CN117076991A - 治污设备用电异常监测方法、装置及计算机设备 - Google Patents
治污设备用电异常监测方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN117076991A CN117076991A CN202311332410.1A CN202311332410A CN117076991A CN 117076991 A CN117076991 A CN 117076991A CN 202311332410 A CN202311332410 A CN 202311332410A CN 117076991 A CN117076991 A CN 117076991A
- Authority
- CN
- China
- Prior art keywords
- electricity
- data
- data item
- pollution control
- control system
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 230000005856 abnormality Effects 0.000 title claims abstract description 19
- 230000005611 electricity Effects 0.000 claims abstract description 703
- 230000002159 abnormal effect Effects 0.000 claims abstract description 108
- 239000013598 vector Substances 0.000 claims abstract description 65
- 238000005065 mining Methods 0.000 claims abstract description 31
- 238000012512 characterization method Methods 0.000 claims abstract description 28
- 238000012806 monitoring device Methods 0.000 claims abstract description 8
- 230000010354 integration Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 2
- 239000010865 sewage Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000010802 sludge Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000010813 municipal solid waste Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供的治污设备用电异常监测方法、装置及计算机设备,对治污系统用电数据的用电数据字段进行检测,得到用电数据项集合和用电数据项集合中每一用电数据项对应的数据项属性,然后通过用电数据项的数据项属性,在用电数据项集合中选取出用以进行异常识别的目标用电数据项和治污设备名目,接着根据治污设备名目和目标用电数据项,将用电数据项集合编码成用电数据表征向量并进行知识挖掘,得到用电数据表征知识,然后基于此确定治污系统用电数据的异常用电识别结果。本公开整合了治污系统用电数据中用以进行异常识别的目标用电数据项和治污设备名目等多维全面的用电数据的表征知识,可以对治污系统用电数据进行准确的异常用电识别。
Description
技术领域
本公开涉及数据处理领域,并且更具体地,涉及一种治污设备用电异常监测方法、装置及计算机设备。
背景技术
随着城市化进程推进,城市治污是保持城市环境的重要环节。目前,治污系统主要集中在污水治理,涉及的治污环节多、设备使用功率大,为了降低治污成本,缓解城市用电压力,治污过程中,需要对治污设备的用电进行监测,监测用电量是否异常,例如用电量远超正常水平。在现有的用电异常监测方式中,主要通过设置用电量阶梯预警的方式进行监测,通过设置阶梯用电量阈值,在治污设备达到阶梯预警阈值时,进行不同程度的预警,以提示运维人员进行用电确认。这种方式在准确性上不能进行保证,且难以高效实时进行监测预警,因为产生治污需求的情况并非千篇一律,受制于季节、天气、城市建设周期等不可控因素,城市污水的产生不同,治理需求和其带来的治污设备运行需求也不同,按照固定的阶梯评估策略无法达到准确监测的目的,因此需要一种能智能准确识别治污设备用电异常的方法。
发明内容
有鉴于此,本公开实施例至少提供一种治污设备用电异常监测方法、装置及计算机设备。
根据本公开实施例的一个方面,提供了一种治污设备用电异常监测方法,应用于计算机设备,所述方法包括:
获取治污系统用电数据,并对所述治污系统用电数据的用电数据字段进行检测,得到所述治污系统用电数据的用电数据项集合和所述用电数据项集合中每一用电数据项对应的数据项属性;
通过所述用电数据项的数据项属性,在所述用电数据项集合中选取出所述治污系统用电数据中用以进行异常识别的目标用电数据项和治污设备名目,所述治污设备名目用于指示所述治污系统用电数据中涉及到的治污设备的名目;
根据所述治污设备名目和目标用电数据项,将所述用电数据项集合编码成用电数据表征向量;
对所述用电数据表征向量进行知识挖掘,得到所述治污系统用电数据的用电数据表征知识;
通过所述用电数据表征知识确定所述治污系统用电数据的异常用电识别结果,并根据所述异常用电识别结果锁定目标治污设备。
根据本公开实施例的一个示例,其中,所述通过所述用电数据项的数据项属性,在所述用电数据项集合中选取出所述治污系统用电数据中用以进行异常识别的目标用电数据项和治污设备名目,包括:
获取所述用电数据项集合中全部用电数据项的用电属性;
通过所述用电数据项的数据项属性和用电属性,在所述用电数据项集合中选取出所述治污系统用电数据中用以进行异常识别的目标用电数据项;
根据预设设备名目检测方式,在所述用电数据项集合中检测出所述治污设备名目。
根据本公开实施例的一个示例,其中,所述通过所述用电数据项的数据项属性和用电属性,在所述用电数据项集合中选取出所述治污系统用电数据中用以进行异常识别的目标用电数据项,包括:
通过所述用电数据项的数据项属性,在所述用电数据项集合中选取出所述治污系统用电数据的象征性数据项,所述象征性数据项为表征所述治污系统用电数据象征性异常用电的数据项;
根据所述用电属性,在所述用电数据项集合中提取出治污系统用电数据中的关键数据项,并将所述象征性数据项和关键数据项作为用以进行异常识别的目标用电数据项,所述关键数据项为识别所述治污系统用电数据异常用电类型的数据项。
根据本公开实施例的一个示例,其中,所述通过所述用电数据项的数据项属性,在所述用电数据项集合中选取出治污系统用电数据的象征性数据项,包括:
通过预设对照映射表,对所述用电数据项集合中的用电数据项进行分类,得到所述用电数据项集合中每一用电数据项的数据项分类;
获取所述数据项分类对应的初始象征性影响系数和所述数据项属性对应的权值优化因子;
根据所述权值优化因子,对所述用电数据项的初始象征性影响系数进行调节,得到所述用电数据项集合中每一用电数据项对应的象征性影响系数;
通过所述象征性影响系数,在所述用电数据项集合中选取出所述治污系统用电数据的象征性数据项;
所述根据所述用电属性,在所述用电数据项集合中提取出治污系统用电数据中的关键数据项,包括:
对所述治污系统用电数据进行数据项段落拆解,并在所述用电数据项集合中选取出每一数据项段落对应的备选用电数据项;
通过所述用电属性,统计所述备选用电数据项在所述治污系统用电数据中的出现率;
根据所述出现率在所述用电数据项集合中提取出所述治污系统用电数据中的关键数据项;
所述根据预设设备名目检测方式,在所述用电数据项集合中检测出所述治污设备名目,包括:
通过所述预设设备名目检测方式,在所述用电数据项集合中检测出名目,得到名目清单;
确定所述名目清单中每一名目的名目类型,并根据所述名目类型,在所述名目清单中选取出所述治污设备名目。
根据本公开实施例的一个示例,其中,所述根据所述治污设备名目和目标用电数据项,将所述用电数据项集合编码成用电数据表征向量,包括:
将所述用电数据项集合中每一用电数据项编码成初始用电数据表征向量;
获取所述治污设备名目和目标用电数据项分别对应的数据项影响系数;
通过所述数据项影响系数,确定所述用电数据项集合中每一用电数据项对应的目标数据项影响系数;
根据所述目标数据项影响系数,对所述初始用电数据表征向量进行偏心调节,得到所述用电数据表征向量。
