一种基于半监督聚类算法的多加油站用电量能耗管控方法与流程

1.本发明属于加油站能耗管控技术领域，具体涉及一种基于半监督聚类算法的多加油站用电量能耗管控方法。


背景技术：

2.加油站的整体用电量能耗在加油站的运营成本中占重要地位。目前存在一些针对加油站能源供给的管控方法，例如申请号为cn202210501318.2的中国专利，其公开了一种基于数字化能源在线监测分析方法、系统及存储介质，该基于数字化能源在线监测分析方法包括提取预分析城市对应的登记车辆数目、各登记车辆对应的基本登记信息以及加油站对应的基本信息；按照预设采集周期对各加油站内对应的加油数据以及能源存储数据进行采集；对预分析城市各加油站对应的能源使用效率进行个体化和整体化分析；本发明有效的解决了当前技术没有基于能源供需矛盾方面进行分析的问题，为城市石油供应提供可靠、科学和精准的分配方向，实现预分析城市从局部到整体的双层面分析，在一定程度上有效的缓解了当前石油能源的紧张程度，同时还实现了城市各加油站能源的针对化管理。也存在一些针对充电站用电量预测的研究，例如申请号为cn202011221935.4的中国专利，公开了一种基于深度聚类模型的充电站用电量预测方法，包括：充电站数据的增强及预处理；基于深度聚类模型的特征映射，充电站所属簇的确定；基于最近邻算法的充电站电量预测。本发明方法使用深度神经网络同时学习充电站数据的特征表示和簇的分配，通过将数据映射到隐层特征空间，迭代地优化聚类目标和重构损失，减少了误差传播的可能性；进一步使用最近邻算法对充电站用电量进行预测。本方法相比于以往的充电站用电预测方法，能够挖掘到数据的隐含特征，缩小搜索空间，具有更高的预测精度。
3.但是目前针对加油站整体的用电量能耗管控的研究较少，针对多个加油站同时进行用电量能耗管控的研究更是少之又少。众所周知影响加油站用电量能耗的因素较多，包括站点每日总加油量数据、站点每日营业时长信息、站点每日站内平均温度信息等等，当需要同时对庞大数量的加油站进行用电量能耗管控时，若针对每个加油站的上述数据均进行一一计算，计算量将非常庞大，管控效率较低。
4.因此，亟需一种可同时高效管控庞大数量的加油站整体用电量能耗的方法。


技术实现要素：

5.针对现有技术中存在的上述问题，本发明提供一种基于半监督聚类算法的多加油站用电量能耗管控方法，可同时高效管控庞大数量的加油站整体用电量能耗。
6.本发明采用以下技术方案：一种基于半监督聚类算法的多加油站能耗管控方法，包括步骤：s1、基于加油站营业规模信息对若干加油站进行聚类，以得到簇加油站组；s2、实时获取各加油站的每日用电量能耗数据以及多个维度工况的每日数据，并计算各加油站多个维度工况各自对应的每日单位能耗数据；
s3、重复步骤s2，直至达到预设时间长度周期，基于预设时间长度周期内各簇加油站组内各加油站多个维度工况对应的每日单位能耗数据，以计算得到各簇加油站组多个维度工况各自对应的标准值；s4、执行步骤s2，并基于各簇加油站组内各加油站多个维度工况各自对应的每日单位能耗数据，以对各簇加油站组内的若干加油站进行二次聚类，以在各簇加油站组内聚类得到若干簇加油站子组，并执行步骤s5；s5、在各加油站子组内按优先级大小均筛选出k个代表加油站，并将各代表加油站多个维度工况各自对应的每日单位能耗数据与对应的标准值进行差值比较，以判断各代表加油站在各维度的能耗使用是否合理；s6、基于各代表加油站在各维度的能耗使用是否合理的情况，判断加油站子组内所有加油站能耗使用是否合理；s7、基于能耗使用的判断结果对各加油站子组进行能耗管控；s8、返回步骤s4。
7.作为优选方案，步骤s1中所述营业规模信息包括站点地理位置信息、站点加油机数量信息、站点加油枪数量信息、站点油罐数量信息、站点营业时长信息。
8.作为优选方案，步骤s1中，包括以下步骤：s1.1、选定h个加油站数据样本作为类中心；s1.2、将加油站数据样本逐个与类中心进行距离计算，并将加油站数据样本分配至距离最近的类中心所属的集合中；s1.3、计算每个类集合中所有数据样本点的均值，并作为新一轮的类中心；s1.4、判断新一轮类中心与上一轮类中心间的距离是否超过设定的阈值，若超过阈值则返回步骤s1.2，否则聚类结束。
