设备能耗的异常检测方法及装置与流程

本发明主要涉及人工智能领域，尤其涉及一种设备能耗的异常检测方法及装置。

背景技术：

1、设备的能耗异常检测是工厂生产维护的重要环节，传统的方式是使用人工特征去检测能耗异常，传统的方式面对大数据时效率太低，一些深度学习算法也被用于进行能耗的异常检测，这些方法基于时序数据和统一的算法来建立神经网络模型，对于不同的应用场景其准确度也不尽如人意。

技术实现思路

1、为了解决上述技术问题，本发明提供一种设备能耗的异常检测方法及装置，以提高异常检测方法的准确性。

2、为实现上述目的，本发明提出了一种用电设备能耗的异常检测方法，所述异常检测方法包括：获取所述用电设备的业务数据，将所述业务数据分类为能耗数据和用电设备状态数据；训练一自编码器，所述自编码器包括自编码器主模块、第一自编码器子模块和第二自编码器子模块，所述第一自编码器子模块由所述能耗数据训练，所述第二自编码器子模块由所述用电设备状态数据训练，所述自编码器主模块根据所述第一自编码器子模块和所述第二自编码器子模块的训练结果确定所述自编码器的最优模型参数；使用训练好的所述自编码器根据实时能耗数据和用电设备状态数据对所述用电设备进行异常检测。为此，将业务数据分类为能耗数据和用电设备状态数据，使用不同的自编码器子模块对即使用不同的自编码器子模块对能耗数据和用电设备状态数据进行分类训练，可以获取用电设备状态数据和能耗数据之间的关联关系，降低用电设备状态数据对能耗数据的影响，从而提高了用电设备能耗异常检测的准确性。

3、可选地，所述自编码器主模块包括主控制器，所述第一自编码器子模块包括第一子控制器，所述第二自编码器子模块包括第二子控制器，训练一自编码器包括：所述第一子控制器和所述第二子控制器保存训练迭代状态和模型参数并将所述训练迭代状态和所述模型参数发送至主控制器，所述主控制器根据所述训练迭代状态和所述模型参数确定所述自编码器的最优模型参数。为此，通过自编码器子模块中的子控制器与自编码器主模块中的主控制器交互，实现了自编码器的最优模型参数的确定。

4、可选地，所述业务数据还被分类为环境数据，训练一自编码器包括：使用所述环境数据训练一第三自编码器子模块，所述自编码器主模块根据所述第一自编码器子模块、所述第二自编码器子模块和所述第三自编码器子模块的训练结果确定所述自编码器的最优模型参数。为此，可以获取环境数据、用电设备状态数据和能耗数据之间的关联关系，降低环境数据、用电设备状态数据对能耗数据的影响，从而进一步提高了用电设备能耗异常检测的准确性。

5、可选地，所述方法还包括：获取所述用电设备的业务数据，将所述业务数据分类为能耗数据和用电设备状态数据之后，对所述能耗数据和用电设备状态数据进行数据清洗。为此，通过对能耗数据和用电设备状态数据进行数据清洗，可以排除明显异常的能耗数据和用电设备状态数据，提高训练数据的质量，进而提高了异常检测的准确性。

6、可选地，所述方法还包括：将异常检测结果发送至用户，根据用户反馈对所述自编码器进行更新。为此，根据用户的反馈对自编码器进行更新，进一步提高了自编码器的准确性，进而提高了异常检测的准确性。

7、本发明还提出了一种设备能耗的异常检测装置，所述异常检测装置包括：获取模块，获取所述用电设备的业务数据，将所述业务数据分类为能耗数据和用电设备状态数据；训练模块，训练一自编码器，所述自编码器包括自编码器主模块、第一自编码器子模块和第二自编码器子模块，所述第一自编码器子模块由所述能耗数据训练，所述第二自编码器子模块由所述用电设备状态数据训练，所述自编码器主模块根据所述第一自编码器子模块和所述第二自编码器子模块的训练结果确定所述自编码器的最优模型参数；异常检测模块，使用训练好的所述自编码器根据实时能耗数据和用电设备状态数据对所述用电设备进行异常检测。

8、可选地，所述自编码器主模块包括主控制器，所述第一自编码器子模块包括第一子控制器，所述第二自编码器子模块包括第二子控制器，所述训练模块训练一自编码器包括：所述第一子控制器和所述第二子控制器保存训练迭代状态和模型参数并将所述训练迭代状态和所述模型参数发送至主控制器，所述主控制器根据所述训练迭代状态和所述模型参数确定所述自编码器的最优模型参数。

9、可选地，所述业务数据还被分类为环境数据，所述训练模块训练一自编码器包括：使用所述环境数据训练一第三自编码器子模块，所述自编码器主模块根据所述第一自编码器子模块、所述第二自编码器子模块和所述第三自编码器子模块的训练结果确定所述自编码器的最优模型参数。

