CN116349102A - 用于电力网络中的电力异常的基于分布式监测的自适应诊断的方法、设备和系统 - Google Patents

Abstract

本发明描述了用于检测电力网络中的异常的方法、设备和系统。一种用于检测电力网络中的异常的方法包括：确定该电力网络中的基线电力使用；接收指示该电力网络中的有功电力使用的数据；基于该基线电力使用与该有功电力使用之间的差异来检测异常；响应于检测到该异常，针对该电力网络中的元件隔离故障；以及将指示该故障的故障隔离信息发送到用户设备。相关设备和系统可执行本文所述的方法的操作。

Description

用于电力网络中的电力异常的基于分布式监测的自适应诊断 的方法、设备和系统

技术领域

本文所述的各种实施方案涉及用于电力网络的设备、方法和系统，并且更具体地涉及电力网络中的电力异常的自适应诊断。

背景技术

诸如数据中心或制造厂的典型设施在日常活动期间消耗大量能量。大型设施通常具有数百个设备和子系统，根据它们的功能相关性，每个设备和子系统具有不同的电力需求和消耗模式。设施通常在整个白天和/或夜间以多个班次操作，这取决于生产活动的类型、所涉及的设备、环境因素诸如温度和/或操作期间期望的和可实现的生产的强度/速率而对电网提出可变的能量需求。

发明内容

本发明的各种实施方案涉及一种用于检测电力网络中的异常的方法。该方法包括：确定电力网络中的基线电力使用；接收电力网络中的有功电力使用；基于基线电力使用与有功电力使用之间的差异来检测异常；响应于检测到异常，针对电力网络中的元件隔离故障；以及将指示故障的故障隔离信息发送到用户设备。元件相比于异常处于电力网络的较低层级分级结构。

根据一些实施方案，隔离故障可包括：识别包括多个第一元件的电力网络的主仪表分级结构的第一元件中的主异常；在比主仪表分级结构低的较低层级分级结构的多个第二元件中搜索较低异常，其中多个第二元件与第一元件相关联；以及识别多个第二元件中与较低异常相关联的第二元件。

根据一些实施方案，较低异常可包括第一较低异常，并且较低层级分级结构包括第一较低层级分级结构。用于检测电力网络中的异常的方法可包括在第二较低层级分级结构的多个第三元件中搜索第二较低异常，其中多个第三元件与第二元件相关联；以及识别多个第三元件中与第二较低异常相关联的第三元件。第二较低层级分级结构在电力网络中相比于第一较低层级分级结构处于较低层级。

根据一些实施方案，检测异常可包括：响应于有功电力使用在基线电力使用的预定范围之外，识别有功电力使用中的离群值；以及确定该离群值包括电力网络中的异常。该方法可包括基于异常来确定反馈，以及基于反馈来修改基线电力使用。

根据一些实施方案，基于异常来确定反馈可包括生成与有功电力使用和异常相关的数据，以及基于与有功电力使用和异常相关的数据触发反馈的生成。基于异常来确定反馈可包括向电力网络的用户提供与异常相关的信息，从用户接收输入，以及基于来自用户的输入来确定反馈。

根据一些实施方案，基于异常来确定反馈可包括：监测一个时间段内的有功电力使用；确定有功电力使用的性质在该时间段内的偏移；以及基于有功电力使用的性质在该时间段内的偏移来确定反馈。元件可包括建筑物、区段、机器或部件。

根据一些实施方案，该方法可包括确定异常类型和/或异常的严重性。异常类型可与响应于隔离故障而采取的修复行动相关联。异常的严重性可从包括电力网络的历史电力使用数据的数据库获得。基于基线电力使用与有功电力使用之间的差异来检测异常可包括基于历史电力使用数据来预测未来时间段中的预期电力使用，生成针对所预测的预期电力使用的不确定性界限，以及响应于有功电力使用在不确定性界限之外来检测异常。

根据一些实施方案，有功电力使用可包括第一时间段中的第一有功电力使用。该方法可包括确定在第一时间段之后的第二时间段中的第二有功电力使用，以及响应于第一有功电力使用和第二有功电力使用两者都在不确定性界限之外而修改基线电力使用。可基于确定历史电力使用数据中的时间模式来预测预期电力使用。该方法可包括确定故障是否与所报告的先前异常相关，以及在故障与所报告的先前异常不相关时报告故障。

本发明的各种实施方案涉及被配置为检测电力网络中的异常的设备。该设备包括：基线电力使用电路，其被配置为确定电力网络中的基线电力使用；有功电力使用电路，其被配置为确定电力网络中的有功电力使用；异常检测电路，其被配置为基于基线电力使用与有功电力使用之间的差异来检测异常；故障隔离电路，其被配置为响应于检测到异常而针对电力网络中的元件隔离故障；以及发送器，其被配置为将指示故障的故障隔离信息发送到用户设备。元件相比于异常处于电力网络的较低层级分级结构。

根据一些实施方案，故障隔离电路可包括：主异常检测电路，其被配置为识别电力网络的主仪表分级结构的第一元件中的主异常，其中主仪表分级结构包括多个第一元件；较低异常检测电路，其被配置为在比主仪表分级结构低的较低层级分级结构的多个第二元件中搜索较低异常以及识别多个第二元件中与较低异常相关联的第二元件，其中多个第二元件与第一元件相关联。

根据一些实施方案，较低异常可包括第一较低异常，并且较低层级分级结构可包括第一较低层级分级结构。故障隔离电路还可包括第二较低异常检测电路，其被配置为在第二较低层级分级结构的多个第三元件中搜索第二较低异常以及识别多个第三元件中与第二较低异常相关联的第三元件。第二较低层级分级结构在电力网络中相比于第一较低层级分级结构处于较低层级处，并且多个第三元件与第二元件相关联。该设备还可包括：数据库，其包括历史电力使用数据；预测电路，其被配置为基于历史电力使用数据来预测未来时间段中的预期电力使用；以及不确定性界限生成器，其被配置为生成针对所预测的预期电力使用的不确定性界限。异常检测电路还可被配置为响应于有功电力使用在不确定性界限之外而检测异常。

