CN120197119A 一种工业水电能耗异常监测方法及系统

(19)国家知识产权局(10)申请公布号CN120197119A(21)申请号202510685484.6(71)申请人宁波沃仕盾科技有限公司座)1706室(74)专利代理机构深圳市康弘知识产权代理有限公司44247(54)发明名称一种工业水电能耗异常监测方法及系统本申请提出一种工业水电能耗异常监测方法及系统，工业水电能耗异常监测方法包括：周期性获取工业用水能耗与工业用电能耗，得到水能序列和电能序列；基于所述水能序列和所述电能序列，确定对应的水能特征和电能特征；根据所述水能特征和所述电能特征，构建水电关联特征；在根据所述水电关联特征确定所述水能序列和所述电能序列不存在异常的情况下，根据预先训练的时空预测模型处理所述水能序列和所述电能序列，得到预测水能和预测电能；基于所述预测水能和所述预测电能，输出所述水能序列和所述电能序列的异常监测结果。本申请涉及工业周期性获取工业用水能耗与工业用电能耗，得到水能序列和电能序列周期性获取工业用水能耗与工业用电能耗，得到水能序列和电能序列基于所述水能序列和所述电能序列，确定对应的水能特征和电能特征根据所述水能特征和所述电能特征，构建水电关联特征在根据所述水电关联特征确定所述水能序列和所述电能序列不存在异常的情况下，根据预先训练的时空预测模型处理所述水能序列和所述电能序列，得到预测水能和预测电能基于所述预测水能和所述预测电能，输出所述水能序列和所述电能序列的异常监测结果2周期性获取工业用水能耗与工业用电能耗，得到水能序列和电能序列；基于所述水能序列和所述电能序列，确定对应的水能特征和电能特征；根据所述水能特征和所述电能特征，构建水电关联特征；在根据所述水电关联特征确定所述水能序列和所述电能序列不存在异常的情况下，根据预先训练的时空预测模型处理所述水能序列和所述电能序列，得到预测水能和预测电基于所述预测水能和所述预测电能，输出所述水能序列和所述电能序列的异常监测结2.如权利要求1所述的工业水电能耗异常监测方法，其特征在于，所述根据所述水能特征和所述电能特征，构建水电关联特征包括：根据所述电能特征中的功率数据、所述水能特征中的流量数据和压差数据，确定所述水能特征和所述电能特征的水电耦合系数；根据所述水能特征中的第一实际能耗和第一计划能耗以及所述电能特征中的第二实际能耗和第二计划能耗，确定所述水能特征和所述电能特征的能耗匹配度；根据所述电能特征的时间戳，从所述第二实际能耗中确定峰时能耗和谷时能耗；根据所述峰时能耗和所述谷时能耗确定所述电能特征的能耗分布系数；根据所述能耗分布系数和所述能耗匹配度，确定所述水能特征和所述电能特征的间接关联系数；根据所述水电耦合系数和所述间接关联系数，确定所述水电关联特征。3.如权利要求2所述的工业水电能耗异常监测方法，其特征在于，所述确定所述水能特征和所述电能特征的水电耦合系数包括：确定所述流量数据和所述压差数据的乘积；根据所述功率数据和所述乘积的比值，确定所述水电耦合系数；其中，所述水电耦合系数用于指示所述水能特征和所述电能特征之间的关联程度。4.如权利要求2所述的工业水电能耗异常监测方法，其特征在于，所述根据所述能耗分布系数和所述能耗匹配度，确定所述水能特征和所述电能特征的间接关联系数包括：确定所述能耗分布系数和所述能耗匹配度的乘积为所述水能特征和所述电能特征的间接关联系数。5.如权利要求2所述的工业水电能耗异常监测方法，其特征在于，根据所述水电关联特征确定所述水能序列和所述电能序列存在异常包括：根据所述水能特征和所述电能特征构建节点；根据所述水电耦合系数和所述间接关联系数确定任意两个节点之间的边权；根据所述节点和所述边权构建水电图数据；基于预先训练的图神经网络，确定所述水电图数据的编码向量；在所述编码向量与预存的历史编码向量之间的差异度大于或等于预设的差异阈值的情况下，确定所述水能序列和所述电能序列存在异常；在所述编码向量与预存的历史编码向量之间的差异度小于预设的差异阈值的情况下，确定所述水能序列和所述电能序列不存在异常。