基于时序域的设备调控方法、系统和网络侧服务端技术方案

本发明专利技术属于时序预测技术领域，针对现有技术中在负责设备系统预测即多变量动态优化上难以调控最优路径的问题，提出了基于时序域的设备调控方法、系统和网络侧服务端，所述方法包括：获取设备进行预处理后的原始数据；获取设备当前运行的当前数据；根据所述当前数据和所述原始数据，构建多维度可控输入变量的时序域空间；根据所述时序域空间和预设的时序神经网络模型，构建优化目标函数；根据所述时序域空间和所述优化目标函数，采用预设的优化算法，计算各个可控输入变量的时序控制路径，并筛选出最优的时序控制路径。

【技术实现步骤摘要】
基于时序域的设备调控方法、系统和网络侧服务端
本专利技术属于时序预测
，具体涉及基于时序域的设备调控方法、系统和网络侧服务端。
技术介绍
随着工业互联网技术的快速发展，复杂设备系统的多输入变量最优调控能够逐渐成为可能。实现设备多输入变量最优调控的关键就是对时序多变量进行建模预测，并且基于预测进行时序多变量寻优。根据寻优得到的路径能够让设备尽快达到预设稳定状态，从而降低对人工调节的经验依赖，节约人力和物力运营成本。建模预测通常是采用数学回归模型对历史统计的时间序列在未来的变化趋势进行预测和分析。而数学回归模型的参数对回归精度和泛化性能具有决定性影响，如何优化数学回归模型的参数是决定时序预测准确度的关键。现有的参数优化方法主要包括直接确定法、交叉验证法以及网络搜索法以及人工蜂群算法等，但是现有的参数优化方法都存在一些难以规避的问题，直接确定法对先验知识要求高，可拓展途径较低；交叉验证法的时间复杂度高，实际可行度低；网络搜索法计算耗费量大，且难以保证收敛到全局最优；人工蜂群算法受限于自身进化方式和选择策略，搜索精度不高、收敛速度慢以及容本文档来自技高网...

【技术保护点】
1.基于时序域的设备调控方法，其特征在于，包括：/n获取设备进行预处理后的原始数据；/n获取设备当前运行的当前数据；/n根据所述当前数据和所述原始数据，构建多维度可控输入变量的时序域空间；/n根据所述时序域空间和预设的时序神经网络模型，构建优化目标函数；/n根据所述时序域空间和所述优化目标函数，采用预设的优化算法，计算各个可控输入变量的时序控制路径，并筛选出最优的时序控制路径。/n

【技术特征摘要】
1.基于时序域的设备调控方法，其特征在于，包括：
获取设备进行预处理后的原始数据；
获取设备当前运行的当前数据；
根据所述当前数据和所述原始数据，构建多维度可控输入变量的时序域空间；
根据所述时序域空间和预设的时序神经网络模型，构建优化目标函数；
根据所述时序域空间和所述优化目标函数，采用预设的优化算法，计算各个可控输入变量的时序控制路径，并筛选出最优的时序控制路径。


2.根据权利要求1所述的基于时序域的设备调控方法，其特征在于，所述获取设备进行预处理后的原始数据，具体包括：
获取设备运行的历史时序数据；
对所述历史时序数据进行预处理，成为原始数据。


3.根据权利要求2所述的基于时序域的设备调控方法，其特征在于，所述对所述历史时序数据进行预处理，成为原始数据，具体包括：
查找所述历史时序数据中的数据缺失，采用上一时刻值进行填充缺失值。


4.根据权利要求1所述的基于时序域的设备调控方法，其特征在于：所述对所述历史时序数据进行预处理，成为原始数据，具体包括：
获取历史时序数据中的各个特征数据和对应所述特征数据的量纲；
根据所述量纲，将所述特征数据归一化为原始数据。


5.根据权利要求1所述的基于时序域的设备调控方法，其特征在于，所述根据所述当前数据和所述原始数据，构建多维度可控输入变量的时序域空间，具体包括：
针对每个变量，
计算所述当前数据与原始数据之间的平方差距离，将平方差距离最小的数值作为当前时刻的备选数值；
针对多个变量的备选数值，
以各个备选数值为起点，在原始数据中取各自预设的时间步长的大小的数值组成列表，形成整体的是时序域空间。


6.根据权利要求1所述的基于时序域的设备调控方法，其特征在于：所述时序神经网络模型的构建过程为：
根据所述原始数据确定时序神经网络模型的模型，确定模型参数；
所述模型参数的确定，以最小化预测值和实际值的均方根差为评价目标，
所述均方根差采用keras建模，rmse表达式为：其中N表示参与计算的样本数量、ri表示输出变量的第i个样本的实际值，表示模型对第i个样本的预测值。


7.根据权利要求1所述的基于时序域的设备调控方法，其特征在于：所述根据所述时序域空间和预设的时序...

【专利技术属性】
技术研发人员：武爱斌，张翔，王磊，
申请(专利权)人：朗坤智慧科技股份有限公司，
类型：发明
国别省市：江苏;32