System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及深度学习和时间序列预测领域,尤其涉及一种基于图神经网络的设备能耗预测方法及系统。
技术介绍
1、随着科技的快速发展和数字化转型的推进,各类工业设备、智能家居等设备在生活中和工业生产中占据了重要地位。与此同时,设备的能耗预测因其对于能源管理、设备维护以及环境保护的重要性而变得日益关键。能耗预测不仅可以提高设备运行效率,减少能源浪费,还可以通过优化能源使用模式来延长设备的使用寿命。更重要的是,准确的能耗预测能为能源管理者或者设备运营者提供有价值的参考,帮助他们进行更加明智的决策。
2、在当前的技术环境下,传统的设备能耗预测模型,如基于物理模型的预测、基于历史数据的统计预测等,虽然在某些场合中有一定的应用,但由于其无法处理设备间的复杂关系和设备自身的历史数据,因此,其预测结果的准确性往往受到限制,无法满足高精度预测的需求。
3、近年来,基于transformer模型在处理时间序列预测任务方面表现出了优异的性能。尤其是informer,其强大的处理长期依赖的能力,以及其用稀疏注意力机制将复杂度降低至o(llogl),使得其在设备能耗预测方面具有较大的应用潜力。然而,informer模型在处理设备间复杂关系方面的能力有所限制,由于其本身并未设计为处理具有图结构的数据,因此,在设备关系复杂、设备间存在显著关联性的环境中,其预测效果有所下降。
4、为了处理设备间的复杂关系,图神经网络(gnn)为研究者提供了新的解决路径。其中,图注意力网络(gat)因其自适应的注意力机制而受到关注,其能够充分捕
5、总体来说,如何将informer模型和gat模型更好地融合,以有效利用设备间的复杂关系和设备自身的历史数据,进一步提高设备能耗预测的准确性,成为了设备能耗预测领域的一个重要研究方向,同时也是本专利技术试图解决的关键问题。
技术实现思路
1、针对上述技术问题,本专利技术提供一种基于图神经网络的设备能耗预测方法及系统,考虑设备间复杂关系以及设备自身的历史数据,提升设备能耗的预测精度。
2、本专利技术解决上述技术问题所采用的技术方案为:
3、第一方面,本专利技术提出一种基于图神经网络的设备能耗预测方法,包括:
4、(1)采集系统中各设备的历史操作状态数据,所述的历史操作状态数据包含设备运行状态数据、设备参数数据、设备工作环境数据、设备距离上次数据采集之后的能耗信息;
5、(2)提取历史操作状态数据的初始特征并进行预处理,得到设备特征;所述的初始特征至少包含能耗信息;
6、(3)根据系统中各设备之间的关系构建图模型,以各设备特征作为初始节点特征,利用图注意力网络更新节点特征;本步骤中,利用图注意力网络(gat)对设备的特征向量进行处理,在这个过程中,设备间的连接关系信息被编码进特征向量,得到新的特征向量以更新节点特征。gat网络会学习每一条边的注意力系数,根据每对设备间的关系强度来分配注意力权重,从而强化重要的设备连接关系并削弱不重要的设备连接关系。
7、(4)对更新后的节点特征进行逆标准化处理,并与能耗信息拼接,构建训练样本;
8、(5)利用训练样本训练能耗预测模型,基于训练后的能耗预测模型对设备未来一段时间的能耗进行预测。
9、进一步地,所述步骤1)中被采集历史操作状态数据的设备是一组可构成图关系的设备,数据为各个设备在过去一段时间的一系列时间序列数据,包括:设备运行状态数据(设备的开/关状态、运行模式、输出功率等)、设备参数数据(设备的规格、配置、设定等)、设备工作环境数据(温度、湿度、位置)、设备距离上次数据采集之后的能耗。
10、进一步地,所述的历史操作状态数据的初始特征包括设备的工作电压、输出功率、环境温度、环境湿度、负载信息、能耗信息。
11、进一步地,对所述初始特征进行预处理,包括:
12、(2.1)时间序列处理:按照时间戳对各初始特征排序并处理,得到各初始特征的时间序列;处理时,针对能耗信息,计算每个时间单元内的能耗总值作为该时间单元内的能耗信息;针对除能耗信息之外的其他初始特征,计算每个时间单元内的平均值作为该时间单元内的初始特征;
13、(2.2)缺失值处理:采用插值法补全各初始特征的时间序列中的缺失值;
14、(2.3)数据标准化:对缺失值补全后的各初始特征的时间序列进行标准化;
15、(2.4)异常值处理:标记标准化后的时间序列中的异常值,并由相邻点的均值替代;
16、(2.5)数据整合:将经过异常值处理后的时间序列作为设备特征,根据设备id整合各设备特征。
