基于深度学习实现EMS能量管理的方法及系统

技术领域

本发明涉及资源管理技术领域，尤其涉及一种基于深度学习实现EMS能量管理的方法及系统。

背景技术

EMS是能量管理系统的简称，能量管理系统是一种集软硬件于一体的智能化系统，用于监控、控制和优化能源系统中的能量流动和能源消耗，它基于数据采集、分析和决策支持技术，能够实时监测能源设备的运行状态、能源消耗情况以及环境条件，从而实现对能源的高效管理和优化。

现有EMS能量管理方法主要步骤为：通过传感器和仪表设备实时监测储能设施中能源的产生、储存和消耗情况，对采集到的数据进行处理和分析，以了解能源的性能表现，通过根据性能表现制定能源的管理方案，但是该方法只是单一的考虑能源的性能情况，没有结合相关设备的设备情况，和设备对能源的使用情况，从而导致EMS能量管理的效率降低，因此需要一种能够提高EMS能量管理效率的方法。

发明内容

本发明提供一种基于深度学习实现EMS能量管理的方法及系统，其主要目的在于提高EMS能量的管理效率。

为实现上述目的，本发明提供的一种基于深度学习实现EMS能量管理的方法，包括：

获取待管理的能源设备，采集所述能源设备的设备数据和能源数据，对所述能源数据进行聚合处理，得到聚合能源数据，根据所述聚合能源数据，确定所述能源设备对应的能源消耗值；

将所述聚合设备数据作为输入数据输入到预先训练好的深度学习模型中，利用所述深度学习模型中的深度卷积网络对所述聚合能源数据进行特征提取，得到能源数据特征，根据所述能源数据特征，利用所述深度学习模型中的异常分析网络分析出所述能源设备中的异常能源，并确定所述异常能源对应的异常因素；

根据所述设备数据、所述能源消耗值及所述异常能源，计算所述能源设备对应的设备能耗率，根据所述设备能耗率和所述聚合能源数据，利用所述深度学习模型中的目标函数确定所述能源设备的最优分配比；

