CN116187552A - 异常检测方法、计算设备及计算机存储介质 - Google Patents
异常检测方法、计算设备及计算机存储介质 Download PDFInfo
- Publication number
- CN116187552A CN116187552A CN202310111210.7A CN202310111210A CN116187552A CN 116187552 A CN116187552 A CN 116187552A CN 202310111210 A CN202310111210 A CN 202310111210A CN 116187552 A CN116187552 A CN 116187552A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- target
- consumption data
- actual
- 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.)
- Pending
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 117
- 238000001514 detection method Methods 0.000 title claims abstract description 86
- 238000005265 energy consumption Methods 0.000 claims abstract description 383
- 230000002159 abnormal effect Effects 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 description 96
- 238000010586 diagram Methods 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000005684 electric field Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004134 energy conservation Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000002737 fuel gas Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (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)
Abstract
本发明实施例提供一种用于大型智慧园区的异常检测方法、计算设备及计算机存储介质。其中,异常检测方法包括:基于多种特征数据预测生成目标空间在目标时间内的预测能耗数据,其中,所述多种特征数据对应不同能耗影响因素;采集所述目标空间在所述目标时间内的实际能耗数据;对所述实际能耗数据与所述预测能耗数据中对应时间点的数据值进行对比,以确定所述目标空间在所述目标时间内是否存在能耗异常。本发明实施例提供的技术方案提高了异常检测的准确性。
Description
技术领域
本发明实施例涉及人工智能技术领域,尤其涉及一种异常检测方法、计算设备及计算机存储介质。
背景技术
大型智慧园区作为高能耗建筑的集中区域,各种能耗,例如电能、用水、燃气等,具有能耗消耗范围广、消耗时间不规律等特点。随着经济社会的发展和环境压力越来越大,节能减排形势严峻,通常需要对智慧园区进行能耗异常检测,以便于针对性的制定节能方案。
因而,如何提高能耗异常检测的准确性成为亟待解决的技术问题。
发明内容
本发明实施例提供一种异常检测方法、用电异常检测方法、装置、计算设备及计算机存储介质。
第一方面,本发明实施例中提供了一种用于大型智慧园区的异常检测方法,包括:
基于多种特征数据预测生成目标空间在目标时间内的预测能耗数据,其中,所述多种特征数据对应不同能耗影响因素,所述预测能耗数据包括多个时间点以及每个时间点对应的数据值;
采集所述目标空间在所述目标时间内的实际能耗数据,所述实际能耗数据包括多个时间点以及每个时间点对应的数据值;
对所述实际能耗数据与所述预测能耗数据中对应时间点的数据值进行对比,以确定所述目标空间在所述目标时间内是否存在能耗异常。
第二方面,本发明实施例中提供了一种用于大型智慧园区的用电异常检测方法,包括:
基于多种特征数据预测生成目标空间在目标时间内预测用电量数据,其中,所述多种特征数据对应不同用电量影响因素,所述预测用电量数据包括多个时间点以及每个时间点对应的数据值;
采集所述目标空间在所述目标时间内的实际用电量数据,所述实际用电量数据包括多个时间点以及每个时间点对应的数据值;
对所述实际用电量数据与所述预测用电量数据中对应时间点的数据值进行对比,以确定所述目标空间在所述目标时间内是否存在用电量异常。
第三方面,本发明实施例中提供了一种异常检测装置,包括:
第一预测模块,用于基于多种特征数据预测生成目标空间在目标时间内的预测能耗数据,其中,所述多种特征数据对应不同能耗影响因素,所述预测能耗数据包括多个时间点以及每个时间点对应的数据值;
第一采集模块,用于采集所述目标空间在所述目标时间内的实际能耗数据,所述实际能耗数据包括多个时间点以及每个时间点对应的数据值;
第一异常检测模块,用于对所述实际能耗数据与所述预测能耗数据中对应时间点的数据值进行对比,以确定所述目标空间在所述目标时间内是否存在能耗异常。
第四方面,本发明实施例中提供了一种用电异常检测装置,包括:
第二预测模块,用于基于多种特征数据预测生成目标空间在目标时间内预测用电量数据,其中,所述多种特征数据对应不同用电量影响因素,所述预测用电量数据包括多个时间点以及每个时间点对应的数据值;
第二采集模块,用于采集所述目标空间在所述目标时间内的实际用电量数据,所述实际用电量数据包括多个时间点以及每个时间点对应的数据值;
第二异常检测模块,用于对所述实际用电量数据与所述预测用电量数据中对应时间点的数据值进行对比,以确定所述目标空间在所述目标时间内是否存在用电量异常。
第五方面,本发明实施例中提供了一种计算设备,包括处理组件以及存储组件;
所述存储组件存储一个或多个计算机指令;所述一个或多个计算机指令用以被所述处理组件调用执行,实现本发明实施例提供的异常检测方法,或者实现本发明实施例提供的用电异常检测方法。
第六方面,本发明实施例中提供了一种计算机存储介质,存储有计算机程序,所述计算程序被计算机执行时,实现本发明实施例提供的异常检测方法,或者实现本发明实施例提供的用电异常检测方法。
