CN114936701A - 综合能源消耗实时监测方法、装置及终端设备 - Google Patents

综合能源消耗实时监测方法、装置及终端设备 Download PDF

Info

Publication number
CN114936701A
CN114936701A CN202210599557.6A CN202210599557A CN114936701A CN 114936701 A CN114936701 A CN 114936701A CN 202210599557 A CN202210599557 A CN 202210599557A CN 114936701 A CN114936701 A CN 114936701A
Authority
CN
China
Prior art keywords
energy consumption
consumption data
data set
historical
neural network
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
CN202210599557.6A
Other languages
English (en)
Inventor
杨佳霖
赵鹏翔
丛琳
李娜
杨宪
张爱群
朱国梁
邢家维
李振
周喜超
王冰
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.)
State Grid Comprehensive Energy Service Group Co ltd
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Comprehensive Energy Service Group Co ltd
Electric Power Research Institute of State Grid Shandong Electric Power 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 State Grid Comprehensive Energy Service Group Co ltd, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Comprehensive Energy Service Group Co ltd
Priority to CN202210599557.6A priority Critical patent/CN114936701A/zh
Publication of CN114936701A publication Critical patent/CN114936701A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Abstract

本申请适用于综合能源系统技术领域，提供了综合能源消耗实时监测方法、装置及终端设备，该方法包括：获取多个历史能耗数据，获得第一能耗数据集；对第一能耗数据集进行预测，获得第二能耗数据集；计算第一能耗数据集述第二能耗数据集的差值，将差值小于预设阈值的历史能耗数据作为第三能耗数据集；基于第三能耗数据集构建基于BP神经网络的能耗数据第一模型；将能耗数据集传输至能耗数据第一模型，获得异常的能耗数据。本申请解决了在进行综合能源消耗实时监测时由于监测的数据量过大致使异常反馈灵敏度不足，从而无法及时获取异常能耗数据问题。

Description

综合能源消耗实时监测方法、装置及终端设备
技术领域
本申请属于综合能源系统技术领域，尤其涉及综合能源消耗实时监测方法、装置及终端设备。
背景技术
随着我国社会经济的迅猛发展，能源需求日益紧张，能源供需矛盾愈加凸显。提高能源综合利用率，发掘可再生能源的利用途径成为我国未来能源领域发展的必然趋势。
在这种背景下，综合能源系统作为以需求为核心，通过数字化与信息化整合区域内可再生能源和化石能源，集能源的生产、传递、消费于一体的新能源生态系统应运而生。综合能源系统通过有效强调各个能源子系统在能源利用各环节的协调优化，实现多种能源优势互补、挖掘用户参与综合需求相应的能力，提升能源综合利用率，有效地解决了传统能源子系统间相对独立及耦合不紧密的问题。
现有对综合能源系统的研究中，基于深度学习的异常能耗监测是通过构造出很多隐含层的网络结构，并依托大量有标记信息或无标记信息的数据，对数据特征进行自动的学习。但该方法受限于数据量的规模，一旦数据规模过大，就会出现异常反馈灵敏度不足，导致无法及时发现问题。
发明内容
为克服相关技术中存在的问题，本申请实施例提供了综合能源消耗实时监测方法、装置及终端设备，解决了在综合能源消耗实时监测时由于能耗数据量过大致使异常反馈灵敏度不足，从而无法及时获取异常能耗数据的问题。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种综合能源消耗实时监测方法，包括：
获取多个历史能耗数据，获得第一能耗数据集，；对第一能耗数据集进行预测，获得第二能耗数据集；计算第一能耗数据集和第二能耗数据集的差值，将差值小于预设阈值的历史能耗数据作为第三能耗数据集；基于第三能耗数据集构建基于BP神经网络的能耗数据第一模型；将能耗数据集传输至能耗数据第一模型，获得异常能耗数据。
