具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
在本公开的描述中,需要说明的是,除非另有明确的规定和限定,术语“设置”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本公开中的具体含义。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关公开相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
本公开中所涉及的用户个人信息(例如用户标识)的收集、存储、使用等操作,在执行相应操作之前,相关组织或个人尽到包括开展个人信息安全影响评估、向个人信息主体履行告知义务、事先征得个人信息主体的授权同意等义务。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的基于隐私保护的用电信息生成套件的一些实施例的结构示意图。图1包括外网端装置1和内网端装置2。其中,外网端装置1包括数据接收单元11、数据处理单元12和数据输出单元13。内网端装置2可以包括数据视频接收单元21、数据解码单元22和用电信息生成单元23。
在一些实施例中,上述基于隐私保护的用电信息生成套件可以包括外网端装置1和内网端装置2。其中,上述外网端装置1可以包括数据接收单元11、数据处理单元12和数据输出单元13。上述数据接收单元11可以为用于接收外部设备传输的数据的单元。例如,上述数据接收单元11可以为硬件接口。例如,上述数据接收单元11可以为上述数据处理单元12可以为用于对接收到的数据进行处理的单元。例如,上述数据处理单元12可以为微芯片。上述数据输出单元13可以为用于将通过上述数据处理单元12处理后的数据输出至其他设备的单元。例如,上述数据输出单元13可以为硬件接口。上述数据接收单元11、上述数据处理单元12和上述数据输出单元13可以依次通信连接。具体而言,可以理解为上述数据接收单元11可以与上述数据处理单元12通信连接。上述数据处理单元12可以与上述数据输出单元13通信连接。
在一些实施例中,上述数据接收单元11可以被配置成接收相关联的终端发送的数据信息,并将上述数据信息发送至上述数据处理单元12。其中,上述数据信息可以包括用户标识和时间序列。上述数据信息可以为表征待预测用电信息的用户的信息。上述用户标识可以为唯一表征用户的标识。例如,上述用户标识可以为用户01。上述时间序列可以为表征用户所要预测用电的时间段。由此,由于接收的数据信息只包括用户标识和时间序列,未接收用户的历史信息,从而可以降低泄漏用户的用电信息的风险。
在一些实施例中,上述数据处理单元12可以被配置为对接收到的数据信息进行特征提取处理,以生成数据特征信息。其中,上述数据特征信息可以为表征上述数据信息的数据向量。实践中,上述数据处理单元12可以对将接收的数据进行小波分解,得到数据特征信息。其次,上述数据处理单元12可以对上述数据特征信息进行编码处理,以生成编码数据特征信息。其中,上述编码数据特征信息可以为二维码图片。实践中,上述数据处理单元12可以将数据特征信息编码为二维码图片。然后,上述数据处理单元12可以将上述编码数据特征信息进行视频转化处理,以生成数据视频信息。实践中,上述数据处理单元12可以将上述二维码图片转换为视频信号格式的信息,得到数据视频信息。最后,上述数据处理单元12可以将上述数据视频信息发送至上述数据输出单元13。由此,通过对数据信息对应的数据特征信息进行编码处理,再转换成数据视频信息发送至内网端装置,可以降低信息发送时泄漏的风险,从而提高用户信息的安全性。
