[0001] 本申请涉及智能监测技术领域，且更为具体地，涉及面向综合能源装置的设备状态实时感知与在线监测系统。

[0002] 综合能源装置以其多样化的能源利用形式和高效的能源转换能力，成为了保障能源供应稳定和提高能源利用效率的关键设备。在当今对能源的需求日益增长的环境背景下，综合能源装置的应用越来越广泛。然而，随着综合能源装置的规模和复杂性不断增加，对其运行状态的有效监控和维护成了一个新的挑战。

[0003] 传统的设备状态监测方法主要依赖于定期的手动检查或基于阈值的简单自动化监控。然而，人工定期检查的监测方式不仅效率低下，无法实时监测设备状态，且容易受到检查人员的技能水平、工作态度等人为因素的影响，无法确保监测的准确性和及时性。同时，由于设备的健康状况往往无法仅根据单个测量值来进行可靠地判断，所以，基于阈值的简单自动化监控方式也存在较大的局限性。

[0004] 因此，期待一种优化的面向综合能源装置的设备状态实时感知与在线监测系统。

[0021] 下面，将结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。同时，附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

[0022] 图1为根据本申请实施例的面向综合能源装置的设备状态实时感知与在线监测系统的框图。图2为根据本申请实施例的面向综合能源装置的设备状态实时感知与在线监测系统的架构示意图。如图1和图2所示，根据本申请实施例的面向综合能源装置的设备状态实时感知与在线监测系统100，包括：能源装置运行监控模块110，用于获取被监控综合能源装置的能耗数据的时间序列和功率数据的时间序列；数据校正模块120，用于对所述能耗数据的时间序列和所述功率数据的时间序列分别进行数据规整和伽马校正以得到校正能耗数据时序输入向量和校正功率数据时序输入向量；时序上下文关联编码模块130，用于对所述校正能耗数据时序输入向量和所述校正功率数据时序输入向量分别进行时序上下文编码以得到能耗数据时序关联语义特征向量和功率数据时序关联语义特征向量；响应交互模块140，用于提取所述能耗数据时序关联语义特征向量和所述功率数据时序关联语义特征向量之间的响应交互关联特征以得到能耗‑功率时序交互响应特征向量；监测结果生成模块150，用于基于所述能耗‑功率时序交互响应特征向量，确定监测结果。

[0023] 如上述背景技术所言，传统的设备状态监测方法主要依赖于定期的手动检查或基于阈值的简单自动化监控。然而，这些方法存在着一些明显的不足。首先，人工定期检查的监测方式需要人工巡检设备，记录各项参数，然后进行分析和判断，不仅需要大量的人力和时间成本，而且无法实时监测设备的状态，难以及时发现和处理潜在的安全隐患，并且容易受到人为因素的影响，无法确保监测的准确性和及时性。其次，基于阈值的简单自动化监控方式也存在较大的局限性。这种监控方式通常是根据预设的阈值来判断设备是否正常运行，如果设备参数超过阈值，则发出警报。然而，设备的健康状况往往无法仅根据单个测量值来进行可靠地判断，因此，仅仅依赖阈值来判断设备的运行状态往往不够准确和全面。

[0024] 针对上述技术问题，本申请的技术构思为采用基于深度学习的人工智能技术对综合能源装置的运行数据进行监控分析，分别提取出能源装置的能耗数据和功率数据的时序关联语义特征，捕捉到能源装置的能耗和功率之间的时序交互响应特征，挖掘出能耗数据和功率数据中的异常变化模式，以此来进行设备异常状态的智能识别。这样，可以对综合能源装置的运行状态进行实时、准确地感知与监测，从而能够提高设备的运行效率、保障能源供应稳定以及预防设备故障。

[0025] 在上述面向综合能源装置的设备状态实时感知与在线监测系统100中，所述能源装置运行监控模块110，用于获取被监控综合能源装置的能耗数据的时间序列和功率数据的时间序列。应可以理解，能耗数据和功率数据是评估综合能源装置运行状态的重要指标。具体来说，能耗数据反映了装置在运行过程中的能量消耗情况，而功率数据则反映了装置的工作效率和能量转换能力。在本申请的技术方案中，通过对能源装置的能耗和功率这两个关键指标进行时序分析，以捕捉到能源装置的运行状态变化规律，使得能够深入理解装置的运行情况，从而及时发现设备的异常运行模式，以便及时采取措施进行修复或调整。

