CN109901442B - 非侵入式能耗检测方法及系统 - Google Patents

Abstract

本申请提供一种非侵入式能耗检测方法及系统，其中，所述非入侵式能耗检测方法包括：对所获取负载的能耗序列进行变点检测得到变点序列；基于预先得到的设备运行状态变化所对应的能耗变化信息，对引起所述变点序列的设备运行状态变化事件序列进行映射识别以对所述负载中的相应设备进行能耗监控。本申请通过对所收集的负载的能耗序列进行变点检测，以及根据预先得到的设备运行状态变化所对应的能耗变化信息来确定产生变点的设备运行状态变化事件，由此实现了以非入侵方式对所关心的设备运行变化进行能耗检测。

Description

非侵入式能耗检测方法及系统

技术领域

本申请涉及能耗监测与设备自动控制领域，尤其涉及一种非入侵式能耗检测方法及系统。

背景技术

近年来，世界各地的能源价格和消费量都在急剧增长，预计今后几年将继续沿着这一趋势发展。这是由许多因素影响的，其中，工业、商业和住宅用电量随着人们创新能力、生活品质、消费能力的不断提升而快速增长。据统计用电量以每年1.4％的速度增长着。鉴于这些数据以及住宅和商业建筑不断建造，用电量持续上升的态势提升了人们的能源效率意识。

为了实现节能目标，电器或设备可以更高效节能的替代品取代，住户或业主可以改变他们的行为以减少耗能设备的使用，利用自动楼宇管理解决方案可以在楼宇控制设备的运行以达到低能耗或安排非高峰需求期间降低能源成本的操作。然而这些方案都需要增加传感器设备甚至改造设备本身，这对于更统筹的管理设备运行以减少设备能耗是不利的。

发明内容

本申请提供一种非入侵式能耗检测方法及系统，用于解决对已使用设备无入侵式地进行能耗检测的问题。

为实现上述目的及其他目的，本申请在第一方面提供一种能耗检测方法包括：对所获取负载的能耗序列进行变点检测得到变点序列；基于预先得到的设备运行状态变化所对应的能耗变化信息，对引起所述变点序列的设备运行状态变化事件序列进行映射识别以对所述负载中的相应设备进行能耗监控。

在所述第一方面的某些实施方式中，所述方法还包括：通过连接在总供电回路上的采集装置获取所述能耗序列。

在所述第一方面的某些实施方式中，所述能耗序列中相邻能耗数据的采样间隔在(0，60]s 范围内。

在所述第一方面的某些实施方式中，所述对所获取负载的能耗序列进行变点检测的方式包括：利用贝叶斯算法对所述能耗序列中各能耗数据进行变点检测。

在所述第一方面的某些实施方式中，所述变点序列为在所述能耗序列中所获取的由多个包含所检测到的变点的能耗子序列所构成的序列。

在所述第一方面的某些实施方式中，所述基于预先得到的设备运行状态变化所对应的能耗变化信息，对引起所述变点序列的设备运行状态变化事件序列进行映射识别的方式包括：基于所述能耗变化信息与所述变点序列中能耗子序列的能耗偏差，对所述变点序列中各变点与各设备运行状态变化事件进行映射识别。

在所述第一方面的某些实施方式中，所述基于预先得到的设备运行状态变化所对应的能耗变化信息，对引起所述变点序列的设备运行状态变化事件序列进行映射识别的方式包括：基于预先得到的设备能耗参数和设备运行的影响因素中的至少一种，调整所述变点序列中变点与设备运行状态变化事件的映射关系。

在所述第一方面的某些实施方式中，还包括预先提供所述设备能耗参数和设备运行的影响因素中的至少一种的输入界面以获取相应的设备能耗参数和设备运行的影响因素的步骤。

在所述第一方面的某些实施方式中，所述设备运行状态变化包括设备启停状态转换、和设备运行期间在多个运行状态之间转换中的至少一种。

在所述第一方面的某些实施方式中，所述设备运行状态变化所对应的能耗变化信息是采用非侵入方式获得的。

在所述第一方面的某些实施方式中，还包括将所述变点序列进行机器学习以得到所述能耗变化信息的步骤。

在所述第一方面的某些实施方式中，所述设备运行状态变化事件包含变频设备的运行状态变化。

本申请在第二方面提供一种非入侵式能耗检测系统，包括：采集装置，用于采集负载的能耗数据；至少一个存储装置，用于保存经所述采集装置采集的能耗数据和至少一个计算机程序；至少一个处理装置，用于执行所述至少一个计算机程序，使得以所述能耗数据所形成的能耗序列进行如上任一所述的方法的能耗检测。

在所述第二方面的某些实施方式中，所述采集装置在(0，60]s的间隔范围内采集能耗数据。

在所述第二方面的某些实施方式中，所述采集装置与连接在总供电回路的电能表相连。

在所述第二方面的某些实施方式中，所述采集装置所采集的能耗数据包含变频设备运行所产生的能耗数据。

本申请在第三方面提供一种服务端，用于与采集装置通信连接，其中，所述采集装置用于采集总供电回路上负载的能耗数据，所述服务端包括：一个或多个处理器；一个或多个存储器，用于保存所述采集装置提供的能耗数据和至少一个计算机程序；当所述一个或多个计算机程序被所述一个或多个处理器执行时，使得所述一个或多个处理器以所述能耗数据所形成的能耗序列进行如上任一所述的方法的能耗检测。

本申请在第四方面提供一种非入侵式能耗检测系统，包括：变点检测模块，用于对所获取负载的能耗序列进行变点检测得到变点序列；能耗检测模块，用于基于预先得到的设备运行状态变化所对应的能耗变化信息，对引起所述变点序列的设备运行状态变化事件序列进行映射识别以对所述负载中的相应设备进行能耗监控。

在所述第四方面的某些实施方式中，所述系统还包括能耗收集模块，用于获取自总供电回路上采样得到的能耗序列。

在所述第四方面的某些实施方式中，所述能耗序列中相邻能耗数据的采样间隔在(0，60]s 范围内。

在所述第四方面的某些实施方式中，所述变点检测模块用于利用贝叶斯算法对所述能耗序列中各能耗数据进行变点检测。

在所述第四方面的某些实施方式中，所述变点序列为在所述能耗序列中所获取的由多个包含所检测到的变点的能耗子序列所构成的序列。

在所述第四方面的某些实施方式中，所述能耗检测模块用于基于所述能耗变化信息与所述变点序列中能耗子序列的能耗偏差，对所述变点序列中各变点与各设备运行状态变化事件进行映射识别。

在所述第四方面的某些实施方式中，所述能耗检测模块用于基于预先得到的设备能耗参数和设备运行的影响因子中的至少一种，调整所述变点序列中变点与设备运行状态变化事件的映射关系。

在所述第四方面的某些实施方式中，所述系统还包括输入模块，用于预先提供所述设备能耗参数和设备运行的影响因素中的至少一种的输入界面以预先获取所述设备能耗参数和设备运行的影响因素中至少一种。

在所述第四方面的某些实施方式中，所述设备运行状态变化包括设备启停状态转换、和设备运行期间在多个运行状态之间转换中的至少一种。

在所述第四方面的某些实施方式中，所述设备运行状态变化所对应的能耗变化信息是采用非侵入方式获得的。

在所述第四方面的某些实施方式中，所述系统还包括：学习模块，用于利用所述变点序列进行机器学习以得到所述能耗变化信息。

在所述第四方面的某些实施方式中，所述设备运行状态变化事件包含变频设备的运行状态变化。

本申请所提供的非入侵式能耗检测方法及系统，通过对所收集的负载的能耗序列进行变点检测，以及根据预先得到的设备运行状态变化所对应的能耗变化信息来确定产生变点的设备运行状态变化事件，由此实现了以非入侵方式对所关心的设备运行变化进行能耗检测。

附图说明

图1为本申请的非入侵式能耗检测方法在一实施方式中的流程图。

图2a、2b、2c、2d为利用变点序列进行机器学习而得到的能耗变化特征曲线示意图。

图3为基于一个能耗子序列所勾勒的能耗变化曲线。

图4为本申请的非入侵式能耗检测系统在一实施方式中的设备架构示意图。

图5为本申请的非入侵式能耗检测系统在另一实施方式中的设备架构示意图。

图6为本申请的服务端所包含的硬件在一实施方式中的结构示意图。

图7为本申请的非入侵式能耗检测系统的程序模块在一实施方式中的结构示意图

具体实施方式

以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。

需要说明的是，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本申请可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本申请所能产生的功效及所能达成的目的下，均应仍落在本申请所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本申请可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本申请可实施的范畴。

