【技术实现步骤摘要】
设备能耗异常识别方法、系统、计算机及可读存储介质
[0001]本专利技术属于异常识别的
，具体地涉及设备能耗异常识别方法、系统、设备及可读存储介质。
技术介绍
[0002]目前，对工厂中的设备，比如储罐、压缩机、塔釜等的监测方法主要是通过人员巡检和视频设备等方式来监测设备的外部变化，通过观察设备外部异常对设备完成监测。随着工厂内部机器、设备的数据的不断接入和积累，上述方法已经不能达到实时监测的要求，存在以下缺点：(1)设备异常反馈不及时，无法实时将设备状态展现给管理人员，设备告警无法及时处理；(2)设备内部情况监测不到位，仅通过监测设备外部情况的变化，容易造成异常发现不及时和疏漏的情况，一旦出现问题有可能已经非常严重，维护成本较高；
[0003]比如5G+智慧工厂平台应用在一些设备的实施过程中，对于设备如储罐、压缩机等设备在运行过程中无法及时判断设备的故障，无法实现对设备的预警，造成因设备长周期的运转造成停机的风险，造成损失，所以为了能够及时、精确地检测出设备运行中产生的各种异常，对能耗数据异常的检测以及分类有...
【技术保护点】
【技术特征摘要】
1.一种设备能耗异常识别方法，其特征在于，所述方法包括：获取用电设备的训练用电时序数据集与实时用电时序数据集，对所述训练用电时序数据集与所述实时用电时序数据集进行特征提取，以得到训练特征与实时特征；对所述训练特征进行打标签以及标定异常类型，以得到所述训练特征的异常原因；将所述训练特征以及所述训练特征的异常原因输入预设分类器模型中训练，以得到最终分类器模型；将所述实时特征输入所述最终分类器模型中，以得到分类结果以及所述实时特征对应的异常原因。2.根据权利要求1所述的设备能耗异常识别方法，其特征在于，所述获取用电设备的训练用电时序数据集与实时用电时序数据集，对所述训练用电时序数据集与所述实时用电时序数据集进行特征提取，以得到训练特征与实时特征的步骤包括：获取用电设备的训练用电时序数据集X＝{x1，x2，
…
，x
n
}与实时用电时序数据集X
′
＝{x1′
，x2′
，
…
，x
n
′
}；分别提取所述训练用电时序数据集与所述实时用电时序数据集的第一用电特征与第二用电特征，所述第一用电特征与所述第二用电特征均包括低能耗时间比、高能耗用时量、DTW距离；基于高斯模型分别提取所述训练用电时序数据集与所述实时用电时序数据集的用电特征的第一数据特征与第二数据特征，所述第一数据特征与所述第二数据特征均包括第一均值参数、第二均值参数、第一方差参数、第二方差参数、第一差值平均量以及第二差量平均值；整合所述第一用电特征与所述第一数据特征，以得到训练特征，整合所述第二用电特征与所述第二数据特征，以得到实时特征。3.根据权利要求2所述的设备能耗异常识别方法，其特征在于，所述基于高斯模型分别提取所述训练用电时序数据集与所述实时用电时序数据集的用电特征的第一数据特征与第二数据特征的步骤包括：对所述训练用电时序数据集X＝{x1，x2，
…
，x
n
}与所述实时用电时序数据集X
′
＝{x1′
，x2′
，
…
，x
n
′
}分别进行一阶差分处理，以分别得到第一差分数据集Y＝{y1，y 2
，
…
，y n
}与第二差分数据集Y
′
＝{y1′
，y2′
，
…
，y
n
′
}；根据所述训练用电时序数据集X＝{x1，x2，
…
，x
n
}与所述第一差分数据集Y＝{y1，y 2
，
…
，y n
}，构建第一高斯模型，以得到第一均值参数u1、u2与第一方差参数σ
21
、σ
22
：：根据所述实时用电时序数据集X
′
＝{x1′
，x2′
，
…
，x
n
′
}与所述第二差分数据集Y
′
＝{y1′
，y2′
，
…
，y
n
′
}，构建第二高斯模型，以得到第二均值参数u
′1、u2′
与第二方差参数σ
21
′
、σ
22
′
：：
获取第一正常时序数据集M＝{m1，m2，
…
，m
n
}与第二正常时序数据集M
′
＝{m1′
，m 2
′
，
…
，m n
′
}，根据所述第一正常时序数据集M＝{m1，m 2
，
…
，m n
}与所述第二正常时序数据集M
′
...
【专利技术属性】
技术研发人员：张青，张俊，尹康，钟文明，冷梦琦，刘立昆，段紫媛，
申请(专利权)人：江西电信信息产业有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。