本发明实施例提供了一种异常检测方法,通过采用基于多种特征数据预测生成目标空间在目标时间内的预测能耗数据,其中,所述多种特征数据对应不同能耗影响因素,所述预测能耗数据包括多个时间点以及每个时间点对应的数据值;采集所述目标空间在所述目标时间内的实际能耗数据,所述实际能耗数据包括多个时间点以及每个时间点对应的数据值;对所述实际能耗数据与所述预测能耗数据中对应时间点的数据值进行对比,以确定所述目标空间在所述目标时间内是否存在能耗异常的技术方案在进行能耗预测时,综合考虑了可能会影响能耗的多种特征,使得预测得到的预测能耗数据较准确,从而在基于预测能耗数据确定实际能耗数据是否存在能耗异常时,提高了异常检测的准确性。
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
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一简单地介绍,显而易见地,下面描述中的附图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示意性示出了本发明一个实施例提供的一种异常检测方法的流程图;
图2示意性示出了提示信息输出的示意图;
图3示意性示出了本发明实施例提供的异常检测方法的示意图;
图4示意性示出了本发明一个实施例提供的一种用电异常检测方法的流程图;
图5示意性示出了本发明一个实施例提供的一种异常检测装置的框图;
图6示意性示出了本发明一个实施例提供的一种用电异常检测装置的框图;
图7示意性示出了本发明一个实施例提供的一种计算设备的框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
大型智慧园区作为高能耗建筑的集中区域,各种能耗,例如电能、用水、燃气等,具有能耗消耗范围广、消耗时间不规律等特点。随着经济社会的发展和环境压力越来越大,节能减排形势严峻,通常需要对智慧园区进行能耗异常检测,以便于针对性的制定节能方案。相关技术中在进行能耗异常检测时,通常仅基于历史能耗数据进行能耗的预测。
发明人在实现本发明构思的过程中发现,智慧园区的能耗通常会受较多因素的影响,在进行能耗预测时,若仅考虑历史能耗数据而忽略了可能对能耗产生影响的其他数据,可能会导致能耗的预测不够准确,进而可能导致异常检测的结果不准确。
为了解决相关技术中存在的技术问题,本发明实施例提供了一种异常检测方法,通过采用基于多种特征数据预测生成目标空间在目标时间内的预测能耗数据,其中,所述多种特征数据对应不同能耗影响因素,预测能耗数据包括多个时间点以及每个时间点对应的数据值;采集目标空间在目标时间内的实际能耗数据,实际能耗数据包括多个时间点以及每个时间点对应的数据值;对实际能耗数据与预测能耗数据中对应时间点的数据值进行对比,以确定目标空间在目标时间内是否存在能耗异常的技术方案在进行能耗预测时,综合考虑了可能会影响能耗的多种特征,使得预测得到的预测能耗数据较准确,从而在基于预测能耗数据确定实际能耗数据是否存在能耗异常时,提高了异常检测的准确性。
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,本领域技术人员在没有作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。
图1示意性示出了本发明一个实施例提供的一种异常检测方法的流程图,如图1所示,该异常检测方法可以包括以下步骤:
101,基于多种特征数据预测生成目标空间在目标时间内的预测能耗数据,其中,多种特征数据对应不同能耗影响因素,预测能耗数据包括多个时间点以及每个时间点对应的数据值;
102,采集目标空间在目标时间内的实际能耗数据,实际能耗数据包括多个时间点以及每个时间点对应的数据值;
103,对实际能耗数据与预测能耗数据中对应时间点的数据值进行对比,以确定目标空间在目标时间内是否存在能耗异常。
根据本发明的实施例,目标空间可以指用电场所,用电场所可以包括商用用电场所、民用用电场所等。商用用电场所例如可以包括工厂、园区、办公大楼等。民用用电场所例如可以包括居民楼、居民住宅等。
在本发明的优选实施例中,目标空间可以指大型智慧园区,大型智慧园区可以包括互联网产业园区、化工产业园区等。
根据本发明的实施例,针对不同类型的智慧园区,可以预测得到智慧园区在目标时间内所消耗的不同类型的能耗数据。例如,针对互联网产业园区,由于互联网产业园区内通常需要部署大量的机房以及各种计算设备,而机房以及计算设备的运行需要电能的支持,因而,针对互联网产业园区,可以预测得到智慧园区在目标时间内所消耗的用电量数据,相对应的;针对化工产业园区而言,通常用水以及用电较多,因而,可以预测得到智慧园区在目标时间内所消耗的的用水量以及用电量。
根据本发明的实施例,针对不同类型的智慧园区而言,在进行能耗预测的过程中,所选取的特征数据可以不同。例如,针对互联网产业园而言,用电量通常受温度以及湿度的影响,因而,在进行用电量预测的情况下,特征数据可以为与温度、湿度相关的数据;而针对化工产业园而言,用水量通常受待加工原材料的数据影响,因而,在进行用水量预测的情况下,特征数据可以包括与待加工原材料的数量相关的数据。
根据本发明的实施例,针对不同类型的智慧园区而言,可以采用不同的能耗预测方式预测得到预测能耗数据。例如,可以采用预先训练完成的机器学习模型进行能耗预测,然而,针对不同的智慧园区而言,可以采用不同类型的机器学习模型进行能耗预测。例如,针对互联网园区而言,可以采用朴素贝叶斯模型进行能耗预测,针对化工园区而言,可以采用决策树模型进行能耗预测。根据本发明的实施例,目标时间可以为一时间段,该时间段具有预设长度的时间跨度;但不限于此,目标时间还可以为一时间点。
根据本发明的实施例,能耗可以指能源消耗水平,能耗数据可以用于指示能源消耗量。
根据本发明的实施例,能源例如可以包括电能、天然气、水等资源。
根据本发明的实施例,多种特征数据中的每种特征数据可以分别表征一种能耗影响因素。
根据本发明的实施例,能耗影响因素可以包括可能影响能耗变化的因素。
根据本发明的实施例,多种特征数据例如可以包括节假日数据、温度数据、湿度数据、人流量数据。
根据本发明的实施例,特征数据可以包括预设历史时间周期内的数据。预设历史时间周期可以为目标时间之前的一时间段。
根据本发明的实施例,多种特征数据中可以至少包括能耗特征数据,能耗特征数据可以指目标空间在预设历史时间周期内的能耗数据。
根据本发明的实施例,多种特征数据中,可以包括能耗特征数据以及可能对能耗产生影响的其它特征数据。从而,可以以能耗特征数据为基准,以其它特征数据为能耗影响因子预测得到目标空间在目标时间的预测能耗数据。
