CN116701993A - 能耗异常监测方法、装置、电子设备及存储介质 - Google Patents
能耗异常监测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116701993A CN116701993A CN202310560379.0A CN202310560379A CN116701993A CN 116701993 A CN116701993 A CN 116701993A CN 202310560379 A CN202310560379 A CN 202310560379A CN 116701993 A CN116701993 A CN 116701993A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- matrix
- data
- neural network
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 197
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- 230000005856 abnormality Effects 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 150
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 75
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012806 monitoring device Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 8
- 238000007621 cluster analysis Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种能耗异常监测方法、装置、电子设备及存储介质,该方法包括:获取第一数据,第一数据为第一时间内建筑的能耗数据。通过对第一时间进行分段,获取多个时间段,多个时间段中每个时间段具有相同的时间间隔。基于多个时间段获取第一矩阵,第一矩阵为第一数据基于多个时间段排列构成的能耗数据矩阵。通过对第一矩阵进行补齐,获取第二矩阵,第二矩阵为符合卷积神经网络训练要求的能耗数据矩阵。通过卷积神经网络对第二矩阵进行自编码训练,并调用K‑means算法对训练后的第二矩阵进行聚类,以获取相应的卷积神经网络模型。调用卷积神经网络模型对新输入的建筑能耗数据进行分类,以判断新输入的建筑能耗数据是否异常。
Description
技术领域
本发明涉及大数据分析技术领域,特别是涉及一种能耗异常监测方法、装置、电子设备及存储介质。
背景技术
建筑物在长时间的运行过程中产生了大量的能源消耗数据。随着计算机技术以及嵌入式系统相关技术的发展,这些数据可被轻易收集获得,使得建筑行业也步入了大数据时代。因此,如何从能耗数据中找到存在异常的用能现象是一直以来研究人员与技术人员所关注的问题。
目前,办公建筑用能异常数据检测领域主要使用了两种方式,一种是基于机器学习数据驱动的时间序列聚类技术,如K-means等聚类算法。另一种是基于一般概率统计回归分析的异常数据识别方法。但是,办公建筑在节假日与工作日运行规律变动较大,而其中工作日占比较高,以及过渡季、供热季与制冷季时间占比不同,且办公建筑具有历年出租率的变化。因此,这两种方式较难对历年数据进行直接的对比,无法形成有效可靠的用能模型,进而较难有效应对办公建筑能耗数据不平衡的问题。
因此,传统的办公建筑用能异常数据监测的方式较难有效解决办公建筑能耗数据不平衡的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效解决办公建筑能耗数据不平衡问题的能耗异常监测方法、装置、电子设备及存储介质。
本发明提供了一种能耗异常监测方法,所述方法包括:
获取第一数据,所述第一数据为第一时间内建筑的能耗数据;
