CN115759658B - 适用于智慧城市的企业能耗数据管理*** - Google Patents
适用于智慧城市的企业能耗数据管理*** Download PDFInfo
- Publication number
- CN115759658B CN115759658B CN202211480976.4A CN202211480976A CN115759658B CN 115759658 B CN115759658 B CN 115759658B CN 202211480976 A CN202211480976 A CN 202211480976A CN 115759658 B CN115759658 B CN 115759658B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- scale
- feature
- power
- enterprise
- 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.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 292
- 238000013523 data management Methods 0.000 title claims abstract description 59
- 238000000605 extraction Methods 0.000 claims abstract description 71
- 238000007726 management method Methods 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims description 140
- 239000011159 matrix material Substances 0.000 claims description 74
- 238000013527 convolutional neural network Methods 0.000 claims description 70
- 238000000034 method Methods 0.000 claims description 29
- 238000010586 diagram Methods 0.000 claims description 26
- 230000004927 fusion Effects 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 20
- 230000008859 change Effects 0.000 abstract description 13
- 238000013135 deep learning Methods 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 23
- 238000012545 processing Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003058 natural language processing Methods 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
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及智慧城市领域，其具体地公开了一种适用于智慧城市的企业能耗数据管理***，其通过采用基于深度学习的人工智能检测算法来提取出企业中各个用电设备的能耗功率在时间维度上的多尺度动态关联特征，并考虑到所述各个用电设备之间的能耗功率也具有着关联性关系，因此进一步利用具有不同感受野的网络模型来进行所述各个用电设备之间的能耗变化特征的多尺度关联特征提取，并以此来进行企业的能耗检测。这样，能够准确地对于企业能耗是否正常进行智能检测，进而实施相应的能耗管理，以提高智慧城市能源利用效率。
Description
技术领域
本申请涉及智慧城市领域，且更为具体地，涉及一种适用于智慧城市的企业能耗数据管理***。
背景技术
智慧城市建设是未来城市发展的重要趋势，是城市可持续发展的必然要求。对企业进行能耗数据的管理可以提高智慧城市能源利用效率。
现有的企业能耗管理***，通常是简单的能耗总值监控，例如，设定预定阈值来判断企业能耗是否正常，这种企业能耗管理模式过于简单，且不符合实际企业能耗使用情况，其原因为企业能耗使用量本身会随着时间和业务状况发生变化，简单的阈值参考并不能满足企业能耗管理需求。
因此，期待一种优化的适用于智慧城市的企业能耗数据管理方案。
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适用于智慧城市的企业能耗数据管理***，其通过采用基于深度学习的人工智能检测算法来提取出企业中各个用电设备的能耗功率在时间维度上的多尺度动态关联特征，并考虑到所述各个用电设备之间的能耗功率也具有着关联性关系，因此进一步利用具有不同感受野的网络模型来进行所述各个用电设备之间的能耗变化特征的多尺度关联特征提取，并以此来进行企业的能耗检测。这样，能够准确地对于企业能耗是否正常进行智能检测，进而实施相应的能耗管理，以提高智慧城市能源利用效率。
根据本申请的一个方面，提供了一种适用于智慧城市的企业能耗数据管理***，其包括：
能耗数据采集模块，用于获取待检测企业的所有用电设备在预定时间段内多个预定时间点的能耗功率值；
设备能耗特征提取模块，用于将所述各个用电设备在预定时间段内多个预定时间点的能耗功率值分别排列为功率输入向量后通过多尺度邻域特征提取模块以得到多个功率特征向量；
设备间关联特征提取模块，用于将所述多个功率特征向量进行二维排列为全局功率特征矩阵后通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一尺度能耗关联特征图和第二尺度能耗关联特征图，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野；
特征融合模块，用于融合所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图以得到分类特征图；以及
管理结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测企业的能耗是否正常。
