一种能源数据采集方法与流程

本发明涉及通信，尤其涉及一种能源数据采集方法。

背景技术：

1、目前工业园区、商业综合体、酒店等各类智慧楼宇场所，对变配电、空调、照明、开水炉、与水电气热等各种仪表和现场温湿度、压力等传感器等其他耗能设备的数据采集。

2、市面上的抄表技术一般都按照水电燃分为3个种类进行抄读数据，这种针对不同种类需要提供不同的器材采集数据，这样造成成本过于昂贵，而且各种种类的生产厂家又众多，没有一个统一得标准，对数据采集有造成了一定得困难。

技术实现思路

1、本发明所要解决的技术问题：针对现有抄表技术，没有一种是可以同时采集水电燃三种类别得数据信息，并且针对不同厂家不同种类的能耗设备没有一个统一得采集标准，本发明提供一种能源数据采集方法，通过脚本定制，针对不同类型的能耗设备，提供不同的采集方法，实现了对不同厂商、设备的数据采集，从而更好的控制和管理能源。

2、本发明为解决以上技术问题而采用以下技术方案：一种能源数据采集方法，所述数据采集方法包括以下步骤：

3、s1、获取样本数据集，生成能源数据采集测量单元和抄表命令；其中，所述样本数据集包括产品类型、产品厂商信息、产品id和产品应用环境；

4、s2、将抄表命令导入源数据采集测量单元，生成抄表执行脚本；

5、s3、根据抄表执行脚本中的抄读报文规则，生成对应的执行抄读数据报文，发送至抄读设备；

6、s4、接收抄读设备的数据报文回码，根据能源数据采集测量单元中的抄表脚本模版进行回码解析，生成抄表数据。

7、根据本技术的一个方面，步骤s1中，所述生成能源数据采集测量单元，包括以下子步骤：

8、s11，根据获取的样本数据集划分所需采集数据项，对所需采集数据项建立对应的原子标签；

9、s12，基于产品类型和采集周期调取对应的原子标签，生成抄表脚本模版。

10、根据本技术的一个方面，生成能源数据采集测量单元的过程进一步为：

11、步骤s1a、使用聚类算法对样本数据集进行分组，根据不同的产品类型、厂商信息、产品id和应用环境，将相似的数据归为一类；

12、步骤s1b、对每一类数据，使用特征选择算法筛选出最具代表性和区分性的数据项，作为原子标签；

13、步骤s1c、对每个原子标签，使用编码算法将其转换为二进制或其他格式，便于后续的数据传输和处理；

14、步骤s1d、基于产品类型和采集周期调取对应的原子标签，生成抄表脚本模版；所述采集脚本模版包括采集对象设备、采集协议、通信方式、采集周期、采集数据项和采集数据项的抄读报文规则；其中，采集数据项使用原子标签表示。

15、根据本技术的一个方面，所述步骤s1还包括：

16、步骤s13、使用基于图模型的方法来训练样本数据集，生成数据采集预测模型；使用预测模型对新数据自动确定采集方案；

17、步骤s13a、从数据库中获取样本数据集，包括不同地区和时间的能耗数据；将样本数据集划分为训练集和测试集，并进行归一化处理；

18、步骤s13b、使用st-resnet来构建深度残差网络模型，将不同时间段的数据作为不同层的输入，并使用图卷积操作来建模空间上的关系；深度残差网络模型包括输入层、残差层和输出层；定义损失函数和优化器，并使用训练集来训练深度残差网络模型；使用测试集来评估深度残差网络模型的性能和准确度；

19、步骤s13c、从数据库中获取新数据，包括不同地区和时间的能耗数据；将新数据进行归一化处理，并作为深度残差网络模型的输入；使用深度残差网络模型对新数据进行预测，并得到未来一段时间内的能耗趋势；根据预测结果和用户需求，确定采集方案，包括采集对象、采集周期和采集数据项；

20、步骤s13d、根据采集方案和抄表脚本规则，生成相应的抄表命令。

21、根据本技术的一个方面，所述步骤s2中还包括：

22、步骤s21、获取抄表命令并根据用户需求对数据项进行重要性排序；

23、步骤s22、根据数据重要性排序生成动态抄表命令；基于同态抄表命令生成抄表执行脚本。

24、根据本技术的一个方面，所述步骤s3进一步为：

25、步骤s31、根据抄表执行脚本中的抄读报文规则，生成对应的执行抄读数据报文；

26、步骤s32、使用数据压缩算法压缩抄表命令，得到压缩后的抄表命令并发送。

27、根据本技术的一个方面，所述步骤s31还包括：

28、s31a、将抄表命令转换为数值向量，作为深度学习模型的输入；

29、s31b、构建基于vae或gan的深度学习模型，并根据不同的目标函数和优化方法训练模型；

30、s31c、使用训练好的深度学习模型对输入向量进行压缩，得到压缩后的向量，作为深度学习模型的输出；

31、s31d、选择非对称加密加密算法，根据不同的密钥和加密方式，生成加密函数；

32、s31e、使用加密函数对压缩后的向量进行加密，得到加密后的向量，作为输出；

33、s31f、选择海明码或里德-所罗门码纠错码算法，根据不同的编码率和纠错能力，生成编码函数；

34、s31g、使用编码函数对加密后的向量进行编码，得到编码后的向量，并添加校验位和奇偶位，作为输出，即得到压缩和加密后的数据报文；

35、使用自动编码器模型对抄表数据进行编码得到压缩特征表示；传输压缩后的编码向量；接收端使用自动编码器对编码进行解码还原数据。

36、根据本技术的一个方面，所述步骤s31还包括：

37、将抄表命令转换为数值向量，作为变换器模型的输入；

38、构建convtransformer变换器模型，并根据不同的目标函数和优化方法训练模型；

39、使用训练好的模型对输入向量进行压缩，得到压缩后的向量，并作为压缩后的数据报文，作为输出。

40、根据本技术的一个方面，所述步骤s4进一步为：

41、步骤s41、抄读设备接收并解压抄表命令后，对采集数据进行校验；

42、步骤s42、如果校验错误,重发抄表命令重新采集；校验成功，在边缘节点上将采集的数据转换为标准化通信协议和数据格式，并发送至中心服务器；中心服务器接收采集数据并进行训练，采用训练结果驱动后续数据采集流程。

43、根据本技术的一个方面，所述步骤s42中中心服务器接收采集数据并进行训练，采用训练结果驱动后续数据采集流程的过程进一步为：

44、步骤s42a、获取采集数据并进行清洗和格式化；将采集数据进行窗口化；

45、步骤s42b、构建并使用lstm-arima模型,输入历史窗口数据,预测未来时间内的能耗量，调整模型结构和参数,训练模型，并得到预测结果；

46、根据预测结果,如果预测能耗量大于阈值,则提高采集频率；如果预测能耗量小于阈值,则降低采集频率；实时调整采集频率与精度；

47、收集实际采集的数据,反馈给预测模型进一步训练；当预测误差过大时,重新训练模型；持续优化预测模型；

48、lstm-arima组合模型的构建步骤包括：

49、对原始时间序列数据进行差分，使其变为稳定；将处理后的数据归一化到[0,1]范围，作为lstm模型的输入数据；

50、使用acf和pacf图确定arima的参数(p, d, q)，使用训练数据集训练arima模型，使用arima模型预测未来的数据点，

51、将arima的预测与实际的时间序列数据相减，得到残差，使用残差数据训练lstm模型，此时，lstm的目标是学习并预测arima模型未能捕获的模式，使用lstm模型预测未来的残差；

52、对于一个未来的数据点，将arima的预测值与lstm预测的残差相加，得到最终的预测值并作为预测结果。

53、有益效果，本发明提出的能源数据采集方法，通过脚本定义了采集数据项的方法和数据的提取，可以自动适应多个产品、厂家、应用场景；用户也可以根据自己需求，自己定义、变更脚本，轻松实现各类数据项的抄读。相关技术优势将在下文结合具体实施例描述。