在第一方面的一种可能的实现方式中，在获取多个历史能耗数据之后，获得第一能耗数据集之前，还包括对第一能耗数据集做属性选择处理，具体为：将多个历史能耗数据组成集合S，S＝{x1，x2，……，xn}，其中，xn为第n个历史能耗数据；计算多个历史能耗数据在第j个属性的平均值和标准偏差，第j个属性的平均值的表达式为：mj＝{x1j，x2j，……，xnj}，第j个属性的标准偏差的表达式为：
Figure BDA0003669011550000021
基于第j个属性的平均值和标准偏差进行标准化处理，标准化处理的表达式为：
Figure BDA0003669011550000022
式中，zij表示标准化后第i个历史能耗数据在第j个属性的值，xij表示第i个历史能耗数据在第j个属性的值。
在第一方面的一种可能的实现方式中，在获取多个历史能耗数据之后，获得第一能耗数据集之前，还包括对第一能耗数据集做数据离散化处理，具体为：Step11、获取属性选择处理后的多个历史能耗数据的集合；Step12、基于属性选择处理后的多个历史能耗数据的集合进行K-means聚类，获得多个聚类组，并对多个聚类组划分标签；Step13、用CAIM算法对多个聚类组进行离散化，获得多个离散区间；Step14、应用集成方法将多个离散区间中的每个离散区间划分成最小子区间；Step15、基于最小子区间，计算原始空间与离散空间中相邻的最小子区间，并获得相邻的最小子区间的相似性；Step16、基于相邻的最小子区间的相似性，通过各个维度的ARI值选择优先合并的维度，获得相邻的最小子区间的关联度；Step17、根据相邻的最小子区间的关联度，获取最佳合并区间；Step18、判断最佳合并区间是否满足预设条件，若满足预设条件则完成数据离散化处理，若不满足预设条件则返回Step12重新聚类。
在第一方面的一种可能的实现方式中，在获取多个历史能耗数据之后，获得第一能耗数据集之前，还包括对第一能耗数据集做缺失填补处理，具体为：Step21、获取数据离散化处理后的多个历史能耗数据的集合；Step22、计算数据离散化处理后的多个历史能耗数据的集合的均值向量和协方差矩阵；Step23、基于均值向量和协方差矩阵，通过条件分布获得多个历史能耗数据中的缺失数据；Step24、基于缺失数据和数据离散化后的多个历史能耗数据的集合，构建第一数据集；Step25、基于第一数据集，模拟后验均值向量和协方差矩阵；Step26、基于模拟后验均值向量和协方差矩阵，判定是否收敛，若收敛则缺失填补处理完成，输出第一能耗数据集，若没有收敛则返回Step22重新计算。
在第一方面的一种可能的实现方式中，在基于第三能耗数据集构建基于BP神经网络的能耗数据第一模型前，还包括构建BP神经网络，构建BP神经网络的步骤包括：根据特征的数量及每个特征的编码位数，确定BP神经网络的输入层神经元个数，输入层神经元个数的计算表达式为：
Figure BDA0003669011550000031
式中，Nin表示输入层神经元的个数，N表示特征数，ni表示第i个特征的编码位数；确定BP神经网络的中间层，其中，中间层的层数为1，中间层的神经元个数为2*Nin；确定BP神经网络的输出层，其中，输出层的神经元个数等于需求分类的个数，采用OneHot编码方式对输出层进行编码，输出层的神经元函数为Logsig函数。
在第一方面的一种可能的实现方式中，构建基于BP神经网络的能耗数据第一模型的步骤，包括：Step41、初始化BP神经网络，BP神经网络的初始参数为随机值；Step42、输入第三能耗数据集中的每个第三能耗数据，其中，每个第三能耗数据包含历史能耗数据的特征向量；Step43、基于每个第三能耗数据，获得多个输出数据和多个输出数据的偏差Step44、基于多个输出数据的偏差，采用反向学习规则，更新BP神经网络的权值；Step45、直至符合终止条件，终止条件为多个输出数据的偏差小于或等于预设偏差阈值。
在第一方面的一种可能的实现方式中，基于蒙特卡洛对第一能耗数据集进行预测，获得第二能耗数据集中，预测获得的第二能耗数据集中包含电负荷预测、冷热负荷预测和日负荷预测。其中，冷热负荷预测包含建筑物需求负荷预测、生活热水负荷预测和工业热负荷预测。
第二方面，本申请实施例提供了一种综合能源消耗实时监测装置，包括：
数据处理模块、计算模块、模型构建模块和输出模块。
数据处理模块，用于获取多个历史能耗数据，获得第一能耗数据集。还用于对在获取多个历史能耗数据之后，获得第一能耗数据集之前，对历史能耗数据做预处理。
其中，预处理的方法包括依次对多个历史能耗数据进行属性选择处理、数据离散化处理和缺失填补处理。
可选的，属性选择处理包括：将多个历史能耗数据组成集合S，S＝{x1，x2，……，xn}，其中，xn为第n个历史能耗数据；计算多个历史能耗数据在第j个属性的平均值和标准偏差，第j个属性的平均值的表达式为：mj＝{x1j，x2j，……，xnj}，第j个属性的标准偏差的表达式为：
Figure BDA0003669011550000041
基于第j个属性的平均值和标准偏差进行标准化处理，标准化处理的表达式为：
Figure BDA0003669011550000042
式中，zij表示标准化后第i个历史能耗数据在第j个属性的值，xij表示第i个历史能耗数据在第j个属性的值。
