面向智能工厂多粒度场景的用电能耗预测的方法与流程

阅读：评论：0

1.本技术涉及电能耗预测

技术领域

：
：，具体地涉及一种面向智能工厂多粒度场景的用电能耗预测的方法。

背景技术

：
：：2.对用电能耗进行分析预测，能够为国家电网或供电公司提供判断用户用电是否出现异常状况并提供相应的解决方案，相关的供电公司可以参照用电能耗的预测趋势，及时调整供电决策方案计划，提高供电服务的高效性和可靠性，促进节能减排意识发展，构建节约用电型社会。3.现有技术中的对用电能耗预测的方案中，在划分场景粒度时，按厂区功能划分到厂区单元级别，对厂区单元的用电能耗进行预测。划分的粒度较大，使得预测结果不够精确。在进行模型输入数据构造时，要么直接使用用电能耗的采集数据，要么结合月份产量和月份产品的数据，然后进行模型训练和预测，对未来月份的用电耗能进行预测。在用电能耗预测时，容易收到外部因素的干扰，只结合月份产量和月份产品的数据，导致预测的精度降低。因此，现有技术中没有针对更小粒度并且结合多种特征的预测方法，预测精度较低。技术实现要素：4.本技术实施例的目的是提供一种面向智能工厂多粒度场景的用电能耗预测的方法，用以解决现有技术中用电能耗预测精度较低的问题。5.为了实现上述目的，本技术第一方面提供一种面向智能工厂多粒度场景的用电能耗预测的方法，该方法应用于智能工厂的服务器，智能工厂还包括线路终端单元设备，服务器与线路终端单元设备通信，该方法包括：6.将智能工厂按不同粒度划分为多个用电场景，多个用电场景中的每个用电场景设置有一个线路终端单元设备；7.分别接收每个用电场景的线路终端单元设备发送的历史用电能耗数据，以得到每个用电场景的目标格式输入数据；8.分别构建每个用电场景的特征；9.分别将每个用电场景的目标格式输入数据和每个用电场景的特征输入至与每个用电场景对应的用电能耗预测模型，以得到每个用电场景的用电能耗预测结果。10.在本技术实施例中，粒度包括：11.楼栋粒度、楼层粒度、非生产粒度、消防粒度、产线粒度、设备粒度和功能粒度。12.在本技术实施例中，每个用电场景的特征包括：13.排班特征、排产特征、设备状态特征和天气特征。14.在本技术实施例中，分别接收每个用电场景的线路终端单元设备发送的历史用电能耗数据，以得到每个用电场景的目标格式输入数据包括：15.分别接收每个用电场景的线路终端单元设备发送的历史用电能耗数据；16.将历史用电能耗数据进行预处理以得到目标格式输入数据。17.在本技术实施例中，目标格式输入数据满足：18.[x1，x2，x3，......，xn*n][0019]其中，x1指第一次采集的电能耗数据，x2指第二次采集的电能耗数据，x3指第三次采集的电能耗数据，xn指第n次采集的电能耗数据，n指天数。[0020]在本技术实施例中，方法还包括：[0021]构建与每个用电场景对应的用电能耗预测模型。[0022]在本技术实施例中，每个用电场景的特征包括每个用电场景的历史周期特征和预测周期特征。[0023]在本技术实施例中，构建与每个用电场景对应的用电能耗预测模型包括：[0024]获取初始用电能耗预测模型；[0025]获取样本数据，样本数据包括每个用电场景的预设历史周期的样本目标格式输入数据、预设历史周期的样本历史周期特征，预设预测周期的样本预测周期特征，以及预设预测周期的用电能耗数据；[0026]分别将每个用电场景的样本目标格式输入数据、样本历史周期特征和样本预测周期特征作为输入，将对应的预设预测周期的用电能耗数据作为输出，训练初始用电能耗预测模型，以得到每个用电场景对应的用电能耗预测模型。[0027]本技术第二方面提供一种服务器，包括：[0028]存储器，被配置成存储指令；以及[0029]处理器，被配置成从存储器调用指令以及在执行指令时能够实现根据上述的面向智能工厂多粒度场景的用电能耗预测的方法。[0030]本技术第三方面提供一种智能工厂，包括：[0031]根据上述的服务器；[0032]线路终端单元设备，与服务器通信，设置于每个用电场景的入口处，被配置成发送历史用电能耗数据至服务器。[0033]本技术第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的面向智能工厂多粒度场景的用电能耗预测的方法。