CN117251819A - 电能数据异常检测方法、装置、存储介质及计算机设备 - Google Patents
电能数据异常检测方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN117251819A CN117251819A CN202311542318.8A CN202311542318A CN117251819A CN 117251819 A CN117251819 A CN 117251819A CN 202311542318 A CN202311542318 A CN 202311542318A CN 117251819 A CN117251819 A CN 117251819A
- Authority
- CN
- China
- Prior art keywords
- real
- time
- data
- monitoring
- monitored
- 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
- 238000001514 detection method Methods 0.000 title claims description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 244
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 72
- 238000001816 cooling Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 8
- 238000005057 refrigeration Methods 0.000 claims description 2
- 230000002547 anomalous effect Effects 0.000 claims 1
- 230000005856 abnormality Effects 0.000 abstract description 22
- 238000004590 computer program Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007710 freezing Methods 0.000 description 3
- 230000008014 freezing Effects 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009423 ventilation 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
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/001—Measuring real or reactive component; Measuring apparent energy
- G01R21/002—Measuring real component
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供了一种电能数据异常检测方法、装置、存储介质及计算机设备。该方法包括：获取被监测设备的实时运行状态及实时运行参数；获取被监测设备对应智能电表的实时监测数据；基于实时运行参数确定被监测设备在当前监测时刻下的监测参数范围；判断实时监测数据与实时运行状态是否匹配；若不匹配，则判定实时监测数据异常；若匹配，则判断实时监测数据是否属于监测参数范围；若不属于，则判定实时监测数据异常。本申请能够在线检测电能数据是否出现异常，帮助提高数据可靠性。
Description
技术领域
本申请涉及数据检测技术领域，尤其涉及一种电能数据异常检测方法、装置、存储介质及计算机设备。
背景技术
随着数字化和智能化的发展，对机电设备的运行能够采用传感器（例如智能电表）进行电能数据的实时监测，并且还可以基于监测数据进行数据分析，帮助控制策略的实现。因此传感器监测数据的准确性对于机电设备的控制尤为重要。
然而智能电表在使用中，虽然可以实现传输数据进行实时存储，避免了人工抄表的不及时和抄错等问题，但在实际使用中，可能由于安装或配置错误导致电表数据与实际用电情况不符；并且监测数据的传输也有可能因其他干扰而出现毛刺数据，进而导致存储的数据出现瞬时的极大值；长期使用后可能会出现电线老化而引起的缺相等问题。这些问题不能及时发现就会导致某段时间的电能数据是错误或者是缺失的，不利于进行机电设备的运行分析和决策控制。
发明内容