可选的，对多个历史能耗数据进行属性选择处理后，进行数据离散化处理，数据离散化处理的步骤包括：Step11、获取属性选择处理后的多个历史能耗数据的集合；Step12、基于属性选择处理后的多个历史能耗数据的集合进行K-means聚类，获得多个聚类组，并对多个聚类组划分标签；Step13、用CAIM算法对多个聚类组进行离散化，获得多个离散区间；Step14、应用集成方法将多个离散区间中的每个离散区间划分成最小子区间；Step15、基于最小子区间，计算原始空间与离散空间中相邻的最小子区间，并获得相邻的最小子区间的相似性；Step16、基于相邻的最小子区间的相似性，通过各个维度的ARI值选择优先合并的维度，获得相邻的最小子区间的关联度；Step17、根据相邻的最小子区间的关联度，获取最佳合并区间；Step18、判断最佳合并区间是否满足预设条件，若满足预设条件则完成数据离散化处理，若不满足预设条件则返回Step12重新聚类。
可选的，对多个历史能耗数据进行数据离散化处理后，进行缺失填补处理，缺失填补处理的步骤包括：Step21、获取数据离散化处理后的多个历史能耗数据的集合；Step22、计算数据离散化处理后的多个历史能耗数据的集合的均值向量和协方差矩阵；Step23、基于均值向量和协方差矩阵，通过条件分布获得多个历史能耗数据中的缺失数据；Step24、基于缺失数据和数据离散化后的多个历史能耗数据的集合，构建第一数据集；Step25、基于第一数据集，模拟后验均值向量和协方差矩阵；Step26、基于模拟后验均值向量和协方差矩阵，判定是否收敛，若收敛则缺失填补处理完成，输出第一能耗数据集，若没有收敛则返回Step22重新计算。
计算模块，用于对第一能耗数据集进行预测，获得第二能耗数据集。
可选的，预测获得的第二能耗数据集中包含电负荷预测、冷热负荷预测和日负荷预测。其中，冷热负荷预测包含建筑物需求负荷预测、生活热水负荷预测和工业热负荷预测。
计算模块，还用于计算第一能耗数据集和第二能耗数据集的差值，将差值小于预设阈值的历史能耗数据作为第三能耗数据集。
模型构建模块，用于基于第三能耗数据集构建基于BP神经网络的能耗数据第一模型。
可选的，在基于第三能耗数据集构建基于BP神经网络的能耗数据第一模型前，还包括构建BP神经网络，构建BP神经网络的步骤包括：根据特征的数量及每个特征的编码位数，确定BP神经网络的输入层神经元个数，输入层神经元个数的计算表达式为：
Figure BDA0003669011550000061
式中，Nin表示输入层神经元的个数，N表示特征数，ni表示第i个特征的编码位数；确定BP神经网络的中间层，其中，中间层的层数为1，中间层的神经元个数为2*Nin；确定BP神经网络的输出层，其中，输出层的神经元个数等于需求分类的个数，采用OneHot编码方式对输出层进行编码，输出层的神经元函数为Logsig函数。
可选的，构建基于BP神经网络的能耗数据第一模型的步骤，包括：Step41、初始化BP神经网络，BP神经网络的初始参数为随机值；Step42、输入第三能耗数据集中的每个第三能耗数据，其中，每个第三能耗数据包含历史能耗数据的特征向量；Step43、基于每个第三能耗数据，获得多个输出数据和多个输出数据的偏差Step44、基于多个输出数据的偏差，采用反向学习规则，更新BP神经网络的权值；Step45、直至符合终止条件，终止条件为多个输出数据的偏差小于或等于预设偏差阈值。
输出模块，用于将能耗数据集输入至能耗数据第一模型，获得异常的能耗数据。
第三方面，本申请实施例提供了一种终端设备，包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的综合能源消耗实时监测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的综合能源消耗实时监测方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的综合能源消耗实时监测方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例中，首先对多个历史能耗数据做预处理，获得第一能耗数据集，并基于第一能耗数据集采用蒙特卡洛法进行预测，获得第二能耗数据集，通过第一能耗数据集和第二能耗数据集的差值确定第三能耗数据集，然后根据第三能耗数据集构建基于BP神经网络的能耗数据第一模型，最后将能耗数据经过预处理后输入构建的能耗数据第一模型，获取在综合能源消耗实时监测时的异常能耗数据。本申请解决了在进行综合能源消耗实时监测时由于监测的数据量过大致使反馈灵敏度不足，从而无法及时获取异常能耗数据的问题，同时，还可为用电异常预防提供参考，提高电力公司服务质量，减少经济损失，以及达到节能减排的目的。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的综合能源消耗实时监测方法的流程示意图；
图2是本申请一实施例提供的数据离散化处理的流程示意图；
图3是本申请一实施例提供的缺失填补处理的流程示意图；
图4是本申请一实施例提供的构建基于BP神经网络的能耗数据第一模型的流程示意图；
图5是本申请实施例提供的综合能源消耗实时监测装置的结构示意图；
图6是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
图1是本申请一实施例提供的综合能源消耗实时监测方法的示意性流程图，参照图1，该方法可以包括步骤10～步骤14，对该方法的详述如下：
在步骤10中，获取多个历史能耗数据，获得第一能耗数据集。
示例性的，可以通过综合能源系统中的物理传感器获得多个历史能耗数据，还可以通过综合能源系统中的终端设备获得多个历史能耗数据。获取历史能耗数据的方式有多种，因获取方式不是本申请的重点，故本申请对获取历史能耗数据的方式不做进一步限定。