办公园区、写字楼、工业场地以及住宅楼群中的用电设备种类很多，有如电灯、打印机、电脑等小电器设备，也有如电视、冰箱等家用电器，还有如电梯、中央空调、水泵、风机等大型变频设备(集群)。其中，小电器和家用电器的使用与停用与人们的行为密切相关并不适合进行统筹监控，而公共设备，特别是大型变频设备(集群)，由于功耗大、工控集中度较高，故而对其采用更为智能化的监控将有利于设备的高效、节能运行。

为了统筹地、系统地管控大型场所各设备(特别是大型工业变频设备)的运行，在每个设备上安装管控装置是不可能的。为此，近年来利用非入侵式检测能耗的技术研究逐渐兴起。然而受数据量大、数据复杂度高、设备种类多等多种因素的影响，需要大量的数据预先对重点监管设备的运行过程进行机器学习。这一方面需要场所的设备管理系统配合提供专用于被监管设备的运行数据以用于机器学习，另一方面限制了场所内设备更新，因为每当设备更新都意味着需要重新进行机器学习。事实上，整个学习的过程由于需要大量数据，对场所内的用电设备的正常使用造成严重制约，不利于对已运行设备进行智能化管控。

为了解决上述问题，并实现大功耗设备(集群)的能耗优化监控目的，本申请提供一种非侵入式能耗检测方法。所述非入侵式能耗检测方法主要由非入侵式能耗检测系统来执行。其中，所述非入侵式能耗检测系统包含安装在计算机设备中的软件和硬件。所述计算机设备可以是安装在上述场所总控室的服务器、位于网络中的服务器(集群)等。其中，所述服务器(集群)包括但不限于：单台服务器、分布式服务器、和云服务平台等。

其中，所述云服务平台包括公共云(Public Cloud)服务平台与私有云(PrivateCloud) 服务平台，其中，所述公共或私有云服务平台包括Software-as-a-Service(软件即服务，简称 SaaS)、Platform-as-a-Service(平台即服务，简称PaaS)及Infrastructure-as-a-Service(基础设施即服务，简称IaaS)等。所述私有云服务平台例如阿里云计算服务平台、亚马逊(Amazon) 云计算服务平台、百度云计算平台、腾讯云计算平台、或者企业内部私有云等等。

所述非入侵式能耗检测系统进行能耗检测所使用的数据来自于所监控场所在线采集的用电数据序列，即能耗序列。为此，所述非入侵式能耗检测系统还包括能够获取所述能耗序列的采集装置及内置在相应装置的软件。其中，所述能耗序列提供按照采样顺序排布的多个能耗数据。所述能耗数据举例但不限于：功率数据、电流数据、电压数据、功率因数等。其中，所述采集装置可以是连接在所监控场所的总供电回路上的专用采集装置或内置能耗数据采样功能的电能表。例如，专用采集装置与安装在所述供电回路上的电能表相连，并不断地采集能耗数据以形成能耗序列。或者，所述采集装置为能够提供能耗序列的第三方设备，如内置能耗数据采样功能的第三方电能表、第三方的供电监控系统等。其中，所述供电监控系统可通过对所收集的能耗序列的分析对所连接的各电路回路上的设备进行供电监控。例如，所述非入侵式能耗检测系统自工厂的供电总控系统获取能耗序列。又如，所述非入侵式能耗检测系统自写字楼群的远程供电监控系统获取能耗序列。

在此，所述能耗序列的采样间隔可由提供所述能耗序列的采样装置而定。在一些具体示例中，直接连接在电能表上的专用采集装置或内置采集功能的电能表可按照预设的采样间隔采集能耗数据。其中，受所连接的电能表等计量装置的硬件能力限制，或者采集装置所接入的数据通路(如移动数据网络、局域网络、自组网、物联网、电力网等)的带宽对输出能耗数据的数据量的限制，或者受所连接的电能表等计量装置的硬件能力和采集装置所接入的数据通路的带宽对输出能耗数据的数据量的限制，所述采样间隔在(0，60]范围内较能满足本申请对能耗检测的数据量需求。例如，所述采样间隔为1s、2s、3s、4s、5s、6s、7s、8s、9s、 10s、11s、12s、13s、14s、15s、16s、17s、18s、19s、20s、21s、22s、23s、24s、25s、26s、27s、28s、29s、30s、31s、32s、33s、34s、35s、36s、37s、38s、39s、40s、41s、42s、43s、 44s、45s、46s、47s、48s、49s、50s、51s、52s、53s、54s、55s、56s、57s、58s、59s、或60s。又如，所述采样间隔为时间间隔精度大于0.1s、甚至为更高时间间隔精度的时间间隔，如1.1s、 1.11s等。需要说明的是，上述采样间隔仅为示例性说明采样能耗数据的时间间隔，而非表示所述采样间隔仅使用上述各示例进行能耗数据的采样处理。还需要说明的是，伴随着电能表的硬件改进或数据传输成本的降低，所述采样间隔可减小至1s以内，如0.5s等，所述非入侵式能耗检测系统能够根据采样装置提供的更详细的能耗序列进行更精准地能耗检测，换言之，本领域技术人员在知晓本申请创新精神的背景下依据实际的电能表工作性能和数据传输技术的应用以调整上述为列举的时间间隔亦应属于本申请所涵盖的范围。

其中，本申请所采用的采集装置中可设有功率传感器或电压传感器以用于测量负载侧的能耗数据，或者采集装置自数据库中读取能耗数据，并通过数据线或网络传输至用于进行能耗检测的计算机设备。所述采集装置可同步或异步地将所采集的能耗数据传输至所述计算机设备中。

所述非入侵式能耗检测系统通过对所获取的能耗序列进行如下步骤的能耗分析，得到所监控设备的运行状态变化事件及能耗变化的映射关系，并藉由所述映射关系对所监控的设备进行能耗监控。其中，所述能耗监控包括但不限于以下至少一种：对所监控设备的故障检测、对所监控设备的功耗计量、以及对所监控设备进行运行优化以降低能耗。

在此，所监控设备通常为场地管理方或物业方所关注的、能耗消耗大的设备，例如变频设备、大功耗设备等，但并不限于此，本领域技术人员可根据实际设计需要利用本申请所述能耗检测方案对定频设备、小功耗设备的运行状态事件进行能耗检测。在此，所述大功耗设备举例为额定功率或最大功率在千瓦级以上的设备，或者同时包括了额定功率和最大功率在千瓦级以上的设备。所述小功耗设备举例为额定功率或最大功率在千瓦级以下的设备，或者同时包括了额定功率和最大功率在千瓦级以下的设备。

在此，与所监管的设备数量和单一设备所能变化的运行状态数量相关，设备运行装变化事件可以以一个或多个设备所有运行状态变化为属性，其中，多个设备的种类可以相同或不同。所述设备运行状态变化包括设备启停状态转换、和设备运行期间在多个运行状态之间转换中的至少一种。例如，所监控的设备包括：三台冷水泵、两台驱动电机、两台加热设备；其中，冷水泵的运行状态变化包括但不限于：启动-停止之间的状态变化、待机-工作状态之间的变化、水循环速度档位状态之间的变化、各档位工作状态转为停止状态等；驱动电机的运行变化属性包括但不限于：启动-停止之间的状态变化、待机-工作状态之间的变化、驱动档位状态之间的变化、各档位工作状态转为停止状态等；加热设备的运行变化属性包括但不限于：启动-停止之间的状态变化、待机-工作状态之间的变化、加热档位状态之间的变化、各档位工作状态转为停止状态等。我们将因运行状态变化而引起的能耗变化的时刻称为变点。

由此可见，一个变点可能是由于一台设备的运行状态变化、或多台设备的运行状态变化组合引起的。我们将可引起一个变点的一个运行状态变化或多个设备运行状态变化的组合称为一个设备运行状态变化事件。为了更精准地监控所关注设备的能耗，我们更关心由这些设备的运行状态变化而构成的设备运行状态变化事件。其中，当所监控的设备包含变频设备时，所述设备运行状态变化事件包含变频设备的运行状态变化。请参阅图1，其显示为本申请的非入侵式能耗检测方法在一实施方式中的流程图。如图所示，所述非入侵式能耗检测系统执行以下步骤：

在步骤S110中，对所获取负载的能耗序列进行变点检测得到变点序列。其中，所述负载包括采集能耗序列所在回路上的所有负载，其包括但不限于：灯、电脑、打印机等小电器，冰箱、电视等家用电器，以及所监控的如电梯、中央空调中变频的或定频的设备等。

由于本申请方案采用非入侵式的能耗检测，故而对所获取的能耗序列反映了所采集供电线路上所有负载沿时间轴的耗电情况。当负载侧有设备自停止到启动、自运行到停止、在运行期间进行档位调整、在待机状态和工作状态间切换时，负载侧的能耗都会发生变化。显然，当所监控的设备运行状态发生变化时，其对应的能耗变化也将反应在所获取的能耗序列中。

