【技术实现步骤摘要】
本申请涉及智能管理，且更为具体地，涉及一种基于大数据的智慧园区运营管理平台。
技术介绍
1、随着智慧园区的建设和发展，大量的能源设备被部署在园区中，为园区的运营提供支持。然而，由于能源设备的种类繁多，规模庞大，运行状态复杂，传统的监控方法往往难以及时发现设备的性能异常，导致能源浪费和安全隐患，给园区的运营效率带来负面影响。
2、因此，期待一种优化的智慧园区运营管理平台。
技术实现思路
1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于大数据的智慧园区运营管理平台，其利用大数据技术，通过监测和分析被监控能源设备的历史能耗数据，从中挖掘关于设备的性能异常状态特征，进而来判断设备性能是否存在异常。这样，可以及时提醒相关技术人员采取相应的措施，例如维修、调整或替换异常零件，以降低能源浪费和安全隐患。
2、相应地，根据本申请的一个方面，提供了一种基于大数据的智慧园区运营管理平台，其包括：历史能耗数据获取模块，用于获取被监控能源设备的历史能耗数据；历史能耗数据时序编码模块，用于提取所述被监控能源设备的历史能耗数据的时序特征以得到能耗数据时序特征向量的序列；向量粒度度量模块，用于计算所述能耗数据时序特征向量的序列中任意两个能耗数据时序特征向量之间的向量粒度度量系数以得到全局向量粒度度量拓扑矩阵；拓扑特征提取模块，用于提取所述全局向量粒度度量拓扑矩阵的拓扑特征以得到全局向量粒度度量拓扑特征矩阵；能源设备性能诊断模块，用于基于所述全局向量粒度度量拓扑特征矩阵
3、在上述基于大数据的智慧园区运营管理平台中，所述历史能耗数据时序编码模块，包括：数据预处理单元，用于对所述被监控能源设备的历史能耗数据进行数据预处理以得到能耗时序输入向量的序列；能耗数据时序特征提取单元，用于将所述能耗时序输入向量的序列通过基于一维卷积层的能耗时序特征提取器以得到所述能耗数据时序特征向量的序列。
4、在上述基于大数据的智慧园区运营管理平台中，所述数据预处理单元，用于：将所述被监控能源设备的历史能耗数据按照天为时间单位进行排列以得到所述能耗时序输入向量的序列。
5、在上述基于大数据的智慧园区运营管理平台中，所述向量粒度度量模块，用于：以如下向量粒度度量公式来计算所述能耗数据时序特征向量的序列中任意两个能耗数据时序特征向量之间的向量粒度度量系数以得到全局向量粒度度量拓扑矩阵；其中，所述向量粒度度量公式为：；其中，为前一个所述能耗数据时序特征向量，为后一个所述能耗数据时序特征向量，为各个所述能耗数据时序特征向量的维度，为所述向量粒度度量系数，表示以2为底的对数函数运算。
6、在上述基于大数据的智慧园区运营管理平台中，所述拓扑特征提取模块，用于：将所述全局向量粒度度量拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述全局向量粒度度量拓扑特征矩阵。
7、在上述基于大数据的智慧园区运营管理平台中，所述基于卷积神经网络模型的拓扑特征提取器包括输入层、二维卷积层、基于relu激活函数的激活层、池化层和输出层，其中，所述二维卷积层中卷积核的大小为3*3。
8、在上述基于大数据的智慧园区运营管理平台中，所述能源设备性能诊断模块，用于：将所述全局向量粒度度量拓扑特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监控能源设备的性能是否存在异常。
9、在上述基于大数据的智慧园区运营管理平台中，所述能源设备性能诊断模块，包括：矩阵展开单元，用于将所述全局向量粒度度量拓扑特征矩阵按照行向量或列向量展开为全局向量粒度度量拓扑特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述全局向量粒度度量拓扑特征向量进行全连接编码以得到全连接编码特征向量；概率化单元，用于将所述全连接编码特征向量输入所述分类器的softmax分类函数以得到所述全局向量粒度度量拓扑特征矩阵归属于各个分类标签的概率值，所述分类标签包括所述被监控能源设备的性能正常和所述被监控能源设备的性能存在异常；分类结果确定单元，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
10、在上述基于大数据的智慧园区运营管理平台中，还包括用于对所述基于一维卷积层的能耗时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器和所述分类器进行训练的训练模块。
