CN113923058B - 一种非即时能源数据分析的大数据预警方法与装置 - Google Patents

一种非即时能源数据分析的大数据预警方法与装置 Download PDF

Info

Publication number
CN113923058B
CN113923058B CN202111530690.8A CN202111530690A CN113923058B CN 113923058 B CN113923058 B CN 113923058B CN 202111530690 A CN202111530690 A CN 202111530690A CN 113923058 B CN113923058 B CN 113923058B
Authority
CN
China
Prior art keywords
data
energy
verification
nth
energy terminal
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
CN202111530690.8A
Other languages
English (en)
Other versions
CN113923058A (zh
Inventor
刘春桃
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.)
Wuhan Guangtong Yidong Communication Co.,Ltd.
Original Assignee
Wuhan Yunqi Networking Technology 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 Wuhan Yunqi Networking Technology Co ltd filed Critical Wuhan Yunqi Networking Technology Co ltd
Priority to CN202111530690.8A priority Critical patent/CN113923058B/zh
Publication of CN113923058A publication Critical patent/CN113923058A/zh
Application granted granted Critical
Publication of CN113923058B publication Critical patent/CN113923058B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/12—Applying verification of the received information
    • H04L63/123—Applying verification of the received information received data contents, e.g. message integrity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
    • H04L9/0643—Hash functions, e.g. MD5, SHA, HMAC or f9 MAC

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种非即时能源数据分析的大数据预警方法，分别获取n个完整数据集；分别进行哈希计算，以得到n个哈希值，并存入预设的区块链中；调取第一数据选择规则、第二数据选择规则、…、第n数据选择规则，并对应发送至能源终端；对应选出多个第一选定数据、多个第二选定数据、…、多个第n选定数据；进行错位数据传输处理；进行数据预测处理，从而对应得到第一预测数据、第二预测数据、…、第n‑1预测数据和第n预测数据；选出第一验证数据、第二验证数据、…、第n验证数据；进行相似判断处理；若不是分别对应相似，则生成预警提示信息，实现了对篡改数据的预警。

