本公开的实施例提供了燃气负荷预测方法、装置、计算机设备和介质。该方法包括：基于联合学习架构获取目标燃气设备的历史燃气相关数据和参与方历史燃气相关数据集合；基于目标燃气设备的历史燃气相关数据和上述参与方历史燃气相关数据集合中每个参与方历史燃气相关数据的相似性，训练得到燃气负荷预测模型；基于上述燃气负荷预测模型，按目标日期生成目标燃气设备的燃气负荷预测值；将上述燃气负荷预测值传输至目标燃气设备。该实施方式基于多方的历史燃气相关数据，对神经网络模型进行训练，得到燃气负荷预测模型，从而生成燃气负荷预测值，为操作人员了解设备运行情况和检修设备提供了便利，有助于提高设备的使用寿命。有助于提高设备的使用寿命。有助于提高设备的使用寿命。
【技术实现步骤摘要】
燃气负荷预测方法、装置、计算机设备和介质
[0001]本公开涉及能源的数据预测
，尤其涉及一种燃气负荷预测方法、装置、计算机设备和介质。
技术介绍
[0002]随着工业时代的发展，越来越多的燃气能源设备被广泛应用。在燃气能源设备的使用过程中，运行超负荷会造成设备的损坏也会为工人的安全带来极大的隐患。因此，燃气负荷的预测对于检修燃气能源设备、保障工人安全作业来说是极为重要的。传统方法的燃气负荷预测通常存在较大的误差，所以如何准确的预测燃气负荷成为首要问题。
技术实现思路
[0003]有鉴于此，本公开实施例提供了一种燃气负荷预测方法、装置、计算机设备和介质，以解决现有技术中无法准确预测燃气负荷的技术问题。
[0004]本公开实施例的第一方面，提供了一种燃气负荷预测方法，包括：获取目标日期的运行相关数据；基于联合学习架构获取目标燃气设备的历史燃气相关数据和参与方历史燃气相关数据集合；基于目标燃气设备的历史燃气相关数据和上述参与方历史燃气相关数据集合中每个参与方历史燃气相关数据的相似性，训练得到燃气负荷预测模型；基于上述燃气负荷预测模型，按目标日期生成目标燃气设备的燃气负荷预测值；将上述燃气负荷预测值传输至目标燃气设备。
[0005]本公开实施例的第二方面，提供了一种燃气负荷预测装置，包括：获取单元，基于联合学习架构被配置成获取目标燃气设备的历史燃气相关数据和参与方历史燃气相关数据集合；训练单元，被配置成基于目标燃气设备的历史燃气相关数据和所述参与方历史燃气相关数据集合中每个参与方历史燃气相关数据的相似性，训练得到燃气负荷预测模型；生成单元，被配置成基于所述燃气负荷预测模型，按目标日期生成目标燃气设备的燃气负荷预测值；传输单元，被配置成将所述燃气负荷预测值传输至目标燃气设备。
[0006]本公开实施例的第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0007]本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0008]本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取目标燃气设备的历史燃气相关数据和参与方历史燃气相关数据集合；然后，基于目标燃气设备的历史燃气相关数据和上述参与方历史燃气相关数据集合中每个参与方历史燃气相关数据的相似性，训练得到燃气负荷预测模型；之后，利用上述燃气负荷预测模型，生成目标日期的燃气负荷预测值；最后，将得到的燃气负荷预测值传输至目标燃气设备。本公开提供的方法可以基于多方的历史燃气相关数据，对神经网络模型进行训练，得到燃气负荷预测模型，
从而生成燃气负荷预测值，为操作人员了解设备运行情况和检修设备提供了便利，有助于提高设备的使用寿命。
附图说明
[0009]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
[0010]图1是根据本公开实施例的一种联合学习的架构示意图；
[0011]图2是根据本公开实施例的燃气负荷预测方法的流程图；
[0012]图3是根据本公开实施例的燃气负荷预测装置的示意图；
[0013]图4是根据本公开实施例的电子设备的示意图。
具体实施方式
[0014]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0015]另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0016]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0017]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0018]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0019]下面将参考附图并结合实施例来详细说明本公开。
