CN117094651A - 一体化储能管理***及能量管理方法 - Google Patents

一体化储能管理***及能量管理方法 Download PDF

Info

Publication number
CN117094651A
CN117094651A CN202310468867.9A CN202310468867A CN117094651A CN 117094651 A CN117094651 A CN 117094651A CN 202310468867 A CN202310468867 A CN 202310468867A CN 117094651 A CN117094651 A CN 117094651A
Authority
CN
China
Prior art keywords
energy consumption
time sequence
vector
feature vector
energy
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
Application number
CN202310468867.9A
Other languages
English (en)
Inventor
徐龙忠
熊小良
王哲斌
王俊启
许文军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Lide Communication Co ltd
Original Assignee
Hangzhou Lide Communication Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Lide Communication Co ltd filed Critical Hangzhou Lide Communication Co ltd
Priority to CN202310468867.9A priority Critical patent/CN117094651A/zh
Publication of CN117094651A publication Critical patent/CN117094651A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及智能管理领域，其具体地公开了一种一体化储能管理***及能量管理方法，其通过采用基于深度学习的人工智能技术挖掘出设施的能源使用情况和能耗变化情况之间的隐含关联信息，以此来更准确地判断建筑整体或设施的能源使用情况是否正常，通过这样的方式，可进一步提示进行对设施或者建筑进行用能排查，以及时发现能源浪费等问题。