根据本发明的实施例,由于在进行能耗数据预测时,不仅考虑到历史能耗数据,还综合考虑到可能会对能耗产生影响的其它特征数据,因而可以提高预测生成的预测特征数据的准确率。
根据本发明的实施例,实际能耗数据可以直接对目标空间在目标时间内的能耗进行采集得到。例如用电量数据可以通过读取电表的方式获取,用水量数据可以通过读取水表的方式获取。
根据本发明的实施例,在预测生成预测能耗数据以及采集获得实际能耗数据后,可以将预测能耗数据作为目标空间在目标时间内的理论能耗数据,并以预测能耗数据为基准判断实际能耗数据是否存在能耗异常。
在本发明实施例中,通过采用基于多种特征数据预测生成目标空间在目标时间内的预测能耗数据,其中,多种特征数据对应不同能耗影响因素,预测能耗数据包括多个时间点以及每个时间点对应的数据值;采集目标空间在目标时间内的实际能耗数据,实际能耗数据包括多个时间点以及每个时间点对应的数据值;对实际能耗数据与预测能耗数据中对应时间点的数据值进行对比,以确定目标空间在目标时间内是否存在能耗异常的技术方案在进行能耗预测时,综合考虑了可能会影响能耗的多种特征,使得预测得到的预测能耗数据较准确,从而在基于预测能耗数据确定实际能耗数据是否存在能耗异常时,提高了异常检测的准确性。
根据本发明的实施例,异常检测方法还包括:
在确定目标空间在目标时间内存在能耗异常的情况下,从多种特征数据中确定异常特征数据。
根据本发明的实施例,异常特征数据例如可以包括导致实际能耗数据产生能耗异常的特征数据。
根据本发明的实施例,通过从多种特征数据中确定异常特征数据,可以确定导致能耗异常的影响因素,从而可以根据异常特征数据针对性的执行节能减排措施,以消除能耗异常。
根据本发明的实施例,基于预测能耗数据以及实际能耗数据,确定目标空间在目标时间内是否存在能耗异常具体可以实现为:
确定预测能耗数据与实际能耗数据的偏差矩阵;
基于偏差矩阵,确定目标空间在目标时间内是否存在能耗异常。
根据本发明的实施例,确定预测能耗数据与实际能耗数据的偏差矩阵具体可以实现为:
依次计算实际能耗数据中多个时间点的数据值与预测能耗数据中对应时间点的数据值的偏差,得到偏差矩阵,偏差矩阵包括与多个时间点分别对应的偏差值。
根据本发明的实施例,预测能耗数据以及实际能耗数据可以别为对应目标时间的时序数据。
根据本发明的实施例,可以预先对目标时间按照预设规则进行划分,将目标时间划分成多个时间点。
根据本发明的实施例,预测能耗数据以及实际能耗数据中可以包括与每个时间点分别对应的能耗值。
根据本发明的实施例,目标时间例如可以为一天、一周、一个月等。
根据本发明的实施例,在目标时间为一天的情况下,预设规则例如可以为按小时划分,从而可以将目标时间划分为24个时间点,相对应的,预测能耗数据以及实际能耗数据中可以分别包括24个能耗值,24个能耗值与24个时间点分别对应。
根据本发明的实施例,在目标时间为一周的情况下,预设规则例如可以为按天划分,从而可以将目标时间划分为7个时间点,相对应的,预测能耗数据以及实际能耗数据中可以分别包括7个能耗值,7个能耗值与7个时间点分别对应。
根据本发明的实施例,预设规则可以由本领域技术人员根据时间粒度需求进行灵活设定,本发明实施例对预设规则不进行具体限定。
根据本发明的实施例,基于偏差矩阵,确定目标空间在目标时间内是否存在能耗异常具体可以实现为:
确定多个偏差值中是否存在大于预设偏差阈值的偏差值;
在多个偏差值中存在大于预设偏差阈值的偏差值的情况下,确定实际能耗数据存在能耗异常,否则,确定实际能耗数据不存在能耗异常。
根据本发明的实施例,预设阈值可以表征预测能耗数据与实际能耗数据的最大可容忍偏离度,即当偏差值小于预设阈值时,表示偏差值所表征的预测能耗数据与实际能耗数据的偏离程度在可容忍范围内,当偏差值大于预设阈值时,表示偏差值所表征的预测能耗数据与实际能耗数据的偏离程度不在可容忍范围。
根据本发明的实施例,预设阈值的具体取值可以由本领域技术人员根据实际的应用需求进行灵活设定,但不限于此,预设阈值的具体取值还可以通过统计分析目标空间的历史运行情况而确定,
根据本发明的实施例,在偏差信息中存在大于预设阈值的偏差值的情况下,可以确定实际能耗数据中某一时间点的能耗与预测能耗数据中对应的时间点的能耗的偏差超过了正常值,由于预测能耗数据为目标时间内的理论能耗水平,因而此时可以确定实际能耗数据在该时间点存在能耗异常。
根据本发明的实施例,每种特征数据包括多个时间点以及与每个时间点对应的特征值。
根据本发明的实施例,从多种特征数据中确定异常特征数据具体可以实现为:
分别计算偏差矩阵与多种特征数据的相似度,得到与每种特征数据分别对应的相似度结果;
根据相似度结果从多种特征数据中确定异常特征数据。
根据本发明的实施例,相似度可以利用相似度算法进行计算,相似度算法例如可以包括欧氏距离算法、曼哈顿距离算法、余弦相似度算法等。
根据本发明的实施例,通过计算偏差信息与多种特征数据的相似度,可以确定多种特征数据分别与偏差信息的相关性,从而可以将与偏差信息的相关性较强的特征数据确定为异常特征数据。
根据本发明的实施例,根据相似度结果从多种特征数据中确定异常特征数据具体可以实现为:
确定多个相似度结果中是否存在满足预设条件的目标相似度结果;
将与目标相似度结果对应的特征数据确定为异常特征数据。
根据本发明的实施例,预设条件例如可以包括相似度结果大于预设相似度阈值或者相似度结果小于预设相似度阈值。
根据本发明的实施例,异常检测方法还包括:
获取目标空间在目标时间内的历史能耗数据;
基于历史能耗数据确定实际能耗数据是否存在能耗异常;
在基于历史能耗数据确定实际能耗数据存在能耗异常的情况下,输出第一提示信息。
根据本发明的实施例,历史能耗数据可以包括目标空间在目标时间内所消耗的能耗量,但不限于此,历史能耗数据还可以包括与目标空间相同或类似的能耗类型的其他能耗空间的历史能耗量。
根据本发明的实施例,获取历史能耗数据后,可以通过统计学方法,基于历史能耗数据预测得到第一预测能耗数据。
根据本发明的优选实施例中,可以利用拉依达准则,基于历史能耗数据判断实际能耗数据是否存在能耗异常。
根据本发明的实施例,第一预测能耗数据可以为通过分析历史能耗数据,得到目标空间的能耗规律,然后基于能耗规律在历史能耗数据的基础上预测得到的能耗数据。
根据本发明的实施例,在基于第一预测能耗数据确定实际能耗存在能耗异常的情况下,即可以确定实际能耗不符合目标空间已有的能耗规律。
根据本发明的实施例,在基于第一预测能耗数据确定实际能耗存在能耗异常的情况下可以生成第一提示信息,第一提示信息用于提示实际能耗存在能耗异常。可以将第一提示信息发送至相关运维人员,以提示运维人员处理该能耗异常。
