CN115640914A - 一种智慧燃气储气优化方法、物联网系统、装置及介质 - Google Patents
一种智慧燃气储气优化方法、物联网系统、装置及介质 Download PDFInfo
- Publication number
- CN115640914A CN115640914A CN202211618598.1A CN202211618598A CN115640914A CN 115640914 A CN115640914 A CN 115640914A CN 202211618598 A CN202211618598 A CN 202211618598A CN 115640914 A CN115640914 A CN 115640914A
- Authority
- CN
- China
- Prior art keywords
- gas
- data
- platform
- intelligent
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000005457 optimization Methods 0.000 title claims abstract description 46
- 230000001932 seasonal effect Effects 0.000 claims description 49
- 239000013589 supplement Substances 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 627
- 238000007726 management method Methods 0.000 description 78
- 238000012549 training Methods 0.000 description 19
- 238000000354 decomposition reaction Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000002354 daily effect Effects 0.000 description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000003345 natural gas Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000002737 fuel gas Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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
- 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
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/30—Information sensed or collected by the things relating to resources, e.g. consumed power
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种智慧燃气储气优化方法、物联网系统、装置及介质。该方法基于智慧燃气储气优化物联网系统实现,物联网系统包括依次交互的智慧燃气管理平台、智慧燃气传感网络平台和智慧燃气对象平台,方法由智慧燃气管理平台执行,该方法包括:通过智慧燃气传感网络平台基于智慧燃气对象平台获取目标区域的燃气供应数据和历史燃气使用数据;基于历史燃气使用数据,预测目标区域的未来燃气使用数据;基于未来燃气使用数据和燃气供应数据,确定目标区域的储气需求数据;以及基于储气需求数据,确定目标区域的储气优化方法。
Description
技术领域
本说明书涉及燃气储存技术领域,特别一种智慧燃气储气优化方法、物联网系统、装置及介质。
背景技术
天然气用量存在季节性用气波动和昼夜用气波动等情况,会带来燃气供需不平衡的问题。为了能够安全、平稳、可靠地向用户供气,就需要进行天然气储备。即把用气低峰时输气系统中富余的天然气储存在消费者附近,在用气高峰时用以补充供气量的不足或在输气系统上发生故障时用以保证连续供气。
因此,希望提出一种智慧燃气储气优化方法、物联网系统、装置及介质,能够在保证输供系统正常运行的同时,降低燃气的储气成本。
发明内容
本说明书一个或多个实施例提供一种智慧燃气储气优化方法。所述方法基于智慧燃气储气优化物联网系统实现,所述物联网系统包括依次交互的智慧燃气管理平台、智慧燃气传感网络平台和智慧燃气对象平台,所述方法由所述智慧燃气管理平台执行,包括:通过所述智慧燃气传感网络平台基于所述智慧燃气对象平台获取目标区域的燃气供应数据和历史燃气使用数据;基于所述历史燃气使用数据,预测所述目标区域的未来燃气使用数据;基于所述未来燃气使用数据和所述燃气供应数据,确定所述目标区域的储气需求数据;以及基于所述储气需求数据,确定所述目标区域的储气优化方法。
本说明书一个或多个实施例提供一种智慧燃气储气优化物联网系统。所述物联网系统包括依次交互的智慧燃气管理平台、智慧燃气传感网络平台和智慧燃气对象平台,所述智慧燃气管理平台用于:通过所述智慧燃气传感网络平台基于所述智慧燃气对象平台获取目标区域的燃气供应数据和历史燃气使用数据;基于所述历史燃气使用数据,预测所述目标区域的未来燃气使用数据;基于所述未来燃气使用数据和所述燃气供应数据,确定所述目标区域的储气需求数据;以及基于所述储气需求数据,确定所述目标区域的储气优化方法。
本说明书一个或多个实施例提供一种智慧燃气储气优化装置,所述装置包括至少一个处理器以及至少一个存储器;所述至少一个存储器用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现智慧燃气储气优化方法。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行智慧燃气储气优化方法。
本发明为了解决如何确定合理的储气优化方法的问题。通过未来燃气使用数据和燃气供应数据确定储气需求数据,从而确定储气优化方法。使得目标区域内的燃气使用和储气的分配更加合理,以在保证输供系统正常运行的同时,降低了燃气的储气成本。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的智慧燃气储气优化物联网系统的平台结构示意图;
图2是根据本说明书一些实施例所示的智慧燃气储气优化方法的示例性流程图;
图3是根据本说明书一些实施例所示的基于第一预测模型确定未来燃气使用数据的流程的示意图;
图4是根据本说明书又一些实施例所示的基于第一预测模型确定未来燃气使用数据的准确度的流程的示意图;
图5是根据本说明书一些实施例所示的基于第二预测模型确定储气优化方法的流程的示意图;
图6是根据本说明书一些实施例所示的分解历史燃气使用数据的示意图;