11、在上述基于大数据的智慧园区运营管理平台中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括被监控能源设备的训练历史能耗数据，以及，所述被监控能源设备的性能是否存在异常的真实值；训练数据时序排列单元，用于将所述被监控能源设备的训练历史能耗数据按照天为时间单位进行排列以得到训练能耗时序输入向量的序列；训练能耗数据时序编码单元，用于将所述训练能耗时序输入向量的序列通过所述基于一维卷积层的能耗时序特征提取器以得到训练能耗数据时序特征向量的序列；训练向量粒度度量单元，用于计算所述训练能耗数据时序特征向量的序列中任意两个训练能耗数据时序特征向量之间的向量粒度度量系数以得到训练全局向量粒度度量拓扑矩阵；训练拓扑特征提取单元，用于将所述训练全局向量粒度度量拓扑矩阵通过所述基于卷积神经网络模型的拓扑特征提取器以得到训练全局向量粒度度量拓扑特征矩阵；分类损失计算单元，用于将所述训练全局向量粒度度量拓扑特征矩阵通过分类器以得到分类损失函数值；训练优化单元，用于以所述分类损失函数值来对所述基于一维卷积层的能耗时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器和所述分类器进行训练，其中，在将所述训练全局向量粒度度量拓扑特征矩阵展开后得到的训练全局向量粒度度量拓扑特征向量通过分类器进行分类训练时，在每次迭代时对所述训练全局向量粒度度量拓扑特征向量进行训练优化。
12、与现有技术相比，本申请提供的基于大数据的智慧园区运营管理平台，其利用大数据技术，通过监测和分析被监控能源设备的历史能耗数据，从中挖掘关于设备的性能异常状态特征，进而来判断设备性能是否存在异常。这样，可以及时提醒相关技术人员采取相应的措施，例如维修、调整或替换异常零件，以降低能源浪费和安全隐患。
本文档来自技高网...【技术保护点】
1.一种基于大数据的智慧园区运营管理平台，其特征在于，包括：历史能耗数据获取模块，用于获取被监控能源设备的历史能耗数据；历史能耗数据时序编码模块，用于提取所述被监控能源设备的历史能耗数据的时序特征以得到能耗数据时序特征向量的序列；向量粒度度量模块，用于计算所述能耗数据时序特征向量的序列中任意两个能耗数据时序特征向量之间的向量粒度度量系数以得到全局向量粒度度量拓扑矩阵；拓扑特征提取模块，用于提取所述全局向量粒度度量拓扑矩阵的拓扑特征以得到全局向量粒度度量拓扑特征矩阵；能源设备性能诊断模块，用于基于所述全局向量粒度度量拓扑特征矩阵，确定所述被监控能源设备的性能是否存在异常。
2.根据权利要求1所述的基于大数据的智慧园区运营管理平台，其特征在于，所述历史能耗数据时序编码模块，包括：数据预处理单元，用于对所述被监控能源设备的历史能耗数据进行数据预处理以得到能耗时序输入向量的序列；能耗数据时序特征提取单元，用于将所述能耗时序输入向量的序列通过基于一维卷积层的能耗时序特征提取器以得到所述能耗数据时序特征向量的序列。
3.根据权利要求2所述的基于大数据的智慧园区运营管理
4.根据权利要求3所述的基于大数据的智慧园区运营管理平台，其特征在于，所述向量粒度度量模块，用于：以如下向量粒度度量公式来计算所述能耗数据时序特征向量的序列中任意两个能耗数据时序特征向量之间的向量粒度度量系数以得到全局向量粒度度量拓扑矩阵；其中，所述向量粒度度量公式为：；其中，为前一个所述能耗数据时序特征向量，为后一个所述能耗数据时序特征向量，为各个所述能耗数据时序特征向量的维度，为所述向量粒度度量系数，表示以2为底的对数函数运算。
5.根据权利要求4所述的基于大数据的智慧园区运营管理平台，其特征在于，所述拓扑特征提取模块，用于：将所述全局向量粒度度量拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述全局向量粒度度量拓扑特征矩阵。
6.根据权利要求5所述的基于大数据的智慧园区运营管理平台，其特征在于，所述基于卷积神经网络模型的拓扑特征提取器包括输入层、二维卷积层、基于ReLU激活函数的激活层、池化层和输出层，其中，所述二维卷积层中卷积核的大小为3*3。
7.根据权利要求6所述的基于大数据的智慧园区运营管理平台，其特征在于，所述能源设备性能诊断模块，用于：将所述全局向量粒度度量拓扑特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监控能源设备的性能是否存在异常。
