区域燃气用量预测方法、系统、设备及物联网云平台技术方案

本发明专利技术公开了一种区域燃气用量预测方法、系统、设备及云平台。本发明专利技术能够根据用户指定区域和日期预测整个区域内所有燃气用户未来用气量，预测过程中采用空间地址匹配技术提取了区域内所有入网的燃气用户，然后通过对用户进行分类并结合统计学抽样，从用户整体中抽取代表性的样本用户来各自进行预测，从而大大降低了模型预测所需的计算量和计算资源消耗。整个预测方法和系统可以搭载与云平台上，云平台通过物联网技术接收所有入网燃气用户的燃气流量计量设备上传的燃气流量数据，同时对外提供与用户进行交互的接口。因此本发明专利技术可应用于对城市或者其他区域的整体用气总量进行提前预测，从而满足城市内燃气调度对于用气量预测的需求，保证供气稳定。保证供气稳定。保证供气稳定。

【技术实现步骤摘要】
区域燃气用量预测方法、系统、设备及物联网云平台


[0001]本专利技术属于数据预测领域，具体涉及一种区域燃气用量预测方法、系统、设备及物联网云平台。

技术介绍

[0002]天然气是城市中广泛使用的一种燃料能源。不论在民用领域还是工业领域，都存在大量的用气需求。因此，天然气的安全运行及平稳供气，对于城市日常功能的正常运转至关重要。
[0003]但天然气的用量与电力用量一样，存在明显的波动性，这种波动性体现为长期波动性和短期波动性。长期波动性可以通过月或者季度等维度来衡量的，不同季节、不同气温都会导致用气量出现差异；而短期波动性则可以通过一天或多天的维度来衡量，一天内白天、晚上以及白天的不同时段，都存在明显的用气量差异。
[0004]因此，为了提高天然气的供应稳定，需要加强区域内的燃气调度运行及管理。城市天然气调度需要对城市供应天然气系统的集中监控和指挥。为达到天然气供需平衡、确保安全供应、维持最佳工况和经济运行，一般由城市天然气调度中心收集气源、输配和应用方面的情报，对资料进行整理、分析、预测和判断，然后发出生产、输配、运行的指令。但是在这个调度过程中，一个城市或者城市内的某一区域未来的天然气用量预测，是一个长期面临的难点。传统的做法是通过经验和往年数据进行估计，但这种做法的主观性较大，其准确性难以把控。
[0005]随着机器学习的不断发展，目前业内开始逐渐应用神经网络等机器学习算法来学习用气量特征，进而实现预测。但是天然气的用气量存在多样性，不同燃气用户的用气习惯是不同的，相同的模型往往难以实现不同用户用气量的准确预测。而且在进行天然气调度时，需要预测的往往并非单个燃气用户未来的用气量，而是需要预测某个区域内所有燃气用户的总用气量。因此，假如需要对人口成千上万的城市或者区域进行燃气用量预测，按照传统的机器学习做法，针对每个燃气用户构建模型并分别进行预测后加和，其所需的计算量和消耗的计算资源将远远超过可承受负荷。同时，即使调用大量的计算资源来保证预测工作，由于其计算量过大，这种做法的实时性也会较差，难以满足调度的实际需求。
[0006]因此，针对区域燃气用量预测，如何对其进行优化以满足计算量和实时性的需求，是目前亟待解决的技术问题。

