(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211025256.9 (22)申请日 2022.08.25 (71)申请人 中国石油大 学 （华东） 地址 266000 山东省青岛市黄岛区长江西 路66号 (72)发明人 张卫山　聂宇铭　包致成　刘宇儒　 张镇　朱钊墨　 (74)专利代理 机构 青岛鼎丞智佳知识产权代理 事务所(普通 合伙) 3727 7 专利代理师 王剑伟 (51)Int.Cl. G06F 16/2458(2019.01) G06F 16/215(2019.01) G06F 16/29(2019.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种基于深度学习的电能能耗采集分析方 法及系统 (57)摘要 本发明提供了一种基于深度学习的电能能 耗采集分析方法及系统， 其中方法具体包括以下 步骤： 数据采集装置采集能耗数据， 包括用电数 据、 日期、 地区和天气数据， 并写入数据库； 数据 预处理模块对 数据库内存储的数据进行预处理； 分类模块LSTM ‑FCN算法根据用电特征对用户所 属行业进行分类； 预测模块N ‑BEATS算法根据输 入的特定时间段的用电数据预测未来特定时间 段的用电数据。 本发明提供了一种从底层数据采 集到顶层数据分析的能耗采集分析方法， 同时在 能耗分析时首先建立分类模型， 对采集的能耗序 列按特征进行分类， 在分类的基础上建立预测模 型， 针对不同类型的用户有不同的预测模型进行 能耗预测， 提高准确率和泛化 性以及可解释性。 权利要求书3页 说明书8页 附图3页 CN 115357642 A 2022.11.18 CN 115357642 A 1.一种基于深度学习的电能 能耗采集分析 方法， 其特 征在于， 包括以下步骤： 步骤1， 通过数据采集装置获取若干个行业中用户的智能电表的某一时间段的能耗数 据， 包括用电数据、 日期、 地区和天气数据并写入数据库； 步骤2， 对写入数据库的数据进行预处理； 所述预处理是对于数据异常的问题， 将异常 的数据剔除， 对于数据缺 失问题， 根据模型需要 数据的格式对 数据进行切片， 避开存在缺 失 的部分； 步骤3， 把行业维度作为标签， 将步骤2中预处理后的用电数据、 日期、 地区和 天气数据 四种数据作为特征分别输入LSTM ‑FCN算法模型中进行模型的训练， 并使用训练好的LSTM ‑ FCN算法模型根据采集输入的能耗数据对能耗的用户进行 行业分类； 步骤4， 将获取的不同行业的特定时间段的电力数据分别对N ‑BEATS算法模型进行训 练， 并获得若干个不同行业的N ‑BEATS算法模 型； 根据步骤3中分类的用户所属行业， 将采集 的特定时间段的用电数据输入对应行业的训练完成的N ‑BEATS算法模型中， 对未来特定时 间段的用电数据进行 预测。 2.如权利要求1所述的一种基于深度 学习的电能能耗采集分析方法， 其特征在于： 所述 步骤1中的某一时间段为一年， 采样间隔为1小时的采集于若干个行业的能耗数据； 所述数 据采集装置为树莓派， 所述树莓 派与电表之间使用RS485总线 连接， 并通过ModBus协议对电 表内的数据进行读取； 所述树莓派通过电表所属区域信息从网上获取天气数据， 并将获取 的用电数据、 日期、 地区和天气数据存放至 MySQL数据库。 3.如权利要求1所述的一种基于深度 学习的电能能耗采集分析方法， 其特征在于： 所述 步骤2中将异常的数据剔除是针对每个电表采集的数据， 使用四分位数法判断采集的数据 是否异常， 具体如下： 对每个电表采集的数据从小到大进行排序， Q1、 Q2和Q3分别为该样本中所有数值由小 到大排列后第25％、 50％和75％的数字， 异常值判断的阈值设定为： 阈值上限U＝Q3+1.5* (Q3‑Q1) 阈值下限D＝ Q1‑1.5*(Q3‑Q1) 超过此阈值的即为异常数据， 对异常数据进行删除处 理。 4.如权利要求1所述的一种基于深度 学习的电能能耗采集分析方法， 其特征在于： 所述 LSTM‑FCN算法模型包括LSTM块、 FCN块、 连接层和softmax层； 所述LSTM块和FCN块提取用电 数据和协变量之间的特征， 并将结果张量输入连接层； 所述连接层纵向连接LSTM块和FCN块 的结果， 将二者提取到的特征综合起来； 所述softmax层对神经网络的输出结果进行换算， 将输出结果用概 率的形式表现出来， 即将输入的数据划分为某类行业的概 率。 5.如权利要求1所述的一种基于深度 学习的电能能耗采集分析方法， 其特征在于： 所述 N‑BEATS算法模型以堆栈 ‑块的层次结构组成； 所述堆栈包含多个块， 针对于不同解释性对 用电数据进行预测； 所述块由全卷积块和可解释计算模块组成， 所述全卷积块提取用电数 据特征， 所述可解释计算模块计算该 可解释方面的预测值； 具体工作步骤如下： S1： 输入上个块输入与后向预测的残差； S2： 输入的数据首 先经过4层全卷积， 提取用电数据的特 征； S3： 对步骤S2输出的数据进行 可解释性计算， 获得针对于该解释方面的预测；权　利　要　求　书 1/3 页 2 CN 115357642 A 2使用多项式拟合时间序列的趋势， 拟合公式为： 使用三角函数拟合时间序列的季节性， 拟合公式为： 其中N为多项式的最高次项指数， t为时间， 为第s个堆栈中的第b个块全卷积层 的输出， H表示时间序列的长度， Nhr为超参数。 6.一种基于深度学习的电能能耗采集分析系统， 其特征在于： 包括服务器和用于采集 电能能耗数据的数据采集装置， 所述服务器包括数据库、 数据预处理模块、 分类模块和预测 模块； 所述数据采集装置用于获取智能电表的能耗数据并写入数据库； 所述数据预处理模 块用于对 数据库内存储的数据进 行预处理， 对于数据 异常的问题， 将异常的数据剔除， 对于 数据缺失问题， 根据模型需要 数据的格式对数据进 行切片， 避开存在缺 失的部分； 所述分类 模块是训练完成的LSTM ‑FCN算法模 型， 所述LSTM ‑FCN算法模 型根据采集的能耗数据对能耗 的用户进行行业分类； 所述预测模块为训练完成的多个与用户类型相 对应的N‑BEATS算法 模型， 根据分类模块的结果， 将采集的用电数据输入相 对应的N‑BEATS算法模型中， 对未来 特定时间段的用电数据进行 预测。 7.如权利要求6所述的一种基于深度 学习的电能能耗采集分析系统， 其特征在于： 所述 电能能耗数据包括用电数据、 日期、 地区和天气数据； 所述数据采集装置为树莓派， 所述树 莓派与电表之间使用RS48 5总线连接， 并通过ModBus协议对电表内的数据进 行读取； 所述树 莓派通过电表所属区域信息从网上获取天气数据， 并将获取的用电数据、 日期、 地区和天气 数据存放至 MySQL数据库。 8.如权利要求6所述的一种基于深度 学习的电能能耗采集分析系统， 其特征在于： 所述 步骤2中将异常的数据剔除是针对每个电表采集的数据， 使用四分位数法判断采集的数据 是否异常， 具体如下： 对每个电表采集的数据从小到大进行排序， Q1、 Q2和Q3分别为该样本中所有数值由小 到大排列后第25％、 50％和75％的数字， 异常值判断的阈值设定为： 阈值上限U＝Q3+1.5* (Q3‑Q1) 阈值下限D＝ Q1‑1.5*(Q3‑Q1) 超过此阈值的即为异常数据， 对异常数据进行删除处 理。 9.如权利要求6所述的一种基于深度 学习的电能能耗采集分析系统， 其特征在于： 所述 训练完成的LSTM ‑FCN算法模 型是把行业 维度作为标签， 将预 处理后的用电数据、 日期、 地区 和天气数据四种数据作为特征分别输入LSTM ‑FCN算法模型中进行模型的训练； 所述LSTM ‑ FCN算法模型包括LSTM块、 FCN块、 连接层和softmax层； 所述LSTM块和FCN块提取用电数据和 协变量之间的特征， 并将结果张量输入连接层； 所述连接层纵向连接LSTM块和FCN块的结 果， 将二者提取到的特征综合起来； 所述softmax层对神经网络的输出结果进行换算， 将输 出结果用概 率的形式表现出来， 即将输入的数据划分为某类行业的概 率。权　利　要　求　书 2/3 页 3 CN 115357642 A 3