利用深度神经网络进行电力系统预测的系统及方法与流程

利用深度神经网络进行电力系统预测的系统及方法
【技术领域】
1.本专利申请总体涉及电力系统，并且更具体地涉及利用深度神经网络预测电力需求的系统及方法。


背景技术：

2.在相关技术实施方式中，建筑物管理系统(building management systems)通常是为商业建筑定制设计的专属监视系统，当重要设备发生故障时这样的系统会发出警报。建筑物管理系统依赖设施管理者和工程师设置系统和研究功率性能指标(power performance metrics)以校准保持建筑物一天24小时运行的用电量。一些建筑物管理系统允许设施管理者和工程师远程管理重要设备的特定设置。
3.商业建筑物每月能源账单的百分之五十通常是基于能源需求附加费(surcharges)。能源需求附加费是当建筑物电力需求和电价达到峰值时的高峰时段的价格上涨。传统上，当建筑物进入高峰电力需求时段，建筑物管理系统会向管理者和工程师发出警报，管理者或工程师会采取干预措施，通过关闭设备来减少电力需求。
4.建筑物包含输电线和通信网络的物理基础设施(比如铜线、五类线(cat5)、普通老式(pots)电话系统、以太网等)。在相关技术中，智能设备可被设计为基于某一通信协议或传输媒介将信息传输至特定设备或兼容系统。然而，传统上，建筑物管理系统与不同种类的智能设备和非用于信息交流的传统设备并不兼容。


技术实现要素：

5.在实施例中，建筑物的功率性能通过人工智能和深度神经网络得以监视和分析，以预测电力需求并实施响应策略，从而避免高峰时段的价格上涨。
6.本专利申请提供一种电力系统预测的系统及方法。在一个实施例中，一种电力系统预测的方法，该方法作为一种云服务，利用包含一个负载处理器的处理逻辑，该方法包括：通过该负载处理器接收来自位于建筑物中的一个数据收集系统的功率负载信息并利用一个运用机器学习和人工智能的云分析层进行优化控制；通过该负载处理器分析该接收到的功率负载信息以分解负载波形信号，并利用神经网络识别基于设备的功率负载以进行设备用电需求历史和性能分析，从而生成基于设备的用电需求预测；基于对功率消耗信号及该生成的基于设备的用电需求预测的分析，通过该负载处理器生成建筑物的用电需求预测，以减少高峰用电需求；及基于该生成的基于设备的用电需求预测、电力价格或成本信息及用户行为分析中至少之一的阈值，通过该负载处理器确定该生成的建筑物的用电需求预测是否会在近期达到峰值。
7.优选地，所述接收功率负载信息的步骤包括基于与建筑物中央电力系统连接的各个设备的电力消耗接收功率负载信息而无需改变该各个设备。
8.优选地，所述生成建筑物的用电需求预测的步骤进一步包括构建关于建筑物如何运行及建筑物内每一设备的功率性能的一个或多个预测模型。
9.优选地，所述构建关于建筑物如何运行的一个或多个预测模型的步骤包括：通过该负载处理器分析每个设备的历史功率性能；与通过该负载处理器将历史功率性能与以下至少一项进行关联：和该建筑物相关的天气信息；和该建筑物相关的地理信息；和建筑物内进行的运行活动相关的运行信息。
10.优选地，所述电力系统预测的方法进一步包括：基于一个或多个天气数据的变化及能源费用变化，通过该负载处理器生成用于确定基于设备的设定点的调整方案，以在一个时间段内减少与该确定的基于设备的设定点相关的至少一个设备的功率负载。
11.优选地，所述电力系统预测的方法进一步包括：基于该接收的功率负载信息、该生成的建筑物用电需求预测及该生成的基于设备的用电需求预测，通过该负载处理器检测建筑物电力性能的异常情况。
12.优选地，所述电力系统预测的方法进一步包括：基于该接收的功率负载信息及该生成的基于设备的用电需求预测制定响应策略，以将该接收到的功率负载信息推回至该生成的建筑物用电需求预测中。
13.在另一个实施例中，一种用于电力系统预测的系统包括：负载处理器；及用于提供功率负载信息的数据收集系统；该数据收集系统位于一建筑物中，并利用一个运用机器学习和人工智能的云分析层进行优化控制；其中：该负载处理器用于分析该接收到的功率负载信息以分解负载波形信号，并利用神经网络识别基于设备的功率负载以进行设备用电需求历史和性能分析，从而生成基于设备的用电需求预测；该负载处理器用于基于对功率消耗信号的分析与该生成的基于设备的用电需求预测，生成建筑物的用电需求预测，以减少高峰用电需求；及该负载处理器用于基于该生成的基于设备的用电需求预测、电力价格或成本信息、及用户行为分析中至少之一的阈值，确定该生成的建筑物的用电需求预测是否会在近期达到峰值。
14.优选地，该数据收集系统用于基于与建筑物中央电力系统连接的各个设备的电力消耗提供功率负载信息而无需改变该各个设备。
15.优选地，该负载处理器用于通过建立关于建筑物如何运行及该建筑物内每一设备的功率性能的一个或多个预测模型生成建筑物的用电需求预测。
16.优选地，该负载处理器用于通过分析每个设备的历史功率性能，并将该历史功率性能与以下至少一项进行关联，构建关于该建筑物如何运行的所述一个或多个预测模型：和该建筑物相关的天气信息；和该建筑物相关的地理信息；和该建筑物内进行的运行活动相关的运行信息。
17.优选地，基于一个或多个天气数据的变化及能源费用变化，该负载处理器生成用于确定基于设备的设定点的调整方案，以在一个时间段内减少与该确定的基于设备的设定点相关的至少一个设备的功率负载。
18.优选地，基于该接收的功率负载信息、该生成的建筑物用电需求预测及该生成的基于设备的用电需求预测，该负载处理器检测建筑物电力性能的异常情况。
19.优选地，该负载处理器基于该接收的功率负载信息及该生成的基于设备的用电需求预测制定响应策略，以将该接收到的功率负载信息推回至该生成的建筑物用电需求预测中。