根据所述异常因素和所述最优分配比，制定所述能源设备的能量优化管理方案，并根据所述能量优化管理方案执行所述能量设备的能量管理，得到管理结果。

可选地，所述对所述能源数据进行聚合处理，得到聚合能源数据，包括：

对所述能源数据进行数据清洗处理，得到清洗能源数据；

计算所述清洗能源数据中每个数据之间的距离，得到数据距离；

根据所述数据距离，对所述清洗能源数据进行离散数据剔除处理，得到目标能源数据；

提取所述目标能源数据中每个数据对应的数据标识，计算所述数据标识之间的标识关联度；

根据所述标识关联度，对所述目标能源数据进行数据聚合处理，得到聚合能源数据。

可选地，所述根据所述聚合能源数据，确定所述能源设备对应的能源消耗值，包括：

通过下述公式确定所述能源设备对应的能源消耗值：

其中，P表示能源设备对应的能源消耗值，t表示能源设备对应的工作周期，

可选地，所述利用所述深度学习模型中的深度卷积网络对所述聚合能源数据进行特征提取，得到能源数据特征，包括：

利用所述深度卷积网络中的输入层对所述聚合能源数据进行标准化处理，得到标准能源数据；

利用所述深度卷积网络中的卷积层对所述标准能源数据进行特征提取，得到初始数据特征；

利用所述深度卷积网络中的池化层对所述初始数据特征进行降维处理，得到降维数据特征；

利用所述深度卷积网络中的隐藏层计算所述降维数据特征对应的特征权重；

根据所述特征权重，利用所述深度卷积网络中的激活函数计算所述降维数据特征对应的特征状态值；

根据所述特征状态值，利用所述深度卷积网络中的输出层从所述降维数据特征中输入所述聚合能源数据对应的特征，得到能源数据特征。

可选地，所述根据所述特征权重，利用所述深度卷积网络中的激活函数计算所述降维数据特征对应的特征状态值，包括：

所述激活函数的具体计算公式如下：

其中，G表示降维数据特征对应的特征状态值，σ表示激活函数，a表示降维数据特征的特征序列号，μ表示降维数据特征的特征数量，E

可选地，所述根据所述能源数据特征，利用所述深度学习模型中的异常分析网络分析出所述能源设备中的异常能源，包括：

利用所述异常分析网络中的矩阵函数构建所述能源数据特征对应的特征矩阵，并计算所述特征矩阵对应的矩阵指标值；

利用所述异常分析网络中的置信函数计算所述能源数据特征之间的特征置信系数；

结合所述特征置信系数和所述矩阵指标值，利用所述异常分析网络中的输出函数从所述能源数据特征输出异常数据特征；

根据所述异常数据特征，确定所述能源设备中的异常能源。

可选地，所述利用所述异常分析网络中的置信函数计算所述能源数据特征之间的特征置信系数，包括：

所述置信函数的具体计算公式如下：

其中，H表示能源数据特征之间的特征置信系数，b和b+1分别表示能源数据特征的特征序列号，

可选地，所述根据所述设备数据、所述能源消耗值及所述异常能源，计算所述能源设备对应的设备能耗率，包括：

根据所述异常能源，分别对所述设备数据和所述能源消耗值进行异常剔除处理，得到目标设备数据和目标消耗值；

从所述目标设备数据中提取出所述能源设备对应的设备参数，根据所述设备参数，确定所述能源设备中每个附属设备对应的设备功率；

根据所述设备功率和所述目标消耗值，绘制所述目标附属设备每个设备的设备能耗趋势图；

计算所述设备能耗趋势图对应的趋势斜率，对所述趋势斜率进行加权求和，得到所述能源设备对应的设备趋势斜率；

根据所述设备趋势斜率，确定所述能源设备对应的设备能耗率。

可选地，所述根据所述设备能耗率和所述聚合能源数据，利用所述深度学习模型中的目标函数确定所述能源设备的最优分配比，包括：

所述目标函数的具体计算公式如下：

其中，N表示能源设备的最优分配比，δ

一种基于深度学习实现EMS能量管理的系统，其特征在于，所述系统包括：

消耗值计算模块，用于获取待管理的能源设备，采集所述能源设备的设备数据和能源数据，对所述能源数据进行聚合处理，得到聚合能源数据，根据所述聚合能源数据，确定所述能源设备对应的能源消耗值；

异常分析模块，用于将所述聚合设备数据作为输入数据输入到预先训练好的深度学习模型中，利用所述深度学习模型中的深度卷积网络对所述聚合能源数据进行特征提取，得到能源数据特征，根据所述能源数据特征，利用所述深度学习模型中的异常分析网络分析出所述能源设备中的异常能源，并确定所述异常能源对应的异常因素；

分配比计算模块，用于根据所述设备数据、所述能源消耗值及所述异常能源，计算所述能源设备对应的设备能耗率，根据所述设备能耗率和所述聚合能源数据，利用所述深度学习模型中的目标函数确定所述能源设备的最优分配比；

能量管理模块，用于根据所述异常因素和所述最优分配比，制定所述能源设备的能量优化管理方案，并根据所述能量优化管理方案执行所述能量设备的能量管理，得到管理结果。

本发明通过采集所述能源设备的设备数据和能源数据，对所述能源数据进行聚合处理，可以检测和纠正所述能源数据之间的不一致性，并且聚合过程可以发现所述能源数据中的异常、缺失和孤立等数据，从而提高所述能源数据的质量和准确性，本发明通过利用所述深度学习模型中的深度卷积网络对所述聚合能源数据进行特征提取，可以得到所述聚合能源数据的数据表征，进而了解所述聚合能源数据的相关特性，并且便于后续异常能源的分析，本发明通过根据所述设备数据、所述能源消耗值及所述异常能源，计算所述能源设备对应的设备能耗率，可以通过所述设备能耗率了解所述能源设备对应的能源消耗情况，进而为后续最优分配比的计算提供了保障，以提高所述能源设备能量管理的效率，本发明通过根据所述异常因素和所述最优分配比，制定所述能源设备的能量优化管理方案，可以减少所述能源设备的能源浪费和损耗，并且对所述异常因素进行，进而达到了对所述能源设备的有效管理。因此，本发明实施例提供的一种基于深度学习实现EMS能量管理的方法及系统，能够提高EMS能量的管理效率。

附图说明

图1为本发明一实施例提供的一种基于深度学习实现EMS能量管理的方法的流程示意图；

图2为本发明一实施例提供的一种基于深度学习实现EMS能量管理的系统的功能模块图；

图3为本发明一实施例提供的实现所述一种基于深度学习实现EMS能量管理的方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种基于深度学习实现EMS能量管理的方法。本申请实施例中，所述一种基于深度学习实现EMS能量管理的方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述一种基于深度学习实现EMS能量管理的方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的一种基于深度学习实现EMS能量管理的方法的流程示意图。在本实施例中，所述一种基于深度学习实现EMS能量管理的方法包括步骤S1—S4。