根据本发明的实施例,在基于预测能耗数据确定实际能耗数据存在能耗异常的情况下,可以生成并输出第四提示信息,第四提示信息用于提示实际能耗存在能耗异常。
根据本发明的实施例,异常检测方法还包括:
在基于历史能耗数据以及预测能耗数据均确定实际能耗存在能耗异常的情况下,输出第二提示信息,其中,第二提示信息的优先级高于第一提示信息。
根据本发明的实施例,预测能耗数据为综合考虑到多种特征数据后预测得到的能耗数据,第一预测能耗数据为按照目标空间已有的用电规律得到的能耗数据。由于预测能耗数据以及第一预测能耗均为预测得到的数据,并不能完全将预测得到的数据作为目标空间的理论能耗值。因而,可以首先单独分别基于第一预测能耗数据以及预测能耗数据判断实际能耗数据是否存在能耗异常,若仅基于第一预测能耗数据或者预测能耗数据判读得到实际能耗数据存在能耗异常,可以分别输出第一提示信息以及第四提示信息,第一提示信息与第四提示信息具有相同的优先级。
根据本发明的实施例,若基于第一预测能耗数据以及预测能耗数据均判读得到实际能耗数据存在能耗异常,则可以确认此时实际能耗数据极有可能存在异常,从而可以输出第二提示信息,第二提示信息的优先级高于第一提示信息以及第四提示信息。
根据本发明的是谁,优先级可以通过提示信息的输出方式、输出时间、输出频率等体现。
图2示意性示出了提示信息输出的示意图。
如图2所示,在进行异常检测时,可以分别基于第一检测模块201和第二检测模块202进行。具体而言,一方面,可以将预测能耗数据以及实际能耗数据输入第一检测模块201,第一检测模块201基于预测能耗数据以及实际能耗数据输出第一检测结果;另一方面,可以将历史能耗数据以及实际能耗数据输入第二检测模块202,第二检测模块202基于历史能耗数据以及实际能耗数据输出第二检测结果。
在第一检测结果表征实际能耗数据存在能耗异常的情况下,输出第一提示信息。
在第二检测结果表征实际能耗数据存在能耗异常的情况下,输出第四提示信息。
在第一检测结果以及第二检测结果均表征实际能耗数据存在能耗异常的情况下,输出第二提示信息。
根据本发明的实施例,异常检测方法还包括:
在确定实际能耗存在能耗异常的情况下,获取目标空间的能耗拓扑图,能耗拓扑图用于表征多个能耗设备之间的连接关系;
基于拓扑图从多个能耗设备中确定存在能耗异常的目标能耗设备;
将目标能耗设备写入第二提示信息,得到第三提示信息,以提示基于第三提示信息对目标终端进行检查。
根据本发明的实施例,拓扑结构例如可以指用电设备之间的层级结构。例如,总电表下包括多个分电表,每个分电表下连接至少一个用电设备。
根据本发明的实施例,在确定能耗异常的情况下,可以依次遍历每个电表或者用电设备,以确定产生能耗异常的电表或者用电设备。
根据本发明的实施例,基于拓扑图从多个能耗设备中确定存在能耗异常的目标能耗设备具体可以实现为:
从拓扑图中确定至少一个父能耗设备;
采集父能耗设备的第一能耗数据;
若确定第一能耗数据存在异常,则确定与父能耗设备连接的至少一个子能耗设备;
分别采集至少一个子能耗设备的第二能耗数据;
基于至少一个第二能耗数据,从至少一个子能耗设备中确定目标能耗设备。
根据本发明的实施例,预测能耗数据通过以下操作生成:
获取多种特征数据;
将多种特征数据输入至预先训练完成的能耗预测模型,输出预测能耗数据。
根据本发明的实施例,可以预先针对每种能耗类型训练相对应的能耗预测模型,例如,针对用电量,可以训练用电量预测模型,针对用水量,可以训练用水量预测模型。
根据本发明的实施例,在获取多种特征数据之前,可以首先获取多种初始特征数据,初始特征数据可以为采集得到的原始数据。
根据本发明的实施例,可以对多种初始特征数据进行数据预处理,生成多种特征数据。
根据本发明的实施例,数据预处理例如可以包括缺失值处理、异常值处理、重复值处理等、数据归一化等。
根据本发明的实施例,能耗预测模型通过以下操作训练生成:
获取样本数据集,样本数据集中包括多种样本数据,每种样本数据包括对能耗存在影响的数据;
将样本数据集输入至初始能耗预测模型,输出预测结果;
基于预测结果调整初始能耗预测模型的网络参数,并将网络参数满足预设训练条件时对应的初始能耗预测模型作为能耗预测模型。
图3示意性示出了本发明实施例提供的异常检测方法的示意图。
如图3所示,首先可以获取到多种特征数据,多种特征数据可以共同组成一特征矩阵301。
然后可以将特征矩阵301输入至能耗预测模型302中,能耗模型输出预测特征数据303。
得到预测特征数据303后,可以基于预测特征数据303对实际能耗数据304进行异常分析,以确定实际能耗数据304是否存在能耗异常。
在确定实际能耗数据304存在能耗异常的情况下,可以基于预测特征数据303以及实际能耗数据304生成偏差矩阵305,然后分别计算偏差矩阵305与特征矩阵301中的每一种特征数据的相关性,并基于相关性结果从多种特征数据中确定异常特征数据306。
图4示意性示出了本发明一个实施例提供的一种用电异常检测方法的流程图,如图4所示,该用电异常检测方法可以包括以下步骤:
401,基于多种特征数据预测生成目标空间在目标时间内预测用电量数据,其中,多种特征数据对应不同用电量影响因素,预测用电量数据包括多个时间点以及每个时间点对应的数据值;
402,采集目标空间在目标时间内的实际用电量数据,实际用电量数据包括多个时间点以及每个时间点对应的数据值;
403,对实际用电量数据与预测用电量数据中对应时间点的数据值进行对比,以确定目标空间在目标时间内是否存在用电量异常。
根据本发明的实施例,目标空间可以指用电场所,用电场所可以包括商用用电场所、民用用电场所等。商用用电场所例如可以包括工厂、园区、办公大楼等。民用用电场所例如可以包括居民楼、居民住宅等。
根据本发明的实施例,目标时间可以为一时间段,该时间段具有预设长度的时间跨度;但不限于此,目标时间还可以为一时间点。
根据本发明的实施例,多种特征数据中的每种特征数据可以分别表征一种用电量影响因素。
根据本发明的实施例,用电量影响因素可以包括可能影响用电量变化的因素。
根据本发明的实施例,多种特征数据例如可以包括节假日数据、温度数据、湿度数据、人流量数据。
根据本发明的实施例,特征数据可以包括预设历史时间周期内的数据。预设历史时间周期可以为目标时间之前的一时间段。
根据本发明的实施例,多种特征数据中可以至少包括用电量特征数据,用电量特征数据可以指目标空间在预设历史时间周期内的用电量数据。
根据本发明的实施例,多种特征数据中,可以包括用电量特征数据以及可能对用电量产生影响的其它特征数据。从而,可以以用电量特征数据为基准,以其它特征数据为用电量影响因子预测得到目标空间在目标时间的预测用电量数据。