[0034]通过上述技术方案，首先将智能工厂按不同粒度划分为多个用电场景，多个用电场景中的每个用电场景设置有一个线路终端单元设备，再构建每个场景对应的特征；服务器分别接收每个用电场景的线路终端单元设备发送的历史用电能耗数据，以得到每个用电场景的目标格式输入数据；最后分别将每个用电场景的目标格式输入数据和每个用电场景的特征输入至与每个用电场景对应的用电能耗预测模型，以得到每个用电场景的用电能耗预测结果。通过将用电场景划分为更小粒度，在预测时结合每个用电场景对应的特征数据，可以提高预测的精度。[0035]本技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。附图说明[0036]附图是用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本技术实施例，但并不构成对本技术实施例的限制。在附图中：[0037]图1示意性示出了根据本技术实施例的一种面向智能工厂多粒度场景的用电能耗预测的方法的流程图；[0038]图2示意性示出了根据本技术一具体实施例的一种面向智能工厂多粒度场景的用电能耗预测的方法的流程图；[0039]图3示意性示出了根据本技术实施例的一种服务器的结构框图；[0040]图4示意性示出了根据本技术实施例的一种智能工厂的结构图。[0041]附图标记说明[0042]401服务器402线路终端单元设备具体实施方式[0043]为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本技术实施例，并不用于限制本技术实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。[0044]需要说明，若本技术实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。[0045]另外，若本技术实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本技术要求的保护范围之内。[0046]图1示意性示出了根据本技术实施例的一种面向智能工厂多粒度场景的用电能耗预测的方法的流程图。如图1所示，本技术实施例提供一种面向智能工厂多粒度场景的用电能耗预测的方法，该方法应用于智能工厂的服务器，智能工厂还包括线路终端单元设备，服务器与线路终端单元设备通信。该方法可以包括下列步骤。[0047]步骤101、将智能工厂按不同粒度划分为多个用电场景，多个用电场景中的每个用电场景设置有一个线路终端单元设备。[0048]在本技术实施例中，将工厂用电根据区域、位置和功能的不同，划分为不同粒度的使用场景，不同粒度场景的用电可以互斥也可以重合。将用电场景划分为更小粒度可以提高预测的精确度。粒度可以包括但不限于：楼栋粒度、非生产粒度、消防/应急粒度、产线粒度、设备粒度和功能粒度等。例如，可以根据楼栋粒度，将用电划分为1栋用电、2栋用电和3栋用电等，可以根据非生产粒度，将用电划分为照明用电、插座用电和空调用热水器用排风用电和电梯用电等。用电的互斥指不同场景的用电没有关联关系。例如，1栋用电和2栋用电互斥，1楼用电与2楼用电互斥。用电的重合指不同场景的用电存在关联关系。例如，1栋用电与1栋2楼用电重合，2栋用电与2栋空调用电重合等。多个用电场景的每个用电场景的入口处都安装线路终端单元设备。线路终端单元设备安装于用电的入口处可以以一定频率进行常规的电流监测、电压监测、电能监测等。并且，线路终端单元设备的安装方式简便，不需要改造线路，只需要简单的将线路终端单元设备挂接在原有线路上即可。在一个示例中，线路终端单元设备可以以15分钟一次的频率采集用电能耗数据，那么一天可以采集96条数据。通过对用电场景按照多个粒度进行划分，并在每个用电场景设置一个线路终端单元设备可以使得对用电数据的采集更加精确。[0049]步骤102、分别接收每个用电场景的线路终端单元设备发送的历史用电能耗数据，以得到每个用电场景的目标格式输入数据。[0050]在本技术实施例中，在每个用电场景的入口处都安装有线路终端单元设备。每个用电终端单元设备可以采集对应的用电场景的用电能耗数据，并在采集数据后将数据逐级、实时传输到数据中心，数据中心即为智能工厂的数据中心。在数据传输时，可以使用电力系统中常见的hplc和5g网络相结合的方式。