能源时序数据预测系统、平台及智能终端设备

1.本发明属于时序数据预测领域，具体涉及一种能源时序数据预测系统、平台及智能终端设备。


背景技术：

2.近年来随着物联网技术的发展，各类传感器具有了定时或实时上传的能力，产生了大量的由不同传感器组成的多元时间序列数据。传感器作为一种监控设备，所监控产生的序列数据与其背后监控的能源设备高度相关。对于天然气仪表、光伏电站、电表等能源量监测设备而言，其能够通过监控产生与能源消耗量或者能源产生量相关的时序数据，而这些能源量相关的数据均存在未来
3.在能源领域，传感器之间往往并没有天然的物理关联，所监控的设备使用规律可能会动态变化，且具有高度的时间相关性，预测模型需要针对数据的特点进性建模以提高预测精度。实现对能源数据的预测一方面能够分析能源设备的使用或生产规律，另一方面也能为能源公司提供能源采购参考，降低成本，产生经济效益。
4.能源时间序列数据广泛存在于不同的能源行业中，例如天然气、电力、地热能等。然而，对于不同的能源量的预测，目前并没有一个通用的平台和模型对不同预测对象兼具普适性。而不同行业分别构建相应的预测平台和模型，一方面会造成重复建设，另一方面也会限制部分技术能力较弱的能源行业的发展。


技术实现要素：

5.本发明的目的在于解决现有技术中没有一个通用的平台和模型对不同预测对象兼具普适性的问题，并提供一种能源时序数据预测系统、平台及智能终端设备。
6.本发明所采用的具体技术方案如下：
7.第一方面，本发明提供了一种能源时序数据预测系统，用于与多个能源量监测设备配合对各自监测的能源量进行预测，所述能源量为能源消耗量或者能源产生量，其包括：
8.数据在线采集模块，用于接收每个所述能源量监测设备通过物联网上传的实时能源量数据，并将其与监测设备识别号关联后以带时间戳的时间序列形式进行存储；
9.输入序列提取模块，用于根据收到的预测指令，按照固定长度的时间窗口从每个能源量监测设备存储的时间序列中提取最新的一段能源量数据序列，并将提取的所有序列段各自进行归一化后组合为多元时间序列段；
10.能源量预测模块，用于根据收到的预测指令，将所述输入序列提取模块生成的多元时间序列段输入预先经过训练的多元时间序列预测模型，得到各能源量监测设备在未来指定时间步所监测到的能源量预测值。
11.作为上述第一方面的优选，所述多元时间序列预测模型包括一个分段图卷积模块、一个时间膨胀卷积模块和一个时间信息增强模块，模型的输入为多元时间序列段；所述分段图卷积模块将输入的多元时间序列段按照时间维度进行分段，根据段内序列间的余弦
相似度构建分段邻接矩阵，再进行多层分段图卷积，提取序列间的相关性，得到第一输出信号；所述时间膨胀卷积模块将分段图卷积模块输出的第一输出信号输入多层堆叠的带有膨胀卷积的门限控制单元中，进一步提取每条序列内的特征并降维，得到第二输出信号；所述时间信息增强模块将输入的多元时间序列段输入到lstm网络，对lstm网络各隐藏步的信号按照时间进行分组，并对各组应用注意力机制提取分段上下文向量，然后在分段上下文向量上继续应用注意力机制生成时间上下文向量，最后将时间上下文向量与lstm网络隐藏层的最后一个信号进行拼接，并将拼接结果经过一层全连接层，得到第三输出信号；最后将第二输出信号和第三输出信号相加，经过反归一化后得到多元时间序列预测模型的最终预测输出。
12.作为上述第一方面的优选，还包括在线学习模块，用于从每个能源量监测设备存储的时间序列中不断提取新加入的数据，并将其构建为所述多元时间序列预测模型的训练样本，并在训练样本累积到指定数量或者距离上一次模型训练达到指定时间后，重新利用这些训练样本对所述多元时间序列预测模型进行训练，实现所述多元时间序列预测模型的在线学习。
13.作为上述第一方面的优选，所述输入序列提取模块中，对提取的序列段进行归一化时，以该序列段所在的整条时间序列中的最大值作为标度值进行归一化。
14.作为上述第一方面的优选，所述分段图卷积模块中采用2层图卷积来提取序列间的相关性；所述时间膨胀卷积模块中采用5层带有膨胀卷积的门限控制单元来提取每条序列内的特征。