S1、获取待管理的能源设备，采集所述能源设备的设备数据和能源数据，对所述能源数据进行聚合处理，得到聚合能源数据，根据所述聚合能源数据，确定所述能源设备对应的能源消耗值。

本发明通过采集所述能源设备的设备数据和能源数据，对所述能源数据进行聚合处理，可以检测和纠正所述能源数据之间的不一致性，并且聚合过程可以发现所述能源数据中的异常、缺失和孤立等数据，从而提高所述能源数据的质量和准确性，其中，所述能源设备是输送或者产生能量的设备，如风力发电机或者太阳能光伏板，所述设备数据是关于所述能源设备的相关数据，如设备参数和设备状态等，所述能源数据是关于所述能源设备中有关能量的相关数据，如产能效率或者能量总值等，所述聚合能源数据是所述能源数据中具有相关性的数据合并到一起后得到的数据，可选地，采集所述能源设备的设备数据和能源数据可以通过数据采集器实现，所述数据采集器是由脚本语言编译。

作为本发明的一个实施例，所述对所述能源数据进行聚合处理，得到聚合能源数据，包括：对所述能源数据进行数据清洗处理，得到清洗能源数据，计算所述清洗能源数据中每个数据之间的距离，得到数据距离，根据所述数据距离，对所述清洗能源数据进行离散数据剔除处理，得到目标能源数据，提取所述目标能源数据中每个数据对应的数据标识，计算所述数据标识之间的标识关联度，根据所述标识关联度，对所述目标能源数据进行数据聚合处理，得到聚合能源数据。

其中，所述清洗能源数据是所述能源数据中的无效数据或者干扰数据经过去除后得到的数据，所述目标能源数据是所述清洗能源数中的离散数据经过剔除后得到的数据，所述数据标识是所述目标能源数据中每个数据对应的唯一标志，所述标识关联度表示所述数据标识之间的关联程度。

可选的，可以通过根据所述能源数据的缺失值对所述能源数据进行数据清洗处理，计算所述清洗能源数据中每个数据之间的距离可以通过欧式距离算法实现，对所述清洗能源数据进行离散数据剔除处理可以通过箱线图法实现，提取所述目标能源数据中每个数据对应的数据标识可以通过网络爬虫程序实现，计算所述数据标识之间的标识关联度可以通过字符串匹配算法实现，可以通过根据所述标识关联度的数值大小对所述目标能源数据进行数据聚合处理。

本发明通过根据所述聚合能源数据，确定所述能源设备对应的能源消耗值，以便于了解所述能源设备对应的能量消耗情况，其中，所述能源消耗值是所述能源设备对应的能量消耗程度。

作为本发明的一个实施例，所述根据所述聚合能源数据，确定所述能源设备对应的能源消耗值，包括：

通过下述公式确定所述能源设备对应的能源消耗值：

其中，P表示能源设备对应的能源消耗值，t表示能源设备对应的工作周期，

S2、将所述聚合设备数据作为输入数据输入到预先训练好的深度学习模型中，利用所述深度学习模型中的深度卷积网络对所述聚合能源数据进行特征提取，得到能源数据特征，根据所述能源数据特征，利用所述深度学习模型中的异常分析网络分析出所述能源设备中的异常能源，并确定所述异常能源对应的异常因素。

本发明通过利用所述深度学习模型中的深度卷积网络对所述聚合能源数据进行特征提取，可以得到所述聚合能源数据的数据表征，进而了解所述聚合能源数据的相关特性，并且便于后续异常能源的分析，其中，所述深度学习模型是一种机器学习方法，通过多层神经网络来模拟人脑的学习与决策的过程，所述深度卷积网络是所述深度学习模型中用于提取特征的神经网络，所述能源数据特征是所述聚合能源数据对应的特有属性或变量。

作为本发明的一个实施例，所述利用所述深度学习模型中的深度卷积网络对所述聚合能源数据进行特征提取，得到能源数据特征，包括：利用所述深度卷积网络中的输入层对所述聚合能源数据进行标准化处理，得到标准能源数据，利用所述深度卷积网络中的卷积层对所述标准能源数据进行特征提取，得到初始数据特征，利用所述深度卷积网络中的池化层对所述初始数据特征进行降维处理，得到降维数据特征，利用所述深度卷积网络中的隐藏层计算所述降维数据特征对应的特征权重，根据所述特征权重，利用所述深度卷积网络中的激活函数计算所述降维数据特征对应的特征状态值，根据所述特征状态值，利用所述深度卷积网络中的输出层从所述降维数据特征中输入所述聚合能源数据对应的特征，得到能源数据特征。