根据一些实施方案，该设备可包括被配置为基于异常来确定反馈的反馈电路。基线电力使用电路还可被配置为基于反馈来修改基线电力使用。

本发明的各种实施方案涉及包括异常检测设备的电力网络。异常检测设备包括：基线电力使用电路，其被配置为确定电力网络中的基线电力使用；有功电力使用电路，其被配置为确定电力网络中的有功电力使用；异常检测电路，其被配置为基于基线电力使用与有功电力使用之间的差异来检测异常；以及故障隔离电路，其被配置为响应于检测到异常而针对电力网络中的元件隔离故障。异常检测设备包括具有被配置为向显示设备提供故障指示的发送器的报告设备。元件相比于异常处于电力网络的较低层级分级结构。

通过阅读以下附图和优选实施方案的详细描述，本领域普通技术人员将会理解本发明的其他特征、优点和细节，这样的描述对于本发明仅是示例性的。

应当注意，关于一个实施方案描述的发明构思的各方面可以结合在不同的实施方案中，尽管未对其具体描述。即，所有实施方案和/或任何实施方案的特征可以以任何方式和/或组合进行组合。还可以执行根据本文描述的任何实施方案的其他操作。在下文阐述的说明书中详细描述了本发明构思的这些和其他方面。

附图说明

图1示出了根据本文所述的各种实施方案的电力计量分级结构。

图2是根据本文所述的各种实施方案的电力网络中的异常检测的框图。

图3A至图3C是根据本文所述的各种实施方案的用于检测电力网络中的异常的操作的流程图。

图4是根据本文所述的各种实施方案的诸如制造厂或数据中心的设施的电力消耗的示例性异常的图示。

图5A至图5C是根据本文所述的各种实施方案的各种电力计量水平中的示例性异常的图示。

图6至图17是根据本文所述的各种实施方案的用于检测电力网络中的异常的操作的流程图。

图18是根据本文所述的各种实施方案的可包括在电力网络中以执行图2至图3C和/或图6至图17的流程图的操作的设备的框图。

图19是根据本文所述的各种实施方案的可执行图2至图3C和/或图6至图17的流程图的操作的电力网络的框图。

具体实施方式

在下文中将参考附图更全面地描述各种实施方案。其他实施方案可以采取许多不同的形式，并且不应被解释为限于本文所阐述的实施方案。在全文中相同的数字表示相同的元件。

在附图中，为清楚起见，可放大相对位置、连接或特征。然而，本发明可具体体现为许多不同形式，并且不应解释为限于本文所阐述的实施方案。相反，提供这些实施方案使得本公开将是周密且完整的，并且将向本领域技术人员完全传达本发明的范围。

电力网络可包括具有大量电力需求的设施，诸如数据中心或制造厂。设施可包括各自基于各种电功率操作的各种设备或元件。设施中的各种设备可以分级结构布置。例如，如图1所示，诸如数据中心或制造厂的设施可包括若干建筑物，该若干建筑物中的每个建筑物可具有独特的电力需求。每个建筑物可被划分成具有不同电力需求的各种区段。每个区段可包括各种机器，该各种机器还可各自包括各种部件。参见图1，设施110可包括多个建筑物120a至120n。每个建筑物可包括多个区段130a至130n。每个区段可包括多台机器140a至140n。多台机器中的每台机器可包括部件150a至150n。例如，在数据中心，区段130a至130n可以各自是一组服务器，使得一组服务器被分配给一个客户。机器140a至140n可以是单个的服务器、IT机架、冷却器、压缩机或支持装备。部件150a至150n可以是例如冷却器诸如风扇、压缩机、蒸发器等的部件。

在图1所示的示例性分级结构中，每个分级结构层级和分级结构层级中的后续元件根据其功能相关性可具有不同的电力需求和消耗模式。设施可在整个白天和/或夜间以不同班次操作，这取决于生产活动的类型、正在操作的设备以及给定时间的生产的强度和/或速率而对电网提出可变的电力需求。图1的分级结构旨在表示非限制性示例，使得在不偏离各种实施方案的范围的情况下，更少数量或更多数量的分级结构层级是可能的。

本文所述的各种实施方案可源于识别出电力网络中的异常可指示需要在分级结构内检测和隔离的故障。可在电力网络分级结构中的多个层级处识别异常，如将关于本文所述的各种实施方案讨论的。本文描述了诸如数据中心、制造厂、工厂、商业建筑等设施中的电力异常检测。电力网络可学习给定设施典型的电力消耗模式并且辨别与典型模式的偏差。电力网络可识别此类电力异常在设施计量分级结构中的位置。电力异常检测可发生在设施电力链分级结构中的多个层级处，从单个机器、部件或子系统层级到整个设施层级。一旦检测到电力异常，后续的报告机制可触发通知及异常的可能起源以提供故障隔离。系统可推荐要采取的行动来减轻故障。在循环结束时，系统可尝试通过显式和/或隐式反馈机制来改善性能。

当电力使用偏离正常或基线电力使用时，可能发生异常。机器/区段/设施处的电力消耗模式中的异常通常是发生故障的机器部件、操作者错误或失效/劣化的电气部件所致。未能诊断异常、评估严重性或隔离引起异常的故障可导致增加的能源费用、降低的生产率、计划外停机时间和/或安全相关事故。因此，在设施中实时诊断电力异常以便采取纠正行动是重要的。