[0020]联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种AI(Artificial Intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点：
[0021](1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全。
[0022](2)在不同应用场景下，利用筛选和/或组合AI算法、隐私保护计算，建立多种模型聚合优化策略，以获取高层次、高质量的模型。
[0023](3)在确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习引擎的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习引擎的整体效能。
[0024](4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励。
[0025]基于上述方式，可以建立基于联合学习的AI技术生态，充分发挥行业数据价值，推
动垂直领域的场景落地。
[0026]下面将结合附图详细说明根据本公开实施例的一种燃气负荷预测方法和装置。
[0027]图1是本公开实施例的一种联合学习的架构示意图。如图1所示，联合学习的架构可以包括服务器(中心节点)101以及参与方102、参与方103和参与方104。
[0028]在联合学习过程中，基本模型可以通过服务器101建立，服务器101将该模型发送至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方建立后上传至服务器101，服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型，利用本地数据进行模型训练，获得更新的模型参数，并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方103和参与方104发送的模型参数进行聚合，获得全局模型参数，并将全局模型参数传回至参与方102、参与方103和参与方104。参与方102、参与方103和参与方104根据接收的全局模型参数对各自的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种燃气负荷预测方法，其特征在于，包括：基于联合学习架构获取目标燃气设备的历史燃气相关数据和参与方历史燃气相关数据集合；基于目标燃气设备的历史燃气相关数据和参与方历史燃气相关数据集合中每个参与方历史燃气相关数据的相似性，训练得到燃气负荷预测模型；基于所述燃气负荷预测模型，按目标日期生成目标燃气设备的燃气负荷预测值；将所述燃气负荷预测值传输至目标燃气设备。2.根据权利要求1所述的燃气负荷预测方法，其特征在于，所述燃气负荷预测模型是根据以下步骤训练得到的：确定所述参与方历史燃气相关数据集合中每个参与方历史燃气相关数据与所述历史燃气相关数据的相似性，得到相似性集合；基于所述相似性集合，从所述参与方历史燃气相关数据集合筛选出目标参与方历史燃气相关数据，得到目标参与方历史燃气相关数据集合；基于所述历史燃气相关数据和所述目标参与方历史燃气相关数据集合，基于联合学习架构对初始神经网络模型进行训练，得到所述燃气负荷预测模型。3.根据权利要求2所述的燃气负荷预测方法，其特征在于，所述确定所述参与方历史燃气相关数据集合中每个参与方历史燃气相关数据与所述历史燃气相关数据的相似性，得到相似性集合，包括：确定所述参与方历史燃气相关数据集合中每个参与方历史燃气相关数据与所述历史燃气相关数据之间的秩相关系数，得到秩相关系数集合；将所述秩相关系数确定为数据相似性，得到相似性集合。4.根据权利要求2所述的燃气负荷预测方法，其特征在于，所述确定所述参与方历史燃气相关数据集合中每个参与方历史燃气相关数据与所述历史燃气相关数据的相似性，得到相似性集合，包括：确定所述参与方历史燃气相关数据集合中每个参与方历史燃气相关数据与所述历史燃气相关数据之间的欧氏距离，得到欧氏距离集合；将所述欧氏距离确定为数据相似性，得到相似性集合。5.根据权利要求2所述的燃气负荷预测方法，其特征在于，所述确定所述参与方历史燃气相关数据集合中每个参与方历史燃气相关数据与所述历史燃气相关数据的相似性，得到相似性集合，包括：利用局部敏感性哈希算法，确定所述参与方历史燃气相关数据集合中每个参与方历史燃气相关数据与所述历史燃气相关数据之间的哈希值，得到余弦哈希值集合；将所述哈希值确定为数据相似性，得到相似性集合。6.根据权利要求3<...
【专利技术属性】
技术研发人员：刘国柄，刘嘉，吕宏强，
申请(专利权)人：新智我来网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。