Description

一体化储能管理***及能量管理方法
技术领域
本申请涉及智能管理领域，且更为具体地，涉及一种一体化储能管理***及能量管理方法。
背景技术
随着国际能源市场受不可抗力因素影响，能源价格高位震荡；叠加多国因气候异常变化，致使电力供应紧张，引发电力警报，纷纷开启“限电”模式。如果用户想利用峰谷价差储能***低充高放的方式实现电能移峰填谷，传统的储能管理因为未连接互联网，则不能满足客户的要求。
IESS一体化储能管理单元能够将包括PCS、BMS、电表、电芯等一些储能器件的数据进行一体化管理，以及能够实现数据的云端管理。但IESS通常更多用于监测建筑或设施的能源使用情况，而无法分析与判断建筑整体或设施的能源使用情况是否正常。因此，期待一种优化的一体化储能管理方案。
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一体化储能管理***及能量管理方法，其通过采用基于深度学习的人工智能技术挖掘出设施的能源使用情况和能耗变化情况之间的隐含关联信息，以此来更准确地判断建筑整体或设施的能源使用情况是否正常，通过这样的方式，可进一步提示进行对设施或者建筑进行用能排查，以及时发现能源浪费等问题。
根据本申请的一个方面，提供了一种一体化储能管理***，其包括：能耗监测单元，用于获取由IESS单元采集的被监测设施在预定时间跨度内多天的能耗值；数据结构化单元，用于将所述被监测设施在预定时间跨度内多天的能耗值按照时间维度排列为能耗时序输入向量；变化信息表征单元，用于计算所述能耗时序输入向量中每向量两个位置的能耗值之间的差值以得到能耗变化时序输入向量；时序特征提取单元，用于将所述能耗时序输入向量通过包含一维卷积层和全连接层的时序编码器以得到能耗关联时序特征向量；变化特征提取单元，用于将所述能耗变化时序输入向量通过包含第一卷积层和第二卷积层的多尺度邻域特征提取模块以得到能耗变化关联时序特征向量；特征融合单元，用于融合所述能耗关联时序特征向量和所述能耗变化关联时序特征向量以得到分类特征向量；以及监测结果生成单元，用于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被监控设施的能耗是否正常。
在上述一体化储能管理***中，所述时序特征提取单元，包括：全连接编码子单元，用于使用所述时序编码器的全连接层以如下公式对所述能耗时序输入向量进行全连接编码以分别提取出所述能耗时序输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中/>是所述能耗时序输入向量，/>是输出向量，/>是权重矩阵，/>是偏置向量，/>表示矩阵相乘；一维卷积编码子单元，用于使用所述时序编码器的一维卷积层以如下公式对所述能耗时序输入向量进行一维卷积编码以分别提取出所述能耗时序输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：其中，/>为卷积核在 />方向上的宽度、/>为卷积核参数向量、为与卷积核函数运算的局部向量矩阵，/>为卷积核的尺寸，/>表示所述能耗时序输入向量，/>表示对所述能耗时序输入向量进行一维卷积编码。
在上述一体化储能管理***中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
在上述一体化储能管理***中，所述变化特征提取单元，包括：第一邻域尺度特征提取子单元，用于将所述能耗变化时序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能耗变化关联时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度特征提取子单元，用于将所述能耗变化时序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能耗变化关联时序特征向量，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，多尺度级联子单元，用于将所述第一邻域尺度能耗变化关联时序特征向量和所述第二邻域尺度能耗变化关联时序特征向量进行级联以得到所述能耗变化关联时序特征向量。其中，所述第一邻域尺度特征提取子单元，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一维卷积公式对所述能耗变化时序输入向量进行一维卷积编码以得到第一邻域尺度能耗变化关联时序特征向量；其中，所述公式为：，其中，/>为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、 />为与卷积核函数运算的局部向量矩阵，/>为第一卷积核的尺寸，/>表示所述能耗变化时序输入向量，/>表示对所述能耗变化时序输入向量进行一维卷积编码；以及，所述第二邻域尺度特征提取子单元，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一维卷积公式对所述能耗变化时序输入向量进行一维卷积编码以得到所述第二邻域尺度能耗变化关联时序特征向量；其中，所述公式为：，其中，/>为第二卷积核在/>方向上的宽度、/>为第二卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，/>为第二卷积核的尺寸，/>表示所述能耗变化时序输入向量，/>表示对所述能耗变化时序输入向量进行一维卷积编码。
在上述一体化储能管理***中，所述特征融合单元，包括：信息补偿损失子单元，用于计算针对所述能耗关联时序特征向量和所述能耗变化关联时序特征向量的概率分布移位信息补偿损失函数值；加权子单元，用于基于所述概率分布移位信息补偿损失函数值对所述能耗关联时序特征向量和所述能耗变化关联时序特征向量进行加权以得到加权后能耗关联时序特征向量和加权后能耗变化关联时序特征向量；以及，融合子单元，用于融合所述加权后能耗关联时序特征向量和所述加权后能耗变化关联时序特征向量以得到所述分类特征向量。
在上述一体化储能管理***中，所述信息补偿损失子单元，用于：以如下公式计算针对所述能耗关联时序特征向量和所述能耗变化关联时序特征向量的概率分布移位信息补偿损失函数值；其中，所述公式为：，其中，/>和/>分别是所述能耗关联时序特征向量和所述能耗变化关联时序特征向量，/>和为移位补偿超参数，且 />加权超参数，/>表示以2为底的对数函数值，/>表示函数，/>表示 />函数，/>示所述概率分布移位信息补偿损失函数值。
在上述一体化储能管理***中，所述融合子单元，用于：以如下级联公式来融合所述加权后能耗关联时序特征向量和所述加权后能耗变化关联时序特征向量以得到所述分类特征向量；其中，所述公式为：，其中，/>表示所述加权后能耗关联时序特征向量，/>表示所述加权后能耗变化关联时序特征向量，/>表示级联函数， 表示所述分类特征向量。
在上述一体化储能管理***中，所述监测结果生成单元,用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果，其中，所述公式为：，其中，/>到/>为权重矩阵，/>到/>为偏置向量，/>为分类特征向量。
