CN114119289A - 综合能源监控数据的处理方法及装置 - Google Patents
综合能源监控数据的处理方法及装置 Download PDFInfo
- Publication number
- CN114119289A CN114119289A CN202111450535.5A CN202111450535A CN114119289A CN 114119289 A CN114119289 A CN 114119289A CN 202111450535 A CN202111450535 A CN 202111450535A CN 114119289 A CN114119289 A CN 114119289A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- fault
- tolerant
- energy loss
- historical
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 398
- 238000012545 processing Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013145 classification model Methods 0.000 claims abstract description 28
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 104
- 230000006870 function Effects 0.000 claims description 61
- 239000003345 natural gas Substances 0.000 claims description 52
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 34
- 238000012937 correction Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 description 25
- 238000005265 energy consumption Methods 0.000 description 8
- 238000012806 monitoring device Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000004044 response Effects 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种综合能源监控数据的处理方法及装置,涉及数据处理技术领域,主要目的在于解决现有综合能源的监控数据的处理准确差的问题。包括:获取全部综合能源监控节点的监控数据;调取已完成模型训练的综合能源监控分类模型对监控数据进行分类处理,得到监控数据分类结果;结合监控数据分类结果调取与不同设备节点对应的容错监控范围,并基于容错监控范围计算设备节点以及监控数据分类所对应的综合能源损耗值;若综合能源损耗值大于预设损耗阈值,则基于综合能源监控特征对容错监控范围进行调整;基于调整后的容错监控范围对监控数据进行对比,若监控数据大于容错监控范围,则发送告警信息。
Description
技术领域
本发明涉及一种数据处理技术领域,特别是涉及一种综合能源监控数据的处理方法及装置。
背景技术
随着我国经济社会持续发展,能源生产和消费模式正在发生重大转变,能源产业肩负着提高能源效率、保障能源安全、促进新能源消纳和推动环境保护等新使命。其中,综合能源系统,是指一定区域内的能源系统利用先进的技术和管理模式,整合区域内石油、煤炭、天然气和电力等多种能源资源,实现多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,在满足多元化用能需求的同时有效提升能源利用效率,进而促进能源可持续发展的新型一体化能源系统。目前,现有综合能源的各个能源子系统之间在运行、监控等方面均是相互独立的,无法实现综合能源进行有效的数据管理,且设定监控阈值为固定的,降低了综合能源的监控数据的处理准确性、灵活性。
发明内容
有鉴于此,本发明提供一种综合能源监控数据的处理方法及装置,主要目的在于解决现有综合能源的监控数据的处理准确差的问题。
依据本发明一个方面,提供了一种综合能源监控数据的处理方法,包括:
获取全部综合能源监控节点的监控数据,所述综合能源监控节点为对不同能源类型进行监控的设备节点,所述监控数据包括电能损耗参数、天然气能损耗参数、水能损耗参数;
调取已完成模型训练的综合能源监控分类模型对所述监控数据进行分类处理,得到监控数据分类结果,所述综合能源监控分类模型为基于历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数进行正负样本数据集构建完成的模型训练得到的;
结合所述监控数据分类结果调取与不同设备节点对应的容错监控范围,并基于所述容错监控范围计算所述设备节点以及所述监控数据分类所对应的综合能源损耗值;
