一种信息物理融合的园区综合能源系统性能评价方法技术方案

本发明专利技术公开了一种信息物理融合的园区综合能源系统性能评价方法，用于解决现有信息物理融合的园区综合能源系统性能评价方法全面性差的技术问题。本评价方法对信息物理融合的园区综合能源系统进行多维数据采集，应用DBSCAN与K‑means混合聚类算法及自编码器构建基准性能评价特征向量，以待评价信息物理融合的园区综合能源系统的性能评价特征向量与基准性能评价特征向量之间的偏离度进行性能评价。

【技术实现步骤摘要】
一种信息物理融合的园区综合能源系统性能评价方法
本专利技术涉及信息物理系统
，特别涉及一种信息物理融合的园区综合能源系统性能评价方法。
技术介绍
由于园区能源信息物理系统的复杂性，仅采用性能测试或单一建模方法在多个性能指标度量准确性、指标基准有效性和评价全面性等方面存在局限性。相关技术中，业界众多专家学者对系统性能评价模型进行了多方面探索，例如Clarke在提出基于CTL公式的模型检测工具SMV，只要将模型和时序逻辑书写的规约输入即可获得结果，但是SMV只能给出定性评价，无法得到定量评价值；例如JingY等人基于计算树度量语言(ComputationTreeMeasurementLanguage,CTML)实现了对离散时间Markov模型进行评价，对于连续时间的CPS系统的性能评价问题CTML并不适用；又例如Gokhale等人基于连续Markov链理论给出了信息系统的性能评价模型，但该评价模型存在伸缩性问题，对于不同规模的信息系统难以获得简便易用的关系架构。
技术实现思路
本专利技术要解决的技术问题是提供一种信息物理融合的园区综合能源系统性能评价方法，能够解决现有评价方法的不足，无需人为事先构建指标体系，仅仅通过对信息物理融合的园区综合能源系统控制数据及监测数据进行分析处理即可得到简单易用、精确科学的系统性能评价方法。本专利技术提出的一种信息物理融合的园区综合能源系统性能评价方法，其包括以下步骤：S1：采集信息物理融合的园区综合能源系统的控制数据及监测数据构建多维数据向量；<br>S2：采集多个信息物理融合的园区综合能源系统的多维数据向量组成初始数据集；S3：对初始数据集应用DBSCAN与K-means混合聚类算法构建信息物理融合的园区综合能源系统的核心数据集与基准性能指标向量；S4：根据所述的基准指标集通过自编码器（AutoEncoders）构建基准性能评价特征向量；S5：待评价信息物理融合的园区综合能源系统的性能评价特征向量与基准性能评价特征向量之间的偏离度进行性能评价。进一步地，所述的信息物理融合的园区综合能源系统性能评价方法，其中，S1中采集的控制数据及监测数据包括从信息物理融合的园区综合能源系统中可以直接采集的数据，也包括根据经由特意构建的方法测试获得的系统数据。进一步地，所述的信息物理融合的园区综合能源系统性能评价方法，其中，S2中采集多个信息物理融合的园区综合能源系统的数量不少于30个。进一步地，所述的信息物理融合的园区综合能源系统性能评价方法，其中，在S3中应用DBSCAN与K-means混合算法构建多维数据的核心数据集方法为：设置DBSCAN聚类方法的参数为邻域r和密度阈值minPts，随机选取初始数据集中的一个数据向量作为初始数据向量s，检测s的邻域r中包含的数据向量数量是否小于密度阈值minPts，若是则s标记为噪声向量，若否将邻域r中所有数据向量纳入核心数据集，选取初始数据集中下一个未被选取过的数据向量，重复前述检测过程，直至完成遍历初始数据中所有数据向量，得到核心数据集。进一步地，所述的信息物理融合的园区综合能源系统性能评价方法，其中，在S3中应用DBSCAN与K-means混合算法构建多维数据基准性能指标向量的方法为通过K-means方法找出核心数据集的聚类中心作为基准性能指标向量，K-means方法的过程为随机选择1个中心向量，通过计算每个数据向量与中心向量的距离更新中心向量的坐标，得到更新后的中心向量即为基准性能指标向量。K-means聚类算法在处理园区能源信息物理系统控制数据与监测数据组成的高维异构数据集时，存在难以处理非球型样本集和无法过滤数据坏点及数据噪声，难以实现聚类效果的问题，本专利技术采用DBSCAN与K-means混合聚类算法有效过滤了园区能源信息物理系统控制数据与监测数据中的坏点数据与环境噪声提高了基准性能评价特征向量成功率，并能够适应高维异构的不同形状的样本集。进一步地，所述的信息物理融合的园区综合能源系统性能评价方法，其特征在于：S4中基准指标向量通过自编码器（Autoencoders）构建基准性能评价特征向量方法为：自编码器（Autoencoders）含有两个隐含层、一个输入层及一个输出层，采用输入层数据与输出层数据构成的负对数似然的损失函数最小化为目标训练第一隐含层，将完成训练的第一隐含层数据替换输入层及输出层的数据，训练获得第二隐含层，完成训练得到的第二隐含层为基准性能评价特征向量。有益效果为：本专利技术通过DBSCAN与K-means方法对信息物理融合的园区综合能源系统控制数据及监测数据建立基准性能指标向量，无需经过手工人为制定评价指标，提高了性能评价的客观性，同时通过自编码器（Autoencoders）提取基准性能评价特征向量，降低了评价方法的计算复杂度，减少了计算耗时与对存储空间的占用，从而可以更好的应用于实际业务场景中。附图说明图1为本专利技术的整体流程示意图；图2为本专利技术实施例中构建的自编码器（Autoencoders）结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更清晰及易于理解，下面结合附图对本专利技术的技术方案进行描述。应当理解，所描述的具体实施例仅用于介绍本专利技术，而不能理解为对本专利技术的限制。本专利技术提供了一种信息物理融合的园区综合能源系统性能评价方法。参照图1，本专利技术所述的评价方法包括以下步骤：S1：采集信息物理融合的园区综合能源系统的控制数据及监测数据构建多维数据向量，本实施例中采集的控制数据及监测数据包括从信息物理融合的园区综合能源系统中可以直接采集的数据，也包括根据经由特意构建的方法测试获得的系统数据。S2：采集多个信息物理融合的园区综合能源系统的多维数据向量组成初始数据集；本实施例中，所述采集多个信息物理融合的园区综合能源系统的数量不少于30个。S3：对初始数据集应用DBSCAN与K-means混合算法构建信息物理融合的园区综合能源系统的核心数据集和基准性能指标向量；本实施例中，所述的DBSCAN为一种基于密度的空间聚类算法,具体的本实施例中DBSCAN的设置参数为邻域r=0.5和密度阈值minPts=3。随机选取初始数据集中的一个数据向量作为初始数据向量s，检测s的邻域r中包含的数据向量数量是否小于密度阈值minPts，若是则s标记为噪声向量，若否将邻域r中所有数据向量纳入核心数据集，选取初始数据集中下一个未被选取过的数据向量，重复前述检测过程，直至完成遍历初始数据中所有数据向量，得到核心数据集C。所述的K-means为一种启发式的聚类分析算法，具体的本实施例中K-means的设置参数为k=1。随机选择由DBSCAN得到的核心数据集C中的1个数据向量为中心向量，通过计算核心数据集C中每个数据向量与中心向量的距离更新中心向量的坐标，得到更新后的中心向量即为基准性能指标向量B。S4：根据所述的基准指标集通过自编码器（AutoEncoders）构建基准本文档来自技高网...