通过对所述第一时间进行分段,获取多个时间段,所述多个时间段中每个时间段具有相同的时间间隔;
基于所述多个时间段获取第一矩阵,所述第一矩阵为所述第一数据基于所述多个时间段排列构成的能耗数据矩阵;
通过对所述第一矩阵进行补齐,获取第二矩阵,所述第二矩阵为符合卷积神经网络训练要求的能耗数据矩阵;
通过所述卷积神经网络对所述第二矩阵进行自编码训练,并调用K-means算法对训练后的第二矩阵进行聚类,以获取相应的卷积神经网络模型;
调用所述卷积神经网络模型对新输入的建筑能耗数据进行分类,以判断所述新输入的建筑能耗数据是否异常。
在其中一个实施例中,所述通过对所述第一矩阵进行补齐,获取第二矩阵,包括:
获取填充值,所述填充值用于替代所述第一矩阵的缺失值;
通过所述填充值对所述第一矩阵进行填充,以获取所述第二矩阵。
在其中一个实施例中,所述调用所述卷积神经网络模型对新输入的建筑能耗数据进行分类,以判断所述新输入的建筑能耗数据是否异常,包括:
获取第二数据,所述第二数据为输入所述卷积神经网络模型的建筑能耗数据;
调用所述卷积神经网络模型对所述第二数据进行分类,以获取所述第二数据与簇心中心点之间的距离。
在其中一个实施例中,所述调用所述卷积神经网络模型对所述第二数据进行分类,以获取所述第二数据与簇心中心点之间的距离,之后包括:
基于所述第二数据与簇心中心点之间的距离,判断所述第二数据是否异常。
在其中一个实施例中,所述基于所述第二数据与簇心中心点之间的距离,判断所述第二数据是否异常,包括:
判断所述第二数据与簇心中心点之间的距离是否超过第一阈值;若是,则
输出所述第二数据为异常能耗数据的结果;若否,则
输出所述第二数据为正常能耗数据的结果。
在其中一个实施例中,所述第二数据为第二时间内建筑的能耗数据,且所述第二时间与第一时间具有相同的时间间隔。
在其中一个实施例中,所述第二矩阵为符合所述卷积神经网络训练要求的正方形矩阵。
本发明还提供了一种能耗异常监测装置,所述装置包括:
第一获取模块,用于获取第一数据,所述第一数据为第一时间内建筑的能耗数据;
时间分段模块,用于通过对所述第一时间进行分段,获取多个时间段,所述多个时间段中每个时间段具有相同的时间间隔;
第二获取模块,用于基于所述多个时间段获取第一矩阵,所述第一矩阵为所述第一数据基于所述多个时间段排列构成的能耗数据矩阵;
矩阵补齐模块,用于通过对所述第一矩阵进行补齐,获取第二矩阵,所述第二矩阵为符合卷积神经网络训练要求的能耗数据矩阵;
模型训练模块,用于通过所述卷积神经网络对所述第二矩阵进行自编码训练,并调用K-means算法对训练后的第二矩阵进行聚类,以获取相应的卷积神经网络模型;
异常监测模块,用于调用所述卷积神经网络模型对新输入的建筑能耗数据进行分类,以判断所述新输入的建筑能耗数据是否异常。
本发明还提供了一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述的能耗异常监测方法。
本发明还提供了一种计算机存储介质,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上述任一种所述的能耗异常监测方法。
上述能耗异常监测方法、装置、电子设备及存储介质,通过获取规定时间内办公建筑的能耗数据,并通过对该能耗数据所在的时间进行分段,以获取多个具有相同时间间隔的时间段。随后,基于办公建筑能耗数据在该多个时间段内的分布排列获取相应的能耗数据矩阵,并对该能耗数据矩阵进行补齐,以获取符合卷积神经网络训练要求的能耗数据矩阵。最后通过卷积神经网络对第二矩阵进行自编码训练,并调用K-means算法对训练后的能耗数据进行聚类,以获取相应的卷积神经网络模型。该卷积神经网络用于对新输入的建筑能耗数据进行分类,来判断新输入的建筑能耗数据是否异常。该方法通过深度聚类分析的方式建立建筑用能模型来发现用能异常的能耗数据,在一般聚类分析的基础上加上了卷积神经网络自编码算法,提高了用能监测模型的鲁棒性,避免各种因素的影响所造成的模型分类准确性缺失的风险,能够更好的为办公建筑用能模型建模抽取特征,实现了建筑节能大数据分析技术在实际环境中的应用,能够有效解决办公建筑能耗数据不平衡问题。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的能耗异常监测方法流程示意图之一;