在上述适用于智慧城市的企业能耗数据管理***中，所述设备能耗特征提取模块，包括：第一尺度特征提取单元，用于将所述功率输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度功率特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度特征提取单元，用于将所述功率输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度功率特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联单元，用于将所述第一邻域尺度功率特征向量和所述第二邻域尺度功率特征向量进行级联以得到所述多个功率特征向量。
在上述适用于智慧城市的企业能耗数据管理***中，第一尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述功率输入向量进行一维卷积编码以得到第一邻域尺度功率特征向量；其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述功率输入向量。第二尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述功率输入向量进行一维卷积编码以得到所述第二邻域尺度功率特征向量；其中，所述公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述功率输入向量。
在上述适用于智慧城市的企业能耗数据管理***中，所述第一卷积神经网络使用具有第一尺度的第一卷积核，所述第二卷积神经网络使用具有第二尺度的第二卷积核，其中，所述第一尺度不同于所述第二尺度。
在上述适用于智慧城市的企业能耗数据管理***中，所述第一卷积神经网络使用具有第一空洞率的第一空洞卷积核，所述第二卷积神经网络使用具有第二空洞率的第二空洞卷积核，其中，所述第一空洞率不同于所述第二空洞率，所述第一空洞卷积核和所述第二空洞卷积核具有相同的尺寸。
在上述适用于智慧城市的企业能耗数据管理***中，所述特征融合模块，进一步用于：以如下公式融合所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图以得到所述分类特征图；其中，所述公式为：
其中M1i和M2i分别为所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图的第i个特征矩阵通过线性变换得到的对角矩阵，Mci是所述分类特征图的第i个特征矩阵，ReLU(·)表示ReLU激活函数，表示矩阵相乘，且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
在上述适用于智慧城市的企业能耗数据管理***中，所述管理结果生成模块，包括：展开单元，用于将所述分类特征图基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种适用于智慧城市的企业能耗数据管理方法，其包括：
获取待检测企业的所有用电设备在预定时间段内多个预定时间点的能耗功率值；
将所述各个用电设备在预定时间段内多个预定时间点的能耗功率值分别排列为功率输入向量后通过多尺度邻域特征提取模块以得到多个功率特征向量；
将所述多个功率特征向量进行二维排列为全局功率特征矩阵后通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一尺度能耗关联特征图和第二尺度能耗关联特征图，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野；
融合所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图以得到分类特征图；以及
将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测企业的能耗是否正常。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的适用于智慧城市的企业能耗数据管理方法。
根据本申请的又一方面，提供了一种计算机可读介质，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如上所述的适用于智慧城市的企业能耗数据管理方法。
与现有技术相比，本申请提供的一种适用于智慧城市的企业能耗数据管理***，其通过采用基于深度学习的人工智能检测算法来提取出企业中各个用电设备的能耗功率在时间维度上的多尺度动态关联特征，并考虑到所述各个用电设备之间的能耗功率也具有着关联性关系，因此进一步利用具有不同感受野的网络模型来进行所述各个用电设备之间的能耗变化特征的多尺度关联特征提取，并以此来进行企业的能耗检测。这样，能够准确地对于企业能耗是否正常进行智能检测，进而实施相应的能耗管理，以提高智慧城市能源利用效率。
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为根据本申请实施例的适用于智慧城市的企业能耗数据管理***的应用场景图；
图2为根据本申请实施例的适用于智慧城市的企业能耗数据管理***的框图；
图3为根据本申请实施例的适用于智慧城市的企业能耗数据管理***的***架构图；
图4为根据本申请实施例的适用于智慧城市的企业能耗数据管理***中设备能耗特征提取模块的框图；
图5为根据本申请实施例的适用于智慧城市的企业能耗数据管理***中管理结果生成模块的框图；
图6为根据本申请实施例的适用于智慧城市的企业能耗数据管理方法的流程图；
图7为根据本申请实施例的电子设备的框图。
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
如前背景技术所言，智慧城市建设是未来城市发展的重要趋势，是城市可持续发展的必然要求。对企业进行能耗数据的管理可以提高智慧城市能源利用效率。
现有的企业能耗管理***，通常是简单的能耗总值监控，例如，设定预定阈值来判断企业能耗是否正常，这种企业能耗管理模式过于简单，且不符合实际企业能耗使用情况，其原因为企业能耗使用量本身会随着时间和业务状况发生变化，简单的阈值参考并不能满足企业能耗管理需求。因此，期待一种优化的适用于智慧城市的企业能耗数据管理方案。
目前，深度学***。
近年来，深度学习以及神经网络的发展为智慧城市的企业能耗数据管理提供了新的解决思路和方案。