若所述综合能源损耗值大于预设损耗阈值,则基于综合能源监控特征对所述容错监控范围进行调整,所述综合能源监控特征用于表征不同设备节点对能源损耗的容错内容;
基于调整后的容错监控范围对所述监控数据进行对比,若所述监控数据大于所述容错监控范围,则发送告警信息。
依据本发明另一个方面,提供了一种综合能源监控数据的处理装置,包括:
获取模块,用于获取全部综合能源监控节点的监控数据,所述综合能源监控节点为对不同能源类型进行监控的设备节点,所述监控数据包括电能损耗参数、天然气能损耗参数、水能损耗参数;
处理模块,用于调取已完成模型训练的综合能源监控分类模型对所述监控数据进行分类处理,得到监控数据分类结果,所述综合能源监控分类模型为基于历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数进行正负样本数据集构建完成的模型训练得到的;
计算模块,用于结合所述监控数据分类结果调取与不同设备节点对应的容错监控范围,并基于所述容错监控范围计算所述设备节点以及所述监控数据分类所对应的综合能源损耗值;
调整模块,用于若所述综合能源损耗值大于预设损耗阈值,则基于综合能源监控特征对所述容错监控范围进行调整,所述综合能源监控特征用于表征不同设备节点对能源损耗的容错内容;
发送模块,用于基于调整后的容错监控范围对所述监控数据进行对比,若所述监控数据大于所述容错监控范围,则发送告警信息。
根据本发明的又一方面,提供了一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述综合能源监控数据的处理方法对应的操作。
根据本发明的再一方面,提供了一种终端,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述综合能源监控数据的处理方法对应的操作。
借由上述技术方案,本发明实施例提供的技术方案至少具有下列优点:
本发明提供了一种综合能源监控数据的处理方法及装置,与现有技术相比,本发明实施例通过获取全部综合能源监控节点的监控数据,所述综合能源监控节点为对不同能源类型进行监控的设备节点,所述监控数据包括电能损耗参数、天然气能损耗参数、水能损耗参数;调取已完成模型训练的综合能源监控分类模型对所述监控数据进行分类处理,得到监控数据分类结果,所述综合能源监控分类模型为基于历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数进行正负样本数据集构建完成的模型训练得到的;结合所述监控数据分类结果调取与不同设备节点对应的容错监控范围,并基于所述容错监控范围计算所述设备节点以及所述监控数据分类所对应的综合能源损耗值;若所述综合能源损耗值大于预设损耗阈值,则基于综合能源监控特征对所述容错监控范围进行调整,所述综合能源监控特征用于表征不同设备节点对能源损耗的容错内容;基于调整后的容错监控范围对所述监控数据进行对比,若所述监控数据大于所述容错监控范围,则发送告警信息,实现对综合能源的监控数据的整体化数据处理效率,并实现对容错阈值的实时性调整,大大提高了综合能源数据的监控准确性,避免了单一固定的监控数据处理效果,从而提高了综合能源的监控数据处理准确性、灵活性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种综合能源监控数据的处理方法流程图;
图2示出了本发明实施例提供的一种综合能源监控数据的处理装置组成框图;
图3示出了本发明实施例提供的一种终端的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种综合能源监控数据的处理方法,如图1所示,该方法包括:
101、获取全部综合能源监控节点的监控数据。
本发明实施例中,针对居民生活区域的综合能源损耗情况,对特定范围的居民生活区域进行综合能源的监控,例如,某市或某区,对应的,综合能源监控节点为对不同能源类型进行监控的设备节点,即不同能源类型若为电能,则综合能源监控节点为对发电设备进行监控的监控设备节点,可以为安装在发电设备的监控设备,也可以为独立与发电设备的监控设备,从而从此监控设备的节点处获取监控数据,对应的,同样适用于天然气能与水能的监控设备的配置,从而获取到的监控数据包括电能损耗参数、天然气能损耗参数、水能损耗参数。其中,电能损耗参数为基于电能监控设备上获取到相对于发出电量与居民实际接收或使用到电量的差值,天然气能损耗参数为基于天然气能监控设备上获取到相对于输出天然气与居民实际接收或使用的天然气的差值,水能损耗参数为基于水能监控设备上获取到相对于输出水量与居民实际接收或使用的水量的差值。
本发明实施例中,由于针对一个特定范围的居民生活区域,可以配置不同多个综合能源监控节点,即包括多个不同能源监控设备,因此,为了准确进行数据的处理,获取全部综合能源监控节点的监控数据,以执行步骤102的。
102、调取已完成模型训练的综合能源监控分类模型对所述监控数据进行分类处理,得到监控数据分类结果。