Description

一种非即时能源数据分析的大数据预警方法与装置
技术领域
本申请涉及到能源大数据领域，特别是涉及到一种非即时能源数据分析的大数据预警方法与装置。
背景技术
随着对环境保护的力度加强，关于碳达峰、碳中和，已经提出了2030年前实现碳达峰，2060年前实现碳中和的预期。这对于传统能源企业而言，例如对于火电工厂而言，发展新技术，控制二氧化碳的排放是必要的。但是，部分能源企业为了针对碳达峰、碳中和的目标，会采用篡改数据的方式来假装实现控制二氧化碳的排放，而现有技术缺少对这种篡改数据进行预警的方案。
发明内容
本申请提出一种非即时能源数据分析的大数据预警方法，包括以下步骤：
S1、n个能源终端分别获取多个传感器感测得到的n个完整数据集；其中，n个能源终端包括第一能源终端、第二能源终端、…、第n能源终端，n个完整数据集包括第一完整数据集、第二完整数据集、…、第n完整数据集，n为大于1的整数；
S2、n个能源终端根据预设的哈希算法，对n个完整数据集分别进行哈希计算，以得到n个哈希值，并将所述n个哈希值制作为一个新的区块，存入预设的区块链中；其中，n个能源终端均为区块链节点；
S3、服务器调取预设的第一数据选择规则、第二数据选择规则、…、第n数据选择规则，并对应发送至第一能源终端、第二能源终端、…、第n能源终端；
S4、n个能源终端，分别根据所述第一数据选择规则、第二数据选择规则、…、第n数据选择规则，从n个完整数据集中对应选出多个第一选定数据、多个第二选定数据、…、多个第n选定数据，并发送至服务器；
S5、服务器进行错位数据传输处理，以将多个第一选定数据、多个第二选定数据、…、多个第n选定数据对应发送至第二能源终端、第三能源终端、…、第n能源终端和第一能源终端；
S6、第二能源终端、第三能源终端、…、第n能源终端和第一能源终端，分别根据接收到的选定数据进行数据预测处理，从而对应得到类型相同的第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，并发送至服务器；其中，不同能源终端进行数据预测的方法不同；
S7、n个能源终端根据类型相同的规则，分别从n个完整数据集中选出第一验证数据、第二验证数据、…、第n验证数据，并发送至服务器；其中，验证数据的类型与预测数据的类型相同；
S8、服务器进行相似判断处理，以分别判断第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，是否与第一验证数据、第二验证数据、…、第n验证数据分别对应相似；
S9、若不是分别对应相似，则生成预警提示信息。
其中，所述多个第一选定数据、多个第二选定数据、…、多个第n选定数据均不包括能源产出数据；所述第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据均包括能源产出数据；所述第一验证数据、第二验证数据、…、第n验证数据均包括能源产出数据；
或者，所述多个第一选定数据、多个第二选定数据、…、多个第n选定数据均不包括二氧化碳排放数据；所述第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据均包括二氧化碳排放数据；所述第一验证数据、第二验证数据、…、第n验证数据均包括二氧化碳排放数据。
其中，所述第二能源终端、第三能源终端、…、第n能源终端和第一能源终端，分别根据接收到的选定数据进行数据预测处理，从而对应得到类型相同的第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，并发送至服务器的步骤S6之前，包括：
S51、第二能源终端调取预设的深度神经网络模型，同时调取预先收集的多个样本数据集，调取与所述多个样本数据集分别对应的多个样本二氧化碳排放数据；其中，样本数据集中的多个数据与所述多个第一选定数据的类型对应相同；
S52、对所述多个样本数据集分别进行标注处理，以对应标注上多个样本二氧化碳排放数据，并对标注后的多个样本数据集根据指定比例，划分为多个训练数据集和多个验证数据集；
S53、将所述多个训练数据集依次输入所述深度神经网络模型中，以有监督学习的方式进行训练处理，从而得到二氧化碳预测模型；
S54、采用所述多个验证数据集对所述二氧化碳预测模型进行验证处理，以得到验证结果，并判断验证结果是否为验证通过；
S55、若验证结果为验证通过，则将二氧化碳预测模型作为进行数据预测处理的工具，以便对接收到的选定数据进行数据预测处理。
其中，所述n个能源终端根据预设的哈希算法，对n个完整数据集分别进行哈希计算，以得到n个哈希值，并将所述n个哈希值制作为一个新的区块，存入预设的区块链中的步骤S2，包括：
S201、n个能源终端根据预设的节点筛选方法选出一个指定能源终端；
S202、指定能源终端获取区块链的前一个区块，并对前一个区块进行哈希计算，以得到区块哈希值；
S203、指定能源终端生成暂定区块体，以在所述暂定区块体中写入所述n个哈希值；
S204、指定能源终端生成暂定区块头，以在所述暂定区块头中写入所述区块哈希值；
S205、指定能源终端将所述暂定区块体和所述暂定区块头构成暂定区块，并将暂定区块发送至除指定能源终端之外的其他能源终端，以便于除指定能源终端之外的其他能源终端对暂定区块进行检验处理；
S206、若除指定能源终端之外的其他能源终端对于暂定区块检验无误，则指定能源终端将暂定区块作为新的区块，链接在区块链的末端。
其中，所述服务器进行相似判断处理，以分别判断第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，是否与第一验证数据、第二验证数据、…、第n验证数据分别对应相似的步骤S8之后，包括：
S81、若分别对应相似，则在预设时间之后，n个能源终端根据预设的终端筛选方法选出一个验证能源终端；其中，验证能源终端与指定能源终端不同；
S82、验证能源终端向除验证能源终端之外的其他能源终端发送完整数据集获取请求，从而得到除验证能源终端之外的其他能源终端发送的n-1个完整数据集；
S83、验证能源终端根据预设的哈希算法，对接收到的n-1个完整数据集分别进行哈希计算，以得到n-1个哈希值；
S84、判断所述n-1个哈希值是否存储在于区块链的同一个区块中；
S85、若所述n-1个哈希值未存储在于区块链的同一个区块中，则从所述n-1个哈希值中提取出不存在哈希值；其中，不存在哈希值是指未存储在区块链中的哈希值；
S86、生成预警提示信息，并将不存在哈希值对应的能源终端记为嫌疑终端。
本申请公开一种非即时能源数据分析的大数据预警装置，包括：
完整数据集获取模块，用于指示n个能源终端分别获取多个传感器感测得到的n个完整数据集；其中，n个能源终端包括第一能源终端、第二能源终端、…、第n能源终端，n个完整数据集包括第一完整数据集、第二完整数据集、…、第n完整数据集，n为大于1的整数；
区块链存储模块，用于指示n个能源终端根据预设的哈希算法，对n个完整数据集分别进行哈希计算，以得到n个哈希值，并将所述n个哈希值制作为一个新的区块，存入预设的区块链中；其中，n个能源终端均为区块链节点；
数据选择规则发送模块，用于指示服务器调取预设的第一数据选择规则、第二数据选择规则、…、第n数据选择规则，并对应发送至第一能源终端、第二能源终端、…、第n能源终端；
选定数据发送模块，用于指示n个能源终端，分别根据所述第一数据选择规则、第二数据选择规则、…、第n数据选择规则，从n个完整数据集中对应选出多个第一选定数据、多个第二选定数据、…、多个第n选定数据，并发送至服务器；
错位数据传输模块，用于指示服务器进行错位数据传输处理，以将多个第一选定数据、多个第二选定数据、…、多个第n选定数据对应发送至第二能源终端、第三能源终端、…、第n能源终端和第一能源终端；
预测数据发送模块，用于指示第二能源终端、第三能源终端、…、第n能源终端和第一能源终端，分别根据接收到的选定数据进行数据预测处理，从而对应得到类型相同的第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，并发送至服务器；其中，不同能源终端进行数据预测的方法不同；
验证数据发送模块，用于指示n个能源终端根据类型相同的规则，分别从n个完整数据集中选出第一验证数据、第二验证数据、…、第n验证数据，并发送至服务器；其中，验证数据的类型与预测数据的类型相同；
相似判断模块，用于指示服务器进行相似判断处理，以分别判断第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，是否与第一验证数据、第二验证数据、…、第n验证数据分别对应相似；