我们通过对所获取的能耗序列进行变点检测，以得到各负载能耗变化时刻，其中，所述负载能耗变化时刻(即变点)包含因所监控设备的运行状态变化而引起的能耗变化时刻。

在此，本步骤S110可根据能耗序列的数据类型选择相应的变点检测方式。例如，若所述能耗序列为电压数据类型，则可采用谐波分析等方式进行变点检测。若所述能耗序列为功率数据类型，则可采用艾伦方差、负荷探测等方式进行变点检测。在一些实施方式中，所述步骤S110利用贝叶斯算法对所述能耗序列中各能耗数据进行变点检测。例如，以初始设置的先验条件和后验条件检测第一个能耗数据是在变点前采样的可能性，当该可能性符合变点前采样概率阈值时，确定采样第一个能耗数据所对应的时刻在变点前；接着，根据所确定的第一个能耗数据对应变点前的结果，调整所述先验条件和后验条件并检测第二个能耗数据变点前能耗数据的可能性，当该可能性符合变点前条件时，确定第二个能耗数据所对应的时刻仍在变点前采样。迭代地检测各能耗数据，直到检测到一能耗数据对应的采样时刻在变点后，则确定变点出现在变点前后能耗数据的采样间隔内。利用所述贝叶斯算法检测能耗序列中的变点。

在通过对能耗序列进行变点检测后，可从所述能耗序列中提取各变点前后的能耗数据，并依时间顺序形成变点序列。或者将各变点所对应的能耗数据变化值依时间顺序形成变点序列。在一些实施方式中，所述变点序列为在所述能耗序列中所获取的由多个包含所检测到的变点的能耗子序列所构成的序列。例如，所获取的能耗序列为{p₁,p₂,p₃,......p_n}，经变点检测后，将能耗序列中变点之前的i个能耗数据和变点之后的j个能耗数据形成对应变点的能耗子序列；将各能耗子序列按时间顺序排列形成变点序列，并执行步骤S120。其中，n和j均为正整数，i≥0，其中，i和j可以相等或不等。

在步骤S120中，基于预先得到的设备运行状态变化所对应的能耗变化信息，对引起所述变点序列的设备运行状态变化事件序列进行映射识别以对所述负载中的相应设备进行能耗监控。

其中，所述设备运行状态变化所对应的能耗变化信息包括但不限于：能耗变化阈值范围、能耗变化曲线等。其中，由于变频设备的各状态转换期间采用变频技术，使得每种状态转换可能对应一种或多种能耗变化方式。故而，一个设备运行状态变化可以仅对应一个能耗变化信息、或对应多个能耗变化信息。为了不介入所监控场所各设备的正常运行，这些能耗变化信息是采用非侵入方式获得的。例如，可通过预先模拟设备运行状态变化而学习得到的、或者根据设备用电参数计算而得的。

由于实际能耗序列能够提供更真实、更复杂的能耗噪声，而上述能耗变化信息的确定方式均过于理想化，这导致上述映射关系的建立准确度有待提高。为此，在一些实施方式中，所述能耗变化信息是经机器学习得到。在此，由于本申请采用非侵入的能耗检测，故而，本申请所述方法还包括在执行所述步骤S120之前执行、或与步骤S120并行执行的步骤S130 (未予图示)。

在步骤S130中，利用所述变点序列进行机器学习以得到所述能耗变化信息。在一些实施方式中，通过一段时间积累得到对应各变点的能耗子序列；根据所监控设备的用电参数、设备中主要电器件的电特性等，对各能耗子序列进行特征分析，得到设备运行状态变化所对应的能耗变化信息。在另一些实施方式中，通过一段时间积累得到对应各变点的能耗子序列；将各能耗子序列进行聚类分类，再对同一分类的能耗子序列进行特征分析得到能耗变化信息；根据所监控设备的用电参数、设备中主要电器件的电特性等，将设备运行状态变化与各分类的能耗变化信息进行匹配，如此得到设备运行状态变化所对应的能耗变化信息。

其中，所得到的能耗变化信息举例包括以下至少一种：能耗变化趋势曲线、能耗均值变化曲线、能耗变化阈值范围等。例如，请参阅图2a、2b、2c、2d，其显示为利用变点序列进行机器学习而得到的能耗变化特征曲线示意图。

需要说明的是，所述步骤S130可根据所得到的变点序列进行持续地机器学习，并不断更新所得到的能耗变化信息，如此能为步骤S120提供更精准的能耗变化信息，以提高非入侵式能耗检测系统的检测准确性。

在得到设备运行状态变化所对应的能耗变化信息后，非入侵式能耗检测系统基于所述设备运行状态变化所对应的能耗变化信息，对引起所述变点序列的设备运行状态变化事件序列进行映射识别。

在此，根据所监控的设备及其运行状态变化数量，预设相应数量的设备运行状态变化事件；将所述变点序列中每个变点所对应的能耗子序列、能耗数据或能耗数据变化值分别与各能耗变化信息进行匹配，各匹配程度反映了在变点时刻各设备产生各运行状态变化的可能性 P1；基于各可能性P1确定单个变点处产生设备运行状态变化事件的可能性P2，以及关联了变点序列中多个变点的设备运行状态变化事件组合的可能性P3；基于所述变点序列中各变点与各设备运行状态变化事件对应的可能性P2和P3，得到所述变点序列中各变点与各设备运行状态变化事件的映射关系。由此，所述非入侵式能耗检测系统可根据所得到的映射关系检测相应设备运行状态变化时的能耗变化。

其中，同一设备的不同状态转换可能是互斥的。例如，同一设备从启动到停止的状态转换与从停止到启动的状态转换是不可能同时发生的。另外，在基于时序产生的多个设备运行期间，同一设备的不同状态转换及不同设备之间的状态转换是互相制肘的。例如，若变点A1 是由设备D1从启动到停止状态转换引起的，则在未检测出设备D1从停止到启动状态转换的变点之前，此区间的内变点不可能由设备D1从启动到停止状态转换、或设备D1工作或待机之间的任何状态转换。因此，在计算各可能性P1、P2和P3前对各可能进行初始赋值时，在计算所述可能性P1、P2和P3时，或者在基于可能性P2和P3进行映射关系确定时，可基于上述排斥条件进行相应可能性或映射关系的调整，亦或基于上述排斥条件进行相应可能性及映射关系的调整，以提高检测准确性。

在一些实施方式中，基于所述能耗变化信息与所述变点序列中能耗子序列的能耗偏差，对所述变点序列中各变点与各设备运行状态变化事件进行映射识别。具体地，所述非入侵式能耗检测系统执行以下步骤：

在步骤S121中，遍历地将所有能耗变化信息与变点序列中单个能耗子序列进行能耗比对，得到一组能耗偏差，重复上述遍历步骤得到变点序列中所有能耗子序列所对应的能耗偏差组。例如，请参阅图2a、2b、2c、2d和图3，其中，图2a、2b、2c、2d中的各能耗变化信息E1-E4以下述对应关系为例：能耗变化信息E1被描述为设备A1从启动到停止的状态变化，能耗变化信息E2被描述为设备A1从停止到启动的状态变化，能耗变化信息E3被描述为设备A2从启动到停止的状态变化，以及能耗变化信息E4被描述为设备A2从停止到启动的状态变化；图3显示为基于一个能耗子序列所勾勒的能耗变化曲线。将能耗子序列L1的能耗变化曲线与各能耗变化信息E1-E4逐一地进行偏差计算，得到4个能耗偏差，这4个能耗偏差作为一个能耗偏差组。其中，所述偏差计算的方式包括但不限于以下任一种或多种：计算能耗差曲线、计算求取能耗差的平均值、计算能耗变化的特征误差等。按照上述偏差计算方式得到对应能耗子序列L2、…、Lm各自的能耗偏差组。

在步骤S122中，基于所得到的能耗偏差组计算相应变点产生各设备运行状态变化事件的可能性。例如，利用预设的统计算法计算单一能耗偏差组中各能耗偏差所对应的设备运行状态变化的可能性，再结合各设备运行变化事件之间的互斥条件调整所得到的各可能性，进而确定每组能耗偏差对应每个设备运行状态变化事件的可能性。其中，所述统计算法包括但不限于：维特比算法、贝叶斯算法等。

在步骤S123中，通过总体评价各变点与各设备运行变化事件的可能性，确定所述变点序列与设备运行状态变化事件序列的映射关系。例如，利用如极大似然估计、或最小二乘估计等统计算法对各变点与设备运行变化事件的映射关系的可能性进行估计，选择估计结果为评价最优的可能性确定各变点与各设备运行状态变化事件的映射关系，即得到所述变点序列与设备运行状态变化事件序列的映射关系。

由于能耗子序列中存在噪声、未予预测的负载设备、以及所得到的能耗变化信息与实际能耗变化信息之间的误差等复杂的干扰因素，我们引入了与能耗检测及所监控设备相关的信息，对所述映射关系进行干预，由此提高映射关系的准确性。

在一种实现方式中，所述步骤S120还包括步骤S124：基于预先得到的设备能耗参数和设备运行的影响因素中的至少一种，调整所述变点序列中变点与设备运行状态变化事件的映射关系。其中，所述设备能耗参数举例为设备的额定功率、最大功率等，以及其他与设备能耗相关的参数。所述设备能耗参数可从设备的产品说明书、规格书、用户说明书中得到，也可以由园区管理方或物业管理方提供。所述影响因素包括但不限于：天气、入住率、设备启停时间表等，这些影响因素可直接或间接成为设备运行状态变化的因素。例如，天气低于t1 度设备维护人员开启加热设备，天气在t1至t2度之间设备维护人员仅开启新风设备，天气在 t2度以上设备维护人员开启冷水泵和风机设备。又如，设备维护人员根据设备启停时间表控制楼宇空调系统的各设备启动和停止。所述影响因素可通过网络从第三方服务设备、通过人工导入的配置文件或通过人机界面获取。

为了让所述非入侵式能耗检测系统普适更多场所，一种具体示例为，预先提供所述设备能耗参数和设备运行的影响因素中的至少一种的输入界面以获取相应的设备能耗参数和设备运行的影响因素。例如，在向用户提供的监控平台界面中包含有可以输入所监控各设备能耗参数和设备运行的影响因素的输入界面，当用户点击提交按钮时，所述非入侵式能耗检测系统获取该界面中的设备能耗参数和设备运行的影响因素。非入侵式能耗检测系统将所获取的设备能耗参数和设备运行的影响因素赋值到预设的统计算法中的对应参数。

由于设备能耗参数和设备运行的影响因素会影响设备运行状态变化，故而，其可能优化映射关系确定过程的多个步骤。例如，根据所获取的影响因素中天气信息为天气低于10度，非入侵式能耗检测系统可仅计算各变点所对应的能耗子序列与加热设备的运行状态变化的能量偏差。又如，根据所获取的影响因素中设备运行时间表为周一早上8：00启动冷水泵，非入侵式能耗检测系统可提高在7:50-8:10时段所产生的变点与包含冷水泵由停止到启动状态转换的事件的映射关系的可能性，或者提高各事件中冷水泵由停止到启动状态转换，或者包含冷水泵由停止到启动状态转换，或者同时包括上述几种情况的各事件的评价权重。再如，根据设备能耗参数中的额定功率，对所得到的能耗偏差与所述额定功率的误差进行评价，若确定所述误差在预设可靠性范围内，则可提高相应变点是由相应设备的运行状态变化而引起的可能性和/或权重。

需要说明的是，上述提高可能性和提高权重是相对于不受设备能耗参数和设备运行的影响因素影响的设备运行状态变化的可能性和权重而言的。本领域技术人员可通过降低不受影响或影响极低的运行状态变化的可能性和权重来提高与受影响的设备运行状态变化相关的可能性和权重。

本申请通过综合考虑所获取的设备能耗参数和设备运行的影响因素对所述变点序列与设备运行状态变化事件序列之间映射关系的影响，对变点序列的设备运行状态变化事件序列之间的映射关系进行调整，以得到映射识别更准确的对应关系。由此能够为设备维护人员、物业管理方等使用相应设备、关心相应设备运行的人员提供监控信息。例如，经能耗检测确定引起变点序列所对应的设备运行变化状态事件序列包括：三台冷水泵处于启动状态、且一台风机设备处于启动状态，根据所得到的事件序列可得到冷水泵启动数量过多，可关闭其中两个的提示。又如，经能耗检测确定引起变点序列所对应的设备运行变化状态事件序列包括：在7：00-9：00之间冷水泵自停止到启动期间能耗量、以及冷水泵待机-工作的状态转换次数，根据所述事件序列可得到因冷水泵工作时间过少所对应的故障提示。

另外，本申请还提供一种非入侵式能耗检测系统，请参阅图4和图5，其分别显示为本申请一种非入侵式能耗检测系统在不同实施方式中的设备架构示意图。所述非入侵式能耗检测系统包括采集装置11、至少一个存储装置12、至少一个处理装置13。

所述采集装置11用于采集负载21的能耗数据。其中，所述负载21为连接在总供电回路 22的用电设备。所述采集装置11可以是连接在所监控场所的总供电回路22上的专用采集装置11或内置能耗数据采样功能的电能表。例如，专用采集装置11与安装在所述供电回路22 上的电能表相连，并不断地采集能耗数据以形成能耗序列。或者，所述采集装置11为能够提供能耗序列的第三方设备，如内置能耗数据采样功能的第三方电能表、第三方的供电监控系统等。其中，所述供电监控系统可通过对所收集的能耗序列的分析对所连接的各电路回路上的设备进行供电监控。例如，所述非入侵式能耗检测系统自工厂的供电总控系统获取能耗序列。又如，所述非入侵式能耗检测系统自写字楼群的远程供电监控系统获取能耗序列。由于所述采样装置所采集的能耗数据来自于总供电回路22上负载21的能耗数据，故而，当负载 21中包含变频设备时，所述采集装置11所采集的能耗数据包含变频设备运行所产生的能耗数据。其中，所述变频设备包括但不限于：大型变频设备(集群)、小型变频设备等。例如，所述大型变频设备(集群)如电梯、中央空调、工业机器等公共的变频设备；所述小型变频设备如冰箱、家用空调等。另外，按照功率区分，所述负载21可包含大功率设备和小功率设备。所述大功耗设备举例为额定功率，或最大功率在千瓦级以上的设备，或者同时包括了额定功率和最大功率在千瓦级以上的设备。所述小功耗设备举例为额定功率、或最大功率在千瓦级以下的设备，或者同时包括了额定功率和最大功率在千瓦级以下的设备。

在此，所述能耗序列的采样间隔可由提供所述能耗序列的采样装置而定。在一些具体示例中，直接连接在电能表上的专用采集装置11或内置采集功能的电能表可按照预设的采样间隔采集能耗数据。其中，受所连接的电能表等计量装置的硬件能力限制，或采集装置11所接入的数据通路(如移动数据网络、局域网络、自组网、物联网、电力网等)的带宽对输出能耗数据的数据量的限制，或者受所连接的电能表等计量装置的硬件能力和采集装置所接入的数据通路的带宽对输出能耗数据的数据量的限制，所述采样间隔在(0，60]范围内较能满足本申请对能耗检测的数据量需求。例如，所述采样间隔为1s、2s、3s、4s、5s、6s、7s、8s、 9s、10s、11s、12s、13s、14s、15s、16s、17s、18s、19s、20s、21s、22s、23s、24s、25s、 26s、27s、28s、29s、30s、31s、32s、33s、34s、35s、36s、37s、38s、39s、40s、41s、42s、 43s、44s、45s、46s、47s、48s、49s、50s、51s、52s、53s、54s、55s、56s、57s、58s、59s、或60s。又如，所述采样间隔为时间间隔精度大于0.1s、甚至为更高时间间隔精度的时间间隔，如1.1s、1.11s等。需要说明的是，上述采样间隔仅为示例性说明采样能耗数据的时间间隔，而非表示所述采样间隔仅使用上述各示例进行能耗数据的采样处理。还需要说明的是，伴随着电能表的硬件改进或数据传输成本的降低，所述采样间隔可减小至1s以内，如0.5s等，所述非入侵式能耗检测系统能够根据采样装置提供的更详细的能耗序列进行更精准地能耗检测，换言之，本领域技术人员在知晓本申请创新精神的背景下依据实际的电能表工作性能和数据传输技术的应用以调整上述为列举的时间间隔亦应属于本申请所涵盖的范围。

其中，本申请所采用的采集装置11中可设有功率传感器或电压传感器以用于测量负载 21侧的能耗数据，或者采集装置11自数据库中读取能耗数据，并通过数据线或网络传输至用于进行能耗检测的计算机设备。其中，所述能耗数据举例但不限于：功率数据、电流数据、电压数据等。所述采集装置11可同步或异步地将所采集的能耗数据传输至所述计算机设备。由所述计算机设备将能耗数据存储在至少一个存储装置12中。

所述存储装置12可与所述采集装置11集成在一起，例如，所述存储装置12为供电监控系统所在服务器(群)的一部分，或者，所述存储装置12位于远程服务器(群)中。

在此，所述存储装置12可包括高速随机存取存储器，并且还可包括非易失性存储器，例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。在某些实施例中，存储装置12还可以包括远离一个或多个处理器的存储器，例如经由RF电路或外部端口以及通信网络(图中未示出)访问的网络附加存储器，其中所述通信网络可以是因特网、一个或多个内部网、局域网(LAN)、广域网(WLAN)、存储局域网(SAN)等，或其适当组合。存储器控制器可控制设备的诸如CPU和外设接口之类的其他组件对存储装置12的访问。

所述存储装置12可由一台存储设备提供，或分布在多台存储设备中。例如，根据所监控场所所在实际地区(如北京市海淀区)，所述存储装置12可就近布置。又如，所述存储装置 12为用于提供云服务平台的存储服务器。

所述存储装置12可允许一个或多个处理装置13进行能耗数据读写操作。所述采集装置 11通过处理装置13的读写操作将能耗数据保存在相应的存储装置12中。在至少一个所述存储装置12中还保存有至少一个计算机程序。所述计算机程序用于被处理装置13调用执行。

其中，所述处理装置13可与存储装置12被配置于同一计算机设备中、或被配置在不同计算机设备中，用于执行所述至少一个计算机程序，使得以所述能耗数据所形成的能耗序列进行基于本申请所述的非入侵式能耗检测方法所提供的能耗检测。所述计算机设备可以是单台服务器、服务器集群的组成设备、或云服务平台中的服务器设备等。所述计算机设备可放置于所监控场所的总控制机房，或者位于第三方服务器存放机房、或其他能够与采集装置11 通信且与存储装置12进行数据读写的实际地点。

以图3为例简述所述非入侵式能耗检测系统的工作过程：采集装置11按照预设的采样间隔采集所监控场所的总供电回路22上负载21的能耗数据，并传输至处理装置13，处理装置 13将其保存在存储装置12中。按照采样时序顺序排列的能耗数据所形成的能耗序列在预先的一段时间内被所述处理装置13用来进行非侵入式的机器学习。具体地，所述处理装置13 利用贝叶斯算法对所获取的能耗序列进行变点检测，并基于包含变点的能耗子序列所形成的曲线进行聚类和特征分析，由此得到所希望监控设备的运行状态变化所对应的能耗变化信息。兼顾机器学习的时长和能耗检测的检测效率，所述能耗变化信息在能耗检测期间仍然进行，并适时地更新各设备运行状态变化所对应的能耗变化信息。为了提高能耗检测的准确性，所述处理装置13还提供一输入界面，用于由管理场所设备运行的维护人员填写与所监控的设备运行状态变化相关的设备能耗参数和影响因素。在能耗检测期间，所述处理装置13通过对所检测出的各变点附近能耗子序列与各能耗变化信息逐一进行误差计算，得到对应各变点的各组能耗偏差；再基于各组能耗偏差初步确定产生每个变点的设备运行状态变化事件的可能性；再基于所述设备能耗参数、影响因素对各所述可能性进行调整，以得到最可能符合事实的各变点与各设备运行状态变化事件的映射关系。

本申请还提供一种服务端。请参阅图6，其显示为所述服务端包含的硬件结构示意图，如图所示，所述服务端3包括一个或多个存储器31和至少一个处理器32。所述服务端3可被配置在单台服务器、服务器集群、或云服务平台上。其中，所述服务器集群包括但不限于分布式服务器群组。所述云服务平台包括公共云(Public Cloud)服务平台与私有云(Private Cloud)服务平台，其中，所述公共或私有云服务平台包括Software-as-a-Service(软件即服务，简称SaaS)、Platform-as-a-Service(平台即服务，简称PaaS)及Infrastructure-as-a-Service(基础设施即服务，简称IaaS)等。所述私有云服务平台例如阿里云计算服务平台、亚马逊 (Amazon)云计算服务平台、百度云计算平台、腾讯云计算平台、或者企业内部私有云等等。

对应地，所述存储器31和处理器32可以配置在单台服务器中或配置在多台服务器中。每台服务器中可配置一个存储器31和多个处理器32。所述服务器可根据所监控场所所在实际地区(如北京市海淀区)就近放置，或根据云服务平台或服务器集群的设备管理需要，设置在自用机房或第三方机房中。

所述存储器31可包括高速随机存取存储器，并且还可包括非易失性存储器，例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。在某些实施例中，存储装置还可以包括远离一个或多个处理器32的存储器31，例如经由RF电路或外部端口以及通信网络 (未示出)访问的网络附加存储器，其中所述通信网络可以是因特网、一个或多个内部网、局域网(LAN)、广域网(WLAN)、存储局域网(SAN)等，或其适当组合。存储器控制器可控制设备的诸如CPU和外设接口之类的其他组件对存储装置的访问。

所述处理器32包含单核或多核处理器。所述处理器32可操作地与存储器31和/或非易失性存储设备耦接。更具体地，处理器32可执行在存储器和/或非易失性存储设备中存储的指令以在计算设备中执行操作，诸如生成图像数据和/或将图像数据传输到电子显示器。如此，处理器32可包括一个或多个通用微处理器、一个或多个专用处理器(ASIC)、一个或多个现场可编程逻辑阵列(FPGA)、或它们的任何组合。

所述处理器32还可操作地与网络接口耦接，以将计算设备以通信方式耦接至网络。例如，网络接口可将计算设备连接到个人局域网(PAN)(诸如蓝牙网络)、局域网(LAN)(诸如 802.11x Wi-Fi网络)、和/或广域网(WAN)(注入4G或LTE蜂窝网络)。通过所述网络接口，所述处理器32可获取采集装置4所提供的能耗数据并将所述能耗数据存储至所述存储器31 中；甚至于，所述处理器32能够获取第三方或用户(场所设备维护人员)所提供的设备能耗参数和影响因素等。

所述存储器31中还保存有至少一个计算机程序，处理器32可调用并执行所述计算机程序使得以所述能耗数据所形成的能耗序列进行基于本申请所述的非入侵式能耗检测方法所提供的能耗检测。

以图6为例简述所述服务端的工作过程：所述服务端通过网络获取并保存采集装置4按照预设的采样间隔采集所监控场所的总供电回路上负载的能耗数据。所述服务端按照采样时序顺序排列的能耗数据所形成的能耗序列在预先的一段时间内被用来进行非侵入式的机器学习。具体地，所述服务端利用贝叶斯算法对所获取的能耗序列进行变点检测，并基于包含变点的能耗子序列所形成的曲线进行聚类和特征分析，由此得到所希望监控设备的运行状态变化所对应的能耗变化信息。兼顾机器学习的时长和能耗检测的检测效率，所述能耗变化信息在能耗检测期间仍然进行，并适时地更新各设备运行状态变化所对应的能耗变化信息。为了提高能耗检测的准确性，所述服务端还提供一输入界面，用于由管理场所设备运行的维护人员填写与所监控的设备运行状态变化相关的设备能耗参数和影响因素。在能耗检测期间，所述处理装置通过对所检测出的各变点附近能耗子序列与各能耗变化信息逐一进行误差计算，得到对应各变点的各组能耗偏差；再基于各组能耗偏差初步确定产生每个变点的设备运行状态变化事件的可能性；再基于所述设备能耗参数、影响因素对各所述可能性进行调整，以得到最可能符合事实的各变点与各设备运行状态变化事件的映射关系。

本申请还提供一种非入侵式能耗检测系统。所述非入侵式能耗检测系统包括安装在计算机设备上的软件和硬件。所述计算机设备可以如上关于计算机设备所描述的，或者基于上述计算机设备进行改进的设备，在此不再详述。

所述非入侵式能耗检测系统包含能够控制计算机设备中的硬件按照时序执行的程序模块。请参阅图7，其显示为本申请的非入侵式能耗检测系统的程序模块结构示意图，如图所示，所述非入侵式能耗检测系统至少包含变点检测模块51、能耗检测模块52和能耗收集模块53。

在此，所述非入侵式能耗检测系统5进行能耗检测所使用的数据来自于所监控场所在线采集的用电数据序列，即能耗序列。为此，所述非入侵式能耗检测系统5自采集装置获取能耗数据。其中，所述能耗序列提供按照采样顺序排布的多个能耗数据。所述能耗数据举例但不限于：功率数据、电流数据、电压数据、功率因数等。

其中，所述采集装置可以是连接在所监控场所的总供电回路上的专用采集装置或内置能耗数据采样功能的电能表。例如，专用采集装置与安装在所述供电回路上的电能表相连，并不断地采集能耗数据以形成能耗序列。或者，所述采集装置为能够提供能耗序列的第三方设备，如内置能耗数据采样功能的第三方电能表、第三方的供电监控系统等。其中，所述供电监控系统可通过对所收集的能耗序列的分析对所连接的各电路回路上的设备进行供电监控。例如，所述非入侵式能耗检测系统5自工厂的供电总控系统获取能耗序列。又如，所述非入侵式能耗检测系统5自写字楼群的远程供电监控系统获取能耗序列。

在此，所述能耗序列的采样间隔可由提供所述能耗序列的采样装置而定。在一些具体示例中，直接连接在电能表上的专用采集装置或内置采集功能的电能表可按照预设的采样间隔采集能耗数据。其中，受所连接的电能表等计量装置的硬件能力限制，或采集装置所接入的数据通路(如移动数据网络、局域网络、自组网、物联网、电力网等)的带宽对输出能耗数据的数据量的限制，或者受所连接的电能表等计量装置的硬件能力和采集装置所接入的数据通路的带宽对输出能耗数据的数据量的限制，所述采样间隔在(0，60]范围内较能满足本申请对能耗检测的数据量需求。例如，所述采样间隔为1s、2s、3s、4s、5s、6s、7s、8s、9s、 10s、11s、12s、13s、14s、15s、16s、17s、18s、19s、20s、21s、22s、23s、24s、25s、26s、 27s、28s、29s、30s、31s、32s、33s、34s、35s、36s、37s、38s、39s、40s、41s、42s、43s、 44s、45s、46s、47s、48s、49s、50s、51s、52s、53s、54s、55s、56s、57s、58s、59s、或60s。又如，所述采样间隔为时间间隔精度大于0.1s、甚至为更高时间间隔精度的时间间隔，如1.1s、 1.11s等。需要说明的是，上述采样间隔仅为示例性说明采样能耗数据的时间间隔，而非表示所述采样间隔仅使用上述各示例进行能耗数据的采样处理。还需要说明的是，伴随着电能表的硬件改进和/或数据传输成本的降低，所述采样间隔可减小至1s以内，如0.5s等，所述非入侵式能耗检测系统5能够根据采样装置提供的更详细的能耗序列进行更精准地能耗检测，换言之，本领域技术人员在知晓本申请创新精神的背景下依据实际的电能表工作性能和数据传输技术的应用以调整上述为列举的时间间隔亦应属于本申请所涵盖的范围。

为了收集上述能耗数据并形成供变点检测模块51进行变点检测的能耗序列，所述能耗收集模块53将获取自总供电回路上采样得到的能耗序列提供给变点检测模块51。其中，所述能耗收集模块53与采集装置数据连接，并将所收集的能耗数据通过数据库予以保存。所述能耗收集模块53所使用的数据库包括但不限于：oracle、SQL等。变点检测模块51可通过所述能耗收集模块53对所存储的能耗数据进行批量提取以得到能耗序列。

所述非入侵式能耗检测系统5通过执行变点检测模块51和能耗检测模块52对所获取的能耗序列进行能耗分析，得到所监控设备的运行状态变化事件及能耗变化的映射关系，并藉由所述映射关系对所监控的设备进行能耗监控。其中，所述能耗监控包括但不限于以下至少一种：对所监控设备的故障检测、对所监控设备的功耗计量、以及对所监控设备进行运行优化以降低能耗。

在此，所监控设备通常为场地管理方或物业方所关注的、能耗消耗大的设备，例如变频设备、大功耗设备等，但并不限于此，本领域技术人员可根据实际设计需要利用本申请所述能耗检测方案对定频设备、小功耗设备的运行状态事件进行能耗检测。在此，所述大功耗设备举例为额定功率，或最大功率在千瓦级以上的设备，或者同时包括了额定功率和最大功率在千瓦级以上的设备。所述小功耗设备举例为额定功率，或最大功率在千瓦级以下的设备，或者同时包括了额定功率和最大功率在千瓦级以下的设备。

在此，与所监管的设备数量和单一设备所能变化的运行状态数量相关，设备运行装变化事件可以以一个或多个设备所有运行状态变化为属性，其中，多个设备的种类可以相同或不同。所述设备运行状态变化包括设备启停状态转换、和设备运行期间在多个运行状态之间转换中的至少一种。例如，所监控的设备包括：三台冷水泵、两台驱动电机、两台加热设备；其中，冷水泵的运行状态变化包括但不限于：启动-停止之间的状态变化、待机-工作状态之间的变化、水循环速度档位状态之间的变化、各档位工作状态转为停止状态等；驱动电机的运行变化属性包括但不限于：启动-停止之间的状态变化、待机-工作状态之间的变化、驱动档位状态之间的变化、各档位工作状态转为停止状态等；加热设备的运行变化属性包括但不限于：启动-停止之间的状态变化、待机-工作状态之间的变化、加热档位状态之间的变化、各档位工作状态转为停止状态等。我们将因运行状态变化而引起的能耗变化的时刻称为变点。

由此可见，一个变点可能是由于一台设备的运行状态变化、或多台设备的运行状态变化组合引起的。我们将可引起一个变点的一个运行状态变化或多个设备运行状态变化的组合称为一个设备运行状态变化事件。为了更精准地监控所关注设备的能耗，我们更关心由这些设备的运行状态变化而构成的设备运行状态变化事件。其中，当所监控的设备包含变频设备时，所述设备运行状态变化事件包含变频设备的运行状态变化。

所述非入侵式能耗检测系统5在获得能耗序列后，启动变点检测模块51。

所述变点检测模块51用于对所获取负载的能耗序列进行变点检测得到变点序列。其中，所述负载包括采集能耗序列所在回路上的所有负载，其包括但不限于：灯、电脑、打印机等小电器，冰箱、电视等家用电器，以及所监控的如电梯、中央空调中变频的或定频的设备等。

由于本申请方案采用非入侵式的能耗检测，故而对所获取的能耗序列反映了所采集供电线路上所有负载沿时间轴的耗电情况。当负载侧有设备自停止到启动、自运行到停止、在运行期间进行档位调整、在待机状态和工作状态间切换时，负载侧的能耗都会发生变化。显然，当所监控的设备运行状态发生变化时，其对应的能耗变化也将反应在所获取的能耗序列中。

我们通过对所获取的能耗序列进行变点检测，以得到各负载能耗变化时刻，其中，所述负载能耗变化时刻(即变点)包含因所监控设备的运行状态变化而引起的能耗变化时刻。

在此，所述变点检测模块51可根据能耗序列的数据类型选择相应的变点检测方式。例如，若所述能耗序列为电压数据类型，则可采用谐波分析等方式进行变点检测。若所述能耗序列为功率数据类型，则可采用艾伦方差、负荷探测等方式进行变点检测。在一些实施方式中，所述变点检测模块51利用贝叶斯算法对所述能耗序列中各能耗数据进行变点检测。例如，以初始设置的先验条件和后验条件检测第一个能耗数据是在变点前采样的可能性，当该可能性符合变点前采样概率阈值时，确定采样第一个能耗数据所对应的时刻在变点前；接着，根据所确定的第一个能耗数据对应变点前的结果，调整所述先验条件和后验条件并检测第二个能耗数据变点前能耗数据的可能性，当该可能性符合变点前条件时，确定第二个能耗数据所对应的时刻仍在变点前采样。迭代地检测各能耗数据，直到检测到一能耗数据对应的采样时刻在变点后，则确定变点出现在变点前后能耗数据的采样间隔内。利用所述贝叶斯算法检测能耗序列中的变点。

在通过对能耗序列进行变点检测后，可从所述能耗序列中提取各变点前后的能耗数据，并依时间顺序形成变点序列。或者将各变点所对应的能耗数据变化值依时间顺序形成变点序列。在一些实施方式中，所述变点序列为在所述能耗序列中所获取的由多个包含所检测到的变点的能耗子序列所构成的序列。例如，所获取的能耗序列为{p₁,p₂,p₃,......p_n}，经变点检测后，将能耗序列中变点之前的i个能耗数据和变点之后的j个能耗数据形成对应变点的能耗子序列；将各能耗子序列按时间顺序排列形成变点序列，并执行步骤S120。其中，n和j均为正整数，i≥0，其中，i和j可以相等或不等。

所述能耗检测模块52用于基于预先得到的设备运行状态变化所对应的能耗变化信息，对引起所述变点序列的设备运行状态变化事件序列进行映射识别以对所述负载中的相应设备进行能耗监控。

其中，所述设备运行状态变化所对应的能耗变化信息包括但不限于：能耗变化阈值范围、能耗变化曲线等。其中，由于变频设备的各状态转换期间采用变频技术，使得每种状态转换可能对应一种或多种能耗变化方式。故而，一个设备运行状态变化可以仅对应一个能耗变化信息、或对应多个能耗变化信息。为了不介入所监控场所各设备的正常运行，这些能耗变化信息是采用非侵入方式获得的。例如，可通过预先模拟设备运行状态变化而学习得到的、或者根据设备用电参数计算而得的。

由于实际能耗序列能够提供更真实、更复杂的能耗噪声，而上述能耗变化信息的确定方式均过于理想化，这导致上述映射关系的建立准确度有待提高。为此，在一些实施方式中，所述能耗变化信息是经机器学习得到。在此，由于本申请采用非侵入的能耗检测，故而，本申请所述系统还包括在所述能耗检测模块52之前执行、或与所述能耗检测模块52并行执行的学习模块(未予图示)。

所述学习模块用于利用所述变点序列进行机器学习以得到所述能耗变化信息。在一些实施方式中，通过一段时间积累得到对应各变点的能耗子序列；根据所监控设备的用电参数、设备中主要电器件的电特性等，对各能耗子序列进行特征分析，得到设备运行状态变化所对应的能耗变化信息。在另一些实施方式中，通过一段时间积累得到对应各变点的能耗子序列；将各能耗子序列进行聚类分类，再对同一分类的能耗子序列进行特征分析得到能耗变化信息；根据所监控设备的用电参数、设备中主要电器件的电特性等，将设备运行状态变化与各分类的能耗变化信息进行匹配，如此得到设备运行状态变化所对应的能耗变化信息。

其中，所得到的能耗变化信息举例包括以下至少一种：能耗变化趋势曲线、能耗均值变化曲线、能耗变化阈值范围等。例如，请参阅图2a、2b、2c、2d，其显示为利用变点序列进行机器学习而得到的能耗变化特征曲线示意图。

需要说明的是，所述学习模块可根据所得到的变点序列进行持续地机器学习，并不断更新所得到的能耗变化信息，如此能为能耗检测模块52提供更精准的能耗变化信息，以提高非入侵式能耗检测系统5的检测准确性。

在得到设备运行状态变化所对应的能耗变化信息后，能耗检测模块52基于所述设备运行状态变化所对应的能耗变化信息，对引起所述变点序列的设备运行状态变化事件序列进行映射识别。

在此，根据所监控的设备及其运行状态变化数量，预设相应数量的设备运行状态变化事件；将所述变点序列中每个变点所对应的能耗子序列、能耗数据或能耗数据变化值分别与各能耗变化信息进行匹配，各匹配程度反映了在变点时刻各设备产生各运行状态变化的可能性 P1；基于各可能性P1确定单个变点处产生设备运行状态变化事件的可能性P2，以及关联了变点序列中多个变点的设备运行状态变化事件组合的可能性P3；基于所述变点序列中各变点与各设备运行状态变化事件对应的可能性P2和P3，得到所述变点序列中各变点与各设备运行状态变化事件的映射关系。由此，所述能耗检测模块52可根据所得到的映射关系检测相应设备运行状态变化时的能耗变化。

其中，同一设备的不同状态转换可能是互斥的。例如，同一设备从启动到停止的状态转换与从停止到启动的状态转换是不可能同时发生的。另外，在基于时序产生的多个设备运行期间，同一设备的不同状态转换及不同设备之间的状态转换是互相制肘的。例如，若变点A1 是由设备D1从启动到停止状态转换引起的，则在未检测出设备D1从停止到启动状态转换的变点之前，此区间的内变点不可能由设备D1从启动到停止状态转换、或设备D1工作或待机之间的任何状态转换。因此，在计算各可能性P1、P2和P3前对各可能进行初始赋值时，或者在计算所述可能性P1、P2和P3时，或者在基于可能性P2和P3进行映射关系确定时，可基于上述排斥条件进行相应可能性或映射关系的调整，亦或基于上述排斥条件进行相应可能性及映射关系的调整，以提高检测准确性。

在一些实施方式中，基于所述能耗变化信息与所述变点序列中能耗子序列的能耗偏差，对所述变点序列中各变点与各设备运行状态变化事件进行映射识别。具体地，所述能耗检测模块52执行以下步骤：

在步骤S121中，遍历地将所有能耗变化信息与变点序列中单个能耗子序列进行能耗比对，得到一组能耗偏差，重复上述遍历步骤得到变点序列中所有能耗子序列所对应的能耗偏差组。例如，请参阅图2a、2b、2c、2d和图3，其中，图2a、2b、2c、2d中的各能耗变化信息E1-E4以下述对应关系为例：能耗变化信息E1被描述为设备A1从启动到停止的状态变化，能耗变化信息E2被描述为设备A1从停止到启动的状态变化，能耗变化信息E3被描述为设备A2从启动到停止的状态变化，以及能耗变化信息E4被描述为设备A2从停止到启动的状态变化；图3显示为基于一个能耗子序列所勾勒的能耗变化曲线。将能耗子序列L1的能耗变化曲线与各能耗变化信息E1-E4逐一地进行偏差计算，得到4个能耗偏差，这4个能耗偏差作为一个能耗偏差组。其中，所述偏差计算的方式包括但不限于以下任一种或多种：计算能耗差曲线、计算求取能耗差的平均值、计算能耗变化的特征误差等。按照上述偏差计算方式得到对应能耗子序列L2、…、Lm各自的能耗偏差组。

在步骤S122中，基于所得到的能耗偏差组计算相应变点产生各设备运行状态变化事件的可能性。例如，利用预设的统计算法计算单一能耗偏差组中各能耗偏差所对应的设备运行状态变化的可能性，再结合各设备运行变化事件之间的互斥条件调整所得到的各可能性，进而确定每组能耗偏差对应每个设备运行状态变化事件的可能性。其中，所述统计算法包括但不限于：维特比算法、贝叶斯算法等。

在步骤S123中，通过总体评价各变点与各设备运行变化事件的可能性，确定所述变点序列与设备运行状态变化事件序列的映射关系。例如，利用如极大似然估计、或最小二乘估计等统计算法对各变点与设备运行变化事件的映射关系的可能性进行估计，选择估计结果为评价最优的可能性确定各变点与各设备运行状态变化事件的映射关系，即得到所述变点序列与设备运行状态变化事件序列的映射关系。

由于能耗子序列中存在噪声、未予预测的负载设备、以及所得到的能耗变化信息与实际能耗变化信息之间的误差等复杂的干扰因素，我们引入了与能耗检测及所监控设备相关的信息，对所述映射关系进行干预，由此提高映射关系的准确性。

在一种实现方式中，所述能耗检测模块52还执行步骤S124：基于预先得到的设备能耗参数和设备运行的影响因素中的至少一种，调整所述变点序列中变点与设备运行状态变化事件的映射关系。其中，所述设备能耗参数举例为设备的额定功率、最大功率等，以及其他与设备能耗相关的参数。所述设备能耗参数可从设备的产品说明书、规格书、用户说明书中得到，也可以由园区管理方或物业管理方提供。所述影响因素包括但不限于：天气、入住率、设备启停时间表等，这些影响因素可直接或间接成为设备运行状态变化的因素。例如，天气低于t1度设备维护人员开启加热设备，天气在t1至t2度之间设备维护人员仅开启新风设备，天气在t2度以上设备维护人员开启冷水泵和风机设备。又如，设备维护人员根据设备启停时间表控制楼宇空调系统的各设备启动和停止。所述影响因素可通过网络从第三方服务设备、通过人工导入的配置文件或通过人机界面获取。

为了让所述能耗检测模块52普适更多场所，一种具体示例为，所述非入侵式能耗检测系统5还包括输入模块(未予图示)。所述输入模块用于预先提供所述设备能耗参数和设备运行的影响因素中的至少一种的输入界面以获取相应的设备能耗参数和设备运行的影响因素。例如，所述输入模块在向用户提供的监控平台界面中包含有可以输入所监控各设备能耗参数和设备运行的影响因素的输入界面，当用户点击提交按钮时，所述能耗检测模块52获取该界面中的设备能耗参数和设备运行的影响因素。能耗检测模块52将所获取的设备能耗参数和设备运行的影响因素赋值到预设的统计算法中的对应参数。

由于设备能耗参数和设备运行的影响因素会影响设备运行状态变化，故而，其可能优化映射关系确定过程的多个步骤。例如，根据所获取的影响因素中天气信息为天气低于10度，能耗检测模块52可仅计算各变点所对应的能耗子序列与加热设备的运行状态变化的能量偏差。又如，根据所获取的影响因素中设备运行时间表为周一早上8：00启动冷水泵，能耗检测模块52可提高在7:50-8:10时段所产生的变点与包含冷水泵由停止到启动状态转换的事件的映射关系的可能性，或者提高各事件中冷水泵由停止到启动状态转换，或包含冷水泵由停止到启动状态转换，或者同时包括上述几种情况的各事件的评价权重。再如，根据设备能耗参数中的额定功率，对所得到的能耗偏差与所述额定功率的误差进行评价，若确定所述误差在预设可靠性范围内，则可提高相应变点是由相应设备的运行状态变化而引起的可能性和/或权重。

需要说明的是，上述提高可能性和提高权重是相对于不受设备能耗参数和设备运行的影响因素影响的设备运行状态变化的可能性和权重而言的。本领域技术人员可通过降低不受影响或影响极低的运行状态变化的可能性和权重来提高与受影响的设备运行状态变化相关的可能性和权重。

本申请通过综合考虑所获取的设备能耗参数和设备运行的影响因素对所述变点序列与设备运行状态变化事件序列之间映射关系的影响，对变点序列的设备运行状态变化事件序列之间的映射关系进行调整，以得到映射识别更准确的对应关系。由此能够为设备维护人员、物业管理方等使用相应设备、关心相应设备运行的人员提供监控信息。例如，经能耗检测确定引起变点序列所对应的设备运行变化状态事件序列包括：三台冷水泵处于启动状态、且一台风机设备处于启动状态，根据所得到的事件序列可得到冷水泵启动数量过多，可关闭其中两个的提示。又如，经能耗检测确定引起变点序列所对应的设备运行变化状态事件序列包括：在7：00-9：00之间冷水泵自停止到启动期间能耗量、以及冷水泵待机-工作的状态转换次数，根据所述事件序列可得到因冷水泵工作时间过少所对应的故障提示。

需要说明的是，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本申请的部分或全部可借助软件并结合必需的通用硬件平台来实现。基于这样的理解，本申请的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包括其上存储有机器可执行指令的一个或多个机器可读介质，这些指令在由诸如计算机、计算机网络或其他电子设备等一个或多个机器执行时可使得该一个或多个机器根据本申请的实施例来执行操作。机器可读介质可包括，但不限于，软盘、光盘、CD-ROM(紧致盘-只读存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。

本申请可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

需要说明的是，本领域技术人员可以理解，上述部分组件可以是可编程逻辑器件，包括：可编程阵列逻辑(Programmable Array Logic，简称PAL)、通用阵列逻辑(GenericArray Logic，简称GAL)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)、复杂可编程逻辑器件(Complex Programmable Logic Device，简称CPLD)中的一种或多种，本发明对此不做具体限制。

本申请虽然已以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以利用上述揭示的方法和技术内容对本申请技术方案做出可能的变动和修改，因此，凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本申请技术方案的保护范围。

Claims (29)

1.一种非入侵式能耗检测方法，其特征在于，包括以下步骤：

对所获取负载的能耗序列进行变点检测得到变点序列；

基于预先得到的设备运行状态变化所对应的能耗变化信息，对引起所述变点序列的设备运行状态变化事件序列进行映射识别以对所述负载中的相应设备进行能耗监控。

2.根据权利要求1所述的非入侵式能耗检测方法，其特征在于，还包括通过连接在总供电回路上的采集装置获取所述能耗序列的步骤。

3.根据权利要求1所述的非入侵式能耗检测方法，其特征在于，所述能耗序列中相邻能耗数据的采样间隔在(0，60]s范围内。

4.根据权利要求1所述的非入侵式能耗检测方法，其特征在于，所述对所获取负载的能耗序列进行变点检测的方式包括：利用贝叶斯算法对所述能耗序列中各能耗数据进行变点检测。

5.根据权利要求1所述的非入侵式能耗检测方法，其特征在于，所述变点序列为在所述能耗序列中所获取的由多个包含所检测到的变点的能耗子序列所构成的序列。

6.根据权利要求1或5所述的非入侵式能耗检测方法，其特征在于，所述基于预先得到的设备运行状态变化所对应的能耗变化信息，对引起所述变点序列的设备运行状态变化事件序列进行映射识别的方式包括：基于所述能耗变化信息与所述变点序列中能耗子序列的能耗偏差，对所述变点序列中各变点与各设备运行状态变化事件进行映射识别。

7.根据权利要求1所述的非入侵式能耗检测方法，其特征在于，所述基于预先得到的设备运行状态变化所对应的能耗变化信息，对引起所述变点序列的设备运行状态变化事件序列进行映射识别的方式包括：基于预先得到的设备运行的影响因素中的至少一种和设备能耗参数，调整所述变点序列中变点与设备运行状态变化事件的映射关系。

8.根据权利要求7所述的非入侵式能耗检测方法，其特征在于，还包括预先提供所述设备运行的影响因素中的至少一种和设备能耗参数的输入界面以获取相应的设备能耗参数和设备运行的影响因素的步骤。

9.根据权利要求1所述的非入侵式能耗检测方法，其特征在于，所述设备运行状态变化包括设备运行期间在多个运行状态之间转换中的至少一种和设备启停状态转换。

10.根据权利要求1所述的非入侵式能耗检测方法，其特征在于，所述设备运行状态变化所对应的能耗变化信息是采用非侵入方式获得的。

11.根据权利要求10所述的非入侵式能耗检测方法，其特征在于，还包括将所述变点序列进行机器学习以得到所述能耗变化信息的步骤。

12.根据权利要求1所述的非入侵式能耗检测方法，其特征在于，所述设备运行状态变化事件包含变频设备的运行状态变化。

13.一种非入侵式能耗检测系统，其特征在于，包括：

采集装置，用于采集负载的能耗数据；

至少一个存储装置，用于保存经所述采集装置采集的能耗数据和至少一个计算机程序；

至少一个处理装置，用于执行所述至少一个计算机程序，使得以所述能耗数据所形成的能耗序列进行如权利要求1-12中任一所述的方法的能耗检测。

14.根据权利要求13所述的非入侵式能耗检测系统，其特征在于，所述采集装置在(0，60]s的间隔范围内采集能耗数据。

15.根据权利要求13所述的非入侵式能耗检测系统，其特征在于，所述采集装置与连接在总供电回路的电能表相连。

16.根据权利要求13所述的非入侵式能耗检测系统，其特征在于，所述采集装置所采集的能耗数据包含变频设备运行所产生的能耗数据。

17.一种服务端，其特征在于，用于与采集装置通信连接，其中，所述采集装置用于采集总供电回路上负载的能耗数据，所述服务端包括：

一个或多个处理器；

一个或多个存储器，用于保存所述采集装置提供的能耗数据和至少一个计算机程序；

当所述一个或多个计算机程序被所述一个或多个处理器执行时，使得所述一个或多个处理器以所述能耗数据所形成的能耗序列进行如权利要求1-12中任一所述的方法的能耗检测。

18.一种非入侵式能耗检测系统，其特征在于，包括：

变点检测模块，用于对所获取负载的能耗序列进行变点检测得到变点序列；

能耗检测模块，用于基于预先得到的设备运行状态变化所对应的能耗变化信息，对引起所述变点序列的设备运行状态变化事件序列进行映射识别以对所述负载中的相应设备进行能耗监控。

19.根据权利要求18所述的非入侵式能耗检测系统，其特征在于，还包括能耗收集模块，用于获取自总供电回路上采样得到的能耗序列。

20.根据权利要求18所述的非入侵式能耗检测系统，其特征在于，所述能耗序列中相邻能耗数据的采样间隔在(0，60]s范围内。

21.根据权利要求18所述的非入侵式能耗检测系统，其特征在于，所述变点检测模块用于利用贝叶斯算法对所述能耗序列中各能耗数据进行变点检测。

22.根据权利要求18所述的非入侵式能耗检测系统，其特征在于，所述变点序列为在所述能耗序列中所获取的由多个包含所检测到的变点的能耗子序列所构成的序列。

23.根据权利要求18或22所述的非入侵式能耗检测系统，其特征在于，所述能耗检测模块用于基于所述能耗变化信息与所述变点序列中能耗子序列的能耗偏差，对所述变点序列中各变点与各设备运行状态变化事件进行映射识别。

24.根据权利要求18所述的非入侵式能耗检测系统，其特征在于，所述能耗检测模块用于基于预先得到的设备运行的影响因素中的至少一种和设备能耗参数，调整所述变点序列中变点与设备运行状态变化事件的映射关系。

25.根据权利要求24所述的非入侵式能耗检测系统，其特征在于，还包括输入模块，用于预先提供所述设备运行的影响因素中的至少一种和设备能耗参数的输入界面以预先获取所述设备运行的影响因素中的至少一种和设备能耗参数。

26.根据权利要求18所述的非入侵式能耗检测系统，其特征在于，所述设备运行状态变化包括设备运行期间在多个运行状态之间转换中的至少一种和设备启停状态转换。

27.根据权利要求18所述的非入侵式能耗检测系统，其特征在于，所述设备运行状态变化所对应的能耗变化信息是采用非侵入方式获得的。

28.根据权利要求27所述的非入侵式能耗检测系统，其特征在于，还包括学习模块，用于利用所述变点序列进行机器学习以得到所述能耗变化信息。

29.根据权利要求18所述的非入侵式能耗检测系统，其特征在于，所述设备运行状态变化事件包含变频设备的运行状态变化。

Images