CN110135763A - 电能消耗的监控方法、可读存储介质和电子设备 - Google Patents
电能消耗的监控方法、可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN110135763A CN110135763A CN201910453544.6A CN201910453544A CN110135763A CN 110135763 A CN110135763 A CN 110135763A CN 201910453544 A CN201910453544 A CN 201910453544A CN 110135763 A CN110135763 A CN 110135763A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- type
- optional
- data
- consumption type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 41
- 238000005265 energy consumption Methods 0.000 claims abstract description 39
- 230000005611 electricity Effects 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 45
- 238000013145 classification model Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 241001269238 Data Species 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 231100001261 hazardous Toxicity 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 201000003373 familial cold autoinflammatory syndrome 3 Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例公开了一种电能消耗的监控方法、可读存储介质和电子设备。本发明实施例通过获取目标支路在第一周期内和第二周期内的电能消耗参数的数据,并根据第一周期内和第二周期内的电能消耗参数的数据分别获取目标支路在第一周期内和第二周期内在各用电类型消耗电能的概率,从而根据第一周期内和第二周期内在各用电类型消耗电能的概率确定目标支路的电能消耗类型是否发生改变,以对目标支路进行故障预警。在发明实施例中,目标支路在第一周期内和第二周期内的电能消耗参数的数据通过计量电表获取,目标支路在第一周期内和第二周期内在各用电类型消耗电能的概率通过能耗分类模型获取,因此降低了人工成本,同时提升了检测的及时性和准确性。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种电能消耗的监控方法、可读存储介质和电子设备。
背景技术
随着建筑规模的不断增大,电能的消耗率也在不断增加。现代建筑的规模较大,且建筑内部的线路结构复杂,因此在建筑内部的某处线路发生异常时,往往无法及时发现。现有的故障检测方法通常以人工定期排查的方式进行,但上述方式人工成本较高,且检测效率和准确率均较低,有较大可能无法及时发现故障,因此容易发生较危险的意外情况。
发明内容
有鉴于此,本发明实施例提供了一种电能消耗的监控方法、可读存储介质和电子设备,能够有效提升电能消耗的监控的准确性和及时性,降低意外情况发生的可能。
根据本发明实施例的第一方面,提供一种电能消耗的监控方法,所述方法包括:
获取目标支路在第一时间周期内的第一电能消耗数据和在第二时间周期内的第二电能消耗数据,所述第一电能消耗数据和所述第二电能消耗数据为以预定采样周期获得的所述目标支路的电能消耗参数的数据;
以所述第一电能消耗数据为输入,根据能耗分类模型确定对应的第一概率向量,所述第一概率向量中的各元素用于表征所述第一电能消耗数据属于对应的电能消耗类型的概率;
以所述第二电能消耗数据为输入,根据所述能耗分类模型确定对应的第二概率向量,所述第二概率向量中的各元素用于表征所述第二电能消耗数据属于对应的电能消耗类型的概率;
根据所述第一概率向量和/或所述第二概率向量确定所述目标支路的电能消耗类型的改变情况。
优选地,所述能耗分类模型通过如下步骤获取:
根据多个支路的样本电能消耗数据和对应的电能消耗类型确定多个可选样本集合和对应的可选电能消耗类型集合,所述多个支路包括所述目标支路;