预警提示信息生成模块，用于指示若不是分别对应相似，则生成预警提示信息。
本申请的非即时能源数据分析的大数据预警方法与装置，分别获取多个传感器感测得到的n个完整数据集；对n个完整数据集分别进行哈希计算，以得到n个哈希值，并存入预设的区块链中；调取预设的第一数据选择规则、第二数据选择规则、…、第n数据选择规则，并对应发送至第一能源终端、第二能源终端、…、第n能源终端；从n个完整数据集中对应选出多个第一选定数据、多个第二选定数据、…、多个第n选定数据；进行错位数据传输处理；进行数据预测处理，从而对应得到类型相同的第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据；选出第一验证数据、第二验证数据、…、第n验证数据；进行相似判断处理，以分别判断第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，是否与第一验证数据、第二验证数据、…、第n验证数据分别对应相似；若不是分别对应相似，则生成预警提示信息，实现了对篡改数据的预警。
其中，本申请的非即时有两层含义，第一层含义指数据并不是第一时间进行分析的（即并未在直接获取的终端中进行分析，而是在错位传输另一终端中进行分析），第二层含义指还需要最终在预设时间之后，确定区块链数据无误，才能确认不存在篡改数据。
附图说明
图1为本申请一实施例的非即时能源数据分析的大数据预警方法的流程示意图；
图2为本申请一实施例的非即时能源数据分析的大数据预警装置的结构示意框图；
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例提供一种非即时能源数据分析的大数据预警方法，包括以下步骤：
S1、n个能源终端分别获取多个传感器感测得到的n个完整数据集；其中，n个能源终端包括第一能源终端、第二能源终端、…、第n能源终端，n个完整数据集包括第一完整数据集、第二完整数据集、…、第n完整数据集，n为大于1的整数；
S2、n个能源终端根据预设的哈希算法，对n个完整数据集分别进行哈希计算，以得到n个哈希值，并将所述n个哈希值制作为一个新的区块，存入预设的区块链中；其中，n个能源终端均为区块链节点；
S3、服务器调取预设的第一数据选择规则、第二数据选择规则、…、第n数据选择规则，并对应发送至第一能源终端、第二能源终端、…、第n能源终端；
S4、n个能源终端，分别根据所述第一数据选择规则、第二数据选择规则、…、第n数据选择规则，从n个完整数据集中对应选出多个第一选定数据、多个第二选定数据、…、多个第n选定数据，并发送至服务器；
S5、服务器进行错位数据传输处理，以将多个第一选定数据、多个第二选定数据、…、多个第n选定数据对应发送至第二能源终端、第三能源终端、…、第n能源终端和第一能源终端；
S6、第二能源终端、第三能源终端、…、第n能源终端和第一能源终端，分别根据接收到的选定数据进行数据预测处理，从而对应得到类型相同的第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，并发送至服务器；其中，不同能源终端进行数据预测的方法不同；
S7、n个能源终端根据类型相同的规则，分别从n个完整数据集中选出第一验证数据、第二验证数据、…、第n验证数据，并发送至服务器；其中，验证数据的类型与预测数据的类型相同；
S8、服务器进行相似判断处理，以分别判断第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，是否与第一验证数据、第二验证数据、…、第n验证数据分别对应相似；
S9、若不是分别对应相似，则生成预警提示信息。
本申请实现的是半去中心化的大数据预警。虽然本申请涉及服务器，但是服务器的主要作为是进行数据调配，因此服务器作为中心的作用大为削弱。
本申请涉及服务器、多个能源终端和多个传感器，服务器与多个能源终端连接，多个能源终端分别与对应的多个传感器连接，多个能源终端分别对应多个能源工厂，例如为火电厂，每个火电厂中均布设有多个传感器，多个传感器用于感测火电厂运作时的相关数据，例如原料输入数据、压力数据、能源产出数据（发电量）、电压数据、电流数据、气压数据、温度数据、二氧化碳排放数据等等，这些数据是存在彼此关联关系的，从最源头的输入与输出数据而言，原料输入越多，能源产出则越多（这是指在允许情况下，因为不可能无限制地增加原料输入，并且这种对应关系也不是线性关系，或者至少不是纯线性关系）。这只是一个举例，表明能够根据部分感测数据，来预测能源产出数据或者二氧化碳排放数据（前提是能源工厂正常运作，而本申请正是默认能源工厂正常运作，而当能源工厂未正常运作时，则本申请的实施结果是生成预警信息，当然，若能源工厂方面进行了数据篡改，本申请的实施结果也是生成预警信息）。
进行这种预测的方式有很多种，例如可以采用基于机器学习的方式，训练出智能预测模型，再用智能预测模型来预测能源产出数据或者二氧化碳排放数据；或者可以采用经验公式，来预测能源产出数据或者二氧化碳排放数据等。虽然这些方式最终的预测结果是有一定的偏差，但理论上差异并不会太大，因此这些方式采用的是同源的真实数据（纵使数据类型不完全相同），其预测结果也应当是相似的；而若是存在数据篡改的情况，由于数据篡改难以对所有的传感数据进行全面的对应篡改（因为这些传感数据彼此之间并非是线性关系，因此篡改某个传感数据容易，但要全面篡改所有传感数据却难以做到）。本申请即是根据这个特性实现的。
而本申请的非即时能源数据分析，涉及两个阶段，第一个阶段即是采用错位数据传输并采用错位数据预测的方式，来判断是否发生数据篡改；第二个阶段是采用核实区块链中记载的哈希值是否与完整数据集相匹配，来进一步保证数据未篡改，此时，区块链仅记载哈希值，而不需要记载完整数据集本身，因此区块链的公共帐本的体量相对于普通区块链而言更小。
本申请采用多终端共同实施方案，n个能源终端分别获取多个传感器感测得到的n个完整数据集；其中，n个能源终端包括第一能源终端、第二能源终端、…、第n能源终端，n个完整数据集包括第一完整数据集、第二完整数据集、…、第n完整数据集，n为大于1的整数；n个能源终端根据预设的哈希算法，对n个完整数据集分别进行哈希计算，以得到n个哈希值，并将所述n个哈希值制作为一个新的区块，存入预设的区块链中；其中，n个能源终端均为区块链节点；服务器调取预设的第一数据选择规则、第二数据选择规则、…、第n数据选择规则，并对应发送至第一能源终端、第二能源终端、…、第n能源终端；n个能源终端，分别根据所述第一数据选择规则、第二数据选择规则、…、第n数据选择规则，从n个完整数据集中对应选出多个第一选定数据、多个第二选定数据、…、多个第n选定数据，并发送至服务器。
其中，n个能源终端分别对应于n个能源工厂，n个能源工厂的类型均相同，例如都是火电厂，从而有利于后续错位数据预测的可靠性。每个能源终端均连接多个传感器，这些传感器感测得到的数据汇集成一个完整数据集，因此n个能源终端对应于n个完整数据集。完整数据集中的数据如前述，可以包括任意可行的能源工厂中采用的传感器感测得到的数据。其中，每个完整数据集均优选包括能源产出数据和二氧化碳排放数据。
哈希算法可为任意可行算法，例如为SHA-1，SHA-256算法等。哈希算法具有一个特性，对于一个特定的输入，必定存在一个特定的输出。根据这个特性，n个完整数据集与n个哈希值之间存在唯一的一一对应关系。再利用区块链的已存储数据难以篡改的特性，将n个哈希值存入区块链中，这样一来，如果某个能源终端曾进行过一次数据篡改，那么数据篡改后的数据将被记录，而无法再进行篡改；若某个能源终端未曾进行过数据篡改，那么此后再进行数据篡改则极容易被发现。
本申请的服务器的作用之一为，提供数据选择规则，这是因为大量的传感数据中，某些数据是存在可替换关系的，而另一个作用是，能够减少数据传输量与数据分析负担，并且由于数据选择规则是服务器提起的，因此某个能源终端并不确定哪些数据将被采用，因此无法进行针性地数据篡改。第一数据选择规则、第二数据选择规则、…、第n数据选择规则，可以彼此之间均相同，也可以彼此之间不均相同，优选彼此之间均不相同。数据选择规则可以为任意可行规则，但需要被选择的数据能够预测出能源产出数据或者二氧化碳排放数据，例如，可以不包括原料输入数据，但应当有其他足以预测能源产出数据或者二氧化碳排放数据的数据，例如包括温度数据（在时间轴上的温度数据，能够一定程度的反应能源产出数据，因为锅炉温度与时间的曲线数据，与原料输入量直接相关，与能源产出数据直接相关）。上述只是一种简单举例，并且仅根据单个数据来预测，其准确度是较低的，因此本申请需要多个选定数据。并且，数据选择规则还可以包括在时间上的选择，例如选择A时间点的数据，但不选择B时间点的数据。