3根据预先获取的历史水能序列、历史电能序列以及对应的时间戳，构建第一时域编码根据所述历史水能序列、所述历史电能序列以及对应的位置信息，构建第一空域编码基于所述第一时域编码和所述第一空域编码，根据预先构建根据所述第二时域编码和所述预测时域编码之间的差异，以依据反向传播算法更新所述初始预测模型，直到所述第在基于所述时空预测模型确定预测水能和预测电能的次数达到预设的次数阈值时，确所述电子设备，用于周期性从所述传感器获取工业用水能耗与工业用电能耗，得到水所述电子设备，还用于基于所述水能序列和所述电能序列，所述电子设备，还用于在根据所述水电关联特征确定所述水能序列和所述电能序列不4所述电子设备，还用于基于所述预测水能和所述预测电能，输出所述水能序列和所述电能序列的异常监测结果。10.如权利要求9所述的工业水电能耗异常监测系统，其特征在于，所述电子设备根据所述水能特征和所述电能特征，构建水电关联特征包括：根据所述电能特征中的功率数据、所述水能特征中的流量数据和压差数据，确定所述水能特征和所述电能特征的水电耦合系数；根据所述水能特征中的第一实际能耗和第一计划能耗以及所述电能特征中的第二实际能耗和第二计划能耗，确定所述水能特征和所述电能特征的能耗匹配度；根据所述电能特征的时间戳，从所述第二实际能耗中确定峰时能耗和谷时能耗；根据所述峰时能耗和所述谷时能耗确定所述电能特征的能耗分布系数；根据所述能耗分布系数和所述能耗匹配度，确定所述水能特征和所述电能特征的间接关联系数；根据所述水电耦合系数和所述间接关联系数，确定所述水电关联特征。5一种工业水电能耗异常监测方法及系统技术领域[0001]本申请涉及工业监测技术领域，尤其涉及一种工业水电能耗异常监测方法及系统。背景技术[0002]目前，随着数据科学发展，一些企业或厂家倾向于利用大数据技术为工业生产赋能，以提升工业生产的效率并降低工业生产的成本。例如，一些企业通过对水电能耗进行监测，优化工艺制程，从而提升工业生产的效益。目前，通常通过传感器实时采集到的能耗数据调整工业制程工艺。然而这种方式未考虑水电能耗的相关性等深层数据特征，导致工业监测的准确度低。发明内容[0003]鉴于以上内容，有必要提出一种工业水电能耗异常监测方法及系统，以解决工业监测的准确度低下的技术问题。[0004]本申请提供一种工业水电能耗异常监测方法，应用于电子设备，所述方法包括：周期性获取工业用水能耗与工业用电能耗，得到水能序列和电能序列；基于所述水能序列和所述电能序列，确定对应的水能特征和电能特征；根据所述水能特征和所述电能特征，构建水电关联特征；在根据所述水电关联特征确定所述水能序列和所述电能序列不存在异常的情况下，根据预先训练的时空预测模型处理所述水能序列和所述电能序列，得到预测水能和预测电能；基于所述预测水能和所述预测电能，输出所述水能序列和所述电能序列的异常监测结果。[0005]在一些实施例中，所述根据所述水能特征和所述电能特征，构建水电关联特征包括：根据所述电能特征中的功率数据、所述水能特征中的流量数据和压差数据，确定所述水能特征和所述电能特征的水电耦合系数；根据所述水能特征中的第一实际能耗和第一计划能耗以及所述电能特征中的第二实际能耗和第二计划能耗，确定所述水能特征和所述电能特征的能耗匹配度；根据所述电能特征的时间戳，从所述第二实际能耗中确定峰时能耗和谷时能耗；根据所述峰时能耗和所述谷时能耗确定所述电能特征的能耗分布系数；根据所述能耗分布系数和所述能耗匹配度，确定所述水能特征和所述电能特征的间接关联系数；根据所述水电耦合系数和所述间接关联系数，确定所述水电关联特征。[0006]在一些实施例中，所述确定所述水能特征和所述电能特征的水电耦合系数包括：确定所述流量数据和所述压差数据的乘积；根据所述功率数据和所述乘积的比值，确定所述水电耦合系数；其中，所述水电耦合系数用于指示所述水能特征和所述电能特征之间的关联程度。[0007]在一些实施例中，所述根据所述能耗分布系数和所述能耗匹配度，确定所述水能特征和所述电能特征的间接关联系数包括：确定所述能耗分布系数和所述能耗匹配度的乘积为所述水能特征和所述电能特征的间接关联系数。6[0008]在一些实施例中，根据所述水电关联特征确定所述水能序列和所述电能序列存在异常包括：根据所述水能特征和所述电能特征构建节点；根据所述水电耦合系数和所述间接关联系数确定任意两个节点之间的边权；根据所述节点和所述边权构建水电图数据；基于预先训练的图神经网络，确定所述水电图数据的编码向量；在所述编码向量与预存的历史编码向量之间的差异度大于或等于预设的差异阈值的情况下，确定所述水能序列和所述电能序列存在异常；在所述编码向量与预存的历史编码向量之间的差异度小于预设的差异阈值的情况下，确定所述水能序列和所述电能序列不存在异常。