一种基于数据挖掘的智能路灯能耗分析系统的制作方法

本发明涉及数据挖掘、智能路灯以及能耗分析领域，尤其是指一种基于数据挖掘的智能路灯能耗分析(Smart Light Energy consumption Analysis，SLEA)系统。

背景技术：

近年来，我国加快了城市化的步伐，城市的发展促进了路灯种类的增多和使用范围的扩大，目前主要有街道、公路、隧道、地铁、景观、公园等路灯照明。路灯照明离不开路灯监控系统的控制和管理，随着“智慧城市”和“智慧路灯”的不断推广和建设，路灯监控系统越来越智能化、自动化、信息化、网络化，系统的功能也越来越完善。路灯每年都消耗大量的电能以及其它资源，建立和完善智能路灯监控系统的能耗分析平台和实现路灯节能成为路灯建设和智慧路灯发展必须解决的一个课题。

目前智能路灯监控系统更加注重于实现路灯智能化的控制和管理，集成更多的功能，如将灯杆作为充电桩、环境监测等的载体，以及通过照明策略实现路灯节能，如按需照明灯。路灯节能的方法主要有：1)选择低能耗光源；2)降低线路损耗；3)使用新能源路灯；4)按需照明；5)能耗分析。能耗分析是智能路灯监控系统的一个重要组成部分，不仅可以实时监控路灯的能耗，而且也可以根据分析结果提供路灯节能支持。通过分析路灯能耗数据，能够及时发现路灯异常，如耗电异常、路灯设备损坏，避免了电能的浪费，为路灯设备的及时维护和维修提供保障。因此，改进和完善智能路灯监控系统的能耗分析平台十分必要。

技术实现要素：

本发明的目的在于克服现有技术的缺点与不足，提出了一种可用性和可靠性较强的基于数据挖掘的智能路灯能耗分析(Smart Light Energy consumption Analysis，SLEA)系统，该系统将数据挖掘技术应用于路灯能耗数据的监测和管理，通过挖掘路灯能耗数据的规律发现能耗数据的异常、预估路灯的能耗值等，从而有效监测和管理路灯能耗，实现路灯节能。

为实现上述目的，本发明所提供的技术方案为：一种基于数据挖掘的智能路灯能耗分析系统，包括：

数据表，包括原始能耗数据表和修正的能耗数据表，这两个表分别用于存储路灯的原始能耗数据以及经过处理后的能耗数据；

能耗监测模型，用于实时监测路灯能耗数据，以图表形式显示监测结果，对异常能耗数据进行提示和报警，并且为了以后的能耗监测和能耗预测的准确性，对异常能耗数据进行修正；

能耗预测模型，用于预测路灯未来一段时间内的能耗值，以图表形式显示预测结果，并且能够将预测结果导出为CSV文件；

历史数据查询模型，用于查询路灯历史能耗数据，以图表形式显示查询结果，能够选择是否将原始能耗数据与修正的能耗数据进行对比，从而对异常能耗有一个更加清晰的认识，并且能够将处查询结果导出为CSV文件；

能耗数据处理模型，用于导入和处理路灯历史能耗数据，以图表形式显示处理结果，对历史数据中的异常数据进行修正，并将导入的数据和修正的数据存储到数据库中；

用户界面，采用单窗口多视图的结构和左右窗格的形式，同时使用图表形式显示能耗分析的结果。

所述的原始能耗数据表是用于保存采集到的原始能耗数据，是没有经过任何修正或修改的数据，包括能耗记录标号、终端号、终端名称、能耗采集时间、能耗值、数据库更新时间这些字段，其中：

能耗记录标号：表示第几条能耗记录；

终端号：智能路灯监控系统为方便路灯终端的管理，为其设置的一个编号；

终端名称：与终端号相对应，为终端的名称；

能耗采集时间：表示采集路灯能耗数据的时间；

能耗值：表示采集到的路灯的能耗值，即路灯的用电量；

数据库更新时间：表示该记录存储到数据表中的时间；

所述的修正的能耗数据表是用于保存经过修正之后的能耗数据，对原始能耗数据中的缺失数据进行填补以及异常数据进行纠正，包括能耗记录标号、终端号、终端名称、能耗采集时间、能耗值、修正的能耗值、能耗是否被修正、能耗是否异常、能耗是否缺失、数据库更新时间这些字段，其中：