根据多个所述可选样本集合和对应的所述可选电能消耗类型集合获取所述能耗分类模型。
优选地,所述根据多个支路的样本电能消耗数据和对应的电能消耗类型确定多个可选样本集合和对应的可选电能消耗类型集合包括:
根据所述各所述电能消耗类型对应的所述样本电能消耗数据的数量对所述电能消耗类型进行排序;
根据排序满足第一条件的所述电能消耗类型确定多个所述可选电能消耗类型集合;
以并行的方式根据各所述可选电能消耗类型集合对应的所述样本电能消耗数据确定对应的可选样本集合。
优选地,所述第一条件为对应所述样本电能消耗数据的数量排序在最大的前n位,所述n根据预定比例的支路的总量对应的电能消耗类型的最小数量,以及所述电能消耗类型的总数确定。
优选地,所述根据多个所述可选样本集合和对应的所述可选电能消耗类型集合获取所述能耗分类模型包括:
以并行的方式根据多个所述可选样本集合和对应的所述可选电能消耗类型集合训练多个候选分类模型;
获取各所述候选分类模型的准确率;
响应于所述准确率满足第二条件,将对应的所述候选分类模型确定为所述能耗分类模型。
优选地,所述根据所述第一概率向量和/或所述第二概率向量确定所述目标支路的电能消耗类型的改变情况包括:
将所述第一概率向量和所述第二概率向量中对应的元素进行比较,确定各组元素中的较小值;
根据各所述较小值确定所述电能消耗类型的改变情况。
优选地,所述根据各所述较小值确定所述电能消耗类型的改变情况包括:
响应于各所述较小值的和满足第三条件,确定所述电能消耗类型发生改变;
响应于各所述较小值的和不满足所述第三条件,确定所述电能消耗类型未发生改变。
优选地,所述根据所述第一概率向量和/或所述第二概率向量确定所述目标支路的电能消耗类型的改变情况包括:
根据所述第一概率向量或所述第二概率向量确定所述目标支路的支路类型;
根据所述支路类型对应的阈值算法确定所述目标支路对应的电能变化范围;
根据所述电能变化范围以及所述第一电能消耗数据或所述第二电能消耗数据确定所述电能消耗类型的改变情况。
优选地,所述根据所述电能变化范围以及所述第一电能消耗数据和/或所述第二电能消耗数据确定所述电能消耗类型的改变情况包括:
响应于所述第一电能消耗数据或所述第二电能消耗数据属于所述电能变化范围,确定所述电能消耗类型未发生改变;
响应于所述第一电能消耗数据或所述第二电能消耗数据不属于所述电能变化范围,确定所述电能消耗类型发生改变。
优选地,训练所述能耗分类模型的步骤还包括:
获取所述能耗分类模型的预测结果与实际检测结果存在偏差的样本数据;
根据所述存在偏差的样本数据更新所述可选样本集合和对应的可选电能消耗类型集合;
根据更新后的所述可选样本集合和对应的所述可选电能消耗类型集合更新所述能耗分类模型。
根据本发明实施例的第二方面,提供一种计算机可读存储介质,其上存储计算机程序指令,其中,所述计算机程序指令在被处理器执行时实现如第一方面中任一项所述的方法。
根据本发明实施例的第三方面,提供一种电子设备,包括存储器和处理器,其中,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面中任一项所述的方法。
本发明实施例通过获取目标支路在第一周期内和第二周期内的电能消耗参数的数据,并根据第一周期内和第二周期内的电能消耗参数的数据分别获取目标支路在第一周期内和第二周期内在各用电类型消耗电能的概率,从而根据第一周期内和第二周期内在各用电类型消耗电能的概率确定目标支路的电能消耗类型是否发生改变,以对目标支路进行故障预警。在发明实施例中,目标支路在第一周期内和第二周期内的电能消耗参数的数据通过计量电表获取,目标支路在第一周期内和第二周期内在各用电类型消耗电能的概率通过能耗分类模型获取,因此大幅降低了人工成本,同时提升了检测的及时性和准确性。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1是本发明第一实施例的电能消耗的监控方法的流程图;
图2是本发明第一实施例的方法获取能耗分类模型的数据流程图;
图3是本发明第二实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
现代建筑的规模较大,且建筑内部的线路结构复杂,因此在建筑内部的某处线路发生异常(例如,某处线路的用电情况发生改变)时,往往无法及时发现。现有的故障检测方法通常以人工定期排查的方式进行,但上述方式人工成本较高,且检测效率和准确率均较低,有时甚至产生不易察觉的异常,例如,建筑内部的电子设备运转正常但部分电路产生断路的情况,因此有较大可能无法及时发现故障,容易发生较危险的意外情况。
图1是本发明第一实施例的电能消耗的监控方法的流程图。如图1所示,本实施例的方法包括如下步骤:
步骤S101,获取目标支路在第一时间周期内的第一电能消耗数据和在第二时间周期内的第二电能消耗数据。
