一种商业楼宇用能检测方法及系统与流程

1.本技术涉及电能检测技术领域，尤其涉及一种商业楼宇用能检测方法及系统。


背景技术：

2.随着我国能源转型和互联网技术的蓬勃发展，互联网理念在能源行业中的渗透与融合正逐步颠覆传统的能源生产、经营与消费模式，“互联网 智慧能源”在能源消费侧体现为发展智慧用能新模式，建设面向智能家居、智能楼宇、智能小区、智能工厂的能源综合服务中心，通过实时生成策略引导能源的生产消费行为，实现分布式能源生产、消费一体化。
3.而现有的商业楼宇智慧用能源荷调度检测方法尚未考虑不同用电时段下的用户侧负荷调度不同的问题，从而会导致检测误差较大。


技术实现要素：

4.本技术提供了一种商业楼宇用能检测方法及系统，用于解决上述能源荷调度控制检测方法的检测误差较大的技术问题。
5.有鉴于此，本技术第一方面提供了一种商业楼宇用能检测方法，包括以下步骤：
6.获取目标楼宇的实时用电时序数据；
7.对所述实时用电时序数据进行重构，得到实时用电时序曲线；
8.根据预设的时间窗口将所述实时用电时序曲线连续分割为若干个实时窗口曲线；
9.基于若干个所述实时窗口曲线提取实时时序特征数据，所述实时时序特征数据包括实时用电峰值及其对应的实时窗口时间、实时用电谷值及其对应的实时窗口时间；
10.将所述实时时序特征数据输入至预先训练好的用电异常检测模型中，从而输出检测结果；所述预先训练好的用电异常检测模型为基于卷积神经网络算法，以历史时序特征数据为输入，以相应的标签为输出进行训练得到的，所述历史时序特征数据包括安全数据和非安全数据，所述标签包括分别与所述安全数据和所述非安全数据对应的正常标签和异常标签，所述历史时序特征数据与所述实时用电时序数据的时序对应同步。
11.优选地，本发明还包括：
12.对所述实时用电时序数据进行滤波处理。
13.优选地，本发明还包括：
14.获取目标楼宇在预定周期内的历史用电时序数据，对所述历史用电时序数据进行数据清洗；
15.对数据清洗后的历史用电时序数据进行重构，得到历史用电时序曲线；
16.根据所述预设的时间窗口将所述历史用电时序曲线连续分割为若干个历史窗口曲线；
17.基于若干个所述窗口曲线提取历史时序特征数据，所述历史时序特征数据包括历史用电峰值及其对应的历史窗口时间、历史用电谷值及其对应的历史窗口时间；
18.根据预设的异常用电判断规则对所述历史时序特征数据进行分类，确定安全数据
和非安全数据，并对所述安全数据和所述非安全数据分别添加正常标签和异常标签；
19.基于卷积神经网络算法，以所述历史时序特征数据为输入，相应的标签为输出进行训练，从而得到用电异常检测模型。
20.优选地，所述根据预设的异常用电判断规则对所述历史时序特征数据进行分类，确定安全数据和非安全数据，并对所述安全数据和所述非安全数据分别添加正常标签和异常标签的步骤包括：
21.基于专家数据库设定不同时段下的用电峰值阈值和用电谷值阈值；
22.将相同时段下的所述用电峰值与所述用电峰值阈值进行比较，将在所述用电峰值阈值内的所述用电峰值分类为安全数据，将不在所述用电峰值阈值内的所述用电峰值分类为非安全数据；
23.将相同时段下的所述用电谷值与所述用电谷值阈值进行比较，将在所述用电谷值阈值内的所述用电谷值分类为安全数据，将不在所述用电谷值阈值内的所述用电谷值分类为非安全数据；
24.对所述安全数据和所述非安全数据分别添加正常标签和异常标签。
25.优选地，本发明还包括：
26.当输出检测结果为异常标签，则关闭楼宇用户端的用电调节权限，并执行预设的安全调度策略，从而调节目标楼宇的供电端的输出功率；
27.当输出检测结果为正常标签，则保持楼宇用户端的用电调节权限开启，从而使得楼宇用户端自行调节供电端的输出功率。
28.第二方面，本发明提供了一种商业楼宇用能检测系统，包括：
29.实时获取模块，用于获取目标楼宇的实时用电时序数据；
30.第一数据重构模块，用于对所述实时用电时序数据进行重构，得到实时用电时序曲线；