相应地，由于现有的企业能耗管理***，通常是简单的对于能耗总值的监控以检测企业能耗是否正常，考虑到企业能耗使用量本身会随着时间和业务状况发生变化，因此这种对于企业能耗的检测方式并不能够满足现有的管理需求。基于此，在本申请的技术方案中，采用基于深度学习的人工智能检测算法来提取出企业中各个用电设备的能耗功率在时间维度上的多尺度动态关联特征，并考虑到所述各个用电设备之间的能耗功率也具有着关联性关系，因此进一步利用具有不同感受野的网络模型来进行所述各个用电设备之间的能耗变化特征的多尺度关联特征提取，并以此来进行企业的能耗检测。这样，能够准确地对于企业能耗是否正常进行智能检测，进而实施相应的能耗管理，以提高智慧城市能源利用效率。
具体地，在本申请的技术方案中，首先，获取待检测企业的所有用电设备在预定时间段内多个预定时间点的能耗功率值。接着，考虑到所述所有用电设备中的各个用电设备的能耗功率值在不同的时间跨度周期下具有不同的模式变化特征，因此，进一步将所述各个用电设备在预定时间段内多个预定时间点的能耗功率值分别排列为功率输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述各个用电设备的能耗功率在不同时间跨度下的动态多尺度邻域关联特征，从而得到多个功率特征向量。
进一步地，考虑到在实际对于企业的所有用电设备的各个用电设备的能耗进行检测时，由于所述各个用电设备之间会相互协同来进行相应的作业，因此所述各个用电设备的能耗功率之间也会有着相应的关联性关系。因此，在本申请的技术方案中，进一步将所述多个功率特征向量进行二维排列为全局功率特征矩阵以整合所述各个用电设备的能耗功率的动态多尺度邻域关联特征信息后，将其通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型中进行特征挖掘，以提取出所述各个用电设备的能耗功率值的动态变化特征的多尺度关联特征信息，即所述各个用电设备中某几个用电设备的能耗功率动态特征的关联性特征分布信息，从而得到第一尺度能耗关联特征图和第二尺度能耗关联特征图。特别地，这里，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野。相应地，在本申请的一个具体示例中，所述第一卷积神经网络可以使用具有第一尺度的第一卷积核，所述第二卷积神经网络使用具有第二尺度的第二卷积核，其中，所述第一尺度不同于所述第二尺度。并且，在本申请的另一个具体示例中，所述第一卷积神经网络还可以使用具有第一空洞率的第一空洞卷积核，所述第二卷积神经网络使用具有第二空洞率的第二空洞卷积核，其中，所述第一空洞率不同于所述第二空洞率，所述第一空洞卷积核和所述第二空洞卷积核具有相同的尺寸。这样，可以利用多尺度的特征感受野来对于所述多个用电设备中特定的相互协同工作的用电设备的能耗功率的动态特征进行多尺度的关联特征提取，以此来提高后续对于企业能耗检测的准确性。
然后，融合所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图以得到分类特征图，以此来表示所述各个用电设备的能耗功率的多尺度动态关联特征，即包含有所述各个用电设备之间协同工作的关联性的所述待检测企业整体的能耗功率动态特征信息，并以此来通过分类器中进行分类处理，以得到用于表示待检测企业的能耗是否正常的分类结果。这样，能够准确地对于所述待检测企业能耗是否正常进行智能检测，进而实施相应的能耗管理，以提高智慧城市能源利用效率。
特别地，在本申请的技术方案中，由于通过多尺度邻域特征提取模块得到的所述功率特征向量包含时序维度下的多尺度功率关联特征，使得在二维排列为全局功率特征矩阵之后，所述全局功率特征矩阵包含的关联尺度在排列的各个功率特征向量之间的交错分布会在所述第一卷积神经网络和所述第二卷积神经网络的不同感受野的特征提取下向不同特征分布方向迁移，从而在所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图的沿通道维度排列的特征矩阵之间存在相应位置之间的负相关关系，从而影响所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图的融合效果。
因此，本申请的申请人采用全正投影非线性重加权的方式对所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图的对应的特征矩阵进行融合，表示为：
M1i和M2i分别为第一尺度能耗关联特征图和所述第二尺度能耗关联特征图的第i个特征矩阵通过线性变换得到的对角矩阵，Mci是所述分类特征图的第i个特征矩阵，且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除。
这里，所述全正投影非线性重加权通过ReLU函数来保证投影的全正以避免聚合负相关的信息，并同时引入非线性重加权机制来相对于彼此聚集所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图的对应的特征矩阵的特征值分布，以使得所述分类特征图的相应的特征矩阵的内在结构能够惩罚远距离连接而加强局部性耦合。这样，就实现了所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图的对应的特征矩阵在高维特征空间内的与全正投影重加权对应的空间特征变换的协同效果，也就提升了所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图的融合效果，进而提高分类的准确性。这样，能够准确智能地对于企业能耗进行检测，进而对于检测结果实施相应的能耗管理，以提高智慧城市能源利用效率。
基于此，本申请提出了一种适用于智慧城市的企业能耗数据管理***，其包括：能耗数据采集模块，用于获取待检测企业的所有用电设备在预定时间段内多个预定时间点的能耗功率值；设备能耗特征提取模块，用于将所述各个用电设备在预定时间段内多个预定时间点的能耗功率值分别排列为功率输入向量后通过多尺度邻域特征提取模块以得到多个功率特征向量；设备间关联特征提取模块，用于将所述多个功率特征向量进行二维排列为全局功率特征矩阵后通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一尺度能耗关联特征图和第二尺度能耗关联特征图，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野；特征融合模块，用于融合所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图以得到分类特征图；以及，管理结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测企业的能耗是否正常。
