提高能耗预测的准确性。
进一步的,能耗预测装置,还包括:样本获取模块,用于获取样本集合,所述样本集合中各样本标注有能耗级别,所述样本包括第三时间段的水厂测量数据和第四时间段的能耗级别,所述第三时间段与所述第四时间段之间的对应关系与所述第一时间段与所述第二时间段的对应关系相同;样本集合分类模块,用于对所述样本集合进行分类;能耗级别确定模块,用于根据各样本类别中样本以及各所述样本标注的能耗级别,确定各所述样本类别对应的能耗级别;能耗分级模型生成模块,用于根据各所述样本类别对应的能耗级别,生成能耗分级模型。
进一步的,样本集合分类模块,具体用于:基于K均值Kmeans++聚类算法对所述样本集合进行分类,得到至少一个样本类别。
进一步的,数据获取模块,具体用于:获取第一时间段的测量数据,并进行归一化处理,得到水厂测量数据。
进一步的,在确定为第二时间段的能耗预测数据之后,还包括:采集所述第二时间段的能耗测量数据,并与所述能耗预测数据比较;根据比较结果,检测异常信息。
进一步的,所述水厂测量数据为污水厂测量数据,所述污水厂测量数据,包括:水流量测量数据、药耗量测量数据和电耗量数据。
进一步的,所述药耗量测量数据包括化学需氧量数据和氨氮含量数据。
上述装置可执行本发明实施例所提供的能耗预测方法,具备执行能耗预测方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图5显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。计算机设备12可以是挂接在总线上的设备。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(PerIPheral Component Interconnect,PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM),数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序组件,这些程序组件被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序组件42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序组件42包括但不限于操作系统、一个或者多个应用程序、其它程序组件以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序组件42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(Input/Output,I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local AreaNetwork,LAN),广域网(Wide Area Network,WAN)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它组件通信。应当明白,尽管图5中未示出,可以结合计算机设备12使用其它硬件和/或软件组件,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列(Redundant Arrays of Inexpensive Disks,RAID)系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明任意实施例所提供的能耗预测方法。
实施例六
本发明实施例六提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有发明实施例提供的能耗预测方法:
也即,该程序被处理器执行时实现:获取第一时间段的水厂测量数据;在预先建立的能耗分级模型中,确定所述水厂测量数据的目标类别;根据所述能耗分级模型中各类别对应的能耗级别,确定所述目标类别对应的能耗级别,并确定为第二时间段的预测能耗数据,所述第二时间段的时序在所述第一时间段的时序之后。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、RAM、只读存储器(Read OnlyMemory,ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,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。
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、无线电频率(RadioFrequency,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发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—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LAN或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)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种能耗预测方法,其特征在于,包括:
获取第一时间段的水厂测量数据;
在预先建立的能耗分级模型中,确定所述水厂测量数据的目标类别;
根据所述能耗分级模型中各类别对应的能耗级别,确定所述目标类别对应的能耗级别,并确定为第二时间段的预测能耗数据,所述第二时间段的时序在所述第一时间段的时序之后。
2.根据权利要求1所述的方法,其特征在于,在所述在预先建立的能耗分级模型中,确定所述水厂测量数据的目标类别之前,还包括:
获取样本集合,所述样本集合中各样本标注有能耗级别,所述样本包括第三时间段的水厂测量数据和第四时间段的能耗级别,所述第三时间段与所述第四时间段之间的对应关系与所述第一时间段与所述第二时间段的对应关系相同;
对所述样本集合进行分类;
根据各样本类别中样本以及各所述样本标注的能耗级别,确定各所述样本类别对应的能耗级别;
根据各所述样本类别对应的能耗级别,生成能耗分级模型。
3.根据权利要求2所述的方法,其特征在于,所述对所述样本集合进行分类,包括:
基于K均值Kmeans++聚类算法对所述样本集合进行分类,得到至少一个样本类别。
4.根据权利要求1所述的方法,其特征在于,所述获取第一时间段的水厂测量数据,包括:
获取第一时间段的测量数据,并进行归一化处理,得到水厂测量数据。
5.根据权利要求1所述的方法,其特征在于,在确定为第二时间段的能耗预测数据之后,还包括:
采集所述第二时间段的能耗测量数据,并与所述能耗预测数据比较;
根据比较结果,检测异常信息。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述水厂测量数据为污水厂测量数据,所述污水厂测量数据,包括:水流量测量数据、药耗量测量数据和电耗量测量数据。
7.根据权利要求6所述的方法,其特征在于,所述药耗量测量数据包括化学需氧量数据和氨氮含量数据。
8.一种能耗预测装置,其特征在于,包括:
数据获取模块,用于获取第一时间段的水厂测量数据;
目标类别确定模块,用于在预先建立的能耗分级模型中,确定所述水厂测量数据的目标类别;