hplc是高速电力线载波，也称为宽带电力线载波，是在低压电力线上进行数据传输的宽带电力线载波技术。数据中心接收到每个线路终端单元设备发送的数据后，由数据中心汇总多个粒度用电场景的用电能耗数据。对数据进行汇总可以为后续的用电能耗模型训练和模型预测提供数据支撑。目标格式输入数据指满足用电能耗预测模型的格式的数据。服务器需要对数据中心存储的多个粒度用电场景的用电能耗数据进行预处理，将数据处理成用电能耗预测模型的数据格式。其中，用电能耗预测模型可以为时间序列预测模型的一种。在选择时间序列预测模型时，选择能够将未来特征作为输入的算法模型，例如，时态融合变换器(temporalfusiontransformersforinterpretablemulti-horizontimeseriesforecasting，tft)。在一个示例中，以15分钟一次的频率采集数据，使用过去7天的用电数据，预测未来3天的用电数据，那么一条数据的输入格式为[x1,x2,x3,......,x96*7]，输出格式为[y1,y2,y3,......,y96*3]。通过对数据的格式进行处理，可以使数据满足用电能耗预测模型的格式要求，以便后续进行预测。[0051]步骤103、分别构建每个用电场景的特征。[0052]在本技术实施例中，每个用电场景都有对应的特征。特征可以作为模型训练和模型预测的特征数据输入。特征可以包括但不限于排班特征、排产特征、设备状态特征和天气特征。在一个示例中，在构建排班特征时，工厂一般设置三班倒的排班制度，包含早班(8:00～16:00)、中班(16:00～24:00)和晚班(0:00～8:00)。如果没有排班，则该时间范围内对应的排班特征为0；如果安排排班，则该时间范围内对应的排班特征非0，并且特征值随着采集数据时间点递增加1。比如某天只安排有晚班和中班，未安排早班，那么这天的排班特征为[1,2,3,......,31,32,0,0,0,......,0,0,1,2,3,......,31,32]共计96点数据。其中第一个[1,2,3,......,31,32]共计32点数据，代表晚班的排班特征；中间[0,0,0,......,0,0]共计32点数据，代表早班的排班特征；第二个[1,2,3,......,31,32]共计32点数据，代表中班的排班特征。在构建排产特征时，在工厂制定排班时，一般都会对每一班制定相应的排产计划，包括生产产品的类型和数量。比如某一班排产计划是生产产品2，生产数量为1000，那么该班的排产特征为[[2,2,2,......,2,2],[1000,1000,1000,......,1000,1000]]，每行为32点数据；如果某一班未安排排产计划，那么该班的排产特征值均为0。通过构建的特征数据格式，既能够反映出不同粒度场景的用电能耗情况，还能能够保证模型的输入数据格式一致。[0053]步骤104、分别将每个用电场景的目标格式输入数据和每个用电场景的特征输入至与每个用电场景对应的用电能耗预测模型，以得到每个用电场景的用电能耗预测结果。[0054]在本技术实施例中，在预测用电能耗数据时，将每个用电场景的目标格式输入数据和每个用电场景的特征作为用电能耗预测模型的输入，每个用电能耗预测结果作为用电能耗预测模型的输出。其中，每个用电场景的特征可以包括每个用电场景的历史周期特征和预测周期特征。在模型使用前，需要根据用电能耗数据和特征数据对模型进行训练。在一个示例中，根据过去一周的数据对模型进行训练，可以将周一至周五的用电能耗数据和周一至周日的特征数据作为模型的输入，将模型的输出和周六至周日的用电能耗数据进行比较，以不断训练模型。通过训练得到时间序列预测模型后，可以根据用电能耗预测模型进行预测。在预测时，同样将每个用电场景的目标格式输入数据和每个用电场景的特征输入每个用电场景对应的用电能耗预测模型。在一个示例中，根据过去7天的数据预测未来3天的用电能耗数据，可以将过去7天的用电能耗数据、过去7天的特征数据和未来3天的特征数据输入用电能耗预测模型，用电能耗预测模型输出数据即为未来3天的用电能耗预测数据。通过根据历史用电能耗数据和对应的特征数据进行用电能耗预测，可以提高预测的精度。