CN116719984B - 一种智慧燃气数据管理方法、物联网系统和存储介质 - Google Patents
一种智慧燃气数据管理方法、物联网系统和存储介质 Download PDFInfo
- Publication number
- CN116719984B CN116719984B CN202311002442.5A CN202311002442A CN116719984B CN 116719984 B CN116719984 B CN 116719984B CN 202311002442 A CN202311002442 A CN 202311002442A CN 116719984 B CN116719984 B CN 116719984B
- Authority
- CN
- China
- Prior art keywords
- gas
- data
- reliability
- sampling
- gas data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013523 data management Methods 0.000 title claims abstract description 33
- 239000002737 fuel gas Substances 0.000 title abstract description 14
- 230000032683 aging Effects 0.000 claims abstract description 29
- 238000013500 data storage Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims description 135
- 238000007726 management method Methods 0.000 claims description 98
- 238000012545 processing Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 2
- 239000007789 gas Substances 0.000 abstract description 622
- 230000000875 corresponding effect Effects 0.000 description 34
- 238000012549 training Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/41—Servomotor, servo controller till figures
- G05B2219/41108—Controlled parameter such as gas mass flow rate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本说明书实施例提供一种智慧燃气数据管理方法、物联网系统和存储介质,该方法包括:获取智慧燃气数据管理物联网系统中的至少一个平台上传的原始燃气数据,原始燃气数据包括燃气运输数据、燃气管道数据、燃气设备数据中的至少一种类型;评估至少一种类型的原始燃气数据的时效可靠度以及数据可靠度;根据至少一种类型的原始燃气数据的时效可靠度以及数据可靠度,生成至少一个存储指令,以使至少一种类型的原始燃气数据存储至对应的数据储存区域。本说明书实施例可以将原始燃气数据分门别类,并分别存储,可以有效提高数据使用时的便捷性和效率。
Description
技术领域
本说明书涉及燃气数据处理领域,尤其涉及一种智慧燃气数据管理方法、物联网系统和存储介质。
背景技术
随着智慧城市的发展,燃气业务已进入大数据时代。燃气业务中存在大量的燃气数据,使得数据处理中心具有较大的数据处理压力。
CN109101539B提供了一种业务数据质量评价方法,该申请通过对上传完结后的数据的上传时间、数据的上传范围、数据的上传业务量以及数据的上传内容在多维度上进行分析,可以对燃气数据的完整性进行较全面的评价,但没有涉及对燃气数据时效性的评价,以及如何对数据存储进行管理。
因此,提供一种智慧燃气数据管理方法、物联网系统和存储介质,有助于对燃气数据的及时性和完整性进行全面评估和对数据存储进行高效管理。
发明内容
本说明书实施例之一提供一种智慧燃气数据管理方法,所述方法由智慧燃气数据管理物联网系统的智慧燃气管理平台执行,包括:获取所述智慧燃气数据管理物联网中的至少一个平台上传的原始燃气数据,所述原始燃气数据包括燃气运输数据、燃气管道数据、燃气设备数据中的至少一种类型;评估至少一种类型的所述原始燃气数据的时效可靠度以及数据可靠度;根据至少一种类型的所述原始燃气数据的时效可靠度以及数据可靠度,生成至少一个存储指令,以使至少一种类型的所述原始燃气数据存储至对应的数据储存区域。
本说明书实施例之一提供一种智慧燃气数据管理物联网系统,所述智慧燃气数据管理物联网系统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;所述智慧燃气管理平台被配置为:获取所述智慧燃气数据管理物联网系统中的至少一个平台上传的原始燃气数据,所述原始燃气数据包括燃气运输数据、燃气管道数据、燃气设备数据中的至少一种类型;评估至少一种类型的所述原始燃气数据的时效可靠度以及数据可靠度;根据至少一种类型的所述原始燃气数据的时效可靠度以及数据可靠度,生成至少一个存储指令,以使至少一种类型的所述原始燃气数据存储至对应的数据储存区域。
本说明书实施例之一提供一种计算机可读存储介质,存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如上述实施例中任一项所述的智慧燃气数据管理方法。
本说明书一些实施例至少包括如下有益效果:(1)根据至少一种类型的原始燃气数据的时效可靠性和数据可靠性,将其存储至对应的数据储存区域可以将原始燃气数据分门别类,以提高数据使用时的便捷性和效率;(2)过燃气重要度确定预设滑动区间、预设步长的大小,可以便于智慧燃气管理平台能够准确的划分原始燃气数据,减少重要数据的遗漏,提高数据的可靠性;(3)通过对原始燃气数据进行滑动窗口的处理,获得至少一组区间燃气数据,可以减少对大量复杂原始燃气数据的计算与分析,降低计算的复杂度;基于至少一组区间燃气数据,原始燃气数据的时效可靠度,可以获得比直接基于原始燃气数据处理更高的准确率;(4)通过采集时间特征,评估原始燃气数据的时效可靠度,可以提高获得的时效可靠度的准确性,提高对原始燃气数据可靠性分析的便捷性和效率。
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数据管理物联网系统的示例性示意图;
图2是根据本说明书一些实施例所示的智慧燃气数据管理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确定时效可靠度的示例性示意图;
图4是根据本说明书一些实施例所示的确定数据可靠度的示例性流程图。
附图标记说明:100为智慧燃气数据管理物联网系统、110为智慧燃气用户平台、120为智慧燃气服务平台、130为智慧燃气管理平台、131为燃气业务管理分平台、132为智慧燃气数据中心、132-1为服务信息数据库、132-2为管理信息数据库、132-3为传感信息数据库、133为非燃气业务管理分平台、140为智慧燃气传感网络平台、150为智慧燃气对象平台、310为原始燃气数据、320为采集时间戳、330为采集时间特征、340为时效可靠度、351为滑动区间长度、352为预设步长、350为区间燃气数据、360为区间燃气数据的采集时间特征、370为区间燃气数据的时效可靠度。