图中,100为智慧燃气储气优化物联网系统,310-1为历史燃气使用数据,310-2为日期数据,310-3为气象数据,310-4为常住人口数据,310-5为历史燃气使用数据的趋势性数据和季节性数据,320为第一预测模型,320-1为数据预测层,320-2为准确度预测层,330为未来燃气使用数据,340为第一训练样本,350为第一初始模型,410-1为历史燃气使用数据的数据量,410-2为未来燃气使用数据的数据量,410-3为用户类型及数量,410-4为历史燃气使用数据的标准差,420为未来燃气使用数据的准确度,510-1为储气需求数据,510-2为历史燃气使用数据的季节性数据,510-3为至少一种储气方式的单位储气成本,520为第二预测模型,530-1为储气补充量,530-2为储气补充方式,530-3为储气补充时间,540为第二训练样本,550为第二初始模型。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的智慧燃气储气优化物联网系统100的平台结构示意图。如图1所示,智慧燃气储气优化物联网系统100可以包括智慧燃气用户平台、智慧燃气服务平台、智慧燃气管理平台、智慧燃气传感网络平台和智慧燃气对象平台。
在一些实施例中,智慧燃气储气优化物联网系统100可以应用于燃气储气优化等多种应用场景。在一些实施例中,智慧燃气储气优化物联网系统100可以获取目标区域的燃气供应数据和历史燃气使用数据。基于历史燃气使用数据,预测目标区域的未来燃气使用数据。基于未来燃气使用数据和燃气供应数据,确定目标区域的储气需求数据。以及基于储气需求数据,确定目标区域的储气优化方法。
燃气储气优化的多种应用场景可以包括某一新开发小区、城市某一区域等的燃气管理。需要说明的是以上场景仅为示例,并不对智慧燃气储气优化物联网系统100的具体应用场景起限制作用,本领域技术人员可以在本实施例公开的内容基础上,将智慧燃气储气优化物联网系统100应用于其他合适的任何场景。
以下将对智慧燃气储气优化物联网系统100进行具体说明。
智慧燃气用户平台可以是面向用户的服务接口,被配置为终端设备。在一些实施例中,智慧燃气用户平台可以包括燃气用户分平台、政府用户分平台和监管用户分平台。
燃气用户分平台可以是针对燃气用户的分平台。其中,燃气用户是指燃气的消费者。例如,燃气用户可以是真正使用燃气的用户。在一些实施例中,燃气用户分平台可以和智慧用气服务分平台相互对应并进行交互。例如,燃气用户分平台可以从智慧用气服务分平台获取安全用气的服务。
政府用户分平台可以是针对政府用户,并为政府用户提供燃气运营相关数据的分平台。在一些实施例中,政府用户分平台可以和智慧运营服务分平台相互对应并进行交互。例如,政府用户分平台可以从智慧运营服务分平台获取燃气运营的服务。
监管用户分平台可以是针对监管用户,并对整个物联网系统的运行进行监管的分平台。其中,监管用户是指安全部门的用户。在一些实施例中,监管用户分平台可以和智慧监管服务分平台相互对应并进行交互。例如,监管用户分平台可以从智慧监管服务分平台获取安全监管需求的服务。
在一些实施例中,智慧燃气用户平台可以接收来自用户的信息。例如,智慧燃气用户平台可以接收来自燃气用户的燃气门站的运行管理信息查询指令。在一些实施例中,智慧燃气用户平台可以将信息反馈给用户。例如,智慧燃气用户平台可以将燃气门站的运行管理信息反馈给燃气用户。
在一些实施例中,智慧燃气用户平台可以和智慧燃气服务平台进行交互。例如,燃气用户分平台可以发送燃气门站的运行管理信息查询指令至智慧用气服务分平台。又例如,燃气用户分平台可以接收智慧用气服务分平台上传的燃气门站的运行管理信息。
智慧燃气服务平台可以是用于接收和传输数据和/或信息的平台。在一些实施例中,智慧燃气服务平台可以包括智慧用气服务分平台、智慧运营服务分平台和智慧监管服务分平台。
在一些实施例中,智慧用气服务分平台可以和燃气用户分平台相互对应,为燃气用户提供燃气设备相关信息。智慧运营服务分平台可以和政府用户分平台相互对应,为政府用户提供燃气运营相关的信息。智慧监管服务分平台可以和监管用户分平台相互对应,为监管用户提供监管管理相关信息。
在一些实施例中,智慧燃气服务平台可以和智慧燃气管理平台进行交互。例如,智慧用气服务分平台可以发送燃气门站的运行管理信息查询指令至智慧燃气数据中心。又例如,智慧用气服务分平台可以接收智慧燃气数据中心上传的燃气门站的运行管理信息。
智慧燃气管理平台可以是指统筹、协调各功能平台之间的联系和协作,提供感知管理和控制管理的物联网平台。在一些实施例中,智慧燃气管理平台可以包括智慧客服管理分平台、智慧运行管理分平台和智慧燃气数据中心。在一些实施例中,智慧客服管理分平台和智慧运行管理分平台相互独立。智慧客服管理分平台和智慧运行管理分平台为数据使用平台,不存储数据。在一些实施例中,智慧燃气数据中心汇总、存储系统所有运行数据。在一些实施例中,智慧客服管理分平台和智慧运行管理分平台分别与智慧燃气数据中心进行双向交互。例如,智慧客服管理分平台和智慧运行管理分平台分别从智慧燃气数据中心获取相关数据。又例如,智慧客服管理分平台和智慧运行管理分平台分别发送管理操作运行数据至智慧燃气数据中心。
在一些实施例中,智慧客服管理分平台的模块可以包括营收管理、工商户管理、报装管理、客服管理、消息管理和客户分析管理。在一些实施例中,智慧运行管理分平台的模块可以包括气量采购管理、气量储备管理、用气调度管理、购销差管理、管网工程管理和综合办公管理。其中,气量储备管理可以用于存储燃气量的储备信息。用气调度管理可以用于不同区域、不同管网节点的燃气分配、调节和补充等。
在一些实施例中,智慧燃气管理平台可以分别和智慧燃气服务平台、智慧燃气传感网络平进行交互。其中,智慧燃气管理平台分别和智慧燃气服务平台、智慧燃气传感网络平进行交互均通过智慧燃气数据中心实现。例如,智慧燃气数据中心可以接收智慧燃气服务平发送的燃气门站的运行管理信息查询指令。又例如,智慧燃气数据中心可以发送获取燃气设备相关数据的指令至智慧燃气传感网络平台。再例如,智慧燃气数据中心可以接收智慧燃气传感网络平台上传的燃气设备的相关数据。
在一些实施例中,智慧燃气数据中心将接收到的燃气设备相关数据发送至智慧运行管理分平台进行处理分析。智慧运行管理分平台将分析处理后的数据发送至智慧燃气数据中心。智慧燃气数据中心将汇总、处理后的数据发送到智慧燃气服务平台。其中,发送的数据可以包括燃气门站的运行管理信息(例如,储气补充量、储气补充方式、储气补充时间)。
智慧燃气传感网络平台可以是智慧燃气管理平台和智慧燃气对象平台之间实现交互的衔接的平台,被配置为通信网络和网关。在一些实施例中,智慧燃气传感网络平台可以包括燃气户内设备传感网络分平台和燃气管网设备传感网络分平台。
在一些实施例中,燃气户内设备传感网络分平台可以和燃气户内设备对象分平台相互对应。燃气户内设备传感网络分平台可以接收燃气户内设备对象分平台上传的燃气户内设备的相关数据。
在一些实施例中,燃气管网设备传感网络分平台可以和燃气管网设备对象分平台相互对应。燃气管网设备传感网络分平台可以接收燃气管网设备对象分平台上传的管网设备的相关数据。
在一些实施例中,智慧燃气传感网络平台可以和智慧燃气对象平台进行交互。例如,智慧燃气传感网络平台可以接收智慧燃气对象平台上传的燃气户内设备的相关数据和/或管网设备的相关数据。又例如,智慧燃气传感网络平台可以发送获取燃气户内设备的相关数据的指令和/或获取管网设备的相关数据的指令至智慧燃气对象平台。
