数据中心用智能电表监测系统及其运行方法与流程

1.本发明涉及智能电网领域，且更为具体地，涉及一种数据中心用智能电表监测系统及其运行方法。


背景技术：

2.智慧电网是电网的智能化，是建立在集成的、高速双向通信网络的基础上，通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持系统技术的应用。智慧电网包括大量用电设备、用于测量每个用电设备的用电电量的智能电表、架设于用电设备和智能电表之间的通信链路和电连接链路、数据中心等。
3.目前在智慧电网中，尚缺乏有效的方案对用电设备进行监控，其原因为：一方面，用电设备的数量过于庞大，并不是所有的用电设备自身都设有监控系统；另一方面，需临时构建用于监控各个用电设备的通信链路，这将耗费巨大的成本。
4.因此，期待一种用于监控智慧电网中用电设备的方案。


技术实现要素：

5.相应地，为了解决上述技术问题：尚缺乏有效的方案对用电设备进行监控，本技术的技术构思为：考虑到在智慧电网中使用智能电表来测量每个用电设备的用电电量，也就是，用电设备与智能电表之间存在可用的通信链路且智能电表与数据中心存在通信链路，因此，本技术发明人尝试基于智能电表的用电电量数值来判断用电设备的用电状态是否正常。
6.具体地，本技术的解决方案为：其在监控端基于待监控的各个用电设备向智能电表传输的用电电量信息和各个用电设备自身的运行状态信息来对各个用电设备的用电状态是否正常进行智能监控。
7.基于此技术方案，可取得如下技术效果：
8.1.首先，在智能电表通过有线连接与数据中心连接的情况下，由于数据中心内的设备量巨大，将需要很多线缆，使得数据中心空间杂乱，且增加了成本，因此本技术的技术方案采用无线通信方式从各个智能电表获取用电电量数据。
9.2.其次，在基于用电电量数据监控用电设备的用电状态时，需要考虑用户设备的运行状态信息，因此，本技术的技术方案采用卷积神经网络挖掘各个用电设备的用电电量与其运动状态之间的高维关联信息，从而能够更准确地判断用电设备的用电状态是否正常。
10.3.在采用无线通信的情况下，需要考虑各个无线通信设备之间的串扰，因此，基于各个智能电表的无线发射功率计算用于补偿无线通信串扰的权值，从而使得第二特征图中的数据能够包含用于补偿无线串扰的信息，使得分类结果更准确。
11.相应地，根据本技术的一个方面，提供了数据中心用智能电表监测系统，其包括：
12.智能电表电量获取单元，用于通过无线通信从待监控的各个用电设备所对应的各
个智能电表获取用电电量信息；
13.用电设备状态监控单元，用于获取所述待监控的各个用电设备的运行状态信息，所述运行状态信息以二元数据表示；
14.输入数据矩阵生成单元，用于从所述各个智能电表的用电电量信息和所述各个用电设备的运行状态信息生成输入数据矩阵，其中，所述输入数据矩阵的每个位置的值表示所述多个智能电表之一与所述多个用户设备之一之间的关系；
15.神经网络特征提取单元，用于将所述输入数据矩阵输入卷积神经网络以获得第一特征图；
16.信号空间信息计算单元，用于基于所述各个智能电表的无线发射功率计算用于补偿所述智能电表的无线通信串扰的权值；
17.特征信息加权修正单元，用于基于所述权值对所述第一特征图按照每个特征值对应的关联关系进行加权以获得第二特征图；以及
18.用电电量信息分类单元，用于将所述第二特征图通过分类器以获得用于表示各个用电设备的用电状态是否正常的分类结果。
19.根据本技术的另一方面，还提供了一种数据中心用智能电表监测系统的运行方法，其包括：
20.通过智能电表电量获取单元通过无线通信从待监控的各个用电设备所对应的各个智能电表获取用电电量信息；
21.通过用电设备状态监控单元获取所述待监控的各个用电设备的运行状态信息，所述运行状态信息以二元数据表示；
22.通过输入数据矩阵生成单元从所述各个智能电表的用电电量信息和所述各个用电设备的运行状态信息生成输入数据矩阵，其中，所述输入数据矩阵的每个位置的值表示所述多个智能电表之一与所述多个用户设备之一之间的关系；
23.通过神经网络特征提取单元将所述输入数据矩阵输入卷积神经网络以获得第一特征图；
24.通过信号空间信息计算单元基于所述各个智能电表的无线发射功率计算用于补偿所述智能电表的无线通信串扰的权值；
