CN115293265A - 楼宇用电非入侵式监测方法及其*** - Google Patents
楼宇用电非入侵式监测方法及其*** Download PDFInfo
- Publication number
- CN115293265A CN115293265A CN202210939815.0A CN202210939815A CN115293265A CN 115293265 A CN115293265 A CN 115293265A CN 202210939815 A CN202210939815 A CN 202210939815A CN 115293265 A CN115293265 A CN 115293265A
- Authority
- CN
- China
- Prior art keywords
- matrix
- power consumption
- feature
- state
- building
- 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.)
- Withdrawn
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000005611 electricity Effects 0.000 title claims description 78
- 239000011159 matrix material Substances 0.000 claims abstract description 346
- 238000012937 correction Methods 0.000 claims abstract 2
- 238000013527 convolutional neural network Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000002596 correlated effect Effects 0.000 abstract 2
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Emergency Management (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请涉及用电监测技术领域,其具体地公开了一种楼宇用电非入侵式监测方法及其***,其通过卷积神经网络模型分别对多个用电设备在多个预定时间点的用电量信息构造的用电量输入矩阵和所述多个用电设备在所述多个预定时间点的状态构造的信息状态输入矩阵进行高维特征提取,然后,分别对所述状态关联特征矩阵和所述用电量特征矩阵进行位置提议局部推理,最后,融合所述校正后状态关联特征矩阵和所述校正后用电量特征矩阵以得到分类特征矩阵,并通过分类器以得到用于表示待监测楼宇内是否存在用电设备耗电异常的分类结果,通过这样的方式,以实现对楼宇内用电设备耗电异常的智能监测。
Description
技术领域
本申请涉及用电监测技术领域,且更为具体地,涉及一种楼宇用电非入侵式监测方法及其***。
背景技术
作为一个能源短缺的国家,我国对节能减排的工作历来高度重视。为了加快资源节约型、环境友好型社会的建设,保障经济的可持续发展,逐步向生态文明迈进,我国先后多次提出节能减排约束性目标。
办公园区内的楼宇用电是能源管理的一个重点区域。楼宇用电管理问题包括安全问题、降低能耗,设计自动化程度高、运行可靠、高效节能等。因此,通常需要对楼宇用电进行监测以确保楼宇用电***能够稳定运行。
传统楼宇用电监测通过由人工进行,例如,通过人工查看用电设备的电表来判断用电设备是否耗电异常。但这种巡检方式不仅效率低下,且极大地依赖巡检技术人员的经验。
近年来,大数据、机器学习和人工智能等技术发展,为构建非侵入式楼宇监测提供了技术支持。因此,期待一种楼宇用电非入侵式监测方案,其能够对楼宇内用电设备的耗电是否异常进行智能监测,以达到能源管理的目的。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种楼宇用电非入侵式监测方法及其***,其通过卷积神经网络模型分别对多个用电设备在多个预定时间点的用电量信息构造的用电量输入矩阵和所述多个用电设备在所述多个预定时间点的状态构造的信息状态输入矩阵进行高维特征提取,然后,分别对所述状态关联特征矩阵和所述用电量特征矩阵进行位置提议局部推理,最后,融合所述校正后状态关联特征矩阵和所述校正后用电量特征矩阵以得到分类特征矩阵,并通过分类器以得到用于表示待监测楼宇内是否存在用电设备耗电异常的分类结果,通过这样的方式,以实现对楼宇内用电设备耗电异常的智能监测。
根据本申请的一个方面,提供了一种楼宇用电非入侵式监测方法,其包括:
获取待监测楼宇内多个用电设备在多个预定时间点的用电量信息;
获取所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息;
将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息按照用电设备样本维度和时间维度构造为状态输入矩阵;
将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的用电量信息按照用电设备样本维度和时间维度构造为用电量输入矩阵;
将所述用电量输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电量特征矩阵;
将所述状态输入矩阵通过作为特征提取器的第二卷积神经网络以得到状态关联特征矩阵;
基于所述状态关联特征矩阵中各个元素的位置信息,对所述状态关联特征矩阵中各个元素的特征值进行调整以得到校正后状态关联特征矩阵;
基于所述用电量特征矩阵中各个元素的位置信息,对所述用电量特征矩阵中各个元素的特征值进行调整以得到校正后用电量特征矩阵;
融合所述校正后状态关联特征矩阵和所述校正后用电量特征矩阵以得到分类特征矩阵;以及
将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待监测楼宇内是否存在用电设备耗电异常。
根据本申请的另一方面,提供了一种楼宇用电非入侵式监测***,其包括:
用电量信息获取单元,用于获取待监测楼宇内多个用电设备在多个预定时间点的用电量信息;
状态信息获取单元,用于获取所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息;