图1为根据本申请实施例的适用于智慧城市的企业能耗数据管理***的应用场景图。如图1所示，在该应用场景中，通过能耗功率计(例如，如图1中所示意的P)获取待检测企业的所有用电设备在预定时间段内多个预定时间点的能耗功率值。接着，将上述数据输入至部署有用于适用于智慧城市的企业能耗数据管理算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述适用于智慧城市的企业能耗数据管理算法对上述输入的数据进行处理，以生成用于表示待检测企业的能耗是否正常的分类结果。
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***
图2为根据本申请实施例的适用于智慧城市的企业能耗数据管理***的框图。如图2所示，根据本申请实施例的适用于智慧城市的企业能耗数据管理***300包括：能耗数据采集模块310；设备能耗特征提取模块320；设备间关联特征提取模块330；特征融合模块340；以及，管理结果生成模块350。
其中，所述能耗数据采集模块310，用于获取待检测企业的所有用电设备在预定时间段内多个预定时间点的能耗功率值；所述设备能耗特征提取模块320，用于将所述各个用电设备在预定时间段内多个预定时间点的能耗功率值分别排列为功率输入向量后通过多尺度邻域特征提取模块以得到多个功率特征向量；所述设备间关联特征提取模块330，用于将所述多个功率特征向量进行二维排列为全局功率特征矩阵后通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一尺度能耗关联特征图和第二尺度能耗关联特征图，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野；所述特征融合模块340，用于融合所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图以得到分类特征图；以及，所述管理结果生成模块350，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测企业的能耗是否正常。
图3为根据本申请实施例的适用于智慧城市的企业能耗数据管理***的***架构图。如图3所示，在所述适用于智慧城市的企业能耗数据管理***300的***架构中，首先通过所述能耗数据采集模块310获取待检测企业的所有用电设备在预定时间段内多个预定时间点的能耗功率值；所述设备能耗特征提取模块320将所述能耗数据采集模块310获取的各个用电设备在预定时间段内多个预定时间点的能耗功率值分别排列为功率输入向量后通过多尺度邻域特征提取模块以得到多个功率特征向量；接着，所述设备间关联特征提取模块330将所述设备能耗特征提取模块320得到的多个功率特征向量进行二维排列为全局功率特征矩阵后通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一尺度能耗关联特征图和第二尺度能耗关联特征图，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野；然后，所述特征融合模块340融合所述设备间关联特征提取模块330得到的所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图以得到分类特征图；进而，所述管理结果生成模块350将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测企业的能耗是否正常。
具体地，在所述适用于智慧城市的企业能耗数据管理***300的运行过程中，所述能耗数据采集模块310，用于获取待检测企业的所有用电设备在预定时间段内多个预定时间点的能耗功率值。应可以理解，现有的企业能耗管理***，通常是简单的对于能耗总值的监控以检测企业能耗是否正常，考虑到企业能耗使用量本身会随着时间和业务状况发生变化，因此，在本申请的技术方案中，采用基于深度学习的人工智能检测算法来提取出企业中各个用电设备的能耗功率在时间维度上的多尺度动态关联特征，并考虑到所述各个用电设备之间的能耗功率也具有着关联性关系，因此进一步利用具有不同感受野的网络模型来进行所述各个用电设备之间的能耗变化特征的多尺度关联特征提取，并以此来进行企业的能耗检测。在本申请的一个具体示例中，可通过能耗功率计来获取待检测企业的所有用电设备在预定时间段内多个预定时间点的能耗功率值。
具体地，在所述适用于智慧城市的企业能耗数据管理***300的运行过程中，所述设备能耗特征提取模块320，用于将所述各个用电设备在预定时间段内多个预定时间点的能耗功率值分别排列为功率输入向量后通过多尺度邻域特征提取模块以得到多个功率特征向量。考虑到所述所有用电设备中的各个用电设备的能耗功率值在不同的时间跨度周期下具有不同的模式变化特征，因此，进一步将所述各个用电设备在预定时间段内多个预定时间点的能耗功率值分别排列为功率输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述各个用电设备的能耗功率在不同时间跨度下的动态多尺度邻域关联特征，从而得到多个功率特征向量。
图4为根据本申请实施例的适用于智慧城市的企业能耗数据管理***中设备能耗特征提取模块的框图。如图4所示，所述设备能耗特征提取模块320，包括：第一尺度特征提取单元321，用于将所述功率输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度功率特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度特征提取单元322，用于将所述功率输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度功率特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联单元323，用于将所述第一邻域尺度功率特征向量和所述第二邻域尺度功率特征向量进行级联以得到所述多个功率特征向量。其中，所述将所述功率输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度功率特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述功率输入向量进行一维卷积编码以得到第一邻域尺度功率特征向量；
其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述功率输入向量。以及，所述将所述功率输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度功率特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述功率输入向量进行一维卷积编码以得到所述第二邻域尺度功率特征向量；
