本發(fā)明涉及燃?xì)饽茉幢O(jiān)測(cè)，具體為基于物聯(lián)網(wǎng)的燃?xì)饽茉幢O(jiān)測(cè)方法。

背景技術(shù)：

1、燃?xì)饽茉词侵咐锰烊粴?、液化石油氣、煤層氣、?yè)巖氣等氣態(tài)燃料作為能源的方式，其氣體主要由烴類(lèi)化合物組成，燃燒時(shí)能釋放出熱能，因此廣泛用于發(fā)電、供暖、烹飪、工業(yè)生產(chǎn)等領(lǐng)域。

2、中國(guó)專(zhuān)利公開(kāi)號(hào)：cn117871771b公開(kāi)一種基于大數(shù)據(jù)的燃?xì)饽茉幢O(jiān)測(cè)方法，包括通過(guò)傳感器、儀表和監(jiān)測(cè)設(shè)備采集燃?xì)鈹?shù)據(jù)信息，將采集到的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理和存儲(chǔ)；根據(jù)燃?xì)庑軐?duì)燃燒效率和燃?xì)饬髁窟M(jìn)行預(yù)設(shè)，通過(guò)數(shù)據(jù)預(yù)處理后的燃?xì)鈮毫?、溫度，得到燃?xì)馊紵矢木幭禂?shù)；基于深度學(xué)習(xí)并結(jié)合預(yù)處理后的燃?xì)鈹?shù)據(jù)信息，建立燃?xì)饽芎念A(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型，為后續(xù)監(jiān)測(cè)過(guò)程提供數(shù)據(jù)支持；根據(jù)燃?xì)饽芎念A(yù)測(cè)對(duì)燃?xì)饬髁窟M(jìn)行調(diào)節(jié)；實(shí)時(shí)監(jiān)測(cè)燃?xì)饽茉吹氖褂们闆r，結(jié)合燃?xì)馊紵矢木幭禂?shù)和調(diào)節(jié)后的燃?xì)饬髁浚C合監(jiān)測(cè)燃?xì)庀到y(tǒng)。該方法通過(guò)傳感器、儀表和監(jiān)測(cè)設(shè)備采集燃?xì)鈹?shù)據(jù)，且通過(guò)數(shù)據(jù)預(yù)處理提高數(shù)據(jù)質(zhì)量，但數(shù)據(jù)源的多樣性和復(fù)雜性，數(shù)據(jù)噪聲或傳感器誤差會(huì)影響分析的準(zhǔn)確性，導(dǎo)致燃?xì)馊紵矢淖兿禂?shù)計(jì)算誤差或能耗預(yù)測(cè)模型的準(zhǔn)確性下降，同時(shí)，系統(tǒng)設(shè)計(jì)包括實(shí)時(shí)監(jiān)測(cè)和調(diào)整機(jī)制，但基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型和復(fù)雜的預(yù)處理步驟會(huì)增加計(jì)算時(shí)間，而影響系統(tǒng)的實(shí)時(shí)響應(yīng)速度，若系統(tǒng)無(wú)法及時(shí)處理和響應(yīng)數(shù)據(jù)變化，會(huì)影響燃?xì)饬髁康募皶r(shí)調(diào)節(jié)和預(yù)警功能的有效性。

3、因此，本領(lǐng)域技術(shù)人員提供基于物聯(lián)網(wǎng)的燃?xì)饽茉幢O(jiān)測(cè)方法，以解決上述背景技術(shù)中提出的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供基于物聯(lián)網(wǎng)的燃?xì)饽茉幢O(jiān)測(cè)方法，以解決上述背景技術(shù)中提出的問(wèn)題。

2、為實(shí)現(xiàn)以上目的，本發(fā)明通過(guò)以下技術(shù)方案予以實(shí)現(xiàn)：基于物聯(lián)網(wǎng)的燃?xì)饽茉幢O(jiān)測(cè)方法，包括如下步驟：

3、s1、多源數(shù)據(jù)采集：使用智能傳感器采集燃?xì)庀嚓P(guān)數(shù)據(jù)，以通過(guò)無(wú)線(xiàn)網(wǎng)絡(luò)將數(shù)據(jù)發(fā)送到邊緣設(shè)備或云平臺(tái)；

4、s2、數(shù)據(jù)預(yù)處理：在邊緣設(shè)備上進(jìn)行數(shù)據(jù)清洗、去噪和特征提取，執(zhí)行多源數(shù)據(jù)融合，且進(jìn)行異常檢測(cè)和處理，過(guò)濾異常數(shù)據(jù)；