15.作为上述第一方面的优选，所述能源量为由天然气流量计量设备监测得到的天然气流量，或者为由电表设备监测得到的用电量，或者为由光伏电站监测得到的光伏发电量。
16.第二方面，本发明提供了一种能源时序数据预测平台，该预测平台上运行有如上述第一方面任一所述的能源时序数据预测系统，且预测平台对外提供数据访问和指令输入接口。
17.作为上述第二方面的优选，所述预测平台为本地服务器或云平台。
18.第三方面，本发明提供了一种智能终端设备，该设备能够与上述第二方面所述能源时序数据预测平台建立通讯连接，并通过所述预测平台提供的接口访问平台中的数据并向平台发送任务指令。
19.作为上述第三方面的优选，所述智能终端设备向平台发送的任务指令包括执行预测任务的预测指令、调用在线学习模块重新进行模型训练的重训练指令、指定所需预测的时间步的指定指令。
20.本发明相对于现有技术而言，具有以下有益效果：
21.1)本发明针对能源量的多元时间序列预测，提供了一种能源时序数据预测系统。该系统中通过数据在线采集模块采集实时能源量数据并构建时间序列，然后在需要进行预测时由输入序列提取模块提取最新的多元时间序列段，再通过预先经过训练的多元时间序列预测模型进行预测。该能源时序数据预测系统对于不同形式的能源量预测均具有普适性。
22.2)本发明的系统中，设计了一种基于深度学习的多元时间序列预测模型。该模型通过构造分段图卷积层，将不同的时间序列作为图中的节点，从基于序列相似度的图结构
中学习相邻节点的关联信息，通过时间膨胀卷积层提取时间序列的内部信息，模型的最终输出与基于两阶段注意机制的时间信息增强模块的输出结合。在真实的能源量多元时间序列数据集上的预测实验表明，该模型可以较好地完成不同的能源量以及不同时间步的预测，能够准确预测不同的未来时刻能源量。
23.3)本发明可为电力、天然气等能源数据提供一种通用性的平台，进而对外提供预测服务。且该平台可以与相应的智能终端配合，实现预测任务的实时发布、查询以及可视化显示。
附图说明
24.图1为本发明一实施例中能源时序数据预测系统的模块组成示意图。
25.图2为单层图神经网络信息聚合过程示意图。
26.图3为多元时间序列预测模型网络结构示意图。
27.图4为本发明另一实施例中能源时序数据预测系统的的模块组成示意图。
28.图5为本发明实施例中能源量监测设备、能源时序数据预测平台与智能终端设备之间的关系示意图。
具体实施方式
29.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。本发明各个实施例中的技术特征在没有相互冲突的前提下，均可进行相应组合。
30.在本发明的描述中，需要理解的是，当一个元件被认为是“连接”另一个元件，可以是直接连接到另一个元件或者是间接连接即存在中间元件。相反，当元件为称作“直接”与另一元件连接时，不存在中间元件。
31.本发明中提供了一种能源时序数据预测系统，用于与多个能源量监测设备配合对各自监测的能源量进行预测。如图1所示，在本发明的一个较佳实施例中，该能源时序数据预测系统包括数据在线采集模块、输入序列提取模块和能源量预测模块。
32.数据在线采集模块，用于接收每个所述能源量监测设备通过物联网上传的实时能源量数据，并将其与监测设备识别号关联后以带时间戳的时间序列形式进行存储。
33.输入序列提取模块，用于根据收到的预测指令，按照固定长度的时间窗口从每个能源量监测设备存储的时间序列中提取最新的一段能源量数据序列，并将提取的所有序列段各自进行归一化后组合为多元时间序列段。
34.能源量预测模块，用于根据收到的预测指令，将所述输入序列提取模块生成的多元时间序列段输入预先经过训练的多元时间序列预测模型，得到各能源量监测设备在未来指定时间步所监测到的能源量预测值。
35.在本发明中，上述能源时序数据预测系统对面向的能源量预测对象不限，本发明中的能源量既可以是指能源消耗量，也可以是指能源产生量。在后续的实施例中能源消耗量可以是天然气用量或者用电量，能源产生量可以是光伏发电量。因此，不同的能源量需要