本申请实施例提供了一种电能数据异常检测方法、装置、存储介质及计算机设备，能够在线检测电能数据是否出现异常，帮助提高数据可靠性。
第一方面，本申请提供了一种电能数据异常检测方法，所述方法包括：
获取被监测设备的实时运行状态及实时运行参数；
获取所述被监测设备对应智能电表的实时监测数据；
基于所述实时运行参数确定所述被监测设备在当前监测时刻下的监测参数范围；
判断所述实时监测数据与所述实时运行状态是否匹配；
若不匹配，则判定所述实时监测数据异常；
若匹配，则判断所述实时监测数据是否属于所述监测参数范围；
若不属于，则判定所述实时监测数据异常。
在其中一个实施例中，所述被监测设备为制冷站房设备中的冷水机组、水泵或冷却塔；所述实时监测数据包括实时有功功率。
在其中一个实施例中，若所述被监测设备为冷水机组，则所述实时运行参数包括负载率，且执行所述基于所述实时运行参数确定所述被监测设备在当前监测时刻下的监测参数范围包括：
获取所述冷水机组的额定功率、第一上限系数及第一下限系数；
计算所述冷水机组的额定功率、所述第一上限系数及当前监测时刻下的负载率之积，得到所述冷水机组的监测参数范围的上限值；
计算所述额定功率、第一下限系数及当前监测时刻下的负载率之积，得到所述冷水机组的监测参数范围的下限值。
在其中一个实施例中，若所述被监测设备为水泵或冷却塔，且所述被监测设备为定频运行，则所述基于所述实时运行参数确定所述被监测设备在当前监测时刻下的监测参数范围包括：
获取所述被监测设备的额定功率、第二上限系数及第二下限系数；
计算所述被监测设备的额定功率与所述第二上限系数之积，得到所述被监测设备的监测参数范围的上限值；
计算所述被监测设备的额定功率与所述第二下限系数之积，得到所述被监测设备的监测参数范围的下限值。
在其中一个实施例中，若所述被监测设备为水泵或冷却塔，且所述被监测设备为变频运行，则所述实时运行参数包括实时频率，且执行所述基于所述实时运行参数确定所述被监测设备在当前监测时刻下的监测参数范围包括：
获取所述被监测设备的额定功率、额定频率、第二上限系数及第二下限系数；
计算所述实时频率与所述额定频率之比的三次方，得到频率系数；
计算所述被监测设备的额定功率、所述第二上限系数以及所述频率系数之积，得到所述被监测设备的监测参数范围的上限值；
计算所述被监测设备的额定功率、所述第二下限系数以及所述频率系数之积，得到所述被监测设备的监测参数范围的下限值。
在其中一个实施例中，在判定所述实时监测数据异常时，所述方法还包括：
获取所述被监测设备的数据填补模型；
基于所述数据填补模型对所述实时运行参数进行数据填补预测，得到填补数据；
基于所述填补数据对当前监测时刻的监测数据记录进行更正。
在其中一个实施例中，所述方法还包括：
获取预设时间范围内所述被监测设备的历史监测数据及历史运行参数；
根据所述被监测设备的历史监测数据及历史运行参数对所述数据填补模型进行迭代训练。
第二方面，本申请提供了一种电能数据异常检测装置，包括：
第一获取模块，用于获取被监测设备的实时运行状态及实时运行参数；
第二获取模块，用于获取所述被监测设备对应智能电表的实时监测数据；
范围确定模块，用于基于所述实时运行参数确定所述被监测设备在当前监测时刻下的监测参数范围；
第一判断模块，用于判断所述实时监测数据与所述实时运行状态是否匹配；
第一判定模块，用于在所述实时监测数据与所述实时运行状态不匹配时，判定所述实时监测数据异常；
第二判断模块，用于在所述实时监测数据与所述实时运行状态匹配时，判断所述实时监测数据是否属于所述监测参数范围；
第二判定模块，用于在所述实时监测数据不属于所述监测参数范围时，判定所述实时监测数据异常。
第三方面，本申请提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述任一项所述电能数据异常检测方法的步骤。
第四方面，本申请提供了一种计算机设备，包括：一个或多个处理器，以及存储器；
所述存储器中存储有计算机可读指令，所述一个或多个处理器执行时所述计算机可读指令时，执行如上述任一项所述电能数据异常检测方法的步骤。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请提供的电能数据异常检测方法、装置、存储介质及计算机设备，通过获取被监测设备的实时运行状态及实时运行参数，以及其对应智能电表的实时监测数据，根据被监测设备的实时运行参数确定出相应监测时刻的检测参数范围，若在相同监测时刻下的实时监测数据与实时运行状态不匹配，或是实时监测数据不属于监测参数范围，则可判定为该时刻下的实时监测数据异常，实现对智能电表监测数据的校验，能够及时发现数据异常予以处理，保障数据的准确性和完整性。
附图说明
