用于非线性信号提取和结构漂移检测的系统和方法

技术领域

本发明一般涉及能量性能评估解决方案。更具体地，本发明涉及一种用于分析能量消耗数据的系统和方法，所述能量消耗数据用于评估位于等级的各种层次处的多个单元的实际性能。

背景技术

能量消耗资源的管理和可测量的能量性能需要鲁棒的机制。可用的能量消耗单元不能提供可能有助于分析和管理的必要数据。而且，用来评估能量性能的传统方法不能满足客户在产生合理输出方面的需要。在当前的情况下，过多的能量浪费不仅导致沉重的帐单，而且还具有严重的环境影响。因此，管理能量是当今客户的关键考虑因素。

各种场所(site)(如住宅建筑物、商业点和工业)的能量消耗要求是不同的。它们配备有不同类型的能量消耗单元。消耗能量的单元可以被分类为照明系统、冷却器、加热通风和空调(HVAC)系统、电梯、自动化系统、锅炉、炉子、热交换器、马达、风扇、鼓风机、泵、功率备用系统等中的一个或多个。由不同制造商制造的具有不同型号和大小的单元以及从这些单元导出的数据/信息变化很大。这可以归因于变化的操作条件、最终使用要求、安装位置、天气条件和/或所使用的硬件或软件的变化。由于来自这些能量消耗单元的数据的高差异，难以评估建筑物或场所的能量性能。换句话说，对总功率消耗的影响是不确定性的。

现有的用于能量性能评估的方法中的大多数方法不提供精确的输出。现有方法可能能够评估能量消耗的直接测量/描述性统计中的一个或多个，或者基于分析建筑物的能量和非能量数据构建预测/统计模型。然而，这样的技术没有公开能量消耗实体的复杂或隐藏特征，从而导致能量消耗的不正确测量和低效的能量策略。

鉴于现有解决方案中的上述问题，存在对于一种用于测量能量性能的鲁棒系统和方法的需要。而且，存在对于一种能够有效地测量在场所中的任何/所有场所处实现的策略改变/效率策略的有效性的系统的需要。存在下列要求：递归地识别消耗行为中的变化，产生漂移检测中的增量改进并揭示能量消耗中的隐藏细节。为了解决现有解决方案中的问题，公开一种系统和方法。

发明内容

以下提出本发明的简化概述，以便提供对本发明的一些方面的基本理解。该概述不是本发明的广泛综述。它不旨在识别本发明的关键/重要元素或描绘本发明的范围。其唯一目的是要以简化的形式提出本发明的一些概念，以作为稍后提出的本发明的更详细描述的序言。

本发明的各种实施例描述一种用于优化能量性能评估的系统。该系统包括：能量消耗数据单元，其配置成确定在不同周期中的与实体相关联的能量消耗数据；以及数据预处理单元，其对能量消耗数据进行预处理。该系统还包括配置成将能量消耗数据分类为多个个体漂移类别的结构漂移识别器单元。而且，基于一组参数来定义个体漂移类别。该系统还包括非线性信号提取器单元，其配置成通过基于能量消耗数据的频率定义周期并评估能量消耗数据中的差异(variance)来从能量消耗数据中提取一组非线性信号。该系统还包括个体漂移类别细化单元，其配置成通过使用非线性信号集消除第一弱漂移来细化个体漂移类别，从而产生细化的个体漂移类别。该系统还包括集体漂移细化单元，其配置成通过消除第二弱漂移来将所有类别的个体漂移实例整理并集体细化为细化的集体漂移类别。该系统还包括性能分析器单元，其配置成分析基于细化的集体漂移类别导出的洞察。

在本发明的实施例中，能量消耗数据的周期基于月，日，小时中的一个或多个。

在本发明的另一实施例中，在包括资产，服务，场所，企业中的一个或多个的等级的不同层次捕获能量消耗数据。

在本发明的另一个实施例中，等级的不同层次与能量消耗属性相关联，所述能量消耗属性包括外部空气温度、冷却度日(CDD)、加热度日(HDD)、建筑物管理系统(BMS)、资产细节、场所年龄、气候区、场所面积、场所修改细节中的一个或多个。

在本发明的另一个实施例中，所述一组参数是用户定义的输入，包括延长、方向和漂移显著性阈值。

在本发明的又一实施例中，该系统包括配置成预处理能量消耗数据的数据预处理单元。数据预处理单元配置成通过预处理能量消耗数据来识别丢失的数据。数据预处理单元还被配置为基于用户需求运行数据集合，并通过捕获能量消耗数据上的属性之间的交互，在个体或组合等级针对它们的属性重要性，显著性分析属性。

在本发明的实施例中，结构漂移识别器单元还包括漂移实例识别单元，其配置成使用消耗单元和噪声单元来识别每个个体漂移类别的漂移实例。

在本发明的另一个实施例中，能量消耗数据单元配置成从能量消耗数据中提取噪声，并通过从能量消耗数据中消除在由噪声单元执行的迭代中识别的漂移影响来计算修正的消耗数据。能量消耗单元还配置成迭代地重复能量消耗数据单元的操作，直到噪声单元没有识别出进一步的漂移。所述噪声单元配置成通过在其中测试统计高于漂移显著性阈值的每个时间实例对所提取的噪声进行统计测试来迭代地计算漂移影响，且通过针对其中噪声高于所述漂移显著性阈值的时间实例从所述噪声中消除所述漂移影响来生成修正的噪声。该噪声单元进一步配置成整理对应于针对该噪声单元所执行的每次迭代所识别的漂移实例和对应的漂移影响的数据，并且通过优先选择具有更高漂移影响的实例来消除长/短漂移类别的相邻实例以及漂移类别的重复漂移实例；

在本发明的另一实施例中，结构漂移识别器单元还包括漂移类别分离器，其配置成将能量消耗数据分离为个体漂移类别。个体漂移类别是长期增大(LTI)、长期减小(LTD)、短期增大(STI)、短期减小(STD)、一次性突然增加(OTAI)、一次性突然减少(OTAD)中的一个或多个。

在本发明的又一实施例中，结构漂移识别器单元还包括弱漂移相邻实例消除器，其配置陈基于相应的漂移影响从每个个体漂移类别中识别并消除具有低影响漂移的相邻漂移实例。

在本发明的不同实施例中，非线性信号提取器单元还配置成对能量消耗数据中的变化建模，以捕获非线性且没有季节变化的信号。用户可以具有在预调节配置器和外部预测器块下基于各种输入来选择或提供用户输入的选项，以使得非线性信号提取器能够捕获能量消耗数据中的所有变化。

在本发明的另一个实施例中，通过计算非线性信号(NLS)周期变化、非线性相邻变化、延长、漂移实例的有效性和由漂移引起的百分比影响，个体漂移类别细化单元配置成通过所述一组非线性信号消除单独漂移类别中的第一弱漂移。

在本发明的另一实施例中，个体漂移类别细化单元配置成通过计算先前周期和当前周期之间的百分比信号差并使用变化准则单元检查NLS周期变化是否满足预定用户准则来确定NLS周期变化。

个体漂移类别细化单元还配置成通过计算相邻实例之间的百分比信号差并通过使用变化准则单元检查NLS相邻变化是否满足预定用户准则来确定NLS相邻变化。

个体漂移类别细化单元还配置成通过计算NLS周期变化满足一个周期的NLS变化准则的实例的数量，并使用漂移延长准则单元检查该延长是否满足预定的用户准则来确定延长。

在本发明的另一实施例中，基于漂移类别和其中识别漂移的周期来不同地计算由漂移引起的百分比影响。

在本发明的不同实施例中，集体漂移细化单元还包括弱漂移消除器单元，其配置成接收整理的漂移实例，并且基于相邻和复制准则来消除第二弱漂移，以生成细化的集体漂移类。

在本发明的另一实施例中，性能分析器还包括漂移洞察单元，其配置成分析层次的各个等级的漂移实例和NLS变化。性能分析器还包括配置成基于可用的操作和策略信息来测量操作和策略改变的有效性的组合和操作洞察单元。

在本发明的又一实施例中，性能分析器包括同质实体形成单元，其配置成公开使用可用输入形成的同质实体，所述可用输入包括单元属性、操作属性、策略属性、漂移实例、NLS变化、延长和由漂移引起的百分比影响中的一个或多个。

在本发明的又一实施例中，性能分析器还包括同质实体解释单元，其配置成定义每个同质实体的一个或多个特性，并识别引起漂移的关键属性。性能分析器还配置成测量实体在实体内或跨实体进行比较时所经历的操作和策略改变的有效性，并显示指示每个实体的性能的记分卡。

本发明的各种实施例描述一种用于优化能量性能评估的方法。该方法包括使用能量消耗数据单元确定在不同周期中的与实体相关联的能量消耗数据的步骤。该方法还包括使用结构漂移识别器单元将能量消耗数据分类成多个个体漂移类别的步骤。此外，基于一组参数来定义个体漂移类别。该方法还包括以下步骤：通过基于能量消耗数据的频率识别周期并评估能量消耗数据中的差异，使用非线性信号提取器单元从能量消耗数据中提取一组非线性信号。该方法还包括以下步骤：通过从消耗数据中消除第一弱漂移和差异，使用个体漂移类别细化单元细化个体漂移类别，以生成产生细化的个体漂移类别的一组非线性信号。该方法还包括以下步骤：通过使用集体漂移细化单元消除第二弱漂移，将所有个体漂移类别的细化的个体漂移类别整理并集体细化为细化的集体漂移类别。该方法还包括使用性能分析器分析基于细化的集体漂移类导出的洞察的步骤。

在本发明的实施例中，所述一组组参数是用户定义的输入，包括延长、方向和漂移显著性阈值。

在本发明的另一个实施例中，结构漂移识别器单元还包括漂移实例识别单元，其配置成使用能量消耗数据单元和噪声单元来识别每个个体漂移类别的漂移实例。

在本发明的又一个实施例中，该方法包括从能量消耗数据中提取噪声，并通过从能量消耗数据中消除在由噪声单元执行的迭代中识别的漂移影响来计算修正的能量消耗数据。能量消耗数据单元还配置为迭代地重复能量消耗数据单元的操作，直到噪声单元没有识别出进一步的漂移。

在本发明的另一实施例中，该方法包括：在其中测试统计高于漂移显著性阈值的每个时间实例，通过对所提取的噪声进行统计测试来迭代地计算漂移影响；以及在其中噪声高于漂移显著性阈值的时间实例，通过从噪声中消除漂移影响来生成修正的噪声。该方法包括整理对应于由噪声单元执行的每次迭代所识别的漂移实例和相应漂移影响的数据，并通过优先选择具有更高漂移影响的实例来消除长/短漂移类的相邻实例和漂移类的重复漂移实例。

在本发明的又一实施例中，结构漂移识别器单元还包括使用漂移类分离器将能量消耗数据分离成个体漂移类。个体漂移类别是长期增大(LTI)、长期减小(LTD)、短期增大(STI)、短期减小(STD)、一次性突然增加(OTAI)、一次性突然减少(OTAD)中的一个或多个。

在本发明的另一个实施例中，结构漂移识别器单元还包括使用弱漂移相邻实例消除器，基于相应的漂移影响，从每个类别中识别和消除具有低影响漂移的相邻漂移实例。

在本发明的另一个实施例中，非线性信号提取器单元还配置成基于在预调节配置器下提供的输入和用户输入单元的外部预测器，对消耗数据中的变化建模，以捕获没有季节变化的非线性信号。

在本发明的另一不同实施例中，一种计算机可读介质包括一个或多个处理器和耦合到所述一个或多个处理器的存储器，所述存储器存储由所述一个或多个处理器执行的指令。所述一个或多个处理器配置成确定在不同周期中的与实体相关联的能量消耗数据并预处理所述能量消耗数据。所述一个或多个处理器还配置成将所述能量消耗数据分类成多个个体漂移类别。此外，基于一组参数来定义个体漂移类别。所述一个或多个处理器还配置成通过基于能量消耗数据的频率识别周期并评估能量消耗数据中的差异来从能量消耗数据中提取一组非线性信号。所述一个或多个处理器还配置成通过使用所述组非线性信号消除第一弱漂移来细化个体漂移类别，从而产生细化的个体漂移类别。所述一个或多个处理器还配置成通过消除第二弱漂移来将所有单独漂移类的细化的个体漂移实例整理和集体细化为细化的集体漂移类。所述一个或多个处理器还配置成分析基于细化的集体漂移类别导出的洞察。

提供本概述以便以简化形式介绍将在以下详细描述中进一步描述的一些概念。本概述不旨在识别所要求保护的主题的关键特征或必要特征，也不旨在用于帮助确定所要求保护的主题的范围。

本发明的其它方面、优点和显著特征对于本领域技术人员详细描述中，本发明的其它方面、优点和显著特征对于本领域技术人员将变得显而易见。

附图说明

上面已经阐述本发明的目的中的一些目的。本发明的这些和其它目的、特征、方面和优点将参考以下描述，所附权利要求书和附图而变得更好理解，其中：

图1描绘根据本发明的示范性实施例的示范性系统架构。

图2描绘根据本发明的示范性实施例的示范性系统或装置的不同组件的框图。

图3描绘根据本发明的示范性实施例的示范性详细的结构漂移识别器单元。

图4描绘根据本发明的示范性实施例的示范性详细的非线性信号提取器单元。

图5描绘根据本发明的示范性实施例的示范性详细的个体漂移类别细化单元。

图6描绘根据本发明的示范性实施例的示范性详细的集合漂移细化单元。

图7描绘根据本发明的示范性实施例的示范性详细的性能分析器单元。

图8描绘根据本发明的示范性实施例的用于执行本发明的方法的示例性流程图。

贯穿附图，对应的参考数字指示对应的部分。

具体实施方式

下面的详细描述应该参照附图来阅读，其中不同附图中的类似元件用相同的标号来表示。不必按比例绘制的附图描绘说明性实施例，并且不旨在限制本发明的范围。尽管针对各种元件示出各种元件的构造和尺寸的示例，但是本领域技术人员将认识到，所提供的示例中的许多示例具有可以利用的合适的备选方案。

本文描述的是具有用于优化能量性能评估的系统和方法的技术。该系统包括配置成确定在不同周期中的与实体相关联的能量消耗数据的能量消耗数据单元。数据预处理单元配置成预处理能量消耗数据。该系统还包括配置成将能量消耗数据分类为多个个体漂移类别的结构漂移识别器单元。而且，基于一组参数来定义个体漂移类别。该系统还包括非线性信号提取器单元，该非线性信号提取器单元配置成通过基于能量消耗数据的频率识别周期并评估能量消耗数据中的差异来从能量消耗数据中提取一组非线性信号。该系统还包括个体漂移类别细化单元，其配置成通过使用一组非线性信号来从能量消耗数据中消除第一弱漂移来细化个体漂移类别，从而产生细化的个体漂移类别。该系统还包括集体漂移细化单元，其配置成通过消除第二弱漂移将所有类别的细化的个体漂移实例整理并集体细化为细化的集体漂移类别。该系统还包括性能分析器，其配置成分析基于细化的集体漂移类别导出的洞察。

所公开的实施例可用于分析一段时间内的数据(例如能量消耗数据)以消除季节性以及漂移的识别。它可以基于跨整个能量消耗数据的能量消耗的幅度和持续时间来产生多个结构漂移类别。漂移类别可经历细化过程，其可以是用户可控制以消除弱漂移。可以基于类似的漂移类别，它们的寿命以及功能或操作参数来推导洞察。可以分析洞察连同能量消耗数据，以得到已经经历漂移的实例，从而提供对特征、特征影响的持续时间等的附加洞察。这可以进一步使得能够在单个/多单元设置下识别消耗优化范围。在多单元设置下，可以通过类似性过程来识别用于优化的范围。基于类似性，可以导出各种实体的特性，其可以用于达成跨实体的改进的特定主动区域。

如本文所使用的，能量消耗数据可以从如下列的多个能量消耗单元收集：在不同场所的的照明系统、冷却器、加热通风和空调(HVAC)系统、电梯、自动化系统、锅炉、炉子、热交换器、马达、风扇、鼓风机、泵、功率备用系统等中的一个或多个。不同的场所可以是住宅建筑物、商业点或工业等，它们可以具有不同的能量消耗要求，并且因此可以安装有不同类型的能量消耗单元。多个能量消耗单元中的每个可以通过网络与服务器连接，并且使用可以相同或不同的通信装置将能量消耗数据流传送到服务器。

如本文所使用的，服务器具有如说明书中进一步公开的处理能力。服务器可以是云存储器、远程数据库或本领域已知的任何这样的存储器。

如本文所使用的，网络可以指有线网络、网状网络、诸如全球移动系统(GSM)网络的蜂窝网络、长期演进(LTE)网络、码分多址(CDMA)网络、窄带物联网(NB-IoT)技术或M1类技术或本领域中已知的任何这样的网络/技术。

贯穿说明书，参考数字110描绘不同的场所。参数字110-1至110-n中的每个可以被认为是单独的场所。而且，贯穿说明书，参考数字114描绘不同的能量消耗单元。参考数字114-1至114-n中的每个可以被认为是单独的单元。

图1公开根据本发明的示范性实施例的示范性系统架构100。如图1中所公开的，本公开的方法可以在通过网络连接的组件(诸如能量消耗单元)的系统100上实现。在图1中，场所110-1(例如住宅建筑物)、场所110-2(例如商业建筑物)、场所110-n(例如工业设置)和许多这样的场所配备有能量消耗单元114(可互换地称为单元)，它们通信地耦合到网络128。所述单元可以是位于不同的场所的照明系统112、冷却器、加热通风和空调(HVAC)系统126、电梯、自动化系统、锅炉、炉子、热交换器、马达、风扇、鼓风机、泵、功率备用系统等中的一个或多个114-1、114-2……114-n。这些单元114包括相应的能量测量部件和用于在一段时间内测量能量消耗的装置。能量测量部件可以是电表、(一个或多个)检测器、(一个或多个)传感器、(一个或多个)控制器、(一个或多个)监测器或任何这些装置中的一个或多个。能量测量装置可以与网络128通信，并且可以与控制器120和服务器118通信。服务器118存储通过网络128从能量测量装置接收的数据日志。控制器120还可以包括彼此通信耦合的处理器122和存储器124，并且处理器与网络128通信。在一些实施例中，基于所接收的能量消耗数据(可以互换地称为数据)及其分析，控制器120可以采取行动来控制一个或多个单元110。为了管理单元114的能量消耗，计算装置116包括允许用户向控制器发送命令、提供用户输入，阈值等以影响这些单元的操作(例如，关闭它们、降低它们的能量消耗、提供用户输入值等)的用户接口。

图2公开可以由根据本发明的示范性实施例的系统执行的本公开的示范性系统200的实施例的框图。系统200可以包括但不限于能量消耗数据单元202、数据预处理单元204、结构漂移识别器单元206、非线性信号提取器单元208、单独漂移类别细化单元210、集体漂移细化单元212和/或性能分析器214。

本公开的系统200可以优化如本文所解释的系统100的能量性能评估。

能量消耗数据单元202可以在块202处收集数据，例如通过网络128从多个能量测量装置中的一个或多个接收的数据。能量测量部件可以用于整个场所，例如建筑物或建筑物中的楼层，或另一计量区域。它还可以专用于特定类型的用途，例如HVAC或照明等，或者它可以是其用途的混合。从不同的场所接收的数据可以具有等级的不同层次，例如作为基于它们的使用评估的资产，或服务，或场所，或企业等。从等级的不同层次接收的数据可以提供与能量消耗属性相关联的附加信息，所述能量消耗属性包括外部空气温度、冷却度日(CDD)、加热度日(HDD)、建筑物管理系统(BMS)、资产细节、场所年龄、气候区、场所区域、场所修改细节等中的一个或多个。作为示例，如果数据在层次的最低等级(例如资产等级)可用并且如果用户有兴趣在高于资产等级(即场所等级)的等级评估性能，则本发明从数据预处理到性能分析器阶段就对其进行处理。

而且，在企业内，如果数据在不同层次可用，则本发明例示适当的数据预处理(诸如数据可用性/聚集)以实现跨企业的一致的能量性能评估。系统200将能量消耗属性作为影响能量消耗数据的重要因素输入考虑，以用于评估能量消耗。优选地，在场所内可以有多个能量测量部件，其中每个能量测量部件测量所述场所的相应区域中的能量消耗或测量相应类型的使用的能量消耗。数据经由有线或无线连接通过可通信地耦合到控制器120的网络128传送。数据可以以任何单位来测量，例如kWh以及以至少三个频率周期(例如小时，天，月，年等)的运行小时来测量。在块204处，数据可以被分解为对应于使用的每日时间间隔和在该使用期期间的能量消耗的数据，并且可以以数据集的形式存储在服务器118处。这针对那个给定日子的贯穿日子以离散间隔提供能量使用信息。在块204处进一步对数据进行预处理，以在特定期间内的数据丢失的情况下填充数据集中的丢失间隙。在用户需要的基础上运行数据聚集。预处理器块204还可以通过捕获关于能量消耗数据的属性之间的交互来在个体或组合等级下针对属性重要性、显著性分析这些属性。

块206是结构漂移识别器单元，其可以生成结构漂移以指定存在消耗行为随时间的显著变化。这在本质上是结构性的，因为所识别的漂移可以随时间测量，捕获复杂并且可以捕获数据动力学中的突然变化。结构漂移识别器单元206基于变化的性质将数据分类为个体漂移类别。下面在图3中详细描述结构漂移识别器单元206。

非线性信号提取器单元208可以消除数据中的可变性以使数据随时间一致。在图4中详细描述非线性信号提取器单元208。

个体漂移细化单元210接收由结构漂移识别器单元206生成的个体漂移类别和由非线性信号提取器单元208生成的非线性信号，以细化漂移。个体漂移细化单元210可生成细化的个体漂移类别以供进一步处理。此外，集体漂移细化单元212处理细化的个体漂移类别以消除第二弱漂移，从而生成细化的集体漂移类别。性能分析器214可以接收细化的集体漂移类别以分析性能，该性能可以基于漂移/操作洞察、策略遵守和单元特性来生成指示单元、实体的性能的记分卡。在图5中详细描述个体漂移细化单元210。

图3公开结构漂移识别器单元206的详细图。结构漂移识别器单元206还包括用户输入块250、漂移实例识别块252、漂移类别分离器块254、弱漂移相邻实例消除器块256和个体漂移类别块258。结构漂移识别器单元206接收由数据预处理单元204预处理的能量消耗数据的数据集。每个数据集包括存储在服务器118处的多个数据点。可以以规则的时间间隔收集数据点，这可以根据用户偏好或系统能力来设置。收集数据点的时间间隔足够小以预测场所110处能量消耗的行为。在一个实施例中，以规则的间隔收集数据，而在一些不同的实施例中，数据点可以作为实时连续数据收集。

在结构漂移识别器单元206中，用户可以在用户输入块250处提供输入，以使用户能够选择一组参数，所述一组参数通过涉及用户想要解决的技术问题来指导算法。例如，延长、方向和漂移显著阈值。在用户选择延长特征的情况下，基于可以观察到结构漂移影响的持续时间将数据分类为类别。例如，可以基于观察到的结构漂移影响为长或短或一次性突变的延长特征来识别漂移类别。这指示漂移影响反映在数据集的数据点中的时间段。根据由用户选择的延长，本发明计算对于其中漂移显著的时间实例的漂移影响。对于相同的时间实例，漂移影响可能倾向于基于延长类型而改变。更简单地说，延长是用户输入，其通过涉及用户想要解决的技术问题(例如，任何资产增强/替换的有效性场所中任何策略改变的有效性)来引导系统。漂移影响是通过统计测试对其中漂移显著的时间实例获得的统计输出。作为示例，如果用户选择延长选项以作为长期，则可以识别整个数据中与长期有关的所有漂移以及它们的漂移影响。在用户选择方向特征的情况下，基于能量消耗行为的变化将数据分类为类别，能量消耗行为的变化可以高于或低于单元的正常状态。可以预先定义或通过用户输入提供正常状态值。也就是说，漂移可以低于正常预定值或期望值变化，或者可以高于期望值变化。在用户选择漂移显著性阈值特征的情况下，基于用于结构漂移的统计测试的漂移显著性阈值将数据分类为类别。结构漂移可以定义为能量消耗行为随时间的显著变化。此外，随时间测量的漂移可以捕获数据的动态中的突然变化，其可以被认为是结构漂移。

在漂移实例识别块252处，可以运行漂移实例识别模型以基于用户输入250为每个漂移类别个体识别漂移。结构漂移识别器单元206还配置成基于用户输入250在漂移实例标识块252处识别用于每个个体漂移类别的漂移实例或数据点中发生漂移的实例。

漂移实例识别单元配置成使用消耗单元和噪声单元来识别用于每个个体漂移类别的漂移实例。该消耗单元配置成从能量消耗数据中提取噪声并且通过从该能量消耗数据中消除在由该噪声单元执行的第n次迭代中识别的漂移影响来计算修正的消耗数据，并且

迭代地重复消耗单元的操作，直到没有进一步的漂移被噪声单元识别。此外，所述噪声单元配置成在其中测试统计高于所述漂移显著性阈值的每个时间实例通过对所提取噪声的统计测试来迭代地计算漂移影响；

通过对于从其中噪声高于漂移显著性阈值的时间实例的噪声中消除漂移影响来生成修正的噪声；

整理对应于针对由所述噪声单元执行的每次迭代识别的漂移实例和相应漂移影响的数据；以及

通过优先选择具有更高漂移影响的实例，消除长/短漂移类别的相邻实例和漂移类的重复漂移实例。

结构漂移识别器单元和非线性信号提取器单元并行运行以减少整个算法执行时间。

系统200可以动态地(例如每天或利用每个新数据点，或任何其它相关的刷新时间)更新模型，检测并适配其对接收到的新数据的引用，并且因此可能能够检测任何新的行为。该模型可以不断地学习和适配自身。在任何给定的天或时间段内，校正的数据集可以成为新的正常参考。

在示范性实施例中，描述该模型，该模型是自适应的并且用于对能量消耗数据中的变化进行建模以捕获非线性且没有季节性变化的信号，该模型可以是用于预测一段时间内能量消耗数据中的变化的任何模型。

在漂移类别分离器块254处，可以按类别分离漂移识别块输出。在弱漂移相邻实例消除器块256处，可以基于连续漂移(例如长和短)的漂移影响来分析它们。而且，可以消除具有低漂移影响的漂移情况。例如，时间实例X和X+1都被识别为长期增大(LTI)，则该方法将优先选择具有更高漂移影响的实例并丢弃剩余的实例。作为示例，如果用户对识别4个结构漂移类别感兴趣，则算法将个体识别这4个漂移类别，并且在所有4个漂移类别的能量消耗数据块的n次迭代结束时，算法将存储所有4种类型的漂移类别的漂移实例识别输出。基于诸如延长和方向之类的用户输入，漂移实例识别输出由漂移类别分离器单元逐类地被分离。与每个类别有关的能量消耗数据和漂移实例识别输出将被分离为4个不同的数据集。

在个体漂移类别块258处，可以基于各种漂移实例的漂移影响将从块256接收的输出分类为个体漂移类别。个体漂移类别可以是长期增大(LTI)260、长期减小(LTD)262、短期增大(STI)264、短期减小(STD)266、一次性突然增加(OTAI)268和一次性突然减少(OTAD)270中的至少一个。LTI类别可以基于倾向于在正常状态之上移动更长持续时间的漂移来分类。LTD类别可以根据倾向于在正常状态下移动更长持续时间的漂移来分类。STI类别可以基于倾向于在更短持续时间内高于正常状态(normalcy)移动的漂移来分类。STD类别可以基于倾向于在更短持续时间内低于正常状态移动的漂移来分类。OTAI类别可以基于倾向于高于单个实例的正常状态移动的漂移来分类。OTAD类别可以基于倾向于低于单个实例的正常状态移动的漂移来分类。

本领域技术人员可以领会，本公开系统地和递归地识别消耗行为中的变化，从而在漂移检测中产生增量改进。

图4公开非线性信号提取器208的详细图。非线性信号提取器208还可以包括用户输入块400、周期定义块406和非线性信号(NLS)块408。用户输入块400还可以包括预调节配置器402和外部预测器404。

非线性信号提取器208配置成接收可能由于各种因素而倾向于表现出变化的多年能量消耗数据。必要的是捕获并消除变化，以使跨年的消费数据保持一致。非线性信号提取器可以配置成提取可以独立于其它已知因素的一组非线性信号。用户可以具有基于预调节配置器402和外部预测器404下的各种因素来选择或提供用户输入400的选项，以使得非线性信号提取器能够捕获能量消耗中的所有变化。非线性信号提取器还可以在每个周期内输出非线性信号，所述周期可以基于数据的频率。此外，非线性信号提取器208可以配置成在预调节配置器402处识别和消除数据后期抑制或消除各种预定义因素(例如假日，交易日等)的影响中的季节模式，并且在外部预测器块404处识别和消除外生变量(例如外部气温，CDD和HDD等)的影响。

在实施例中，非线性信号提取器单元还配置成基于在用户输入单元的外部预测器和预调节配置器下提供的输入，对能量消耗数据中的变化建模以捕获没有季节变化的非线性信号。非线性信号提取器208的周期定义块406可以在以频率、周期的形式收集的数据点上训练模型以生成周期C1、C2……Cn。周期定义块406可以捕获对应于一年周期的每月数据。周期定义块406可以每天捕捉对应于一周周期的数据。周期定义块406还可以在每小时的基础上捕获对应于一天的周期的数据。

非线性信号提取器208可以在每个时间实例从能量消耗数据中提取噪声。非线性信号提取器208还可以识别预定义因数、外生变量对噪声的影响，并从能量消耗数据中去除它们。非线性信号提取器208还可以训练模型以确定数据中的变化，从而捕获非线性且没有季节变化的信号。所捕获的信号可以在非线性信号块408中被捕获为NLS－C1、NLS－C2……NLS－Cn等。

本领域技术人员应当领会，本公开通过在其中数据呈现趋势中的非线性的情况下提取非线性信号来揭示能量消耗中的隐藏细节，所述非线性信号对于鲁棒的能量性能评估是非常必要的。

图5公开个体漂移类别细化单元210的详细图。个体漂移类别细化单元210配置成接收如在结构漂移类别识别器单元206中识别的个体漂移类别和作为由上述非线性提取器单元确定的到单独漂移类别细化单元210的输入的非线性信号。漂移类别块500可在块502处将LTI、STI、LTD和STD类别分叉为第一支路，并将OTAI和OTAD类别分叉为第二支路522。

非线性信号(NLS)周期变化可在框504处对第一支路类别执行以确定先前周期与当前周期之间的百分比非线性信号差。例如，为每月数据确定的NLS周期变化可以是相应月的逐年百分比信号差异。类似地，在另一示例中，为每日数据确定的NLS周期变化可以是相应天的逐周百分比信号差异。

在变化准则块506处，用户可以提供输入以定义变化准则，例如NLS周期变化在百分比上应该增加或减少多少。此外，在周期块508处，可以通过计算NLS周期变化满足对于一个周期的NLS变化准则的实例的数量来确定延长。在块510处，如果漂移类别落在周期1上，则启动第一周期(C1)。在块512处，通过计算NLS周期变化可以满足变化准则的实例的数量，可以进一步确定第二周期(C2)延长。此外，在块514处，可以针对长期和短期漂移分别确定漂移延长准则。对于长期漂移，对于相应的C2实例，检查周期2延长在(％)中是否满足以下延长准则，如下文第1季度示例所图示：>70％(％延长)

·整个周期2：>45％(％延长)

基于上述准则，识别C1中可能预期漂移的实例。

■指数＝(周期的总频率-满足周期2中NLS变化的实例数)

■预期的漂移实例＝从周期2按指数时间实例向后导航

■考虑如果预期的漂移实例＝漂移实例(通过结构漂移识别器)+/－1，否则忽略

因此，通过计算满足变化准则的周期2(C2)实例中的平均百分比非线性信号变化来计算由漂移引起的百分比影响。

对于短期漂移，对于在周期1(C1)中识别的每个漂移实例，可以相对于其第2周期计算NLS变化。所计算的NLS变化可以是该实例之前的一个四分之一和该实例之后的一个四分之一(包括漂移实例)，并且可以计算它们之间的差。在差大于NLS变化准则的情况下，可以忽略漂移。此外，由于漂移的百分比影响可以通过计算在实例前的一个四分之一、实例后的一个四分之一(包括漂移实例)之间的NLS变化的％差来计算。

在另一种情况下，如果在块516处漂移类别落在周期C2-Cn中，则在块518处可以通过计算NLS周期变化可以满足变化准则的实例的数量来进一步确定漂移实例周期延长。此外，在块520处，可以针对长期和短期漂移单独确定漂移延长准则。对于长期漂移，如果漂移发生在最后一个周期(周期n)的最后两个四分之一中，则可以忽略它。然而，如果延长大于预定值，

例如，如果延长>75％，

可以进一步考虑它。

此外，由漂移引起的百分比影响可以通过从那个实例(满足变化准则的实例)计算对于一个周期的平均％NLS变化来计算。

对于短期漂移，对于在周期(C2-Cn)中识别的每个漂移实例，相对于其先前周期的NLS变化可以在实例之前的一个四分之一和实例之后的一个四分之一(包括漂移实例)被计算，并且它们之间的差可以被计算。在差大于NLS变化准则的情况下，可以考虑漂移，否则忽略漂移。此外，由漂移引起的百分比影响可以通过计算实例前的一个四分之一，实例后的一个四分之一(包括漂移实例)之间的NLS变化的％差来计算。

除上述之外，在块522处的OTAI和OTAD类别可通过在块524处运行周期C1-Cn来细化。最初，如果任何漂移落在周期C1上，则可以在块526处执行周期C1。在NLS相邻变化块526处，可以计算相邻实例之间的百分比信号差，即漂移实例和平均值(漂移前和漂移后的2个非漂移实例)。基于用户输入，在变化准则块530处，可以设置关于应该增加或减少多少百分比NLS相邻变化的用户定义准则。

此外，对于块524处的周期C2-Cn，可通过在NLS周期变化块534处计算先前周期与当前周期之间的百分比信号差来确定NLS周期变化。在NLS相邻变化块536处，可以评估相邻实例(即漂移前和漂移后的非漂移实例)之间的百分比信号差。这可以计算为以下中的任一种：

类型1：相邻NLS周期变化的百分比差

类型2：NLS的相邻实例之间的百分比差。

此外，在变化准则块538处，提供关于NLS相邻性变化(类型1/2)的百分比可以增加或减少多少的用户定义的变化准则。如果先前周期实例是非漂移的，则使用类型1类别计算NLS相邻变化，否则如果先前周期实例是漂移的，则使用类型2计算NLS相邻变化。因此，通过计算NLS相邻变化(类型1/2)来计算漂移引起的百分比影响。

因此，个体漂移类别细化单元可以配置成通过计算非线性信号(NLS)周期变化，非线性相邻变化，延长，漂移实例的有效性和由漂移引起的百分比影响来通过所述一组非线性信号消除个体漂移类别中的弱漂移。

在细化的漂移个体类别处，在块514，520，530和538处细化块540：可以存储细化的个体漂移类别。这些个体漂移类别可在细化之后个体存储在块LTI542，STI544，OTAI546，LTD548，STD550和OTAD552处。

图6公开集体漂移细化单元212的详细图。个体漂移类细化块210可以通过经由相邻和复制准则消除弱漂移来经历进一步的细化。在集体漂移细化单元212中，可以在块602处从块210接收细化的漂移个体类作为输入。漂移类整理块604可以整理所有类的个体漂移实例以及它们的NLS周期变化，NLS相邻变化和延长输出。弱漂移消除器块606还包括输入准则块608和弱漂移块614。输入准则块608可以得到可以经历相邻和复制准则的经整理的漂移实例。输入准则块608还包括相邻块610和复制块612。在相邻块610中，可以通过给出优选选择下列顺序来消除漂移类的相邻实例：长期>短期>一次突然。在一次突然增大和一次突然减小彼此相邻的情况下，相邻测试可能是无效的。在复制块612中，可以通过优选选择下列顺序来消除漂移类的复制实例：长期>短期>一次突然。在弱漂移块614处，消除弱漂移以生成细化的集体漂移类别。从细化的个体漂移类别块606获得的细化的集体漂移类别块618识别性能分析器单元中的各种洞察。

图7公开性能分析器单元214的详细图。性能分析器块214包括漂移洞察块702、组合和操作洞察块706、类似性分析器块710。漂移洞察块702公开漂移洞察，其可以根据实例(漂移的发生)和NLS变化(由漂移引起的百分比影响)来量化总体、周期、频率方面的消耗行为的变化。漂移洞察块702还公开包括资产，服务，场所，企业中的一个或多个的等级的不同层次的漂移洞察。例如，漂移洞察块702公开在等级的每个层次处的以下洞察。总体：单元等级的洞察(例如资产/场所等)

周期：在周期等级的洞察(例如周期1，2…n)

·频率：在频率等级的洞察(例如，所有周期的每1月，所有周期的2月等的漂移行为)

性能分析器验证操作属性和策略属性是否可用。在可用的情况下，分析组合和操作洞察块706，其中组合可以参考通过操作属性的各种组合导出的漂移洞察。在分析类似性分析器块710的不可用性的情况下，组合和操作洞察块706可以使用该单元的操作和策略信息，按照NLS变化(由漂移引起的漂移影响百分比)和策略遵守和改进，量化总体、周期、频率方面的消耗行为的变化。组合和操作洞察块706还公开包括资产，服务，场所，企业中的一个或多个的等级中的不同层次的洞察。

类似性分析器块710配置成根据以下各项来分析在总体、周期、频率同质单元的消耗行为的变化：

·实例(漂移的发生)

·NLS变化(因漂移引起的百分比影响)

类似性分析器块710还包括输入块712、同质实体形成块714、同质实体解释块716、同质实体内/跨同质实体的操作低效块718和性能排行榜(leaderboard)块720。同质实体形成块714公开可以用各种输入形成的同质实体，例如但不限于：

·属性(单位，操作和政策)

·漂移(实例，NLS变化，延长，因漂移引起的影响％)

同质实体解释块716可以定义每个同质实体的特征。在不同实体之间，同质实体解释块配置成识别关键属性及其对漂移的重要性的影响。

同质实体内/跨同质实体的操作低效率块718配置成根据下列测量实体在实体内/跨实体的比较中可能已经经历的操作和策略改变的有效性：

·实例(漂移的发生)

·NLS变化(因漂移引起的％影响)

性能排行榜720可以公开记分卡，该记分卡指示基于漂移/操作洞察，策略遵守和单元/实体特性等的单元，实体的性能。

本领域技术人员可以领会，同质实体形成特征可以实现实体内/跨实体的基准机会并评估对性能降级有贡献的关键性能参数。

图8公开概述本发明的示范性实施例中的本发明的特征的流程图。方法流程图800描述优化能量性能评估的方法。方法流程图800公开以下步骤：

在步骤802处，能量消耗数据单元202可以在不同周期中与实体相关联，并且数据预处理单元204可以预处理能量消耗数据。这已在以上图2中详细解释。

在步骤804处，结构漂移识别器单元206可以将能量消耗数据分类为多个个体漂移类别。此外，可以基于一组参数来定义个体漂移类别。这已经在上面的图3中详细解释。

在步骤806处，非线性信号提取器单元208可以通过基于能量消耗数据的频率识别周期并评估能量消耗数据中的差来从能量消耗数据中提取一组非线性信号。这已经在上面的图4中详细解释。

在步骤808处，个体漂移类别细化单元210可以通过使用一组非线性信号消除第一弱漂移来细化个体漂移类别，从而产生细化的个体漂移类别。这已经在上面的图5中详细解释。

在步骤810处，集体漂移细化单元212可以通过消除第二弱漂移将所有类的细化的个体漂移实例整理和集体细化为细化的集体漂移类。这已经在上面的图6中详细解释。

在步骤812处，性能分析器单元214可以分析基于细化的集体漂移类别导出的洞察。这已经在上面的图7中详细解释。

本发明可应用于本领域公知并且其中使用设备的任何工业/领域。本文讨论的本发明的实施例是示范性的，并且本领域技术人员的各种修改和改变都在本发明的范围内。

在本发明的一个实施例中，可以使用一个或多个计算机可读装置来操作本发明。一个或多个计算机可读装置可以与系统100相关联。一种计算机可读介质包括一个或多个处理器和耦合到所述一个或多个处理器的存储器，所述存储器存储由所述一个或多个处理器执行的指令。一个或多个处理器配置成确定在不同周期中的与实体110相关联的能量消耗数据，并对能量消耗数据进行预处理。此外，处理器可以将能量消耗数据分类为多个个体漂移类别260…262，其中个体漂移类别是基于结构漂移识别器单元206处的一组参数来定义的。一个或多个处理器还配置成通过基于能量消耗数据的频率定义周期并在非线性信号提取器单元208处评估能量消耗数据的差，从能量消耗数据中提取一组非线性信号。所述一个或多个处理器还配置成通过在个体漂移类别细化单元210处使用非线性信号的集合消除第一弱漂移来细化个体漂移类别，从而产生细化的个体漂移类别。所述一个或多个处理器配置成通过在集体漂移细化单元212处消除第二弱漂移来将所有类别的细化的个体漂移实例整理并集体细化为细化的集体漂移类别。所述一个或多个处理器还配置成在性能分析器214处分析基于细化的集体漂移类导出的洞察。

示范性计算机可读介质包括闪速存储器驱动器、数字多功能盘(DVD)、压缩盘(CD)、软盘和磁带盒。作为示例而非限制，计算机可读介质包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息的任何方法或技术实现的易失性和非易失性，可移动和不可移动介质。计算机存储介质是有形的并且与通信介质互斥。计算机存储介质以硬件实现，并且不包括载波和传播信号。用于本发明目的的计算机存储介质本身不是信号。示范性计算机存储介质包括硬盘、闪存驱动器和其它固态存储器。相反，通信介质通常以诸如载波或其它传输机制之类的调制数据信号来体现计算机可读指令，数据结构，程序模块或其它数据，并且包括任何信息传递介质。

尽管结合示范性计算系统环境进行描述，但是本发明的示例能够以多种其他通用或专用计算系统环境，配置或装置来实现。

本发明的示例可以在由一个或多个计算机或其他装置以软件，固件，硬件或其组合执行的诸如程序模块等计算机可执行指令的一般上下文中描述。计算机可执行指令可以被组织成一个或多个计算机可执行组件或模块。一般而言，程序模块包括但不限于执行特定任务或实现特定抽象数据类型的例程，程序，对象，组件和数据结构。本发明的方面可以用任何数量和组织的这样的组件或模块来实现。例如，本发明的方面不限于在图/表中示出并本文描述的特定计算机可执行指令或特定组件或模块。本发明的其它示例可包括具有与本文所示和所述的功能性相比更多或更少的功能性的不同计算机可执行指令或组件。本发明的方面在配置成执行本文所述的指令时将通用计算机转换成专用计算装置。

除非另有说明，本文图示和描述的本发明的示例中的操作的执行或实行的顺序不是必要的。也就是说，除非另有说明，操作可以以任何顺序执行，并且本发明的示例可以包括比本文所公开的操作更多或更少的操作。例如，预期在另一操作之前，同时或之后执行或实行特定操作在本发明的方面的范围内。

如在本说明书中所采用的，术语“处理器”可以指基本上任何计算处理单元或装置，其包括但不限于包括单核处理器；具有软件多线程执行能力的单个处理器；多核处理器；具有软件多线程执行能力的多核处理器；具有硬件多线程技术的多核处理器；平行平台；以及具有分布式共享存储器的并行平台。另外，处理器可指集成电路，专用集成电路(ASIC)，数字信号处理器(DSP)，现场可编程门阵列(FPGA)，可编程逻辑控制器(PLC)，复杂可编程逻辑装置(CPLD)，离散门或晶体管逻辑，离散硬件组件或其经设计以执行本文所述功能的任何组合。处理器可以利用纳米级架构(例如但不限于基于分子和量子点的晶体管，开关和门)以便优化空间使用或增强用户设备的性能。处理器也可以实现为计算处理单元的组合。

在本说明书中，诸如“数据存储”，“数据存储装置”，“数据库”，“高速缓存”之类的术语以及与组件的操作和功能相关的基本上任何其它信息存储组件指的是“存储器组件”或体现在“存储器”中的实体或包括存储器的组件。将领会，本文所描述的存储器组件或计算机可读存储介质可为易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。作为说明而非限制，非易失性存储器可包括只读存储器(ROM)，可编程ROM(PROM)，电可编程ROM(EPROM)，电可擦除ROM(EEPROM)或闪速存储器。易失性存储器可以包括用作外部高速缓冲存储器的随机存取存储器(RAM)。作为说明而非限制，RAM以许多形式可用，例如同步RAM(SRAM)，动态RAM(DRAM)，同步DRAM(SDRAM)，双倍数据速率SDRAM(DDRSDRAM)，增强型SDRAM(ESDRAM)，同步链路DRAM(SLDRAM)和直接存储器总线RAM(DRRAM)。另外，本文所公开的系统或方法的存储器组件旨在包括但不限于包括这些和任何其它合适类型的存储器。

当介绍本发明的方面或其示例的元素时，冠词“一”，“一个”，“该”和“所述”旨在意味着存在元素中的一个或多个元素。术语“包含”，“包括”和“具有”旨在是包括性的，并且意味着可以存在除了所列出的元素之外的附加元素。术语“示范性”旨在表示“……的示例”。短语“以下中的一个或多个：A，B和C”意味着“A中的至少一个和/或B中的至少一个和/或C中的至少一个"。

已经详细描述本发明的方面，显而易见的是，在不脱离如所附权利要求书中限定的本发明的方面的范围的情况下，修改和变化是可能的。由于在不脱离本发明的方面的范围的情况下可以对上述结构，产品和方法进行各种改变，所以上述描述中包含的和附图中示出的所有内容都应被解释为说明性的而不是限制性的。

虽然已经以特定于结构特征和/或动作的语言描述本主题，但是要理解，所附权利要求书中定义的主题不必限于上述具体特征或动作。相反，上述具体特征和动作是作为实现权利要求书的示例而公开的，并且其他等效特征和动作旨在处于权利要求书的范围内。