25.通过特征信息加权修正单元基于所述权值对所述第一特征图按照每个特征值对应的关联关系进行加权以获得第二特征图；以及
26.通过用电电量信息分类单元将所述第二特征图通过分类器以获得用于表示各个用电设备的用电状态是否正常的分类结果。
附图说明
27.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图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，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
28.图1为根据本技术实施例的数据中心用智能电表监测系统的场景示意图。
29.图2为根据本技术实施例的数据中心用智能电表监测系统的框图。
30.图3为根据本技术实施例的所述数据中心用智能电表监测系统中，所述输入数据矩阵生成单元的框图。
31.图4为根据本技术实施例的数据中心用智能电表监测系统的运行方法的流程图。
32.图5为根据本技术实施例的数据中心用智能电表监测系统的运行方法的系统架构示意图；
33.图6为根据本技术实施例的数据中心用智能电表监测系统的运行方法中，通过输入数据矩阵生成单元从所述各个智能电表的用电电量信息和所述各个用电设备的运行状态信息生成输入数据矩阵的流程图。
具体实施方式
34.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
35.场景概述
36.如图1所示，在目前的智能电网的系统中，尚缺乏有效的方案对用电设备进行监控，其原因为：一方面，用电设备的数量过于庞大，并不是所有的用电设备自身都设有监控系统；另一方面，需临时构建用于监控各个用电设备的通信链路，这将耗费巨大的成本。
37.相应地，本技术发明人考虑到在智慧电网中使用智能电表来测量每个用电设备的用电电量，也就是，用电设备与智能电表之间存在可用的通信链路并且智能电表与数据中心之间存在通信链路，因此，尝试在数据中心基于智能电表的用电电量数值来判断用电设备的用电状态是否正常，即，在数据中心以特定监控算法来基于智能电表的用电电量数值来判断用电设备的用电状态是否正常。
38.基于此，本技术提供了一种数据中心用智能电表监测系统，其包括：智能电表电量获取单元，用于通过无线通信从待监控的各个用电设备所对应的各个智能电表获取用电电量信息；用电设备状态监控单元，用于获取所述待监控的各个用电设备的运行状态信息，所述运行状态信息以二元数据表示；输入数据矩阵生成单元，用于从所述各个智能电表的用电电量信息和所述各个用电设备的运行状态信息生成输入数据矩阵，其中，所述输入数据矩阵的每个位置的值表示所述多个智能电表之一与所述多个用户设备之一之间的关系；神经网络特征提取单元，用于将所述输入数据矩阵输入卷积神经网络以获得第一特征图；信号空间信息计算单元，用于基于所述各个智能电表的无线发射功率计算用于补偿所述智能电表的无线通信串扰的权值；特征信息加权修正单元，用于基于所述权值对所述第一特征图按照每个特征值对应的关联关系进行加权以获得第二特征图；以及，用电电量信息分类单元，用于将所述第二特征图通过分类器以获得用于表示各个用电设备的用电状态是否正常的分类结果。
39.进一步地，如图1所示，在所述数据中心用智能电表监测系统的应用场景中，首先通过无线通信从待监控的各个用电设备(例如，如图1中所示意的t)所对应的各个智能电表(例如，如图1中所示意的m)获取用电电量信息，以及，获取所述待监控的各个用电设备的运行状态信息。在该应用场景中，在所述智慧电网的数据中心(例如，如图1中所示意的s)部署有数据中心用智能电表监测算法，这样在获得所述各个用电设备的用电电量信息和运行状
态信息后，所述数据中心的服务器能够基于数据中心用智能电表监测算法对这些数据进行处理，以生成各个用电设备的用电状态是否正常的分析结果。
40.示例性系统