其中，所述输入层是所述深度卷积网络中对所述聚合能源数据进行规范化处理的神经网络，以便于所述深度卷积网络更好的对数据进行处理，并且确保所述聚合能源数据在所述深度卷积网络中进行传递和计算过程中具有一致性，所述标准能源数据是所述聚合能源数据经过所述输入层处理后的数据，所述卷积层是用于对所述标准能源数据进行特征提取的神经网络，所述池化层是用于将所述初始数据特征从高纬度降低到低维度的神经网络，所述隐藏层是用于对所述降维数据特征进行线性或非线性变换，从而改变所述降维数据特征的表示和表达能力，进而计算出所述降维数据特征对应的权重的神经网络，所述特征权重表示所述降维数据特征对应的重要程度，所述特征状态值表示所述降维数据特征对应的表征能力大小。

可选的，可以通过所述输入层中的输入神经单元对所述聚合能源数据进行标准化处理，可以通过所述卷积层中的卷积核对所述标准能源数据进行特征提取，可以通过所述池化层中的池化函数对所述初始数据特征进行降维处理，如最大池化函数，可以通过所述隐藏层中的非线性激活函数计算所述降维数据特征对应的特征权重，如ReLU函数，可以通过所述输出层中的输出函数从所述降维数据特征中输入所述聚合能源数据对应的特征，如双曲正切函数。

可选的，作为本发明的一个可选实施例，所述根据所述特征权重，利用所述深度卷积网络中的激活函数计算所述降维数据特征对应的特征状态值，包括：

所述激活函数的具体计算公式如下：

其中，G表示降维数据特征对应的特征状态值，σ表示激活函数，a表示降维数据特征的特征序列号，μ表示降维数据特征的特征数量，E

本发明通过根据所述能源数据特征，利用所述深度学习模型中的异常分析网络分析出所述能源设备中的异常能源，可以及时发现所述能源设备中的问题，并采取相应的修复措施，从而避免造成能源浪费或安全隐患的问题，其中，所述异常能源是所述能源设备中存在异常的能源，所述异常因素是所述异常能源对应的异常原因，可选地，确定所述异常能源对应的异常因素可以通过实时监测所述能源设备的运行状态和能源消耗情况实现。

作为本发明的一个实施例，所述根据所述能源数据特征，利用所述深度学习模型中的异常分析网络分析出所述能源设备中的异常能源，包括：利用所述异常分析网络中的矩阵函数构建所述能源数据特征对应的特征矩阵，并计算所述特征矩阵对应的矩阵指标值，利用所述异常分析网络中的置信函数计算所述能源数据特征之间的特征置信系数，结合所述特征置信系数和所述矩阵指标值，利用所述异常分析网络中的输出函数从所述能源数据特征输出异常数据特征，根据所述异常数据特征，确定所述能源设备中的异常能源。

其中，所述矩阵函数是构建矩阵的数学函数，所述矩阵指标值是所述特征矩阵对应的各个指标的数值，如矩阵均值和矩阵方差值等，所述置信函数是计算所述能源数据特征之间可信程度的函数，所述特征置信系数表示所述能源数据特征之间的可信程度，所述异常数据特征是所述能源数据特征中的异常特征。

可选地，可以通过所述矩阵函数中的zero矩阵构建所述能源数据特征对应的特征矩阵，计算所述特征矩阵对应的矩阵指标值可以通过相应的计算工具实现，如均值计算器或者方差计算器等，可以通过输出函数中print函数从所述能源数据特征输出异常数据特征。

作为本发明的一个可选实施例，所述利用所述异常分析网络中的置信函数计算所述能源数据特征之间的特征置信系数，包括：

所述置信函数的具体计算公式如下：

其中，H表示能源数据特征之间的特征置信系数，b和b+1分别表示能源数据特征的特征序列号，

S3、根据所述设备数据、所述能源消耗值及所述异常能源，计算所述能源设备对应的设备能耗率，根据所述设备能耗率和所述聚合能源数据，利用所述深度学习模型中的目标函数确定所述能源设备的最优分配比。