20.在又一个实施例中，一种非暂时性计算机可读介质，该介质存储有一个程序，该程
序使计算机执行一种电力系统预测的方法，该电力系统预测的方法包括：接收来自位于建筑物中的一个数据收集系统的功率负载信息并利用一个运用机器学习和人工智能的云分析层进行优化控制；分析该接收到的功率负载信息以分解负载波形信号，并利用神经网络识别基于设备的功率负载以进行设备用电需求历史和性能分析，从而生成基于设备的用电需求预测；基于对功率消耗信号及该生成的基于设备的用电需求预测的分析，生成建筑物的用电需求预测，以减少高峰用电需求；及基于该生成的基于设备的用电需求预测、电力价格或成本信息及用户行为分析中至少之一的阈值，确定该生成的建筑物的用电需求预测是否会在近期达到峰值。
21.优选地，该生成建筑物的用电需求预测的步骤进一步包含构建关于建筑物如何运行及建筑物内每一设备的功率性能的一个或多个预测模型；其中，该构建关于建筑物如何运行的一个或多个预测模型的步骤包括：分析每个设备的历史功率性能；与将该历史功率性能与以下至少一项进行关联：和建筑物相关的天气信息、和该建筑物相关的地理信息及和建筑物内进行的运行活动相关的运行信息。
【附图说明】
22.图1是根据本专利申请一个实施例的建筑物管理系统的示意图；
23.图2是根据本专利申请一个实施例的包含有效需求管理的人工智能控制方案的方法的流程图；
24.图3是根据本专利申请一个实施例的负载处理器的示意图；
25.图4是根据本专利申请一个实施例的解析特征分析(parsed signature analysis)的示意图；
26.图5是根据本专利申请一个实施例的需求响应的流程图；
27.图6是根据本专利申请一个实施例的需求管理报告界面的示意图；
28.图7是根据本专利申请一个实施例的预测用户界面的示意图；
29.图8是包含适用于本专利申请一些实施例的计算设备的计算环境的示意图。
【具体实施方式】
30.以下详细说明提供了关于本专利申请的附图和实施例的进一步详细描述。为了清楚起见，对附图之间重复的元件附图标记和描述作了省略。整个说明中使用的术语作为示例提供，并不旨在进行限制。例如，术语“自动”的使用可以包括全自动或半自动的实施方式，涉及用户或管理员对实施方式的某些方面的控制，取决于实践本技术的实施方式的本领域普通技术人员的所需的实施方式。用户可通过用户界面或其他输入方式进行选择，或通过适当的算法实现。本专利申请所描述的实施例可单独或结合地实施，且实施例的功能可根据所需实现方式通过任何方式得以实现。
31.本专利申请描述的方法和系统将人工智能用于需求管理预测模型，该需求管理预测模型不断更新未来的电能需求预测，并基于实际的、先前未见的数据进行学习。在实施例中，通过深度神经网络发展的响应策略，能够触发建筑物管理控制以动态地循环设备和抑制高峰用电需求。
32.本专利申请描述的方法和系统包含收集和智能统一建筑物操作员可用的多个数
据流。人工智能用于监视建筑物的用电量以识别何时及如何减少高峰用电需求。不同于对电能使用做出反应，对建筑物信号的分析与人工智能一同被用于在峰值出现之前主动预测并提供控制指令以管理用电量。
33.不同于需求响应，本专利申请描述的方法和系统包含主动的自动化需求管理(automated demand management；adm)。在一个实施例中，一种方法包含实时预测、优化及数据统一以管理用电峰值，这比“响应”更进一步。该方法将人工智能的力量带入建筑物控制。
34.本专利申请的实施例中包含追踪建筑物的电能使用以提供洞见和控制指令，从而通过做出调整电能使用的主动决定来节省费用。预测的控制指令可以减少设备关闭。
35.例如，对一个排气扇进行降速(throttling)可使建筑物的电力需求在一整月内减少数千瓦。在另一个例子中，该系统基于智能的预测驱动的预冷选择性地对暖通空调(hvac)设备进行降速。
36.本专利申请描述的方法和系统检测并减少建筑物的用电需求事件以减少一个账单周期(billing cycle)内的高峰用电量并避免基于需求的附加费。例如，该系统可以基于每个需求周期的固定分钟数(比如15分钟)循环需求，以减少一个账单周期的用电需求。不同于传统的自动化需求响应，本专利申请描述的方法和系统创造了在一整个月内用电需求的持续减少，平均减少量为数千瓦。人工智能技术持续不断地监视建筑物以主动管理用电需求，而不是仅仅响应公用服务信号(utility signal)。通过动态设备循环，本专利申请描述的方法和系统实现电力成本的减少，而不带来建筑物的居住者(occupant)可以察觉的影响。
37.本专利申请描述的方法和系统分析整个建筑物以预测建筑物何时会超过用电需求阈值。不同于仅仅关闭空调单元数小时，人工智能单元分析对用电需求高峰产生贡献的各个电路或设备并确定产生侵扰最小的响应策略以改变用电需求。人工智能单元确定使停止工作或关闭的设备数量最少的高峰用电需求响应策略。人工智能单元确定的高峰用电需求响应策略动态地循环不同设备(该不同设备具有不同的峰值功率消耗)以实现所需的总用电需求的持续减少。随着人工智能单元分析更多的建筑物管理系统(bms)集成点，人工智能单元能够向对策库(library of countermeasures)增添响应措施(如预冷)。
38.本专利申请的系统是自动化的并在建筑物居住者(occupant)方便时形成基于机器学习的响应策略(response strategies)。本专利申请的系统给建筑物管理者提供界面和移动应用程序以预先设定设置、同意或重载(override)响应策略以及获取实时的详细的性能和预测数据。