智慧燃气对象平台可以是感知信息生成和控制信息最终执行的功能平台,被配置为各类燃气设备。其中,燃气设备可以包括户内设备和管网设备。例如,户内设备可以是燃气用户的燃气终端(如燃气表)。又例如,管网设备可以是某个燃气门站、各段输气管道、燃气阀控设备等。在一些实施例中,智慧燃气对象平台可以包括燃气户内设备对象分平台和燃气管网设备对象分平台。
在一些实施例中,燃气户内设备对象分平台可以和燃气户内设备传感网络分平台相互对应。燃气户内设备对象分平台可以将燃气户内设备的相关数据通过燃气户内设备传感网络分平台上传到智慧燃气数据中心。
在一些实施例中,燃气管网设备对象分平台可以和燃气管网设备传感网络分平台相互对应。燃气管网设备对象分平台可以将燃气管网设备的相关数据通过燃气管网设备传感网络分平台上传到智慧燃气数据中心。
在一些实施例中,智慧燃气对象平台可以和智慧燃气传感网络平台交互。例如,智慧燃气对象平台可以接收智慧燃气传感网络平台下发的获取燃气设备的相关数据指令。又例如,智慧燃气对象平台可以上传燃气设备的相关数据至相应的燃气传感网络分平台。
需要说明的是,本实施例中的智慧燃气用户平台可以是台式电脑、平板电脑、笔记本电脑、手机或者其他能够实现数据处理以及数据通信的电子设备,在此不作过多限定。应当理解的是,在本实施例中所提到的数据处理过程可以通过服务器的处理器进行处理,而存储在服务器的数据,都可以存储在服务器的存储设备上,如硬盘等存储器。在具体应用中,智慧燃气传感网络平台可以采用多组网关服务器,或者多组智能路由器,在此不作过多限定。应当理解的是,在本申请实施例中所提到的数据处理过程可以通过网关服务器的处理器进行处理,而存储在网关服务器的数据,都可以存储在网关服务器的存储设备上,如硬盘和SSD等存储器。
本说明书的一些实施例中,通过五种平台的物联网功能体系结构实施智慧燃气储气优化,完成了信息流程的闭环,使物联网信息处理更加流畅高效。
图2是根据本说明书一些实施例所示的智慧燃气储气优化方法的示例性流程图。在一些实施例中,流程200可以由智慧燃气管理平台执行。如图2所示,流程200包括下述步骤:
步骤210,通过智慧燃气传感网络平台基于智慧燃气对象平台获取目标区域的燃气供应数据和历史燃气使用数据。
目标区域是指智慧燃气管理平台对应的管理范围。例如,目标区域可以是一个小区。又例如,目标区域可以是一个城市。
燃气供应数据是指目标区域内燃气管道单位时间的燃气供应量。例如,燃气供应数据可以是某小区的燃气管道每日的燃气供应量为Am3。其中,燃气供应数据中不包含燃气储气的供应量。
在一些实施例中,智慧燃气管理平台可以基于燃气门站的历史统计数据获得燃气供应数据。例如,由于燃气供应数据每天不会有太大变化,智慧燃气管理平台可以将燃气门站在历史多天内的统计数据求平均得到的定值作为每日的燃气供应数据。
历史燃气使用数据是指目标区域中历史时间序列对应的多个燃气使用数据组成的序列。例如,历史燃气使用数据可以为过去5年的每日燃气使用数据组成的序列。
在一些实施例中,智慧燃气管理平台可以基于燃气门站的历史统计数据获得历史燃气使用数据。
步骤220,基于历史燃气使用数据,预测目标区域的未来燃气使用数据。
未来燃气使用数据是指目标区域中未来时间段内燃气的使用量。其中,未来时间段的长度可以是默认值、经验值、人为预设等或其任意组合。例如,未来燃气使用数据可以为未来某天/某周/某月/某季度的燃气的使用量。
在一些实施例中,智慧燃气管理平台可以将过去一年中与未来时间段对应的时间段的燃气的使用量作为未来燃气使用数据。在一些实施例中,智慧燃气管理平台可以将过去多年中与未来时间段对应的时间段的燃气的使用量的平均值作为未来燃气使用数据。
在一些实施例中,智慧燃气管理平台还可以基于历史燃气使用数据,通过第一预测模型得到未来燃气使用数据。关于通过第一预测模型得到未来燃气使用数据的更多内容可以参见图3和图4的相关描述。
步骤230,基于未来燃气使用数据和燃气供应数据,确定目标区域的储气需求数据。
储气需求数据是指目标区域中未来时间段内需要的燃气储气量。例如,燃气需求数据可以是某小区未来某一周内需要的燃气储气量为Cm3。
在一些实施例中,智慧燃气管理平台可以根据经验人为设定储气需求数据。
在一些实施例中,智慧燃气管理平台可以基于未来燃气使用数据和燃气供应数据的差值,确定目标区域的储气需求数据。
例如,某小区未来一周的储气需求数据可以通过该小区未来一周的燃气使用数据减去该小区未来一周的燃气供应数据得到。
本说明一些实施例中,通过未来燃气使用数据和燃气供应数据的差值,确定目标区域的储气需求数据,可以得到准确的储气需求数据。
在一些实施例中,智慧燃气管理平台可以基于未来燃气使用数据和燃气供应数据的差值以获得燃气差值数据,并基于燃气差值数据和储备系数,确定目标区域的储气需求数据。
例如,某小区未来一个月的燃气需求数据,可以分别将未来一个月内该小区每日的未来燃气使用数据减去该日的燃气供应数据得到该日的差值。将差值大于0m3的数据作为该小区未来一个月每日的燃气差值数据。将差值小于等于0m3的数据舍弃,即当未来燃气使用数据小于燃气供应数据时,无需存储天然气。最后将每日的燃气差值数据乘以未来一个月每日的储备系数后,求和得到该小区未来一个月的储气需求数据。
在一些实施例中,储备系数相关于未来燃气使用数据的季节性数据和未来燃气使用数据的准确度。未来燃气使用数据的季节性数据越大,未来燃气使用数据的准确度越大,储备系数越大。其中,未来燃气使用数据的季节性数据的确认方法与历史燃气使用数据的季节性数据类似。关于历史燃气使用数据的季节性数据和未来燃气使用数据的准确度的更多内容可以参见图2-图4及其相关描述。例如,若预测2030年8月1日至2030年12月31日的储气需求数据,由于季节原因12月1日较8月1日用气量增加,对应12月1日的季节性数据较8月1日的季节性数据大,则12月1日的储备系数较8月1日的储备系数大。又例如,若预测2030年8月1日至2030年12月31日的储气需求数据,若12月1日的未来燃气使用数据的准确度较8月1日的未来燃气使用数据的准确度大,则12月1日的储备系数较8月1日的储备系数大。
本说明一些实施例中,通过未来燃气使用数据和燃气供应数据的差值以获得燃气差值数据,并乘以储备系数得到储气需求数据。考虑到了不同季节对燃气的需求量不同以及未来燃气使用数据的准确度,最终得到的储气需求量准确性更高。
步骤240,基于储气需求数据,确定目标区域的储气优化方法。
储气优化方法是指与燃气储气相关的方法。例如,储气优化方法可以包括燃气的储气补充量、储气补充方式、储气补充时间等。
在一些实施例中,智慧燃气管理平台可以基于储气需求数据,根据经验人为确定储气优化方法。
在一些实施例中,智慧燃气管理平台可以基于储气需求数据、未来燃气使用数据的准确度、历史燃气使用数据的季节性数据、至少一种储气方式的单位储气成本,确定目标区域的储气补充量和补充方式。
未来燃气使用数据的准确度是指预测的未来燃气使用数据与未来实际燃气使用数据的符合程度。其中,未来燃气使用数据的准确度可以用0~1之间的实数表示。数值越大,未来燃气使用数据的准确度越高,代表预测的未来燃气使用数据与未来实际燃气使用数据的符合程度越大。关于未来燃气使用数据的准确度的更多内容可以参见图4及其相关描述。
历史燃气使用数据的季节性数据是指反映燃气使用量随季节性波动的数据。例如,某季节的燃气使用量越大,该季节的季节性数据就越大。