本发明通过根据所述设备数据、所述能源消耗值及所述异常能源，计算所述能源设备对应的设备能耗率，可以通过所述设备能耗率了解所述能源设备对应的能源消耗情况，进而为后续最优分配比的计算提供了保障，以提高所述能源设备能量管理的效率，其中，所述设备能耗率表示所述能源设备中使用能源的设备消耗程度。

作为本发明的一个实施例，所述根据所述设备数据、所述能源消耗值及所述异常能源，计算所述能源设备对应的设备能耗率，包括：根据所述异常能源，分别对所述设备数据和所述能源消耗值进行异常剔除处理，得到目标设备数据和目标消耗值，从所述目标设备数据中提取出所述能源设备对应的设备参数，根据所述设备参数，确定所述能源设备中每个附属设备对应的设备功率，根据所述设备功率和所述目标消耗值，绘制所述目标附属设备每个设备的设备能耗趋势图，计算所述设备能耗趋势图对应的趋势斜率，对所述趋势斜率进行加权求和，得到所述能源设备对应的设备趋势斜率，根据所述设备趋势斜率，确定所述能源设备对应的设备能耗率。

其中，所述目标设备数据和所述目标消耗值分别是所述设备数据和所述能源消耗值中的异常数据和异常数值去除后得到的数据和消耗值，所述设备参数是关于所述能源设备的信息，如设备功率或者设备额定电流等，所述设备能耗趋势图是所述附属设备对应的消耗能量的走势图，所述趋势斜率表示所述设备能耗趋势图对应的趋势变化快慢，所述设备趋势斜率表示所述能源设备对应的消耗能量的快慢。

可选的，分别对所述设备数据和所述能源消耗值进行异常剔除处理可以通过上述的箱线图法实现，从所述目标设备数据中提取出所述能源设备对应的设备参数可以通过left函数实现，绘制所述目标附属设备每个设备的设备能耗趋势图可以通过visio制图法实现，计算所述设备能耗趋势图对应的趋势斜率可以通过斜率计算器实现，对所述趋势斜率进行加权求和可以通过加权求和法实现。

本发明通过根据所述设备能耗率和所述聚合能源数据，利用所述深度学习模型中的目标函数确定所述能源设备的最优分配比，进而可以使所述能源设备的能源分配效果达到最佳，以此提高了所述能源设备的能量分配的合理性，其中，所述最优分配比是所述能源设备在资源有限的情况下对应的最佳分配比例。

作为本发明的一个实施例，所述根据所述设备能耗率和所述聚合能源数据，利用所述深度学习模型中的目标函数确定所述能源设备的最优分配比，包括：

所述目标函数的具体计算公式如下：

其中，N表示能源设备的最优分配比，δ

S4、根据所述异常因素和所述最优分配比，制定所述能源设备的能量优化管理方案，并根据所述能量优化管理方案执行所述能量设备的能量管理，得到管理结果。

本发明通过根据所述异常因素和所述最优分配比，制定所述能源设备的能量优化管理方案，可以减少所述能源设备的能源浪费和损耗，并且对所述异常因素进行，进而达到了对所述能源设备的有效管理，其中，所述能量优化管理方案是所述能源设备根据所述异常因素和所述最优分配比制定的最佳管理方法，所述管理结果是根据所述能量优化管理方案执行所述能量设备的能量管理，可选的，查询所述异常因素对应的异常解决方法，根据所述最优分配比确定所述能源设备的能源分配量，结合异常解决方法和能源分配量，生成所述能源设备的能量优化管理方案。

本发明通过采集所述能源设备的设备数据和能源数据，对所述能源数据进行聚合处理，可以检测和纠正所述能源数据之间的不一致性，并且聚合过程可以发现所述能源数据中的异常、缺失和孤立等数据，从而提高所述能源数据的质量和准确性，本发明通过利用所述深度学习模型中的深度卷积网络对所述聚合能源数据进行特征提取，可以得到所述聚合能源数据的数据表征，进而了解所述聚合能源数据的相关特性，并且便于后续异常能源的分析，本发明通过根据所述设备数据、所述能源消耗值及所述异常能源，计算所述能源设备对应的设备能耗率，可以通过所述设备能耗率了解所述能源设备对应的能源消耗情况，进而为后续最优分配比的计算提供了保障，以提高所述能源设备能量管理的效率，本发明通过根据所述异常因素和所述最优分配比，制定所述能源设备的能量优化管理方案，可以减少所述能源设备的能源浪费和损耗，并且对所述异常因素进行，进而达到了对所述能源设备的有效管理。因此，本发明实施例提供的一种基于深度学习实现EMS能量管理的方法，能够提高EMS能量的管理效率。