的能源量监测设备也是不同的，例如能源量为天然气流量时可由天然气流量计量设备监测得到，能源量为用电量时可由电表设备监测得到，能源量为光伏发电量时可由光伏电站监测得到。但是除了上述三种能源量之外，本发明也可以应用于其他的能源相关的时序数据，例如风力发电数据、油气生产量数据、水力发电量数据、火力发电量数据等等。
36.各能源量监测设备的数据传输技术可以是任意能够远程传输数据的物联网技术。在本发明的实施例中，可以采用以下几种：
37.1.wi-fi技术：wi-fi技术是一种局域网无线传输技术，可提供高速稳定的网络连接。通过将设备连接到wi-fi网络，可实现对物联网设备的远程控制和数据传输，适用于小范围、高速传输的场景。
38.2.蜂窝网络技术：蜂窝网络技术是移动通信领域的核心技术之一，采用3g或4g网络实现了数据的远程传输，具有广阔的覆盖范围和高效稳定的传输特点。可适用于跨区域、远距离的大流量数据传输场景。
39.3.zigbee技术：zigbee技术是一种无线低功耗的物联网技术，可提供局域网级别的数据传输，适用于需要低速、低功耗传输的场景，如智能家居等。
40.4.lorawan技术：lorawan技术采用长距离、低功耗的无线通信技术，可在城市、乡村等不同覆盖和环境条件下实现远程数据传输和监测。
41.当然，除了上述几种物联网技术之外，其他能够远程传输数据的物联网技术也可以考虑采用，只要能够满足数据传输的时效性和可靠性即可。
42.上述数据在线采集模块中，接收到的每个能源量监测设备通过物联网上传的实时能源量数据，可以不重复的监测设备识别号作为唯一标识，记录在数据存储模块中，供后续进行调用。每个能源量监测设备上传的数据可以记录在同一条时间序列中，每个记录值需带有采样的时间戳。
43.在本发明中，上述输入序列提取模块的作用是提取后续多元时间序列预测模型预测所需的输入数据，即多元时间序列段。该多元时间序列段的提取可以通过时间窗口的滑动来实现。本发明的多元时间序列预测模型用于同时预测多个能源量监测设备的未来监测值，因此每一个能源量监测设备对应的时间序列中均需要通过时间窗口提取最新的一段序列，这些序列再并列构成多元时间序列段。
44.由此可见，多元时间序列预测模型是本发明实现预测功能的关键。下面对多元时间序列预测模型的具体实现进行详细描述。在多元时间序列预测任务中，一个n维多元时间序列样本由n个变量随时间变化产生，每个变量可以对应于一个能源量监测设备。在图神经网络中，模型将各变量视作图中的节点，并以变量之间的关联度作为图结构中的边。用gk＝{v,e}表示图的结构，其中v和e分别表示节点和边的集合。对于图边集e，u,v∈v是图中的节点，e＝(u,v)∈e表示一条从节点u指向节点v的边。节点u的邻域定义为n(u)＝{v∈v|u,v)∈e}。整个图的连通性用邻接矩阵a∈r
{n
×
n}
表示，当节点i和节点j之间存在联通边时，有a
i,j
＝c＞0，否则a
i,j
＝0。邻接矩阵a的主对角线为1，表示每个节点上都有一个自连接边。图神经网络的主要作用是使每个节点在保持自身特征的同时学习图中相邻节点的相互依赖关系，自动聚合信息并生成一个新的时间序列，节点输出的新的时间序列包含其他时间序列的隐藏信息。随着卷积层数的增加，单个节点也将间接从其相邻的节点获得更大范围的节点信息。如图2所示，展示了单层图神经网络信息聚合过程：中心节点(即能源量监测设备
2)聚合来自其邻居节点(即能源量监测设备1、3、4)的信息，并输出一个新的时间序列。
45.基于上述理念，如图3所示，在本发明的实施例中，该多元时间序列预测模型包括一个分段图卷积模块、一个时间膨胀卷积模块和一个时间信息增强模块，模型的输入为多元时间序列段。假设将模型的输入为前述的多元时间序列段记为x，则三个模块的具体实现方式如下：
46.(1)分段图卷积模块将输入的多元时间序列段按照时间维度进行分段，根据段内序列间的余弦相似度构建分段邻接矩阵，再进行多层分段图卷积，提取序列间的相关性，得到第一输出信号。具体而言，将输入模型的多元时间序列段x输入分段图卷积模块中，得到最终图卷积结果h
(g)
。分段图卷积模块中执行的流程如下述s11～s14所示：
47.s11、首先根据预设的分段数量超参数p，对输入的多元时间序列段x在时间维度上平均分割为p段，每一分段表示为xk∈r