在一些实施例中,历史燃气使用数据的季节性数据可以基于历史燃气使用数据,采用经典时间序列分解(Classical decomposition)、X11分解(X11 decomposition,X11)、STL分解法(Seasonal and Trend decomposition using Loess,STL)等方法分解得到。关于历史燃气使用数据的季节性数据的更多内容可以参见图3及其相关描述。
储气方式的单位储气成本是指采用某一种储气方法存储单位体积的燃气所需的储气成本。例如,采用水合物形式的储气存储1m3的燃气所需的成本为Q元。
在一些实施例中,一种储气方式的单位储气成本可以通过查询历史储气成本数据获得。
储气补充量是指燃气储气需要额外补充的燃气量。例如,储气补充量可以是Dm3。
储气补充方式是指燃气储气补充燃气的方法。例如,储气补充方式可以包括水合物形式储气、地下储气库储气、储气罐储气、高压管道储气、液化气储气等方式。
在一些实施例中,智慧燃气管理平台可以基于储气需求数据、未来燃气使用数据的准确度、历史燃气使用数据的季节性数据、至少一种储气方式的单位储气成本通过第二预测模型确定储气补充量和储气补充方式。关于通过第二预测模型确定储气补充量和储气补充方式的更多内容可以参见图5及其相关描述。
本说明一些实施例中,通过基于储气需求数据、未来燃气使用数据的准确度、历史燃气使用数据的季节性数据、至少一种储气方式的单位储气成本,确定目标区域的储气补充量和补充方式。将多方面的数据作为影响因素,使得最终的储气优化方法更加准确、经济,在保证输供系统正常运行的同时有利于降低储气成本。
本说明书一些实施例中,通过未来燃气使用数据和燃气供应数据确定储气需求数据,从而确定储气优化方法。使得目标区域内的燃气使用和储气的分配更加合理,降低了储气成本。
图3是根据本说明书一些实施例所示的基于第一预测模型确定未来燃气使用数据的流程的示意图。
在一些实施例中,智慧燃气管理平台可以基于历史燃气使用数据,通过第一预测模型预测目标区域的未来燃气使用数据。其中,第一预测模型为机器学习模型。
在一些实施例中,第一预测模型可以用于预测目标区域的未来燃气使用数据。第一预测模型可以为机器学习模型。例如,长短期记忆网络(Long Short-Term Memory,LSTM)、深度神经网络(Deep Neural Networks,DNN)模型、卷积神经网络(ConvolutionalNeural Networks,CNN)模型、循环神经网络(Recurrent Neural Network,RNN)模型等或其任意组合。
在一些实施例中,如图3所示,第一预测模型320的输入包括历史燃气使用数据310-1。关于历史燃气使用数据的更多细节可以参见图2及其相关描述。
在一些实施例中,第一预测模型320的输入还可以包括日期数据310-2、目标区域的气象数据310-3和目标区域的常住人口数据310-4。
日期数据310-2可以指与日期相关的属性数据。例如,日期数据310-2可以包括过去5年的日期信息、季节信息、节假日信息。
气象数据310-3可以指与气象相关的属性数据。例如,气象数据310-3可以包括过去5年的每日平均温度、降水量、气压。
常住人口数据310-4可以指与人口相关的属性数据。例如,常住人口数据可以包括过去5年的每年常住人口数据310-4。
在一些实施例中,日期数据310-2、气象数据310-3和常住人口数据310-4可以通过大数据、第三方平台等分析获取。例如,智慧燃气管理平台可以通过燃气运营商数据、网络爬取等获取大量数据进行统计分析等处理后获取日期数据310-2、气象数据310-3和常住人口数据310-4。
通过输入日期数据310-2、气象数据310-3和常住人口数据310-4,将随时间、天气及人口引起的用气量波动纳入计算范围内,能够更精确地得到未来燃气使用数据330。
在一些实施例中,第一预测模型320的输入还可以包括目标区域的历史燃气使用数据的趋势性数据和季节性数据310-5。
历史燃气使用数据的趋势性数据可以指反映燃气使用整体变化趋势的数据。例如,如图6所示,历史燃气使用数据的趋势性数据可以为Tt在历史燃气使用数据对应的时间下的纵坐标值。趋势性数据组成的曲线Tt可以反映出历史燃气使用数据yt的整体变化趋势,即yt随时间增长时,Tt也随时间增长;yt随时间减少时,Tt也随时间减少。
历史燃气使用数据的季节性数据可以指反映燃气使用随季节性波动的数据。例如,如图6所示,历史燃气使用数据的季节性数据可以为St在历史燃气使用数据对应的时间下的纵坐标值。某季节的燃气使用量越大,则该季节的历史燃气使用数据的季节性数据越大;某季节的燃气使用量越小,则该季节的历史燃气使用数据的季节性数据越小。
在一些实施例中,历史燃气使用数据的趋势性数据和季节性数据可以基于历史燃气使用数据通过分解方法分解得到。其中,分解方法可以包括经典时间序列分解、X11分解法、STL分解法等。例如,如图6的分解历史燃气使用数据的示意图所示,智慧燃气管理平台可以将历史燃气使用数据组成的曲线yt分解为趋势性数据组成的曲线Tt、季节性数据组成的曲线St和残差项组成的曲线Rt,从而确定历史燃气使用数据的趋势性数据和季节性数据310-5。
通过将历史燃气使用数据的趋势性数据和季节性数据作为模型的输入。一方面可以更快地训练模型,另一方面可以使得模型的预测更准确。
第一预测模型320的输出可以包括未来燃气使用数据330。关于未来燃气使用数据的更多细节可以参见图2及其相关描述。
在一些实施例中,第一预测模型320可以通过多个有标签的训练样本训练得到。可以将多个带有标签的第一训练样本340输入第一初始模型350。通过标签和第一初始模型350的结果构建损失函数,基于损失函数迭代更新第一初始模型350的参数。当第一初始模型350的损失函数满足预设条件时模型训练完成,得到训练好的第一预测模型320。其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,第一训练样本340可以包括样本历史燃气使用数据。标签可以为样本时刻对应的未来燃气使用数据。其中,样本历史燃气使用数据可以基于历史数据得到。标签可以基于样本历史燃气使用数据所对应的时间序列之后的时间的燃气使用数据的实际值确定,未来燃气使用数据为历史数据中的燃气使用数据。例如,若现在为2030年1月1日,样本历史燃气使用数据为2025年1月1日至2028年1月1日之间的每日燃气使用数据;标签可以是2029年1月1日至2029年1月31日之间的燃气使用数据。
当第一预测模型320的输入包括日期数据310-2、气象数据310-3和常住人口数据310-4时,第一训练样本340还可以包括样本日期数据、样本气象数据和样本常住人口数据。其中,样本日期数据、样本气象数据和样本常住人口数据可以基于历史数据获得。
当第一预测模型320的输入包括历史燃气使用数据的趋势性数据和季节性数据310-5时,第一训练样本340还可以包括样本历史燃气使用数据的趋势性数据和季节性数据。其中,样本历史燃气使用数据的趋势性数据和季节性数据可以基于历史数据获得。
在本说明书的一些实施例中,智慧燃气管理平台可以基于历史燃气使用数据,通过第一预测模型,快速、准确地预测未来燃气使用数据。从而有助于智慧燃气管理平台确定准确的储气优化方法。另外,通过输入日期数据、气象数据、常住人口数据和/或历史燃气使用数据的趋势性数据和季节性数据,使第一预测模型预测的未来燃气使用数据更加准确。
图4是根据本说明书又一些实施例所示的基于第一预测模型确定未来燃气使用数据的准确度的流程的示意图。