家庭和商业建筑物的异常检测可通过读取整个建筑物的电表来进行。基于分级结构的建筑物层级处的单个电表的电力监测和异常检测可能受到诸如低检测速率、大量假警报、有限隔离能力和/或缺乏推荐的纠正行动的限制。读取单个分级结构层级(诸如对于整个建筑物)的电表可导致电力异常的低速率检测，因为可使用诸如控制下限和控制上限的阈值，这些阈值错过了上下文异常和/或控制限值之间的缓慢降级。由于设施中消耗的电力取决于电力使用模式、位置处的天气模式、操作时间表/班次、过程流信息、生产中涉及的机器的功能特性和/或在给定时间所使用的计算资源的类型，所以单个分级结构层级处的电表可能产生大量假警报。大量假警报对于利用电力网络向其设施供电的最终客户或用户来说可能是大麻烦。单个分级结构层级处的电表可提供有限的故障隔离。当在设施层级监测时，由于缺乏下游信息，所以很难隔离在分级结构的诸如设施的建筑物/区段/机器的较低层级中发生的异常。单个分级结构层级处的电表可能不提供足够的信息来推荐纠正行动以改进个别元件的电力性能。推荐纠正行动将避免增加电费、生产率损失或计划外停机时间。

设施中的异常检测的附加挑战可能是由于电力消耗季节性地变化以及电力消耗的其他变化。例如，在给定时间内消耗的电力不仅取决于诸如照明和HVAC的季节性变化的负载，还取决于诸如针对可能使得难以识别电力消耗的季节性模式的生产的需求的非季节性因素。与住宅和商业建筑行业相比，由于具有变化的能量特性的不同类型负载以及控制其操作的非季节性因素，工业环境中的电力消耗可能具有较大变化。这些变化可能对异常检测提出挑战，因为异常可能归因于数据中的变化。因此，可能需要通过使用可用的上下文信息来增强异常检测技术。

根据本文所述的各种实施方案，应用了数据驱动技术以学习设备、部件、机器、区段、建筑物和设施的正常电力消耗行为。所获取的关于电力消耗活动的知识可用于检测在设施的日常操作期间与行为的偏离，从而对电力网络中的潜在电力异常进行分类和/或识别。用于异常检测的过程可尝试识别异常的位置。随后，可提供计量分级结构中的故障隔离。可推荐用于解决检测到的异常的潜在解决方案。本文所述的各种实施方案可采用直接和间接反馈机制来分析所标记的行为是否得到纠正。此类反馈可有助于自适应学习。

由于消耗电力的底层处理的动态性质，可能需要自适应学习。在这方面，反馈机制可闭合回路，使得当观察到所标记的异常是当前环境下的正常操作的一部分时，发生电力系统行为的学习。使用反馈信息，电力网络能够自主地纠正其自身以将行为模式的类似的未来发生识别为正常。然而，该反馈机制可与本文所述的操作的主要学习机制分离，主要学习机制从历史数据学习设施的基线电力使用行为。在一些实施方案中，自适应学习机制可在系统的在线操作期间增强基线电力使用行为。

为了解决用于检测电力网络中的异常的上述挑战，各种实施方案描述了用于检测异常和隔离电力网络中的故障的操作。除了电力消耗数据之外，还可利用可包括关于诸如非季节性变化的变化的信息的过程数据。例如，电力使用中的非季节性变化可包括工厂的生产率，该生产率取决于商业需求或数据中心服务器上的利用模式。根据本文所述的各种实施方案，由于对上下文特征的敏感性，高变化电力数据中的异常检测可能需要充分捕获变化信息。例如，通过利用生产率数据，可基于历史数据对这些上下文中的预期变化进行建模。这些上下文中与历史数据的偏差可被成功地识别并报告为电力网络中的异常。

图2是根据本文所述的各种实施方案的电力网络中的异常检测的框图。现在参见图2，电力网络中的设施200包括消耗电力的各种元件。可使用物联网(IoT)架构或诸如部署在数据中心内的私有云的内部架构来实现异常检测。可将关于与设施200相关联的实时电力消耗、过程、生产和环境的信息或数据提供给包括用于确定电力网络中的异常的一个或多个处理器的一个或多个异常检测设备。异常检测系统可包括后端处理220和前端处理250。可将与设施200相关联的数据提供给预测机器学习模块222和/或历史能量消耗数据库230。历史能量消耗数据库230可存储关于设施200随时间推移的电力消耗的信息并将该信息作为训练信息提供给预测机器学习模块222。

预测机器学习模块222可生成时间序列预测模型。预测机器学习模块222可将过程数据提供给异常检测模块224。异常检测模块224识别电力数据中的潜在异常并将该信息提供给异常评分模块226。异常评分模块226可量化当前有功电力使用距基线电力使用有多远。有功电力与客户设备和/或装备消耗的实际电力有关。基线电力可以是预期或预测的电力。异常评分模块226可基于基线电力使用与有功电力使用之间的差异通过例如加权各种因素或统计学差异来检测异常。根据一些实施方案，基线电力使用可来自预测模型，而有功/实际电力消耗来自与电力计量相关联的传感器。异常评分模块226可将所识别的异常或故障指示提供给报告模块234。报告模块234可访问数据库236以获得机器和/或设施200的电力分配分级结构中的其他元件之间的操作关系。自适应学习模块228可从预测机器学习模块222接收信息和/或接收与设施200相关的其他数据。在一些实施方案中，自适应学习模块228可从用户反馈模块260接收用户反馈。自适应学习模块228可利用来自预测机器学习模块222的数据、关于设施电力使用的数据和/或来自用户反馈模块260的用户反馈向预测机器学习模块222提供反馈。预测机器学习模块222可利用该反馈来调整用于确定电力网络中的异常的操作。

仍然参见图2，用户210可采取影响设施200的电力使用的行动。用户210可从电力网络的前端250获得信息并提供输入以引导电力网络的操作。前端250可包括提供异常检测信息252、故障隔离信息254、严重性评估256和/或推荐行动258的显示器和/或其他指示器。由用户210响应于特定异常而提供的输入可存储在数据库中以帮助在检测到故障时作出未来推荐。

图3A至图3C是用于检测电力网络中的异常的操作的流程图。图3A至图3C示出了图2的预测机器学习模块22、异常检测模块224和异常评分模块226的详细流程图。图3A至图3C描述了检测电力数据流中的异常所涉及的操作。电力数据可被预处理并被输入到基于预训练的预测性深度学习的回归模型中，该模型预测数据的预期正常范围。可评估在当前时间接收到的实际电力数据值以确定它们是否落入正常范围内。如果当前有功电力数据使用在正常范围之外，则可能已经发生异常。基于实际值相对于预测范围有多远来对异常评分。将当前有功电力数据与预测范围进行比较的这种机制被部署在设施计量分级结构中的各个层级处，以便尝试识别与较低层级分级结构处的异常相关联的故障。