9.作为优选方案，步骤s2中所述多个维度工况的每日数据包括站点每日总加油量数据、站点每日营业时长信息、站点每日站内平均温度信息。
10.作为优选方案，步骤s3中，所述各簇加油站组多个维度工况各自对应的标准值，计算公式为：，，其中， 表示第簇加油站组的第个维度工况对应的标准值，表示预设时间长度周期的天数，表示第簇加油站组内所有加油站在第天时第个维度工况的每日单位能耗数据的平均值，表示加油站组内的加油站数量，表示第簇加油站组中第个加油站在第天时第个维度工况的每日数据，表示第簇加油站组中第个加油站第天时的每日用电量能耗数据。
11.作为优选方案，步骤s3与步骤s4之间还包括步骤：sa、基于预设阈值因子、步骤s3中所述各簇加油站组多个维度工况各自对应的标准值，计算得到下一预设时间长度周期内的各簇加油站组多个维度工况各自对应的标准值；sb、基于已计算得到的各周期内各簇加油站组多个维度工况各自对应的标准值进行汇聚平均，以计算得到下一预设时间长度周期内的各簇加油站组多个维度工况各自对应的标准值；sc、重复步骤sb，以计算得到后续所有周期内各簇加油站组多个维度工况各自对应的标准值。
12.作为优选方案，步骤sa中，计算公式为：，其中，表示预设阈值因子，表示下一预设时间长度周期内的第簇加油站组的第个维度工况对应的标准值。
13.作为优选方案，步骤s5中包括步骤：s5.1、判断当前所属周期；s5.2、将各代表加油站多个维度工况各自对应的每日单位能耗数据与所属周期对应的标准值进行差值比较，以判断各代表加油站的能耗使用是否合理。
14.作为优选方案，步骤s6中：若相应加油站子组内所有代表加油站在相应维度的能耗使用不合理的数量总和超过第一预设阈值，则判断加油站子组内所有加油站能耗在该维度使用均不合理；若相应加油站子组内所有代表加油站在各维度的能耗使用不合理的数量总和超过第二预设阈值，则判断加油站子组内所有加油站整体能耗使用均不合理。
15.作为优选方案，步骤s4中，所述二次聚类采用密度峰值聚类算法，包括以下步骤：sa、计算加油站数据样本密度以及最小距离；sb、基于加油站数据样本密度以及最小距离计算加油站数据样本优先级；sc、基于加油站数据样本优先级进行聚类。
16.本发明的有益效果是：本发明首先基于加油站营业规模信息对加油站进行初步聚类，得到簇加油站组，各簇加油站组内的加油站营业规模均相近，他们的用电量能耗数据也大致相近，因此本发明中基于各簇加油站组内各加油站多个维度工况对应的每日单位能耗数据，以计算得到各簇加油站组多个维度工况各自对应的标准值，因此后续计算过程中一簇加油站组只需对应的一组标准值即可，可相对降低计算量。但此时若采用直接基于这些标准值去和各簇加油站组内的每个加油站进行数据比较，这个计算量仍然较为庞大；若采用基于这些标准值去和各簇加油站组内具有代表性的加油站进行数据比较，并用这些具有代表性的加油站情况代表组内所有加油站，虽然可以降低计算量，但是此时各簇加油站内加油站本质上是基于营业规模进行的聚类，因此选出的代表加油站在一定程度上无法很好的代表该簇内所有加油站的用电情况。因此本发明中采用了半监督聚类算法的学习思想：基于每日单位能耗数据对各簇内的加油站进一步进行了二次聚类，以在各簇内聚类得到若干簇加油站子组（此
时加油站子组内的加油站用电情况是高度相似的），并在加油站子组内按优先级大小筛选出若干个代表加油站，基于各代表加油站在各维度的能耗使用是否合理的情况，判断加油站子组内所有加油站能耗使用是否合理。本发明可同时高效管控庞大数量的加油站整体用电量能耗。
17.本发明中基于已计算得到的各周期内各簇加油站组多个维度工况各自对应的标准值进行汇聚平均，以计算得到下一预设时间长度周期内的各簇加油站组多个维度工况各自对应的标准值，以使该标准值更具参考意义，避免出现错误管控的情形。
18.本发明不仅可以在单个维度上对庞大数量的加油站用电量能耗进行管控，还可在多个维度上对庞大数量的加油站用电量能耗进行整体管控。
附图说明
19.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1是本发明所述一种基于半监督聚类算法的多加油站用电量能耗管控方法的流程图。
具体实施方式
21.以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
22.实施例一：参照图1，本实施例提供一种基于半监督聚类算法的多加油站用电量能耗管控方法，包括步骤：包括步骤：s1、基于加油站营业规模信息对若干加油站进行聚类，以得到簇加油站组；所述营业规模信息包括站点地理位置信息、站点加油机数量信息、站点加油枪数量信息、站点油罐数量信息、站点营业时长信息，基于这些信息对若干加油站进行聚类，聚类得到的各簇加油站组内的加油站营业规模相近，因此可基于各簇加油站组内的各加油站多个维度工况各自对应的每日单位能耗数据，以计算得到各簇加油站组多个维度工况各自对应的标准值，这些标准值可以评估相应营业规模加油站的用电量能耗。
23.步骤s1中，包括以下步骤：s1.1、选定h个加油站数据样本作为类中心；s1.2、将加油站数据样本逐个与类中心进行距离计算，并将加油站数据样本分配至距离最近的类中心所属的集合中；s1.3、计算每个类集合中所有数据样本点的均值，并作为新一轮的类中心；
s1.4、判断新一轮类中心与上一轮类中心间的距离是否超过设定的阈值，若超过阈值则返回步骤s1.2，否则聚类结束。
24.步骤s1.2中计算样本间距离采用欧式距离，其计算公式如下：，其中，表示维向量空间中第个样本的第维属性值，表示维向量空间中第个样本的第维属性值。
25.s2、实时获取各加油站的每日用电量能耗数据以及多个维度工况的每日数据，并计算各加油站多个维度工况各自对应的每日单位能耗数据；这里所述多个维度工况的每日数据包括站点每日总加油量数据、站点每日营业时长信息、站点每日站内平均温度信息、站点每日加油机屏幕使用时长信息、站点每日空调使用时长信息、站点每日照明设备使用时长信息等等。
26.s3、重复步骤s2，直至达到预设时间长度周期，基于预设时间长度周期内各簇加油站组内各加油站多个维度工况对应的每日单位能耗数据，以计算得到各簇加油站组多个维度工况各自对应的标准值；这里需要说明的是，此时步骤s1-s3的执行目的是为了获取标准值，而不是为了进行用电量使用合理性的评估。
27.s4、执行步骤s2，并基于各簇加油站组内各加油站多个维度工况各自对应的每日单位能耗数据，以对各簇加油站组内的若干加油站进行二次聚类，以在各簇加油站组内聚类得到若干簇加油站子组，并执行步骤s5；s5、在各加油站子组内按优先级大小均筛选出k个代表加油站（需要说明的是：此处的优先级为二次聚类过程中得到的优先级），并将各代表加油站多个维度工况各自对应的每日单位能耗数据与对应的标准值进行差值比较，以判断各代表加油站在各维度的能耗使用是否合理；这里需要说明的是，这里进行差值比较所用的各代表加油站多个维度工况各自对应的每日单位能耗数据是通过步骤s4得到。
28.s6、基于各代表加油站在各维度的能耗使用是否合理的情况，判断加油站子组内所有加油站能耗使用是否合理；s7、基于能耗使用的判断结果对各加油站子组进行能耗管控；s8、返回步骤s4，以实现加油站用电量能耗的每天管控。
29.这里需要说明的是，本实施例中在步骤s4时正式开始对多个加油站进行加油站用电量能耗的实时管控，周期为每天。但是实际实施过程中也可将每天修改为每周、每月等等。
30.可见，本发明首先基于加油站营业规模信息对加油站进行初步聚类，得到簇加油站组，各簇加油站组内的加油站营业规模均相近，他们的用电量能耗数据也大致相近，因此本发明中基于各簇加油站组内各加油站多个维度工况对应的每日单位能耗数据，以计算得到各簇加油站组多个维度工况各自对应的标准值，因此后续计算过程中一簇加油站组只需对应的一组标准值即可，可相对降低计算量。但此时若采用直接基于这些标准值去和各簇
加油站组内的每个加油站进行数据比较，这个计算量仍然较为庞大；若采用基于这些标准值去和各簇加油站组内具有代表性的加油站进行数据比较，并用这些具有代表性的加油站情况代表组内所有加油站，虽然可以降低计算量，但是此时各簇加油站内加油站本质上是基于营业规模进行的聚类，因此选出的代表加油站在一定程度上无法很好的代表该簇内所有加油站的用电情况。因此本发明中采用了半监督聚类算法的学习思想：基于每日单位能耗数据对各簇内的加油站进一步进行了二次聚类，以在各簇内聚类得到若干簇加油站子组（此时加油站子组内的加油站用电情况是高度相似的），并在加油站子组内按优先级大小筛选出若干个代表加油站，基于各代表加油站在各维度的能耗使用是否合理的情况，判断加油站子组内所有加油站能耗使用是否合理。本发明可同时高效管控庞大数量的加油站整体用电量能耗。
31.具体地：步骤s3中，所述各簇加油站组多个维度工况各自对应的标准值，计算公式为：，，其中， 表示第簇加油站组的第个维度工况对应的标准值，表示预设时间长度周期的天数，表示第簇加油站组内所有加油站在第天时第个维度工况的每日单位能耗数据的平均值，表示加油站组内的加油站数量，表示第簇加油站组中第个加油站在第天时第个维度工况的每日数据，表示第簇加油站组中第个加油站第天时的每日用电量能耗数据。
32.在进行值的计算时，需要对式中的、进行归一化处理。
33.需要说明的是，预设时间长度周期天数可根据实际情况进行设置，可以设置为一周、一个月、3个月、6个月等等，时间越长得到的标准值更具有参考意义，本实施例中设定为一周。
34.步骤s3与步骤s4之间还包括步骤：sa、基于预设阈值因子、步骤s3中所述各簇加油站组多个维度工况各自对应的标准值，计算得到下一预设时间长度周期内的各簇加油站组多个维度工况各自对应的标准值（需要说明的是，这里所述的下一预设时间长度周期，即可认为是第二周）；计算公式如下：，其中，表示预设阈值因子，表示下一预设时间长度周期内的第簇加油站组的第个维度工况对应的标准值。
35.sb、基于已计算得到的各周期内各簇加油站组多个维度工况各自对应的标准值进行汇聚平均，以计算得到下一预设时间长度周期内的各簇加油站组多个维度工况各自对应的标准值；sc、重复步骤sb，以计算得到后续所有周期内各簇加油站组多个维度工况各自对应的标准值。
36.这里对步骤sb进行说明：例如第三周中加油站组相应维度工况对应的标准值即通过对第一周该加油站组相应维度工况对应的标准值、第二周该加油站组相应维度工况对应的标准值进行累加，并求取平均值得到。第四周中加油站组相应维度工况对应的标准值即通过对第一、第二、第三周该加油站组相应维度工况对应的标准值进行累加，并求取平均值得到。随着时间积累，以所述预设时间长度周期为单位更新标准值，本实施例中即以周为单位进行迭代更新。
37.可见，本发明中基于已计算得到的各周期内各簇加油站组多个维度工况各自对应的标准值进行汇聚平均，以计算得到下一预设时间长度周期内的各簇加油站组多个维度工况各自对应的标准值，以使该标准值更具参考意义，避免出现错误管控的情形。
38.因此步骤s5中，包括以下步骤：s5.1、判断当前所属周期；s5.2、将各代表加油站多个维度工况各自对应的每日单位能耗数据与所属周期对应的标准值进行差值比较，以判断各代表加油站的能耗使用是否合理。
39.步骤s4中所述二次聚类采用密度峰值聚类算法（dp算法），其流程说明如下：（1）、计算样本密度，其计算公式如下：，其中函数：，式中，为判断函数，为样本点和其余样本点之间的欧氏距离；为设定的截断距离。
40.（2）、计算样本最小距离，其计算公式如下：，（3）、计算样本优先级，其计算公式如下：。
41.（4）、基于样本优先级进行聚类。
42.进一步，步骤s5中，所述将各代表加油站多个维度工况各自对应的每日单位能耗数据与对应的标准值进行差值比较，以判断各代表加油站在各维度的能耗使用是否合理，具体为：若每日单位能耗数据与标准值的差值大于0则判断为合理，结果输出为1，若小于
0则判断为不合理，结果输出为0，具体通过激活函数进行结果输出：，再进一步，步骤s6中所述基于各代表加油站在各维度的能耗使用是否合理的情况，判断加油站子组内所有加油站能耗使用是否合理，具体为：若相应加油站子组内所有代表加油站在相应维度的能耗使用不合理的数量总和超过第一预设阈值，则判断加油站子组内所有加油站能耗在该维度使用均不合理；若相应加油站子组内所有代表加油站在各维度的能耗使用不合理的数量总和超过第二预设阈值，则判断加油站子组内所有加油站整体能耗使用均不合理。
43.可见，本发明不仅可以在单个维度上对庞大数量的加油站用电量能耗进行管控，还可在多个维度上对庞大数量的加油站用电量能耗进行整体管控。
44.以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围内。