CN114721326B - 基于深度学习算法的营销稽查信息处理方法及装置 - Google Patents
基于深度学习算法的营销稽查信息处理方法及装置 Download PDFInfo
- Publication number
- CN114721326B CN114721326B CN202210607531.1A CN202210607531A CN114721326B CN 114721326 B CN114721326 B CN 114721326B CN 202210607531 A CN202210607531 A CN 202210607531A CN 114721326 B CN114721326 B CN 114721326B
- Authority
- CN
- China
- Prior art keywords
- equipment
- monitored
- electric energy
- working time
- preset
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
- G05B19/054—Input/output
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/10—Plc systems
- G05B2219/11—Plc I-O input output
- G05B2219/1103—Special, intelligent I-O processor, also plc can only access via processor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Automation & Control Theory (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供一种基于深度学习算法的营销稽查信息处理方法及装置,包括:根据被稽查用户的企业数据得到第一设备集合,根据企业数据确定被监测主设备和被监测从设备;在被监测主设备处设置用电监测模块,用电监测模块在被监测主设备上电时则进行记录,生成第一预设时间段内所述被监测主设备的第一工作时间;生成每个被监测主设备所对应的第二设备集合,统计被监测主设备和相应被监测从设备的额定功率;深度学习模型根据每个被监测主设备的第一工作时间、所对应的第二设备集合得到第一设备集合内所有设备的第一计算电能值,对第一计算电能值进行二次修正计算得到第二计算电能值;若第二计算电能值与表显电能值不相对应,则输出第一稽查信息。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于深度学习算法的营销稽查信息处理方法及装置。
背景技术
电力营销稽查是电力营销环节内控约束机制的主要组成部分,是电力营销风险管理的重要内容和有效途径。通过有效开展电力稽查工作,可以达到规范营销行为,堵塞漏洞,挖潜增效,提高营销政策执行力,减少营销事故的目的。
用户窃电是电力营销稽查的一个主要方向,线损较高的台区是反窃电小队重点排查的对象。反窃电小队在稽查处某个用户窃电后,往往都是进行一定的罚款处理,在罚款处理后,某些企业依旧会采取窃电行为,导致再次稽查出其违法行为需要较高的人力成本。
为了更好的约束用户的用电行为,需要对其用电行为进行一个时间段的监测,在相应时间段的监测完成后,即可得到在相应时间段内其实际的用电行为、用电规律,并可以约束其用电行为。现有技术中,并无法在某个用户窃电之后对其用电行为进行定点、持续的监控,导致营销稽查不具有导向性、自动性,降低营销稽查的效率。
发明内容
本发明实施例提供一种基于深度学习算法的营销稽查信息处理方法及装置,能够在某个用户窃电之后对其用电行为进行定点、持续的监控,使得营销稽查具有导向性、自动性,降低稽查成本,提高营销稽查的效率。
本发明实施例的第一方面,提供一种基于深度学习算法的营销稽查信息处理方法,包括:
根据被稽查用户的企业数据得到第一设备集合,在所述第一设备集合中选择至少一个满足预设要求的被监测主设备,根据企业数据中的设备属性或设备位置确定被监测主设备和被监测从设备;
在所述被监测主设备处设置用电监测模块,用电监测模块在被监测主设备上电时则进行记录,生成第一预设时间段内所述被监测主设备的第一工作时间;
获取每个被监测主设备所对应的所有被监测从设备,生成每个被监测主设备所对应的第二设备集合,统计被监测主设备和相应被监测从设备的额定功率;
预先训练的深度学习模型根据每个被监测主设备的第一工作时间、所对应的第二设备集合得到第一设备集合内所有设备的第一计算电能值,根据所述第一设备集合内被监测设备的数量、被监测设备的平均功率对第一计算电能值进行二次修正计算得到第二计算电能值;
获取被稽查用户在第一预设时间段内的表显电能值,若所述第二计算电能值与表显电能值不相对应,则输出第一稽查信息。
可选地,在第一方面的一种可能实现方式中,所述根据被稽查用户的企业数据得到第一设备集合,在所述第一设备集合中选择至少一个满足预设要求的被监测主设备,根据企业数据确定被监测主设备和被监测从设备,包括:
确定被稽查用户的企业数据中的企业生产线,若企业生产线中具有第一PLC控制单元的生产设备,则将具有第一PLC控制单元的生产设备作为满足预设要求的被监测主设备;
若判断企业生产线中不存在具有第一PLC控制单元的生产设备,将每一个企业生产线中的第一个生产设备作为被监测主设备;
将企业生产线中被监测主设备主体以外的其他生产设备作为被监测从设备。
可选地,在第一方面的一种可能实现方式中,所述在所述被监测主设备处设置用电监测模块,用电监测模块在被监测主设备上电时则进行记录,生成第一预设时间段内所述被监测主设备的第一工作时间,包括:
若被监测主设备为具有第一PLC控制单元的生产设备,则基于扩展模块添加第一预设扩展代码,对第一PLC控制单元进行功能扩展得到虚拟的第一用电监测模块以及对应的第一预设时间段;
基于虚拟的第一用电监测模块对第一PLC控制单元的第一接口通路进行监测;
若判断在第一预设时间段内第一接口通路传输相对应的第一目标信号,则对输出第一目标信号的时刻进行记录得到第一工作时间;
在第一预设时间段后,对所述第一工作时间进行校验并添加校验标签。
可选地,在第一方面的一种可能实现方式中,所述在第一预设时间段后,对所述第一工作时间进行校验并添加校验标签,包括:
若判断第一设备集合中存在具有第二PLC控制单元的生产设备,则基于扩展模块添加第二预设扩展代码,对第二PLC控制单元进行功能扩展得到虚拟的第二用电监测模块以及对应的第一预设时间段;
基于所述第二用电监测模块对第二PLC控制单元的第二接口通路进行监测;