其中，所述公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述功率输入向量。
具体地，在所述适用于智慧城市的企业能耗数据管理***300的运行过程中，所述设备间关联特征提取模块330，用于将所述多个功率特征向量进行二维排列为全局功率特征矩阵后通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一尺度能耗关联特征图和第二尺度能耗关联特征图，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野。考虑到在实际对于企业的所有用电设备的各个用电设备的能耗进行检测时，由于所述各个用电设备之间会相互协同来进行相应的作业，因此所述各个用电设备的能耗功率之间也会有着相应的关联性关系。因此，在本申请的技术方案中，进一步将所述多个功率特征向量进行二维排列为全局功率特征矩阵以整合所述各个用电设备的能耗功率的动态多尺度邻域关联特征信息后，将其通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型中进行特征挖掘，以提取出所述各个用电设备的能耗功率值的动态变化特征的多尺度关联特征信息，即所述各个用电设备中某几个用电设备的能耗功率动态特征的关联性特征分布信息，从而得到第一尺度能耗关联特征图和第二尺度能耗关联特征图。特别地，这里，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野。相应地，在本申请的一个具体示例中，所述第一卷积神经网络可以使用具有第一尺度的第一卷积核，所述第二卷积神经网络使用具有第二尺度的第二卷积核，其中，所述第一尺度不同于所述第二尺度。并且，在本申请的另一个具体示例中，所述第一卷积神经网络还可以使用具有第一空洞率的第一空洞卷积核，所述第二卷积神经网络使用具有第二空洞率的第二空洞卷积核，其中，所述第一空洞率不同于所述第二空洞率，所述第一空洞卷积核和所述第二空洞卷积核具有相同的尺寸。这样，可以利用多尺度的特征感受野来对于所述多个用电设备中特定的相互协同工作的用电设备的能耗功率的动态特征进行多尺度的关联特征提取，以此来提高后续对于企业能耗检测的准确性。更具体地，将所述多个功率特征向量进行二维排列为全局功率特征矩阵后通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一尺度能耗关联特征图和第二尺度能耗关联特征图，包括：使用所述第一卷积神经网络的各层在层的正向传递中对输入数据进行第一卷积核的卷积处理：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一尺度能耗关联特征图，所述第一卷积神经网络的第一层的输入为全局功率特征矩阵；以及，使用所述第二卷积神经网络的各层在层的正向传递中对输入数据进行第二卷积核的卷积处理：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述第二尺度能耗关联特征图，所述第二卷积神经网络的第一层的输入为全局功率特征矩阵。
具体地，在所述适用于智慧城市的企业能耗数据管理***300的运行过程中，所述特征融合模块340，用于融合所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图以得到分类特征图。在本申请的技术方案中，融合所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图以得到分类特征图，以此来表示所述各个用电设备的能耗功率的多尺度动态关联特征，即包含有所述各个用电设备之间协同工作的关联性的所述待检测企业整体的能耗功率动态特征信息。特别地，在本申请的技术方案中，由于通过多尺度邻域特征提取模块得到的所述功率特征向量包含时序维度下的多尺度功率关联特征，使得在二维排列为全局功率特征矩阵之后，所述全局功率特征矩阵包含的关联尺度在排列的各个功率特征向量之间的交错分布会在所述第一卷积神经网络和所述第二卷积神经网络的不同感受野的特征提取下向不同特征分布方向迁移，从而在所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图的沿通道维度排列的特征矩阵之间存在相应位置之间的负相关关系，从而影响所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图的融合效果。因此，本申请的申请人采用全正投影非线性重加权的方式对所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图的对应的特征矩阵进行融合，表示为：
其中M1i和M2i分别为所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图的第i个特征矩阵通过线性变换得到的对角矩阵，Mci是所述分类特征图的第i个特征矩阵，ReLU(·)表示ReLU激活函数，表示矩阵相乘，且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。这里，所述全正投影非线性重加权通过ReLU函数来保证投影的全正以避免聚合负相关的信息，并同时引入非线性重加权机制来相对于彼此聚集所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图的对应的特征矩阵的特征值分布，以使得所述分类特征图的相应的特征矩阵的内在结构能够惩罚远距离连接而加强局部性耦合。这样，就实现了所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图的对应的特征矩阵在高维特征空间内的与全正投影重加权对应的空间特征变换的协同效果，也就提升了所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图的融合效果，进而提高分类的准确性。这样，能够准确智能地对于企业能耗进行检测，进而对于检测结果实施相应的能耗管理，以提高智慧城市能源利用效率。
具体地，在所述适用于智慧城市的企业能耗数据管理***300的运行过程中，所述管理结果生成模块350，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测企业的能耗是否正常。也就是，将所述分类特征图通过分类器中进行分类处理，以得到用于表示待检测企业的能耗是否正常的分类结果。这样，能够准确地对于所述待检测企业能耗是否正常进行智能检测，进而实施相应的能耗管理，以提高智慧城市能源利用效率。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中，在所述分类器的分类处理中，首先将所述所述分类特征图投影为向量，例如，在一个具体的示例中，将所述分类特征图沿着行向量或者列向量进行展开为分类特征向量；然后，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到用于表示待检测企业的能耗是否正常的分类结果。更具体地，在本申请的一个具体示例中，使用所述分类器以如下公式对所述分类特征图进行处理以获得分类结果，其中，所述公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，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向量。
图5为根据本申请实施例的适用于智慧城市的企业能耗数据管理***中管理结果生成模块的框图。如图5所示，所述管理结果生成模块350，包括：展开单元351，用于将所述分类特征图基于行向量或列向量展开为分类特征向量；全连接编码单元352，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元353，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的适用于智慧城市的企业能耗数据管理***300被阐明，其通过采用基于深度学习的人工智能检测算法来提取出企业中各个用电设备的能耗功率在时间维度上的多尺度动态关联特征，并考虑到所述各个用电设备之间的能耗功率也具有着关联性关系，因此进一步利用具有不同感受野的网络模型来进行所述各个用电设备之间的能耗变化特征的多尺度关联特征提取，并以此来进行企业的能耗检测。这样，能够准确地对于企业能耗是否正常进行智能检测，进而实施相应的能耗管理，以提高智慧城市能源利用效率。
示例性方法
图6为根据本申请实施例的适用于智慧城市的企业能耗数据管理方法的流程图。如图6所示，根据本申请实施例的适用于智慧城市的企业能耗数据管理方法，包括步骤：S110，获取待检测企业的所有用电设备在预定时间段内多个预定时间点的能耗功率值；S120，将所述各个用电设备在预定时间段内多个预定时间点的能耗功率值分别排列为功率输入向量后通过多尺度邻域特征提取模块以得到多个功率特征向量；S130，将所述多个功率特征向量进行二维排列为全局功率特征矩阵后通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一尺度能耗关联特征图和第二尺度能耗关联特征图，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野；S140，融合所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图以得到分类特征图；以及，S150，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测企业的能耗是否正常。
在一个示例中，在上述适用于智慧城市的企业能耗数据管理方法中，所述步骤S120，包括：将所述功率输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度功率特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述功率输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度功率特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度功率特征向量和所述第二邻域尺度功率特征向量进行级联以得到所述多个功率特征向量。其中，所述将所述功率输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度功率特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述功率输入向量进行一维卷积编码以得到第一邻域尺度功率特征向量；
其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述功率输入向量。以及，所述将所述功率输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度功率特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述功率输入向量进行一维卷积编码以得到所述第二邻域尺度功率特征向量；
其中，所述公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述功率输入向量。
在一个示例中，在上述适用于智慧城市的企业能耗数据管理方法中，所述步骤S130，包括：所述第一卷积神经网络使用具有第一尺度的第一卷积核，所述第二卷积神经网络使用具有第二尺度的第二卷积核，其中，所述第一尺度不同于所述第二尺度；以及，所述第一卷积神经网络使用具有第一空洞率的第一空洞卷积核，所述第二卷积神经网络使用具有第二空洞率的第二空洞卷积核，其中，所述第一空洞率不同于所述第二空洞率，所述第一空洞卷积核和所述第二空洞卷积核具有相同的尺寸。
在一个示例中，在上述适用于智慧城市的企业能耗数据管理方法中，所述步骤S140，包括：以如下公式融合所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图以得到所述分类特征图；
其中，所述公式为：
其中M1i和M2i分别为所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图的第i个特征矩阵通过线性变换得到的对角矩阵，Mci是所述分类特征图的第i个特征矩阵，ReLU(·)表示ReLU激活函数，表示矩阵相乘，且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
在一个示例中，在上述适用于智慧城市的企业能耗数据管理方法中，所述步骤S150，包括：将所述分类特征图基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的适用于智慧城市的企业能耗数据管理方法被阐明，其通过采用基于深度学习的人工智能检测算法来提取出企业中各个用电设备的能耗功率在时间维度上的多尺度动态关联特征，并考虑到所述各个用电设备之间的能耗功率也具有着关联性关系，因此进一步利用具有不同感受野的网络模型来进行所述各个用电设备之间的能耗变化特征的多尺度关联特征提取，并以此来进行企业的能耗检测。这样，能够准确地对于企业能耗是否正常进行智能检测，进而实施相应的能耗管理，以提高智慧城市能源利用效率。
示例性电子设备
下面，参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的适用于智慧城市的企业能耗数据管理***中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如功率特征向量等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
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***”部分中描述的根据本申请各种实施例的适用于智慧城市的企业能耗数据管理方法中的功能中的步骤。
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***”部分中描述的根据本申请各种实施例的适用于智慧城市的企业能耗数据管理方法中的功能中的步骤。
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。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (6)
1.一种适用于智慧城市的企业能耗数据管理***，其特征在于，包括：
能耗数据采集模块，用于获取待检测企业的所有用电设备在预定时间段内多个预定时间点的能耗功率值；
设备能耗特征提取模块，用于将所述各个用电设备在预定时间段内多个预定时间点的能耗功率值分别排列为功率输入向量后通过多尺度邻域特征提取模块以得到多个功率特征向量；
设备间关联特征提取模块，用于将所述多个功率特征向量进行二维排列为全局功率特征矩阵后通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一尺度能耗关联特征图和第二尺度能耗关联特征图，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野；
特征融合模块，用于融合所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图以得到分类特征图；以及
管理结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测企业的能耗是否正常；
所述特征融合模块，进一步用于：以如下公式融合所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图以得到所述分类特征图；
其中，所述公式为：
其中M1i和M2i分别为所述第一尺度能耗关联特征图和所述第二尺度能耗关联特征图的第i个特征矩阵通过线性变换得到的对角矩阵，Mci是所述分类特征图的第i个特征矩阵，ReLU(·)表示ReLU激活函数，表示矩阵相乘，且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
2.根据权利要求1所述的适用于智慧城市的企业能耗数据管理***，其特征在于，所述设备能耗特征提取模块，包括：
第一尺度特征提取单元，用于将所述功率输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度功率特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
第二尺度特征提取单元，用于将所述功率输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度功率特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
多尺度级联单元，用于将所述第一邻域尺度功率特征向量和所述第二邻域尺度功率特征向量进行级联以得到所述多个功率特征向量。
3.根据权利要求2所述的适用于智慧城市的企业能耗数据管理***，其特征在于，
第一尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述功率输入向量进行一维卷积编码以得到第一邻域尺度功率特征向量；
其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述功率输入向量；
第二尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述功率输入向量进行一维卷积编码以得到所述第二邻域尺度功率特征向量；
其中，所述公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述功率输入向量。
4.根据权利要求3所述的适用于智慧城市的企业能耗数据管理***，其特征在于，所述第一卷积神经网络使用具有第一尺度的第一卷积核，所述第二卷积神经网络使用具有第二尺度的第二卷积核，其中，所述第一尺度不同于所述第二尺度。
5.根据权利要求3所述的适用于智慧城市的企业能耗数据管理***，其特征在于，所述第一卷积神经网络使用具有第一空洞率的第一空洞卷积核，所述第二卷积神经网络使用具有第二空洞率的第二空洞卷积核，其中，所述第一空洞率不同于所述第二空洞率，所述第一空洞卷积核和所述第二空洞卷积核具有相同的尺寸。
6.根据权利要求5所述的适用于智慧城市的企业能耗数据管理***，其特征在于，所述管理结果生成模块，包括：
展开单元，用于将所述分类特征图基于行向量或列向量展开为分类特征向量；
全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211480976.4A CN115759658B (zh) | 2022-11-24 | 2022-11-24 | 适用于智慧城市的企业能耗数据管理*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211480976.4A CN115759658B (zh) | 2022-11-24 | 2022-11-24 | 适用于智慧城市的企业能耗数据管理*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115759658A CN115759658A (zh) | 2023-03-07 |
| CN115759658B true CN115759658B (zh) | 2023-07-18 |
Family