39.图1是根据本专利申请一个实施例的建筑物管理系统100的示意图。参见图1，该系统100包含一个本地电力系统101，该本地电力系统101将电输送至位于一个位置的多个设备105-119。例如，该本地电力系统101作为住宅或商业建筑物的一部分可以是预先存在的配电网络，该配电网络包含通过插座与其连接的设备(如暖通空调(hvac)105、笔记本电脑107、平板电脑109、电视机111、冰箱113、家电115、消费类电子设备117、灯119、车库门开启器、喷淋系统等)和硬连线(hard wired)设备(如暖通空调105、安全系统、家电115、灯119、喷淋系统等)。
40.数据收集系统120可以耦合至该本地电力系统101。该数据收集系统120可以连接
到该本地电力系统101以监视一个位置(如商业的、工业的或住宅建筑物)的总用电量或某个电路使用的电量。在一个实施例中，基于电路的传感器可以在中心位置如配电板(如配电盘、断路器面板、电气面板等)收集用电数据。例如，基于电路的传感器可在电气面板上使用，每个传感器被夹在一个电路上，这些传感器菊花链式(daisy-chained)连接在一起，并且与一个数据传输器连接，以与一个云分析系统连接。所述基于电路的传感器可用于超高频分解(如8千赫兹)。
41.该数据收集系统120每秒收集数千个数据点并进行现场(on-site)预处理。数据通过一个网络102传输至一个包含基于云的分析引擎的负载处理器150。该数据收集系统120可包含一个数据传输器，该数据传输器通过该网络102与无线载波系统的连接而连接到局域网(lan)和广域网(wan)可接入(accessible)服务。该无线载波系统可以是全球移动通信系统(gsm)、码分多址(cdma)、宽带码分多址(wcdma)、时分多址(tdma)、通用移动通信系统(umts)、长期演进(lte)、全球微波接入互操作性(wimax)或其他无线通信协议连接。所述负载处理器150可以在本地或虚拟环境下的任何操作系统(os)(图中未示出)中运行一个或多个应用程序。该可以被部署应用程序包括逻辑单元、应用程序接口(api)单元、输入单元及输出单元的。
42.所述负载处理器150利用位于中心收集点的最少数量的传感器提供建筑物内每个系统、每个用电设备与其用电量的映射。基于电路的传感器进行高频电能数据分解以获得准确和细化的结果。该多个传感器可以极度详细地感测建筑物重要电路中的电压和电流的微小变动(blips and squiggles)，并利用该数据来识别电路上的各个设备，然后随时间的推移追踪这些设备。根据一个实施例，与本地电力系统连接的多个传感器可以对电路级别的用电信息进行采样(sample)并检测该建筑物的特征。
43.在其他实施例中，设备性能可基于来自该宽广网络的多个传感器和信息的机器学习而被远程监控。示例方面包括一个自动化系统区分连接到本地电力系统的设备以确定设备配置(profile)或指纹(fingerprint)。根据这些实施例，与本地电力系统连接的多个传感器可以对用电信息进行采样并检测连接到本地电力系统的每一设备的特征。例如，功率消耗(power draw)信号的频率可用于对每一设备类型进行分类。
44.该负载处理器150输出包含预测用电需求的实时电力需求报告，该报告可由移动设备190通过该网络102获取。该负载处理器150利用人工智能和/或神经网络利用预测的电力需求和检测到的异常情况产生响应策略，以减少高峰用电需求附加费。该负载处理器150可基于效率、费用节省和/或给建筑物住户的便利自动地定制缓解用电的措施和响应策略的实施方式。该负载处理器150可以通过与其相连的网络102与设备190交互，以提供远程控制或响应策略定制。
45.在一个实施例中，多个传感器被夹在断路器上，这些传感器连网在一起并与一个独立的通信接口连线。来自该多个传感器的数据被流传输(streamed)至基于云的软件，用于进行与天气、来自公用事业(utilities)或替代(alternative)能源(如太阳能电池、现场(on-site)电池等)的电力价格数据相关联的分析。该系统可以在高用电需求时段当设施(facilities)大量用电时对建筑物管理者(如用户)发出警告并识别用电设备以减少用电需求。例如，基于当前的天气数据、公用事业单位电力价格、建筑物性能预测等调整加热和冷却系统。
out)连接到本地电力系统的各个设备。
53.该数据收集层可通过多种通信方式例如因特网连接(比如以太网、无线网、蜂窝网等)将收集到的数据传输至云分析层。该云分析层处理信息以提供有关每一设备的功耗、费用、设备类型以及本专利申请描述的其他性能和控制能力的历史的、实时的、以及预测的详细信息。据此，无需进一步的关于建筑物、在建筑物内分布的传感器或建筑物空间的视觉检查(visual inspection)的详情描述，连接到本地电力系统的每一设备基于所述传感器信息在本地电力系统的中心点被检测并被标记。
54.可选地，在步骤220中，该负载处理器分析收集到的数据以分解负载波形信号并识别一些实施例中的基于设备的功率负载。该负载处理器利用人工智能和神经网络对设备用电需求历史和性能进行详细的分析以产生基于设备的用电需求预测。智能层(intelligence layer)建立在(预先存在的)电力输送基础设施之上以允许对设备进行数据分析和控制。
55.当信号从每个电路流入时，信息被反复筛选(screened)以将该信号分为多个信号并用标识符(identifier)标记每个信号。筛选过程分析电路信号以分解信号并识别通过电路接收电能的建筑物内(underlying)各个设备。换言之，电路可专用于特定空间(如房间、房间的墙等)或设备类型(如暖通空调、电梯、灯、开关等)，这种电路的信号可以被分析，以把通过该电路接收电能的每一设备的信号分开。