根据本申请的另一方面，提供了一种一体化储能管理方法，其包括：获取由IESS单元采集的被监测设施在预定时间跨度内多天的能耗值；将所述被监测设施在预定时间跨度内多天的能耗值按照时间维度排列为能耗时序输入向量；计算所述能耗时序输入向量中每向量两个位置的能耗值之间的差值以得到能耗变化时序输入向量；将所述能耗时序输入向量通过包含一维卷积层和全连接层的时序编码器以得到能耗关联时序特征向量；将所述能耗变化时序输入向量通过包含第一卷积层和第二卷积层的多尺度邻域特征提取模块以得到能耗变化关联时序特征向量；融合所述能耗关联时序特征向量和所述能耗变化关联时序特征向量以得到分类特征向量；以及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被监控设施的能耗是否正常。
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一体化储能管理方法。
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一体化储能管理方法。
与现有技术相比，本申请提供的一种一体化储能管理***及能量管理方法，其通过采用基于深度学习的人工智能技术挖掘出设施的能源使用情况和能耗变化情况之间的隐含关联信息，以此来更准确地判断建筑整体或设施的能源使用情况是否正常，通过这样的方式，可进一步提示进行对设施或者建筑进行用能排查，以及时发现能源浪费等问题。
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一体化储能管理***的框图。
图2为根据本申请实施例的一体化储能管理***的***架构图。
图3为根据本申请实施例的一体化储能管理***中时序特征提取单元的框图。
图4为根据本申请实施例的一体化储能管理***中变化特征提取单元的框图。
图5为根据本申请实施例的一体化储能管理***中特征融合单元的框图。
图6为根据本申请实施例的一体化储能管理方法的流程图。
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。
申请概述：针对上述技术问题，本申请的技术构思为：通过IESS来监测建筑或设施的能源使用情况，并结合深度学习和人工智能技术来判断建筑整体或设施的能源使用情况是否正常，通过这样的方式，可进一步提示进行对设施或者建筑进行用能排查，以及时发现能源浪费等问题。
具体地，在本申请的技术方案中，首先，获取由IESS单元采集的被监测设施在预定时间跨度内多天的能耗值。通过获取被监测设施在预定时间跨度内多天的能耗值，可以得到设施能源使用的时间序列数据。
为了进一步的处理和分析，在本申请的技术方案中，将所述被监测设施在预定时间跨度内多天的能耗值按照时间维度排列为能耗时序输入向量。其中，所述能耗时序输入向量整合了由IESS单元采集的被监测设施在预定时间跨度内多天的能耗值，也就是说，每个特征值对应于被监测设施在某天的能耗值。
接着，计算所述能耗时序输入向量中每向量两个位置的能耗值之间的差值以得到能耗变化时序输入向量。这里，通过计算每向量两个位置之间的差值，可以得到相邻时间点之间的能耗变化情况，以消除由于能耗数据受到监测设备、环境等因素的影响而存在的偏差，进而更准确地反映能耗变化情况。
然后，将所述能耗时序输入向量通过包含一维卷积层和全连接层的时序编码器以得到能耗关联时序特征向量。这里，所述时序编码器可以将时间序列数据转换成具有更高层次抽象特征的时序特征向量。也就是说，将所述能耗时序输入向量通过包含一维卷积层和全连接层的时序编码器，可以抽取出设施能源使用情况的在时间维度上的相关特征。具体来说，一维卷积层可以有效地捕捉能源使用情况的局部时间特征，全连接层则可以将这些局部时间特征整合起来得到全局时间特征。通过这样的方式，能够有效地抽取出设施能源使用情况的时间相关特征，便于后续分类处理。
继而，将所述能耗变化时序输入向量通过包含第一卷积层和第二卷积层的多尺度邻域特征提取模块以得到能耗变化关联时序特征向量。应当可以理解，能耗变化关联时序特征向量反映的是设施能源使用情况的变化情况，通过采用多尺度邻域特征提取模块，可以从时间序列数据中抽取出不同尺度的特征，进一步提高对设施能源使用情况的分析和判断的准确度。
在本申请的技术方案中，为了能够综合考虑设施的能源使用情况和能耗变化情况，提高对设施能源使用情况的分析和判断的准确度，融合所述能耗关联时序特征向量和所述能耗变化关联时序特征向量以得到分类特征向量。也就是，将反映了设施能源使用情况的时间相关特征的所述能耗关联时序特征向量和反映了设施能源使用情况的变化情况的所述能耗变化关联时序特征向量融合起来，使得所述分类特征向量具有更为出色的信息表征能力。
在得到所述分类特征向量后，将其通过分类器以得到分类结果，所述分类结果用于表示被监控设施的能耗是否正常。其中，所述分类器可以根据所述分类特征向量对设施的能源使用情况进行分类，即被监控设施的能耗正常和被监控设施的能耗不正常。这样，基于分类结果就可以及时判断出设施的能源使用情况是否符合预期，如果存在能源浪费或异常使用现象，则可以采取相应的措施予以调整和优化。同时，分类结果还可以作为反馈信息，帮助用户优化设施的能源管理策略，进一步提高能源利用效率，降低能耗成本。
这里，在融合所述能耗关联时序特征向量和所述能耗变化关联时序特征向量得到所述分类特征向量时，由于所述能耗关联时序特征向量和所述能耗变化关联时序特征向量分别表达能耗绝对值和能耗变化值的时序关联特征，因此其相对于分类器的类标签的概率分布会存在差异，由此，在融合后的所述分类特征向量通过分类器时，所述能耗关联时序特征向量和所述能耗变化关联时序特征向量各自的特征分布在模型的参数空间内后向传播通过分类器时，也会遇到由于概率分布的移位导致的各自的特征概率分布表达的退化问题，从而影响所述分类特征向量的特征表达效果。
基于此，本申请的申请人引入针对所述能耗关联时序特征向量和所述能耗变化关联时序特征向量/>的概率分布移位信息补偿损失函数，表示为：，其中，/>和/>为移位补偿超参数，且/>为加权超参数。
这里，基于Softmax函数从所述能耗关联时序特征向量和所述能耗变化关联时序特征向量/>分别得到的类概率值本身会对于各自的特征分布遵循概率分布，使用所述概率分布移位信息补偿损失函数来对所述能耗关联时序特征向量/>和所述能耗变化关联时序特征向量/>的特征表示的概率分布的移位来进行信息补偿，并通过bool函数来使得补偿带来的交叉信息熵最大化，这样，可以使得融合后的所述分类特征向量的特征分布能够最大程度地还原融合前的所述能耗关联时序特征向量/>和所述能耗变化关联时序特征向量/>的特征概率分布表达信息，从而提升所述分类特征向量的特征表达效果，以改进其通过分类器得到的分类结果的准确性。
基于此，本申请提出了一种一体化储能管理***，其包括：能耗监测单元，用于获取由IESS单元采集的被监测设施在预定时间跨度内多天的能耗值；数据结构化单元，用于将所述被监测设施在预定时间跨度内多天的能耗值按照时间维度排列为能耗时序输入向量；变化信息表征单元，用于计算所述能耗时序输入向量中每向量两个位置的能耗值之间的差值以得到能耗变化时序输入向量；时序特征提取单元，用于将所述能耗时序输入向量通过包含一维卷积层和全连接层的时序编码器以得到能耗关联时序特征向量；变化特征提取单元，用于将所述能耗变化时序输入向量通过包含第一卷积层和第二卷积层的多尺度邻域特征提取模块以得到能耗变化关联时序特征向量；特征融合单元，用于融合所述能耗关联时序特征向量和所述能耗变化关联时序特征向量以得到分类特征向量；以及，监测结果生成单元，用于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被监控设施的能耗是否正常。