在本实施例中,第一电能消耗数据和第二电能消耗数据为以预定采样周期获得的目标支路的电能消耗参数的数据,具体地,可以为目标支路的电能消耗参数的波形图像。其中,电能消耗参数可以包括电压消耗量、功率消耗量等。可选地,第一电能消耗数据和第二电能消耗数据可以分别在第一时间周期内和第二时间周期内以预定采样周期采集计量电表(例如电能表、单相电度表等)的测量数据获取。采样周期和时间周期可以根据实际需求和计算条件等进行设定。
优选地,由于目标支路在不同时间周期内电能的消耗可能不同,例如,在夏季,电能的消耗量可能高于春季,且电能消耗多用于空调制冷。为了使得第一电能消耗数据和第二电能消耗数据具有较强的对照性,第一时间周期和第二时间周期为不同时期的相同时间段。
例如,若目标支路的电能消耗以周为变化(也即,每周相同天数的电能消耗情况大致相同),时间周期为8小时,则第一时间周期可以为第一周周一的9:00-17:00,第二时间周期可以为第二周周一的9:00-17:00。
可选地,为了提升监控结果的准确性,可以对在第一时间周期内和在第二时间周期内获得的目标支路的电能消耗参数进行预处理,从而获得第一电能消耗数据和第二电能消耗数据。
例如,若电能消耗参数中的某项参数存在异常时,可以对存在异常的参数进行去除处理;若电能消耗参数中的某项参数存在缺失时,可以对存在缺失的参数进行插值处理(例如,若缺失目标支路在第一时间周期内的第二采样时刻的电压消耗量,可以将目标支路在第一时间周期内与第二采样时刻相邻的第一采样时刻和第三采样时刻的电压消耗量的平均值作为第二采样时刻的电压消耗量)。
步骤S102,以第一电能消耗数据为输入,根据能耗分类模型确定对应的第一概率向量。
在本实施例中,第一概率向量中的各元素用于表征第一电能消耗数据属于对应的电能消耗类型的概率。例如,电能消耗类型包括空调用电、照明用电、水泵用电、电梯用电等,其中目标支路的空调用电为0.17,照明用电为0.41,水泵用电为0.32,电梯用电为0.1,则目标支路的第一概率向量为(0.17,0.41,0.32,0.1)。
步骤S103,以第二电能消耗数据为输入,根据能耗分类模型确定对应的第二概率向量。
在本实施例中,第二概率向量中的各元素用于表征第二电能消耗数据属于对应的电能消耗类型的概率。第二概率向量的表示方式与第一概率向量的表示方式相同,在此不再赘述。
容易理解,步骤S102和步骤S103可以同时执行,也可以先后执行,不必区分执行顺序。
在本实施例中,能耗分类模型可以为卷积神经网络(Convolutional NeuralNetworks,CNN)。CNN是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。CNN的隐藏层内的卷积核参数共享,且卷积层之间的连接具有稀疏性,使得CNN能够以较小的计算量对格点化特征(例如,波形、像素、音频等)进行稳定、高效地学习。将电能消耗参数的波形图像直接输入CNN能够避免特征提取,同时降低电能消耗类型的训练和应用过程中数据重建的复杂度,从而在后续提升估计结果(也即,概率向量)的获取效率。常见的CNN包括时间延迟网络(Time Delay Neural Network,TDNN)、LeNet-5等。
可选地,能耗分类模型还可以为循环神经网络等。
容易理解,在能耗分类模型为其他模型时,模型的输入可以为电能消耗参数的时间序列。
图2是本发明第一实施例的方法获取能耗分类模型的数据流程图。如图2所示,在一种可选的实现方式中,能耗分类模型可以通过如下步骤获取:
步骤S201,根据多个支路的样本电能消耗数据和对应的电能消耗类型确定多个可选样本集合和对应的可选电能消耗类型集合。
在本步骤中,多个支路包括目标支路,每个支路对应多个样本电能消耗数据,每个支路对应多个电能消耗类型,电能消耗类型通过对各支路进行调研获得。样本电能消耗数据的获取方式和第一电能消耗数据的获取方式相似,在此不再赘述。
可选地,可以根据各电能消耗类型对应的样本电能消耗数据的数量对电能消耗类型进行排序,并根据排序满足第一条件的电能消耗类型确定可选电能消耗类型集合21A-21D,从而以并行的方式根据各可选电能消耗类型集合对应的样本电能消耗数据确定对应的可选样本集合22A-22D。其中,第一条件为样本电能消耗数据的数量排序在最大的前n位,其中,n根据预定比例的支路的总量对应的电能消耗类型的最小数量,以及电能消耗类型的总数确定。容易理解,图2中的可选电能消耗类型集合和可选样本集合的总量仅仅是示意性的。
例如,支路的总量为X,对应的电能消耗类型的总量为M个。随机选取0.9X个支路(也即,预定比例的支路的总量),对应的电能消耗类型的数量为N个、N+1个和N+2个,则n的取值可以为N,N+1,N+2,…,M-1,M。然后根据各电能消耗类型对应的样本电能消耗数据的数量对电能消耗类型进行排序,以n=N为例,将样本电能消耗数据的数量排序在最大的前N位的多个电能消耗类型确定为可选电能消耗类型集合21A,并将对应的样本电能消耗数据确定为可选样本集合22A。
步骤S202,根据多个可选样本集合和对应的可选电能消耗类型集合获取能耗分类模型。
可选地,可以以并行的方式根据可选样本集合21A-21D和对应的可选电能消耗类型集合22A-22D训练候选分类模型23A-23D,并获取各候选分类模型的准确率,并在准确率满足第二条件时,将对应的模型确定为能耗分类模型24。以候选分类模型23A为例,候选分类模型23A根据可选样本集合21A和可选电能消耗类型集合22A训练获得。容易理解,图2中的可选电能消耗类型集合和可选样本集合的总量仅仅是示意性的。
具体地,在各候选分类模型的训练过程中,可以将各可选样本集合随机划分为可选训练样本集合和可选测试样本集合,将对应的各可选电能消耗类型集合划分为可选训练电能消耗类型集合和可选测试电能消耗类型集合,并根据各可选测试样本集合和对应的可选测试电能消耗类型集合对对应的候选分类模型进行测试,从而获取各候选分类模型的准确率。
在各候选分类模型的训练过程中,还可以通过Adam优化算法确定各候选分类模型的参数,并在各候选分类模型的网络损失值小于预定阈值时,获取各候选分类模型的准确率。Adam算法通过改善分类模型的训练方式,以最小化或最大化分类模型的损失函数,因此可以提升损失函数的收敛速度和分类模型的学习效果。
其中,第二条件可以为准确率不低于第一阈值且排在最大的第一位。由此,可以保证能耗分类模型对样本电能消耗数据的分类结果准确率最高。
第二条件还可以为准确率不低于第一阈值。同时,为了保证能耗分类模型对待预测电能消耗数据(包括第一电能消耗数据和第二电能消耗数据)预测的准确性,若存在多个满足第二条件的候选分类模型,可以将根据可选电能消耗类型集合中电能消耗类型的数量排序在最大的第一位训练获得的候选分类模型确定为能耗分类模型。
例如,候选分类模型23A的准确率为a%,候选分类模型23B的准确率为b%,均满足第二条件。候选分类模型23A根据5个电能消耗类型训练获得,候选分类模型23B根据7个电能消耗类型训练获得,则将候选分类模型23B确定为能耗分类模型。
可选地,为了提升能耗分类模型的准确性,还可以获取能耗分类模型预测结果与实际检测结果存在偏差的样本数据,并根据存在偏差的样本数据更新可选样本集合和对应的可选电能消耗类型集合,从而根据更新后的可选样本集合和对应的可选电能消耗类型集合更新能耗分类模型。
步骤S104,根据第一概率向量和/或第二概率向量确定目标支路的电能消耗类型的改变情况。
在一种可选的实现方式中,可以将第一概率向量和第二概率向量中对应的元素进行比较,确定各元素中的较小值,并根据各元素的较小值确定目标支路的电能消耗类型的改变情况。
具体地,可以根据各较小值的和确定目标支路的改变情况。各较小值的和可以通过如下公式计算:
其中,Pdiff为第一概率向量和第二概率向量中对应的元素中的较小值的和,为第一电能消耗数据属于第i个电能消耗类型的概率,为第二电能消耗数据属于第i个电能消耗类型的概率。
在Pdiff满足第三条件时,确定目标支路的电能消耗类型发生改变,从而对目标支路进行故障预警;在Pdiff不满足第三条件时,确定目标支路的电能消耗类型没有发生改变。
在本实施例中,第三条件可以为Pdiff不低于第二阈值。其中,第二阈值可以根据实际需求进行设定。。
在另一种可选的实现方式中,可以根据第一概率向量或第二概率向量确定目标支路的支路类型,并根据支路类型对应的阈值算法确定目标支路对应的电能变化范围,从而根据电能变化范围和第一电能消耗数据或第二电能消耗数据确定目标支路的电能类型的改变情况。其中,阈值算法可以为平均阈值法、极大(小)阈值法、贝叶斯统计分析法等。可选地,可以获取各支路类型与阈值算法的对应关系,由此可以根据各支路与阈值算法的对应关系获取目标支路对应的阈值算法。
具体地,可以将第一概率向量或第二概率向量中最大的元素确定为目标支路的用电类型,从而根据目标支路的用电类型确定目标支路的支路类型。在根据支路类型对应的阈值算法确定目标支路对应的电能变化范围后,可以根据电能变化范围对第一电能消耗数据或第二电能消耗数据进行判断。若第一电能消耗数据或第二电能消耗数据属于对应的电能变化范围,则确定目标支路的电能消耗类型没有发生改变;若第一电能消耗数据或第二电能消耗数据不属于对应的电能变化范围,则确定目标支路的电能消耗类型发生改变,从而对目标支路进行故障预警。
本实施例通过获取目标支路在第一周期内和第二周期内的电能消耗参数的数据,并根据第一周期内和第二周期内的电能消耗参数的数据分别获取目标支路在第一周期内和第二周期内在各用电类型消耗电能的概率,从而根据第一周期内和第二周期内在各用电类型消耗电能的概率确定目标支路的电能消耗类型是否发生改变,以对目标支路进行故障预警。在实施例中,目标支路在第一周期内和第二周期内的电能消耗参数的数据通过计量电表获取,目标支路在第一周期内和第二周期内在各用电类型消耗电能的概率通过能耗分类模型获取,因此大幅降低了人工成本,同时提升了检测的及时性和准确性。