10、可选地，所述装置还包括：获取所述用电设备的业务数据，将所述业务数据分类为能耗数据和用电设备状态数据之后，对所述能耗数据和用电设备状态数据进行数据清洗。

11、可选地，所述装置还包括：将异常检测结果发送至用户，根据用户反馈对所述自编码器进行更新。

12、本发明还提出了一种电子设备，包括处理器、存储器和存储在所述存储器中的指令，其中所述指令被所述处理器执行时实现如上所述的方法。

13、本发明还提出了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令在被运行时执行如上所述的方法。

14、本发明还提出了一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时实施如上所述的方法。

技术特征：

1.一种用电设备能耗的异常检测方法(100)，其特征在于，所述异常检测方法(100)包括：

2.根据权利要求1所述的异常检测方法(100)，其特征在于，所述自编码器主模块包括主控制器，所述第一自编码器子模块包括第一子控制器，所述第二自编码器子模块包括第二子控制器，训练一自编码器包括：所述第一子控制器和所述第二子控制器保存训练迭代状态和模型参数并将所述训练迭代状态和所述模型参数发送至主控制器，所述主控制器根据所述训练迭代状态和所述模型参数确定所述自编码器的最优模型参数。

3.根据权利要求1或2所述的异常检测方法(100)，其特征在于，所述业务数据还被分类为环境数据，训练一自编码器包括：使用所述环境数据训练一第三自编码器子模块，所述自编码器主模块根据所述第一自编码器子模块、所述第二自编码器子模块和所述第三自编码器子模块的训练结果确定所述自编码器的最优模型参数。

4.根据权利要求1所述的异常检测方法(100)，其特征在于，所述方法(100)还包括：获取所述用电设备的业务数据，将所述业务数据分类为能耗数据和用电设备状态数据之后，对所述能耗数据和用电设备状态数据进行数据清洗。

5.根据权利要求1所述的异常检测方法(100)，其特征在于，所述方法(100)还包括：将异常检测结果发送至用户，根据用户反馈对所述自编码器进行更新。

6.一种设备能耗的异常检测装置(300)，其特征在于，所述异常检测装置(300)包括：

7.根据权利要求6所述的异常检测装置(300)，其特征在于，所述自编码器主模块包括主控制器，所述第一自编码器子模块包括第一子控制器，所述第二自编码器子模块包括第二子控制器，所述训练模块(320)训练一自编码器包括：所述第一子控制器和所述第二子控制器保存训练迭代状态和模型参数并将所述训练迭代状态和所述模型参数发送至主控制器，所述主控制器根据所述训练迭代状态和所述模型参数确定所述自编码器的最优模型参数。

8.根据权利要求6或7所述的异常检测装置(300)，其特征在于，所述业务数据还被分类为环境数据，所述训练模块(320)训练一自编码器包括：使用所述环境数据训练一第三自编码器子模块，所述自编码器主模块根据所述第一自编码器子模块、所述第二自编码器子模块和所述第三自编码器子模块的训练结果确定所述自编码器的最优模型参数。

9.根据权利要求6所述的异常检测装置(300)，其特征在于，所述装置(300)还包括：获取所述用电设备的业务数据，将所述业务数据分类为能耗数据和用电设备状态数据之后，对所述能耗数据和用电设备状态数据进行数据清洗。

10.根据权利要求6所述的异常检测装置(300)，其特征在于，所述装置(300)还包括：将异常检测结果发送至用户，根据用户反馈对所述自编码器进行更新。

11.一种电子设备(400)，包括处理器(410)、存储器(420)和存储在所述存储器(420)中的指令，其中所述指令被所述处理器(410)执行时实现如权利要求1-5任一项所述的方法(100)。

12.一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令在被运行时执行根据权利要求1-5中任一项所述的方法(100)。

13.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时实施权利要求1-5中任一项所述的方法(100)。

技术总结本发明提出了一种用电设备能耗的异常检测方法，所述异常检测方法包括：获取所述用电设备的业务数据，将所述业务数据分类为能耗数据和用电设备状态数据；训练一自编码器，所述自编码器包括自编码器主模块、第一自编码器子模块和第二自编码器子模块，所述第一自编码器子模块由所述能耗数据训练，所述第二自编码器子模块由所述用电设备状态数据训练，所述自编码器主模块根据所述第一自编码器子模块和所述第二自编码器子模块的训练结果确定所述自编码器的最优模型参数；使用训练好的所述自编码器根据实时能耗数据和用电设备状态数据对所述用电设备进行异常检测。技术研发人员：何保敬,相里勇,陈亮,龚德芸,尚昱辰,于世强受保护的技术使用者：西门子(中国)有限公司技术研发日：技术公布日：2024/8/1