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1为根据本申请实施例的一体化储能管理***的框图。如图1所示，根据本申请实施例的一体化储能管理***300，包括：能耗监测单元310；数据结构化单元320；变化信息表征单元330；时序特征提取单元340；变化特征提取单元350；特征融合单元360；以及，监测结果生成单元370。
其中，所述能耗监测单元310，用于获取由IESS单元采集的被监测设施在预定时间跨度内多天的能耗值；所述数据结构化单元320，用于将所述被监测设施在预定时间跨度内多天的能耗值按照时间维度排列为能耗时序输入向量；所述变化信息表征单元330，用于计算所述能耗时序输入向量中每向量两个位置的能耗值之间的差值以得到能耗变化时序输入向量；所述时序特征提取单元340，用于将所述能耗时序输入向量通过包含一维卷积层和全连接层的时序编码器以得到能耗关联时序特征向量；所述变化特征提取单元350，用于将所述能耗变化时序输入向量通过包含第一卷积层和第二卷积层的多尺度邻域特征提取模块以得到能耗变化关联时序特征向量；所述特征融合单元360，用于融合所述能耗关联时序特征向量和所述能耗变化关联时序特征向量以得到分类特征向量；以及，所述监测结果生成单元370，用于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被监控设施的能耗是否正常。
图2为根据本申请实施例的一体化储能管理***的***架构图。如图2所示，在该网络架构中，首先通过所述能耗监测单元310获取由IESS单元采集的被监测设施在预定时间跨度内多天的能耗值；接着，所述数据结构化单元320将所述能耗监测单元310获取的被监测设施在预定时间跨度内多天的能耗值按照时间维度排列为能耗时序输入向量；所述变化信息表征单元330计算所述数据结构化单元320得到的能耗时序输入向量中每向量两个位置的能耗值之间的差值以得到能耗变化时序输入向量；然后，所述时序特征提取单元340将所述数据结构化单元320得到的能耗时序输入向量通过包含一维卷积层和全连接层的时序编码器以得到能耗关联时序特征向量；所述变化特征提取单元350将所述变化信息表征单元330计算所得的能耗变化时序输入向量通过包含第一卷积层和第二卷积层的多尺度邻域特征提取模块以得到能耗变化关联时序特征向量；所述特征融合单元360融合所述时序特征提取单元340得到的能耗关联时序特征向量和所述变化特征提取单元350得到的能耗变化关联时序特征向量以得到分类特征向量；进而，所述监测结果生成单元370将所述特征融合单元360融合所得的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被监控设施的能耗是否正常。
具体地，在所述一体化储能管理***300的运行过程中，所述能耗监测单元310，用于获取由IESS单元采集的被监测设施在预定时间跨度内多天的能耗值。应可以理解，IESS通常用于监测建筑或设施的能源使用情况，因此，在本申请的技术方案中，通过IESS来监测建筑或设施的能源使用情况，并结合深度学习和人工智能技术来判断建筑整体或设施的能源使用情况是否正常。首先，获取由IESS单元采集的被监测设施在预定时间跨度内多天的能耗值。通过获取被监测设施在预定时间跨度内多天的能耗值，可以得到设施能源使用的时间序列数据。
具体地，在所述一体化储能管理***300的运行过程中，所述数据结构化单元320，用于将所述被监测设施在预定时间跨度内多天的能耗值按照时间维度排列为能耗时序输入向量。也就是，在本申请的技术方案中，将所述被监测设施在预定时间跨度内多天的能耗值按照时间维度排列为能耗时序输入向量。其中，所述能耗时序输入向量整合了由IESS单元采集的被监测设施在预定时间跨度内多天的能耗值，也就是说，每个特征值对应于被监测设施在某天的能耗值。
具体地，在所述一体化储能管理***300的运行过程中，所述变化信息表征单元330，用于计算所述能耗时序输入向量中每向量两个位置的能耗值之间的差值以得到能耗变化时序输入向量。也就是，计算所述能耗时序输入向量中每向量两个位置的能耗值之间的差值以得到能耗变化时序输入向量。这里，通过计算每向量两个位置之间的差值，可以得到相邻时间点之间的能耗变化情况，以消除由于能耗数据受到监测设备、环境等因素的影响而存在的偏差，进而更准确地反映能耗变化情况。
具体地，在所述一体化储能管理***300的运行过程中，所述时序特征提取单元340，用于将所述能耗时序输入向量通过包含一维卷积层和全连接层的时序编码器以得到能耗关联时序特征向量。在本申请的技术方案中，将所述能耗时序输入向量通过包含一维卷积层和全连接层的时序编码器以得到能耗关联时序特征向量。这里，所述时序编码器可以将时间序列数据转换成具有更高层次抽象特征的时序特征向量。也就是说，将所述能耗时序输入向量通过包含一维卷积层和全连接层的时序编码器，可以抽取出设施能源使用情况的在时间维度上的相关特征。具体来说，一维卷积层可以有效地捕捉能源使用情况的局部时间特征，全连接层则可以将这些局部时间特征整合起来得到全局时间特征。通过这样的方式，能够有效地抽取出设施能源使用情况的时间相关特征，便于后续分类处理。
图3为根据本申请实施例的一体化储能管理***中时序特征提取单元的框图。如图3所示，所述时序特征提取单元340，包括：全连接编码子单元341，用于使用所述时序编码器的全连接层以如下公式对所述能耗时序输入向量进行全连接编码以分别提取出所述能耗时序输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中/>是所述能耗时序输入向量，/>是输出向量，/>是权重矩阵，/>是偏置向量，/>表示矩阵相乘；一维卷积编码子单元342，用于使用所述时序编码器的一维卷积层以如下公式对所述能耗时序输入向量进行一维卷积编码以分别提取出所述能耗时序输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：/>其中，/>为卷积核在 />方向上的宽度、/>为卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，/>为卷积核的尺寸，/>表示所述能耗时序输入向量，/>表示对所述能耗时序输入向量进行一维卷积编码。
具体地，在所述一体化储能管理***300的运行过程中，所述变化特征提取单元350，用于将所述能耗变化时序输入向量通过包含第一卷积层和第二卷积层的多尺度邻域特征提取模块以得到能耗变化关联时序特征向量。在得到所述能耗变化时序输入向量后，进一步将所述能耗变化时序输入向量通过包含第一卷积层和第二卷积层的多尺度邻域特征提取模块以得到能耗变化关联时序特征向量。应当可以理解，能耗变化关联时序特征向量反映的是设施能源使用情况的变化情况，通过采用多尺度邻域特征提取模块，可以从时间序列数据中抽取出不同尺度的特征，进一步提高对设施能源使用情况的分析和判断的准确度。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