能耗记录标号、终端号、终端名称、能耗采集时间、能耗值：对于同一条能耗记录，修正的能耗数据表的这些字段的值与原始能耗数据表相同；

修正的能耗值：如果能耗正常，则修正的能耗值与原始能耗值相同，如果能耗缺失或异常，则修正的能耗值为经过修正之后的值；

能耗是否被修正：如果能耗被修正，则该值为1，也就表示该能耗是缺失的或异常的，否则，该值为0，也就表示该能耗是正常的；

能耗是否异常：如果能耗异常，则该值为1，否则，该值为0；

能耗是否缺失：如果能耗缺失，则该值为1，否则，该值为0；

数据库更新时间：表示该记录存储到数据表中的时间，该时间总会比原始能耗数据表的数据库更新时间晚，因为能耗数据总是先存储到原始能耗数据表，然后经过模型的分析和处理之后再存储到修正的能耗数据表。

所述的能耗监测模型是基于局部离群点因子算法和回归树，实现对异常能耗数据的检测和修正，具体步骤如下：

1)接收到最新的路灯能耗值，触发能耗监测事件；

2)创建能耗监测线程；

3)将接收到的能耗数据存储到原始能耗数据表中；

4)调用能耗监测模型对路灯能耗值进行分析，识别其所属类别，该类别分有正常、缺失、异常，并当其为缺失或异常数据时进行修正，其实现方式如下：

4.1)采集最新能耗数据；

4.2)从修正的能耗数据表中读取最近一段时间内的能耗数据；

4.3)判断能耗数据是否缺失，即判断采集的能耗值是否为0，若为0则表明能耗缺失，跳到步骤4.5)，否则，继续；

4.4)使用局部离群点因子算法计算采集到的能耗数据的lof值，判断lof值是否大于阈值，若小于则表明能耗正常，结束，否则表明能耗异常，继续；

4.5)使用回归树算法建立回归树，并使用建立的回归树修正能耗值；

5)将能耗监测结果存储到修正的能耗数据表中；

6)在能耗监测界面的柱状图和表格中显示能耗监测结果；

7)销毁能耗监测线程。

所述的能耗预测模型是基于径向基函数神经网络，实现对能耗数据的预测，其具体步骤如下：

1)用户设置预测时间段，触发能耗预测事件；

2)创建能耗预测线程；

3)调用能耗预测模型，训练径向基函数神经网络，获得待预测时间段的路灯的能耗值，其实现方式如下：

3.1)设置预测时间段或预测天数；

3.2)从修正的能耗数据表中读取最近一段时间内的能耗数据；

3.3)使用梯度下降法训练径向基函数神经网络；

3.4)使用训练得到的神经网络预测路灯能耗值；

4)在能耗预测界面的柱状图和表格中显示能耗预测结果；

5)销毁能耗预测线程；

6)用户根据需求决定是否导出能耗预测结果，如果需要导出，则将能耗预测结果导出为CSV文件。

在所述历史数据查询模型当中，用户通过设置查询时间段，查询该时间段内的历史能耗数据，查询结果就会显示在柱状图和表格中，其具体步骤如下：

1)用户设置查询时间段以及选择是否对比，触发数据查询事件；

2)创建数据查询线程；

3)根据用户设置的条件查询修正的能耗数据表；

4)在数据查询界面的柱状图和表格中显示数据查询结果；

5)销毁数据查询线程；

6)用户根据需求决定是否导出数据查询结果，如果需要导出，则将数据查询结果导出为CSV文件。

所述的能耗数据处理模型是基于局部离群点因子算法和回归树，实现对历史数据的导入和处理，其具体步骤如下：

1)用户选择历史能耗数据源，触发能耗数据处理事件；

2)创建能耗数据处理线程；

3)将用户选择的历史能耗数据存储到原始能耗数据表中；

4)调用能耗数据处理模型修正问题能耗数据，实现方式如下：

4.1)从CSV文件或数据库中导入历史能耗数据；

4.2)检测能耗数据中的缺失值，若无缺失值则跳转到步骤4.4)，否则，继续；

