CN115102871B - 基于业务特征向量的能源互联网控制终端业务处理方法 - Google Patents

Abstract

本发明公开了一种基于业务特征向量的能源互联网控制终端业务处理方法。包括：1获取能源互联网的不同历史原始业务数据流；2对不同历史原始业务数据流分别进行预处理；3根据业务类别和业务需求参数对不同历史原始业务数据流分别进行业务特征向量标注，获得不同历史原始业务数据流对应的业务特征向量；4构建训练样本并输入到模型中进行训练，获得训练好的模型；5将模型部署到不同测量终端中，接着各个测量终端获取实时业务数据流并进行预处理，根据预处理后的实时业务数据流获得对应的业务特征向量；6对应控制终端根据对应高效交互协议中的业务特征向量对实时业务数据流进行处理。本发明通过业务特征向量的提取实现对业务数据流的可靠、高效处理。

Description

基于业务特征向量的能源互联网控制终端业务处理方法

技术领域

本发明属于智能用电技术领域的一种能源互联网控制终端业务处理方法，具体涉及一种基于业务特征向量的能源互联网控制终端业务处理方法。

背景技术

随着国民经济的发展，我国对能源互联的需求不断增加，能源互联网业务数据在多种因素的影响下，呈现出多源、异构、海量的特点，同时能源信息自身具有特殊性以及保密性等特点。提高能源互联网控制终端对业务数据的处理效率，同时保证处理过程的安全性，是保障能源互联网安全稳定运行的重要课题。

在捕获能源互联网业务数据流后，需要对其进行业务类别划分与需求评估，并将结果提交能源互联网控制终端，再分配至相应业务部门处理。然而能源互联网业务数据流具有异构、海量、高时效性等特点，难以通过统一的数学模型来描述多源、异构的业务数据，同时依靠人工经验难以应对流式的能源互联网业务数据，损失了业务数据的时间价值。

发明内容

为了解决背景技术中存在的问题和需求，本发明的目的是提出一种基于业务特征向量的能源互联网控制终端业务处理方法。

本发明的技术方案如下：

本发明包括以下步骤：

步骤1：获取能源互联网的不同历史原始业务数据流；

步骤2：对不同历史原始业务数据流分别进行预处理，获得对应预处理后的历史业务数据流；

步骤3：根据业务类别和业务需求参数对不同历史原始业务数据流分别进行业务特征向量标注，获得不同历史原始业务数据流对应的业务特征向量；

步骤4：预处理后的历史业务数据流和对应的业务特征向量构成训练样本并输入到业务特征向量提取模型中进行训练，获得训练好的业务特征向量提取模型；

步骤5：将训练好的业务特征向量提取模型部署到不同测量终端中，接着各个测量终端获取实时业务数据流，各个测量终端中将自身获取的实时业务数据流进行预处理，将预处理后的实时业务数据流输入到对应的训练好的业务特征向量提取模型，输出获得该实时业务数据流对应的业务特征向量；

步骤6：将各个测量终端中获得的业务特征向量加载至对应控制终端的高效交互协议中，各个测量终端将自身获得的预处理后的实时业务数据流发送给对应的控制终端时，对应的控制终端根据对应高效交互协议中的业务特征向量对接收的预处理后的实时业务数据流进行处理。

所述步骤2具体为：

将不同种类的历史原始业务数据流均转化为统一的数据格式，将格式统一后的历史业务数据流作为预处理后的历史业务数据流。

所述业务特征向量包括业务类别标签F和业务需求向量R，具体公式如下：

F＝[f₁,...,f_n,...,f_N]

其中，N表示业务类别个数，f_n表示第n类业务类别，M为业务需求参数的总数，r_mn表示第n类业务类别的第m个业务需求值，I_mn表示第n类业务类别是否对第m个业务需求参数有需求，若有需求则I_mn＝1，反之则I_mn＝0。