本发明实施例中,为了实现智能化地监控数据处理,基于作为人工智能的综合能源分类模型对监控数据进行分类处理,以确定监控数据所属的分类结果。其中,所述综合能源监控分类模型为基于历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数进行正负样本数据集构建完成的模型训练得到的,从而在进行分类处理后,得到监控数据分类结果,监控数据分类结果包括高危异常类型、稳定异常类型、无异常类型。其中,高危异常类型为可能存在能源泄漏的异常类型,稳定异常类型为存在一定能源损耗且损耗范围在一个稳定区域内浮动的异常类型,无异常类型为存在能源损耗且能源损耗在预期范围内的类型。另外,综合能源监控分类模型为基于机器学习算法预先训练得到的,优选为卷积神经网络,从而进行智能的监控数据分类。其中,训练的过程中是通过历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数构建正负样本数据集进行的,即包括正样本数据以及负样本数据,正样本数据为带有正确标签的历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数的样本数据,负样本数据为带有错误标签的历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数的样本数据,从而结合正、负样本数据对卷积神经网络进行训练,得到准确的分类模型。
在一个本发明实施例中,为了进一步限定及说明,所述调取已完成模型训练的综合能源监控分类模型对所述监控数据进行分类处理,得到监控数据分类结果之前,所述方法还包括:从不同能源监控节点中分别获取历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数,并建立支持向量机模型;按照阈值比例分别从全部所述历史电能损耗参数、所述历史天然气能损耗参数、所述历史水能损耗参数中获取三分之一个数的历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数,确定为负样本数据,并基于阈值比例获取三分之二个数的历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数,确定为正样本数据;获取基于所述正样本数据、所述负样本数据调整得到的校正核函数,并基于所述正样本数据、所述负样本数据以及所述校正核函数对所述支持向量机模型进行模型训练,得到综合能源监控分类模型。
具体的,实现基于支持向量机构建综合能源监控分类模型,从而进行准确的监控数据分类,首先从不同能源监控节点中获取历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数,并建立支持向量机模型,以进行模型训练。其中,历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数可以为相对于当前时刻前1个月的历史数据,同时,为了构建正、负样本数据,根据预先设定的阈值比例分别全部的历史数据中选取正、负样本数据,具体的,阈值为预设的能耗异常阈值,阈值比例为此能耗异常阈值三分之一比例值,则从大于的此能耗异常阈值三分之一比例值的历史数据中获取三分之一个数的历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数作为负样本数据。同时,基于阈值比例获取三分之二个数的历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数,确定为正样本数据,即从小于此能耗异常阈值三分之一比例值的历史数据中获取三分之二个数的历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数作为正样本数据,以基于正、负样本数据进行模型训练。
另外,由于对支持向量机进行模型训练过程是基于对一个分类器进行正则化求解过程,结合本发明实施例中,监控数据的非线性化,特征空间存在超曲面将正类和负类分开,使用非线性函数可以将非线性可分问题从原始的特征空间映射至更高维的希尔伯特空间H,从而转化为线性可分问题,此时作为决策边界的超平面表示:ωTφ(X)+b=0,式中φ:为映射函数。由于映射函数具有复杂的形式,难以计算其内积,因此可使用核方法,即定义映射函数的内积为核函数,以回避内积的显式计算。本发明实施例中,从现有的核函数中选取两个核函数进行整合,得到一个校正核函数,从而以校正核函数对支持向量机进行模型训练,大大提高了对支持向量机进行训练的模型精度。
在一个本发明实施例中,为了进一步限定及说明,步骤获取基于所述正样本数据、所述负样本数据调整得到的校正核函数之前,所述方法还包括:获取与所述正样本数据对应的第一核函数,以及与所述负样本数据对应的第二核函数;基于正负比例系数将所述第一核函数与所述第二核函数进行结合,得到校正核函数。
具体的,本发明实施例中的第一核函数与第二核函数可以为一个相同的径向基函数核或拉普拉斯核函数,也可以分别为径向基函数核以及拉普拉斯核函数,在一个本发明实施例场景中,所述第一核函数与所述第二核函数为不同的核函数,优选第一核函数为径向基核函数,第二核函数为拉普拉斯核函数,从而基于正负比例系数将第一核函数与第二核函数进行结合,得到校正核函数,即正负比例系数为L1/L2,L1为正样本数据个数,L2为负样本数据个数,对第一核函数与第二核函数进行整合,即为按照L1/L2将第一核函数与第二核函数进行求和,得到校正核函数为:L1/L2(g1(·)+g2(·)),其中,g1(·)为径向基核函数,g2(·)为拉普拉斯核函数。