31.实时窗口分割模块，用于根据预设的时间窗口将所述实时用电时序曲线连续分割为若干个实时窗口曲线；
32.第一特征提取模块，用于基于若干个所述实时窗口曲线提取实时时序特征数据，所述实时时序特征数据包括实时用电峰值及其对应的实时窗口时间、实时用电谷值及其对应的实时窗口时间；
33.异常检测模块，用于将所述实时时序特征数据输入至预先训练好的用电异常检测模型中，从而输出检测结果；所述预先训练好的用电异常检测模型为基于卷积神经网络算法，以历史时序特征数据为输入，以相应的标签为输出进行训练得到的，所述历史时序特征数据包括安全数据和非安全数据，所述标签包括分别与所述安全数据和所述非安全数据对应的正常标签和异常标签，所述历史时序特征数据与所述实时用电时序数据的时序对应同步。
34.优选地，本系统还包括：
35.滤波模块，用于对所述实时用电时序数据进行滤波处理。
36.优选地，本系统还包括：
37.历史数据获取模块，用于获取目标楼宇在预定周期内的历史用电时序数据，对所述历史用电时序数据进行数据清洗；
38.第二数据重构模块，用于对数据清洗后的历史用电时序数据进行重构，得到历史用电时序曲线；
39.历史窗口分割模块，用于根据所述预设的时间窗口将所述历史用电时序曲线连续分割为若干个历史窗口曲线；
40.第二特征提取模块，用于基于若干个所述窗口曲线提取历史时序特征数据，所述历史时序特征数据包括历史用电峰值及其对应的历史窗口时间、历史用电谷值及其对应的历史窗口时间；
41.分类模块，用于根据预设的异常用电判断规则对所述历史时序特征数据进行分类，确定安全数据和非安全数据，并对所述安全数据和所述非安全数据分别添加正常标签和异常标签；
42.训练模块，用于基于卷积神经网络算法，以所述历史时序特征数据为输入，相应的标签为输出进行训练，从而得到用电异常检测模型。
43.优选地，所述分类模块具体包括：
44.阈值设定子模块，用于基于专家数据库设定不同时段下的用电峰值阈值和用电谷值阈值；
45.第一分类子模块，用于将相同时段下的所述用电峰值与所述用电峰值阈值进行比较，将在所述用电峰值阈值内的所述用电峰值分类为安全数据，将不在所述用电峰值阈值内的所述用电峰值分类为非安全数据；
46.第二分类子模块，用于将相同时段下的所述用电谷值与所述用电谷值阈值进行比较，将在所述用电谷值阈值内的所述用电谷值分类为安全数据，将不在所述用电谷值阈值内的所述用电谷值分类为非安全数据；
47.标签子模块，用于对所述安全数据和所述非安全数据分别添加正常标签和异常标签。
48.优选地，本系统还包括：
49.执行模块，用于当输出检测结果为异常标签，则关闭楼宇用户端的用电调节权限，并执行预设的安全调度策略，从而调节目标楼宇的供电端的输出功率；
50.还用于当输出检测结果为正常标签，则保持楼宇用户端的用电调节权限开启，从而使得楼宇用户端自行调节供电端的输出功率。
51.从以上技术方案可以看出，本发明具有以下优点：
52.本发明将实时用电时序数据重构为实时用电时序曲线，并将实时用电时序曲线连续分割为若干个实时窗口曲线，并提取实时窗口曲线中的实时时序特征数据，其包含用电峰值和用电谷值及对应的窗口时间，通过将实时时序特征数据输入至训练好的用电异常检测模型检测是否异常，从而输出检测结果，而用电异常检测模型是以历史时序特征数据为输入，基于卷积神经网络算法进行训练的，同时，所述历史时序特征数据与所述实时用电时序数据的时序对应同步，从而可以保证实时数据与历史数据可比性，充分考虑了不同用电时段下的用户侧负荷调度不同的问题，从而降低了检测误差，提高检测精度。
附图说明
53.图1为本技术实施例提供的一种商业楼宇用能检测方法的流程图；
54.图2为本技术实施例提供的一种商业楼宇用能检测系统的结构示意图。
具体实施方式
55.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
56.现有的商业楼宇智慧用能源荷调度检测方法尚未综合考虑不同用电时段下的用户侧负荷调度不同的问题，从而会导致检测误差较大。