图2为本发明提供的能耗异常监测方法流程示意图之二;
图3为本发明提供的能耗异常监测方法流程示意图之三;
图4为本发明提供的能耗异常监测方法的流程示意图之四;
图5为本发明提供的具体实施例中能耗异常监测方法的流程示意图;
图6为本发明提供的具体实施例中能耗异常监测方法的能耗数据分析效果图;
图7为本发明提供的能耗异常监测装置结构示意图;
图8为本发明提供的计算机设备的内部结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图8描述本发明的能耗异常监测方法、装置、电子设备及存储介质。
如图1所示,在一个实施例中,一种能耗异常监测方法,包括以下步骤:
步骤S110,获取第一数据,第一数据为第一时间内建筑的能耗数据。
具体的,服务器端获取规定时间内建筑的能耗数据,例如获取一天24小时办公建筑的能耗数据。
步骤S120,通过对第一时间进行分段,获取多个时间段,多个时间段中每个时间段具有相同的时间间隔。
具体的,服务器端通过对步骤S110中的第一时间进行分段,以获取多个具有相同时间间隔的时间段,例如将一天24小时划分为0-6、7-12、13-18、18-13四个时间段。
步骤S130,基于多个时间段获取第一矩阵,第一矩阵为第一数据基于多个时间段排列构成的能耗数据矩阵。
具体的,服务端基于步骤S120中得到的多个时间段获取建筑能耗数据基于该多个时间段排列构成的能耗数据矩阵,即第一矩阵。例如0-6、7-12、13-18、18-13四个时间段的建筑能耗数据构成的4×6矩阵。
步骤S140,通过对第一矩阵进行补齐,获取第二矩阵,第二矩阵为符合卷积神经网络训练要求的能耗数据矩阵。
具体的,服务器端通过对步骤S130中得到的能耗数据矩阵进行补齐,以获取符合卷积神经网络训练要求的能耗数据矩阵,即第二矩阵。例如,在步骤S130中构成的4×6矩阵的第一行和最后一行分别加上6个0,补齐矩阵,使得每一天的建筑能耗数据矩阵都是一个6×6的正方形矩阵。
步骤S150,通过卷积神经网络对第二矩阵进行自编码训练,并调用K-means算法对训练后的第二矩阵进行聚类,以获取相应的卷积神经网络模型。
具体的,服务器端通过卷积神经网络对步骤S140中矩阵补齐后得到的第二矩阵进行自编码训练,并调用K-means算法对训练后的第二矩阵进行聚类,以获取相应的卷积神经网络模型。
步骤S160,调用卷积神经网络模型对新输入的建筑能耗数据进行分类,以判断新输入的建筑能耗数据是否异常。
具体的,服务器端调用步骤S150中训练得到的卷积神经网络模型对新输入的建筑能耗数据进行分类,来判断新输入的建筑能耗数据是否为异常能耗数据。
上述能耗异常监测方法,通过获取规定时间内办公建筑的能耗数据,并通过对该能耗数据所在的时间进行分段,以获取多个具有相同时间间隔的时间段。随后,基于办公建筑能耗数据在该多个时间段内的分布排列获取相应的能耗数据矩阵,并对该能耗数据矩阵进行补齐,以获取符合卷积神经网络训练要求的能耗数据矩阵。最后通过卷积神经网络对第二矩阵进行自编码训练,并调用K-means算法对训练后的能耗数据进行聚类,以获取相应的卷积神经网络模型。该卷积神经网络用于对新输入的建筑能耗数据进行分类,来判断新输入的建筑能耗数据是否异常。该方法通过深度聚类分析的方式建立建筑用能模型来发现用能异常的能耗数据,在一般聚类分析的基础上加上了卷积神经网络自编码算法,提高了用能监测模型的鲁棒性,避免各种因素的影响所造成的模型分类准确性缺失的风险,能够更好的为办公建筑用能模型建模抽取特征,实现了建筑节能大数据分析技术在实际环境中的应用,能够有效解决办公建筑能耗数据不平衡问题。
如图2所示,在一个实施例中,本发明提供的能耗异常监测方法,通过对第一矩阵进行补齐,获取第二矩阵,包括以下步骤:
步骤S142,获取填充值,填充值用于替代第一矩阵的缺失值。
具体的,服务器端在对能耗数据矩阵进行补齐的过程中首先获取填充值,例如0值,以替代第一矩阵中的缺失值。
步骤S144,通过填充值对第一矩阵进行填充,以获取第二矩阵。