图3是本发明第二实施例的电子设备的示意图。图3所示的电子设备为通用数据处理装置,其包括通用的计算机硬件结构,其至少包括处理器31和存储器32。处理器31和存储器32通过总线33连接。存储器32适于存储处理器31可执行的指令或程序。处理器31可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器31通过执行存储器32所存储的命令,从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其他装置的控制。总线33将上述多个组件连接在一起,同时将上述组件连接到显示控制器34和显示装置以及输入/输出(I/O)装置35。输入/输出(I/O)装置35可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出(I/O)装置35通过输入/输出(I/O)控制器36与***相连。
其中,存储器32可以存储软件组件,例如操作***、通信模块、交互模块以及应用程序。以上所述的每个模块和应用程序都对应于完成一个或多个功能和在发明实施例中描述的方法的一组可执行程序指令。
上述根据本发明实施例的方法、设备(***)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应理解,流程图和/或框图的每个块以及流程图图例和/或框图中的块的组合可以由计算机程序指令来实现。这些计算机程序指令可以被提供至通用计算机、专用计算机或其它可编程数据处理设备的处理器,以产生机器,使得(经由计算机或其它可编程数据处理设备的处理器执行的)指令创建用于实现流程图和/或框图块或块中指定的功能/动作的装置。
同时,如本领域技术人员将意识到的,本发明实施例的各个方面可以被实现为***、方法或计算机程序产品。因此,本发明实施例的各个方面可以采取如下形式:完全硬件实施方式、完全软件实施方式(包括固件、常驻软件、微代码等)或者在本文中通常可以都称为“电路”、“模块”或“***”的将软件方面与硬件方面相结合的实施方式。此外,本发明的方面可以采取如下形式:在一个或多个计算机可读介质中实现的计算机程序产品,计算机可读介质具有在其上实现的计算机可读程序代码。
可以利用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是如(但不限于)电子的、磁的、光学的、电磁的、红外的或半导体***、设备或装置,或者前述的任意适当的组合。计算机可读存储介质的更具体的示例(非穷尽列举)将包括以下各项:具有一根或多根电线的电气连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、光纤、便携式光盘只读存储器(CD-ROM)、光存储装置、磁存储装置或前述的任意适当的组合。在本发明实施例的上下文中,计算机可读存储介质可以为能够包含或存储由指令执行***、设备或装置使用的程序或结合指令执行***、设备或装置使用的程序的任意有形介质。
计算机可读信号介质可以包括传播的数据信号,所述传播的数据信号具有在其中如在基带中或作为载波的一部分实现的计算机可读程序代码。这样的传播的信号可以采用多种形式中的任何形式,包括但不限于:电磁的、光学的或其任何适当的组合。计算机可读信号介质可以是以下任意计算机可读介质:不是计算机可读存储介质,并且可以对由指令执行***、设备或装置使用的或结合指令执行***、设备或装置使用的程序进行通信、传播或传输。
用于执行针对本发明各方面的操作的计算机程序代码可以以一种或多种编程语言的任意组合来编写,所述编程语言包括:面向对象的编程语言如Java、Smalltalk、C++、PHP、Python等;以及常规过程编程语言如“C”编程语言或类似的编程语言。程序代码可以作为独立软件包完全地在用户计算机上、部分地在用户计算机上执行;部分地在用户计算机上且部分地在远程计算机上执行;或者完全地在远程计算机或服务器上执行。在后一种情况下,可以将远程计算机通过包括局域网(LAN)或广域网(WAN)的任意类型的网络连接至用户计算机,或者可以与外部计算机进行连接(例如通过使用因特网服务供应商的因特网)。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种电能消耗的监控方法,其特征在于,所述方法包括:
获取目标支路在第一时间周期内的第一电能消耗数据和在第二时间周期内的第二电能消耗数据,所述第一电能消耗数据和所述第二电能消耗数据为以预定采样周期获得的所述目标支路的电能消耗参数的数据;
以所述第一电能消耗数据为输入,根据能耗分类模型确定对应的第一概率向量,所述第一概率向量中的各元素用于表征所述第一电能消耗数据属于对应的电能消耗类型的概率;
以所述第二电能消耗数据为输入,根据所述能耗分类模型确定对应的第二概率向量,所述第二概率向量中的各元素用于表征所述第二电能消耗数据属于对应的电能消耗类型的概率;
根据所述第一概率向量和/或所述第二概率向量确定所述目标支路的电能消耗类型的改变情况。
2.根据权利要求1所述的方法,其特征在于,所述能耗分类模型通过如下步骤获取:
根据多个支路的样本电能消耗数据和对应的电能消耗类型确定多个可选样本集合和对应的可选电能消耗类型集合,所述多个支路包括所述目标支路;
根据多个所述可选样本集合和对应的所述可选电能消耗类型集合获取所述能耗分类模型。
3.根据权利要求2所述的方法,其特征在于,所述根据多个支路的样本电能消耗数据和对应的电能消耗类型确定多个可选样本集合和对应的可选电能消耗类型集合包括:
根据所述各所述电能消耗类型对应的所述样本电能消耗数据的数量对所述电能消耗类型进行排序;
根据排序满足第一条件的所述电能消耗类型确定多个所述可选电能消耗类型集合;
以并行的方式根据各所述可选电能消耗类型集合对应的所述样本电能消耗数据确定对应的可选样本集合。
4.根据权利要求3所述的方法,其特征在于,所述第一条件为对应所述样本电能消耗数据的数量排序在最大的前n位,所述n根据预定比例的支路的总量所对应的电能消耗类型的最小数量,以及所述电能消耗类型的总数确定。
5.根据权利要求2所述的方法,其特征在于,所述根据多个所述可选样本集合和对应的所述可选电能消耗类型集合获取所述能耗分类模型包括:
以并行的方式根据多个所述可选样本集合和对应的所述可选电能消耗类型集合训练多个候选分类模型;
获取各所述候选分类模型的准确率;
响应于所述准确率满足第二条件,将对应的所述候选分类模型确定为所述能耗分类模型。
6.根据权利要求1所述的方法,其特征在于,所述根据所述第一概率向量和所述第二概率向量确定所述目标支路的电能消耗类型的改变情况包括:
将所述第一概率向量和所述第二概率向量中对应的元素进行比较,确定各组元素中的较小值;
根据各所述较小值确定所述电能消耗类型的改变情况。
7.根据权利要求6所述的方法,其特征在于,所述根据各所述较小值确定所述电能消耗类型的改变情况包括:
响应于各所述较小值的和满足第三条件,确定所述电能消耗类型发生改变;
响应于各所述较小值的和不满足所述第三条件,确定所述电能消耗类型未发生改变。
8.根据权利要求1所述的方法,其特征在于,所述根据所述第一概率向量和/或所述第二概率向量确定所述目标支路的电能消耗类型的改变情况包括:
根据所述第一概率向量或所述第二概率向量确定所述目标支路的支路类型;
根据所述支路类型对应的阈值算法确定所述目标支路对应的电能变化范围;
根据所述电能变化范围以及所述第一电能消耗数据或所述第二电能消耗数据确定所述电能消耗类型的改变情况。
9.根据权利要求8所述的方法,其特征在于,所述根据所述电能变化范围以及所述第一电能消耗数据或所述第二电能消耗数据确定所述电能消耗类型的改变情况包括:
响应于所述第一电能消耗数据或所述第二电能消耗数据属于所述电能变化范围,确定所述电能消耗类型未发生改变;
响应于所述第一电能消耗数据或所述第二电能消耗数据不属于所述电能变化范围,确定所述电能消耗类型发生改变。
10.根据权利要求2所述的方法,其特征在于,训练所述能耗分类模型的步骤还包括:
获取所述能耗分类模型的预测结果与实际检测结果存在偏差的样本数据;
根据所述存在偏差的样本数据更新所述可选样本集合和对应的可选电能消耗类型集合;
根据更新后的所述可选样本集合和对应的所述可选电能消耗类型集合更新所述能耗分类模型。
11.一种计算机可读存储介质,其上存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时实现如权利要求1-10中任一项所述的方法。
12.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910453544.6A CN110135763B (zh) | 2019-05-28 | 2019-05-28 | 电能消耗的监控方法、可读存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910453544.6A CN110135763B (zh) | 2019-05-28 | 2019-05-28 | 电能消耗的监控方法、可读存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110135763A true CN110135763A (zh) | 2019-08-16 |
CN110135763B CN110135763B (zh) | 2022-03-25 |
Family
ID=67582438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910453544.6A Active CN110135763B (zh) | 2019-05-28 | 2019-05-28 | 电能消耗的监控方法、可读存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135763B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012026589A1 (ja) * | 2010-08-26 | 2012-03-01 | パナソニック株式会社 | 電気量管理システムおよびセンタサーバ |
CN103176101A (zh) * | 2013-03-05 | 2013-06-26 | 中联重科股份有限公司 | 一种线路故障的检测方法、设备和*** |
CN103487644A (zh) * | 2013-09-09 | 2014-01-01 | 北京博锐尚格节能技术有限公司 | 电能分项能耗计量方法和装置 |
CN104749431A (zh) * | 2015-03-23 | 2015-07-01 | 同济大学 | 一种公共建筑空调***末端设备电耗间接计量*** |
CN105259752A (zh) * | 2015-11-13 | 2016-01-20 | 北京博锐尚格节能技术股份有限公司 | 用于设备群组的负荷分配方法、装置和*** |
CN105446139A (zh) * | 2015-12-18 | 2016-03-30 | 华南理工大学 | 基于bp神经网络的建筑能耗分析方法与*** |
CN107045094A (zh) * | 2017-04-25 | 2017-08-15 | 云南电力试验研究院(集团)有限公司 | 一种配电线路故障定位方法及装置 |
CN109061396A (zh) * | 2018-10-10 | 2018-12-21 | 国网江苏省电力有限公司无锡供电分公司 | 一种配电网行波故障定位方法、装置及*** |
-
2019
- 2019-05-28 CN CN201910453544.6A patent/CN110135763B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012026589A1 (ja) * | 2010-08-26 | 2012-03-01 | パナソニック株式会社 | 電気量管理システムおよびセンタサーバ |
CN103176101A (zh) * | 2013-03-05 | 2013-06-26 | 中联重科股份有限公司 | 一种线路故障的检测方法、设备和*** |
CN103487644A (zh) * | 2013-09-09 | 2014-01-01 | 北京博锐尚格节能技术有限公司 | 电能分项能耗计量方法和装置 |
CN104749431A (zh) * | 2015-03-23 | 2015-07-01 | 同济大学 | 一种公共建筑空调***末端设备电耗间接计量*** |
CN105259752A (zh) * | 2015-11-13 | 2016-01-20 | 北京博锐尚格节能技术股份有限公司 | 用于设备群组的负荷分配方法、装置和*** |
CN105446139A (zh) * | 2015-12-18 | 2016-03-30 | 华南理工大学 | 基于bp神经网络的建筑能耗分析方法与*** |
CN107045094A (zh) * | 2017-04-25 | 2017-08-15 | 云南电力试验研究院(集团)有限公司 | 一种配电线路故障定位方法及装置 |
CN109061396A (zh) * | 2018-10-10 | 2018-12-21 | 国网江苏省电力有限公司无锡供电分公司 | 一种配电网行波故障定位方法、装置及*** |
Non-Patent Citations (6)
Title |
---|
SHEN QI: "An analysis of the optimization disaggregation algorithm in the estimation related to energy consumption of appliances in buildings", 《APPLIED MATHEMATICS AND COMPUTATION》 * |
SHEN QI: "Establishing target-oriented energy consumption quotas for buildings", 《UTILITIES POLICY》 * |
严哲钦: "办公建筑能耗监测***关键技术研究", 《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》 * |
卿晓霞等: "能耗实时监测的数据挖掘方法", 《重庆大学学报》 * |
周璇: "办公建筑逐时能耗异常数据在线插补方法", 《建筑科学》 * |
沈启: "大型公共建筑用电分项计量***研究与进展(2):统一的能耗分类模型与方法", 《暖通空调》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110135763B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Traffic flow imputation using parallel data and generative adversarial networks | |
Hong et al. | Probabilistic electric load forecasting: A tutorial review | |
US10379146B2 (en) | Detecting non-technical losses in electrical networks based on multi-layered statistical techniques from smart meter data | |
US20150317589A1 (en) | Forecasting system using machine learning and ensemble methods | |
US20150377935A1 (en) | Signal identification methods and systems | |
CN103020459B (zh) | 一种多维度用电行为的感知方法及*** | |
CN107704946B (zh) | 电子装置、语音导航需求预测方法和存储介质 | |
US20170315855A1 (en) | Method of detecting anomalies on appliances and system thereof | |
CN110998465B (zh) | 涡轮诊断特性选择*** | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN110334816A (zh) | 一种工业设备检测方法、装置、设备及可读存储介质 | |
CN110263945A (zh) | 基于马尔科夫链的配电网线损处理*** | |
CN109344967B (zh) | 一种基于人工神经网络的智能电表生命周期预测方法 | |
CN109583086A (zh) | 配电变压器重过载预测方法及终端设备 | |
Shirajuddin et al. | Optimization problems in water distribution systems using Non-dominated Sorting Genetic Algorithm II: An overview | |
CN115128438A (zh) | 一种芯片内部故障监测方法及其装置 | |
CN109635996A (zh) | 房价走势前瞻模型构建方法、装置及存储介质 | |
Wang et al. | A factorial hidden markov model for energy disaggregation based on human behavior analysis | |
JP2019101681A (ja) | 見積り取得装置、見積り取得方法およびプログラム | |
CN110135763A (zh) | 电能消耗的监控方法、可读存储介质和电子设备 | |
CN111060755A (zh) | 一种电磁干扰诊断方法和装置 | |
CN113822441B (zh) | 决策模型训练方法、装置、终端设备及存储介质 | |
CN115864644A (zh) | 一种继电保护装置状态评价方法、***、设备及介质 | |
US20230027383A1 (en) | Prediction system and prediction method | |
Ferreira et al. | NSGA-II parameterization for the optimal pressure sensor location in water distribution networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |