一种基于图卷积神经网络的能源管理方法、设备及介质与流程

本发明涉及专门适用于管理目的的数据处理，尤其涉及一种基于图卷积神经网络的能源管理方法、设备及介质。

背景技术：

1、目前，随着科技的不断发展和进步，现代制造业已经迎来了翻天覆地的变革。高精度、自动控制、绿色环保的生产设备逐渐成为主流，这些设备的广泛应用使得制造业的生产效率得到了空前的提升，同时生产流程也变得更加规范和高效。然而，这种技术的飞跃不仅推动了制造业的发展，同时也对其背后的能源管理系统提出了更高的要求。

2、为了满足持续增长的生产需求，并确保生产流程的顺畅无阻，能源管理系统必须具备更高的响应速度和精确度。此外，随着制造业对节能减排理念的深入践行，越来越多的企业开始采用环保、高效的高科技设备，以减少能源消耗和环境污染。这一趋势要求能源管理系统能够更加精细地控制能源的分配和使用，以确保在满足生产需求的同时，能够最大限度地降低能源的消耗和废弃物的排放。

3、但是，传统的电力调度模式在技术应用层面仍显得力不从心。这些模式大多依赖于经验判断，而缺乏科学、精确的数据支持，从而导致电力调度的精度难以提升，资源浪费问题时有发生。从技术层面深入分析，传统的电力调度模式在电能调度时区控制上存在明显的不足。由于缺乏先进的数据分析技术和精确的预测模型，这些模式往往难以精准地匹配电力需求和供应。这种不匹配不仅影响了电力供应的稳定性和可靠性，还在一定程度上导致了能源的浪费。

4、更为严重的是，传统电力调度模式在节能减排方面的表现也差强人意。随着全球气候变暖问题的日益严重，节能减排已经不仅仅是一个口号，而是成为了全社会必须共同面对和解决的紧迫问题。然而，由于传统电力调度模式缺乏有效的节能技术和手段，其在能源利用上的效率往往较低，。特别是在制造业这一能源消耗巨大的领域，随着生产规模的扩大和生产设备的升级，电力需求呈现出快速增长的态势。这种增长给能源管理带来了巨大的挑战，尤其是在电力调度方面。传统的电力调度模式，由于其固有的局限性和不足，已经难以适应当前复杂多变的能源管理需求。

技术实现思路

1、本发明实施例提供了一种基于图卷积神经网络的能源管理方法、设备及介质，用以解决传统的电力调度模式在技术应用、电能调度时区控制以及节能减排等方面均存在问题，不仅影响电力供应的效率和稳定性，还加剧了能源浪费和环境污染的技术问题。

2、一方面，本发明实施例提供了一种基于图卷积神经网络的能源管理方法，包括：

3、在预设的数据集中获取生产行为相关联的生产数据，并对所述生产数据进行预处理，以得到标准的生产数据；

4、通过皮尔逊相关系数，计算不同生产数据中每两种生产数据之间的依赖程度，以生成所述生产数据对应的依赖矩阵；

5、通过图卷积神经网络对所述依赖矩阵进行特征提取，并对所提取的特征向量进行预处理，以根据预处理后的特征向量，生成初步的能源调度方案；

6、在所述图卷积神经网络中引入注意力机制，以确定不同时段的用电概率，并基于所述用电概率，对所述能源调度方案进行优化。

7、在本发明的一种实现方式中，所述通过皮尔逊相关系数，计算不同生产数据中每两种生产数据之间的依赖程度，具体包括：

8、确定生产数据对应的数据类型；其中，所述生产数据的数据类型包括可用产线、可用工人、生产数量、生产类型、截止日期和生产时间；

9、针对每两种数据类型不同的生产数据，对两种不同生产数据进行依赖分析，并确定所述两种不同生产数据之间的协方差与标准差，以及所述协方差与所述标准差的商；

10、将所述协方差与所述标准差的商作为所述两种不同生产数据之间的皮尔逊相关系数，并根据所述皮尔逊相关系数，确定所述两种不同生产数据之间的依赖程度。

11、在本发明的一种实现方式中，所述生成所述生产数据对应的依赖矩阵，具体包括：

12、确定出可用产线、可用工人、生产数量、生产类型、截止日期和生产时间中，每两种不同生产数据之间的皮尔逊相关系数，并构建所述数据类型对应的二维数组；

13、在所述二维数组中，分别确定每两种不同生产数据之间的皮尔逊相关系数对应的数组元素位置，并将所述皮尔逊相关系数填充值对应的数组元素位置，以生成依赖矩阵；

14、其中，所述依赖矩阵中每个元素用于表示对应两种不同生产数据之间的依赖程度。

15、在本发明的一种实现方式中，所述通过图卷积神经网络对所述依赖矩阵进行特征提取，并对所提取的特征向量进行预处理，以根据预处理后的特征向量，生成初步的能源调度方案，具体包括：