若判断在第一预设时间段内第二接口通路传输相对应的第二目标信号,则对输出第二目标信号的时刻进行记录得到第二工作时间,将所述第二工作时间发送至第一PLC控制单元;
第一PLC控制单元若判断所述第一工作时间和第二工作时间相对应,则对所述第一工作时间添加第一校验标签。
可选地,在第一方面的一种可能实现方式中,还包括:
第一PLC控制单元若判断所述第一工作时间和第二工作时间不对应,则获取所述第一工作时间和第二工作时间的差值得到异步工作时间;
对所述第一工作时间、异步工作时间添加第二校验标签。
可选地,在第一方面的一种可能实现方式中,所述在所述被监测主设备处设置用电监测模块,用电监测模块在被监测主设备上电时则进行记录,生成第一预设时间段内所述被监测主设备的第一工作时间,包括:
在企业生产线中的第一个生产设备处设置实体的第一用电监测模块,实体的第一用电监测模块基于霍尔传感器构成;
实体的第一用电监测模块基于霍尔传感器感应到第一个生产设备具有工作电流时,则进行记录生成第一预设时间段内所述被监测主设备的第一工作时间;
选择企业生产线中最后一个生产设备作为设置实体的第二用电监测模块的生产设备;
实体的第一用电监测模块和第二用电监测模块分别监测第一预设时间段,相应生产设备具有工作电流时第一工作时间和第二工作时间;
实体的第二用电监测模块将所述第二工作时间发送至实体的第一用电监测模块,若判断所述第一工作时间和第二工作时间相对应,则对所述第一工作时间添加第一校验标签。
可选地,在第一方面的一种可能实现方式中,实体的第一用电监测模块若判断所述第一工作时间和第二工作时间不对应,则获取所述第一工作时间和第二工作时间的差值得到异步工作时间;
对所述第一工作时间、异步工作时间添加第二校验标签。
可选地,在第一方面的一种可能实现方式中,所述预先训练的深度学习模型根据每个被监测主设备的第一工作时间、所对应的第二设备集合得到第一设备集合内所有设备的第一计算电能值,包括:
若第一工作时间添加第一校验标签,则确定被监测主设备、第二设备集内每个被监测从设备的额定功率;
基于所述第一工作时间、被监测主设备的额定功率以及第二设备集内每个被监测从设备的额定功率得到第一子电能值,统计所有的第一子电能值得到第一计算电能值;
所述深度学习模型通过以下公式计算第一子电能值和第一计算电能值,
其中,为第一计算电能值,为第个第一子电能值,为第一子电能值数
量的上限值,为第个第一子电能值,为第一工作时间,为被监测主设备的额
定功率,为第二设备集内第个被监测从设备的额定功率,为第二设备集内被监测
从设备数量的上限值。
可选地,在第一方面的一种可能实现方式中,所述预先训练的深度学习模型根据每个被监测主设备的第一工作时间、所对应的第二设备集合得到第一设备集合内所有设备的第一计算电能值,包括:
若第一工作时间添加第二校验标签,则确定被监测主设备、第二设备集内每个被监测从设备的额定功率;
根据所述第一工作时间、异步工作时间进行计算得到第三工作时间,根据所述第一工作时间、第二工作时间以及第三工作时间进行计算,得到第一子电能值;
所述深度学习模型通过以下公式计算第一子电能值,
可选地,在第一方面的一种可能实现方式中,所述根据所述第一设备集合内被监测设备的数量、被监测设备的平均功率对第一计算电能值进行二次修正计算得到第二计算电能值,包括:
将第一设备集合内被监测设备的数量与预设数量比对得到数量调整系数,将被监测设备的平均功率与预设功率比对得到功率调整系数;
根据所述数量调整系数、功率调整系数对第一计算电能值进行二次修正计算得到第二计算电能值;
所述深度学习模型通过以下公式对第一计算电能值进行修正,得到计算第二计算电能值,
其中,为第二计算电能值,为第一设备集合内被监测设备的数量,为预
设数量,为数量权重值,为数量常数值,为第一设备集合中第个设备的额定功
率,为第一设备集合中设备的上限值,为第一设备集合中设备的数量值,为预设功
率,为功率权重值,为功率常数值。
可选地,在第一方面的一种可能实现方式中,所述获取被稽查用户在第一预设时间段内的表显电能值,若所述第二计算电能值与表显电能值不相对应,则输出第一稽查信息,包括:
深度学习模型接收表显电能值,将所述表显电能值与所述第二计算电能值比对得到第一预设时间段的第一电能差值;
若所述第一电能差值大于预设电能差值,则判断第二计算电能值与表显电能值不相对应,输出第一稽查信息。
可选地,在第一方面的一种可能实现方式中,还包括:
所述深度学习模型用于接收反馈数据,所述反馈数据包括输出第一稽查信息后被稽查用户出现异常问题或未出现异常问题;
若被稽查用户处存在异常问题,则不对所述预设电能差值调整;
若被稽查用户处未存在异常问题,则未存在异常问题的数量大于预设行为数量,则深度学习模型对所述预设电能差值进行扩大调整。
可选地,在第一方面的一种可能实现方式中,所述若被稽查用户处未存在异常问题,则未存在异常问题的数量大于预设行为数量,则深度学习模型对所述预设电能差值进行扩大调整,包括:
确定未出现异常问题的数量小于预设行为数量的时间得到统计时长;
根据所述统计时长、所有未出现异常问题所对应的第二计算电能值得到第一调整值,根据所述第一调整值对所述预设电能差值进行扩大调整,通过以下公式计算扩大调整后的预设电能差值,
本发明实施例的第二方面,提供一种基于深度学习算法的营销稽查信息处理装置,包括:
确定模块,用于根据被稽查用户的企业数据得到第一设备集合,在所述第一设备集合中选择至少一个满足预设要求的被监测主设备,根据企业数据中的设备属性或设备位置确定被监测主设备和被监测从设备;
生成模块,用于在所述被监测主设备处设置用电监测模块,用电监测模块在被监测主设备上电时则进行记录,生成第一预设时间段内所述被监测主设备的第一工作时间;
统计模块,用于获取每个被监测主设备所对应的所有被监测从设备,生成每个被监测主设备所对应的第二设备集合,统计被监测主设备和相应被监测从设备的额定功率;
计算模块,用于使预先训练的深度学习模型根据每个被监测主设备的第一工作时间、所对应的第二设备集合得到第一设备集合内所有设备的第一计算电能值,根据所述第一设备集合内被监测设备的数量、被监测设备的平均功率对第一计算电能值进行二次修正计算得到第二计算电能值;
输出模块,用于获取被稽查用户在第一预设时间段内的表显电能值,若所述第二计算电能值与表显电能值不相对应,则输出第一稽查信息。
本发明提供的基于深度学习算法的营销稽查信息处理方法及装置,能够根据用户设备的不同对设备进行分类得到被监测主设备和被监测从设备,并且在被监测主设备处设置用电监测模块,通过该种方式使得相应用户的某个设备在发生实际用电时即进行监测,结合深度学习模型对所有设备的工作时间、功率进行融合的计算,得到通过用电监测模块所统计的用户的实际用电得到第二计算电能值,然后将第二计算电能值和表显电能值进行比对,判断实际用电与表显用电是否相对应,实现用电稽查。为了降低第二计算电能值的误差,本发明会根据用户的被监测设备的数量、被监测设备的平均功率的不同进行修正,使得第二计算电能值会考虑不同类型的用户所具有的不同的误差,进而使得所计算的第二计算电能值与相应的用户更加的贴合、准确,提高基于用电监测模块进行用电统计、稽查的准确率。