具体的,服务器端通过步骤S142中得到的填充值对能耗数据矩阵进行填充,以获取第二矩阵。例如在一天24小时对应的0-6、7-12、13-18、18-13四个时间段的能耗数据矩阵的第一行和最后一行分别填充6个0值,以补齐该能耗数据矩阵,得到一个6×6的正方形矩阵。
如图3所示,在一个实施例中,本发明提供的能耗异常监测方法,调用卷积神经网络模型对新输入的建筑能耗数据进行分类,以判断新输入的建筑能耗数据是否异常,包括以下步骤:
步骤S162,获取第二数据,第二数据为输入卷积神经网络模型的建筑能耗数据。
具体的,服务器端获取新的用于输入训练好的卷积神经网络模型的建筑能耗数据,即第二数据。
步骤S164,调用卷积神经网络模型对第二数据进行分类,以获取第二数据与簇心中心点之间的距离。
具体的,服务器端调用训练好的卷积神经网络模型对步骤S162中得到的新输入的建筑能耗数据进行分类,并计算获取新输入的建筑能耗数据与模型中的簇心中心点之间的距离。
步骤S166,基于第二数据与簇心中心点之间的距离,判断第二数据是否异常。
具体的,服务器端基于新输入的建筑能耗数据与模型中的簇心中心点之间的距离判断新输入的建筑能耗数据是否异常。
如图4所示,在一个实施例中,本发明提供的能耗异常监测方法,基于第二数据与簇心中心点之间的距离,判断第二数据是否异常,包括:
步骤S410,判断第二数据与簇心中心点之间的距离是否超过第一阈值。
具体的,在判断新输入的建筑能耗数据是否异常的过程中,服务器端会判断新输入的建筑能耗数据与模型中的簇心中心点之间的距离是否超过设定的第一阈值。
步骤S420,输出第二数据为异常能耗数据的结果。
具体的,若步骤S410中的判断结果为新输入的建筑能耗数据与模型中的簇心中心点之间的距离超过了设定的第一阈值,服务器端则会输出新输入的建筑能耗数据为异常能耗数据的结果。
步骤S430,输出第二数据为正常能耗数据的结果。
具体的,若步骤S410中的判断结果为新输入的建筑能耗数据与模型中的簇心中心点之间的距离没有超过设定的第一阈值,服务器则会输出新输入的建筑能耗数据为正常能耗数据的结果。
参见图5和图6所示,在具体的实施例中,本发明提供一种能耗异常监测方法,首先获取办公建筑的能耗数据,并将能耗数据进行预处理,以一天24小时为基本的数据样本,将一天分为0-6、7-12、13-18、18-13四个时间段,以形成一个4×6的矩阵,并在该矩阵的第一行和最后一行分别加上6个0,以补齐该矩阵,最后使得每一天的能耗数据都是一个6×6的正方形矩阵。随后,通过卷积神经网络对该6×6的正方形矩阵进行自编码训练,并由K-means算法对训练后的能耗数据矩阵进行聚类,最终得到相应的卷积神经网络模型,即能耗监测模型。
在本实施例中,卷积神经网络模型训练后,需要对得到的能耗监测模型进行评估,评估合格后保存该能耗监测模型。当新的建筑能耗数据输入系统时,通过调用所保存的能耗监测模型对新输入的建筑能耗数据进行分类,并计算新输入的建筑能耗数据与能耗监测模型中簇心中心点之间的距离,进而判断新输入的建筑能耗数据与能耗监测模型的簇心中心点之间的距离是否超过设定阈值,若新输入的建筑能耗数据与能耗监测模型的簇心中心点之间的距离超过了设定阈值,则该新输入的建筑能耗数据为异常能耗数据,若新输入的建筑能耗数据与能耗监测模型的簇心中心点之间的距离未超过设定阈值,则该新输入的建筑能耗数据没有异常,为正常的建筑能耗数据。
上述能耗异常监测方法,在一般聚类分析的基础上加入了卷积神经网络自编码算法,能够更好的为办公建筑用能模型建模抽取特征,包括开机时间以及用能高峰和用能波动的情况。通过自编码算法,提高了能耗监测模型的鲁棒性,有效避免了因出租率等因素的影响造成的模型分类准确性的缺失。另外,通过深度聚类分析综合办公建筑用能的模式识别、办公建筑用能预测以及建筑用能异常数据检测相关技术,建立建筑用能模型,发现用能异常的特征,还可通过BEMS记录具体问题发生的时间点,并针对不同的用能异常现象,提示相应的管理建议,从而实现建筑节能大数据分析技术在实际环境中的应用及落地。其次,该方法还可通过嵌入楼宇能源管理平台实现规模化推广应用,面向建筑用能预测、需求侧管理的目标的持续深入开发,以充分挖掘聚类分析在建筑能源系统优化运行中的价值,为实现建筑节能降碳提供更重要的支撑。
下面对本发明提供的能耗异常监测装置进行描述,下文描述的能耗异常监测装置与上文描述的能耗异常监测方法可相互对应参照。
如图7所示,在一个实施例中,一种能耗异常监测装置,包括第一获取模块710、第二获取模块720、矩阵补齐模块730、模型训练模块740以及异常监测模块750。
第一获取模块710用于获取第一数据,第一数据为第一时间内建筑的能耗数据。
时间分段模块720用于通过对第一时间进行分段,获取多个时间段,多个时间段中每个时间段具有相同的时间间隔。
第二获取模块730用于基于多个时间段获取第一矩阵,第一矩阵为第一数据基于多个时间段排列构成的能耗数据矩阵。
矩阵补齐模块740用于通过对第一矩阵进行补齐,获取第二矩阵,第二矩阵为符合卷积神经网络训练要求的能耗数据矩阵。
模型训练模块750用于通过卷积神经网络对第二矩阵进行自编码训练,并调用K-means算法对训练后的第一矩阵进行聚类,以获取相应的卷积神经网络模型。
异常监测模块760用于调用卷积神经网络模型对新输入的建筑能耗数据进行分类,以判断新输入的建筑能耗数据是否异常。
在本实施例中,本发明提供的能耗异常监测装置,矩阵补齐模块具体用于:
获取填充值,填充值用于替代第一矩阵的缺失值。
通过填充值对第一矩阵进行填充,以获取第二矩阵。
在本实施例中,本发明提供的能耗异常监测装置,异常监测模块具体用于:
获取第二数据,第二数据为输入卷积神经网络模型的建筑能耗数据。
调用卷积神经网络模型对第二数据进行分类,以获取第二数据与簇心中心点之间的距离。
基于第二数据与簇心中心点之间的距离,判断第二数据是否异常。
在本实施例中,本发明提供的能耗异常监测装置,还包括判断模块,用于:
判断第二数据与簇心中心点之间的距离是否超过第一阈值。若是,则
判定第二数据为异常能耗数据。若否,则
判定第二数据为正常能耗数据。
图8示例了一种电子设备的实体结构示意图,该电子设备可以是智能终端,其内部结构图可以如图8所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现能耗异常监测方法,该方法包括:
获取第一数据,第一数据为第一时间内建筑的能耗数据;
通过对第一时间进行分段,获取多个时间段,多个时间段中每个时间段具有相同的时间间隔;
基于多个时间段获取第一矩阵,第一矩阵为所述第一数据基于多个时间段排列构成的能耗数据矩阵;
通过对第一矩阵进行补齐,获取第二矩阵,第二矩阵为符合卷积神经网络训练要求的能耗数据矩阵;
通过卷积神经网络对第二矩阵进行自编码训练,并调用K-means算法对训练后的第一矩阵进行聚类,以获取相应的卷积神经网络模型;
调用卷积神经网络模型对新输入的建筑能耗数据进行分类,以判断新输入的建筑能耗数据是否异常。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
另一方面,本发明还提供了一种计算机存储介质,存储有计算机程序,计算机程序被处理器执行时实现能耗异常监测方法,该方法包括:
获取第一数据,第一数据为第一时间内建筑的能耗数据;
通过对第一时间进行分段,获取多个时间段,多个时间段中每个时间段具有相同的时间间隔;
基于多个时间段获取第一矩阵,第一矩阵为所述第一数据基于多个时间段排列构成的能耗数据矩阵;
通过对第一矩阵进行补齐,获取第二矩阵,第二矩阵为符合卷积神经网络训练要求的能耗数据矩阵;
通过卷积神经网络对第二矩阵进行自编码训练,并调用K-means算法对训练后的第一矩阵进行聚类,以获取相应的卷积神经网络模型;
调用卷积神经网络模型对新输入的建筑能耗数据进行分类,以判断新输入的建筑能耗数据是否异常。
又一方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令时实现能耗异常监测方法,该方法包括:
获取第一数据,第一数据为第一时间内建筑的能耗数据;
通过对第一时间进行分段,获取多个时间段,多个时间段中每个时间段具有相同的时间间隔;
基于多个时间段获取第一矩阵,第一矩阵为所述第一数据基于多个时间段排列构成的能耗数据矩阵;
通过对第一矩阵进行补齐,获取第二矩阵,第二矩阵为符合卷积神经网络训练要求的能耗数据矩阵;
通过卷积神经网络对第二矩阵进行自编码训练,并调用K-means算法对训练后的第一矩阵进行聚类,以获取相应的卷积神经网络模型;
调用卷积神经网络模型对新输入的建筑能耗数据进行分类,以判断新输入的建筑能耗数据是否异常。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。
作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种能耗异常监测方法,其特征在于,所述方法包括:
获取第一数据,所述第一数据为第一时间内建筑的能耗数据;
通过对所述第一时间进行分段,获取多个时间段,所述多个时间段中每个时间段具有相同的时间间隔;
基于所述多个时间段获取第一矩阵,所述第一矩阵为所述第一数据基于所述多个时间段排列构成的能耗数据矩阵;
通过对所述第一矩阵进行补齐,获取第二矩阵,所述第二矩阵为符合卷积神经网络训练要求的能耗数据矩阵;
通过所述卷积神经网络对所述第二矩阵进行自编码训练,并调用K-means算法对训练后的第二矩阵进行聚类,以获取相应的卷积神经网络模型;
调用所述卷积神经网络模型对新输入的建筑能耗数据进行分类,以判断所述新输入的建筑能耗数据是否异常。
2.根据权利要求1所述的能耗异常监测方法,其特征在于,所述通过对所述第一矩阵进行补齐,获取第二矩阵,包括:
获取填充值,所述填充值用于替代所述第一矩阵的缺失值;
通过所述填充值对所述第一矩阵进行填充,以获取所述第二矩阵。
3.根据权利要求1所述的能耗异常监测方法,其特征在于,所述调用所述卷积神经网络模型对新输入的建筑能耗数据进行分类,以判断所述新输入的建筑能耗数据是否异常,包括:
获取第二数据,所述第二数据为输入所述卷积神经网络模型的建筑能耗数据;
调用所述卷积神经网络模型对所述第二数据进行分类,以获取所述第二数据与簇心中心点之间的距离。
4.根据权利要求3所述的能耗异常监测方法,其特征在于,所述调用所述卷积神经网络模型对所述第二数据进行分类,以获取所述第二数据与簇心中心点之间的距离,之后包括:
基于所述第二数据与簇心中心点之间的距离,判断所述第二数据是否异常。
5.根据权利要求4所述的能耗异常监测方法,其特征在于,所述基于所述第二数据与簇心中心点之间的距离,判断所述第二数据是否异常,包括:
判断所述第二数据与簇心中心点之间的距离是否超过第一阈值;若是,则
输出所述第二数据为异常能耗数据的结果;若否,则
输出所述第二数据为正常能耗数据的结果。
6.根据权利要求3至5任一项所述的能耗异常监测方法,其特征在于,所述第二数据为第二时间内建筑的能耗数据,且所述第二时间与第一时间具有相同的时间间隔。
7.根据权利要求1所述的能耗异常监测方法,其特征在于,所述第二矩阵为符合所述卷积神经网络训练要求的正方形矩阵。
8.一种能耗异常监测装置,其特征在于,所述装置包括:
第一获取模块,用于获取第一数据,所述第一数据为第一时间内建筑的能耗数据;
时间分段模块,用于通过对所述第一时间进行分段,获取多个时间段,所述多个时间段中每个时间段具有相同的时间间隔;
第二获取模块,用于基于所述多个时间段获取第一矩阵,所述第一矩阵为所述第一数据基于所述多个时间段排列构成的能耗数据矩阵;
矩阵补齐模块,用于通过对所述第一矩阵进行补齐,获取第二矩阵,所述第二矩阵为符合卷积神经网络训练要求的能耗数据矩阵;
模型训练模块,用于通过所述卷积神经网络对所述第二矩阵进行自编码训练,并调用K-means算法对训练后的第二矩阵进行聚类,以获取相应的卷积神经网络模型;
异常检测模块,用于调用所述卷积神经网络模型对新输入的建筑能耗数据进行分类,以判断所述新输入的建筑能耗数据是否异常。
9.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机存储介质,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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310560379.0A CN116701993A (zh) | 2023-05-18 | 2023-05-18 | 能耗异常监测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310560379.0A CN116701993A (zh) | 2023-05-18 | 2023-05-18 | 能耗异常监测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116701993A true CN116701993A (zh) | 2023-09-05 |
Family
ID=87844231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310560379.0A Pending CN116701993A (zh) | 2023-05-18 | 2023-05-18 | 能耗异常监测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116701993A (zh) |
-
2023
- 2023-05-18 CN CN202310560379.0A patent/CN116701993A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555819B (zh) | 基于红外和可见光图像融合的设备监测方法、装置及设备 | |
CN110750524A (zh) | 一种有源配电网故障特征的确定方法及系统 | |
CN111179263B (zh) | 一种工业图像表面缺陷检测模型、方法、系统及装置 | |
CN112149909A (zh) | 船舶油耗预测方法、装置、计算机设备和存储介质 | |
CN115656673A (zh) | 变压器数据的处理及装置、设备存储介质 | |
CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
CN111814964A (zh) | 基于空气质量状况预报的空气污染处理方法及存储介质 | |
CN115936262B (zh) | 基于大数据的环境干扰的产量预测方法、系统和介质 | |
CN111967535A (zh) | 一种储粮管理场景温度传感器故障诊断方法及其诊断装置 | |
CN116882790B (zh) | 一种矿山生态修复区域的碳排放设备管理方法及系统 | |
CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN116365519B (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
CN116701993A (zh) | 能耗异常监测方法、装置、电子设备及存储介质 | |
CN111882074A (zh) | 数据预处理系统、方法、计算机设备及可读存储介质 | |
CN116699327A (zh) | 一种gis设备局部放电故障预测方法、系统及设备 | |
US20200310897A1 (en) | Automatic optimization fault feature generation method | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
KR20220097252A (ko) | 스마트 플랜트에 관한 머신러닝 기반 설비 관리 방법 및 시스템 | |
CN114154567A (zh) | 一种基于机器学习的风电场站运行数据异常识别方法 | |
CN108828342B (zh) | 电力设备状态检测方法、装置、计算机设备和存储介质 | |
CN117609740B (zh) | 基于工业大模型智能预测维护系统 | |
CN117556187B (zh) | 基于深度学习的云数据修复方法、系统及可读存储介质 | |
US20210397614A1 (en) | Computer-implemented methods | |
CN117591860A (zh) | 一种数据异常检测方法及装置 |
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 |