103、结合所述监控数据分类结果调取与不同设备节点对应的容错监控范围,并基于所述容错监控范围计算所述设备节点以及所述监控数据分类所对应的综合能源损耗值。
本发明实施例中,由于监控数据分类结果为基于全部综合能源监控节点获取到的监控数据进行分类得到的,为了将不同分类结果适用于不同的设备节点,因此,预先建立不同设备节点对应不同监控数据分类结果的容错监控范围,从而确定监控数据分类结果后进行各个设备节点的容错监控范围的确定。其中,容错监控范围即为各个监控设备所能承受出现能耗损失的监控控异常错误的一个数值范围,从而以此数值范围作为进行监控数据预警的一个数据依据,例如,高危异常类型针对电能监控设备的容错监控范围为(a,b)、稳定异常类型针对电能监控设备的容错监控范围为(a,c)、无异常类型针对电能监控设备的容错监控范围为(b,d),其中,a、b、c、d为预先设定的数值,本发明实施例不做具体限定,从而基于容错监控范围计算设备节点以及监控数据分类所对应的综合能源损耗值。
在一个本发明实施例中,为了进一步限定及说明,所述基于所述容错监控范围计算所述设备节点以及所述监控数据分类所对应的综合能源损耗值包括:获取综合能源数值转换列表,所述综合能源数值转换列表包括不同设备节点、不同监控数据分类所对应数值化的数值内容;确定与所述设备节点、所述监控数据分类所对应的数值内容,并根据所述数值内容以及综合能源损耗计算公式计算在所述容错监控范围内的综合能源损耗值,所述综合能源损耗计算公式为其中,Q为综合能源损耗值,a为设备节点的数值内容,b为监控数据分类的数值内容,n与m为容错监控范围的两端极值。
由于设备节点、监控数据分类结果均为非数值类型的数据,因此,在基于容错监控范围计算设备节点以及监控数据分类所对应的综合能源损耗值时,获取综合能源数值转换列表,综合能源数值转换列表包括不同设备节点、不同监控数据分类所对应数值化的数值内容,从而将不同的设备节点、不同的监控数据分类结果转换为数值化的内容,以进行综合能源损耗计算公式计算的计算,其中,综合能源数值转换列表中各个设备节点与监控数据分类结果所对应的数值内容为用户预先进行配置的,本发明实施例不做具体限定,例如可以按照电能监控设备、天然气能监控设备、水能监控设备以及高危异常类型、稳定异常类型、无异常类型分别转换为数值化内容,从而计算不同设备节点、不同监控数据分类结果在容错监控范围内的综合能源损耗值,即综合能源损耗计算公式为其中,Q为综合能源损耗值,a为设备节点的数值内容,b为监控数据分类的数值内容,n与m为容错监控范围的两端极值,得到综合能源损耗值,此时,综合能源损耗值即针对全部的设备节点确定出监控数据分类结果基础上,在分别对应的容错监控范围内统计的一个平均能源损耗,以便与预设损耗阈值进行对比。
104、若所述综合能源损耗值大于预设损耗阈值,则基于综合能源监控特征对所述容错监控范围进行调整。
其中,若综合能源损耗值大于预设损耗阈值,则说明容错监控范围出现异常,需要对容错监控范围进行调整,即基于综合能源监控特征对容错监控范围进行调整,所述综合能源监控特征用于表征不同设备节点对能源损耗的容错内容,如不同综合能源监控设备的监控设备型号容错时长、容错告警次数,本发明实施例中,综合能源监控特征为预先对不同设备节点配置的容错时长、容错告警次数,本发明实施例不做具体限定。
在一个本发明实施例中,为了进一步限定及说明,基于综合能源监控特征对所述容错监控范围进行调整包括:确定综合能源监控节点的监控时长、监控告警次数;根据所述综合能源监控特征与所述监控时长、监控告警次数进行对比,得到的差值确定为容错校正参数;按照所述容错校正参数的二分之一比例扩大或缩小所述容错监控范围,其中,若所述差值为正,则按照所述容错校正参数的二分之一比例扩大所述容错监控范围,若所述差值为负,则按照所述容错校正参数的二分之一比例缩小所述容错监控范围。
具体的,综合能源监控特征中的容错时长、容错告警次数与监控时长、监控告警次数进行对比,得到的差值确定为容错校正参数,以根据此容错校正参数对容错监控范围进行调整,即容错时长、容错告警次数与监控时长、监控告警次数的差值均为正,则按照差值的绝对值的二分之一比例扩大容错监控范围,若容错时长、容错告警次数与监控时长、监控告警次数的差值任意一个为负,则按照差值的绝对值的二分之一比例缩小容错监控范围,从而得到新的容错监控范围。另外,调整的容错监控范围为所有的设备节点所对应的容错监控范围,从而确保综合能源对所有监控数据的容错准确性的提高。
105、基于调整后的容错监控范围对所述监控数据进行对比,若所述监控数据大于所述容错监控范围,则发送告警信息。
