一种用能数据异常判断方法及装置与流程

本发明涉及一种用能数据异常判断方法及装置，属于综合能源服务技术领域。

背景技术：

综合能源服务是一种新型的为满足终端客户多元化能源生产与消费的能源服务方式。区域综合能源管控系统能够统一管理区域内部的配电网络，燃气供应网络，热力管网，供水网络等能源设备资产，管控区域可以是大型工业园区，大型开发区或新型城镇，可能包括一个大型工矿企业、若干个商业楼宇和多个居民小区。区域能源服务公司收集用户的用电、用水、用气、用冷、用热等能耗数据，提供实时及历史数据分析、对比功能，对用户的用能能效进行评估及指标分析，通过能效诊断发现用户能源消耗过程和结构中存在的问题，提出诊断建议，以优化用能策略，提高用户现有供能设备的效率，实现节能增效、高效用能。

电水气冷热等能源的采集数据具有分散多元、时空特性复杂等特征，现有技术常常采用各种复杂的数学模型进行大数据分析，计算复杂，耗费较多的时间。并且，用能信息采集系统日常任务上报和智能仪表主动上报的数据，其标准和单位存在较大差异，也给用能诊断和用能浪费判断带来了一定的困难。

技术实现要素：

本发明的目的是提供一种用能数据异常判断方法及装置，用于解决现有技术中用能数据异常判断方法复杂的问题。

为解决上述技术问题，本发明提供了一种用能数据异常判断方法，包括如下步骤：

(1)获取设定历史时间段内的历史用能数据，将历史用能数据进行类型划分，所述类型包括工作日数据和非工作日数据；

(2)确定历史用能数据的权值，历史用能数据的日期越近，权值越大，日期越远，权值越小；

(3)将相同类型的历史用能数据进行加权求和，得到与类型对应的数据标杆值；

(4)确定待处理数据的类型，将与待处理数据类型对应的数据标杆值和待处理数据进行比较：若与待处理数据类型对应的数据标杆值和待处理数据之间的差异大于设定值，则确定用能异常突变。

为解决上述技术问题，本发明还提供了一种用能数据异常判断装置，包括存储器和处理器，所述处理器用于执行存储在存储器中的指令以实现如下方法：

(1)获取设定历史时间段内的历史用能数据，将历史用能数据进行类型划分，所述类型包括工作日数据和非工作日数据；

(2)确定历史用能数据的权值，历史用能数据的日期越近，权值越大，日期越远，权值越小；

(3)将相同类型的历史用能数据进行加权求和，得到与类型对应的数据标杆值；

(4)确定待处理数据的类型，将与待处理数据类型对应的数据标杆值和待处理数据进行比较：若与待处理数据类型对应的数据标杆值和待处理数据之间的差异大于设定值，则确定用能异常突变。

本发明的有益效果是：通过对历史用能数据进行类型划分，并计算与类型对应的数据标杆值，在进行用能异常突变判断时，将该待处理数据和与待处理数据类型对应的数据标杆值进行比较，以判断出该待处理数据是否异常突变，判断过程简单可靠，从而为进一步分析出用能异常原因提供了数据支持。

作为方法和装置的进一步改进，为了得到可靠的历史用能数据，步骤(1)中，将历史用能数据进行类型划分之前，先将历史用能数据进行降噪处理，步骤如下：

计算所有历史用能数据的平均值和均方差；

判断某一历史用能数据是否满足噪声判别公式，若满足，则删除该历史用能数据，噪声判别公式为：

其中，xi为某一历史用能数据，为所有历史用能数据的平均值，σ为所有历史用能数据的均方差，ε为第一设定阈值，取值范围为1～1.5。

作为方法和装置的进一步改进，为了实现待处理数据的可靠分类，步骤(4)中确定待处理数据的类型时，计算每种类型历史用能数据的簇中心，计算待处理数据与每个簇中心的距离，找到两个距离中的距离较小值，将待处理数据归类为距离较小值对应的类型。

作为方法和装置的进一步改进，为了提高待处理数据判别结果的可靠性，步骤(4)中，与待处理数据类型对应的数据标杆值和待处理数据之间的差异为：待处理数据与标杆值之差与待处理数据的比值。

附图说明

图1是本发明用能数据异常判断方法的数据处理流程图；

图2是本发明用能异常突变判别数据流图；

图3是本发明用能浪费判别数据流图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例对本发明进行进一步详细说明。

用能数据异常判断方法实施例：

本实施例提供了一种用能数据异常判断方法，其步骤流程图如图1所示，包括以下步骤：

(1)获取设定历史时间段内的历史用能数据，将历史用能数据进行类型划分，类型包括工作日数据和非工作日数据。

区域综合能源管控系统的前置服务器定时召唤电力、燃气、热力、供水等各种智能仪表的用能数据，或者是各种智能仪表主动上送各种用户用能数据信息至该前置服务器。这些用能数据包含每天96点负荷数据，即每15分钟一个点，这些负荷数据主要包括电力类的电能量、电压、电流、有功功率、无功功率等；燃气类的温度、压力、瞬时标况流量、累计标况流量等；冷热类的温度、压力、累计流量、瞬时流量等；供水类的累计流量、瞬时流量、压力等数据。前置服务器将这些用能数据转化为标准数据格式，存储到分布式历史数据库(简称历史数据库)中。

其中，历史时间段可以根据需要进行设置，在本实施例中，将历史时间段设置为最近30天。大数据查询分析系统从分布式历史数据库获取历史用能数据，在获取历史用能数据后，初始化历史用能量列表，更新最近的30天历史用能量数据，按相对日期排序处理。由于历史数据分析需要考虑噪音数据对结果的影响，需要事先去除部分噪音，去噪过程如下：

1.1)计算所有历史用能数据的平均值，计算公式如下：

其中，为所有历史用能数据的平均值，n为所有历史用能数据的总数目，xi为第i个历史用能数据。

1.2)计算所有历史用能数据的方差，计算公式如下：

其中，σ为历史用能量簇密度，即所有历史用能数据的均方差。

1.3)进行噪音判定，若满足去噪判定公式，则删除该噪声历史用能数据，去噪判定公式为：

其中，为所有历史用能数据的平均值，xi为第i个历史用能数据，ε为第一设定阈值，取值范围为1～1.5。

对去噪后的历史用能数据进行分类，其中工作日为一簇，非工作日为一簇，并对分类后得到的工作日历史用能数据和非工作日历史用能数据分别进行去噪处理，具体过程如下：

a.计算工作日簇中心点，计算公式为：

其中，为工作日簇中心点，n1为工作日簇的历史用能数据的总数目，x1i为第i个工作日簇的历史用能数据。

b.计算工作日簇密度，计算公式为：

其中，σ1为工作日簇密度，即所有工作日簇的历史用能数据的均方差。

c.计算非工作日簇中心点，计算公式为：

其中，为非工作日簇中心点，n2为非工作日簇的历史用能数据的总数目，x2j为第j个非工作日簇的历史用能数据。

d.计算非工作日簇密度，计算公式为：

其中，σ2为非工作日簇密度，即所有非工作日簇的历史用能数据的均方差。

e.根据计算获得的工作日簇密度和非工作日簇密度，分别对工作日历史用能数据和非工作日历史用能数据进行降噪处理，对应的去噪判定公式为：

其中，ε′为第二设定阈值，取值范围为1～1.2。

需要说明的是，上述步骤仅仅是给出了一个具体的实施例，对分类前所有历史用能数据以及分类后的各类历史用能数据进行去噪，作为其他的实施方式，对于含噪声较小的历史用能数据，也可以不对分类前所有历史用能数据以及分类后的各类历史用能数据进行去噪，或者是选择对分类前所有历史用能数据以及分类后的各类历史用能数据进行去噪。

(2)确定历史用能数据的权值，历史用能数据的日期越近，权值越大，日期越远，权值越小。

按相对日期进行加权处理，归一化处理加权公式为：

其中，k为日期序列，sum为日期序列和，ρk为历史用能数据的权值。

(3)将相同类型的历史用能数据进行加权求和，得到与类型对应的数据标杆值。

分别对工作日历史用能数据和非工作日历史用能数据进行加权计算，得到对应的当前预测标杆值也就是数据标杆值。其中，工作日历史用能数据和非工作日历史用能数据的数据标杆值计算过程一样，计算公式为：

其中，estd为所属分类的数据标杆值，n3为所属分类的历史用能数据的总数目，xk为第k个所属分类的历史用能数据，ρk为所属分类的历史用能数据的权值。

(4)确定待处理数据的类型，将与待处理数据类型对应的数据标杆值和待处理数据进行比较：若与待处理数据类型对应的数据标杆值和待处理数据之间的差异大于设定值，则确定用能异常突变。

区域综合能源管控系统的前置服务器定时召唤电力、燃气、热力、供水等各种智能仪表的用能数据，或者是各种智能仪表主动上送各种用户用能数据信息至该前置服务器，前置服务器将其转化为标准数据格式，存储到分布式实时数据库(简称实时数据库)中。

区域综合能源管控系统调用分布式实时数据库中的用能信息，得到待处理数据，也就是当日用能量。为了确定待处理数据的类型，计算每种类型历史用能数据的簇中心，计算待处理数据与每个簇中心的距离，将待处理数据归类为距离最短的簇中心对应的类型。也就是，对当日用能量与工作日簇中心点和非工作日簇中心点分别进行距离比较，若当日用能量与工作日簇中心点之间的距离短，则将该当日用能量归类为工作日数据；否则，归类为非工作日数据，从而确定待处理数据的类型，以实现能源的实时监控以及用能异常分析。

另外，作为其他的实施方式，也可以采用现有技术中存在的其他方法来确定当日用能量的归类。例如，可以在当日用能量采样数据中增加时间标签，若采样时间为周一至周五，则将该当日用能量归类为工作日数据，否则将该当日用能量归类为非工作日数据。

在进行用能异常突变判别时，与待处理数据类型对应的数据标杆值和待处理数据之间的差异是指：待处理数据与标杆值之差与待处理数据的比值，设置值是指用能突变阈值，此时用能异常突变判别公式如下：

|etoday-estd|/estd*100％＞ε1

其中，etoday为当日用能量，estd为所属分类的数据标杆值，ε1为用能突变阈值(相对值)。

作为其他的实施方式，在进行用能异常突变判别时，与待处理数据类型对应的数据标杆值和待处理数据之间的差异也可以是指：待处理数据的值与数据标杆值的差值，此时对应设置设置值的大小。

需要说明的是，针对不同类型的目标用户，设置不同的判断标准，即设置不同的用能突变阈值。例如，办公楼宇的用能量特征为：工作日用能量>非工作日用能量；大型商场的用能特征为：非工作日用能量>工作日用能量。

通过上述步骤(1)～(4)，可以实现对用能异常突变的判断，找到用能异常突变数据，在该用能异常突变判断过程中，对应的数据流图如图2所示。将异常突变数据记录到历史数据库，用于系统展示和进一步的大数据挖掘分析，从而找到用能异常的原因。

另外，为了实现对用能浪费的判断，自定义设置用能浪费区间时段，在本实施例中，系统默认的用能浪费区间时段包括：午间(12:00:00-14:00:00)，夜间(18:00:00-8:00:00)，非工作日(周六+周日+法定节假日)。将实时获取的待处理数据(当日用能浪费区间实际用量累加和)与浪费阈值进行比较，判断待处理数据是否满足用能浪费判别，具体用能浪费判别的公式如下：

esum1＞ε2

其中，esum1为当日用能浪费区间实际用量累加和，ε2为浪费阈值。

由于一般电表、水表、气表等上传的用能量数据都是当前的表底数，需要结合历史数据库中的数据才能计算出某一时间段的用能量，即当前表底数减去历史某时刻表底数为这段时间内的用能量，所以需要加载历史数据库中的数据，进而得到当日用能浪费区间实际用能量。

通过上述的用能浪费判断过程，可以查找用户在午间、夜间、休息日等时段的用能浪费现象，帮助用户找到能源浪费点，在实现用能浪费判别的过程中，对应的数据流图如图3所示。

另外，在本实施例中，用能异常突变的判断过程以及用能浪费判断过程中的去噪阈值和判据阈值，例如第一设定阈值、第一设定阈值、用能突变阈值和浪费阈值等，均由配置库来实现。

上述的用能数据异常判断方法通过对综合能源水电气热数据进用能异常突变和用能浪费的情况进行判断，其结果可以在综合能源服务系统中直接以曲线图表的形式进行展示，供用户分析查询用能突变原因，为防止能源浪费或者定位窃能行为提供数据支持。

用能数据异常判断装置实施例：

本实施例提供了一种用能数据异常判断装置，包括存储器和处理器，处理器用于执行存储在存储器中的指令，以实现上述的用能数据异常判断方法。对于本领域的技术人员来说，可以根据该用能数据异常判断方法，生成对应的指令，以得到对应的用能数据异常判断装置，此处不再赘述。

最后应当说明的是，以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，尽管参照上述实施例对本申请进行了详细的说明，所属领域的普通技术人员应当理解，本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在本发明的权利要求保护范围之内。