参见图3A，训练阶段300可包括基于来自数据库302的历史电力数据的预处理304。然后使用机器学习技术诸如长期短期记忆(LSTM)学习将经预处理的数据用于训练，以学习历史数据中的模式。所得模型可在框308处被保存并提供给经训练的深度学习模型316。当前有功电力使用的数据流314可经预处理312并提供给经训练的深度学习模型316。在框318处，经训练的深度学习模型316的输出用于确定未来电力使用的预测和置信度界限。可对这些预测和置信度界限执行一些后处理320，然后可基于当前有功电力使用的数据流314与预测和/或置信度界限的比较来做出决定322。如果当前有功电力使用的数据流314在置信度界限之外，则在框324处可基于误差距离来确定异常评分。

异常检测系统可包括两个学习阶段：离线学习阶段和在线学习阶段。离线学习阶段包括从其历史数据学习给定设施的基线电力使用。离线学习阶段可被称为训练阶段300，如图3A所示。在线学习阶段包括系统根据设施中的各种元件的电力消耗行为的变化来对基线模型应用变化。

在线学习阶段可包括事件驱动型反馈和/或连续学习。事件驱动型反馈利用隐式反馈(软反馈)或显式反馈(硬反馈)来触发对基线模型的更新。基于通过各种反馈机制在所报告的异常上接收的反馈来触发更新。反馈机制可包括直接来自用户或操作者的显式反馈，或通过隐式地监测预期的纠正变化的数据的隐式反馈。由于机器学习收敛的时间，与显式反馈相比，隐式反馈可能不太有效。然而，隐式反馈可作为冗余来提供，使得显式反馈能够任选地供用户使用。作为任选特征的隐式反馈确保电力系统能够在没有人机回圈因素的情况下起作用。可同时使用显式反馈和隐式反馈两者，或可选择两者中的一者来控制本文所述的操作。连续学习监测数据的统计学特性和/或模型准确性随时间推移的偏移，以决定是否需要更新基线电力使用以并入特定分级结构层级(例如，设备、区段、建筑物或设施)处的行为变化。

现在参见图3B，在框326处，使用框318处的预测和置信度界限来预测置信度预测是一致地低还是重复地增大负反馈。如果是这种情况，则在框328处使用从图3C的框352处累积隐式反馈和/或显式反馈获得的反馈信息来用新数据触发训练流水线。

在框330处实现对预测置信度或对负反馈的改善的监测。如果在框332处观察到稳定的改善，则停止学习。如果在框332处未观察到稳定的改善(即，稳定状态)，则系统在框334处继续学习以便获得改善的基线电力使用。

提供报告和反馈以允许用户与整个系统交互。用户可在界面或显示器处接收报告，并且能够向系统提供反馈以用于自适应学习。图3C结合了附加的机器学习模型以进一步将检测到的异常分类成各种类型和严重性水平。该分类器可以是针对可从设施的历史记录获得的异常类型和严重性的数据库训练的预训练模型。该知识可存储在数据库中，该数据库包括从历史故障到它们的补救或在过去对它们采取的修复行动的映射。

现在参见图3C，在框336处，可评估在框324处确定的异常评分以确定异常是否是冗余的。如果确定异常不是冗余的，则在框338处，可对异常类型和/或严重性进行分类。如果在框340处确定异常是关键的，则在框342处可发送警报通知。在框344处，警报通知可包括基于历史故障信息和所采取的修复行动(存储在故障数据库360中)的建议行动项目。在框346处，可提供或显示与异常有关的信息，包括分级结构中发生异常的层级、查明异常的元件或较低层级的故障隔离信息、严重性信息和/或建议行动。如果未提供用户反馈364，则在框348处，异常检测响应于所采取的纠正行动而继续寻找电力数据中的预期变化。在框350处，基于所采取的纠正行动和后续预期变化，提供正反馈或负反馈，使得在框352处可分别累积隐式反馈和显式反馈。然后，在框328处，可提供这些隐式反馈和/或显式反馈以触发训练流水线。在框352处，用户反馈364还可以是累积反馈的一部分。在框362处，用户反馈可用于更新故障数据库360和/或再训练异常分类系统。在一些情况下，用户反馈可能与所生成的隐式反馈冲突。在这些情况下，可忽略或禁用隐式反馈。包括关于历史故障和后续修复行动的信息的故障数据库360可用于在训练阶段期间训练分类模型356。来自数据库354的设施分级结构数据也可用于训练分类模型356。该分类模型可在框358处保存，并在框338处用于对异常类型和/或严重性进行分类。

图4是诸如制造厂的设施的电力消耗的示例性异常的图示。参见图4，示出了随时间推移的实际设施层级电表数据。高新颖性峰值是已经通过关于图2、图3A、图3B和/或图3C的流程图描述的操作识别的异常高电力消耗的点。由于预测了正常电力使用的范围，所以也可识别异常低消耗的点。除了高新颖性之外，这些低新颖性也在该示例图中被识别。可能确定电力网络的设施处有异常，诸如在设施层级处。在图4的设施层级处识别出的这些异常随后被进一步评估以确定较低分级结构层级处的异常并且潜在地识别电力网络中的特定元件处的故障，如将关于图5A至图5C所讨论。

图5A至图5C是在分级结构中比图4的主仪表分级结构低的各种电力计量层级处发生的示例性异常的图示。参见图5A，可能确定电力网络的主仪表分级结构处有异常，诸如在图1的建筑物120a至120n中的一个建筑物的建筑物层级分级结构处。在图5A中标记为检测到的异常的点异常可由于交叉峰值功率的急剧上升而被检测到。例如，如图5A中所标记的，检测到的异常可高于预测不确定性+107，而不同的检测到的上下文异常低于预测不确定性-17。这些检测到的异常可指示处于较低层级分级结构的子过程可能未适当地操作。例如，建筑物的一个区段可能具有导致基于低于预期有功电力使用的异常的装备失效。又如，建筑物的区段中的恒温器设定可能已变化，从而产生大幅降低或升高的电力使用，但可能不维持建筑物的区段中的装备的适当操作温度。根据一些实施方案，可能在分级结构中的较低层级处发现异常，但异常可以是上游、下游或相邻设备。这样，可在较高层级分级结构处或在分级结构中的相同层级处诊断出异常。

参见图5B，示出了相比于图5A的主仪表分级结构处于较低层级分级结构处的异常，诸如图5A的主仪表分级结构中的建筑物的机械区段中的异常。在该示例中观察到异常三次。参见图5C，示出了在比图5B的机械区段低的最低层级分级结构处的异常。最低层级分级结构可以是图1的机器层级或部件层级。尽管图1示出了四级分级结构作为非限制性示例，但更少或更多的分级结构也是可能的。在图5C的示例中，最低层级分级结构中的电力使用可指示一台或多台IT机器中的异常。在该示例中，图5C中这些检测到的异常可被隔离到单台IT机器。单台IT机器的这种隔离通过以下方式实现：发现图5A的主层级仪表处的异常，然后通过在较低层级处运行图3A至图3C的流程图的操作而向下工作到图5B和图5C中的分级结构中的后续层级，并且最终隔离导致最低层级中的主仪表分级结构中的整体尖峰的故障。在图5A至图5C的示例中，对在特定数据中心的十月的特定日期2日由顶层电力质量主仪表测量的电力需求中观察到的异常向下深度探讨至由设施中的特定子层级导致的需求尖峰。此前述示例说明本文所述的实施方案能够在没有人机回圈的情况下将异常隔离到特定子层级。

检测电力异常可包括诸如使用预测算法来估计未来电力消耗作为异常检测的前兆的操作。可使用基于预测和在预测时发生的实际消耗的检测机制。可使用基于预测电力消耗和实际电力消耗之间的差异以及被监测的过程的关键程度的评分机制。可利用故障隔离活动来确定所观察到的电力异常的位置。可能需要报告机制来决定何时以及如何报告异常电力消耗。可识别所检测到的异常的类型和严重性等级。自适应学习模块可调整设施、建筑物、区段、机器和/或部件的电力消耗特性的动态变化。

根据一些实施方案，可使用数据驱动型方法来学习历史工厂数据中的正常电力消耗模式。学习机制可以是基于深度学习架构的时间模式学习算法。学习算法可针对历史工厂数据进行训练并且在在线部署期间用作预测模型。学习算法可通过基于其在训练期间获取的设施行为的知识来预测下一预测时域中的预期电力消耗而起作用。预测时域可依据各种时间间隔(诸如下一小时、下一天、下一x分钟等)来限定。预测算法还可将不确定性界限描述为预测。该不确定性界限可以是学习的质量，并且因此可以是训练时学习算法可用的电力数据的函数。此不确定性界限可帮助基于过去数据确定电力消耗的学习算法预测的置信度。根据一些实施方案，预测算法学习预测范围而不是单个点。如果预测的实际电力消耗在该预测周围的不确定性区间之外，则可检测到异常电力消耗。

为了对已被识别为其严重性度量的异常进行评分，可将评分确定为两个数值量D1和D2的函数。D1被定义为描述实际电力消耗与预测消耗值相距多远的距离，而D2被定义为与最近的不确定性界限相距的距离。可使用D1、D2或它们的组合对异常进行评分。

提供了报告所标记的异常的机制。基于异常评分以及异常的关键程度来做出向用户或其他相关机构发出通知的决定。目标可以是最小化多个异常的重复报告，其中异常以接近的间隔发生并且更可能由类似的潜在原因触发。

根据本文所述的各种实施方案，可确定设施电力消耗行为是否已显著地偏离历史学习的行为。不确定性界限可用作输入，以确定在消耗电力的预测中增大的不确定性的持续发生是否暗示被监测的物理实体的行为已从训练期间观察到的行为显著改变。不确定性的持续发生可触发使用自适应学习来体现电力使用的新知识的二级学习机制。由于行为的持续变化可能暗示底层物理部件的退化，因此可将该二级学习馈送到报告机制中。

自适应在线学习在新的电力数据到达时学习新行为并且调整主预测模型的模型参数以适应电力系统中的新行为。应谨慎地使用自适应在线学习，因为它改变了系统的表现以针对新的先前未见过的数据进行调整，这表示正常行为(即，基线电力使用)的定义的偏移。

可使用客观的显式反馈机制来关闭回路并从接收自用户或操作者的输入中学习。交互式的基于GUI的仪表板可使得用户或设施管理者能够接收状态信息、异常和/或故障信息，并且提供输入机制。可使用不涉及用户的隐式反馈机制，使得在检测到异常和后续通知之后监测电力数据的变化。可将隐式反馈馈送到自适应在线学习中以更新模型参数。

当本文所述的操作被应用于设施计量分级结构的多个层级时，系统能够利用特定于那些层级的信息来检测异常电力消耗。例如，当应用于机器层级时，机器特性可用作针对本文所述操作的输入，从而由于附加信息可用性而导致提高的准确性。以此方式，可在个别层级处提供故障隔离，以识别已在哪个层级发生异常并将此信息显示给用户。

图6至图17是根据本文所述的各种实施方案的用于检测电力网络中的异常的操作的流程图。参见图6，检测电力网络中的异常可包括在框610处确定电力网络中的基线电力使用。检测异常可包括在框620处接收指示电力网络中的有功电力使用的数据。可基于预测模型来确定基线电力使用，预测模型又从历史数据学习。历史数据可存储在数据库中。可从与设施相关联的电表或其他监测设备接收有功电力使用。检测异常可包括在框630处基于基线电力使用与有功电力使用之间的差异来检测异常。检测异常可包括在框640处响应于检测到异常而针对电力网络中的元件隔离故障。检测异常可包括在框650处将指示故障的故障隔离信息发送到用户设备。

参见图7，检测异常可包括在框710处响应于有功电力使用在基线电力使用的预定范围之外而识别有功电力使用中的离群值。检测异常可包括在框720处确定离群值包括电力网络中的异常。

参见图8，操作可包括在框810处基于异常来确定反馈。操作可包括在框820处基于反馈来修改基线电力使用。

参见图9，基于异常来确定反馈可包括在框910处生成与有功电力使用和异常相关的数据。确定反馈可包括在框920处基于与有功电力使用和异常相关的数据来触发反馈的生成。

参见图10，基于异常来确定反馈可包括在框1010处向电力网络的用户提供与异常相关的信息。确定反馈可包括在框1020处从用户接收输入。确定反馈可包括在框1030处基于来自用户的输入来确定反馈。

参见图11，基于异常来确定反馈可包括在框1110处监测一个时间段内的有功电力使用。确定反馈可包括在框1120处确定有功电力使用的属性在该时间段内的偏移。确定反馈可包括在框1130处基于有功电力使用的属性在该时间段的偏移来确定反馈。电力使用属性可被偏移和/或更新到新属性(即，平均偏移)。反馈可触发模型的再学习。元件可以是建筑物、区段、机器或部件。

参见图12，隔离故障可包括在框1210处识别电力网络的主仪表分级结构的多个第一元件中的一个第一元件中的主异常。隔离故障可包括在框1220处搜索相比于主仪表分级结构的较低层级分级结构的多个第二元件中的较低异常。第二元件与第一元件相关联。隔离故障可包括在框1230处识别多个第二元件中与较低异常相关联的第二元件。

参见图13，隔离故障可包括在框1310处搜索第二较低层级分级结构的多个第三元件中的第二较低异常。第三元件与第二元件相关联。隔离故障可包括在框1320处识别多个第三元件中与第二较低异常相关联的第三元件。

参见图14，检测异常可包括在框1410处确定异常类型和/或异常的严重性。异常类型可与响应于隔离故障而采取的修复行动相关联。异常的严重性可从包括电力网络的历史电力使用数据的数据库获得。

参见图15，基于基线电力使用与有功电力使用之间的差异来检测异常可包括在框1510处基于历史电力使用数据来预测未来时间段中的预期电力使用。基于差异检测异常可包括在框1520处生成针对所预测的预期电力使用的不确定性界限。在框1530处，可响应于有功电力使用在不确定性界限之外而检测到异常。

根据一些实施方案，有功电力使用可包括第一时间段中的第一有功电力使用。参见图16，操作还可包括在框1610处确定在第一时间段之后的第二时间段中的第二有功电力使用。操作可包括在框1620处响应于第一有功电力使用和第二有功电力使用两者都在不确定性界限之外而修改基线电力使用。修改基线电力使用可包括修改预测机器学习模型。可基于确定历史电力使用数据中的时间模式来预测预期电力使用。

参见图17，操作可包括在框1710处确定故障是否与所报告的先前异常相关。在框1720处，在故障与所报告的先前异常不相关时，可报告故障。

图18是可包括在电力网络中以执行图2至图3C和/或图6至图17的流程图的操作的设备的框图。参见图18，设备1800被配置为检测电力网络中的异常。设备1800包括：基线电力使用电路1810，其被配置为确定电力网络中的基线电力使用；有功电力使用电路1870，其被配置为确定电力网络中的有功电力使用；异常检测电路1820，其被配置为基于基线电力使用与有功电力使用之间的差异来检测异常；以及故障隔离电路1880，其被配置为响应于检测到异常而针对电力网络中的元件隔离故障。设备1800可包括接收基线电力使用信息和/或有功电力使用信息的接收器1805。设备1800可包括将指示故障的故障隔离信息发送到用户设备的发送器1875。

故障隔离电路1880可包括：主异常检测电路1885，其被配置为识别电力网络的主仪表分级结构的第一元件中的主异常，其中主仪表分级结构包括多个第一元件；以及较低异常检测电路1890，其被配置为在相比于主仪表分级结构的较低层级分级结构的多个第二元件中搜索较低异常以及识别多个第二元件中与较低异常相关联的第二元件。故障隔离电路可包括最低异常检测电路1895，其被配置为在最低层级分级结构的多个第三元件中搜索最低异常以及识别多个第三元件中与最低异常相关联的第三元件。

根据一些实施方案，设备1800可包括：数据库1850，其存储历史电力使用数据；预测电路1830，其被配置为基于历史电力使用数据来预测未来时间段中的预期电力使用；以及不确定性界限生成器1860，其被配置为生成针对所预测的预期电力使用的不确定性界限。异常检测电路还可被配置为响应于有功电力使用在不确定性界限之外而检测异常。

设备1800可包括被配置为基于异常来确定反馈的反馈电路1840。在一些实施方案中，基线电力使用电路1810还可被配置为基于反馈来修改基线电力使用。

图19是可执行图2至图3C和/或图6至图17的流程图的操作的电力网络的框图。参见图19，电力网络1900可包括异常检测设备1910。异常检测设备1910可包括：基线电力使用电路1920，其被配置为确定电力网络中的基线电力使用；有功电力使用电路1930，其被配置为确定电力网络中的有功电力使用；异常检测电路1940，其被配置为基于基线电力使用与有功电力使用之间的差异来检测异常；以及故障隔离电路1950，其被配置为响应于检测到异常而针对电力网络中的元件隔离故障。电力网络1900可包括被配置为向显示设备1990提供故障指示的报告设备1960。电力网络1900可包括与设施、电表设备、用户、操作者和/或被配置为提供故障信息的显示设备通信的接收器1970和/或发送器1980。

进一步定义：

在本公开的各种实施方案的上述描述中，应当理解，本文所用的术语仅用于描述特定实施方案的目的，而不旨在限制本发明。除非另有定义，否则本文所用的所有术语(包括技术和科学术语)具有本公开所属领域的普通技术人员通常所理解的相同含义。还应当理解，术语如常用词典中定义的那些术语应解释为具有与它们在本说明书和相关领域的上下文中的含义一致的含义，并且除非本文中明确地定义，否则将不在理想化或过于形式化的意义上进行解释。

当元件被称为“连接”、“联接”、“响应(于)”或其变体到另一个元件时，该元件可以直接连接、耦接或响应于另一个元件，或者可存在中间元件。相反，当元件被称为“直接连接”、“直接耦接”、“直接响应(于)”或其变体到另一个元件时，不存在中间元件。在全文中相同的数字表示相同的元件。此外，如本文所用的“耦接”、“连接”、“响应于”或其变型可包括无线耦接、连接或响应。除非上下文另有明确指示，否则如本文所用，单数形式“一”、“一个”、“一种”和“该”旨在也包括复数形式。为简明和/或清楚起见，可以不详细描述公知的功能或构造。术语“和/或”包括一个或多个相关联的列出的项目的任何组合和所有组合。

如本文所用，术语“包含”、“包括”、“含”、“含有”、“具有”或它们的变体是开放式的，并且包括一个或多个所述的特征、整数、元件、步骤、部件或功能，但不排除存在或添加一个或多个其他特征、整数、元件、步骤、部件或它们的组。

本文参考计算机实现的方法、设备(系统和/或装置)和/或计算机程序产品的框图和/或流程图图示来描述示例性实施方案。应当理解，框图和/或流程图图示中的框以及框图和/或流程图图示中的框的组合可通过由一个或多个计算机电路执行的计算机程序指令来实现。这些计算机程序指令可被提供给通用计算机电路、专用计算机电路和/或其他可编程数据处理电路的处理器电路以产生机器，使得计算机的处理器和/或其他可编程数据处理设备执行指令来变换和控制晶体管、存储在存储器位置中的值以及此类电路中的其他硬件部件，以实现框图和/或流程图框中指定的功能/动作，从而创建用于实现框图和/或流程图框中指定的功能/动作的手段(功能)和/或结构。

这些计算机程序指令也可存储在有形计算机可读介质中，该有形计算机可读介质可指示计算机或其他可编程数据处理设备以特定方式起作用，使得存储在计算机可读介质中的指令产生包括实现框图和/或流程图框中指定的功能/动作的指令的制品。

有形非暂态计算机可读介质可包括电子、磁性、光学、电磁或半导体数据存储系统、设备或装置。计算机可读介质的更具体示例将包括以下各项：便携式计算机磁盘、随机存取存储器(RAM)电路、只读存储器(ROM)电路、可擦除可编程只读存储器(EPROM或闪存)电路、便携式光盘只读存储器(CD-ROM)和便携式数字视频光盘只读存储器(DVD/BluRay)。

还可将计算机程序指令加载到计算机和/或其他可编程数据处理设备上，以使得在计算机和/或其他可编程设备上执行一系列操作步骤，以产生计算机实现的过程，使得在计算机或其他可编程设备上执行的指令提供用于实现框图和/或流程图框中指定的功能/动作的步骤。因此，本公开的实施方案可体现在运行于诸如数字信号处理器的处理器(其可统称为“电路系统”、“电路”、“模块”、“单元”或其变体)上的硬件和/或软件(包括固件、驻留软件、微代码等)中。

附图中的流程图和框图示出了根据本公开的各个方面的系统、方法和计算机程序产品的可能具体实施的架构、功能和操作。在这方面，流程图或框图中的每个框可表示代码的模块、段或部分，其包括用于实现指定逻辑功能的一个或多个可执行指令。还应当注意，在一些替代具体实施中，框中指出的功能可不按附图中指出的顺序发生。例如，连续示出的两个框实际上可以基本上同时执行，或者这些框有时可以以相反的顺序执行，这取决于所涉及的功能。还应当注意，框图和/或流程图图示中的每个框、以及框图和/或流程图图示中的框的组合可由执行指定功能或动作的基于专用硬件的系统、或专用硬件和计算机指令的组合来实现。

还应当注意，在一些替代具体实施中，框中指出的功能/动作可不按照流程图中指出的顺序发生。例如，连续示出的两个框实际上可以基本上同时执行，或者这些框有时可以以相反的顺序执行，这取决于所涉及的功能/动作。此外，流程图和/或框图的给定框的功能可被分成多个框，并且/或者可至少部分地集成流程图和/或框图的两个或更多个框的功能。最后，可在所示的框之间添加/插入其他框。此外，尽管一些图包括通信路径上的箭头以示出通信的主方向，但应当理解，通信可在与所描绘的箭头相反的方向上发生。

本文已结合以上描述和附图公开了许多不同的实施方案。应当理解，照字面意义描述和示出这些实施方案的每个组合和子组合是过度重复和混淆的。因此，本说明书(包括附图)应被理解为构成对实施方案的各种示例性组合和子组合以及制造和使用它们的方式和过程的完整书面描述，并且应支持对任何此类组合或子组合的权利要求。在基本上不脱离本发明原理的前提下，可以对实施方案进行许多变型和修改。所有这些变化和修改旨在落入本发明的范围内。

Claims (20)

1.一种用于检测电力网络中的异常的方法，所述方法包括：

确定所述电力网络中的基线电力使用；

接收指示所述电力网络中的有功电力使用的数据；

基于所述基线电力使用与所述有功电力使用之间的差异来检测异常；

响应于检测到所述异常，针对所述电力网络中的元件隔离故障；以及

将指示所述故障的故障隔离信息发送到用户设备，

其中所述元件相比于所述异常处于所述电力网络的较低层级分级结构。

2.根据权利要求1所述的方法，其中隔离所述故障包括：

识别包括多个第一元件的所述电力网络的主仪表分级结构的第一元件中的主异常；

在比所述主仪表分级结构低的所述较低层级分级结构的多个第二元件中搜索较低异常，其中所述多个第二元件与所述第一元件相关联；以及

识别所述多个第二元件中与所述较低异常相关联的第二元件。

3.根据权利要求2所述的方法，其中所述较低异常包括第一较低异常，并且其中所述较低层级分级结构包括第一较低层级分级结构，所述方法还包括：

在第二较低层级分级结构的多个第三元件中搜索第二较低异常，其中所述多个第三元件与所述第二元件相关联；以及

识别所述多个第三元件中与所述第二较低异常相关联的第三元件，

其中所述第二较低层级分级结构在所述电力网络中相比于所述第一较低层级分级结构处于较低层级。

4.根据权利要求1所述的方法，其中检测所述异常包括：

响应于所述有功电力使用在所述基线电力使用的预定范围之外，识别所述有功电力使用中的离群值；以及

确定所述离群值包括所述电力网络中的所述异常。

5.根据权利要求1所述的方法，还包括：

基于所述异常来确定反馈；以及

基于所述反馈来修改所述基线电力使用。

6.根据权利要求5所述的方法，其中基于所述异常来确定所述反馈包括：

生成与所述有功电力使用和所述异常相关的数据；以及

基于与所述有功电力使用和所述异常相关的所述数据来触发所述反馈的生成。

7.根据权利要求5所述的方法，其中基于所述异常来确定所述反馈包括：

向所述电力网络的用户提供与所述异常相关的信息；

从所述用户接收输入；以及

基于来自所述用户的所述输入来确定所述反馈。

8.根据权利要求5所述的方法，其中基于所述异常来确定所述反馈包括：

监测一个时间段内的所述有功电力使用；

确定所述有功电力使用的属性在所述时间段内的偏移；以及

基于所述有功电力使用的属性在所述时间段内的所述偏移来确定所述反馈。

9.根据权利要求1所述的方法，其中所述元件包括建筑物、区段、机器或部件。

10.根据权利要求1所述的方法，还包括：

确定异常类型和/或所述异常的严重性，

其中所述异常类型与响应于隔离所述故障而采取的修复行动相关联，并且

其中所述异常的所述严重性是从包括所述电力网络的历史电力使用数据的数据库获得的。

11.根据权利要求1所述的方法，其中基于所述基线电力使用与所述有功电力使用之间的所述差异来检测所述异常包括：

基于历史电力使用数据来预测未来时间段中的预期电力使用；

生成针对所预测的预期电力使用的不确定性界限；以及

响应于所述有功电力使用在所述不确定性界限之外而检测所述异常。

12.根据权利要求11所述的方法，其中所述有功电力使用包括第一时间段中的第一有功电力使用，所述方法还包括：

确定在所述第一时间段之后的第二时间段中的第二有功电力使用；以及

响应于所述第一有功电力使用和所述第二有功电力使用两者都在所述不确定性界限之外而修改所述基线电力使用。

13.根据权利要求11所述的方法，

其中基于确定所述历史电力使用数据中的时间模式来预测所述预期电力使用。

14.根据权利要求1所述的方法，还包括：

确定所述故障是否与所报告的先前异常相关；以及

在所述故障与所报告的先前异常不相关时报告所述故障。

15.一种被配置为检测电力网络中的异常的设备，所述设备包括：

基线电力使用电路，所述基线电力使用电路被配置为确定所述电力网络中的基线电力使用；

有功电力使用电路，所述有功电力使用电路被配置为确定所述电力网络中的有功电力使用；

异常检测电路，所述异常检测电路被配置为基于所述基线电力使用与所述有功电力使用之间的差异来检测异常；

故障隔离电路，所述故障隔离电路被配置为响应于检测到所述异常而针对所述电力网络中的元件隔离故障；和

发送器，所述发送器被配置为将指示所述故障的故障隔离信息发送到用户设备，

其中所述元件相比于所述异常处于所述电力网络的较低层级分级结构。

16.根据权利要求15所述的设备，其中所述故障隔离电路包括：

主异常检测电路，所述主异常检测电路被配置为识别所述电力网络的主仪表分级结构的第一元件中的主异常，其中所述主仪表分级结构包括多个第一元件；和

较低异常检测电路，所述较低异常检测电路被配置为在比所述主仪表分级结构低的所述较低层级分级结构的多个第二元件中搜索较低异常以及识别所述多个第二元件中与所述较低异常相关联的第二元件，其中所述多个第二元件与所述第一元件相关联。

17.根据权利要求16所述的设备，其中所述较低异常包括第一较低异常，其中所述较低层级分级结构包括第一较低层级分级结构，并且其中所述故障隔离电路还包括：

第二较低异常检测电路，所述第二较低异常检测电路被配置为在第二较低层级分级结构的多个第三元件中搜索第二较低异常以及识别所述多个第三元件中与所述第二较低异常相关联的第三元件，

其中所述第二较低层级分级结构在所述电力网络中相比于所述第一较低层级分级结构处于较低层级，

其中所述多个第三元件与所述第二元件相关联。

18.根据权利要求15所述的设备，还包括：

数据库，所述数据库包括历史电力使用数据；

预测电路，所述预测电路被配置为基于所述历史电力使用数据来预测未来时间段中的预期电力使用；和

不确定性界限生成器，所述不确定性界限生成器被配置为生成针对所预测的预期电力使用的不确定性界限，

其中所述异常检测电路还被配置为响应于所述有功电力使用在所述不确定性界限之外而检测所述异常。

19.根据权利要求15所述的设备，还包括：

反馈电路，所述反馈电路被配置为基于所述异常来确定反馈，

其中所述基线电力使用电路还被配置为基于所述反馈来修改所述基线电力使用。

20.一种电力网络，包括：

异常检测设备，所述异常检测设备包括：

基线电力使用电路，所述基线电力使用电路被配置为确定所述电力网络中的基线电力使用；

有功电力使用电路，所述有功电力使用电路被配置为确定所述电力网络中的有功电力使用；

异常检测电路，所述异常检测电路被配置为基于所述基线电力使用与所述有功电力使用之间的差异来检测异常；和

故障隔离电路，所述故障隔离电路被配置为响应于检测到所述异常而针对所述电力网络中的元件隔离故障，

其中所述元件相比于所述异常处于所述电力网络的较低层级分级结构；和

报告设备，所述报告设备包括被配置为向显示设备提供所述故障的指示的发送器。

Images