在一些实施例中,第一预测模型320可以为神经网络模型。例如,DNN模型、CNN模型、RNN模型等或其任意组合。在一些实施例中,如图4所示,第一预测模型320的输入可以包括历史燃气使用数据310-1、日期数据310-2、气象数据310-3、常住人口数据310-4、历史燃气使用数据的趋势性数据和季节性数据310-5。输出可以包括未来燃气使用数据的准确度420。
在一些实施例中,第一预测模型320还可以包括数据预测层320-1和准确度预测层320-2。
在一些实施例中,数据预测层320-1的输入可以包括历史燃气使用数据310-1、日期数据310-2、气象数据310-3、常住人口数据310-4、历史燃气使用数据的趋势性数据和季节性数据310-5。在一些实施例中,数据预测层320-1的输出可以包括未来燃气使用数据330。在一些实施例中,数据预测层320-1可以是CNN。
在一些实施例中,准确度预测层320-2的输入可以包括未来燃气使用数据330、历史燃气使用数据的数据量410-1、未来燃气使用数据的数据量410-2、用户类型及数量410-3、历史燃气使用数据的标准差410-4。在一些实施例中,准确度预测层320-2的输出可以包括未来燃气使用数据的准确度420。在一些实施例中,准确度预测层320-2的输出可以是DNN。
数据量是指使用数据所对应的时间跨度。例如,数据量可以是过去5年的所有历史燃气使用数据。例如,历史燃气使用数据的数据量410-1可以是过去5年的历史燃气使用数据;未来燃气使用数据的数据量410-2可以是预测的未来1年的未来燃气使用数据。
在一些实施例中,历史燃气使用数据的数据量为过去5年的数据还是过去3年的数据,准确度不同。例如,历史燃气使用数据的数据量为过去5年的数据,较历史燃气使用数据的数据量为过去3年的数据预测的未来燃气使用数据的准确度大。
在一些实施例中,预测未来燃气使用数据的数据量为未来一个月,还是未来一个季度,准确度不同。例如,预测未来燃气使用数据的数据量为未来一个月,较预测未来燃气使用数据的数据量为未来一个季度所预测的未来燃气使用数据的准确度大。
用户类型及数量是指用户的属性和每种属性的用户对应的数量。其中,用户的属性可以包括居民用户和工商用户。例如,用户类型及数量可以包括居民用户3000人和工商用户500人等。
在一些实施例中,用户类型及数量可以通过大数据、第三方平台等分析获取。例如,智慧燃气管理平台可以通过社区数据库、网络爬取等获取大量数据进行统计分析等处理后获取用户类型及数量410-3。
历史燃气使用数据的标准差是指可以反映不同历史燃气使用值之间的差异大小的值。在一些实施例中,智慧燃气管理平台可以基于历史燃气使用数据序列中的每个历史燃气使用值,通过标准差的计算公式计算标准差。
在一些实施例中,数据预测层320-1和准确度预测层320-2可以联合训练得到。
在一些实施例中,联合训练的样本数据可以包括样本历史燃气使用数据、样本日期数据、样本气象数据、样本常住人口数据、样本历史燃气使用数据的趋势性数据和季节性数据、样本历史燃气使用数据的数据量、样本未来燃气使用数据的数据量、样本用户类型及数量、样本历史燃气使用数据的标准差,标签为样本未来燃气使用数据的准确度。其中,样本未来燃气使用数据的准确度可以基于数据预测层320-1输出的未来燃气使用数据和样本未来燃气使用数据确定的,样本未来燃气使用数据为历史数据中的未来燃气使用数据的实际值。
训练时,将样本历史燃气使用数据、样本日期数据、样本气象数据、样本常住人口数据、样本历史燃气使用数据的趋势性数据和季节性数据输入数据预测层320-1,得到预测层输出的未来燃气使用数据。将预测层输出的未来燃气使用数据作为训练样本数据,和样本历史燃气使用数据的数据量、样本未来燃气使用数据的数据量、样本用户类型及数量、样本历史燃气使用数据的标准差一起输入准确度预测层320-2,经准确度预测层320-2处理后得到未来燃气使用数据的准确度。基于样本未来燃气使用数据的准确度和准确度预测层320-2输出的未来燃气使用数据的准确度构建损失函数,同步更新数据预测层320-1和准确度预测层320-2。通过参数更新,得到训练好的数据预测层320-1和准确度预测层320-2。
在一些实施例中,第一预测模型320可以基于历史数据中的历史燃气使用数据、日期数据、气象数据、常住人口数据、历史燃气使用数据的趋势性数据和季节性数据训练获取。可以将历史数据中的历史燃气使用数据、日期数据、气象数据、常住人口数据、历史燃气使用数据的趋势性数据和季节性数据作为训练样本。训练样本的标签可以通过公式w=1-|n-m|/m计算得到。其中,w代表标签,n代表由数据预测层320-1预测的未来燃气使用数据,m代表历史数据中的未来燃气使用数据的实际值。标签为0-1之间的实数。例如,若现在为2030年1月1日,n可以是数据预测层320-1基于2025年1月1日至2028年1月1日之间的相关数据预测的2029年1月1日至2029年1月31日之间的燃气使用数据;m可以是2029年1月1日至2029年1月31日之间的实际燃气使用数据。
本说明一些实施例中,通过包含数据预测层和准确度预测层的第一预测模型对相关数据进行处理得到未来燃气使用数据的准确度。有利于解决单独训练准确度预测层时难以获得标签的问题。其次,联合训练数据预测层和准确度预测层不仅可以减少了需要的样本数量,还可以提高训练效率。并且确定未来燃气使用数据的准确度有利于后续确定更准确的储气优化方法。
图5是根据本说明书一些实施例所示的基于第二预测模型确定储气优化方法的流程的示意图。
在一些实施例中,可以基于所述储气需求数据、未来燃气使用数据的准确度、季节性数据、至少一种储气方式的单位储气成本,确定所述目标区域的储气补充量和补充方式。关于确定目标区域的储气补充量和补充方式的更多细节可以参见图2及其相关描述。
在一些实施例中,智慧燃气管理平台还可以基于储气需求数据、未来燃气使用数据的准确度、历史燃气使用数据的季节性数据、至少一种储气方式的单位储气成本,通过第二预测模型确定目标区域的储气补充量、补充方式和补充时间。其中,第二预测模型为机器学习模型。
在一些实施例中,第二预测模型可以用于预测未来时刻的预设区域的人口活跃度。第二预测模型可以为机器学习模型。例如,DNN模型、CNN模型、RNN模型等或其任意组合。
在一些实施例中,如图5所示,第二预测模型520的输入可以包括储气需求数据510-1、未来燃气使用数据的准确度420、历史燃气使用数据的季节性数据510-2和至少一种储气方式的单位储气成本510-3。关于储气需求数据、未来燃气使用数据的准确度、历史燃气使用数据的季节性数据和至少一种储气方式的单位储气成本的更多细节可以参见图2-图4及其相关描述。
在一些实施例中,第二预测模型520的输出可以包括储气补充量530-1和储气补充方式530-2。在一些实施例中,第二预测模型520的输出还可以包括储气补充时间530-3。其中,储气补充时间可以指需要对储气进行补充的具体时间。关于储气补充量和储气补充方式的更多细节可以参见图2及其相关描述。
例如,储气需求数据510-1可以为A小区未来一周需要的燃气储气量为C m3;未来燃气使用数据的准确度420为[90%、95%、89%、92%、90%、87%、96%];历史燃气使用数据的季节性数据510-2为[a、b、c、d、e、f、g],其中,a、b、c、d、e、f、g分别代表上一周每天的季节性数据;至少一种储气方式的单位储气成本510-3为[h、i、g、k、l],其中,h为水合物形式储气的单位储气成本、i为地下储气库储气的单位储气成本、g为储气罐储气的单位储气成本、k为高压管道储气的单位储气成本、l为液化气储气的单位储气成本。则对应的输出可以为储气补充量530-1为D m3、储气补充方式530-2为水合物形式储气和储气补充时间530-3为M h。