4.3)使用导入的能耗数据建立回归树，并使用建立的回归树填补缺失值；

4.4)使用局部离群点因子算法计算所有能耗数据的lof值，判断每个能耗数据的lof值是否大于阈值，若不存在lof值大于阈值，则结束，若存在lof值大于阈值，则表明该数据异常，继续；

4.5)使用经过填补后的能耗数据重新建立回归树，并使用建立的回归树纠正异常值；

5)将能耗数据处理结果存储到修正的能耗数据表中；

6)在能耗数据处理界面的柱状图和表格中显示能耗数据处理结果；

7)销毁能耗数据处理线程。

所述用户界面的主界面是采用单窗口多视图的结构和左右窗格的形式，其中左侧窗格显示功能列表，右侧窗格显示每个功能的相应内容；主界面的功能列表包括：能耗监测、能耗预测、历史数据、数据处理、帮助文档这五大功能，具体如下：

能耗监测：能耗监测结果显示在柱状图和表格中，当发现能耗出现异常时，在柱状图和表格中会通过改变显示的颜色来标识；

能耗预测：用户能够通过设置截止日期或者天数来确定预测的时间段，预测结果显示在柱状图和表格中；

历史数据：用户能够通过时间段从数据库中读取这一段时间的能耗数据，查询结果显示在柱状图和表格中，当能耗数据为缺失数据或异常数据时，通过改变显示的颜色来标记；

数据处理：用户通过选择历史数据源处理相应的历史能耗数据，处理结果显示在柱状图和表格中，当处理的历史能耗数据中有缺失数据或异常数据时，通过改变显示的颜色来标记；

帮助文档：用于对上述四个功能通过文字叙述的方式详细地介绍操作方式和显示说明。

本发明相对于现有技术具有如下的优点及效果：

1、本发明是对智能路灯监控系统的补充和完善，使智能路灯监控系统的功能更加齐全，实现对路灯能耗的智能分析和管理。

2、本发明能够分类识别和修正能耗数据中的问题数据，避免了问题数据对能耗监测和能耗预测的干扰和误导，提高了能耗分析的可靠性和准确性。

3、本发明能够及时发现路灯设备存在的问题和故障，使得路灯设备的维护和维修更加及时，保障了人们的安全出行。

4、本发明能够及时发现路灯设备的异常耗电，避免电能的浪费，实现节约电能，对节能减排和环境保护有着重大意义。

5、本发明的能耗分析结果可以为城市电力升级改造提供参照和依据，有助于推动“智慧电力”的建立，实现“智慧城市”的统筹协调发展。

6、本发明用户界面精简美观、操作简单、可用性和可靠性强，能够帮助路灯监控部门实时监测路灯的能耗，有助于“智慧路灯”的发展和建设。

附图说明

图1a是原始能耗数据表的设计图。

图1b是修正的能耗数据表的设计图。

图2是能耗监测模型的能耗监测功能流程图。

图3是能耗预测模型的能耗预测功能流程图。

图4是历史数据查询模型的历史数据查询功能流程图。

图5是能耗数据处理模型的数据处理功能流程图。

图6是能耗监测模型的实现方式流程图。

图7是能耗预测模型的实现方式流程图。

图8是径向基函数神经网络模型的设计图。

图9是能耗数据处理模型的实现方式流程图。

图10是能耗监测功能的界面示意图。

图11是能耗预测功能的界面示意图。

图12是历史数据功能的界面示意图。

图13是数据处理功能的界面示意图。

图14是帮助文档功能的界面示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

本实施例所述的基于数据挖掘的智能路灯能耗分析(Smart Light Energy consumption Analysis，SLEA)系统，使用数据挖掘技术分析路灯能耗数据，实现路灯能耗实时监测、异常能耗报警、路灯能耗预测、路灯能耗数据处理、路灯能耗查询和导出等。具体实现内容如下：