根据本发明的实施例,由于在进行用电量数据预测时,不仅考虑到历史用电量数据,还综合考虑到可能会对用电量产生影响的其它特征数据,因而可以提高预测生成的预测特征数据的准确率。
根据本发明的实施例,实际用电量数据可以直接对目标空间在目标时间内的用电量进行采集得到。例如用电量数据可以通过读取电表的方式获取。
根据本发明的实施例,在预测生成预测用电量数据以及采集获得实际用电量数据后,可以将预测用电量数据作为目标空间在目标时间内的理论用电量数据,并以预测用电量数据为基准判断实际用电量数据是否存在用电量异常。
在本发明实施例中,通过采用基于多种特征数据预测生成目标空间在目标时间内的预测用电量数据,其中,多种特征数据对应不同用电量影响因素;采集目标空间在目标时间内的实际用电量数据;基于预测用电量数据以及实际用电量数据,确定目标空间在目标时间内是否存在用电量异常的技术方案在进行用电量预测时,综合考虑了可能会影响用电量的多种特征,使得预测得到的预测用电量数据较准确,从而在基于预测用电量数据确定实际用电量数据是否存在用电量异常时,提高了异常检测的准确性。
根据本发明的实施例,用电异常检测方法还包括:
在确定目标空间在目标时间内存在用电量异常的情况下,从多种特征数据中确定异常特征数据。
根据本发明的实施例,异常特征数据例如可以包括导致实际用电量数据产生用电量异常的特征数据。
根据本发明的实施例,通过从多种特征数据中确定异常特征数据,可以确定导致用电量异常的影响因素,从而可以根据异常特征数据针对性的执行节能减排措施,以消除用电量异常。
根据本发明的实施例,基于预测用电量数据以及实际用电量数据,确定目标空间在目标时间内是否存在用电量异常具体可以实现为:
确定预测用电量数据与实际用电量数据的偏差信息;
基于偏差信息,确定目标空间在目标时间内是否存在用电量异常。
根据本发明的实施例,预测用电量数据以及实际用电量数据可以别为对应目标时间的时序数据。
根据本发明的实施例,可以预先对目标时间按照预设规则进行划分,将目标时间划分成多个时间点。
根据本发明的实施例,预测用电量数据以及实际用电量数据中可以包括与每个时间点分别对应的用电量值。
根据本发明的实施例,目标时间例如可以为一天、一周、一个月等。
根据本发明的实施例,在目标时间为一天的情况下,预设规则例如可以为按小时划分,从而可以将目标时间划分为24个时间点,相对应的,预测用电量数据以及实际用电量数据中可以分别包括24个用电量值,24个用电量值与24个时间点分别对应。
根据本发明的实施例,在目标时间为一周的情况下,预设规则例如可以为按天划分,从而可以将目标时间划分为7个时间点,相对应的,预测用电量数据以及实际嫩好数据中可以分别包括7个用电量值,7个用电量值与7个时间点分别对应。
根据本发明的实施例,预设规则可以由本领域技术人员根据时间粒度需求进行灵活设定,本发明实施例对预设规则不进行具体限定。
根据本发明的实施例,确定预测用电量数据与实际用电量数据的偏差信息具体可以实现为:
计算预测用电量数据与实际用电量数据在同一时间节点对应的偏差值;
由不同时间节点对应的偏差值构成偏差信息。
根据本发明的实施例,偏差信息可以为以偏差值为矩阵值构成的矩阵。
根据本发明的实施例,基于偏差信息,确定目标空间在目标时间内是否存在用电量异常具体可以实现为:
确定偏差信息中是否存在大于预设阈值的偏差值;
在偏差信息中存在大于预设阈值的偏差值的情况下,则确定实际用电量数据存在用电量异常,否则,确定实际用电量数据不存在用电量异常。
根据本发明的实施例,预设阈值可以表征预测用电量数据与实际用电量数据的最大可容忍偏离度,即当偏差值小于预设阈值时,表示偏差值所表征的预测用电量数据与实际用电量数据的偏离程度在可容忍范围内,当偏差值大于预设阈值时,表示偏差值所表征的预测用电量数据与实际用电量数据的偏离程度不在可容忍范围。
根据本发明的实施例,在偏差信息中存在大于预设阈值的偏差值的情况下,可以确定实际用电量数据中某一时间点的用电量与预测用电量数据中对应的时间点的用电量的偏差超过了正常值,由于预测用电量数据为目标时间内的理论用电量水平,因而此时可以确定实际用电量数据在该时间点存在用电量异常。
根据本发明的实施例,从多种特征数据中确定异常特征数据具体可以实现为:
分别计算偏差信息与多种特征数据的相似度,得到与每种特征数据分别对应的相似度结果;
根据相似度结果从多种特征数据中确定异常特征数据。
根据本发明的实施例,相似度可以利用相似度算法进行计算,相似度算法例如可以包括欧氏距离算法、曼哈顿距离算法、余弦相似度算法等。
根据本发明的实施例,通过计算偏差信息与多种特征数据的相似度,可以确定多种特征数据分别与偏差信息的相关性,从而可以将与偏差信息的相关性较强的特征数据确定为异常特征数据。
根据本发明的实施例,根据相似度结果从多种特征数据中确定异常特征数据具体可以实现为:
确定多个相似度结果中是否存在满足预设条件的目标相似度结果;
将与目标相似度结果对应的特征数据确定为异常特征数据。
根据本发明的实施例,预设条件例如可以包括相似度结果大于预设相似度阈值或者相似度结果小于预设相似度阈值。
根据本发明的实施例,用电异常检测方法还包括:
获取目标空间在目标时间内的历史用电量数据;
基于历史用电量数据确定实际用电量数据是否存在用电量异常;
在基于历史用电量数据确定实际用电量数据存在用电量异常的情况下,输出第一提示信息。
根据本发明的实施例,获取历史用电量数据后,可以通过统计学方法,基于历史用电量数据预测得到第一预测用电量数据。
根据本发明的优选实施例中,可以利用拉依达准则,基于历史用电量数据判断实际用电量数据是否存在用电量异常。
根据本发明的实施例,第一预测用电量数据可以为通过分析历史用电量数据,得到目标空间的用电规律,然后基于用电规律在历史用电量数据的基础上预测得到的用电量数据。
根据本发明的实施例,在基于第一预测用电量数据确定实际用电量存在用电量异常的情况下,即可以确定实际用电量不符合目标空间已有的用电规律。
根据本发明的实施例,在基于第一预测用电量数据确定实际用电量存在用电量异常的情况下可以生成第一提示信息,第一提示信息用于提示实际用电量存在用电量异常。可以将第一提示信息发送至相关运维人员,以便于运维人员处理该用电量异常。
根据本发明的实施例,在基于预测用电量数据确定实际用电量数据存在用电量异常的情况下,可以生成并输出第四提示信息,第四提示信息用于提示实际用电量存在用电量异常。
根据本发明的实施例,用电异常检测方法还包括:
在基于历史用电量数据以及预测用电量数据均确定实际用电量存在用电量异常的情况下,输出第二提示信息,其中,第二提示信息的优先级高于第一提示信息。