图4为根据本申请实施例的一体化储能管理***中变化特征提取单元的框图。如图4所示，所述变化特征提取单元350，包括：第一邻域尺度特征提取子单元351，用于将所述能耗变化时序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能耗变化关联时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度特征提取子单元352，用于将所述能耗变化时序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能耗变化关联时序特征向量，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，多尺度级联子单元353，用于将所述第一邻域尺度能耗变化关联时序特征向量和所述第二邻域尺度能耗变化关联时序特征向量进行级联以得到所述能耗变化关联时序特征向量。其中，所述第一邻域尺度特征提取子单元351，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一维卷积公式对所述能耗变化时序输入向量进行一维卷积编码以得到第一邻域尺度能耗变化关联时序特征向量；其中，所述公式为：，其中，/>为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、 />为与卷积核函数运算的局部向量矩阵，/>为第一卷积核的尺寸，/>表示所述能耗变化时序输入向量，/>表示对所述能耗变化时序输入向量进行一维卷积编码；以及，所述第二邻域尺度特征提取子单元352，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一维卷积公式对所述能耗变化时序输入向量进行一维卷积编码以得到所述第二邻域尺度能耗变化关联时序特征向量；其中，所述公式为：/>，其中，/>为第二卷积核在/>方向上的宽度、/>为第二卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，/>为第二卷积核的尺寸，/>表示所述能耗变化时序输入向量，/>表示对所述能耗变化时序输入向量进行一维卷积编码。
具体地，在所述一体化储能管理***300的运行过程中，所述特征融合单元360，用于融合所述能耗关联时序特征向量和所述能耗变化关联时序特征向量以得到分类特征向量。在本申请的技术方案中，为了能够综合考虑设施的能源使用情况和能耗变化情况，提高对设施能源使用情况的分析和判断的准确度，融合所述能耗关联时序特征向量和所述能耗变化关联时序特征向量以得到分类特征向量。也就是，将反映了设施能源使用情况的时间相关特征的所述能耗关联时序特征向量和反映了设施能源使用情况的变化情况的所述能耗变化关联时序特征向量融合起来，使得所述分类特征向量具有更为出色的信息表征能力。这里，在融合所述能耗关联时序特征向量和所述能耗变化关联时序特征向量得到所述分类特征向量时，由于所述能耗关联时序特征向量和所述能耗变化关联时序特征向量分别表达能耗绝对值和能耗变化值的时序关联特征，因此其相对于分类器的类标签的概率分布会存在差异，由此，在融合后的所述分类特征向量通过分类器时，所述能耗关联时序特征向量和所述能耗变化关联时序特征向量各自的特征分布在模型的参数空间内后向传播通过分类器时，也会遇到由于概率分布的移位导致的各自的特征概率分布表达的退化问题，从而影响所述分类特征向量的特征表达效果。基于此，本申请的申请人引入针对所述能耗关联时序特征向量和所述能耗变化关联时序特征向量/>的概率分布移位信息补偿损失函数，表示为：/>，其中，/>和/>分别是所述能耗关联时序特征向量和所述能耗变化关联时序特征向量，/>和/>为移位补偿超参数，且 />加权超参数，/>表示以2为底的对数函数值，/>表示/>函数，表示 />函数，/>表示所述概率分布移位信息补偿损失函数值。这里，基于Softmax函数从所述能耗关联时序特征向量/>和所述能耗变化关联时序特征向量/>分别得到的类概率值本身会对于各自的特征分布遵循概率分布，使用所述概率分布移位信息补偿损失函数来对所述能耗关联时序特征向量/>和所述能耗变化关联时序特征向量/>的特征表示的概率分布的移位来进行信息补偿，并通过bool函数来使得补偿带来的交叉信息熵最大化，这样，可以使得融合后的所述分类特征向量的特征分布能够最大程度地还原融合前的所述能耗关联时序特征向量/>和所述能耗变化关联时序特征向量/>的特征概率分布表达信息，从而提升所述分类特征向量的特征表达效果，以改进其通过分类器得到的分类结果的准确性。
图5为根据本申请实施例的一体化储能管理***中特征融合单元的框图。如图5所示，所述特征融合单元360，包括：信息补偿损失子单元361，用于计算针对所述能耗关联时序特征向量和所述能耗变化关联时序特征向量的概率分布移位信息补偿损失函数值；加权子单元362，用于基于所述概率分布移位信息补偿损失函数值对所述能耗关联时序特征向量和所述能耗变化关联时序特征向量进行加权以得到加权后能耗关联时序特征向量和加权后能耗变化关联时序特征向量；以及，融合子单元363，用于融合所述加权后能耗关联时序特征向量和所述加权后能耗变化关联时序特征向量以得到所述分类特征向量。其中，所述融合子单元363，包括: 以如下级联公式来融合所述加权后能耗关联时序特征向量和所述加权后能耗变化关联时序特征向量以得到所述分类特征向量；其中，所述公式为：，其中，/>表示所述加权后能耗关联时序特征向量，/>表示所述加权后能耗变化关联时序特征向量，/>表示级联函数，/> 表示所述分类特征向量。
具体地，在所述一体化储能管理***300的运行过程中，所述监测结果生成单元370，用于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被监控设施的能耗是否正常。也就是，在得到所述分类特征向量之后，进一步将其通过分类器以获得用于表示被监控设施的能耗是否正常的分类结果，具体地，使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果，其中，所述公式为：，其中，/>到/>为权重矩阵，/>到/>为偏置向量，/>为分类特征向量。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，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分类标签。其中，所述分类器可以根据所述分类特征向量对设施的能源使用情况进行分类，即被监控设施的能耗正常和被监控设施的能耗不正常。这样，基于分类结果就可以及时判断出设施的能源使用情况是否符合预期，如果存在能源浪费或异常使用现象，则可以采取相应的措施予以调整和优化。同时，分类结果还可以作为反馈信息，帮助用户优化设施的能源管理策略，进一步提高能源利用效率，降低能耗成本。
综上，根据本申请实施例的一体化储能管理***300被阐明，其通过采用基于深度学习的人工智能技术挖掘出设施的能源使用情况和能耗变化情况之间的隐含关联信息，以此来更准确地判断建筑整体或设施的能源使用情况是否正常，通过这样的方式，可进一步提示进行对设施或者建筑进行用能排查，以及时发现能源浪费等问题。
如上所述，根据本申请实施例的一体化储能管理***可以实现在各种终端设备中。在一个示例中，根据本申请实施例的一体化储能管理***300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，该一体化储能管理***300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，该一体化储能管理***300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，该一体化储能管理***300与该终端设备也可以是分立的设备，并且该一体化储能管理***300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。