根据本公开实施例的一个示例,其中,所述通过所述数据项影响系数,确定所述用电数据项集合中每一用电数据项对应的目标数据项影响系数,包括:
当所述用电数据项集合中的用电数据项属于所述治污设备名目或目标用电数据项时,将所述治污设备名目或目标用电数据项对应的数据项影响系数作为所述用电数据项集合中的用电数据项对应的目标数据项影响系数;
当所述用电数据项集合中的用电数据项属于所述治污设备名目和目标用电数据项时,在所述数据项影响系数中选取出最大的数据项影响系数作为所述用电数据项集合中的用电数据项对应的目标数据项影响系数;
当所述用电数据项集合中的用电数据项不属于所述治污设备名目和目标用电数据项时,在所述数据项影响系数中选取出最小的数据项影响系数作为所述用电数据项集合中的用电数据项对应的目标数据项影响系数。
根据本公开实施例的一个示例,其中,所述对所述治污系统用电数据的用电数据字段进行检测,得到所述治污系统用电数据的用电数据项集合和所述用电数据项集合中每一用电数据项对应的数据项属性,包括:
对所述治污系统用电数据的用电数据字段进行清洗,得到清洗后用电数据字段;
对所述清洗后用电数据字段进行字段拆分,得到所述治污系统用电数据的初始用电数据项;
检测所述初始用电数据项的数据项属性,并通过所述初始用电数据项的数据项属性,对所述初始用电数据项进行调节,得到所述用电数据项集合;
根据所述初始用电数据项的数据项属性,确定所述用电数据项集合中每一用电数据项对应的数据项属性;
所述对所述用电数据表征向量进行知识挖掘,得到所述治污系统用电数据的用电数据表征知识,包括:
对所述用电数据项集合中每一用电数据项进行哑变量编码,得到用电数据项编码;
基于调试好的整合网络将所述用电数据项编码与所述用电数据表征向量进行整合,得到整合后的用电数据表征向量矩阵;
对所述整合后的用电数据表征向量矩阵进行知识挖掘,得到所述治污系统用电数据的用电数据表征知识。
根据本公开实施例的一个示例,其中,所述基于调试好的整合网络将所述用电数据项编码与所述用电数据表征向量进行整合,得到整合后的用电数据表征向量矩阵之前,所述方法还包括:
构建用电数据学习样例集,所述用电数据学习样例集中包括已注释异常用电识别结果的治污系统用电数据;
基于预设的整合网络对所述用电数据学习样例集中用电数据学习样例的异常用电识别结果进行推理,得到推理异常用电识别结果;
通过所述推理异常用电识别结果与注释异常用电识别结果对所述预设的整合网络进行调试,得到所述调试好的整合网络;
所述预设的整合网络包括知识挖掘分支网络和分类分支网络,所述基于预设的整合网络对所述用电数据学习样例集中用电数据学习样例的异常用电识别结果进行推理,得到推理异常用电识别结果,包括:
基于所述知识挖掘分支网络对所述用电数据学习样例集中的用电数据学习样例进行知识挖掘,得到目标用电数据表征知识;
基于所述分类分支网络对所述目标用电数据表征知识进行分类,得到所述用电数据学习样例集中用电数据学习样例的治污系统用电数据异常用电分类;
通过所述用电数据学习样例集中用电数据学习样例的治污系统用电数据异常用电分类,确定所述推理异常用电识别结果;
所述通过所述用电数据表征知识确定所述治污系统用电数据的异常用电识别结果,包括:
分别获取所述用电数据表征知识与所述用电数据学习样例集中每一用电数据学习样例的预设用电数据表征知识之间的用电数据共性系数;
通过所述用电数据共性系数,在所述用电数据学习样例集中提取出与所述治污系统用电数据的共性系数大于共性阈值的一个或多个候选用电数据学习样例;
在所述候选用电数据学习样例的异常用电识别结果中选取出所述治污系统用电数据的异常用电识别结果。
根据本公开实施例的另一方面,还提供了一种治污设备用电异常监测装置,包括:
数据获取模块,用于获取治污系统用电数据,并对所述治污系统用电数据的用电数据字段进行检测,得到所述治污系统用电数据的用电数据项集合和所述用电数据项集合中每一用电数据项对应的数据项属性;
名目确定模块,用于通过所述用电数据项的数据项属性,在所述用电数据项集合中选取出所述治污系统用电数据中用以进行异常识别的目标用电数据项和治污设备名目,所述治污设备名目用于指示所述治污系统用电数据中涉及到的治污设备的名目;
数据编码模块,用于根据所述治污设备名目和目标用电数据项,将所述用电数据项集合编码成用电数据表征向量;
知识挖掘模块,用于对所述用电数据表征向量进行知识挖掘,得到所述治污系统用电数据的用电数据表征知识;
异常识别模块,用于通过所述用电数据表征知识确定所述治污系统用电数据的异常用电识别结果,并根据所述异常用电识别结果锁定目标治污设备。
根据本公开实施例的又一方面,提供了一种计算机设备,包括:
一个或多个处理器;
以及一个或多个存储器,其中所述存储器中存储有计算机可读代码,所述计算机可读代码在由所述一个或多个处理器运行时,使得所述一个或多个处理器执行如第一方面的方法。
本公开至少具有以下有益效果:本公开提供的治污设备用电异常监测方法、装置及计算机设备,获取治污系统用电数据后,对治污系统用电数据的用电数据字段进行检测,得到治污系统用电数据的用电数据项集合和用电数据项集合中每一用电数据项对应的数据项属性,然后,通过用电数据项的数据项属性,在用电数据项集合中选取出治污系统用电数据中用以进行异常识别的目标用电数据项和治污设备名目,该治污设备名目用于指示治污系统用电数据中涉及到的治污设备的名目,接着根据治污设备名目和目标用电数据项,将用电数据项集合编码成用电数据表征向量,对用电数据表征向量进行知识挖掘,得到治污系统用电数据的用电数据表征知识,然后,通过用电数据表征知识确定治污系统用电数据的异常用电识别结果,并根据异常用电识别结果锁定目标治污设备,本公开整合了治污系统用电数据中用以进行异常识别的目标用电数据项和治污设备名目等多维全面的治污系统用电数据的用电数据表征知识,可以根据用电数据表征知识,对治污系统用电数据进行准确的异常用电识别。
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,而非限制本公开的技术方案。
附图说明
通过结合附图对本公开实施例进行更详细的描述,本公开实施例的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解,并且构成说明书的一部分,与本公开实施例一起用于解释本公开,并不构成对本公开的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为本公开实施例提供的应用场景的示意图。
图2为本公开实施例提供的一种治污设备用电异常监测方法的实现流程示意图。
图3为本公开实施例提供的一种治污设备用电异常监测装置的组成结构示意图。
图4为本公开实施例提供的一种计算设备的硬件实体示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本公开一部分的实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
为了使本公开的目的、技术方案和优点更加清楚,下面结合附图和实施例对本公开的技术方案进一步详细阐述,所描述的实施例不应视为对本公开的限制,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它实施例,都属于本公开保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本公开实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开的目的,不是旨在限制本公开。
图1示出了根据本公开实施例的应用场景100的示意图,其中示意性地示出了计算机设备110和治污系统120。这里的计算机设备110可以是用于进行数据处理的独立的服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、定位服务以及大数据和人工智能平台等基础云计算服务的云服务器,本公开实施例对此不作具体限制。
本公开实施例提供一种治污设备用电异常监测方法,该方法可以由计算机设备110的处理器执行。图2为本公开实施例提供的一种治污设备用电异常监测方法的实现流程示意图,如图2所示,该方法包括如下步骤S110至S150:
步骤S110,获取治污系统用电数据,并对治污系统用电数据的用电数据字段进行检测,得到治污系统用电数据的用电数据项集合和用电数据项集合中每一用电数据项对应的数据项属性。
治污系统可以为用于进行污水治理的系统,污水处理系统可以包括污水预处理设备、生物处理设备、干湿污泥混合均质化脱水设备等治污设备,这些治污设备的用电场景可以包含但不限于开机用电、运行用电、待机用电、满载用电等,不同场景的用电功率不同。治污系统用电数据是实时采集的治污系统中的各个治污设备的用电数据,其中,治污系统用电数据可以包括但不限于治污设备编码、治污设备实时用电量、治污设备累积用电量、用电属性(如上述用电的场景,开机用电、运行用电、待机用电、满载用电等)等,这些用电数据字段被检测后,得到用电数据项集合,用电数据项集合是不同的字段构建的数据项集合,一个字段对应一个数据项,例如,字段Slu_Start_sum_x代表的数据项为污泥脱水设备的开机总用电量。
