模型构建方法、能耗异常识别方法、设备及程序产品与流程

本发明涉及能耗识别领域，具体涉及一种模型构建方法、能耗异常识别方法、设备及程序产品。

背景技术：

1、工厂的生产能耗巨大，一旦有异常发生时不仅会造成损失，而且可能引起严重的安全问题，故如何在生产过程中，实时自动分析各设备的能耗，及时发现及定位工厂设备生产能耗异常极其重要。

2、近年来，随着人工智能与机器学习技术的发展与普及，有不少学者与研发人员尝试将基于数据驱动的算法模型，应用于能耗异常识别领域，并获得了一定的成果。这些方法的核心思想，在于通过大量采集正常及异常状态下的能耗数据，通过对比异常与正常状态情况下的能耗情况设定能耗异常阈值，通过计算能耗异常幅度并对比阈值范围确定是否有异常的发生。

3、然而，当前的方法存在如下几个问题：1)对于工厂设备生产能耗异常，通常难以获取足够多的异常样本用以确定异常边界；2)人工测算异常需要大量的人力及时间，从而导致异常识别的滞后，无法及时发现与处置异常；3)只对比分析能耗数据，而不将生产数据及设备运行数据一起纳入考量，导致异常识别精度低。

技术实现思路

1、本公开要解决的技术问题是为了克服现有技术中异常识别精度较低的缺陷，提供一种模型构建方法、能耗异常识别方法、设备及程序产品。

2、本公开是通过下述技术方案来解决上述技术问题：

3、本公开第一方面提供一种模型构建方法，包括：

4、获取工厂生产设备的能耗数据和产量数据，得到测试样本；

5、采用统计学方法标注出所述测试样本中的异常能耗数据，得到训练样本；

6、根据所述训练样本构建训练模型。

7、较佳地，所述获取工厂生产线的能耗数据和产量数据，得到测试样本包括：

8、对于所述能耗数据和所述产量数据的缺失值进行插值填充。

9、较佳地，所述获取工厂生产线的能耗数据和产量数据，得到测试样本包括：

10、获取工厂生产线的能耗数据和产量数据的同时记录采集时间戳；

11、根据所述时间戳对所述测试样本中的数据进行划分，得到若干个时间窗，每个所述时间窗对应一个子测试样本；

12、将每个所述子测试样本进行降维处理，得到测试样本集。

13、较佳地，所述采用统计学方法标注出所述测试样本中的异常能耗数据，得到训练样本包括：

14、根据所述子测试样本中对应的所述能耗数据和所述产量数据计算各所述子测试样本的单位产量能耗数据；

15、根据所述单位产量能耗数据对应的四分位数确定所述异常能耗数据，得到所述训练样本。

16、较佳地，所述根据所述单位产量能耗数据的四分位数确定所述异常能耗数据，得到所述训练样本包括：

17、计算所述四分位数的四分位距；

18、根据第一预设参数和所述四分位距设定异常边界；

19、根据所述异常边界确定所述异常能耗数据，得到初步训练样本。

20、较佳地，所述根据所述异常边界确定所述异常能耗数据，得到所述训练样本还包括：

21、根据实际异常能耗数据与所述初步训练样本对比结果调整所述第一预设参数，得到第二预设参数；

22、根据所述第二预设参数和所述四分位距调整所述异常边界；

23、根据调整后的所述异常边界确定所述异常能耗数据，得到修正样本；

24、根据所述修正样本与所述实际异常能耗数据生成新的训练样本集。

25、较佳地，所述根据所述训练样本构建训练模型包括：

26、根据所述训练样本集的特征列数确定与所述特征列数对应的输入层神经元节点数；

27、确定所述训练模型中的隐藏层个数为预设个数，其中，所述隐藏层的神经元个数与所述隐藏层的编号对应。

28、较佳地，所述根据所述训练样本构建训练模型还包括：

29、以所述异常能耗数据为样本标签，随机抽取所述训练样本集中百分之八十的样本直接训练模型；

30、将所收训练样本集中剩余的百分之二十的样本作为验证集；

31、迭代训练模型，直至验证集精度不再提升，得到所述模型。

32、本公开第二方面提供一种能耗异常识别方法，包括：

33、获取工厂生产设备的能耗数据和产量数据；

34、根据如上所述的模型构建方法构建的模型对所述能耗数据和所述产量数据进行异常识别；

35、根据所述模型得到能耗异常识别结果。

36、本公开第三方面提供一种电子设备，包括存储器、处理器及存储在存储器上并用于在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的能耗异常识别方法。

37、本公开第四方面提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上所述的能耗异常识别方法。

38、在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本公开各较佳实例。

39、本公开的积极进步效果在于：通过统计学方法自动标注异常能耗数据，并结合实际异常记录进行修正，有效解决了样本稀缺和标签缺失的问题。引入基于设备异常识别的缺失值填充方法，提升了数据模型的精度。构建的机器学习模型能够自动分析实时数据，识别潜在能耗异常，减少了对人工的依赖并提高了响应速度。同时，采用自适应阈值调整，结合环境变化和设备性能度量，确保了在不同操作条件下的高灵敏度和特异性。进一步地，通过多源数据融合分析，引入运营效率、设备健康状态、环境条件等数据，提高了识别潜在能源异常的能力。最后，设计了反馈机制，支持自我迭代学习，使得随着时间的推移，系统预测的准确性和可靠性将不断提高，更好地适应新的能源使用模式和操作行为。

技术特征：

1.一种模型构建方法，其特征在于，包括：

2.如权利要求1所述的模型构建方法，其特征在于，所述获取工厂生产线的能耗数据和产量数据，得到测试样本包括：

3.如权利要求1所述的模型构建方法，其特征在于，所述获取工厂生产线的能耗数据和产量数据，得到测试样本包括：

4.如权利要求3所述的模型构建方法，其特征在于，所述采用统计学方法标注出所述测试样本中的异常能耗数据，得到训练样本包括：

5.如权利要求4所述的模型构建方法，其特征在于，所述根据所述单位产量能耗数据的四分位数确定所述异常能耗数据，得到所述训练样本包括：

6.如权利要求5所述的模型构建方法，其特征在于，所述根据所述异常边界确定所述异常能耗数据，得到所述训练样本还包括：

7.如权利要求6所述的模型构建方法，其特征在于，所述根据所述训练样本构建训练模型包括：

8.如权利要求7所述的模型构建方法，其特征在于，所述根据所述训练样本构建训练模型还包括：

9.一种能耗异常识别方法，其特征在于，包括：

10.一种电子设备，包括存储器、处理器及存储在存储器上并用于在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求9中所述的能耗异常识别方法。

11.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求9所述的能耗异常识别方法。

技术总结本公开提供了一种模型构建方法、能耗异常识别方法、设备及程序产品，所述模型构建方法包括：获取工厂生产设备的能耗数据和产量数据，得到测试样本；采用统计学方法标注出所述测试样本中的异常能耗数据，得到训练样本；根据所述训练样本构建训练模型。本发明采用自动化统计学方法标注并修正异常能耗数据，解决了样本不足和标签缺失问题。缺失值填充技术增强了数据模型精度。机器学习模型的引入减少了人工操作，提高了异常检测速度和准确性。自适应阈值和多源数据融合提升了检测灵敏度和特异性。系统的自我迭代学习能力保证了预测的持续优化，适应能源使用模式的变化。技术研发人员：李喆,顾时瑞受保护的技术使用者：上海电气集团股份有限公司技术研发日：技术公布日：2024/9/29