为了更清楚地说明本申请实施例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它的附图。
图1为一个实施例中，电能数据异常检测方法的流程示意图；
图2为一个实施例中，被监测设备为冷水机组时，基于实时运行参数确定被监测设备在当前监测时刻下的监测参数范围步骤的流程示意图；
图3为一个实施例中，被监测设备为定频运行的水泵或冷却塔时，基于实时运行参数确定被监测设备在当前监测时刻下的监测参数范围步骤的流程示意图；
图4为一个实施例中，被监测设备为变频运行的水泵或冷却塔时，基于实时运行参数确定被监测设备在当前监测时刻下的监测参数范围步骤的流程示意图；
图5为一个实施例中，电能数据异常检测装置的结构框图；
图6为一个实施例中，计算机设备的内部结构图；
图7为另一个实施例中，计算机设备的内部结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请实施例应用于机电设备的电能数据监测场景，机电设备可以为建筑暖通领域的中央空调系统的机电设备，包括但不限于冷水机组、水泵、冷却塔等设备的电能数据监测。对于中央空调系统，电能数据是智能控制和能耗分析的基础，也是用于节能评估或节能决策的重要依据。本申请实施例用于对此类机电设备配置的智能电表监测的电能数据进行异常检测。
如图1所示，本申请实施例提供了一种电能数据异常检测方法，所述方法包括步骤S101至S108，其中：
步骤S101，获取被监测设备的实时运行状态及实时运行参数。
实时运行状态用于表征被监测设备在一个监测时刻下是否处于运行状态，包括停机状态和运行状态。实时运行参数是指被监测设备在一个监测时刻下的运行参数，根据被监测设备的不同，实时运行参数包括的参数不必然相同。
步骤S102，获取被监测设备对应智能电表的实时监测数据。
被监测设备对应智能电表即为用于监测该被监测设备电能数据的智能电表。在其中一个实施例中，实时监测数据包括但不限于实时有功功率、用电量等。
步骤S103，基于实时运行参数确定被监测设备在当前监测时刻下的监测参数范围。
被监测设备在运行过程中实时运行参数可能发生变化，因此在每个监测时刻下，电能数据的合理范围可能存在变化，因此需要根据实时运行参数确定出对应监测时刻下的监测参数范围，用于判定智能电表的实时监测数据是否异常。
步骤S104，判断实时监测数据与实时运行状态是否匹配。
监测数据异常包括在停机状态下，电能数据不符合停机状态应有参数；以及在运行状态下，无电能数据或电能数据未落入监测参数范围内。在判断实时监测数据是否属于监测参数范围之前，先根据实时运行状态判断实时监测数据是否与之匹配。
步骤S105，若不匹配，则判定实时监测数据异常。
实时监测数据与实时运行状态不匹配的情况包括在停机状态下，电能数据不符合停机状态应有参数，以及在运行状态下无电能数据。若不匹配则直接判定实时监测数据异常。
步骤S106，若匹配，则判断实时监测数据是否属于监测参数范围。
若匹配，意为被监测设备处于正常运行状态，且实时监测数据与实时运行状态匹配，此时将进一步对实时监测数据进行异常判定，即根据实时监测数据对应监测时刻的监测参数范围，判断实时监测数据是否为合理数据，若落入监测参数范围，即为合理数据；反之即为不合理数据。
步骤S107，若不属于，则判定实时监测数据异常。
步骤S108，若属于，则判定实时监测数据正常。
本申请提供的电能数据异常检测方法，通过获取被监测设备的实时运行状态及实时运行参数，以及其对应智能电表的实时监测数据，根据被监测设备的实时运行参数确定出相应监测时刻的检测参数范围，若在相同监测时刻下的实时监测数据与实时运行状态不匹配，或是实时监测数据不属于监测参数范围，则可判定为该时刻下的实时监测数据异常，实现对智能电表监测数据的校验，能够及时发现数据异常予以处理，保障数据的准确性和完整性。
需要说明的是，步骤S103并非必然在步骤S104之前执行，也可在判断实时监测数据与实时运行状态匹配之后，再确定监测参数范围进行实时监测参数的合理性判定。
如图2所示，在其中一个实施例中，若被监测设备为冷水机组，则实时运行参数包括负载率，且执行基于实时运行参数确定被监测设备在当前监测时刻下的监测参数范围包括：
步骤S201，获取冷水机组的额定功率、第一上限系数及第一下限系数。
第一上限系数和第一下限系数分别为用于确定冷水机组的监测参数范围上限值和下限值的系数，与冷水机组的特性相关，可以是人为预设，也可以是根据冷水机组的历史运行数据确定。
步骤S202，计算冷水机组的额定功率、第一上限系数及当前监测时刻下的负载率之积，得到冷水机组的监测参数范围的上限值。
即，；
其中，为冷水机组在实时监测数据所对应的监测时刻下的监测参数范围的上限值，/>为第一上限系数，/>为冷水机组的额定功率，/>为冷水机组的实时负载率。