每个所述测量终端中，计算测量终端获取的相邻两批次的预处理后的实时业务数据流之间的差异度，根据差异度阈值记录差异度大的预处理后的实时业务数据流，当差异度大的实时业务数据流积累到大于预设数量时，根据所有记录的差异度大的预处理后的实时业务数据流对当前测量终端中的训练好的业务特征向量提取模型进行训练并更新，利用更新后的业务特征向量提取模型提取业务特征向量。

所述差异度的计算公式如下：

其中，ρ₁₂表示测量终端获取的相邻两批次的预处理后的实时业务数据流之间的差异度，d₁表示前一批次测量终端获取的预处理后的实时业务数据流，d₂表示后一批次测量终端获取的预处理后的实时业务数据流，d_1i和d_2i分别表示前后相邻两批次的预处理后的实时业务数据流的第i个数据，m₀为预处理后的实时业务数据流的数据总长度。

本发明具有以下有益效果：

本发明提取的业务特征向量能够满足能源互联网控制终端业务处理要求，利用经离线训练的业务特征向量提取模型，实时提取业务数据流的业务特征向量，同时引入业务向量提取模型的更新机制，进一步提升了模型对实时业务数据流的适应能力，提高了控制终端的业务处理效率，同时保证了业务数据流的安全性。

附图说明

图1是本发明的方法流程示意图。

图2是本发明的业务类别体系。

图3是本发明业务特征向量提取模型的结构图。

图4是本发明多源数据预处理框架图。

具体实施方式

下面结合附图和实施例对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。

如图1所示，本发明包括以下步骤：

步骤1：获取能源互联网的不同历史原始业务数据流；

步骤2：对不同历史原始业务数据流分别进行预处理，获得对应预处理后的历史业务数据流；

步骤2具体为：

将不同种类的历史原始业务数据流均转化为统一的数据格式，将格式统一后的历史业务数据流作为预处理后的历史业务数据流；

具体实施中，如文本、音频类数据转换为二维的时序数据；将图像转换为二维的像素数据；对于视频，在图像的基础上增加时间维度，将视频转换为三维的像素数据；最后，分别将各类数据压缩到一维，形成统一的数据格式。

步骤3：根据业务类别和业务需求参数对不同历史原始业务数据流分别进行业务特征向量标注，获得不同历史原始业务数据流对应的业务特征向量，业务特征向量的设置使得控制终端中处理的业务数据流更为高效、可靠、安全等；

业务特征向量包括业务类别标签F和业务需求向量R，具体公式如下：

F＝[f₁,...,f_n,...,f_N]

其中，业务类别标签F为N维列向量，N表示业务类别个数，f_n表示第n类业务类别，当业务数据流仅为第一类业务类别，则当前业务数据流的业务类别标签为[1,0,...,0]，当业务数据流同时属于第一类和第二类业务类别时，则当前业务数据流的业务类别标签为[1,1,...,0]，具体实施中，业务类别分为性能关键类、安全关键类、可达关键类，如图2所示，例如在线计算类应用业务是性能关键类，能源协调调度类应用业务是可达关键类，在线调度类应用业务是性能关键类和可达关键类，终端物联类应用业务是安全关键类，广域物联类应用业务是性能关键类和安全关键类，物联传感类应用业务是安全关键类和可达关键类，理想交互模式业务是性能关键类、安全关键类和可达关键类。M为业务需求参数的总数，具体实施中，M＝3。r_mn表示第n类业务类别的第m个业务需求值，I_mn表示第n类业务类别是否对第m个业务需求参数有需求，若有需求则I_mn＝1，反之则I_mn＝0；具体实施中，业务需求参数具体为能源互联网业务的通信安全性、计算时效性、交互可达性等。

