CN115759236B - 模型训练方法、信息发送方法、装置、设备和介质 - Google Patents
模型训练方法、信息发送方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN115759236B CN115759236B CN202211743324.5A CN202211743324A CN115759236B CN 115759236 B CN115759236 B CN 115759236B CN 202211743324 A CN202211743324 A CN 202211743324A CN 115759236 B CN115759236 B CN 115759236B
- Authority
- CN
- China
- Prior art keywords
- information
- resident
- decision tree
- electricity
- index
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 title claims abstract description 48
- 230000005611 electricity Effects 0.000 claims abstract description 231
- 230000011218 segmentation Effects 0.000 claims abstract description 183
- 238000003066 decision tree Methods 0.000 claims abstract description 169
- 238000006243 chemical reaction Methods 0.000 claims abstract description 87
- 230000002159 abnormal effect Effects 0.000 claims abstract description 48
- 230000005856 abnormality Effects 0.000 claims description 39
- 238000004891 communication Methods 0.000 claims description 14
- 238000012790 confirmation Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 230000002547 anomalous effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000002699 waste material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了模型训练方法、信息发送方法、装置、设备和介质。该方法的一具体实施方式包括:获取第一用电信息表和第二用电信息表序列;将各个第一用电情况信息和各个第二用电情况信息转换为预定信息格式;对居住户信息集进行聚类处理;对于每个居住户信息簇的每个居住户信息,执行信息生成步骤:将对应的第二格式转换信息序列和指标取值范围集输入至初始多分割标准信息生成模型,以输出决策树节点分割标准信息;生成异常预测信息;生成各个预测决策树节点分割标准信息;对初始多分割标准信息生成模型进行模型训练。该实施方式可以得到生成更为精准的各个决策树节点分割标准信息的模型,由此,实现了电力异常消耗的及时监控。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及模型训练方法、信息发送方法、装置、设备和介质。
背景技术
目前,人们日常生活中常常会出现电力消耗异常的情况。对于电力消耗异常的确定,通常采用的方式为:相关居民定期通过相关电力检修人员来检查电力消耗设备的异常情况。
然而,发明人发现,当采用上述方式来确定电力消耗异常,经常会存在如下技术问题:
第一,不能及时发现电力消耗设备的异常情况,导致电力浪费。
第二,不能准确地确定各个节点分割标准信息的先后顺序,以致所生成的决策树生成异常预测信息不够精准,使得异常预测信息确定不够及时,以致电力过多浪费。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了模型训练方法、信息发送方法、装置、设备和介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种模型训练方法,包括:获取针对目标居民区域的、预定时间内的第一用电信息表和第二用电信息表序列,其中,上述第一用电信息表包括:上述目标居民区域中各个居民户的第一用电情况信息,其中,上述第一用电信息表对应的用电统计时间晚于第二用电信息表的用电统计时间;将上述第一用电信息表中的各个第一用电情况信息转换为预定信息格式,得到第一用电情况文件,以及将上述第二用电信息表序列中的各个第二用电情况信息转换为上述预定信息格式,得到第二用电情况文件序列,其中,上述第一用电情况文件包括:各个第一格式转换信息,第二用电情况文件包括:针对各个居住户的第二格式转换信息;根据上述第二用电情况文件序列,对上述各个居住户对应的居住户信息集进行聚类处理,得到居住户信息簇集;对于每个居住户信息簇的每个居住户信息,执行以下信息生成步骤:获取决策树节点分割指标信息集、每个决策树节点分割指标信息对应的指标取值范围和初始多分割标准信息生成模型,其中,每个决策树节点分割指标信息对应的指标取值范围是基于上述居住户信息簇的簇信息设置的;将上述居住户信息对应的第二格式转换信息序列和所得到的指标取值范围集输入至初始多分割标准信息生成模型,以输出针对各个决策树节点分割指标信息的决策树节点分割标准信息;根据上述居住户信息对应的第一格式转换信息和所得到的各个决策树节点分割标准信息,生成表征上述居住户信息对应用电设备是否存在异常的异常预测信息;响应于接收到表征上述居住户信息对应用电设备不存在异常的信息,生成各个预测决策树节点分割标准信息;根据上述各个预测决策树节点分割标准信息和上述第二格式转换信息序列,对上述初始多分割标准信息生成模型进行模型训练,得到训练后的多分割标准信息生成模型。