示例性的，历史能耗数据可以包括在综合能源系统中涉及的工业、商业、居民等多种类型的历史能耗数据，具体的历史时间段或时间点根据实际情况和实时监测的要求进一步确定，本申请不做进一步限定。
在一些实施例中，在进行综合能源消耗实时监测时，因所消耗的能源类型种类繁多且数据量庞大，故能源消耗实时监测的首要工作就是将不同类型的能耗数据集中到一起，建立统一标准，便于后续数据的整理与分析。因此，需要对获取的历史能耗数据进行预处理，以获得统一标准的第一能耗数据集。
在一些实施例中，本申请提供了预处理方法依次为对历史能耗数据进行属性选择处理、数据化离散处理和缺失填补处理。
示例性的，进行属性选择处理的步骤可以包括：
首先，将多个历史能耗数据组成集合S。
集合S＝{x1，x2，……，xn}，xn为第n个所述历史能耗数据。
然后，计算多个历史能耗数据在第j个属性的平均值和标准偏差。
第j个属性平均值的表达式为：
mj＝{x1j，x2j，……，xnj}
第j个属性标准偏差的表达式为：
Figure BDA0003669011550000091
最后，基于第j个属性的平均值和标准偏差进行标准化处理，标准化处理的表达式为：
Figure BDA0003669011550000101
式中，zij表示标准化后第i个历史能耗数据在第j个属性的值，xij表示第i个历史能耗数据在第j个属性的值。
进一步的，对历史能耗数据进行属性选择处理后，进行数据离散化处理。
示例性的，参照图2，数据离散化处理的步骤具体如下：
在步骤1011中，获取属性选择处理后的多个历史能耗数据的集合。
在步骤1012中，基于属性选择处理后的多个历史能耗数据的集合进行K-means聚类，获得多个聚类组，并对多个聚类组划分标签。
在步骤1013中，用CAIM算法对多个聚类组进行离散化，获得多个离散区间。
在步骤1014中，应用集成方法将多个离散区间的每个离散区间划分成最小子区间。
在步骤1015中，基于最小子区间，计算原始空间与离散空间中相邻的最小子区间，获得相邻的最小子区间的相似性。
在步骤1016中，基于相邻的最小子区间的相似性，通过各个维度的ARI值选择优先合并的维度，获得相邻的最小子区间的关联度。
在步骤1017中，根据相邻的最小子区间的关联度，获取最佳合并区间。
在步骤1018中，判定最佳合并区间是否满足预设条件，若满足预设条件则完成数据离散化处理，若不满足预设条件则返回步骤1012重新聚类。其中，预设条件为结合能耗数据的实际情况和经验所设定。
在一些实施例中，对历史能耗数据进行离散化处理的目的是为了简化数据结构，数据离散化技术可以用来减少给定连续属性值的个数。
进一步的，对多个历史能耗数局进行数据离散化处理后，进行缺失填补处理。
示例性的，参照图3，缺失填补处理的步骤具体如下：
在步骤1021中，获取数据离散化处理后的多个历史能耗数据的集合。
在步骤1022中，计算数据离散化处理后的多个历史能耗数据的集合的均值向量和协方差矩阵。
在步骤1023中，基于均值向量和协方差矩阵，通过条件分布获得多个历史能耗数据中的缺失数据。
在步骤1024中，基于缺失数据和数据离散化处理后的多个历史能耗数据中的集合，构建第一数据集。
在步骤1025中，基于第一数据集，模拟后验均值向量和协方差矩阵。
在步骤1026中，基于模拟后验均值向量和协方差矩阵，判定是否收敛。若收敛则缺失填补处理完成，输出第一能耗数据集，若没有收敛则返回步骤1022重新计算。
在一些实施例中，在对历史能耗数据进行预处理的过程中，无法避免的会丢失一些数据点，而一旦一些关键数据点的丢失，有可能会使整改历史能耗数据失去价值，因此需要进行缺失填补处理。
在步骤11中，对第一能耗数据集进行预测，获得第二能耗数据集。
在一些实施例中，本申请考虑到相较于历史环境，当前或未来的能耗数据会受政策导向、经济状态或科技水平等多种因素的影响，而发生较大改变。因此，历史能耗数据只能作为判断当前或未来时刻异常能耗数据的参考依据，而不能作为评判标准。为了能精准筛选出当前为未来时刻的异常能耗数据，采用蒙特卡洛法对第一能耗数据进行计算，用以预测当前或未来时刻的能耗数据，即第二能耗数据集。
示例性的，基于蒙特卡洛法对第一能耗数据集进行预测，获得第二能耗数据集的步骤如下：
建立随机性概率模型步骤：
将第一能耗数据集中的数据作为随机变量，建立蒙特卡洛模型；
确定风险变量和概率分布步骤：
在模糊多属性决策上，Ii(X)作为风险变量，是由隶属函数确定的离散随机变量抽样值，在蒙特卡罗模拟中，共有n个风险变量，对于单个多个时刻的日负荷，U是一个不连续的值，从u1、u2、…、un，且u1<u2<…<un，Ii(X)的概率密度函数(p)和分布函数(F)的表达式如下：
p(μi)＝p{U＝μi}
Figure BDA0003669011550000121
获得预估值步骤：
根据Ii(X)的概率分布生成随机数，推导目标变量的分布，对于任何离散时间变量，离散分布的抽样方法的表达式如下：
Figure BDA0003669011550000122
式中，UF是随机数的相应改造概率，ξ是区间随机数，通过随机抽样，可以根据UF得到相应的Ii(X)，通过N次随机抽样，得到多个第二能耗数据，多个第二能耗数据的集合为第二能耗数据。
综合能源系统中往往包含工业、商业、居民等多种类型的负荷，因不同类型负荷受到不同因素的影响，表现出不同的变化特点和规律。本申请中预测得到的第二能耗数据中包含了电负荷预测、冷热负荷预测和日负荷预测，其中，冷热负荷预测可以包含建筑物需求负荷预测、生活热水负荷预测和工业热负荷预测。
