CN117892252A - 基于大数据的智慧园区运营管理平台 - Google Patents
基于大数据的智慧园区运营管理平台 Download PDFInfo
- Publication number
- CN117892252A CN117892252A CN202410304355.3A CN202410304355A CN117892252A CN 117892252 A CN117892252 A CN 117892252A CN 202410304355 A CN202410304355 A CN 202410304355A CN 117892252 A CN117892252 A CN 117892252A
- Authority
- CN
- China
- Prior art keywords
- training
- energy consumption
- feature
- vector
- time sequence
- 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
- 238000005265 energy consumption Methods 0.000 claims abstract description 151
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 239000013598 vector Substances 0.000 claims description 249
- 238000012549 training Methods 0.000 claims description 119
- 238000005259 measurement Methods 0.000 claims description 103
- 239000011159 matrix material Substances 0.000 claims description 68
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000012423 maintenance Methods 0.000 abstract description 7
- 239000002699 waste material Substances 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000005065 mining Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及智能管理技术领域，其具体地公开了一种基于大数据的智慧园区运营管理平台，其利用大数据技术，通过监测和分析被监控能源设备的历史能耗数据，从中挖掘关于设备的性能异常状态特征，进而来判断设备性能是否存在异常。这样，可以及时提醒相关技术人员采取相应的措施，例如维修、调整或替换异常零件，以降低能源浪费和安全隐患。
Description
技术领域
本申请涉及智能管理技术领域，且更为具体地，涉及一种基于大数据的智慧园区运营管理平台。
背景技术
随着智慧园区的建设和发展，大量的能源设备被部署在园区中，为园区的运营提供支持。然而，由于能源设备的种类繁多，规模庞大，运行状态复杂，传统的监控方法往往难以及时发现设备的性能异常，导致能源浪费和安全隐患，给园区的运营效率带来负面影响。
因此，期待一种优化的智慧园区运营管理平台。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于大数据的智慧园区运营管理平台，其利用大数据技术，通过监测和分析被监控能源设备的历史能耗数据，从中挖掘关于设备的性能异常状态特征，进而来判断设备性能是否存在异常。这样，可以及时提醒相关技术人员采取相应的措施，例如维修、调整或替换异常零件，以降低能源浪费和安全隐患。
相应地，根据本申请的一个方面，提供了一种基于大数据的智慧园区运营管理平台，其包括：历史能耗数据获取模块，用于获取被监控能源设备的历史能耗数据；历史能耗数据时序编码模块，用于提取所述被监控能源设备的历史能耗数据的时序特征以得到能耗数据时序特征向量的序列；向量粒度度量模块，用于计算所述能耗数据时序特征向量的序列中任意两个能耗数据时序特征向量之间的向量粒度度量系数以得到全局向量粒度度量拓扑矩阵；拓扑特征提取模块，用于提取所述全局向量粒度度量拓扑矩阵的拓扑特征以得到全局向量粒度度量拓扑特征矩阵；能源设备性能诊断模块，用于基于所述全局向量粒度度量拓扑特征矩阵，确定所述被监控能源设备的性能是否存在异常。
在上述基于大数据的智慧园区运营管理平台中，所述历史能耗数据时序编码模块，包括：数据预处理单元，用于对所述被监控能源设备的历史能耗数据进行数据预处理以得到能耗时序输入向量的序列；能耗数据时序特征提取单元，用于将所述能耗时序输入向量的序列通过基于一维卷积层的能耗时序特征提取器以得到所述能耗数据时序特征向量的序列。
在上述基于大数据的智慧园区运营管理平台中，所述数据预处理单元，用于：将所述被监控能源设备的历史能耗数据按照天为时间单位进行排列以得到所述能耗时序输入向量的序列。
在上述基于大数据的智慧园区运营管理平台中，所述向量粒度度量模块，用于：以如下向量粒度度量公式来计算所述能耗数据时序特征向量的序列中任意两个能耗数据时序特征向量之间的向量粒度度量系数以得到全局向量粒度度量拓扑矩阵；其中，所述向量粒度度量公式为：；其中，/>为前一个所述能耗数据时序特征向量，/>为后一个所述能耗数据时序特征向量，/>为各个所述能耗数据时序特征向量的维度，/>为所述向量粒度度量系数，/>表示以2为底的对数函数运算。
在上述基于大数据的智慧园区运营管理平台中，所述拓扑特征提取模块，用于：将所述全局向量粒度度量拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述全局向量粒度度量拓扑特征矩阵。
在上述基于大数据的智慧园区运营管理平台中，所述基于卷积神经网络模型的拓扑特征提取器包括输入层、二维卷积层、基于ReLU激活函数的激活层、池化层和输出层，其中，所述二维卷积层中卷积核的大小为3*3。
在上述基于大数据的智慧园区运营管理平台中，所述能源设备性能诊断模块，用于：将所述全局向量粒度度量拓扑特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监控能源设备的性能是否存在异常。
在上述基于大数据的智慧园区运营管理平台中，所述能源设备性能诊断模块，包括：矩阵展开单元，用于将所述全局向量粒度度量拓扑特征矩阵按照行向量或列向量展开为全局向量粒度度量拓扑特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述全局向量粒度度量拓扑特征向量进行全连接编码以得到全连接编码特征向量；概率化单元，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述全局向量粒度度量拓扑特征矩阵归属于各个分类标签的概率值，所述分类标签包括所述被监控能源设备的性能正常和所述被监控能源设备的性能存在异常；分类结果确定单元，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
在上述基于大数据的智慧园区运营管理平台中，还包括用于对所述基于一维卷积层的能耗时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器和所述分类器进行训练的训练模块。
在上述基于大数据的智慧园区运营管理平台中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括被监控能源设备的训练历史能耗数据，以及，所述被监控能源设备的性能是否存在异常的真实值；训练数据时序排列单元，用于将所述被监控能源设备的训练历史能耗数据按照天为时间单位进行排列以得到训练能耗时序输入向量的序列；训练能耗数据时序编码单元，用于将所述训练能耗时序输入向量的序列通过所述基于一维卷积层的能耗时序特征提取器以得到训练能耗数据时序特征向量的序列；训练向量粒度度量单元，用于计算所述训练能耗数据时序特征向量的序列中任意两个训练能耗数据时序特征向量之间的向量粒度度量系数以得到训练全局向量粒度度量拓扑矩阵；训练拓扑特征提取单元，用于将所述训练全局向量粒度度量拓扑矩阵通过所述基于卷积神经网络模型的拓扑特征提取器以得到训练全局向量粒度度量拓扑特征矩阵；分类损失计算单元，用于将所述训练全局向量粒度度量拓扑特征矩阵通过分类器以得到分类损失函数值；训练优化单元，用于以所述分类损失函数值来对所述基于一维卷积层的能耗时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器和所述分类器进行训练，其中，在将所述训练全局向量粒度度量拓扑特征矩阵展开后得到的训练全局向量粒度度量拓扑特征向量通过分类器进行分类训练时，在每次迭代时对所述训练全局向量粒度度量拓扑特征向量进行训练优化。
与现有技术相比，本申请提供的基于大数据的智慧园区运营管理平台，其利用大数据技术，通过监测和分析被监控能源设备的历史能耗数据，从中挖掘关于设备的性能异常状态特征，进而来判断设备性能是否存在异常。这样，可以及时提醒相关技术人员采取相应的措施，例如维修、调整或替换异常零件，以降低能源浪费和安全隐患。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于大数据的智慧园区运营管理平台的框图。
图2为根据本申请实施例的基于大数据的智慧园区运营管理平台的架构示意图。
图3为根据本申请实施例的基于大数据的智慧园区运营管理平台中历史能耗数据时序编码模块的框图。
图4为根据本申请实施例的基于大数据的智慧园区运营管理平台中能源设备性能诊断模块的框图。
图5为根据本申请实施例的基于大数据的智慧园区运营管理平台中训练模块的框图。
具体实施方式
为便于对本发明实施例的理解，下面将参照附图更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明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发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
图1为根据本申请实施例的基于大数据的智慧园区运营管理平台的框图。图2为根据本申请实施例的基于大数据的智慧园区运营管理平台的架构示意图。如图1和图2所示，根据本申请实施例的基于大数据的智慧园区运营管理平台100，包括：历史能耗数据获取模块110，用于获取被监控能源设备的历史能耗数据；历史能耗数据时序编码模块120，用于提取所述被监控能源设备的历史能耗数据的时序特征以得到能耗数据时序特征向量的序列；向量粒度度量模块130，用于计算所述能耗数据时序特征向量的序列中任意两个能耗数据时序特征向量之间的向量粒度度量系数以得到全局向量粒度度量拓扑矩阵；拓扑特征提取模块140，用于提取所述全局向量粒度度量拓扑矩阵的拓扑特征以得到全局向量粒度度量拓扑特征矩阵；能源设备性能诊断模块150，用于基于所述全局向量粒度度量拓扑特征矩阵，确定所述被监控能源设备的性能是否存在异常。
如上述背景技术所言，智慧园区通常会部署大量的能源设备来提供所需的电力和能源。例如，各种类型的发电机、太阳能、变压器、配电柜、电缆、UPS设备等等。智慧园区中的能源设备是园区正常运营的重要保障，同时也是实现能源智能化管理和可持续发展的重要手段。因此，这些能源设备通常由园区的能源管理部门进行管理和维护，以确保园区的正常运营。
由于智慧园区中能源设备的种类繁多、规模庞大、运行状态复杂，对能源设备的性能监管显得尤为重要。在智慧园区中，能源设备通常与各种传感器和监控系统相连，以实现能源的智能化管理和优化。例如，通过传感器实时监测能源设备的运行参数和能源使用情况，包括电压、电流、功率、温度、压力等参数，从而及时发现异常情况，确保设备运行正常。然后，根据监测数据定期对能源设备的性能进行评估，包括设备的运行效率、可靠性、剩余寿命等方面。这样，能够根据设备的性能评估结果制定预防性维护计划，定期对设备进行保养和维修，从而减少能源设备故障率和停机时间，确保能源设备运行安全可靠。
然而，传统的监控方法通常只能实现能源设备运行参数的监测，只能提供数据采集和记录，缺乏智能化数据分析和预测功能，对于监控数据的分析处理通常依赖于人工经验判断。由于人工处理这些数据既耗时又耗力，而且受限于人员因素的影响，容易出现疏忽或遗漏，这使得对于设备的实时性能监测和潜在问题预测变得困难。
针对上述技术问题，本申请的技术构思为利用大数据技术，通过监测和分析被监控能源设备的历史能耗数据，从中挖掘关于设备的性能异常状态特征，进而来判断设备性能是否存在异常。这样，可以及时提醒相关技术人员采取相应的措施，例如维修、调整或替换异常零件，以降低能源浪费和安全隐患。
在上述基于大数据的智慧园区运营管理平台100中，所述历史能耗数据获取模块110，用于获取被监控能源设备的历史能耗数据。应可以理解，能耗数据能够反映设备的运行状态。具体来说，能源设备的正常运行与能耗密切相关。也就是说，能源设备在正常工作状态下，其能耗通常会保持相对稳定的模式。当能源设备出现性能异常时，例如故障、损耗或其他问题，其能耗模式可能会发生变化。因此，在本申请的技术方案中，首先获取被监控能源设备的历史能耗数据。
在上述基于大数据的智慧园区运营管理平台100中，所述历史能耗数据时序编码模块120，用于提取所述被监控能源设备的历史能耗数据的时序特征以得到能耗数据时序特征向量的序列。具体来说，考虑到能源设备的能耗通常会随着时间的推移而变化，在不同时间点可能存在不同的能耗模式或规律。例如小时、天、季节性甚至年度性变化。因此，在本申请的技术方案中，进一步提取所述被监控能源设备的历史能耗数据的时序特征，以建立能耗数据点之间在时间上的相关性，捕获能耗数据随时间变化的模式，从而在数据分析中考虑到数据点之间的时间关联情况，更好地理解设备的性能表现。
图3为根据本申请实施例的基于大数据的智慧园区运营管理平台中历史能耗数据时序编码模块的框图。如图3所示，所述历史能耗数据时序编码模块120，包括：数据预处理单元121，用于对所述被监控能源设备的历史能耗数据进行数据预处理以得到能耗时序输入向量的序列；能耗数据时序特征提取单元122，用于将所述能耗时序输入向量的序列通过基于一维卷积层的能耗时序特征提取器以得到所述能耗数据时序特征向量的序列。
具体地，所述数据预处理单元121，用于对所述被监控能源设备的历史能耗数据进行数据预处理以得到能耗时序输入向量的序列。在本申请的一个具体示例中，对所述被监控能源设备的历史能耗数据进行数据预处理以得到能耗时序输入向量的序列的实现方式是将所述被监控能源设备的历史能耗数据按照天为时间单位进行排列以得到所述能耗时序输入向量的序列。应可以理解，将能耗数据按天进行排列可以更好地分析和理解设备的日常运行情况，捕捉到可能存在的周期性变化等特征。具体来说，通过将历史能耗数据按照天为时间单位进行排列，可以将原始数据按照更小的时间单位进行组织，降低了数据的复杂性，有助于简化数据处理和分析过程，使得数据更易于管理。并且，将历史能耗数据按照天为时间单位进行排列可以消除短期内数据波动的影响，使得模型能够更好地捕捉数据的基本趋势和模式。此外，以天为单位的数据排列使得时间序列预测更加准确和平稳，因为时间间隔相对较短，可以更好地捕捉数据的时间相关性，更好地适应实际能耗分析和监测的需求。
具体地，所述能耗数据时序特征提取单元122，用于将所述能耗时序输入向量的序列通过基于一维卷积层的能耗时序特征提取器以得到所述能耗数据时序特征向量的序列。在本申请的技术方案中，利用一维卷积层来构建所述能耗时序特征提取器以捕捉所述能源设备的能耗的日常变化模式。应可以理解，一维卷积层主要用于对只有一个维度的时序数据进行特征提取，其能够有效地捕获时序数据中的长期依赖关系和重要模式，符合处理时间序列数据的需求。也就是说，利用一维卷积层来对所述能耗时序输入向量的序列中的各个能耗时序输入向量进行时序特征挖掘，能够有效地捕获能耗时序数据中的局部模式和特征，例如突然的能耗变化或者周期性的波动。这有助于识别能耗数据中的重要模式，从而更好地理解设备性能异常的特征。并且，一维卷积层具有参数共享的特性，能够有效减少需要训练的参数量，同时更好地捕获数据中的局部模式，有助于提高模型的训练效率和泛化能力。同时，一维卷积层还具有平移不变性，这意味着无论数据中的重要时序特征出现在输入向量中的哪个位置，模型都能够识别和捕获这些特征。综上所述，通过基于一维卷积层的能耗时序特征提取器对所述能耗时序输入向量的序列进行处理，能够有效地实现数据的时序特征提取，为后续步骤提供更具代表性的数据表示。
在本申请的一个具体示例中，可以通过以下步骤将所述能耗时序输入向量的序列通过基于一维卷积层的能耗时序特征提取器以得到所述能耗数据时序特征向量的序列，包括：首先，构建一个卷积神经网络 (CNN) 模型作为基于一维卷积层的能耗时序特征提取器。具体地，定义一个具有32个滤波器、窗口大小为3的一维卷积层，用于捕获所述能耗时序输入向量中的时序模式；定义一个池化层进行最大值池化操作，对特征图进行降维和特征选择，以获取更具代表性的能耗数据时序特征；定义一个激活函数，用于在网络中引入非线性映射学习能力。然后，将所述能耗时序输入向量的序列输入构建好的基于一维卷积层的能耗时序特征提取器中，经过一维卷积处理、沿通道维度的各个特征矩阵的最大值池化处理和非线性激活处理，以得到所述能耗数据时序特征向量的序列。
在上述基于大数据的智慧园区运营管理平台100中，所述向量粒度度量模块130，用于计算所述能耗数据时序特征向量的序列中任意两个能耗数据时序特征向量之间的向量粒度度量系数以得到全局向量粒度度量拓扑矩阵。在本申请的技术方案中，通过计算任意两个能耗数据时序特征向量之间的向量粒度度量系数来衡量两者所表达的能耗时序特征之间的差异性，这对于识别异常的能耗模式具有重要意义。例如，如果两个能耗数据时序特征向量之间的向量粒度度量系数较小，表明两者在特征空间中更接近，反映两者所对应的能耗运行模式具有较高的相似性。相反，如果两个能耗数据时序特征向量之间的向量粒度度量系数较大，可能表示能源设备在不同天的能耗运行模式具有较大的差异性，进而表明可能存在异常情况。
在本申请的一个具体示例中，所述向量粒度度量模块130，用于：以如下向量粒度度量公式来计算所述能耗数据时序特征向量的序列中任意两个能耗数据时序特征向量之间的向量粒度度量系数以得到全局向量粒度度量拓扑矩阵；其中，所述向量粒度度量公式为：；其中，/>为前一个所述能耗数据时序特征向量，/>为后一个所述能耗数据时序特征向量，/>为各个所述能耗数据时序特征向量的维度，/>为所述向量粒度度量系数，/>表示以2为底的对数函数运算。
这里，通过计算向量粒度度量系数可以体现出所述两个能耗数据时序特征向量之间的交叉性差异，即前一个能耗数据时序特征向量相对于后一个能耗数据时序特征向量的差异，和后一个能耗数据时序特征向量相对于前一个能耗数据时序特征向量的差异，而这种交叉性差异可以对两者所表达的能耗时序特征进行双向补充和对比，以更能表征能耗运行模式之间的差异性。
在上述基于大数据的智慧园区运营管理平台100中，所述拓扑特征提取模块140，用于提取所述全局向量粒度度量拓扑矩阵的拓扑特征以得到全局向量粒度度量拓扑特征矩阵。在本申请的一个具体示例中，提取所述全局向量粒度度量拓扑矩阵的拓扑特征以得到全局向量粒度度量拓扑特征矩阵的实现方式是将所述全局向量粒度度量拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述全局向量粒度度量拓扑特征矩阵。应可以理解，卷积神经网络在处理二维数据方面具有优异表现，能够有效地挖掘出输入数据的局部空间关联特征。在本申请的技术方案中，基于卷积神经网络模型的拓扑特征提取器能够从所述全局向量粒度度量拓扑矩阵中学习并提取出各个能耗数据时序特征向量在特征空间中复杂的空间拓扑特征，从而捕获所述各个能耗数据时序特征向量在特征空间中的相关性，提取出更加抽象和高级的特征表示，更充分地表达所述全局向量粒度度量拓扑矩阵中的复杂关联，使得网络模型更好地捕捉到设备性能异常的局部表现，为后续的能源设备的性能判断提供更为全面和有效的特征表示。更具体地，在本申请的实施例中，所述基于卷积神经网络模型的拓扑特征提取器包括输入层、二维卷积层、基于ReLU激活函数的激活层、池化层和输出层，其中，所述二维卷积层中卷积核的大小为3*3。
在上述基于大数据的智慧园区运营管理平台100中，所述能源设备性能诊断模块150，用于基于所述全局向量粒度度量拓扑特征矩阵，确定所述被监控能源设备的性能是否存在异常。应可以理解，所述全局向量粒度度量拓扑特征矩阵综合考虑了能源设备多个时间片的历史能耗信息，以及各个时间序列的历史能耗信息之间的相关性拓扑结构，这意味着所述全局向量粒度度量拓扑特征矩阵中的特征信息对能源设备的性能具有全面的表征能力。因此，可以对所述全局向量粒度度量拓扑特征矩阵进行分析和处理，来判断被监控能源设备的性能是否存在异常。
在本申请的一个具体示例中，基于所述全局向量粒度度量拓扑特征矩阵确定所述被监控能源设备的性能是否存在异常的实现方式是将所述全局向量粒度度量拓扑特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监控能源设备的性能是否存在异常。应可以理解，分类器是一种机器学习模型，其能够通过训练来学习到不同类别之间的决策边界，根据训练数据中的标签信息进行监督学习，并通过测试数据进行验证和评估，优化分类性能，以实现对输入数据的准确分类和预测。在本申请的技术方案中，将所述全局向量粒度度量拓扑特征矩阵输入到分类器中，分类器能够学习到全局向量粒度度量拓扑特征矩阵中的关键模式和特征，理解能源设备的正常性能和异常性能之间的差异，从而利用分类器的判别能力来进行能源设备的性能监测，以得到一个用于表示所述被监控能源设备的性能是否存在异常的分类结果。也就是，将能源设备的性能监测问题转化为一个二分类任务，以简化问题的复杂性。这样，能够实现自动化、实时化的能源设备性能异常检测，并且，根据分类结果可以及时提醒相关技术人员采取相应的措施，例如维修、调整或替换异常零件，以降低能源浪费和安全隐患。
图4为根据本申请实施例的基于大数据的智慧园区运营管理平台中能源设备性能诊断模块的框图。如图4所示，所述能源设备性能诊断模块150，包括：矩阵展开单元151，用于将所述全局向量粒度度量拓扑特征矩阵按照行向量或列向量展开为全局向量粒度度量拓扑特征向量；全连接编码单元152，用于使用所述分类器的全连接层对所述全局向量粒度度量拓扑特征向量进行全连接编码以得到全连接编码特征向量；概率化单元153，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述全局向量粒度度量拓扑特征矩阵归属于各个分类标签的概率值，所述分类标签包括所述被监控能源设备的性能正常和所述被监控能源设备的性能存在异常；分类结果确定单元154，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
应可以理解，在利用上述神经网络模型之前，需要对所述基于一维卷积层的能耗时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器和所述分类器进行训练。也就是说，在本申请的基于大数据的智慧园区运营管理平台中，还包括用于对所述基于一维卷积层的能耗时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器和所述分类器进行训练的训练模块。
图5为根据本申请实施例的基于大数据的智慧园区运营管理平台中训练模块的框图。如图5所示，所述训练模块200，包括：训练数据获取单元210，用于获取训练数据，所述训练数据包括被监控能源设备的训练历史能耗数据，以及，所述被监控能源设备的性能是否存在异常的真实值；训练数据时序排列单元220，用于将所述被监控能源设备的训练历史能耗数据按照天为时间单位进行排列以得到训练能耗时序输入向量的序列；训练能耗数据时序编码单元230，用于将所述训练能耗时序输入向量的序列通过所述基于一维卷积层的能耗时序特征提取器以得到训练能耗数据时序特征向量的序列；训练向量粒度度量单元240，用于计算所述训练能耗数据时序特征向量的序列中任意两个训练能耗数据时序特征向量之间的向量粒度度量系数以得到训练全局向量粒度度量拓扑矩阵；训练拓扑特征提取单元250，用于将所述训练全局向量粒度度量拓扑矩阵通过所述基于卷积神经网络模型的拓扑特征提取器以得到训练全局向量粒度度量拓扑特征矩阵；分类损失计算单元260，用于将所述训练全局向量粒度度量拓扑特征矩阵通过分类器以得到分类损失函数值；训练优化单元270，用于以所述分类损失函数值来对所述基于一维卷积层的能耗时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器和所述分类器进行训练，其中，在将所述训练全局向量粒度度量拓扑特征矩阵展开后得到的训练全局向量粒度度量拓扑特征向量通过分类器进行分类训练时，在每次迭代时对所述训练全局向量粒度度量拓扑特征向量进行训练优化。
在上述技术方案中，所述训练能耗数据时序特征向量的序列中的每个能耗数据时序特征向量表达所述训练被监控能源设备的历史能耗数据在相应天中的局部时序关联特征，而由于所述训练被监控能源设备的历史能耗数据在各天中的数据波动本身使得其时序分布模式存在差异，计算所述训练能耗数据时序特征向量的序列中任意两个训练能耗数据时序特征向量之间的向量粒度度量系数得到的所述训练全局向量粒度度量拓扑矩阵将具有整体特征分布的较为显著的不一致和不稳定，并且，这会在通过基于卷积神经网络模型进行局部拓扑关联特征的提取时变得更加明显，从而影响所述训练全局向量粒度度量拓扑特征矩阵通过分类器进行分类训练的稳定性。
基于此，本申请在将所述训练全局向量粒度度量拓扑特征矩阵展开后得到的训练全局向量粒度度量拓扑特征向量通过分类器进行分类训练时，在每次迭代时对所述训练全局向量粒度度量拓扑特征向量进行训练优化，具体表示为：在将所述全局向量粒度度量拓扑特征矩阵展开后得到的训练全局向量粒度度量拓扑特征向量通过分类器进行分类训练时，以如下训练优化公式在每次迭代时对所述训练全局向量粒度度量拓扑特征向量进行训练优化以得到优化训练全局向量粒度度量拓扑特征向量；其中，所述训练优化公式为：；其中，/>是所述训练全局向量粒度度量拓扑特征向量，/>是所述训练全局向量粒度度量拓扑特征向量的第/>个位置的特征值，/>是所述训练全局向量粒度度量拓扑特征向量/>的1范数的平方，/>是所述训练全局向量粒度度量拓扑特征向量/>的2范数的平方根的倒数，/>是所述训练全局向量粒度度量拓扑特征向量/>的长度，且/>是缩放超参数，/>表示以2为底的对数函数值，/>是所述优化训练全局向量粒度度量拓扑特征向量的第/>个位置的特征值。
这里，以基于所述训练全局向量粒度度量拓扑特征向量的范数的低秩化结构表示为所述训练全局向量粒度度量拓扑特征向量/>的特征值集合聚合的投票簇，对所述训练全局向量粒度度量拓扑特征向量/>的每个特征值进行相对于信息感知框架的典范化投票，以通过聚合特征分布的方向和尺度的回归表示来将归属于同一回归类的特征值映射到类似的局部典范化坐标集合，从而提升所述训练全局向量粒度度量拓扑特征向量/>的特征集合的聚合效果，对于全局特征分布经由分类器的权重矩阵的类概率回归具有鲁棒性，提升分类训练的稳定性。
综上，根据本申请实施例的基于大数据的智慧园区运营管理平台被阐明，其利用大数据技术，通过监测和分析被监控能源设备的历史能耗数据，从中挖掘关于设备的性能异常状态特征，进而来判断设备性能是否存在异常。这样，可以及时提醒相关技术人员采取相应的措施，例如维修、调整或替换异常零件，以降低能源浪费和安全隐患。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元也可以由一个单元通过软件或者硬件来实现。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于大数据的智慧园区运营管理平台，其特征在于，包括：历史能耗数据获取模块，用于获取被监控能源设备的历史能耗数据；历史能耗数据时序编码模块，用于提取所述被监控能源设备的历史能耗数据的时序特征以得到能耗数据时序特征向量的序列；向量粒度度量模块，用于计算所述能耗数据时序特征向量的序列中任意两个能耗数据时序特征向量之间的向量粒度度量系数以得到全局向量粒度度量拓扑矩阵；拓扑特征提取模块，用于提取所述全局向量粒度度量拓扑矩阵的拓扑特征以得到全局向量粒度度量拓扑特征矩阵；能源设备性能诊断模块，用于基于所述全局向量粒度度量拓扑特征矩阵，确定所述被监控能源设备的性能是否存在异常。
2.根据权利要求1所述的基于大数据的智慧园区运营管理平台，其特征在于，所述历史能耗数据时序编码模块，包括：数据预处理单元，用于对所述被监控能源设备的历史能耗数据进行数据预处理以得到能耗时序输入向量的序列；能耗数据时序特征提取单元，用于将所述能耗时序输入向量的序列通过基于一维卷积层的能耗时序特征提取器以得到所述能耗数据时序特征向量的序列。
3.根据权利要求2所述的基于大数据的智慧园区运营管理平台，其特征在于，所述数据预处理单元，用于：将所述被监控能源设备的历史能耗数据按照天为时间单位进行排列以得到所述能耗时序输入向量的序列。
4.根据权利要求3所述的基于大数据的智慧园区运营管理平台，其特征在于，所述向量粒度度量模块，用于：以如下向量粒度度量公式来计算所述能耗数据时序特征向量的序列中任意两个能耗数据时序特征向量之间的向量粒度度量系数以得到全局向量粒度度量拓扑矩阵；其中，所述向量粒度度量公式为：；其中，/>为前一个所述能耗数据时序特征向量，/>为后一个所述能耗数据时序特征向量，/>为各个所述能耗数据时序特征向量的维度，/>为所述向量粒度度量系数，/>表示以2为底的对数函数运算。
5.根据权利要求4所述的基于大数据的智慧园区运营管理平台，其特征在于，所述拓扑特征提取模块，用于：将所述全局向量粒度度量拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述全局向量粒度度量拓扑特征矩阵。
6.根据权利要求5所述的基于大数据的智慧园区运营管理平台，其特征在于，所述基于卷积神经网络模型的拓扑特征提取器包括输入层、二维卷积层、基于ReLU激活函数的激活层、池化层和输出层，其中，所述二维卷积层中卷积核的大小为3*3。
7.根据权利要求6所述的基于大数据的智慧园区运营管理平台，其特征在于，所述能源设备性能诊断模块，用于：将所述全局向量粒度度量拓扑特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监控能源设备的性能是否存在异常。
8.根据权利要求7所述的基于大数据的智慧园区运营管理平台，其特征在于，所述能源设备性能诊断模块，包括：矩阵展开单元，用于将所述全局向量粒度度量拓扑特征矩阵按照行向量或列向量展开为全局向量粒度度量拓扑特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述全局向量粒度度量拓扑特征向量进行全连接编码以得到全连接编码特征向量；概率化单元，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述全局向量粒度度量拓扑特征矩阵归属于各个分类标签的概率值，所述分类标签包括所述被监控能源设备的性能正常和所述被监控能源设备的性能存在异常；分类结果确定单元，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
9.根据权利要求8所述的基于大数据的智慧园区运营管理平台，其特征在于，还包括用于对所述基于一维卷积层的能耗时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器和所述分类器进行训练的训练模块。
10.根据权利要求9所述的基于大数据的智慧园区运营管理平台，其特征在于，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括被监控能源设备的训练历史能耗数据，以及，所述被监控能源设备的性能是否存在异常的真实值；训练数据时序排列单元，用于将所述被监控能源设备的训练历史能耗数据按照天为时间单位进行排列以得到训练能耗时序输入向量的序列；训练能耗数据时序编码单元，用于将所述训练能耗时序输入向量的序列通过所述基于一维卷积层的能耗时序特征提取器以得到训练能耗数据时序特征向量的序列；训练向量粒度度量单元，用于计算所述训练能耗数据时序特征向量的序列中任意两个训练能耗数据时序特征向量之间的向量粒度度量系数以得到训练全局向量粒度度量拓扑矩阵；训练拓扑特征提取单元，用于将所述训练全局向量粒度度量拓扑矩阵通过所述基于卷积神经网络模型的拓扑特征提取器以得到训练全局向量粒度度量拓扑特征矩阵；分类损失计算单元，用于将所述训练全局向量粒度度量拓扑特征矩阵通过分类器以得到分类损失函数值；训练优化单元，用于以所述分类损失函数值来对所述基于一维卷积层的能耗时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器和所述分类器进行训练，其中，在将所述训练全局向量粒度度量拓扑特征矩阵展开后得到的训练全局向量粒度度量拓扑特征向量通过分类器进行分类训练时，在每次迭代时对所述训练全局向量粒度度量拓扑特征向量进行训练优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410304355.3A CN117892252A (zh) | 2024-03-18 | 2024-03-18 | 基于大数据的智慧园区运营管理平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410304355.3A CN117892252A (zh) | 2024-03-18 | 2024-03-18 | 基于大数据的智慧园区运营管理平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117892252A true CN117892252A (zh) | 2024-04-16 |
Family
ID=90651072
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410304355.3A Pending CN117892252A (zh) | 2024-03-18 | 2024-03-18 | 基于大数据的智慧园区运营管理平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117892252A (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150058982A1 (en) * | 2001-12-14 | 2015-02-26 | Eleazar Eskin | Methods of unsupervised anomaly detection using a geometric framework |
| US20160028762A1 (en) * | 2014-07-23 | 2016-01-28 | Cisco Technology, Inc. | Distributed supervised architecture for traffic segregation under attack |
| JP2017010468A (ja) * | 2015-06-25 | 2017-01-12 | Kddi株式会社 | 撮影画像に写る物体を検索するシステム及び方法 |
| WO2019199457A1 (en) * | 2018-04-08 | 2019-10-17 | Microsoft Technology Licensing, Llc | Anomaly detection based on topological relationship graphs |
| CN111566623A (zh) * | 2018-03-30 | 2020-08-21 | 英特尔公司 | 用于可配置空间加速器中的集成性能监视的装置、方法和系统 |
| US20230047450A1 (en) * | 2021-08-10 | 2023-02-16 | Electronics And Telecommunications Research Institute | Apparatus for inferring cyberattack path based on attention, and apparatus and method for training intelligent attack path prediction model |
| CN116341360A (zh) * | 2023-01-30 | 2023-06-27 | 东南大学 | 一种采用机器学习辅助优化的天线拓扑像素优化设计方法 |
| CN116827641A (zh) * | 2023-06-30 | 2023-09-29 | 哈尔滨工业大学（威海） | 一种车载can总线异常流量检测溯源方法及系统 |
| CN117094651A (zh) * | 2023-04-27 | 2023-11-21 | 杭州里德通信有限公司 | 一体化储能管理系统及能量管理方法 |
| CN117116051A (zh) * | 2023-10-25 | 2023-11-24 | 深圳市交投科技有限公司 | 基于人工智能的智慧交通管理系统及其方法 |
| CN117156442A (zh) * | 2023-10-31 | 2023-12-01 | 深圳市中科鼎创科技股份有限公司 | 基于5g网络的云数据安全保护方法及系统 |
| CN117201410A (zh) * | 2023-09-12 | 2023-12-08 | 广东云百科技有限公司 | 用于物联网的流量管理方法及系统 |
| CN117574915A (zh) * | 2023-12-05 | 2024-02-20 | 广州市启点创意科技有限公司 | 基于多方数据源的公共数据平台及其数据分析方法 |
| CN117787563A (zh) * | 2024-01-02 | 2024-03-29 | 峻德新能源科技(深圳)有限公司 | 基于大数据的产业园供应链服务系统及方法 |
-
2024
- 2024-03-18 CN CN202410304355.3A patent/CN117892252A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150058982A1 (en) * | 2001-12-14 | 2015-02-26 | Eleazar Eskin | Methods of unsupervised anomaly detection using a geometric framework |
| US20160028762A1 (en) * | 2014-07-23 | 2016-01-28 | Cisco Technology, Inc. | Distributed supervised architecture for traffic segregation under attack |
| JP2017010468A (ja) * | 2015-06-25 | 2017-01-12 | Kddi株式会社 | 撮影画像に写る物体を検索するシステム及び方法 |
| CN111566623A (zh) * | 2018-03-30 | 2020-08-21 | 英特尔公司 | 用于可配置空间加速器中的集成性能监视的装置、方法和系统 |
| WO2019199457A1 (en) * | 2018-04-08 | 2019-10-17 | Microsoft Technology Licensing, Llc | Anomaly detection based on topological relationship graphs |
| US20230047450A1 (en) * | 2021-08-10 | 2023-02-16 | Electronics And Telecommunications Research Institute | Apparatus for inferring cyberattack path based on attention, and apparatus and method for training intelligent attack path prediction model |
| CN116341360A (zh) * | 2023-01-30 | 2023-06-27 | 东南大学 | 一种采用机器学习辅助优化的天线拓扑像素优化设计方法 |
| CN117094651A (zh) * | 2023-04-27 | 2023-11-21 | 杭州里德通信有限公司 | 一体化储能管理系统及能量管理方法 |
| CN116827641A (zh) * | 2023-06-30 | 2023-09-29 | 哈尔滨工业大学（威海） | 一种车载can总线异常流量检测溯源方法及系统 |
| CN117201410A (zh) * | 2023-09-12 | 2023-12-08 | 广东云百科技有限公司 | 用于物联网的流量管理方法及系统 |
| CN117116051A (zh) * | 2023-10-25 | 2023-11-24 | 深圳市交投科技有限公司 | 基于人工智能的智慧交通管理系统及其方法 |
| CN117156442A (zh) * | 2023-10-31 | 2023-12-01 | 深圳市中科鼎创科技股份有限公司 | 基于5g网络的云数据安全保护方法及系统 |
| CN117574915A (zh) * | 2023-12-05 | 2024-02-20 | 广州市启点创意科技有限公司 | 基于多方数据源的公共数据平台及其数据分析方法 |
| CN117787563A (zh) * | 2024-01-02 | 2024-03-29 | 峻德新能源科技(深圳)有限公司 | 基于大数据的产业园供应链服务系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| TIANZONG YU: "Recursive least squares method for training and pruning convolutional neural networks", 《APPLIED INTELLIGENCE》, 31 December 2023 (2023-12-31) * |
| 杜航: "基于词向量和卷积神经网络的税务问答系统", 《计算机与数字工程》, vol. 52, no. 1, 31 January 2024 (2024-01-31) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9483049B2 (en) | Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program | |
| CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
| CN110659672B (zh) | 一种风电机组出力分步不确定性预测方法及装置 | |
| CN117375237B (zh) | 基于数字孪生技术变电站运维方法及系统 | |
| CN112766618B (zh) | 异常预测方法及装置 | |
| CN111126820A (zh) | 反窃电方法及系统 | |
| CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| CN113962308A (zh) | 一种航空设备故障预测方法 | |
| CN116700193A (zh) | 工厂车间智能化监控管理系统及其方法 | |
| CN111143835B (zh) | 基于机器学习的电力计量系统业务逻辑非侵入式防护方法 | |
| CN115689524A (zh) | 一种数据中心机房电气设备预测性维护系统及方法 | |
| CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
| CN117612345A (zh) | 一种电力设备状态监测报警系统及方法 | |
| CN117194163A (zh) | 一种计算机设备、故障检测系统、方法及可读存储介质 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN117892252A (zh) | 基于大数据的智慧园区运营管理平台 | |
| Trstenjak et al. | A Decision Support System for the Prediction of Wastewater Pumping Station Failures Based on CBR Continuous Learning Model. | |
| Chen et al. | Fault diagnosis and Prediction Algorithm of Digital Distribution Network based on Deep Learning | |
| Zhang et al. | Fault Diagnosis for Wind Turbine Generators Using Normal Behavior Model Based on Multi-Task Learning | |
| CN118194222A (zh) | 基于scada数据的时空融合风电机组故障预测方法 | |
| CN117474584A (zh) | 一种基于大数据的电力客户需求预测与分析系统 | |
| Wang et al. | A Multi-View Spatio-Temporal Feature Fusion Approach for Wind Turbine Condition Monitoring Based on SCADA Data | |
| Xiao et al. | Autoencoder‐based method to assess bridge health monitoring data quality | |
| CN117743939A (zh) | 一种风电设备剩余使用寿命预测方法、系统及电子设备 |
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 |