CN107844859B - 基于人工智能的大型医疗设备能耗预测方法和终端设备 - Google Patents

基于人工智能的大型医疗设备能耗预测方法和终端设备 Download PDF

Info

Publication number
CN107844859B
CN107844859B CN201711047489.8A CN201711047489A CN107844859B CN 107844859 B CN107844859 B CN 107844859B CN 201711047489 A CN201711047489 A CN 201711047489A CN 107844859 B CN107844859 B CN 107844859B
Authority
CN
China
Prior art keywords
medical equipment
load rate
large medical
equipment
previous
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201711047489.8A
Other languages
English (en)
Other versions
CN107844859A (zh
Inventor
孙天
赵娜
张芬
匡付华
肖珊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Das Intellitech Co Ltd
Original Assignee
Shenzhen Das Intellitech Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Das Intellitech Co Ltd filed Critical Shenzhen Das Intellitech Co Ltd
Priority to CN201711047489.8A priority Critical patent/CN107844859B/zh
Publication of CN107844859A publication Critical patent/CN107844859A/zh
Application granted granted Critical
Publication of CN107844859B publication Critical patent/CN107844859B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及基于人工智能的大型医疗设备能耗预测方法和终端设备，包括以下步骤：S11：获取大型医疗设备的运行时间和医院的工作时间，并确定所述大型医疗设备开启的台数；S12：基于所述大型医疗设备的运行时间、医院的工作时间以及所述大型医疗设备开启的台数，计算所述大型医疗设备的第一负荷率；S13：根据所述第一负荷率，采用BP神经网络算法进行训练，以预测所述大型医疗设备的第二负荷率。本发明通过利用人工智能技术对大型医疗设备的能耗负荷率进行预测，根据预测值控制设备的开关机，减少设备待机时间，节约能源。