17、进一步地,所述的步骤(3)包括:
18、(3.1)将各设备视为图的节点,以各设备特征作为初始节点特征,将各设备之间的连接关系和依赖关系被视为图的边,构建得到初始图;具体的,对对于任一时间点,设备数量为n,每个设备的特征向量的维度为d,所有设备的特征向量共同构成一个n×d的特征矩阵。
19、首先,设备被视为图的节点。每一个设备在图中都对应一个节点。具体来说,假设有n个设备,那么就会有n个节点,将这n个节点的集合表示为v,即
20、v={v1,v2,...,vn}。
21、其次,设备之间的连接关系和依赖关系被视为图的边。假设设备i和设备j之间存在连接或依赖关系,就在设备i和设备j之间建立一条边,表示这两个设备之间存在某种关系。具体来说,定义一个n×n的邻接矩阵a来表示这些边,如果设备i和设备j之间存在连接或依赖关系,那么aij=1,否则aij=0。另外,对于矩阵对角线上的元素,有aii=1,即与自身存在依赖关系。
22、最后,定义一个n×d的特征矩阵x来表示这些特征,其中d表示特征的维度。设备i的特征向量xi表示为x的第i行。
23、对于每个时间点,都有一个对应的设备图。在设备图中,每个节点对应一个设备,每条边代表两个设备之间的连接关系。整个图模型可以被表示为g=(v,a),其中v是节点属性集合,a是邻接矩阵。
24、(3.2)利用图注意力网络更新节点特征。
25、进一步地,所述的利用图注意力网络更新节点特征,包括:
26、(3.2.1)将初始节点特征经过一个线性变换得到一个新特征向量hi;
27、(3.2.2)计算两两节点之间的注意力系数eij,即:
28、eij=leakyrelu(at[hi;hj])
29、其中,a是一个待学习的权重向量,上角标t表示转置,leakyrelu是一个非线性激活函数;
...【技术保护点】
1.一种基于图神经网络的设备能耗预测方法,其特征在于,包括:
2.根据权利要求1所述的基于图神经网络的设备能耗预测方法,其特征在于,所述的设备运行状态数据包括设备的开/关状态、运行模式、输出功率。
3.根据权利要求1所述的基于图神经网络的设备能耗预测方法,其特征在于,所述的历史操作状态数据的初始特征包括设备的工作电压、输出功率、环境温度、环境湿度、负载信息、能耗信息。
4.根据权利要求1或3所述的基于图神经网络的设备能耗预测方法,其特征在于,对所述初始特征进行预处理,包括:
5.根据权利要求1所述的基于图神经网络的设备能耗预测方法,其特征在于,所述的步骤(3)包括:
6.根据权利要求5所述的基于图神经网络的设备能耗预测方法,其特征在于,所述的利用图注意力网络更新节点特征,包括:
7.根据权利要求1所述的基于图神经网络的设备能耗预测方法,其特征在于,所述的步骤(4)包括:
8.根据权利要求1所述的基于图神经网络的设备能耗预测方法,其特征在于,所述的能耗预测模型由能耗编码器和能耗解码器构成,所述的能耗
9.根据权利要求8所述的基于图神经网络的设备能耗预测方法,其特征在于,所述的编码器输入层的输入序列为其中,表示t时刻节点i的最终节点特征,T表示编码器输入序列的时间步长;所述解码器输入层的输入序列为Xde=[Xtoken,X0],其中m表示解码器输入序列的时间步长,X0是一个长度为L的0向量,L表示预测的时间步长,预测序列中的后L位表示未来一段时间的设备能耗预测结果。
10.一种基于图神经网络的设备能耗预测系统,其特征在于,包括:
...【技术特征摘要】
1.一种基于图神经网络的设备能耗预测方法,其特征在于,包括:
2.根据权利要求1所述的基于图神经网络的设备能耗预测方法,其特征在于,所述的设备运行状态数据包括设备的开/关状态、运行模式、输出功率。
3.根据权利要求1所述的基于图神经网络的设备能耗预测方法,其特征在于,所述的历史操作状态数据的初始特征包括设备的工作电压、输出功率、环境温度、环境湿度、负载信息、能耗信息。
4.根据权利要求1或3所述的基于图神经网络的设备能耗预测方法,其特征在于,对所述初始特征进行预处理,包括:
5.根据权利要求1所述的基于图神经网络的设备能耗预测方法,其特征在于,所述的步骤(3)包括:
6.根据权利要求5所述的基于图神经网络的设备能耗预测方法,其特征在于,所述的利用图注意力网络更新节点特征,包括:
7.根据权利要求1所述的基于图神经网络的设备能...
【专利技术属性】
技术研发人员:陈建海,卢森,刘二腾,刘振广,何钦铭,
申请(专利权)人:浙江大学,
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。