根据本发明的实施例,预测用电量数据为综合考虑到多种特征数据后预测得到的用电量数据,第一预测用电量数据为按照目标空间已有的用电规律得到的用电量数据。由于预测用电量数据以及第一预测用电量均为预测得到的数据,并不能完全将预测得到的数据作为目标空间的理论用电量值。因而,可以首先单独分别基于第一预测用电量数据以及预测用电量数据判断实际用电量数据是否存在用电量异常,若仅基于第一预测用电量数据或者预测用电量数据判读得到实际用电量数据存在用电量异常,可以分别输出第一提示信息以及第四提示信息,第一提示信息与第四提示信息具有相同的优先级。
根据本发明的实施例,若基于第一预测用电量数据以及预测用电量数据均判读得到实际用电量数据存在用电量异常,则可以确认此时实际用电量数据极有可能存在异常,从而可以输出第二提示信息,第二提示信息的优先级高于第一提示信息以及第四提示信息。
根据本发明的是谁,优先级可以通过提示信息的输出方式、输出时间、输出频率等体现。
根据本发明的实施例,用电异常检测方法还包括:
在确定实际用电量存在用电量异常的情况下,获取用电设备的拓扑图;
基于拓扑图确定存在用电量异常的目标终端;
将目标终端写入第二提示信息,得到第三提示信息,以便基于第三提示信息对目标终端进行检查。
根据本发明的实施例,拓扑图可以用于指示目标空间中用电设备的拓扑结构。
根据本发明的实施例,拓扑结构例如可以指用电设备之间的层级结构。例如,总电表下包括多个分电表,每个分电表下连接至少一个用电设备。
根据本发明的实施例,在确定用电量异常的情况下,可以依次遍历每个电表或者用电设备,以确定产生用电量异常的电表或者用电设备。
根据本发明的实施例,预测用电量数据通过以下操作生成:
获取多种特征数据;
将多种特征数据输入至预先训练完成的用电量预测模型,输出预测用电量数据。
根据本发明的实施例,在获取多种特征数据之前,可以首先获取多种初始特征数据,初始特征数据可以为采集得到的原始数据。
根据本发明的实施例,可以对多种初始特征数据进行数据预处理,生成多种特征数据。
根据本发明的实施例,数据预处理例如可以包括缺失值处理、异常值处理、重复值处理等、数据归一化等。
根据本发明的实施例,用电量预测模型通过以下操作训练生成:
获取样本数据集,样本数据集中包括多种样本数据,每种样本数据包括对用电量存在影响的数据;
将样本数据集输入至初始用电量预测模型,输出预测结果;
基于预测结果调整初始用电量预测模型的网络参数,并将网络参数满足预设训练条件时对应的初始用电量预测模型作为用电量预测模型。
图5示意性示出了本发明一个实施例提供的一种异常检测装置的框图,如图5所示,异常检测装置500包括:
第一预测模块501,用于基于多种特征数据预测生成目标空间在目标时间内的预测能耗数据,其中,多种特征数据对应不同能耗影响因素,预测能耗数据包括多个时间点以及每个时间点对应的数据值;
第一采集模块502,用于采集目标空间在目标时间内的实际能耗数据,实际能耗数据包括多个时间点以及每个时间点对应的数据值;
第一异常检测模块503,用于对实际能耗数据与预测能耗数据中对应时间点的数据值进行对比,以确定目标空间在目标时间内是否存在能耗异常。
根据本发明的实施例,异常检测装置500还包括:
异常特征确定模块,用于在确定目标空间在目标时间内存在能耗异常的情况下,从多种特征数据中确定异常特征数据。
根据本发明的实施例,第一异常检测模块503包括:
偏差确定子模块,用于确定预测能耗数据与实际能耗数据的偏差信息;
异常确定子模块,用于基于偏差信息,确定目标空间在目标时间内是否存在能耗异常。
根据本发明的实施例,异常确定子模块包括:
偏差值确定单元,用于确定偏差信息中是否存在大于预设阈值的偏差值;
异常确定单元,用于在偏差信息中存在大于预设阈值的偏差值的情况下,则确定实际能耗数据存在能耗异常,否则,确定实际能耗数据不存在能耗异常。
根据本发明的实施例,异常特征确定模块包括:
第一相似度计算子模块,用于分别计算偏差信息与多种特征数据的相似度,得到与每种特征数据分别对应的相似度结果;
异常特征数据确定子模块,用于根据相似度结果从多种特征数据中确定异常特征数据。
根据本发明的实施例,异常特征数据确定子模块包括:
目标结果确定单元,用于确定多个相似度结果中是否存在满足预设条件的目标相似度结果;
异常特征数据确定单元,用于将与目标相似度结果对应的特征数据确定为异常特征数据。
根据本发明的实施例,异常检测装置还包括:
历史数据获取模块,用于获取目标空间在目标时间内的历史能耗数据;
第三异常检测模块,用于基于历史能耗数据确定实际能耗数据是否存在能耗异常;
第一信息输出模块,用于在基于历史能耗数据确定实际能耗数据存在能耗异常的情况下,输出第一提示信息。
根据本发明的实施例,异常检测装置还包括:
第二信息输出模块,用于在基于历史能耗数据以及预测能耗数据均确定实际能耗存在能耗异常的情况下,输出第二提示信息,其中,第二提示信息的优先级高于第一提示信息。
根据本发明的实施例,异常检测装置还包括,
拓扑获取模块,用于在确定实际能耗存在能耗异常的情况下,获取用电设备的拓扑图;
终端确定模块,用于基于拓扑图确定存在能耗异常的目标终端;
第三信息输出模块,用于将目标终端写入第二提示信息,得到第三提示信息,以便基于第三提示信息对目标终端进行检查。
根据本发明的实施例,第一预测模块501包括:
数据获取单元,用于获取多种特征数据;
预测单元,用于将多种特征数据输入至预先训练完成的能耗预测模型,输出预测能耗数据。
根据本发明的实施例,异常检测装置还包括:
样本获取模块,用于获取样本数据集,样本数据集中包括多种样本数据,每种样本数据包括对能耗存在影响的数据;
样本输入模块,用于将样本数据集输入至初始能耗预测模型,输出预测结果;
训练模块,用于基于预测结果调整初始能耗预测模型的网络参数,并将网络参数满足预设训练条件时对应的初始能耗预测模型作为能耗预测模型。
图5的异常检测装置可以执行图1所示实施例的异常检测方法,其实现原理和技术效果不再赘述。对于上述实施例中的异常检测装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图6示意性示出了本发明一个实施例提供的一种用电异常检测装置的框图,如图6所示,该用电异常检测装置600包括:
第二预测模块601,用于基于多种特征数据预测生成目标空间在目标时间内预测用电量数据,其中,多种特征数据对应不同用电量影响因素,预测用电量数据包括多个时间点以及每个时间点对应的数据值;
第二采集模块602,用于采集目标空间在目标时间内的实际用电量数据,实际用电量数据包括多个时间点以及每个时间点对应的数据值;
第二异常检测模块603,用于对实际用电量数据与预测用电量数据中对应时间点的数据值进行对比,以确定目标空间在目标时间内是否存在用电量异常。
