【技術實現(xiàn)步驟摘要】
本申請涉及計算機領域，具體而言，涉及一種能耗不合理區(qū)域的確定方法及裝置、存儲介質及電子裝置。
技術介紹
1、隨著智慧城市的興起，物聯(lián)網(wǎng)、云計算、大數(shù)據(jù)等新一代信息技術的出現(xiàn)，給園區(qū)的發(fā)展帶來了新機遇。許多基礎較好的園區(qū)紛紛借助新一代信息技術謀求轉型發(fā)展，提升信息化環(huán)境下的可持續(xù)競爭優(yōu)勢，由此相應產(chǎn)生了智慧園區(qū)的理念。
2、智慧園區(qū)的能耗管理重點在于減少能源浪費、提高能源利用效率以及智能運營管理。對此，往往需要實時監(jiān)測，準確采集園區(qū)內各種設備的能耗數(shù)據(jù)，通過對這些數(shù)據(jù)的動態(tài)分析，檢測能耗高峰和異常，從而精細化、智能化地控制與管理園區(qū)能耗。
3、能耗數(shù)據(jù)具有時間性、周期性、流數(shù)據(jù)等特點。在智慧園區(qū)中，不同區(qū)域的能耗數(shù)據(jù)也有各自的特點。能耗數(shù)據(jù)通常使用各種傳感器和測量設備獲取，如使用智能電表來測量電力消耗，并以特定的數(shù)據(jù)格式被發(fā)送到機載記錄系統(tǒng)進行實時存儲。能耗異常分為設備異常、系統(tǒng)異常、操作異常和環(huán)境異常。能耗預警方法包括三大類，分別是基于統(tǒng)計學和數(shù)學模型的方法、元啟發(fā)式方法和基于機器學習和深度學習的方法。其中，基于統(tǒng)計學和數(shù)學模型的方法往往具有較好的可解釋性，但對高維度數(shù)據(jù)會存在無法捕捉特征間復雜的非線性關系等問題；元啟發(fā)式算法較為通用，但可能會陷入局部最優(yōu)解，適合中等規(guī)模數(shù)據(jù)。
4、智慧園區(qū)中有多個區(qū)域，包括辦公區(qū)域、生產(chǎn)區(qū)域、物流區(qū)域、生活服務區(qū)域、信息中心、控制中心、能源管理區(qū)域等。由于不同的區(qū)域有不同的能耗特點，單一的能耗預測和異常分類方法往往無法適合所有區(qū)域的能耗預警問題。由于智慧園區(qū)
5、隨著深度學習的發(fā)展，循環(huán)神經(jīng)網(wǎng)絡(rnn，recurrent?neural?network)和卷積神經(jīng)網(wǎng)絡(cnn，convolutional?neural?network)等深度學習模型引起了各領域學者的廣泛關注。一方面，rnn適合用于處理和分析時間序列數(shù)據(jù)。能耗數(shù)據(jù)具有時間連續(xù)性和波動性的特點，適合使用rnn進行特征提取。gru(gated?recurrent?unit)作為一種rnn的變體，與廣泛使用的長短期記憶網(wǎng)絡(lstm，long?short-term?memory)相比，具有參數(shù)少、訓練速度快、內存占用少的特點，適合作為常態(tài)化能耗預測的模型。另一方面，cnn適合用于處理多維度的數(shù)據(jù)。能耗收到各種各樣因素的影響，適合使用cnn進行特征提取。densenet(denselyconnected?convolutional?networks)是一種cnn架構，它通過在每個層之間建立直接的連接來改善信息和梯度的流動，可以實現(xiàn)特征的重復利用，并顯著減少參數(shù)數(shù)量，適合在資源有限的環(huán)境中對能耗異常進行分類，提高能耗預警準確率。
6、針對相關技術中，缺少一種有效的智慧園區(qū)能耗異常預警方法的問題，目前尚未提出有效的解決方案。
7、因此，有必要對相關技術予以改良以克服相關技術中的所述缺陷。
技術實現(xiàn)思路
1、本申請實施例提供了一種能耗不合理區(qū)域的確定方法及裝置、存儲介質及電子裝置，以至少解決相關技術中，缺少一種有效的智慧園區(qū)能耗異常預警方法的問題。
2、根據(jù)本申請實施例的一方面，提供一種能耗不合理區(qū)域的確定方法，包括：按照時間窗口t定期采集目標區(qū)域的m個子區(qū)域的實時能耗數(shù)據(jù)，得到m個第一實時能耗數(shù)據(jù)，其中，m為正整數(shù)，第一實時能耗數(shù)據(jù)為當前時間窗口內的實時能耗數(shù)據(jù)；通過m個能耗預測模型和所述m個第一實時能耗數(shù)據(jù)分別對所述m個子區(qū)域在下一個時間窗口的能耗數(shù)據(jù)進行預測，得到m個第一預測能耗數(shù)據(jù)，其中，所述m個能耗預測模型與所述m個子區(qū)域一一對應；根據(jù)m個第二實時能耗數(shù)據(jù)和所述m個第一預測能耗數(shù)據(jù)對所述m個子區(qū)域進行能耗不合理分析，確定出所述m個子區(qū)域中的t個能耗疑似不合理區(qū)域，其中，t為正整數(shù)，t小于或等于m；采集所述t個能耗疑似不合理區(qū)域在當前時間窗口的能耗影響因子數(shù)據(jù)，并通過t個能耗異常分類模型分別對t個所述能耗影響因子數(shù)據(jù)進行分類，得到t個分類結果，其中，所述t個能耗異常分類模型與所述t個能耗疑似不合理區(qū)域一一對應；在所述t個分類結果中的p個分類結果指示區(qū)域異常的情況下，將所述p個分類結果對應的p個能耗疑似不合理區(qū)域確定為能耗不合理區(qū)域，其中，p為正整數(shù)。
3、在一個示例性的實施例中，通過m個能耗預測模型和所述m個第一實時能耗數(shù)據(jù)分別對所述m個子區(qū)域在下一個時間窗口的能耗數(shù)據(jù)進行預測，得到m個第一預測能耗數(shù)據(jù)之前，所述方法還包括：獲取所述m個子區(qū)域的歷史能耗數(shù)據(jù)；對m個所述歷史能耗數(shù)據(jù)進行數(shù)據(jù)預處理，得到m個特征數(shù)據(jù)；根據(jù)所述m個特征數(shù)據(jù)分別訓練出所述m個能耗預測模型。
4、在一個示例性的實施例中，對m個所述歷史能耗數(shù)據(jù)進行數(shù)據(jù)預處理，得到m個特征數(shù)據(jù)，包括：獲取n個時刻對應的時間戳序列，并對每一個時間戳進行加權合并處理，得到整合時間序列，其中，n為正整數(shù)，所述時間戳序列中包括多個時間戳，所述整合時間序列包括多個整合時間，所述多個時間戳和所述多個整合時間一一對應；按照所述時間窗口t將m個所述歷史能耗數(shù)據(jù)進行劃分，并根據(jù)所述多個整合時間對劃分后的m個歷史能耗數(shù)據(jù)進行能耗特征提取，得到m個能耗特征矩陣，其中，能耗特征包括：最大值，最小值，移動均值，移動方差；對所述m個能耗特征矩陣進行特征歸一化，得到所述m個特征數(shù)據(jù)。
5、在一個示例性的實施例中，通過t個能耗異常分類模型分別對t個所述能耗影響因子數(shù)據(jù)進行分類，得到t個分類結果之前，所述方法還包括：采集所述m個子區(qū)域的能耗影響因子數(shù)據(jù)；對m個所述能耗影響因子數(shù)據(jù)進行數(shù)據(jù)預處理，得到m個能耗因子特征數(shù)據(jù)；根據(jù)所述m個能耗因子特征數(shù)據(jù)分別訓練出m個能耗異常分類模型，其中，所述m個能耗異常分類模型包括所述t個能耗異常分類模型。
6、在一個示例性的實施例中，根據(jù)m個第二實時能耗數(shù)據(jù)和所述m個第一預測能耗數(shù)據(jù)對所述m個子區(qū)域進行能耗不合理分析，確定出所述m個子區(qū)域中的t個能耗疑似不合理區(qū)域，包括：確定所述m個子區(qū)域的一級告警閾值，得到m個一級告警閾值；計算每一個子區(qū)域對應的第二實時能耗數(shù)據(jù)與第一預測能耗數(shù)據(jù)的差值的絕對值，得到m個絕對值；根據(jù)所述m個一級告警閾值與所述m個絕對值確定出所述t個能耗疑似不合理區(qū)域，其中，能耗疑似不合理區(qū)域的絕對值大于一級告警閾值。
7、在一個示例性的實施例中，通過t個能耗異常分類模型分別對t個所述能耗影響因子數(shù)據(jù)進行分類，得到t個分類結果之后，所述方法還包括：在所述t個分類結果中的r個分類結果指示區(qū)域正常的情況下，將所述r個分類結果對應的r個能耗疑似不合理區(qū)域確定為正常區(qū)域，其中，r為正整數(shù)；對所述r個能耗疑似不合理區(qū)域對應的r個一級告警閾值進行修正。
8、根據(jù)本申請實施例的另一方面，還提供了一種能耗不合理區(qū)域的確定裝置，包括：第一采集模塊，用于按照時間窗口t定期采集目標區(qū)域的m個子區(qū)域本文檔來自技高網(wǎng)...
【技術保護點】
1.一種能耗不合理區(qū)域的確定方法，其特征在于，包括：
2.根據(jù)權利要求1所述的方法，其特征在于，通過m個能耗預測模型和所述m個第一實時能耗數(shù)據(jù)分別對所述m個子區(qū)域在下一個時間窗口的能耗數(shù)據(jù)進行預測，得到m個第一預測能耗數(shù)據(jù)之前，所述方法還包括：
3.根據(jù)權利要求2所述的方法，其特征在于，對m個所述歷史能耗數(shù)據(jù)進行數(shù)據(jù)預處理，得到m個特征數(shù)據(jù)，包括：
4.根據(jù)權利要求1所述的方法，其特征在于，通過t個能耗異常分類模型分別對t個所述能耗影響因子數(shù)據(jù)進行分類，得到t個分類結果之前，所述方法還包括：
5.根據(jù)權利要求1所述的方法，其特征在于，根據(jù)m個第二實時能耗數(shù)據(jù)和所述m個第一預測能耗數(shù)據(jù)對所述m個子區(qū)域進行能耗不合理分析，確定出所述m個子區(qū)域中的t個能耗疑似不合理區(qū)域，包括：
6.根據(jù)權利要求5所述的方法，其特征在于，通過t個能耗異常分類模型分別對t個所述能耗影響因子數(shù)據(jù)進行分類，得到t個分類結果之后，所述方法還包括：
7.一種能耗不合理區(qū)域的確定裝置，其特征在于，包括：
8.一種計算機可讀的存儲介質
9.一種電子裝置，包括存儲器和處理器，其特征在于，所述存儲器中存儲有計算機程序，所述處理器被設置為通過所述計算機程序執(zhí)行權利要求1至6中任一項所述的方法。
10.一種計算機程序產(chǎn)品，包括計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)權利要求1至6中任一項所述方法的步驟。
...【技術特征摘要】
1.一種能耗不合理區(qū)域的確定方法，其特征在于，包括：
2.根據(jù)權利要求1所述的方法，其特征在于，通過m個能耗預測模型和所述m個第一實時能耗數(shù)據(jù)分別對所述m個子區(qū)域在下一個時間窗口的能耗數(shù)據(jù)進行預測，得到m個第一預測能耗數(shù)據(jù)之前，所述方法還包括：
3.根據(jù)權利要求2所述的方法，其特征在于，對m個所述歷史能耗數(shù)據(jù)進行數(shù)據(jù)預處理，得到m個特征數(shù)據(jù)，包括：
4.根據(jù)權利要求1所述的方法，其特征在于，通過t個能耗異常分類模型分別對t個所述能耗影響因子數(shù)據(jù)進行分類，得到t個分類結果之前，所述方法還包括：
5.根據(jù)權利要求1所述的方法，其特征在于，根據(jù)m個第二實時能耗數(shù)據(jù)和所述m個第一預測能耗數(shù)據(jù)對所述m個子區(qū)域進行能耗不合理分析，確定出所述m個子區(qū)域中的t個能耗...
【專利技術屬性】
技術研發(fā)人員：韋瑋，王威，孫少杰，楊慧璋，邱上，李磊，盛承祚，齊濤鳴，李巍，孟慶竹，常江，楊永前，江晨，馮帆，邸智，丁杰，郝晨皓，任鑫，李小翔，薛麗，付雄，
申請(專利權)人：華能置業(yè)有限公司河北雄安分公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。