在一些实施例中,上述内网端装置2可以包括数据视频接收单元21、数据解码单元22和用电信息生成单元23。上述数据视频接收单元21可以为用于接收上述外网端装置1发送的数据视频信息的单元。例如,上述数据视频接收单元21可以为接口。上述数据解码单元22可以为用于将接收的数据视频信息转换为数据的单元。例如,上述数据解码单元22可以为微芯片。上述用电信息生成单元23可以为用于预测用户的用电信息的单元。例如,上述用电信息生成单元23可以为微控制器。上述数据视频接收单元21、上述数据解码单元22和上述用电信息生成单元23可以依次通信连接。具体而言,上述数据视频接收单元21可以和上述数据解码单元22通信连接。上述数据解码单元22可以和上述用电信息生成单元23通信连接。上述内网端装置2和上述外网端装置1可以通过上述数据输出单元13和上述数据视频接收单元21通信连接。可以理解为,可以通过连接上述数据输出单元13和上述数据视频接收单元21,以连接上述内网端装置2和上述外网端装置1。
在一些实施例中,上述数据解码单元22可以被配置为将接收到的数据视频信息进行解码处理,得到解码后数据信息,并将上述解码后数据信息发送至上述用电信息生成单元23。上述解码后数据信息可以为表征上述数据信息的特征信息。例如,上述解码后数据信息可以为表征数据信息的向量。
在一些实施例中,上述用电信息生成单元23可以被配置为根据所接收的解码后数据信息和上述用电信息生成单元23承载的用电信息生成模型,生成对应上述解码后数据信息的用电信息,以及将上述解码后数据信息从缓存中删除。其中,上述用电信息可以为表征上述用户标识对应的用户在上述时间序列内预测可能会使用的用电量。上述用电信息生成模型可以为以解码后数据信息为输入,以用电信息为输出的深度学习模型。例如,上述深度学习模型可以为卷积神经网络模型。由此,得到对应上述解码后数据信息的用电信息后,可以根据得到的用电信息,对上述解码后数据信息对应的用户进行供电。且在得到用电信息后,将数据信息从缓存中进行删除。可以进一步降低用户的用电信息泄漏的风险。
可选地,上述内网端装置2还可以包括内网主控单元和存储单元。其中,上述内网主控单元可以为用于对上述内网端装置中的各个单元进行控制的微处理器。例如,上述内网主控单元可以为ARM(Advanced RISC Machines)微处理器。上述存储单元可以为用于存储用电信息的单元。例如,上述数据存储单元可以为存储卡。上述内网主控单元、上述数据解码单元22、上述用电信息生成单元23和上述存储单元可以通过串行计算机扩展总线相互通信连接。具体而言,上述内网主控单元、上述数据解码单元22、上述用电信息生成单元23和上述存储单元可以通过符合PCI-Express(Peripheral Component InterconnectExpress,高速串行计算机扩展总线标准)的总线相互通信连接。上述用电信息生成单元23还可以被配置为将上述用电信息发送至上述存储单元。上述存储单元可以被配置为对接收到的用电信息进行存储。
可选地,上述外网端装置1还可以包括外网主控单元。其中,上述外网主控单元可以为用于对上述外网端装置中的各个单元进行控制的微处理器。例如,上述外网主控单元可以为ARM(Advanced RISC Machines)微处理器。上述外网主控单元和上述数据处理单元12可以通过串行计算机扩展总线相互通信连接。具体而言,上述外网主控单元和上述数据处理单元12可以通过符合PCI-Express(Peripheral Component Interconnect Express,高速串行计算机扩展总线标准)的总线相互通信连接。
可选地,上述数据输出单元13和上述数据视频接收单元21均可以为数字分量串行接口。由此,通过数字分量串行接口连接内网端装置和外网端装置,可以避免通过数字分量串行接口网络入侵,从而提高传输的信息的安全性。
可选地,上述数据接收单元11可以为硬件接口。其中,上述硬件接口可以为用于接收信息的接口。例如,上述硬件接口可以为RJ45接口。由此,由于RJ45接口具有防震动的效果,从而可以提高外网端装置与其他设备连接的稳定性。
