一种能源数据管理方法及装置与流程

1.本技术涉及一种数据管理技术，尤其涉及一种能源数据管理方法。本技术还提供一种能源数据管理装置。


背景技术：

2.能源数据是电力、石油、燃气等能源领域的数据，在此基础上，和能源相关的数据还包括：人口、地理、气象等数据，能源数据是海量且分散的，对于大多数能源行业的实体而言，如何有效管理能源数据，利用能源数据，根据所述能源数据进行决策和布局，是一项需要耗费大量人力无力的工作。
3.目前，能源数据管理已经形成多种数据输入输出方式，但是基本上都需要人工录入数据，并进行人工分析，得出结论，对于海量的能源数而言，难以全面的对全部数据进行准确分析，并且人工成本和时间成本高昂。


技术实现要素：

4.为解决在能源领域海量数据分析精确度不高，且人工时间成本高昂的问题，本技术提供一种能源数据管理方法。本技术还涉及一种能源数据管理装置。
5.本技术提供一种能源数据管理方法，包括：
6.获取多种来源的异构数据；
7.根据所述异构数据的属性特征，分别建立对应于每个所述属性特征的异构数据表；
8.调取预训练的卷积神经网络模型，按照所述异构数据表，分别输入所述异构数据，获得所述异构数据的映射连接键；
9.根据所述映射连接键，建立每个所述异构数据表之间的映射连接关系，并以所述映射连接关系为所述异构数据建立能源数据管理表。
10.可选的，所述预训练的卷积神经网络模型，其训练方法包括：
11.s1获取多种来源的异构数据样本，根据所述异构数据样本的属性特征，分别为对应于每个所述属性特征的异构数据样本添加属性标签，并为所述属性标签设置映射连接键初始样本；
12.s2将所述异构数据样本输入到所述卷积神经网络模型中，获得映射连接键对比样本；
13.s3比较所述映射连接键初始样本和所述映射连接键对比样本的差值，并根据所述差值调整所述卷积神经网络的计算参数；
14.s4重复步骤s2～s3到所述差值在预设误差内。
15.可选的，所述异构数据的来源是多源的，且是多结构的，包括：不同源的相同结构数据，相同源的不同结构数据，不同源的不同结构数据，相同源的相同结构数据。
16.可选的，还包括，根据所述能源数据管理表生成包括：能源数据管理图、数据分析
图或数据预测图。
17.可选的，所述能源数据管理图、数据分析图或数据预测图，根据所述能源数据管理表实时更新。
18.本技术还提供一种能源数据管理装置，包括：
19.获取模块，用于获取多种来源的异构数据；
20.建表模块，用于根据所述异构数据的属性特征，分别建立对应于每个所述属性特征的异构数据表；
21.智能模块，用于调取预训练的卷积神经网络模型，按照所述异构数据表，分别输入所述异构数据，获得所述异构数据的映射连接键；
22.结果模块，用于根据所述映射连接键，建立每个所述异构数据表之间的映射连接关系，并以所述映射连接关系为所述异构数据建立能源数据管理表。
23.可选的，还包括训练模块，所述训练模块包括：
24.采样单元，用于获取多种来源的异构数据样本，根据所述异构数据样本的属性特征，分别为对应于每个所述属性特征的异构数据样本添加属性标签，并为所述属性标签设置映射连接键初始样本；
25.计算单元，用于将所述异构数据样本输入到所述卷积神经网络模型中，获得映射连接键对比样本；
26.差值单元，用于比较所述映射连接键初始样本和所述映射连接键对比样本的差值，并根据所述差值调整所述卷积神经网络的计算参数；
27.判断单元，用于重复步骤s2～s3到所述差值在预设误差内。
28.可选的，所述异构数据的来源是多源的，且是多结构的，包括：不同源的相同结构数据，相同源的不同结构数据，不同源的不同结构数据，相同源的相同结构数据。
29.可选的，还包括：
30.成图模块，用于根据所述能源数据管理表生成包括：能源数据管理图、数据分析图或数据预测图。
31.可选的，所述能源数据管理图、数据分析图或数据预测图，根据所述能源数据管理表实时更新。
32.本技术相对与现有技术的优点：
33.本技术提供一种能源数据管理方法，包括：获取多种来源的异构数据；根据所述异构数据的属性特征，分别建立对应于每个所述属性特征的异构数据表；调取预训练的卷积神经网络模型，按照所述异构数据表，分别输入所述异构数据，获得所述异构数据的映射连接键；根据所述映射连接键，建立每个所述异构数据表之间的映射连接关系，并以所述映射连接关系为所述异构数据建立能源数据管理表。本技术通过本技术通过卷积神经网络模型对海量数据进行关联，并在关联的基础上生产数据管理表，节省了大量人力时间成本，并且有效提高了数据分析结论的准确性。
附图说明
34.图1是本技术中能源数据管理流程图；
35.图2是本技术中卷积神经网络训练流程图；
36.图3是本技术中能源数据管理装置示意图。
具体实施方式
37.在下面的描述中阐述了很多具体细节以便于充分理解本技术。但是本技术能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本技术内涵的情况下做类似推广，因此本技术不受下面公开的具体实施的限制。
38.本技术提供一种能源数据管理方法，包括：获取多种来源的异构数据；根据所述异构数据的属性特征，分别建立对应于每个所述属性特征的异构数据表；调取预训练的卷积神经网络模型，按照所述异构数据表，分别输入所述异构数据，获得所述异构数据的映射连接键；根据所述映射连接键，建立每个所述异构数据表之间的映射连接关系，并以所述映射连接关系为所述异构数据建立能源数据管理表。本技术通过本技术通过卷积神经网络模型对海量数据进行关联，并在关联的基础上生产数据管理表，节省了大量人力时间成本，并且有效提高了数据分析结论的准确性。
39.图1是本技术中能源数据管理流程图。
40.请参照图1所示，s101获取多种来源的异构数据；
41.本技术中所述异构数据包括能源领域的多元异构数据，具体的，其可以是多种能源种类的数据，也可以是相同种类多种来源的能源数据。优选的，本技术中异构数据是指，包括：不同源的相同结构数据，相同源的不同结构数据，不同源的不同结构数据，相同源的相同结构数据。
42.请参照图1所示，s102根据所述异构数据的属性特征，分别建立对应于每个所述属性特征的异构数据表。
43.在收到所述异构数据后，首先获取所述异构数据的属性特征，所述属性特征用于表征所述异构数据的种类和来源。根据所述属性特征，将所述能源数据进行分割，形成每一个所述属性特征对应的异构数据表，用于收纳所述异构数据。
44.所述异构数据表，可以是一个所述属性特征的形成的表，也可以是多个属性数据形成的表。在一个优选的实施例中，所述异构数据表是按照所述属性特征的等级，形成分层次的异构数据表，既在一个属性特征对应的异构数据数据表下，按照所述属性特征包括的子类属性特征进行进一步的分割，形成多等级的异构数据表。
45.请参照图1所示，s103调取预训练的卷积神经网络模型，按照所述异构数据表，分别输入所述异构数据，获得所述异构数据的映射连接键。
46.在将所述异构数据全部归类，并形成异构数据表后，本技术讲读取卷积神经网络模型，对所述数据进行处理。具体的，将每一个异构数据表中的数据列为一组，然后将一个组异构数据输入到所述卷积神经网络模型中，输出异构数据的映射连接键。
47.本技术中，所述异构数据的映射连接键表示了对应组以后数据的上下游关系，既该组异构数据的上游数据和下游数据分别是哪组异构数据。
48.所述卷积神经网络模型是预先训练的，在本技术中，卷积神经网络输入所述异构数据，并输出异构数据的映射连接键。
49.图2是本技术中卷积神经网络训练流程图。
50.请参照图2所示，s1获取多种来源的异构数据样本，根据所述异构数据样本的属性
特征，分别为对应于每个所述属性特征的异构数据样本添加属性标签，并为所述属性标签设置映射连接键初始样本。
51.具体的，获取到多种来源的异构数据后，按照所述异构数据的属性特征进行人工标注或者机器标注，获得带有属性标签的异构数据，然后根据所述异构数据的上下游数据，为所述异构数据创建映射连接键初始样本。
52.请参照图2所示，s2将所述异构数据样本输入到所述卷积神经网络模型中，获得映射连接键对比样本。
53.在形成所述映射连接键的初始样本之后，将所述异构数据输入到所述卷积神经网络模型中进行计算，并得出结果，所述结果就是映射连接键对比样本。
54.请参照图2所示，s3比较所述映射连接键初始样本和所述映射连接键对比样本的差值，并根据所述差值调整所述卷积神经网络的计算参数。
55.请参照图2所示，s4重复步骤s2～s3到所述差值在预设误差内。
56.所述预设误差是预先设置的，用于判断所述映射连接键对比样本和所述映射连接键初始样本之间的差异是否影响所述卷积神经网络模型的结果输出准确率。
57.请参照图1所示，s104根据所述映射连接键，建立每个所述异构数据表之间的映射连接关系，并以所述映射连接关系为所述异构数据建立能源数据管理表。
58.所述映射连接关系是异构数据与上下游数据的关系表达公式，通过该公式可以准确描述所述异构数据因何产生，并将生产什么数据。
59.所述公式如下：
60.λ＝maxh(ai，bj，co，dk，
……
，n
l
)
61.γ＝minh((ai，bj，co，dk，
……
，n
l
)-q)
62.其中，ai，bj，co，dk，
……
，n
l