[0055]通过上述技术方案，首先将智能工厂按不同粒度划分为多个用电场景，多个用电场景中的每个用电场景设置有一个线路终端单元设备，再构建每个场景对应的特征；服务器分别接收每个用电场景的线路终端单元设备发送的历史用电能耗数据，以得到每个用电场景的目标格式输入数据；最后分别将每个用电场景的目标格式输入数据和每个用电场景的特征输入至与每个用电场景对应的用电能耗预测模型，以得到每个用电场景的用电能耗预测结果。通过将用电场景划分为更小粒度，在预测时结合每个用电场景对应的特征数据，可以提高预测的精度。[0056]在本技术实施例中，粒度可以包括：[0057]楼栋粒度、楼层粒度、非生产粒度、消防粒度、产线粒度、设备粒度和功能粒度。[0058]具体地，为了对用电能耗数据实现精度更高地预测，可以将工厂用电根据区域、位置和功能的不同，划分为不同粒度的使用场景。不同粒度场景的用电可以互斥也可以重合。将用电场景划分为更小粒度可以提高预测的精确度。粒度可以包括但不限于：楼栋粒度、非生产粒度、消防/应急粒度、产线粒度、设备粒度和功能粒度等。例如，可以根据楼栋粒度，将用电划分为1栋用电、2栋用电和3栋用电等；可以根据非生产粒度，将用电划分为照明用电、插座用电和空调用热水器用排风用电和电梯用电等；可以根据消防/应急粒度，将用电划分为消防排风用电和照明应急用电等；可以根据产线粒度，将用电划分为产线1用电、产线2用电和产线3用电等；可以根据设备粒度，将用电划分为设备1用电、设备2用电和设备3用电等；可以根据功能粒度，将用电划分为办公区用电、机房用电、会议室用电、实验室用电和测试室用电。用电的互斥指不同场景的用电没有关联关系。例如，1栋用电可以与2栋用电互斥，1楼用电可以与2楼用电互斥、照明用电可以与空调用电互斥、产线1用电可以与产线2用电互斥等。用电的重合指不同场景的用电存在关联关系。例如，1栋用电可以与1栋2楼用电重合，2栋用电可以与2栋空调用电重合、产线1用电可以与产线1设备2用电重合等。通过将工厂用电划分为多个粒度，可以提高预测的精度。[0059]在本技术实施例中，每个用电场景的特征可以包括：[0060]排班特征、排产特征、设备状态特征和天气特征。[0061]具体地，每个用电场景都有对应的特征。特征可以作为模型训练和模型预测的特征数据输入。特征可以包括但不限于排班特征、排产特征、设备状态特征和天气特征。在一个示例中，在构建排班特征时，工厂一般设置三班倒的排班制度，包含早班(8:00～16:00)、中班(16:00～24:00)和晚班(0:00～8:00)。如果没有排班，则该时间范围内对应的排班特征为0；如果安排排班，则该时间范围内对应的排班特征非0，并且特征值随着采集数据时间点递增加1。比如某天只安排有晚班和中班，未安排早班，那么这天的排班特征为[1,2,3,......,31,32,0,0,0,......,0,0,1,2,3,......,31,32]共计96点数据。其中第一个[1,2,3,......,31,32]共计32点数据，代表晚班的排班特征；中间[0,0,0,......,0,0]共计32点数据，代表早班的排班特征；第二个[1,2,3,......,31,32]共计32点数据，代表中班的排班特征。在构建排产特征时，在工厂制定排班时，一般都会对每一班制定相应的排产计划，包括生产产品的类型和数量。比如某一班排产计划是生产产品2，生产数量为1000，那么该班的排产特征为[[2,2,2,......,2,2]，[1000,1000,1000,......,1000,1000]]，每行为32点数据；如果某一班未安排排产计划，那么该班的排产特征值均为0。在构建设备状态特征时，对于生产设备而言，一般包括关闭、启动、预热、运行1、运行2、运行3、和待机等运行状态，这些运行状态对应的特征值为0、1、2、3.1、3.2、3.3、……、4；如果不是生产设备，那么运行状态的特征值只有关闭0和打开1。在构建天气特征时，可以使用与工厂用电能耗相关的天气特征，包括温度和湿度的二者的数值，每个时间点对应一个温度数据和一个湿度数值。通过构建的特征数据格式，既能够反映出不同粒度场景的用电能耗情况，还能能够保证模型的输入数据格式一致。[0062]在本技术实施例中，分别接收每个用电场景的线路终端单元设备发送的历史用电能耗数据，以得到每个用电场景的目标格式输入数据可以包括：[0063]分别接收每个用电场景的线路终端单元设备发送的历史用电能耗数据；[0064]将历史用电能耗数据进行预处理以得到目标格式输入数据。[0065]具体地，在每个用电场景的入口处都安装有线路终端单元设备。每个用电终端单元设备可以采集对应的用电场景的用电能耗数据，并在采集数据后将数据逐级、实时传输到数据中心，数据中心即为智能工厂的数据中心。在数据传输时，可以使用电力系统中常见的hplc和5g网络相结合的方式。hplc是高速电力线载波，也称为宽带电力线载波，是在低压电力线上进行数据传输的宽带电力线载波技术。数据中心接收到每个线路终端单元设备发送的数据后，由数据中心汇总多个粒度用电场景的用电能耗数据。对数据进行汇总可以为后续的用电能耗模型训练和模型预测提供数据支撑。目标格式输入数据指满足用电能耗预测模型的格式的数据。服务器需要对数据中心存储的多个粒度用电场景的用电能耗数据进行预处理，将数据处理成用电能耗预测模型的数据格式。其中，用电能耗预测模型可以为时间序列预测模型的一种。在选择时间序列预测模型时，选择能够将未来特征作为输入的算法模型，例如，tft。在一个示例中，以15分钟一次的频率采集数据，使用过去7天的用电数据，预测未来3天的用电数据，那么一条数据的输入格式为[x1,x2,x3,......,x96*7]，输出格式为[y1,y2,y3,......,y96*3]。通过对数据的格式进行处理，可以使数据满足时间序列预测模型的格式要求，以便后续进行预测。[0066]在本技术实施例中，目标格式输入数据满足：[0067][x1，x2，x3，......，xn*n][0068]其中，x1指第一次采集的电能耗数据，x2指第二次采集的电能耗数据，x3指第三次采集的电能耗数据，xn指第n次采集的电能耗数据，n指天数。[0069]具体地，线路终端单元设备在采集数据时，需要按照一定的频率进行采集。一个周期内可以采集n次数据。x1可以指第一次采集的电能耗数据，x2可以指第二次采集的电能耗数据，x3可以指第三次采集的电能耗数据，xn可以指第n次采集的电能耗数据。服务器将接收到的电能耗数据处理成[x1，x2，x3，......，xn*n]的格式，n指天数。通过对数据的格式进行处理，可以使数据满足用电能耗预测模型的格式要求，以便后续进行预测。[0070]在本技术实施例中，该方法还可以包括：[0071]构建与每个用电场景对应的用电能耗预测模型。[0072]具体地，在每一个用电场景的入口处都安装有一个线路终端单元设备，对应采集每个用电场景的用电能耗数据。因为每个用电场景的规格、格式可能存在不同，因此每个用电场景都对应有一个用电能耗预测模型。构建与每个用电场景对应的用电能耗预测模型后，分别对每一个用电能耗预测模型进行训练，以得到相应的用电能耗预测模型。并使用每个用电场景的用电能耗预测模型对每一个用电场景未来的用电耗能进行预测，从而实现智能工厂中多粒度场景的用电能耗预测和管理。[0073]在本技术实施例中，每个用电场景的特征包括每个用电场景的历史周期特征和预测周期特征。[0074]具体地，在使用用电能耗预测模型进行用电能耗预测时，将每个用电场景的目标格式输入数据和每个用电场景的特征输入每个用电场景对应的用电能耗预测模型。其中，每个用电场景的特征包括每个用电场景的历史周期特征和预测周期特征。例如，根据过去7天的数据预测未来3天的用电能耗数据时，可以将过去7天的用电能耗数据、过去7天的特征数据和未来3天的特征数据输入用电能耗预测模型，用电能耗预测模型输出数据即为未来3天的用电能耗预测数据。结合历史周期的特征和预测周期的特征进行预测可以提高预测的精度。[0075]在本技术实施例中，构建与每个用电场景对应的用电能耗预测模型包括：[0076]获取初始用电能耗预测模型；[0077]获取样本数据，样本数据包括每个用电场景的预设历史周期的样本目标格式输入数据、预设历史周期的样本历史周期特征，预设预测周期的样本预测周期特征，以及预设预测周期的用电能耗数据；[0078]分别将每个用电场景的样本目标格式输入数据、样本历史周期特征和样本预测周期特征作为输入，将对应的预设预测周期的用电能耗数据作为输出，训练初始用电能耗预测模型，以得到每个用电场景对应的用电能耗预测模型。[0079]具体地，样本数据指对初始用电能耗预测模型进行训练的数据。样本数据可以包括每个用电场景的预设历史周期的样本目标格式输入数据、预设历史周期的样本历史周期特征，预设预测周期的样本预测周期特征，以及预设预测周期的用电能耗数据。例如，在根据过去一周的数据对模型进行训练时，样本数据可以包括周一至周五的用电能耗数据、周一至周五的特征数据、周六至周日的特征数据和周六至周日的用电能耗数据。分别将每个用电场景的样本目标格式输入数据、样本历史周期特征和样本预测周期特征作为输入，将对应的预设预测周期的用电能耗数据作为输出，训练初始用电能耗预测模型。从而得到每个用电场景对应的用电能耗预测模型。在一个示例中，将过去一周的周一至周五的用电能耗数据、周一至周五的特征数据、周六至周日的特征数据作为输入，将过去一周的周六至周日的用电能耗数据作为输出，对模型进行训练，从而得到每个用电场景对应的用电能耗预测模型。通过对每一个用电场景进行模型构建与训练，以得到每个用电场景对应的用电能耗预测模型，可以提高预测的精度。[0080]通过上述技术方案，首先将智能工厂按不同粒度划分为多个用电场景，多个用电场景中的每个用电场景设置有一个线路终端单元设备，再构建每个场景对应的特征；服务器分别接收每个用电场景的线路终端单元设备发送的历史用电能耗数据，以得到每个用电场景的目标格式输入数据；最后分别将每个用电场景的目标格式输入数据和每个用电场景的特征输入至与每个用电场景对应的用电能耗预测模型，以得到每个用电场景的用电能耗预测结果。通过将用电场景划分为更小粒度，在预测时结合每个用电场景对应的特征数据，可以提高预测的精度。[0081]图2示意性示出了本技术一具体实施例的一种的面向智能工厂多粒度场景的用电能耗预测的方法的流程图。如图2所示，本技术一具体实施例提供一种面向智能工厂多粒度场景的用电能耗预测的方法。[0082]具体地，首先将智能工厂划分为多个粒度，多个粒度可以包括但不限于楼栋粒度、楼层粒度、产线粒度和设备粒度等。再将每个粒度划分为多个用电场景，例如，楼栋粒度可以划分为1栋用电和2栋用电等；楼层粒度可以划分为1楼用电和2楼用电等。在每一个用电场景的入口处都安装有一个线路终端单元设备，用于采集对应用电场景的用电能耗数据。每个用电场景的线路终端单元设备采集数据后，将数据发送至智能工厂的数据中心。数据中心接收数据并将数据按照预设格式进行处理，以得到目标格式输入数据。针对每一个用电场景构建其对应的特征，并构建用电能耗预测模型，根据采集的每个用电场景的用电能耗数据和对应的特征对每个用电场景的用电能耗预测模型进行训练，以得到每个用电场景对应的用电能耗预测模型。通过每个用电场景对应的用电能耗预测模型即可以对每个用电场景的用电能耗进行预测。[0083]通过上述技术方案，首先将智能工厂按不同粒度划分为多个用电场景，多个用电场景中的每个用电场景设置有一个线路终端单元设备，再构建每个场景对应的特征；服务器分别接收每个用电场景的线路终端单元设备发送的历史用电能耗数据，以得到每个用电场景的目标格式输入数据；最后分别将每个用电场景的目标格式输入数据和每个用电场景的特征输入至与每个用电场景对应的用电能耗预测模型，以得到每个用电场景的用电能耗预测结果。通过将用电场景划分为更小粒度，在预测时结合每个用电场景对应的特征数据，可以提高预测的精度。[0084]图3示意性示出了根据本技术实施例的一种服务器的结构框图。如图3所示，本技术实施例提供一种服务器，可以包括：[0085]存储器310，被配置成存储指令；以及[0086]处理器320，被配置成从存储器310调用指令以及在执行指令时能够实现上述的面向智能工厂多粒度场景的用电能耗预测的方法。[0087]具体地，在本技术实施例中，处理器320可以被配置成：[0088]将智能工厂按不同粒度划分为多个用电场景，多个用电场景中的每个用电场景设置有一个线路终端单元设备；[0089]分别接收每个用电场景的线路终端单元设备发送的历史用电能耗数据，以得到每个用电场景的目标格式输入数据；[0090]分别构建每个用电场景的特征；[0091]分别将每个用电场景的目标格式输入数据和每个用电场景的特征输入至与每个用电场景对应的用电能耗预测模型，以得到每个用电场景的用电能耗预测结果。[0092]进一步地，处理器320还可以被配置成：[0093]粒度包括：[0094]楼栋粒度、楼层粒度、非生产粒度、消防粒度、产线粒度、设备粒度和功能粒度。[0095]进一步地，处理器320还可以被配置成：[0096]每个用电场景的特征包括：[0097]排班特征、排产特征、设备状态特征和天气特征。[0098]进一步地，处理器320还可以被配置成：[0099]分别接收每个用电场景的线路终端单元设备发送的历史用电能耗数据，以得到每个用电场景的目标格式输入数据包括：[0100]分别接收每个用电场景的线路终端单元设备发送的历史用电能耗数据；[0101]将历史用电能耗数据进行预处理以得到目标格式输入数据。[0102]进一步地，处理器320还可以被配置成：[0103]目标格式输入数据满足：[0104][x1，x2，x3，......，xn*n][0105]其中，x1指第一次采集的电能耗数据，x2指第二次采集的电能耗数据，x3指第三次采集的电能耗数据，xn指第n次采集的电能耗数据，n指天数。[0106]进一步地，处理器320还可以被配置成：[0107]构建与每个用电场景对应的用电能耗预测模型。[0108]进一步地，处理器320还可以被配置成：[0109]每个用电场景的特征包括每个用电场景的历史周期特征和预测周期特征。[0110]进一步地，处理器320还可以被配置成：[0111]构建与每个用电场景对应的用电能耗预测模型包括：[0112]获取初始用电能耗预测模型；[0113]获取样本数据，样本数据包括每个用电场景的预设历史周期的样本目标格式输入数据、预设历史周期的样本历史周期特征，预设预测周期的样本预测周期特征，以及预设预测周期的用电能耗数据；[0114]分别将每个用电场景的样本目标格式输入数据、样本历史周期特征和样本预测周期特征作为输入，将对应的预设预测周期的用电能耗数据作为输出，训练初始用电能耗预测模型，以得到每个用电场景对应的用电能耗预测模型。[0115]通过上述技术方案，首先将智能工厂按不同粒度划分为多个用电场景，多个用电场景中的每个用电场景设置有一个线路终端单元设备，再构建每个场景对应的特征；服务器分别接收每个用电场景的线路终端单元设备发送的历史用电能耗数据，以得到每个用电场景的目标格式输入数据；最后分别将每个用电场景的目标格式输入数据和每个用电场景的特征输入至与每个用电场景对应的用电能耗预测模型，以得到每个用电场景的用电能耗预测结果。通过将用电场景划分为更小粒度，在预测时结合每个用电场景对应的特征数据，可以提高预测的精度。[0116]图4示意性示出了根据本技术实施例的一种智能工厂的结构图。如图4所示，本技术实施例还提供一种智能工厂，可以包括：[0117]上述的服务器401；[0118]线路终端单元设备402，与服务器通信，设置于每个用电场景的入口处，被配置成发送历史用电能耗数据至服务器。[0119]具体地，多个用电场景的每个用电场景的入口处都安装线路终端单元设备。线路终端单元设备安装于用电的入口处可以以一定频率进行常规的电流监测、电压监测、电能监测等。并且，线路终端单元设备的安装方式简便，不需要改造线路，只需要简单的将线路终端单元设备挂接在原有线路上即可。在一个示例中，线路终端单元设备可以以15分钟一次的频率采集用电能耗数据，那么一天可以采集96条数据。每个用电场景的线路终端单元设备采集到用电能耗数据后，将数据发送至智能工厂的服务器，由服务器接收数据，再将数据发送至数据中心进行处理和存储。通过在每个用电场景的入口处设置一个线路终端单元设备可以采集每个用电场景的用电能耗数据，使得对用电数据的采集和预测更加精确。[0120]本技术实施例还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的面向智能工厂多粒度场景的用电能耗预测的方法。[0121]本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。[0122]本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0123]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0124]这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0125]在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。[0126]存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。存储器是计算机可读介质的示例。[0127]计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。[0128]还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。[0129]以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。当前第1页12当前第1页12