5、s3、數(shù)據(jù)傳輸：采用加密通信協(xié)議進(jìn)行數(shù)據(jù)傳輸，且傳輸過(guò)程中，使用數(shù)據(jù)緩沖和重傳機(jī)制，數(shù)據(jù)緩沖和重傳機(jī)制用于確保數(shù)據(jù)完整性；

6、s4、分布式存儲(chǔ)：將數(shù)據(jù)存儲(chǔ)在云平臺(tái)的分布式數(shù)據(jù)庫(kù)系統(tǒng)中；

7、s5、構(gòu)建能耗預(yù)測(cè)模型：基于深度學(xué)習(xí)，利用歷史和實(shí)時(shí)數(shù)據(jù)訓(xùn)練能耗預(yù)測(cè)模型，且模型采用在線(xiàn)學(xué)習(xí)機(jī)制，動(dòng)態(tài)調(diào)整預(yù)測(cè)參數(shù)；

8、s6、實(shí)時(shí)監(jiān)測(cè)與調(diào)節(jié)：根據(jù)能耗預(yù)測(cè)結(jié)果，實(shí)時(shí)調(diào)節(jié)燃?xì)饬髁亢腿紵?，通過(guò)自適應(yīng)控制算法優(yōu)化調(diào)節(jié)參數(shù)；

9、s7、多級(jí)預(yù)警機(jī)制：根據(jù)監(jiān)測(cè)數(shù)據(jù)和預(yù)測(cè)結(jié)果設(shè)置多級(jí)預(yù)警，發(fā)送警報(bào)通知，且根據(jù)監(jiān)測(cè)數(shù)據(jù)提供優(yōu)化建議和決策支持；

10、s8、反饋回路：收集系統(tǒng)運(yùn)行數(shù)據(jù)，分析反饋，調(diào)整預(yù)測(cè)模型和控制策略，以根據(jù)實(shí)時(shí)和歷史數(shù)據(jù)調(diào)整燃?xì)饬髁亢腿紵剩?/p>

11、s9、設(shè)備監(jiān)測(cè)與維護(hù)：通過(guò)遠(yuǎn)程監(jiān)控系統(tǒng)狀態(tài)，執(zhí)行遠(yuǎn)程診斷和維護(hù)，以實(shí)施數(shù)據(jù)加密、訪(fǎng)問(wèn)控制和隱私保護(hù)措施。

12、優(yōu)選的，所述s1步驟中的多源數(shù)據(jù)采集，使用卡爾曼濾波算法進(jìn)行多源數(shù)據(jù)融合，用于處理多傳感器收集的燃?xì)庀嚓P(guān)數(shù)據(jù)；

13、多源數(shù)據(jù)融合包括如下公式：

14、狀態(tài)預(yù)測(cè)方程：

15、

16、其中，是該時(shí)刻的狀態(tài)預(yù)測(cè)，a是狀態(tài)轉(zhuǎn)移矩陣，b是控制輸入矩陣，uk是控制輸入，wk是過(guò)程噪聲；

17、協(xié)方差預(yù)測(cè)方程：

18、pk|k-1＝apk-1|k-1at+q，

19、其中，pk|k-1是預(yù)測(cè)狀態(tài)協(xié)方差矩陣，q是過(guò)程噪聲協(xié)方差矩陣；

20、卡爾曼增益計(jì)算：

21、kk＝pk|k-1ht(hpk|k-1ht+r)-1，

22、其中，kk是卡爾曼增益，h觀測(cè)矩陣，r是觀測(cè)噪聲協(xié)方差矩陣；

23、狀態(tài)更新方程：

24、

25、其中，是更新后的狀態(tài)估計(jì)，zk是實(shí)際測(cè)量值；

26、協(xié)方差更新方程：

27、pk|k＝(i-kkh)pk|k-1，

28、其中，pk|k是更新后的狀態(tài)協(xié)方差矩陣。

29、優(yōu)選的，所述s2步驟的數(shù)據(jù)預(yù)處理中，使用高斯混合模型的算法公式處理多源數(shù)據(jù)的去噪和異常檢測(cè)，能有效提取數(shù)據(jù)中的主要特征且過(guò)濾掉噪聲和異常數(shù)據(jù)；

30、高斯混合模型用于對(duì)數(shù)據(jù)進(jìn)行聚類(lèi)且檢測(cè)異常數(shù)據(jù)點(diǎn)；

31、概率密度估計(jì)：

32、

33、其中，p(x)是輸入數(shù)據(jù)x的概率密度，k是高斯混合模型的成分?jǐn)?shù)量，πi是第i個(gè)高斯成分的權(quán)重，是第i個(gè)高斯分布的概率密度函數(shù)，具有均值μi和協(xié)方差σi；