一、根据路灯能耗数据的特点、能耗分析结果以及功能需求，设计了用于存储能耗数据的原始能耗数据表和修正的能耗数据表。

二、根据能耗分析功能的需要，实现了能耗监测、能耗预测、历史数据、数据处理、帮助文档五个功能。其中，针对能耗监测、能耗预测和数据处理，分别设计了能耗监测(Energy consumption Monitoring，EM)模型、能耗预测(Energy consumption Forecasting，EF)模型、能耗数据处理(Energy consumption Data Processing，EDP)模型。

三、设计和实现了上述五个功能的用户界面，采用单窗口多视图的结构和左右窗格的形式，使用图表等形式显示能耗分析的结果。

参见图1a和1b所示，本实施例所述的数据表设计，其包括两个数据表：

1)原始能耗数据表：保存采集到的原始能耗数据，是没有经过任何修正或修改的数据。主要包括能耗记录标号、终端号、终端名称、能耗采集时间、能耗值、数据库更新时间等字段。

1.1)能耗记录标号：表示第几条能耗记录。如，存储到数据表中的第一条记录，其标号为1；第二条记录，其标号为2；……

1.2)终端号：智能路灯监控系统为方便路灯终端的管理，为其设置的一个编号。

1.3)终端名称：与终端号相对应，为终端的名称。

1.4)能耗采集时间：表示采集路灯能耗数据的时间。

1.5)能耗值：表示采集到的路灯的能耗值，即路灯的用电量。

1.6)数据库更新时间：表示该记录存储到数据表中的时间。

2)修正的能耗数据表：保存经过修正之后的能耗数据，对原始能耗数据中的缺失数据进行了填补以及异常数据进行了纠正。主要包括能耗记录标号、终端号、终端名称、能耗采集时间、能耗值、修正的能耗值、能耗是否被修正、能耗是否异常、能耗是否缺失、数据库更新时间等字段。

2.1)能耗记录标号、终端号、终端名称、能耗采集时间、能耗值：对于同一条能耗记录，修正的能耗数据表的这些字段的值与原始能耗数据表相同。

2.2)修正的能耗值：如果能耗正常，则修正的能耗值与原始能耗值相同；如果能耗缺失或异常，则修正的能耗值为经过算法模型修正之后的值。

2.3)能耗是否被修正：如果能耗被修正，则该值为1，也就表示该能耗是缺失的或异常的；否则，该值为0，也就表示该能耗是正常的。

2.4)能耗是否异常：如果能耗异常，则该值为1；否则，该值为0。

2.5)能耗是否缺失：如果能耗缺失，则该值为1；否则，该值为0。

2.6)数据库更新时间：表示该记录存储到数据表中的时间。该时间总会比原始能耗数据表的数据库更新时间晚一点，因为能耗数据总是先存储到原始能耗数据表，然后经过模型的分析和处理之后再存储到修正的能耗数据表。

参见图2所示，本实施例所述的能耗监测(Energy consumption Monitoring，EM)模型是基于局部离群点因子算法和回归树，实现对异常能耗数据的检测和修正，其具体步骤如下：

1)接收到最新的路灯能耗值(NewE)，触发能耗监测事件。

2)创建能耗监测线程。

3)将接收到的能耗数据存储到原始能耗数据表中。

4)调用EM模型对NewE进行分析，识别其所属类别(正常、缺失、异常)，并当其为缺失或异常数据时进行修正，参见图6所示，其实现方式如下：

4.1)采集最新能耗数据。

4.2)从修正的能耗数据表中读取最近一段时间内的能耗数据。

4.3)判断能耗数据是否缺失，即判断采集的能耗值是否为0。若为0则表明能耗缺失，跳到步骤4.5)；否则，继续。

4.4)使用局部离群点因子算法计算采集到的能耗数据的lof值，判断lof值是否大于阈值。若小于则表明能耗正常，结束；否则表明能耗异常，继续。

其中，lof值的计算公式如下：

式中，k为一个数值，kNeighbor(A)表示A的k-邻域，B为A的k-邻域中的样本点。在所有样本点中，样本点A的k-邻域是指与样本点A最近的k个样本，即与A的距离排名前k小的那k个样本点。