[0009]在一些实施例中，所述方法还包括训练所述时空预测模型，所述训练所述时空预测模型包括：根据预先获取的历史水能序列、历史电能序列以及对应的时间戳，构建第一时域编码和第二时域编码；根据所述历史水能序列、所述历史电能序列以及对应的位置信息，构建第一空域编码和第二空域编码；基于所述第一时域编码和所述第一空域编码，根据预先构建的初始预测模型，确定对应的预测时域编码和预测空域编码；根据所述第二时域编码和所述预测时域编码之间的差异，以及所述第二空域编码和所述预测空域编码之间的差异，确定所述初始预测模型的第一损失值；依据反向传播算法更新所述初始预测模型，直到所述第一损失值满足预设条件，停止更新所述初始预测模型，得到训练至收敛状态的时空预测模型。[0010]在一些实施例中，所述确定所述初始预测模型的第一损失值的方法满足以下第一其中，Loss代表第一损失值；a代表所述第二时域编码和所述预测时域编码之间的差异的第一权重参数；β代表所述第二空域编码和所述预测空域编码之间的差异的第二权重参数；γ代表所述第二时域编码和所述第二空域编码之间的相似度的第三权重参数；i代表第二时域编码中的维度的索引，n代表第二时域编码中的维度的数量；j代表第二空域编码中的维度的索引，m代表第二空域编码中的维度的数量；A_i代表第二时域编码中第i个维度的数值；B_i代表预测时域编码中第i个维度的数值；C_j代表第二空域编码中第j个维度的数值；D_j代表预测空域编码中第j个维度的数值；G代表所述第二时域编码和所述第二空域编码的相似度。[0011]在一些实施例中，所述方法还包括：在基于所述时空预测模型确定预测水能和预测电能的次数达到预设的次数阈值时，确定所述时空预测模型最后一次输出的预测水能和预测电能对应的水能序列和电能序列；基于所述水能序列和所述电能序列的相似度，更新所述第一损失函数。[0012]本申请实施例还提供一种工业水电能耗异常监测系统，所述系统包括电子设备和传感器；所述电子设备，用于周期性从所述传感器获取工业用水能耗与工业用电能耗，得到水能序列和电能序列；所述电子设备，还用于基于所述水能序列和所述电能序列，确定对应的水能特征和电能特征；所述电子设备，还用于根据所述水能特征和所述电能特征，构建水电关联特征；所述电子设备，还用于在根据所述水电关联特征确定所述水能序列和所述电能序列不存在异常的情况下，根据预先训练的时空预测模型处理所述水能序列和所述电能序列，得到预测水能和预测电能；所述电子设备，还用于基于所述预测水能和所述预测电能，输出所述水能序列和所述电能序列的异常监测结果。7[0013]在一些实施例中，所述电子设备根据所述水能特征和所述电能特征，构建水电关联特征包括：根据所述电能特征中的功率数据、所述水能特征中的流量数据和压差数据，确定所述水能特征和所述电能特征的水电耦合系数；根据所述水能特征中的第一实际能耗和第一计划能耗以及所述电能特征中的第二实际能耗和第二计划能耗，确定所述水能特征和所述电能特征的能耗匹配度；根据所述电能特征的时间戳，从所述第二实际能耗中确定峰时能耗和谷时能耗；根据所述峰时能耗和所述谷时能耗确定所述电能特征的能耗分布系数；根据所述能耗分布系数和所述能耗匹配度，确定所述水能特征和所述电能特征的间接关联系数；根据所述水电耦合系数和所述间接关联系数，确定所述水电关联特征由以上技术方案可以看出，本申请实施例通过周期性获取工业用水、用电能耗数据，构建水能序列和电能序列，细化数据至分钟级，提高监测的时空分辨率。基于序列提取水能特征和电能特征(如均值、方差、趋势斜率等),并构建水电关联特征(如能耗比、相位差),可捕捉能耗模式的细微变化。利用预先训练的时空预测模型，结合历史数据与实时数据，预测未来时段的能耗值，当预测值与实际值偏差超过阈值时，触发异常预警，基于预测水能和电能，优化设备启停策略。结合能耗数据调整生产工艺，提供实时异常事件实现异常附图说明[0014]图1是本申请一实施例提供的一种工业水电能耗异常监测方法的应用场景图。[0015]图2是本申请一实施例提供的一种工业水电能耗异常监测方法的流程图。[0016]图3是本申请一实施例提供的一种工业水电能耗异常监测系统的功能模块图。[0017]图4是本申请实施例提供的一种电子设备的结构示意图。具体实施方式[0018]为了能够更清楚地理解本申请的目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请，所述描述的实施例仅是本申请一部分实施例，而不是全部的实施例。隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以[0020]除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和/关的所列项目的任意的和所有的组合。[0021]本申请实施例提供一种工业水电能耗异常监测方法，可应用于一个或者多个电子设备中，电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific8[0022]电子设备可以是任何一种可与客户进行人机交互的电子产品，例如，个人计算机、网络电视(InternetProtocol[0023]电子设备还可以包括网络设备和/或客户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。[0024]电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(VirtualPrivateNetwork,VPN)等。[0025]如图1所示为本申请一实施例提供的一种工业水电能耗异常监测方法的应用场景图，本申请提供的一种工业水电能耗异常监测方法可应用于电子设备100。其中，电子设备100可以是应用于监测站点的计算机或服务器等设备，电子设备100通信连接于传感器200。所述电子设备100,用于周期性从所述传感器200获取工业用水能耗与工业用电能耗，得到水能序列和电能序列。所述电子设备100,还用于基于所述水能序列和所述电能序列，确定对应的水能特征和电能特征。所述电子设备100,还用于根据所述水能特征和所述电能特征，构建水电关联特征。所述电子设备100,还用于在根据所述水电关联特征确定所述水能序列和所述电能序列不存在异常的情况下，根据预先训练的时空预测模型处理所述水能序列和所述电能序列，得到预测水能和预测电能。所述电子设备100,还用于基于所述预测水能和所述预测电能，输出所述水能序列和所述电能序列的异常监测结果。[0026]如图2所示，是本申请一实施例提供的一种工业水电能耗异常监测方法的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。本申请实施例提供的一种工业水电能耗异常监测方法包括如下步骤。[0027]S20,周期性获取工业用水能耗与工业用电能耗，得到水能序列和电能序列。[0028]在本申请一实施例中，在对工业用水和工业用电的能耗进行监测的过程中，可先周期性的获取工业用水能耗与工业用电能耗，为后续预测任意一个时间段的工业用水能耗和工业用电能耗提供数据支撑。[0029]具体的，工业用水能耗是指工业企业在生产过程中消耗的水资源及相关能耗数据，包括：企业在报告期内用于工业生产活动的总水量，包括新鲜水取水量和重复用水量；分部门用水量，如主要生产用水(直接用于产品生产的环节)、辅助生产用水(如机修、运输、空压站等支持性部门)、附属生产用水(如厂内绿化、职工食堂、浴室等);用水高峰与低谷，水源提取或从市场购买的水(如再生水、矿泉水等);外供水量：企业向外部单位供应的水量(如出售的原水、自来水等),以离厂水量为准；外排水量：生产过程中使用后排放到外部的水量，包括进入污水管网或自然环境的水量。[0030]在本申请一实施例中，工业用水能耗数据还包括：工业用水重复利用率，用于指示重复用水量占用水总量的百分比，反映水资源的循环利用效率；单位产品水耗，用于指示生产每单位产品所消耗的水量，用于评估生产过程的节水水平。[0031]在本申请一实施例中，工业用电能耗是指工业企业在生产过程中消耗的电能及相9等不同时段的电量；分设备/区域用电量，用于记录关键设备或生产区域的用电量，用于识映用电设备的效率，功率因数过低可能导致力调电费增加；在本申请一实施例中，水能序列是按时间顺序记录的工业用水能耗数据，用于分析和预测用水趋势，包括：时间戳，用于记录数据采集的具体时间(如逐日、逐月、逐年);用水耗等。[0032]在本申请一实施例中，电能序列是按时间顺序记录的工业用电能耗数据，用于分析和预测用电趋势，包括：时间戳，用于记录数据采集的具体时间(如逐小时、逐日、逐月);用电量数据，用于指示总用电量、分设备/区域用电量、峰谷时段用电量等；电能质量参数，[0033]S21,基于所述水能序列和所述电能序列，确定对应的水能特征和电能特征。