一种综合能源系统数据处理计算方法及处理系统与流程

1.本发明涉及能源数据处理技术领域，具体涉及一种综合能源系统数据处理计算方法及处理系统。


背景技术：

2.综合能源系统是指一定区域内利用先进的物理信息技术和创新管理模式，整合区域内煤炭、石油、天然气、电能、热能等多种能源，实现多种异质能源子系统之间的协调规划、优化运行，协同管理、交互响应和互补互济。在满足系统内多元化用能需求的同时，要有效地提升能源利用效率，促进能源可持续发展的新型一体化的能源系统。
3.现有研究大多针对综合能源系统，从不同角度构建评价指标体系，对综合能源系统运行、可靠性、效益等方面进行评估。有的文献分析了面向园区微电网的综合能源系统组成及其特点，考虑经济、可靠、能耗、环保4个方面的影响因素，建立了面向园区微电网的综合能源系统的指标评价模型，而后基于层次分析法(ahp)
‑
改进熵权法确定各项指标的权重赋值，建立多准则评价体系；有的文献基于分布式能源系统的主要设备建立不同能源系统，根据冷热电负荷需求、能源价格和设备技术信息等，求解得到不同系统的最优配置、运行策略和评价指标值，建立分布式能源系统指标评价矩阵，利用信息熵原理求解不同指标的权重分布，结合专家评价方法确定的重要性指标权重。
4.综上所述，现有的综合能源系统数据处理方法，大多考虑系统内各能源在过去时序上的安全性分析，而无法获得未来时序上的综合能源系统的安全性实时监测，不能做到在用户终端处进行安全预警，安全属性低。


技术实现要素：

5.本发明的目的在于提供一种综合能源系统数据处理计算方法及处理系统，以解决现有技术中不能做到在用户终端处进行安全预警，安全属性低的技术问题。
6.为解决上述技术问题，本发明具体提供下述技术方案：一种综合能源系统数据处理计算方法，包括以下步骤：步骤s1、在综合能源系统的用户终端获取用户终端的多能源消耗数据时序链，并基于所述多能源消耗数据时序链构建训练时序样本，所述多能源消耗数据时序链表征为用户终端在每个时序上的多能源消耗真实数据；步骤s2、基于所述训练时序样本构建多能源消耗数据预测模型，所述多能源消耗数据预测模型用于预测出用户终端在未来时序的多能源消耗预测数据；步骤s3、将所述用户终端在未来时序的多能源消耗真实数据与多能源消耗预测数据进行对照判断能源消耗状态异常与否，并在能源消耗状态异常状态下进行预警，以实现能源消耗状态的监听。
7.作为本发明的一种优选方案，所述步骤s1中还包括对各个能源的消耗真实数据在每个时序上进行归一化处理得到所述多能源消耗真实数据，其中，表征
为时序t上的多能源消耗真实数据，表征为归一化后的第m个能源的消耗真实数据，m为综合能源系统中能源的总数目，所述多能源消耗数据时序链为，表征为第n个时序，n为时序总数目； 将所述多能源消耗数据时序链在每个时序的多能源消耗真实数据量化为一个训练样本，并保留多能源消耗数据时序链的时序属性作为训练样本的时序属性获得训练时序样本 ，表征为矩阵转置运算符，表征为时序t的训练样本，且为时序上的多能源消耗真实数据。
8.作为本发明的一种优选方案，所述步骤s2中，所述多能源消耗数据预测模型的构建方法包括：步骤s201、将所述训练时序样本为 输入cnn卷积神经网络进行能源数据特征提取，输出能源数据特征序列，其中，所述cnn卷积神经网络的训练参数设定包括：网络filter设定为128个，激活函数设定为relu函数，池化处理设定为max
‑
poling模式，dropout概率设定为0.25； 步骤s202、将所述能源数据特征序列输入至lstm长短期记忆网络中进行时序预测训练，输出在训练时序样本的时序t上的多能源消耗预测数据，其中，所述lstm长短期记忆网络的训练参数设定包括：网络层timestep设定为图像特征序列的特征类别数，训练方式设置为seq2seq的反向传递模式，误差设定为，表征为多能源消耗数据预测模型的误差，n为时序总数目， 为时序上的训练样本，且为时序上的多能源消耗真实数据，为lstm长短期记忆网络输出时序的多能源消耗预测数据，分别为第1,2,
…
,m个能源的消耗预测数据；步骤s203、根据所述误差最小原则确定出cnn卷积神经网络和lstm长短期记忆网络的网络参数得到多能源消耗数据预测模型。
9.作为本发明的一种优选方案，所述步骤s2中，所述多能源消耗数据预测模型的输入为时序的多能源消耗真实数据 ，输出为在未来时序的多能源消耗预测数据 ，其中，表征为未来时序上的多能源消耗预测数据，m为未来时序的总数目。