本发明实施例中,为了对全部监控数据的整体处理,在对容错监控范围进行调整后,基于调整后的容错监控范围对监控数据进行对比,若监控数据大于调整后的容错监控范围,则说明此时监控数据出现无法容许的异常情况,因此,需要进行告警。其中,若监控数据小于容错监控范围,则说明调整后的容错监控范围适用于当前综合能源监控对监控数据的容许异常出现的范围,因此,继续对监控数据进行监控即可。此时,告警信息用于指示对无法容许的异常情况进行告警,而在步骤102中得到监控数据分类结果之后,可以对出现高危异常类型或稳定异常类型的情况进行上报,此时,上报的高危异常类型或稳定异常类型为仅仅针对能耗损耗异常情况进行上报,而步骤105中的告警,则是针对是否能都容许能耗损耗异常存在的告警,从而进一步实现综合能源中各项能源进行综合异常情况的处理。
本发明实施例提供了一种综合能源监控数据的处理方法,与现有技术相比,本发明实施例通过获取全部综合能源监控节点的监控数据,所述综合能源监控节点为对不同能源类型进行监控的设备节点,所述监控数据包括电能损耗参数、天然气能损耗参数、水能损耗参数;调取已完成模型训练的综合能源监控分类模型对所述监控数据进行分类处理,得到监控数据分类结果,所述综合能源监控分类模型为基于历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数进行正负样本数据集构建完成的模型训练得到的;结合所述监控数据分类结果调取与不同设备节点对应的容错监控范围,并基于所述容错监控范围计算所述设备节点以及所述监控数据分类所对应的综合能源损耗值;若所述综合能源损耗值大于预设损耗阈值,则基于综合能源监控特征对所述容错监控范围进行调整,所述综合能源监控特征用于表征不同设备节点对能源损耗的容错内容;基于调整后的容错监控范围对所述监控数据进行对比,若所述监控数据大于所述容错监控范围,则发送告警信息,实现对综合能源的监控数据的整体化数据处理效率,并实现对容错阈值的实时性调整,大大提高了综合能源数据的监控准确性,避免了单一固定的监控数据处理效果,从而提高了综合能源的监控数据处理准确性、灵活性。
进一步的,作为对上述图1所示方法的实现,本发明实施例提供了一种综合能源监控数据的处理装置,如图2所示,该装置包括:
获取模块21,用于获取全部综合能源监控节点的监控数据,所述综合能源监控节点为对不同能源类型进行监控的设备节点,所述监控数据包括电能损耗参数、天然气能损耗参数、水能损耗参数;
处理模块22,用于调取已完成模型训练的综合能源监控分类模型对所述监控数据进行分类处理,得到监控数据分类结果,所述综合能源监控分类模型为基于历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数进行正负样本数据集构建完成的模型训练得到的;
计算模块23,用于结合所述监控数据分类结果调取与不同设备节点对应的容错监控范围,并基于所述容错监控范围计算所述设备节点以及所述监控数据分类所对应的综合能源损耗值;
调整模块24,用于若所述综合能源损耗值大于预设损耗阈值,则基于综合能源监控特征对所述容错监控范围进行调整,所述综合能源监控特征用于表征不同设备节点对能源损耗的容错内容;
发送模块25,用于基于调整后的容错监控范围对所述监控数据进行对比,若所述监控数据大于所述容错监控范围,则发送告警信息。
进一步地,所述装置还包括:确定模块,训练模块,
所述获取模块,用于获取从不同能源监控节点中分别获取历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数,并建立支持向量机模型;
所述确定模块,用于按照阈值比例分别从全部所述历史电能损耗参数、所述历史天然气能损耗参数、所述历史水能损耗参数中获取三分之一个数的历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数,确定为负样本数据,并基于阈值比例获取三分之二个数的历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数,确定为正样本数据;
所述训练模块,用于获取基于所述正样本数据、所述负样本数据调整得到的校正核函数,并基于所述正样本数据、所述负样本数据以及所述校正核函数对所述支持向量机模型进行模型训练,得到综合能源监控分类模型。
进一步地,
所述获取模块,还用于获取与所述正样本数据对应的第一核函数,以及与所述负样本数据对应的第二核函数,所述第一核函数与所述第二核函数为不同的核函数;
所述处理模块,还用于基于正负比例系数将所述第一核函数与所述第二核函数进行结合,得到校正核函数。
进一步地,所述计算模块包括;
获取单元,用于获取综合能源数值转换列表,所述综合能源数值转换列表包括不同设备节点、不同监控数据分类所对应数值化的数值内容;
计算单元,用于确定与所述设备节点、所述监控数据分类所对应的数值内容,并根据所述数值内容以及综合能源损耗计算公式计算在所述容错监控范围内的综合能源损耗值,所述综合能源损耗计算公式为其中,Q为综合能源损耗值,a为设备节点的数值内容,b为监控数据分类的数值内容,n与m为容错监控范围的两端极值。
进一步地,所述调整模块包括:
确定单元,用于确定综合能源监控节点的监控时长、监控告警次数;
对比单元,用于根据所述综合能源监控特征与所述监控时长、监控告警次数进行对比,得到的差值确定为容错校正参数;
调整单元,用于按照所述容错校正参数的二分之一比例扩大或缩小所述容错监控范围,其中,若所述差值为正,则按照所述容错校正参数的二分之一比例扩大所述容错监控范围,若所述差值为负,则按照所述容错校正参数的二分之一比例缩小所述容错监控范围。