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数据管理物联网系统100的应用场景示意图。
如图1所示,在智慧燃气数据管理物联网系统100中可以包括智慧燃气用户平台110、智慧燃气服务平台120、智慧燃气管理平台130、智慧燃气传感网络平台140以及智慧燃气对象平台150。
智慧燃气用户平台110可以是用于与用户进行交互的平台。在一些实施例中,智慧燃气用户平台110可以被配置为终端设备。
智慧燃气服务平台120可以是用于将用户的需求与控制信息传达出去的平台。例如,智慧燃气服务平台120可以从智慧燃气管理平台130获取燃气信息,并发送至智慧燃气用户平台110。
智慧燃气管理平台130可以是统筹、协调各功能平台之间的联系和协作,并汇聚着物联网全部的信息,为物联网运行体系提供感知管理和控制管理功能的平台。
在一些实施例中,智慧燃气管理平台130可以包括燃气业务管理分平台131、智慧燃气数据中心132和非燃气业务管理分平台133。
燃气业务管理分平台131可以是用于管理燃气业务的平台。在一些实施例中,燃气业务管理分平台131可以用于进行燃气安全管理、燃气设备管理、燃气运营管理。
非燃气业务管理分平台133可以是用于管理非燃气业务的平台。在一些实施例中,非燃气业务管理分平台133可以用于进行产品业务管理、数据业务管理、渠道业务管理。
智慧燃气数据中心132可以用于存储和管理智慧燃气数据管理物联网系统100的所有运行信息。在一些实施例中,智慧燃气数据中心132可以被配置为存储设备,用于存储与燃气信息相关的数据等。
在一些实施例中,智慧燃气数据中心132可以包括服务信息数据库132-1、管理信息数据库132-2、传感信息数据库132-3。服务信息数据库132-1用于存储服务信息数据,包括燃气用户服务数据、政府用户服务数据、监管用户服务数据、非燃气用户服务数据。管理信息数据库132-2用于存储管理信息数据,包括燃气设备管理数据、燃气安全管理数据、燃气运营管理数据、非燃气业务管理数据。传感信息数据库132-3用于存储传感信息数据,包括燃气设备传感数据、燃气安全传感数据、燃气运营传感数据、非燃气业务传感数据。
管理信息数据库132-2分别与传感信息数据库132-3和服务信息数据库132-1双向交互,传感信息数据库132-3与智慧燃气传感网络平台140进行信息交互,服务信息数据库132-1与智慧燃气服务平台120进行信息交互。燃气业务管理分平台131、非燃气业务管理分平台133与管理信息数据库132-2进行信息交互,从管理信息数据库132-2获取对应的管理数据,并将管理指令发送至管理信息数据库132-2,由管理信息数据库132-2根据指令需要,进一步发送至服务信息数据库132-1或传感信息数据库132-3,实现信息对外传输。
在一些实施例中,智慧燃气管理平台130可以通过智慧燃气数据中心132分别与智慧燃气服务平台120、智慧燃气传感网络平台140进行信息交互。例如,智慧燃气数据中心132可以将燃气数据发送至智慧燃气服务平台120。又例如,智慧燃气数据中心可以发送获取燃气数据的指令至智慧燃气传感网络平台140,以获取燃气数据。
在一些实施例中,智慧燃气管理平台130(例如,智慧燃气数据中心132)可以用于获取从智慧燃气数据管理物联网系统100中的至少一个平台上传的原始燃气数据。其中,至少一个平台可以包括智慧燃气服务平台120、智慧燃气传感网络平台140、燃气业务管理分平台131以及非燃气业务管理分平台133。
智慧燃气传感网络平台140可以是对传感通信进行管理的功能平台。在一些实施例中,智慧燃气传感网络平台140可以被配置为通信网络和网关,实现感知信息传感通信和控制信息传感通信的功能。
智慧燃气对象平台150可以是感知信息生成和控制信息执行的功能平台。在一些实施例中,智慧燃气对象平台150可以被配置为各类燃气设备和监测设备,以获取燃气管网的相关信息(例如,燃气运输数据、燃气管道数据、燃气设备数据等)。
本说明书一些实施例,基于智慧燃气数据管理物联网系统100,可以在智慧燃气对象平台150与智慧燃气用户平台110之间形成信息运行闭环,并在智慧燃气管理平台130的统一管理下协调、规律运行,实现燃气数据管理信息化、智慧化。
图2是根据本说明书一些实施例所示的智慧燃气数据管理方法的示例性流程图。在一些实施例中,流程200可以基于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,获取智慧燃气数据管理物联网系统中的至少一个平台上传的原始燃气数据。
原始燃气数据指与燃气相关的数据。在一些实施例中,原始燃气数据可以包括燃气运输数据、燃气管道数据、燃气设备数据中的至少一种类型。
燃气运输数据可以指与燃气运输相关的数据。例如,燃气运输数据可以包括燃气压力、燃气流速、燃气温度等。
燃气管道数据可以指与运输燃气的管道相关的数据。例如,燃气管道数据可以包括管道发出的声响信息、管道裂纹、管道埋深、管道材质等。
燃气设备数据可以指智慧燃气对象平台中配置的燃气设备产生的数据。示例性的燃气设备包括燃气表、阀控设备、燃气流量计等。例如,燃气设备数据可以包括燃气用量、燃气使用时间等。
在一些实施例中,智慧燃气管理平台可以基于智慧燃气数据中心与智慧燃气数据管理物联网系统的至少一个平台进行信息交互,获取至少一个平台上传的原始燃气数据。其中,至少一个平台包括智慧燃气服务平台、智慧燃气传感网络平台、燃气业务管理分平台以及非燃气业务管理分平台。
步骤220,评估至少一种类型的原始燃气数据的时效可靠度以及数据可靠度。
时效可靠度可以用于反映平台上传原始燃气数据是否及时。时效可靠度越大,表示平台上传原始燃气数据越及时。及时表示获取数据与上传数据之间的时间间隔较小。
数据可靠度可以指原始燃气数据的质量的可靠程度。数据可靠度越大,表示原始燃气数据越可靠,质量越高。在一些实施例中,数据可靠度可以衡量原始燃气数据的完整程度。
在一些实施例中,智慧燃气管理平台可以通过多种方式评估原始燃气数据的时效可靠度以及数据可靠度。例如,时效可靠度可以相关于原始燃气数据的采集时间,相邻原始燃气数据的上传时间越接近,时效可靠度越大,其中,相邻原始燃气数据可以指上传时间相邻的原始燃气数据。例如,数据可靠度可以相关于原始燃气数据的完整性,原始燃气数据越完整,数据可靠度越大,可以将原始燃气数据与标准燃气数据做比对确定原始燃气数据的完整性。标准燃气数据是指完整性满足要求的燃气数据。
在一些实施例中,对于至少一种类型原始燃气数据中的每一种,智慧燃气管理平台可以确定原始燃气数据的采集时间特征,并基于采集时间特征,评估原始燃气数据的时效可靠度。关于采集时间特征、时效可靠度的更多内容可以参见图3及其相关描述。
在一些实施例中,对于至少一种类型原始燃气数据中的每一种,智慧燃气管理平台可以确定原始燃气数据的至少一组燃气取样数据,并基于至少一组燃气取样数据,评估原始燃气数据的数据可靠度。关于确定数据可靠度的更多内容可以参见图4及其相关描述。
步骤230,根据至少一种类型的原始燃气数据的时效可靠度以及数据可靠度,生成至少一个存储指令,以使至少一种类型的原始燃气数据存储至对应的数据储存区域。
存储指令可以指将原始燃气数据存储至对应的数据储存空间的指令。在一些实施例中,存储指令可以包括一个或多个。
在一些实施例中,智慧燃气管理平台可以根据至少一种类型的原始燃气数据的时效可靠度以及数据可靠度生成存储指令。例如,智慧燃气管理平台生成的存储指令可以为:将时效可靠度和/或数据可靠度高于对应阈值的原始燃气数据存储在相同的存储位置;将时效可靠度和/或数据可靠度不高于对应阈值的原始燃气数据存储在相同的存储位置。
又例如,智慧燃气管理平台生成的存储指令可以为:将时效可靠度和/或数据可靠度高于对应阈值的原始燃气数据存储在读取速度快的存储位置(如内存、缓存)中作为优先存储;将时效可靠度和/或数据可靠度低于对应阈值的原始燃气数据存储在读取速度慢的存储位置(如硬盘、外部磁盘等)中。时效可靠度和/或数据可靠度对应的阈值可以基于历史经验确定。
在本说明书的一些实施例中,不同处理任务对原始燃气的时效可靠度和数据可靠度的需求不同。根据至少一种类型的原始燃气数据的时效可靠性和数据可靠性,将其存储至对应的数据储存区域可以将原始燃气数据分门别类,以提高数据使用时的便捷性和效率。
图3是根据本说明书一些实施例所示的确定时效可靠度的示例性示意图。
在一些实施例中,智慧燃气管理平台可以确定至少一种类型中的每一种原始燃气数据的时效可靠度。
在一些实施例中,参见图3,对于每一种类型的原始燃气数据,智慧燃气管理平台可以根据原始燃气数据310中的燃气数据被采集时的采集时间戳320,计算原始燃气数据310的采集时间特征330;基于采集时间特征330,评估原始燃气数据310的时效可靠度340。
关于原始燃气数据的更多内容,可以参见图2的相关描述。
采集时间戳可以是指原始燃气数据被采集时的时间等信息。
采集时间特征可以是指与采集时间有关特征。例如,采集时间特征可以包括平均采集时间差、采集时间覆盖率等。
平均采集时间差可以用于衡量原始燃气数据各个燃气数据之间的采集时间戳的差异程度。
在一些实施例中,智慧燃气管理平台可以计算每两个相邻时间采集的燃气数据的采集时间戳的差值,基于所有差值的平均值确定平均采集时间差。
采集时间覆盖率可以用于表征预设时间段中采集时间戳的覆盖程度。预设时间段可以是指预先设置的需要采集原始燃气数据的一段时间范围。
在一些实施例中,智慧燃气管理平台可以计算原始燃气数据各个燃气数据的采集时间戳在预设时间段上占的比值,确定采集时间覆盖率。例如,将预设时间段均匀划分为若干子时间段,筛选采集时间戳落在子时间段内的子时间段作为候选子时间段,将多个候选子时间段的时间长度之和与预设时间段的比值确定为采集时间覆盖率。
原始燃气数据的时效可靠度可以通过多种方式评估。在一些实施例中,智慧燃气管理平台可以进行建模或采用各种数据分析算法,例如回归分析法、判别分析法等,对采集时间特征进行分析处理,评估原始燃气数据的时效可靠度。
在一些实施例中,智慧燃气管理平台可以基于采集时间特征,通过预设规则评估原始燃气数据的时效可靠度。示例性的预设规则可以是:平均采集时间差越短,采集时间覆盖率越大,时效可靠度越大。
在一些实施例中,参见图3,智慧燃气管理平台可以基于滑动区间长度351和预设步长352,将原始燃气数据310划分为多个时间区间对应的多个区间燃气数据350;评估每个时间区间内的区间燃气数据的采集时间特征360,并确定每个时间区间内的区间燃气数据的时效可靠度370;基于多个区间燃气数据的时效可靠度370,确定原始燃气数据310的时效可靠度340。
滑动区间可以是指通过滑动对原始燃气数据进行划分的窗口。
滑动区间长度可以是指滑动区间内所包含的原始燃气数据的数据量,即滑动区间的长度。预设步长可以是相邻滑动区间之间间隔的数据量。
时间区间可以是指按照滑动区间长度和预设步长对原始燃气数据进行划分得到的区间。在一些实施例中,可以以数据量为单位对原始燃气数据进行划分得到对应的时间区间。在一些实施例中,时间区间可以是基于起始数据位置、结束数据位置确定的时间区间范围。例如,时间区间[A,B]表示第A个数据对应的采集时间戳为起始位置,第B个数据对应的采集时间戳为结束位置。
在一些实施例中,智慧燃气管理平台可以基于采集时间的先后顺序从前向后滑动,每按照预设步长滑动一次滑动区间时,截取一段长度的原始燃气数据,确定为区间燃气数据,依次类推,直到截取完成所有原始燃气数据。例如,设原始燃气数据包括燃气数据1、燃气数据2、…、燃气数据n,滑动区间长度为3,预设步长为2,则可得到以下多个区间燃气数据:(燃气数据1、燃气数据2、燃气数据3),(燃气数据3、燃气数据4、燃气数据5),…,(燃气数据n-2,燃气数据n-1,燃气数据n)。
在一些实施例中,滑动区间长度和预设步长相关于原始燃气数据的燃气重要度。在一些实施例中,滑动区间长度正相关于燃气重要度。在一些实施例中,预设步长负相关于燃气重要度。
燃气重要度可以用于衡量采集的原始燃气数据的重要程度。关于燃气重要度的更多内容,可以参见图4的相关描述。
在本说明书的一些实施例中,通过燃气重要度确定预设滑动区间、预设步长的大小,可以便于智慧燃气管理平台能够准确的划分原始燃气数据,减少重要数据的遗漏,提高数据的可靠性。
区间燃气数据可以是指位于某个时间区间内的原始燃气数据。
区间燃气数据的采集时间特征可以指时间区间内的原始燃气数据的采集时间特征。
区间燃气数据的时效可靠度可以是指时间区间内的原始燃气数据的时效可靠度。关于时效可靠度的更多内容,可以参见图2的相关描述。
在一些实施例中,区间燃气数据的采集时间特征可以与原始燃气数据的采集时间特征相同,包括平均采集时间差、采集时间覆盖率等。区间燃气数据的采集时间特征的确定方式与原始燃气数据的采集时间特征的确定方式类似,更多说明参考上文相关描述。
在一些实施例中,区间燃气数据的时效可靠度可以基于区间燃气数据的采集时间特征确定,其确定方式与“基于原始燃气数据的采集时间特征,确定原始燃气数据的时效可靠度”的方式类似,更多说明参考上文相关描述。
在一些实施例中,智慧燃气管理平台可以基于多个区间燃气数据的时效可靠度370进行加权求和运算,获得原始燃气数据310的时效可靠度340。在一些实施例中,各个区间燃气数据的第一权重可以相同。在一些实施例中,各个区间燃气数据的第一权重可以不同。例如,各个区间燃气数据的第一权重相关于各个区间燃气数据对应的时间区间与当前时刻的距离。距离当前时刻越近,第一权重越大。
在本说明书的一些实施例中,通过对原始燃气数据进行滑动窗口的处理,获得至少一组区间燃气数据,可以减少对大量复杂原始燃气数据的计算与分析,降低计算的复杂度;基于至少一组区间燃气数据,原始燃气数据的时效可靠度,可以获得比直接基于原始燃气数据处理更高的准确率。
在本说明书的一些实施例中,每个原始燃气数据的采集时间、采集的平台不同,因此通过采集时间特征,评估原始燃气数据的时效可靠度,可以提高获得的时效可靠度的准确性,提高对原始燃气数据可靠性分析的便捷性和效率。
图4是根据本说明书一些实施例所示的确定数据可靠度的示例性流程图。在一些实施例中,流程400可以基于智慧燃气管理平台执行。如图4所示,流程400包括下述步骤:
在一些实施例中,对于原始燃气数据中的每一种,智慧燃气管理平台可以基于以下步骤评估原始燃气数据的数据可靠度。
步骤410,根据原始燃气数据的燃气重要度,确定原始燃气数据的取样特征。
关于原始燃气数据的更多内容,可以参见图2的相关描述。
在一些实施例中,燃气重要度相关于燃气数据类型、燃气数据的采集平台、燃气数据所处燃气管网的局部管网复杂度。
燃气数据类型可以是指原始燃气数据所属的类型。例如,燃气数据类型可以包括燃气运输数据、燃气管道数据、燃气设备数据等类型。关于燃气数据类型的更多说明参见图2。
燃气数据的采集平台可以是指采集原始燃气数据的平台。例如,燃气数据的采集平台可以是智慧燃气对象平台。
局部管网复杂度可以是指原始燃气数据所处的燃气管网中局部区域的复杂程度。局部区域可以是指采集原始燃气数据的区域。
在一些实施例中,智慧燃气管理平台可以基于原始燃气数据的采集点位所处燃气管道的周围燃气管道数、周围燃气管道的平均入度数或平均出度数、周围燃气管道特征,确定局部管网复杂度。采集点位可以是燃气管道中采集原始燃气数据的位置。
周围燃气管道数是指距离该采集点位在预设范围内的燃气管道的数量。预设范围可以是人为设定等。周围燃气管道特征可以包括周围燃气管道的历史故障频率等。预设范围内的燃气管道可以是完整的管道,也可以是部分管道段。完整的管道可以是指一段没有分支的完整的燃气管道。部分管道段可以是指完整的管道的一部分。历史故障频率可以通过统计分析得到。
燃气管道的入读数是指与该燃气管道相连的上游燃气管道的数量。平均入度数可以是指预设范围内所有燃气管道的入度数的平均值。燃气管道的出度数是指与该燃气管道相连的下游燃气管道的数量。平均出度数可以是指预设范围内所有燃气管道的出度数的平均值。
在一些实施例中,周围燃气管道数越多、周围燃气管道的平均入度数或平均出度数越大、周围燃气管道的历史故障频率越高,局部管网复杂度越大。
燃气重要度可以通过多种方式确定。例如,基于先验知识预设不同的燃气数据类型、不同燃气数据的采集平台与不同的燃气重要度的对应关系,基于该对应关系和原始燃气数据的燃气数据类型、燃气数据的采集平台,可以确定该原始燃气数据的燃气重要度。
在一些实施例中,智慧燃气管理平台可以基于燃气数据类型、燃气数据的采集平台、燃气数据所处燃气管网的局部管网复杂度,确定燃气重要度。例如,可以根据燃气数据类型、燃气数据的采集平台确定基础重要度,并根据燃气数据所处燃气管网的局部管网复杂度对基础重要度进行调整,以确定燃气重要度。其中,基础重要度是指初始确定的燃气重要度。基础重要度可以基于前述确定燃气重要度的方式进行确定。
调整方式可以包括调整幅度和调整方向等。调整幅度是指对基础重要度进行调整的幅度大小。调整方向可以用于决定调整的方向,例如,对基础重要度进行调大或调小等。
在一些实施例中,对基础重要度进行调整的调整方式可以基于局部管网复杂度确定。例如,局部管网复杂度大于预设阈值时,调整方向为调大基础重要度,局部管网复杂度不大于预设阈值时,调整方向为调小基础重要度。调整幅度基于参考局部管网复杂度与参考调整幅度的对应关系确定。
取样特征可以是指对原始燃气数据的进行取样的参数特征。例如,取样特征可以包括取样率、最大取样间隔等。
取样率可以是指取样数据在原始燃气数据中的占比。例如,取样率可以为燃气取样数据的数据量与原始燃气数据的总数据量的比值。
最大取样间隔可以是指任意两个相邻燃气取样数据在原始燃气数据中的时间间隔的最大值。
在一些实施例中,智慧燃气管理平台可以预设不同原始燃气数据的燃气重要度与取样特征之间的对应关系,基于查表的方式确定取样特征。
在一些实施例中,智慧燃气管理平台可以根据原始燃气数据的燃气重要度,通过预设规则确定原始燃气数据的取样特征。示例性的预设规则可以是:燃气重要度越大,取样率越大、最大取样间隔越小。
在一些实施例中,智慧燃气管理平台可以基于原始燃气数据的燃气重要度以及时效可靠度,确定原始燃气数据的取样特征。
在一些实施例中,智慧燃气管理平台可以对历史燃气数据的燃气重要度以及历史燃气数据的时效可靠度进行统计分析,确定取样特征规律,基于取样特征规律确定当前时刻的取样特征。历史燃气数据可以是过去一段时间采集的原始燃气数据。
在一些实施例中,取样特征规律可以是:燃气重要度越大,时效可靠度越低,取样率越大、最大取样间隔越小。
在本说明书的一些实施例中,通过燃气重要度、时效可靠度确定取样特征,可以对原始燃气数据的采集时间戳自适应调整取样率,有利于确保采样的准确性,进而确保在原始燃气数据中采到多个采样点,避免遗漏重要的数据,同时避免影响对燃气数据可靠性的判断。
步骤420,基于取样特征,对原始燃气数据进行取样,确定原始燃气数据的至少一组燃气取样数据。
燃气取样数据可以是指对原始燃气数据进行取样后得到的部分原始燃气数据。
在一些实施例中,智慧燃气管理平台可以根据取样率和最大取样间隔,随机对原始燃气数据进行取样,获取至少一组燃气取样数据。
在一些实施例中,智慧燃气管理平台可以生成取样概率分布;基于取样概率分布与取样特征,生成至少一组燃气取样数据。
取样概率分布可以表示原始燃气数据中的每个燃气数据被取样的概率。在一些实施例中,取样概率分布可以表示为概率密度曲线(例如,正态分布曲线)。
取样概率分布可以预设得到。在一些实施例中,取样概率分布可以是均匀概率分布。均匀概率分布表示原始燃气数据中的每一条燃气数据,被取样为燃气取样数据的概率相同。在一些实施例中,取样概率分布可以是基于时间距离的非均匀概率分布。例如,原始燃气数据中,采集时间戳距离当前时间越近的数据具有较高的概率被选取作为燃气取样数据,采集时间戳距离当前时间越远的数据具有较低的概率被选取作为燃气取样数据。
在一些实施例中,智慧燃气管理平台可以基于取样概率分布进行随机取样,并判断取样后至少一组燃气取样数据的取样特征是否满足最大取样间隔,响应于否,则智慧燃气管理平台可以通过回溯、重新取样等方法,重新进行随机取样,直到满足取样特征。
在一些实施例中,智慧燃气管理平台可以基于原始燃气数据的时效可靠度,生成取样概率分布。该实施例中,取样概率分布中不同的取样区间具有不同的概率密度,取样概率分布中的取样区间的概率密度相关于该取样区间内的原始燃气数据的时效可靠度。
取样区间可以是基于原始燃气数据的采集时间均匀划分的若干时间段。
在一些实施例中,取样概率分布中各个取样区间的概率密度正相关于各个取样区间内的原始燃气数据的时效可靠度。取样区间内的原始燃气数据的时效可靠度越高,该取样区间的概率密度越大,该取样区间内的原始燃气数据被选中为燃气取样数据的概率更大。相应的,基于各个取样区间的原始燃气数据的时效可靠度,可以确定各个取样区间的概率密度,生成取样概率分布。
在本说明书的一些实施例中,不同的取样区间具有不同的概率密度,可以使得不同的取样区间对应不同的取样特征,有利于针对性的进行取样,提高至少一组燃气取样数据确定的准确性。
在一些实施例中,智慧燃气管理平台可以基于取样概率分布,对原始燃气数据进行采样,获得多组燃气取样数据。采样方式根据取样概率分布而定。例如,取样概率分布为均匀随机分布,则对原始燃气数据进行均匀随机采样;又例如,取样概率分布为高斯分布,则对原始燃气数据进行高斯采样。
在本说明书的一些实施例中,通过取样概率分布确定生成至少一组燃气取样数据,可以实现基于少量的燃气取样数据去近似一个总体分布,有利于保证原始燃气数据的重要信息。
步骤430,基于至少一组燃气取样数据,评估原始燃气数据的数据可靠度。
在一些实施例中,智慧燃气管理平台可以评估每一组燃气取样数据的数据可靠度,以及基于每一组燃气取样数据的数据可靠度,确定原始燃气数据的数据可靠度。智慧燃气管理平台可以计算至少一组燃气取样数据与预设燃气取样数据的差异,基于该差异和不同数据可靠度与不同差异的对应关系,确定每一组燃气取样数据的数据可靠度。其中,预设燃气取样数据可以是经过人为验证的可靠性高的数据。不同数据可靠度与不同差异的对应关系可以基于先验知识或历史数据确定。
在一些实施例中,智慧燃气管理平台可以基于燃气取样数据,通过至少一个预测模型确定至少一个预测燃气特征;基于对至少一个预测燃气特征的预测准确率,评估燃气取样数据对应的原始燃气数据的数据可靠度。
预测燃气特征可以是指预测的与燃气有关的特征。
在一些实施例中,至少一个预测燃气特征包括燃气时序特征、燃气空间特征、燃气故障特征中的至少一种。
燃气时序特征是指预测的一种类型的原始燃气数据在时间分布上的特征。例如,燃气时序特征可以包括未来时间点的原始燃气数据。
燃气空间特征是指预测的一种类型的原始燃气数据在空间分布上的特征。例如,燃气空间特征可以包括预测的其他点位的原始燃气数据。其他点位是指除原始燃气数据对应的采集点位之外的采集点位。
燃气故障特征是指预测的燃气管网中发生一种或多种预设故障类型的故障概率。故障类型可以包括燃气管道中燃气泄漏、燃气管道裂纹、燃气管道腐蚀等。故障类型还可以包括其它的事故类型,例如,燃气管道断裂故障、调压站的调压设备故障、储气罐破损故障等事故。
预测模型可以用于确定至少一个预测燃气特征。在一些实施例中,预测模型可以包括时序预测模型、空间预测模型等。
时序预测模型可以用于预测燃气时序特征。在一些实施例中,时序预测模型可以是长短期记忆网络(LSTM,Long Short-Term Memory)等时间序列模型。
在一些实施例中,时序预测模型的输入可以包括至少一组燃气取样数据,输出可以包括未来时间点的原始燃气数据。其中,一组燃气取样数据中可以包括在多个采集时间戳采集的燃气数据。
在一些实施例中,时序预测模型每次执行时可以对一种类型的原始燃气数据中的至少一组燃气取样数据进行处理。例如,当输入时序预测模型的燃气取样数据为燃气运输数据中取样得到的部分数据时,时序预测模型输出的是未来时间点的燃气运输数据。
在一些实施例中,时序预测模型可以通过对至少一组燃气取样数据进行多次处理,每次处理得到的模型输出为一个未来时间点的原始燃气数据。多个未来时间点的原始燃气数据构成燃气时序特征。
在一些实施例中,时序预测模型可以基于大量带有第一标签的第一训练样本训练得到。在一些实施例中,第一训练样本可以包括多个样本历史时间段的至少一组样本燃气取样数据,第一训练样本可以通过历史数据获取。在一些实施例中,第一标签为第一训练样本对应的样本未来时间点的燃气运输数据,第一标签可以由处理器或人为标注确定。其中,样本未来时间点是指样本历史时间段之后的时间点,且样本未来时间点为历史时间点。
空间预测模型可以用于预测燃气空间特征。在一些实施例中,空间预测模型可以是图神经网络模型(Graph Neural Network, GNN),或其他图模型。
在一些实施例中,空间预测模型的输入可以包括燃气图谱,输出可以是燃气空间特征。
燃气图谱是由节点和边组成的数据结构,边连接节点,节点和边可以具有属性。
燃气的节点与管道交界处对应。节点属性可以包括原始燃气数据等。例如,节点属性可以包括燃气运输数据、燃气管道数据、燃气设备数据中的至少一种类型。
边可以与管道对应,如基于管道直接连接的两个管道交界处之间具有边。边属性可以反映燃气管道相关的信息。例如,边的属性可以为燃气管道数据。
节点和边的属性可以基于基础数据用各种方法确定。数据来源可以是其他实施例中说明的方法,也可以是其他方法。数据可以包括当前的数据,也可以包括历史数据。
需要说明的是,在燃气图谱中,存在至少一个节点或边的属性为空。相应的,空间预测模型可以通过节点或边的属性为空的节点或边进行输出,即空间预测模型的输出包括多个管道或管道交界处的燃气空间特征。相应的,空间预测模型输出的燃气空间特征可以包括预测的其他节点或其他边的原始燃气数据。其他节点或其他边是指除原始燃气数据对应的节点或边之外的节点或边。
在一些实施例中,空间预测模型可以基于大量带有第二标签的第二训练样本训练得到。在一些实施例中,第二训练样本可以包括样本燃气图谱,第二训练样本可以通过历史数据确定的历史燃气图谱,历史燃气图谱的节点及其属性、边及其属性与上述说明类似,第二标签可以为节点或边的属性为空的节点或边对应的实际燃气数据。第二标签可以由处理器或人为标注确定。
在一些实施例中,至少一个预测模型包括故障预测模型,智慧燃气管理平台可以基于故障预测模型对至少一种类型的原始燃气数据对应的燃气取样数据进行处理,确定燃气故障特征。
故障预测模型可以用于预测燃气故障特征。在一些实施例中,故障预测模型可以是神经网络模型等机器学习模型。
在一些实施例中,故障预测模型的输入可以包括燃气运输数据、燃气管道数据分别对应的多组燃气取样数据,故障预测模型的输出可以包括燃气故障特征。
在一些实施例中,故障预测模型可以基于大量带有第三标签的第三训练样本训练得到。在一些实施例中,第三训练样本可以包括样本燃气运输数据、样本燃气管道数据,第三训练样本可以通过历史数据获取。在一些实施例中,第三标签为第三训练样本对应的燃气故障特征,第三标签可以由处理器或人为标注确定。
在本说明书的一些实施例中,通过基于故障预测模型确定故障类型的概率分布,能够高效、准确地预测可能会发生的故障类型,提高后续数据可靠度判定的效率和准确度。
预测准确率可以用于表征预测燃气特征的准确程度。每个预测燃气特征对应一个预测准确率。
在一些实施例中,智慧燃气管理平台可以基于燃气时序特征的预测结果与时序实际结果的差值(下称第一差值)确定燃气时序特征的预测准确率。例如,可以将(1-第一差值)的结果作为燃气时序特征的预测准确率。其中,时序实际结果可以是指到了未来时间点后实际采集得到的燃气时序特征。
在一些实施例中,智慧燃气管理平台可以基于燃气空间特征的预测结果与空间实际结果的差值(下称第二差值)确定燃气空间特征的预测准确率。例如,可以将(1-第二差值)的结果作为燃气空间特征的预测准确率。其中,空间实际结果可以是指到达未来时间点后实际采集得到的燃气空间特征。
需要说明的是,当确定的燃气时序特征包括多个时,第一差值(或燃气时序特征的预测准确率)包括多个。当确定的燃气空间特征包括多个时,第二差值(燃气空间特征的预测准确率)包括多个。
在一些实施例中,智慧燃气管理平台可以基于燃气故障特征中故障概率和故障是否实际发生,确定燃气故障特征的预测准确度。故障是否实际发生可以记为0或1,0表示故障实际未发生,1表示故障实际发生。例如,可以用1减去故障概率与故障是否实际发生(即,0或1)的差值的绝对值,将计算结果确定为燃气故障特征的预测准确度。
在本说明书的一些实施例中,通过至少一个预测模型分别确定燃气时序特征、燃气空间特征、燃气故障特征等,可以进一步提高数据处理效率,提高预测准确性。
在一些实施例中,智慧燃气管理平台可以基于一个或多个预测燃气特征的预测准确率,通过求平均值或加权求和等多种方式,确定数据可靠度。
在一些实施例中,智慧燃气管理平台可以基于至少一个预测燃气特征的预测准确率,通过加权求和获得数据可靠度。
在一些实施例中,至少一个预测燃气特征的预测准确率的权重相关于预测准确率所属项的时间距离或空间距离。
预测准确率所属项可以是指权重的加权对象。加权对象可以包括至少一个燃气时序特征的预测准确率、至少一个燃气空间特征的预测准确率、至少一个燃气故障特征的预测准确率等。
在一些实施例中,燃气时序特征的预测准确率对应的权重相关于时间距离。时间距离越短,权重越大。其中,时间距离为未来时间点与当前时间点之间的距离。该未来时间点为燃气时序特征对应的未来时间点。
在一些实施例中,燃气空间特征的预测准确率对应的权重相关于空间距离。空间距离越大,权重越小。其中,空间距离为燃气空间特征对应的其他点位与原始燃气数据对应的一个或多个采集点位之间的距离的平均值。例如,燃气图谱中包括采集点位1~采集点位3的燃气运输数据,预测的是采集点位5的燃气空间特征,则空间距离=(采集点位5与采集点位1的距离+采集点位5与采集点位2的距离+采集点位5与采集点位3的距离)/3。
在一些实施例中,燃气图谱的节点可以是采集点位。在一些实施例中,采集点位之间的距离可以指燃气图谱的节点之间的管道数量。在一些实施例中,采集点位之间的距离可以指燃气图谱的边之间的管道数量。
在本说明书的一些实施例中,预测较远时间点和较远空间点的燃气运输数据的难度较大,且存在较多不确定性,从而降低预测准确度,通过时间距离或空间距离确定第二权重,可以赋予较近时间点和较近空间点的预测结果较大的权重,提高数据可靠度的计算效率及准确性。
在一些实施例中,采集点位之间的距离可以相关于燃气图谱的节点之间的管道数量、管道所处燃气管网的复杂系数。例如,采集点位之间的距离可以是管道数量与复杂系数的乘积结果。
复杂系数可以是影响距离的系数。复杂系数可以由系统或人为预设得到。
在一些实施例中,智慧燃气管理平台可以基于不同的局部管网复杂度与不同的复杂系数的对应关系,确定当前的局部管网复杂度对应的复杂系数。关于局部管网复杂度的更多内容,可以参见图3的相关描述。
由于局部管网复杂度增加了管道的复杂度和不确定性,在本说明书的一些实施例中,通过复杂系数确定空间距离,进一步提高数据可靠度的准确性。
在一些实施例中,至少一个预测燃气特征的预测准确率的权重还可以相关于对应的至少一组燃气取样数据所处取样区间的时效可靠度。至少一组燃气取样数据所处取样区间的时效可靠度越大,权重越大。
关于取样区间、时效可靠度的更多内容,可以参见图3的相关描述。
在本说明书的一些实施例中,通过考虑时效可靠度确定权重的值,可以使得时效可靠度较高的燃气取样数据具备较高的权重,使得时效可靠度与数据可靠度相关联,进一步提高数据可靠度的准确性。
在一些实施例中,至少一个预测燃气特征的预测准确率的权重可以相同,也可以不同。
在一些实施例中,智慧燃气管理平台可以基于至少一个燃气时序特征的预测准确率、至少一个燃气空间特征的预测准确率,通过加权求和确定原始燃气数据的数据可靠度。
在一些实施例中,智慧燃气管理平台还可以基于至少一个燃气时序特征的预测准确率、至少一个燃气空间特征的预测准确率、燃气故障特征的预测准确度,通过加权求和确定原始燃气数据的数据可靠度。其中,燃气故障特征的预测准确度对应的权重小于其他预测准确率的所属项。
需要说明的是,基于故障诊断的预测结果的预测准确度难以量化和估计,因此基于故障诊断的预测结果的预测准确度参与加权时,具有较小的权重。例如,基于故障诊断的预测结果是60%存在燃气泄漏,在经过实际检测后,未发生燃气泄漏,但其并不表示该预测准确度低。
本说明书的一些实施例中,通过取样,确定至少一组燃气取样数据,进而评估原始燃气数据的数据可靠度,可以在减少计算量的同时,较为准确的反映原始燃气数据的重要信息,使得计算数据可靠度的效率大幅提高。
本说明书的一个或多个实施例中还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,计算机运行如上任一实施例所述的智慧燃气数据管理方法。
本说明书的一个或多个实施例中还提供一种智慧燃气数据管理装置,包括处理器,所述处理器用于执行如上任一实施例所述的智慧燃气数据管理方法。
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。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
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。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
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 (7)
1.一种智慧燃气数据管理方法,其特征在于,所述方法由智慧燃气数据管理物联网系统的智慧燃气管理平台执行,包括:
获取所述智慧燃气数据管理物联网系统中的至少一个平台上传的原始燃气数据,所述原始燃气数据包括燃气运输数据、燃气管道数据、燃气设备数据中的至少一种类型;评估至少一种类型的所述原始燃气数据的时效可靠度以及数据可靠度;
其中,所述评估至少一种类型的所述原始燃气数据的时效可靠度包括:
根据所述原始燃气数据中的燃气数据被采集时的采集时间戳,计算所述原始燃气数据的采集时间特征;
基于所述采集时间特征,评估所述原始燃气数据的所述时效可靠度;
所述评估至少一种类型的所述原始燃气数据的时效可靠度,进一步包括:
基于滑动区间长度和预设步长,将所述原始燃气数据划分为多个时间区间对应的多个区间燃气数据;
评估每个时间区间内的区间燃气数据的采集时间特征,并确定每个时间区间内的区间燃气数据的时效可靠度;
基于所述多个区间燃气数据的时效可靠度,确定所述原始燃气数据的所述时效可靠度;
所述评估至少一种类型的所述原始燃气数据的数据可靠度包括:
根据所述原始燃气数据的燃气重要度,确定所述原始燃气数据的取样特征,所述燃气重要度相关于燃气数据类型、燃气数据的采集平台、燃气数据所处燃气管网的局部管网复杂度中的至少一种;
基于所述取样特征,对所述原始燃气数据进行取样,确定所述原始燃气数据的至少一组燃气取样数据;
基于所述至少一组燃气取样数据,评估所述原始燃气数据的数据可靠度;根据至少一种类型的所述原始燃气数据的时效可靠度以及数据可靠度,生成至少一个存储指令,以使至少一种类型的所述原始燃气数据存储至对应的数据储存区域。
2.根据权利要求1所述的方法,其特征在于,所述根据所述原始燃气数据的燃气重要度,确定至所述原始燃气数据的取样特征包括:
基于所述原始燃气数据的所述燃气重要度以及所述时效可靠度,确定所述原始燃气数据的所述取样特征。
3.根据权利要求1所述的方法,其特征在于,所述基于所述取样特征,对所述原始燃气数据进行取样,确定所述原始燃气数据的至少一组燃气取样数据,包括:
生成取样概率分布;
基于所述取样概率分布和所述取样特征,生成至少一组所述燃气取样数据。
4.根据权利要求1所述的方法,其特征在于,所述基于所述至少一组燃气取样数据,评估所述原始燃气数据的数据可靠度包括:
基于所述燃气取样数据,通过至少一个预测模型确定至少一个预测燃气特征,所述至少一个预测燃气特征包括燃气时序特征、燃气空间特征、燃气故障特征中的至少一种;
基于所述至少一个预测燃气特征的预测准确率,评估所述燃气取样数据对应的所述原始燃气数据的所述数据可靠度。
5.根据权利要求4所述的方法,其特征在于,所述至少一个预测模型包括故障预测模型;所述基于所述燃气取样数据,通过至少一个预测模型确定至少一个预测燃气特征,包括:
基于所述故障预测模型对至少一种类型的所述原始燃气数据对应的所述燃气取样数据进行处理,确定所述燃气故障特征,所述故障预测模型为机器学习模型。
6.一种智慧燃气数据管理物联网系统,其特征在于,所述智慧燃气数据管理物联网系统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;所述智慧燃气管理平台被配置为:
获取所述智慧燃气数据管理物联网系统中的至少一个平台上传的原始燃气数据,所述原始燃气数据包括燃气运输数据、燃气管道数据、燃气设备数据中的至少一种类型;
评估至少一种类型的所述原始燃气数据的时效可靠度以及数据可靠度;
其中,所述评估至少一种类型的所述原始燃气数据的时效可靠度包括:
根据所述原始燃气数据中的燃气数据被采集时的采集时间戳,计算所述原始燃气数据的采集时间特征;
基于所述采集时间特征,评估所述原始燃气数据的所述时效可靠度;
所述评估至少一种类型的所述原始燃气数据的时效可靠度,进一步包括:
基于滑动区间长度和预设步长,将所述原始燃气数据划分为多个时间区间对应的多个区间燃气数据;
评估每个时间区间内的区间燃气数据的采集时间特征,并确定每个时间区间内的区间燃气数据的时效可靠度;
基于所述多个区间燃气数据的时效可靠度,确定所述原始燃气数据的所述时效可靠度;
所述评估至少一种类型的所述原始燃气数据的数据可靠度包括:
根据所述原始燃气数据的燃气重要度,确定所述原始燃气数据的取样特征,所述燃气重要度相关于燃气数据类型、燃气数据的采集平台、燃气数据所处燃气管网的局部管网复杂度中的至少一种;
基于所述取样特征,对所述原始燃气数据进行取样,确定所述原始燃气数据的至少一组燃气取样数据;
基于所述至少一组燃气取样数据,评估所述原始燃气数据的数据可靠度;
根据至少一种类型的所述原始燃气数据的时效可靠度以及数据可靠度,生成至少一个存储指令,以使至少一种类型的所述原始燃气数据存储至对应的数据储存区域。
7.一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,计算机运行如权利要求1-5任意一项所述的智慧燃气数据管理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311002442.5A CN116719984B (zh) | 2023-08-10 | 2023-08-10 | 一种智慧燃气数据管理方法、物联网系统和存储介质 |
US18/460,554 US12007751B2 (en) | 2023-08-10 | 2023-09-03 | Methods for smart gas data management, internet of things systems, and storage media |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311002442.5A CN116719984B (zh) | 2023-08-10 | 2023-08-10 | 一种智慧燃气数据管理方法、物联网系统和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116719984A CN116719984A (zh) | 2023-09-08 |
CN116719984B true CN116719984B (zh) | 2023-11-17 |
Family
ID=87866506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311002442.5A Active CN116719984B (zh) | 2023-08-10 | 2023-08-10 | 一种智慧燃气数据管理方法、物联网系统和存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US12007751B2 (zh) |
CN (1) | CN116719984B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108831132A (zh) * | 2018-06-13 | 2018-11-16 | 合肥托卡拉图科技有限公司 | 一种燃气远程读数智能控制系统及其实现方法 |
CN110913023A (zh) * | 2019-12-27 | 2020-03-24 | 深圳云谷星辰信息技术有限公司 | 一种面向产业园区的大数据管理平台 |
CN111539563A (zh) * | 2020-04-13 | 2020-08-14 | 珠海格力电器股份有限公司 | 一种用能安全状态预测方法、装置、服务器及存储介质 |
CN112068456A (zh) * | 2020-08-17 | 2020-12-11 | 北京市燃气集团有限责任公司 | 一种燃气管网智能调控方法、系统、终端及存储介质 |
CN112859728A (zh) * | 2021-01-14 | 2021-05-28 | 江西锋铄新能源科技有限公司 | 一种智慧能源管理平台 |
CN113176094A (zh) * | 2021-05-19 | 2021-07-27 | 浙江大学 | 燃气轮机燃烧室热声振荡在线监测系统 |
CN114757270A (zh) * | 2022-03-30 | 2022-07-15 | 重庆合众慧燃科技股份有限公司 | 基于NB-IoT燃气智能设备的异常分析方法系统及存储介质 |
CN114781799A (zh) * | 2022-03-21 | 2022-07-22 | 中铁第四勘察设计院集团有限公司 | 一种城市轨道交通能源智能管理系统 |
CN115063008A (zh) * | 2022-06-30 | 2022-09-16 | 武汉誉钱乐房地产有限公司 | 一种智慧城市建设能源智能化管理调度调控系统 |
CN115512520A (zh) * | 2022-11-21 | 2022-12-23 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气的用气安全预警方法及物联网系统 |
CN116149279A (zh) * | 2023-03-07 | 2023-05-23 | 南京邮电大学 | 一种基于物联网的工业环境数据的智能处理分析系统 |
CN116208633A (zh) * | 2023-01-04 | 2023-06-02 | 广州市华懋科技发展有限公司 | 一种人工智能服务平台系统、方法、设备及介质 |
CN116498908A (zh) * | 2023-06-26 | 2023-07-28 | 成都秦川物联网科技股份有限公司 | 基于超声波流量计的智慧燃气管网监测方法和物联网系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016115388A1 (en) * | 2015-01-15 | 2016-07-21 | Solon Manufacturing Company | Gas measurement apparatus |
US10866584B2 (en) * | 2016-05-09 | 2020-12-15 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data processing in an industrial internet of things data collection environment with large data sets |
CN109101539B (zh) | 2018-06-29 | 2021-07-02 | 东软集团股份有限公司 | 业务数据质量评价方法、装置、存储介质及电子设备 |
-
2023
- 2023-08-10 CN CN202311002442.5A patent/CN116719984B/zh active Active
- 2023-09-03 US US18/460,554 patent/US12007751B2/en active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108831132A (zh) * | 2018-06-13 | 2018-11-16 | 合肥托卡拉图科技有限公司 | 一种燃气远程读数智能控制系统及其实现方法 |
CN110913023A (zh) * | 2019-12-27 | 2020-03-24 | 深圳云谷星辰信息技术有限公司 | 一种面向产业园区的大数据管理平台 |
CN111539563A (zh) * | 2020-04-13 | 2020-08-14 | 珠海格力电器股份有限公司 | 一种用能安全状态预测方法、装置、服务器及存储介质 |
CN112068456A (zh) * | 2020-08-17 | 2020-12-11 | 北京市燃气集团有限责任公司 | 一种燃气管网智能调控方法、系统、终端及存储介质 |
CN112859728A (zh) * | 2021-01-14 | 2021-05-28 | 江西锋铄新能源科技有限公司 | 一种智慧能源管理平台 |
CN113176094A (zh) * | 2021-05-19 | 2021-07-27 | 浙江大学 | 燃气轮机燃烧室热声振荡在线监测系统 |
CN114781799A (zh) * | 2022-03-21 | 2022-07-22 | 中铁第四勘察设计院集团有限公司 | 一种城市轨道交通能源智能管理系统 |
CN114757270A (zh) * | 2022-03-30 | 2022-07-15 | 重庆合众慧燃科技股份有限公司 | 基于NB-IoT燃气智能设备的异常分析方法系统及存储介质 |
CN115063008A (zh) * | 2022-06-30 | 2022-09-16 | 武汉誉钱乐房地产有限公司 | 一种智慧城市建设能源智能化管理调度调控系统 |
CN115512520A (zh) * | 2022-11-21 | 2022-12-23 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气的用气安全预警方法及物联网系统 |
CN116208633A (zh) * | 2023-01-04 | 2023-06-02 | 广州市华懋科技发展有限公司 | 一种人工智能服务平台系统、方法、设备及介质 |
CN116149279A (zh) * | 2023-03-07 | 2023-05-23 | 南京邮电大学 | 一种基于物联网的工业环境数据的智能处理分析系统 |
CN116498908A (zh) * | 2023-06-26 | 2023-07-28 | 成都秦川物联网科技股份有限公司 | 基于超声波流量计的智慧燃气管网监测方法和物联网系统 |
Non-Patent Citations (1)
Title |
---|
智能燃气表物联网运行体系网关技术研究;邵泽华 等;《煤气与热力》;第42卷(第4期);32-34,42 * |
Also Published As
Publication number | Publication date |
---|---|
US20230409008A1 (en) | 2023-12-21 |
CN116719984A (zh) | 2023-09-08 |
US12007751B2 (en) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107949812B (zh) | 用于检测配水系统中的异常的方法 | |
CN107153874B (zh) | 水质预测方法及系统 | |
CN116642560B (zh) | 基于智慧燃气物联网的超声波燃气表计量纠正方法和系统 | |
CN110648026A (zh) | 预测模型构建方法、预测方法、装置、设备及介质 | |
Yang | Development of the regional freight transportation demand prediction models based on the regression analysis methods | |
CN116719984B (zh) | 一种智慧燃气数据管理方法、物联网系统和存储介质 | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
CN116498908B (zh) | 基于超声波流量计的智慧燃气管网监测方法和物联网系统 | |
CN112418921A (zh) | 用电需量预测方法、装置、系统与计算机存储介质 | |
Tran et al. | Impact of compressor failures on gas transmission network capability | |
CN115681821B (zh) | 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 | |
CN112348290A (zh) | 河流水质预测方法、装置、存储介质及设备 | |
CN114740159B (zh) | 一种天然气能量计量组分获取方法和物联网系统 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN117093883A (zh) | 智慧燃气异常数据分析方法、物联网系统和装置及介质 | |
CN116384843B (zh) | 数字能源氮气站的能效评估模型训练方法及其监测方法 | |
CN112906896A (zh) | 信息处理方法及装置、计算设备 | |
CN109995549A (zh) | 一种评估流量价值的方法及装置 | |
Ferreira et al. | Deterministic and Stochastic Principles to Convert Discrete Water Quality Data into Continuous Time Series | |
US20240086870A1 (en) | Method, internet of things (iot) system, and medium for disposing emergency gas supply of smart gas | |
Mani | Feature Selection and Optimization Based Deep Learning for Rainfall Prediction | |
US20240062320A1 (en) | Methods, internet of things systems, and storage mediums for controlling gas supply cost based on smart gas | |
Kang et al. | Comparison of Leak Detection Techniques Using Water Pipeline Vibration Sensor Data | |
Colombo | Application of set membership identification on low performance hardware | |
Momeni | Machine Learning-Enabled Model-Based Condition Assessment of Water Pipelines by Leveraging Hydraulic Monitoring Data |
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 |