[0026] 在上述面向综合能源装置的设备状态实时感知与在线监测系统100中，所述数据校正模块120，用于对所述能耗数据的时间序列和所述功率数据的时间序列分别进行数据规整和伽马校正以得到校正能耗数据时序输入向量和校正功率数据时序输入向量。其中，图3为根据本申请实施例的面向综合能源装置的设备状态实时感知与在线监测系统中数据校正模块的框图。如图3所示，所述数据校正模块120，包括：时序排列单元121，用于将所述能耗数据的时间序列和所述功率数据的时间序列分别按照时间维度排列为能耗数据时序输入向量和功率数据时序输入向量；伽马校正单元122，用于将所述能耗数据时序输入向量和所述功率数据时序输入向量通过伽马校正模块以得到所述校正能耗数据时序输入向量和所述校正功率数据时序输入向量。

[0027] 具体地，所述时序排列单元121，用于将所述能耗数据的时间序列和所述功率数据的时间序列分别按照时间维度排列为能耗数据时序输入向量和功率数据时序输入向量。应可以理解，考虑到能耗数据和功率数据均随时间变化，两者在时间维度上具有明显的时序相关性。因此，为了分别整合能耗数据和功率数据的时序分布信息，进一步将所述能耗数据的时间序列和所述功率数据的时间序列分别按照时间维度排列为时序输入向量形式，以保留数据的时间顺序关系，使得在后续的数据分析中能够以时间顺序访问各个数据点，从而更好地捕捉到数据的时序关联变化特性，以提高设备运行状态监测的准确性和可靠性。

[0028] 具体地，所述伽马校正单元122，用于将所述能耗数据时序输入向量和所述功率数据时序输入向量通过伽马校正模块以得到所述校正能耗数据时序输入向量和所述校正功率数据时序输入向量。应可以理解，考虑到在实际的能源装置运行过程中，由于传感器性能、运行环境变化等各种因素的影响，传感器所采集的能耗数据和功率数据可能会存在一定的偏差或噪声。因此，为了消除这些偏差和噪声对后续的数据时序模式分析的影响，在本申请的技术方案中，引入了伽马校正模块对所述能耗数据时序输入向量和所述功率数据时序输入向量进行处理，以校正能耗数据和功率数据的偏差和噪声，使得数据更加接近真实值。具体来说，伽马校正模块通过对所述能耗数据时序输入向量和所述功率数据时序输入向量中的各个位置的特征值进行非线性变换，将数据的分布调整到一个更加合理的范围，以校正数据在采集和传输过程中可能产生的非线性失真，从而提高数据的质量，使得后续的数据分析和时序特征提取更加准确可靠。

[0029] 在本申请的一个具体示例中，所述伽马校正单元122，用于：以如下伽马校正公式对所述能耗数据时序输入向量进行处理以得到所述校正能耗数据时序输入向量；其中，所述伽马校正公式为：其中， 为所述能耗数据时序输入向量的第 个特征值，
为数值不相同的调整参数， 为所述校正能耗数据时序输入向量的第 个特
征值。

[0030] 在上述面向综合能源装置的设备状态实时感知与在线监测系统100中，所述时序上下文关联编码模块130，用于对所述校正能耗数据时序输入向量和所述校正功率数据时序输入向量分别进行时序上下文编码以得到能耗数据时序关联语义特征向量和功率数据时序关联语义特征向量。在本申请的一个具体示例中，对所述校正能耗数据时序输入向量和所述校正功率数据时序输入向量分别进行时序上下文编码的编码方式是将所述校正能耗数据时序输入向量和所述校正功率数据时序输入向量通过基于LSTM模型的时序上下文编码器以得到所述能耗数据时序关联语义特征向量和所述功率数据时序关联语义特征向量。应可以理解，由于综合能源装置的能耗数据和功率数据在时间维度上具有连续的关联关系，因此，为了有效地捕捉到能耗数据和功率数据的深层次的时序关联特征，在本申请的技术方案中，进一步采用基于LSTM模型的时序上下文编码器对所述校正能耗数据时序输入向量和所述校正功率数据时序输入向量分别进行时序上下文关联编码。本领域普通技术人员应知晓，LSTM（长短期记忆）模型是一种特殊的循环神经网络（RNN）模型，能够有效地捕捉到序列数据中的长期依赖关系。这里，所述基于LSTM模型的时序上下文编码器通过其内部的记忆单元和门控机制，能够在所述校正能耗数据时序输入向量和所述校正功率数据时序输入向量的每一个时间点上，结合前向时间步的数据信息和当前时间步的数据信息，动态地更新内部状态，从而有效地捕捉到能耗数据和功率数据中的长期依赖关系，学习到能耗数据和功率数据在时间维度上的深层次关联特征，从而更好地表征能源装置的时序运行模式，为后续的异常运行模式识别提供数据支持。

[0031] 在上述面向综合能源装置的设备状态实时感知与在线监测系统100中，所述响应交互模块140，用于提取所述能耗数据时序关联语义特征向量和所述功率数据时序关联语义特征向量之间的响应交互关联特征以得到能耗‑功率时序交互响应特征向量。在本申请的一个具体示例中，提取所述能耗数据时序关联语义特征向量和所述功率数据时序关联语义特征向量之间的响应交互关联特征的编码方式是使用能耗‑功率响应交互模块对所述能耗数据时序关联语义特征向量和所述功率数据时序关联语义特征向量进行响应交互以得到所述能耗‑功率时序交互响应特征向量。应可以理解，考虑到综合能源装置的能耗数据和功率数据之间存在相互影响和相互制约的关联关系，因此，为了更全面地理解能源装置的运行状态，需要进一步对能耗数据和功率数据进行响应交互分析。在本申请的技术方案中，引入了能耗‑功率响应交互模块对所述能耗数据时序关联语义特征向量和所述功率数据时序关联语义特征向量进行响应交互分析。具体来说，所述能耗‑功率响应交互模块能够有效地建模能耗数据和功率数据之间的关联关系，将所述能耗数据时序关联语义特征向量和所述功率数据时序关联语义特征向量进行时序特征交互，挖掘出能耗和功率之间的非线性交互影响关系，以此来反映能源装置在运行时能耗和功率之间的动态平衡和协同作用，从而更深入地理解设备的运行状态。

[0032] 在本申请的一个具体示例中，所述响应交互模块140，用于：以如下响应交互公式对所述能耗数据时序关联语义特征向量和所述功率数据时序关联语义特征向量进行响应交互以得到所述能耗‑功率时序交互响应特征向量；其中，所述响应交互公式为：其中， 是所述能耗
数据时序关联语义特征向量， 是所述功率数据时序关联语义特征向量， 表示特征向量的转置， 表示特征向量的 范数的平方， 表示元素对位相减求差处理， 表示元素对位相加求和处理， 表示所述能耗‑功率时序交互响应特征向量。

[0033] 在上述面向综合能源装置的设备状态实时感知与在线监测系统100中，所述监测结果生成模块150，用于基于所述能耗‑功率时序交互响应特征向量，确定监测结果。其中，图4为根据本申请实施例的面向综合能源装置的设备状态实时感知与在线监测系统中监测结果生成模块的框图。如图4所示，所述监测结果生成模块150，包括：特征分布校正单元151，用于对所述能耗‑功率时序交互响应特征向量进行特征分布校正以得到校正后能耗‑功率时序交互响应特征向量；分类单元152，用于将所述校正后能耗‑功率时序交互响应特征向量通过基于分类器的设备状态监测器以得到所述监测结果，所述监测结果用于表示设备状态是否存在异常。

[0034] 具体地，所述特征分布校正单元151，用于对所述能耗‑功率时序交互响应特征向量进行特征分布校正以得到校正后能耗‑功率时序交互响应特征向量。应可以理解，在上述技术方案中，所述能耗数据时序关联语义特征向量和所述功率数据时序关联语义特征向量分别表达所述能耗数据和所述功率数据的近程‑远程双向时序关联编码特征，但是，考虑到所述能耗数据和所述功率数据的源时序分布差异以及伽马校正模块对于局部时序非线性响应的校正而对时序分布主趋势的强化，所述能耗数据时序关联语义特征向量和所述功率数据时序关联语义特征向量也会具有显著的时序特征分布结构差异，这样，使用能耗‑功率响应交互模块对所述能耗数据时序关联语义特征向量和所述功率数据时序关联语义特征向量进行响应交互时，期望对所述能耗‑功率时序交互响应特征向量进行特征分布校正，以改进所述能耗‑功率时序交互响应特征向量对于所述能耗数据时序关联语义特征向量和所述功率数据时序关联语义特征向量的响应交互融合效果。

[0035] 具体地，所述特征分布校正单元151，包括：校正生成子单元，用于对所述能耗数据时序关联语义特征向量和所述功率数据时序关联语义特征向量进行融合校正以得到校正特征向量；校正施加子单元，用于融合所述校正特征向量和所述能耗‑功率时序交互响应特征向量以得到所述校正后能耗‑功率时序交互响应特征向量。

[0036] 更为具体地，所述校正生成子单元，用于：以如下融合校正公式对所述能耗数据时序关联语义特征向量和所述功率数据时序关联语义特征向量进行融合校正，以得到校正特征向量，其中，所述融合校正公式为：其中， 是所述能耗数
据时序关联语义特征向量， 是所述功率数据时序关联语义特征向量， ，
，特征向量 和 具有相同长度 ，和 是尺度超参数， 表示向量乘法运算，表示特征向量的转置，且 是距离差值超参数， 是所述校正特征向量的第 个特征值。

[0037] 这里，针对特征融合场景下，所述能耗数据时序关联语义特征向量和所述功率数据时序关联语义特征向量之间的流形分布距离导致的流形网络结构交互重建困难的问题，通过低阶中尺度希尔伯特空间基元结构对于复杂流形网络结构中的网络子结构的有效近似，来进行基于距离表示的低阶中尺度子流形交互行为构建，从而在网络相互作用层面上理解网络中的异常子流形交互，提升所述能耗数据时序关联语义特征向量和所述功率数据时序关联语义特征向量的特征响应交互融合效果。这样，再将由 组成的校正特征向量与所述能耗‑功率时序交互响应特征向量融合，就可以提升所述能耗‑功率时序交互响应特征向量对于所述能耗数据时序关联语义特征向量和所述功率数据时序关联语义特征向量的响应交互融合效果，从而提升其通过分类器得到的分类结果的准确性。

[0038] 具体地，所述分类单元152，用于将所述校正后能耗‑功率时序交互响应特征向量通过基于分类器的设备状态监测器以得到所述监测结果，所述监测结果用于表示设备状态是否存在异常。也就是，采用基于分类器的设备状态监测器来识别设备的运行状态是否存在异常。具体来说，所述设备状态监测器接收所述校正后能耗‑功率时序交互响应特征向量作为输入，并利用预先训练好的分类器模型对其进行分类判断，将所述校正后能耗‑功率时序交互响应特征向量映射到用于表示设备状态的不同类别标签（设备状态正常和设备状态存在异常）中，以确定设备的监测结果。这样，当所述基于分类器的设备状态监测器判定设备状态存在异常时，可以及时发出报警或通知，以便及时提示工作人员采取措施进行修复或调整，为设备的维护和管理提供智能决策支持。

[0039] 在本申请的一个具体示例中，所述分类单元152，用于：使用所述基于分类器的设备状态监测器的全连接层对所述校正后能耗‑功率时序交互响应特征向量进行全连接编码以得到全连接编码特征向量；将所述全连接编码特征向量输入所述基于分类器的设备状态监测器的Softmax分类函数以得到所述校正后能耗‑功率时序交互响应特征向量归属于各个分类标签的概率值，所述分类标签包括设备状态正常和设备状态存在异常；将所述概率值中最大者对应的分类标签确定为所述监测结果。

[0040] 综上，根据本申请实施例的面向综合能源装置的设备状态实时感知与在线监测系统被阐明，其采用基于深度学习的人工智能技术对综合能源装置的运行数据进行监控分析，分别提取出能源装置的能耗数据和功率数据的时序关联语义特征，捕捉到能源装置的能耗和功率之间的时序交互响应特征，挖掘出能耗数据和功率数据中的异常变化模式，以此来进行设备异常状态的智能识别。这样，可以对综合能源装置的运行状态进行实时、准确地感知与监测，从而能够提高设备的运行效率、保障能源供应稳定以及预防设备故障。

[0041] 以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述实施例的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。

[0042] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。在本发明所提供的几个实施例中，应该理解到，所揭露的系统，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。

[0043] 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。

[0044] 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。

[0045] 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也可以由一个单元通过软件或者硬件来实现。

[0046] 最后应说明的是，为了例示和描述的目的已经给出了以上描述。此外，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。