56.识别电路信号的子信号可基于一个设置(commissioning)过程，该设置过程包含用于将子信号的类型进行分类的机器学习，该子信号被从电路信号中分离出来以识别其他子信号。所述筛选过程包含识别电路信号的第一子信号、从该电路信号中分离出被识别的子信号以及识别第二子信号，以进一步识别来自通过电路接收电能的其他设备的信号。
57.例如，装有由一个开关控制的多个灯的房间可以与一个单个电路相关，该多个灯被分离并被标记以识别由该开关控制的每一个灯。识别并标记每一信号可包含将类似的信号聚在一起从而每一类型的信号与一个共同(common)设备关联。例如，由开关控制的多个灯的信号可以聚类(clustered)为与一个共同(common)房间开关相关的灯。
58.共同(common)信号可从电路信号中分离出来以进一步识别通过电路接收电能的其他设备。在一个例子中，一个壁开关控制5个天花板灯和2个插座，每个天花板灯各自可被标记为与该开关相关的共同的一组灯，与插座连接的其他设备可被标记为与该开关相关。所述筛选过程反复重复以识别通过电路接收电能的建筑物内的(underlying)每个组件。正如本专利申请所描述的，识别每一信号的该筛选过程是根据位于本地电力系统中心点的电路上的传感器及对来自每一电路的功率负载信号进行智能的机器学习分析来识别接收电能的设备的。
59.在步骤230中，基于对功率消耗信号及该生成的基于设备的用电需求预测的分析，该负载处理器生成建筑物的用电需求预测以减少高峰用电需求。功率消耗信号被分析以构建关于建筑物如何运行及建筑物内每一设备的功率性能的复杂的、预测的模型。在一些实施例中，对建筑物、电路或传感器组的用电预测可基于历史的性能统计数据确定，历史的性能统计数据与机器学习一起被用于预测和预报设备使用和性能。例如，可通过建筑物的虚拟模型(virtual version)预测影响建筑物功率性能的未来事件而建立预测。预测被用于调整(adapt)控制和避免用电高峰。
60.在其他实施例中，多个设备的功率消耗数据可被收集和分析(如波形分析)以确认设备性能统计数据，该设备性能统计数据与机器学习一起被用于预报和预测设备使用及性能。
61.例如，可建立建筑物内设备的离散簇图(discreet cluster maps)，该建筑物内的各个设备被识别并被分配可编辑的标签。信号也可基于电路的总的终端用电量(aggregate end use)而被标记。例如，上述映射(mapping)可识别并分离建筑物内的每一手机充电器、手提电脑、显示器等。从离散簇图形成得到的建筑物的虚拟模型可被富集(enriched)。云分析包含收集来自第三方来源的富集信息以进一步分析和预测建筑物的功率性能。
62.来自外部数据的富集信息，如不动产(real estate)数据库、卫星影像、公司网络，都可以加入分析。外部数据指的是不通过与本地电力系统连接的传感器物理收集到的数据。例如，富集数据可被收集到不动产数据库或市政(municipal)数据库以收集建筑物的建筑面积、楼层数、形状、地点等信息。本地天气和气候信息可从基于互联网的天气资源收集到。例如，酒店的本地电力系统可基于与本地电力系统连接的多个传感器被分析并基于来自历史数据模型的入住信息而被富集。通过利用建筑物的虚拟模型预测影响建筑物功率性能的未来事件而建立预测。预测用于调整控制和避免用电高峰。
63.在步骤240中，该负载处理器确定一个建筑物、设备和/或位置的预测用电需求在未来是否可能会达到峰值。峰值检测可基于上述计算的指标(例如上述生成的基于设备的用电需求预测)、电力价格或成本信息、行为分析(例如用户行为分析)等的阈值。对于一个建筑物、设备和/或地点的预测用电需求被检测到在未来会达到峰值的，该负载处理器在步骤260可开始实施或计划响应策略。例如，该负载处理器可基于天气数据或能源费用变化而计划调整暖通空调的设定点以减少暖通空调一整天的功率负载。响应策略可能是向建筑物管理员发出警报或建议，向设备、循环备用电源(cycle reserve power)等传输控制信号。
64.在步骤250中，除了利用峰值状况，该负载处理器可利用步骤220的分析和/或步骤230的预测来检测建筑物的电力性能异常情况或变化以实施或计划响应策略。该负载处理器可检测与建筑物或设备的历史性能相反的用电需求趋向并向用户提供警报。
65.在一些实施例中，该负载处理器利用人工智能可检测设备的实时性能，该实时性能与历史的和预测的性能进行比较以确定异常情况和响应策略。在一个实施例中，人工智能可利用历史追踪(如移动平均(running average))、富集数据(如天气数据)和不同设备之间的相关性能，以检测指示异常情况的实时性能。
66.在其他实施例中，人工智能可利用历史追踪(如移动平均)、富集数据(如天气数据)和不同电路之间的相关性能，以计算不断更新的预测并当预测指示异常情况时提供警报。
67.由该负载处理器触发的响应策略可根据与预期功率消耗的偏差严重程度和/或建筑表现(performance)的重要性(criticality)或设备类型进行选择。
68.例如，基于来自外部富集数据的入住(occupancy)信息，热水加热器或烧水壶可能会被预测在清晨时分的功率消耗水平会提高，该负载处理器可提醒用户关于热水加热器的异常功率消耗，该异常功率消耗鉴于入住率(occupancy)与历史性能相反。在示例中，建筑物管理者在重要事件和独立于高峰用电需求事件发生之前就收到关于异常性能的警报。
69.在一些实施例中，建筑物可利用故障的、断开连接的或遭非法入侵的(hacked)智
能设备(如物联网(iot)设备)。根据一个示例方面，该负载处理器提供对智能设备(如物联网设备)的独立的备份(backup)监视和控制。例如，智能恒温器可包含用于调节暖通空调系统的运行(operating)设置和智能控制，且该负载处理器可以检测智能恒温器或暖通空调的功率消耗及性能的异常情况，该异常情况表明故障。因此，与建筑物的本地电力系统连接的旧(legacy)设备(如非互联网控制的设备)和智能设备的性能由该负载处理器分析以检测不正常的或低效的用电。