34、期望最大化算法：

35、期望步驟：計(jì)算各數(shù)據(jù)點(diǎn)屬于各高斯成分的概率：

36、

37、其中，γi(zn)是數(shù)據(jù)點(diǎn)zn屬于第i個(gè)高斯成分的概率；

38、最大化步驟：更新高斯分布的參數(shù)πi，μi，σi：

39、

40、異常檢測(cè)：根據(jù)高斯混合模型計(jì)算各數(shù)據(jù)點(diǎn)的概率密度，設(shè)置閾值，低于閾值的點(diǎn)為異常點(diǎn)，過(guò)濾掉異常數(shù)據(jù)，保留正常數(shù)據(jù)用于進(jìn)一步處理。

41、優(yōu)選的，所述s4步驟的分布式存儲(chǔ)中，使用基于一致性哈希算法公式在云平臺(tái)的分布式數(shù)據(jù)庫(kù)系統(tǒng)中實(shí)現(xiàn)高效的數(shù)據(jù)分布和一致性保障，其一致性哈希算法公式步驟：

42、哈希環(huán)構(gòu)建：將節(jié)點(diǎn)n1，n2，…，nn映射到哈希環(huán)上，使用哈希函數(shù)計(jì)算各節(jié)點(diǎn)的位置：

43、

44、其中，是節(jié)點(diǎn)的唯一標(biāo)識(shí)符；

45、數(shù)據(jù)分片：對(duì)于各數(shù)據(jù)項(xiàng)dj，計(jì)算其哈希值h(dj)且將其分配至順時(shí)針?lè)较虻墓?jié)點(diǎn)：

46、

47、數(shù)據(jù)項(xiàng)dj存儲(chǔ)在節(jié)點(diǎn)nk，其中，nk是滿(mǎn)足h(dj)≤h(nk)的節(jié)點(diǎn)；

48、節(jié)點(diǎn)添加與刪除：添加或刪除節(jié)點(diǎn)時(shí)，影響相鄰節(jié)點(diǎn)間的數(shù)據(jù)，減少數(shù)據(jù)重分布的量，新節(jié)點(diǎn)nnew的位置h(nnew)確定后，需由其順時(shí)針的節(jié)點(diǎn)重新分配數(shù)據(jù)。

49、優(yōu)選的，所述s5步驟的能耗預(yù)測(cè)模型構(gòu)建中，基于長(zhǎng)短期記憶網(wǎng)絡(luò)的算法公式構(gòu)建能耗預(yù)測(cè)模型，該模型能處理時(shí)間序列數(shù)據(jù)，捕捉數(shù)據(jù)中的長(zhǎng)期依賴(lài)關(guān)系，長(zhǎng)短期記憶網(wǎng)絡(luò)是特殊的遞歸神經(jīng)網(wǎng)絡(luò)，擅長(zhǎng)處理和預(yù)測(cè)時(shí)間序列數(shù)據(jù)，通過(guò)其記憶單元來(lái)保持長(zhǎng)期依賴(lài)信息；

50、長(zhǎng)短期記憶網(wǎng)絡(luò)單元結(jié)構(gòu)包含：輸入門(mén)、遺忘門(mén)和輸出門(mén)；

51、輸入門(mén)：it＝σ(wi·[ht-1,xt]+bi)，

52、其中，it是輸入門(mén)的激活值，wi是輸入門(mén)的權(quán)重矩陣，[ht-1,xt]是連接前一時(shí)刻的隱狀態(tài)ht-1和當(dāng)前輸入xt，bi是輸入門(mén)的偏置，σ是激活函數(shù)；

53、遺忘門(mén)：ft＝σ(wf·[ht-1,xt]+bf)，

54、其中，ft是遺忘門(mén)的激活值，wf是遺忘門(mén)的權(quán)重矩陣，bf是遺忘門(mén)的偏置；

55、輸出門(mén)：ot＝σ(wo·[ht-1,xt]+bo)，

56、其中，ot是輸出門(mén)的激活值，wo是輸出門(mén)的權(quán)重矩陣，bo是輸出門(mén)的偏置。

57、優(yōu)選的，所述s6步驟的實(shí)時(shí)監(jiān)測(cè)與調(diào)節(jié)中，基于能耗預(yù)測(cè)結(jié)果對(duì)燃?xì)饬髁亢腿紵蔬M(jìn)行優(yōu)化調(diào)節(jié)，基于模型預(yù)測(cè)控制的算法公式，用于實(shí)現(xiàn)對(duì)燃?xì)庀到y(tǒng)的動(dòng)態(tài)優(yōu)化控制；