第二方面,本公开的一些实施例提供了一种模型训练装置,包括:第一获取单元,被配置成获取针对目标居民区域的、预定时间内的第一用电信息表和第二用电信息表序列,其中,所述第一用电信息表包括:所述目标居民区域中各个居民户的第一用电情况信息,其中,所述第一用电信息表对应的用电统计时间晚于第二用电信息表的用电统计时间;第一转换单元,被配置成将上述第一用电信息表中的各个第一用电情况信息转换为预定信息格式,得到第一用电情况文件,以及将上述第二用电信息表序列中的各个第二用电情况信息转换为上述预定信息格式,得到第二用电情况文件序列,其中,上述第一用电情况文件包括:各个第一格式转换信息,第二用电情况文件包括:针对各个居住户的第二格式转换信息;聚类单元,被配置成根据上述第二用电情况文件序列,对上述各个居住户对应的居住户信息集进行聚类处理,得到居住户信息簇集;执行单元,被配置成对于每个居住户信息簇的每个居住户信息,执行以下信息生成步骤:获取决策树节点分割指标信息集、每个决策树节点分割指标信息对应的指标取值范围和初始多分割标准信息生成模型,其中,每个决策树节点分割指标信息对应的指标取值范围是基于上述居住户信息簇的簇信息设置的;将上述居住户信息对应的第二格式转换信息序列和所得到的指标取值范围集输入至初始多分割标准信息生成模型,以输出针对各个决策树节点分割指标信息的决策树节点分割标准信息;根据上述居住户信息对应的第一格式转换信息和所得到的各个决策树节点分割标准信息,生成表征上述居住户信息对应用电设备是否存在异常的异常预测信息响应于接收到表征上述居住户信息对应用电设备不存在异常的信息,生成各个预测决策树节点分割标准信息;根据上述各个预测决策树节点分割标准信息和上述第二格式转换信息序列,对上述初始多分割标准信息生成模型进行模型训练,得到训练后的多分割标准信息生成模型。
第三方面,本公开的一些实施例提供了一种信息发送方法,包括:获取针对目标居民区域的实时用电信息表;将上述实时用电信息表中的各个实时用电情况信息转换为预定信息格式,得到各个实时格式转换信息;将上述各个实时格式转换信息中的每个实时格式转换信息输入至多分割标准信息生成模型,以输出实时指标分割标准信息集,得到针对各个居住户信息的实时指标分割标准信息集组,其中,上述多分割标准信息生成模型是通过如上述第一方面中任一实现方式描述的方法生成的;根据所得到的实时指标分割标准信息集组,确定上述各个居住户信息中的每个居住户信息对应的异常预测信息;根据所得到的异常预测信息集,向对应的居住户对应的通信设备发送异常确认信息,以供居住户进行异常确认。
第四方面,本公开的一些实施例提供了一种信息发送装置,包括:第二获取单元,被配置成获取针对目标居民区域的实时用电信息表;第二转换单元,被配置成将上述实时用电信息表中的各个实时用电情况信息转换为预定信息格式,得到各个实时格式转换信息;输入单元,被配置成将上述各个实时格式转换信息中的每个实时格式转换信息输入至多分割标准信息生成模型,以输出实时指标分割标准信息集,得到针对各个居住户信息的实时指标分割标准信息集组,其中,上述多分割标准信息生成模型是通过如上述第一方面中任一实现方式描述的方法生成的;确定单元,被配置成根据所得到的实时指标分割标准信息集组,确定上述各个居住户信息中的每个居住户信息对应的异常预测信息;发送单元,被配置成根据所得到的异常预测信息集,向对应的居住户对应的通信设备发送异常确认信息,以供居住户进行异常确认。
第五方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面和第三方面中任一实现方式描述的方法。
第六方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面和第三方面中任一实现方式描述的方法。
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模型训练方法可以得到生成更为精准的各个决策树节点分割标准信息的模型,由此,实现了电力异常消耗的及时监控。具体来说,造成不能及时监控电力异常消耗的原因在于:不能及时发现电力消耗设备的异常情况,导致电力浪费。基于此,本公开的一些实施例的模型训练方法,首先,获取针对目标居民区域的、预定时间内的第一用电信息表和第二用电信息表序列。其中,上述第一用电信息表包括:上述目标居民区域中各个居民户的第一用电情况信息,其中,上述第一用电信息表对应的用电统计时间晚于第二用电信息表的用电统计时间。在这里,所获取的第一用电信息表和第二用电信息表序列作为数据支持,以用于后续模型的训练。接着,将上述第一用电信息表中的各个第一用电情况信息转换为预定信息格式,得到第一用电情况文件,以及将上述第二用电信息表序列中的各个第二用电情况信息转换为上述预定信息格式,得到第二用电情况文件序列,其中,上述第一用电情况文件包括:各个第一格式转换信息,第二用电情况文件包括:针对各个居住户的第二格式转换信息。在这里,通过信息格式的转换,以便于后续输入至模型中。再接着,根据上述第二用电情况文件序列,对上述各个居住户对应的居住户信息集进行聚类处理,得到居住户信息簇集。在这里,通过对各个居住户信息进行划分,以使得用电情况相似的居住户信息聚拢一起,以便于后续针对性地对模型进行训练。进而,对于每个居住户信息簇的每个居住户信息,执行以下信息生成步骤:第一步,获取决策树节点分割指标信息集、每个决策树节点分割指标信息对应的指标取值范围和初始多分割标准信息生成模型。其中,每个决策树节点分割指标信息对应的指标取值范围是基于上述居住户信息簇的簇信息设置的。在这里,所获取的数据用于初始多分割标准信息生成模型的训练。第二步,将上述居住户信息对应的第二格式转换信息序列和所得到的指标取值范围集输入至初始多分割标准信息生成模型,以输出针对各个决策树节点分割指标信息的决策树节点分割标准信息。在这里,将对应的指标取值范围集输入至初始多分割标准信息生成模型,可以输出针对各个决策树节点分割指标信息、更为精准的决策树节点分割标准信息。第三步,根据上述居住户信息对应的第一格式转换信息和所得到的各个决策树节点分割标准信息,可以准确地生成表征上述居住户信息对应用电设备是否存在异常的异常预测信息。第四步,响应于接收到表征上述居住户信息对应用电设备不存在异常的信息,生成各个预测决策树节点分割标准信息。在这里,所生成的各个预测决策树节点分割标准信息用于后续对初始多分割标准信息生成模型的训练。第五步,根据上述各个预测决策树节点分割标准信息和上述第二格式转换信息序列,对上述初始多分割标准信息生成模型进行模型训练,可以得到生成各个决策树节点分割指标信息的决策树节点分割标准信息更为精准的训练后的多分割标准信息生成模型。综上所述,本公开的模型训练方法可以及时发现电力消耗设备的异常情况,减少电力浪费。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的模型训练方法的一些实施例的流程图;
图2是根据本公开的信息发送方法的一些实施例的流程图;
图3是根据本公开的模型训练装置的一些实施例的结构示意图;
图4是根据本公开的信息发送装置的一些实施例的结构示意图;
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
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。
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发明相关的部分。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。
下面将参考附图并结合实施例来详细说明本公开。
参考图1,示出了根据本公开的模型训练方法的一些实施例的流程100。该模型训练方法,包括以下步骤:
步骤101,获取针对目标居民区域的、预定时间内的第一用电信息表和第二用电信息表序列。