技术实现思路

[0007]本专利技术的目的在于解决现有技术中存在的问题，并提供一种区域燃气用量预测方法、系统、设备及云平台。
[0008]本专利技术所采用的具体技术方案如下：
[0009]第一方面，本专利技术提供了一种区域燃气用量预测方法，其包括：
[0010]S1、获取用户指定的需要预测燃气用量的目标区域以及预测日期；
[0011]S2、根据所述目标区域，基于所有入网燃气用户对应的坐落位置对所有燃气用户进行空间位置匹配，得到坐落在所述目标区域内的燃气用户集合；
[0012]S3、基于预先存储在数据库中所有入网燃气用户的类别标签，查询得到所述燃气用户集合中每个燃气用户的类别标签；所述数据库中的燃气用户类别标签预先通过对所有入网燃气用户的用气特征进行聚类后生成，所述用气特征由燃气用户在工作日的第一燃气用量分布序列和在节假日的第二燃气用量分布序列组合而成；且所述数据库中对于新增入网的燃气用户均需要将其通过聚类分配相应的类别标签；
[0013]S4、将所述燃气用户集合中的所有燃气用户按照其类别标签分成若干用户子集，每个用户子集中的燃气用户具有同一个类别标签；然后对每个用户子集中的燃气用户进行抽样，每个用户子集对应获得一个能代表用户子集整体的样本用户集合；
[0014]S5、针对每一个样本用户集合，按照其对应的类别标签调用针对这一类燃气用户构建并训练的燃气用量预测模型，得到样本用户集合中每一个样本用户在所述预测日期的燃气用量预测值；所述燃气用量预测模型为基于LSTM循环神经网络模型的Seq2Seq模型，其输入为预测日期之前连续多天的时间信息编码日序列，输出为预测日期的燃气用量预测值，其中任意一天的时间信息编码日序列由这一天的燃气用量分布序列、这一天属于星期几的第一编码信息以及这一天是否为节假日的第二编码信息融合而成；
[0015]S6、将每个样本用户集合中所有样本用户在所述预测日期的燃气用量预测值进行平均，并将均值与该样本用户集合对应的用户子集中的燃气用户总数进行相乘，得到每个用户子集中所有燃气用户的燃气总用量预测值；将所有用户子集的燃气总用量预测值求和，预测得到所述目标区域内所有燃气用户在所述预测日期的燃气总用量。
[0016]作为上述第一方面的优选，所述S1中，目标区域以及预测日期均通过可人机交互的GUI界面进行输入或指定，其中所述目标区域的指定方式包括按行政区划指定或地图界面上自由框选指定。
[0017]作为上述第一方面的优选，所述S2中，匹配坐落在所述目标区域内的燃气用户集合时，需通过将所有燃气用户的坐落位置对应的点要素与所述目标区域对应的面要素进行空间拓扑计算，与面要素相交的点要素即为坐落在所述目标区域内的燃气用户。
[0018]作为上述第一方面的优选，所述S3中，所述聚类采用K
‑
means聚类算法实现，且聚类前先将每个燃气用户在所有非节假日的燃气用量分布序列进行平均，同时将每个燃气用户在所有节假日的燃气用量分布序列进行平均，两条平均序列拼接后作为燃气用户的距离特征，用于在聚类过程中计算燃气用户与聚类中心的距离值，从而将燃气用户划入距离最近的类簇中。
[0019]作为上述第一方面的优选，所述燃气用量分布序列通过对燃气流量计量设备基于物联网技术上传至服务器的原始数据进行处理后得到；优选的，所述燃气用量分布序列的时间长度为1天，其采样间隔为30min～2h，每一个采样值代表一个采样间隔期间燃气用户的燃气用量。
[0020]作为上述第一方面的优选，所述燃气用量预测模型采用编码器
‑
解码器结构的Seq2Seq模型，其中编码器部分采用一个多层的第一LSTM循环神经网络模型，解码器部分采用单层的第二LSTM循环神经网络模型，编码器和解码器之间级联有一个注意力层，解码器之后级联全连接层进行输出；第一LSTM循环神经网络模型的输入为预测日期之前连续多天
的时间信息编码日序列，其模型输出以及隐藏层向量输入注意力层中通过注意力机制生成注意力权重，利用注意力权重对第一LSTM循环神经网络模型的模型输出进行加权，得到上下文向量；所述上下文向量与第一LSTM循环神经网络模型的隐藏层向量拼接后，输入第二LSTM循环神经网络模型中，第二LSTM循环神经网络模型的输出与所述上下文向量拼接后输入全连接层中，得到预测日期的燃气用量预测值，作为燃气用量预测模型的最终输出。