10.作为本发明的一种优选方案，所述步骤s3中，所述能源消耗状态异常与否的判断方法包括：获取所述用户终端在未来时序上的多能源消耗真实数据，并与多能源消耗预测数据 进行相似度比较；设定相似度阈值，其中，若多能源消耗真实数据与多能源消耗预测数据
相似度超过于相似度阈值，则判定能源消耗状态为异常；若多能源消耗真实数据与多能源消耗预测数据相似度未超过于相似度阈值，则判定能源消耗状态为正常。
11.作为本发明的一种优选方案，所述相似度的计算方法包括：计算多能源消耗真实数据与多能源消耗预测数据的欧氏距离作为所述相似度，所述相似度计算公式为：；其中，为多能源消耗真实数据与多能源消耗预测数据的相似度，t为转置运算符，，为各个能源的危险系数权重向量，为第r个能源的危险系数权重，m为综合能源系统中能源的总数目。
12.作为本发明的一种优选方案，所述相似度阈值的设定方法包括：在所述多能源消耗真实数据每个时序t上对能源消耗状态进行标记，其中，若所述用户终端在时序上处于异常能源消耗状态，则将多能源消耗真实数据标记为异常多能源消耗真实数据；若所述用户终端在时序上处于正常能源消耗状态，则将多能源消耗真实数据标记为正常多能源消耗真实数据；将所有正常多能源消耗真实数据进行极限项获取，并对所述正常多能源消耗真实数据的极大项和极小项分别进行均值化处理得到相似度阈值，其中，极大项的均值化公式为：，表征为相似度阈值极大值，表征为的第i个能源的消耗真实数据， m为综合能源系统中能源的总数目；极小项的均值化公式为：，表征为相似度阈值极小值，表征为的第k个能源的消耗真实数据， m为综合能源系统中能源的总数目；相似度阈值，表征为相似度阈值。
13.作为本发明的一种优选方案，本发明提供了一种根据所述的综合能源系统数据处理计算方法的处理系统，包括：数据采集装置，用于在综合能源系统的用户终端获取用户终端的各个能源的消耗真实数据；模型训练单元，用于构建训练时序样本以及构建多能源消耗数据预测模型；能源消耗监听单元，用于将所述用户终端在未来时序的多能源消耗真实数据与多能源消耗预测数据进行对照判断能源消耗状态异常与否，并在能源消耗状态异常状态下进
行预警，以实现能源消耗状态的监听。
14.作为本发明的一种优选方案，所述数据采集装置包括与各个能源相匹配的数据采集组件，所述数据采集组件分别对应安装在每种能源的用户终端处以采集每种能源在每个时序上的消耗真实数据，所有数据采集组件具有相同的采集时序规律。
15.本发明与现有技术相比较具有如下有益效果：本发明利用对用户终端的多能源消耗真实数据进行实时采集生成预测模型训练用的训练时序样本，并基于cnn
‑
lstm时序预测模型对训练时序样本进行训练得到多能源消耗数据预测模型，实现对用户终端在未来时序上的多能源消耗情况进行预测得到多能源消耗预测数据，并与用户终端在未来时序上的多能源消耗真实数据进行相似度比对判定出用户终端的能源消耗状态是否存在异常，并对异常状况进行预警从而能够起到综合能源系统的实时监听，提高系统安全性。
附图说明
16.为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
17.图1为本发明实施例提供的综合能源系统数据处理计算方法流程图；图2为本发明实施例提供的处理系统结构框图。
18.图中的标号分别表示如下：1
‑
数据采集装置；2
‑
模型训练单元；3
‑
能源消耗监听单元。
具体实施方式
19.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.如图1所示，正常状态下能源用户的能源消耗量通常是具有一定稳定且规律性的时序数据，主要表征出能源用户的能源消耗量的特征规律，如果能源用户的能源消耗量突然产生巨大的量变情况，则说明该能源用户出现了能源消耗异常，通常预示着该能源用户出现了异常事件，比如煤气泄漏导致煤气能源消耗量大幅提升、或者用水泄漏导致水源消耗量大幅提升等，对此类事件进行预警，可有效的提高能源用户的安全性，因此本发明提供了一种综合能源系统数据处理计算方法。