具体地,可以获取治污系统用电数据,对治污系统用电数据的用电数据字段进行检测,得到治污系统用电数据的用电数据项集合和用电数据项集合中每一用电数据项对应的数据项属性,包括:
A:获取治污系统用电数据。
示例性地,计算机设备通过获取通信连接的各个治污设备的网关上传的数据,每个治污设备可以设置电量表以采集对应的用电量,获取到各个治污设备对应的用电数据后,可以对治污系统用电数据进行清洗,完成预处理以去除脏数据,得到需要处理的治污系统用电数据。
B:对治污系统用电数据的用电数据字段进行检测,得到治污系统用电数据的用电数据项集合和用电数据项中每一用电数据项对应的数据项属性。
比如,对治污系统用电数据的用电数据字段进行清洗,得到清洗后用电数据字段,比如,在治污系统用电数据中检测出用电数据字段,对用电数据字段中的无效内容进行清洗,无效内容例如为重复字段、缺失字段、异常字段、乱码等。
对清洗后用电数据字段进行字段拆分,得到治污系统用电数据的初始用电数据项,比如,对清洗后的用电数据字段按照设备类型进行拆分,得到治污系统用电数据的初始用电数据项,检测初始用电数据项的数据项属性,比如,可以基于数据项属性检测算法对初始用电数据项的数据项属性进行注释,注释的数据项属性可以包括用电量数据正常、用电数据异常、用电数据中间态(表示介于正常与不正常之间),是否正常例如可以根据治污设备在对应用电场景的常规用电量进行判断,数据项属性检测算法可以是朴素贝叶斯算法,在检测初始用电数据项时,在一个治污设备的用电场景中,评估对应的数据的数据项属性可以参照以下贝叶斯公式:
其中,x为对应治污设备的用电量,yk为数据项属性(用电量数据正常、用电数据异常、用电数据中间态),f(x)为对应数据项属性的概率,P(yk)为数据项属性的边缘概率。
步骤S120,通过用电数据项的数据项属性,在用电数据项集合中选取出治污系统用电数据中用以进行异常识别的目标用电数据项和治污设备名目。
治污设备名目用于指示治污系统用电数据中涉及到的治污设备的名目,治污设备名目可以为降解设备、拦污设备、干燥设备等。具体地,获取用电数据项集合中全部的用电数据项的用电属性,通过用电数据项的数据项属性和用电属性(即用电属于开机用电、运行用电、满载用电、待机用电、用电的次数等属性),在用电数据项集合中选取出治污系统用电数据中用以进行异常识别的目标用电数据项,根据预设设备名目检测方式,在用电数据项集合中检测出治污设备名目,例如:
步骤121,获取用电数据项集合中全部用电数据项的用电属性。
其中,用电属性可以包括用电数据项在治污系统用电数据的用电数据字段中属于开机用电、运行用电、满载用电、待机用电、用电的次数等属性。
步骤122,通过用电数据项的数据项属性和用电属性,在用电数据项集合中选取出治污系统用电数据中用以进行异常识别的目标用电数据项。
具体地,可以通过用电数据项的数据项属性,在用电数据项集合中选取出治污系统用电数据的象征性数据项,根据用电属性在用电数据项集合中提取出治污系统用电数据中的关键数据项,并将象征性数据项和关键数据项作为用以进行异常识别的目标用电数据项,例如包括:
A:通过用电数据项的数据项属性,在用电数据项集合中选取出治污系统用电数据的象征性数据项。
象征性数据项为表征治污系统用电数据象征性异常用电的数据项,该象征性数据项可以为表征治污系统用电数据整体象征性异常用电的数据项,也可以为表征治污系统用电数据中不同数据项段落的象征性异常用电的数据项。换言之,可以通过象征性数据项识别当前的治污系统用电数据的大体异常情况。
作为一种实施方式,可以通过预设的对照映射表,对用电数据项集合中的用电数据项进行分类,得到用电数据项集合中每一用电数据项的数据项分类,该对照映射表可以是处理治污系统用电数据的各个治污设备分类的对照映射表,可以对比不同分类之间的出现率差别,通过预设对照映射表,在用电数据项集合中检测出在某个分类的出现率较大,在其余分类中出现率较小的用电数据项,将这一类用电数据项作为象征数据项,当该用电数据项在各个分类中出现率变化差别较小,将这一类用电数据项作为干扰数据项,即没有价值的数据项,将用电数据项中除了象征数据项和干扰数据项以外的数据项作为一般数据项,这样得到用电数据项集合中每一用电数据项的数据项分类,那么,数据项分类可以包括象征数据项、一般数据项和干扰数据项等分类。出现率为对应对象出现的频率或次数。
获取数据项分类对应的初始象征性影响系数,也就是对应的权重,比如可以对不同数据项分类对应的初始象征性影响系数进行数值分配,举例而言,干扰数据项的初始象征性影响系数可以为0,一般数据项对应的初始象征性影响系数可以通过该一般数据项在参考数据库中不同分类的治污系统用电数据中的数据项出现率来确定,具体可以将一般数据项在参考数据库的全部分类用电数据中的出现率、一般数据项在参考数据库全部分类用电数据的出现率中最大的出现率和一般数据项在参考数据库全部分类用电数据中的出现率进行整合,得到一般数据项对应的初始象征性影响系数,可以参考以下公式进行计算:
Wo=logA1·log(maxA2/A3)
其中,Wo为一般数据项对应的初始象征性影响系数,A1为一般数据项在参考数据库的全部分类用电数据中的出现率,A2为一般数据项在参考数据库全部分类用电数据中出现率中最大的出现率,A3为一般数据项在参考数据库全部分类用电数据中的出现率。
根据一般数据项对应的初始象征性影响系数,确定象征数据项对应的初始象征性影响系数,具体地,在一般数据项对应的初始象征性影响系数中选取出最大的初始象征性影响系数,将象征数据项在参考数据库的全部分类用电数据中的出现率、象征数据项在参考数据库全部分类用电数据中出现率中最大的出现率和象征数据项在参考数据库全部分类用电数据中的出现率进行整合,将整合后的初始象征性影响系数和一般数据项对应的最大的初始象征性影响系数求和,得到象征数据项对应的初始象征性影响系数,例如可以参考以下公式:
Wr=maxWo+logA4·log(maxA5/A6)
其中,Wr为象征数据项对应的初始象征性影响系数,Wo为一般数据项对应的最大初始象征性影响系数,A4为象征数据项在参考数据库的全部分类用电数据中的出现率,A5为象征数据项在参考数据库全部分类用电数据中出现率中最大的出现率,A6为象征数据项在参考数据库全部分类用电数据中的出现率。
获取数据项属性对应的权值优化因子,权值优化因子是用于调节对应权值的参数,具体地,在数据项属性中选取需权重调节的目标数据项属性,比如过载运行时的数据项属性对应的用电数据项的初始象征性影响系数需要进行调节,在数据项属性中选取出过载运行的数据项。获取目标数据项属性对应的权值优化因子,比如,可以获取过载运行对应的数据项对应的权值优化因子Wi。根据权值优化因子对用电数据项的初始象征性影响系数进行调节,得到用电数据项集合中每一用电数据项对应的象征性影响系数,比如当用电数据项为过载运行对应的数据项时,将用电数据项的初始象征性影响系数乘以过载运行对应的数据项对应的权值优化因子,这样即获得该用电数据项的象征性影响系数,当用电数据项不属于过载运行对应的数据项时,将用电数据项的初始象征性影响系数作为象征性影响系数。通过象征性影响系数,在用电数据项集合中选取出治污系统用电数据的象征性数据项,例如通过象征性影响系数,对用电数据项集合中每一用电数据项从大到小排序,选取前N个用电数据项作为治污系统用电数据的象征性数据项。
B:根据用电属性,在用电数据项集合中提取出治污系统用电数据中的关键数据项,将象征性数据项和关键数据项作为用以进行异常识别的目标用电数据项。
其中,关键数据项为用来识别治污系统用电数据异常用电类型的数据项。比如,对治污系统用电数据进行数据项段落拆解,在用电数据项集合中选取出每一数据项段落对应的备选用电数据项,比如,可以将治污系统用电数据拆解成多个小的数据项段落,比如按照治污设备的类型进行拆解得到数据项段落,或者将同一用电场景的用电数据划分为一个数据项段落,从而得到治污系统用电数据的多个数据项段落,在用电数据项集合中选取出每一个数据项段落中包括的用电数据项,得到每一数据项段落对应的备选用电数据项。
通过用电属性统计备选用电数据项在治污系统用电数据中的出现率,这里的出现率可以包括备选用电数据项的正出现率和负出现率,其中,正出现率为备选用电数据项在某个数据项段落中的出现次数与该数据项段落中的数据项总数的比,负出现率为治污系统用电数据中数据项段落的数量和该备选用电数据项在其他数据项段落出现的次数的比值对数,譬如通过用电属性统计每一备选用电数据项在每个数据项段落中的出现次数,或者统计每一数据项段落内的用电数据项的总数,根据备选用电数据项在数据项段落中的出现次数和用电数据项的数量,分别获取该备选用电数据项的正出现率和负出现率,将出现率中的正出现率和负出现率进行整合,就可以获得备选用电数据项的分类影响系数,即对应的分类的权值,整合方式例如是将正出现率和负出现率进行相乘。