70.图3是根据本专利申请一个实施例的负载处理器350的示意图。参见图3，负载收集模块(也可称为负载收集接口)355可以与一个或多个本地电力系统、电路或设备交互，以接收与建筑物的功率性能相关的输入。该负载处理器350可包含输入/输出接口353、负载收集接口355、控制接口357、报告模块359和人工智能单元360。在一个实施例中，该输入/输出接口353包含与一个地点直接通信连接或通过所述网络102通信连接的一个或多个通信接口，以接收与功率性能相关的信息(如感测的数据、环境数据等)和富集数据(enrichment data)。所述输入/输出接口353可间接地、直接地或通过第三方云服务接收来自不同类型电路或设备(如设备105-119)的数据。人工智能单元360用于分析诸如被监视的功率数据、用电设备使用情况等信息，以识别电路级别、建筑物级别或设备级别的建筑物功率性能模式。
71.富集数据可包含关于某一位置、环境、电力供应商、居住者(occupant)、该位置的用途等的信息。在一个实施例中，服务可提供关于地方的物理布局(layout)、该地方的人们之间的关系、天气信息、安全信息及地方政策等的环境数据。例如，在办公室中，环境数据可包含办公室的布局、员工的座位安排等。例如，建筑物入口传感器系统可包含在该位置检测到的入住(occupancy)信息，该入住信息可通过应用程序接口提供。
72.该人工智能单元360可包含一实时性能监视器362、异常情况模块364、预测模块366和响应模块368。该人工智能单元360用于执行一个训练过程，以学习该位置的功率性能模式、建筑物行为模式或设备行为模式，并生成建议模型，以确定高峰用电需求事件、异常情况事件和性能提升报告的响应策略。
73.在一个实施例中，计算机可读介质包含多个指令，该多个指令使得执行这些指令的处理器通过该输入/输出接口接收用于机器学习的训练数据集(training data set)，该训练数据集包含对建筑物、电路或设备功率消耗性能的追踪。该负载处理器350分析该训练数据集，利用机器学习训练基于机器学习的检测配置(profile)；该检测配置可用于将新设备进行分类和/或识别用电峰值或异常事件数据(event data)模式。该人工智能单元360利用基于机器学习的带标签和/或带分类的模式检测，指示各个电路的设备性能模式和/或建筑物级的性能模式。该人工智能单元360可分析数据以识别显示从第一模式转变到第二模式的触发。响应策略可通过控制接口357自动实施或通过报告模块359随着警报一起被报告。
74.在一些实施例中，该人工智能单元360可从不同电路中提取特征(signature)并将特征进行互相比较。该人工智能单元360也可进行时间迁移(time shifting)或基于其他因素如天气、时间等对不同电路进行比较，以观察信号在哪接近峰值，并利用神经网络预测峰值会在哪出现，以预测性地建议并在一些实施例中自动运行。自动化运行也可由用户或管理者根据需要禁用。
75.进一步地，一旦一个模型基于不同电路的特征被建立，最新的当前基础(base)数
据和/或最新的当前天气数据可被加入该模型以推断未来的用电情况。通过分析预测，实现节能的策略可以形成，该策略或者在自动化电能控制系统的情况下可自动实施，或者通过比如在告知建筑物管理者转而采用备用计划由人工手动实施。
76.该策略也可半自动实施。例如，该建筑物管理系统可将备用电能管理程序编入其中，该备用电能管理程序可根据需要被禁用(disabled)，但仍提供自动的或用户主导的(user-acted)控制。
77.通过在建模过程中观察各个电路或设备，某些对天气依赖性更强的电路或设备(如暖通空调、空气流动等)可被识别并与其他电路或设备区别开来。通过理解这一区别并能够将上述因素和特征关联到预测模型中，就能与这些外部数据集及天气相关地做出更详细的预测以在子电路中抵抗该趋势，并能得到比使用单个建筑物级别的电表更准确的建筑物级别的预测。
78.进一步地，在一些实施例中，在建模中可考虑天气和地理因素。例如，建模可识别出在夏季的月份里，如果对于有空调的建筑物，电路会更加敏感。但在其他时间如秋季或春季，电路的敏感因子和相关因子会下降一些。进一步地，在冬季，也许阿拉斯加州或其他地方可能对灯光照明需要进行电能管理，这可能对时间的依赖性更强。
79.另外，建筑物的规模大小或用途可能导致电能使用量和最重要电路或设备的用电变化。例如，在工厂运行中，基于生产需求，设备指定(designated)电路可能用电变化更大。进一步地，自动化工厂几乎不需要暖通空调，因为机器人可以在更宽的温度范围内工作，但机器人本身可能是最主要的可变电能因素。相反，办公空间的暖通空调系统可能用电变化更大，因为人们来来往往导致温度变化。
80.另外，数据中心或服务器农场(server farms)的设备用电量可能较稳定，但由于需要维持计算机系统内部温度的稳定，与外部温度紧密相关的暖通空调会发生用电变化。进一步地，这些系统也可包括控制节能装置，该控制节能装置在外部温度下降到阈值以下时将外部空气通入设备中，以实现低电能消耗水平下的有效降温散热。
81.该人工智能单元360可将这些因素考虑在内并生成一个根据上述各种其他因素定制的模型，上述各种其他因素可能是本领域技术人员显而易见的。
82.图4是根据本专利申请一实施例的示例性负载收集器用户界面405的示意图。更具体地，图4是根据一实施例的解析特征分析用户界面405。参见图4，本实施例中，一个神经网络被用于分析输入并进行深度学习分析。该神经网络用于在一段时间内以秒为时间尺度观察设备行为，以形成设备波形的签名特征(signature)。例如，设备行为作为时间尺度的特征，经过一段时间后能够识别电吹风内炽热(glowing)元件与烤面包器的功率消耗的差异。通过分析时间尺度和时间段，该神经网络提供同一电路上的不同外围设备的环境线索(context clue)，以指示某个房间位置、设备类型和/或设备运行。该界面的输出是神经元群形成的某个设备的特征。例如，该分析能够相对浴室内的电吹风识别厨房内的烤面包器。
83.数据输入可被高频采集，该数据输入具有多个非离散层(indiscrete layers)，该多个非离散层可将特征描述为用于特定特征的神经元，以确定不同的性能特征。功率性能的数据输入将波形410a-410e表示为多个神经元，该多个神经元被分开以基于神经元行为重新生成一个新的波形415。某一层中的神经元组合可用时间分析描述某个设备的性能以检测模式事件(pattern events)。通过一个将不同神经元连在一起以在一段时间内跟踪某
个设备的单独的链将多个神经元连在一起，一个事件可与该设备联系起来。变化着状态的神经元组成的簇(clusters)可表明设备在一段时间的行为并将设备行为与其他设备进行关联。
84.该神经网络基于每个设备如何消耗电能、何时消耗电能及消耗了多少电能对不同的设备进行跟踪。对于一个添加到电源板、连接到本地电力系统的电路的设备(例如间接地插入插座)而言，该设备可被检测、分类及跟踪。当该设备与该电源板断开连接并直接与插座连接时，该设备的行为可被检测，并且该设备与插座连接时表现的性能可与电源板连接时表现的历史性能相耦合，以产生该设备行为的延续的历史。
85.当多个设备堆叠到一个波形上，其特征能够识别设备类型以区分功率性能。对应不同设备的可改变状态的神经元集可用于推断相关性。例如，如果五个神经元的组合一起同时打开、关闭，又打开、关闭，该组合代表一个要被跟踪的设备。该神经网络可包括几个不同的波形特征，以在数月或数年的时间里跟踪设备性能。隐藏的神经元簇用于复制产生和定位特征波形(signature waveforms)的特定特征。
86.具有相似形状或簇的在不同电路上检测到的行为类型可用于将设备类型进行分类。该神经网络可跟踪多个同样的设备并在设备与本地电力系统断开连接和重新连接时跟随该设备。例如，一个建筑物可能有许多与不同电源插座连接的手机充电器。建筑物的富集数据和热模型也可被加入神经网络以获取基于环境(context)的相关性和设备行为关系。
87.被自动指配给检测到的设备的标签库被分类并在一段时间内被收集。在一个实施例中，不同的特征(signatures)与一个行为库中的行为相比较，并被追踪。基于该特征和该行为库的组合，可给该设备指配一个建议标签。在一种实施方式中，对设备在电路中的位置的粗略估计可与建筑物示意图进行比较，以确定该设备的位置。
88.基于建筑物的设备特征库和通用的(global)设备特征库是基于能够识别不同设备类型、不同模型和/或设备品牌的波形特征而形成的。在一个实施例中，一种基于群的管理方法(crowed based supervisory approach)被用于识别共同(common)数据结构以识别特征波形。例如，来自一个建筑物的分类后的波形特征可由该负载处理器使用以识别另一建筑物中的设备。
89.在一些实施方式中，基于神经网络的候选分类可提供给该建筑物居住者确认。在另一实施方式中，训练数据可通过一个安装工具获取，该安装工具给设备添加地理位置标签(geotags)并发送定位信号以便所述神经网络定义电路位置。
90.图5是根据本专利申请一个实施例的需求响应过程的流程图。该过程可由一个计算设备，例如图8中的计算设备805执行。基于人工智能驱动的自动化需求管理的需求响应例子可包括在指定设定点(set point)时自动对设备进行降速(throttling)；程序化的启动/关闭和预冷机制；对高电耗、非重要系统进行智能的、动态的周期性调控；复杂的启动(bring up)和预冷策略。实时预测基于电路级别、设备级别或建筑物级别的数据及外部的非建筑物管理系统(non-bms)数据点进行动态计算。
91.图5的过程是以按前一个月最高的15分钟平均用电收费的电能计费方案为基础的。为了抑制这些一次性(one-time)的用电峰值，该过程可有利于通过关闭某些用电器实现节电最大化，但使停止运行时间(downtime)最短。在以下讨论的实施例中，用电器或设备可以是一个排气扇，但也可使用其他用电器或设备。这一抑制(curbing)过程可被认为是由
神经网络机制执行的推荐(recommendation)分析及预测的输出。例如，一个神经网络，如一个卷积神经网络可纳入天气数据和建筑物历史电能数据以进行某种层次的特征提取，并提供24小时建筑物用电预测以确认15分钟用电峰值可能在哪或以何种方式出现。
92.如图5所示，该过程500包括步骤505中判定一个设备(例如风扇)是否被控制或关闭。如果该设备未被控制(步骤505结果为“否”)，在步骤515中另外确定设备的目前的预测用电需求是否超过阈值。如果预测用电需求超过阈值(步骤515结果为“是”)，该设备在步骤520中被设置为最低功率水平。进一步地，计算设备在步骤525中可进入休眠模式并且在步骤580中需求响应过程的迭代(iteration)可被视为完成。该过程500然后可返回步骤505进行另一次迭代。
93.相反地，如果在步骤515中的预测用电需求没有超过阈值(步骤515结果为“否”)，在步骤580中需求响应过程的迭代可被视为完成，而无需将该设备设置为最低功率水平。再一次地，该过程500然后可返回步骤505进行另一次迭代。
94.进一步地，如果该设备确定被控制或断电(步骤505结果为“是”)，在步骤540中另外确定设备用电需求的预测加上将该设备转换到更高的功率水平所导致的用电需求的差别变化(differential change)是否低于阈值。如果预测用电需求加上该设备的差别变化低于阈值(步骤540结果为“是”)，在步骤545中解除对设备的控制或允许设备提高到更高的水平(energy level)。进一步地，计算设备在步骤550中可进入休眠模式并且在步骤580中需求响应过程的迭代可被视为完成。该过程500然后可返回步骤505进行另一次迭代。
95.相反地，如果预测用电需求加上该设备的差别变化不低于阈值(步骤540结果为“否”)，在步骤580中需求响应过程的迭代可被视为完成，而无需解除对设备的控制。再一次地，该过程500然后可返回步骤505进行另一次迭代。
96.这一过程可现场或非现场(offsite)执行并且也可包括一个更传统的故障切换(fail-over)系统以允许用户在紧急情况下超驰控制(override control)。
97.图6是根据本专利申请一个实施例的需求管理报告界面600的示意图。该负载处理器150为用户(例如房屋业主、建筑物工程师等)提供包括每一设备和用电器的用电预测、设备故障警报、维护提醒及详细的用电信息的全面的(comprehensive)报告。该需求管理报告界面600包括来自一组应用的报告以向用户提供关于建筑物性能的全面概述还有每一设备的详细的(drill down)历史的和预测的电消耗量和用电费用。
98.图7是根据本专利申请一个实施例的示例性预测用户界面700的示意图。如图7所示，该用户界面700提供一个仪表盘(dashboard)710，该仪表盘710提供每日历史740(当天)、每周历史745(过去7天)及每月历史750(过去30天)的数据显示。该用户界面700也可包括历史的每小时负载曲线760及预测负载图770。该用户界面700也可提供一个控制栏715用于获取其他曲线、电路性能信息或其他分析。
99.图8是包含适用于一些实施例的计算设备805的计算环境800的示意图。在计算环境800中的计算设备805可包括一个或多个处理单元、核心或处理器810、存储器815(如随机存取存储器、只读存储器等)、内部存储器820(如磁性的、光学的、固态存储和/或有机的)和/或输入/输出接口825，上述任何一个部件都可耦合在用于传输信息的通信机构或总线830上，或嵌入在该计算设备805中。
100.计算设备805可以通信方式耦合到输入/用户接口835和输出设备/接口840。输入/
用户接口835和输出设备/接口840中的任一者或两者可以是有线的或无线的接口并且可以是可拆卸的。输入/用户接口835可包括可用于提供输入的任何物理的或虚拟的设备、组件、传感器或接口(如按钮、触屏界面、键盘、指向/光标控件、麦克风、摄像机、盲文(braille)、运动传感器、光学阅读器等)。
101.输出设备/接口840可包括显示器、电视、监视器、打印机、扬声器、盲文等。在一些实施例中，输入/用户接口835(如用户界面)和输出设备/接口840可嵌入到所述计算设备805中或以物理方式耦合到所述计算设备805。在其他实施例中，其他计算设备可用作计算设备805的输入/用户接口835和输出设备/接口840或为计算设备805提供输入/用户接口835和输出设备/接口840的功能。这些元件可包括，但不限于人们熟知的增强现实(ar)硬件输入，以使用户能够与增强现实环境互动。
102.计算设备805的示例可包括，但不限于经常移动的设备(例如，智能电话、车辆和其他机器中的设备、人类和动物携带的装置等)、移动设备(例如，平板电脑、笔记本电脑、手提电脑、个人计算机、便携式电视、无线电装置等)以及非针对移动性而设计的设备(例如，台式计算机、服务器设备、其他计算机、信息亭、有一个或多个处理器嵌入其中的电视、有一个或多个处理器耦合到其中的电视、无线电装置等)。
103.计算设备805可以通信方式耦合到(例如，通过输入/输出接口825)外部存储器845和网络850，以便与任何数目的连网组件、设备和系统(包含具有相同或不同配置的一个或多个计算设备)进行通信。计算设备805或任何经连接的计算设备可充当以下各项、提供以下各项的服务或被称作以下各项：服务器、客户端、精简型服务器(thin server)、通用机器、专用机器或另一标签。
104.输入/输出接口825可包含，但不限于使用任何通信或输入/输出协议或标准(例如，以太网、802.11xs、通用系统总线、wimax、调制解调器、蜂窝式网络协议等)的有线和/或无线接口，以用于向计算环境800中的至少所有经连接的组件、设备和网络传送信息和/或自所述经连接的组件、设备和网络来传送信息。网络850可以是任何网络或网络组合(例如，因特网、局域网、广域网、电话网络、蜂窝式网络、卫星网络等)。
105.计算设备805可利用计算机可用或计算机可读的介质(包含暂时性介质和非暂时性介质)和/或使用所述介质来进行通信。暂时性介质包含传输介质(例如，金属电缆、光纤)、信号、载波等。非暂时性介质包含磁性介质(例如，磁盘和磁带)、光学介质(例如，紧凑型光盘只读存储器(cd rom)、数字视频光盘、蓝光光盘)、固态介质(例如，随机存取存储器、只读存储器、快闪存储器、固态存储器)以及其他非易失性存储器或内存。
106.计算设备805可用于在一些示例计算环境中实施多种技术、方法、应用、过程或计算机可执行指令。计算机可执行指令可从暂时性介质检索到并存储在非暂时性介质上并从非暂时性介质检索到。可执行指令可源自任何编程、脚本和机器语言(例如，c、c 、c#、java、visual basic、python、perl、javascript等)中的一个或多个。