步骤4：预处理后的历史业务数据流和对应的业务特征向量构成训练样本并输入到业务特征向量提取模型中进行训练，获得训练好的业务特征向量提取模型；

具体实施中，如图3所示，为了更好的给出特征分类情况以及需求值，采用门控循环神经网络对数据流进行特征编码，并采用深度全连接神经网络组成解码部分，整体模型为一个多输入-多输出网络。模型的输入为经格式处理的业务数据流及包含其来源的物理信息，输出为所需的业务特征向量。

业务特征向量提取模型结构如下：数据流的特征编码器由与数据流等维度的门控循环神经元组成，编码结果与数据流的物理信息共同组成模型的输入向量。解码部分由两个深度全连接神经网络构成，用于业务分类的神经网络包含三个隐藏层，神经元个数分别为32、32、20，一个输出层，神经元个数为16；用于需求值生成的神经网络结构与前者相同，二者共用一个输入层，神经元个数为40。一方面可以适应不同长度的输入数据，另一方面可以将回归与分类任务解耦处理。

具体的数学模型如下：

数据流特征编码部分由门控循环神经网络组成，门控循环神经元中重置门r_t、更新门z_t、待更新单元神经元的输出h_t、神经元状态C_t与输入x_t间的数学关系为：

其中，[]表示向量拼接，W_r、W_z、W_h表示输入权重参数，b_r、b_z、b_h表示输入偏置参数，s表示sigmoid函数，tanh表示双曲正切函数。

解码部分的深度全连接神经网络的层数为5层，输入层到输出层各层神经元个数(不包含偏置节点)分别为m₀,m₁,m₂…,m₄，由此定义了输入向量的维度为m₀，输出向量的维度为m₄。网络的每一层输出向量分别表述为：

输入层：

隐藏层1：

隐藏层2：

…

输出层：

每一层的计算过程可以表示为如下过程：

Yⁱ⁺¹＝f^k(net_i)

定义每一层的激活函数分别为f¹,f²,…,f^k，一般根据不同的应用选择相应的激活函数，本专利中采用线性整流函数。

通过构建均方根误差最小的目标函数以及链式求导法则，对模型进行基于梯度反向传播的参数更新，最终获得可在线应用的业务特征向量提取模型。

步骤5：将训练好的业务特征向量提取模型部署到不同测量终端中，接着各个测量终端获取实时业务数据流，各个测量终端中将自身获取的实时业务数据流进行预处理，即将实时业务数据流进行数据格式统一，将预处理后的实时业务数据流输入到对应的训练好的业务特征向量提取模型，输出获得该实时业务数据流对应的业务特征向量；具体实施中，测量终端为树莓派。

每个测量终端中，计算测量终端获取的相邻两批次的预处理后的实时业务数据流之间的差异度，根据差异度阈值记录差异度大的实时业务数据流，当差异度大的预处理后的实时业务数据流大于预设数量时，根据上一次更新后与当前时刻前积累的所有差异度大的预处理后的实时业务数据流对当前测量终端中的训练好的业务特征向量提取模型进行训练并更新，利用更新后的业务特征向量提取模型提取业务特征向量。

差异度表示测量终端接收的相邻批次业务数据流的差异程度，差异度越小，表示相邻批次业务数据流越相似，当差异度较大，即相邻批次业务数据流相似度较低时，步骤4中训练完成的模型存在无法适应业务数据流变化的风险，因此需要更新模型的参数，使模型实时适应业务数据流。

差异度的计算公式如下：

其中，ρ₁₂表示测量终端获取的相邻两批次的预处理后的实时业务数据流之间的差异度，d₁表示前一批次测量终端获取的预处理后的实时业务数据流，d₂表示后一批次测量终端获取的预处理后的实时业务数据流，d_1i和d_2i分别表示前后相邻两批次的预处理后的实时业务数据流的第i个数据，m₀为预处理后的实时业务数据流的数据总长度。

