一种基于电力大数据的用电监测系统及方法与流程

1.本技术涉及用电监测技术领域，尤其涉及一种基于电力大数据的用电监测系统及方法。


背景技术：

2.用电信息作为企业是否开工生产的一项重要标志性因素，在企业的违规生产治理中起了举足轻重的作用。近年来，违法违规生产、明停暗开、昼停夜开等违法违规生产行为，成为引发生产安全事故的重要因素。现有的，监管生产安全事故的方法主要为相关工作人员通过巡视来发现违法违规的情况。
3.但是，上述方法需要耗费大量的人力物力、以及由于是人为预防，存在一定的失误性。为了预防相关生产安全事故发生，亟需一种基于电力大数据的用电监测系统及方法，通过分析企业用电量的异常，探索运用电力大数据、云计算、人工智能算法等技术，开展企业用电规律分析，构建监测告警模型，研发上线“电力助力应急管理”监测分析系统，及时发现关停企业违规生产、违规建设、超能力生产等违法行为，充分发挥电力大数据在关停企业违规生产分析研判中的支撑作用，提高企业安全生产的能力，推动安全治理能力现代化发展。


技术实现要素：

4.针对现有技术的上述不足，本发明提供一种基于电力大数据的用电监测系统及方法，以解决上述技术问题。
5.第一方面，本技术实施例提供了一种基于电力大数据的用电监测系统，系统包括：获取模块，用于获取预设监测企业上传的原始数据集；其中，所述原始数据集包含企业基本数据和电力数据；清洗模块，用于去除原始数据集中不符合预设规范数据的值，以获得第一数据集；通过确定所述第一数据集中各数据的合理范围，去除第一数据集中超出合理范围的异常值；进而获得第二数据集；聚类模块，用于对第二数据集中的电力数据进行聚类处理，以聚类出预设监测企业对应的用电状态；以根据所述用电状态以及电力数据，确定预设监测企业对应的状态阈值；其中，状态阈值包括停产阈值、正常生产阈值和超限生产阈值；训练模块，用于根据状态阈值计算的违规信息以及实际采集的违规信息，确定第二数据集对应的标记违规信息；以将第二数据集以及标记违规信息作为训练数据，训练双向长短期记忆神经网络模型；以通过训练好的双向长短期记忆神经网络模型对预设监测企业上传的电力数据进行违规信息告警。
6.进一步地，所述清洗模块包括箱线单元；所述箱线单元，用于通过预设箱线公式：lowerlimit＝max{q
1-1.5iqr,mininum}；
7.upperlimit＝min{q3 1.5iqr,maxinum}，计算合理范围；其中，将任意组数据从小到大排序并分成4等份，q1表示处在三个等分点的第一个等份点的数；q3表示处在三个等分点的第三个等份点的数；iqr表示q3-q1的值；minimum表示任意组数据中最小的数，maximum表示任意组数据中最大的数；确定从lowerlimit到upperlimit之间的范围为合理范围，进
而去除第一数据集中超出合理范围的异常值。
8.进一步地，所述聚类模块包括状态阈值单元；所述状态阈值单元，用于确定预设监测企业对应的第二数据集的具体数量；当所述具体数据小于预设数量阈值时，通过预设计算数据中心及类间距的聚类算法，确定所述预设监测企业对应的状态阈值；当所述具体数据等于或大于预设数量阈值时，通过预设计算边界点聚类算法，确定第二数据集中电力数据对应的边界点为所述预设监测企业对应的状态阈值。
9.第二方面，本技术实施例提供了一种基于电力大数据的用电监测方法，所述方法包括：获取预设监测企业上传的原始数据集；其中，所述原始数据集包含企业基本数据和电力数据；去除原始数据集中不符合预设规范数据的值，以获得第一数据集；确定所述第一数据集中各数据的合理范围，去除第一数据集中超出合理范围的异常值；进而获得第二数据集；对第二数据集中的电力数据进行聚类处理，以聚类出预设监测企业对应的用电状态；以根据所述用电状态以及电力数据，确定预设监测企业对应的状态阈值；其中，状态阈值包括停产阈值、正常生产阈值和超限生产阈值；根据状态阈值计算的违规信息以及实际采集的违规信息，确定第二数据集对应的标记违规信息；以将第二数据集以及标记违规信息作为训练数据，训练双向长短期记忆神经网络模型；以通过训练好的双向长短期记忆神经网络模型对预设监测企业上传的电力数据进行违规信息告警。
10.进一步地，确定所述第一数据集中各数据的合理范围，去除第一数据集中超出合理范围的异常值，具体包括：通过预设箱线公式：
11.lowerlimit＝max{q