本发明实施例提供了一种综合能源监控数据的处理装置,与现有技术相比,本发明实施例通过获取全部综合能源监控节点的监控数据,所述综合能源监控节点为对不同能源类型进行监控的设备节点,所述监控数据包括电能损耗参数、天然气能损耗参数、水能损耗参数;调取已完成模型训练的综合能源监控分类模型对所述监控数据进行分类处理,得到监控数据分类结果,所述综合能源监控分类模型为基于历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数进行正负样本数据集构建完成的模型训练得到的;结合所述监控数据分类结果调取与不同设备节点对应的容错监控范围,并基于所述容错监控范围计算所述设备节点以及所述监控数据分类所对应的综合能源损耗值;若所述综合能源损耗值大于预设损耗阈值,则基于综合能源监控特征对所述容错监控范围进行调整,所述综合能源监控特征用于表征不同设备节点对能源损耗的容错内容;基于调整后的容错监控范围对所述监控数据进行对比,若所述监控数据大于所述容错监控范围,则发送告警信息,实现对综合能源的监控数据的整体化数据处理效率,并实现对容错阈值的实时性调整,大大提高了综合能源数据的监控准确性,避免了单一固定的监控数据处理效果,从而提高了综合能源的监控数据处理准确性、灵活性。
根据本发明一个实施例提供了一种存储介质,所述存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的综合能源监控数据的处理方法。
图3示出了根据本发明一个实施例提供的一种终端的结构示意图,本发明具体实施例并不对终端的具体实现做限定。
如图3所示,该终端可以包括:处理器(processor)302、通信接口(CommunicationsInterface)304、存储器(memory)306、以及通信总线308。
其中:处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
通信接口304,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器302,用于执行程序310,具体可以执行上述综合能源监控数据的处理方法实施例中的相关步骤。
具体地,程序310可以包括程序代码,该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。终端包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器306,用于存放程序310。存储器306可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序310具体可以用于使得处理器302执行以下操作:
获取全部综合能源监控节点的监控数据,所述综合能源监控节点为对不同能源类型进行监控的设备节点,所述监控数据包括电能损耗参数、天然气能损耗参数、水能损耗参数;
调取已完成模型训练的综合能源监控分类模型对所述监控数据进行分类处理,得到监控数据分类结果,所述综合能源监控分类模型为基于历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数进行正负样本数据集构建完成的模型训练得到的;
结合所述监控数据分类结果调取与不同设备节点对应的容错监控范围,并基于所述容错监控范围计算所述设备节点以及所述监控数据分类所对应的综合能源损耗值;
若所述综合能源损耗值大于预设损耗阈值,则基于综合能源监控特征对所述容错监控范围进行调整,所述综合能源监控特征用于表征不同设备节点对能源损耗的容错内容;
基于调整后的容错监控范围对所述监控数据进行对比,若所述监控数据大于所述容错监控范围,则发送告警信息。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (8)
1.一种综合能源监控数据的处理方法,其特征在于,包括:
获取全部综合能源监控节点的监控数据,所述综合能源监控节点为对不同能源类型进行监控的设备节点,所述监控数据包括电能损耗参数、天然气能损耗参数、水能损耗参数;
调取已完成模型训练的综合能源监控分类模型对所述监控数据进行分类处理,得到监控数据分类结果,所述综合能源监控分类模型为基于历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数进行正负样本数据集构建完成的模型训练得到的;
结合所述监控数据分类结果调取与不同设备节点对应的容错监控范围,并基于所述容错监控范围计算所述设备节点以及所述监控数据分类所对应的综合能源损耗值;
若所述综合能源损耗值大于预设损耗阈值,则基于综合能源监控特征对所述容错监控范围进行调整,所述综合能源监控特征用于表征不同设备节点对能源损耗的容错内容;
基于调整后的容错监控范围对所述监控数据进行对比,若所述监控数据大于所述容错监控范围,则发送告警信息。
2.根据权利要求1所述的方法,其特征在于,所述调取已完成模型训练的综合能源监控分类模型对所述监控数据进行分类处理,得到监控数据分类结果之前,所述方法还包括:
从不同能源监控节点中分别获取历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数,并建立支持向量机模型;
按照阈值比例分别从全部所述历史电能损耗参数、所述历史天然气能损耗参数、所述历史水能损耗参数中获取三分之一个数的历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数,确定为负样本数据,并基于阈值比例获取三分之二个数的历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数,确定为正样本数据;
获取基于所述正样本数据、所述负样本数据调整得到的校正核函数,并基于所述正样本数据、所述负样本数据以及所述校正核函数对所述支持向量机模型进行模型训练,得到综合能源监控分类模型。
3.根据权利要求1或2所述的方法,其特征在于,所述获取基于所述正样本数据、所述负样本数据调整得到的校正核函数之前,所述方法还包括:
获取与所述正样本数据对应的第一核函数,以及与所述负样本数据对应的第二核函数,所述第一核函数与所述第二核函数为不同的核函数;
基于正负比例系数将所述第一核函数与所述第二核函数进行结合,得到校正核函数。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述基于综合能源监控特征对所述容错监控范围进行调整包括:
确定综合能源监控节点的监控时长、监控告警次数;
根据所述综合能源监控特征与所述监控时长、监控告警次数进行对比,得到的差值确定为容错校正参数;
按照所述容错校正参数的二分之一比例扩大或缩小所述容错监控范围,其中,若所述差值为正,则按照所述容错校正参数的二分之一比例扩大所述容错监控范围,若所述差值为负,则按照所述容错校正参数的二分之一比例缩小所述容错监控范围。
6.一种综合能源监控数据的处理装置,其特征在于,包括:
获取模块,用于获取全部综合能源监控节点的监控数据,所述综合能源监控节点为对不同能源类型进行监控的设备节点,所述监控数据包括电能损耗参数、天然气能损耗参数、水能损耗参数;
处理模块,用于调取已完成模型训练的综合能源监控分类模型对所述监控数据进行分类处理,得到监控数据分类结果,所述综合能源监控分类模型为基于历史电能损耗参数、历史天然气能损耗参数、历史水能损耗参数进行正负样本数据集构建完成的模型训练得到的;
计算模块,用于结合所述监控数据分类结果调取与不同设备节点对应的容错监控范围,并基于所述容错监控范围计算所述设备节点以及所述监控数据分类所对应的综合能源损耗值;
调整模块,用于若所述综合能源损耗值大于预设损耗阈值,则基于综合能源监控特征对所述容错监控范围进行调整,所述综合能源监控特征用于表征不同设备节点对能源损耗的容错内容;
发送模块,用于基于调整后的容错监控范围对所述监控数据进行对比,若所述监控数据大于所述容错监控范围,则发送告警信息。
7.一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-5中任一项所述的综合能源监控数据的处理方法对应的操作。
8.一种终端,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-5中任一项所述的综合能源监控数据的处理方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111450535.5A CN114119289A (zh) | 2021-12-01 | 2021-12-01 | 综合能源监控数据的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111450535.5A CN114119289A (zh) | 2021-12-01 | 2021-12-01 | 综合能源监控数据的处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114119289A true CN114119289A (zh) | 2022-03-01 |
Family
ID=80368935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111450535.5A Pending CN114119289A (zh) | 2021-12-01 | 2021-12-01 | 综合能源监控数据的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114119289A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128674A (zh) * | 2023-04-14 | 2023-05-16 | 广州云硕科技发展有限公司 | 一种基于智能交通的能源数据处理方法及装置 |
CN117075522A (zh) * | 2023-09-27 | 2023-11-17 | 金麒麟新能源股份有限公司 | 一种用于能源系统的远程集中运营管控方法及系统 |
-
2021