41.图2为根据本技术实施例的数据中心用智能电表监测系统的框图。如图2所示，根据本技术实施例的数据中心用智能电表监测系统100，包括：智能电表电量获取单元110，用于通过无线通信从待监控的各个用电设备所对应的各个智能电表获取用电电量信息；用电设备状态监控单元120，用于获取所述待监控的各个用电设备的运行状态信息，所述运行状态信息以二元数据表示；输入数据矩阵生成单元130，用于从所述各个智能电表的用电电量信息和所述各个用电设备的运行状态信息生成输入数据矩阵，其中，所述输入数据矩阵的每个位置的值表示所述多个智能电表之一与所述多个用户设备之一之间的关系；神经网络特征提取单元140，用于将所述输入数据矩阵输入卷积神经网络以获得第一特征图；信号空间信息计算单元150，用于基于所述各个智能电表的无线发射功率计算用于补偿所述智能电表的无线通信串扰的权值；特征信息加权修正单元160，用于基于所述权值对所述第一特征图按照每个特征值对应的关联关系进行加权以获得第二特征图；以及，用电电量信息分类单元170，用于将所述第二特征图通过分类器以获得用于表示各个用电设备的用电状态是否正常的分类结果。
42.相应地，在所述数据中心用智能电表监测系统100的运行中，首先所述智能电表电量获取单元110通过无线通信从待监控的各个用电设备所对应的各个智能电表获取用电电量信息。应可以理解，在智慧电网中，使用智能电表来测量每个用电设备的用电电量，并且，智慧电表与数据中心(例如，数据中心的服务器)存在通信链路以将各个智能电表所采集的信息通过上行链路传输至数据中心。因此，在本技术的技术方案中，首先通过所述智能电表电量获取单元110从待监控的各个用电设备所对应的各个智能电表获取各个用电设备的用电电量信息。
43.优选地，在本技术的技术方案中，所述智能电表与数据中心之间通过无线通信链路进行通信。应可以理解，在智能电表通过有线连接与数据中心连接的情况下，由于数据中心内的设备量巨大，将需要很多线缆，使得数据中心空间杂乱，且增加了成本，而采用无线通信能有效地解决上述问题。
44.接着，在所述数据中心用智能电表监测系统100的运行中，所述用电设备状态监控单元120获取所述待监控的各个用电设备的运行状态信息，所述运行状态信息以二元数据表示。要判断各个用电设备的用电状态是否正常，不仅需考虑各个用电设备的用电电量信息，还需要结合各个用电设备的用电状态。
45.在本技术一个具体的示例中，所述运行状态信息以0和1表示，其中1表示用电设备的运行状态为开启，且0表示用电设备的运行状态为关闭。应可以理解，通过以分别用于表示用电设备的开启和关闭状态的1和0来作为运行状态信息，可以考虑用电设备的实际用电电量与用户设备的运行模式，比如正常模式、休眠模式的对应信息，从而使得输入数据矩阵包含用于表示用电设备的运行状态的信息。
46.当然，在本技术的其他示例中，所述用电设备的运行状态信息还可以通过其他数据形式来表征。例如，在本技术又一个具体的示例中，所述运行状态信息以0和1表示，其中1表示用电设备的运行状态发生变化，且0表示用电设备的运行状态未发生变化。应可以理
解，通过以用于表示用电设备的状态变化的1和0来代替用户设备的静态状态信息，可以获取在时间维度上的动态信息，从而叠加卷积神经网络在关联信息提取方面的优点，可以使得第一特征图在其特征空间内包含时间维度上的关联信息，进一步丰富数据维度，关于此部分的优势会在关于所述神经网络特征提取单元140的描述中详细说明。
47.接着，在所述数据中心用智能电表监测系统100的运行中，所述输入数据矩阵生成单元130从所述各个智能电表的用电电量信息和所述各个用电设备的运行状态信息生成输入数据矩阵，其中，所述输入数据矩阵的每个位置的值表示所述多个智能电表之一与所述多个用户设备之一之间的关系。这里，在本技术的技术方案中，本技术发明人尝试采用卷积神经网络来挖掘各个用电设备的用电电量与其运动状态之间的高维关联信息，从而能够更准确地判断用电设备的用电状态是否正常。
48.具体地，在本技术实施例中，如图3所示，所述输入数据矩阵生成单元130包括：向量生成子单元131和矩阵生成子单元132，其中，所述向量生成子单元131用于从所述各个智能电表的用电电量信息生成第一向量，和从所述各个用电设备的运行状态信息生成第二向量；所述矩阵生成子单元132，用于将所述第一向量乘以所述第二向量的转置以获得所述输入数据矩阵。也就是，在本技术实施例中，所述输入数据矩阵生成单元130从所述各个智能电表的用电电量信息和所述各个用电设备的运行状态信息生成输入数据矩阵的过程，包括：首先通过所述向量生成子单元131从所述各个智能电表的用电电量信息生成第一向量以及从所述各个用电设备的运行状态信息生成第二向量；接着，通过所述矩阵生成子单元132将所述第一向量乘以所述第二向量的转置以获得所述输入数据矩阵。
49.应可以理解，通过首先构造用电电量信息的第一向量和运行状态信息的第二向量再进行向量与向量转置的相乘，可以使得所获得矩阵的每个位置代表一个智能电表和一个用电设备之间的关系，例如，矩阵的第二行第三列代表第二智能电表与第三用电设备之间的关系。并且，因为智能电表与用电设备之间实质上是一一对应的，因此也可以认为矩阵的每个位置对应于各个智能电表或者各个用电设备之间的关系。
50.接着，在所述数据中心用智能电表监测系统100的运行中，所述神经网络特征提取单元140将所述输入数据矩阵输入卷积神经网络以获得第一特征图。也就是，采用卷积神经网络来挖掘各个用电设备的用电电量与其运动状态之间的高维关联信息，从而能够更准确地判断用电设备的用电状态是否正常。
51.本领域普通技术人员应知晓，卷积神经网络在提取局部特征方面具有优异的性能表现，其不仅仅可对所处理的数据对象进行显式编码，还可以对所处理的数据对象进行隐性编码，即，充分挖掘出挖掘各个用电设备的用电电量与其运动状态之间的高维隐含特征。
52.在本技术一个具体的示例中，所述卷积神经网络可被实施为深度残差网络。相较于标准的卷积神经网络，深度残差网络采用多个带残差连接的残差卷积块(多个卷积层构成)和全连接层所构成，其中残差卷积块用于特征学习，在不增加神经网络模型训练难度的基础上增加了模型的规模。这是因为残差连接的存在，该连接可以有效降低由于多层卷积层的存在而导致的不利于模型训练的梯度消失或者爆炸的现象的发生，降低了对更深更大的神经网络的训练难度。相较于常规的卷积神经网络，残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率，其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。
53.进一步地，在采用所述智能电表和所述数据中心采用无线通信的情况下，需要考虑各个无线通信设备之间的串扰，因此，基于各个智能电表的无线发射功率计算用于补偿无线通信串扰的权值，从而使得第二特征图中的数据能够包含用于补偿无线串扰的信息，使得分类结果更准确。
54.相应地，在所述数据中心用智能电表监测系统100的运行中，所述信号空间信息计算单元150基于所述各个智能电表的无线发射功率计算用于补偿所述智能电表的无线通信串扰的权值。
55.具体地，在本技术实施例中，所述用于补偿所述智能电表的无线通信串扰的权值为：
[0056][0057]
其中，α
i，j
表示第i智能电表与第j智能电表之间的权值，t
i
和t
j
分别表示第i智能电表和第j智能电表的无线发射功率，λ代表无线电波的波长，且r
i，j
代表第i智能电表与第j智能电表之间的距离。
[0058]
应可以理解，通过该基于智能电表之间的无线发射功率的无线通信串扰补偿值，可以基于智能电表的无线发射功率和其之间的距离来补偿信号串扰，从而使得第二特征图中的数据能够包含用于补偿无线串扰的信息，使得分类结果更准确。
[0059]
相应地，在所述数据中心用智能电表监测系统100的运行中，所述特征信息加权修正单元160基于所述权值对所述第一特征图按照每个特征值对应的关联关系进行加权以获得第二特征图。
[0060]
具体地，在本技术实施例中，设定所述第一特征图和第二特征图分别表示为f1n
×
n
×
c和f2n
×
n
×
c，其中，n为所述智能电表或者所述用电设备的数目，c为所述卷积神经网络的通道数。特别地，在本技术实施例中，所述特征信息加权修正单元160对所述第一特征图进行加权以获得第二特征图表示为：
[0061]
f2n
×
n
×
c＝(f
1i，jn
×
n
⊙
α
i，jn
×
n
)
c
[0062]
其中，所述权值用于对所述第一特征图在通道c维度上的每个n
×
n的特征矩阵进行点乘。
[0063]
应可以理解，通过点乘的方式以所述权值对所述第一特征图在通道c维度上的每个n
×
n的特征矩阵进行点乘，可以以所述权值来补偿智能电表之间的无线通信的信号串扰，从而使得第二特征图中的数据能够包含用于补偿无线通信中的串扰的信息，使得分类结果更准确。
[0064]