步骤6：将各个测量终端中获得的业务特征向量加载至对应控制终端的高效交互协议中，各个测量终端将自身获得的预处理后的实时业务数据流发送给对应的控制终端时，对应的控制终端根据对应高效交互协议中的业务特征向量对接收的预处理后的实时业务数据流进行处理；具体实施中，测量终端为树莓派，获取实时业务数据流并利用训练好的业务特征向量提取模型对其进行业务特征向量提取，同时在云端服务器形成云端服务器与树莓派之间的高效交互协议，高效交互协议中包括业务特征向量，云端服务器根据业务特征向量中的业务类别决定将该实时业务数据流派发至相应业务部门，根据业务特征向量中的业务需求参数决定对该实时业务数据流分配计算资源和调度优先级。

Claims (5)

1.一种基于业务特征向量的能源互联网控制终端业务处理方法，其特征在于，包括以下步骤：

步骤1：获取能源互联网的不同历史原始业务数据流；

步骤2：对不同历史原始业务数据流分别进行预处理，获得对应预处理后的历史业务数据流；

步骤3：根据业务类别和业务需求参数对不同历史原始业务数据流分别进行业务特征向量标注，获得不同历史原始业务数据流对应的业务特征向量；

步骤4：预处理后的历史业务数据流和对应的业务特征向量构成训练样本并输入到业务特征向量提取模型中进行训练，获得训练好的业务特征向量提取模型；

步骤5：将训练好的业务特征向量提取模型部署到不同测量终端中，接着各个测量终端获取实时业务数据流，各个测量终端中将自身获取的实时业务数据流进行预处理，将预处理后的实时业务数据流输入到对应的训练好的业务特征向量提取模型，输出获得该实时业务数据流对应的业务特征向量；

步骤6：将各个测量终端中获得的业务特征向量加载至对应控制终端的高效交互协议中，各个测量终端将自身获得的预处理后的实时业务数据流发送给对应的控制终端时，对应的控制终端根据对应高效交互协议中的业务特征向量对接收的预处理后的实时业务数据流进行处理。

2.根据权利要求1所述的一种基于业务特征向量的能源互联网控制终端业务处理方法，其特征在于，所述步骤2具体为：

将不同种类的历史原始业务数据流均转化为统一的数据格式，将格式统一后的历史业务数据流作为预处理后的历史业务数据流。

3.根据权利要求1所述的一种基于业务特征向量的能源互联网控制终端业务处理方法，其特征在于，所述业务特征向量包括业务类别标签F和业务需求向量R，具体公式如下：

F＝[f₁,...,f_n,...,f_N]

其中，N表示业务类别个数，f_n表示第n类业务类别，M为业务需求参数的总数，r_mn表示第n类业务类别的第m个业务需求值，I_mn表示第n类业务类别是否对第m个业务需求参数有需求，若有需求则I_mn＝1，反之则I_mn＝0。

4.根据权利要求1所述的一种基于业务特征向量的能源互联网控制终端业务处理方法，其特征在于，每个所述测量终端中，计算测量终端获取的相邻两批次的预处理后的实时业务数据流之间的差异度，根据差异度阈值记录差异度大的预处理后的实时业务数据流，当差异度大的实时业务数据流积累到大于预设数量时，根据所有记录的差异度大的预处理后的实时业务数据流对当前测量终端中的训练好的业务特征向量提取模型进行训练并更新，利用更新后的业务特征向量提取模型提取业务特征向量。

5.根据权利要求4所述的一种基于业务特征向量的能源互联网控制终端业务处理方法，其特征在于，所述差异度的计算公式如下：

其中，ρ₁₂表示测量终端获取的相邻两批次的预处理后的实时业务数据流之间的差异度，d₁表示前一批次测量终端获取的预处理后的实时业务数据流，d₂表示后一批次测量终端获取的预处理后的实时业务数据流，d_1i和d_2i分别表示前后相邻两批次的预处理后的实时业务数据流的第i个数据，m₀为预处理后的实时业务数据流的数据总长度。