n个能源终端，分别根据所述第一数据选择规则、第二数据选择规则、…、第n数据选择规则，从n个完整数据集中对应选出多个第一选定数据、多个第二选定数据、…、多个第n选定数据，并发送至服务器。此时的选定数据，相对于完整数据集而言，是不会发生篡改的，因为这种篡改一旦发生，通过追逆区块链中的哈希值，再对比完整数据集，即可简单发现。在极限情况下，所述多个第一选定数据、多个第二选定数据、…、多个第n选定数据，与对应的n个完整数据集相比，均只缺少能源产出数据和/或二氧化碳排放数据。
为了尽可能实现去中心化，本申请采用了错位数据传输和错位数据分析的方案，即服务器进行错位数据传输处理，以将多个第一选定数据、多个第二选定数据、…、多个第n选定数据对应发送至第二能源终端、第三能源终端、…、第n能源终端和第一能源终端；第二能源终端、第三能源终端、…、第n能源终端和第一能源终端，分别根据接收到的选定数据进行数据预测处理，从而对应得到类型相同的第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，并发送至服务器；其中，不同能源终端进行数据预测的方法不同；n个能源终端根据类型相同的规则，分别从n个完整数据集中选出第一验证数据、第二验证数据、…、第n验证数据，并发送至服务器；其中，验证数据的类型与预测数据的类型相同；服务器进行相似判断处理，以分别判断第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，是否与第一验证数据、第二验证数据、…、第n验证数据分别对应相似；若不是分别对应相似，则生成预警提示信息。
虽然在此处，错位数据传输是将多个第一选定数据、多个第二选定数据、…、多个第n选定数据对应发送至第二能源终端、第三能源终端、…、第n能源终端和第一能源终端，但由于这里的编号只是为了便于阐述，因为实际上还可以进行这样的错位数据传输，例如：将多个第一选定数据、多个第二选定数据、…、多个第n选定数据对应发送至第三能源终端、第四能源终端、…、第n能源终端、第一能源终端和第二能源终端。其中，将多个第一选定数据、多个第二选定数据、…、多个第n选定数据对应发送至第二能源终端、第三能源终端、…、第n能源终端和第一能源终端，虽然看似不能完全对应，但实际上，多个第一选定数据、多个第二选定数据、…、多个第n选定数据，表示的是多个n组选定数据，而第二能源终端、第三能源终端、…、第n能源终端和第一能源终端，表示的是n个能源终端，因此仍是一一对应的，为了更准确表述，还可以写成：将多个第一选定数据、多个第二选定数据、…、多个第n-1选定数据、多个第n选定数据对应发送至第二能源终端、第三能源终端、…、第n能源终端和第一能源终端。这种错位数据传输，实际上还有一个潜在限定，即接收到选定数据的能源终端，需要能够进行数据预测，这是从步骤S7中可以毫无疑义确定的限定特征。
第二能源终端、第三能源终端、…、第n能源终端和第一能源终端，再分别根据预设的数据预测方法，进行对应的数据预测即可，需要注意的是，预测的是相同类型的数据，从而得到第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据。这些预测方法各不相同，可以采用任意可行方法，例如采用经验公式进行预测，或者采用基于深度神经网络模型训练得到的预测模型预测，而根据深度神经网络模型的类型不同，并且根据训练数据的不同，可以生成多个不同的预测模型。深度神经网络模型进一步可以限定为任意可行模型，例如为长短期记忆网络模型、对抗网络模型、卷积神经网络模型等等。
预测数据并非是本申请的目的，本申请是想借助预测数据，来判断是否发生数据篡改的情况。假设未发生数据篡改，那么所有的数据均是真实数据，由于这些数据自身是存在关联关系的，因此完整数据集中必然存在验证数据，以使得验证数据与预测数据相似；假设发生了数据篡改，由于难以进行全面关联的整体数据篡改，因此预测数据很可能不存在于完整数据集中，即完整数据集中不存在对应的验证数据。因此，本申请先选出第一验证数据、第二验证数据、…、第n验证数据，用以作为判断是否发生数据篡改的依据。
之所以称本申请是半去中心化的方案，是因为本申请的服务器仍具有一定的作用，在此处需要进行相似判断处理，以分别判断第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，是否与第一验证数据、第二验证数据、…、第n验证数据分别对应相似。其中，进行相似度计算的方法可采用任意可行方法，例如采用余弦相似度计算方法、欧氏距离计算方法等等，在此不再赘述。
若不是分别对应相似，则表示很可能存在数据篡改的情况，因此生成预警提示信息。其中，在预警提示信息中可以标注出嫌疑能源终端，而嫌疑能源终端是指其对应的预测数据与验证数据不相似的能源终端。此处要注意的是，能源终端、预测数据、验证数据的编号对应关系为，第一能源终端对应于第一预测数据，对应于第一验证数据。从而最终在在尽可能去中心化的前提下，实现了对数据篡改情况的预警。
在一个实施方式中，所述多个第一选定数据、多个第二选定数据、…、多个第n选定数据均不包括能源产出数据；所述第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据均包括能源产出数据；所述第一验证数据、第二验证数据、…、第n验证数据均包括能源产出数据；
或者，所述多个第一选定数据、多个第二选定数据、…、多个第n选定数据均不包括二氧化碳排放数据；所述第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据均包括二氧化碳排放数据；所述第一验证数据、第二验证数据、…、第n验证数据均包括二氧化碳排放数据。
从而提高防止数据篡改的准确性。其中，能源产出数据与二氧化碳排放数据是最易被篡改的数据，因此将其中之一作为验证数据或者二氧化碳排放数据，是最有代表性的，其准确性也是更高的。
进一步地，所述第二能源终端、第三能源终端、…、第n能源终端和第一能源终端，分别根据接收到的选定数据进行数据预测处理，从而对应得到类型相同的第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，并发送至服务器的步骤S6之前，包括：
S51、第二能源终端调取预设的深度神经网络模型，同时调取预先收集的多个样本数据集，调取与所述多个样本数据集分别对应的多个样本二氧化碳排放数据；其中，样本数据集中的多个数据与所述多个第一选定数据的类型对应相同；
S52、对所述多个样本数据集分别进行标注处理，以对应标注上多个样本二氧化碳排放数据，并对标注后的多个样本数据集根据指定比例，划分为多个训练数据集和多个验证数据集；
S53、将所述多个训练数据集依次输入所述深度神经网络模型中，以有监督学习的方式进行训练处理，从而得到二氧化碳预测模型；
S54、采用所述多个验证数据集对所述二氧化碳预测模型进行验证处理，以得到验证结果，并判断验证结果是否为验证通过；
S55、若验证结果为验证通过，则将二氧化碳预测模型作为进行数据预测处理的工具，以便对接收到的选定数据进行数据预测处理。
从而采用至少一个智能预测模型进行数据预测，提高预测的准确性。虽然本申请可以采用经验公式进行数据预测，这是因为多个传感数据之间是必然存在对应关系的，因为这些传感数据是一个已知的能源产生环节中的数据。这些传感数据之间的对应关系的相关参数，虽然可以用人为的经验进行定义，但本申请采用深神经网络模型，进行这些对应关系的发现，显然准确性更高。深度神经网络模型可采用任意可行模型，并且不同能源终端采用的深度神经网络模型也可以不同，采用的训练数据也可以不尽相同。由于深度神经网络模型对于确知有关联关系，但是关联关系较为复杂的预测任务尤其适合，因此本申请在深度神经网络模型的基础上进行训练，以得到二氧化碳预测模型。其中，样本数据集中的数据类型与多个第一选定数据的类型对应相同，以保证正式应用二氧化碳预测模型时的准确性。并且，验证数据与训练数据均是从相同的样本数据集中划分出来的，因此通过验证的二氧化碳预测模型具有较好的可靠性。其中，在训练过程可以采用反向传播算法，进行各层网络参数的更新。
在一个实施方式中，所述n个能源终端根据预设的哈希算法，对n个完整数据集分别进行哈希计算，以得到n个哈希值，并将所述n个哈希值制作为一个新的区块，存入预设的区块链中的步骤S2，包括：
S201、n个能源终端根据预设的节点筛选方法选出一个指定能源终端；
S202、指定能源终端获取区块链的前一个区块，并对前一个区块进行哈希计算，以得到区块哈希值；
S203、指定能源终端生成暂定区块体，以在所述暂定区块体中写入所述n个哈希值；
S204、指定能源终端生成暂定区块头，以在所述暂定区块头中写入所述区块哈希值；
S205、指定能源终端将所述暂定区块体和所述暂定区块头构成暂定区块，并将暂定区块发送至除指定能源终端之外的其他能源终端，以便于除指定能源终端之外的其他能源终端对暂定区块进行检验处理；
S206、若除指定能源终端之外的其他能源终端对于暂定区块检验无误，则指定能源终端将暂定区块作为新的区块，链接在区块链的末端。
从而将n个哈希值存入区块链中。本申请可以选择任意一个可行终端作为写入新的区块的指定能源终端，因此节点筛选方法可以为任意可行方法，但是优选筛选出的指定能源终端不是写入前一区块的能源终端，这能够进一步减小数据篡改的可能性。区块头中至少写有前一个区块的区块哈希值，进一步地，还可以包括时间戳、本区块的哈希值等等。区块体作为存储载体，但实际上也不存储完整数据集，而仅是存储n个哈希值，从而大大减少了区块链的存储数据量。而其他能源终端，由于能够确知其中一个哈希值，因此若每个能源终端均能够在区块体中找到一个已知哈希值，那么就应当判定暂定区块检验无误。因此，若除指定能源终端之外的其他能源终端对于暂定区块检验无误，则指定能源终端将暂定区块作为新的区块，链接在区块链的末端。进一步地，在选出一个指定能源终端之后，其他能源终端将对完整数据集计算得到的哈希值发送至指定能源终端。
进一步地，所述服务器进行相似判断处理，以分别判断第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，是否与第一验证数据、第二验证数据、…、第n验证数据分别对应相似的步骤S8之后，包括：
S81、若分别对应相似，则在预设时间之后，n个能源终端根据预设的终端筛选方法选出一个验证能源终端；其中，验证能源终端与指定能源终端不同；
S82、验证能源终端向除验证能源终端之外的其他能源终端发送完整数据集获取请求，从而得到除验证能源终端之外的其他能源终端发送的n-1个完整数据集；
S83、验证能源终端根据预设的哈希算法，对接收到的n-1个完整数据集分别进行哈希计算，以得到n-1个哈希值；
S84、判断所述n-1个哈希值是否存储在于区块链的同一个区块中；
S85、若所述n-1个哈希值未存储在于区块链的同一个区块中，则从所述n-1个哈希值中提取出不存在哈希值；其中，不存在哈希值是指未存储在区块链中的哈希值；
S86、生成预警提示信息，并将不存在哈希值对应的能源终端记为嫌疑终端。
从而实现第二阶段的非即时能源数据分析的预警。此时的非即时，直接体现在预设时间，即从时间点上看，采用的是延时验证的方式，来摊平计算压力。虽然本申请采用的是半去中心化的方案，并且每个能源终端需要的算力均不多（但每个能源终端仍有其他的计算任务），但是均匀负载是长期追求的目标，并且本申请的方案具有可追溯性，因此不必进行实时检测处理，因此可以选择在预设时间之后进行检测。在检验过程中，仍采用一个验证能源终端，而非服务器进行验证，并且验证能源终端与指定能源终端不同。而验证能源终端需要所有的完整数据集，并且完整数据集是分散存储在原能源终端中的，因此得到除验证能源终端之外的其他能源终端发送的n-1个完整数据集。再对接收到的n-1个完整数据集分别进行哈希计算，以得到n-1个哈希值，此时采用的哈希算法应当与前述计算出n个哈希值的哈希算法相同。另外，本申请由于是延时检测，因此在检测之时，区块链的末端区块很可能已经不是写入n个哈希值的区块了，但是本申请只需要判断所述n-1个哈希值是否存储在于区块链的同一个区块中，而不需要对区块进行定位，从而就能够确定是否发生过数据篡改。若所述n-1个哈希值未存储在于区块链的同一个区块中，则表明很可能存在数据篡改，因此从所述n-1个哈希值中提取出不存在哈希值；其中，不存在哈希值是指未存储在区块链中的哈希值；生成预警提示信息，并将不存在哈希值对应的能源终端记为嫌疑终端。进一步地，若所述n-1个哈希值均存储在于区块链的同一个区块中，则无需预警。
本申请的非即时能源数据分析的大数据预警方法，分别获取多个传感器感测得到的n个完整数据集；对n个完整数据集分别进行哈希计算，以得到n个哈希值，并存入预设的区块链中；调取预设的第一数据选择规则、第二数据选择规则、…、第n数据选择规则，并对应发送至第一能源终端、第二能源终端、…、第n能源终端；从n个完整数据集中对应选出多个第一选定数据、多个第二选定数据、…、多个第n选定数据；进行错位数据传输处理；进行数据预测处理，从而对应得到类型相同的第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据；选出第一验证数据、第二验证数据、…、第n验证数据；进行相似判断处理，以分别判断第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，是否与第一验证数据、第二验证数据、…、第n验证数据分别对应相似；若不是分别对应相似，则生成预警提示信息，实现了对篡改数据的预警。
参照图2，本申请实施例提供一种非即时能源数据分析的大数据预警装置，包括：
完整数据集获取模块10，用于指示n个能源终端分别获取多个传感器感测得到的n个完整数据集；其中，n个能源终端包括第一能源终端、第二能源终端、…、第n能源终端，n个完整数据集包括第一完整数据集、第二完整数据集、…、第n完整数据集，n为大于1的整数；
区块链存储模块20，用于指示n个能源终端根据预设的哈希算法，对n个完整数据集分别进行哈希计算，以得到n个哈希值，并将所述n个哈希值制作为一个新的区块，存入预设的区块链中；其中，n个能源终端均为区块链节点；
数据选择规则发送模块30，用于指示服务器调取预设的第一数据选择规则、第二数据选择规则、…、第n数据选择规则，并对应发送至第一能源终端、第二能源终端、…、第n能源终端；
选定数据发送模块40，用于指示n个能源终端，分别根据所述第一数据选择规则、第二数据选择规则、…、第n数据选择规则，从n个完整数据集中对应选出多个第一选定数据、多个第二选定数据、…、多个第n选定数据，并发送至服务器；
错位数据传输模块50，用于指示服务器进行错位数据传输处理，以将多个第一选定数据、多个第二选定数据、…、多个第n选定数据对应发送至第二能源终端、第三能源终端、…、第n能源终端和第一能源终端；
预测数据发送模块60，用于指示第二能源终端、第三能源终端、…、第n能源终端和第一能源终端，分别根据接收到的选定数据进行数据预测处理，从而对应得到类型相同的第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，并发送至服务器；其中，不同能源终端进行数据预测的方法不同；
验证数据发送模块70，用于指示n个能源终端根据类型相同的规则，分别从n个完整数据集中选出第一验证数据、第二验证数据、…、第n验证数据，并发送至服务器；其中，验证数据的类型与预测数据的类型相同；
相似判断模块80，用于指示服务器进行相似判断处理，以分别判断第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，是否与第一验证数据、第二验证数据、…、第n验证数据分别对应相似；
预警提示信息生成模块90，用于指示若不是分别对应相似，则生成预警提示信息。
在一个实施方式中，所述多个第一选定数据、多个第二选定数据、…、多个第n选定数据均不包括能源产出数据；所述第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据均包括能源产出数据；所述第一验证数据、第二验证数据、…、第n验证数据均包括能源产出数据；
或者，所述多个第一选定数据、多个第二选定数据、…、多个第n选定数据均不包括二氧化碳排放数据；所述第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据均包括二氧化碳排放数据；所述第一验证数据、第二验证数据、…、第n验证数据均包括二氧化碳排放数据。
在一个实施方式中，所述第二能源终端、第三能源终端、…、第n能源终端和第一能源终端，分别根据接收到的选定数据进行数据预测处理，从而对应得到类型相同的第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，并发送至服务器之前，包括：
第二能源终端调取预设的深度神经网络模型，同时调取预先收集的多个样本数据集，调取与所述多个样本数据集分别对应的多个样本二氧化碳排放数据；其中，样本数据集中的多个数据与所述多个第一选定数据的类型对应相同；
对所述多个样本数据集分别进行标注处理，以对应标注上多个样本二氧化碳排放数据，并对标注后的多个样本数据集根据指定比例，划分为多个训练数据集和多个验证数据集；
将所述多个训练数据集依次输入所述深度神经网络模型中，以有监督学习的方式进行训练处理，从而得到二氧化碳预测模型；
采用所述多个验证数据集对所述二氧化碳预测模型进行验证处理，以得到验证结果，并判断验证结果是否为验证通过；
若验证结果为验证通过，则将二氧化碳预测模型作为进行数据预测处理的工具，以便对接收到的选定数据进行数据预测处理。
在一个实施方式中，所述n个能源终端根据预设的哈希算法，对n个完整数据集分别进行哈希计算，以得到n个哈希值，并将所述n个哈希值制作为一个新的区块，存入预设的区块链中，包括：
n个能源终端根据预设的节点筛选方法选出一个指定能源终端；
指定能源终端获取区块链的前一个区块，并对前一个区块进行哈希计算，以得到区块哈希值；
指定能源终端生成暂定区块体，以在所述暂定区块体中写入所述n个哈希值；
指定能源终端生成暂定区块头，以在所述暂定区块头中写入所述区块哈希值；
指定能源终端将所述暂定区块体和所述暂定区块头构成暂定区块，并将暂定区块发送至除指定能源终端之外的其他能源终端，以便于除指定能源终端之外的其他能源终端对暂定区块进行检验处理；
若除指定能源终端之外的其他能源终端对于暂定区块检验无误，则指定能源终端将暂定区块作为新的区块，链接在区块链的末端。
在一个实施方式中，所述服务器进行相似判断处理，以分别判断第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，是否与第一验证数据、第二验证数据、…、第n验证数据分别对应相似，包括：
若分别对应相似，则在预设时间之后，n个能源终端根据预设的终端筛选方法选出一个验证能源终端；其中，验证能源终端与指定能源终端不同；
验证能源终端向除验证能源终端之外的其他能源终端发送完整数据集获取请求，从而得到除验证能源终端之外的其他能源终端发送的n-1个完整数据集；
验证能源终端根据预设的哈希算法，对接收到的n-1个完整数据集分别进行哈希计算，以得到n-1个哈希值；
判断所述n-1个哈希值是否存储在于区块链的同一个区块中；
若所述n-1个哈希值未存储在于区块链的同一个区块中，则从所述n-1个哈希值中提取出不存在哈希值；其中，不存在哈希值是指未存储在区块链中的哈希值；
生成预警提示信息，并将不存在哈希值对应的能源终端记为嫌疑终端。
其中上述模块分别用于执行的操作与前述实施方式的非即时能源数据分析的大数据预警方法的步骤一一对应，在此不再赘述。
本申请的非即时能源数据分析的大数据预警装置，分别获取多个传感器感测得到的n个完整数据集；对n个完整数据集分别进行哈希计算，以得到n个哈希值，并存入预设的区块链中；调取预设的第一数据选择规则、第二数据选择规则、…、第n数据选择规则，并对应发送至第一能源终端、第二能源终端、…、第n能源终端；从n个完整数据集中对应选出多个第一选定数据、多个第二选定数据、…、多个第n选定数据；进行错位数据传输处理；进行数据预测处理，从而对应得到类型相同的第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据；选出第一验证数据、第二验证数据、…、第n验证数据；进行相似判断处理，以分别判断第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，是否与第一验证数据、第二验证数据、…、第n验证数据分别对应相似；若不是分别对应相似，则生成预警提示信息，实现了对篡改数据的预警。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种非即时能源数据分析的大数据预警方法，其特征在于，包括：
S1、n个能源终端分别获取多个传感器感测得到的n个完整数据集；其中，n个能源终端包括第一能源终端、第二能源终端、…、第n能源终端，n个完整数据集包括第一完整数据集、第二完整数据集、…、第n完整数据集，n为大于1的整数；
S2、n个能源终端根据预设的哈希算法，对n个完整数据集分别进行哈希计算，以得到n个哈希值，并将所述n个哈希值制作为一个新的区块，存入预设的区块链中；其中，n个能源终端均为区块链节点；
S3、服务器调取预设的第一数据选择规则、第二数据选择规则、…、第n数据选择规则，并对应发送至第一能源终端、第二能源终端、…、第n能源终端；
S4、n个能源终端，分别根据所述第一数据选择规则、第二数据选择规则、…、第n数据选择规则，从n个完整数据集中对应选出多个第一选定数据、多个第二选定数据、…、多个第n选定数据，并发送至服务器；
S5、服务器进行错位数据传输处理，以将多个第一选定数据、多个第二选定数据、…、多个第n选定数据对应发送至第二能源终端、第三能源终端、…、第n能源终端和第一能源终端；
S6、第二能源终端、第三能源终端、…、第n能源终端和第一能源终端，分别根据接收到的选定数据进行数据预测处理，从而对应得到类型相同的第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，并发送至服务器；其中，不同能源终端进行数据预测的方法不同；
S7、n个能源终端根据类型相同的规则，分别从n个完整数据集中选出第一验证数据、第二验证数据、…、第n验证数据，并发送至服务器；其中，验证数据的类型与预测数据的类型相同；
S8、服务器进行相似判断处理，以分别判断第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，是否与第一验证数据、第二验证数据、…、第n验证数据分别对应相似；
S9、若不是分别对应相似，则生成预警提示信息。
2.根据权利要求1所述的非即时能源数据分析的大数据预警方法，其特征在于，所述多个第一选定数据、多个第二选定数据、…、多个第n选定数据均不包括能源产出数据；所述第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据均包括能源产出数据；所述第一验证数据、第二验证数据、…、第n验证数据均包括能源产出数据；
或者，所述多个第一选定数据、多个第二选定数据、…、多个第n选定数据均不包括二氧化碳排放数据；所述第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据均包括二氧化碳排放数据；所述第一验证数据、第二验证数据、…、第n验证数据均包括二氧化碳排放数据。
3.根据权利要求2所述的非即时能源数据分析的大数据预警方法，其特征在于，所述第二能源终端、第三能源终端、…、第n能源终端和第一能源终端，分别根据接收到的选定数据进行数据预测处理，从而对应得到类型相同的第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，并发送至服务器的步骤S6之前，包括：
S51、第二能源终端调取预设的深度神经网络模型，同时调取预先收集的多个样本数据集，调取与所述多个样本数据集分别对应的多个样本二氧化碳排放数据；其中，样本数据集中的多个数据与所述多个第一选定数据的类型对应相同；
S52、对所述多个样本数据集分别进行标注处理，以对应标注上多个样本二氧化碳排放数据，并对标注后的多个样本数据集根据指定比例，划分为多个训练数据集和多个验证数据集；
S53、将所述多个训练数据集依次输入所述深度神经网络模型中，以有监督学习的方式进行训练处理，从而得到二氧化碳预测模型；
S54、采用所述多个验证数据集对所述二氧化碳预测模型进行验证处理，以得到验证结果，并判断验证结果是否为验证通过；
S55、若验证结果为验证通过，则将二氧化碳预测模型作为进行数据预测处理的工具，以便对接收到的选定数据进行数据预测处理。
4.根据权利要求1所述的非即时能源数据分析的大数据预警方法，其特征在于，所述n个能源终端根据预设的哈希算法，对n个完整数据集分别进行哈希计算，以得到n个哈希值，并将所述n个哈希值制作为一个新的区块，存入预设的区块链中的步骤S2，包括：
S201、n个能源终端根据预设的节点筛选方法选出一个指定能源终端；
S202、指定能源终端获取区块链的前一个区块，并对前一个区块进行哈希计算，以得到区块哈希值；
S203、指定能源终端生成暂定区块体，以在所述暂定区块体中写入所述n个哈希值；
S204、指定能源终端生成暂定区块头，以在所述暂定区块头中写入所述区块哈希值；
S205、指定能源终端将所述暂定区块体和所述暂定区块头构成暂定区块，并将暂定区块发送至除指定能源终端之外的其他能源终端，以便于除指定能源终端之外的其他能源终端对暂定区块进行检验处理；
S206、若除指定能源终端之外的其他能源终端对于暂定区块检验无误，则指定能源终端将暂定区块作为新的区块，链接在区块链的末端。
5.根据权利要求4所述的非即时能源数据分析的大数据预警方法，其特征在于，所述服务器进行相似判断处理，以分别判断第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，是否与第一验证数据、第二验证数据、…、第n验证数据分别对应相似的步骤S8之后，包括：
S81、若分别对应相似，则在预设时间之后，n个能源终端根据预设的终端筛选方法选出一个验证能源终端；其中，验证能源终端与指定能源终端不同；
S82、验证能源终端向除验证能源终端之外的其他能源终端发送完整数据集获取请求，从而得到除验证能源终端之外的其他能源终端发送的n-1个完整数据集；
S83、验证能源终端根据预设的哈希算法，对接收到的n-1个完整数据集分别进行哈希计算，以得到n-1个哈希值；
S84、判断所述n-1个哈希值是否存储在于区块链的同一个区块中；
S85、若所述n-1个哈希值未存储在于区块链的同一个区块中，则从所述n-1个哈希值中提取出不存在哈希值；其中，不存在哈希值是指未存储在区块链中的哈希值；
S86、生成预警提示信息，并将不存在哈希值对应的能源终端记为嫌疑终端。
6.一种非即时能源数据分析的大数据预警装置，其特征在于，包括：
完整数据集获取模块，用于指示n个能源终端分别获取多个传感器感测得到的n个完整数据集；其中，n个能源终端包括第一能源终端、第二能源终端、…、第n能源终端，n个完整数据集包括第一完整数据集、第二完整数据集、…、第n完整数据集，n为大于1的整数；
区块链存储模块，用于指示n个能源终端根据预设的哈希算法，对n个完整数据集分别进行哈希计算，以得到n个哈希值，并将所述n个哈希值制作为一个新的区块，存入预设的区块链中；其中，n个能源终端均为区块链节点；
数据选择规则发送模块，用于指示服务器调取预设的第一数据选择规则、第二数据选择规则、…、第n数据选择规则，并对应发送至第一能源终端、第二能源终端、…、第n能源终端；
选定数据发送模块，用于指示n个能源终端，分别根据所述第一数据选择规则、第二数据选择规则、…、第n数据选择规则，从n个完整数据集中对应选出多个第一选定数据、多个第二选定数据、…、多个第n选定数据，并发送至服务器；
错位数据传输模块，用于指示服务器进行错位数据传输处理，以将多个第一选定数据、多个第二选定数据、…、多个第n选定数据对应发送至第二能源终端、第三能源终端、…、第n能源终端和第一能源终端；
预测数据发送模块，用于指示第二能源终端、第三能源终端、…、第n能源终端和第一能源终端，分别根据接收到的选定数据进行数据预测处理，从而对应得到类型相同的第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，并发送至服务器；其中，不同能源终端进行数据预测的方法不同；
验证数据发送模块，用于指示n个能源终端根据类型相同的规则，分别从n个完整数据集中选出第一验证数据、第二验证数据、…、第n验证数据，并发送至服务器；其中，验证数据的类型与预测数据的类型相同；
相似判断模块，用于指示服务器进行相似判断处理，以分别判断第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，是否与第一验证数据、第二验证数据、…、第n验证数据分别对应相似；
预警提示信息生成模块，用于指示若不是分别对应相似，则生成预警提示信息。
7.根据权利要求6所述的非即时能源数据分析的大数据预警装置，其特征在于，所述多个第一选定数据、多个第二选定数据、…、多个第n选定数据均不包括能源产出数据；所述第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据均包括能源产出数据；所述第一验证数据、第二验证数据、…、第n验证数据均包括能源产出数据；
或者，所述多个第一选定数据、多个第二选定数据、…、多个第n选定数据均不包括二氧化碳排放数据；所述第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据均包括二氧化碳排放数据；所述第一验证数据、第二验证数据、…、第n验证数据均包括二氧化碳排放数据。
8.根据权利要求7所述的非即时能源数据分析的大数据预警装置，其特征在于，所述第二能源终端、第三能源终端、…、第n能源终端和第一能源终端，分别根据接收到的选定数据进行数据预测处理，从而对应得到类型相同的第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，并发送至服务器之前，包括：
第二能源终端调取预设的深度神经网络模型，同时调取预先收集的多个样本数据集，调取与所述多个样本数据集分别对应的多个样本二氧化碳排放数据；其中，样本数据集中的多个数据与所述多个第一选定数据的类型对应相同；
对所述多个样本数据集分别进行标注处理，以对应标注上多个样本二氧化碳排放数据，并对标注后的多个样本数据集根据指定比例，划分为多个训练数据集和多个验证数据集；
将所述多个训练数据集依次输入所述深度神经网络模型中，以有监督学习的方式进行训练处理，从而得到二氧化碳预测模型；
采用所述多个验证数据集对所述二氧化碳预测模型进行验证处理，以得到验证结果，并判断验证结果是否为验证通过；
若验证结果为验证通过，则将二氧化碳预测模型作为进行数据预测处理的工具，以便对接收到的选定数据进行数据预测处理。
9.根据权利要求6所述的非即时能源数据分析的大数据预警装置，其特征在于，所述n个能源终端根据预设的哈希算法，对n个完整数据集分别进行哈希计算，以得到n个哈希值，并将所述n个哈希值制作为一个新的区块，存入预设的区块链中，包括：
n个能源终端根据预设的节点筛选方法选出一个指定能源终端；
指定能源终端获取区块链的前一个区块，并对前一个区块进行哈希计算，以得到区块哈希值；
指定能源终端生成暂定区块体，以在所述暂定区块体中写入所述n个哈希值；
指定能源终端生成暂定区块头，以在所述暂定区块头中写入所述区块哈希值；
指定能源终端将所述暂定区块体和所述暂定区块头构成暂定区块，并将暂定区块发送至除指定能源终端之外的其他能源终端，以便于除指定能源终端之外的其他能源终端对暂定区块进行检验处理；
若除指定能源终端之外的其他能源终端对于暂定区块检验无误，则指定能源终端将暂定区块作为新的区块，链接在区块链的末端。
10.根据权利要求9所述的非即时能源数据分析的大数据预警装置，其特征在于，所述服务器进行相似判断处理，以分别判断第一预测数据、第二预测数据、…、第n-1预测数据和第n预测数据，是否与第一验证数据、第二验证数据、…、第n验证数据分别对应相似，包括：
若分别对应相似，则在预设时间之后，n个能源终端根据预设的终端筛选方法选出一个验证能源终端；其中，验证能源终端与指定能源终端不同；
验证能源终端向除验证能源终端之外的其他能源终端发送完整数据集获取请求，从而得到除验证能源终端之外的其他能源终端发送的n-1个完整数据集；
验证能源终端根据预设的哈希算法，对接收到的n-1个完整数据集分别进行哈希计算，以得到n-1个哈希值；
判断所述n-1个哈希值是否存储在于区块链的同一个区块中；
若所述n-1个哈希值未存储在于区块链的同一个区块中，则从所述n-1个哈希值中提取出不存在哈希值；其中，不存在哈希值是指未存储在区块链中的哈希值；
生成预警提示信息，并将不存在哈希值对应的能源终端记为嫌疑终端。
CN202111530690.8A 2021-12-15 2021-12-15 一种非即时能源数据分析的大数据预警方法与装置 Active CN113923058B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111530690.8A CN113923058B (zh) 2021-12-15 2021-12-15 一种非即时能源数据分析的大数据预警方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111530690.8A CN113923058B (zh) 2021-12-15 2021-12-15 一种非即时能源数据分析的大数据预警方法与装置