能耗数据预测模块,用于根据所述能耗分级模型中各类别对应的能耗级别,确定所述目标类别对应的能耗级别,并确定为第二时间段的预测能耗数据,所述第二时间段的时序在所述第一时间段的时序之后。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一所述的能耗预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的能耗预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110953565.1A CN113673760A (zh) | 2021-08-19 | 2021-08-19 | 一种能耗预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110953565.1A CN113673760A (zh) | 2021-08-19 | 2021-08-19 | 一种能耗预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113673760A true CN113673760A (zh) | 2021-11-19 |
Family
ID=78543875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110953565.1A Pending CN113673760A (zh) | 2021-08-19 | 2021-08-19 | 一种能耗预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673760A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298476A (zh) * | 2019-05-15 | 2019-10-01 | 平安科技(深圳)有限公司 | 能源消耗预测方法、装置、计算机设备及存储介质 |
CN110910257A (zh) * | 2019-11-15 | 2020-03-24 | 泰康保险集团股份有限公司 | 信息预测方法、装置、电子设备和计算机可读介质 |
CN110942228A (zh) * | 2019-10-25 | 2020-03-31 | 万翼科技有限公司 | 能耗控制方法、装置、计算机设备与存储介质 |
CN111398109A (zh) * | 2020-03-10 | 2020-07-10 | 上海眼控科技股份有限公司 | 大气能见度测量方法、传感器模组、系统和存储介质 |
CN112418513A (zh) * | 2020-11-19 | 2021-02-26 | 青岛海尔科技有限公司 | 温度预测方法及装置、存储介质、电子装置 |
CN112801224A (zh) * | 2021-03-26 | 2021-05-14 | 平安科技(深圳)有限公司 | 糖尿病的分型概率预测方法、装置、设备及存储介质 |
CN113095589A (zh) * | 2021-04-23 | 2021-07-09 | 北京明略昭辉科技有限公司 | 一种人口属性确定方法、装置、设备及存储介质 |
-
2021
- 2021-08-19 CN CN202110953565.1A patent/CN113673760A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298476A (zh) * | 2019-05-15 | 2019-10-01 | 平安科技(深圳)有限公司 | 能源消耗预测方法、装置、计算机设备及存储介质 |
CN110942228A (zh) * | 2019-10-25 | 2020-03-31 | 万翼科技有限公司 | 能耗控制方法、装置、计算机设备与存储介质 |
CN110910257A (zh) * | 2019-11-15 | 2020-03-24 | 泰康保险集团股份有限公司 | 信息预测方法、装置、电子设备和计算机可读介质 |
CN111398109A (zh) * | 2020-03-10 | 2020-07-10 | 上海眼控科技股份有限公司 | 大气能见度测量方法、传感器模组、系统和存储介质 |
CN112418513A (zh) * | 2020-11-19 | 2021-02-26 | 青岛海尔科技有限公司 | 温度预测方法及装置、存储介质、电子装置 |
CN112801224A (zh) * | 2021-03-26 | 2021-05-14 | 平安科技(深圳)有限公司 | 糖尿病的分型概率预测方法、装置、设备及存储介质 |
CN113095589A (zh) * | 2021-04-23 | 2021-07-09 | 北京明略昭辉科技有限公司 | 一种人口属性确定方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113592019B (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
CN113505537A (zh) | 楼宇能耗检测方法、装置、计算机设备和存储介质 | |
CN116523181B (zh) | 一种基于大数据的智慧绿色能源监测分析方法及系统 | |
CN113849532A (zh) | 缓存预热方法、装置、计算机设备和存储介质 | |
CN112612887A (zh) | 日志处理方法、装置、设备和存储介质 | |
CN112949721A (zh) | 一种电力设备静态数据质量评估方法及系统 | |
CN112182067A (zh) | 个体身高预测方法、装置、电子设备及存储介质 | |
CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN113673760A (zh) | 一种能耗预测方法、装置、计算机设备和存储介质 | |
CN115831219B (zh) | 一种质量预测方法、装置、设备及存储介质 | |
CN111861757A (zh) | 一种融资匹配方法、系统、设备和存储介质 | |
CN116720946A (zh) | 基于循环神经网络的信贷风险预测方法、装置和存储介质 | |
CN110991774A (zh) | 一种电量负荷预测方法及装置 | |
CN116245630A (zh) | 一种反欺诈检测方法、装置、电子设备及介质 | |
CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
CN113052509B (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN111654853B (zh) | 一种基于用户信息的数据分析方法 | |
CN113780675A (zh) | 一种消耗预测方法、装置、存储介质及电子设备 | |
CN113516398A (zh) | 基于分层抽样的风险设备识别方法、装置及电子设备 | |
CN113095589A (zh) | 一种人口属性确定方法、装置、设备及存储介质 | |
CN116662160B (zh) | 基于代价敏感宽度学习的软件缺陷预测方法及处理装置 | |
CN114219102A (zh) | 电力计量设备运维方法、装置、终端及存储介质 | |
CN116070897A (zh) | 基于异常检测算法的订单风控方法、装置、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 |