在步骤12中，计算第一能耗数据集和第二能耗数据集的差值，将差值小于预设阈值的历史能耗数据作为第三能耗数据集。
在一些实施例中，计算第一能耗数据集中每个能耗数据和第二能耗数据集中每个能耗数据的差值，并设定预设阈值，若差值小于等于预设阈值，则判定第二能耗数据中的能耗数据为正常数据，多个正常数据的集合为第三能耗数据集；若差值大于预设阈值，则判定第二能耗数据中的能耗数据为异常数据，异常数据被舍弃。
在步骤13中，基于第三能耗数据集构建基于BP神经网络的能耗数据第一模型。
在一些实施例中，基于第三能耗数据集构建基于BP神经网络的能耗数据第一模型前，需先构建BP神经网络。
示例性的，构建BP神经网络可以包括确定BP神经网络的输入层神经元个数、中间层和输出层。
其中，可以根据特征的数量及每个特征的编码位数，确定BP神经网络的输入层神经元个数，输入层神经元个数的计算表达式为：
Figure BDA0003669011550000131
式中，Nin表示输入层神经元的个数，N表示特征数，ni表示第i个特征的编码位数。
BP神经网络的中间层的层数为1，所述中间层的神经元个数为2*Nin。BP神经网络的输出层的神经元个数等于需求分类的个数，采用OneHot编码方式对输出层进行编码，输出层的神经元函数为Logsig函数。
进一步的，基于上述构建的BP神经网络，将第三能耗数据集输入至BP神经网络进行训练，获得能耗数据第一模型。
示例性的，参照图4，构建基于BP神经网络的能耗数据第一模型的步骤具体如下：
在步骤1311中，初始化BP神经网络，初始参数为随机值。
在步骤1312中，输入第三能耗数据集中的每个第三能耗数据。
在步骤1313中，基于每个第三能耗数据，获得多个输出数据和多个输出数据的偏差。
在步骤1314中，基于多个输出数据的偏差，采用反向学习规则，更新BP神经网络的权值。
在步骤1315中，重复步骤1312至步骤1314直至符合终止条件，终止条件为多个输出数据的偏差小于等于预设偏差阈值。
其中，在步骤13构建的基于BP神经网络的能耗数据第一模型，是根据预测的第二能耗数据集中的正常数据进行训练所得，为当前或未来时刻进行综合能源消耗实时监测识别异常能耗数据提供了准确依据。
在步骤14中，将能耗数据集传输至能耗数据第一模型，获得异常能耗数据。
在一些实施例中，将当前或未来时刻的能耗数据经过步骤11的与处理后，输入至步骤13构建的能耗数据第一模型，能耗数据BP神经网络的计算，若输出数据的偏差小于或等于预设偏差阈值，则判定为正常能耗数据，若输出数据大于预设偏差阈值，则判定为异常能耗数据。其中，异常能耗数据指在进行实时监测时，检测出的不符合正常电力消耗行为的异常数据。
本申请提供的方法解决了在进行综合能源消耗实时监测时由于检测的数据量过大致使异常反馈灵敏度不足，从而无法及时获得异常能耗数据的问题。同时，可为用电异常预防提供参考，提高电力公司服务质量，减少经济损失，以及达到节能减排的目的。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的综合能源消耗实时监测方法，图5示出了本申请实施例提供的综合能源消耗实时监测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图5，本申请实施例中的综合能源消耗实时监测装置可以包括数据处理模块201、计算模块202、模型构建模块203和输出模块204。
数据处理模块201，用于获取多个历史能耗数据，获得第一能耗数据集。还用于对在获取多个历史能耗数据之后，获得第一能耗数据集之前，对历史能耗数据做预处理
其中，预处理的方法包括依次对多个历史能耗数据进行属性选择处理、数据离散化处理和缺失填补处理。
可选的，属性选择处理包括：将多个历史能耗数据组成集合S，S＝{x1，x2，……，xn}，其中，xn为第n个历史能耗数据；计算多个历史能耗数据在第j个属性的平均值和标准偏差，第j个属性的平均值的表达式为：mj＝{x1j，x2j，……，xnj}，第j个属性的标准偏差的表达式为：
Figure BDA0003669011550000151
基于第j个属性的平均值和标准偏差进行标准化处理，标准化处理的表达式为：
Figure BDA0003669011550000152
式中，zij表示标准化后第i个历史能耗数据在第j个属性的值，xij表示第i个历史能耗数据在第j个属性的值。
可选的，对多个历史能耗数据进行属性选择处理后，进行数据离散化处理，数据离散化处理的步骤包括：Step11、获取属性选择处理后的多个历史能耗数据的集合；Step12、基于属性选择处理后的多个历史能耗数据的集合进行K-means聚类，获得多个聚类组，并对多个聚类组划分标签；Step13、用CAIM算法对多个聚类组进行离散化，获得多个离散区间；Step14、应用集成方法将多个离散区间中的每个离散区间划分成最小子区间；Step15、基于最小子区间，计算原始空间与离散空间中相邻的最小子区间，并获得相邻的最小子区间的相似性；Step16、基于相邻的最小子区间的相似性，通过各个维度的ARI值选择优先合并的维度，获得相邻的最小子区间的关联度；Step17、根据相邻的最小子区间的关联度，获取最佳合并区间；Step18、判断最佳合并区间是否满足预设条件，若满足预设条件则完成数据离散化处理，若不满足预设条件则返回Step12重新聚类。