Description

基于人工智能的大型医疗设备能耗预测方法和终端设备
技术领域
本发明涉及医院中大型医疗设备的节能领域，更具体地说，涉及一种基于人工智能的大型医疗设备能耗预测方法和终端设备。
背景技术
随着医疗事业的发展，医院规模不断扩大，医院能源消耗剧增，用电量更是居高不下。目前大部分大型综合医院采取的仍然是粗放式的能源管理方法和低层次的技术手段，导致能耗数据残缺不全、能耗管理成本过高、能耗评估机制缺失、节能方案实施不力等诸多问题，使得节能减排工作不能得到有效落实。
据统计，医院能耗高的原因主要有两点，首先是大型医疗设备的能耗，相比一般公共建筑特殊用电高出10％左右；其次，由于不间断地运行中央空调和开启照明，也导致了医院建筑比其他公共建筑能耗更高。
在医院大型医疗设备的能耗方面，由于没有有效的设备开启台数预测手段，大型设备的管理人员上班就将设备开启，即使没有患者，设备也处于待机状态。然而，这些大型医疗设备待机所消耗的电量惊人，尤其是当大型综合医院拥有多台医疗设备时，其待机耗电量更是成倍增长，大大浪费了能源，增加了医院的能耗。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于人工智能的大型医疗设备能耗预测方法、终端设备以及可读存储介质。
本发明解决其技术问题所采用的技术方案是：一种基于人工智能的大型医疗设备能耗预测方法，包括以下步骤：
S11：获取大型医疗设备的运行时间和医院的工作时间，并确定所述大型医疗设备开启的台数；
S12：基于所述大型医疗设备的运行时间、医院的工作时间以及所述大型医疗设备开启的台数，计算所述大型医疗设备的第一负荷率；
S13：根据所述第一负荷率，采用BP神经网络算法进行训练，以预测所述大型医疗设备的第二负荷率。
优选地，所述步骤S11进一步包括：
接收所述大型医疗设备的开启信号和关闭信号，所述开启信号与所述大型医疗设备关联；
根据所获取开启信号和关闭信号，确定所述大型医疗设备开启的台数以及运行时间。
优选地，所述步骤S12进一步包括：
接收输入的医院上下班时间的设定值，根据所述设定值确定医院的工作时间；
根据所述医院的工作时间，对所获取的大型医疗设备的运行时间进行剔除处理，确定所述大型医疗设备的有效运行时间；
基于所述有效运行时间、医院的工作时间以及所述大型医疗设备开启的台数，计算所述大型医疗设备的第一负荷率。
优选地，所述步骤S13之前包括：
对所述BP神经网络算法的训练模型进行参数设置。
优选地，所述步骤S13进一步包括：
通过已设置完成的训练模型，对所述第一负荷率的数据进行训练，获得所述第二负荷率。
优选地，所述步骤S13进一步还包括：
对所述第一负荷率的数据进行归一化处理，获得归一化负荷率；
将所述归一化负荷率通过所述BP神经网络算法的训练模型进行训练，获得所述大型医疗设备的第二负荷率的归一化数据；
对所述第二负荷率的归一化数据进行反归一化处理，获得所述第二负荷率。
优选地，所述BP神经网络算法的训练模型包括输入层和输出层；
所述第一负荷率作为所述训练模型输入层的输入参数，所述第二负荷率作为所述训练模型输出层的输出值。
优选地，所述方法还包括：
输出所述第二负荷率至操作终端，通过所述操作终端进行显示。
本发明还提供一种终端设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如上所述的方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如上所述的方法。
实施本发明的基于人工智能的大型医疗设备能耗预测方法，具有以下有益效果：本发明通过利用人工智能技术对大型医疗设备的能耗负荷率进行预测，根据预测值控制设备的开关机，减少设备待机时间，节约能源。进一步地，本发明基于历史数据对医疗设备的能耗进行预测，在满足患者就医的同时兼顾了设备节能的需求，可提高大型医疗设备的使用成本，延长大型医疗设备的使用寿命。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明提供的基于人工智能的大型医疗设备能耗预测方法实施例一的流程示意图；
图2是本发明提供的基于人工智能的大型医疗设备能耗预测方法实施例二的流程示意图；
图3是本发明提供的终端设备的示意框图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明实施例的基于人工智能的大型医疗设备能耗预测方法可用于对医院中的大型医疗设备进行能耗预测。
参阅图1，图1是本发明提供的基于人工智能的大型医疗设备能耗预测方法实施例一的流程示意图。本实施例的基于人工智能的大型医疗设备能耗预测方法通过基于人工智能的大型医疗设备能耗预测系统实现，其中，基于人工智能的大型医疗设备能耗预测系统实现包括硬件部分和软件部分，硬件部分包括多台相同的大型医疗设备、服务器和操作终端，大型医疗设备、服务器以及操作终端可通讯连接并可实现数据的相互传输。其中，操作终端可以为电脑等操作显示终端，但是并不限于此，还可以为其他终端。
如图1所示，本实施例的一种基于人工智能的大型医疗设备能耗预测方法可以包括以下步骤：
S11：获取大型医疗设备的运行时间和医院的工作时间，并确定大型医疗设备开启的台数。
