CN115796710B

CN115796710B - 电力物资智能抽检方法、装置、电子设备及可读存储介质

Info

Publication number: CN115796710B
Application number: CN202310067564.6A
Authority: CN
Inventors: 赵梦; 杜双育; 周跃; 董国栋
Original assignee: Brilliant Data Analytics Inc
Current assignee: Brilliant Data Analytics Inc
Priority date: 2023-02-06
Filing date: 2023-02-06
Publication date: 2023-04-18
Anticipated expiration: 2043-02-06
Also published as: CN115796710A

Abstract

本发明涉及数据处理技术，揭露了一种电力物资智能抽检方法、装置、电子设备以及可读存储介质，包括：获取电力物资的历史数据，对所述历史数据进行属性划分及统计，得到所述电力物资的质量画像；根据所述质量画像进行属性相关性分析，得到所述电力物资的属性相关性；根据所述质量画像以及所述属性相关性计算所述电力物资的属性显著性；根据所述属性相关性以及所述属性显著性生成所述电力物资的抽检策略。本发明可以提高电力物资抽检灵活性以及效率较。

Description

电力物资智能抽检方法、装置、电子设备及可读存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种电力物资智能抽检方法、装置、电子设备及可读存储介质。

背景技术

物资质量检测作为电力物资管理工作的控制手段，连接着物资生产现场和工程施工现场，关系着电网工程的安全、平稳运行。抽检是地市供电公司、企业等进行电网物资质量管理的重要手段。电网物资质量抽检的目的是通过抽检对电网物资进行关键技术指标的检测，从而保证投入使用的物资质量合乎标准要求。

进一步地，电力物资抽检是指根据电力物资供应方的相关信息对该电力物资供应方所供应的电力物资进行抽检的一项技术。目前，在对电力物资进行抽检时常采用的方式为：对所有电力物资供应方所供应的电力物资以统一的抽检比例进行抽检。然而，当采用上述方式对电力物资进行抽检时，经常会存在如下技术问题：第一，对电力物资进行抽检时，难以根据电力物资的以往抽检情况灵活地确定抽检比例，使得按照统一的固定抽检比例对抽检合格率较高的电力物资供应方所供应的电力物资进行抽检时，由于抽检比例的不灵活，导致难以缩短抽检时间、节约在抽检过程中所消耗的人力资源和物力资源并提高抽检效率；第二，难以根据电力物资供应方以及所提供的各种电力物资的相关指标信息，确定该电力物资供应方的电力物资供应质量，进而，难以及时针对不同的电力物资供应方并个性化灵活抽检。

综上所述，现有技术中存在电力物资抽检灵活性以及效率较低的问题。

发明内容

本发明提供一种电力物资智能抽检方法、装置、电子设备及可读存储介质，其主要目的在于解决电力物资抽检灵活性以及效率较低的问题。

为实现上述目的，本发明提供的一种电力物资智能抽检方法，包括：

获取电力物资的历史数据，对所述历史数据进行属性划分及统计，得到所述电力物资的质量画像；

根据所述质量画像进行属性相关性分析，得到所述电力物资的属性相关性；

根据所述质量画像以及所述属性相关性计算所述电力物资的属性显著性；

根据所述属性相关性以及所述属性显著性生成所述电力物资的抽检策略。

可选地，所述对所述历史数据进行属性划分及统计，得到所述电力物资的质量画像，包括：

获取所述历史数据的数据属性，以所述电力物资为列，以所述数据属性为行构建电力物资画像表；

根据所述数据属性对所述历史数据进行统计、并将统计的数据存储至所述电力物资画像表；

根据所述电力物资画像表生成每个电力物资的质量画像。

可选地，所述根据所述质量画像进行属性相关性分析，得到所述电力物资的属性相关性，包括：

从所述质量画像中提取目标属性对应的属性数据，根据所述属性数据进行方差计算，得到目标方差以及目标协方差；

根据所述目标方差以及所述目标协方差进行相关系数计算，得到属性相关性。

可选地，所述从所述质量画像中提取目标属性对应的属性数据，根据所述属性数据进行方差计算，得到目标方差以及目标协方差，包括：

利用下式计算所述目标方差：

其中，表示为数据属性的目标方差；表示为第种数据属性；表示为数据属性的第个属性数据；表示为数据属性的所有属性数据的均值；表示为数据属性的数量；

利用下式计算所述目标协方差：

其中，表示为数据属性与数据属性的目标协方差；分别表示为第个数据属性及第个数据属性；表示为数据属性的第个属性数据；表示为数据属性的所有属性数据的均值；表示为数据属性的第个属性数据；表示为数据属性的所有属性数据的均值；表示为数据属性的数量。

可选地，所述根据所述目标方差以及所述目标协方差进行相关系数计算，得到属性相关性，包括：

利用下式进行相关系数计算：

其中，表示为属性相关性；表示为数据属性的目标方差；表示为数据属性的目标方差；表示为数据属性与数据属性的目标协方差。

可选地，所述根据所述质量画像以及所述属性相关性计算所述电力物资的属性显著性，包括：

利用下式计算所述电力物资的属性显著性：

其中，表示为属性显著性；表示为属性相关性；表示为数据属性与数据属性的标准差；表示为预设的检验变量；表示为数据属性的数量。

可选地，所述根据所述属性相关性以及所述属性显著性生成所述电力物资的抽检策略，包括：

根据所述属性相关性以及所述属性显著性对所述电力物资进行排序，得到电力物资序列；

根据所述属性相关性以及所述电力物资的历史数据构建波士顿矩阵模型；

根据所述电力物资序列以及所述波士顿矩阵模型确定所述电力物资的抽检策略。

为了解决上述问题，本发明还提供一种电力物资智能抽检装置，所述装置包括：

质量画像生成模块，用于获取电力物资的历史数据，对所述历史数据进行属性划分及统计，得到所述电力物资的质量画像；

相关性分析模块，用于根据所述质量画像进行属性相关性分析，得到所述电力物资的属性相关性；

显著性分析模块，用于根据所述质量画像以及所述属性相关性计算所述电力物资的属性显著性；

抽检策略生成模块，用于根据所述属性相关性以及所述属性显著性生成所述电力物资的抽检策略。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的电力物资智能抽检方法。

为了解决上述问题，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中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的电力物资智能抽检方法。

本发明实施例通过对电力物资的历史数据进行属性分析及统计，便于生电力物资的质量画像，实现多方位的电力物资分析；通过电力物资的质量画像进行相关性分析以及显著性分析，从而探索电力物资的抽检规律，提高后续电力物资抽检的效率；通过属性相关性以及属性显著性这两方面实现了二元定距变量相关分析模型对抽检策略与电力物资的历史数据的关联分析，使得生成的抽检策略更加符合电力物资的抽检－合格率趋势，能够更加侧重地对电力物资进行灵活抽检，提高了电力物资抽检的效率。因此本发明提出的电力物资智能抽检方法、装置、电子设备及可读存储介质，可以解决电力物资抽检灵活性以及效率较低的问题。

附图说明

图1为本发明一实施例提供的电力物资智能抽检方法的流程示意图；

图2为本发明一实施例提供地对所述历史数据进行属性划分及统计，得到所述电力物资的质量画像的流程示意图；

图3为本发明一实施例提供的根据所述属性相关性以及所述属性显著性生成所述电力物资的抽检策略的流程示意图；

图4为本发明一实施例提供的电力物资智能抽检装置的功能模块图；

图5为本发明一实施例提供的实现所述电力物资智能抽检方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图作进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种电力物资智能抽检方法。所述电力物资智能抽检方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述电力物资智能抽检方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（Content Delivery Network，CDN)，以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的电力物资智能抽检方法的流程示意图。在本实施例中，所述电力物资智能抽检方法包括：

S1、获取电力物资的历史数据，对所述历史数据进行属性划分及统计，得到所述电力物资的质量画像。

本发明实施例中，所述电力物资可以根据品类划分为电缆、配变、开关柜、水泥杆、金具类、导地线和线缆类等；所述电力物资的历史数据包括不同品类的电力物资所对应的物资供应方、各年抽检数量、合格率数据等。例如，所述历史数据可以为2011年—2015年的每个品类的电力物资对应的物资供应方，以及每个物资供应方在2011年—2015年这一时间段的抽检数量以及合格率。

请参阅图2所示，本发明实施例中，所述对所述历史数据进行属性划分及统计，得到所述电力物资的质量画像，包括：

S21、获取所述历史数据的数据属性，以所述电力物资为列，以所述数据属性为行构建电力物资画像表；

S22、根据所述数据属性对所述历史数据进行统计、并将统计的数据存储至所述电力物资画像表；

S23、根据所述电力物资画像表生成每个电力物资的质量画像。

本发明实施例中，可以将品类（电缆、配变、开关柜、水泥杆、金具类、导地线和线缆类）作为所述电力物资画像表的列标签，将物资供应方、物资供应方对应的抽检数量以及合格率作为所述电力物资画像表的行标签；进一步地，每个品类的电力物资对应的物资供应方、物资供应方对应的抽检数量以及合格率即为该品类的电力物资的质量画像。

S2、根据所述质量画像进行属性相关性分析，得到所述电力物资的属性相关性。

本发明实施例中，所述属性相关性可以通过Pearson相关系数来表示，Pearson相关系数是样本相关系数衡量样本变量之间相关程度的一个量值，记为r，在统计学中，一般用样本相关系数来推断总体相关系数ρ。

本发明实施例中，所述根据所述质量画像进行属性相关性分析，得到所述电力物资的属性相关性，包括：

本发明实施例中，可以利用下式计算所述目标方差：

可以利用下式计算所述目标协方差：

其中，表示为数据属性与数据属性的目标协方差；分别表示为第个数据属性及第个数据属性；表示为数据属性的第个属性数据；表示为数据属性的所有属性数据的均值；表示为数据属性的第个属性数据；表示为数据属性的所有属性数据的均值；表示为数据属性的数量；

可以利用下式进行相关系数计算：

本发明实施例中，可以将电力物资的品类作为目标属性，其对应的属性数据包括电力物资对应的抽检数量以及合格率；本发明另一可选实施例中，也可以将物资供应方作为目标属性，其对应的属性数据包括电力物资对应的物资供应方、物资供应方对应的抽检数量以及合格率。

例如，电力物资中开关柜的相关性为-0.526，电力物资中金具类的相关性为-0.119，电力物资中导地线的相关性为0.144，进而可以得到开关柜的相关性0.5≤|r=-0.526|＜0.8，抽检数量与合格率为中度相关（中负相关）；金具类的相关性为|r=-0.119|＜0.3，抽检数量与合格率为相关程度极弱（不相关）；导地线的相关性为|r=-0.144|＜0.3，抽检数量与合格率为相关程度极弱（不相关）。

S3、根据所述质量画像以及所述属性相关性计算所述电力物资的属性显著性。

本发明实施例中，属性显著性是估计总体参数落在某一区间内，可能犯错的概率，用α表示。显著性水平将概率分布分为两个区间：拒绝区间和接受区间，通过比较P值（Sig.值）和显著性水平α得出拒绝和接受的结果。

本发明实施例中，可以利用下式计算所述电力物资的属性显著性：

本发明实施例中，可以采用t检验实现属性显著性检验；其中，可以设置，两种数据属性之间无直线相关关系；，两种数据属性之间有直线相关关系。

S4、根据所述属性相关性以及所述属性显著性生成所述电力物资的抽检策略。

请参阅图3所示，本发明实施例中，所述根据所述属性相关性以及所述属性显著性生成所述电力物资的抽检策略，包括：

S31、根据所述属性相关性以及所述属性显著性对所述电力物资进行排序，得到电力物资序列；

S32、根据所述属性相关性以及所述电力物资的历史数据构建波士顿矩阵模型；

S33、根据所述电力物资序列以及所述波士顿矩阵模型确定所述电力物资的抽检策略。

本发明实施例中，可以根据电力物资序列生成电力物资的物资权重，例如，电力物资序列中排序靠前的电力物资的物资权重会较大，电力物资序列中排序靠后的电力物资的物资权重会较小。

本发明一可选实施例中，基于二元定距变量相关分析模型，抽检数量与合格率的相关性从强到弱排列可以与显著性从小到大排列一致，例如，配变>线缆类>水泥杆>开关柜>电缆>导地线>金具类；若抽检数量与合格率的相关性从强到弱排列可以与显著性从小到大排列不完全一致，则根据属性相关性以及属性显著性的数值大小进行综合比较，进而得到电力物资序列。

本发明实施例中，可以根据电力物资的属性相关性以及对应的合格率均值构建波士顿矩阵模型进行抽检分析；所述波士顿矩阵模型构成了四象限业务：1、明星业务：处于高增长率、高相对市场份额象限，这类业务可能成为企业的金牛业务，需加大投资以支持其循序发展；2、问题业务：处于高增长率、低市场占有率，该业务应选择战略性投资，需要时进行扶持和改进；3、金牛业务：处于低增长率、高相对市场份额，已经进入成熟期，应进一步进行市场细分；4、瘦狗业务：处于低增长率、低市场份额，采用撤退战略，将剩余资源向其他业务转移。

具体地，本发明实施例中，可以以属性相关性为纵坐标，以合格率均值为横坐标构建波士顿矩阵模型，其中以相关性为0.5以及合格率均值为92%将所述波士顿矩阵模型划分成四象限，包括：1、明星产品：持续保持抽检力度；2、问题业务：提高抽检针对性；3、金牛业务：适当降低抽检力度，细化品类开展品控工作；4、瘦狗业务：重视抽检情况。

本发明实施例中，将电力物资序列对应填入所述波士顿矩阵模型中，可以确定每个电力物资所属的象限，进而确定对应的抽检策略。

例如，通过相关程度和合格率的波士顿矩阵分析，抽样的物资可以主要分为3类：线缆类和配变为明星产品；水泥杆、开关柜为问题产品；电缆、导地线、金具类为金牛产品；进一步地，线缆类和配变的抽检策略为持续保持抽检力度，水泥杆、开关柜的抽检策略为提高抽检针对性，电缆、导地线、金具类的抽检策略为适当降低抽检力度，细化品类开展品控工作。

本发明实施例通过对电力物资的历史数据进行属性分析及统计，便于生电力物资的质量画像，实现多方位的电力物资分析；通过电力物资的质量画像进行相关性分析以及显著性分析，从而探索电力物资的抽检规律，提高后续电力物资抽检的效率；通过属性相关性以及属性显著性这两方面实现了二元定距变量相关分析模型对抽检策略与电力物资的历史数据的关联分析，使得生成的抽检策略更加符合电力物资的抽检－合格率趋势，能够更加侧重地对电力物资进行灵活抽检，提高了电力物资抽检的效率。因此本发明提出的电力物资智能抽检方法，可以解决电力物资抽检灵活性以及效率较低的问题。

如图4所示，是本发明一实施例提供的电力物资智能抽检装置的功能模块图。

本发明所述电力物资智能抽检装置100可以安装于电子设备中。根据实现的功能，所述电力物资智能抽检装置100可以包括质量画像生成模块101、相关性分析模块102、显著性分析模块103及抽检策略生成模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述质量画像生成模块101，用于获取电力物资的历史数据，对所述历史数据进行属性划分及统计，得到所述电力物资的质量画像；

所述相关性分析模块102，用于根据所述质量画像进行属性相关性分析，得到所述电力物资的属性相关性；

所述显著性分析模块103，用于根据所述质量画像以及所述属性相关性计算所述电力物资的属性显著性；

所述抽检策略生成模块104，用于根据所述属性相关性以及所述属性显著性生成所述电力物资的抽检策略。

详细地，本发明实施例中所述电力物资智能抽检装置100中所述的各模块在使用时采用与附图中所述的电力物资智能抽检方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图5所示，是本发明一实施例提供的实现电力物资智能抽检方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如电力物资智能抽检程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing Unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行电力物资智能抽检程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如电力物资智能抽检程序的代码等，还可以用于暂时的存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准（Peripheral ComponentInterconnect，简称PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选的，用户接口还可以是标准的有线接口、无线接口。可选的，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当地称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理，以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的电力物资智能抽检程序是多个指令的组合，在所述处理器10中运行时，可以实现：

具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI）是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。本说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims

1.一种电力物资智能抽检方法，其特征在于，所述方法包括：

所述根据所述质量画像进行属性相关性分析得到所述电力物资的属性相关性包括：从所述质量画像中提取目标属性对应的属性数据，根据所述属性数据进行方差计算得到目标方差以及目标协方差；根据所述目标方差以及所述目标协方差进行相关系数计算得到属性相关性；所述属性相关性用于确定电力物资的抽检数量与合格率的相关程度；

根据所述属性相关性以及所述属性显著性生成所述电力物资的抽检策略；

所述根据所述属性相关性以及所述属性显著性生成所述电力物资的抽检策略包括：根据所述属性相关性以及所述属性显著性对所述电力物资进行排序得到电力物资序列；根据所述属性相关性以及所述电力物资的历史数据构建波士顿矩阵模型；根据所述电力物资序列以及所述波士顿矩阵模型确定所述电力物资的抽检策略；

以属性相关性为纵坐标以合格率均值为横坐标构建波士顿矩阵模型，其中以相关性为0.5以及合格率均值为92%将所述波士顿矩阵模型划分成四象限；将电力物资序列对应填入波士顿矩阵模型中确定每个电力物资所属的象限进而确定对应的抽检策略。

2.如权利要求1所述的电力物资智能抽检方法，其特征在于，所述对所述历史数据进行属性划分及统计，得到所述电力物资的质量画像，包括：

根据所述电力物资画像表生成每个电力物资的质量画像。

3.如权利要求1所述的电力物资智能抽检方法，其特征在于，所述从所述质量画像中提取目标属性对应的属性数据，根据所述属性数据进行方差计算，得到目标方差以及目标协方差，包括：

利用下式计算所述目标方差：

利用下式计算所述目标协方差：

4.如权利要求1所述的电力物资智能抽检方法，其特征在于，所述根据所述目标方差以及所述目标协方差进行相关系数计算，得到属性相关性，包括：

利用下式进行相关系数计算：

5.如权利要求1所述的电力物资智能抽检方法，其特征在于，所述根据所述质量画像以及所述属性相关性计算所述电力物资的属性显著性，包括：

利用下式计算所述电力物资的属性显著性：

6.一种电力物资智能抽检装置，其特征在于，所述装置包括：

抽检策略生成模块，用于根据所述属性相关性以及所述属性显著性生成所述电力物资的抽检策略；

7.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任意一项所述的电力物资智能抽检方法。

8.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的电力物资智能抽检方法。