可选的，对多个历史能耗数据进行数据离散化处理后，进行缺失填补处理，缺失填补处理的步骤包括：Step21、获取数据离散化处理后的多个历史能耗数据的集合；Step22、计算数据离散化处理后的多个历史能耗数据的集合的均值向量和协方差矩阵；Step23、基于均值向量和协方差矩阵，通过条件分布获得多个历史能耗数据中的缺失数据；Step24、基于缺失数据和数据离散化后的多个历史能耗数据的集合，构建第一数据集；Step25、基于第一数据集，模拟后验均值向量和协方差矩阵；Step26、基于模拟后验均值向量和协方差矩阵，判定是否收敛，若收敛则缺失填补处理完成，输出第一能耗数据集，若没有收敛则返回Step22重新计算。
计算模块202，用于对第一能耗数据集进行预测，获得第二能耗数据集。
可选的，预测获得的第二能耗数据集中包含电负荷预测、冷热负荷预测和日负荷预测。其中，冷热负荷预测包含建筑物需求负荷预测、生活热水负荷预测和工业热负荷预测。
计算模块202，还用于计算第一能耗数据集和第二能耗数据集的差值，将差值小于预设阈值的历史能耗数据作为第三能耗数据集。
模型构建模块203，用于基于第三能耗数据集构建基于BP神经网络的能耗数据第一模型。
可选的，在基于第三能耗数据集构建基于BP神经网络的能耗数据第一模型前，还包括构建BP神经网络，构建BP神经网络的步骤包括：根据特征的数量及每个特征的编码位数，确定BP神经网络的输入层神经元个数，输入层神经元个数的计算表达式为：
Figure BDA0003669011550000161
式中，Nin表示输入层神经元的个数，N表示特征数，ni表示第i个特征的编码位数；确定BP神经网络的中间层，其中，中间层的层数为1，中间层的神经元个数为2*Nin；确定BP神经网络的输出层，其中，输出层的神经元个数等于需求分类的个数，采用OneHot编码方式对输出层进行编码，输出层的神经元函数为Logsig函数。
可选的，构建基于BP神经网络的能耗数据第一模型的步骤，包括：Step41、初始化BP神经网络，BP神经网络的初始参数为随机值；Step42、输入第三能耗数据集中的每个第三能耗数据，其中，每个第三能耗数据包含历史能耗数据的特征向量；Step43、基于每个第三能耗数据，获得多个输出数据和多个输出数据的偏差Step44、基于多个输出数据的偏差，采用反向学习规则，更新BP神经网络的权值；Step45、直至符合终止条件，终止条件为多个输出数据的偏差小于或等于预设偏差阈值。
输出模块204，用于将能耗数据集输入至能耗数据第一模型，获得异常的能耗数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，参见图6，该终端设300可以包括：至少一个处理器310、存储器320，所述存储器320中存储可在所述至少一个处理器310上运行的计算机程序321，所述处理器310执行所述计算机程序321时实现上述任意各个方法实施例中的步骤，例如图1所示实施例中的步骤10至步骤14。或者，处理器310执行所述计算机程序321时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块201至204的功能。
示例性的，计算机程序321可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器320中，并由处理器310执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备300中的执行过程。
本领域技术人员可以理解，图6仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器310可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器320可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。所述存储器320用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器320还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的综合能源消耗实时监测方法可以应用于计算机、可穿戴设备、车载设备、平板电脑、笔记本电脑、上网本、个人数字助理(personal digitalassistant，PDA)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、手机等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述综合能源消耗实时监测方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述综合能源消耗实时监测方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种综合能源消耗实时监测方法，应用于综合能源系统，其特征在于，包括：
获取多个历史能耗数据，获得第一能耗数据集；
对所述第一能耗数据集进行预测，获得第二能耗数据集；
计算所述第一能耗数据集和所述第二能耗数据集的差值，将所述差值小于预设阈值的历史能耗数据作为第三能耗数据集；
基于所述第三能耗数据集构建基于BP神经网络的能耗数据第一模型；
将能耗数据集传输至所述能耗数据第一模型，获得异常能耗数据。
2.如权利要求1所述的方法，其特征在于，在获取所述多个历史能耗数据之后，获得第一能耗数据集之前，还包括对所述第一能耗数据集做属性选择处理，具体为：
将所述多个历史能耗数据组成集合S，S＝{x1，x2，……，xn}，其中，xn为第n个所述历史能耗数据；
计算所述多个历史能耗数据在第j个属性的平均值和标准偏差，所述第j个属性的平均值的表达式为：mj＝{x1j，x2j，……，xnj}，所述第j个属性的标准偏差的表达式为：
Figure FDA0003669011540000011
基于所述第j个属性的平均值和标准偏差进行标准化处理，所述标准化处理的表达式为：
Figure FDA0003669011540000012
式中，zij表示标准化后第i个历史能耗数据在第j个属性的值，xij表示第i个历史能耗数据在第j个属性的值。
3.如权利要求2所述的方法，其特征在于，在获取所述多个历史能耗数据之后，获得第一能耗数据集之前，还包括对所述第一能耗数据集做数据离散化处理，具体为：
Step11、获取属性选择处理后的所述多个历史能耗数据的集合；
Step12、基于所述属性选择处理后的所述多个历史能耗数据的集合进行K-means聚类，获得多个聚类组，并对所述多个聚类组划分标签；
Step13、用CAIM算法对所述多个聚类组进行离散化，获得多个离散区间；
Step14、应用集成方法将所述多个离散区间中的每个离散区间划分成最小子区间；
Step15、基于所述最小子区间，计算原始空间与离散空间中相邻的最小子区间，获得所述相邻的最小子区间的相似性；
Step16、基于所述相邻的最小子区间的相似性，通过各个维度的ARI值选择优先合并的维度，获得相邻的最小子区间的关联度；
Step17、根据所述相邻的最小子区间的关联度，获取最佳合并区间；
Step18、判定所述最佳合并区间是否满足预设条件，若满足所述预设条件则完成所述数据离散化处理，若不满足所述预设条件则返回Step12重新聚类。
4.如权利要求3所述的方法，其特征在于，在获取所述多个历史能耗数据之后，获得第一能耗数据集之前，还包括对所述第一能耗数据集做缺失填补处理，具体为：
Step21、获取数据离散化处理后的所述多个历史能耗数据的集合；
Step22、计算数据离散化处理后的所述多个历史能耗数据的集合的均值向量和协方差矩阵；
Step23、基于所述均值向量和所述协方差矩阵，通过条件分布获得所述多个历史能耗数据中的缺失数据；
Step24、基于所述缺失数据和所述数据离散化后的所述多个历史能耗数据的集合，构建第一数据集；
Step25、基于所述第一数据集，模拟后验均值向量和协方差矩阵；
Step26、基于所述模拟后验均值向量和协方差矩阵，判定是否收敛，若收敛则所述缺失填补处理完成，输出所述第一能耗数据集，若没有收敛则返回Step22重新计算。
5.如权利要求1所述的方法，其特征在于，在所述基于所述第三能耗数据集构建基于BP神经网络的能耗数据第一模型前，还包括构建BP神经网络，所述构建BP神经网络的步骤包括：
根据特征的数量及每个特征的编码位数，确定BP神经网络的输入层神经元个数，所述输入层神经元个数的计算表达式为：
Figure FDA0003669011540000031
式中，Nin表示输入层神经元的个数，N表示特征数，ni表示第i个特征的编码位数；
确定BP神经网络的中间层，其中，所述中间层的层数为1，所述中间层的神经元个数为2*Nin；
确定BP神经网络的输出层，其中，所述输出层的神经元个数等于需求分类的个数，采用OneHot编码方式对所述输出层进行编码，所述输出层的神经元函数为Logsig函数。
6.如权利要求5所述的方法，其特征在于，所述构建基于BP神经网络的能耗数据第一模型的步骤，包括：
Step31、初始化所述BP神经网络，所述BP神经网络的初始参数为随机值；
Step32、输入所述第三能耗数据集中的每个第三能耗数据，其中，所述每个第三能耗数据包含历史能耗数据的特征向量；
Step33、基于所述每个第三能耗数据，获得多个输出数据和多个输出数据的偏差
Step34、基于所述多个输出数据的偏差，采用反向学习规则，更新所述BP神经网络的权值；
Step35、重复Step32至Step34直至符合终止条件，所述终止条件为所述多个输出数据的偏差小于或等于预设偏差阈值。
7.如权利要求1所述的方法，其特征在于，所述基于蒙特卡洛对所述第一能耗数据集进行预测，获得第二能耗数据集，预测获得的所述第二能耗数据集中包含电负荷预测、冷热负荷预测和日负荷预测；
所述冷热负荷预测包含建筑物需求负荷预测、生活热水负荷预测和工业热负荷预测。
8.一种综合能源消耗实时监测装置，其特征在于，包括：
数据处理模块，用于获取多个历史能耗数据，获得第一能耗数据集；
计算模块，对所述第一能耗数据集进行预测，获得第二能耗数据集，还用于计算所述第一能耗数据集和所述第二能耗数据集的差值，将所述差值小于预设阈值的历史能耗数据作为第三能耗数据集；
模型构建模块，用于基于所述第三能耗数据集构建基于BP神经网络的能耗数据第一模型；
输出模块，用于将能耗数据集传输至所述能耗数据第一模型，获得异常能耗数据。
9.一种终端设备，包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN202210599557.6A 2022-05-30 2022-05-30 综合能源消耗实时监测方法、装置及终端设备 Pending CN114936701A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210599557.6A CN114936701A (zh) 2022-05-30 2022-05-30 综合能源消耗实时监测方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210599557.6A CN114936701A (zh) 2022-05-30 2022-05-30 综合能源消耗实时监测方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN114936701A true CN114936701A (zh) 2022-08-23

Family

ID=82866705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210599557.6A Pending CN114936701A (zh) 2022-05-30 2022-05-30 综合能源消耗实时监测方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN114936701A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116663747A (zh) * 2023-07-19 2023-08-29 广东云下汇金科技有限公司 一种基于数据中心基础设施的智能预警方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116663747A (zh) * 2023-07-19 2023-08-29 广东云下汇金科技有限公司 一种基于数据中心基础设施的智能预警方法及系统
CN116663747B (zh) * 2023-07-19 2024-04-12 广东云下汇金科技有限公司 一种基于数据中心基础设施的智能预警方法及系统

Similar Documents

Publication Publication Date Title
CN107169628B (zh) 一种基于大数据互信息属性约简的配电网可靠性评估方法
CN111091247A (zh) 基于深度神经网络模型融合的电力负荷预测方法、装置
CN112085565A (zh) 基于深度学习的信息推荐方法、装置、设备及存储介质
CN110619540A (zh) 一种神经网络的点击流预估方法
Minli et al. Research on the application of artificial neural networks in tender offer for construction projects
CN110751355A (zh) 一种科技成果评估方法和装置
CN110264270A (zh) 一种行为预测方法、装置、设备和存储介质
CN111681022A (zh) 一种网络平台数据资源价值评估方法
CN114255121A (zh) 信贷风险预测模型的训练方法和信贷风险预测方法
Stergiou et al. Application of deep learning and chaos theory for load forecasting in Greece
Biswas et al. Dynamic modeling for product family evolution combined with artificial neural network based forecasting model: A study of iPhone evolution
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及系统
CN114936701A (zh) 综合能源消耗实时监测方法、装置及终端设备
CN111415167A (zh) 网络欺诈交易检测方法及装置、计算机存储介质和终端
CN114239949A (zh) 一种基于双阶段注意力机制的网站访问量预测方法及系统
CN113837492A (zh) 物品供应量的预测方法、设备、存储介质及程序产品
CN113591947A (zh) 基于用电行为的电力数据聚类方法、装置和存储介质
CN110213239B (zh) 可疑交易报文生成方法、装置及服务器
CN113051130A (zh) 结合注意力机制的lstm网络的移动云负载预测方法及系统
CN115952928A (zh) 一种短期电力负荷预测方法、装置、设备及存储介质
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN115034812B (zh) 基于大数据的钢铁行业销售量预测方法及装置
Liao et al. Efficient and accurate traffic flow prediction via incremental tensor completion
Ta et al. Sustainable reuse strategies of enterprise financial management model following deep learning under big data
Guo et al. Mobile user credit prediction based on lightgbm

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