本实施例中，为了保证数据的准确性，所获取的大型医疗设备的运行时间为多个历史数据，即每一台大型医疗设备均需对应采集多个历史数据，其中，对于运行时间的数据的获取可以从数据库中直接调用，例如，若大型医疗设备为改造项目，则直接从数据库中调用即可。若大型医疗设备为新建项目，则需医疗设备管理人员对开机进行预设定，再通过在使用过程中进行的数据积累并保存在数据库中以供使用。
具体地，在运行时间的获取过程中，若大型医疗设备开机，即向服务器发送一个开启信号；若大型医疗设备关机，即服务器发送一个关闭信号，服务器根据所接收的开启信号及关闭信号可确定大型医疗设备的运行时间。
医院的工作时间可根据医院的具体上下班进行确定，具体的，可由大型医疗设备管理人员将医院的上下班时间输入服务器，服务器根据所接收的医院的上下班时间，确定医院的工作时间。
医院设备开启的台数，可根据所接收的开启信号进行确定。具体地，当大型医疗设备开机时，每一台大型医疗设备均会向服务器发送一个开启信号，而每一台大型医疗设备的开启信号均与其关联，因此，根据所接收的开启信号，服务器可确定有几台大型医疗设备开启，且还可确定具体是哪台大型医疗设备开启。
进一步地，大型医疗设备的运行时间为一个数组，其对应的是多台相同的大型医疗设备在历史天数内每一天的运行时间。同理，大型医疗设备开启的台数亦为一个数组，其所对应的是多台相同的大型医疗设备的开启的台数。
例如，需要预测某一天医院中大型医疗设备的负荷率，则可通过这一天的前几天的数据进行预测，如前一天、前两天、前三天，则需大型医疗设备的运行时间的数据需要三组，分别为前一天的运行时间、前两天的运行时间、前三天的运行时间；大型医疗设备开启的台数也需要三级，分别为前一天开启的台数，前两天开启的台数以及前三天开启的台数。
S12：基于大型医疗设备的运行时间、医院的工作时间以及大型医疗设备开启的台数，计算大型医疗设备的第一负荷率。
服务器在获取大型医疗设备的运行时间、医院的工作时间以及开启的台数后，根据大型医疗设备的负荷率的计算方法，可以计算出大型医疗设备的第一负荷率。
在此需要说明的是，这里所指的大型医疗设备的第一负荷率为一个数组，即第一负荷率为多台设备在历史时期的总负荷率，例如，预测某天的负荷率，则计算出多个历史总负荷率。具体地，假设需要某天的负荷率，采集的历史数据为三个，分别为该天的前一天、前两天、前三天；此时，大型医疗设备的运行时间包括三组数据，分别为前一天的运行时间、前两天的运行时间、前三天的运行时间；大型医疗设备的开启台数也对应包括三级数据，分别为前一天开启的台数、前两天开启的台数以及前三天开启的台数，此时，可分别计算出前一天大型医疗设备的总负荷率、前两天大型医疗设备的总负荷率以及前三天大型医疗设备的总负荷率。因此，在该具体例子中，大型医疗设备的第一负荷率包括前一天大型医疗设备的总负荷率、前两天大型医疗设备的总负荷率以及前三天大型医疗设备的总负荷率。
进一步地，大型医疗设备的总负荷率可通过以下公式计算得到：
Figure BDA0001452514490000061
其中：
Rt：为t日期时，开启的大型医疗设备的总负荷；
Ti op：为第i台大型医疗设备运行时间，单位：小时；
Twork：为医院的工作时间。
S13：根据第一负荷率，采用BP神经网络算法进行训练，以预测大型医疗设备的第二负荷率。
BP神经网络算法无需确定输入输出之间映射关系的数学方程，仅通过自身的训练、学习某种规则，在给定输入值时即可得到最接近期望输出值的结果。本发明实施例通过在获取多台相同大型医疗设备在历史时间的总负荷率，即第一负荷率，将该第一负荷率作为BP神经网络算法的输入参数，并通过BP神经网络算法的相应训练，可有效地预测大型医疗设备的能耗负荷率，进而通过所预测的能耗负荷率，指导大型医疗设备管理人员对设备当天的开启台数进行设置，减少设备待机时间，节能能源。
现阶段，由于大型医疗设备的开启需要相当长的预热时间，通常管理人员会在上班时即将所有设备全部开启，在下班时将设备全部关闭，以免出现频繁开关导致设备损坏，但是，大型医疗设备长时间处于待机状态会导致大量的能源浪费，增加了大型医疗设备的能耗。因此，本发明实施例通过基于人工智能技术，利用BP神经网络算法对大型医疗设备的历史数据进行训练，基于大型医疗设备的历史数据对大型医疗设备的未来能耗进行预测，从而根据预测结果控制大型医疗设备的开启，实现了在满足患者就医的同时兼顾了设备节能的需求，不仅可有效节约大型医疗设备的能耗，还可以延长大型医疗设备的使用寿命。
参阅图2，图2是本发明提供的基于人工智能的大型医疗设备能耗预测方法实施例二的流程示意图。
如图2所示，本实施例的一种基于人工智能的大型医疗设备能耗预测方法可以包括以下步骤：
S21：获取大型医疗设备的运行时间和医院的工作时间，并确定大型医疗设备开启的台数。
本实施例中，为了保证数据的准确性，所获取的大型医疗设备的运行时间为多个历史数据，即每一台大型医疗设备均需对应采集多个历史数据，其中，对于运行时间的数据的获取可以从数据库中直接调用，例如，若大型医疗设备为改造项目，则直接从数据库中调用即可。若大型医疗设备为新建项目，则需医疗设备管理人员对开机进行预设定，再通过在使用过程中进行的数据积累并保存在数据库中以供使用。
具体地，在运行时间的获取过程中，若大型医疗设备开机，即向服务器发送一个开启信号；若大型医疗设备关机，即服务器发送一个关闭信号，服务器根据所接收的开启信号及关闭信号可确定大型医疗设备的运行时间。
