【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。