可选地,上述数据处理单元12和上述数据解码单元22均可以为包括逻辑模块的芯片。例如,上述数据处理单元12和上述数据解码单元22均可以为FPGA(Field ProgrammableGate Array)芯片。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的基于隐私保护的用电信息生成套件,可以提高用户的用电信息的安全性。具体来说,造成用户的用电信息的安全性较低的原因在于:在获取用户详细的历史用电信息的过程中,造成用户的用电信息泄漏的风险较高,且将用户用电信息进行存储,也造成用户的用电信息泄漏的风险较高,导致用户信息的安全性较低。基于此,本公开的一些实施例的基于隐私保护的用电信息生成套件包括外网端装置和内网端装置;上述外网端装置包括数据接收单元、数据处理单元和数据输出单元,上述数据接收单元、上述数据处理单元和上述数据输出单元依次通信连接;上述数据接收单元被配置成接收相关联的终端发送的数据信息,并将上述数据信息发送至上述数据处理单元,其中,上述数据信息包括用户标识和时间序列;上述数据处理单元被配置为对接收到的数据信息进行特征提取处理,以生成数据特征信息,以及对上述数据特征信息进行编码处理,以生成编码数据特征信息,以及将上述编码数据特征信息进行视频转化处理,以生成数据视频信息,以及将上述数据视频信息发送至上述数据输出单元;上述内网端装置包括数据视频接收单元、数据解码单元和用电信息生成单元,其中,上述数据视频接收单元、上述数据解码单元和上述用电信息生成单元依次通信连接,上述内网端装置和上述外网端装置通过上述数据输出单元和上述数据视频接收单元进行通信;上述数据解码单元被配置为将接收到的数据视频信息进行解码处理,得到解码后数据信息,并将上述解码后数据信息发送至上述用电信息生成单元;上述用电信息生成单元被配置为根据所接收的解码后数据信息和上述用电信息生成单元承载的用电信息生成模型,生成对应上述解码后数据信息的用电信息,以及将上述解码后数据信息从缓存中删除。因为接收的数据信息包括用户标识和时间序列,未接收用户的历史信息,从而可以降低泄漏用户的用电信息的风险。也因为在得到用电信息后,会将数据信息从缓存中进行删除。进而可以进一步降低了用户的用电信息泄漏的风险。由此,该基于隐私保护的用电信息生成套件可以提高用户的用电信息的安全性。
继续参考图2,示出了根据本公开的用电信息生成方法的一些实施例的流程200。该用电信息生成方法,包括以下步骤:
步骤201,通过数据视频接收单元接收相关联的外网端装置发送的数据视频信息。
在一些实施例中,用电信息生成方法的执行主体(例如图1所示的内网端装置)可以通过数据视频接收单元接收相关联的外网端装置发送的数据视频信息。其中,上述数据视频信息包括用户标识和时间序列。上述内网端装置包括数据视频接收单元、数据解码单元和用电信息生成单元。实践中,上述执行主体可以通过数据视频接收单元接收与上述执行主体通信连接的外网端装置发送的数据视频信息。作为示例,上述执行主体与上述外网端装置通信连接的方式可以为有线连接方式也可以为无线连接方式。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。由此,由于接收的数据信息只包括用户标识和时间序列,未接收用户的历史信息,从而可以降低泄漏用户的用电信息的风险。
步骤202,通过数据解码单元对数据视频信息进行解码处理,得到解码后数据信息。
在一些实施例中,上述执行主体可以通过上述数据解码单元对上述数据视频信息进行解码处理,得到解码后数据信息。实践中,首先,上述执行主体可以将上述数据视频信息转换为二维码图片。最后,可以将上述二维码图片解码为数据信息,将上述数据信息确定为解码后数据信息。由此,通过对接收到的信息进行解码处理后得到解码后数据信息,再不是直接接收数据信息,可以降低信息传输时泄漏的风险,从而提高用户信息的安全性。
步骤203,根据解码后数据信息和用电信息生成单元承载的用电信息生成模型,生成对应解码后数据信息的用电信息。
在一些实施例中,上述执行主体可以根据上述解码后数据信息和上述用电信息生成单元承载的用电信息生成模型,生成对应上述解码后数据信息的用电信息。实践中,上述执行主体可以将上述解码后数据信息输入至上述用电信息生成单元承载的用电信息生成模型,得到对应上述解码后数据信息的用电信息。由此,得到对应上述解码后数据信息的用电信息后,可以根据得到的用电信息,对上述解码后数据信息对应的用户进行供电。
可选地,上述用电信息生成模型可以是通过以下第一训练步骤生成的:
第一步,获取历史普适数据训练样本集和上述历史普适数据训练样本集中每个历史普适数据训练样本对应的历史普适用电信息样本,其中,上述历史普适数据训练样本集中的每个历史普适数据训练样本包括用户标识样本和时间序列样本。上述历史普适数据训练样本集中的每个历史普适数据训练样本可以为表征未使用发电设备进行供电的用户的标识和历史用电时间序列的样本信息。上述历史用电时间序列可以为用户用电的任意一段时间。例如,上述历史用电时间序列可以为包括“12:00-13:00”。上述历史普适用电信息样本可以为表征上述历史用电时间序列的用电量的信息。其中,上述用电信息生成模型的执行主体可以为用户端的服务器。然后将上述用电信息生成模型发送至上述内网端装置。上述用电信息生成模型的执行主体也可以为上述内网端装置。在训练完成后,上述内网端装置可以将历史普适数据训练样本集和上述历史普适数据训练样本集中每个历史普适数据训练样本对应的历史普适用电信息样本从缓存中删除。
第二步,根据上述历史普适数据训练样本集和上述历史普适数据训练样本集中的每个历史普适数据训练样本对应的历史普适用电信息样本,对第一初始训练模型进行训练,得到普适用电信息生成模型。实践中,上述执行主体可以为以上述历史普适数据训练样本集中的每个历史普适数据训练样本为输入,以上述历史普适数据训练样本对应的历史普适用电信息样本为输出,对第一初始训练模型进行训练,得到普适用电信息生成模型。其中,上述第一初始训练模型可以为未经训练的卷积神经网络模型。
第三步,根据上述普适用电信息生成模型,生成用电信息生成模型。实践中,上述执行主体可以将上述普适用电信息生成模型确定为用电信息生成模型。
在一些实施例的一些可选的实现方式中,上述执行主体可以执行以下步骤:
第一步,获取历史分布式数据训练样本集和上述历史分布式数据训练样本集中每个历史分布式数据训练样本对应的历史分布式用电信息样本,其中,上述历史分布式数据训练样本集中每个历史分布式数据训练样本包括用户标识样本、时间序列样本、气象发电信息样本和燃料发电信息样本。其中,上述气象发电信息样本可以为上述时间序列内的通过气象发电设备产生的供电信息。例如,上述气象发电信息样本可以为上述时间序列内气象发电设备产生的电量。上述气象发电设备可以为通过风力或光照等能量进行发电的设备。例如,上述气象发电设备可以为太阳能板。上述燃料发电信息样本可以为上述时间序列内的通过燃料发电设备产生的供电信息。例如,上述燃料发电信息样本可以为上述时间序列内燃料发电设备产生的电量。上述燃料发电设备可以为通过燃料进行发电的设备。例如,上述燃料发电设备可以为柴油发电机。
第二步,对上述历史分布式数据训练样本集中的各个历史分布式数据训练样本集进行预处理,得到预处理后的历史分布式数据训练样本集。实践中,上述执行主体可以通过去除唯一属性的预处理方法对上述历史分布式数据训练样本集中的各个历史分布式数据训练样本集进行预处理,得到预处理后的历史分布式数据训练样本集。
第三步,对于上述预处理后的历史分布式数据训练样本集,执行以下第二训练步骤:
第一子步骤,将上述预处理后的历史分布式数据训练样本集中的每个预处理后的历史分布式数据训练样本输入至第二初始机器学习模型,得到对应上述预处理后的历史分布式数据训练样本的用电信息。其中,上述第二初始训练模型可以为未经训练的神经网络模型。
第二子步骤,根据上述预处理后的历史分布式数据训练样本集中的各个预处理后的历史分布式数据训练样本对应的用电信息和历史分布式用电信息样本,确定上述第二初始机器学习模型的预测准确率,作为第一预测准确率。实践中,首先,上述执行主体可以根据上述预处理后的历史分布式数据训练样本集中的各个预处理后的历史分布式数据训练样本对应的用电信息和历史分布式用电信息样本,确定上述第二初始机器学习模型的f1分数。最后,上述执行主体可以将确定的f1分数确定为第一预测准确率。
第三子步骤,响应于上述第一预测准确率满足预设准确率条件。其中,上述预设准确率条件可以为上述第一预测准确率大于等于预设准确率阈值。上述预设准确率阈值可以为预先设置的第一预测准确率大于等于该阈值时表征上述第二初始机器学习模型训练完成的阈值。
第四步,根据上述分布式用电信息生成模型和上述普适用电信息生成模型,生成用电信息生成模型。其中,上述用电信息生成模型可以包括上述分布式用电信息生成模型和上述普适用电信息生成模型。实践中,上述执行主体可以将上述分布式用电信息生成模型和上述普适用电信息生成模型进行组合,得到用电信息生成模型。可以理解为,响应于输入信息包括用户标识和时间序列,可以将上述输入信息输入至上述用电信息生成模型包括的普适用电信息生成模型。响应于输入信息包括用户标识、时间序列、气象发电信息和燃料发电信息,上述执行主体可以将上述输入信息输入至上述用电信息生成模型包括的分布式用电信息生成模型。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过执行以下步骤根据上述分布式用电信息生成模型和上述普适用电信息生成模型,生成用电信息生成模型:
第一步,对上述历史分布式数据训练样本集中的各个历史分布式数据训练样本集对应的各个历史分布式用电信息样本进行数据异常检测,以确定上述历史分布式数据训练样本集中是否包括表征数据异常的历史分布式数据训练样本。实践中,上述执行主体可以通过局部离群因子(Local Outlier Factor,LOF)算法对上述历史分布式数据训练样本集中的各个历史分布式数据训练样本集对应的各个历史分布式用电信息样本进行数据异常检测,以确定上述历史分布式数据训练样本集中是否包括表征数据异常的历史分布式数据训练样本。可以理解为,响应于上述各个历史分布式用电信息样本中存在数据表征数据异常的历史分布式用电信息样本,上述执行主体可以将上述表征数据异常的历史分布式用电信息样本对应的历史分布式数据训练样本确定为表征数据异常的历史分布式数据训练样本。
第二步,响应于上述历史分布式数据训练样本集中未包括表征数据异常的历史分布式数据训练样本,将上述历史分布式数据训练样本集中的各个历史分布式数据训练样本集确定为预处理后的历史分布式数据训练样本集。
第三步,响应于上述历史分布式数据训练样本集中包括表征数据异常的历史分布式数据训练样本,将上述历史分布式数据训练样本集中的表征数据正常的历史分布式数据训练样本确定为预处理后的历史分布式数据训练样本,得到预处理后的历史分布式数据训练样本集。
可选地,上述第二训练步骤还可以包括以下步骤:
第一步,响应于上述第一预测准确率不满足上述预设准确率阈值条件,执行以下步骤:
第一子步骤,对上述第二初始机器学习模型的参数进行调整,得到调整后的第二初始机器学习模型。实践中,可以通过反向传播、随机梯度下降等方法将第一预测准确率从模型的最后一层向前传递,以调整每一层的参数。当然根据需要,也可以采用网络冻结(dropout)的方法,对其中的一些层的网络参数保持不变,不进行调整,对此,不做任何限定。
第二子步骤,将上述调整后的第二初始机器学习模型作为第二初始机器学习模型,再次执行上述第二训练步骤。
在一些实施例的一些可选的实现方式中,上述执行主体可以执行以下步骤:
第一步,根据上述普适用电信息生成模型对上述分布式用电信息生成模型进行稽核处理,得到后验概率信息。实践中,上述执行主体可以通过贝叶斯公式根据上述普适用电信息生成模型对上述分布式用电信息生成模型进行稽核处理,得到后验概率信息。
第二步,根据上述后验概率信息,对上述分布式用电信息生成模型的参数进行调整,得到调整后的分布式用电信息生成模型。实践中,可以利用反向传播、随机梯度下降等方法将上述后验概率信息对应的后验概率从模型的最后一层向前传递,以调整每一层的参数。当然根据需要,也可以采用网络冻结(dropout)的方法,对其中的一些层的网络参数保持不变,不进行调整,对此,不做任何限定。
第三步,获取新增历史分布式数据训练样本集和上述新增历史分布式数据训练样本集中每个新增历史分布式数据训练样本对应的新增历史分布式用电信息样本。其中,上述新增历史分布式数据训练样本集中的每个新增历史分布式数据训练样本可以为未参与训练的历史分布式数据训练样本。上述新增历史分布式用电信息样本可以为未经训练的历史分布式用电信息样本。
第四步,将上述新增历史分布式数据训练样本集中的每个新增历史分布式数据训练样本输入至上述调整后的分布式用电信息生成模型,得到对应上述新增历史分布式数据训练样本的用电信息。
第五步,根据上述新增历史分布式数据训练样本集中的每个新增历史分布式数据训练样本对应的用电信息和新增历史分布式用电信息样本,将上述调整后的分布式用电信息生成模型的预测准确率确定为第二预测准确率。实践中,上述执行主体可以根据上述新增历史分布式数据训练样本集中的每个新增历史分布式数据训练样本对应的用电信息和新增历史分布式用电信息样本,确定上述调整后的分布式用电信息生成模型的f1分数。将上述f1分数确定为第二预测准确率。
第六步,响应于上述第二预测准确率大于上述第一预测准确率,根据上述调整后的分布式用电信息生成模型和上述普适用电信息生成模型,生成用电信息生成模型。其中,上述用电信息生成模型包括上述调整后的分布式用电信息生成模型和上述普适用电信息生成模型。实践中,上述执行主体可以将上述调整后的分布式用电信息生成模型和上述普适用电信息生成模型进行组合处理,得到用电信息生成模型。可以理解为,响应于输入信息包括用户标识和时间序列,可以将上述输入信息输入至上述用电信息生成模型包括的普适用电信息生成模型。响应于输入信息包括用户标识、时间序列、气象发电信息和燃料发电信息,上述执行主体可以将上述输入信息输入至上述用电信息生成模型包括的调整后的分布式用电信息生成模型。
上述第一步-第六步作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“在用户存在其他供电设备时,未根据其他供电设备的供电量预测用户的用电信息,造成预测的用电信息的准确性较差,在预测的用电量较少时,导致存在供电不足或电压不稳定的问题,在预测的用电量较多时,导致资源浪费”。导致存在供电不足或电压不稳定或资源浪费的问题在于:在用户存在其他供电设备时,未根据其他供电设备的供电量预测用户的用电信息,造成预测的用电信息的准确性较差。如果解决了上述因素,就能达到降低出现供电不足或电压不稳定或者资源浪费的概率的效果。为了达到这一效果,本公开根据上述普适用电信息生成模型对上述分布式用电信息生成模型进行稽核处理,得到后验概率信息。根据上述后验概率信息,对上述分布式用电信息生成模型的参数进行调整,得到调整后的分布式用电信息生成模型。并获取新的样本对调整后的分布式用电信息生成模型进行训练。因此,可以获得预测准确率更高的用电信息生成模型。由此,可以提高预测的用电信息的准确性,进而降低出现供电不足或电压不稳定的次数,节省资源。
可选地,上述解码后数据信息可以对应有气象发电设备信息和燃料发电信息。其中,上述气象发电设备信息可以为表征上述解码后数据信息对应的用户拥有的气象发电设备的信息。例如,上述气象发电设备信息可以为“太阳能板”。上述气象发电设备信息可以包括上述解码后数据信息对应的用户拥有的气象发电设备的名称。上述燃料发电信息可以为表征通过燃料发电的电量的信息。例如,上述燃料发电信息可以包括上述时间序列对应的时间段内用户通过燃料发电的电量。
在一些实施例的一些可选的实现方式中,上述执行主体可以执行以下步骤:
第一步,根据上述气象发电设备信息,确定上述气象发电设备信息对应的气象类型。其中,上述气象类型可以包括以下至少一项:风力类型和光照类型。上述气象类型可以为表征上述气象发电设备信息对应的气象发电设备的设备类型。实践中,上述执行主体可以通过预设气象类型配置信息集合确定上述气象发电设备信息对应的气象类型。上述预设气象类型配置信息集合中的每个预设气象类型配置信息可以包括预设气象发电设备和预设气象类型。具体而言,首先,上述执行主体可以将上述预设气象类型配置信息集合中包括的预设气象发电设备与上述气象发电设备信息相同的预设气象类型配置信息确定为目标气象类型配置信息。最后,上述执行主体可以将目标气象类型配置信息包括的预设气象类型确定为上述气象发电设备信息对应的气象类型。
第二步,响应于上述气象类型包括风力类型,获取对应上述时间序列的风力信息。其中,上述风力信息可以为表征上述时间序列内的风力大小的信息。例如,上述风力信息可以包括风速和风向。实践中,响应于上述气象类型包括风力类型,上述执行主体可以从气象平台获取上述时间序列对应的时间段内的风向和风速。
第三步,响应于上述气象类型包括光照类型,获取对应上述时间序列的光照信息。其中,上述光照信息可以为表征上述时间序列内的光照强度的信息。例如,上述光照信息可以为光照强度。实践中,响应于上述气象类型包括光照类型,上述执行主体可以从气象平台获取上述时间序列对应的时间段内的光照强度。
第四步,根据上述风力信息和/或上述光照信息,确定上述气象发电设备信息对应的气象发电信息。其中,上述气象发电信息可以为表征通过上述气象发电设备发电的电量的信息。实践中,首先,上述执行主体可以确定与上述用户标识对应的预先训练的气象发电信息生成模型。然后,上述执行主体可以将上述风力信息和/或上述光照信息输入至上述气象发电信息生成模型,得到上述气象发电设备信息对应的气象发电信息。其中,上述预先训练的气象发电信息生成模型可以为以风力信息和/或光照信息为输入,以气象发电信息为输出的机器学习模型。例如,上述预先训练的气象发电信息生成模型可以为卷积神经网络模型。
第五步,根据上述解码后数据信息、上述气象发电信息和上述用电信息生成单元承载的用电信息生成模型,生成对应上述解码后数据信息的用电信息。实践中,上述执行主体可以将上述解码后数据信息、上述气象发电信息和上述燃料发电信息输入至上述用电信息生成单元承载的用电信息生成模型,得到对应上述解码后数据信息的用电信息。
上述第一步-第五步作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题三“在存在根据气象发电的供电设备时,未根据气象信息预测用户的用电信息,进一步造成预测的用电信息的准确性较差,在预测的用电量较少时,进一步导致存在供电不足或电压不稳定的问题,在预测的用电量较多时,进一步导致资源浪费”。进一步导致存在供电不足或电压不稳定或资源浪费的问题在于:在存在根据气象发电的供电设备时,未根据气象信息预测用户的用电信息,进一步造成预测的用电信息的准确性较差。如果解决了上述因素,就能达到进一步降低出现供电不足或电压不稳定或者资源浪费的概率的效果。为了达到这一效果,本公开根据用户对应的气象设备的类型,获取预测时间段内的气象信息。因此,可以根据预测时间段内的气象信息对用电信息进行预测。由此,可以进一步提高预测的用电信息的准确性,进而进一步降低出现供电不足或电压不稳定的次数,以及节省资源。
步骤204,将解码后数据信息从缓存中删除。
在一些实施例中,上述执行主体可以将上述解码后数据信息从缓存中删除。由此,在得到用电信息后,将数据信息从缓存中进行删除。可以进一步降低用户的用电信息泄漏的风险。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的用电信息生成方法,可以提高用户的用电信息的安全性。具体来说,造成用户的用电信息的安全性较低的原因在于:在获取用户详细的历史用电信息的过程中,造成用户的用电信息泄漏的风险较高,且将用户用电信息进行存储,也造成用户的用电信息泄漏的风险较高,导致用户信息的安全性较低。基于此,本公开的一些实施例的用电信息生成方法包括通过上述数据视频接收单元接收相关联的外网端装置发送的数据视频信息,其中,上述数据视频信息包括用户标识和时间序列。通过上述数据解码单元对上述数据视频信息进行解码处理,得到解码后数据信息。根据上述解码后数据信息和上述用电信息生成单元承载的用电信息生成模型,生成对应上述解码后数据信息的用电信息。将上述解码后数据信息从缓存中删除。因为未获取用户的历史信息,所以降低了泄漏用户的用电信息的风险。也因为在得到用电信息后,会将数据信息从缓存中进行删除。进而进一步降低了用户的用电信息泄漏的风险。由此,该用电信息生成方法可以提高用户的用电信息的安全性。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。