一种加氢站安全监控方法、电子设备及存储介质

技术领域

本发明涉及加氢站监控技术领域，尤其涉及一种加氢站安全监控方法、电子设备及存储介质。

背景技术

数据挖掘是在大型数据库中自动地发现有用信息的过程。传统的数据挖掘中，所采集的数据类型单一，数据结构通常为关系型数据结构。然而，在加氢站监控系统中，针对多个站控设备，以及制氢，运氢，售氢等多个应用场景而言，所采集的数据通常是多样化的，且数据结构除了关系型数据结构外，还有半结构型数据结构和非结构型数据结构。可见，传统的数据挖掘方法已经难以适应于复杂的加氢站监控系统，也难以对所采集数据进行多维度的数据挖掘。

因此，现在亟需提供一种加氢站安全监控方案，以利用采集数据对加氢站进行进行安全生产、运输和精准营销。

发明内容

本发明要解决的技术问题是：提供一种加氢站安全监控方案，以利用采集数据对加氢站进行进行安全生产、运输和精准营销。

为解决上述技术问题，本发明提供了一种加氢站安全监控方法，包括：

确定加氢站的当前场景；

采集与所述当前场景对应的实时数据；

基于大数据处理算法过滤掉所述实时数据中的无效数据，得到有效数据；

将所述有效数据输入预先训练得到的机器学习模型中，预测得到所述当前场景对应的监控指标；

基于所述监控指标对所述加氢站进行安全监控。

可选地，所述确定加氢站的当前场景包括：

根据所述加氢站的设备状态参数确定当前场景。

可选地，所述加氢站的场景包括以下一种或几种：制氢场景、运氢场景、储氢场景和售氢场景。

可选地，所述采集与所述当前场景对应的实时数据包括：

确定所述当前场景对应的目标设备；

采集所述目标设备的监控参数。

可选地，所述采集所述目标设备的监控参数包括：

实时采集所述目标设备的压力值和温度值。

可选地，所述过滤掉所述实时数据中的无效数据，得到有效数据包括：

对所述实时数据进行数据抽取、清洗、转换和装载过程，得到处理后的有效数据。

可选地，还包括：基于第三范式规则构建所述有效数据的数据仓库。

可选地，所述机器学习模型为基于多维度的历史采集数据训练得到的、用于预测所述当前场景对应的监控指标，所述多维度的历史采集数据至少包括所述数据仓库中的数据和日志文件中提取的数据。

可选地，所述多维度的历史采集数据基于加氢机、储氢罐、压缩机、车联平台、红外对射、卸气柱的采集数据得到。

可选地，还包括：基于所述监控指标生成加氢站数据报表。

可选地，，还包括：基于所述监控指标与设定值之间的数值关系，判断是否符合报警条件，若符合则触发报警。

可选地，当所述当前场景为运氢场景时，所述采集与所述当前场景对应的实时数据包括：

采集所述运氢车辆的车辆行使数据、当前位置信息、天气数据。

可选地，还包括：基于所述机器学习模型，获取所述制氢站的氢能运营数据；

根据所述氢能运营数据确定所述加氢站的制氢量。

为解决上述技术问题，本发明提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。

为解决上述技术问题，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的方法。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：

应用本发明的加氢站安全监控方案，能够利用大数据处理算法对加氢站的多维度的采集数据进行数据挖掘，有效解决了传统数据挖掘中对于采集数据类型和数据结构的局限性，并且能够针对加氢站安全监控过程中的各个使用场景，采集对应的实时数据，并基于机器学习模型对采集的实时数据进行监控指标预测，从而实现对加氢站的安全监控，基于大数据的并行处理方式有效提高了对采集数据进行数据分析的效率，而且从采集的实时数据中剔除了无效数据，使得训练得到的机器学习模型的预测结果更加准确。