[0034]在本申请一实施例中，水能特征是描述工业用水能耗模式的指标，电能特征是描拟合特征、复杂度度量特征等。其中，统计特征包括：均值/中位数，量的平均水平或典型值；方差/标准差，用于衡量用水量和用电量的波动程度；最大值/最小值，用于识别用水或用电高峰与低谷；偏度/峰度，用于描述用水量或用电量分布的对称性与尖锐程度。时域特征包括：峰值/谷值，用于指示瞬时用水量或用电量突变(如设备启停);过零点，用于分析水流方向变化(如正负流量交替);波动率，用于量化用水量或用电量的短期变化速率。频域特征包括：周期性成分，用于通过傅里叶变换识别日/周/月周期波动；频谱熵，用于评估用水模式或用电模式的随机性(高熵值表示复杂模式)。模型拟合特征包括：ARIMA模型参数，用于指示用水量序列或用电量序列的自回归与移动平均特性；季节性强度，用于量化季节性因素对用水量或用电量的影响。复杂度度量特征包括：分形维度，用于描述用水量序列或用电量序列的粗糙度与自相似性；样本熵，用于衡量用水模式或用电模式的可预测性(低熵值表示高规律性)。[0035]在本申请一实施例中，电能特征用于刻画工业用电的负荷特性与电能质量。示例括：总用电量/峰谷差，反映整体能耗与负荷波动；功率因数，评估用电效率(低功率因数导致力调电费增加);电压/电流有效值，用于监测电能供应的稳定性。时域特征包括：谐波含量，用于通过小波变换算法分析电压/电流中的谐波成分；电压暂降/暂升，用于捕捉瞬时电能质量问题(如设备故障);三相不平衡度，用于评估电力系统对称性。频域特征包括：功率谱密度，用于识别特定频率的能量分布(如电机谐波);频带能量比，用于分析不同频段信号差分布，用于反映模型对用电模式的拟合能力。[0036]S22,根据所述水能特征和所述电能特征，构建水电关联特征。[0037]在本申请一实施例中，所述根据所述水能特征和所述电能特征，构建水电关联特征包括：根据所述电能特征中的功率数据、所述水能特征中的流量数据和压差数据，确定所述水能特征和所述电能特征的水电耦合系数；根据所述水能特征中的第一实际能耗和第一计划能耗以及所述电能特征中的第二实际能耗和第二计划能耗，确定所述水能特征和所述电能特征的能耗匹配度；根据所述电能特征的时间戳，从所述第二实际能耗中确定峰时能耗和谷时能耗；根据所述峰时能耗和所述谷时能耗确定所述电能特征的能耗分布系数；根据所述能耗分布系数和所述能耗匹配度，确定所述水能特征和所述电能特征的间接关联系数；根据所述水电耦合系数和所述间接关联系数，确定所述水电关联特征。[0038]在本申请一实施例中，所述确定所述水能特征和所述电能特征的水电耦合系数包括：确定所述流量数据和所述压差数据的乘积；根据所述功率数据和所述乘积的比值，确定所述水电耦合系数；其中，所述水电耦合系数用于指示所述水能特征和所述电能特征之间的关联程度。[0039]在本申请一实施例中，所述根据所述能耗分布系数和所述能耗匹配度，确定所述水能特征和所述电能特征的间接关联系数包括：确定所述能耗分布系数和所述能耗匹配度的乘积为所述水能特征和所述电能特征的间接关联系数。[0040]S23,在根据所述水电关联特征确定所述水能序列和所述电能序列不存在异常的情况下，根据预先训练的时空预测模型处理所述水能序列和所述电能序列，得到预测水能和预测电能。[0041]在本申请一实施例中，根据所述水电关联特征确定所述水能序列和所述电能序列存在异常包括：根据所述水能特征和所述电能特征构建节点；根据所述水电耦合系数和所述间接关联系数确定任意两个节点之间的边权；根据所述节点和所述边权构建水电图数据；基于预先训练的图神经网络，确定所述水电图数据的编码向量；在所述编码向量与预存的历史编码向量之间的差异度大于或等于预设的差异阈值的情况下，确定所述水能序列和所述电能序列存在异常；在所述编码向量与预存的历史编码向量之间的差异度小于预设的差异阈值的情况下，确定所述水能序列和所述电能序列不存在异常。[0042]在本申请一实施例中，所述方法还包括训练所述时空预测模型，所述训练所述时空预测模型包括：根据预先获取的历史水能序列、历史电能序列以及对应的时间戳，构建第一时域编码和第二时域编码；根据所述历史水能序列、所述历史电能序列以及对应的位置信息，构建第一空域编码和第二空域编码；基于所述第一时域编码和所述第一空域编码，根据预先构建的初始预测模型，确定对应的预测时域编码和预测空域编码；根据所述第二时域编码和所述预测时域编码之间的差异，以及所述第二空域编码和所述预测空域编码之间的差异，确定所述初始预测模型的第一损失值；依据反向传播算法更新所述初始预测模型，直到所述第一损失值满足预设条件，停止更新所述初始预测模型，得到训练至收敛状态的时空预测模型。