本發(fā)明涉及能源能耗預測領(lǐng)域，特別涉及一種工業(yè)場景能耗預測方法、裝置、設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、隨著物聯(lián)網(wǎng)和機器學習技術(shù)的迅猛發(fā)展，工業(yè)場景的能耗預測逐漸引起越來越多的專業(yè)人員的重視。然而，現(xiàn)有的方案中通過采集海量的數(shù)據(jù)（包括生產(chǎn)數(shù)據(jù)、設(shè)備狀態(tài)和能源價格等，其中可能包含大量敏感數(shù)據(jù)）來直接構(gòu)建模型進行預測。但由于工業(yè)生產(chǎn)過程的復雜性和多變性，以及設(shè)備老化、工藝調(diào)整和原材料變化等因素都可能對能耗產(chǎn)生影響，海量數(shù)據(jù)直接構(gòu)建預測模型將無法保障模型的預測精度，從而會影響用戶體驗感。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種工業(yè)場景能耗預測方法、裝置、設(shè)備及存儲介質(zhì)，能夠有效提高模型預測精度，從而提高能耗預測的精確性，進而提升用戶體驗感。其具體方案如下：

2、第一方面，本技術(shù)提供了一種工業(yè)場景能耗預測方法，用于預設(shè)能耗預測系統(tǒng)，包括：

3、根據(jù)預設(shè)函數(shù)篩選規(guī)則以及從本地的內(nèi)網(wǎng)服務(wù)器中獲取的歷史工業(yè)場景數(shù)據(jù)對各連接函數(shù)進行篩選，以得到相應(yīng)的目標連接函數(shù)；

4、通過所述目標連接函數(shù)以及層次分析法分別確定所述歷史工業(yè)場景數(shù)據(jù)中的各變量與能耗之間的斯皮爾曼相關(guān)系數(shù)及與各所述變量分別對應(yīng)的權(quán)重系數(shù)，并基于所述斯皮爾曼相關(guān)系數(shù)和所述權(quán)重系數(shù)并基于所述斯皮爾曼相關(guān)系數(shù)和所述權(quán)重系數(shù)進行變量篩選，以得到相應(yīng)的篩選后數(shù)據(jù)；

5、對所述篩選后數(shù)據(jù)進行相應(yīng)的預處理、數(shù)據(jù)劃分，以得到相應(yīng)的目標訓練集、目標驗證集以及目標測試集；

6、基于所述目標訓練集、所述目標驗證集以及所述目標測試集對預先基于深度信念網(wǎng)絡(luò)構(gòu)建好的初始能耗預測模型進行模型訓練、驗證及測試，以得到相應(yīng)的目標能耗預測模型，以便基于外網(wǎng)服務(wù)器并利用所述目標能耗預測模型進行能耗預測。

7、可選的，所述預設(shè)能耗預測系統(tǒng)中還包括用于通過自身的嵌入式數(shù)據(jù)通道控制系統(tǒng)對所述內(nèi)網(wǎng)服務(wù)器以及所述外網(wǎng)服務(wù)器進行安全隔離的網(wǎng)閘；其中，所述內(nèi)網(wǎng)服務(wù)器為接入可信網(wǎng)絡(luò)或網(wǎng)域的服務(wù)器，所述外網(wǎng)服務(wù)器為接入非可信網(wǎng)絡(luò)或網(wǎng)域的服務(wù)器。

8、可選的，所述基于外網(wǎng)服務(wù)器并利用所述目標能耗預測模型進行能耗預測，包括：

9、通過本地的所述內(nèi)網(wǎng)服務(wù)器對當前工業(yè)場景進行數(shù)據(jù)采集，以得到相應(yīng)的場景數(shù)據(jù)；

10、通過所述網(wǎng)閘將所述場景數(shù)據(jù)流轉(zhuǎn)至所述外網(wǎng)服務(wù)器，以便所述外網(wǎng)服務(wù)器基于接收到的所述場景數(shù)據(jù)并利用所述目標能耗預測模型進行能耗預測，以得到相應(yīng)的能耗預測結(jié)果。