{
×
s}
，s＝/，w为时间窗口的长度，n为需要进行预测的能源量监测设备的总数量。
48.s12、然后以分段xk内的各能源量监测设备对应的序列为节点，使用余弦相似度来计算分段xk内节点的邻接度，得到分段xk对应的图邻接矩阵a
′k∈r
{n
×
n}
，a
′k中任意节点i和节点j在同一分段xk中连接边的强度表示为：
[0049][0050]
式中：x
k,i
和x
k,j
分别代表分段xk内的第i个和第j个能源量监测设备对应的序列，||代表取模运算。
[0051]
s13、再使用softmax函数对所述图邻接矩阵a
′k按照行进行归一化，形成归一化后的图邻接矩阵ak，其中ak中与a
′
k,i,j
对应的邻接度a
k,i,j
计算式为：
[0052][0053]
由于余弦相似度的范围为[-1,1]，其值越接近于1，表示两个向量的方向更为接近，而小于0则代表方向相反。因此，上述模型在计算连接边的强度时设置0为下限过滤无关节点，并使用softmax函数对每个多元时间序列分割段的相似度矩阵ak逐行归一化。
[0054]
s14、最后对每一个分段xk，根据得到的分段邻接矩阵ak通过图卷积网络进行总共g层图卷积计算，输出最终图卷积结果h
(g)
；且图卷积网络中第l层的图卷积过程表示如下：
[0055][0056]
其中dk为邻接矩阵ak的度矩阵，为可训练参数矩阵，是前一个图卷积层的最终输出经过分解后的第k个分段；l＝1,2,
…
,g，
[0057]
图卷积网络将第l层图卷积得到的分段卷积结果在时间维度上进行重组拼接，得到第l层图卷积的输出：
[0058][0059]
图卷积网络将第l层图卷积结果与原始输入的多元时间序列段x进行残差连接，得到第l层图卷积的最终输出残差连接的引入，是为了防止梯度消失，
使模型更容易训练。
[0060]
通过多层图卷积过程，hg中的每个节点从邻居节点收集关联信息，然后传递给时间膨胀卷积层。
[0061]
(2)时间膨胀卷积模块将分段图卷积模块输出的第一输出信号输入多层堆叠的带有膨胀卷积的门限控制单元中，进一步提取每条序列内的特征并降维，得到第二输出信号。具体而言，将前述得到的最终图卷积结果h
(g)
输入时间膨胀卷积模块中，进行总共c层的时间膨胀卷积，得到时间膨胀卷积模块的最终输出hc。堆叠c层时间膨胀卷积层，每层时间膨胀卷积层为带有膨胀卷积的门限控制单元glu(gate linear unit)，包含特征学习部分和信号量控制部分，可学习每个变量的时间变化规律，每个卷积层被分成两条信号路径：滤波器和信号阈值。特征学习部分通过线性加权来学习信号的隐藏特征。信号量控制部分使用sigmoid激活函数，用于控制当前卷积层输出进入下一层的信号量。时间膨胀卷积模块中的具体过程如下述s21～s22所示：
[0062]
s21、依次执行c层时间膨胀卷积，其中任意第l层时间膨胀卷积的过程表示如下：
[0063][0064]
其中：c＝1,2,
…
,c；z
(c-1)
是前一膨胀卷积层的输出，表示矩阵点乘(即哈达玛积)，σ(
·
)表示sigmoid激活函数，*表示膨胀卷积操作，w
f(c)
和分别表示两部分卷积核的可学习参数，两部分卷积核的数量都为m，卷积核的大小为c1，膨胀率为d。由于大多数时间序列具有相对固定的采样频率(如1h或10min)，且在不同的时间尺度上具有周期性，因此此处的膨胀卷积可使用3*2n作为膨胀率，使得卷积核的感受野更好地覆盖从小到大的时间尺度(即当膨胀率为24(3*2n)，采样频率为1h时，卷积核的感受野将覆盖连续数天的同一小时)。
[0065]
s22、得到c层时间膨胀卷积各自输出的信号z
(c)
后，对每层时间膨胀卷积输出的信号z
(c)
进行加权叠加，再使用一层普通卷积将信号处理成预测目标的大小(即多元时间序列预测模型的预测输出大小)，得到时间膨胀卷积模块的最终输出为：
[0066][0067]
其中w
s(c)
表示对第c层卷积的信号z
(c)
进行加权时的可训练权重矩阵；we(
·