步骤S203，计算额定功率、第一下限系数及当前监测时刻下的负载率之积，得到冷水机组的监测参数范围的下限值。
即，；
其中，为冷水机组在实时监测数据所对应的监测时刻下的监测参数范围的下限值，/>为第一下限系数。
本实施例中，在智能电表对应的被监测设备为冷水机组时，根据冷水机组的额定功率、实时的负载率，以及冷水机组对应的第一上限系数和第一下限系数确定出实时监测数据对应监测时刻下的监测参数范围，对冷水机组在不同时刻下确定对应的监测参数范围，而非固定的监测参数范围，更符合冷水机组运行特性，提高电能数据异常检测的准确性。
如图3所示，在其中一个实施例中，若被监测设备为水泵或冷却塔，且被监测设备为定频运行，则基于实时运行参数确定被监测设备在当前监测时刻下的监测参数范围包括：
步骤S301，获取被监测设备的额定功率、第二上限系数及第二下限系数。
水泵包括冷却泵和冷冻泵，冷却泵用于输送冷却水，冷冻泵用于输送冷冻水。对于定频控制的水泵和冷却塔，计算监测参数范围的区别在于二者的额定功率、第二上限系数及第二下限系数可能不同，需要根据被监测设备具体确定。由于被监测设备为定频运行，实时频率理论上与额定频率一致，在一些实施例中可以不获取实时运行参数，在一些实施例中，为了进一步提高监测参数范围的精确度，可以参考变频运行的被监测设备的监测参数范围的计算方法。
第二上限系数和第二下限系数分别为用于确定水泵/冷却塔的监测参数范围上限值和下限值的系数，与水泵/冷却塔的特性相关，可以是人为预设，也可以是根据历史运行数据确定。
步骤S302，计算被监测设备的额定功率与第二上限系数之积，得到被监测设备的监测参数范围的上限值。
即，；
其中，为被智能电表所监测的水泵/冷却塔的在实时监测数据对应监测时刻下的监测参数范围的上限值，/>为第二上限系数，/>为被智能电表所监测的水泵/冷却塔的额定功率。
步骤S303，计算被监测设备的额定功率与第二下限系数之积，得到被监测设备的监测参数范围的下限值。
即，；
其中，为被智能电表所监测的水泵/冷却塔的在实时监测数据对应监测时刻下的监测参数范围的下限值，/>为第二下限系数。
本实施例中，获取的实时运行参数为空，也可以认为不对实时运行参数进行获取。本实施例提供了定频控制的冷却塔/水泵的监测参数范围的计算方法，根据所要判定的实时监测数据来源的智能电表所监测的对象，获取额定功率、第二上限系数和第二下限系数，由于额定功率为定值，对于定频控制的冷却塔/水泵，监测参数范围的变化取决于第二上限系数和第二下限系数，在一些实施例中，第二上限系数和第二下限系数根据预设周期进行更新，每经过预设周期，获取预设时长范围内的历史数据计算，以此确定每个被监测设备的第二上限系数和第二下限系数。
如图4所示，在其中一个实施例中，若被监测设备为水泵或冷却塔，且被监测设备为变频运行，则实时运行参数包括实时频率，且执行基于实时运行参数确定被监测设备在当前监测时刻下的监测参数范围包括：
步骤S401，获取被监测设备的额定功率、额定频率、第二上限系数及第二下限系数。
对于变频控制的水泵和冷却塔，计算监测参数范围的区别在于二者的额定功率、额定频率、实时频率、第二上限系数及第二下限系数可能不同，需要根据被监测设备具体确定。
第二上限系数和第二下限系数分别为用于确定水泵/冷却塔的监测参数范围上限值和下限值的系数，与水泵/冷却塔的特性相关，可以是人为预设，也可以是根据历史运行数据确定。
步骤S402，计算实时频率与额定频率之比的三次方，得到频率系数。
即，；
其中，为被监测设备的频率系数，/>为被监测设备的实时频率，/>为被监测设备的额定频率。
对于变频控制的水泵/冷却塔，实际运行频率为变化值，因此需要根据监测时刻下的实时频率确定对应的频率系数。
步骤S403，计算被监测设备的额定功率、第二上限系数以及频率系数之积，得到被监测设备的监测参数范围的上限值。
即，；
其中，为被智能电表所监测的水泵/冷却塔的在实时监测数据对应监测时刻下的监测参数范围的上限值，/>为第二上限系数，/>为被智能电表所监测的水泵/冷却塔的额定功率。
步骤S404，计算被监测设备的额定功率、第二下限系数以及频率系数之积，得到被监测设备的监测参数范围的下限值。
即，；
其中，为被智能电表所监测的水泵/冷却塔的在实时监测数据对应监测时刻下的监测参数范围的下限值，/>为第二下限系数。
本实施例中提供了变频控制的水泵/冷却塔的监测参数范围的计算方法，根据所要判定的实时监测数据来源的智能电表所监测的对象，获取额定功率、额定频率、第二上限系数和第二下限系数，根据额定频率与实时频率计算出频率系数，再根据频率系数、额定功率、第二上限系数和第二下限系数计算出监测参数范围，动态变化的监测参数范围更加贴合被监测设备的特性，提高电能数据异常检测的准确性。