21.一种综合能源系统数据处理计算方法，包括以下步骤：步骤s1、在综合能源系统的用户终端获取用户终端的多能源消耗数据时序链，并基于所述多能源消耗数据时序链构建训练时序样本，所述多能源消耗数据时序链表征为用户终端在每个时序上的多能源消耗真实数据；所述步骤s1中还包括对各个能源的消耗真实数据在每个时序上进行归一化处理得到所述多能源消耗真实数据，其中，表征为时序t上的多能源消耗真
实数据，表征为归一化后的第m个能源的消耗真实数据，m为综合能源系统中能源的总数目，所述多能源消耗数据时序链为，表征为第n个时序，n为时序总数目；将所述多能源消耗数据时序链在每个时序的多能源消耗真实数据量化为一个训练样本，并保留多能源消耗数据时序链的时序属性作为训练样本的时序属性获得训练时序样本，表征为矩阵转置运算符，表征为时序t的训练样本，且为时序上的多能源消耗真实数据。
22.多能源包括但不限于水源，电源和煤气能源，通过采集用户终端在每个时序上的多能源消耗真实数据，可有效的获取到能源用户的多能源消耗量的真实情况，并从中获取出能源用户的多能源消耗真实数据的时序规律。
23.步骤s2、基于所述训练时序样本构建多能源消耗数据预测模型，所述多能源消耗数据预测模型用于预测出用户终端在未来时序的多能源消耗预测数据；所述步骤s2中，所述多能源消耗数据预测模型的构建方法包括：步骤s201、将所述训练时序样本为输入cnn卷积神经网络进行能源数据特征提取，输出能源数据特征序列，其中，所述cnn卷积神经网络的训练参数设定包括：网络filter设定为128个，激活函数设定为relu函数，池化处理设定为max
‑
poling模式，dropout概率设定为0.25；步骤s202、将所述能源数据特征序列输入至lstm长短期记忆网络中进行时序预测训练，输出在训练时序样本的时序t上的多能源消耗预测数据，其中，所述lstm长短期记忆网络的训练参数设定包括：网络层timestep设定为图像特征序列的特征类别数，训练方式设置为seq2seq的反向传递模式，误差设定为，表征为多能源消耗数据预测模型的误差，n为时序总数目，为时序上的训练样本，且为时序上的多能源消耗真实数据，为lstm长短期记忆网络输出时序的多能源消耗预测数据，分别为第1,2,
…
,m个能源的消耗预测数据；步骤s203、根据所述误差最小原则确定出cnn卷积神经网络和lstm长短期记忆网络的网络参数得到多能源消耗数据预测模型。
24.所述步骤s2中，所述多能源消耗数据预测模型的输入为时序的多能源消耗真实数据，输出为在未来时序的多能源消耗预测数据，其中，表征为未来时序上的多能源消耗预测数据，m为未来时序的总数目。
25.利用cnn卷积神经网络实现对训练时序样本进行能源数据特征的提取，并输出作为lstm长短期记忆网络输入的具有时序依赖属性的能源数据特征序列，可便于lstm长短期记忆网络挖掘出各时序上能源数据特征之间的关联属性，映射到未来时序上，表示为挖掘
出多能源消耗真实数据在过去时序中各个时序上的真实数据之间的关联属性，从而可实现输入多能源消耗真实数据在过去时序t的真实数据，得到多能源消耗真实数据在过去时序的预测数据，从而实现多能源消耗数据在未来时序的预测功能，即表征为按照能源用户在过去时序上的能源消耗量规律预测出在未来时序上的能源消耗量。
26.在不存在异常状况发生的情况下，一般而言能源用户的能源消耗量会在未来时序上保持一个与过去时序上相同的数据规律，因此，只需要将未来时序的能源预测消耗量作为能源用户的能源消耗基准，将能源用户在未来时序的能源真实消耗量与能源消耗基准进行比较，只要能源用户在未来时序的能源真实消耗量与能源消耗基准的相似程度高，则表明能源用户未出现异常能源消耗状况，而能源用户在未来时序的能源真实消耗量与能源消耗基准的相似程度低，能源真实消耗量已经很大程度的偏离了能源消耗基准，则表明能源用户出现异常能源消耗状况，因此可利用表征能源用户在未来时序的能源真实消耗量的用户终端在未来时序的多能源消耗真实数据，以及表征能源用户未来时序的能源预测消耗量的用户终端在未来时序的多能源消耗预测数据进行能源用户的能源消耗状态的监听，具体如下：步骤s3、将所述用户终端在未来时序的多能源消耗真实数据与多能源消耗预测数据进行对照判断能源消耗状态异常与否，并在能源消耗状态异常状态下进行预警，以实现能源消耗状态的监听。
27.所述步骤s3中，所述能源消耗状态异常与否的判断方法包括：获取所述用户终端在未来时序上的多能源消耗真实数据，并与多能源消耗预测数据进行相似度比较；设定相似度阈值，其中，若多能源消耗真实数据与多能源消耗预测数据相似度超过于相似度阈值，则判定能源消耗状态为异常；若多能源消耗真实数据与多能源消耗预测数据相似度未超过于相似度阈值，则判定能源消耗状态为正常。