58、模型預(yù)測(cè)控制是控制算法，通過(guò)預(yù)測(cè)系統(tǒng)未來(lái)行為并優(yōu)化控制輸入來(lái)實(shí)現(xiàn)系統(tǒng)的動(dòng)態(tài)調(diào)節(jié)，用于具有約束條件的多變量控制問(wèn)題，其模型預(yù)測(cè)控制算法步驟：

59、系統(tǒng)狀態(tài)方程：xk+1＝axk+buk，

60、其中，xk是系統(tǒng)狀態(tài)向量，uk是控制輸入向量，a和b是系統(tǒng)的狀態(tài)轉(zhuǎn)移矩陣和控制矩陣；

61、輸出方程：yk＝cxk+duk，

62、其中，yk是系統(tǒng)輸出，c和d是輸出矩陣；

63、優(yōu)化目標(biāo)：

64、其中，n是預(yù)測(cè)時(shí)域長(zhǎng)度，rk+i是參考軌跡或目標(biāo)值；

65、約束條件：xmin≤xk≤xmax，umin≤uk≤umax，

66、約束條件確保狀態(tài)和控制輸入在安全和可操作范圍內(nèi)。

67、優(yōu)選的，所述s7步驟的多級(jí)預(yù)警機(jī)制中，基于貝葉斯網(wǎng)絡(luò)用于監(jiān)測(cè)數(shù)據(jù)和預(yù)測(cè)結(jié)果的分析，以及時(shí)發(fā)出預(yù)警，提供優(yōu)化建議和決策支持，其貝葉斯網(wǎng)絡(luò)的步驟：

68、貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)：建立節(jié)點(diǎn)v＝{v1,v2,…,vn}，各節(jié)點(diǎn)表示監(jiān)測(cè)變量，使用有向無(wú)環(huán)圖表示變量間的因果關(guān)系，邊e表示變量間的依賴(lài)關(guān)系；

69、條件概率表：對(duì)于各節(jié)點(diǎn)vi，定義條件概率表p(vi∣pa(vi))，其中pa(vi)表示vi的父節(jié)點(diǎn)集合；

70、聯(lián)合概率分布：聯(lián)合概率通過(guò)鏈?zhǔn)揭?guī)則計(jì)算：

71、

72、預(yù)警概率計(jì)算：通過(guò)貝葉斯推理，根據(jù)當(dāng)前觀測(cè)數(shù)據(jù)o計(jì)算預(yù)警事件a的概率：

73、

74、其中，p(a∣o)是觀測(cè)數(shù)據(jù)在預(yù)警事件發(fā)生時(shí)的條件概率，p(a)是預(yù)警事件的先驗(yàn)概率；

75、多級(jí)預(yù)警閾值：設(shè)置不同級(jí)別的預(yù)警閾值α1，α2，…，αm，對(duì)應(yīng)不同的風(fēng)險(xiǎn)等級(jí)：

76、

77、優(yōu)選的，所述s7步驟的多級(jí)預(yù)警機(jī)制中，使用模糊邏輯處理不確定性和模糊信息，以提供優(yōu)化建議和決策支持，其算法步驟：

78、模糊化：將輸入變量轉(zhuǎn)化為模糊集，使用模糊成員函數(shù)定義模糊變量；

79、模糊規(guī)則庫(kù)：構(gòu)建規(guī)則庫(kù)，通過(guò)if-then語(yǔ)句定義控制規(guī)則；

80、推理引擎：根據(jù)模糊規(guī)則庫(kù)，對(duì)輸入模糊集進(jìn)行推理，生成輸出模糊集；

81、去模糊化：將模糊控制輸出轉(zhuǎn)化為精確值，用于具體的決策支持，使用重心法計(jì)算輸出值：

82、

83、優(yōu)選的，所述s8步驟的反饋回路中，基于強(qiáng)化學(xué)習(xí)算法收集系統(tǒng)運(yùn)行數(shù)據(jù)、分析反饋，調(diào)整預(yù)測(cè)模型和控制策略，深度q網(wǎng)絡(luò)是強(qiáng)化學(xué)習(xí)算法，通過(guò)與環(huán)境交互，學(xué)習(xí)最優(yōu)的控制策略，用于復(fù)雜的控制系統(tǒng)；