分别是每个映射关系连接键，i、j、o、k、l分表表示每个连接键个数，所述λ、γ则是主要映射关系连接键，分别表示上游数据连接键和下游数据连接键，所述h是预设的取值个数。
63.最后，根据该上下游数据的连接键建立数据管理表。
64.进一步的，根据所述能源数据管理表生成包括：能源数据管理图、数据分析图或数据预测图。所述能源数据管理图、数据分析图或数据预测图，根据所述能源数据管理表实时更新。
65.本技术还提供一种能源数据管理装置，包括：获取模块301，建表模块302，智能模块303，结果模块304。
66.图3是本技术中能源数据管理装置示意图。
67.请参照图3所示，获取模块301，用于获取多种来源的异构数据。
68.本技术中所述异构数据包括能源领域的多元异构数据，具体的，其可以是多种能源种类的数据，也可以是相同种类多种来源的能源数据。优选的，本技术中异构数据是指，包括：不同源的相同结构数据，相同源的不同结构数据，不同源的不同结构数据，相同源的相同结构数据。
69.请参照图3所示，建表模块302，用于根据所述异构数据的属性特征，分别建立对应于每个所述属性特征的异构数据表。
70.在收到所述异构数据后，首先获取所述异构数据的属性特征，所述属性特征用于
表征所述异构数据的种类和来源。根据所述属性特征，将所述能源数据进行分割，形成每一个所述属性特征对应的异构数据表，用于收纳所述异构数据。
71.所述异构数据表，可以是一个所述属性特征的形成的表，也可以是多个属性数据形成的表。在一个优选的实施例中，所述异构数据表是按照所述属性特征的等级，形成分层次的异构数据表，既在一个属性特征对应的异构数据数据表下，按照所述属性特征包括的子类属性特征进行进一步的分割，形成多等级的异构数据表。
72.请参照图3所示，智能模块303，用于调取预训练的卷积神经网络模型，按照所述异构数据表，分别输入所述异构数据，获得所述异构数据的映射连接键。
73.在将所述异构数据全部归类，并形成异构数据表后，本技术讲读取卷积神经网络模型，对所述数据进行处理。具体的，将每一个异构数据表中的数据列为一组，然后将一个组异构数据输入到所述卷积神经网络模型中，输出异构数据的映射连接键。
74.本技术中，所述异构数据的映射连接键表示了对应组以后数据的上下游关系，既该组异构数据的上游数据和下游数据分别是哪组异构数据。
75.所述卷积神经网络模型是预先训练的，在本技术中，卷积神经网络输入所述异构数据，并输出异构数据的映射连接键。
76.本技术所示装置包括，训练模块，所示训练模块包括：
77.采样单元，用于获取多种来源的异构数据样本，根据所述异构数据样本的属性特征，分别为对应于每个所述属性特征的异构数据样本添加属性标签，并为所述属性标签设置映射连接键初始样本。
78.具体的，获取到多种来源的异构数据后，按照所述异构数据的属性特征进行人工标注或者机器标注，获得带有属性标签的异构数据，然后根据所述异构数据的上下游数据，为所述异构数据创建映射连接键初始样本。
79.计算单元，用于将所述异构数据样本输入到所述卷积神经网络模型中，获得映射连接键对比样本。
80.在形成所述映射连接键的初始样本之后，将所述异构数据输入到所述卷积神经网络模型中进行计算，并得出结果，所述结果就是映射连接键对比样本。
81.差值单元，用于比较所述映射连接键初始样本和所述映射连接键对比样本的差值，并根据所述差值调整所述卷积神经网络的计算参数。
82.判断单元，用于重复步骤s2～s3到所述差值在预设误差内。
83.所述预设误差是预先设置的，用于判断所述映射连接键对比样本和所述映射连接键初始样本之间的差异是否影响所述卷积神经网络模型的结果输出准确率。
84.请参照图3所示，结果模块304，用于根据所述映射连接键，建立每个所述异构数据表之间的映射连接关系，并以所述映射连接关系为所述异构数据建立能源数据管理表。
85.所述映射连接关系是异构数据与上下游数据的关系表达公式，通过该公式可以准确描述所述异构数据因何产生，并将生产什么数据。
86.所述公式如下：
87.λ＝maxh(ai，bj，co，dk，
……
，n
l
)
88.γ＝minh((ai，bj，co，dk，
……
，n
l
)-q)
89.其中，ai，bj，co，dk，
……
，n
l
分别是每个映射关系连接键，i、j、o、k、l分表表示每个
连接键个数，所述λ、γ则是主要映射关系连接键，分别表示上游数据连接键和下游数据连接键，所述h是预设的取值个数。
90.最后，根据该上下游数据的连接键建立数据管理表。
91.进一步的，所示装置还包括：成图模块，用于根据所述能源数据管理表生成包括：能源数据管理图、数据分析图或数据预测图。所述能源数据管理图、数据分析图或数据预测图，根据所述能源数据管理表实时更新。