16、将所述依赖矩阵作为图卷积神经网络的邻接矩阵，并将所述邻接矩阵输入至所述图卷积神经网络中；

17、通过所述图卷积神经网络中的卷积层，对输入的所述邻接矩阵进行特征提取，以得到若干特征向量；

18、对所述若干特征向量进行边预测、节点分类以及图分类处理，以识别出所述若干特征向量中关键特征和特征间的关系；

19、通过所述图卷积神经网络的输出层，并根据关键特征和特征间的关系，生成初步的能源调度方案。

20、在本发明的一种实现方式中，所述图卷积神经网络由以下公式表示：

21、

22、其中，用于表示所述图卷积神经网络的输出，用于表示所述图卷积神经网络的输入，用于表示邻接矩阵，用于表示所述图卷积神经网络第0层的结点特征，用于表示所述图卷积神经网络第层的结点特征，relu用于表示激活函数。

23、在本发明的一种实现方式中，所述在所述图卷积神经网络中引入注意力机制，以确定不同时段的用电概率，并基于所述用电概率，具体包括：

24、根据电力系统的用电特性，将一天划分为峰值时段、平值时段和谷值时段，并在所述图卷积神经网络中引入注意力机制，为每个时段分配对应的注意力权重；

25、获取历史用电数据，以根据所述历史用电数据和当前的生产数据，并通过所述注意力机制，计算每个时段对应的用电概率；其中，所述峰值时段的用电概率大于所述平值时段的用电概率，所述平值时段的用电概率大于所述谷值时段的用电概率。

26、在本发明的一种实现方式中，所述基于所述用电概率，对所述能源调度方案进行优化，具体包括：

27、基于每个时段的用电概率，对所述能源调度方案中对应时段的能源分配量进行调整，以增加峰值时段对应的能源分配量；

28、确定每个时段调整后的能源分配量，并根据调整后的所述能源分配量，生成目标能源调度方案，以根据所述目标能源调度方案进行能源管理。

29、在本发明的一种实现方式中，所述在预设的数据集中获取生产行为相关联的生产数据，并对所述生产数据进行预处理，以得到标准的生产数据，具体包括：

30、获取生产现场中每个生产线对应的生产数据，并整合所有生产线对应的所有生产数据，得到对应的数据集；

31、对所述数据集中的生产数据进行分析，以提取生产行为相关联的若干个关键生产数据，并对所述若干个关键生产数据进行数据清洗，以去除所述若干个关键生产数据中的异常值和重复值；

32、对去除异常值和重复值后的关键生产数据中的缺失值进行空值填充，并对去除异常值、重复值以及空值填充后的多个关键生产数据进行归一化处理，以得到标准的生产数据。

33、另一方面，本发明实施例还提供了一种基于图卷积神经网络的能源管理设备，所述设备包括：

34、至少一个处理器；

35、以及，与所述至少一个处理器通信连接的存储器；

36、其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述的一种基于图卷积神经网络的能源管理方法。

37、另一方面，本发明实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令被执行时，实现如上述的一种基于图卷积神经网络的能源管理方法。

38、本发明实施例提供了一种基于图卷积神经网络的能源管理方法、设备及介质，至少包括以下有益效果：

39、通过对生产数据进行预处理，能够确保数据的准确性和一致性，为后续的数据分析和能源管理提供高质量的数据基础，数据标准化有助于提升图卷积神经网络的训练效率和准确性；利用皮尔逊相关系数计算生产数据之间的依赖程度，可以精确地揭示不同生产数据之间的内在联系；通过图卷积神经网络对依赖矩阵进行特征提取，能够高效地捕捉到数据中的关键信息，为生成初步的能源调度方案提供有力的数据支持，并且比传统的手工特征提取方法更加自动化和高效；基于预处理后的特征向量生成初步的能源调度方案，能够根据实际情况灵活调整调度策略，从而更好地满足生产需求；在图卷积神经网络中引入注意力机制，能够使模型更加关注重要的时段和用电特性，有助于提升能源调度方案的精确性和针对性，特别是在用电高峰期和低谷期进行合理的能源分配；基于用电概率对能源调度方案进行优化，可以显著提高能源的使用效率，通过在不同时段合理分配能源，能够减少能源浪费，降低生产成本，同时也有助于缓解电网的负荷压力。