在一些实施例中,上述模型训练方法的执行主体可以通过有线连接方式或者无线连接方式来获取针对目标居民区域的、预定时间内的第一用电信息表和第二用电信息表序列。其中,上述第一用电信息表包括:上述目标居民区域中各个居民户的第一用电情况信息,其中,上述第一用电信息表对应的用电统计时间晚于上述第二用电信息表序列的用电统计时间。目标居民区域可以是电力异常监控的居民区域。例如,预定时间可以是一天。上述第一用电情况信息可以包括:用电时间信息,用电电量信息,用电电器信息。例如,上述第一用电信息表的用电统计时间为11月24日24点。上述第一用电信息表所统计的各个居民户的信息可以是11月24日一整天的用电情况信息。第二用电信息表序列中的各个第二用电信息表可以是各个居住户的历史用电情况。例如,第二用电信息表序列包括:11月23日的用电信息表、11月22日的用电信息集、11月21日的用电信息表。
步骤102,将上述第一用电信息表中的各个第一用电情况信息转换为预定信息格式,得到第一用电情况文件,以及将上述第二用电信息表序列中的各个第二用电情况信息转换为上述预定信息格式,得到第二用电情况文件序列。
在一些实施例中,上述执行主体可以将上述第一用电信息表中的各个第一用电情况信息转换为预定信息格式,得到第一用电情况文件,以及将上述第二用电信息表序列中的各个第二用电情况信息转换为上述预定信息格式,得到第二用电情况文件序列。其中,上述第一用电情况文件包括:各个第一格式转换信息,第二用电情况文件包括:针对各个居住户的第二格式转换信息。
作为示例,上述预定信息格式可以是文字串形式,也可以是键值对形式。
步骤103,根据上述第二用电情况文件序列,对上述各个居住户对应的居住户信息集进行聚类处理,得到居住户信息簇集。
在一些实施例中,上述执行主体可以根据上述第二用电情况文件序列,对上述各个居住户对应的居住户信息集进行聚类处理,得到居住户信息簇集。其中,居住户信息可以包括但不限于以下至少一项:居住户用电量,居住户用电时间,居住户用电高峰期。上述居住户信息簇集包括的居住户信息簇的簇数目可以是预先设置的。例如,簇数目可以是6个。上述居住户信息簇所包括的至少一个居住户信息的用电特征可以是相似的。
需要说明的是,针对居住户用电情况的不同,由此设置了多个居住户信息簇。各个簇之间的用电情况存在较大的不同,对应的指标区域范围为不同,例如,居住户信息簇集包括:第一居住户信息簇,第二居住户信息簇和第三居住户信息簇。第一居住户信息簇对应的用电总量指标为:[0,100]。第二居住户信息簇对应的用电总量指标为:(100,400]。第三居住户信息簇对应的用电总量指标为:(400,1000]。
在一些实施例的一些可选的实现方式中,上述根据上述第二用电情况文件序列,对上述各个居住户对应的居住户信息集进行聚类处理,得到居住户信息簇集,可以包括以下步骤:
第一步,获取各个决策树节点分割指标信息。其中,决策树节点分割指标信息可以是决策树的节点分割指标。例如,决策树节点分割指标信息可以是但不限于以下至少一项:用电总量指标,用电高峰期指标,用电变换率指标,用电时间指标。
第二步,依据上述各个决策树节点分割指标信息和上述第二用电情况文件序列,对上述各个居住户对应的居住户信息集进行聚类处理,得到上述居住户信息簇集。
作为示例,上述执行主体可以利用k-means聚类算法依据上述各个决策树节点分割指标信息和上述第二用电情况文件序列,对上述各个居住户对应的居住户信息集进行聚类处理,得到上述居住户信息簇集。
步骤104,对于每个居住户信息簇的每个居住户信息,执行以下信息生成步骤:
步骤1041,获取决策树节点分割指标信息集、每个决策树节点分割指标信息对应的指标取值范围和初始多分割标准信息生成模型。
在一些实施例中,上述执行主体可以获取决策树节点分割指标信息集、每个决策树节点分割指标信息对应的指标取值范围和初始多分割标准信息生成模型。其中,每个决策树节点分割指标信息对应的指标取值范围是基于上述居住户信息簇的簇信息设置的。居住户信息簇集包括的居住户信息簇数目是预先设置的。例如,簇数目可以是6个。每个居住户信息簇都存在一一对应的、针对决策树节点分割指标信息集的指标取值范围集。其中,决策树节点分割指标信息集中的决策树节点分割指标信息与指标取值范围集中的指标取值范围存在一一对应关系。上述初始多分割标准信息生成模型可以是模型还未训练结束的多分割标准信息生成模型。上述多分割标准信息生成模型可以是生成多个决策树节点分割标准信息的模型。例如,多分割标准信息生成模型可以是多层串行连接的卷积神经网络模型。
步骤1042,将上述居住户信息对应的第二格式转换信息序列和所得到的指标取值范围集输入至初始多分割标准信息生成模型,以输出针对各个决策树节点分割指标信息的决策树节点分割标准信息。
在一些实施例中,上述执行主体可以将上述居住户信息对应的第二格式转换信息序列和所得到的指标取值范围集输入至初始多分割标准信息生成模型,以输出针对各个决策树节点分割指标信息的决策树节点分割标准信息。其中,每个决策树节点分割指标信息存在对应的决策树节点分割标准信息。决策树节点分割标准信息可以表征对应决策树节点分割指标信息的分割标准。其中,指标取值范围集中的每个指标取值范围集与决策树节点分割指标信息集中的决策树节点分割指标信息存在一一对应关系。
步骤1043,根据上述居住户信息对应的第一格式转换信息和所得到的各个决策树节点分割标准信息,生成表征上述居住户信息对应用电设备是否存在异常的异常预测信息。
在一些实施例中,上述执行主体可以根据上述居住户信息对应的第一格式转换信息和所得到的各个决策树节点分割标准信息,通过各种方式来生成表征上述居住户信息对应用电设备是否存在异常的异常预测信息。其中,异常预测信息可以包括:表征上述居住户信息对应用电设备存在异常的信息,表征上述居住户信息对应用电设备不存在异常的信息。
在一些实施例的一些可选的实现方式中,上述根据上述居住户信息对应的第一格式转换信息和所得到的各个决策树节点分割标准信息,生成表征上述居住户信息对应用电设备是否存在异常的异常预测信息,可以包括以下步骤:
第一步,根据上述各个决策树节点分割标准信息,构建决策树。
第二步,将上述第一格式转换信息输入至上述决策树,得到上述异常预测信息。
可选地,根据上述各个决策树节点分割标准信息,构建决策树,可以包括以下步骤:
第一步,确定上述各个决策树节点分割标准信息中的每个决策树节点分割标准信息与异常原因信息之间的关联关系。其中,异常原因信息表征上述居住户信息对应用电设备存在异常的至少一个常见原因。其中,关联关系可以0-1之间的数值。越接近1,表征决策树节点分割标准信息与异常信息之间的关联关系越近。每个决策树节点分割标准信息都存在对应的0-1之间的数值。
可选地,确定上述各个决策树节点分割标准信息中的每个决策树节点分割标准信息与异常信息之间的关联关系,可以包括以下步骤:
步骤1,对上述各个决策树节点分割标准信息中的每个决策树节点分割标准信息进行预定字符串格式处理,以转换为预定字符串格式形式的标准信息,得到标准信息集。
步骤2,将标准信息集中的各个标准信息进行编码处理,得到编码向量集。
步骤3,对异常原因信息进行编码处理,得到原因编码向量。
步骤4,将编码向量集和原因编码向量输入至多头注意力机制模型,以输出针对各个决策树节点分割标准信息的各个关联关系。