)代表普通卷积，卷积核的数量为me，卷积核的大小为ce。hc将不同扩张速率的卷积输出叠加在一起，能够捕获不同感受野的序列信息。
[0068]
(3)时间信息增强模块将输入的多元时间序列段输入到lstm网络，对lstm网络各隐藏步的信号按照时间进行分组，并对各组应用注意力机制提取分段上下文向量，然后在分段上下文向量上继续应用注意力机制生成时间上下文向量，最后将时间上下文向量与lstm网络隐藏层的最后一个信号进行拼接，并将拼接结果经过一层全连接层，得到第三输出信号。
[0069]
具体而言，将输入模型的多元时间序列段x输入时间信息增强模块中，得到时间信息增强信号ha。时间信息增强模块中执行的流程如下述s31～s34所示：
[0070]
s31、首先由具有n个隐藏层单元的lstm网络进行特征提取，并根据分段数量超参
数p对长度为w的lstm网络隐藏层输出h
′
进行分段，得到p段分段隐藏层信号h
′k：
[0071]h′
＝lstm(x)＝[h1,h2,
…
,hw]
[0072]h′k＝[h
k*s-s+1
,h
k*s-s+2
,
…
,h
k*s
],k＝1,2,
…
p
[0073]
s32、然后将得到的分段隐藏层信号h
′k经过可训练参数wk′
加权后得到加权后得到经过softmax函数计算得到对应的分段权值a
′k，由各分段隐藏层信号h
′k与各分段权值a
′k加权求和得到分段上下文向量c
′
：
[0074][0075][0076][0077]
s33、再将分段上下文向量c
′
经过可训练参数w
′′
加权后得到加权后得到中包含s个时间步的隐藏层信号间步的隐藏层信号经过softmax函数计算得到时间步权值a
″i，时间上下文向量c
″
由各时间步的隐藏层信号与时间步权值a
″i加权求和得到：
[0078][0079][0080][0081]
s34、最后将得到的时间上下文向量c
″
与lstm网络隐藏层的最后一个时间步信号hw拼接，经过一层全连接层输出时间信息增强信号：
[0082]
ha＝wa·
concat(c
″
,hw)+b
[0083]
式中：wa和b分别表示全连接层的可学习权重和偏置。
[0084]
(4)最后将第二输出信号和第三输出信号相加，经过反归一化后得到多元时间序列预测模型的最终预测输出。
[0085]
具体而言，将时间膨胀卷积模块的最终输出hc和时间信息增强模块输出的时间信息增强信号ha相加，并经过反归一化后得到网络模型的最终预测输出：
[0086][0087]
式中：scale表示反归一化系数。
[0088]
需注意的是，此处的反归一化是与输入数据执行的归一化对应的，因此每一个能源量监测设备的预测值对应的反归一化系数scale是由能源量监测设备记录的对应的时间序列最大值。
[0089]
上述多元时间序列预测模型中的部分超参数可以根据实际进行优化，在本发明的实施例中，时间窗口的长度w取168，时间窗口的滑动步s取1；分段数量超参数p为7；图卷积网络中的图卷积层数g为2；时间膨胀卷积模块的时间膨胀卷积层数c为5，每层卷积核的数量m为24，卷积核的大小c1为1
×
3，5层卷积核的膨胀率d分别取1、3、6、12、24；时间膨胀卷积
模块中，最后一层普通卷积的卷积核数量me取1，卷积核的大小ce取1
×
76。但需要说明的是，以上超参数仅为本发明实施例的优选参数，并非绝对的。
[0090]
需要说明的是，上述多元时间序列预测模型在应用前需要预先进行训练，具体训练方式属于现有技术，其中训练采用的损失函数可采用平均绝对误差(mae)。具体训练时，可将多元时间序列预测模型的最终预测输出与输入样本的预测目标实际标签值y进行平均绝对误差计算，从而得到损失函数值l：
[0091][0092]
由于y预先经过了归一化，因此需要先进行反归一化才能进行mae计算。
[0093]
训练上述模型之前，需要预先构建训练数据集，这属于现有技术，为了便于理解下面进行简单介绍，其流程可参考如下：
[0094]
1)获取用户需要监控的n个能源量监测设备记录的时间序列每条时间序列以各自的最大值作为标度值进行最大值归一化，形成归一化时间序列由所有归一化时间序列组成多元时间序列
[0095]