接着，在所述数据中心用智能电表监测系统100的运行中，所述用电电量信息分类单元170将所述第二特征图通过分类器以获得用于表示各个用电设备的用电状态是否正常的分类结果。
[0065]
具体地，所述用电电量信息分类单元170获得所述分类结果的过程，包括：首先将所述第二特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述第二特征图进行编码以获得分类特征向量。应可以理解，全连接层能够充分利用所述第二特征图中各个位置的信息，即，充分挖掘和提取所述第二特征图中的特征以生成所述分类特征向
量。
[0066]
进一步地，将所述分类特征向量输入softmax分类函数以获得所述分类特征向量归属于各个用电设备的用电状态正常的第一概率和所述分类特征向量归属于各个用电设备的用电状态不正常的第二概率。也就是，将所述分类特征向量输入softmax分类函数以获得所述分类特征向量分别归属于不同分类标签的概率值。
[0067]
接着，基于所述第一概率和所述第二概率之间的比较，确定所述分类结果。例如，将所述第一概率和所述第二概率中较大者对应的分类标签确定为所述分类结果。即，当所述第一概率大于所述第二概率时，所述分类结果为所述各个用电设备的用电状态正常；当所述第一概率小于第二概率时，所述分类结果为所述各个用电设备的用电状态不正常。
[0068]
综上，基于本技术实施例的数据中心用智能电表监测系统100被阐明，其在监控端基于待监控的各个用电设备向智能电表传输的用电电量信息和各个用电设备自身的运行状态信息来对各个用电设备的用电状态是否正常进行智能监控。
[0069]
如上所述，根据本技术实施例的数据中心用智能电表监测系统100可以实现在各种终端设备中，例如智慧电网的数据中心等。在一个示例中，根据本技术实施例的数据中心用智能电表监测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该数据中心用智能电表监测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该数据中心用智能电表监测系统100同样可以是该终端设备的众多硬件模块之一。
[0070]
替换地，在另一示例中，该数据中心用智能电表监测系统100与该终端设备也可以是分立的设备，并且该数据中心用智能电表监测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0071]
示例性方法
[0072]
图4为根据本技术实施例的数据中心用智能电表监测系统的运行方法的流程图。如图4所示，根据本技术实施例的数据中心用智能电表监测系统的运行方法，包括：s110，通过智能电表电量获取单元通过无线通信从待监控的各个用电设备所对应的各个智能电表获取用电电量信息；s120，通过用电设备状态监控单元获取所述待监控的各个用电设备的运行状态信息，所述运行状态信息以二元数据表示；s130，通过输入数据矩阵生成单元从所述各个智能电表的用电电量信息和所述各个用电设备的运行状态信息生成输入数据矩阵，其中，所述输入数据矩阵的每个位置的值表示所述多个智能电表之一与所述多个用户设备之一之间的关系；s140，通过神经网络特征提取单元将所述输入数据矩阵输入卷积神经网络以获得第一特征图；s150，通过信号空间信息计算单元基于所述各个智能电表的无线发射功率计算用于补偿所述智能电表的无线通信串扰的权值；s160，通过特征信息加权修正单元基于所述权值对所述第一特征图按照每个特征值对应的关联关系进行加权以获得第二特征图；以及，s170，通过用电电量信息分类单元将所述第二特征图通过分类器以获得用于表示各个用电设备的用电状态是否正常的分类结果。
[0073]
图5图示了根据本技术实施例的数据中心用智能电表监测系统的运行方法的架构示意图。如图5所示，在所述数据中心用智能电表监测系统的运行方法的网络架构中，首先，将获取的从待监控的各个用电设备所对应的各个智能电表获取用电电量信息(例如，如图5中所示意的p1至pn)和所述待监控的各个用电设备的运行状态信息(例如，如图5中所示意