在其中一个实施例中，在判定实时监测数据异常时，发送异常通知至用户，异常通知包括发生异常的智能电表以及其监测的被监测设备，便于用户及时定位异常点进行排查。
在其中一个实施例中，在判定实时监测数据异常时，电能数据异常检测方法还包括：
获取被监测设备的数据填补模型；
基于数据填补模型对实时运行参数进行数据填补预测，得到填补数据；
基于填补数据对当前监测时刻的监测数据记录进行更正。
本实施例中的数据填补模型可以为采用神经网络MLP算法或者回归算法建立的模型，根据被监测设备的历史数据学习实时运行参数与电能数据之间的关系，得到数据填补模型，能够在发生实时监测数据异常时根据实时运行参数进行数据填补预测，得到填补数据更正监测数据记录，保证数据的完整性。
在一个实施例中，冷水机组的数据填补模型如下：
；
其中，为冷水机组的有功功率，/>、/>、/>、/>及/>为根据冷水机组的历史数据训练学习确定的系数。
在一个实施例中，水泵的数据填补模型如下：
；
其中，为水泵的有功功率，/>为水泵的额定功率，/>为水泵的实时频率，/>为水泵的额定频率，/>、/>、/>、/>为根据水泵的历史数据训练学习确定的系数。
在一个实施例中，冷却塔的数据填补模型如下：
；
其中，为冷却塔的有功功率，/>为冷却塔的额定功率，/>为冷却塔的实时频率，/>为冷却塔的额定频率，/>、/>、/>、/>为根据冷却塔的历史数据训练学习确定的系数。
在其中一个实施例中，电能数据异常检测方法还包括：
获取预设时间范围内被监测设备的历史监测数据及历史运行参数；
根据被监测设备的历史监测数据及历史运行参数对数据填补模型进行迭代训练。
本实施例中，定期对数据填补模型进行迭代训练，根据最新的预设时间范围内的历史监测数据、历史运行参数更新数据填补模型，提高预测填补数据的准确性。
在其中一个实施例中，根据被监测设备的运行状态确定运行时间，并基于预测得到的有功功率和运行时间即可计算出用电量。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
下面对本申请实施例提供的电能数据异常检测装置进行描述，下文描述的电能数据异常检测装置与上文描述的电能数据异常检测方法可相互对应参照。
如图5所示，本申请实施例提供了一种电能数据异常检测装置500，包括：
第一获取模块501，用于获取被监测设备的实时运行状态及实时运行参数；
第二获取模块502，用于获取所述被监测设备对应智能电表的实时监测数据；
范围确定模块503，用于基于所述实时运行参数确定所述被监测设备在当前监测时刻下的监测参数范围；
第一判断模块504，用于判断所述实时监测数据与所述实时运行状态是否匹配；
第一判定模块505，用于在所述实时监测数据与所述实时运行状态不匹配时，判定所述实时监测数据异常；
第二判断模块506，用于在所述实时监测数据与所述实时运行状态匹配时，判断所述实时监测数据是否属于所述监测参数范围；
第二判定模块507，用于在所述实时监测数据不属于所述监测参数范围时，判定所述实时监测数据异常。
在其中一个实施例中，范围确定模块被配置为用于在被监测设备为冷水机组时，执行以下步骤：
获取冷水机组的额定功率、第一上限系数及第一下限系数；
计算冷水机组的额定功率、第一上限系数及当前监测时刻下的负载率之积，得到冷水机组的监测参数范围的上限值；
计算额定功率、第一下限系数及当前监测时刻下的负载率之积，得到冷水机组的监测参数范围的下限值。
在其中一个实施例中，范围确定模块被配置为用于在被监测设备为水泵或冷却塔，且所述被监测设备为定频运行时，执行以下步骤：
获取被监测设备的额定功率、第二上限系数及第二下限系数；
计算被监测设备的额定功率与第二上限系数之积，得到被监测设备的监测参数范围的上限值；
计算被监测设备的额定功率与第二下限系数之积，得到被监测设备的监测参数范围的下限值。
在其中一个实施例中，范围确定模块被配置为用于在被监测设备为水泵或冷却塔，且所述被监测设备为定频运行时，执行以下步骤：
获取被监测设备的额定功率、第二上限系数及第二下限系数；
计算被监测设备的额定功率与第二上限系数之积，得到被监测设备的监测参数范围的上限值；
计算被监测设备的额定功率与第二下限系数之积，得到被监测设备的监测参数范围的下限值。
在其中一个实施例中，范围确定模块被配置为用于在被监测设备为水泵或冷却塔，且所述被监测设备为变频运行时，执行以下步骤：
获取被监测设备的额定功率、额定频率、第二上限系数及第二下限系数；
计算实时频率与额定频率之比的三次方，得到频率系数；
计算被监测设备的额定功率、第二上限系数以及频率系数之积，得到被监测设备的监测参数范围的上限值；
计算被监测设备的额定功率、第二下限系数以及频率系数之积，得到被监测设备的监测参数范围的下限值。
在其中一个实施例中，电能数据异常检测装置还包括：
模型获取模块，用于获取被监测设备的数据填补模型；
数据预测模块，用于基于数据填补模型对实时运行参数进行数据填补预测，得到填补数据；
记录更正模块，用于基于填补数据对当前监测时刻的监测数据记录进行更正。
在其中一个实施例中，电能数据异常检测装置还包括：
历史数据获取模块，用于获取预设时间范围内被监测设备的历史监测数据及历史运行参数；
模型迭代模块，用于根据被监测设备的历史监测数据及历史运行参数对数据填补模型进行迭代训练。
上述电能数据异常检测装置中各个模块的划分仅仅用于举例说明，在其他实施例中，可将电能数据异常检测装置按照需要划分为不同的模块，以完成上述电能数据异常检测装置的全部或部分功能。上述电能数据异常检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，本申请还提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述任一项实施例所述电能数据异常检测方法的步骤。
在一个实施例中，本申请还提供了一种计算机设备，所述计算机设备中存储有计算机可读指令，所述一个或多个处理器执行所述计算机可读指令时，执行如上述任一项实施例所述电能数据异常检测方法的步骤。
示意性地，在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机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，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储数据。该计算机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一种电能数据异常检测方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种电能数据异常检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6、图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机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。
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，所述的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，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电能数据异常检测方法，其特征在于，所述方法包括：
获取被监测设备的实时运行状态及实时运行参数；
获取所述被监测设备对应智能电表的实时监测数据；
基于所述实时运行参数确定所述被监测设备在当前监测时刻下的监测参数范围；
判断所述实时监测数据与所述实时运行状态是否匹配；
若不匹配，则判定所述实时监测数据异常；
若匹配，则判断所述实时监测数据是否属于所述监测参数范围；
若不属于，则判定所述实时监测数据异常。
2.根据权利要求1所述的电能数据异常检测方法，其特征在于，所述被监测设备为制冷站房设备中的冷水机组、水泵或冷却塔；所述实时监测数据包括实时有功功率。
3.根据权利要求2所述的电能数据异常检测方法，其特征在于，若所述被监测设备为冷水机组，则所述实时运行参数包括负载率，且执行所述基于所述实时运行参数确定所述被监测设备在当前监测时刻下的监测参数范围包括：
获取所述冷水机组的额定功率、第一上限系数及第一下限系数；
计算所述冷水机组的额定功率、所述第一上限系数及当前监测时刻下的负载率之积，得到所述冷水机组的监测参数范围的上限值；
计算所述额定功率、第一下限系数及当前监测时刻下的负载率之积，得到所述冷水机组的监测参数范围的下限值。
4.根据权利要求2所述的电能数据异常检测方法，其特征在于，若所述被监测设备为水泵或冷却塔，且所述被监测设备为定频运行，则所述基于所述实时运行参数确定所述被监测设备在当前监测时刻下的监测参数范围包括：
获取所述被监测设备的额定功率、第二上限系数及第二下限系数；
计算所述被监测设备的额定功率与所述第二上限系数之积，得到所述被监测设备的监测参数范围的上限值；
计算所述被监测设备的额定功率与所述第二下限系数之积，得到所述被监测设备的监测参数范围的下限值。
5.根据权利要求2所述的电能数据异常检测方法，其特征在于，若所述被监测设备为水泵或冷却塔，且所述被监测设备为变频运行，则所述实时运行参数包括实时频率，且执行所述基于所述实时运行参数确定所述被监测设备在当前监测时刻下的监测参数范围包括：
获取所述被监测设备的额定功率、额定频率、第二上限系数及第二下限系数；
计算所述实时频率与所述额定频率之比的三次方，得到频率系数；
计算所述被监测设备的额定功率、所述第二上限系数以及所述频率系数之积，得到所述被监测设备的监测参数范围的上限值；
计算所述被监测设备的额定功率、所述第二下限系数以及所述频率系数之积，得到所述被监测设备的监测参数范围的下限值。
6.根据权利要求1所述的电能数据异常检测方法，其特征在于，在判定所述实时监测数据异常时，所述方法还包括：
获取所述被监测设备的数据填补模型；
基于所述数据填补模型对所述实时运行参数进行数据填补预测，得到填补数据；
基于所述填补数据对当前监测时刻的监测数据记录进行更正。
7.根据权利要求6所述的电能数据异常检测方法，其特征在于，所述方法还包括：
获取预设时间范围内所述被监测设备的历史监测数据及历史运行参数；
根据所述被监测设备的历史监测数据及历史运行参数对所述数据填补模型进行迭代训练。
8.一种电能数据异常检测装置，其特征在于，包括：
第一获取模块，用于获取被监测设备实时运行状态及实时运行参数；
第二获取模块，用于获取所述被监测设备对应智能电表的实时监测数据；
范围确定模块，用于基于所述实时运行参数确定所述被监测设备在当前监测时刻下的监测参数范围；
第一判断模块，用于判断所述实时监测数据与所述实时运行状态是否匹配；
第一判定模块，用于在所述实时监测数据与所述实时运行状态不匹配时，判定所述实时监测数据异常；
第二判断模块，用于在所述实时监测数据与所述实时运行状态匹配时，判断所述实时监测数据是否属于所述监测参数范围；
第二判定模块，用于在所述实时监测数据不属于所述监测参数范围时，判定所述实时监测数据异常。
9.一种存储介质，其特征在于：所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项所述电能数据异常检测方法的步骤。
10.一种计算机设备，其特征在于，包括：一个或多个处理器，以及存储器；
所述存储器中存储有计算机可读指令，所述一个或多个处理器执行时所述计算机可读指令时，执行如权利要求1至7中任一项所述电能数据异常检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311542318.8A CN117251819A (zh) | 2023-11-20 | 2023-11-20 | 电能数据异常检测方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311542318.8A CN117251819A (zh) | 2023-11-20 | 2023-11-20 | 电能数据异常检测方法、装置、存储介质及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117251819A true CN117251819A (zh) | 2023-12-19 |
Family
ID=89137327
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311542318.8A Pending CN117251819A (zh) | 2023-11-20 | 2023-11-20 | 电能数据异常检测方法、装置、存储介质及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117251819A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117612693A (zh) * | 2024-01-24 | 2024-02-27 | 四川互慧软件有限公司 | 一种患者实时监测和预警方法、装置、计算机及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107918072A (zh) * | 2017-11-16 | 2018-04-17 | 深圳创维空调科技有限公司 | 空调器的故障检测方法、装置和空调器 |
-
2023
- 2023-11-20 CN CN202311542318.8A patent/CN117251819A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107918072A (zh) * | 2017-11-16 | 2018-04-17 | 深圳创维空调科技有限公司 | 空调器的故障检测方法、装置和空调器 |
Non-Patent Citations (1)
| Title |
|---|
| 陆求琴 等: "《关联区域VOCs排放信息的收集、融合与应用》", 31 January 2022, 冶金工业出版社, pages: 22 - 23 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117612693A (zh) * | 2024-01-24 | 2024-02-27 | 四川互慧软件有限公司 | 一种患者实时监测和预警方法、装置、计算机及存储介质 |
| CN117612693B (zh) * | 2024-01-24 | 2024-04-05 | 四川互慧软件有限公司 | 一种患者实时监测和预警方法、装置、计算机及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112150311B (zh) | 能耗异常状态检测方法、装置、计算机设备和存储介质 | |
| US9778639B2 (en) | Systems and methods for adaptively updating equipment models | |
| US9464999B2 (en) | Detecting temperature sensor anomalies | |
| JP5929575B2 (ja) | 消費電力管理装置及び消費電力管理システム | |
| US10481195B2 (en) | Distributed IoT based sensor analytics for power line diagnosis | |
| CN117251819A (zh) | 电能数据异常检测方法、装置、存储介质及计算机设备 | |
| CN108027187A (zh) | 用于制冷系统的能量管理 | |
| CN114254879B (zh) | 多传感器信息融合的电力设备安全诊断方法和装置 | |
| CN113326585B (zh) | 燃气锅炉的能效异常预警方法、装置和计算机设备 | |
| CN117235664A (zh) | 配电通信设备的故障诊断方法、系统和计算机设备 | |
| Fu et al. | Data-quality detection and recovery for building energy management and control systems: Case study on submetering | |
| CN117741442A (zh) | 电芯温度预测方法、装置、设备、存储介质和程序产品 | |
| US11320164B2 (en) | Continuous monitoring for early failure detection in climate control systems | |
| CN109162856A (zh) | 水轮发电机组的状态监控方法和系统 | |
| US11566806B2 (en) | Humidity analytics | |
| US11709074B2 (en) | System and method for improved accuracy of detecting meter removal or physical tampering | |
| US11719451B2 (en) | Building system with early fault detection | |
| CN114441848A (zh) | 功耗确定方法、装置、电子设备和存储介质 | |
| US9500612B2 (en) | Detecting temperature sensor anomalies | |
| CN113887676A (zh) | 设备故障预警方法、装置、设备、介质和计算机程序产品 | |
| CN117726038B (zh) | 空间复合高温干旱事件的监测方法、装置和计算机设备 | |
| CN118508444B (zh) | 电能动态管理方法、装置、设备及介质 | |
| US20230126849A1 (en) | Learning method for the detection of anomalies from multivariate data sets and associated anomaly detection method | |
| CN118535997A (zh) | 塔基状态监测方法、装置、计算机设备、存储介质和计算机程序产品 | |
| CN117578428A (zh) | 风机功率递归预测方法、装置、计算机设备和存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20231219 |