企业用能状态监测分析方法、装置、电子设备及存储介质

技术领域

本发明涉及能源管理和数据分析技术领域，尤其涉及一种企业用能状态监测分析方法、装置、电子设备及存储介质。

背景技术

要求企业降低碳排放，电网公司也要求高耗能企业参与“有序用电”和“错峰用电”；对政府部门而言，电力是占比最高的二次能源，在降低区域碳排放时需要电网公司提供用电数据；电网公司也需要时刻关注用户的用电情况，例如部分用户通过自建“光伏+储能”来提高经济效应，在影响电网安全稳定运行的同时，也是一种“负荷脱网”的行为，甚至存在“用户脱网”的风险。因此，如何优化企业用电行为，是电网、企业等多方的共同需求。

基于此，有必要提供一种企业用能状态监测分析方法，用于对客户侧的用能状态监测及用能服务分析应用，从而为客户提供用能情况分析，从而帮助企业满足政府和社会对环保方面的要求。

发明内容

为了解决上述提出的至少一个技术问题，本发明提供一种企业用能状态监测分析方法、装置、设备及存储介质。

第一方面，提供了一种企业用能状态监测分析方法，包括如下步骤：

获取待分析企业的初始用能数据和能源效率指标信息；其中所述初始用能数据能够表征所述待分析企业的用电量、峰谷电量、用电时间、功率因数；

基于机器学习模型对所述初始用能数据进行预测补全，得到完整用能信息；

基于所述用能属性信息和所述能源效率指标信息，在用电量、峰谷电量、用电时间、功率因数四个方面，分别从若干预设维度计算得到各个方面的能源效率指标值；

基于能源效率指标值，确定所述待分析企业的用能状态监测分析结果并输出用能建议方案。

在该方面中，结合了多方面多维度的企业信息的复杂关联，如总用电量、峰谷电量、用电时间、功率因数等，实现对企业用能的精确识别，从而实现用能状态监测及用能服务分析应用，为客户提供用能情况分析，从而帮助企业满足政府和社会对环保方面的要求。

在一种可能实现的方式中，在获取待分析企业的初始用能数据之后，还包括：

对所述初始用能数据去杂处理，用于去除所述初始用能数据中的噪声和异常值；

对去杂后的数据进行数据转换，用于实现所述初始用能数据的数据标准化；

其中，去杂处理至少可采用如下一种或多种方案结合：数据清洗、异常值处理、数据平滑、特征选择。

在该种可能实现的方式中，由于所述初始用能数据涵盖了待分析企业方方面面的用能信息和数据，在根据能源效率指标信息进行归类整理时，对于无效的用能信息和数据，需要进行去噪处理。

在一种可能实现的方式中，所述获取待分析企业的初始用能数据可采用如下一种或多种方案结合：通过待分析企业的电表数据获取、通过智能电网系统获取、通过待分析企业的能源管理系统获取。

在一种可能实现的方式中，所述机器学习模型可采用线性回归、决策树、随机森林、神经网络、梯度提升回归模型中的任意一种。

在一种可能实现的方式中，所述机器学习模型为梯度提升回归模型，所述基于机器学习模型对所述初始用能数据进行预测补全，得到完整用能信息，包括：

基于训练好的梯度提升回归模型对所述初始用能数据进行预测补全，得到能够满足所有能源效率指标信息的计算条件的完整用能信息。

在该种可能实现的方式中，对于缺失的企业信息和数据，需要进行预测补全。提供完整的初始属性信息，能够对中小型企业的用电量和能源效率指标值进行精准识别，具备更好的适用性。

可以理解的，在该种可能实现的方式中，所述梯度提升回归模型在输入层对原始特征进行特征子集提取，训练生成子空间基学习器；隐藏层通过构建多层级联结构，逐层融合子空间特征与原始特征从而实现逐层表征学习，并根据相邻层学习变化率自适应学习层数；输出层中使用学习法结合策略对样本进行最终预测。采用并行化方式对各层学习器进行训练以提高模型运行效率，相比现有集成预测方法，该模型具有更高的预测精度和运行效率。

在一种可能实现的方式中，获取训练好的梯度提升回归模型包括：

使用训练数据集训练模型，并使用验证数据集调整模型参数；

使用测试数据集评估模型的预测性能，预测性能包括预测准确度、预测误差；

将模型应用到初始用能数据，预测在预设维度下的完整用能信息；

根据预定周期的用能数据定期更新模型，用于以保持模型的预测性能。

在一种可能实现的方式中，所述基于所述用能属性信息和所述能源效率指标信息，分别从若干预设维度计算得到各个方面的能源效率指标值，包括：

确定用电量、峰谷电量、用电时间、功率因数对应企业的运营时间、设备工作负荷、季节性因素的权重和调节系数；

基于每个方面对应的若干个不同维度的能源效率指标值的权重和调节系数，得到每个方面的综合指标值；

其中，所述预设维度至少包括：企业的运营时间、设备工作负荷、季节性因素。

第二方面，提供了一种企业用能状态监测分析装置，包括：

采集模块，用于获取待分析企业的初始用能数据和能源效率指标信息；其中所述初始用能数据能够表征所述待分析企业的用电量、峰谷电量、用电时间、功率因数；

预处理模块，用于基于机器学习模型对所述初始用能数据进行预测补全，得到完整用能信息；

计算模块，用于基于所述用能属性信息和所述能源效率指标信息，在用电量、峰谷电量、用电时间、功率因数四个方面，分别从若干预设维度计算得到各个方面的能源效率指标值；

分析模块，用于基于能源效率指标值，确定所述待分析企业的用能状态监测分析结果并输出用能建议方案。

第三方面，提供了一种电子设备，包括：处理器、发送装置、输入装置、输出装置和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如上述的企业用能状态监测分析方法。

第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行如上述的企业用能状态监测分析方法。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

附图说明

为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1为本申请实施例提供的一种企业用能状态监测分析方法的流程示意图；

图2为本申请实施例提供的另一种企业用能状态监测分析方法的流程示意图；

图3为本申请实施例提供的又一种企业用能状态监测分析方法的流程示意图；

图4为本申请实施例提供的一种企业用能状态监测装置的结构示意图；

图5为本申请实施例提供的一种企业用能状态监测装置的硬件结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

另外，为了更好地说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样能够实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本发明的主旨。

第一方面，提供了一种企业用能状态监测分析方法，包括如下步骤：

S10、获取待分析企业的初始用能数据和能源效率指标信息；其中所述初始用能数据能够表征所述待分析企业的用电量、峰谷电量、用电时间、功率因数；

S20、基于机器学习模型对所述初始用能数据进行预测补全，得到完整用能信息；

S30、基于所述用能属性信息和所述能源效率指标信息，在用电量、峰谷电量、用电时间、功率因数四个方面，分别从若干预设维度计算得到各个方面的能源效率指标值；

S40、基于能源效率指标值，确定所述待分析企业的用能状态监测分析结果并输出用能建议方案。

在该方面中，结合了多方面多维度的企业信息的复杂关联，如总用电量、峰谷电量、用电时间、功率因数等，实现对企业用能的精确识别，从而实现用能状态监测及用能服务分析应用，为客户提供用能情况分析，从而帮助企业满足政府和社会对环保方面的要求。

在步骤S10中，初始用能数据需要收集企业的历史用电数据。其中包括每天、每周、每月的用电量，以及可能影响用电量的其他相关信息，如设备的使用情况、运营时间等。

在步骤S40中，可以为企业客户提供以下几种用能建议：

优化设备使用时间：通过模型，我们可以找出设备在一天中的能源消耗高峰和低谷，建议企业在能源消耗低的时段使用设备，或者避免在能源消耗高峰时使用设备。

调整设备工作模式：模型可能会显示出设备在某些工作模式下的能源消耗较高。在不影响生产效率的前提下，可以建议企业调整设备的工作模式，以降低能源消耗。

替换低效设备：如果模型显示某些设备的能源效率低，可以建议企业替换这些设备。虽然新设备的购买成本可能较高，但长期来看，能源成本的节省可能会超过设备的购买成本。

改进设备维护：模型可能会显示设备的能源消耗随着使用时间的增加而增加。这可能是由于设备的磨损或维护不足导致的。可以建议企业改进设备的维护策略，以延长设备的使用寿命并降低能源消耗。

提高能源管理水平：可以实时监控和管理设备的能源使用情况，可以找出能源浪费的环节，然后通过技术改造，提高能源效率，降低能源成本，从而实现能源效率的提升。

在一种可能实现的方式中，在获取待分析企业的初始用能数据之后，还包括：

S11、对所述初始用能数据去杂处理，用于去除所述初始用能数据中的噪声和异常值；

S12、对去杂后的数据进行数据转换，用于实现所述初始用能数据的数据标准化；

其中，去杂处理至少可采用如下一种或多种方案结合：数据清洗、异常值处理、数据平滑、特征选择。

在该种可能实现的方式中，由于所述初始用能数据涵盖了待分析企业方方面面的用能信息和数据，在根据能源效率指标信息进行归类整理时，对于无效的用能信息和数据，需要进行去噪处理。

具体的，去杂处理是数据预处理的重要步骤，主要目的是去除数据中的噪声和异常值，提高数据的质量和准确性。对于企业的实时用电量、峰谷电量、用电时间、功率因数等信息，可以采取以下步骤进行去杂处理：1.数据清洗：首先，需要对数据进行清洗，去除无关的信息，如空值、重复值等。这一步可以通过编程语言如Python的pandas库进行处理。2.异常值处理：对于用电量、功率因数等数值型数据，可以通过统计方法检测异常值。例如，可以使用箱线图、Z-Score方法等进行异常值检测，然后将这些异常值删除或替换。3.数据平滑：对于时间序列数据，如实时用电量、用电时间等，可以采用移动平均、指数平滑等方法进行数据平滑处理，以去除短期内的波动，突出长期趋势和周期性。4.数据标准化：对于不同量纲的数据，如用电量和功率因数，可以进行数据标准化处理，使其在同一数值范围内，便于后续的数据分析和建模。5.特征选择：对于相关性较强的特征，可以通过相关性分析、主成分分析等方法进行特征选择，去除冗余特征，提高模型的预测精度。

在一种可能实现的方式中，所述获取待分析企业的初始用能数据可采用如下一种或多种方案结合：通过待分析企业的电表数据获取、通过智能电网系统获取、通过待分析企业的能源管理系统获取。

在该种可能实现的方式中，直接读取企业的电表数据这是最直接，也是最常见的方法。通过电表，可以获取到企业的实时用电量，峰谷电量，用电时间等信息。

或者，通过智能电网系统获取，智能电网系统可以实时监控企业的用电情况，包括用电量，用电时间，功率因数等信息。

又或者，通过企业的能源管理系统获取，一些大型企业会建立自己的能源管理系统，通过这个系统，可以获取到企业的详细用电数据。

在一种可能实现的方式中，所述机器学习模型可采用线性回归、决策树、随机森林、神经网络、梯度提升回归模型中的任意一种。

在一种可能实现的方式中，所述机器学习模型为梯度提升回归模型，所述基于机器学习模型对所述初始用能数据进行预测补全，得到完整用能信息，包括：

S21、基于训练好的梯度提升回归模型对所述初始用能数据进行预测补全，得到能够满足所有能源效率指标信息的计算条件的完整用能信息。

在该种可能实现的方式中，对于缺失的企业信息和数据，需要进行预测补全。提供完整的初始属性信息，能够对中小型企业的实际用电量和进行精准识别，具备更好的适用性。

可以理解的，在该种可能实现的方式中，所述梯度提升回归模型在输入层对原始特征进行特征子集提取，训练生成子空间基学习器；隐藏层通过构建多层级联结构，逐层融合子空间特征与原始特征从而实现逐层表征学习，并根据相邻层学习变化率自适应学习层数；输出层中使用学习法结合策略对样本进行最终预测。采用并行化方式对各层学习器进行训练以提高模型运行效率，相比现有集成预测方法，该模型具有更高的预测精度和运行效率。

在一种可能实现的方式中，获取训练好的梯度提升回归模型包括：

使用训练数据集训练模型，并使用验证数据集调整模型参数；

使用测试数据集评估模型的预测性能，预测性能包括预测准确度、预测误差；

将模型应用到初始用能数据，预测在预设维度下的完整用能信息；

根据预定周期的用能数据定期更新模型，用于以保持模型的预测性能。

在该种可能实现的方式中，获取训练好的梯度提升回归模型，首先，收集足够量的用于训练的数据，包括输入特征和对应的目标变量(用电量)。确保数据集是干净、无缺失值和异常值的。对数据进行特征选择、特征变换和特征构建等操作，以提取有用的特征。这可能涉及到数据清洗、标准化、归一化、编码等步骤，使数据适合应用于梯度提升回归模型。将数据集划分为训练集和测试集，用于模型的训练和评估。通常，将大部分数据用于训练，少量数据用于评估模型性能。使用训练集数据对梯度提升回归模型进行训练。在训练过程中，模型根据损失函数的梯度不断迭代优化，以拟合训练数据，并逐步提高预测性能。模型评估：使用测试集数据评估模型的性能，常见的评估指标包括均方误差(MSE)、平均绝对误差(MAE)等。确保模型在测试集上表现良好，并没有过拟合或欠拟合的问题。模型保存：一旦训练完成且通过评估，可以将训练好的梯度提升回归模型保存到磁盘或其他存储介质中。保存的格式可以是常见的二进制文件(如pickle、joblib)，也可以是模型的权重参数文件。

在一种可能实现的方式中，所述基于所述用能属性信息和所述能源效率指标信息，分别从若干预设维度计算得到各个方面的能源效率指标值，包括：

确定用电量、峰谷电量、用电时间、功率因数对应企业的运营时间、设备工作负荷、季节性因素的权重和调节系数；

基于每个方面对应的若干个不同维度的能源效率指标值的权重和调节系数，得到每个方面的综合指标值。

其中，所述预设维度至少包括：企业的运营时间、设备工作负荷、季节性因素。

在该种可能实现的方式中，季节性因素对制造业的影响可以从以下四个方面进行考虑：

产品需求波动，某些产品在特定季节或时间段的需求量会出现明显的波动。例如，夏季需求冰箱和空调等电器产品更多，而冬季需求加热器和暖气设备等产品更多。这种需求波动会直接影响制造业的生产计划和产能安排。

季节性生产需求，某些产品的生产需要依赖于特定季节的天气条件或农作物的生长周期。例如，农业机械的制造需要根据农作物的种植季节进行生产安排；对于冰雪运动器材，其生产往往与冬季季节相联系。

季节性库存管理，由于季节性需求的存在，制造业往往需要提前进行生产，并在淡季生产过剩时储备库存，以满足旺季的需求。这涉及到库存管理、预测市场需求和合理安排生产计划等方面的挑战。

能源消耗变化，某些制造业部门的生产过程可能受到季节性能源供应的影响，例如冬季采暖时，能源消耗增加，而夏季可能需要降低能源消耗。这会对制造业的运营成本和能源管理产生影响。

第二方面，请参阅图4，图4提供了一种企业用能状态监测分析装置，包括：

采集模块，用于获取待分析企业的初始用能数据和能源效率指标信息；其中所述初始用能数据能够表征所述待分析企业的用电量、峰谷电量、用电时间、功率因数；

预处理模块，用于基于机器学习模型对所述初始用能数据进行预测补全，得到完整用能信息；

计算模块，用于基于所述用能属性信息和所述能源效率指标信息，在用电量、峰谷电量、用电时间、功率因数四个方面，分别从若干预设维度计算得到各个方面的能源效率指标值；

分析模块，用于基于能源效率指标值，确定所述待分析企业的用能状态监测分析结果并输出用能建议方案。

第三方面，本申请还提供了一种处理器，所述处理器用于执行如上述任意一种可能实现的方式的方法。

第四方面，提供了一种电子设备，包括：处理器、发送装置、输入装置、输出装置和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如上述的企业用能状态监测分析方法。

第五方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行如上述的企业用能状态监测分析方法。

第六方面，参见图5，图5为本申请实施例提供的一种企业用能状态监测分析装置的硬件结构示意图。

该自动化测试装置2包括处理器21，存储器24，输入装置22，输出装置23。该处理器21、存储器24、输入装置22和输出装置23通过连接器相耦合，该连接器包括各类接口、传输线或总线等等，本申请实施例对此不作限定。应当理解，本申请的各个实施例中，耦合是指通过特定方式的相互联系，包括直接相连或者通过其他设备间接相连，例如可以通过各类接口、传输线、总线等相连。

处理器21可以是一个或多个图形处理器(graphicsprocessingunit，GPU)，在处理器21是一个GPU的情况下，该GPU可以是单核GPU，也可以是多核GPU。可选的，处理器21可以是多个GPU构成的处理器组，多个处理器之间通过一个或多个总线彼此耦合。可选的，该处理器还可以为其他类型的处理器等等，本申请实施例不作限定。

存储器24可用于存储计算机程序指令，以及用于执行本申请方案的程序代码在内的各类计算机程序代码。可选地，存储器包括但不限于是随机存储记忆体(randomaccessmemory，RAM)、只读存储器(read-onlymemory，ROM)、可擦除可编程只读存储器(erasableprogrammablereadonlymemory，EPROM)、或便携式只读存储器(compactdiscread-onlymemory，CD-ROM)，该存储器用于相关指令及数据。

输入装置22用于输入数据和/或信号，以及输出装置23用于输出数据和/或信号。输出装置23和输入装置22可以是独立的器件，也可以是一个整体的器件。

可理解，本申请实施例中，存储器24不仅可用于存储相关指令，本申请实施例对于该存储器中具体所存储的数据不作限定。

可以理解的是，图4仅仅示出了一种自动化测试装置的简化设计。在实际应用中，自动化测试装置还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出装置、处理器、存储器等，而所有可以实现本申请实施例的视频解析装置都在本申请的保护范围之内。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。所属领域的技术人员还可以清楚地了解到，本申请各个实施例描述各有侧重，为描述的方便和简洁，相同或类似的部分在不同实施例中可能没有赘述，因此，在某一实施例未描述或未详细描述的部分可以参见其他实施例的记载。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元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。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriberline，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字通用光盘(digitalversatiledisc，DVD))、或者半导体介质(例如固态硬盘(solidstatedisk，SSD))等。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：只读存储器(read-onlymemory，ROM)或随机存储存储器(randomaccessmemory，RAM)、磁碟或者光盘等各种可存储程序代码的介质。