状态输入矩阵构造单元,用于将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息按照用电设备样本维度和时间维度构造为状态输入矩阵;
用电量输入矩阵构造单元,用于将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的用电量信息按照用电设备样本维度和时间维度构造为用电量输入矩阵;
第一卷积单元,用于将所述用电量输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电量特征矩阵;
第二卷积单元,用于将所述状态输入矩阵通过作为特征提取器的第二卷积神经网络以得到状态关联特征矩阵;
状态关联特征矩阵调整单元,用于基于所述状态关联特征矩阵中各个元素的位置信息,对所述状态关联特征矩阵中各个元素的特征值进行调整以得到校正后状态关联特征矩阵;
用电量特征矩阵调整单元,用于基于所述用电量特征矩阵中各个元素的位置信息,对所述用电量特征矩阵中各个元素的特征值进行调整以得到校正后用电量特征矩阵;
融合单元,用于融合所述校正后状态关联特征矩阵和所述校正后用电量特征矩阵以得到分类特征矩阵;以及
分类单元,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待监测楼宇内是否存在用电设备耗电异常。
与现有技术相比,本申请提供的一种楼宇用电非入侵式监测方法及其***,其通过卷积神经网络模型分别对多个用电设备在多个预定时间点的用电量信息构造的用电量输入矩阵和所述多个用电设备在所述多个预定时间点的状态构造的信息状态输入矩阵进行高维特征提取,然后,分别对所述状态关联特征矩阵和所述用电量特征矩阵进行位置提议局部推理,最后,融合所述校正后状态关联特征矩阵和所述校正后用电量特征矩阵以得到分类特征矩阵,并通过分类器以得到用于表示待监测楼宇内是否存在用电设备耗电异常的分类结果,通过这样的方式,以实现对楼宇内用电设备耗电异常的智能监测。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的楼宇用电非入侵式监测方法的应用场景图。
图2图示了根据本申请实施例的楼宇用电非入侵式监测方法的流程图。
图3图示了根据本申请实施例的楼宇用电非入侵式监测方法的***架构的示意图。
图4图示了根据本申请实施例的楼宇用电非入侵式监测方法中,所述基于所述状态关联特征矩阵中各个元素的位置信息,对所述状态关联特征矩阵中各个元素的特征值进行调整以得到校正后状态关联特征矩阵的流程图。
图5图示了根据本申请实施例的楼宇用电非入侵式监测方法的示意图。
图6图示了根据本申请实施例的楼宇用电非入侵式监测方法的框图示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如上所述,近年来,大数据、机器学习和人工智能等技术发展,为构建非侵入式楼宇监测提供了技术支持。因此,期待一种楼宇用电非入侵式监测方案,其能够对楼宇内用电设备的耗电是否异常进行智能监测,以达到能源管理的目的。
具体地,在本申请的技术方案中,可通过待监测楼宇内各个用电设备的用电量信息(例如,绝对用电量信息)来对各个用电设备是否耗电异常进行监测。但在该应用场景中,考虑到待监测楼内各个用电设备之间不是孤立的用电设备,例如,某些用电设备是协同作业的,某些用电设备是间歇性作业,而某些用电设备由于共享电路分支而存在复杂的电性关联。充分挖掘并利用多个用电设备之间的关联信息,可基于多个用电设备的全局来提高耗电异常诊断的精准度。
因此,在本申请的技术方案中,首先获取待监测楼宇内多个用电设备在多个预定时间点的用电量信息。这里,所述用电量信息可以是各个时间点的用电设备的用电功率,也可以是各个时间点的用电设备的耗电量。然后,将所述待监测楼宇内多个用电设备在多个预定时间点的用电量信息进行结构化。在本申请一个具体的示例中,所述结构化的过程包括将各个用电设备在所述多个预定时间点的用电量信息分别排列为行向量,然后,将各个用电设备对应的行向量进行二维排列为用电量输入矩阵。
为了表示待监测楼宇内多个用电设备之间的关联,在本申请实施例中,进一步获取所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息,并将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息结构化为状态输入矩阵。这里,当用电设备在预定时间点的状态为开启状态,则矩阵对应位置的特征值为1,当用电设备在预定时间点的状态为关闭状态,则矩阵对应位置的特征值为0。
为了挖掘楼宇内多个用电设备之间的隐含关联模式,在本申请的技术方案中,首先将所述用电量输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电量特征矩阵。也就是,以卷积神经网络模型作为特征提取器来挖解所述待监测楼宇内多个用电设备在不同时间点的用电量信息之间的关联,同一用电设备在不同时间点的用电量信息之间的关联,以及,不同用电设备在同一时间点的用电量信息之间的关联,以得到所述用电量特征矩阵。
应可以理解,通过多层卷积神经网络提取用电量特征,可以增强网络对用电量特征的提取能力,使用卷积神经网络(Convolutional Neural Networks,CNN)可以减少了的权值的数量使得网络易于优化,也可以降低了过拟合的风险。BP(back propagation)神经网络具有高度自学习和自适应的能力。具有一定的容错能力。
在本申请一个具体的示例中,所述第一卷积神经网络模型使用2×2大小的卷积核,卷积核的深度一般由输入数据集的深度决定。2×2的卷积核对于输入特征的2×2区域进行卷积操作。
之后将卷积层和BN(Batch Normalization)层相融合
对于卷积层:
假设一个卷积核的权重为W,卷积过程就是利用W在其输入feature map中滑窗计算;假设W中一个元素为w,输入的feature map中的一个元素为x,对于w和x的计算过程如下:
yconv=w·x+b
对于BN层:
需要计算一个mini-batch中元素的均值方差,然后对于x需要减去均值除以标准差,最后利用y,β进行仿射变换,即可得到最终的BN输出,具体过程如下:
其中,第一个公式为求均值、第二个公式为求方差、第三个公式为归一化、第四个公式为仿射变换。
卷积层和BN层的融合
我们将卷积公式代入到BN的公式中,有:
令:
则有:
激活层采用线性整流函数(Linear rectification function,Relu)激活。(所谓激活函数,就是在人工神经网络的神经元上运行的函数,负责将神经元的输入映射到输出端。例如,在一个具体示例中,所述非线性激活函数为ReLU激活函数。
同样地,在本申请的技术方案中,以卷积神经网络模型作为特征提取器来捕捉待监测楼宇内多个用电设备的状态信息之间的关联。也就是,将所述状态输入矩阵通过作为特征提取器的第二卷积神经网络以得到状态关联特征矩阵。在本申请一个具体的示例中,所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构。
接着,融合所述用电量特征矩阵和所述状态关联特征矩阵就可以得到包含楼宇内多个用电设备的用电量特征和状态特征的分类特征矩阵;然后,将所述分类特征矩阵通过分类器就可以得到用于表示待监测楼宇内是否存在用电设备耗电异常的分类结果。
特别地,在本申请实施例中,由于2*2的卷积核主要提取矩阵的相邻位置的数值之间的关联特征,因此所述状态关联特征矩阵和所述用电量特征矩阵对于局部的状态关联语义特征和用电量关联语义特征具有较好的表达,但是,其对所有用电设备在所有时间点的状态和用电量的全局关联语义的表达效果较差。
因此,分别对所述状态关联特征矩阵和所述用电量特征矩阵进行位置提议局部推理:
该位置提议局部推理可以使用位置信息(表示源数据的样本-时间属性)作为提议(proposal),来通过卷积层的局部感知场(perceptive filed)对全局场景语义进行推理(reasoning),以全面融合卷积神经网络所捕获的局部语义和进一步衍生全局语义,实现状态关联语义特征和用电量关联语义特征的局部-全局迁移,并实现状态和用电量的全局关联语义的推理预测。这样,提高对待监测楼宇内是否存在用电设备耗电异常的监测精准度。
进一步地,在本申请的技术方案中,还可以对具体某个用电设备进行耗电异常监测。具体地,首先获取所述待监测楼内待监测用电设备在所述多个预定时间点的用电量信息。然后,将所述待监测用电设备在所述多个预定时间点的用电量信息通过包含一维卷积层的时序编码器以得到检测特征向量。也就是,使用包含一维卷积层的时序编码器将所述待监测用电设备在所述多个预定时间点的用电量信息映射到高维特征空间中。接着,将所述检测特征向量作为查询特征向量与所述分类特征矩阵进行矩阵相乘以得到分类特征向量。最终,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测用电设备是否耗电异常。
基于此,本申请提供了一种楼宇用电非入侵式监测方法,其包括:获取待监测楼宇内多个用电设备在多个预定时间点的用电量信息;获取所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息;将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息按照用电设备样本维度和时间维度构造为状态输入矩阵;将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的用电量信息按照用电设备样本维度和时间维度构造为用电量输入矩阵;将所述用电量输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电量特征矩阵;将所述状态输入矩阵通过作为特征提取器的第二卷积神经网络以得到状态关联特征矩阵;基于所述状态关联特征矩阵中各个元素的位置信息,对所述状态关联特征矩阵中各个元素的特征值进行调整以得到校正后状态关联特征矩阵;基于所述用电量特征矩阵中各个元素的位置信息,对所述用电量特征矩阵中各个元素的特征值进行调整以得到校正后用电量特征矩阵;融合所述校正后状态关联特征矩阵和所述校正后用电量特征矩阵以得到分类特征矩阵;以及,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待监测楼宇内是否存在用电设备耗电异常。
图1图示了根据本申请实施例的楼宇用电非入侵式监测方法的应用场景图。如图1所示,在该应用场景中,首先,通过部署在所述待监测楼宇(例如,图1中所示意的B)内各个用电设备(例如,图1中所示意的C)旁的电能量采集装置(例如,图1中所示意的E)采集待监测楼宇内多个用电设备在多个预定时间点的用电量信息,应可以理解,所述用电量信息可以是各个时间点的用电设备的用电功率,也可以是各个时间点的用电设备的耗电量。同时,通过部署在待监测楼宇内各个用电设备旁的检测装置(例如,图1中所示意的D)采集所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息。然后,将采集的所述用电量信息和所述状态信息输入至部署有楼宇用电非入侵式监测算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述楼宇用电非入侵式监测算法对所述用电量信息和所述状态信息进行处理以生成用于表示待监测楼宇内是否存在用电设备耗电异常的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了根据本申请实施例的楼宇用电非入侵式监测方法的流程图。如图2所示,根据本申请实施例的所述楼宇用电非入侵式监测方法,其特征在于,包括:S110,获取待监测楼宇内多个用电设备在多个预定时间点的用电量信息;S120,获取所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息;S130,将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息按照用电设备样本维度和时间维度构造为状态输入矩阵;S140,将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的用电量信息按照用电设备样本维度和时间维度构造为用电量输入矩阵;S150,将所述用电量输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电量特征矩阵;S160,将所述状态输入矩阵通过作为特征提取器的第二卷积神经网络以得到状态关联特征矩阵;S170,基于所述状态关联特征矩阵中各个元素的位置信息,对所述状态关联特征矩阵中各个元素的特征值进行调整以得到校正后状态关联特征矩阵;S180,基于所述用电量特征矩阵中各个元素的位置信息,对所述用电量特征矩阵中各个元素的特征值进行调整以得到校正后用电量特征矩阵;S190,融合所述校正后状态关联特征矩阵和所述校正后用电量特征矩阵以得到分类特征矩阵;以及,S200,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待监测楼宇内是否存在用电设备耗电异常。