式中，reachDensity(A)表示A的可达密度，即样本点A与它的k-邻域中所有样本点的可达距离的平均值的倒数：

式中：

reachDistance(A,B)表示样本点A与它的k-邻域中的样本B的可达距离，即样本点A与样本点B的距离和样本点B的k-距离中的最大值：

reachDistance(A,B)＝max{kDistance(B),d(A,B)}，式中：

kDistance(B)表示样本点A的k-距离，即与样本点A第k近的样本点与A的距离，也就是所有样本点与A的距离排名第k位的那个距离。

4.5)使用回归树算法建立回归树，并使用建立的回归树修正能耗值。

其中，采用平方总误差(SSE)作为CART构建回归树的最优划分标准。

5)将能耗监测结果存储到修正的能耗数据表中。

6)在能耗监测界面的柱状图和表格中显示能耗监测结果。

7)销毁能耗监测线程。

参见图3所示，本实施例所述的能耗预测(Energy consumption Forecasting，EF)模型是基于径向基函数神经网络，实现对能耗数据的预测，其具体步骤如下：

1)用户设置预测时间段，触发能耗预测事件。

2)创建能耗预测线程。

3)调用EF模型，训练径向基函数神经网络，获得待预测时间段的路灯的能耗值，参见图7所示，其实现方式如下：

3.1)设置预测时间段或预测天数。

3.2)从修正的能耗数据表中读取最近一段时间内的能耗数据。

3.3)使用梯度下降法训练径向基函数神经网络。

其中，径向基函数神经网络采用高斯函数作为径向基函数：

该径向基函数神经网络模型如图8所示，图中，Layer L1为输入层，Layer L2为隐含层，Layer L3为输出层。输入向量为x，输入层与输出层的连接权重为ω_i，所以隐含层L2第i个节点的输出为：

输出层L3的输出为：

3.4)使用训练得到的神经网络预测路灯能耗值。

4)在能耗预测界面的柱状图和表格中显示能耗预测结果。

5)销毁能耗预测线程。

6)用户根据需求决定是否导出能耗预测结果。如果需要导出，则将能耗预测结果导出为CSV文件。

参见图4所示，本实施例所述的历史数据查询模型，在该模型当中，用户通过设置查询时间段，查询该时间段内的历史能耗数据，查询结果就会显示在柱状图和表格中，其具体步骤如下：

1)用户设置查询时间段以及选择是否对比，触发数据查询事件。

2)创建数据查询线程。

3)根据用户设置的条件查询修正的能耗数据表。

4)在数据查询界面的柱状图和表格中显示数据查询结果。

5)销毁数据查询线程。

6)用户根据需求决定是否导出数据查询结果。如果需要导出，则将数据查询结果导出为CSV文件。

参见图5所示，本实施例所述的能耗数据处理(Energy consumption Data Processing，EDP)模型是基于局部离群点因子算法和回归树，实现对历史数据的导入和处理，其具体步骤如下：

1)用户选择历史能耗数据源，触发能耗数据处理事件。

2)创建能耗数据处理线程。

3)将用户选择的历史能耗数据存储到原始能耗数据表中。

4)调用EDP模型修正问题能耗数据，参见图9所示，实现方式如下：

4.1)从CSV文件或数据库中导入历史能耗数据。

4.2)检测能耗数据中的缺失值。若无缺失值则跳转到步骤4.4)；否则，继续。

4.3)使用导入的能耗数据建立回归树，并使用建立的回归树填补缺失值。

4.4)使用局部离群点因子算法计算所有能耗数据的lof值，判断每个能耗数据的lof值是否大于阈值。若不存在lof值大于阈值，则结束；若存在lof值大于阈值，则表明该数据异常，继续。