Publications (2)

Publication Number Publication Date
CN113923058A CN113923058A (zh) 2022-01-11
CN113923058B true CN113923058B (zh) 2022-02-22

Family

ID=79248879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111530690.8A Active CN113923058B (zh) 2021-12-15 2021-12-15 一种非即时能源数据分析的大数据预警方法与装置

Country Status (1)

Country Link
CN (1) CN113923058B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761678A (zh) * 2014-01-06 2014-04-30 中国石油大学(华东) 区块快速测井评价联动平台系统
CN105139157A (zh) * 2015-10-08 2015-12-09 武汉誉德节能数据服务有限公司 一种基于能源数据的企业管理方法和系统
CN106022656A (zh) * 2016-06-21 2016-10-12 上海黄中工程技术有限公司 基于互联网的能源站交互式管理控制系统
CN107061186A (zh) * 2017-06-09 2017-08-18 北京金风慧能技术有限公司 风力发电机组振动异常预警方法和装置
CN108449169A (zh) * 2018-03-27 2018-08-24 北京石油化工学院 一种用于无线传感器网路的混沌分组加密方法
EP3709247A1 (en) * 2017-11-08 2020-09-16 Wei Xu Code chain-based model, device, system, method, and application
CN112286963A (zh) * 2020-11-17 2021-01-29 北京物资学院 一种区块链终端数据可信查询系统及其实现方法
EP3879751A1 (en) * 2017-08-28 2021-09-15 Advanced New Technologies Co., Ltd. Key data processing method and apparatus, and server
AU2021104744A4 (en) * 2021-08-05 2021-09-30 63963 Unit of the Chinese People's Liberation Army Method and system for status monitoring and fault early warning based on lubricating oil liquid

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761678A (zh) * 2014-01-06 2014-04-30 中国石油大学(华东) 区块快速测井评价联动平台系统
CN105139157A (zh) * 2015-10-08 2015-12-09 武汉誉德节能数据服务有限公司 一种基于能源数据的企业管理方法和系统
CN106022656A (zh) * 2016-06-21 2016-10-12 上海黄中工程技术有限公司 基于互联网的能源站交互式管理控制系统
CN107061186A (zh) * 2017-06-09 2017-08-18 北京金风慧能技术有限公司 风力发电机组振动异常预警方法和装置
EP3879751A1 (en) * 2017-08-28 2021-09-15 Advanced New Technologies Co., Ltd. Key data processing method and apparatus, and server
EP3709247A1 (en) * 2017-11-08 2020-09-16 Wei Xu Code chain-based model, device, system, method, and application
CN108449169A (zh) * 2018-03-27 2018-08-24 北京石油化工学院 一种用于无线传感器网路的混沌分组加密方法
CN112286963A (zh) * 2020-11-17 2021-01-29 北京物资学院 一种区块链终端数据可信查询系统及其实现方法
AU2021104744A4 (en) * 2021-08-05 2021-09-30 63963 Unit of the Chinese People's Liberation Army Method and system for status monitoring and fault early warning based on lubricating oil liquid

Also Published As

Publication number Publication date
CN113923058A (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
CN112987675B (zh) 一种异常检测的方法、装置、计算机设备和介质
Li et al. Detection and diagnosis of data integrity attacks in solar farms based on multilayer long short-term memory network
JP5026433B2 (ja) プロセスモデルベースの仮想センサシステムおよび方法
CN111177714B (zh) 异常行为检测方法、装置、计算机设备和存储介质
JP2008536221A (ja) 制御システムおよび方法
CN106295338B (zh) 一种基于人工神经元网络的sql漏洞检测方法
Thiruloga et al. TENET: Temporal CNN with attention for anomaly detection in automotive cyber-physical systems
KR101968449B1 (ko) 데이터 생산성 향상을 위한 ａｉ 학습 기반의 레이블 타입 데이터 자동 검수 시스템 및 그 방법
CN111506710B (zh) 基于谣言预测模型的信息发送方法、装置和计算机设备
Ye et al. A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring
CN113923058B (zh) 一种非即时能源数据分析的大数据预警方法与装置
CN110581856A (zh) 一种恶意代码的检测方法及系统
Elsayed et al. BoostGuard: Interpretable misbehavior detection in vehicular communication networks
CN111489041B (zh) 预测污染物异常排放的方法、装置、计算机设备
Wickramarachchi et al. Towards population-based structural health monitoring, Part V: Networks and databases
CN117236826A (zh) 物流托盘的码放识别方法、装置、设备及存储介质
US9589212B2 (en) Methods and systems for recording and recalling events
CN117081798A (zh) 一种基于att_ck和有向警报图的真实威胁告警系统、方法和计算机可读存储介质
CN111898134A (zh) 基于LSTM和BiLSTM的智能合约漏洞检测方法和装置
CN116909788A (zh) 一种任务导向和视角不变的多模态故障诊断方法及系统
CN113259218B (zh) 一种环形区域网拓扑结构的物联网传输方法及装置
Ayadi et al. Outlier detection based on data reduction in WSNs for water pipeline
EP3686812A1 (en) System and method for context-based training of a machine learning model
CN109886119B (zh) 一种基于工控信号的控制功能分类方法及系统
Chen et al. MTS-GAT: multivariate time series anomaly detection based on graph attention networks

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
TR01 Transfer of patent right

Effective date of registration: 20220707

Address after: 430000 polypeptide Industrial Park (Huagong Haoyuan Incubation Park), No. 76, shendun fifth road, East Lake New Technology Development Zone, Wuhan City, Hubei Province 26566 (Wuhan area of the free trade zone)

Patentee after: Wuhan Guangtong Yidong Communication Co.,Ltd.

Address before: 2 / F, building 9, Shiqiao Industrial Park, 18 Shiqiao 1st Road, Houhu street, Jiang'an District, Wuhan City, Hubei Province, 430000

Patentee before: Wuhan Yunqi Networking Technology Co.,Ltd.

TR01 Transfer of patent right