技术特征：

1.一种面向智能工厂多粒度场景的用电能耗预测的方法，其特征在于，应用于智能工厂的服务器，所述智能工厂还包括线路终端单元设备，所述服务器与所述线路终端单元设备通信，所述方法包括：将所述智能工厂按不同粒度划分为多个用电场景，所述多个用电场景中的每个用电场景设置有一个线路终端单元设备；分别接收所述每个用电场景的线路终端单元设备发送的历史用电能耗数据，以得到每个用电场景的目标格式输入数据；分别构建所述每个用电场景的特征；分别将所述每个用电场景的目标格式输入数据和所述每个用电场景的特征输入至与所述每个用电场景对应的用电能耗预测模型，以得到每个用电场景的用电能耗预测结果。2.根据权利要求1所述的方法，其特征在于，所述粒度包括：楼栋粒度、楼层粒度、非生产粒度、消防粒度、产线粒度、设备粒度和功能粒度。3.根据权利要求1所述的方法，其特征在于，所述每个用电场景的特征包括：排班特征、排产特征、设备状态特征和天气特征。4.根据权利要求1所述的方法，其特征在于，所述分别接收所述每个用电场景的线路终端单元设备发送的历史用电能耗数据，以得到每个用电场景的目标格式输入数据包括：分别接收所述每个用电场景的线路终端单元设备发送的历史用电能耗数据；将所述历史用电能耗数据进行预处理以得到目标格式输入数据。5.根据权利要求1所述的方法，其特征在于，所述目标格式输入数据满足：[x1,x2，x3,......,xn*n]其中，x1指第一次采集的电能耗数据，x2指第二次采集的电能耗数据，x3指第三次采集的电能耗数据，xn指第n次采集的电能耗数据，n指天数。6.根据权利要求1所述的方法，其特征在于，所述方法还包括：构建与所述每个用电场景对应的用电能耗预测模型。7.根据权利要求6所述的方法，其特征在于，所述每个用电场景的特征包括每个用电场景的历史周期特征和预测周期特征。8.根据权利要求7所述的方法，其特征在于，所述构建与所述每个用电场景对应的用电能耗预测模型包括：获取初始用电能耗预测模型；获取样本数据，所述样本数据包括每个用电场景的预设历史周期的样本目标格式输入数据、预设历史周期的样本历史周期特征，预设预测周期的样本预测周期特征，以及预设预测周期的用电能耗数据；分别将每个用电场景的所述样本目标格式输入数据、所述样本历史周期特征和所述样本预测周期特征作为输入，将对应的所述预设预测周期的用电能耗数据作为输出，训练所述初始用电能耗预测模型，以得到所述每个用电场景对应的用电能耗预测模型。9.一种服务器，其特征在于，包括：存储器，被配置成存储指令；以及处理器，被配置成从所述存储器调用所述指令以及在执行所述指令时能够实现根据权利要求1至8中任一项所述的面向智能工厂多粒度场景的用电能耗预测的方法。
10.一种智能工厂，其特征在于，包括：根据权利要求9的服务器；线路终端单元设备，与所述服务器通信，设置于每个用电场景的入口处，被配置成发送历史用电能耗数据至所述服务器。11.一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令用于使得机器执行根据权利要求1至8中任一项所述的面向智能工厂多粒度场景的用电能耗预测的方法。

技术总结

本申请公开了一种面向智能工厂多粒度场景的用电能耗预测的方法。该方法包括：将智能工厂按不同粒度划分为多个用电场景，多个用电场景中的每个用电场景设置有一个线路终端单元设备；分别接收每个用电场景的线路终端单元设备发送的历史用电能耗数据，以得到每个用电场景的目标格式输入数据；分别构建每个用电场景的特征；分别将每个用电场景的目标格式输入数据和每个用电场景的特征输入至与每个用电场景对应的用电能耗预测模型，以得到每个用电场景的用电能耗预测结果。本申请通过将用电场景划分为更小粒度，并结合特征数据进行预测，能够提高预测的精度。能够提高预测的精度。能够提高预测的精度。