11、可選的，所述根據(jù)預設(shè)函數(shù)篩選規(guī)則以及從本地的內(nèi)網(wǎng)服務(wù)器中獲取的歷史工業(yè)場景數(shù)據(jù)對各連接函數(shù)進行篩選，以得到相應(yīng)的目標連接函數(shù)，包括：

12、獲取預先配置好的目標經(jīng)驗連接函數(shù)；

13、將從本地的內(nèi)網(wǎng)服務(wù)器中獲取的歷史工業(yè)場景數(shù)據(jù)分別輸入至各連接函數(shù)以及目標經(jīng)驗連接函數(shù)，以得到與各所述連接函數(shù)以及所述目標經(jīng)驗連接函數(shù)分別對應(yīng)的函數(shù)值信息；

14、基于所述函數(shù)值信息分別確定各所述連接函數(shù)與所述目標經(jīng)驗連接函數(shù)之間的歐氏距離信息，以根據(jù)各所述歐氏距離信息之間的大小關(guān)系確定相應(yīng)的目標連接函數(shù)。

15、可選的，所述通過所述目標連接函數(shù)以及層次分析法分別確定所述歷史工業(yè)場景數(shù)據(jù)中的各變量與能耗之間的斯皮爾曼相關(guān)系數(shù)及與各所述變量分別對應(yīng)的權(quán)重系數(shù)，并基于所述斯皮爾曼相關(guān)系數(shù)和所述權(quán)重系數(shù)進行變量篩選，包括：

16、在基于所述目標連接函數(shù)確定所述歷史工業(yè)場景數(shù)據(jù)中的各變量與能耗之間的斯皮爾曼相關(guān)系數(shù)后，基于所述歷史工業(yè)場景數(shù)據(jù)中的各變量構(gòu)建相應(yīng)的初始分析結(jié)構(gòu)模型；

17、基于預設(shè)校驗規(guī)則對所述初始分析結(jié)構(gòu)模型進行相應(yīng)的一致性校驗，并當?shù)玫降男ｒ灲Y(jié)果表明校驗通過時，得到相應(yīng)的目標分析結(jié)構(gòu)模型；

18、基于所述目標分析結(jié)構(gòu)模型確定與各所述變量分別對應(yīng)的權(quán)重系數(shù)，并利用對應(yīng)的所述權(quán)重系數(shù)對對應(yīng)的斯皮爾曼相關(guān)系數(shù)進行加權(quán)，以得到與各所述變量分別對應(yīng)的加權(quán)后相關(guān)系數(shù)；

19、利用各所述加權(quán)后相關(guān)系數(shù)并基于所述斯皮爾曼相關(guān)系數(shù)和所述權(quán)重系數(shù)進行變量篩選，以得到相應(yīng)的篩選后數(shù)據(jù)。

20、可選的，所述基于所述目標訓練集、所述目標驗證集以及所述目標測試集對預先基于深度信念網(wǎng)絡(luò)構(gòu)建好的初始能耗預測模型進行模型訓練、驗證及測試，包括：

21、獲取預先基于深度信念網(wǎng)絡(luò)構(gòu)建好的初始能耗預測模型；

22、在通過網(wǎng)格尋優(yōu)法完成與所述初始能耗預測模型對應(yīng)的超參數(shù)配置操作后，基于所述目標訓練集、所述目標驗證集對所述初始能耗預測模型進行模型訓練、模型驗證、模型參數(shù)調(diào)整，直至滿足預設(shè)迭代訓練條件，得到相應(yīng)的訓練后模型；

23、基于所述目標測試集以及預設(shè)模型評價指標對所述訓練后模型進行測試，并當?shù)玫降哪Ｐ蜏y試結(jié)果表明測試通過時，確定相應(yīng)的目標能耗預測模型。

24、可選的，所述基于所述目標訓練集、所述驗證集對所述初始能耗預測模型進行模型訓練、模型驗證、模型參數(shù)調(diào)整，包括：

25、在對所述初始能耗預測模型進行模型訓練的過程中，基于所述目標訓練集對所述初始能耗預測模型中的各受限玻爾茲曼機網(wǎng)絡(luò)以及反向傳播網(wǎng)絡(luò)分別進行無監(jiān)督訓練、監(jiān)督訓練，并基于所述目標驗證集進行權(quán)重與偏置更新，以完成相應(yīng)的參數(shù)調(diào)整操作。