图6所述的用电异常检测装置可以执行图4所示实施例所述的用电异常检测方法,其实现原理和技术效果不再赘述。对于上述实施例中的用电异常检测装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
在一个可能的设计中,本发明实施例提供的用电异常检测装置、异常检测装置可以实现为计算设备,如图7所示,该计算设备可以包括存储组件701以及处理组件702;
存储组件701存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件702调用执行,用以实现本发明实施例提供的用电异常检测方法、异常检测方法。
当然,计算设备必然还可以包括其他部件,例如输入/输出接口、通信组件等。输入/输出接口为处理组件和***接口模块之间提供接口,上述***接口模块可以是输出设备、输入设备等。通信组件被配置为便于计算设备和其他设备之间有线或无线方式的通信等。
其中,该计算设备可以为物理设备或者云计算平台提供的弹性计算主机等,此时计算设备即可以是指云服务器,上述处理组件、存储组件等可以是从云计算平台租用或购买的基础服务器资源。
当计算设备为物理设备时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。
本发明实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现本发明实施例提供的用电异常检测方法、异常检测方法。
本发明实施例还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被计算机执行时可以实现本发明实施例提供的用电异常检测方法、异常检测方法。
其中,前文相应实施例中的处理组件可以包括一个或多个处理器来执行计算机指令,以完成上述的方法中的全部或部分步骤。当然处理组件也可以为一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
存储组件被配置为存储各种类型的数据以支持在设备中操作。存储组件可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种异常检测方法,包括:
基于多种特征数据预测生成目标空间在目标时间内的预测能耗数据,其中,所述多种特征数据对应不同能耗影响因素,所述预测能耗数据包括多个时间点以及每个时间点对应的数据值;
采集所述目标空间在所述目标时间内的实际能耗数据,所述实际能耗数据包括多个时间点以及每个时间点对应的数据值;
对所述实际能耗数据与所述预测能耗数据中对应时间点的数据值进行对比,以确定所述目标空间在所述目标时间内是否存在能耗异常。
2.根据权利要求1所述的方法,还包括:
在确定所述目标空间在所述目标时间内存在能耗异常的情况下,从所述多种特征数据中确定异常特征数据。
3.根据权利要求1所述的方法,其中,所述对所述实际能耗数据与所述预测能耗数据中对应时间点的数据值进行对比,以确定所述目标空间在所述目标时间内是否存在能耗异常包括:
依次计算所述实际能耗数据中多个时间点的数据值与所述预测能耗数据中对应时间点的数据值的偏差,得到偏差矩阵,所述偏差矩阵包括与所述多个时间点分别对应的偏差值;
确定多个所述偏差值中是否存在大于预设偏差阈值的偏差值;
在多个所述偏差值中存在大于预设偏差阈值的偏差值的情况下,确定所述实际能耗数据存在能耗异常,否则,确定所述实际能耗数据不存在能耗异常。
4.根据权利要求3所述的方法,其中,每种所述特征数据包括多个时间点以及与每个时间点对应的特征值;
所述从所述多种特征数据中确定异常特征数据包括:分别计算所述偏差矩阵与所述多种特征数据的相似度,得到与每种特征数据分别对应的相似度结果;
确定多个所述相似度结果中是否存在满足预设条件的目标相似度结果;
将与所述目标相似度结果对应的特征数据确定为异常特征数据。
5.根据权利要求1所述的方法,其中,所述方法还包括:
获取目标空间在目标时间内的历史能耗数据;
基于所述历史能耗数据确定所述实际能耗数据是否存在能耗异常;
在基于所述历史能耗数据确定所述实际能耗数据存在能耗异常的情况下,输出第一提示信息。
6.根据权利要求5所述的方法,所述方法还包括:
在基于所述历史能耗数据以及所述预测能耗数据均确定所述实际能耗存在能耗异常的情况下,输出第二提示信息,其中,所述第二提示信息的优先级高于所述第一提示信息。
7.根据权利要求6所述的方法,其中,所述方法还包括:
在确定所述实际能耗存在能耗异常的情况下,获取所述目标空间的能耗拓扑图,所述能耗拓扑图用于表征多个能耗设备之间的连接关系;
基于所述拓扑图从所述多个能耗设备中确定存在能耗异常的目标能耗设备;
将所述目标能耗设备写入所述第二提示信息,得到第三提示信息,以提示基于所述第三提示信息对所述目标能耗设备进行检查。
8.根据权利要求7所述的方法,其中,所述基于所述拓扑图从所述多个能耗设备中确定存在能耗异常的目标能耗设备包括:
从所述拓扑图中确定至少一个父能耗设备;
采集所述父能耗设备的第一能耗数据;
若确定所述第一能耗数据存在异常,则确定与所述父能耗设备连接的至少一个子能耗设备;
分别采集所述至少一个子能耗设备的第二能耗数据;
基于至少一个所述第二能耗数据,从所述至少一个子能耗设备中确定所述目标能耗设备。
9.一种计算设备,其特征在于,包括处理组件以及存储组件;
所述存储组件存储一个或多个计算机指令;所述一个或多个计算机指令用以被所述处理组件调用执行,实现如权利要求1至8任一项所述的异常检测方法。
10.一种计算机存储介质,其特征在于,存储有计算机程序,所述计算程序被计算机执行时,实现如权利要求1至8任一项所述的异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310111210.7A CN116187552A (zh) | 2023-01-20 | 2023-01-20 | 异常检测方法、计算设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310111210.7A CN116187552A (zh) | 2023-01-20 | 2023-01-20 | 异常检测方法、计算设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116187552A true CN116187552A (zh) | 2023-05-30 |
Family