[0043]在本申请一实施例中，所述确定所述初始预测模型的第一损失值的方法满足以下代表第一损失值；α代表所述第二时域编码和所述预测时域编码之间的差异的第一权重参数；β代表所述第二空域编码和所述预测空域编码之间的差异的第二权重参数；y代表所述第二时域编码和所述第二空域编码之间的相似度的第三权重参数；i代表第二时域编码中的维度的索引，n代表第二时域编码中的维度的数量；j代表第二空域编码中的维度的索引，m代表第二空域编码中的维度的数量；A;代表第二时域编码中第i个维度的数值；B代表预11测时域编码中第i个维度的数值；Cj代表第二空域编码中第j个维度的数值；D;代表预测空域编码中第j个维度的数值；G代表所述第二时域编码和所述第二空域编码的相似度。在第一损失值越小的情况下，表明初始预测模型输出的预测时域编码和第二时域编码之间的差异度越小，且表明初始预测模型输出的预测空域编码之间的差异度越小，则初始预测模型输出的预测结果的准确度越高。[0044]在本申请一实施例中，所述方法还包括：在基于所述时空预测模型确定预测水能和预测电能的次数达到预设的次数阈值时，确定所述时空预测模型最后一次输出的预测水能和预测电能对应的水能序列和电能序列；基于所述水能序列和所述电能序列的相似度，更新所述第一损失函数。[0045]S24,基于所述预测水能和所述预测电能，输出所述水能序列和所述电能序列的异常监测结果。[0046]在本申请一实施例中，可根据预测水能和预测电能对水能序列和电能序列的异常情况进行分级，得到水能序列和电能序列的异常监测结果。示例性的，在预测水能或预测电能超出预设阈值或预测水能与预测电能的比例超过比例阈值时，表明单个指标(例如，预测水能或预测电能)超出预期，或多个指标之间的耦合程度异常，因此可确定异常监测结果的异常等级较低；在连续多次得到的多个预测水能或多个预测电能超出预设阈值，或多个预测水能与多个预测电能的比例超过比例阈值时，表明工业用水能耗与工业用电能耗在时域维度出现持续性的异常情况，则可确定异常监测结果的异常等级较高。[0047]由以上技术方案可以看出，本申请实施例通过周期性获取工业用水、用电能耗数据，构建水能序列和电能序列，细化数据至分钟级，提高监测的时空分辨率。基于序列提取水能特征和电能特征(如均值、方差、趋势斜率等),并构建水电关联特征(如能耗比、相位差),可捕捉能耗模式的细微变化。利用预先训练的时空预测模型，结合历史数据与实时数据，预测未来时段的能耗值，当预测值与实际值偏差超过阈值时，触发异常预警，基于预测水能和电能，优化设备启停策略。结合能耗数据调整生产工艺，提供实时异常事件实现异常[0048]请参见图3,图3是本申请一实施例提供的一种工业水电能耗异常监测系统的功能模块图。所述工业水电能耗异常监测系统31包括电子设备100和传感器200.本申请所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例[0049]所述电子设备100,用于周期性从所述传感器200获取工业用水能耗与工业用电能[0050]所述电子设备100,还用于基于所述水能序列和所述电能序列，确定对应的水能特征和电能特征。[0051]所述电子设备100,还用于根据所述水能特征和所述电能特征，构建水电关联特[0052]所述电子设备100,还用于在根据所述水电关联特征确定所述水能序列和所述电能序列不存在异常的情况下，根据预先训练的时空预测模型处理所述水能序列和所述电能序列，得到预测水能和预测电能。[0053]所述电子设备100,还用于基于所述预测水能和所述预测电能，输出所述水能序列和所述电能序列的异常监测结果。[0054]在一些实施例中，所述电子设备100根据所述水能特征和所述电能特征，构建水电关联特征包括：根据所述电能特征中的功率数据、所述水能特征中的流量数据和压差数据，确定所述水能特征和所述电能特征的水电耦合系数根据所述水能特征中的第一实际能耗和第一计划能耗以及所述电能特征中的第二实际能耗和第二计划能耗，确定所述水能特征和所述电能特征的能耗匹配度；根据所述电能特征的时间戳，从所述第二实际能耗中确定峰时能耗和谷时能耗；根据所述峰时能耗和所述谷时能耗确定所述电能特征的能耗分布系数；根据所述能耗分布系数和所述能耗匹配度，确定所述水能特征和所述电能特征的间接关联系数；根据所述水电耦合系数和所述间接关联系数，确定所述水电关联特征。