用于物流博览会平台的能耗预测方法、系统、设备及存储介质技术方案

本发明专利技术涉及一种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，能耗预测方法包括：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；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。本发明专利技术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。

Energy consumption prediction method, system, equipment and storage medium for logistics exhibition platform

The invention relates to an energy consumption prediction method, system, equipment and storage medium used in the logistics Expo platform. The energy consumption prediction method includes collecting real-time data of the energy meter and transferring real-time data to the OneNET cloud platform through the NB IOT module based on the cellular network of narrowband objects, and extracting real-time data on the OneNET platform. After the real-time data is imported into the database, the neural network model is adopted to predict the energy consumption of the multi-point. The energy consumption data collected by the invention are cleaned by data, and the unreasonable values are removed, thus solving the problem of data collection and management of energy consumption of multiple monitoring points. In addition, energy consumption prediction based on neural network can effectively improve the accuracy of forecasting energy consumption.

【技术实现步骤摘要】
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
本专利技术涉及物联网
，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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术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。根据本专利技术实施例的一方面，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。根据本专利技术实施例的一方面，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。根据本专利技术实施例的一方面，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。根据本专利技术实施例的一方面，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，本专利技术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。根据本专利技术实施例的一方面，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。根据本专利技术实施例的一方面，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。根据本专利技术实施例的一方面，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，本专利技术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，本专利技术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。本专利技术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专利技术示例性实施例的特征、优点和技术效果。图1是本专利技术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是本专利技术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专利技术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专利技术的原理，但不能用来限制本专利技术的范围，即本专利技术不限于所描述的实施例。为了更好地理解本专利技术，下面结合图1至图3对本专利技术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，本专利技术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、红外感应单元本文档来自技高网...

【技术保护点】
一种用于物流博览会平台的能耗预测方法，其特征在于，包括：采集能源表的实时数据，并将所述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；在所述OneNET平台提取所述实时数据，将所述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。

【技术特征摘要】
1.一种用于物流博览会平台的能耗预测方法，其特征在于，包括：采集能源表的实时数据，并将所述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；在所述OneNET平台提取所述实时数据，将所述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。2.根据权利要求1所述的能耗预测方法，其特征在于，所述在所述OneNET平台提取所述实时数据、将所述实时数据导入数据库后进行整理包括：提取所述实时数据；将所述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。3.根据权利要求1所述的能耗预测方法，其特征在于，所述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，所述输入层神经元即为对应的所述监控点的实际能耗数据，所述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，优化所述神经网络结构的权值，寻找最优的神经网络参数；利用所述校验数据段的数据测试所述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。4.根据权利要求3所述的能耗预测方法，其特征在于，如果测试精度不满足要求，则调整所述神经网络的结构，重新训练网络。5.根据权利要求4所述的能耗预测方法，其特征在于，所述调整神经网络结构包括：调整所述隐含层神经元的个数；比较相应的所述校验数据段的预测能耗的均方根误差；选择最优的所述隐含层神经元的个数。6.一种用于物流博览会平台的能耗预测系统，其特征在于，包括：监测模块(10)，用于采集能源表的实时数据，并将所述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(20)，用于在所述OneNET平台提取...

【专利技术属性】
技术研发人员：封栋梁，王海亮，楼思嘉，童恩，
申请(专利权)人：中国移动通信集团江苏有限公司，中国移动通信集团公司，
类型：发明
国别省市：江苏,32