ID=86434028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310111210.7A Pending CN116187552A (zh) | 2023-01-20 | 2023-01-20 | 异常检测方法、计算设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116187552A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116505593A (zh) * | 2023-06-21 | 2023-07-28 | 北京清众神州大数据有限公司 | 综合能源设备控制方法、装置、电子设备及存储介质 |
CN116908533A (zh) * | 2023-09-14 | 2023-10-20 | 安徽融兆智能有限公司 | 一种具有计量功能的电力用户用电信息采集设备 |
CN117290797A (zh) * | 2023-11-24 | 2023-12-26 | 国网山东省电力公司济宁供电公司 | 一种建筑能耗预测方法、***、装置及介质 |
-
2023
- 2023-01-20 CN CN202310111210.7A patent/CN116187552A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116505593A (zh) * | 2023-06-21 | 2023-07-28 | 北京清众神州大数据有限公司 | 综合能源设备控制方法、装置、电子设备及存储介质 |
CN116505593B (zh) * | 2023-06-21 | 2023-11-21 | 山西清众科技股份有限公司 | 综合能源设备控制方法、装置、电子设备及存储介质 |
CN116908533A (zh) * | 2023-09-14 | 2023-10-20 | 安徽融兆智能有限公司 | 一种具有计量功能的电力用户用电信息采集设备 |
CN116908533B (zh) * | 2023-09-14 | 2023-12-08 | 安徽融兆智能有限公司 | 一种具有计量功能的电力用户用电信息采集设备 |
CN117290797A (zh) * | 2023-11-24 | 2023-12-26 | 国网山东省电力公司济宁供电公司 | 一种建筑能耗预测方法、***、装置及介质 |
CN117290797B (zh) * | 2023-11-24 | 2024-02-02 | 国网山东省电力公司济宁供电公司 | 一种建筑能耗预测方法、***、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cai et al. | Application of Bayesian networks in reliability evaluation | |
CN108700851B (zh) | 用于预测能量消耗的***、方法和基于云的平台 | |
CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN110570012B (zh) | 一种基于Storm的电厂生产设备故障预警方法及*** | |
KR101941854B1 (ko) | 미취득 데이터 보정을 통한 부하 예측 시스템 및 방법 | |
CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
Mohammadi et al. | Multidimensional scenario selection for power systems with stochastic failures | |
CN116187549A (zh) | 能耗预测方法、计算设备及计算机存储介质 | |
CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
Chen et al. | Real-time forecasting and visualization toolkit for multi-seasonal time series | |
CN116882804A (zh) | 一种智能电力监控方法及*** | |
Priya et al. | Fault detection and behavioural prediction of a constrained complex system using cellular automata | |
CN115907307B (zh) | 面向电网实时数据交互的电力***碳排放流在线分析方法 | |
CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
CN113591266A (zh) | 一种电能表故障概率的分析方法及*** | |
Pérez-Vilarelle et al. | Modeling and simulation of wind energy production in the smart-grid scenario | |
Rowley et al. | From smart homes to smart communities: Advanced data acquisition and analysis for improved sustainability and decision making | |
Tao et al. | An opportunistic joint maintenance strategy for two offshore wind farms | |
Indralaksono et al. | Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors | |
CN117514649B (zh) | 一种风电机组健康状态监测方法及装置 | |
Hong et al. | Deep‐Learning‐Assisted Topology Identification and Sensor Placement for Active Distribution Network | |
Bloomfield et al. | Process modelling to support dependability arguments | |
Zantek et al. | A decision dependent stochastic process model for repairable systems with applications |
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 |