示例性方法：图6为根据本申请实施例的一体化储能管理方法的流程图。如图6所示，根据本申请实施例的一体化储能管理方法，包括步骤：S110，获取由IESS单元采集的被监测设施在预定时间跨度内多天的能耗值；S120，将所述被监测设施在预定时间跨度内多天的能耗值按照时间维度排列为能耗时序输入向量；S130，计算所述能耗时序输入向量中每向量两个位置的能耗值之间的差值以得到能耗变化时序输入向量；S140，将所述能耗时序输入向量通过包含一维卷积层和全连接层的时序编码器以得到能耗关联时序特征向量；S150，将所述能耗变化时序输入向量通过包含第一卷积层和第二卷积层的多尺度邻域特征提取模块以得到能耗变化关联时序特征向量；S160，融合所述能耗关联时序特征向量和所述能耗变化关联时序特征向量以得到分类特征向量；以及，S170，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被监控设施的能耗是否正常。
在一个示例中，在上述一体化储能管理方法中，所述步骤S140，包括：使用所述时序编码器的全连接层以如下公式对所述能耗时序输入向量进行全连接编码以分别提取出所述能耗时序输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中/>是所述能耗时序输入向量，/>是输出向量，/>是权重矩阵，/>是偏置向量，/>表示矩阵相乘；使用所述时序编码器的一维卷积层以如下公式对所述能耗时序输入向量进行一维卷积编码以分别提取出所述能耗时序输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：/>其中，/>为卷积核在方向上的宽度、/>为卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，/>为卷积核的尺寸，/>表示所述能耗时序输入向量，/>表示对所述能耗时序输入向量进行一维卷积编码。
在一个示例中，在上述一体化储能管理方法中，所述步骤S150，包括：将所述能耗变化时序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能耗变化关联时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述能耗变化时序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能耗变化关联时序特征向量，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能耗变化关联时序特征向量和所述第二邻域尺度能耗变化关联时序特征向量进行级联以得到所述能耗变化关联时序特征向量。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。更具体地，将所述能耗变化时序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能耗变化关联时序特征向量，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一维卷积公式对所述能耗变化时序输入向量进行一维卷积编码以得到第一邻域尺度能耗变化关联时序特征向量；其中，所述公式为：，其中，/>为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、 />为与卷积核函数运算的局部向量矩阵，/>为第一卷积核的尺寸，/>表示所述能耗变化时序输入向量，/>表示对所述能耗变化时序输入向量进行一维卷积编码；以及所述第二邻域尺度特征提取子单元，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一维卷积公式对所述能耗变化时序输入向量进行一维卷积编码以得到所述第二邻域尺度能耗变化关联时序特征向量；其中，所述公式为：，其中，/>为第二卷积核在/>方向上的宽度、/>为第二卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，/>为第二卷积核的尺寸，/>表示所述能耗变化时序输入向量，/>表示对所述能耗变化时序输入向量进行一维卷积编码。
在一个示例中，在上述一体化储能管理方法中，所述步骤S160，包括：计算针对所述能耗关联时序特征向量和所述能耗变化关联时序特征向量的概率分布移位信息补偿损失函数值；基于所述概率分布移位信息补偿损失函数值对所述能耗关联时序特征向量和所述能耗变化关联时序特征向量进行加权以得到加权后能耗关联时序特征向量和加权后能耗变化关联时序特征向量；以及，融合所述加权后能耗关联时序特征向量和所述加权后能耗变化关联时序特征向量以得到所述分类特征向量。其中，计算针对所述能耗关联时序特征向量和所述能耗变化关联时序特征向量的概率分布移位信息补偿损失函数值，包括：以如下公式计算针对所述能耗关联时序特征向量和所述能耗变化关联时序特征向量的概率分布移位信息补偿损失函数值；其中，所述公式为：，其中，/>和/>分别是所述能耗关联时序特征向量和所述能耗变化关联时序特征向量，/>和/>为移位补偿超参数，且 />加权超参数，/>表示以2为底的对数函数值，/>表示/>函数，/>表示函数，/>表示所述概率分布移位信息补偿损失函数值。更具体地，融合所述加权后能耗关联时序特征向量和所述加权后能耗变化关联时序特征向量以得到所述分类特征向量，包括：以如下级联公式来融合所述加权后能耗关联时序特征向量和所述加权后能耗变化关联时序特征向量以得到所述分类特征向量；其中，所述公式为：/>，其中，/>表示所述加权后能耗关联时序特征向量，/>表示所述加权后能耗变化关联时序特征向量，/>表示级联函数，/> 表示所述分类特征向量。
在一个示例中，在上述一体化储能管理方法中，所述步骤S170，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果，其中，所述公式为：，其中，/>到/>为权重矩阵，/>到/>为偏置向量，/>为分类特征向量。
综上，根据本申请实施例的一体化储能管理方法被阐明，其通过采用基于深度学习的人工智能技术挖掘出设施的能源使用情况和能耗变化情况之间的隐含关联信息，以此来更准确地判断建筑整体或设施的能源使用情况是否正常，通过这样的方式，可进一步提示进行对设施或者建筑进行用能排查，以及时发现能源浪费等问题。
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一体化储能管理***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发电量多尺度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一体化储能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一体化储能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 (10)