[0055]请参见图4,是本申请实施例提供的一种电子设备的结构示意图。电子设备100包括存储器12和处理器13.存储器12用于存储计算机可读指令，处理器13用执行所述储器中存储的计算机可读指令以实现上述任一实施例所述的一种工业水电能耗异常监测方法。[0056]在本申请一实施例中，电子设备100还包括总线、存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如一种工业水电能耗异常监测程序。[0057]图4仅示出了具有存储器12和处理器13的电子设备100,本领域技术人员可以理解的是，图3示出的结构并不构成对电子设备100的限定，可以包括比图示更少或者更多的部[0058]结合图2,电子设备100中的所述存储器12存储多个计算机可读指令以实现所述工业水电能耗异常监测方法，所述处理器13可执行所述多个指令从而实现：周期性获取工业用水能耗与工业用电能耗，得到水能序列和电能序列；基于所述水能序列和所述电能序列，确定对应的水能特征和电能特征；根据所述水能特征和所述电能特征，构建水电关联特征；在根据所述水电关联特征确定所述水能序列和所述电能序列不存在异常的情况下，根据预先训练的时空预测模型处理所述水能序列和所述电能序列，得到预测水能和预测电能；基于所述预测水能和所述预测电能，输出所述水能序列和所述电能序列的异常监测结果。[0059]具体地，所述处理器13对上述指令的具体实现方法可参考图2对应实施例中相关[0060]本领域技术人员可以理解，所述示意图仅仅是电子设备100的示例，并不构成对电子设备100的限定，电子设备100可以是总线型结构，也可以是星形结构，电子设备100还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如电子设备100还可以包括输入输出设备、网络接入设备等。[0061]需要说明的是，电子设备100仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。[0062]其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非子设备100的内部存储单元，例如该电子设备100的移动硬盘。存储器12在另一些实施例中也可以是电子设备100的外部存储设备，例如电子设备100上配备的插接式移动硬盘、智能存储卡(SmartMediaCard,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(FlashCard)等。存储器12不仅可以用于存储安装于电子设备100的应用软件及各类数据，例如一种工业水电能耗异常监测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。[0063]处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(CentralProcessingunit,CPU)、微处理器、数种控制芯片的组合等。处理器13是电子设备100的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备100的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行工业水电能耗异常监测程序等),以及调用存储在所述存储器12内的数据，以执行电子设备100的各种功能和处理数据。[0064]所述处理器13执行所述电子设备100的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个工业水电能耗异常监测方法实施例中的步骤，例如图2所示的步骤。[0065]示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在电子设备100中的执行过程。[0066]上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(Processor)执行