[0021]作为上述第一方面的优选，所述抽样的方式为随机抽样、分层抽样、整体抽样或系统抽样。
[0022]第二方面，本专利技术提供了一种区域燃气用量预测系统，其包括：
[0023]用户输入模块，用于获取用户指定的需要预测燃气用量的目标区域以及预测日期；
[0024]域内用户匹配模块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种区域燃气用量预测方法，其特征在于，包括：S1、获取用户指定的需要预测燃气用量的目标区域以及预测日期；S2、根据所述目标区域，基于所有入网燃气用户对应的坐落位置对所有燃气用户进行空间位置匹配，得到坐落在所述目标区域内的燃气用户集合；S3、基于预先存储在数据库中所有入网燃气用户的类别标签，查询得到所述燃气用户集合中每个燃气用户的类别标签；所述数据库中的燃气用户类别标签预先通过对所有入网燃气用户的用气特征进行聚类后生成，所述用气特征由燃气用户在工作日的第一燃气用量分布序列和在节假日的第二燃气用量分布序列组合而成；且所述数据库中对于新增入网的燃气用户均需要将其通过聚类分配相应的类别标签；S4、将所述燃气用户集合中的所有燃气用户按照其类别标签分成若干用户子集，每个用户子集中的燃气用户具有同一个类别标签；然后对每个用户子集中的燃气用户进行抽样，每个用户子集对应获得一个能代表用户子集整体的样本用户集合；S5、针对每一个样本用户集合，按照其对应的类别标签调用针对这一类燃气用户构建并训练的燃气用量预测模型，得到样本用户集合中每一个样本用户在所述预测日期的燃气用量预测值；所述燃气用量预测模型为基于LSTM循环神经网络模型的Seq2Seq模型，其输入为预测日期之前连续多天的时间信息编码日序列，输出为预测日期的燃气用量预测值，其中任意一天的时间信息编码日序列由这一天的燃气用量分布序列、这一天属于星期几的第一编码信息以及这一天是否为节假日的第二编码信息融合而成；S6、将每个样本用户集合中所有样本用户在所述预测日期的燃气用量预测值进行平均，并将均值与该样本用户集合对应的用户子集中的燃气用户总数进行相乘，得到每个用户子集中所有燃气用户的燃气总用量预测值；将所有用户子集的燃气总用量预测值求和，预测得到所述目标区域内所有燃气用户在所述预测日期的燃气总用量。2.如权利要求1所述的区域燃气用量预测方法，其特征在于，所述S1中，目标区域以及预测日期均通过可人机交互的GUI界面进行输入或指定，其中所述目标区域的指定方式包括按行政区划指定或地图界面上自由框选指定。3.如权利要求1所述的区域燃气用量预测方法，其特征在于，所述S2中，匹配坐落在所述目标区域内的燃气用户集合时，需通过将所有燃气用户的坐落位置对应的点要素与所述目标区域对应的面要素进行空间拓扑计算，与面要素相交的点要素即为坐落在所述目标区域内的燃气用户。4.如权利要求1所述的区域燃气用量预测方法，其特征在于，所述S3中，所述聚类采用K
‑
means聚类算法实现，且聚类前先将每个燃气用户在所有非节假日的燃气用量分布序列进行平均，同时将每个燃气用户在所有节假日的燃气用量分布序列进行平均，两条平均序列拼接后作为燃气用户的距离特征，用于在聚类过程中计算燃气用户与聚类中心的距离值，从而将燃气用户划入距离最近的类簇中。5.如权利要求1或4所述的区域燃气用量预测方法，其特征在于，所述燃气用量分布序列通过对燃气流量计量设备基于物联网技术上传至服务器的原始数据进行处理后得到；优选的，所述燃气用量分布序列的时间长度为1天，其采样间隔为30min～2h，每一个采样值代表一个采样间隔期间燃气用户的燃气用量。6.如权利要求1所述的区域燃气用量预测方法，其特征在于，所述燃气用量预测模型采
用编码器
‑
解码器结构的Seq2Seq模型，其中编码器部分...

【专利技术属性】
技术研发人员：李中阳，孙笑笑，俞东进，黄明，吕文洁，黄博祎，叶春毅，
申请(专利权)人：浙江苍南仪表集团股份有限公司，
类型：发明
国别省市：