84、強(qiáng)化學(xué)習(xí)包括智能體與環(huán)境的交互，智能體通過(guò)采取行動(dòng)a來(lái)改變環(huán)境狀態(tài)s，以獲得獎(jiǎng)勵(lì)r，智能體的目標(biāo)是通過(guò)學(xué)習(xí)策略π來(lái)最大化累積獎(jiǎng)勵(lì)，其步驟：

85、狀態(tài)空間s：定義系統(tǒng)的狀態(tài)空間；

86、動(dòng)作空間a：定義控制動(dòng)作；

87、獎(jiǎng)勵(lì)函數(shù)r(s,a)：定義獎(jiǎng)勵(lì)函數(shù)，用于評(píng)價(jià)各動(dòng)作的好壞：

88、r(s,a)＝-(α·能耗偏差+β·操作成本+γ·安全風(fēng)險(xiǎn))，

89、其中，α,β,γ是權(quán)重系數(shù)，衡量不同因素的影響。

90、優(yōu)選的，所述深度q網(wǎng)絡(luò)結(jié)構(gòu)使用神經(jīng)網(wǎng)絡(luò)來(lái)逼近q函數(shù)q(s,a；θ)，其中θ是網(wǎng)絡(luò)參數(shù)，通過(guò)更新q函數(shù)，智能體學(xué)習(xí)到最佳策略，其步驟：

91、q函數(shù)更新：q函數(shù)的目標(biāo)是最小化以下?lián)p失函數(shù)：

92、

93、其中，γ是折扣因子，衡量未來(lái)獎(jiǎng)勵(lì)的重要性，θ-是目標(biāo)q網(wǎng)絡(luò)的參數(shù)，用于穩(wěn)定訓(xùn)練過(guò)程；

94、經(jīng)驗(yàn)回放：通過(guò)經(jīng)驗(yàn)回放緩沖區(qū)d存儲(chǔ)經(jīng)驗(yàn)(s,a,r,s′)，隨機(jī)抽樣訓(xùn)練：

95、(s,a,r,s′)～u(d)，

96、目標(biāo)q網(wǎng)絡(luò)：使用獨(dú)立的目標(biāo)q網(wǎng)絡(luò)來(lái)計(jì)算目標(biāo)值，且周期性更新目標(biāo)網(wǎng)絡(luò)參數(shù)θ-＝θ。

97、本發(fā)明提供基于物聯(lián)網(wǎng)的燃?xì)饽茉幢O(jiān)測(cè)方法。具備以下有益效果：

98、1、本發(fā)明通過(guò)使用多源數(shù)據(jù)融合技術(shù)和高級(jí)數(shù)據(jù)預(yù)處理算法，有效減少傳感器噪聲和數(shù)據(jù)誤差，顯著提高燃?xì)鈹?shù)據(jù)的質(zhì)量和一致性，解決數(shù)據(jù)源多樣性和復(fù)雜性導(dǎo)致的分析準(zhǔn)確性下降的問(wèn)題，而減少燃?xì)馊紵矢淖兿禂?shù)的計(jì)算誤差和能耗預(yù)測(cè)模型的偏差。

99、2、本發(fā)明通過(guò)在邊緣設(shè)備上執(zhí)行數(shù)據(jù)預(yù)處理和引入模型預(yù)測(cè)控制優(yōu)化調(diào)節(jié)，實(shí)現(xiàn)對(duì)燃?xì)饬髁亢腿紵实膶?shí)時(shí)監(jiān)測(cè)與動(dòng)態(tài)調(diào)整，有效應(yīng)對(duì)因深度學(xué)習(xí)模型復(fù)雜性和預(yù)處理步驟冗長(zhǎng)而導(dǎo)致的系統(tǒng)響應(yīng)速度慢的問(wèn)題，確保燃?xì)饬髁空{(diào)節(jié)和預(yù)警功能的有效性，提高系統(tǒng)的整體響應(yīng)效率。

100、3、本發(fā)明利用貝葉斯網(wǎng)絡(luò)進(jìn)行風(fēng)險(xiǎn)評(píng)估與模糊邏輯控制來(lái)處理不確定信息，構(gòu)建多級(jí)預(yù)警機(jī)制，能根據(jù)監(jiān)測(cè)數(shù)據(jù)和預(yù)測(cè)結(jié)果及時(shí)預(yù)警且提供優(yōu)化建議，解決傳統(tǒng)監(jiān)測(cè)方法缺乏實(shí)時(shí)安全警報(bào)和預(yù)警功能的問(wèn)題，提升系統(tǒng)的安全性，確保燃?xì)庀到y(tǒng)在異常情況發(fā)生時(shí)能迅速響應(yīng)且采取必要的措施，保障系統(tǒng)的安全運(yùn)行和能效管理。