附图说明

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。

图1为本发明实施例提供的加氢站安全监控方法的第一种流程图；

图2为本发明实施例提供的加氢站安全监控系统的一种架构图；

图3为本发明实施例提供的加氢站安全监控方法的第二种流程图；

图4为本发明实施例提供的加氢站安全监控方法的第三种流程图；

图5为本发明实施例提供的加氢站安全监控方法的第四种流程图；

图6为本发明实施例提供的加氢站安全监控方法的第五种流程图；

图7为本发明实施例提供的计算机设备的一种结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

数据挖掘，是从大量数据中发现有用信息的重要方式。现有技术中，常采用传统的数据挖掘方式来发现有用信息，但是，传统的数据挖掘所采集的数据类型单一，数据结构通常为关系型数据结构，并且往往倾向于对程序代码或算法的处理。传统的并行数据库技术更侧重于高度一致性和容错性，根据CAP理论可知，传统的数据挖掘难以保证其可用性和扩展性。

大数据环境下的数据来源通常非常丰富且数据类型多样，存储和分析挖掘的数据量庞大，对数据展现的要求较高，并且对数据处理的高效性和可用性也要求较高。而加氢站监控系统中，针对多个站控设备，以及制氢、运氢、售氢等多个应用场景而言，所采集的数据通常就是多样化的，需要进行多维度的数据处理，且数据结构除了关系型数据结构外，还有半结构型数据结构和非结构型数据结构。

显然，传统的数据挖掘方法已经难以适应于复杂的加氢站监控系统，也难以对所采集数据进行多维度的数据挖掘。因此，为了提供一种加氢站安全监控方案，以达到利用采集数据对加氢站进行进行安全生产、运输和精准营销的目的，本发明实施例提供了一种加氢站安全监控方法。

下面结合图1和图2对本发明实施例提供的加氢站安全监控方法进行说明。如图1所示，为本发明实施例提供的加氢站安全监控方法的第一种流程图，可以包括以下步骤：

步骤S101：确定加氢站的当前场景。

在实际的加氢站监控系统中，通常可以包括多种或多个设备，例如，可以包括加氢机、储氢罐、压缩机、红外对射、卸气柱、车联平台等。为了便于描述，通常可以按照加氢站作业内容的不同来划分为多种应用场景，可以理解的是，各应用场景所对应的设备的种类或数量不同，各设备的相关参数也不同。

一种实现方式中，所述加氢站的场景可以包括以下一种或几种：制氢场景、运氢场景、储氢场景和售氢场景。

对于不同应用场景而言，其对应的各设备的状态参数是不同的，因此，可以根据所述加氢站的设备状态参数确定当前场景。

其中，加氢站的设备状态参数可以包括设备名称、设备编号、设备类型、设备等级、设备生产商、设备工艺类型、出厂时间、加氢站编号等。

实际应用中，本领域的技术人员可以首先确定出当前运行的各个设备，进而获取各个设备的状态参数，然后基于各设备当前的状态参数确定出加氢站的应用场景。需要说明的是，本领域的技术人员需要预先设定各应用场景对应的设备的状态参数的所属范围，从而可以根据该对应关系确定出相应的场景。

步骤S102：采集与所述当前场景对应的实时数据。

一个实例中，当所述当前场景为运氢场景时，与所述当前场景对应的实时数据可以包括采集所述运氢车辆的车辆行使数据、当前位置信息、天气数据。需要说明的是，上述实例仅为本发明的一种具体实现方式，对于运氢场景而言，其对应的实时数据需要由本领域的技术人员根据具体设备进行设定，并不局限于上述几种数据。

此外，本发明也不限定各应用场景对应的实时数据，本领域的技术人员需要根据加氢站的站控设备的具体情况来设定。另外，所采集的实时数据除了上述设备状态参数外，还可以包括车联网数据、储氢罐数据和售氢数据。