ID=85336930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211480976.4A Active CN115759658B (zh) | 2022-11-24 | 2022-11-24 | 适用于智慧城市的企业能耗数据管理*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115759658B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115964360B (zh) * | 2023-03-14 | 2023-05-16 | 山东省地震工程研究院 | 地震安全性评价数据库建设方法及其*** |
| CN116247824B (zh) * | 2023-03-30 | 2023-11-17 | 国网河南省电力公司安阳供电公司 | 电力设备的控制方法及其*** |
| CN116821745B (zh) * | 2023-04-10 | 2024-04-09 | 浙江万能弹簧机械有限公司 | 智能线切割慢走丝设备的控制方法及其*** |
| CN116597163A (zh) * | 2023-05-18 | 2023-08-15 | 广东省旭晟半导体股份有限公司 | 红外光学透镜及其制备方法 |
| CN116975728B (zh) * | 2023-08-07 | 2024-01-26 | 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) | 用于煤层气钻井工程的安全管理方法及其*** |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115099684A (zh) * | 2022-07-18 | 2022-09-23 | 江西中科冠物联网科技有限公司 | 企业安全生产管理***及其管理方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108830199B (zh) * | 2018-05-31 | 2021-04-16 | 京东方科技集团股份有限公司 | 识别交通灯信号的方法、装置、可读介质及电子设备 |
| CN112766199B (zh) * | 2021-01-26 | 2022-04-29 | 武汉大学 | 基于自适应多尺度特征提取模型的高光谱图像分类方法 |
| CN114049935A (zh) * | 2021-11-23 | 2022-02-15 | 齐鲁工业大学 | 一种基于多卷积神经网络的her2图像分类*** |
| CN114926683A (zh) * | 2022-05-23 | 2022-08-19 | 中山大学 | 空中飞行目标分类识别方法、装置及计算机可读存储介质 |
| CN115293265A (zh) * | 2022-08-05 | 2022-11-04 | 河北建筑工程学院 | 楼宇用电非入侵式监测方法及其*** |
| CN115203380B (zh) * | 2022-09-19 | 2022-12-20 | 山东鼹鼠人才知果数据科技有限公司 | 基于多模态数据融合的文本处理***及其方法 |
-
2022
- 2022-11-24 CN CN202211480976.4A patent/CN115759658B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115099684A (zh) * | 2022-07-18 | 2022-09-23 | 江西中科冠物联网科技有限公司 | 企业安全生产管理***及其管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115759658A (zh) | 2023-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理*** | |
| CN115783923B (zh) | 基于大数据的电梯故障模式识别*** | |
| CN115796173B (zh) | 针对监管报送需求的数据处理方法和*** | |
| CN116247824B (zh) | 电力设备的控制方法及其*** | |
| CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及*** | |
| CN115834433B (zh) | 基于物联网技术的数据处理方法及*** | |
| CN115827257B (zh) | 用于处理器体系的cpu容量预测方法及其*** | |
| CN115880036B (zh) | 一种车位级动态共享智能管控交易平台 | |
| CN116579618B (zh) | 基于风险管理的数据处理方法、装置、设备及存储介质 | |
| CN116486622A (zh) | 基于道路数据的交通智能规划***及其方法 | |
| CN116151845A (zh) | 基于工业物联网技术的产品全生命周期管理***及其方法 | |
| CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断***及其方法 | |
| CN116308754A (zh) | 一种银行信贷风险预警***及其方法 | |
| CN116403253A (zh) | 基于卷积神经网络的人脸识别监控管理***及其方法 | |
| CN115878330A (zh) | 线程的运行控制方法及其*** | |
| CN116151604A (zh) | 一种web环境下办公***流程分析***及其方法 | |
| CN116151545A (zh) | 一种多风电机组功率控制优化*** | |
| CN116624977B (zh) | 一种基于人工智能的楼宇自控***及其方法 | |
| CN104468272A (zh) | 流量矩阵的估计方法和装置 | |
| CN117744855A (zh) | 基于机器学习的负荷预测***及方法 | |
| CN116844088A (zh) | 在线除尘器控制***及其方法 | |
| CN116128250A (zh) | 面向现货市场的售电偏差管理方法及其*** | |
| CN117094651A (zh) | 一体化储能管理***及能量管理方法 | |
| CN116526670A (zh) | 面向电力大数据可视化的信息融合方法 | |
| CN115953183A (zh) | 面向现货市场的售电公司购售电风险预测***及其方法 |
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 |