的s1至sn)构造为二维输入数据矩阵(例如，如图5中所示意的m)；接着，将所述输入数据矩阵输入卷积神经网络(例如，如图5中所示意的cnn)以获得第一特征图(例如，如图5中所示意的f1)；然后，基于所述各个智能电表的无线发射功率计算用于补偿所述智能电表的无线通信串扰的权值(例如，如图5中所示意的v1至vn)；接着，基于所述权值对所述第一特征图按照每个特征值对应的关联关系进行加权以获得第二特征图(例如，如图5中所示意的f2)；接着，将所述第二特征图通过分类器(例如，如图5中所示意的分类器)以获得用于表示各个用电设备的用电状态是否正常的分类结果。。
[0074]
在一个示例中，在上述数据中心用智能电表监测系统的运行方法中，如图6所示，通过输入数据矩阵生成单元从所述各个智能电表的用电电量信息和所述各个用电设备的运行状态信息生成输入数据矩阵，包括步骤：s210，通过向量生成子单元从所述各个智能电表的用电电量信息生成第一向量，和从所述各个用电设备的运行状态信息生成第二向量；以及，s220，通过矩阵生成子单元将所述第一向量乘以所述第二向量的转置以获得所述输入数据矩阵。
[0075]
在一个示例中，在上述数据中心用智能电表监测系统的运行方法中，所述运行状态信息以0和1表示，其中1表示用电设备的运行状态为开启，且0表示用电设备的运行状态为关闭。
[0076]
在一个示例中，在上述数据中心用智能电表监测系统的运行方法中，所述运行状态信息以0和1表示，其中1表示用电设备的运行状态发生变化，且0表示用电设备的运行状态未发生变化。
[0077]
在一个示例中，在上述数据中心用智能电表监测系统的运行方法中，所述用于补偿所述智能电表的无线通信串扰的权值为：
[0078][0079]
其中，α
i，j
表示第i智能电表与第j智能电表之间的权值，t
i
和t
j
分别表示第i智能电表和第j智能电表的无线发射功率，λ代表无线电波的波长，且r
i，j
代表第i智能电表与第j智能电表之间的距离。
[0080]
在一个示例中，在上述数据中心用智能电表监测系统的运行方法中，所述第一特征图和第二特征图分别表示为f
1n
×
n
×
c
和f
2n
×
n
×
c
，
[0081]
其中，n为所述智能电表或者所述用电设备的数目，c为所述卷积神经网络的通道数；且所述特征信息加权修正单元对所述第一特征图进行加权以获得第二特征图表示为：
[0082]
f
2n
×
n
×
c
＝(f
1i，jn
×
n
⊙
α
i，jn
×
n
)
c
[0083]
其中，所述权值用于对所述第一特征图在通道c维度上的每个n
×
n的特征矩阵进行点乘。
[0084]
在一个示例中，在上述数据中心用智能电表监测系统的运行方法中，通过用电电量信息分类单元将所述第二特征图通过分类器以获得用于表示各个用电设备的用电状态是否正常的分类结果，包括步骤：将所述第二特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述第二特征图进行编码以获得分类特征向量；将所述分类特征向量输入softmax分类函数以获得所述分类特征向量归属于各个用电设备的用电状态正常的
第一概率和所述分类特征向量归属于各个用电设备的用电状态不正常的第二概率；以及，基于所述第一概率和所述第二概率之间的比较，生成所述分类结果。
[0085]
综上，本技术实施例的数据中心用智能电表监测系统的运行方法被阐明，在监控端基于待监控的各个用电设备向智能电表传输的用电电量信息和各个用电设备自身的运行状态信息来对各个用电设备的用电状态是否正常进行智能监控。
[0086]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开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技术为必须采用上述具体的细节来实现。
[0087]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0088]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0089]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0090]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。