其中，车联网数据可以为车辆登记信息、车辆唯一识别码、定位信息、累计行驶里程、车辆运行状态、充电状态等；储氢罐数据可以为储氢量、储氢时间、储氢罐压力、储氢罐温度、压缩机进出压力、压缩机运行时间；售氢数据具体为设备编号、开始时间、结束时间、加氢时长、加氢量、加氢单价、加氢金额、卡号、车牌号、支付方式、加氢状态、补贴单价、补贴总价等。需要说明的是，上述列举的实时数据的具体内容仅为示例说明，不作为对本发明的限定，本领域的技术人员需要根据加氢站的站控检测系统中的具体设备进行具体设定。本发明通过当前场景可以过滤掉大量无效数据，从而可以降低数据处理的计算量，有利于提高数据计算的速度。

一种实现方式中，可以先确定所述当前场景对应的目标设备，进而采集所述目标设备的监控参数。另外，本发明不限定目标设备的具体状态参数，举例而言，所述目标设备的监控参数可以包括：实时采集所述目标设备的压力值和温度值。

步骤S103：基于大数据处理算法过滤掉所述实时数据中的无效数据，得到有效数据。

在加氢站监控过程中，所采集的实时数据并非都为有效数据，所谓的有效数据是指能够反映加氢站站控设备监控信息的数据。通过该步骤能够从所采集的实时数据中过滤掉无效数据，降低了数据处理量，有利于提高数据处理与计算的速度。

一种实现方式中，可以通过对所述实时数据进行数据抽取、清洗、转换和装载过程，得到处理后的有效数据。具体地，可以利用现有技术中提供的ELT(Extract-Transform-Load，抽取-转换-加载)工具进行处理，常用的ETL工具有SEDWA、kettle、OracleGoldengate、informatica、talend这五类，通过ETL工具可以将实时数据从采集端传输至目的端。

一个具体实例中，可以通过MapReduce这一并行处理技术来提高数据的处理速度，MapReduce是一种分布式计算框架，以一种可靠的，具有容错能力的方式并行地处理上TB级别的海量数据集。MapReduce通过大量廉价服务器实现大数据并行处理，对数据一致性要求不高，其突出优势是具有扩展性和可用性，特别适用于海量的结构化、半结构化及非结构化数据的混合处理。MapReduce可以将传统的查询、分解及数据分析进行分布式处理，将处理任务分配到不同的处理节点，具有更强的并行处理能力。

步骤S104：将所述有效数据输入预先训练得到的机器学习模型中，预测得到所述当前场景对应的监控指标。

在本发明的一个实施例中，所述机器学习模型为基于多维度的历史采集数据训练得到的、用于预测所述当前场景对应的监控指标，所述多维度的历史采集数据至少包括所述数据仓库中的数据和日志文件中提取的数据。

具体地，所述多维度的历史采集数据基于加氢机、储氢罐、压缩机、车联平台、红外对射、卸气柱的采集数据得到。需要说明的是，各设备的采集数据可以参考步骤S102中的具体说明，此处不再赘述。

如图2所示，预先训练得到的机器学习模型可以是基于数据源的数据库、实时数据流和实时文件来构建，本发明实施例不限定构建该机器学习模型的数据来源，本领域的技术人员可以根据实际应用中的具体情况来确定。

一种实现方式中，可以按照如下表达式构建机器学习模型：

其中，p为自回归项数，q为滑动平均项数，d为成为平稳序列所做的差分阶数。

步骤S105：基于所述监控指标对所述加氢站进行安全监控。

利用预先构建的机器学习模型，可以达到预测加氢站的站控设备的运行指标，进而可以根据所预测的指标来进行安全监控，从而防患于未然，有效提高加氢站的安全性。

由此可见，应用本发明的加氢站安全监控方案，能够利用大数据处理算法对加氢站的多维度的采集数据进行数据挖掘，有效解决了传统数据挖掘中对于采集数据类型和数据结构的局限性，并且能够针对加氢站安全监控过程中的各个使用场景，采集对应的实时数据，并基于机器学习模型对采集的实时数据进行监控指标预测，从而实现对加氢站的安全监控，基于大数据的并行处理方式有效提高了对采集数据进行数据分析的效率，而且从采集的实时数据中剔除了无效数据，使得训练得到的机器学习模型的预测结果更加准确。

如图3所示，为本发明实施例提供的加氢站安全监控方法的第二种流程图，可以包括以下步骤：

步骤S201：确定加氢站的当前场景。

步骤S202：采集与所述当前场景对应的实时数据。

步骤S203：基于大数据处理算法过滤掉所述实时数据中的无效数据，得到有效数据。

步骤S204：基于第三范式规则构建所述有效数据的数据仓库。

第三范式(Third Normal Form，3rd NF)是指，表中的所有数据元素不但要能唯一地被主关键字所标识,而且它们之间还必须相互独立,不存在其他的函数关系。也就是说，对于一个满足2nd NF的数据结构来说，表中有可能存在某些数据元素依赖于其他非关键字数据元素的现象，必须消除。

需要说明的是，利用第三范式构建数据仓库是本发明实施例提供的一种具体方式，当然还可以通过其它方式来构建，本发明并不需要对构建数据仓库的具体方式进行限定。

步骤S205：将所述有效数据输入预先训练得到的机器学习模型中，预测得到所述当前场景对应的监控指标。

步骤S206：基于所述监控指标对所述加氢站进行安全监控。

需要说明的是，图3所示方法实施例中的步骤S201至步骤S203、步骤S205和步骤S206，与图1所示方法实施例中的步骤S101至步骤S105类似，相关之处可参阅图1所示方法实施例的具体内容，此处不再赘述。

由此可见，图3所示方法实施例除了具备图1所示方法实施例的全部有益效果外，还构建了有效数据的数据仓库，由于机器学习模型预测出的监控指标的准确性直接决定了加氢站安全监控的可靠性，因此，利用由有效数据构建的数据仓库中的数据进行机器学习，大大提高了所构建的机器学习模型的真实程度，有利于保证监控指标预测的准确性。

如图4所示，为本发明实施例提供的加氢站安全监控方法的第三种流程图，可以包括以下步骤：

步骤S301：确定加氢站的当前场景。

步骤S302：采集与所述当前场景对应的实时数据。

步骤S303：基于大数据处理算法过滤掉所述实时数据中的无效数据，得到有效数据。

步骤S304：将所述有效数据输入预先训练得到的机器学习模型中，预测得到所述当前场景对应的监控指标。

步骤S305：基于所述监控指标对所述加氢站进行安全监控。

需要说明的是，图4所示方法实施例中的步骤S301至步骤S505，与图1所示方法实施例中的步骤S101至步骤S105类似，相关之处可参阅图1所示方法实施例的具体内容，此处不再赘述。

步骤S306：基于所述监控指标生成加氢站数据报表。

由此可见，图4所示方法实施例除了具备图1所示方法实施例的全部有益效果外，还可以基于监控指标生成加氢站数据报表，可以将加氢站安全监控系统中的数据进行输出，使得可以进一步结合所生成的数据报表进行数据分析与挖掘；另外，还可以对监控指标进行统计或以图表视图方式展示出来，便于直观地对加氢站安全监控系统进行管理。

如图5所示，为本发明实施例提供的加氢站安全监控方法的第四种流程图，可以包括以下步骤：

步骤S401：确定加氢站的当前场景。

步骤S402：采集与所述当前场景对应的实时数据。

步骤S403：基于大数据处理算法过滤掉所述实时数据中的无效数据，得到有效数据。

步骤S404：将所述有效数据输入预先训练得到的机器学习模型中，预测得到所述当前场景对应的监控指标。

步骤S405：基于所述监控指标对所述加氢站进行安全监控。

需要说明的是，图5所示方法实施例中的步骤S401至步骤S405，与图1所示方法实施例中的步骤S101至步骤S105类似，相关之处可参阅图1所示方法实施例的具体内容，此处不再赘述。

步骤S406：基于所述监控指标与设定值之间的数值关系，判断是否符合报警条件，若符合则触发报警。

本发明预先设定针对各监控指标对应的设定值，进而可以通过判定机器学习模型预测出的监控指标与预先设定的设定值的数值关系，来确定是否触发报警。举例而言，假定加氢站的储氢罐压力设定值为20Mpa且当监控指标大于该设定值时符合报警条件，若机器学习模型预测出的压力监控指标为30Mpa时，则触发报警。

一种实现方式中，可以根据经验值来确定设定值的具体值，当然，还可以有其它方式，本发明实施例对设定值的具体确定方式不作限定。

由此可见，图5所示方法实施例除了具备图1所示方法实施例的全部有益效果外，还可以基于所述监控指标与设定值之间的数值关系进行预警，通过对各个应用场景中的各监控指标的监控，能够有效确保加氢站安全监控系统的安全性，这一点对于加氢站而言十分重要。

如图6所示，为本发明实施例提供的加氢站安全监控方法的第五种流程图，可以包括以下步骤：

步骤S501：确定加氢站的当前场景。

步骤S502：采集与所述当前场景对应的实时数据。

步骤S503：基于大数据处理算法过滤掉所述实时数据中的无效数据，得到有效数据。

步骤S504：将所述有效数据输入预先训练得到的机器学习模型中，预测得到所述当前场景对应的监控指标。

步骤S505：基于所述监控指标对所述加氢站进行安全监控。

需要说明的是，图6所示方法实施例中的步骤S501至步骤S505，与图1所示方法实施例中的步骤S101至步骤S105类似，相关之处可参阅图1所示方法实施例的具体内容，此处不再赘述。

步骤S506：基于所述机器学习模型，获取所述制氢站的氢能运营数据。

可以理解的是，机器学习模型在构建过程中，可以将售氢数据作为训练数据，进而通过机器学习之后可以输出加氢站的氢能运营数据，售氢数据的具体内容可以参见图1所示方法实施例的相关内容，此处不再赘述。

步骤S507：根据所述氢能运营数据确定所述加氢站的制氢量。

可以理解的，通过对氢能运营数据进行分析可以对加氢站的运营进行有效指导，站控运营包含储氢量、售氢量、人员管理等。

一个具体实例中，可以利用大数据分析技术对氢能运营数据进行分析，得出每个加氢站在不同时间维度售氢的情况(周、月、季度、年)；再结合采集到的各应用场景对应的设备状态参数如压力值和温度值，计算得到设备的使用损耗折算费用；然后对储氢量、加氢车辆数量、天气情况进行统计分析，最终得出针对各个不同时间段的加氢量预测情况，进而根据该加氢量预测情况进行运营指导，例如确定制氢量等。

由此可见，图6所示方法实施例除了具备图1所示方法实施例的全部有益效果外，还可以根据所述氢能运营数据确定所述加氢站的制氢量，从而可以按照不同时间段内的加氢量预测情况确定制氢量，还可以制定售氢的价格来调整运营情况，例如可以按照加氢高峰或低峰来确定价格波动情况。

为解决上述技术问题，本发明提供了一种计算机设备，如图7所示，包括存储器610、处理器620及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可包括，但不仅限于处理器620、存储器610。本领域技术人员可以理解，图7仅仅是计算机设备的示例，并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器620可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器610可以是所述计算机设备的内部存储单元，例如计算机设备的硬盘或内存。所述存储器610也可以是计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器610还可以既包括所述计算机设备的内部存储单元也包括外部存储设备。所述存储器610用于存储所述计算机程序以及所述计算机设备所需的其它程序和数据。所述存储器610还可以用于暂时地存储已经输出或者将要输出的数据。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在、未装配入计算机设备中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上计算机程序，所述程序被处理器执行时实现上述所述的方法。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器610、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

应当理解，在本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到所描述条件或事件”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到所描述条件或事件”或“响应于检测到所描述条件或事件”。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。