【技术保护点】
1.一种信息物理融合的园区综合能源系统性能评价方法，其特征在于，包括以下步骤：/nS1：采集信息物理融合的园区综合能源系统的控制数据及监测数据构建多维数据向量；/nS2：采集多个信息物理融合的园区综合能源系统的多维数据向量组成初始数据集；/nS3：对初始数据集应用DBSCAN与K-means混合聚类算法构建信息物理融合的园区综合能源系统的核心数据集与基准性能指标向量；/nS4：根据所述的基准指标集通过自编码器构建基准性能评价特征向量；/nS5：待评价信息物理融合的园区综合能源系统的性能评价特征向量与基准性能评价特征向量之间的偏离度进行性能评价。/n

【技术特征摘要】
1.一种信息物理融合的园区综合能源系统性能评价方法，其特征在于，包括以下步骤：
S1：采集信息物理融合的园区综合能源系统的控制数据及监测数据构建多维数据向量；
S2：采集多个信息物理融合的园区综合能源系统的多维数据向量组成初始数据集；
S3：对初始数据集应用DBSCAN与K-means混合聚类算法构建信息物理融合的园区综合能源系统的核心数据集与基准性能指标向量；
S4：根据所述的基准指标集通过自编码器构建基准性能评价特征向量；
S5：待评价信息物理融合的园区综合能源系统的性能评价特征向量与基准性能评价特征向量之间的偏离度进行性能评价。


2.根据权利要求1所述的信息物理融合的园区综合能源系统性能评价方法，其特征在于：所述S1中采集的控制数据及监测数据包括从信息物理融合的园区综合能源系统中可以直接采集的数据，也包括根据经由特意构建的方法测试获得的系统数据。


3.根据权利要求1所述的信息物理融合的园区综合能源系统性能评价方法，其特征在于：所述S2中采集多个信息物理融合的园区综合能源系统的数量不少于30个。


4.根据权利要求1所述的信息物理融合的园区综合能源系统性能评价方法，其特征在于：在S3中应用DBSCAN与K-means混合算法构建多维数据的核心数据集方法为：设置D...

【专利技术属性】
技术研发人员：李鹏，于力，张斌，姜臻，姚森敬，郭志诚，陈浩敏，
申请(专利权)人：南方电网数字电网研究院有限公司，
类型：发明
国别省市：广东;44