26、第二方面，本技術(shù)提供了一種工業(yè)場景能耗預測裝置，應(yīng)用于預設(shè)能耗預測系統(tǒng)，包括：

27、函數(shù)篩選模塊，用于根據(jù)預設(shè)函數(shù)篩選規(guī)則以及從本地的內(nèi)網(wǎng)服務(wù)器中獲取的歷史工業(yè)場景數(shù)據(jù)對各連接函數(shù)進行篩選，以得到相應(yīng)的目標連接函數(shù)；

28、變量篩選模塊，用于通過所述目標連接函數(shù)以及層次分析法分別確定所述歷史工業(yè)場景數(shù)據(jù)中的各變量與能耗之間的斯皮爾曼相關(guān)系數(shù)及與各所述變量分別對應(yīng)的權(quán)重系數(shù)，并基于所述斯皮爾曼相關(guān)系數(shù)和所述權(quán)重系數(shù)進行變量篩選，以得到相應(yīng)的篩選后數(shù)據(jù)；

29、數(shù)據(jù)處理模塊，用于對所述篩選后數(shù)據(jù)進行相應(yīng)的預處理、數(shù)據(jù)劃分，以得到相應(yīng)的目標訓練集、目標驗證集以及目標測試集；

30、能耗預測模型，用于基于所述目標訓練集、所述目標驗證集以及所述目標測試集對預先基于深度信念網(wǎng)絡(luò)構(gòu)建好的初始能耗預測模型進行模型訓練、驗證及測試，以得到相應(yīng)的目標能耗預測模型，以便基于外網(wǎng)服務(wù)器并利用所述目標能耗預測模型進行能耗預測。

31、第三方面，本技術(shù)提供了一種電子設(shè)備，包括：

32、存儲器，用于保存計算機程序；

33、處理器，用于執(zhí)行所述計算機程序，以實現(xiàn)前述的工業(yè)場景能耗預測方法的步驟。

34、第四方面，本技術(shù)提供了一種計算機可讀存儲介質(zhì)，用于保存計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)前述的工業(yè)場景能耗預測方法的步驟。

35、可見，本技術(shù)中，通過預設(shè)能耗預測系統(tǒng)，首先根據(jù)預設(shè)函數(shù)篩選規(guī)則以及從本地的內(nèi)網(wǎng)服務(wù)器中獲取的歷史工業(yè)場景數(shù)據(jù)對各連接函數(shù)進行篩選，以得到相應(yīng)的目標連接函數(shù)；通過所述目標連接函數(shù)以及層次分析法分別確定所述歷史工業(yè)場景數(shù)據(jù)中的各變量與能耗之間的斯皮爾曼相關(guān)系數(shù)及與各所述變量分別對應(yīng)的權(quán)重系數(shù)，并基于所述斯皮爾曼相關(guān)系數(shù)和所述權(quán)重系數(shù)進行變量篩選，以得到相應(yīng)的篩選后數(shù)據(jù)；對所述篩選后數(shù)據(jù)進行相應(yīng)的預處理、數(shù)據(jù)劃分，以得到相應(yīng)的目標訓練集、目標驗證集以及目標測試集；基于所述目標訓練集、所述目標驗證集以及所述目標測試集對預先基于深度信念網(wǎng)絡(luò)構(gòu)建好的初始能耗預測模型進行模型訓練、驗證及測試，以得到相應(yīng)的目標能耗預測模型，以便基于外網(wǎng)服務(wù)器并利用所述目標能耗預測模型進行能耗預測。也即，本技術(shù)中通過連接函數(shù)以及層次分析法對歷史工業(yè)場景數(shù)據(jù)中的變量進行精心選擇，之后利用得到的篩選后數(shù)據(jù)來訓練預先基于深度信念網(wǎng)絡(luò)構(gòu)建好的初始能耗預測模型。這樣一來，能夠有效提高模型預測精度，從而提高能耗預測的精確性，進而提升用戶體驗感。