28.所述相似度的计算方法包括：计算多能源消耗真实数据与多能源消耗预测数据的欧氏距离作为所述相似度，所述相似度计算公式为：；其中，为多能源消耗真实数据与多能源消耗预测数据的相似度，t为转置运算符，，为各个能源的危险系数权重向量，为第r个能源的危险系数权重，m为综合能源系统中能源的总数
目。
29.由于综合能源系统中各个能源的能源消耗异常所带来的危险程度不同，比如，煤气能源出现正常使用外的异常泄漏情况，就算泄漏量少，造成的能源消耗量异常程度低，但是少量的煤气泄漏就会造成严重的安全危害，因此像此类消耗量异常程度低，却危害性高的能源需要给予高权重系数，以表示处该能源消耗量数据的重要程度，越重要的能源数据类别，在相似度计算中占据的权重越大，设置每种能源的危险系数可以实现对危险系数高的能源数据类别进行贡献排序，使得计算得到的相似度能够精准反应出危险系数高且泄漏量小的能源消耗状况。
30.所述相似度阈值的设定方法包括：在所述多能源消耗真实数据 每个时序t上对能源消耗状态进行标记，其中，若所述用户终端在时序上处于异常能源消耗状态，则将多能源消耗真实数据标记为异常多能源消耗真实数据；若所述用户终端在时序上处于正常能源消耗状态，则将多能源消耗真实数据标记为正常多能源消耗真实数据；将所有正常多能源消耗真实数据进行极限项获取，并对所述正常多能源消耗真实数据的极大项和极小项分别进行均值化处理得到相似度阈值，其中，极大项的均值化公式为：，表征为相似度阈值极大值，表征为的第i个能源的消耗真实数据， m为综合能源系统中能源的总数目；极小项的均值化公式为：，表征为相似度阈值极小值，表征为的第k个能源的消耗真实数据， m为综合能源系统中能源的总数目；相似度阈值，表征为相似度阈值。
31.相似度阈值取自于能源用户处于正常能源消耗状况下的用户终端在每个时序消耗真实数据，是对能源用户的正常能源消耗状况下的用户终端在每个时序消耗真实数据的经验归纳而得到的经验值，即能源用户的正常能源消耗状况下的能源消耗量的最大值和最小值间差距，表明能源真实消耗量和能源消耗基准间的最大允许差距，多能源消耗真实数据 与多能源消耗预测数据相似度在这个差距范围内，则表示了能源用户在未来时序上的能源真实消耗量仍然在能源消耗基准容许的范围内，不触及异常的能源消耗状况，多能源消耗真实数据 与多能源消耗预测数据相似度不在这个差距范围内，则表示了能源用户在未来时序上的能源真实消耗量不在能源消耗基准容许的范围内，将触及异常的能源消耗状况，需要进行预警处理，预警处理可采用向能源系统安全监管部门进行能源消耗状况的消息上报，由能源系统安全监管部门上门进行巡视维护，或者其他预警方法，本实施例不作设定，由使用者进行自定义。
32.如图2所示，基于上述综合能源系统数据处理计算方法，本发明提供了一种处理系
统，包括：数据采集装置1，用于在综合能源系统的用户终端获取用户终端的各个能源的消耗真实数据；模型训练单元2，用于构建训练时序样本以及构建多能源消耗数据预测模型；能源消耗监听单元3，用于将所述用户终端在未来时序的多能源消耗真实数据与多能源消耗预测数据进行对照判断能源消耗状态异常与否，并在能源消耗状态异常状态下进行预警，以实现能源消耗状态的监听。
33.所述数据采集装置包括与各个能源相匹配的数据采集组件，对应于各个能源，包括但不限于水表数据采集组件，电表数据采集组件，煤气表数据采集组件等，所述数据采集组件分别对应安装在每种能源的用户终端处以采集每种能源在每个时序上的消耗真实数据，分别安装在水表处，电表处以及煤气表处等，所有数据采集组件具有相同的采集时序规律。
34.本发明利用对用户终端的多能源消耗真实数据进行实时采集生成预测模型训练用的训练时序样本，并基于cnn
‑
lstm时序预测模型对训练时序样本进行训练得到多能源消耗数据预测模型，实现对用户终端在未来时序上的多能源消耗情况进行预测得到多能源消耗预测数据，并与用户终端在未来时序上的多能源消耗真实数据进行相似度比对判定出用户终端的能源消耗状态是否存在异常，并对异常状况进行预警从而能够起到综合能源系统的实时监听，提高系统安全性。
35.以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。