医院的工作时间可根据医院的具体上下班进行确定，具体的，可由大型医疗设备管理人员将医院的上下班时间输入服务器，服务器根据所接收的医院的上下班时间，确定医院的工作时间。
医院设备开启的台数，可根据所接收的开启信号进行确定。具体地，当大型医疗设备开机时，每一台大型医疗设备均会向服务器发送一个开启信号，而每一台大型医疗设备的开启信号均与其关联，因此，根据所接收的开启信号，服务器可确定有几台大型医疗设备开启，且还可确定具体是哪台大型医疗设备开启。
进一步地，大型医疗设备的运行时间为一个数组，其对应的是多台相同的大型医疗设备在历史天数内每一天的运行时间。同理，大型医疗设备开启的台数亦为一个数组，其所对应的是多台相同的大型医疗设备的开启的台数。
例如，需要预测某一天医院中大型医疗设备的负荷率，则可通过这一天的前几天的数据进行预测，如前一天、前两天、前三天，则需大型医疗设备的运行时间的数据需要三组，分别为前一天的运行时间、前两天的运行时间、前三天的运行时间；大型医疗设备开启的台数也需要三级，分别为前一天开启的台数，前两天开启的台数以及前三天开启的台数。
具体地，本实施例的步骤S21可以包括步骤S211和步骤S212。
S211：接收大型医疗设备的开启信号和关闭信号，所述开启信号与所述大型医疗设备关联。
大型医疗设备在开启后，可以向服务器发送开启信号，以使服务器根据多台大型医疗设备发送的多个开启信号确定大型医疗设备开启的台数以及大型医疗设备的运行时间。
在本实施例中，在大型医疗设备的大量生产过程中，为了对多台大型医疗设备跟踪确定，可以设计每一台大型医疗设备所发出的开启信号与其关联。具体地，每一台大型医疗设备所发出的开启信号可以携带有大型医疗设备的ID，根据开启信号中携带的大型医疗设备的ID可以确定是哪一台大型医疗设备发送的开启信号。
S212：根据所获取开启信号和关闭信号，确定大型医疗设备开启的台数及运行时间。
服务器在接收到大型医疗设备发送的开启信号后，根据所接收的开启信号所携带的信息，例如大型医疗设备的ID，可以确定是哪一台大型医疗设备发送的开启信号，并依据所接收的开启信号确定大型医疗设备开启的总台数。根据所获取开启信号和关闭信号，并由服务器进行计算可获得大型医疗设备的运行时间。
S22：基于大型医疗设备的运行时间、医院的工作时间以及大型医疗设备开启的台数，计算大型医疗设备的第一负荷率。
具体地，步骤S22可以包括步骤S221、步骤S222和步骤S223。
S221：接收医院上下班时间的设定值，根据设定值确定医院的工作时间。
根据大型医疗设备的负荷率的计算公式可知，大型医疗设备的负荷率与医院的工作时间有关，因此，需首先确定医院的工作时间。本实施例中，医院的工作时间可根据医院的上下班时间确定。具体地，根据医院的上下班时间，由大型医疗设备管理人员输入医院上下班时间的设定值，服务器接收大型医疗设备管理人员输入医院上下班时间的设定值，并根据所接收的上下班时间的设定值可以计算出医院的工作时间。
例如，假设：
Figure BDA0001452514490000091
为上午上班时间；
Figure BDA0001452514490000092
为上午下班时间
Figure BDA0001452514490000093
为下午上班时间；
Figure BDA0001452514490000094
为下午下班时间；
则，医院的工作时间：
Figure BDA0001452514490000095
例如医院某科室的上班时间为上午9点到中午12点，下午1点到6点，则该科室的工作时间为Twork＝8。
S222：根据医院的工作时间，对所获取的大型医疗设备的运行时间进行剔除处理，确定大型医疗设备的有效运行时间。
具体地，服务器在接收到大型医疗设备发送的开启信号后，根据所接收的开启信号可以进一步确定大型医疗设备的开机时间。同理，服务器在接收到大型医疗设备发送的关闭信号后，根据所接收的关闭信号可以进一步确定大型医疗设备的关机时间。根据所确定的开机时间、关机时间，以及医院的工作时间，可以确定大型医疗设备的有效运行时间，即大型医疗设备在医院的工作时间正常运行为有效运行时间。
具体为，剔除大型医疗设备早于上午上班时间的数据，以及剔除晚于下午下班的数据。此时，所剩余的数据即为大型医疗设备的有效运行时间。例如医院某科室的上班时间为上午9点到中午12点，下午1点到6点，则大型医疗设备的有效运行时间应为上午9点到下午6点之间的数据。
其中，大型医疗设备的有效运行时间可采用以下公式计算得到：
Figure BDA0001452514490000096
ti off：为设备关机时间；ti on：为设备开机时间；且设备关机时间和开机时间为医院的工作时间内的时间。
S223：基于有效运行时间、医院的工作时间以及大型医疗设备开启的台数，计算大型医疗设备的第一负荷率。
例如，在一个具体例子中，假设某一天，医院有三台相同的医疗设备，在t时期时，医疗设备A的有效运行时间为2小时，医疗设备B的有效运行时间为7小时，医疗设备C的有效运行时间为3小时，则这三台医疗设备的总负荷率为Rt＝(2+7+3)/3*8＝0.5，即在t时期时，该三台医疗设备的总负荷率为50％。
进一步地，本实施例的基于人工智能的大型医疗设备能耗预测方法，在步骤S23之前包括：
对BP神经网络算法的训练模型进行参数设置。可以理解地，本实施例的BP神经网络算法的训练模型的参数可根据现有的方式进行设置，其中，训练模型包括BP神经网络算法的训练模型包括输入层和输出层，还包括隐含层。第一负荷率作为训练模型输入层的输入参数，第二负荷率作为训练模型输出层的输出值。隐含层可以设置10个节点。
优选地，本实施例BP神经网络算法训练模型可以采用Sigmoid函数作为激活函数，采用Levenberg-Marquardt算法作为模型的训练算法。
S23：根据第一负荷率，采用BP神经网络算法进行训练，以预测大型医疗设备的第二负荷率。
具体地，通过已设置完成的训练模型，对第一负荷率的数据进行训练，获得第二负荷率。
可选的，步骤S23可以包括步骤S231、步骤S232和步骤S233。
S231：对第一负荷率的数据进行归一化处理，获得归一化负荷率。
可以理解地，归一化是一种简化计算的方式，是一种无量纲处理手段，通过归一化可使物理系统数值的绝对值变成某种相对值关系，进而使计算更加简单。
在本发明的实施例中，优选地，对第一负荷率的数据进行归一化处理，将不同数量级的运行参数的数据归一到同一数量级，进一步使数据处理更加简单，提高了数据处理的效率。
进一步地，在对第一负荷率的数据进行归一化处理前，可先对第一负荷率的数据进行分类处理，即将第一负荷率的数据按不同的比例进行划分，可分别划分为训练数据、验证数据、有效数据。具体地，从所有第一负荷率的数据中随机抽取70％作为训练数据，随机抽取15％作为有效数据，随机抽取15％作为验证数据。通过该抽取70％作为训练数据、15％作为验证数据、15％作为测试数据，在使计算的时间长度、运算速度及运算精度三者达到平衡的前提下，对输出数据做出更加精确的预测，提高预测精度。
可以理解地，训练数据即为初步运算数据，根据训练数据在BP神经网络中获得初步训练结果。在获得初步训练结果后，将随机抽取的15％的第一负荷率的数据代入BP神经网络中对训练结果进行验证，以验证训练结果是否正确，根据验证的结果再将随机抽取的15％的第一负荷率的数据代入BP神经网络中作进一步的测试，以获得准确的第二负荷率。
S232：将归一化负荷率通过BP神经网络算法的训练模型进行训练，获得大型医疗设备的第二负荷率的归一化数据。
S233：对第二负荷率的归一化数据进行反归一化处理，获得第二负荷率。
具体地，设BP神经网络训练模型的输入层有4个输入参数，为日期t和t日期时的前三天大型医疗设备的负荷率，分别为Rt-3、Rt-2、Rt-1；输出层有1个输出参数，即t日期时，大型医疗设备的负荷率Rt。将根据前述方法采集并计算的数据输入BP神经网络训练模型中进行训练，即可得到t日期时的大型医疗设备的负荷率。例如，预测明天大型医疗设备的负荷率，则输入明天的日期t及前天、昨天、今天的大型医疗设备的负荷率，即可预测明天大型医疗设备的负荷率。
进一步地，基于人工智能的大型医疗设备能耗预测方法，其特征在于，方法还包括：
输出第二负荷率至操作终端，通过操作终端进行显示。
例如：
当设备负荷率
Figure BDA0001452514490000124
时，开启1台设备；
当设备负荷率
Figure BDA0001452514490000121
开启2台设备；
……
当设备负荷率
Figure BDA0001452514490000122
开启k台设备；
……
当设备负荷率
Figure BDA0001452514490000123
开启n台设备；
通过将所预测的第二负荷率发送到操作终端，可以通过操作终端对所预测的第二负荷率进行显示，大型医疗设备管理人员根据所预测的第二负荷率对所预测日期的大型医疗设备的开启台数进行设备，进而控制大型医疗设备的开关。
BP神经网络算法无需确定输入输出之间映射关系的数学方程，仅通过自身的训练、学习某种规则，在给定输入值时即可得到最接近期望输出值的结果。本发明实施例通过在获取多台相同大型医疗设备在历史时间的总负荷率，即第一负荷率，将该第一负荷率作为BP神经网络算法的输入参数，并通过BP神经网络算法的相应训练，可有效地预测大型医疗设备的能耗负荷率，进而通过所预测的能耗负荷率，指导大型医疗设备管理人员对设备当天的开启台数进行设置，减少设备待机时间，节能能源。
现阶段，由于大型医疗设备的开启需要相当长的预热时间，通常管理人员会在上班时即将所有设备全部开启，在下班时将设备全部关闭，以免出现频繁开关导致设备损坏，但是，大型医疗设备长时间处于待机状态会导致大量的能源浪费，增加了大型医疗设备的能耗。因此，本发明实施例通过基于人工智能技术，利用BP神经网络算法对大型医疗设备的历史数据进行训练，基于大型医疗设备的历史数据对大型医疗设备的未来能耗进行预测，从而根据预测结果控制大型医疗设备的开启，实现了在满足患者就医的同时兼顾了设备节能的需求，不仅可有效节约大型医疗设备的能耗，还可以延长大型医疗设备的使用寿命。
参阅图3，图3是本发明提供的一种终端设备实施例一的示意框图。如图3所示，本实施例的终端设备300可以包括一个或多个处理器301、一个或多个输入设备302、一个或多个则输出设备303及一个或多个存储器304。上述处理器301、输入设备302、则输出设备303及存储器304通过通信总线305完成相互间的通信。其中，存储器304用于存储计算机程序，计算机程序包括程序指令。处理器301被配置用于调用程序指令执行以下步骤：
S11：获取大型医疗设备的运行时间和医院的工作时间，并确定大型医疗设备开启的台数；
S12：基于大型医疗设备的运行时间、医院的工作时间以及大型医疗设备开启的台数，计算大型医疗设备的第一负荷率；
S13：根据第一负荷率，采用BP神经网络算法进行训练，以预测大型医疗设备的第二负荷率。
进一步的，处理器301具体被配置用于调用程序指令执行以下步骤：
接收大型医疗设备的开启信号和关闭信号，开启信号与大型医疗设备关联；
根据所获取开启信号和关闭信号，确定大型医疗设备开启的台数及运行时间。
进一步的，处理器301具体被配置用于调用程序指令执行以下步骤：
接收输入的医院上下班时间的设定值，根据设定值确定医院的工作时间；
根据医院的工作时间，对所获取的大型医疗设备的运行时间进行剔除处理，确定大型医疗设备的有效运行时间；
基于有效运行时间、医院的工作时间以及大型医疗设备开启的台数，计算大型医疗设备的第一负荷率。
进一步的，处理器301具体被配置用于调用程序指令执行以下步骤：
对BP神经网络算法的训练模型进行参数设置。其中，BP神经网络算法的训练模型包括输入层和输出层；
第一负荷率作为训练模型输入层的输入参数，第二负荷率作为训练模型输出层的输出值。
进一步的，处理器301具体被配置用于调用程序指令执行以下步骤：
通过已设置完成训练模型，对第一负荷率的数据进行训练，获得述第二负荷率。
进一步的，处理器301具体被配置用于调用程序指令执行以下步骤：
对第一负荷率的数据进行归一化处理，获得归一化负荷率；
将归一化负荷率通过BP神经网络算法的训练模型进行训练，获得大型医疗设备的第二负荷率的归一化数据；
对第二负荷率的归一化数据进行反归一化处理，获得第二负荷率。
进一步的，处理器301具体被配置用于调用程序指令执行以下步骤：
输出第二负荷率至操作终端，通过操作终端进行显示。
应当理解，在本发明实施例中，所称处理器301可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器301还可以是其他通用处理器301、数字信号处理器301(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、或者晶体管逻辑器件、分立硬件组件等。通用处理器301可以是微处理器301或者该处理器301也可以是任何常规的处理器301等。
输入设备302可以包括触控板、输出设备303403可以包括显示器(LCD等)、扬声器等。
该存储器304可以包括只读存储器304和随机存取存储器304，并向处理器301提供指令和数据。存储器304的一部分还可以包括非易失性随机存取存储器304。例如，存储器304还可以存储设备类型的信息。
本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时使处理器执行时实现：
S11：获取大型医疗设备的运行时间和医院的工作时间，并确定大型医疗设备开启的台数；
S12：基于大型医疗设备的运行时间、医院的工作时间以及大型医疗设备开启的台数，计算大型医疗设备的第一负荷率；
S13：根据第一负荷率，采用BP神经网络算法进行训练，以预测大型医疗设备的第二负荷率。
进一步的，计算机程序被处理器执行时具体实现：
接收大型医疗设备的开启信号，开启信号与大型医疗设备关联；
根据所获取开启信号，确定大型医疗设备开启的台数。
进一步的，计算机程序被处理器执行时具体实现：
接收输入的医院上下班时间的设定值，根据设定值确定医院的工作时间；
根据医院的工作时间，对所获取的大型医疗设备的运行时间进行剔除处理，确定大型医疗设备的有效运行时间；
基于有效运行时间、医院的工作时间以及大型医疗设备开启的台数，计算大型医疗设备的第一负荷率。
进一步的，计算机程序被处理器执行时具体实现：
对BP神经网络算法的训练模型进行参数设置。其中，BP神经网络算法的训练模型包括输入层和输出层；
第一负荷率作为训练模型输入层的输入参数，第二负荷率作为训练模型输出层的输出值。
进一步的，计算机程序被处理器执行时具体实现：
通过已设置完成训练模型，对第一负荷率的数据进行训练，获得述第二负荷率。
进一步的，计算机程序被处理器执行时具体实现：
对第一负荷率的数据进行归一化处理，获得归一化负荷率；
将归一化负荷率通过BP神经网络算法的训练模型进行训练，获得大型医疗设备的第二负荷率的归一化数据；
对第二负荷率的归一化数据进行反归一化处理，获得第二负荷率。
进一步的，计算机程序被处理器执行时具体实现：
输出第二负荷率至操作终端，通过操作终端进行显示。
计算机可读存储介质可以是终端设备的内部存储单元，例如终端设备的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。进一步地，计算机可读存储介质还可以既包括终端设备的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端设备所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
以上实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施，并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰，均应属于本发明权利要求的涵盖范围。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (4)

1.一种基于人工智能的大型医疗设备能耗预测方法，其特征在于，包括以下步骤：
S11：获取大型医疗设备的运行时间和医院的工作时间，并确定所述大型医疗设备开启的台数；所述步骤S11进一步包括：
接收所述大型医疗设备的开启信号和关闭信号，所述开启信号与所述大型医疗设备关联；
根据所获取开启信号和关闭信号，确定所述大型医疗设备开启的台数以及运行时间；
S12：基于所述大型医疗设备的运行时间、医院的工作时间以及所述大型医疗设备开启的台数，计算所述大型医疗设备的第一负荷率；所述大型医疗设备的第一负荷率为一个数组，即第一负荷率为多台设备在历史时期的总负荷率，预测某天的负荷率，则计算出多个历史总负荷率；假设需要某天的负荷率，采集的历史数据为三个，分别为该天的前一天、前两天、前三天；此时，大型医疗设备的运行时间包括三组数据，分别为前一天的运行时间、前两天的运行时间、前三天的运行时间；大型医疗设备的开启台数也对应包括三级数据，分别为前一天开启的台数、前两天开启的台数以及前三天开启的台数，此时，可分别计算出前一天大型医疗设备的总负荷率、前两天大型医疗设备的总负荷率以及前三天大型医疗设备的总负荷率；所述大型医疗设备的第一负荷率包括前一天大型医疗设备的总负荷率、前两天大型医疗设备的总负荷率以及前三天大型医疗设备的总负荷率；所述大型医疗设备的总负荷率可通过以下公式计算得到：
Figure FDA0002482675160000011
其中：
Rt：为t日期时，开启的大型医疗设备的总负荷；
Ti op：为第i台大型医疗设备运行时间，单位：小时；
Twork：为医院的工作时间；
S13：根据所述第一负荷率，采用BP神经网络算法进行训练，以预测所述大型医疗设备的第二负荷率；
所述步骤S13之前包括：
对所述BP神经网络算法的训练模型进行参数设置；所述BP神经网络算法的训练模型包括输入层和输出层；
所述第一负荷率作为所述训练模型输入层的输入参数，所述第二负荷率作为所述训练模型输出层的输出值；
所述步骤S13进一步包括：
通过已设置完成的训练模型，对所述第一负荷率的数据进行训练，获得所述第二负荷率；
所述步骤S13进一步还包括：
对所述第一负荷率的数据进行归一化处理，获得归一化负荷率；
将所述归一化负荷率通过所述BP神经网络算法的训练模型进行训练，获得所述大型医疗设备的第二负荷率的归一化数据；
对所述第二负荷率的归一化数据进行反归一化处理，获得所述第二负荷率；
所述方法还包括：
输出所述第二负荷率至操作终端，通过所述操作终端进行显示，包括：
当设备负荷率
Figure FDA0002482675160000021
时，开启1台设备；
当设备负荷率
Figure FDA0002482675160000022
开启2台设备；
……
当设备负荷率
Figure FDA0002482675160000023
开启k台设备；
……
当设备负荷率
Figure FDA0002482675160000024
开启n台设备；
根据所述第二负荷率对所预测日期的所述大型医疗设备的开启台数进行设定，进而控制所述大型医疗设备的开关。
2.根据权利要求1所述的基于人工智能的大型医疗设备能耗预测方法，其特征在于，所述步骤S12进一步包括：
接收医院上下班时间的设定值，根据所述设定值确定医院的工作时间；
根据所述医院的工作时间，对所获取的大型医疗设备的运行时间进行剔除处理，确定所述大型医疗设备的有效运行时间；
基于所述有效运行时间、医院的工作时间以及所述大型医疗设备开启的台数，计算所述大型医疗设备的第一负荷率。
3.一种终端设备，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-2任一项所述的方法。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-2任一项所述的方法。
CN201711047489.8A 2017-10-31 2017-10-31 基于人工智能的大型医疗设备能耗预测方法和终端设备 Expired - Fee Related CN107844859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711047489.8A CN107844859B (zh) 2017-10-31 2017-10-31 基于人工智能的大型医疗设备能耗预测方法和终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711047489.8A CN107844859B (zh) 2017-10-31 2017-10-31 基于人工智能的大型医疗设备能耗预测方法和终端设备

Publications (2)

Publication Number Publication Date
CN107844859A CN107844859A (zh) 2018-03-27
CN107844859B true CN107844859B (zh) 2020-08-07

Family

ID=61680872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711047489.8A Expired - Fee Related CN107844859B (zh) 2017-10-31 2017-10-31 基于人工智能的大型医疗设备能耗预测方法和终端设备

Country Status (1)

Country Link
CN (1) CN107844859B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146735A (zh) * 2018-08-06 2019-01-04 常州天正工业发展股份有限公司 一种根据设备数据调整招生规模的方法及装置
CN110689451B (zh) * 2019-09-09 2021-04-13 杭州翔毅科技有限公司 基于人工智能的大型医疗设备能耗预测方法和终端设备
CN113469246A (zh) * 2021-06-30 2021-10-01 四川省分析测试服务中心 一种基于神经网络的仪器运行状态分析方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295081A (zh) * 2013-07-02 2013-09-11 上海电机学院 基于bp神经网络的电力系统负荷预测方法
CN105205558A (zh) * 2015-09-23 2015-12-30 南京磐能电力科技股份有限公司 一种面向建筑能耗预测的bp神经网络模型配置方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130013120A1 (en) * 2011-01-10 2013-01-10 Shey Sabripour Intelligent energy system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295081A (zh) * 2013-07-02 2013-09-11 上海电机学院 基于bp神经网络的电力系统负荷预测方法
CN105205558A (zh) * 2015-09-23 2015-12-30 南京磐能电力科技股份有限公司 一种面向建筑能耗预测的bp神经网络模型配置方法

Also Published As

Publication number Publication date
CN107844859A (zh) 2018-03-27

Similar Documents

Publication Publication Date Title
US10152076B2 (en) System and method for aggregation of controllable distributed energy assets
CN112766596B (zh) 建筑能耗预测模型的构建方法、能耗预测方法及装置
CN107844859B (zh) 基于人工智能的大型医疗设备能耗预测方法和终端设备
US10394302B2 (en) Self-service equipment energy saving control method and device
CN107209540A (zh) 对计算设备上的热修复进行管理
CN107807730A (zh) 应用清理方法、装置、存储介质及电子设备
CN117391866A (zh) 一种数据处理方法、装置、设备及其存储介质
CN112365051A (zh) 代理人留存预测方法、装置、计算机设备及存储介质
CN116090234A (zh) 一种设备运行状态的节能方法、装置、设备及存储介质
CN116184851A (zh) 一种睡眠模式调节方法、装置、终端及存储介质
CN115619138A (zh) 基于数字孪生的楼宇管控运营的方法、装置、设备及介质
CN115204529A (zh) 一种基于时间注意力机制的非侵入式负荷监测方法及装置
CN105786151A (zh) 智能省电系统与方法
CN113139881A (zh) 双电源用户主供电源识别方法、装置、设备及存储介质
CN114490432A (zh) 内存处理方法、装置、电子设备和计算机可读存储介质
CN114647509A (zh) 内存清理方法、装置、存储介质及电子设备
CN112560325B (zh) 换电业务的预测方法、系统、设备及存储介质
CN111626485A (zh) 一种区域建筑能源系统的负荷预测系统及方法
CN112381595B (zh) 基于交往行为的用户价值预测方法及相关设备
CN116321621B (zh) 照明智能控制的方法、系统、计算机可读介质及电子设备
CN110956321B (zh) 基于神经网络的用电控制方法、电子装置及存储介质
CN116401061A (zh) 资源数据的处理方法、装置、计算机设备及存储介质
CN118249315A (zh) 一种供电压力处理方法、装置、设备及其存储介质
Ade Machine Learning Models for Predictive Energy Management in Data Centers
CN117578705A (zh) 新型能耗监测系统节能控制方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200807