对备选用电数据项的分类影响系数从大到小排列,在用电数据项集合中选取出治污系统用电数据中的关键数据项,比如在用电数据项集合中选取出前N个用电数据项作为关键数据项,将象征性数据项和关键数据项作为用以进行异常识别的目标用电数据项。
步骤123,根据预设设备名目检测方式,在用电数据项集合中检测出治污设备名目。
例如,通过预设设备名目检测方式,在用电数据项集合中检测出名目,得到名目清单,譬如基于名目检测工具在用电数据项集合中检测出设备、事项等名目,通过预设的名目映射表进行对照,得到名目的类型,以得到名目清单,在名目清单中选取出治污设备名目,得到治污设备名目。
步骤S130,根据治污设备名目和目标用电数据项,将用电数据项集合编码成用电数据表征向量。
用电数据表征向量为用电数据项集合中用电数据项对应的向量,目标用电数据项为用电数据项集合中用以进行异常识别的用电数据项,具体可以包括用电数据项集合中的象征性数据项和关键数据项。
例如,将用电数据项集合中每一用电数据项编码成初始用电数据表征向量,例如基于分布式嵌入方法将用电数据项集合中每一用电数据项编码成数据项向量,得到用电数据项集合对应的初始用电数据表征向量,比如one-hot编码。
根据治污设备名目和目标用电数据项,对初始用电数据表征向量进行偏心调节,偏心调节的过程是用预设的权值信息去进行加权的过程,如此得到用电数据表征向量,比如,获取治污设备名目和目标用电数据项对应的数据项影响系数,在预设数据项影响系数集合中选取治污设备名目对应的数据项影响系数、象征性数据项对应的数据项影响系数和关键数据项对应的数据项影响系数。通过数据项影响系数,确定用电数据项集合中每一用电数据项对应的目标数据项影响系数,当用电数据项集合中的用电数据项属于治污设备名目或目标名目用电数据项时,将治污设备名目或者目标用电数据项对应的数据项影响系数作为用电数据项集合中用电数据项对应的目标数据项影响系数,当用电数据项集合中的用电数据项属于象征性数据项、关键数据项和治污设备名目中的一个时,目标数据项影响系数为对应的数据项影响系数,当用电数据项集合中的用电数据项属于象征性数据项和关键数据项时,即用电数据项属于目标用电数据项时,该用电数据项的目标数据项影响系数可以为目标用电数据项中象征性数据项和关键数据项中的最大的数据项影响系数。当用电数据项集合中的用电数据项属于治污设备名目和目标用电数据项时,在数据项影响系数中选取出最大的数据项影响系数作为用电数据项集合中的用电数据项对应的目标数据项影响系数,当用电数据项集合中的用电数据项属于治污设备名目、象征性数据项和关键数据项时,在对应的数据项影响系数中选取出最大的数据项影响系数作为目标数据项影响系数,当用电数据项集合中的用电数据项属于治污设备名目和目标用电数据项中任一个时,在治污设备名目和目标用电数据项对应的数据项影响系数中选取出最大的数据项影响系数作为目标数据项影响系数。当用电数据项集合中的用电数据项不属于治污设备名目和目标用电数据项时,在数据项影响系数中选取出最小的数据项影响系数作为用电数据项集合中的用电数据项对应的目标数据项影响系数,当用电数据项集合中的用电数据项不属于治污设备名目、同时也不属于象征性数据项和关键数据项时,在治污设备名目对应的数据项影响系数、象征性数据项对应的数据项影响系数 和关键数据项对应的数据项影响系数 中选取出最小的数据项影响系数作为目标数据项影响系数。
根据目标数据项影响系数对初始用电数据表征向量进行偏心调节,得到用电数据表征向量,比如通过用电数据项集合中每一用电数据项对应的目标数据项影响系数,对用电数据项的数据项向量进行偏心调节,得到用电数据项的偏心调节编码,将用电数据项的偏心调节编码作为用电数据项集合对应的用电数据表征向量。
步骤S140,对用电数据表征向量进行知识挖掘,得到治污系统用电数据的用电数据表征知识。
知识挖掘的过程即特征提取的过程,具体地,可以对用电数据项集合中每一用电数据项进行哑变量编码,得到用电数据项编码,将用电数据项编码与用电数据表征向量进行整合,得到整合后的用电数据表征向量矩阵,例如基于调试好的整合网络的Embedding模块将用电数据项编码和用电数据表征向量相整合,得到整合后的用电数据表征向量矩阵,整合后的用电数据表征向量矩阵可以为治污系统用电数据中的各个数据字段的偏心调节数据向量矩阵,整合的方式例如是将用电数据项集合中的用电数据项向量编码成数据向量矩阵,在用电数据项集合中选取出每个数据段落对应的基础用电数据项,将基础用电数据项编码成用电数据项编码,让数据段落的每一行被编码成一个二维数组,其每一行都为用电数据项编码。将用电数据项编码与偏心调节数据向量矩阵进行相乘,得到偏心调节数据向量矩阵,将句偏心调节数据向量矩阵作为整合后的用电数据表征向量矩阵,以上将连续值的离散化,可以提升网络的非线性能力。
对整合后的用电数据表征向量矩阵进行知识挖掘,得到治污系统用电数据的用电数据表征知识,例如可以基于调试好的整合网络的知识挖掘分支网络对数据段落的偏心调节数据向量矩阵进行多维知识挖掘,得到治污系统用电数据的用电数据表征知识,知识挖掘所采用的机器学习模型例如是LSTM、RNN或ResNet。用电数据表征知识是表征用电数据特征信息的矢量,其具体为向量或向量矩阵。
基于调试好的整合网络将用电数据项编码与用电数据表征向量进行整合,得到整合后的用电数据表征向量矩阵之前,本公开提供的治污设备用电异常监测方法还可以包括:构建用电数据学习样例集,该用电数据学习样例集中包括已注释异常用电识别结果的治污系统用电数据,基于预设的整合网络对用电数据学习样例集中用电数据学习样例的异常用电识别结果进行推理,得到推理异常用电识别结果,通过推理异常用电识别结果与注释异常用电识别结果对预设的整合网络进行调试,得到调试好的整合网络,例如包括:
S1,构建用电数据学习样例集。
用电数据学习样例集中可以包括已注释异常用电识别结果的治污系统用电数据。每个异常用电识别结果的正样本是异常用电识别结果对应的用电数据学习样例,负样本是其余异常用电识别结果对应的用电数据学习样例,将参考数据库作为用电数据学习样例集,同一异常用电识别结果的用电数据学习样例具有相关性和共性,可以根据该用电数据学习样例集构建整合网络。
S2,基于预设的整合网络对用电数据学习样例集中用电数据学习样例的异常用电识别结果进行推理,得到推理异常用电识别结果。
其中,预设的整合网络包括两个分支网络,分别为预设的知识挖掘分支网络和分类分支网络。具体地,基于知识挖掘分支网络对用电数据学习样例集中的用电数据学习样例进行知识挖掘,得到目标用电数据表征知识,比如,可以基于预设的整合网络中的长短时记忆网络对用电数据学习样例集中用电数据学习样例进行知识挖掘,得到目标用电数据表征知识。基于分类分支网络对目标用电数据表征知识进行分类,得到用电数据学习样例集中用电数据学习样例的治污系统用电数据异常用电分类,例如基于softma分类器或SVM分类器对目标用电数据表征知识进行分类,得到用电数据学习样例集中用电数据学习样例的治污系统用电数据异常用电分类(例如分类的结果是哪一个治污设备的用电异常结果,例如不异常和异常二分类)。通过用电数据学习样例集中用电数据学习样例的治污系统用电数据异常用电分类,确定推理异常用电识别结果,例如通过用电数据学习样例的治污系统用电数据异常用电分类,在用电数据学习样例集中选取出该治污系统用电数据异常用电分类对应的异常用电识别结果,将该异常用电识别结果作为推理异常用电识别结果。异常用电识别结果中锁定有目标治污设备,即哪一治污设备用电异常。
S3,通过推理异常用电识别结果与注释结果对预设的整合网络进行调试,得到调试好的整合网络。
具体地,通过推理异常用电识别结果与注释结果,确定用电数据学习样例的误差,具体基于多种误差确定算法,例如交叉熵算法确定用电数据学习样例的误差,根据误差值对预设的整合网络的参数进行调节,得到调试好的整合网络,例如基于梯度优化算法调节参数,直到网络收敛。
步骤S150,通过用电数据表征知识确定治污系统用电数据的异常用电识别结果,并根据异常用电识别结果锁定目标治污设备。
异常用电识别结果可以为治污系统用电数据中是否出现异常用电,如果有,出现异常用电的治污设备是哪一个。具体地,分别获取用电数据表征知识与用电数据学习样例集中每一用电数据学习样例的预设用电数据表征知识之间的用电数据共性系数,例如基于预设的整合网络计算治污系统用电数据的用电数据表征知识与用电数据学习样例集中每一用电数据学习样例的预设用电数据表征知识之间的用电数据共性系数,共性系数代表二者之间的相似程度。通过用电数据共性系数,在用电数据学习样例集中提取出与治污系统用电数据的共性系数大于共性阈值的一个或多个候选用电数据学习样例,例如通过用电数据共性系数对用电数据学习样例集中的用电数据学习样例从大到小进行排列,基于排列结果在用电数据学习样例集中选取出前N个用电数据学习样例。在候选用电数据学习样例的异常用电识别结果选取治污系统用电数据的异常用电识别结果,例如获取候选用电数据学习样例的异常用电识别结果,例如,假设候选用电数据学习样例的数目为3,候选用电数据学习样例的异常用电识别结果为2个治污设备1和1个治污设备2,在候选用电数据学习样例的异常用电识别结果中选取出最多的异常用电识别结果,将其确定为治污系统用电数据的异常用电识别结果,可确定治污系统用电数据的异常用电识别结果为治污设备1。如果候选用电数据学习样例的数目为多个,可以通过大小排列结果对异常用电识别结果进行偏心调节,根据偏心调节结果确定治污系统用电数据的异常用电识别结果,例如通过排列结果获取每个排序的权值,排序越靠前,权值越大,如此对候选用电数据学习样例的异常用电识别结果进行偏心调节,得到每个异常用电识别结果对应的目标权值,在异常用电识别结果中选取出目标权值最大的异常用电识别结果,将其确定作为治污系统用电数据的异常用电识别结果。
本公开实施例提供的上述方法,获取治污系统用电数据后,对治污系统用电数据的用电数据字段进行检测,得到治污系统用电数据的用电数据项集合和用电数据项集合中每一用电数据项对应的数据项属性,然后,通过用电数据项的数据项属性,在用电数据项集合中选取出治污系统用电数据中用以进行异常识别的目标用电数据项和治污设备名目,该治污设备名目用于指示治污系统用电数据中涉及到的治污设备的名目,接着根据治污设备名目和目标用电数据项,将用电数据项集合编码成用电数据表征向量,对用电数据表征向量进行知识挖掘,得到治污系统用电数据的用电数据表征知识,然后,通过用电数据表征知识确定治污系统用电数据的异常用电识别结果,并根据异常用电识别结果锁定目标治污设备,本公开整合了治污系统用电数据中用以进行异常识别的目标用电数据项和治污设备名目等多维全面的治污系统用电数据的用电数据表征知识,可以根据用电数据表征知识,对治污系统用电数据进行准确的异常用电识别。
下面参照图3描述根据本公开实施例的治污设备用电异常监测装置。图3示出了根据本公开实施例的治污设备用电异常监测装置300的结构示意图。如图3所示,治污设备用电异常监测装置300可以包括:
数据获取模块310,用于获取治污系统用电数据,并对所述治污系统用电数据的用电数据字段进行检测,得到所述治污系统用电数据的用电数据项集合和所述用电数据项集合中每一用电数据项对应的数据项属性;
名目确定模块320,用于通过所述用电数据项的数据项属性,在所述用电数据项集合中选取出所述治污系统用电数据中用以进行异常识别的目标用电数据项和治污设备名目,所述治污设备名目用于指示所述治污系统用电数据中涉及到的治污设备的名目;
数据编码模块330,用于根据所述治污设备名目和目标用电数据项,将所述用电数据项集合编码成用电数据表征向量;
知识挖掘模块340,用于对所述用电数据表征向量进行知识挖掘,得到所述治污系统用电数据的用电数据表征知识;
异常识别模块350,用于通过所述用电数据表征知识确定所述治污系统用电数据的异常用电识别结果,并根据所述异常用电识别结果锁定目标治污设备。
由于治污设备用电异常监测装置300的功能与上文参照图2描述的治污设备用电异常监测方法的步骤的细节类似,因此为了简单起见,这里省略对部分内容的重复描述。
此外,根据本公开实施例的设备(例如,计算机设备)也可以借助于图4所示的示例性计算设备的架构来实现。图4示出了根据本公开实施例的示例性计算设备的架构的示意图。如图4所示,计算设备400可以包括总线410、一个或多个CPU 420、只读存储器(ROM)430、随机存取存储器(RAM)440、连接到网络的通信端口450、输入/输出组件460、硬盘470等。计算设备400中的存储设备,例如ROM 430或硬盘470可以存储计算机处理和/或通信使用的各种数据或文件以及CPU所执行的程序指令。当然,图4所示的架构只是示例性的,在实现不同的设备时,根据实际需要,可以省略图4示出的计算设备中的一个或多个组件。根据本公开实施例的设备可以被配置为执行根据本公开上述各个实施例的治污设备用电异常监测方法,或者用于实现根据本公开上述各个实施例的治污设备用电异常监测装置。
本公开的实施例也可以被实现为计算机可读存储介质。根据本公开实施例的计算机可读存储介质上存储有计算机可读指令。当计算机可读指令由处理器运行时,可以执行参照以上附图描述的根据本公开实施例的治污设备用电异常监测方法。计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
根据本公开的实施例,还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者计算机程序包括计算机可读指令,该计算机可读指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机可读指令,处理器执行该计算机可读指令,使得该计算机设备执行上述各个实施例中描述的治污设备用电异常监测方法。
本领域技术人员能够理解,本公开所披露的内容可以出现多种变型和改进。例如,以上所描述的各种设备或组件可以通过硬件实现,也可以通过软件、固件、或者三者中的一些或全部的组合实现。
此外,如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。
此外,本公开中使用了流程图用来说明根据本公开实施例的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作叠加到这些过程中,或从这些过程移除某一步或数步操作。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
以上对本公开进行了详细说明,但对于本领域技术人员而言,显然,本公开并非限定于本说明书中说明的实施方式。本公开在不脱离由权利要求书的记载所确定的本公开的宗旨和范围的前提下,可以作为修改和变更方式来实施。因此,本说明书的记载是以示例说明为目的,对本公开而言并非具有任何限制性的意义。
Claims (10)
1.一种治污设备用电异常监测方法,其特征在于,应用于计算机设备,所述方法包括:
获取治污系统用电数据,并对所述治污系统用电数据的用电数据字段进行检测,得到所述治污系统用电数据的用电数据项集合和所述用电数据项集合中每一用电数据项对应的数据项属性;
通过所述用电数据项的数据项属性,在所述用电数据项集合中选取出所述治污系统用电数据中用以进行异常识别的目标用电数据项和治污设备名目,所述治污设备名目用于指示所述治污系统用电数据中涉及到的治污设备的名目;
根据所述治污设备名目和目标用电数据项,将所述用电数据项集合编码成用电数据表征向量;
对所述用电数据表征向量进行知识挖掘,得到所述治污系统用电数据的用电数据表征知识;
通过所述用电数据表征知识确定所述治污系统用电数据的异常用电识别结果,并根据所述异常用电识别结果锁定目标治污设备。
2.根据权利要求1所述的治污设备用电异常监测方法,其特征在于,所述通过所述用电数据项的数据项属性,在所述用电数据项集合中选取出所述治污系统用电数据中用以进行异常识别的目标用电数据项和治污设备名目,包括:
获取所述用电数据项集合中全部用电数据项的用电属性;
通过所述用电数据项的数据项属性和用电属性,在所述用电数据项集合中选取出所述治污系统用电数据中用以进行异常识别的目标用电数据项;
根据预设设备名目检测方式,在所述用电数据项集合中检测出所述治污设备名目。
3.根据权利要求2所述的治污设备用电异常监测方法,其特征在于,所述通过所述用电数据项的数据项属性和用电属性,在所述用电数据项集合中选取出所述治污系统用电数据中用以进行异常识别的目标用电数据项,包括:
通过所述用电数据项的数据项属性,在所述用电数据项集合中选取出所述治污系统用电数据的象征性数据项,所述象征性数据项为表征所述治污系统用电数据象征性异常用电的数据项;
根据所述用电属性,在所述用电数据项集合中提取出治污系统用电数据中的关键数据项,并将所述象征性数据项和关键数据项作为用以进行异常识别的目标用电数据项,所述关键数据项为识别所述治污系统用电数据异常用电类型的数据项。
4.根据权利要求3所述的治污设备用电异常监测方法,其特征在于,所述通过所述用电数据项的数据项属性,在所述用电数据项集合中选取出治污系统用电数据的象征性数据项,包括:
通过预设对照映射表,对所述用电数据项集合中的用电数据项进行分类,得到所述用电数据项集合中每一用电数据项的数据项分类;
获取所述数据项分类对应的初始象征性影响系数和所述数据项属性对应的权值优化因子;
根据所述权值优化因子,对所述用电数据项的初始象征性影响系数进行调节,得到所述用电数据项集合中每一用电数据项对应的象征性影响系数;
通过所述象征性影响系数,在所述用电数据项集合中选取出所述治污系统用电数据的象征性数据项;
所述根据所述用电属性,在所述用电数据项集合中提取出治污系统用电数据中的关键数据项,包括:
对所述治污系统用电数据进行数据项段落拆解,并在所述用电数据项集合中选取出每一数据项段落对应的备选用电数据项;
通过所述用电属性,统计所述备选用电数据项在所述治污系统用电数据中的出现率;
根据所述出现率在所述用电数据项集合中提取出所述治污系统用电数据中的关键数据项;
所述根据预设设备名目检测方式,在所述用电数据项集合中检测出所述治污设备名目,包括:
通过所述预设设备名目检测方式,在所述用电数据项集合中检测出名目,得到名目清单;
确定所述名目清单中每一名目的名目类型,并根据所述名目类型,在所述名目清单中选取出所述治污设备名目。
5.根据权利要求1~4任一项所述的治污设备用电异常监测方法,其特征在于,所述根据所述治污设备名目和目标用电数据项,将所述用电数据项集合编码成用电数据表征向量,包括:
将所述用电数据项集合中每一用电数据项编码成初始用电数据表征向量;
获取所述治污设备名目和目标用电数据项分别对应的数据项影响系数;
通过所述数据项影响系数,确定所述用电数据项集合中每一用电数据项对应的目标数据项影响系数;
根据所述目标数据项影响系数,对所述初始用电数据表征向量进行偏心调节,得到所述用电数据表征向量。
6.根据权利要求5所述的治污设备用电异常监测方法,其特征在于,所述通过所述数据项影响系数,确定所述用电数据项集合中每一用电数据项对应的目标数据项影响系数,包括:
当所述用电数据项集合中的用电数据项属于所述治污设备名目或目标用电数据项时,将所述治污设备名目或目标用电数据项对应的数据项影响系数作为所述用电数据项集合中的用电数据项对应的目标数据项影响系数;
当所述用电数据项集合中的用电数据项属于所述治污设备名目和目标用电数据项时,在所述数据项影响系数中选取出最大的数据项影响系数作为所述用电数据项集合中的用电数据项对应的目标数据项影响系数;
当所述用电数据项集合中的用电数据项不属于所述治污设备名目和目标用电数据项时,在所述数据项影响系数中选取出最小的数据项影响系数作为所述用电数据项集合中的用电数据项对应的目标数据项影响系数。
7.根据权利要求1~4任一项所述的治污设备用电异常监测方法,其特征在于,所述对所述治污系统用电数据的用电数据字段进行检测,得到所述治污系统用电数据的用电数据项集合和所述用电数据项集合中每一用电数据项对应的数据项属性,包括:
对所述治污系统用电数据的用电数据字段进行清洗,得到清洗后用电数据字段;
对所述清洗后用电数据字段进行字段拆分,得到所述治污系统用电数据的初始用电数据项;
检测所述初始用电数据项的数据项属性,并通过所述初始用电数据项的数据项属性,对所述初始用电数据项进行调节,得到所述用电数据项集合;
根据所述初始用电数据项的数据项属性,确定所述用电数据项集合中每一用电数据项对应的数据项属性;
所述对所述用电数据表征向量进行知识挖掘,得到所述治污系统用电数据的用电数据表征知识,包括:
对所述用电数据项集合中每一用电数据项进行哑变量编码,得到用电数据项编码;
基于调试好的整合网络将所述用电数据项编码与所述用电数据表征向量进行整合,得到整合后的用电数据表征向量矩阵;
对所述整合后的用电数据表征向量矩阵进行知识挖掘,得到所述治污系统用电数据的用电数据表征知识。
8.根据权利要求7所述的治污设备用电异常监测方法,其特征在于,所述基于调试好的整合网络将所述用电数据项编码与所述用电数据表征向量进行整合,得到整合后的用电数据表征向量矩阵之前,所述方法还包括:
构建用电数据学习样例集,所述用电数据学习样例集中包括已注释异常用电识别结果的治污系统用电数据;
基于预设的整合网络对所述用电数据学习样例集中用电数据学习样例的异常用电识别结果进行推理,得到推理异常用电识别结果;
通过所述推理异常用电识别结果与注释异常用电识别结果对所述预设的整合网络进行调试,得到所述调试好的整合网络;
所述预设的整合网络包括知识挖掘分支网络和分类分支网络,所述基于预设的整合网络对所述用电数据学习样例集中用电数据学习样例的异常用电识别结果进行推理,得到推理异常用电识别结果,包括:
基于所述知识挖掘分支网络对所述用电数据学习样例集中的用电数据学习样例进行知识挖掘,得到目标用电数据表征知识;
基于所述分类分支网络对所述目标用电数据表征知识进行分类,得到所述用电数据学习样例集中用电数据学习样例的治污系统用电数据异常用电分类;
通过所述用电数据学习样例集中用电数据学习样例的治污系统用电数据异常用电分类,确定所述推理异常用电识别结果;
所述通过所述用电数据表征知识确定所述治污系统用电数据的异常用电识别结果,包括:
分别获取所述用电数据表征知识与所述用电数据学习样例集中每一用电数据学习样例的预设用电数据表征知识之间的用电数据共性系数;
通过所述用电数据共性系数,在所述用电数据学习样例集中提取出与所述治污系统用电数据的共性系数大于共性阈值的一个或多个候选用电数据学习样例;
在所述候选用电数据学习样例的异常用电识别结果中选取出所述治污系统用电数据的异常用电识别结果。
9.一种治污设备用电异常监测装置,其特征在于,包括:
数据获取模块,用于获取治污系统用电数据,并对所述治污系统用电数据的用电数据字段进行检测,得到所述治污系统用电数据的用电数据项集合和所述用电数据项集合中每一用电数据项对应的数据项属性;
名目确定模块,用于通过所述用电数据项的数据项属性,在所述用电数据项集合中选取出所述治污系统用电数据中用以进行异常识别的目标用电数据项和治污设备名目,所述治污设备名目用于指示所述治污系统用电数据中涉及到的治污设备的名目;
数据编码模块,用于根据所述治污设备名目和目标用电数据项,将所述用电数据项集合编码成用电数据表征向量;
知识挖掘模块,用于对所述用电数据表征向量进行知识挖掘,得到所述治污系统用电数据的用电数据表征知识;
异常识别模块,用于通过所述用电数据表征知识确定所述治污系统用电数据的异常用电识别结果,并根据所述异常用电识别结果锁定目标治污设备。
10.一种计算机设备,其特征在于,包括:
一个或多个处理器;
以及一个或多个存储器,其中所述存储器中存储有计算机可读代码,所述计算机可读代码在由所述一个或多个处理器运行时,使得所述一个或多个处理器执行如权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311332410.1A CN117076991B (zh) | 2023-10-16 | 2023-10-16 | 治污设备用电异常监测方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311332410.1A CN117076991B (zh) | 2023-10-16 | 2023-10-16 | 治污设备用电异常监测方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117076991A true CN117076991A (zh) | 2023-11-17 |
CN117076991B CN117076991B (zh) | 2024-01-02 |
Family
ID=88717595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311332410.1A Active CN117076991B (zh) | 2023-10-16 | 2023-10-16 | 治污设备用电异常监测方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117076991B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117435901A (zh) * | 2023-12-19 | 2024-01-23 | 深圳市博控科技有限公司 | 一种工业互联网数据获取方法、系统、终端及储存介质 |
Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010081834A1 (de) * | 2009-01-14 | 2010-07-22 | Dtg International Gmbh | Verfahren zum prüfen von leiterplatten |
CN104459476A (zh) * | 2014-12-31 | 2015-03-25 | 上海毅昊自动化有限公司 | 基于源端数据维护机制的故障检测系统 |
US20160062950A1 (en) * | 2014-09-03 | 2016-03-03 | Google Inc. | Systems and methods for anomaly detection and guided analysis using structural time-series models |
WO2016174233A1 (en) * | 2015-04-30 | 2016-11-03 | Moog Unna Gmbh | Wind turbine backup power supply monitoring |
WO2017198482A1 (de) * | 2016-05-17 | 2017-11-23 | BSH Hausgeräte GmbH | System zur implementierung eines verfahrenstechnischen prozesses auf einem hausgerät |
CN108830324A (zh) * | 2018-06-20 | 2018-11-16 | 国网上海市电力公司 | 一种基于数据挖掘技术的公共建筑用电异常判别方法 |
CN109120627A (zh) * | 2018-08-29 | 2019-01-01 | 重庆邮电大学 | 一种基于改进KNN的6LoWPAN网络入侵检测方法 |
CN110012005A (zh) * | 2019-03-29 | 2019-07-12 | 新华三大数据技术有限公司 | 识别异常数据的方法、装置、电子设备及存储介质 |
CN110321934A (zh) * | 2019-06-12 | 2019-10-11 | 深圳供电局有限公司 | 一种检测用户用电异常数据的方法及系统 |
CN111177131A (zh) * | 2019-12-18 | 2020-05-19 | 深圳供电局有限公司 | 用电数据检测方法、装置、计算机设备和存储介质 |
CN111489053A (zh) * | 2019-12-17 | 2020-08-04 | 国家电网有限公司大数据中心 | 一种基于FP-growth算法的电网异常原因确定方法及系统 |
CN112000831A (zh) * | 2020-08-13 | 2020-11-27 | 贵州电网有限责任公司 | 一种基于变电站图形转化的异常数据识别优化方法 |
WO2020248291A1 (en) * | 2019-06-11 | 2020-12-17 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for anomaly detection |
CN112468347A (zh) * | 2020-12-14 | 2021-03-09 | 中国科学院信息工程研究所 | 一种云平台的安全管理方法、装置、电子设备及存储介质 |
WO2021104270A1 (zh) * | 2019-11-26 | 2021-06-03 | 中兴通讯股份有限公司 | 配置异常检测方法、服务器以及存储介质 |
WO2021184630A1 (zh) * | 2020-03-19 | 2021-09-23 | 平安国际智慧城市科技股份有限公司 | 基于知识图谱定位排污对象的方法及相关设备 |
CN113868010A (zh) * | 2021-12-01 | 2021-12-31 | 杭银消费金融股份有限公司 | 应用于业务系统的异常数据处理方法及系统 |
CN114157214A (zh) * | 2021-11-19 | 2022-03-08 | 华中科技大学 | 用于多模块同步电机的偏心故障检测及气隙磁密补偿方法 |
CN114462771A (zh) * | 2021-12-27 | 2022-05-10 | 深圳供电局有限公司 | 用电异常分析方法、装置、设备、介质和产品 |
CN114676818A (zh) * | 2022-03-09 | 2022-06-28 | 云境商务智能研究院南京有限公司 | 一种用于粮食存储的实时异常检测系统 |
CN114826084A (zh) * | 2022-04-26 | 2022-07-29 | 华中科技大学 | 用于多模块同步电机的偏心故障不平衡磁拉力补偿方法 |
CN114881540A (zh) * | 2022-07-04 | 2022-08-09 | 广东盈峰科技有限公司 | 确定水源治理方案的方法和装置、电子设备和存储介质 |
CN114900546A (zh) * | 2022-07-08 | 2022-08-12 | 支付宝(杭州)信息技术有限公司 | 一种数据处理方法、装置、设备及可读存储介质 |
WO2022217706A1 (zh) * | 2021-04-13 | 2022-10-20 | 长沙理工大学 | 一种基于全同态的用电加密数据异常检测方法与系统 |
CN115358336A (zh) * | 2022-08-26 | 2022-11-18 | 国网北京市电力公司 | 用电异常检测方法、装置及电子设备 |
CN116361813A (zh) * | 2023-04-13 | 2023-06-30 | 支付宝(杭州)信息技术有限公司 | 一种风险攻击的感知方法、装置及设备 |
CN116384158A (zh) * | 2023-05-26 | 2023-07-04 | 广东合诚环境工程有限公司 | 基于大数据的污水处理设备运行监测方法及系统 |
CN116433049A (zh) * | 2023-04-18 | 2023-07-14 | 四川大学 | 一种基于模糊粗糙熵的用电异常检测方法 |
CN116610818A (zh) * | 2023-06-05 | 2023-08-18 | 南京南瑞信息通信科技有限公司 | 一种输变电工程项目知识库的构建方法及系统 |
CN116627358A (zh) * | 2023-07-24 | 2023-08-22 | 南充职业技术学院 | 一种基于大数据的计算机外接设备检测系统及方法 |
-
2023
- 2023-10-16 CN CN202311332410.1A patent/CN117076991B/zh active Active
Patent Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010081834A1 (de) * | 2009-01-14 | 2010-07-22 | Dtg International Gmbh | Verfahren zum prüfen von leiterplatten |
US20160062950A1 (en) * | 2014-09-03 | 2016-03-03 | Google Inc. | Systems and methods for anomaly detection and guided analysis using structural time-series models |
CN104459476A (zh) * | 2014-12-31 | 2015-03-25 | 上海毅昊自动化有限公司 | 基于源端数据维护机制的故障检测系统 |
WO2016174233A1 (en) * | 2015-04-30 | 2016-11-03 | Moog Unna Gmbh | Wind turbine backup power supply monitoring |
WO2017198482A1 (de) * | 2016-05-17 | 2017-11-23 | BSH Hausgeräte GmbH | System zur implementierung eines verfahrenstechnischen prozesses auf einem hausgerät |
CN108830324A (zh) * | 2018-06-20 | 2018-11-16 | 国网上海市电力公司 | 一种基于数据挖掘技术的公共建筑用电异常判别方法 |
CN109120627A (zh) * | 2018-08-29 | 2019-01-01 | 重庆邮电大学 | 一种基于改进KNN的6LoWPAN网络入侵检测方法 |
CN110012005A (zh) * | 2019-03-29 | 2019-07-12 | 新华三大数据技术有限公司 | 识别异常数据的方法、装置、电子设备及存储介质 |
WO2020248291A1 (en) * | 2019-06-11 | 2020-12-17 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for anomaly detection |
CN110321934A (zh) * | 2019-06-12 | 2019-10-11 | 深圳供电局有限公司 | 一种检测用户用电异常数据的方法及系统 |
WO2021104270A1 (zh) * | 2019-11-26 | 2021-06-03 | 中兴通讯股份有限公司 | 配置异常检测方法、服务器以及存储介质 |
CN111489053A (zh) * | 2019-12-17 | 2020-08-04 | 国家电网有限公司大数据中心 | 一种基于FP-growth算法的电网异常原因确定方法及系统 |
CN111177131A (zh) * | 2019-12-18 | 2020-05-19 | 深圳供电局有限公司 | 用电数据检测方法、装置、计算机设备和存储介质 |
WO2021184630A1 (zh) * | 2020-03-19 | 2021-09-23 | 平安国际智慧城市科技股份有限公司 | 基于知识图谱定位排污对象的方法及相关设备 |
CN112000831A (zh) * | 2020-08-13 | 2020-11-27 | 贵州电网有限责任公司 | 一种基于变电站图形转化的异常数据识别优化方法 |
CN112468347A (zh) * | 2020-12-14 | 2021-03-09 | 中国科学院信息工程研究所 | 一种云平台的安全管理方法、装置、电子设备及存储介质 |
WO2022217706A1 (zh) * | 2021-04-13 | 2022-10-20 | 长沙理工大学 | 一种基于全同态的用电加密数据异常检测方法与系统 |
CN114157214A (zh) * | 2021-11-19 | 2022-03-08 | 华中科技大学 | 用于多模块同步电机的偏心故障检测及气隙磁密补偿方法 |
CN113868010A (zh) * | 2021-12-01 | 2021-12-31 | 杭银消费金融股份有限公司 | 应用于业务系统的异常数据处理方法及系统 |
CN114462771A (zh) * | 2021-12-27 | 2022-05-10 | 深圳供电局有限公司 | 用电异常分析方法、装置、设备、介质和产品 |
CN114676818A (zh) * | 2022-03-09 | 2022-06-28 | 云境商务智能研究院南京有限公司 | 一种用于粮食存储的实时异常检测系统 |
CN114826084A (zh) * | 2022-04-26 | 2022-07-29 | 华中科技大学 | 用于多模块同步电机的偏心故障不平衡磁拉力补偿方法 |
CN114881540A (zh) * | 2022-07-04 | 2022-08-09 | 广东盈峰科技有限公司 | 确定水源治理方案的方法和装置、电子设备和存储介质 |
CN114900546A (zh) * | 2022-07-08 | 2022-08-12 | 支付宝(杭州)信息技术有限公司 | 一种数据处理方法、装置、设备及可读存储介质 |
CN115358336A (zh) * | 2022-08-26 | 2022-11-18 | 国网北京市电力公司 | 用电异常检测方法、装置及电子设备 |
CN116361813A (zh) * | 2023-04-13 | 2023-06-30 | 支付宝(杭州)信息技术有限公司 | 一种风险攻击的感知方法、装置及设备 |
CN116433049A (zh) * | 2023-04-18 | 2023-07-14 | 四川大学 | 一种基于模糊粗糙熵的用电异常检测方法 |
CN116384158A (zh) * | 2023-05-26 | 2023-07-04 | 广东合诚环境工程有限公司 | 基于大数据的污水处理设备运行监测方法及系统 |
CN116610818A (zh) * | 2023-06-05 | 2023-08-18 | 南京南瑞信息通信科技有限公司 | 一种输变电工程项目知识库的构建方法及系统 |
CN116627358A (zh) * | 2023-07-24 | 2023-08-22 | 南充职业技术学院 | 一种基于大数据的计算机外接设备检测系统及方法 |
Non-Patent Citations (2)
Title |
---|
栾宁等: ""银电网络智能监控与预警系统的研究与实现"", 《北塔软件》, vol. 13, no. 3, pages 88 - 92 * |
郭伟等: ""基于大数据的电网设备供应链溯源管理评价研究"", 《电力大数据》, vol. 21, no. 9, pages 20 - 26 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117435901A (zh) * | 2023-12-19 | 2024-01-23 | 深圳市博控科技有限公司 | 一种工业互联网数据获取方法、系统、终端及储存介质 |
CN117435901B (zh) * | 2023-12-19 | 2024-03-08 | 深圳市博控科技有限公司 | 一种工业互联网数据获取方法、系统、终端及储存介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117076991B (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115564203B (zh) | 基于多维数据协同的设备实时性能评估系统及其方法 | |
CN117076991B (zh) | 治污设备用电异常监测方法、装置及计算机设备 | |
CN110570030A (zh) | 基于深度学习的风电集群功率区间预测的方法及系统 | |
Lamrini et al. | Data validation and missing data reconstruction using self-organizing map for water treatment | |
CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN114611409B (zh) | 一种配电终端异常检测模型的建立方法及装置 | |
Wang et al. | Incremental causal graph learning for online root cause analysis | |
Su et al. | Failure prognosis of complex equipment with multistream deep recurrent neural network | |
Sheng et al. | Network traffic anomaly detection method based on chaotic neural network | |
CN112463852A (zh) | 一种基于机器学习的单个指标异常点自动判断系统 | |
CN117272145A (zh) | 转辙机的健康状态评估方法、装置和电子设备 | |
Tamura et al. | Deep learning based on fine tuning with application to the reliability assessment of similar open source software | |
CN117010442A (zh) | 设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统 | |
CN117113247A (zh) | 基于二分类和聚类算法的排水系统异常监测方法、设备及存储介质 | |
CN111008673A (zh) | 配电网信息物理系统中恶性数据链采集提取方法 | |
CN113705920B (zh) | 火电厂用水数据样本集的生成方法和终端设备 | |
CN116126807A (zh) | 一种日志分析方法及相关装置 | |
Raju et al. | Development of anomaly-based intrusion detection scheme using deep learning in data network | |
CN116956089A (zh) | 电器设备温度异常检测模型训练方法以及检测方法 | |
CN116127149B (zh) | 图数据库集群健康度的量化方法和系统 | |
CN117555501B (zh) | 基于边缘计算的云打印机运维数据处理方法以及相关装置 | |
CN117407824B (zh) | 一种电力时间同步装置的健康检测方法、设备和介质 | |
Yang et al. | Hybrid cloud-edge collaborative data anomaly detection in industrial sensor networks | |
CN114596011B (zh) | 基于人工智能的企业数据处理方法及相关装置 | |
Li et al. | Research on Load State Identification Method Based on CNN-Transformer |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |