基于群粒子算法的区域能耗异常数据的检测方法及相关设备技术

本发明专利技术涉及基于群粒子算法的区域能耗异常数据的检测方法及相关设备，通过对目标区域的能耗数据进行分类，根据分类情况构建群粒子算法，最终将分类后的能源数据输入到构建群粒子算法中进行迭代计算，当迭代计算终止时，若该数据点的方差与数据点群的标准差之间相差在预设的范围内时，则该数据点为非异常数据点，若该数据点的方差与数据点群的标准差之间相差不在预设的范围内时，则该数据点为异常数据点。本发明专利技术能够提高对目标区域异常数据检测的准确度，以此对目标区域的能耗进行准确的审计。计。计。

【技术实现步骤摘要】
基于群粒子算法的区域能耗异常数据的检测方法及相关设备


[0001]本专利技术属于领域，尤其是基于群粒子算法的区域能耗异常数据的检测方法及相关设备。

技术介绍

[0002]在能源托管的过程中，于目标区域的能耗预估，往往存在很多种类的能耗，传统使用人工方式对所有能耗数据进行排查，找出错误或者不合理的异常数据，十分耗费成本且低效，往往会使得异常数据所反映出的潜在故障无法及时被识别出，导致更大的损失。
[0003]例如，在一个单位区域内，可能存在受天气影响的空调用电能耗，受用户影响的停车场充电桩，电子设备的能耗，大功率电器的能耗等。
[0004]因此对于目标区域的能耗审计和检测往往由于季节的不同，用户数量的变化，大型工业设备的变化，而产生剧烈变化。在能耗审计中，对于异常数据的检测，经常会遗漏或者难以发现异常数据。
[0005]而现有技术中，对异常数据的检测，往往仅根据历史数据做出的大致判断，并由人工进行排查，不仅效率不高，且容易出错。

技术实现思路

[0006]本专利技术的目的在于克服现有技术的不足，提出基于群粒子算法的区域能耗异常数据的检测方法及相关设备，能够提高对目标区域异常数据检测的准确度，以此对目标区域的能耗进行准确的审计。
[0007]本专利技术解决其技术问题是采取以下技术方案实现的：
[0008]基于群粒子算法的区域能耗异常数据的检测方法及相关设备，包括以下步骤：
[0009]步骤1、对目标区域的能耗数据进行分类；
[0010]步骤2、构建群粒子算法；
[0011]步骤3、将步骤1中分类后的能源数据输入到构建群粒子算法中，并对异常数据进行检测。
[0012]而且，所述步骤1的具体实现方法为：将采集的能耗数据按照不同子区域，或者不同种类进行划分，并将同一时刻或者时段的数据作为一组，划分出的不同子区域或种类的能耗数据作为该组能耗数据的不同维度。
[0013]而且，所述步骤2中群粒子算法的具体构建方法为：将分类后每组能耗数据作为一个数据点，将所有数据点的标准差作为测量依据，将每个数据点各自的方差作为该粒子的离散程度：
[0014][0015][0016]其中，n为分类后的数据点个数，i为第i个数据点，C1为该数据点的个体学习因子，
C2为该数据点的群体学习因子，w为速度的惯性权重，v
di
为第d次迭代时，第i个数据点的速度，x
di
为第d次迭代时，第i个数据点的位置，pbest
id
为到第d次迭代为止，第i个数据点的个体最优解，gbest
id
为到第d次迭代为止，数据点的全局最优解。
[0017]而且，所述步骤3的具体实现方法为：将步骤1中分类后的能源数据输入到步骤2中构建群粒子算法中进行迭代计算，迭代计算终止时，若该数据点的方差与数据点群的标准差之间相差在预设的范围内时，则该数据点为非异常数据点，若该数据点的方差与数据点群的标准差之间相差不在预设的范围内时，则该数据点为异常数据点。
[0018]一种基于群粒子算法的区域能耗异常数据的检测方法的检测装置，其特征在于：包括数据分类模块、模型构建模块和异常数据检测模块，其中数据分类模块、模型构建模块和异常数据检测模块；
[0019]其中，所述数据分类模块，被配置为，对目标区域的能耗数据进行分类；
[0020]所述模型构建模块，被配置为，用于构建构建群粒子算法，并将数据分类模块分类后的输入构建的群粒子算法中；
[0021]异常数据检测模块，被配置为，根据数据分类模块分类后的输入构建的群粒子算法中计算得到异常数据。
[0022]一种电子设备，执行基于群粒子算法的区域能耗异常数据的检测方法。
[0023]一种存储介质，存储基于群粒子算法的区域能耗异常数据的检测方法。
[0024]本专利技术的优点和积极效果是：
[0025]本专利技术通过对目标区域的能耗数据进行分类，根据分类情况构建群粒子算法，最终将分类后的能源数据输入到构建群粒子算法中进行迭代计算，当迭代计算终止时，若该数据点的方差与数据点群的标准差之间相差在预设的范围内时，则该数据点为非异常数据点，若该数据点的方差与数据点群的标准差之间相差不在预设的范围内时，则该数据点为异常数据点。本专利技术能够提高对目标区域异常数据检测的准确度，以此对目标区域的能耗进行准确的审计。
附图说明
[0026]图1为本专利技术的流程图；
[0027]图2为本专利技术的系统结构框图。
具体实施方式
[0028]以下结合附图对本专利技术做进一步详述。
[0029]基于群粒子算法的区域能耗异常数据的检测方法及相关设备，如图1所示，包括以下步骤：
[0030]步骤1、对目标区域的能耗数据进行分类。
[0031]步骤1的具体实现方法为：将采集的能耗数据按照不同子区域，或者不同种类进行划分，并将同一时刻或者时段的数据作为一组，划分出的不同子区域或种类的能耗数据作为该组能耗数据的不同维度。
[0032]步骤2、构建群粒子算法。
[0033]将分类后每组能耗数据作为一个数据点，将所有数据点的标准差作为测量依据，
将每个数据点各自的方差作为该粒子的离散程度：
[0034][0035][0036]其中，n为分类后的数据点个数，i为第i个数据点，C1为该数据点的个体学习因子，C2为该数据点的群体学习因子，w为速度的惯性权重，v
di
为第d次迭代时，第i个数据点的速度，x
di
为第d次迭代时，第i个数据点的位置，pbest
id
为到第d次迭代为止，第i个数据点的个体最优解，gbest
id
为到第d次迭代为止，数据点的全局最优解。
[0037]步骤3、将步骤1中分类后的能源数据输入到构建群粒子算法中，并对异常数据进行检测。
[0038]将步骤1中分类后的能源数据输入到步骤2中构建群粒子算法中进行迭代计算，迭代计算终止时，若该数据点的方差与数据点群的标准差之间相差在预设的范围内时，则该数据点为非异常数据点，若该数据点的方差与数据点群的标准差之间相差不在预设的范围内时，则该数据点为异常数据点。
[0039]一种基于群粒子算法的区域能耗异常数据的检测方法的检测装置，如图2所示，包括数据分类模块、模型构建模块和异常数据检测模块，其中数据分类模块、模型构建模块和异常数据检测模块；
[0040]其中，所述数据分类模块，被配置为，对目标区域的能耗数据进行分类；
[0041]所述模型构建模块，被配置为，用于构建构建群粒子算法，并将数据分类模块分类后的输入构建的群粒子算法中；
[0042]异常数据检测模块，被配置为，根据数据分类模块分类后的输入构建的群粒子算法中计算得到异常数据。
[0043]一种电子设备，执行基于群粒子算法的区域能耗异常数据的检测方法。
[0044]一种存储介本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于群粒子算法的区域能耗异常数据的检测方法，其特征在于：包括以下步骤：步骤1、对目标区域的能耗数据进行分类；步骤2、构建群粒子算法；步骤3、将步骤1中分类后的能源数据输入到构建群粒子算法中，并对异常数据进行检测。2.根据权利要求1所述的基于群粒子算法的区域能耗异常数据的检测方法，其特征在于：所述步骤1的具体实现方法为：将采集的能耗数据按照不同子区域，或者不同种类进行划分，并将同一时刻或者时段的数据作为一组，划分出的不同子区域或种类的能耗数据作为该组能耗数据的不同维度。3.根据权利要求1所述的基于群粒子算法的区域能耗异常数据的检测方法，其特征在于：所述步骤2中群粒子算法的具体构建方法为：将分类后每组能耗数据作为一个数据点，将所有数据点的标准差作为测量依据，将每个数据点各自的方差作为该粒子的离散程度：将所有数据点的标准差作为测量依据，将每个数据点各自的方差作为该粒子的离散程度：其中，n为分类后的数据点个数，i为第i个数据点，C1为该数据点的个体学习因子，C2为该数据点的群体学习因子，w为速度的惯性权重，v
di
为第d次迭代时，第i个数据点的速度，x
di
为第d次迭代时，第i个数据点的位置，pbest
id
为到第d次迭代为止，第...

【专利技术属性】
技术研发人员：王寅龙，袁新润，韩慎朝，曹晓男，卢德志，李晓波，于波，孙学文，李红明，
申请(专利权)人：国网天津市电力公司国家电网有限公司，
类型：发明
国别省市：