57.为此，请参阅图1，本发明提供的一种商业楼宇用能检测方法，包括以下步骤：
58.s1、获取目标楼宇的实时用电时序数据；
59.s2、对实时用电时序数据进行重构，得到实时用电时序曲线；
60.s3、根据预设的时间窗口将实时用电时序曲线连续分割为若干个实时窗口曲线；
61.s4、基于若干个实时窗口曲线提取实时时序特征数据，实时时序特征数据包括实时用电峰值及其对应的实时窗口时间、实时用电谷值及其对应的实时窗口时间；
62.s5、将实时时序特征数据输入至预先训练好的用电异常检测模型中，从而输出检测结果；预先训练好的用电异常检测模型为基于卷积神经网络算法，以历史时序特征数据为输入，以相应的标签为输出进行训练得到的，历史时序特征数据包括安全数据和非安全数据，标签包括分别与安全数据和非安全数据对应的正常标签和异常标签，历史时序特征数据与实时用电时序数据的时序对应同步。
63.需要说明的是，本发明将实时用电时序数据重构为实时用电时序曲线，并将实时用电时序曲线连续分割为若干个实时窗口曲线，并提取实时窗口曲线中的实时时序特征数据，其包含用电峰值和用电谷值及对应的窗口时间，通过将实时时序特征数据输入至训练好的用电异常检测模型检测是否异常，从而输出检测结果，而用电异常检测模型是以历史时序特征数据为输入，基于卷积神经网络算法进行训练的，同时，历史时序特征数据与实时用电时序数据的时序对应同步，从而可以保证实时数据与历史数据可比性，充分考虑了不同用电时段下的用户侧负荷调度不同的问题，从而降低了检测误差，提高检测精度。
64.以下为本发明提供的一种商业楼宇用能检测方法的实施例的详细描述。
65.本发明提供的一种商业楼宇用能检测方法，包括以下步骤：
66.s100、获取目标楼宇的实时用电时序数据；
67.需要说明的是，可以从楼宇的计量表中进行抄表动作获取实时用电时序数据。
68.s200、对实时用电时序数据进行滤波处理。
69.需要说明的是，对实时用电时序数据进行滤波处理可以减少数据背景噪音。
70.s300、对实时用电时序数据进行重构，得到实时用电时序曲线；
71.s400、根据预设的时间窗口将实时用电时序曲线连续分割为若干个实时窗口曲线；
72.需要说明的是，在实时用电时序曲线中，横坐标为时间，纵坐标为用电量，而由于用电量随着时间变化，而实时用电时序曲线会呈现为波浪形结构。
73.在本实施例中，预设的时间窗口可以以一个时间周期为单位作为一个时间窗口，
如将实时用电时序曲线分为24个时间窗口，而每个时间窗口的长度均为1个小时单位长度。
74.s500、基于若干个实时窗口曲线提取实时时序特征数据，实时时序特征数据包括实时用电峰值及其对应的实时窗口时间、实时用电谷值及其对应的实时窗口时间；
75.需要说明的是，由于实时用电时序曲线为波浪型结构，在分割得到若干个连续的实时窗口曲线后，提取用电峰值和用电谷值，而用电峰值和用电谷值则分别对应有各自的时间窗口。
76.s600、将实时时序特征数据输入至预先训练好的用电异常检测模型中，从而输出检测结果；预先训练好的用电异常检测模型为基于卷积神经网络算法，以历史时序特征数据为输入，以相应的标签为输出进行训练得到的，历史时序特征数据包括安全数据和非安全数据，标签包括分别与安全数据和非安全数据对应的正常标签和异常标签，历史时序特征数据与实时用电时序数据的时序对应同步。
77.需要说明的是，在输出检测结果后，可以输出正常标签或异常标签，还可以输出检测结果对应的实时用电峰值及其对应的实时窗口时间、实时用电谷值及其对应的实时窗口时间。
78.在本实施例中，训练用电异常检测模型的过程包括：
79.s10、获取目标楼宇在预定周期内的历史用电时序数据，对历史用电时序数据进行数据清洗；
80.在本实施例中，预定周期可以以日、星期、月或年为单位，如获取一天内的历史用电时序数据。
81.同时，数据清洗的方式包括对历史用电时序数据中随机采样产生的空缺点补齐，并剔除孤立数据，从而使得历史用电时序数据更具有代表性。
82.s20、对数据清洗后的历史用电时序数据进行重构，得到历史用电时序曲线；
83.s30、根据预设的时间窗口将历史用电时序曲线连续分割为若干个历史窗口曲线；
84.在本实施例中，由于历史用电时序曲线为波浪形态曲线，而通过滑动时间窗口可以将历史用电时序曲线连续分割为若干个窗口曲线，而每个窗口曲线的窗口时间是连续变化且不重叠的，且每个窗口曲线至少包括一个用电峰值或一个用电谷值。在一般示例中，每个窗口曲线包括一个用电峰值或一个用电谷值。
85.同时，实时用电时序曲线和历史用电时序曲线的预设的时间窗口一致。
86.s40、基于若干个窗口曲线提取历史时序特征数据，历史时序特征数据包括历史用电峰值及其对应的历史窗口时间、历史用电谷值及其对应的历史窗口时间；
87.需要说明的是，通过分割出若干个窗口曲线后，可以得到若干个用电峰值及其对应的峰值时间、若干个用电谷值及其对应的谷值时间，其中，峰值时间和谷值时间可以通过窗口时间确定得到。
88.s50、根据预设的异常用电判断规则对历史时序特征数据进行分类，确定安全数据和非安全数据，并对安全数据和非安全数据分别添加正常标签和异常标签；
89.具体地，步骤s50包括：
90.s51、基于专家数据库设定不同时段下的用电峰值阈值和用电谷值阈值；
91.可以理解的是，由于不同时段下的用电量不同，则需要设置不同时段下的用电峰值阈值和用电谷值阈值。
92.s52、将相同时段下的用电峰值与用电峰值阈值进行比较，将在用电峰值阈值内的用电峰值分类为安全数据，将不在用电峰值阈值内的用电峰值分类为非安全数据；
93.s53、将相同时段下的用电谷值与用电谷值阈值进行比较，将在用电谷值阈值内的用电谷值分类为安全数据，将不在用电谷值阈值内的用电谷值分类为非安全数据；
94.在设定完毕不同时段下的用电峰值阈值和用电谷值阈值后，需要以相同的时段进行比较，从而可以将用电峰值和用电谷值进行有效分类。
95.s54、对安全数据和非安全数据分别添加正常标签和异常标签。
96.s60、基于卷积神经网络算法，以历史时序特征数据为输入，相应的标签为输出进行训练，从而得到用电异常检测模型。
97.需要说明的是，在本实施例中，在用电异常检测模型中，可以根据时间窗口的时间先后顺序对历史时序特征数据进行排序，而历史时序特征数据是由若干个窗口曲线依次构成，如历史时序特征数据可以表示为s0＝l1,l2,
…
,ln，其中，n为窗口总个数，其中，历史时序特征数据可以以l1为起点进行排序至ln，而由于历史时序特征数据与实时用电时序数据的时序对应同步，也即在向用电异常检测模型输入实时用电时序数据时，其实时用电时序数据的时序起点与历史时序特征数据的时序起点对应，如时序起点都为凌晨1:00，同时，时序终点均为凌晨12:59，从而可以使得历史时序特征数据与实时用电时序数据的时序对应同步，具有数据可比性，减少检测误差。
98.s700、当输出检测结果为异常标签，则关闭楼宇用户端的用电调节权限，并执行预设的安全调度策略，从而调节目标楼宇的供电端的输出功率；
99.当输出检测结果为正常标签，则保持楼宇用户端的用电调节权限开启，从而使得楼宇用户端自行调节供电端的输出功率。
100.可以理解的是，楼宇用户端是具有用电调节权限的，而当检测出现异常时，则需要关闭楼宇用户端的用电调节权限，从而执行预设的安全调度策略，其中，安全调度策略可以由电网运维中心进行制定下发，从而调节目标楼宇的供电端的输出功率，以使得楼宇用能恢复正常水平。
101.而当检测结果为正常标签，则保持楼宇用户端的用电调节权限开启，从而保证用户可以根据用电舒适度进行调节。
102.以上为本发明提高的一种商业楼宇用能检测方法的实施例的详细描述，以下为本发明提高的一种商业楼宇用能检测系统的实施例的详细描述。
103.为了方便理解，请参阅图2，本发明提供的一种商业楼宇用能检测系统，包括：
104.实时获取模块100，用于获取目标楼宇的实时用电时序数据；
105.第一数据重构模块200，用于对实时用电时序数据进行重构，得到实时用电时序曲线；
106.实时窗口分割模块300，用于根据预设的时间窗口将实时用电时序曲线连续分割为若干个实时窗口曲线；
107.第一特征提取模块400，用于基于若干个实时窗口曲线提取实时时序特征数据，实时时序特征数据包括实时用电峰值及其对应的实时窗口时间、实时用电谷值及其对应的实时窗口时间；
108.异常检测模块500，用于将实时时序特征数据输入至预先训练好的用电异常检测
模型中，从而输出检测结果；预先训练好的用电异常检测模型为基于卷积神经网络算法，以历史时序特征数据为输入，以相应的标签为输出进行训练得到的，历史时序特征数据包括安全数据和非安全数据，标签包括分别与安全数据和非安全数据对应的正常标签和异常标签，历史时序特征数据与实时用电时序数据的时序对应同步。
109.进一步地，本系统还包括：
110.滤波模块，用于对实时用电时序数据进行滤波处理。
111.进一步地，本系统还包括：
112.历史数据获取模块，用于获取目标楼宇在预定周期内的历史用电时序数据，对历史用电时序数据进行数据清洗；
113.第二数据重构模块，用于对数据清洗后的历史用电时序数据进行重构，得到历史用电时序曲线；
114.历史窗口分割模块，用于根据预设的时间窗口将历史用电时序曲线连续分割为若干个历史窗口曲线；
115.第二特征提取模块，用于基于若干个窗口曲线提取历史时序特征数据，历史时序特征数据包括历史用电峰值及其对应的历史窗口时间、历史用电谷值及其对应的历史窗口时间；
116.分类模块，用于根据预设的异常用电判断规则对历史时序特征数据进行分类，确定安全数据和非安全数据，并对安全数据和非安全数据分别添加正常标签和异常标签；
117.训练模块，用于基于卷积神经网络算法，以历史时序特征数据为输入，相应的标签为输出进行训练，从而得到用电异常检测模型。
118.进一步地，分类模块具体包括：
119.阈值设定子模块，用于基于专家数据库设定不同时段下的用电峰值阈值和用电谷值阈值；
120.第一分类子模块，用于将相同时段下的用电峰值与用电峰值阈值进行比较，将在用电峰值阈值内的用电峰值分类为安全数据，将不在用电峰值阈值内的用电峰值分类为非安全数据；
121.第二分类子模块，用于将相同时段下的用电谷值与用电谷值阈值进行比较，将在用电谷值阈值内的用电谷值分类为安全数据，将不在用电谷值阈值内的用电谷值分类为非安全数据；
122.标签子模块，用于对安全数据和非安全数据分别添加正常标签和异常标签。
123.进一步地，本系统还包括：
124.执行模块，用于当输出标签结果为异常标签，则关闭楼宇用户端的用电调节权限，并执行预设的安全调度策略，从而调节目标楼宇的供电端的输出功率；
125.还用于当输出标签结构为正常标签，则保持楼宇用户端的用电调节权限开启，从而使得楼宇用户端自行调节供电端的输出功率。
126.需要说明的是，本发明提供的一种商业楼宇用能检测系统的工作过程与上述商业楼宇用能检测方法的流程一致，在此不再赘述。
127.本系统将实时用电时序数据重构为实时用电时序曲线，并将实时用电时序曲线连续分割为若干个实时窗口曲线，并提取实时窗口曲线中的实时时序特征数据，其包含用电
峰值和用电谷值及对应的窗口时间，通过将实时时序特征数据输入至训练好的用电异常检测模型检测是否异常，从而输出检测结果，而用电异常检测模型是以历史时序特征数据为输入，基于卷积神经网络算法进行训练的，同时，历史时序特征数据与实时用电时序数据的时序对应同步，从而可以保证实时数据与历史数据可比性，充分考虑了不同用电时段下的用户侧负荷调度不同的问题，从而降低了检测误差，提高检测精度。
128.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
129.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
130.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
131.以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。