在一些实施例中,第二预测模型520可以通过多个有标签的训练样本训练得到。可以将多个带有标签的第二训练样本540输入第二初始模型550,通过标签和第二初始模型550的结果构建损失函数,基于损失函数迭代更新第二初始模型550的参数。当第二初始模型550的损失函数满足预设条件时模型训练完成,得到训练好的第二预测模型520。其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,第二训练样本540可以包括样本储气需求数据、样本未来燃气使用数据的准确度、样本历史燃气使用数据的季节性数据和至少一种样本储气方式的单位储气成本。标签可以包括实际确定的最优的样本储气补充量、样本储气补充方式。在一些实施例中,样本储气需求数据、样本未来燃气使用数据的准确度、样本历史燃气使用数据的季节性数据和至少一种样本储气方式的单位储气成本可以基于历史数据获得。标签可以通过人工标注获取。其中,样本未来燃气使用数据的准确度对应的未来时刻是相对于样本时刻的未来时刻,为历史数据中的时刻。关于储气方式的单位储气成本的更多内容可以参见图2及其相关描述。
当第二预测模型520的输出包括储气补充时间530-3时,第二训练样本540的标签还可以包括样本储气补充时间。其中,样本储气补充时间可以通过人工标注获取。
在本说明书的一些实施例中,智慧燃气管理平台可以基于储气需求数据、未来燃气使用数据的准确度、历史燃气使用数据的季节性数据、至少一种储气方式的单位储气成本,通过第二预测模型,快速、准确地预测目标区域的储气补充量、补充方式和补充时间。从而有助于更精确地调度燃气,缓解燃气供需不平衡的问题及在满足用户用气的同时尽可能地降低储气成本。
本说明书包括一种计算机可读存储介质,存储介质存储计算机指令,当计算机指令被处理器执行时,实现智慧燃气储气优化方法。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种智慧燃气储气优化方法,其特征在于,基于智慧燃气储气优化物联网系统实现,所述物联网系统包括依次交互的智慧燃气管理平台、智慧燃气传感网络平台和智慧燃气对象平台,所述方法由所述智慧燃气管理平台执行,包括:
通过所述智慧燃气传感网络平台基于所述智慧燃气对象平台获取目标区域的燃气供应数据和历史燃气使用数据;
基于所述历史燃气使用数据,预测所述目标区域的未来燃气使用数据;
基于所述未来燃气使用数据和所述燃气供应数据,确定所述目标区域的储气需求数据;以及
基于所述储气需求数据,确定所述目标区域的储气优化方法。
2.根据权利要求1所述的方法,其特征在于,所述物联网系统还包括依次交互的智慧燃气用户平台和智慧燃气服务平台。
3.根据权利要求1所述的方法,其特征在于,所述智慧燃气管理平台包括智慧运行管理分平台和智慧燃气数据中心,其中,所述智慧运行管理分平台与所述智慧燃气数据中心双向交互,所述智慧运行管理分平台从所述智慧燃气数据中心获取数据并反馈对应设备参数管理数据;
所述智慧燃气对象平台包括燃气户内设备对象分平台和燃气管网设备对象分平台,其中,所述燃气户内设备对象分平台对应户内燃气设备,所述燃气管网设备对象分平台对应管网燃气设备;
所述智慧燃气传感网络平台包括燃气户内设备传感网络分平台和燃气管网设备传感网络分平台,其中,所述燃气户内设备传感网络分平台与所述燃气户内设备对象分平台对应,所述燃气管网设备传感网络分平台与所述燃气管网设备对象分平台对应。
4.根据权利要求1所述的方法,其特征在于,所述基于所述历史燃气使用数据,预测所述目标区域的未来燃气使用数据包括:
基于所述历史燃气使用数据,通过第一预测模型预测所述目标区域的未来燃气使用数据,所述第一预测模型为机器学习模型。
5.根据权利要求4所述的方法,其特征在于,所述第一预测模型的输入还包括所述历史燃气使用数据的趋势性数据和季节性数据,所述趋势性数据和季节性数据基于所述历史燃气使用数据分解得到。
6.根据权利要求4所述的方法,其特征在于,所述第一预测模型还包括数据预测层和准确度预测层;
所述数据预测层的输入包括所述历史燃气使用数据、日期数据、所述目标区域的气象数据和所述目标区域的常住人口数据、所述历史燃气使用数据的趋势性数据和季节性数据,所述数据预测层的输出包括所述未来燃气使用数据;
所述准确度预测层的输入包括所述未来燃气使用数据、所述历史燃气使用数据的数据量、所述未来燃气使用数据的数据量、用户类型及数量、所述历史燃气使用数据的标准差,所述准确度预测层的输出包括所述未来燃气使用数据的准确度。
7.根据权利要求1所述的方法,其特征在于,所述基于所述储气需求数据,确定所述目标区域的储气优化方法包括:
基于所述储气需求数据、未来燃气使用数据的准确度、所述历史燃气使用数据的季节性数据、至少一种储气方式的单位储气成本,确定所述目标区域的储气补充量和补充方式。
8.一种智慧燃气储气优化物联网系统,其特征在于,所述物联网系统包括依次交互的智慧燃气管理平台、智慧燃气传感网络平台和智慧燃气对象平台,所述智慧燃气管理平台用于:
通过所述智慧燃气传感网络平台基于所述智慧燃气对象平台获取目标区域的燃气供应数据和历史燃气使用数据;
基于所述历史燃气使用数据,预测所述目标区域的未来燃气使用数据;
基于所述未来燃气使用数据和所述燃气供应数据,确定所述目标区域的储气需求数据;以及
基于所述储气需求数据,确定所述目标区域的储气优化方法。
9.一种智慧燃气储气优化装置,其特征在于,所述装置包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1~7中任意一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~7任一项所述的智慧燃气储气优化方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211618598.1A CN115640914B (zh) | 2022-12-16 | 2022-12-16 | 一种智慧燃气储气优化方法、物联网系统、装置及介质 |
US18/174,640 US20230222384A1 (en) | 2022-12-16 | 2023-02-26 | Methods for smart gas storage optimization and internet of things systems thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211618598.1A CN115640914B (zh) | 2022-12-16 | 2022-12-16 | 一种智慧燃气储气优化方法、物联网系统、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115640914A true CN115640914A (zh) | 2023-01-24 |
CN115640914B CN115640914B (zh) | 2023-03-28 |
Family
ID=84949028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211618598.1A Active CN115640914B (zh) | 2022-12-16 | 2022-12-16 | 一种智慧燃气储气优化方法、物联网系统、装置及介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230222384A1 (zh) |
CN (1) | CN115640914B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205610A (zh) * | 2023-04-26 | 2023-06-02 | 成都普惠道智慧能源科技有限公司 | 一种lng加气站管理方法、物联网系统和存储介质 |
CN116539128A (zh) * | 2023-06-26 | 2023-08-04 | 成都秦川物联网科技股份有限公司 | 智慧燃气超声波计量仪表准确度诊断方法及物联网系统 |
CN116951317A (zh) * | 2023-09-20 | 2023-10-27 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气的供气成本管控方法、物联网系统与介质 |
CN117010663A (zh) * | 2023-09-12 | 2023-11-07 | 成都秦川物联网科技股份有限公司 | 基于图谱的智慧燃气数据管理方法和物联网系统及介质 |
CN117273379A (zh) * | 2023-10-24 | 2023-12-22 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气应急设备预置方法、物联网系统和介质 |
CN117436847A (zh) * | 2023-12-20 | 2024-01-23 | 成都秦川物联网科技股份有限公司 | 智慧燃气管网维修介质损失量评估方法与物联网系统 |
US12007251B2 (en) | 2023-06-26 | 2024-06-11 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and internet of things (IoT) systems for diagnosing accuracy of smart gas ultrasonic meters |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11861552B1 (en) | 2022-06-14 | 2024-01-02 | Chengdu Puhuidao Smart Energy Technology Co., Ltd. | Methods for managing liquefied natural gas (LNG) tanking safety based on location matching and internet of things systems thereof |
CN115681821B (zh) * | 2022-12-13 | 2023-04-07 | 成都秦川物联网科技股份有限公司 | 用于智慧燃气设备管理的加臭自动控制方法和物联网系统 |
CN115631066B (zh) * | 2022-12-22 | 2023-03-07 | 成都秦川物联网科技股份有限公司 | 智慧燃气管道冻胀安全管理方法和物联网系统 |
CN116703651B (zh) * | 2023-08-08 | 2023-11-14 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气数据中心运行管理方法、物联网系统和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002081600A (ja) * | 2000-09-06 | 2002-03-22 | Tokyo Gas Co Ltd | 都市ガス製造供給方法 |
CN109345080A (zh) * | 2018-09-06 | 2019-02-15 | 中国石油大学(北京) | 天然气管道系统供气可靠性评价方法及系统 |
CN115456315A (zh) * | 2022-11-11 | 2022-12-09 | 成都秦川物联网科技股份有限公司 | 一种用于智慧燃气的燃气管网预设管理方法和物联网系统 |
-
2022
- 2022-12-16 CN CN202211618598.1A patent/CN115640914B/zh active Active
-
2023
- 2023-02-26 US US18/174,640 patent/US20230222384A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002081600A (ja) * | 2000-09-06 | 2002-03-22 | Tokyo Gas Co Ltd | 都市ガス製造供給方法 |
CN109345080A (zh) * | 2018-09-06 | 2019-02-15 | 中国石油大学(北京) | 天然气管道系统供气可靠性评价方法及系统 |
CN115456315A (zh) * | 2022-11-11 | 2022-12-09 | 成都秦川物联网科技股份有限公司 | 一种用于智慧燃气的燃气管网预设管理方法和物联网系统 |
Non-Patent Citations (1)
Title |
---|
虞维超: "基于需求侧分析的天然气管网供气可靠性研究" * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205610A (zh) * | 2023-04-26 | 2023-06-02 | 成都普惠道智慧能源科技有限公司 | 一种lng加气站管理方法、物联网系统和存储介质 |
CN116539128A (zh) * | 2023-06-26 | 2023-08-04 | 成都秦川物联网科技股份有限公司 | 智慧燃气超声波计量仪表准确度诊断方法及物联网系统 |
CN116539128B (zh) * | 2023-06-26 | 2023-11-17 | 成都秦川物联网科技股份有限公司 | 智慧燃气超声波计量仪表准确度诊断方法及物联网系统 |
US12007251B2 (en) | 2023-06-26 | 2024-06-11 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and internet of things (IoT) systems for diagnosing accuracy of smart gas ultrasonic meters |
CN117010663A (zh) * | 2023-09-12 | 2023-11-07 | 成都秦川物联网科技股份有限公司 | 基于图谱的智慧燃气数据管理方法和物联网系统及介质 |
CN117010663B (zh) * | 2023-09-12 | 2023-12-15 | 成都秦川物联网科技股份有限公司 | 基于图谱的智慧燃气数据管理方法和物联网系统及介质 |
CN116951317A (zh) * | 2023-09-20 | 2023-10-27 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气的供气成本管控方法、物联网系统与介质 |
CN116951317B (zh) * | 2023-09-20 | 2023-11-21 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气的供气成本管控方法、物联网系统与介质 |
CN117273379A (zh) * | 2023-10-24 | 2023-12-22 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气应急设备预置方法、物联网系统和介质 |
CN117273379B (zh) * | 2023-10-24 | 2024-02-02 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气应急设备预置方法、物联网系统和介质 |
CN117436847A (zh) * | 2023-12-20 | 2024-01-23 | 成都秦川物联网科技股份有限公司 | 智慧燃气管网维修介质损失量评估方法与物联网系统 |
CN117436847B (zh) * | 2023-12-20 | 2024-04-09 | 成都秦川物联网科技股份有限公司 | 智慧燃气管网维修介质损失量评估方法与物联网系统 |
Also Published As
Publication number | Publication date |
---|---|
US20230222384A1 (en) | 2023-07-13 |
CN115640914B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115640914B (zh) | 一种智慧燃气储气优化方法、物联网系统、装置及介质 | |
Scarabaggio et al. | Distributed demand side management with stochastic wind power forecasting | |
CN111210093B (zh) | 基于大数据的日用水量预测方法 | |
US11803173B2 (en) | Preset management methods of gas pipeline network for smart gas and internet of things systems thereof | |
US11893518B2 (en) | Methods and systems of optimizing pressure regulation at intelligent gas gate stations based on internet of things | |
US20230108309A1 (en) | Methods and systems for gas meter replacement prompt based on a smart gas internet of things | |
US20230281535A1 (en) | Methods and internet of things systems for gas resource dispatching based on smart gas call centers | |
CN116091080B (zh) | 基于智慧燃气呼叫中心的回访管理方法和物联网系统 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN110796427A (zh) | 基于bim技术的配电网实物资产全过程管控方法 | |
Ungureanu et al. | Industrial load forecasting using machine learning in the context of smart grid | |
US20240046283A1 (en) | Methods and iot systems for industrial gas demand regulation based on smart gas | |
CN109978299B (zh) | 用于海上风电业务的数据分析方法、装置和存储介质 | |
CN111582408B (zh) | 数据处理方法、数据处理装置、存储介质和电子设备 | |
CN113516521A (zh) | 能源互联网用户用能数据预测方法及系统 | |
CN116993085B (zh) | 基于换电电荷消耗算法提升电池利用效率的方法 | |
US20240062320A1 (en) | Methods, internet of things systems, and storage mediums for controlling gas supply cost based on smart gas | |
Sičaja et al. | Evaluation of load forecast model performance in Croatian DSO | |
CN113420965B (zh) | 一种基于虚拟测点进行辅助人工调度的方法 | |
US20230359965A1 (en) | Methods, internet of things (iot) systems, and media for dynamically adjusting lng storage based on big data | |
US20230259849A1 (en) | Methods and internet of things (iot) systems for maintenance management of smart gas call center | |
US20240151368A1 (en) | Methods for assessing loss of maintenance medium of smart gas pipeline network and internet of things (iot) systems | |
CN117474151A (zh) | 一种基于CNN-LSTM和lightGBM动态加权融合模型用于短期负荷实际预测的方法 | |
US20240175555A1 (en) | Methods for regulating flow meters of industrial and commercial units of smart gas, internet of things (iot) systems and media thereof | |
Waheed et al. | A Data-driven Long-Short Term Load Forecasting with LSTM-RNN 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 |