本发明会根据企业生产线中设备的不同类型确定不同的第一用电监测模块,在企业生产线中存在具有PLC控制单元的设备时,本发明会通过PLC控制单元的拓展功能对PLC控制单元添加第一用电监测模块,通过第一用电监测模块对控制相应设备工作的第一接口通路进行监测来得到第一工作时间,使得本发明能够精确的确定相应的设备是否工作以及工作的时间。并且,本发明会在生产线中选中一个第二PLC控制单元,通过将第一PLC控制单元和第二PLC控制单元的第一工作时间和第二工作时间判断生产线是否为完全同步工作、可能异步工作的情况,并根据第一工作时间和第二工作时间的不同采取不同的计算方式,保障第二计算电能值计算的准确性。在企业生产线中不存在具有第一PLC控制单元的生产设备时,此时无法添加虚拟的第一用电监测模块,所以此时需要添加实体的第一用电监测模块,实体的第一用电监测模块可以基于霍尔传感器检测相应的设备是否出现电流传输、上电,并进行第一工作时间和第二工作时间的计算。通过以上的方式,使得本发明能够根据不同用户生产线、设备的不同设置不同方式的第一用电监测模块,降低监测成本的同时,保障所统计的第一工作时间和第二工作时间的准确性。
本发明提供的技术方案,深度学习模型会根据第一稽查信息的准确性进行主动的学习,对预设电能差值进行调整,使得本发明输出第一稽查信息的条件根据深度学习模型的主动学习进行改变、调整,降低误输出第一稽查信息的概率,提高第一稽查信息的准确率,不仅实现窃电的稽查,还能够实现对智能电表的准确性、是否存在跑电行为进行相应的稽查,适用场景较多。
附图说明
图1为本发明基于深度学习算法的营销稽查信息处理方法的第一种实施方式的流程图;
图2为本发明基于深度学习算法的营销稽查信息处理装置的第一种实施方式的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
如图1所示,本发明提供的基于深度学习算法的营销稽查信息处理方法,包括:
步骤S110、根据被稽查用户的企业数据得到第一设备集合,在所述第一设备集合中选择至少一个满足预设要求的被监测主设备,根据企业数据中的设备属性或设备位置确定被监测主设备和被监测从设备。本发明提供的技术方案中,被稽查用户定位为企业用户,企业数据包括企业所包括的设备,例如反应釜、挤塑机、切割机等等,通过反应釜、挤塑机、切割机可以构成一个生产线。本发明会在第一设备集合中选择至少一个满足预设要求的被监测主设备,并且确定相对应的被监测从设备。
本发明提供的技术方案,在一个可能的实施方式中,步骤S110包括:
确定被稽查用户的企业数据中的企业生产线,若企业生产线中具有第一PLC控制单元的生产设备,则将具有第一PLC控制单元的生产设备作为满足预设要求的被监测主设备,所述设备属性包括具有第一PLC控制单元和不具有第一PLC控制单元。在企业实际的生产过程中,可能会包括多条企业生产线,每条企业生产线可以是相同的、也可以是不同的。不同的企业的生产线的自动化程度是不同的,如果企业生产线中具有第一PLC控制单元的生产设备,则此时会将具有第一PLC控制单元的生产设备作为满足预设要求的被监测主设备。一般情况下,每条企业生产线中的所有设备都是同步工作的,此时企业生产线中的一个设备被确定为被监测主设备。例如企业生产线中的第一个生产设备具有PLC控制单元,则此时既可以将该生产设备所包括的PLC控制单元作为第一PLC控制单元,将具有第一PLC控制单元的生产设备作为满足预设要求的被监测主设备。
若判断企业生产线中不存在具有第一PLC控制单元的生产设备,将每一个企业生产线中第一个设备位置处的生产设备作为被监测主设备。有些生产线可能不会引入自动化控制,此时相应的生产线的启停可能是工作人员手动控制,所以此时将每一个企业生产线中的第一个生产设备作为被监测主设备。
将企业生产线中被监测主设备主体以外的其他生产设备作为被监测从设备。本发明会根据生产线的不同采取不同的方式确定被监测主设备、被监测从设备。
步骤S120、在所述被监测主设备处设置用电监测模块,用电监测模块在被监测主设备上电时则进行记录,生成第一预设时间段内所述被监测主设备的第一工作时间。本发明会在不同的被监测主设备处设置相应的用电监测模块,通过用电监测模块在被监测主设备上电时进行记录,进而统计第一预设时间段内所述被监测主设备的第一工作时间,第一预设时间段可以是1个月、2个月等等。第一工作时间即为被监测主设备上电、工作的时间。
本发明提供的技术方案,在一个可能的实施方式中,步骤S120包括:
若被监测主设备为具有第一PLC控制单元的生产设备,则基于扩展模块添加第一预设扩展代码,对第一PLC控制单元进行功能扩展得到虚拟的第一用电监测模块以及与所述第一用电监测模块对应的第一预设时间段。第一预设扩展代码可以是工作人员预先配置的,通过第一预设扩展代码对第一PLC控制单元进行功能扩展得到虚拟的第一用电监测模块,本发明会为虚拟的第一用电监测模块配置相应的第一预设时间段。第一预设时间段可以是第一预设扩展代码里面预存储的,所以在通过功能扩展得到虚拟的第一用电监测模块时,也会对应产生相应的第一预设时间段。
基于虚拟的第一用电监测模块对第一PLC控制单元的第一接口通路进行监测。在被监测主设备进行工作时,第一PLC控制单元的第一接口通路会输出相应的控制信号,此时虚拟的第一用电监测模块会对第一接口通路进行监测,判断相应的生产设备是否进行工作。
若判断在第一预设时间段内第一接口通路传输相对应的第一目标信号,则对输出第一目标信号的时刻进行记录得到第一工作时间。生产设备可以是高电平信号、低电平信号等等,在第一PLC控制单元控制相应的被监测主设备进行工作时,第一PLC控制单元通过第一接口通路传输相对应的第一目标信号,则此时虚拟的第一用电监测模块对输出第一目标信号的时刻进行记录,即可得到被监测主设备的第一工作时间。
在第一预设时间段后,对所述第一工作时间进行校验并添加校验标签。此时被监测的时间已经达到,对输出第一目标信号的时刻进行记录、统计,得到相应的第一工作时间。本发明会对第一工作时间进行校验,并根据校验的结果添加校验标签,结合校验标签采取不同的方式进行后续的计算。
本发明提供的技术方案,在一个可能的实施方式中,所述在第一预设时间段后,对所述第一工作时间进行校验并添加校验标签,包括:
若判断第一设备集合中存在具有第二PLC控制单元的生产设备,则基于扩展模块添加第二预设扩展代码,对第二PLC控制单元进行功能扩展得到虚拟的第二用电监测模块以及与所述第二用电监测模块对应的第一预设时间段。如果第一设备集合中存在具有PLC控制单元的生产设备,此时本发明会随机选择一个PLC控制单元作为第二PLC控制单元。本发明根据第二预设扩展代码在第二PLC控制单元中生成第二用电监测模块,并且匹配相应的第一预设时间段。
基于所述第二用电监测模块对第二PLC控制单元的第二接口通路进行监测。在相应的被监测从设备进行工作时,第二PLC控制单元的第二接口通路会输出相应的控制信号,此时第二用电监测模块会对第二接口通路进行监测,判断相应的生产设备是否进行工作。
若判断在第一预设时间段内第二接口通路传输相对应的第二目标信号,则对输出第二目标信号的时刻进行记录得到第二工作时间,将所述第二工作时间发送至第一PLC控制单元。本发明会在第一预设时间段后,统计第一预设时间段内第二接口通路所传输的第二目标信号的时间得到第二工作时间,并将第二工作时间发送至第一PLC控制单元。
第一PLC控制单元若判断所述第一工作时间和第二工作时间相对应,则对所述第一工作时间添加第一校验标签。如果第一工作时间和第二工作时间相对应,则此时相应的生产线中所有的设备是同步工作的,所以此时可以默认为相应生产线的所有生产设备都是同步工作在第一工作时间。此时会对第一工作时间添加第一校验标签。
本发明提供的技术方案,在一个可能的实施方式中,还包括:
第一PLC控制单元若判断所述第一工作时间和第二工作时间不对应,则获取所述第一工作时间和第二工作时间的差值得到异步工作时间。此时则证明相应生产线的所有生产设备会存在异步工作的情况,例如在反应釜对原料预热加工时,则挤塑机并不会接收到相应的原料,即无法根据原料进行挤塑工作,所以此时会出现异步工作的场景。本发明会根据第一工作时间和第二工作时间的差值得到异步工作时间。
对所述第一工作时间、异步工作时间添加第二校验标签。在得到异步工作时间后,本发明会对第一工作时间和异步工作时间分别添加相对应的第二校验标签。
本发明提供的技术方案,在一个可能的实施方式中,所述在所述被监测主设备处设置用电监测模块,用电监测模块在被监测主设备上电时则进行记录,生成第一预设时间段内所述被监测主设备的第一工作时间,包括:
在企业生产线中的第一个生产设备处设置实体的第一用电监测模块,实体的第一用电监测模块基于霍尔传感器构成。由于某些生产线中可能不存在自动化控制的设备,所以此时会将企业生产线中的第一个生产设备处设置实体的第一用电监测模块,实体的第一用电监测模块可以是由霍尔传感器和集成电路构成,通过霍尔传感器可以感应第一个生产设备的电流变化,在第一个生产设备具有相应的工作电流时,集成电路会接收霍尔传感器的检测信号,通过实体的第一用电监测模块可以实现对第一个生产设备的用电情况进行监测。实体的第一用电监测模块可以设置于第一个生产设备的电机附近。
实体的第一用电监测模块基于霍尔传感器感应到第一个生产设备具有工作电流时,则进行记录生成第一预设时间段内所述被监测主设备的第一工作时间。同样的,实体的第一用电监测模块会监测第一预设时间段内的被监测主设备的工作时间得到第一工作时间。
选择企业生产线中最后一个生产设备作为设置第二用电监测模块的生产设备。本发明会选中企业生产线中最后一个生产设备作为设置第二用电监测模块,进而使得本发明能够对企业生产线中的至少两个生产设备进行监测,进而使得本发明能够确定企业生产线同步工作或异步工作,采取不同的计算方式,提高后续计算的准确性。
实体的第一用电监测模块和实体的第二用电监测模块分别监测第一预设时间段,相应生产设备具有工作电流时第一工作时间和第二工作时间。实体的第一用电监测模块和第二用电监测模块会根据霍尔传感器进行电流感应,统计第一预设时间段内具有工作电流的时间得到相应的第一工作时间和第二工作时间。
第二用电监测模块将所述第二工作时间发送至实体的第一用电监测模块,若判断所述第一工作时间和第二工作时间相对应,则对所述第一工作时间添加第一校验标签。此时则相应的生产线是同步工作的,此时对第一工作时间添加第一校验标签。
本发明提供的技术方案,在一个可能的实施方式中,实体的第一用电监测模块若判断所述第一工作时间和第二工作时间不对应,则获取所述第一工作时间和第二工作时间的差值得到异步工作时间。此时则相应的生产线是异步工作的。
对所述第一工作时间、异步工作时间添加第二校验标签。在得到异步工作时间后,本发明会对第一工作时间和异步工作时间分别相对应的第二校验标签。
步骤S130、获取每个被监测主设备所对应的所有被监测从设备,生成每个被监测主设备所对应的第二设备集合,统计被监测主设备和相应被监测从设备的额定功率。本发明会得到每个被监测主设备所对应的所有被监测从设备,可以这样理解,每个生产线会具有一个被监测主设备,生产线的其余设备会被统计得到第二设备集合,进而根据每个被监测主设备、相对应的第二设备集合即可以确定相应的生产线所包括的所有设备,不同的设备会具有不同的额定功率,本发明会对每个生产线的所有设备的额定功率进行统计。在一个可能的场景下,如果一个生产线只有一个设备,则此时第二设备集合为空集,只存在一个被监测主设备。
步骤S140、预先训练的深度学习模型根据每个被监测主设备的第一工作时间、所对应的第二设备集合得到第一设备集合内所有设备的第一计算电能值,根据所述第一设备集合内被监测设备的数量、被监测设备的平均功率对第一计算电能值进行二次修正计算得到第二计算电能值。本发明会根据深度学习模型进行计算,得到第一计算电能值和第二计算电能值,第二计算电能值可以看作是本发明对所有生产线进行的生产行为进行计算所得到、预测的第二计算电能值。
本发明提供的技术方案,在一个可能的实施方式中,步骤S140包括:
若第一工作时间添加第一校验标签,则确定被监测主设备、第二设备集内每个被监测从设备的额定功率。此时则证明相应的生产线是同步工作的,所以此时可以根据第一工作时间进行相应生产线所使用电能的计算。
基于所述第一工作时间、被监测主设备的额定功率以及第二设备集内每个被监测从设备的额定功率得到第一子电能值,统计所有的第一子电能值得到第一计算电能值。此时会认为第二设备集内所有的被监测从设备的工作时间都是第一工作时间,所以此时根据第一工作时间、被监测主设备的额定功率以及第二设备集内每个被监测从设备的额定功率得到第一子电能值。第一子电能值可以看作是一个生产线的电能值,本发明会计算所有生产线的第一子电能值之和,得到第一计算电能值。
所述深度学习模型通过以下公式计算第一子电能值和第一计算电能值,
其中,为第一计算电能值,为第个第一子电能值,为第一子电能值的
上限值,为第个第一子电能值,为第一工作时间,为被监测主设备的额定功率,为第二设备集内第个被监测从设备的额定功率,为第二设备集内被监测从设备的
上限值。通过可以计算所有的生产线的第一子电能值之和,通过可以
得到第二设备集内所有被监测从设备的额定功率之和,根据可
以进行综合的计算,得到被监测主设备、所有被监测从设备的功率之和,进而通过第一工作
时间计算得到相应生产线的第一子电能值。
本发明提供的技术方案,在一个可能的实施方式中,所述预先训练的深度学习模型根据每个被监测主设备的第一工作时间、所对应的第二设备集合得到第一设备集合内所有设备的第一计算电能值,包括:
若第一工作时间添加第二校验标签,则确定被监测主设备、第二设备集内每个被监测从设备的额定功率。此时相应的生产线中各个设备是异步工作的。
根据所述第一工作时间、异步工作时间进行计算得到第三工作时间,根据所述第一工作时间、第二工作时间以及第三工作时间进行计算,得到第一子电能值。本发明会根据第一工作时间、异步工作时间进行计算得到第三工作时间,第三工作时间可以看作是被监测的两个设备之外的所有其他设备的工作时间。
所述深度学习模型通过以下公式计算第一子电能值,
其中,为第二工作时间,为第二用电监测模块所对应的第个被监测从设
备的额定功率,为第三工作时间,为第二设备集内第个被监测从设备的额定功率,为第二设备集内被监测从设备的上限值,为异步工作时间。本发明会根据得到第三工作时间,如果第二工作时间大于第一工作时间,则此时第三
工作时间相较于第一工作时间即具有增大的趋势。如果第二工作时间小于第一
工作时间,则此时第三工作时间相较于第一工作时间即具有减小的趋势。本发明
会根据进行计算,得到被监测主设备在第一预设时间段内的电能使用值,根据进行计算,得到第二用电监测模块所对应的第个被监测从设备的电能使用值。
通过,可以得到第二设备集内,除去第个被监测从设备,所有被监测从设
备在第一预设时间段内的电能使用值之和。最终,根据得到生产线异步工作时所有设备的电能使用之和得
到第一子电能值。使得本发明可以根据生产线的工作方式的不同确定不同的计算方式,使
得其计算场景更加的多元化,计算的第一计算电能值更加准确。
本发明提供的技术方案,在一个可能的实施方式中,步骤S140包括:
将第一设备集合内被监测设备的数量与预设数量比对得到数量调整系数,将被监测设备的平均功率与预设功率比对得到功率调整系数。可以这样理解,如果被监测设备的数量越多,则电能的额外损耗越大,所以此时实际的电能可能会比所有设备的电能之和要更大,例如照明用电、用水用电等等。所以,本发明会根据被监测设备的数量与预设数量比对得到数量调整系数。一般来说,如果被监测设备的平均功率越大,则证明相应设备单位时间的损耗电能就越多、设备相对越大,其额外所消耗的电能也就可能越多,所以此时会根据被监测设备的平均功率与预设功率比对得到功率调整系数。
根据所述数量调整系数、功率调整系数对第一计算电能值进行二次修正计算得到第二计算电能值。本发明会根据数量调整系数、功率调整系数进行计算,合理的对第一计算电能值进行修正化的计算,得到第二计算电能值,此时的第二计算电能值会综合考虑用户的设备数量、属性等维度,使得所计算的第二计算电能值更贴合于当前所计算的用户。
所述深度学习模型通过以下公式对第一计算电能值进行修正,得到计算第二计算电能值,
其中,为第二计算电能值,为第一设备集合内被监测设备的数量,为预设
数量,为数量权重值,为数量常数值,为第一设备集合中第个设备的额定功率,为第一设备集合中设备的上限值,为第一设备集合中设备的数量值,为预设功率,为功率权重值,为功率常数值。通过可以得到数量差值,根据得到数
量调整系数。通过可以得到功率的差值,根据得到功率调整系数。结
合数量调整系数和功率调整系数进行综合的计算,对进行偏移,得到第二计算电能值。
如果第一设备集合内被监测设备的数量越多、第一设备集合中的额定功率越大,则所计算
的第二计算电能值越大。如果第一设备集合内被监测设备的数量越少、第一设备集合中
的额定功率越小,则所计算的第二计算电能值越小。通过以上的技术方案,深度学习模
型可以进行多维度的计算,得到最终的、符合相应用户的第二计算电能值。
步骤S150、获取被稽查用户在第一预设时间段内的表显电能值,若所述第二计算电能值与表显电能值不相对应,则输出第一稽查信息。
本发明在得到第二计算电能值,会得到第一预设时间段内的表显电能值,表显电能值即为用户的智能电表的电能值,如果第二计算电能值大于表显电能值,则证明此时肯定出现违规用电的行为,即认为第二计算电能值与表显电能值不相对应,可以输出第一稽查信息。此时,可以进行用户窃电行为的稽查。
如果表显电能值大于第二计算电能值,且表显电能值与第二计算电能值过大,则此时可能也认为第二计算电能值与表显电能值不相对应,此时可能是智能电表出现问题,此时也会输出第一稽查信息。
本发明提供的技术方案,在一个可能的实施方式中,步骤S150包括:
深度学习模型接收表显电能值,将所述表显电能值与所述第二计算电能值比对得到第一预设时间段的第一电能差值。此时的第一电能差值可以是第二计算电能值减表显电能值。第一电能差值可以看作是设备工作以外的耗电、耗能,一般场景下,工作以外的耗电、耗能相对较低,所以如果第一电能差值过大的话,则此时可能会出现智能电表出现问题、线路跑电等现象。
若所述第一电能差值大于预设电能差值,则判断第二计算电能值与表显电能值不相对应,输出第一稽查信息。所以在第一电能差值大于预设电能差值时,也会输出第一稽查信息,便于工作人员进行智能电表、线路的稽查。
本发明提供的技术方案,在一个可能的实施方式中,还包括:
所述深度学习模型用于接收反馈数据,所述反馈数据包括输出第一稽查信息后被稽查用户出现异常问题或未出现异常问题。在输出第一稽查信息后,反窃电稽查小队会进行相应的异常检测,例如用户是否窃电,智能电表是否计量错误、是否存在线路跑电等等。
若被稽查用户处存在异常问题,则不对所述预设电能差值调整。证明此时深度学习模型的计算是正确的。
若被稽查用户处未存在异常问题,则未存在异常问题的数量大于预设行为数量,则深度学习模型对所述预设电能差值进行扩大调整。证明此时深度学习模型的计算是错误的,该种场景下造成计算错误的原因较大概率是预设电能差值较小,用户在生产耗能以外,其他方式的额外消耗电能较多,所以此时会对预设电能差值进行扩大调整。
本发明提供的技术方案,在一个可能的实施方式中,所述若被稽查用户处未存在异常问题,则未存在异常问题的数量大于预设行为数量,则深度学习模型对所述预设电能差值进行扩大调整,包括:
确定未出现异常问题的数量小于预设行为数量的时间得到统计时长。统计时长越长,则证明在输出第一提醒信息后,未出现异常问题的频率就越小,所以此时需要对预设电能差值进行扩大调整的幅度就越小。
根据所述统计时长、所有未出现异常问题所对应的第一电能差值得到第一调整值,根据所述第一调整值对所述预设电能差值进行扩大调整。如果未出现异常问题所对应的第一电能差值与扩大调整前的预设电能差值相差越大,则预设电能差值需要调整的幅度就越大。
通过以下公式计算扩大调整后的预设电能差值,
其中,为扩大调整后的预设电能差值,为扩大调整前的预设电能差值,为
第个未出现异常问题所对应的第一电能差值,为未出现窃电行为的上限值,为数
量归一化值,为统计时长,为时间归一化值,为调整系数值。通过可
以得到所有未出现异常问题所对应的第一电能差值与扩大调整前的预设电能差值的差的
平均值,如果越大,则扩大调整后的预设电能差值越大。通过可以得到
输出第一稽查信息后,未出现异常问题的频率,如果越大,则扩大调整后的预设电能
差值越大。通过以上的技术方案,使得本发明能够进行深度学习,持续对预设电能差值进
行学习调整,使得本发明在进行自动稽查时的准确性能够进行提高。
为了实现本发明提供的基于深度学习算法的营销稽查信息处理方法,本发明还提供一种基于深度学习算法的营销稽查信息处理装置,如图2所示,包括:
确定模块,用于根据被稽查用户的企业数据得到第一设备集合,在所述第一设备集合中选择至少一个满足预设要求的被监测主设备,根据企业数据确定被监测主设备和被监测从设备;
生成模块,用于在所述被监测主设备处设置用电监测模块,用电监测模块在被监测主设备上电时则进行记录,生成第一预设时间段内所述被监测主设备的第一工作时间;
统计模块,用于获取每个被监测主设备所对应的所有被监测从设备,生成每个被监测主设备所对应的第二设备集合,统计被监测主设备和相应被监测从设备的额定功率;
计算模块,用于使预先训练的深度学习模型根据每个被监测主设备的第一工作时间、所对应的第二设备集合得到第一设备集合内所有设备的第一计算电能值,根据所述第一设备集合内被监测设备的数量、被监测设备的平均功率对第一计算电能值进行二次修正计算得到第二计算电能值;
输出模块,用于获取被稽查用户在第一预设时间段内的表显电能值,若所述第二计算电能值与表显电能值不相对应,则输出第一稽查信息。
本发明还提供一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现上述的各种实施方式提供的方法。
其中,存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和存储介质也可以作为分立组件存在于通信设备中。存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在存储介质中。设备的至少一个处理器可以从存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (13)
1.基于深度学习算法的营销稽查信息处理方法,其特征在于,包括:
根据被稽查用户的企业数据得到第一设备集合,在所述第一设备集合中选择至少一个满足预设要求的被监测主设备,根据企业数据中的设备属性或设备位置确定被监测主设备和被监测从设备;
在所述被监测主设备处设置用电监测模块,用电监测模块在被监测主设备上电时则进行记录,生成第一预设时间段内所述被监测主设备的第一工作时间;
获取每个被监测主设备所对应的所有被监测从设备,生成每个被监测主设备所对应的第二设备集合,统计被监测主设备和相应被监测从设备的额定功率;
预先训练的深度学习模型根据每个被监测主设备的第一工作时间、所对应的第二设备集合得到第一设备集合内所有设备的第一计算电能值,根据所述第一设备集合内被监测设备的数量、被监测设备的平均功率对第一计算电能值进行二次修正计算得到第二计算电能值;
获取被稽查用户在第一预设时间段内的表显电能值,若所述第二计算电能值与表显电能值不相对应,则输出第一稽查信息;
所述根据被稽查用户的企业数据得到第一设备集合,在所述第一设备集合中选择至少一个满足预设要求的被监测主设备,根据企业数据中的设备属性或设备位置确定被监测主设备和被监测从设备,包括:
确定被稽查用户的企业数据中的企业生产线,若企业生产线中具有第一PLC控制单元的生产设备,则将具有第一PLC控制单元的生产设备作为满足预设要求的被监测主设备,所述设备属性包括具有第一PLC控制单元和不具有第一PLC控制单元;
若判断企业生产线中不存在具有第一PLC控制单元的生产设备,将每一个企业生产线中的第一个设备位置处的生产设备作为被监测主设备;
将企业生产线中被监测主设备主体以外的其他生产设备作为被监测从设备。
2.根据权利要求1所述的基于深度学习算法的营销稽查信息处理方法,其特征在于,
所述在所述被监测主设备处设置用电监测模块,用电监测模块在被监测主设备上电时则进行记录,生成第一预设时间段内所述被监测主设备的第一工作时间,包括:
若被监测主设备为具有第一PLC控制单元的生产设备,则基于扩展模块添加第一预设扩展代码,对第一PLC控制单元进行功能扩展得到虚拟的第一用电监测模块以及对应的第一预设时间段;
基于虚拟的第一用电监测模块对第一PLC控制单元的第一接口通路进行监测;
若判断在第一预设时间段内第一接口通路传输相对应的第一目标信号,则对输出第一目标信号的时刻进行记录得到第一工作时间;
在第一预设时间段后,对所述第一工作时间进行校验并添加校验标签。
3.根据权利要求2所述的基于深度学习算法的营销稽查信息处理方法,其特征在于,
所述在第一预设时间段后,对所述第一工作时间进行校验并添加校验标签,包括:
若判断第一设备集合中存在具有第二PLC控制单元的生产设备,则基于扩展模块添加第二预设扩展代码,对第二PLC控制单元进行功能扩展得到虚拟的第二用电监测模块以及对应的第一预设时间段;
基于所述第二用电监测模块对第二PLC控制单元的第二接口通路进行监测;
若判断在第一预设时间段内第二接口通路传输相对应的第二目标信号,则对输出第二目标信号的时刻进行记录得到第二工作时间,将所述第二工作时间发送至第一PLC控制单元;
第一PLC控制单元若判断所述第一工作时间和第二工作时间相对应,则对所述第一工作时间添加第一校验标签。
4.根据权利要求3所述的基于深度学习算法的营销稽查信息处理方法,其特征在于,还包括:
第一PLC控制单元若判断所述第一工作时间和第二工作时间不对应,则获取所述第一工作时间和第二工作时间的差值得到异步工作时间;
对所述第一工作时间、异步工作时间添加第二校验标签。
5.根据权利要求1所述的基于深度学习算法的营销稽查信息处理方法,其特征在于,
所述在所述被监测主设备处设置用电监测模块,用电监测模块在被监测主设备上电时则进行记录,生成第一预设时间段内所述被监测主设备的第一工作时间,包括:
在企业生产线中的第一个生产设备处设置实体的第一用电监测模块,实体的第一用电监测模块基于霍尔传感器构成;
实体的第一用电监测模块基于霍尔传感器感应到第一个生产设备具有工作电流时,则进行记录生成第一预设时间段内所述被监测主设备的第一工作时间;
选择企业生产线中最后一个生产设备作为设置实体的第二用电监测模块的生产设备;
实体的第一用电监测模块和第二用电监测模块分别监测第一预设时间段,相应生产设备具有工作电流时第一工作时间和第二工作时间;
实体的第二用电监测模块将所述第二工作时间发送至实体的第一用电监测模块,若判断所述第一工作时间和第二工作时间相对应,则对所述第一工作时间添加第一校验标签。
6.根据权利要求5所述的基于深度学习算法的营销稽查信息处理方法,其特征在于,
实体的第一用电监测模块若判断所述第一工作时间和第二工作时间不对应,则获取所述第一工作时间和第二工作时间的差值得到异步工作时间;
对所述第一工作时间、异步工作时间添加第二校验标签。
7.根据权利要求4或6中任意一项所述的基于深度学习算法的营销稽查信息处理方法,其特征在于,
所述预先训练的深度学习模型根据每个被监测主设备的第一工作时间、所对应的第二设备集合得到第一设备集合内所有设备的第一计算电能值,包括:
若第一工作时间添加第一校验标签,则确定被监测主设备、第二设备集内每个被监测从设备的额定功率;
基于所述第一工作时间、被监测主设备的额定功率以及第二设备集内每个被监测从设备的额定功率得到第一子电能值,统计所有的第一子电能值得到第一计算电能值;
所述深度学习模型通过以下公式计算第一子电能值和第一计算电能值,
8.根据权利要求7所述的基于深度学习算法的营销稽查信息处理方法,其特征在于,
所述预先训练的深度学习模型根据每个被监测主设备的第一工作时间、所对应的第二设备集合得到第一设备集合内所有设备的第一计算电能值,包括:
若第一工作时间添加第二校验标签,则确定被监测主设备、第二设备集内每个被监测从设备的额定功率;
根据所述第一工作时间、异步工作时间进行计算得到第三工作时间,根据所述第一工作时间、第二工作时间以及第三工作时间进行计算,得到第一子电能值;
所述深度学习模型通过以下公式计算第一子电能值,
9.根据权利要求8所述的基于深度学习算法的营销稽查信息处理方法,其特征在于,
所述根据所述第一设备集合内被监测设备的数量、被监测设备的平均功率对第一计算电能值进行二次修正计算得到第二计算电能值,包括:
将第一设备集合内被监测设备的数量与预设数量比对得到数量调整系数,将被监测设备的平均功率与预设功率比对得到功率调整系数;
根据所述数量调整系数、功率调整系数对第一计算电能值进行二次修正计算得到第二计算电能值;
所述深度学习模型通过以下公式对第一计算电能值进行修正,得到第二计算电能值,
10.根据权利要求9所述的基于深度学习算法的营销稽查信息处理方法,其特征在于,
所述获取被稽查用户在第一预设时间段内的表显电能值,若所述第二计算电能值与表显电能值不相对应,则输出第一稽查信息,包括:
深度学习模型接收表显电能值,将所述表显电能值与所述第二计算电能值比对得到第一预设时间段的第一电能差值;
若所述第一电能差值大于预设电能差值,则判断第二计算电能值与表显电能值不相对应,输出第一稽查信息。
11.根据权利要求10所述的基于深度学习算法的营销稽查信息处理方法,其特征在于,还包括:
所述深度学习模型用于接收反馈数据,所述反馈数据包括输出第一稽查信息后被稽查用户出现异常问题或未出现异常问题;
若被稽查用户处存在异常问题,则不对所述预设电能差值调整;
若被稽查用户处未存在异常问题,则未存在异常问题的数量大于预设行为数量,则深度学习模型对所述预设电能差值进行扩大调整。
12.根据权利要求11所述的基于深度学习算法的营销稽查信息处理方法,其特征在于,
所述若被稽查用户处未存在异常问题,则未存在异常问题的数量大于预设行为数量,则深度学习模型对所述预设电能差值进行扩大调整,包括:
确定未出现异常问题的数量小于预设行为数量的时间得到统计时长;
根据所述统计时长、所有未出现异常问题所对应的第二计算电能值得到第一调整值,根据所述第一调整值对所述预设电能差值进行扩大调整,通过以下公式计算扩大调整后的预设电能差值,
13.基于深度学习算法的营销稽查信息处理装置,其特征在于,包括:
确定模块,用于根据被稽查用户的企业数据得到第一设备集合,在所述第一设备集合中选择至少一个满足预设要求的被监测主设备,根据企业数据中的设备属性或设备位置确定被监测主设备和被监测从设备;
生成模块,用于在所述被监测主设备处设置用电监测模块,用电监测模块在被监测主设备上电时则进行记录,生成第一预设时间段内所述被监测主设备的第一工作时间;
统计模块,用于获取每个被监测主设备所对应的所有被监测从设备,生成每个被监测主设备所对应的第二设备集合,统计被监测主设备和相应被监测从设备的额定功率;
计算模块,用于使预先训练的深度学习模型根据每个被监测主设备的第一工作时间、所对应的第二设备集合得到第一设备集合内所有设备的第一计算电能值,根据所述第一设备集合内被监测设备的数量、被监测设备的平均功率对第一计算电能值进行二次修正计算得到第二计算电能值;
输出模块,用于获取被稽查用户在第一预设时间段内的表显电能值,若所述第二计算电能值与表显电能值不相对应,则输出第一稽查信息;
所述根据被稽查用户的企业数据得到第一设备集合,在所述第一设备集合中选择至少一个满足预设要求的被监测主设备,根据企业数据中的设备属性或设备位置确定被监测主设备和被监测从设备,包括:
确定被稽查用户的企业数据中的企业生产线,若企业生产线中具有第一PLC控制单元的生产设备,则将具有第一PLC控制单元的生产设备作为满足预设要求的被监测主设备,所述设备属性包括具有第一PLC控制单元和不具有第一PLC控制单元;
若判断企业生产线中不存在具有第一PLC控制单元的生产设备,将每一个企业生产线中的第一个设备位置处的生产设备作为被监测主设备;
将企业生产线中被监测主设备主体以外的其他生产设备作为被监测从设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210607531.1A CN114721326B (zh) | 2022-05-31 | 2022-05-31 | 基于深度学习算法的营销稽查信息处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210607531.1A CN114721326B (zh) | 2022-05-31 | 2022-05-31 | 基于深度学习算法的营销稽查信息处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114721326A CN114721326A (zh) | 2022-07-08 |
CN114721326B true CN114721326B (zh) | 2022-09-09 |
Family
ID=82231195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210607531.1A Active CN114721326B (zh) | 2022-05-31 | 2022-05-31 | 基于深度学习算法的营销稽查信息处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114721326B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115236509B (zh) * | 2022-08-08 | 2023-11-10 | 江苏大中电机股份有限公司 | 用于电机的数据采集设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543943A (zh) * | 2018-10-17 | 2019-03-29 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于大数据深度学习的电价稽查执行方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105021925B (zh) * | 2015-07-15 | 2018-06-29 | 深圳市双合电气股份有限公司 | 基于水泥行业的电力监管系统及方法 |
CN106972515B (zh) * | 2016-01-13 | 2023-07-25 | 北京兆阳能源技术有限公司 | 源端、荷端的电能控制装置、方法及系统 |
CN106054108B (zh) * | 2016-05-27 | 2018-11-09 | 北京智芯微电子科技有限公司 | 一种用电异常检查方法和装置 |
CN107239852A (zh) * | 2017-05-05 | 2017-10-10 | 南京邮电大学 | 一种基于深度学习的电量消耗预测方法 |
CN113853528A (zh) * | 2019-06-21 | 2021-12-28 | 西门子股份公司 | 用电异常识别方法、装置和计算机可读存储介质 |
CN110929115B (zh) * | 2019-11-21 | 2021-07-30 | 和远智能科技股份有限公司 | 一种基于用电特性的用电安全监测方法及系统 |
CN112098717A (zh) * | 2020-11-19 | 2020-12-18 | 中国电力科学研究院有限公司 | 一种用于对用电状态进行监测的系统及方法 |
CN113655272A (zh) * | 2021-08-24 | 2021-11-16 | 浙江华消科技有限公司 | 一种电量值的修正方法和装置、存储介质及电子设备 |
US20220004935A1 (en) * | 2021-09-22 | 2022-01-06 | Intel Corporation | Ensemble learning for deep feature defect detection |
-
2022
- 2022-05-31 CN CN202210607531.1A patent/CN114721326B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543943A (zh) * | 2018-10-17 | 2019-03-29 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于大数据深度学习的电价稽查执行方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114721326A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021189904A1 (zh) | 数据异常检测方法、装置、电子设备及存储介质 | |
JP7478226B2 (ja) | 充電ステーション監視方法および装置 | |
CN114721326B (zh) | 基于深度学习算法的营销稽查信息处理方法及装置 | |
EP3690658B1 (en) | Method for detecting repair-necessary motherboards and device using the method | |
CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
CN116467468B (zh) | 基于知识图谱技术的电力管理系统异常信息处置方法 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN105306252A (zh) | 一种自动判别服务器故障的方法 | |
CN112333291B (zh) | 一种文件防重传方法 | |
CN112652351A (zh) | 硬件状态检测方法、装置、计算机设备及存储介质 | |
CN114598556B (zh) | It基础设施配置完整性保护方法及保护系统 | |
US20140278161A1 (en) | Method for determining a signal transmission mode of a plurality of fault indicators | |
US20220222580A1 (en) | Deterioration detection method, non-transitory computer-readable storage medium, and information processing device | |
CN116106648A (zh) | 一种配电柜智能监测方法 | |
CN112099413B (zh) | 一种家庭用电数据监控方法及装置 | |
CN114448689A (zh) | 工控网络的边界设备确定方法、装置、设备及存储介质 | |
CN116980238B (zh) | 一种多终端登录控制方法及系统 | |
CN117235396B (zh) | 一种精选楼层入参的校验方法、装置、设备及存储介质 | |
CN115511526B (zh) | 核价管理方法、系统、设备及存储介质 | |
US20220222579A1 (en) | Deterioration detection method, non-transitory computer-readable storage medium, and information processing device | |
CN116433402A (zh) | 用户电费自动化销账的分析处理装置、方法和存储介质 | |
CN116717729B (zh) | 一种监测燃气安全的分级管控系统及方法 | |
CN114648025B (zh) | 基于电力领域多维度演化图的电网数据处理方法及系统 | |
CN112101652B (zh) | 预测任务数量的方法、装置、可读存储介质和电子设备 | |
JP2011238046A (ja) | 監視システム、監視装置及び監視プログラム |
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 |