1-1.5iqr,mininum}；upperlimit＝min{q3 1.5iqr,maxinum}，计算合理范围；其中，将任意组数据从小到大排序并分成4等份，q1表示处在三个等分点的第一个等份点的数；q3表示处在三个等分点的第三个等份点的数；iqr表示q3-q1的值；minimum表示任意组数据中最小的数，maximum表示任意组数据中最大的数；确定从lowerlimit到upperlimit之间的范围为合理范围，进而去除第一数据集中超出合理范围的异常值。
12.进一步地，对第二数据集中的电力数据进行聚类处理，以聚类出预设监测企业对应的用电状态，具体包括：通过k-means算法随机选择若干第二数据集中的电力数据为样本数据，确定每个样本数据初始地代表了一个用电状态的平均值或中心μj，并将距离样本数据最近的用电状态标记为隶属用电状态；即：其中，x表示样本数据，i表示样本数据的数量；c表示用电状态，j表示用电状态中心或者平均值的个数；
13.进而确定各个第二数据集中的电力数据对应的用电状态。
14.进一步地，根据所述用电状态以及电力数据，确定预设监测企业对应的状态阈值，具体包括：确定预设监测企业对应的第二数据集中电力数据的具体数量；当所述具体数据小于预设数量阈值时，通过预设计算数据中心及类间距的聚类算法，确定所述预设监测企业对应的状态阈值；当所述具体数据等于或大于预设数量阈值时，通过预设计算边界点聚类算法，确定第二数据集中电力数据对应的边界点为所述预设监测企业对应的状态阈值。
15.进一步地，所述企业基本数据至少包括企业状态数据、企业位置数据及企业法人数据；所述电力数据至少包括企业电力客户档案数据、日电量数据、电流数据、功率数据、负
荷数据、业扩报装数据及减容数据。
16.本领域技术人员能够理解的是，本发明至少具有如下有益效果：通过获取模块，实现了预设监测企业(重点监管企业)的原始数据集的获取，进而通过重点监管企业用电情况的实时采集监测，提升了利用电力大数据强化安全生产监管的工作效能。通过清洗模块，实现了无效数据以及异常数据的清洗。通过聚类模块，实现了获取预设监测企业对应的用电状态；进而实现了确定预设监测企业对应的状态阈值。通过训练模块，完成了对双向长短期记忆神经网络模型的训练，获得了能够进行违规信息告警的双向长短期记忆神经网络模型。通过不断获取实际采集的违规信息，使双向长短期记忆神经网络模型能够获得拟合变化中的企业违规生产规律，进而达到“一企一模型”的技术效果。
附图说明
17.下面参照附图来描述本公开的部分实施例，附图中：
18.图1是本技术实施例提供的一种基于电力大数据的用电监测系统内部结构示意图。
19.图2是本技术实施例提供的一种基于电力大数据的用电监测方法流程图。
具体实施方式
20.本领域技术人员应当理解的是，下文所描述的实施例仅仅是本公开的优选实施例，并不表示本公开仅能通过该优选实施例实现，该优选实施例仅仅是用于解释本公开的技术原理，并非用于限制本公开的保护范围。基于本公开提供的优选实施例，本领域普通技术人员在没有付出创造性劳动的情况下所获得的其它所有实施例，仍应落入到本公开的保护范围之内。
21.还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
22.下面通过附图对本技术实施例提出的技术方案进行详细的说明。
23.图1为本技术实施例提供的一种基于电力大数据的用电监测系统。如图1所示，本技术实施例提供的用电监测系统，主要包括：获取模块110、清洗模块120、聚类模块130以及训练模块140。
24.其中，获取模块110为任意可行的能够进行数据获取的设备或装置等，主要用于获取预设监测企业上传的原始数据集。
25.需要说明的是，原始数据集包含企业基本数据和电力数据；作为示例地，企业基本数据至少包括企业状态数据、企业位置数据及企业法人数据；电力数据至少包括企业电力客户档案数据、日电量数据、电流数据、功率数据、负荷数据、业扩报装数据及减容数据。预设监测企业为重点监管企业，重点监管企业对应的具体企业可由本领域技术人员根据实际情况制定。
26.其中，清洗模块120为任意可行的能够进行数据清洗的设备或装置等，主要用于去
除原始数据集中不符合预设规范数据的值，以获得第一数据集；确定第一数据集中各数据的合理范围，去除第一数据集中超出合理范围的异常值；进而获得第二数据集。作为示例地，预设规范数据可以为非0值、非负值以及非无穷大值。
27.作为示例地，清洗模块120包括箱线单元121。箱线单元121，用于通过预设箱线公式：lowerlimit＝max{q
1-1.5iqr,mininum}；
28.upperlimit＝min{q3 1.5iqr,maxinum}，计算合理范围；其中，将任意组数据从小到大排序并分成4等份，q1表示处在三个等分点的第一个等份点的数；q3表示处在三个等分点的第三个等份点的数；iqr表示q3-q1的值；minimum表示任意组数据中最小的数，maximum表示任意组数据中最大的数；确定从lowerlimit到upperlimit之间的范围为合理范围，进而去除第一数据集中超出合理范围的异常值。
29.其中，聚类模块130为任意可行的能够进行数据距离的设备或装置等，主要用于对第二数据集中的电力数据进行聚类处理，以聚类出预设监测企业对应的用电状态；以根据用电状态以及电力数据，确定预设监测企业对应的状态阈值；其中，状态阈值包括停产阈值、正常生产阈值和超限生产阈值。作为示例地，用电状态包含停产企业明停暗开、停产企业昼停暗开、停产生产线明停暗开、企业停产复工、企业自动(长期)停产、企业紧急生产停产、私自增加生产线/增加用电负荷(装置)、动火作业以及动火作业等。
30.作为示例地，聚类模块130包括状态阈值单元131；状态阈值单元131，用于确定预设监测企业对应的第二数据集的具体数量；当具体数据小于预设数量阈值时，通过预设计算数据中心及类间距的聚类算法，确定预设监测企业对应的状态阈值；需要说明的是，由于部分新开户企业电力数据的量较少(具体数据小于预设数量)，在数据不充分的情况下，为提高阈值结果的可信度，保证模型的泛化能力，取消了将不同用电状态的边界点作为阈值的方式，改为分别计算类中心以及类间距，通过不同用电状态的类间关系结合预设现场核查经验值，导入任意神经学习网络，获得电力数据与确定输出阈值的规则逻辑。需要说明的是，预设现场核查经验值可由本领域技术人员经过多次实验获得。根据该神经学习网络以及规则逻辑，获得停产阈值、正常生产阈值和超限生产阈值。当具体数据等于或大于预设数量阈值时，通过预设计算边界点聚类算法，确定第二数据集中电力数据对应的边界点为预设监测企业对应的状态阈值。
31.需要说明的是，预设计算数据中心及类间距的聚类算法以及预设计算边界点聚类算法计算阈值的过程可通过现有技术实现，本发明对此不作过多限定。
32.其中，训练模块140为任意可行的能够进行模型训练的设备或装置等，主要用于根据状态阈值以及实际采集的违规信息，标记第二数据集对应的违规信息；以将标记好违规信息的第二数据集作为训练数据，训练双向长短期记忆神经网络模型；以通过训练好的双向长短期记忆神经网络模型对预设监测企业上传的电力数据进行违规信息告警。作为示例地，违规信息包括违规和未违规；其中，企业满足下列任意一项，该企业对应的违规信息为违规：停产企业日用电量明显高于日常生活用电量、停产企业夜间电量明显高于白天用电量、用电量突升，未超过正常峰值用电量，保持较高负荷、停产企业日用电量连续多日高于日常生活用电量、正常开工企业日电量连续多日低于日常生产用电量、危化品企业日用电量较前一天出息大幅度下降、企业日用电量明显高于日常生产用电量、支线路电流呈现类似锯齿状波动，且电流增幅符合企业电焊功率、消防专用支线路电流瞬时拉升，保持较高负
荷等。较高负荷可由本领域技术人员根据实际情况而定。
33.需要说明的是，在进行违规信息告警(异常告警)后，本实施例还可以将该异常告警进行告警推送、现场核查、视频核查、执法核查反馈、消警销号、规则优化。进而实现闭环的管理流程，以确保用电企业实时监测功能的实现。
34.除此之外，本技术实施例还提供了一种基于电力大数据的用电监测方法，其执行主体是服务器，如图2所示，本技术实施例提供的用电监测方法，主要包括以下步骤：
35.步骤210、获取预设监测企业上传的原始数据集。
36.需要说明的是，原始数据集包含企业基本数据和电力数据；作为示例地，企业基本数据至少包括企业状态数据、企业位置数据及企业法人数据；电力数据至少包括企业电力客户档案数据、日电量数据、电流数据、功率数据、负荷数据、业扩报装数据及减容数据。预设监测企业为重点监管企业，重点监管企业对应的具体企业可由本领域技术人员根据实际情况制定。
37.步骤220、去除原始数据集中不符合预设规范数据的值，以获得第一数据集；确定第一数据集中各数据的合理范围，去除第一数据集中超出合理范围的异常值；进而获得第二数据集。
38.需要说明的是，箱线法则可以为任意可行的能够计算数据集合理范围的算法、公式或规则等。
39.其中，确定第一数据集中各数据的合理范围，去除第一数据集中超出合理范围的异常值，可以具体为：
40.通过预设箱线公式：lowerlimit＝max{q
1-1.5iqr,mininum}；
41.upperlimit＝min{q3 1.5iqr,maxinum}，计算合理范围；其中，将任意组数据从小到大排序并分成4等份，q1表示处在三个等分点的第一个等份点的数；q3表示处在三个等分点的第三个等份点的数；iqr表示q3-q1的值；minimum表示任意组数据中最小的数，maximum表示任意组数据中最大的数；确定从lowerlimit到upperlimit之间的范围为合理范围，进而去除第一数据集中超出合理范围的异常值
42.步骤230、对第二数据集中的电力数据进行聚类处理，以聚类出预设监测企业对应的用电状态；以根据用电状态以及电力数据，确定预设监测企业对应的状态阈值。
43.需要说明的是，状态阈值包括停产阈值、正常生产阈值和超限生产阈值。
44.其中，对第二数据集中的电力数据进行聚类处理，以聚类出预设监测企业对应的用电状态，可以具体为：
45.通过k-means算法随机选择若干第二数据集中的电力数据为样本数据，确定每个样本数据初始地代表了一个用电状态的平均值或中心μj，并将距离样本数据最近的用电状态标记为隶属用电状态；即：态标记为隶属用电状态；即：其中，x表示样本数据，i表示样本数据的数量；c表示用电状态，j表示用电状态中心或者平均值的个数；进而确定各个第二数据集中的电力数据对应的用电状态。
46.作为示例地，(1)随机取若干个电力数据(如，用电量数据)作为样本数据，每个样本数据初始的表示了一个簇(用电状态)的中心或者平均值；(2)根据每一家电力数据距簇中心最近的距离进行标记；(3)将每个簇中心更新为隶属于该簇的所有类别的样本的均值；
重复迭代(1)、(2)、(3)步，直到迭代上限函数收敛。
47.另外，根据用电状态以及电力数据，确定预设监测企业对应的状态阈值，可以具体为：
48.确定预设监测企业对应的第二数据集中电力数据的具体数量；需要说明的是，由于部分新开户企业电力数据的量较少(具体数据小于预设数量)，在数据不充分的情况下，为提高阈值结果的可信度，保证模型的泛化能力，取消了将不同用电状态的边界点作为阈值的方式，改为分别计算类中心以及类间距，通过不同用电状态的类间关系结合预设现场核查经验值，导入任意神经学习网络，获得电力数据与确定输出阈值的规则逻辑。根据该神经学习网络以及规则逻辑，获得停产阈值、正常生产阈值和超限生产阈值。当具体数据小于预设数量阈值时，通过预设计算数据中心及类间距的聚类算法，确定预设监测企业对应的状态阈值；当具体数据等于或大于预设数量阈值时，通过预设计算边界点聚类算法，确定第二数据集中电力数据对应的边界点为预设监测企业对应的状态阈值。
49.需要说明的是，预设计算数据中心及类间距的聚类算法以及预设计算边界点聚类算法计算阈值的具体过程可通过现有技术实现，本发明对此不作过多限定。
50.步骤240、根据状态阈值计算的违规信息以及实际采集的违规信息，确定第二数据集对应的标记违规信息；以将第二数据集以及标记违规信息作为训练数据，训练双向长短期记忆神经网络模型；以通过训练好的双向长短期记忆神经网络模型对预设监测企业上传的电力数据进行违规信息告警。
51.需要说明的是，违规信息包含违规和未违规；其中，根据状态阈值计算的违规信息主要为，第二数据集中的电力数据是否超过阈值，当超过阈值时，该第二数据集为违规信息。
52.需要说明的是，导入输入数据训练双向长短期记忆神经网络模型的方法可以现有方法实现，本技术对此不作限定。
53.在进行违规信息告警(异常告警)后，本实施例还可以将该异常告警进行告警推送、现场核查、视频核查、执法核查反馈、消警销号、规则优化。进而实现闭环的管理流程，以确保用电企业实时监测功能的实现。
54.至此，已经结合前文的多个实施例描述了本公开的技术方案，但是，本领域技术人员容易理解的是，本公开的保护范围并不仅限于这些具体实施例。在不偏离本公开技术原理的前提下，本领域技术人员可以对上述各个实施例中的技术方案进行拆分和组合，也可以对相关技术特征作出等同的更改或替换，凡在本公开的技术构思和/或技术原理之内所做的任何更改、等同替换、改进等都将落入本公开的保护范围之内。