1.一种一体化储能管理***，其特征在于，包括：能耗监测单元，用于获取由IESS单元采集的被监测设施在预定时间跨度内多天的能耗值；数据结构化单元，用于将所述被监测设施在预定时间跨度内多天的能耗值按照时间维度排列为能耗时序输入向量；变化信息表征单元，用于计算所述能耗时序输入向量中每向量两个位置的能耗值之间的差值以得到能耗变化时序输入向量；时序特征提取单元，用于将所述能耗时序输入向量通过包含一维卷积层和全连接层的时序编码器以得到能耗关联时序特征向量；变化特征提取单元，用于将所述能耗变化时序输入向量通过包含第一卷积层和第二卷积层的多尺度邻域特征提取模块以得到能耗变化关联时序特征向量；特征融合单元，用于融合所述能耗关联时序特征向量和所述能耗变化关联时序特征向量以得到分类特征向量；以及监测结果生成单元，用于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被监控设施的能耗是否正常。
2.根据权利要求1所述的一体化储能管理***，其特征在于，所述时序特征提取单元，包括：全连接编码子单元，用于使用所述时序编码器的全连接层以如下公式对所述能耗时序输入向量进行全连接编码以分别提取出所述能耗时序输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中/>是所述能耗时序输入向量，/>是输出向量，/>是权重矩阵，/>是偏置向量，/>表示矩阵相乘；一维卷积编码子单元，用于使用所述时序编码器的一维卷积层以如下公式对所述能耗时序输入向量进行一维卷积编码以分别提取出所述能耗时序输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：/>其中，/>为卷积核在 />方向上的宽度、/>为卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，/>为卷积核的尺寸，/>表示所述能耗时序输入向量，/>表示对所述能耗时序输入向量进行一维卷积编码。
3.根据权利要求2所述的一体化储能管理***，其特征在于，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
4.根据权利要求3所述的一体化储能管理***，其特征在于，所述变化特征提取单元，包括：第一邻域尺度特征提取子单元，用于将所述能耗变化时序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能耗变化关联时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度特征提取子单元，用于将所述能耗变化时序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能耗变化关联时序特征向量，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；以及多尺度级联子单元，用于将所述第一邻域尺度能耗变化关联时序特征向量和所述第二邻域尺度能耗变化关联时序特征向量进行级联以得到所述能耗变化关联时序特征向量;其中，所述第一邻域尺度特征提取子单元，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一维卷积公式对所述能耗变化时序输入向量进行一维卷积编码以得到第一邻域尺度能耗变化关联时序特征向量；其中，所述公式为：，其中，/>为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、 />为与卷积核函数运算的局部向量矩阵，/>为第一卷积核的尺寸，/>表示所述能耗变化时序输入向量，/>表示对所述能耗变化时序输入向量进行一维卷积编码；以及所述第二邻域尺度特征提取子单元，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一维卷积公式对所述能耗变化时序输入向量进行一维卷积编码以得到所述第二邻域尺度能耗变化关联时序特征向量；其中，所述公式为：，其中，/>为第二卷积核在/>方向上的宽度、/>为第二卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，/>为第二卷积核的尺寸，/>表示所述能耗变化时序输入向量，/>表示对所述能耗变化时序输入向量进行一维卷积编码。
5.根据权利要求4所述的一体化储能管理***，其特征在于，所述特征融合单元，包括：信息补偿损失子单元，用于计算针对所述能耗关联时序特征向量和所述能耗变化关联时序特征向量的概率分布移位信息补偿损失函数值；加权子单元，用于基于所述概率分布移位信息补偿损失函数值对所述能耗关联时序特征向量和所述能耗变化关联时序特征向量进行加权以得到加权后能耗关联时序特征向量和加权后能耗变化关联时序特征向量；以及融合子单元，用于融合所述加权后能耗关联时序特征向量和所述加权后能耗变化关联时序特征向量以得到所述分类特征向量。
6.根据权利要求5所述的一体化储能管理***，其特征在于，所述信息补偿损失子单元，用于：以如下公式计算针对所述能耗关联时序特征向量和所述能耗变化关联时序特征向量的概率分布移位信息补偿损失函数值；其中，所述公式为：，其中，/>和/>分别是所述能耗关联时序特征向量和所述能耗变化关联时序特征向量，/>和/>为移位补偿超参数，且 />加权超参数，/>表示以2为底的对数函数值，/>表示/>函数，/>表示函数，/>表示所述概率分布移位信息补偿损失函数值。
7. 根据权利要求6所述的一体化储能管理***，其特征在于，所述融合子单元，用于：以如下级联公式来融合所述加权后能耗关联时序特征向量和所述加权后能耗变化关联时序特征向量以得到所述分类特征向量；其中，所述公式为：，其中，/>表示所述加权后能耗关联时序特征向量，/>表示所述加权后能耗变化关联时序特征向量，表示级联函数，/> 表示所述分类特征向量。
8.根据权利要求7所述的一体化储能管理***，其特征在于，所述监测结果生成单元,用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果，其中，所述公式为：，其中，/>到/>为权重矩阵，/>到/>为偏置向量，/>为分类特征向量。
9.一种一体化储能管理方法，其特征在于，包括：获取由IESS单元采集的被监测设施在预定时间跨度内多天的能耗值；将所述被监测设施在预定时间跨度内多天的能耗值按照时间维度排列为能耗时序输入向量；计算所述能耗时序输入向量中每向量两个位置的能耗值之间的差值以得到能耗变化时序输入向量；将所述能耗时序输入向量通过包含一维卷积层和全连接层的时序编码器以得到能耗关联时序特征向量；将所述能耗变化时序输入向量通过包含第一卷积层和第二卷积层的多尺度邻域特征提取模块以得到能耗变化关联时序特征向量；融合所述能耗关联时序特征向量和所述能耗变化关联时序特征向量以得到分类特征向量；以及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被监控设施的能耗是否正常。
10.根据权利要求9所述的一种一体化储能管理方法，其特征在于，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被监控设施的能耗是否正常，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果，其中，所述公式为：，其中，/>到/>为权重矩阵，/>到/>为偏置向量，/>为分类特征向量。
CN202310468867.9A 2023-04-27 2023-04-27 一体化储能管理***及能量管理方法 Pending CN117094651A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310468867.9A CN117094651A (zh) 2023-04-27 2023-04-27 一体化储能管理***及能量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310468867.9A CN117094651A (zh) 2023-04-27 2023-04-27 一体化储能管理***及能量管理方法

Publications (1)

Publication Number Publication Date
CN117094651A true CN117094651A (zh) 2023-11-21

Family

ID=88775853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310468867.9A Pending CN117094651A (zh) 2023-04-27 2023-04-27 一体化储能管理***及能量管理方法

Country Status (1)

Country Link
CN (1) CN117094651A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117892252A (zh) * 2024-03-18 2024-04-16 浙江威星电子***软件股份有限公司 基于大数据的智慧园区运营管理平台
CN118071385A (zh) * 2024-04-18 2024-05-24 湖北华中电力科技开发有限责任公司 一种面向全物联网架构的营销业务融合方法和***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117892252A (zh) * 2024-03-18 2024-04-16 浙江威星电子***软件股份有限公司 基于大数据的智慧园区运营管理平台
CN118071385A (zh) * 2024-04-18 2024-05-24 湖北华中电力科技开发有限责任公司 一种面向全物联网架构的营销业务融合方法和***

Similar Documents

Publication Publication Date Title
Zhai et al. MLP neural network based gas classification system on Zynq SoC
CN115759658A (zh) 适用于智慧城市的企业能耗数据管理***
Wei et al. Learning the health index of complex systems using dynamic conditional variational autoencoders
CN117041017B (zh) 数据中心的智能运维管理方法及***
KR102150170B1 (ko) 패턴 태깅 기술 기반 전력 데이터 예측 방법 및 시스템
Hou et al. Stock trend prediction with multi-granularity data: A contrastive learning approach with adaptive fusion
Guo et al. A hybrid prognosis scheme for rolling bearings based on a novel health indicator and nonlinear Wiener process
CN117077075A (zh) 用于环境保护的水质监测***及其方法
CN117094651A (zh) 一体化储能管理***及能量管理方法
Souza et al. A nilm dataset for cognitive meters based on conservative power theory and pattern recognition techniques
Raghavendra et al. Artificial humming bird with data science enabled stability prediction model for smart grids
CN110502751A (zh) 大电网运行态势感知方法、终端设备和存储介质
CN116759053A (zh) 基于物联网***的医疗体系防控方法及***
CN115324843A (zh) 基于监测数据的风力发电机组的故障诊断***及其方法
Javaid et al. Non-technical losses detection using autoencoder and bidirectional gated recurrent unit to secure smart grids
Song et al. Dynamic thermal line rating model of conductor based on prediction of meteorological parameters
CN116526670A (zh) 面向电力大数据可视化的信息融合方法
CN117011609A (zh) 纺织品加工进度自动跟踪***及其方法
CN115018212B (zh) 发电用水量预测分析方法、***及云平台
CN116785967A (zh) 用于电子级六氟磷酸锂制备的自动配料***
Mollaiee et al. Novel continuous learning scheme for online static security assessment based on the weather‐dependent security index
Lu et al. BOF steelmaking endpoint carbon content and temperature soft sensor based on supervised dual-branch DBN
Chen et al. Variational encoding based on factorized temporal-channel fusion and feature fusion for interpretable remaining useful life prediction
Yu et al. Interpretable data‐driven contingency classification for real‐time corrective security‐constrained economic dispatch
Xu et al. High-Dimensional Feature Selection for Power System Congestion Event Prognosis With Enhanced Evolutionary Computation

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