4.5)使用经过填补后的能耗数据重新建立回归树，并使用建立的回归树纠正异常值。

5)将能耗数据处理结果存储到修正的能耗数据表中。

6)在能耗数据处理界面的柱状图和表格中显示能耗数据处理结果。

7)销毁能耗数据处理线程。

参见图10-14所示，本实施例所述的智能路灯能耗分析(Smart Light Energy consumption Analysis，SLEA)系统的用户界面的主界面是采用单窗口多视图的结构和左右窗格的形式，其中左侧窗格显示功能列表，右侧窗格显示每个功能的相应内容，在左侧窗格中，当某一个功能被选中时，显示该功能的文字的颜色变为黑色，否则为白色；主界面的功能列表包括：能耗监测、能耗预测、历史数据、数据处理、帮助文档这五大功能，具体如下：

①能耗监测

当采集到路灯能耗数据时就会触发能耗监测功能，能耗监测界面显示能耗监测的结果。能耗监测界面显示的内容主要有：当前选择的终端、当前最新能耗数据的日期以及能耗值、柱状图显示最近一段时间内的能耗数据、表格显示最近一段时间内的能耗数据。能耗监测界面上的刷新按钮用于手动刷新显示当前终端的最新能耗监测结果。

当发现能耗出现异常时，在柱状图和表格中会通过改变显示的底纹或灰度来标识。例如，能耗正常时柱状图的柱子无底纹，能耗缺失时柱状图的柱子是竖线底纹且在柱子顶部标注“能耗缺失”，能耗异常时柱状图的柱子是斜线底纹且在柱子顶部标注“能耗异常”。如图10所示是能耗监测功能的界面示意图。

②能耗预测

用户可以通过设置截止日期或者天数来确定预测的时间段。能耗预测界面显示的内容主要有：当前选择的终端、确定预测时段的方式、预测的天数和预测的时间段、柱状图显示预测的结果、表格显示预测的结果。能耗预测界面上的预测按钮用于在设置预测时间段后开始预测操作，重置按钮用于恢复预测方式的默认设置，数据导出按钮用于导出预测的路灯能耗数据。如图11所示是能耗预测功能的界面示意图。

③历史数据

用户可以通过时间段从数据库中读取这一段时间的能耗数据。历史数据界面显示的内容主要有：当前选择的终端、能耗数据的开始时间和截止时间、是否与修正的能耗数据作对比、柱状图显示查询的结果、表格显示查询的结果。历史数据界面上的查询按钮用于在设置查询时间段后开始查询操作，数据导出按钮用于导出这一时间段内的路灯历史能耗数据。

当能耗数据为缺失数据或异常数据时，类似于能耗监测功能进行标注。如图12所示是历史数据功能的界面示意图。

④数据处理

用户通过选择历史数据源处理相应的历史能耗数据。数据处理界面显示的内容主要有：当前选择的终端、能耗数据的来源、数据处理的数目、柱状图显示处理得到的能耗数据、表格显示处理得到的能耗数据。数据处理界面上的数据处理按钮用于在选择数据来源后开始数据处理操作。

当处理的历史能耗数据中有缺失数据或异常数据时，类似于能耗监测功能进行标注。如图13所示是数据处理功能的界面示意图。

⑤帮助文档

对上述4个功能(能耗监测、能耗预测、历史数据、数据处理)通过文字叙述的方式介绍详细地介绍其操作方式和显示说明等。帮助文档界面显示的内容主要有：能耗监测帮助内容、能耗预测帮助内容、历史数据帮助内容、数据处理帮助内容。如图14所示是帮助文档功能的界面示意图。

综上所述，本发明改进和完善了路灯能耗分析平台，将数据挖掘技术应用于路灯能耗分析上，实现了路灯能耗的实时监测、路灯能耗预测、路灯能耗数据处理、路灯能耗数据的查询和导出等，有效监测和管理路灯的能耗，对“智慧路灯”的发展具有推动作用，值得推广。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。