如图2所示，是本发明一实施例提供的一种基于深度学习实现EMS能量管理的系统的功能模块图。

本发明所述一种基于深度学习实现EMS能量管理的系统100可以安装于电子设备中。根据实现的功能，所述一种基于深度学习实现EMS能量管理的系统100可以包括消耗值计算模块101、异常分析模块102、分配比计算模块103及能量管理模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述消耗值计算模块101，用于获取待管理的能源设备，采集所述能源设备的设备数据和能源数据，对所述能源数据进行聚合处理，得到聚合能源数据，根据所述聚合能源数据，确定所述能源设备对应的能源消耗值；

所述异常分析模块102，用于将所述聚合设备数据作为输入数据输入到预先训练好的深度学习模型中，利用所述深度学习模型中的深度卷积网络对所述聚合能源数据进行特征提取，得到能源数据特征，根据所述能源数据特征，利用所述深度学习模型中的异常分析网络分析出所述能源设备中的异常能源，并确定所述异常能源对应的异常因素；

所述分配比计算模块103，用于根据所述设备数据、所述能源消耗值及所述异常能源，计算所述能源设备对应的设备能耗率，根据所述设备能耗率和所述聚合能源数据，利用所述深度学习模型中的目标函数确定所述能源设备的最优分配比；

所述能量管理模块104，用于根据所述异常因素和所述最优分配比，制定所述能源设备的能量优化管理方案，并根据所述能量优化管理方案执行所述能量设备的能量管理，得到管理结果。

详细地，本申请实施例中所述一种基于深度学习实现EMS能量管理的系统100中所述的各模块在使用时采用与上述图1中所述的一种基于深度学习实现EMS能量管理的方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图3所示，是本发明一实施例提供的实现一种基于深度学习实现EMS能量管理的方法的电子设备1的结构示意图。

所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如一种基于深度学习实现EMS能量管理的方法程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行一种基于深度学习实现EMS能量管理的方法程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如一种基于深度学习实现EMS能量管理的方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理系统与所述至少一个处理器10逻辑相连，从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的一种基于深度学习实现EMS能量管理的方法程序是多个指令的组合，在所述处理器10中运行时，可以实现：

获取待管理的能源设备，采集所述能源设备的设备数据和能源数据，对所述能源数据进行聚合处理，得到聚合能源数据，根据所述聚合能源数据，确定所述能源设备对应的能源消耗值；

将所述聚合设备数据作为输入数据输入到预先训练好的深度学习模型中，利用所述深度学习模型中的深度卷积网络对所述聚合能源数据进行特征提取，得到能源数据特征，根据所述能源数据特征，利用所述深度学习模型中的异常分析网络分析出所述能源设备中的异常能源，并确定所述异常能源对应的异常因素；

根据所述设备数据、所述能源消耗值及所述异常能源，计算所述能源设备对应的设备能耗率，根据所述设备能耗率和所述聚合能源数据，利用所述深度学习模型中的目标函数确定所述能源设备的最优分配比；

根据所述异常因素和所述最优分配比，制定所述能源设备的能量优化管理方案，并根据所述能量优化管理方案执行所述能量设备的能量管理，得到管理结果。

具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取待管理的能源设备，采集所述能源设备的设备数据和能源数据，对所述能源数据进行聚合处理，得到聚合能源数据，根据所述聚合能源数据，确定所述能源设备对应的能源消耗值；

将所述聚合设备数据作为输入数据输入到预先训练好的深度学习模型中，利用所述深度学习模型中的深度卷积网络对所述聚合能源数据进行特征提取，得到能源数据特征，根据所述能源数据特征，利用所述深度学习模型中的异常分析网络分析出所述能源设备中的异常能源，并确定所述异常能源对应的异常因素；

根据所述设备数据、所述能源消耗值及所述异常能源，计算所述能源设备对应的设备能耗率，根据所述设备能耗率和所述聚合能源数据，利用所述深度学习模型中的目标函数确定所述能源设备的最优分配比；

根据所述异常因素和所述最优分配比，制定所述能源设备的能量优化管理方案，并根据所述能量优化管理方案执行所述能量设备的能量管理，得到管理结果。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。