CN116756622B - 基于智能水壶的用电量分析方法及系统 - Google Patents
基于智能水壶的用电量分析方法及系统 Download PDFInfo
- Publication number
- CN116756622B CN116756622B CN202311020793.9A CN202311020793A CN116756622B CN 116756622 B CN116756622 B CN 116756622B CN 202311020793 A CN202311020793 A CN 202311020793A CN 116756622 B CN116756622 B CN 116756622B
- Authority
- CN
- China
- Prior art keywords
- kettle
- data
- sequence
- historical
- result
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 75
- 230000005611 electricity Effects 0.000 claims abstract description 87
- 238000012937 correction Methods 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000010606 normalization Methods 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 14
- 230000008859 change Effects 0.000 description 7
- 238000009825 accumulation Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种基于智能水壶的用电量分析方法及系统，包括：对预设的智能水壶的历史水壶数据进行预测划分，得到预测用电类别；对智能水壶的历史水壶数据进行状态划分，得到序列状态，对所述序列状态进行数据处理，得到处理序列；对所述处理序列进行预测处理，得到预测序列，对所述预测序列进行拟合修正，得到修正结果；对所述修正结果进行划分，得到状态分类结果，对所述历史水壶数据进行核密度分析，得到用电密度结果；根据所述预测用电类别、状态分类结果与所述电密度结果，对智能水壶的用电量进行总结分析，得到分析结果。本发明可以提高智能水壶的用电量分析准确度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于智能水壶的用电量分析方法及系统。
背景技术
随着智能家居的不断普及，越来越多的人开始选择智能水壶作为自己的日常用品。帮助用户更好地管理家庭用电，避免浪费和不必要的消耗，从而实现节约能源的目的，需要对水壶的用电规律和趋势进行分析，从而用户随时了解自己的用电量，从而更好地安排自己的生活和工作，提高生活质量。
现有的传统水壶功能单一，无法进行自动化控制，需要用户手动控制开关以及加热时间。实际生活中，传统水壶无法实时检测电量情况，也无法精准的控制温度，加热时容易烧干，造成安全事故，也无法进行电量分析，导致用户无法精准控制用电量。
发明内容
本发明提供一种基于智能水壶的用电量分析方法及系统，其主要目的在于解决智能水壶的用电量分析时准确度较低的问题。
为实现上述目的，本发明提供的一种基于智能水壶的用电量分析方法，包括：
根据预设的最优决策函数对预设的智能水壶的历史水壶数据进行预测划分，得到预测用电类别；
对智能水壶的历史水壶数据进行状态划分，得到序列状态，对所述序列状态进行数据处理，得到处理序列；
利用预测模型对所述处理序列进行预测处理，得到预测序列，利用预设的修正算法对所述预测序列进行拟合修正，得到修正结果；
对所述修正结果按照状态区间进行划分，得到状态分类结果，对所述历史水壶数据进行核密度分析，得到用电密度结果；
根据所述预测用电类别、状态分类结果与所述电密度结果，对智能水壶的用电量进行总结分析，得到分析结果。
可选地，所述根据预设的最优决策函数对预设的智能水壶的历史水壶数据进行预测划分，得到预测用电类别，包括：
对所述历史水壶数据进行数据清洗，得到高质量数据；
提取所述高质量数据中的数据特征，得到水壶特征数据；
将所述水壶特征数据进行归一化处理，得到水壶归一数据；
利用最优决策公式对所述水壶归一数据进行预测划分，得到预测用电类别。
可选地，所述提取所述高质量数据中的数据特征，得到水壶特征数据，包括：
利用如下相关系数公式计算所述高质量数据与预设的目标变量之间的相关系数值：
；
其中，为相关系数值，/>为序列号为/>的高质量数据，/>为所述高质量数据的均值，/>为序列号为/>的目标变量，/>为所述目标变量的均值，/>为所述高质量数据的个数；
选取相关系数绝对值超过预设绝对阈值对应的高质量数据为水壶特征。
可选地，所述利用最优决策公式对所述水壶归一数据进行预测划分，得到预测用电类别，包括：
利用如下最优决策公式对预设的智能水壶的历史水壶数据进行预测划分：
；
其中，为设置的核函数，/>为核函数对应的超参数，/>为水壶归一数据中选定的目标数据，/>为序列号为/>的水壶归一数据，/>为目标数据对应的预测用电类别，为序列号为/>的水壶归一数据对应的类别标签，/>为预设的拉格朗日乘子，/>为偏置项，/>为水壶归一数据的个数。
可选地，所述对智能水壶的历史水壶数据进行状态划分，得到序列状态，包括：
对所述历史水壶数据添加时间戳，得到时间序列；
计算所述时间序列的平滑度，将所述平滑度高于预设平滑阈值的点确定为分割点；
将所述时间序列按照所述分割点进行分割，得到序列状态。
可选地，所述对所述历史水壶数据添加时间戳，得到时间序列，包括：
将所述历史水壶数据转化成预设的时间格式，得到序列格式；
利用预设的序列工具根据所述序列格式转化成时间序列。
可选地，所述利用预测模型对所述处理序列进行预测处理，得到预测序列，包括：
利用如下模型公式对所述处理序列进行预测处理：
；
其中，为/>时刻的预测序列，/>为所述处理序列，/>为所述预测模型的模型参数，/>为/>时刻，/>为常数。
可选地，所述利用预设的修正算法对所述预测序列进行拟合修正，得到修正结果，包括：
利用如下修正公式对所述预测序列进行拟合修正：
；
其中，为第/>时刻的修正结果，/>为第/>时刻的修正结果，/>为时刻的预测序列，/>为/>时刻预设的实际标准序列，/>为/>时刻，/>为时刻的序数词。
可选地，所述对所述历史水壶数据进行核密度分析，得到用电密度结果，包括：
利用如下核密度公式计算所述历史水壶数据对应的用电密度结果：
；
其中，为历史水壶数据中选定的需要计算的目标数据，/>为目标数据/>对应的用电密度结果，/>为历史水壶数据的个数，/>为第/>个历史水壶数据，/>为预设的带宽参数。
为了解决上述问题，本发明还提供一种基于智能水壶的用电量分析系统，所述系统包括：
预测类别模块：根据预设的最优决策函数对预设的智能水壶的历史水壶数据进行预测划分，得到预测用电类别；
序列处理模块：对智能水壶的历史水壶数据进行状态划分，得到序列状态，对所述序列状态进行数据处理，得到处理序列；
修正结果模块：利用预测模型对所述处理序列进行预测处理，得到预测序列，利用预设的修正算法对所述预测序列进行拟合修正，得到修正结果；
密度分析模块：对所述修正结果按照状态区间进行划分，得到状态分类结果，对所述历史水壶数据进行核密度分析，得到用电密度结果；
分析结果模块：根据所述预测用电类别、状态分类结果与所述电密度结果，对智能水壶的用电量进行总结分析，得到分析结果。
本发明实施例通过对预设的智能水壶的历史水壶数据进行预测划分，得到预测用电类别；对智能水壶的历史水壶数据进行状态划分，得到序列状态，对所述序列状态进行数据处理，得到处理序列，可以消除季节性调整对所述序列状态的影响，使序列状态具有平稳性；对所述处理序列进行预测处理，得到预测序列，对所述预测序列进行拟合修正，得到修正结果，对所述处理序列进行预测处理，采用少量的数据进行预测，并且与其他预测方法相比，其精度较高，误差较小，对所述预测序列进行拟合修正，可以提高模型的预测精度，减小模型误差，使得预测结果更加可靠；对所述修正结果进行划分，得到状态分类结果，对所述历史水壶数据进行核密度分析，得到用电密度结果，可以更加深入地了解用电量的概率分布情况，对于理解事件随机变化的本质有重要帮助；根据所述预测用电类别、状态分类结果与所述电密度结果，对智能水壶的用电量进行总结分析，得到分析结果。因此本发明提出的基于智能水壶的用电量分析方法、系统，可以解决低智能水壶的用电量分析时准确度较低的问题。
附图说明
图1为本发明一实施例提供的基于智能水壶的用电量分析方法的流程示意图；
图2为本发明一实施例提供的获取预测用电类别的流程示意图；
图3为本发明一实施例提供的获取序列状态的流程示意图；
图4为本发明一实施例提供的基于智能水壶的用电量分析系统的功能模块图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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基于智能水壶的用电量分析方法。所述基于智能水壶的用电量分析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，所述基于智能水壶的用电量分析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 DeliveryNetwork，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基于智能水壶的用电量分析方法的流程示意图。在本实施例中，所述基于智能水壶的用电量分析方法包括：
S1、根据预设的最优决策函数对预设的智能水壶的历史水壶数据进行预测划分，得到预测用电类别；
本发明实施例中，参照图1所示，所述根据预设的最优决策函数对预设的智能水壶的历史水壶数据进行预测划分，得到预测用电类别，包括：
S21、对所述历史水壶数据进行数据清洗，得到高质量数据；
S22、提取所述高质量数据中的数据特征，得到水壶特征数据；
S23、将所述水壶特征数据进行归一化处理，得到水壶归一数据；
S24、利用最优决策公式对所述水壶归一数据进行预测划分，得到预测用电类别。
具体地，所述对所述历史水壶数据进行数据清洗，即将历史水壶数据中的异常值、缺失值和重复值等无效数据去掉，例如若历史水壶数据中存在完全相同的行，则可以将其中的一行或多行删除；若历史水壶数据中存在缺失值，可以采用插值、填充常数值或者删除缺失值等方式来处理，若历史水壶数据中存在错误的数据类型（如字符型数据），则需要将其转换为正确的数据类型。
进一步地，所述对所述历史水壶数据进行数据清洗可以识别和纠正一些数据中的错误、缺失或异常值，以提高数据质量和准确性，提高智能水壶用电量数据的准确性和可靠性，从而更好地了解其用电量的情况，并基于此进行深入的数据分析和建模。
另外地，所述提取所述高质量数据中的数据特征，得到水壶特征数据，包括：
利用如下相关系数公式计算所述高质量数据与预设的目标变量之间的相关系数值：
；
其中，为相关系数值，/>为序列号为/>的高质量数据，/>为所述高质量数据的均值，/>为序列号为/>的目标变量，/>为所述目标变量的均值，/>为所述高质量数据的个数；
选取相关系数绝对值超过预设绝对阈值对应的高质量数据为水壶特征。
具体地，利用相关系数值确定水壶特征数据是一种比较可靠的方法，可用于提取高质量数据中的数据特征，通常适用于大规模的数据集，并能够提供较为准确的结果具有直观性，因此可以轻松地对结果进行解释。
还有地，所述将所述水壶特征数据进行归一化处理，得到水壶归一数据，将所述水壶特征数据的最大值与最小值，将所述最大值与最小值归一到预设的区间中，得到相同区间的水壶归一数据。
详细地，所述利用最优决策公式对所述水壶归一数据进行预测划分，得到预测用电类别，包括：
利用如下最优决策公式对预设的智能水壶的历史水壶数据进行预测划分：
；
其中，为设置的核函数，/>为核函数对应的超参数，/>为水壶归一数据中选定的目标数据，/>为序列号为/>的水壶归一数据，/>为目标数据对应的预测用电类别，/>为序列号为/>的水壶归一数据对应的类别标签，/>为预设的拉格朗日乘子，/>为偏置项，/>为水壶归一数据的个数。
S2、对智能水壶的历史水壶数据进行状态划分，得到序列状态，对所述序列状态进行数据处理，得到处理序列；
由于对智能水壶用电量进行分析时，需要考虑到时间因素的影响。可以通过添加时间戳，将智能水壶历史的历史水壶数据转化为时间序列数据，每个时间戳对应一个特定的时间点和用电量值。同时更加直观地展示数据随时间的变化趋势，同时，时间序列数据也方便使用机器学习方法，来分析数据间的关系和趋势。
本发明实施例中，参照图3所示，所述对智能水壶的历史水壶数据进行状态划分，得到序列状态，包括：
S31、对所述历史水壶数据添加时间戳，得到时间序列；
S32、计算所述时间序列的平滑度，将所述平滑度高于预设平滑阈值的点确定为分割点；
S33、将所述时间序列按照所述分割点进行分割，得到序列状态。
详细地，所述对所述历史水壶数据添加时间戳，得到时间序列，包括：
将所述历史水壶数据转化成预设的时间格式，得到序列格式；
利用预设的序列工具根据所述序列格式转化成时间序列。
具体地，所述预设的时间格式，例如使用 ISO 8601 标准，其中日期和时间以“YYYY-MM-DDTHH:MM:SS”格式表示。
另外地，所述预设的序列工具，包括但不限于Python 中的 Pandas 和 R 中的TimeSeries。
由于时间序列中的趋势和季节性变化会影响后续模型的预测结果，因此需要对所述序列状态进行平稳化处理，以削弱或消除这些变化对模型的影响。
本发明实施例中，所述对所述序列状态进行数据处理，得到处理序列，例如利用差分、对数转换或移动平均等方法对所述序列状态进行平稳化处理，消除季节性调整对所述序列状态的影响，使序列状态具有平稳性。
S3、利用预测模型对所述处理序列进行预测处理，得到预测序列，利用预设的修正算法对所述预测序列进行拟合修正，得到修正结果；
本发明实施例中，所述预测模型是一种基于少量数据、具有较高精度的预测方法，适用于短期和中期的预测，因此，对于智能水壶这类快速变化的产品，使用预测模型可以更加准确地预测其未来的销售情况。
本发明实施例中，所述利用预测模型对所述处理序列进行预测处理，得到预测序列，包括：
利用如下模型公式对所述处理序列进行预测处理：
；
其中，为/>时刻的预测序列，/>为所述处理序列，/>为所述预测模型的模型参数，/>为/>时刻，/>为常数。
详细地，所述利用预测模型对所述处理序列进行预测处理，采用少量的数据进行预测，并且与其他预测方法相比，其精度较高，误差较小，同时所述预测模型适用于短期预测，因此可以为智能水壶的用电量提供即时和可靠的预测结果，从而支持用户更好地管理用电行为。
由于预测模型是一种基于少量数据的建模方法，可以在数据较少的情况下进行预测和分析，在实际应用中，预测模型的预测序列可能会受到许多不确定因素的影响，从而导致模型误差较大，因此需要对所述预测序列进行拟合修正，从而得到更准确的预测结果。
本发明实施例中，所述利用预设的修正算法对所述预测序列进行拟合修正，得到修正结果，包括：
利用如下修正公式对所述预测序列进行拟合修正：
；
其中，为第/>时刻的修正结果，/>为第/>时刻的修正结果，/>为/>时刻的预测序列，/>为/>时刻预设的实际标准序列，/>为/>时刻，为时刻的序数词。
具体地，所述修正算法通过对序列进行后验差分累加，进而得到模型的更准确的预测结果。具体来说，该方法首先对原始数据进行累加，将其转化为一阶累加序列或二阶累加序列，然后利用累加序列构造残差序列，并对残差序列进行后验差分累加，从而得到更准确的预测结果。
另外地，所述利用预设的修正算法对所述预测序列进行拟合修正，可以提高模型的预测精度，减小模型误差，使得预测结果更加可靠。此外，还可以帮助识别数据中的趋势和周期性变化，从而更好地理解数据的本质规律。
S4、对所述修正结果按照状态区间进行划分，得到状态分类结果，对所述历史水壶数据进行核密度分析，得到用电密度结果；
通过对修正结果进行状态分类，可以将连续性的预测值离散化，使其更易于处理和解释，同时可以将未来趋势划分为快速增长、缓慢增长、停滞或下降等不同的状态。这些状态的识别可以帮助我们针对不同的情况制定相应的决策方案，从而更好地应对未来的变化。
本发明实施例中，所述对所述修正结果按照状态区间进行划分，得到状态分类结果，包括：
将修正结果划分为不同状态区间的临界点；
根据临界点对所述修正结果进行划分，得到状态分类结果。
详细地，所述根据临界点对所述修正结果进行划分，得到状态分类结果，例如，假设将所述修正结果分为三个状态区间，则可以将其划分为“低”、“中”和“高”三个状态，当修正结果小于第一个状态划分点时，其状态为“低”，当修正结果介于第一个和第二个状态划分点之间时，其状态为“中”，当修正结果大于等于第二个状态划分点时，其状态为“高”。
本发明实施例中，所述对所述历史水壶数据进行核密度分析，得到用电密度结果，包括：
利用如下核密度公式计算所述历史水壶数据对应的用电密度结果：
；
其中，为历史水壶数据中选定的需要计算的目标数据，/>为目标数据/>对应的用电密度结果，/>为历史水壶数据的个数，/>为第/>个历史水壶数据，/>为预设的带宽参数。
详细地，所述对所述历史水壶数据进行核密度分析可以帮助了解使用该水壶的用户在不同时间段内消耗的电量的概率密度分布情况，并进一步探索其中的规律和特征。比如，可以发现在某些时间段内，使用智能水壶的用户更倾向于烧开一定量的水而不是烧满壶；或者发现在某些时间段内，用电量呈现双峰或多峰分布，表明使用该水壶的用户有着不同的用水习惯。
S5、根据所述预测用电类别、状态分类结果与所述电密度结果，对智能水壶的用电量进行总结分析，得到分析结果。
本发明实施例中，所述利用预测模型对所述处理序列进行预测处理可以帮助了解智能水壶的用电量在未来可能会如何变化。通过对历史数据的分析，发现一些规律和趋势，从而推断出未来的用电量的可能情况，而对所述历史水壶数据进行核密度分析，可以发现用电量的分布情况、峰值位置等信息，从而更好地了解其分布规律。使用两种方式结合对智能水壶的用电量进行分析，可以带来更加准确的用电量预测结果，发现隐含的趋势，并且提高用电效益。
详细地，将所述预测用电类别、状态分类结果与所述电密度结果进行结合整理，将整理结果作为所述智能水壶的用电量的分析结果。
由于利用预测模型对所述处理序列进行预测处理仅能描述未来一段时间内的变化趋势，但不能深入揭示变化背后的物理意义，而核密度分析则可以更加深入地了解用电量的概率分布情况，对于理解事件随机变化的本质有重要帮助。因此使用两种方式结合进行分析，可以更好地利用数据进行智能水壶用电量分析，并从多个方面深入洞察用电量的特征。它们互相协作，既能揭示事件随机变化的本质，又能达到有效的预测、准确的分析与节约的电量管理等用途。
如图4所示，是本发明一实施例提供的基于智能水壶的用电量分析系统的功能模块图。
本发明所述基于智能水壶的用电量分析系统100可以安装于电子设备中。根据实现的功能，所述基于智能水壶的用电量分析系统100可以包括预测类别模块101、序列处理模块102、修正结果模块103、密度分析模块104及分析结果模块105。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：
所述预测类别模块101：根据预设的最优决策函数对预设的智能水壶的历史水壶数据进行预测划分，得到预测用电类别；
所述序列处理模块102：对智能水壶的历史水壶数据进行状态划分，得到序列状态，对所述序列状态进行数据处理，得到处理序列；
所述修正结果模块103：利用预测模型对所述处理序列进行预测处理，得到预测序列，利用预设的修正算法对所述预测序列进行拟合修正，得到修正结果；
所述密度分析模块104：对所述修正结果按照状态区间进行划分，得到状态分类结果，对所述历史水壶数据进行核密度分析，得到用电密度结果；
所述分析结果模块105：根据所述预测用电类别、状态分类结果与所述电密度结果，对智能水壶的用电量进行总结分析，得到分析结果。
详细地，本发明实施例中所述基于智能水壶的用电量分析系统100中所述的各模块在使用时采用与上述图1至图3中所述的基于智能水壶的用电量分析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。
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。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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。系统实施例中陈述的多个单元或系统也可以由一个单元或系统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 (6)
1.一种基于智能水壶的用电量分析方法，其特征在于，所述方法包括：
根据预设的最优决策函数对预设的智能水壶的历史水壶数据进行预测划分，得到预测用电类别；
对智能水壶的历史水壶数据进行状态划分，得到序列状态，对所述序列状态进行数据处理，得到处理序列；
利用预测模型对所述处理序列进行预测处理，得到预测序列，利用预设的修正算法对所述预测序列进行拟合修正，得到修正结果；
对所述修正结果按照状态区间进行划分，得到状态分类结果，对所述历史水壶数据进行核密度分析，得到用电密度结果；
根据所述预测用电类别、状态分类结果与所述电密度结果，对智能水壶的用电量进行总结分析，得到分析结果；
所述根据预设的最优决策函数对预设的智能水壶的历史水壶数据进行预测划分，得到预测用电类别，包括：
对所述历史水壶数据进行数据清洗，得到高质量数据；
提取所述高质量数据中的数据特征，得到水壶特征数据；
将所述水壶特征数据进行归一化处理，得到水壶归一数据；
利用最优决策公式对所述水壶归一数据进行预测划分，得到预测用电类别；
所述利用最优决策公式对所述水壶归一数据进行预测划分，得到预测用电类别，包括：
利用如下最优决策公式对预设的智能水壶的历史水壶数据进行预测划分：
；
其中，为设置的核函数，/>为核函数对应的超参数，/>为水壶归一数据中选定的目标数据，/>为序列号为/>的水壶归一数据，/>为目标数据对应的预测用电类别，为序列号为/>的水壶归一数据对应的类别标签，/>为预设的拉格朗日乘子，/>为偏置项，/>为水壶归一数据的个数；
所述对智能水壶的历史水壶数据进行状态划分，得到序列状态，包括：
对所述历史水壶数据添加时间戳，得到时间序列；
计算所述时间序列的平滑度，将所述平滑度高于预设平滑阈值的点确定为分割点；
将所述时间序列按照所述分割点进行分割，得到序列状态；
所述对所述历史水壶数据进行核密度分析，得到用电密度结果，包括：
利用如下核密度公式计算所述历史水壶数据对应的用电密度结果：
；
其中，为历史水壶数据中选定的需要计算的目标数据，/>为目标数据/>对应的用电密度结果，/>为历史水壶数据的个数， />为第/>个历史水壶数据，/>为预设的带宽参数。
2.如权利要求1所述的基于智能水壶的用电量分析方法，其特征在于，所述提取所述高质量数据中的数据特征，得到水壶特征数据，包括：
利用如下相关系数公式计算所述高质量数据与预设的目标变量之间的相关系数值：
；
其中，为相关系数值，/>为序列号为/>的高质量数据，/>为所述高质量数据的均值，为序列号为/>的目标变量，/>为所述目标变量的均值，/>为所述高质量数据的个数；
选取相关系数绝对值超过预设绝对阈值对应的高质量数据为水壶特征。
3.如权利要求1所述的基于智能水壶的用电量分析方法，其特征在于，所述对所述历史水壶数据添加时间戳，得到时间序列，包括：
将所述历史水壶数据转化成预设的时间格式，得到序列格式；
利用预设的序列工具根据所述序列格式转化成时间序列。
4.如权利要求1所述的基于智能水壶的用电量分析方法，其特征在于，所述利用预测模型对所述处理序列进行预测处理，得到预测序列，包括：
利用如下模型公式对所述处理序列进行预测处理：
；
其中，为/>时刻的预测序列，/>为所述处理序列，/>、/>为所述预测模型的模型参数，/>为/>时刻，/>为常数。
5.如权利要求1至4中任一项所述的基于智能水壶的用电量分析方法，其特征在于，所述利用预设的修正算法对所述预测序列进行拟合修正，得到修正结果，包括：
利用如下修正公式对所述预测序列进行拟合修正：
；
其中，为第/>时刻的修正结果，/>为第/>时刻的修正结果，/>为时刻的预测序列，/>为/>时刻预设的实际标准序列，/>为/>时刻，/>为时刻的序数词。
6.一种基于智能水壶的用电量分析系统，用于实现如权利要求1至5中任一项所述的基于智能水壶的用电量分析方法，其特征在于，所述系统包括：
预测类别模块：根据预设的最优决策函数对预设的智能水壶的历史水壶数据进行预测划分，得到预测用电类别；
序列处理模块：对智能水壶的历史水壶数据进行状态划分，得到序列状态，对所述序列状态进行数据处理，得到处理序列；
修正结果模块：利用预测模型对所述处理序列进行预测处理，得到预测序列，利用预设的修正算法对所述预测序列进行拟合修正，得到修正结果；
密度分析模块：对所述修正结果按照状态区间进行划分，得到状态分类结果，对所述历史水壶数据进行核密度分析，得到用电密度结果；
分析结果模块：根据所述预测用电类别、状态分类结果与所述电密度结果，对智能水壶的用电量进行总结分析，得到分析结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311020793.9A CN116756622B (zh) | 2023-08-15 | 2023-08-15 | 基于智能水壶的用电量分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311020793.9A CN116756622B (zh) | 2023-08-15 | 2023-08-15 | 基于智能水壶的用电量分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116756622A CN116756622A (zh) | 2023-09-15 |
| CN116756622B true CN116756622B (zh) | 2024-01-26 |
Family
ID=87957502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311020793.9A Active CN116756622B (zh) | 2023-08-15 | 2023-08-15 | 基于智能水壶的用电量分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116756622B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010099285A (ja) * | 2008-10-24 | 2010-05-06 | Panasonic Corp | 電気湯沸かし器 |
| CN107242781A (zh) * | 2017-07-27 | 2017-10-13 | 浙江绍兴苏泊尔生活电器有限公司 | 电水壶防干烧方法与电水壶 |
| CN110944413A (zh) * | 2019-12-06 | 2020-03-31 | 江苏智臻能源科技有限公司 | 云边协同架构下基于历史负荷辨识数据的电热细分方法 |
| CN112418921A (zh) * | 2020-11-11 | 2021-02-26 | 深圳力维智联技术有限公司 | 用电需量预测方法、装置、系统与计算机存储介质 |
-
2023
- 2023-08-15 CN CN202311020793.9A patent/CN116756622B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010099285A (ja) * | 2008-10-24 | 2010-05-06 | Panasonic Corp | 電気湯沸かし器 |
| CN107242781A (zh) * | 2017-07-27 | 2017-10-13 | 浙江绍兴苏泊尔生活电器有限公司 | 电水壶防干烧方法与电水壶 |
| CN110944413A (zh) * | 2019-12-06 | 2020-03-31 | 江苏智臻能源科技有限公司 | 云边协同架构下基于历史负荷辨识数据的电热细分方法 |
| CN112418921A (zh) * | 2020-11-11 | 2021-02-26 | 深圳力维智联技术有限公司 | 用电需量预测方法、装置、系统与计算机存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 考虑分时电价的居民用户短期用电量分类预测及修正方法;徐冰涵 等;电力系统保护与控制;第48卷(第06期);第144-151页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116756622A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113568819B (zh) | 异常数据检测方法、装置、计算机可读介质及电子设备 | |
| Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
| CN116031888B (zh) | 基于动态负荷预测的潮流优化方法、系统及存储介质 | |
| CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
| CN111738348B (zh) | 一种电力数据异常检测方法和装置 | |
| CN112001644B (zh) | 一种配电网运行可靠性检测方法、装置、终端及存储介质 | |
| CN104281779A (zh) | 一种异常数据判定与处理方法及装置 | |
| CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
| CN113554361B (zh) | 一种综合能源系统数据处理计算方法及处理系统 | |
| Fan et al. | Fluctuation pattern recognition based ultra-short-term wind power probabilistic forecasting method | |
| Yang et al. | Research on complementary algorithm of photovoltaic power missing data based on improved cloud model | |
| CN113094448B (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
| CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
| CN116756622B (zh) | 基于智能水壶的用电量分析方法及系统 | |
| Yang et al. | A non-intrusive carbon emission accounting method for industrial corporations from the perspective of modern power systems | |
| CN114676931A (zh) | 一种基于数据中台技术的电量预测系统 | |
| CN115146744A (zh) | 一种融合时间特征的电能表负荷实时辨识方法、识别系统 | |
| CN115579935A (zh) | 发电系统控制方法、装置、系统、电子设备及存储介质 | |
| CN114707860A (zh) | 一种基于eci的用户用电信息管理系统 | |
| CN114330440A (zh) | 基于模拟学习判别的分布式电源负荷异常识别方法及系统 | |
| CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
| CN112613670A (zh) | 一种基于权重分配预测电力用户需量的装置及方法 | |
| CN117318051B (zh) | 一种基于物联网技术的智慧能源储能管控系统及方法 | |
| CN115796459B (zh) | 基于多源数据的低压台区电压质量分析方法、装置 | |
| CN117933427B (zh) | 一种智能电网双重采样优化的差分隐私联邦学习方法 |
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 |