- 2021-12-01 CN CN202111450535.5A patent/CN114119289A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128674A (zh) * | 2023-04-14 | 2023-05-16 | 广州云硕科技发展有限公司 | 一种基于智能交通的能源数据处理方法及装置 |
CN117075522A (zh) * | 2023-09-27 | 2023-11-17 | 金麒麟新能源股份有限公司 | 一种用于能源系统的远程集中运营管控方法及系统 |
CN117075522B (zh) * | 2023-09-27 | 2024-03-29 | 金麒麟新能源股份有限公司 | 一种用于能源系统的远程集中运营管控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A short-term load forecasting method based on GRU-CNN hybrid neural network model | |
CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
CN114119289A (zh) | 综合能源监控数据的处理方法及装置 | |
CN111832809A (zh) | 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 | |
Zhang et al. | Modeling IoT equipment with graph neural networks | |
WO2024046137A1 (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
Song et al. | Short-term forecasting based on graph convolution networks and multiresolution convolution neural networks for wind power | |
CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
Xiao et al. | Online sequential extreme learning machine algorithm for better predispatch electricity price forecasting grids | |
Yang et al. | Ultra-short-term multi-step wind power prediction based on fractal scaling factor transformation | |
CN117131974A (zh) | 一种模型的训练方法、功率预测方法及设备 | |
CN116298686A (zh) | 应用于配电网的故障定位方法、装置、设备及介质 | |
Jin et al. | BSP‐GA: A new Genetic Algorithm for System Optimization and Excellent Schema Selection | |
CN116307287B (zh) | 一种光伏发电有效时段的预测方法、系统及预测终端 | |
CN114744623B (zh) | 一种基于深度学习的新能源发电预测方法和系统 | |
CN108090323B (zh) | 基于无限混合高斯和样条回归的风电功率曲线拟合方法 | |
Yuan et al. | Short-term wind speed forecasting using STLSSVM hybrid model | |
CN113780644B (zh) | 一种基于在线学习的光伏出力预测方法 | |
CN109301820A (zh) | 一种企业电力控制方法及系统 | |
Lu et al. | Framework of industrial networking sensing system based on edge computing and artificial intelligence | |
CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 | |
CN112747413A (zh) | 空调系统负荷预测方法及装置 | |
Zhao et al. | Ultra-short-term power forecasting of wind farm cluster based on spatio-temporal graph neural network pattern prediction | |
CN118114204A (zh) | 风向预测方法、系统、电子设备和非瞬时机器可读介质 | |
CN117833199A (zh) | 一种利用稀疏动态图神经网络的电力负荷预测方法及装置 |
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 |