能源类大数据处理方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种能源类大数据处理方法、装置、计算机设备、存储介质和计算机程序产品。本申请能够针对多种能源设备产生的历史能耗数据进行综合分析和处理，能够挖掘多种能源内部存在的相互关系，有利于提高系统内部能源综合利用效率。该方法包括：获取多种能耗设备的历史能耗数据；历史能耗数据包括电能数据、热能数据和天然气供气量；针对历史能耗数据进行聚类处理，得到能耗数据特征向量；将能耗数据特征向量作为初始条件，输入改进的LSTM模型中进行训练，得到训练好的能耗模型；该训练好的能耗模型用于计算多种能耗设备的能耗预测值。耗模型用于计算多种能耗设备的能耗预测值。耗模型用于计算多种能耗设备的能耗预测值。

【技术实现步骤摘要】
能源类大数据处理方法、装置、计算机设备和存储介质


[0001]本申请涉及新能源
，特别是涉及一种能源类大数据处理方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]随着经济发展与资源环境之间的矛盾日趋尖锐，节能减排以及新能源技术日益受到重视。为了实现节能减排，必须对能源消耗的历史数据进行收集整理，并对未来一定时期的能源耗费数据进行预测，是实现保证经济高效运转的同时，能源也能够得到高效利用。
[0003]目前普遍采用大数据分析技术对能源系统的供给和消耗进行分析，例如通过能源数据采集系统，在撷取能源供给状态数据后，从中分拣出需要的关键数据，发送到需要的应用程序进行下一步处理，满足各应用部门的需要。
[0004]然而，目前的能源大数据分析技术仅能针对单独一类能源数据进行处理，例如仅能分别针对电能、热能或天然气供给量进行独立处理，不能将这些能源综合起来分析相互之间的关系，导致目前的能源综合利用率还比较低。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能源类大数据处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0006]第一方面，本申请提供了一种能源类大数据处理方法。所述方法包括：
[0007]获取多种能耗设备的历史能耗数据；所述历史能耗数据包括电能数据、热能数据和天然气供气量；
[0008]针对所述历史能耗数据进行聚类处理，得到能耗数据特征向量；
[0009]将所述能耗数据特征向量作为初始条件，输入改进的LSTM模型中进行训练，得到训练好的能耗模型；所述训练好的能耗模型用于计算所述多种能耗设备的能耗预测值。
[0010]在其中一个实施例中，所述针对所述历史能耗数据进行聚类处理，得到能耗数据特征向量，包括：
[0011]针对所述历史能耗数据进行修正处理，得到修正后的能耗数据；
[0012]针对所述修正后的能耗数据进行聚类处理，得到所述能耗数据特征向量。
[0013]在其中一个实施例中，所述针对所述历史能耗数据进行修正处理，得到修正后的能耗数据，包括：
[0014]针对所述历史能耗数据按照采集的时间先后顺序进行排序得到第一能耗数据集；
[0015]将所述第一能耗数据集输入超图模型中，得到多个质点；
[0016]计算所述第一能耗数据集中每个能耗数据与各个所述质点的距离；
[0017]将所述距离小于预设距离阈值的能耗数据剔除后，得到第二能耗数据集；
[0018]通过LOF算法计算所述第二能耗数据集中的各个能耗数据的离群因子；
[0019]将所述离群因子大于预设离群因子阈值的能耗数据作为异常数据点；
[0020]利用回归树算法对所述异常数据点进行修正。
[0021]在其中一个实施例中，所述针对所述修正后的能耗数据进行聚类处理，得到所述能耗数据特征向量，还包括：
[0022]基于负荷变化率，对所述修正后的能耗数据进行降噪处理，得到降噪后的能耗数据；
[0023]针对所述降噪后的能耗数据进行聚类处理，得到所述能耗数据特征向量。
[0024]在其中一个实施例中，所述基于负荷变化率，对所述修正后的能耗数据进行降噪处理，包括：
[0025]计算每个所述能耗设备的所述负荷变化率；
[0026]将所述修正后的能耗数据中，对应于所述负荷变化率超过预设负荷变化率阈值的能耗数据作为待降噪数据；
[0027]针对所述待降噪数据采用预设降噪公式进行降噪修正。
[0028]在其中一个实施例中，所述针对所述降噪后的能耗数据进行聚类处理，得到所述能耗数据特征向量，包括：
[0029]针对所述降噪后的能耗数据进行切块，得到能耗数据块；
[0030]采用多重K的聚类集成算法对所述能耗数据块进行计算，生成多个基聚类；
[0031]通过预设共协关系矩阵，对所述多个基聚类处理，得到所述能耗数据特征向量。
[0032]第二方面，本申请还提供了一种能源类大数据处理装置。所述装置包括：
[0033]能耗数据获取模块，用于获取多种能耗设备的历史能耗数据；所述历史能耗数据包括电能数据、热能数据和天然气供气量；
[0034]特征向量获取模块，用于针对所述历史能耗数据进行聚类处理，得到能耗数据特征向量；
[0035]能耗模型训练模块，用于将所述能耗数据特征向量作为初始条件，输入改进的LSTM模型中进行训练，得到训练好的能耗模型；所述训练好的能耗模型用于计算所述多种能耗设备的能耗预测值。
[0036]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述能源类大数据处理方法实施例中的各步骤。
[0037]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述能源类大数据处理方法实施例中的各步骤。
[0038]第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述能源类大数据处理方法实施例中的各步骤。
[0039]上述能源类大数据处理方法、装置、计算机设备、存储介质和计算机程序产品，通过获取多种能耗设备的历史能耗数据；历史能耗数据包括电能数据、热能数据和天然气供气量；针对历史能耗数据进行聚类处理，得到能耗数据特征向量；将能耗数据特征向量作为初始条件，输入改进的LSTM模型中进行训练，得到训练好的能耗模型；该训练好的能耗模型用于计算多种能耗设备的能耗预测值。本申请能够针对多种能源设备产生的历史能耗数据
进行综合分析和处理，能够挖掘多种能源内部存在的相互关系，有利于提高系统内部能源综合利用效率。
附图说明
[0040]图1为一个实施例中能源类大数据处理方法的应用环境图；
[0041]图2为一个实施例中能源类大数据处理方法的流程示意图；
[0042]图3为一个实施例中能源类大数据处理装置的结构框图；
[0043]图4为一个实施例中计算机设备的内部结构图；
[0044]图5为另一个实施例中计算机设备的内部结构图。
具体实施方式
[0045]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0046]本申请实施例提供的能源类大数据处理方法，可以应用于如图1所示的应用环境中。其中，终端101通过网络与服务器102进行通信。数据存储系统可以存储服务器102需要处理的数据。数据存储系统可以集成在服务器102上，也可以放在云上或其他网络服务器上。其中，终端102包括多种能耗设备，例如消耗电能的电子设备、天然气消耗设备、消耗太阳能的设备例如光伏电池、消耗热能的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种能源类大数据处理方法，其特征在于，所述方法包括：获取多种能耗设备的历史能耗数据；所述历史能耗数据包括电能数据、热能数据和天然气供气量；针对所述历史能耗数据进行聚类处理，得到能耗数据特征向量；将所述能耗数据特征向量作为初始条件，输入改进的LSTM模型中进行训练，得到训练好的能耗模型；所述训练好的能耗模型用于计算所述多种能耗设备的能耗预测值。2.根据权利要求1所述的方法，其特征在于，所述针对所述历史能耗数据进行聚类处理，得到能耗数据特征向量，包括：针对所述历史能耗数据进行修正处理，得到修正后的能耗数据；针对所述修正后的能耗数据进行聚类处理，得到所述能耗数据特征向量。3.根据权利要求2所述的方法，其特征在于，所述针对所述历史能耗数据进行修正处理，得到修正后的能耗数据，包括：针对所述历史能耗数据按照采集的时间先后顺序进行排序得到第一能耗数据集；将所述第一能耗数据集输入超图模型中，得到多个质点；计算所述第一能耗数据集中每个能耗数据与各个所述质点的距离；将所述距离小于预设距离阈值的能耗数据剔除后，得到第二能耗数据集；通过LOF算法计算所述第二能耗数据集中的各个能耗数据的离群因子；将所述离群因子大于预设离群因子阈值的能耗数据作为异常数据点；利用回归树算法对所述异常数据点进行修正。4.根据权利要求2所述的方法，其特征在于，所述针对所述修正后的能耗数据进行聚类处理，得到所述能耗数据特征向量，还包括：基于负荷变化率，对所述修正后的能耗数据进行降噪处理，得到降噪后的能耗数据；针对所述降噪后的能耗数据进行聚类处理，得到所述能耗数据特征向量。5.根据权利要求4所述的方法，其特征在于，所述...

【专利技术属性】
技术研发人员：杨荣霞，
申请(专利权)人：南方电网大数据服务有限公司，
类型：发明
国别省市：