上述最大值归一化属于现有技术，假设每条时间序列中的最大值为max(s[i])，则可将其作为标度值分别对每条序列进行最大值归一化：
[0096][0097]
其中表示第i条时间序列，表示第i条经过最值归一化后的历史时间序列。
[0098]
2)以固定长度w的时间窗口在多元时间序列上按照预设步长s进行滑动，滑动过程中每个时间窗口从多元时间序列中提取窗口内的多元时间序列段x∈r
{n
×
w}
，并以多元时间序列上位于时间窗口后第h个时间步处的值y∈r
{n}
作为模型的回归标签，生成模型的训练数据集，数据集中每个样本表示为{x∈r
{n
×
w}
,∈r
{n}
}。
[0099]
得到上述训练数据集后即可用于模型训练，根据所得的预测损失l可计算模型的随机梯度，使用adamw优化器以学习率α,衰减权重β,更新神经网络模型所有可训练参数，如此循环训练过程，直到模型收敛后，将模型保存于能源预测模块中。由此，在实际预测时，从各能源量监测设备记录的时序数据中获取当前最近一个时间窗口内的序列段并构成实时的多元时间序列段，将实时的多元时间序列段归一化后输入能源预测模块中存储的经过训练的多元时间序列预测模型中，预测未来指定时间步时各能源量监测设备对应的记录值。
[0100]
在本发明的一实施例中，为了展示上述多元时间序列预测模型所能达到的预测性能，将其在天然气数据集(nature-gas-1和nature-gas-2)、太阳能数据集(solar-energy)和电力数据集(electricity)进行了测试。为评估模型性能测指标选择相对平方根误差(root relative squared error，rse)和经验相关系数(empirical correlation coefficient，corr)。几个数据集的具体情况如下：
[0101]
天然气数据集(nature-gas-1和nature-gas-2)：两个数据集都来自某燃气公司的工商业天然气流量计数据库。预先对流量计的标况累计流量进行重采样、插值和差分生成天然气标况流量序列。由于不同的天然气传感器有不同的上传频率，为了展示多元时间序
列预测模型在不同采样频率下的表现，分别构建了两个不同采用频率天然气数据集。其中，natural-gas-1包含2020年7月1日至2021年9月5日52个高频天然气流量序列，采样频率为10min；natural-gas-2包含2020年3月9日至2021年9月5日118个低频天然气流量序列，采样频率为1h。由于天然气行业的特殊性，春节前后部分工商用户处于暂停用气状态，因此删除了两个数据集2021年2月的数据。
[0102]
太阳能数据集(solar-energy)：包含来自阿拉巴马州的137家光伏电厂2006年的太阳能生产记录，采样频率为10min。
[0103]
电力数据集(electricity)：来自uci机器学习数据集，包含从2012年到2014年的321个客户的电力使用量。原始的数据的采样频率为15min，此处将其转化为逐小时的用电量数据。
[0104]
同时为了不同预测步上的预测性能，本实施例将多元时间序列预测模型的预测步设置了4组，即h＝3，6，12，24上分别进行了实验，不同的预测步代表以输入时间窗口后的第h个时间步的值作为预测目标。该多元时间序列预测模型在测试集上的实验结果如表1～表4所示。
[0105]
表1模型在nature-gas-1数据集上的表现
[0106][0107]
表2模型在nature-gas-2数据集上的表现
[0108][0109]
表3模型在solar-energy数据集上的表现
[0110][0111]
表4模型在electricity数据集上的表现
[0112][0113]
由此可见，本发明的多元时间序列预测模型在不同的能源量以及不同时间步的预测任务中都具有较好地表现，能够准确预测不同的未来时刻能源量。
[0114]
另外，由于随着时间推移，能源量的趋势会发生变化，因此上述能源预测模块中存储的多元时间序列预测模型需要不断根据最新数据进行在线学习。因此，在本发明的另一实施例中，上述能源时序数据预测系统还包括在线学习模块，用于从每个能源量监测设备
存储的时间序列中不断提取新加入的数据，并将其构建为上述多元时间序列预测模型的训练样本。在训练样本累积到指定数量或者距离上一次模型训练达到指定时间后，可重新利用这些训练样本对多元时间序列预测模型进行训练，实现多元时间序列预测模型的在线学习。每一次训练完毕后，可在能源预测模块中存储最新训练得到的多元时间序列预测模型，用于进行实际的预测任务。
[0115]
需要注意的是，上述能源时序数据预测系统中，能源预测模块中初始存储的多元时间序列预测模型，可以是线下训练的，也可以是将历史时序数据导入平台后调用上述在线学习模块在线直接训练的。调用在线学习模块在线直接训练的方式，可以进一步降低该系统使用的门槛，用户无需自行进行训练，直接将相关的历史时序数据导入平台即可。
[0116]
需要说明的是，上述能源时序数据预测系统中，数据在线采集模块是实时工作的，而输入序列提取模块和能源量预测模块则是在收到预测指令后才执行工作。该预测指令可以由系统自行定期发送，也可以由外部的设备或者终端进行触发。
[0117]
因此，基于相同的发明构思，本发明的另一实施例中，提供了一种能源时序数据预测平台，该预测平台上运行有如前述实施例所述的能源时序数据预测系统，且预测平台对外提供数据访问和指令输入接口。
[0118]
需要注意的是，此处所说的预测平台可以是本地服务器，也可以是云平台。
[0119]
基于相同的发明构思，本发明的另一实施例中，提供了一种智能终端设备，该设备能够与上述实施例中的能源时序数据预测平台建立通讯连接，并通过所述预测平台提供的接口访问平台中的数据并向平台发送任务指令。
[0120]
该智能终端设备向平台发送的任务指令可以包括执行预测任务的预测指令、调用在线学习模块重新进行模型训练的重训练指令、指定所需预测的时间步的指定指令，具体可根据实际需求进行设计。
[0121]
如图5所示，展示了一云平台形式的上述能源时序数据预测平台、能源量监测设备与智能终端设备的数据传输形式。其中的智能终端设备可以是任意可运行程序的计算机电子设备，具体可根据应用场景进行选择。上述计算机电子设备需要包括存储器和处理器。存储器，用于存储计算机程序；处理器，用于当执行前述计算机程序时，能实现相应系统模块的功能。可以理解的是，上述存储器可以采用随机存取存储器(random access memory，ram)，也可以采用非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。同时存储介质还可以是u盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。可以理解的是，上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signalprocessing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。作为本发明实施例的优选方式，上述智能终端设备可选择为智能手机、平板电脑、pc机。
[0122]
另外需要说明的是，上述实施例提供的系统、平台和终端设备中，各模块在被执行是相当于是按序执行的程序模块，因此其本质上是执行了一种数据处理的流程。且所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本技术所提供的各实施例中，所
述方法和系统中对于步骤或者模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或步骤可以结合或者可以集成到一起，一个模块或者步骤亦可进行拆分。
[0123]
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

技术特征：
1.一种能源时序数据预测系统，用于与多个能源量监测设备配合对各自监测的能源量进行预测，所述能源量为能源消耗量或者能源产生量，其特征在于，包括：数据在线采集模块，用于接收每个所述能源量监测设备通过物联网上传的实时能源量数据，并将其与监测设备识别号关联后以带时间戳的时间序列形式进行存储；输入序列提取模块，用于根据收到的预测指令，按照固定长度的时间窗口从每个能源量监测设备存储的时间序列中提取最新的一段能源量数据序列，并将提取的所有序列段各自进行归一化后组合为多元时间序列段；能源量预测模块，用于根据收到的预测指令，将所述输入序列提取模块生成的多元时间序列段输入预先经过训练的多元时间序列预测模型，得到各能源量监测设备在未来指定时间步所监测到的能源量预测值。2.如权利要求1所述的能源时序数据预测系统，其特征在于，所述多元时间序列预测模型包括一个分段图卷积模块、一个时间膨胀卷积模块和一个时间信息增强模块，模型的输入为多元时间序列段；所述分段图卷积模块将输入的多元时间序列段按照时间维度进行分段，根据段内序列间的余弦相似度构建分段邻接矩阵，再进行多层分段图卷积，提取序列间的相关性，得到第一输出信号；所述时间膨胀卷积模块将分段图卷积模块输出的第一输出信号输入多层堆叠的带有膨胀卷积的门限控制单元中，进一步提取每条序列内的特征并降维，得到第二输出信号；所述时间信息增强模块将输入的多元时间序列段输入到lstm网络，对lstm网络各隐藏步的信号按照时间进行分组，并对各组应用注意力机制提取分段上下文向量，然后在分段上下文向量上继续应用注意力机制生成时间上下文向量，最后将时间上下文向量与lstm网络隐藏层的最后一个信号进行拼接，并将拼接结果经过一层全连接层，得到第三输出信号；最后将第二输出信号和第三输出信号相加，经过反归一化后得到多元时间序列预测模型的最终预测输出。3.如权利要求1所述的能源时序数据预测系统，其特征在于，还包括在线学习模块，用于从每个能源量监测设备存储的时间序列中不断提取新加入的数据，并将其构建为所述多元时间序列预测模型的训练样本，并在训练样本累积到指定数量或者距离上一次模型训练达到指定时间后，重新利用这些训练样本对所述多元时间序列预测模型进行训练，实现所述多元时间序列预测模型的在线学习。4.如权利要求1所述的能源时序数据预测系统，其特征在于，所述输入序列提取模块中，对提取的序列段进行归一化时，以该序列段所在的整条时间序列中的最大值作为标度值进行归一化。5.如权利要求2所述的能源时序数据预测系统，其特征在于，所述分段图卷积模块中采用2层图卷积来提取序列间的相关性；所述时间膨胀卷积模块中采用5层带有膨胀卷积的门限控制单元来提取每条序列内的特征。6.如权利要求1所述的能源时序数据预测系统，其特征在于，所述能源量为由天然气流量计量设备监测得到的天然气流量，或者为由电表设备监测得到的用电量，或者为由光伏电站监测得到的光伏发电量。7.一种能源时序数据预测平台，其特征在于，该预测平台上运行有如权利要求1～6任一所述的能源时序数据预测系统，且预测平台对外提供数据访问和指令输入接口。8.如权利要求7所述的能源时序数据预测平台，其特征在于，所述预测平台为本地服务
器或云平台。9.一种智能终端设备，其特征在于，该设备能够与权利要求7或8所述能源时序数据预测平台建立通讯连接，并通过所述预测平台提供的接口访问平台中的数据并向平台发送任务指令。10.如权利要求9所述的智能终端设备，其特征在于，所述智能终端设备向平台发送的任务指令包括执行预测任务的预测指令、调用在线学习模块重新进行模型训练的重训练指令、指定所需预测的时间步的指定指令。

技术总结
本发明公开了一种能源时序数据预测系统、平台及智能终端设备。针对能源量的多元时间序列预测，该系统中通过数据在线采集模块采集实时能源量数据并构建时间序列，然后在需要进行预测时由输入序列提取模块提取最新的多元时间序列段，再通过预先经过训练的多元时间序列预测模型进行预测。该能源时序数据预测系统对于不同形式的能源量预测均具有普适性。本发明可为电力、天然气等能源数据提供一种通用性的平台，进而对外提供预测服务。且该平台可以与相应的智能终端配合，实现预测任务的实时发布、查询以及可视化显示。查询以及可视化显示。查询以及可视化显示。


技术研发人员：孙笑笑 黄博祎 李中阳 叶春毅 俞东进
受保护的技术使用者：杭州电子科技大学
技术研发日：2023.03.23
技术公布日：2023/7/31