第二步,根据所得到的关联关系集,对上述各个决策树节点分割标准信息进行排序,得到决策树节点分割标准信息序列。
第三步,根据决策树节点分割标准信息序列,生成决策树。
上述“可选地中的第一步至第三步”作为本公开的一个发明点,解决了背景技术提及的技术问题二,即“不能准确地确定各个节点分割标准信息的先后顺序,以致所生成的决策树生成异常预测信息不够精准,使得异常预测信息确定不够及时,以致电力过多浪费”。由此,本公开通过多头注意力机制模型可以准确地确定出各个决策树节点分割标准信息之间的重要程度,以此可以生成更为精准的决策树。
步骤1044,响应于接收到表征上述居住户信息对应用电设备不存在异常的信息,生成各个预测决策树节点分割标准信息。
在一些实施例中,响应于接收到表征上述居住户信息对应用电设备不存在异常的信息,上述执行主体可以通过各种方式来生成各个预测决策树节点分割标准信息。
在一些实施例的一些可选的实现方式中,上述生成各个预测决策树节点分割标准信息,包括:
对于上述各个决策树节点分割指标信息中的每个决策树节点分割指标信息,执行以下生成步骤:
第一步,确定上述决策树节点分割指标信息对应的指标计算信息和对应的分割标准信息预测模型。其中,指标计算信息可以是求取决策树节点分割指标信息所需要的指标数据信息。例如,针对决策树节点分割指标信息为电量变换情况信息。对应的指标计算信息可以包括:消耗电量和消耗时间。分割标准信息预测模型可以是生成与上述决策树节点分割指标信息相对应的分割标准信息的模型。
需要说明的是,各个决策树节点分割指标信息中的每个决策树节点分割指标信息存在一一对应的分割标准信息预测模型。例如,决策树节点分割指标信息为电量变换情况信息。指标分割标准信息预测模型可以是生成电量变换情况信息的模型。例如,指标分割标准信息预测模型可以是时序神经网络模型。
第二步,从上述第二格式转换信息序列中抽取与上述指标计算信息相关联的指标数据集序列。其中,指标数据集序列可以是与生成决策树节点分割指标信息对应指标分割标准信息预测的数据集。
第三步,将上述指标数据集序列输入至上述分割标准信息预测模型,以输出针对上述决策树节点分割指标信息的预测决策树节点分割标准信息。
步骤1045,根据上述各个预测决策树节点分割标准信息和上述第二格式转换信息序列,对上述初始分割标准信息生成模型进行模型训练,得到训练后的多分割标准信息生成模型。
在一些实施例中,上述执行主体可以根据上述各个预测决策树节点分割标准信息和上述第二格式转换信息序列,对上述初始多分割标准信息生成模型进行模型训练,得到训练后的多分割标准信息生成模型。
作为示例,上述执行主体可以将各个预测决策树节点分割标准信息作为训练样本标签,上述第二格式转换信息序列作为训练数据集,对上述初始多分割标准信息生成模型进行模型训练,得到训练后的多分割标准信息生成模型。
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模型训练方法可以得到生成更为精准的各个决策树节点分割标准信息的模型,由此,实现了电力异常消耗的及时监控。具体来说,造成不能及时监控电力异常消耗的原因在于:不能及时发现电力消耗设备的异常情况,导致电力浪费。基于此,本公开的一些实施例的模型训练方法,首先,获取针对目标居民区域的、预定时间内的第一用电信息表和第二用电信息表序列。其中,上述第一用电信息表包括:上述目标居民区域中各个居民户的第一用电情况信息,其中,上述第一用电信息表对应的用电统计时间晚于第二用电信息表的用电统计时间。在这里,所获取的第一用电信息表和第二用电信息表序列作为数据支持,以用于后续模型的训练。接着,将上述第一用电信息表中的各个第一用电情况信息转换为预定信息格式,得到第一用电情况文件,以及将上述第二用电信息表序列中的各个第二用电情况信息转换为上述预定信息格式,得到第二用电情况文件序列,其中,上述第一用电情况文件包括:各个第一格式转换信息,第二用电情况文件包括:针对各个居住户的第二格式转换信息。在这里,通过信息格式的转换,以便于后续输入至模型中。再接着,根据上述第二用电情况文件序列,对上述各个居住户对应的居住户信息集进行聚类处理,得到居住户信息簇集。在这里,通过对各个居住户信息进行划分,以使得用电情况相似的居住户信息聚拢一起,以便于后续针对性地对模型进行训练。进而,对于每个居住户信息簇的每个居住户信息,执行以下信息生成步骤:第一步,获取决策树节点分割指标信息集、每个决策树节点分割指标信息对应的指标取值范围和初始多分割标准信息生成模型。其中,每个决策树节点分割指标信息对应的指标取值范围是基于上述居住户信息簇的簇信息设置的。在这里,所获取的数据用于初始多分割标准信息生成模型的训练。第二步,将上述居住户信息对应的第二格式转换信息序列和所得到的指标取值范围集输入至初始多分割标准信息生成模型,以输出针对各个决策树节点分割指标信息的决策树节点分割标准信息。在这里,将对应的指标取值范围集输入至初始多分割标准信息生成模型,可以输出针对各个决策树节点分割指标信息、更为精准的决策树节点分割标准信息。第三步,根据上述居住户信息对应的第一格式转换信息和所得到的各个决策树节点分割标准信息,可以准确地生成表征上述居住户信息对应用电设备是否存在异常的异常预测信息。第四步,响应于接收到表征上述居住户信息对应用电设备不存在异常的信息,生成各个预测决策树节点分割标准信息。在这里,所生成的各个预测决策树节点分割标准信息用于后续对初始多分割标准信息生成模型的训练。第五步,根据上述各个预测决策树节点分割标准信息和上述第二格式转换信息序列,对上述初始多分割标准信息生成模型进行模型训练,可以得到生成各个决策树节点分割指标信息的决策树节点分割标准信息更为精准的训练后的多分割标准信息生成模型。综上所述,本公开的模型训练方法可以及时发现电力消耗设备的异常情况,减少电力浪费。
参考图2,示出了根据本公开的信息发送方法的一些实施例的流程200。该信息发送方法,包括以下步骤:
步骤201,获取针对目标居民区域的实时用电信息表。
在一些实施例中,上述信息发送方法的执行主体可以获取针对目标居民区域的实时用电信息表。其中,实时用电信息表包括上述目标居民区域中各个居民户的实时用电情况信息。
步骤202,将上述实时用电信息表中的各个实时用电情况信息转换为预定信息格式,得到各个实时格式转换信息。
在一些实施例中,上述执行主体可以将上述实时用电信息表中的各个实时用电情况信息转换为预定信息格式,得到各个实时格式转换信息。其中,预定信息格式可以是字符串格式,还可以是键值对格式。
步骤203,将上述各个实时格式转换信息中的每个实时格式转换信息输入至多分割标准信息生成模型,以输出实时指标分割标准信息集,得到针对各个居住户信息的实时指标分割标准信息集组。
在一些实施例中,上述执行主体可以将上述各个实时格式转换信息中的每个实时格式转换信息输入至多分割标准信息生成模型,以输出实时指标分割标准信息集,得到针对各个居住户信息的实时指标分割标准信息集组。其中,上述多分割标准信息生成模型是通过本公开一些实施例的模型训练方法生成的。
步骤204,根据所得到的实时指标分割标准信息集组,确定上述各个居住户信息中的每个居住户信息对应的异常预测信息。
在一些实施例中,上述执行主体可以根据所得到的实时指标分割标准信息集组,确定上述各个居住户信息中的每个居住户信息对应的异常预测信息。
作为示例,上述执行主体可以依据实时指标分割标准信息集组,生成针对各个居住户的决策树。然后,上述执行主体可以利用针对各个居住户的决策树,确定上述各个居住户信息中的每个居住户信息对应的异常预测信息。
步骤205,根据所得到的异常预测信息集,向对应的居住户对应的通信设备发送异常确认信息,以供居住户进行异常确认。
在一些实施例中,上述执行主体可以根据所得到的异常预测信息集,向对应的居住户对应的通信设备发送异常确认信息,以供居住户进行异常确认。其中,异常确认信息可以是待居住户确认异常信息是否正确的信息。
在一些实施例的一些可选的实现方式中,在步骤205之后,步骤还包括:
第一步,将上述实时用电信息表作为用电信息表,添加至第二用电信息表序列,得到添加后第二用电信息表序列。
第二步,根据上述添加后第二用电信息表序列,对上述多分割标准信息生成模型进行再次训练,得到再次训练后的多分割标准信息生成模型。
作为示例,上述执行主体可以将添加后第二用电信息表序列作为训练数据,对上述指标分割标准信息生成模型进行再次训练,得到再次训练后的多分割标准信息生成模型。
本公开的上述各个实施例具有如下有益效果:本公开的信息发送方法可以生成更为精准的异常预测信息,以及时向对应居住户进行异常确认,避免电力浪费。
进一步参考图3,作为对上述各图所示方法的实现,本公开提供了一种模型训练装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该模型训练装置具体可以应用于各种电子设备中。
如图3所示,一种模型训练装置300包括:第一获取单元301、第一转换单元302、聚类单元303和执行单元304。其中,第一获取单元301,被配置成获取针对目标居民区域的、预定时间内的第一用电信息表和第二用电信息表序列,其中,所述第一用电信息表包括:所述目标居民区域中各个居民户的第一用电情况信息,其中,所述第一用电信息表对应的用电统计时间晚于第二用电信息表的用电统计时间;第一转换单元302,被配置成将上述第一用电信息表中的各个第一用电情况信息转换为预定信息格式,得到第一用电情况文件,以及将上述第二用电信息表序列中的各个第二用电情况信息转换为上述预定信息格式,得到第二用电情况文件序列,其中,上述第一用电情况文件包括:各个第一格式转换信息,第二用电情况文件包括:针对各个居住户的第二格式转换信息;聚类单元303,被配置成根据上述第二用电情况文件序列,对上述各个居住户对应的居住户信息集进行聚类处理,得到居住户信息簇集;执行单元304,被配置成对于每个居住户信息簇的每个居住户信息,执行以下信息生成步骤:获取决策树节点分割指标信息集、每个决策树节点分割指标信息对应的指标取值范围和初始分割标准信息生成模型,其中,每个决策树节点分割指标信息对应的指标取值范围是基于上述居住户信息簇的簇信息设置的;将上述居住户信息对应的第二格式转换信息序列和所得到的指标取值范围集输入至初始多分割标准信息生成模型,以输出针对各个决策树节点分割指标信息的决策树节点分割标准信息;根据上述居住户信息对应的第一格式转换信息和所得到的各个决策树节点分割标准信息,生成表征上述居住户信息对应用电设备是否存在异常的异常预测信息;响应于接收到表征上述居住户信息对应用电设备不存在异常的信息,生成各个预测决策树节点分割标准信息;根据上述各个预测决策树节点分割标准信息和上述第二格式转换信息序列,对上述初始分割标准信息生成模型进行模型训练,得到训练后的指标分割标准信息生成模型。
可以理解的是,该模型训练装置300中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于模型训练装置300及其中包含的单元,在此不再赘述。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种信息发送装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该信息发送装置具体可以应用于各种电子设备中。
如图4所示,一种信息发送装置400包括:第二获取单元401、第二转换单元402、输入单元403、确定单元404和发送单元405。其中,第二获取单元401,被配置成获取针对目标居民区域的实时用电信息表;第二转换单元402,被配置成将上述实时用电信息表中的各个实时用电情况信息转换为预定信息格式,得到各个实时格式转换信息;输入单元403,被配置成将上述各个实时格式转换信息中的每个实时格式转换信息输入至指标分割标准信息生成模型,以输出实时指标分割标准信息集,得到针对各个居住户信息的实时指标分割标准信息集组,其中,上述指标分割标准信息生成模型是通过本公开一些实施例的模型训练方法生成的;确定单元404,被配置成根据所得到的实时指标分割标准信息集组,确定上述各个居住户信息中的每个居住户信息对应的异常预测信息;发送单元405,被配置成根据所得到的异常预测信息集,向对应的居住户对应的通信设备发送异常确认信息,以供居住户进行异常确认。
可以理解的是,该信息发送装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于信息发送装置400及其中包含的单元,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的一些实施例的电子设备(例如,电子设备)500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取针对目标居民区域的、预定时间内的第一用电信息表和第二用电信息表序列,其中,上述第一用电信息表包括:上述目标居民区域中各个居民户的第一用电情况信息,其中,上述第一用电信息表对应的用电统计时间晚于第二用电信息表的用电统计时间;将上述第一用电信息表中的各个第一用电情况信息转换为预定信息格式,得到第一用电情况文件,以及将上述第二用电信息表序列中的各个第二用电情况信息转换为上述预定信息格式,得到第二用电情况文件序列,其中,上述第一用电情况文件包括:各个第一格式转换信息,第二用电情况文件包括:针对各个居住户的第二格式转换信息;根据上述第二用电情况文件序列,对上述各个居住户对应的居住户信息集进行聚类处理,得到居住户信息簇集;对于每个居住户信息簇的每个居住户信息,执行以下信息生成步骤:获取决策树节点分割指标信息集、每个决策树节点分割指标信息对应的指标取值范围和初始多分割标准信息生成模型,其中,每个决策树节点分割指标信息对应的指标取值范围是基于上述居住户信息簇的簇信息设置的;将上述居住户信息对应的第二格式转换信息序列和所得到的指标取值范围集输入至初始多分割标准信息生成模型,以输出针对各个决策树节点分割指标信息的决策树节点分割标准信息;根据上述居住户信息对应的第一格式转换信息和所得到的各个决策树节点分割标准信息,生成表征上述居住户信息对应用电设备是否存在异常的异常预测信息;响应于接收到表征上述居住户信息对应用电设备不存在异常的信息,生成各个预测决策树节点分割标准信息;根据上述各个预测决策树节点分割标准信息和上述第二格式转换信息序列,对上述初始多分割标准信息生成模型进行模型训练,得到训练后的多分割标准信息生成模型。获取针对目标居民区域的实时用电信息表;将上述实时用电信息表中的各个实时用电情况信息转换为预定信息格式,得到各个实时格式转换信息;将上述各个实时格式转换信息中的每个实时格式转换信息输入至多分割标准信息生成模型,以输出实时指标分割标准信息集,得到针对各个居住户信息的实时指标分割标准信息集组,其中,上述多分割标准信息生成模型是通过本公开一些实施例的模型训练方法生成的;根据所得到的实时指标分割标准信息集组,确定上述各个居住户信息中的每个居住户信息对应的异常预测信息;根据所得到的异常预测信息集,向对应的居住户对应的通信设备发送异常确认信息,以供居住户进行异常确认。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一获取单元、第一转换单元、聚类单元和执行单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取针对目标居民区域的、预定时间内的第一用电信息表和第二用电信息表序列的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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发明范围,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发明构思的情况下,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。
Claims (9)
1.一种模型训练方法,包括:
获取针对目标居民区域的、预定时间内的第一用电信息表和第二用电信息表序列,其中,所述第一用电信息表包括:所述目标居民区域中各个居民户的第一用电情况信息,其中,所述第一用电信息表对应的用电统计时间晚于第二用电信息表的用电统计时间;
将所述第一用电信息表中的各个第一用电情况信息转换为预定信息格式,得到第一用电情况文件,以及将所述第二用电信息表序列中的各个第二用电情况信息转换为所述预定信息格式,得到第二用电情况文件序列,其中,所述第一用电情况文件包括:各个第一格式转换信息,第二用电情况文件包括:针对各个居住户的第二格式转换信息;
获取各个决策树节点分割指标信息;
依据所述各个决策树节点分割指标信息和所述第二用电情况文件序列,对所述各个居住户对应的居住户信息集进行聚类处理,得到居住户信息簇集,其中,居住户信息包括:居住户用电量,居住户用电时间,居住户用电高峰期,决策树节点分割指标信息包括:用电总量指标,用电高峰期指标,用电变换率指标,用电时间指标;
对于每个居住户信息簇的每个居住户信息,执行以下信息生成步骤:
获取决策树节点分割指标信息集、每个决策树节点分割指标信息对应的指标取值范围和初始多分割标准信息生成模型,其中,每个决策树节点分割指标信息对应的指标取值范围是基于所述居住户信息簇的簇信息设置的;
将所述居住户信息对应的第二格式转换信息序列和所得到的指标取值范围集输入至初始多分割标准信息生成模型,以输出针对各个决策树节点分割指标信息的决策树节点分割标准信息,其中,初始多分割标准信息生成模型是模型还未训练结束的多分割标准信息生成模型,多分割标准信息生成模型是多层串行连接的卷积神经网络模型,决策树节点分割标准信息表征对应决策树节点分割指标信息的分割标准;
根据所述居住户信息对应的第一格式转换信息和所得到的各个决策树节点分割标准信息,生成表征所述居住户信息对应用电设备是否存在异常的异常预测信息;
响应于接收到表征所述居住户信息对应用电设备不存在异常的信息,生成各个预测决策树节点分割标准信息;
根据所述各个预测决策树节点分割标准信息和所述第二格式转换信息序列,对所述初始多分割标准信息生成模型进行模型训练,得到训练后的多分割标准信息生成模型。
2.根据权利要求1所述的方法,其中,所述根据所述居住户信息对应的第一格式转换信息和所得到的各个决策树节点分割标准信息,生成表征所述居住户信息对应用电设备是否存在异常的异常预测信息,包括:
根据所述各个决策树节点分割标准信息,构建决策树;
将所述第一格式转换信息输入至所述决策树,得到所述异常预测信息。
3.根据权利要求1所述的方法,其中,所述生成各个预测决策树节点分割标准信息,包括:
对于所述各个决策树节点分割指标信息中的每个决策树节点分割指标信息,执行以下生成步骤:
确定所述决策树节点分割指标信息对应的指标计算信息和对应的分割标准信息预测模型,其中,指标计算信息包括:消耗电量和消耗时间,分割标准信息预测模型是时序神经网络模型;
从所述第二格式转换信息序列中抽取与所述指标计算信息相关联的指标数据集序列,其中,指标数据集序列是与生成决策树节点分割指标信息对应指标分割标准信息预测的数据集;
将所述指标数据集序列输入至所述分割标准信息预测模型,以输出针对所述决策树节点分割指标信息的预测决策树节点分割标准信息。
4.一种信息发送方法,包括:
获取针对目标居民区域的实时用电信息表;
将所述实时用电信息表中的各个实时用电情况信息转换为预定信息格式,得到各个实时格式转换信息;
将所述各个实时格式转换信息中的每个实时格式转换信息输入至多分割标准信息生成模型,以输出实时指标分割标准信息集,得到针对各个居住户信息的实时指标分割标准信息集组,其中,所述多分割标准信息生成模型是基于权利要求1-3之一所述的方法生成;
根据所得到的实时指标分割标准信息集组,确定所述各个居住户信息中的每个居住户信息对应的异常预测信息;
根据所得到的异常预测信息集,向对应的居住户对应的通信设备发送异常确认信息,以供居住户进行异常确认。
5.根据权利要求4所述的方法,其中,所述方法还包括:
将所述实时用电信息表作为用电信息表,添加至第二用电信息表序列,得到添加后第二用电信息表序列;
根据所述添加后第二用电信息表序列,对所述多分割标准信息生成模型进行再次训练,得到再次训练后的多分割标准信息生成模型。
6.一种模型训练装置,包括:
第一获取单元,被配置成获取针对目标居民区域的、预定时间内的第一用电信息表和第二用电信息表序列,其中,所述第一用电信息表包括:所述目标居民区域中各个居民户的第一用电情况信息,其中,所述第一用电信息表对应的用电统计时间晚于第二用电信息表的用电统计时间;
第一转换单元,被配置成将所述第一用电信息表中的各个第一用电情况信息转换为预定信息格式,得到第一用电情况文件,以及将所述第二用电信息表序列中的各个第二用电情况信息转换为所述预定信息格式,得到第二用电情况文件序列,其中,所述第一用电情况文件包括:各个第一格式转换信息,第二用电情况文件包括:针对各个居住户的第二格式转换信息;
聚类单元,被配置成获取各个决策树节点分割指标信息;依据所述各个决策树节点分割指标信息和所述第二用电情况文件序列,对所述各个居住户对应的居住户信息集进行聚类处理,得到居住户信息簇集,其中,居住户信息包括:居住户用电量,居住户用电时间,居住户用电高峰期,决策树节点分割指标信息包括:用电总量指标,用电高峰期指标,用电变换率指标,用电时间指标;
执行单元,被配置成对于每个居住户信息簇的每个居住户信息,执行以下信息生成步骤:获取决策树节点分割指标信息集、每个决策树节点分割指标信息对应的指标取值范围和初始多分割标准信息生成模型,其中,每个决策树节点分割指标信息对应的指标取值范围是基于所述居住户信息簇的簇信息设置的;将所述居住户信息对应的第二格式转换信息序列和所得到的指标取值范围集输入至初始多分割标准信息生成模型,以输出针对各个决策树节点分割指标信息的决策树节点分割标准信息,其中,初始多分割标准信息生成模型是模型还未训练结束的多分割标准信息生成模型,多分割标准信息生成模型是多层串行连接的卷积神经网络模型,决策树节点分割标准信息表征对应决策树节点分割指标信息的分割标准;根据所述居住户信息对应的第一格式转换信息和所得到的各个决策树节点分割标准信息,生成表征所述居住户信息对应用电设备是否存在异常的异常预测信息;响应于接收到表征所述居住户信息对应用电设备不存在异常的信息,生成各个预测决策树节点分割标准信息;根据所述各个预测决策树节点分割标准信息和所述第二格式转换信息序列,对所述初始多分割标准信息生成模型进行模型训练,得到训练后的多分割标准信息生成模型。
7.一种信息发送装置,包括:
第二获取单元,被配置成获取针对目标居民区域的实时用电信息表;
第二转换单元,被配置成将所述实时用电信息表中的各个实时用电情况信息转换为预定信息格式,得到各个实时格式转换信息;
输入单元,被配置成将所述各个实时格式转换信息中的每个实时格式转换信息输入至多分割标准信息生成模型,以输出实时指标分割标准信息集,得到针对各个居住户信息的实时指标分割标准信息集组,其中,所述多分割标准信息生成模型是基于权利要求1-3之一所述的方法生成;
确定单元,被配置成根据所得到的实时指标分割标准信息集组,确定所述各个居住户信息中的每个居住户信息对应的异常预测信息;
发送单元,被配置成根据所得到的异常预测信息集,向对应的居住户对应的通信设备发送异常确认信息,以供居住户进行异常确认。
8.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211743324.5A CN115759236B (zh) | 2022-12-30 | 2022-12-30 | 模型训练方法、信息发送方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211743324.5A CN115759236B (zh) | 2022-12-30 | 2022-12-30 | 模型训练方法、信息发送方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115759236A CN115759236A (zh) | 2023-03-07 |
CN115759236B true CN115759236B (zh) | 2024-01-12 |
Family
ID=85348163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211743324.5A Active CN115759236B (zh) | 2022-12-30 | 2022-12-30 | 模型训练方法、信息发送方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759236B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373894A (zh) * | 2015-11-20 | 2016-03-02 | 广州供电局有限公司 | 基于稽查数据的电力营销业务诊断模型的建立方法及系统 |
CN108733966A (zh) * | 2017-04-14 | 2018-11-02 | 国网重庆市电力公司 | 一种基于决策树群的多维电能表现场状态检验方法 |
CN108846528A (zh) * | 2018-09-19 | 2018-11-20 | 云南电网有限责任公司信息中心 | 一种大工业电力用户长期负荷预测方法 |
CN109034470A (zh) * | 2018-07-18 | 2018-12-18 | 国网冀北电力有限公司信息通信分公司 | 一种电力通信现场运维故障预测方法 |
CN109214578A (zh) * | 2018-09-19 | 2019-01-15 | 平安科技(深圳)有限公司 | 电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质 |
CN110490329A (zh) * | 2019-07-05 | 2019-11-22 | 国网浙江省电力有限公司电力科学研究院 | 一种基于机器学习的大规模电力异常数据检测方法及系统 |
CN112215420A (zh) * | 2020-10-13 | 2021-01-12 | 广东电网有限责任公司 | 一种居民用电的客户过户识别方法及系统 |
CN112529630A (zh) * | 2020-12-17 | 2021-03-19 | 国网河北省电力有限公司营销服务中心 | 一种电力用户多维度信息化标签系统的构建方法 |
CN113284000A (zh) * | 2021-04-08 | 2021-08-20 | 南方电网数字电网研究院有限公司 | 用户用电数据异常检测方法、装置、计算机设备 |
WO2022111841A1 (en) * | 2020-11-27 | 2022-06-02 | Hitachi Energy Switzerland Ag | Load forecasting for electrical equipment using machine learning |
CN114781351A (zh) * | 2022-04-07 | 2022-07-22 | 国网江苏省电力有限公司泰州供电分公司 | 基于电力数据的投标文件解析方法、装置、设备和介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10282795B2 (en) * | 2016-06-22 | 2019-05-07 | International Business Machines Corporation | Real-time forecasting of electricity demand in a streams-based architecture with applications |
CN112132351A (zh) * | 2020-09-28 | 2020-12-25 | 华北电力大学 | 电动汽车充电负荷聚类预测方法及装置 |
US11507907B2 (en) * | 2020-12-09 | 2022-11-22 | Bank Of America Corporation | Multi-computer processing system with machine learning engine for optimized forecasting |
-
2022
- 2022-12-30 CN CN202211743324.5A patent/CN115759236B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373894A (zh) * | 2015-11-20 | 2016-03-02 | 广州供电局有限公司 | 基于稽查数据的电力营销业务诊断模型的建立方法及系统 |
CN108733966A (zh) * | 2017-04-14 | 2018-11-02 | 国网重庆市电力公司 | 一种基于决策树群的多维电能表现场状态检验方法 |
CN109034470A (zh) * | 2018-07-18 | 2018-12-18 | 国网冀北电力有限公司信息通信分公司 | 一种电力通信现场运维故障预测方法 |
CN108846528A (zh) * | 2018-09-19 | 2018-11-20 | 云南电网有限责任公司信息中心 | 一种大工业电力用户长期负荷预测方法 |
CN109214578A (zh) * | 2018-09-19 | 2019-01-15 | 平安科技(深圳)有限公司 | 电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质 |
CN110490329A (zh) * | 2019-07-05 | 2019-11-22 | 国网浙江省电力有限公司电力科学研究院 | 一种基于机器学习的大规模电力异常数据检测方法及系统 |
CN112215420A (zh) * | 2020-10-13 | 2021-01-12 | 广东电网有限责任公司 | 一种居民用电的客户过户识别方法及系统 |
WO2022111841A1 (en) * | 2020-11-27 | 2022-06-02 | Hitachi Energy Switzerland Ag | Load forecasting for electrical equipment using machine learning |
CN112529630A (zh) * | 2020-12-17 | 2021-03-19 | 国网河北省电力有限公司营销服务中心 | 一种电力用户多维度信息化标签系统的构建方法 |
CN113284000A (zh) * | 2021-04-08 | 2021-08-20 | 南方电网数字电网研究院有限公司 | 用户用电数据异常检测方法、装置、计算机设备 |
CN114781351A (zh) * | 2022-04-07 | 2022-07-22 | 国网江苏省电力有限公司泰州供电分公司 | 基于电力数据的投标文件解析方法、装置、设备和介质 |
Non-Patent Citations (2)
Title |
---|
Ensemble of relevance vector machines and boosted trees for electricity price forecasting;Rahul Kumar Agrawal et al.;《Applied Energy》;全文 * |
改进随机森林的电力负荷预测方法;李刚等;《机械设计与制造》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115759236A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113034059B (zh) | 异常电力信息定位方法、装置、电子设备和计算机介质 | |
CN112653241B (zh) | 电网监测方法和装置、物联计量单元 | |
CN114928574B (zh) | 信息发送方法、装置、电子设备和计算机可读介质 | |
CN113344737B (zh) | 设备控制方法、装置、电子设备和计算机可读介质 | |
CN116756522B (zh) | 概率预报方法、装置、存储介质及电子设备 | |
CN113722369A (zh) | 田间监测数据预测方法、装置、设备和存储介质 | |
CN115759236B (zh) | 模型训练方法、信息发送方法、装置、设备和介质 | |
CN109217986A (zh) | 一种基于物联网的数据传输方法及系统 | |
CN116388112B (zh) | 异常供应端断电方法、装置、电子设备和计算机可读介质 | |
CN108600046B (zh) | 基于感知哈希的设备状态监测终端、系统及方法 | |
CN112994251B (zh) | 电量预警方法、装置、电子设备和计算机可读介质 | |
CN112989203B (zh) | 素材投放方法、装置、设备和介质 | |
CN111898061B (zh) | 搜索网络的方法、装置、电子设备和计算机可读介质 | |
CN113487087A (zh) | 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质 | |
CN113779335A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN114629821B (zh) | 物联网用量数据生成方法、装置、设备和介质 | |
CN112019406A (zh) | 流量监控方法、装置、电子设备和计算机可读介质 | |
CN116757443B (zh) | 新型配电网电力线损率预测方法、装置、电子设备和介质 | |
CN116894538B (zh) | 节点碳排放信息生成方法、装置、电子设备和介质 | |
CN116702168B (zh) | 供应端信息检测方法、装置、电子设备和计算机可读介质 | |
CN112199252B (zh) | 一种异常监控方法、装置及电子设备 | |
CN113095756B (zh) | 异常运单特征确定方法、装置、设备和计算机可读介质 | |
CN111738536B (zh) | 设备操作方法、装置、电子设备和计算机可读介质 | |
CN117235535B (zh) | 异常供应端断电方法、装置、电子设备和介质 | |
US11989263B2 (en) | Method, electronic device, and computer program product for data processing |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No.3-8-132, 1st floor, building 3, Fuqian street, Huairou District, Beijing Applicant after: Beijing Defeng Xinzheng Technology Co.,Ltd. Address before: No.3-8-132, 1st floor, building 3, Fuqian street, Huairou District, Beijing Applicant before: Beijing Defeng new journey Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |