用于物流博览会平台的能耗预测方法、系统、设备及存储介质与流程

本发明涉及物联网技术领域，特别是涉及一种用于物流博览会平台的能耗预测方法及系统。

背景技术：

物流博览会的管理面积大，需要监控的点位多，尤其是会场分成许多分散的供能区域，然而，目前对这些供能区域缺乏有效的能耗预测方法和统一的管理平台，加大了管理的难度和繁琐程度，无法满足对会场整体能耗的预测及管理的要求越来越高的要求。

技术实现要素：

本发明的目的是提供一种用于物流博览会平台的能耗预测方法及系统，其能够对多品牌车辆的停放进行统一的规范管理。

一方面，本发明实施例提供了一种用于物流博览会平台的能耗预测方法，其包括如下步骤：采集能源表的实时数据，并将实时数据通过基于蜂窝的窄带物联网(narrowbandinternetofthings,nb-iot)模组传输至onenet云平台；在onenet平台提取实时数据，将实时数据导入数据库后进行整理；采取神经网络模式对多点能耗进行预测。

根据本发明实施例的一方面，在onenet平台提取实时数据、将实时数据导入数据库后进行整理包括：提取实时数据；将实时数据导入数据库，并进行数据校验；清洗逻辑错误数据；清洗非需求数据。

根据本发明实施例的一方面，采取神经网络模式对多点能耗进行预测包括：获取各监控点的实际能耗数据，选取预定时间段内的数据作为校验数据段；设计神经网络结构，根据监控点个数n设定输入层神经元的个数，输出层神经元为1，隐含层神经元的个数范围在1和n+1之间来设定，输入层神经元即为对应的监控点的实际能耗数据，输出层神经元即为总能耗预测数据；利用当前的所述实际能耗数据，优化神经网络结构的权值，寻找最优的神经网络参数；利用校验数据段的数据测试最优的神经网络参数，如果测试精度满足要求，则得到最终的融合模型，进行能耗预测。

根据本发明实施例的一方面，如果测试精度不满足要求，则调整神经网络的结构，重新训练网络。

根据本发明实施例的一方面，调整神经网络结构包括：调整隐含层神经元的个数；比较相应的校验数据段的预测能耗的均方根误差；选择最优的隐含层神经元的个数。

另一方面，本发明实施例还提供了一种用于物流博览会平台的能耗预测系统，包括：监测模块，用于采集能源表的实时数据，并将实时数据通过基于蜂窝的窄带物联网nb-iot模组传输至onenet云平台；数据整理模块，用于在onenet平台提取实时数据，将实时数据导入数据库后进行整理；能耗预测模块，用于采取神经网络模式对多点能耗进行预测。

根据本发明实施例的一方面，能耗预测模块进一步用于，获取各监控点的实际能耗数据，选取预定时间段内的数据作为校验数据段；设计神经网络结构，根据监控点个数n设定输入层神经元的个数，输出层神经元为1，隐含层神经元的个数范围在1和n+1之间来设定，输入层神经元即为对应的监控点的实际能耗数据，输出层神经元即为总能耗预测数据；利用当前的所述实际能耗数据，优化神经网络结构的权值，寻找最优的神经网络参数；利用校验数据段的数据测试最优的神经网络参数，如果测试精度满足要求，则得到最终的融合模型，进行能耗预测。

根据本发明实施例的一方面，能耗预测模块进一步用于，如果测试精度不满足要求，则调整神经网络的结构，重新训练网络。

根据本发明实施例的一方面，能耗预测模块进一步用于，通过下述方法调整神经网络结构：调整隐含层神经元的个数，比较相应的校验数据段的预测能耗的均方根误差，选择最优的隐含层神经元的个数。

另一方面，本发明实施例还提供了一种用于物流博览会平台的能耗预测设备，包括：存储器，存储有计算机程序指令；处理器，当计算机程序指令被处理器执行时实现如前所述的用于物流博览会平台的能耗预测方法。

另一方面，本发明实施例还提供了一种计算机可读存储介质，包括：计算机可读存储介质包括指令，当指令在计算机上运行时，使得计算机执行如前所述的用于物流博览会平台的能耗预测方法。

本发明实施例提供的用于物流博览会平台的能耗预测方法及系统，采集的能耗数据经过数据清洗，去除了不合理值，解决了多监控点能耗数据采集、管理的问题。另外，基于神经网络进行能耗预测，可以有效提高预测能耗的精度。

附图说明

下面将参考附图来描述本发明示例性实施例的特征、优点和技术效果。

图1是本发明实施例提供的一种用于物流博览会平台的能耗预测方法的流程框图；

图2是本发明实施例提供的一种用于物流博览会平台的能耗预测系统的示意性原理框图；

图3是图2所示的用于物流博览会平台的能耗预测系统的检测模块的结构示意图。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本发明的原理，但不能用来限制本发明的范围，即本发明不限于所描述的实施例。

为了更好地理解本发明，下面结合图1至图3对本发明实施例的用于物流博览会平台的能耗预测方法及系统进行详细描述。

参阅图1，本发明实施例提供了一种用于物流博览会平台的能耗预测方法，其包括：

步骤s1，采集能源表的实时数据，并将实时数据通过nb-iot模组传输至onenet云平台。

能源表包括例如但不限于电表、水表、气表、热表等，通过红外感应单元与能源表交互采集能源表的实时数据。

步骤s2，在onenet平台提取实时数据，将实时数据导入数据库后进行整理。

步骤s3，采取神经网络模式对多点能耗进行预测。

进一步地，步骤s2中，在onenet平台提取实时数据、将实时数据导入数据库后进行整理包括：

步骤s21，提取实时数据。

onenet平台将实时数据通过http接口直接推送至展示大屏的web端程序后，提取实时数据。

步骤s22，将实时数据导入数据库，并进行数据校验。

该数据包括能源表的实时数据和感应到的红外数据，例如水表、电表、气表、热表的详细数据以及红外检测到的热感应数据。数据校验即通过字段解释、数据来源、代码表等描述数据的信息来验证元数据。

步骤s23，清洗逻辑错误数据。

逻辑错误数据包括冗余的水、气、热能等数据。这些数据设定有具有参考意义的初始阀值，超出初始阀值的数据、短时间上传的重复数据均应被清洗。如果当前上报的水、气、热表的数据比上一次上报的数据还要少，应根据之前的历史统计数据修正采集的值。

步骤s24，清洗非需求数据。

非需求数据主要是红外感应的数据，例如关注的人的数据，以及其它热源、光源等数据应进行数据清洗。以删除不符合需求涉及范围的字段。

上述对于实时数据的清洗过程可以大量减少数据处理过程中的流程以及时间。

进一步地，步骤s3中，采取神经网络模式对多点能耗进行预测包括：

步骤s31，获取各监控点的实际能耗数据，选取预定时间段内的数据作为校验数据段。

具体地，将各监控点的实际能耗数据按时间顺序分成不同的数据段，选取若干段作为校验数据段。时间顺序可以为，例如1小时一段或者2小时一段，灵活配置。

步骤s32，设计神经网络结构，根据监控点个数n设定输入层神经元的个数，输出层神经元为1，隐含层神经元的个数范围在1和n+1之间来设定，输入层神经元即为对应的监控点的实际能耗数据，输出层神经元即为总能耗预测数据。以第1个小时的统计数据作为初始值，后面每个时间段根据实时的值修正学习的值。

步骤s33，利用当前的所述实际能耗数据，优化神经网络结构的权值，寻找最优的神经网络参数。

当前的所述实际能耗数据即为水、气、热能、红外感应单元在一段时间内的数据。优化目标为能耗的均方根误差，优化的方法为利用最小二乘法训练神经网络的参数，例如，根据结果调整的学习次数和学习速率，将这组参数作为起点，寻找最优的神经网络参数。

具体来说，首先确定能源关键参数，以作为优化设计变量及样本数；采用试验方法生成样本并对其进行筛选得到符合要求的样本点；对初始样本进行整体场馆能耗分配造型、网格划分，获得相应性能参数，建立优化样本数据库；导入bp神经网络模块，经学习训练后建立优化算法的近似代理模型；最后将其内嵌入nsga-ⅱ多目标遗传算法中，以电、热能值最优为目标，进行遗传算法的寻优求解，解出场馆能耗整体的最优解集。

步骤s34，利用校验数据段的数据测试最优的神经网络参数，如果测试精度满足要求，则得到最终的融合模型，进行能耗预测。

如果测试精度不满足要求，则调整神经网络的结构，重新训练网络。调整神经网络结构包括：调整隐含层神经元的个数；比较相应的校验数据段的预测能耗的均方根误差；选择最优的隐含层神经元的个数。

参阅图2和图3，本发明实施例还提供了一种用于物流博览会平台的能耗预测系统，包括：监测模块10、数据整理模块20和能耗预测模块30。

监测模块10用于采集能源表的实时数据，并将实时数据通过基于蜂窝的窄带物联网nb-iot模组传输至onenet云平台。红外传感单元是监控模块10的子模块，其采集的数据传输至监控模块10。监测模块10的结构如图3所示。

数据整理模块20用于在onenet平台提取实时数据，将实时数据导入数据库后进行整理。

能耗预测模块30用于采取神经网络模式对多点能耗进行预测。

进一步地，能耗预测模块30进一步用于，获取各监控点的实际能耗数据，选取预定时间段内的数据作为校验数据段；设计神经网络结构，根据监控点个数n设定输入层神经元的个数，输出层神经元为1，隐含层神经元的个数范围在1和n+1之间来设定，并以第1个小时的统计数据作为初始值，输入层神经元即为对应的监控点的实际能耗数据，输出层神经元即为总能耗预测数据；利用当前的所述实际能耗数据，优化神经网络结构的权值，寻找最优的神经网络参数；利用校验数据段的数据测试最优的神经网络参数，如果测试精度满足要求，则得到最终的融合模型，进行能耗预测。

进一步地，能耗预测模块30进一步用于，如果测试精度不满足要求，则调整神经网络的结构，重新训练网络。

能耗预测模块30进一步用于，通过下述方法调整神经网络结构：调整隐含层神经元的个数，比较相应的校验数据段的预测能耗的均方根误差，选择最优的隐含层神经元的个数。

可以理解的是，本发明实施例提供的用于物流博览会平台的能耗预测系统是前述用于物流博览会平台的能耗预测方法的执行主体，关于各模块具体的执行方式可以参见前述用于物流博览会平台的能耗预测方法的内容，在此不再赘述。

本发明实施例提供的用于物流博览会平台的能耗预测方法及系统，采集的能耗数据经过数据清洗，去除了不合理值，解决了多监控点能耗数据采集、管理的问题。另外，基于神经网络进行能耗预测，可以有效提高预测能耗的精度。

另外，本发明实施例还提供一种用于物流博览会平台的能耗预测设备，包括：存储器，存储有计算机程序指令；处理器，当计算机程序指令被处理器执行时实现如前所述的用于物流博览会平台的能耗预测方法。

另外，本发明实施例还提供了一种计算机可读存储介质，包括：计算机可读存储介质包括指令，当指令在计算机上运行时，使得计算机执行如前所述的用于物流博览会平台的能耗预测方法。

虽然已经参考优选实施例对本发明进行了描述，但在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的预定实施例，而是包括落入权利要求的范围内的所有技术方案。