107.在本地或虚拟环境中，处理器810可在任何操作系统(os)(图中未示出)下执行。可部署一个或多个应用，所述应用包含逻辑单元855、应用编程接口(api)单元860、输入单元865、输出单元870、功率负载分析单元875、设备需求预测单元880、建筑物需求预测单元885以及用于使不同单元互相通信、与操作系统(os)和与其他应用(图中未示出)通信的单元间通信机构895。
108.例如，功率负载分析单元875、设备需求预测单元880、建筑物需求预测单元885可实施图2和图5中的一个或多个过程。上述单元和组件在设计、功能、设置或实施方式上可以不同，且不限于上述描述。
109.在一些实施例中，当信息或执行指令被应用编程接口(api)单元860接收，该信息或执行指令可被传输至一个或多个其他单元(例如功率负载分析单元875、设备需求预测单元880、建筑物需求预测单元885)。例如，所述功率负载分析单元875可从位于建筑物中的数据收集系统接收功率负载信息、分解负载波形信号并利用神经网络识别基于设备的功率负载。该被分解的负载波形信号和被识别的基于设备的功率负载可提供给该设备需求预测单元880用于进行历史的设备用电需求和性能分析，以产生基于设备的用电需求预测。该产生的基于设备的用电需求预测可提供给该建筑物需求预测单元885用于产生建筑物的用电需求预测，以基于对电力消耗信号和该产生的基于设备的用电需求预测的分析减少高峰用电需求。
110.在一些情况中，所述逻辑单元855可用于控制单元之间的信息流并引导由上述一些实施例中的应用编程接口(api)单元860、输入单元865、功率负载分析单元875、设备需求预测单元880、建筑物需求预测单元885所提供的服务。例如，一个或多个过程或实施方式的流程可由所述逻辑单元855单独控制或由所述逻辑单元855与所述应用编程接口(api)单元860共同控制。
111.尽管已展示和描述了一些实施例，但提供这些实施例是为了将本文描述的技术内容传达给熟悉本领域的技术人员。应该理解，所述技术内容可以各种形式实施，不限于所述实施例。可在没有那些特定地界定或描述的事物的情况下或在有未描述的其他或不同元件或事物的情况下实施本文中描述的技术内容。本领域的技术人员将了解，在不偏离如所附权利要求书以及其等效物中界定的本文中描述的技术内容的情况下，可对这些实施例进行改变。
112.部分详细描述以算法和计算机内操作的符号表示的形式展示出来。这些算法描述和符号表示是数据处理领域技术人员用于向其他本领域技术人员传递其创新精髓的方法。算法是一系列定义的步骤，这些步骤可得到需要的最终状态或结果。在一些实施例中，实施的步骤需要物理操控实际数量以取得实际的结果。
113.除非另有特别说明，从所述论述中可明显看出，可以理解在整个描述中，论述使用的术语如“处理”、“计算”、“运算”、“确定”、“显示”等可包括计算机系统或其他信息处理设备的操作和过程，这些计算机系统或信息处理设备操纵并将被表示为计算机系统的寄存器和存储器内物理(电子)量的数据转化为被类似表示为计算机系统的存储器或寄存器或其他信息存储、传输或显示设备内物理量的其他数据。
114.实施例也可涉及一个用于实施本文所述操作的装置。该装置可针对所需的用途而特别构造或可包括一个或多个通用计算机，该通用计算机由一个或多个计算机程序选择性地激活或重新配置。这些计算机程序可存储在一个计算机可读介质中，例如一个计算机可读存储介质或一个计算机可读信号介质。一个计算机可读存储介质可包含有形介质例如，但不限于，光盘、磁盘、只读存储器、随机存取存储器、固态设备和驱动器或其他类型适用于存储电子信息的有形或非暂时性介质。一个计算机可读信号介质可包括介质如载波。本文中呈现的算法和显示器不是固有地涉及任何特定计算机或其它装置。计算机程序可包含纯
软件实施方式，该纯软件实施方式包含实施所需实施方式的操作的指令。
115.各种通用系统可以根据本文中的示例与程序和模块一起使用，或者构造更为专用的装置来执行所需的方法步骤可被证明是便利的。另外，实施例不参照任何特定编程语言进行描述。可以理解，各种编程语言可以用来实施如本文中所述的实施例的教导。编程语言的指令可以由一个或多个处理设备执行，比如中央处理单元(cpu)、处理器或控制器。
116.如本领域中已知的，上述操作可由硬件、软件或软件和硬件的某种组合来执行。实施例的各方面可使用电路和逻辑装置(硬件)来实现，而其它方面可使用存储在机器可读介质(软件)上的指令来实现，其如果由处理器执行，将使得处理器执行实施本技术的实施方式的方法。此外，本技术的一些实施例可只在硬件中实施，而其它实施例可仅在软件中实施。此外，所描述的各种功能可在单个单元中执行，或者可按照任何数量的方式横跨若干组件分布。当由软件执行时，所述方法可基于存储在计算机可读介质上的指令由处理器例如通用计算机执行。如果需要的话，指令可按照压缩和/或加密格式存储在介质上。
117.此外，考虑到说明书和本技术的教导的实践，对于本领域技术人员而言本技术的其它实施方式可以显而易见。所描述的实施例的各方面和/或组件可单独地使用或按照任何组合使用。说明书和实施例旨在仅被视为示例，本技术的真实范围和精神由所附权利要求书指示。
118.实施例也可包括一个系统，该系统包括一个接口，该接口操作地耦合至基于电路的传感器，该基于电路的传感器用于收集建筑物的功率消耗性能；该系统还包括一个处理器，该处理器用于通过接口接收用于机器学习的训练数据集，该训练数据集包括对建筑物或电路的功率消耗性能的跟踪；该处理器还用于分析该训练数据集，利用机器学习训练基于机器学习的检测配置(profile)，该检测配置可用于识别用电峰值或异常事件数据模式；该处理器还用于基于检测配置和一组用户阈值分析从各个电路收集到的数据，以预测用电峰值事件；确定用电峰值事件的参数并识别产生侵扰最小的响应策略以改变用电需求，以推荐给用户。