8.根据权利要求7所述的基于大数据的智慧园区运营管理平台，其特征在于，所述能源设备性能诊断模块，包括：矩阵展开单元，用于将所述全局向量粒度度量拓扑特征矩阵按照行向量或列向量展开为全局向量粒度度量拓扑特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述全局向量粒度度量拓扑特征向量进行全连接编码以得到全连接编码特征向量；概率化单元，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述全局向量粒度度量拓扑特征矩阵归属于各个分类标签的概率值，所述分类标签包括所述被监控能源设备的性能正常和所述被监控能源设备的性能存在异常；分类结果确定单元，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
9.根据权利要求8所述的基于大数据的智慧园区运营管理平台，其特征在于，还包括用于对所述基于一维卷积层的能耗时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器和所述分类器进行训练的训练模块。
10.根据权利要求9所述的基于大数据的智慧园区运营管理平台，其特征在于，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括被监控能源设备的训练历史能耗数据，以及，所述被监控能源设备的性能是否存在异常的真实值；训练数据时序排列单元，用于将所述被监控能源设备的训练历史能耗数据按照天为时间单位进行排列以得到训练能耗时序输入向量的序列；训练能耗数据时序编码单元，用于将所述训练能耗时序输入向量的序列通过所述基于一维卷积层的能耗时序特征提取器以得到训练能耗数据时序特征向量的序列；训练向量粒度度量单元，用于计算所述训练能耗数据时序特征向量的序列中任意两个训练能耗数据时序特征向量之间的向量粒度度量系数以得到训练全局向量粒度度量拓扑矩阵；训练拓扑特征提取单元，用于将所述训练全局向量粒度度量拓扑矩阵通过所述基于卷积神经网络模型的拓扑特征提取器以得到训练全局向量粒度度量拓扑特征矩阵；分类损失计算单元，用于将所述训练全局向量粒度度量拓扑特征矩阵通过...
【技术特征摘要】
1.一种基于大数据的智慧园区运营管理平台，其特征在于，包括：历史能耗数据获取模块，用于获取被监控能源设备的历史能耗数据；历史能耗数据时序编码模块，用于提取所述被监控能源设备的历史能耗数据的时序特征以得到能耗数据时序特征向量的序列；向量粒度度量模块，用于计算所述能耗数据时序特征向量的序列中任意两个能耗数据时序特征向量之间的向量粒度度量系数以得到全局向量粒度度量拓扑矩阵；拓扑特征提取模块，用于提取所述全局向量粒度度量拓扑矩阵的拓扑特征以得到全局向量粒度度量拓扑特征矩阵；能源设备性能诊断模块，用于基于所述全局向量粒度度量拓扑特征矩阵，确定所述被监控能源设备的性能是否存在异常。
2.根据权利要求1所述的基于大数据的智慧园区运营管理平台，其特征在于，所述历史能耗数据时序编码模块，包括：数据预处理单元，用于对所述被监控能源设备的历史能耗数据进行数据预处理以得到能耗时序输入向量的序列；能耗数据时序特征提取单元，用于将所述能耗时序输入向量的序列通过基于一维卷积层的能耗时序特征提取器以得到所述能耗数据时序特征向量的序列。
3.根据权利要求2所述的基于大数据的智慧园区运营管理平台，其特征在于，所述数据预处理单元，用于：将所述被监控能源设备的历史能耗数据按照天为时间单位进行排列以得到所述能耗时序输入向量的序列。
4.根据权利要求3所述的基于大数据的智慧园区运营管理平台，其特征在于，所述向量粒度度量模块，用于：以如下向量粒度度量公式来计算所述能耗数据时序特征向量的序列中任意两个能耗数据时序特征向量之间的向量粒度度量系数以得到全局向量粒度度量拓扑矩阵；其中，所述向量粒度度量公式为：；其中，为前一个所述能耗数据时序特征向量，为后一个所述能耗数据时序特征向量，为各个所述能耗数据时序特征向量的维度，为所述向量粒度度量系数，表示以2为底的对数函数运算。
5.根据权利要求4所述的基于大数据的智慧园区运营管理平台，其特征在于，所述拓扑特征提取模块，用于：将所述全局向量粒度度量拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述全局向量粒度度量拓扑特征矩阵。
6.根据权利要求5所述的基于大数据的智慧园区运营管理平台，其特征在于，所述基于卷积神经网络模型的拓扑特征提取器包括输入层、二维卷积层、基于relu激活函数的激活层、池化层和输出层，其中，所述二维卷积层中卷积核的大小为3*3。
7.根据权利要求6所述的基于大数据的智慧园区运营管理平台，其特征在于，所述能源设备性能诊断模块，用于：将所述全局向量粒度...
【专利技术属性】
技术研发人员：洪永龙，宋璐，管晨欢，
申请(专利权)人：浙江威星电子系统软件股份有限公司，
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。