图3图示了根据本申请实施例的楼宇用电非入侵式监测方法的***架构的示意图。如图3所示,在本申请实施例的所述楼宇用电非入侵式监测方法的***架构中,首先,获取待监测楼宇内多个用电设备在多个预定时间点的用电量信息,并将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息按照用电设备样本维度和时间维度构造为状态输入矩阵。然后,将所述用电量输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电量特征矩阵,并基于所述用电量特征矩阵中各个元素的位置信息,对所述用电量特征矩阵中各个元素的特征值进行调整以得到校正后用电量特征矩阵。同时,获取所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息,并将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息按照用电设备样本维度和时间维度构造为状态输入矩阵。然后,将所述状态输入矩阵通过作为特征提取器的第二卷积神经网络以得到状态关联特征矩阵,并基于所述状态关联特征矩阵中各个元素的位置信息,对所述状态关联特征矩阵中各个元素的特征值进行调整以得到校正后状态关联特征矩阵。最后,融合所述校正后状态关联特征矩阵和所述校正后用电量特征矩阵以得到分类特征矩阵,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待监测楼宇内是否存在用电设备耗电异常。
在步骤S110中,获取待监测楼宇内多个用电设备在多个预定时间点的用电量信息。如上所述,传统楼宇用电监测通过由人工进行,例如,通过人工查看用电设备的电表来判断用电设备是否耗电异常,但这种巡检方式不仅效率低下,且极大地依赖巡检技术人员的经验。因此,在本申请的技术方案中,期待通过待监测楼宇内各个用电设备的用电量信息(例如,绝对用电量信息)来对各个用电设备是否耗电异常进行智能监测,这本质上是一个分类问题,可以通过特征提取器加分类器的模型架构来解决。也就是,使用特征提取器来提取用电量的变化特征,并将用电量的变化特征通过分类器以得到用于待监测楼宇内是否存在用电设备耗电异常的分类结果。
在本申请一个具体的实施例中,通过部署在所述待监测楼宇内各个用电设备旁的电能量采集装置采集待监测楼宇内多个用电设备在多个预定时间点的用电量信息,应可以理解,所述用电量信息可以是各个时间点的用电设备的用电功率,也可以是各个时间点的用电设备的耗电量。
值得一提的是,在本申请的其他实施例中,所述用电量信息还可以是各个时间点的用电设备的电压电流数据。应可以理解,考虑到采集的电流电压可能是波形图,因此,将采集到的电压电流数据存储在csv文件中,使用pandas读取预先写入csv中的电器数据,将单张表格的数据划分成若干组。每组为一个周期的长度,电压数据为从一个波峰开始的一个正弦波,电流数据为对应时间区间的波形。电器中输入电流可以被细化作两种,一种是不同电器之间电气特性的主要体现,其中包含了电器之间的共有特性,另一种则和噪声相关,其公式为:
i(t)=iwt(t)+ibt(t)
Urms为均方根电压,IPW为瞬时功率波形,其公式为:
在步骤S120中,获取所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息。应可以理解,考虑到待监测楼内各个用电设备之间不是孤立的用电设备,例如,某些用电设备是协同作业的,某些用电设备是间歇性作业,而某些用电设备由于共享电路分支而存在复杂的电性关联。充分挖掘并利用多个用电设备之间的关联信息,可基于多个用电设备的全局来提高耗电异常诊断的精准度。因此,在本申请实施例中,进一步获取获取所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息。
在本申请一个具体的实施例中,通过部署在待监测楼宇内各个用电设备旁的检测装置采集所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息。
在步骤S130中,将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息按照用电设备样本维度和时间维度构造为状态输入矩阵。应可以理解,为了表示待监测楼宇内多个用电设备状态之间的关联,将所述待监测楼宇内多个用电设备在多个预定时间点的用电量信息进行结构化。在本申请一个具体的示例中,所述结构化的过程包括将各个用电设备在所述多个预定时间点的用电量信息分别排列为行向量,然后,将各个用电设备对应的行向量进行二维排列为用电量输入矩阵。
在步骤S140中,将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的用电量信息按照用电设备样本维度和时间维度构造为用电量输入矩阵。应可以理解,为了表示待监测楼宇内多个用电设备用电量之间的关联,在本申请实施例中,将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息结构化为状态输入矩阵。这里,当用电设备在预定时间点的状态为开启状态,则矩阵对应位置的特征值为1,当用电设备在预定时间点的状态为关闭状态,则矩阵对应位置的特征值为0。
在步骤S150中,将所述用电量输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电量特征矩阵。应可以理解,为了挖掘楼宇内多个用电设备用电量之间的隐含关联模式,同时考虑到卷积神经网络在关联特征提取方面具有优异性能表现,在本申请的技术方案中,将所述用电量输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电量特征矩阵。也就是,以卷积神经网络模型作为特征提取器来挖解所述待监测楼宇内多个用电设备在不同时间点的用电量信息之间的关联,同一用电设备在不同时间点的用电量信息之间的关联,以及,不同用电设备在同一时间点的用电量信息之间的关联,以得到所述用电量特征矩阵。
应可以理解,通过多层卷积神经网络提取用电量特征,可以增强网络对用电量特征的提取能力,使用卷积神经网络(Convolutional Neural Networks,CNN)可以减少了的权值的数量使得网络易于优化,也可以降低了过拟合的风险。BP(back propagation)神经网络具有高度自学习和自适应的能力。具有一定的容错能力。
在本申请一个实施例中,所述将所述用电量输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电量特征矩阵,包括:
使用所述作为特征提取器的第一卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理、批标准化处理和非线性激活处理以由所述作为特征提取器的第一卷积神经网络的最后一层输出所述用电量特征矩阵。
在本申请一个具体的示例中,所述第一卷积神经网络模型使用2×2大小的卷积核,卷积核的深度一般由输入数据集的深度决定。2×2的卷积核对于输入特征的2×2区域进行卷积操作。
之后将卷积层和BN(Batch Normalization)层相融合:
对于卷积层:假设一个卷积核的权重为W,卷积过程就是利用W在其输入featuremap中滑窗计算;假设W中一个元素为w,输入的feature map中的一个元素为x,对于w和x的计算过程如下:
yconv=w·x+b
对于BN层:需要计算一个mini-batch中元素的均值方差,然后对于x需要减去均值除以标准差,最后利用y,β进行仿射变换,即可得到最终的BN输出,具体过程如下:
其中,第一个公式为求均值、第二个公式为求方差、第三个公式为归一化、第四个公式为仿射变换。
卷积层和BN层的融合:我们将卷积公式代入到BN的公式中,有:
令:
则有:
激活层采用线性整流函数(Linear rectification function,Relu)激活。(所谓激活函数,就是在人工神经网络的神经元上运行的函数,负责将神经元的输入映射到输出端。例如,在一个具体示例中,所述非线性激活函数为ReLU激活函数。
在步骤S160中,将所述状态输入矩阵通过作为特征提取器的第二卷积神经网络以得到状态关联特征矩阵。应可以理解,为了挖掘楼宇内多个用电设备状态之间的隐含关联模式,同时考虑到卷积神经网络在关联特征提取方面具有优异性能表现,因此,在本申请的技术方案中,以卷积神经网络模型作为特征提取器来捕捉待监测楼宇内多个用电设备的状态信息之间的关联。也就是,将所述状态输入矩阵通过作为特征提取器的第二卷积神经网络以得到状态关联特征矩阵。
在本申请一个具体的实施例中,所述将所述状态输入矩阵通过作为特征提取器的第二卷积神经网络以得到状态关联特征矩阵,包括:
使用所述作为特征提取器的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理、批标准化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络的最后一层输出所述状态关联特征矩阵。
在本申请一个具体的示例中,所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构。
接着,融合所述用电量特征矩阵和所述状态关联特征矩阵就可以得到包含楼宇内多个用电设备的用电量特征和状态特征的分类特征矩阵;然后,将所述分类特征矩阵通过分类器就可以得到用于表示待监测楼宇内是否存在用电设备耗电异常的分类结果。
特别地,在本申请实施例中,由于2*2的卷积核主要提取矩阵的相邻位置的数值之间的关联特征,因此所述状态关联特征矩阵和所述用电量特征矩阵对于局部的状态关联语义特征和用电量关联语义特征具有较好的表达,但是,其对所有用电设备在所有时间点的状态和用电量的全局关联语义的表达效果较差。因此,分别对所述状态关联特征矩阵和所述用电量特征矩阵进行位置提议局部推理。
在步骤S170中,基于所述状态关联特征矩阵中各个元素的位置信息,对所述状态关联特征矩阵中各个元素的特征值进行调整以得到校正后状态关联特征矩阵。
图4图示了根据本申请实施例的楼宇用电非入侵式监测方法中,所述基于所述状态关联特征矩阵中各个元素的位置信息,对所述状态关联特征矩阵中各个元素的特征值进行调整以得到校正后状态关联特征矩阵的流程图。如图4所示,在本申请一个具体的实施例中,所述基于所述状态关联特征矩阵中各个元素的位置信息,对所述状态关联特征矩阵中各个元素的特征值进行调整以得到校正后状态关联特征矩阵,包括:S210,使用位置信息映射函数将所述状态关联特征矩阵中各个元素的位置信息映射为一维数值以得到位置特征矩阵,其中,所述状态关联特征矩阵中各个元素的位置信息为二维位置坐标;S220,对所述状态关联特征矩阵进行卷积处理以得到卷积状态关联特征矩阵;S230,计算所述卷积状态关联特征矩阵与所述状态关联特征矩阵的转置矩阵的按位置点加以得到全局感知矩阵;S240,对所述全局感知矩阵进行卷积处理以得到全局感知特征矩阵;以及,S250,计算所述位置特征矩阵和所述全局感知特征矩阵的按位置点乘以得到所述校正后状态关联特征矩阵。
在本申请一个具体的实施例中,所述使用位置信息映射函数将所述状态关联特征矩阵中各个元素的位置信息映射为一维数值以得到位置特征矩阵,包括:以如下公式将所述状态关联特征矩阵中各个元素的位置信息映射为一维数值以得到位置特征矩阵,
其中,所述公式为:
在步骤S180中,基于所述用电量特征矩阵中各个元素的位置信息,对所述用电量特征矩阵中各个元素的特征值进行调整以得到校正后用电量特征矩阵。
在本申请一个具体的实施例中,所述基于所述用电量特征矩阵中各个元素的位置信息,对所述用电量特征矩阵中各个元素的特征值进行调整以得到校正后用电量特征矩阵,包括:以如下公式对所述用电量特征矩阵中各个元素的特征值进行调整以得到校正后用电量特征矩阵;
其中,所述公式为:
该位置提议局部推理可以使用位置信息(表示源数据的样本-时间属性)作为提议(proposal),来通过卷积层的局部感知场(perceptive filed)对全局场景语义进行推理(reasoning),以全面融合卷积神经网络所捕获的局部语义和进一步衍生全局语义,实现状态关联语义特征和用电量关联语义特征的局部-全局迁移,并实现状态和用电量的全局关联语义的推理预测。这样,提高对待监测楼宇内是否存在用电设备耗电异常的监测精准度。
在步骤S190中,融合所述校正后状态关联特征矩阵和所述校正后用电量特征矩阵以得到分类特征矩阵。应可以理解,为了引入多个用电设备的状态之间的关联特征并进行高维空间的特征融合,从而加强分类特征矩阵的表征能力,需要以矩阵相乘的方式将所述校正后状态关联特征矩阵的高维隐含关联信息映射到所述校正后用电量特征矩阵所在的高维特征空间中以得到包含多个设备用电量的高维隐含关联信息和多个设备状态的隐含关联信息的分类特征矩阵。
在本申请一个具体的实施例中,所述融合所述校正后状态关联特征矩阵和所述校正后用电量特征矩阵以得到分类特征矩阵,包括:以如下公式融合所述校正后状态关联特征矩阵和所述校正后用电量特征矩阵以得到分类特征矩阵;
其中,M1′是所述位置特征矩阵,M2′是所述校正后用电量特征矩阵,且M3是所述分类特征矩阵。
在步骤S200中,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待监测楼宇内是否存在用电设备耗电异常。
在本申请一个具体的实施例中,所述将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待监测楼宇内是否存在用电设备故障,包括:使用所述分类器以如下公式对所述分类特征矩阵进行处理以得到所述分类结果;
其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(M)},其中Project(M)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
在本申请一个具体的实施例中,当分类结果为待监测楼宇内存在用电设备耗电异常,可以启动报警器,通过报警器提醒工作人员或者住户及时检查用电器是否存在老化或者损坏的情况。从而确保楼宇用电***能够稳定运行并避免不必要的能源损耗。
值得一提的是,在本申请的其他实施例中,还可以对具体某个用电设备进行耗电异常监测。图5图示了根据本申请实施例的楼宇用电非入侵式监测方法的示意图。如图5所示,所述楼宇用电非入侵式监测方法,进一步包括:S310,获取所述待监测楼内待监测用电设备在所述多个预定时间点的用电量信息;S320,将所述待监测用电设备在所述多个预定时间点的用电量信息通过包含一维卷积层的时序编码器以得到检测特征向量;S330,将所述检测特征向量作为查询特征向量与所述分类特征矩阵进行矩阵相乘以得到分类特征向量;以及,S340,将所述分类特征向量通过所述分类器以得到分类结果,所述分类结果用于表示待监测用电设备是否耗电异常。
综上,基于本申请实施例的所述楼宇用电非入侵式监测方法,其通过卷积神经网络模型分别对多个用电设备在多个预定时间点的用电量信息构造的用电量输入矩阵和所述多个用电设备在所述多个预定时间点的状态构造的信息状态输入矩阵进行高维特征提取,然后,分别对所述状态关联特征矩阵和所述用电量特征矩阵进行位置提议局部推理,最后,融合所述校正后状态关联特征矩阵和所述校正后用电量特征矩阵以得到分类特征矩阵,并通过分类器以得到用于表示待监测楼宇内是否存在用电设备耗电异常的分类结果,通过这样的方式,以实现对楼宇内用电设备耗电异常的智能监测。
示例性***
图6图示了根据本申请实施例的楼宇用电非入侵式监测***的框图示意图。如图6所示,根据本申请实施例的所述楼宇用电非入侵式监测***100,其特征在于,包括:用电量信息获取单元110,用于获取待监测楼宇内多个用电设备在多个预定时间点的用电量信息;状态信息获取单元120,用于获取所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息;状态输入矩阵构造单元130,用于将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息按照用电设备样本维度和时间维度构造为状态输入矩阵;用电量输入矩阵构造单元140,用于将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的用电量信息按照用电设备样本维度和时间维度构造为用电量输入矩阵;第一卷积单元150,用于将所述用电量输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电量特征矩阵;第二卷积单元160,用于将所述状态输入矩阵通过作为特征提取器的第二卷积神经网络以得到状态关联特征矩阵;状态关联特征矩阵调整单元170,用于基于所述状态关联特征矩阵中各个元素的位置信息,对所述状态关联特征矩阵中各个元素的特征值进行调整以得到校正后状态关联特征矩阵;用电量特征矩阵调整单元180,用于基于所述用电量特征矩阵中各个元素的位置信息,对所述用电量特征矩阵中各个元素的特征值进行调整以得到校正后用电量特征矩阵;融合单元190,用于融合所述校正后状态关联特征矩阵和所述校正后用电量特征矩阵以得到分类特征矩阵;以及,分类单元200,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待监测楼宇内是否存在用电设备耗电异常。
这里,本领域技术人员可以理解,上述楼宇用电非入侵式监测***中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的楼宇用电非入侵式监测方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的所述楼宇用电非入侵式监测***100可以实现在各种终端设备中,例如部署有楼宇用电非入侵式监测算法的服务器等。在一个示例中,根据楼宇用电非入侵式监测***100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该楼宇用电非入侵式监测***100可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该楼宇用电非入侵式监测***100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该楼宇用电非入侵式监测***100与该终端设备也可以是分立的设备,并且楼宇用电非入侵式监测***100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于多源异质信息融合的设备故障诊断方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于多源异质信息融合的设备故障诊断方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
Claims (10)
1.一种楼宇用电非入侵式监测方法,其特征在于,包括:
获取待监测楼宇内多个用电设备在多个预定时间点的用电量信息;
获取所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息;
将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息按照用电设备样本维度和时间维度构造为状态输入矩阵;
将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的用电量信息按照用电设备样本维度和时间维度构造为用电量输入矩阵;
将所述用电量输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电量特征矩阵;
将所述状态输入矩阵通过作为特征提取器的第二卷积神经网络以得到状态关联特征矩阵;
基于所述状态关联特征矩阵中各个元素的位置信息,对所述状态关联特征矩阵中各个元素的特征值进行调整以得到校正后状态关联特征矩阵;
基于所述用电量特征矩阵中各个元素的位置信息,对所述用电量特征矩阵中各个元素的特征值进行调整以得到校正后用电量特征矩阵;
融合所述校正后状态关联特征矩阵和所述校正后用电量特征矩阵以得到分类特征矩阵;以及
将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待监测楼宇内是否存在用电设备耗电异常。
2.根据权利要求1所述的楼宇用电非入侵式监测方法,其特征在于,所述将所述用电量输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电量特征矩阵,包括:
使用所述作为特征提取器的第一卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理、批标准化处理和非线性激活处理以由所述作为特征提取器的第一卷积神经网络的最后一层输出所述用电量特征矩阵。
3.根据权利要求2所述的楼宇用电非入侵式监测方法,其特征在于,所述将所述状态输入矩阵通过作为特征提取器的第二卷积神经网络以得到状态关联特征矩阵,包括:
使用所述作为特征提取器的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理、批标准化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络的最后一层输出所述状态关联特征矩阵。
4.根据权利要求3所述的楼宇用电非入侵式监测方法,其特征在于,所述基于所述状态关联特征矩阵中各个元素的位置信息,对所述状态关联特征矩阵中各个元素的特征值进行调整以得到校正后状态关联特征矩阵,包括:
使用位置信息映射函数将所述状态关联特征矩阵中各个元素的位置信息映射为一维数值以得到位置特征矩阵,其中,所述状态关联特征矩阵中各个元素的位置信息为二维位置坐标;
对所述状态关联特征矩阵进行卷积处理以得到卷积状态关联特征矩阵;
计算所述卷积状态关联特征矩阵与所述状态关联特征矩阵的转置矩阵的按位置点加以得到全局感知矩阵;
对所述全局感知矩阵进行卷积处理以得到全局感知特征矩阵;以及
计算所述位置特征矩阵和所述全局感知特征矩阵的按位置点乘以得到所述校正后状态关联特征矩阵。
8.根据权利要求7所述的楼宇用电非入侵式监测方法,其特征在于,所述将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待监测楼宇内是否存在用电设备故障,包括:使用所述分类器以如下公式对所述分类特征矩阵进行处理以得到所述分类结果;
其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(M)},其中Project(M)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
9.根据权利要求1所述的楼宇用电非入侵式监测方法,其特征在于,所述楼宇用电非入侵式监测方法,进一步包括:
获取所述待监测楼内待监测用电设备在所述多个预定时间点的用电量信息;
将所述待监测用电设备在所述多个预定时间点的用电量信息通过包含一维卷积层的时序编码器以得到检测特征向量;
将所述检测特征向量作为查询特征向量与所述分类特征矩阵进行矩阵相乘以得到分类特征向量;以及
将所述分类特征向量通过所述分类器以得到分类结果,所述分类结果用于表示待监测用电设备是否耗电异常。
10.一种楼宇用电非入侵式监测***,其特征在于,包括:
用电量信息获取单元,用于获取待监测楼宇内多个用电设备在多个预定时间点的用电量信息;
状态信息获取单元,用于获取所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息;
状态输入矩阵构造单元,用于将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的状态信息按照用电设备样本维度和时间维度构造为状态输入矩阵;
用电量输入矩阵构造单元,用于将所述待监测楼宇内所述多个用电设备在所述多个预定时间点的用电量信息按照用电设备样本维度和时间维度构造为用电量输入矩阵;
第一卷积单元,用于将所述用电量输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电量特征矩阵;
第二卷积单元,用于将所述状态输入矩阵通过作为特征提取器的第二卷积神经网络以得到状态关联特征矩阵;
状态关联特征矩阵校正单元,用于基于所述状态关联特征矩阵中各个元素的位置信息,对所述状态关联特征矩阵中各个元素的特征值进行调整以得到校正后状态关联特征矩阵;
用电量特征矩阵调整单元,用于基于所述用电量特征矩阵中各个元素的位置信息,对所述用电量特征矩阵中各个元素的特征值进行调整以得到校正后用电量特征矩阵;
融合单元,用于融合所述校正后状态关联特征矩阵和所述校正后用电量特征矩阵以得到分类特征矩阵;以及
分类单元,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待监测楼宇内是否存在用电设备耗电异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210939815.0A CN115293265A (zh) | 2022-08-05 | 2022-08-05 | 楼宇用电非入侵式监测方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210939815.0A CN115293265A (zh) | 2022-08-05 | 2022-08-05 | 楼宇用电非入侵式监测方法及其*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115293265A true CN115293265A (zh) | 2022-11-04 |
Family
ID=83828520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210939815.0A Withdrawn CN115293265A (zh) | 2022-08-05 | 2022-08-05 | 楼宇用电非入侵式监测方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293265A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759658A (zh) * | 2022-11-24 | 2023-03-07 | 浙江智慧信息产业有限公司 | 适用于智慧城市的企业能耗数据管理*** |
-
2022
- 2022-08-05 CN CN202210939815.0A patent/CN115293265A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759658A (zh) * | 2022-11-24 | 2023-03-07 | 浙江智慧信息产业有限公司 | 适用于智慧城市的企业能耗数据管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
James et al. | Intelligent time-adaptive transient stability assessment system | |
Bhotto et al. | Load disaggregation based on aided linear integer programming | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及*** | |
Martins et al. | Application of a deep learning generative model to load disaggregation for industrial machinery power consumption monitoring | |
Zhu et al. | Networked time series shapelet learning for power system transient stability assessment | |
CN112598303A (zh) | 基于1d卷积神经网络和lstm结合的非侵入式负荷分解方法 | |
TW202010243A (zh) | 太陽能光電故障檢測系統及方法 | |
CN113408341B (zh) | 负荷识别方法、装置、计算机设备和存储介质 | |
CN115293265A (zh) | 楼宇用电非入侵式监测方法及其*** | |
CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断***及其方法 | |
CN111900717B (zh) | 一种含高维随机变量的交直流混联电网运行风险评估方法 | |
Zu et al. | A simple gated recurrent network for detection of power quality disturbances | |
CN112365090A (zh) | 一种基于深度学习的非入侵式用电负荷识别方法及装置 | |
Chakraborty et al. | Stochastic virtual battery modeling of uncertain electrical loads using variational autoencoder | |
Bhuiyan et al. | A deep learning through DBN enabled transmission line fault transient classification framework for multimachine microgrid systems | |
Gnetchejo et al. | Faults diagnosis in a photovoltaic system based on multivariate statistical analysis | |
CN116247824B (zh) | 电力设备的控制方法及其*** | |
JP2012159896A (ja) | 監視装置及び監視方法 | |
KR20220015233A (ko) | 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템 및 방법 | |
Mingsheng et al. | A fault diagnosis model for complex industrial process based on improved TCN and 1D CNN | |
Wang et al. | Real-time fault diagnosis method for low-voltage power line carrier communication network based on network topology | |
CN113570473B (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
CN115034472A (zh) | 一种分布式光伏运行智能预测管理*** | |
Li et al. | A fusion framework using integrated neural network model for non-intrusive load monitoring | |
Falih et al. | Exploring the potential of deep learning in smart grid: Addressing power load prediction and system fault diagnosis challenges |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221104 |