CN116777452B - 智能电表的预付费系统及其方法 - Google Patents
智能电表的预付费系统及其方法 Download PDFInfo
- Publication number
- CN116777452B CN116777452B CN202310736404.6A CN202310736404A CN116777452B CN 116777452 B CN116777452 B CN 116777452B CN 202310736404 A CN202310736404 A CN 202310736404A CN 116777452 B CN116777452 B CN 116777452B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- power consumption
- consumption time
- scale
- vector
- 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 39
- 238000009826 distribution Methods 0.000 claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000005728 strengthening Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 207
- 230000005611 electricity Effects 0.000 claims description 120
- 239000011159 matrix material Substances 0.000 claims description 65
- 238000003062 neural network model Methods 0.000 claims description 47
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 31
- 230000004927 fusion Effects 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 9
- 239000012634 fragment Substances 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000002787 reinforcement Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/22—Payment schemes or models
- G06Q20/28—Pre-payment schemes, e.g. "pay before"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q30/0283—Price estimation or determination
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F15/00—Coin-freed apparatus with meter-controlled dispensing of liquid, gas or electricity
- G07F15/06—Coin-freed apparatus with meter-controlled dispensing of liquid, gas or electricity with means for prepaying basic charges, e.g. rent for meters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及智能电表技术领域,其具体地公开了一种智能电表的预付费系统及其方法,其包括:数据采集模块、用电量时序排列模块、用电量时序相对变化分布模块、用电量时序关联特征提取模块、特征表达强化模块和电费预估模块,其首先获取由智能电表采集的预定时间段内的多天的用电量数据,然后,通过人工智能和深度学习技术来进行所述用户的用电量历史数据的时序动态变化特征信息的充分表达,以此来进行该用户的用电量趋势进行精准分析,从而准确地预估下个月的用电量数据,并基于预测的用电量来生成预估电费,提升用户的满意度。
Description
技术领域
本申请涉及智能监控技术领域,且更为具体地,涉及一种智能电表的预付费系统及其方法。
背景技术
随着科技的不断发展和人们对节能环保的日益重视,智能电表预付费系统已经逐步普及。智能电表的预付费系统是一种管理用户电能消耗和缴纳电费的新型方式,其能够解决传统电表预付费系统中因人工操作导致的低效率和易出错的问题,从而能够切实提高电力供应公司的经营效率,同时也更加方便了用户缴纳电费。但是,现有的智能电表预付费系统对用户的电量追踪和监测能力较为有限,无法精确反映实际用电情况和趋势,导致费用估算的不确定性增加,给用户带来很多困扰。
因此,期望一种优化的智能电表的预付费系统。
发明内容
本申请提供一种智能电表的预付费系统及其方法,其首先获取由智能电表采集的预定时间段内的多天的用电量数据,然后,通过人工智能和深度学习技术来进行所述用户的用电量历史数据的时序动态变化特征信息的充分表达,以此来进行该用户的用电量趋势进行精准分析,从而准确地预估下个月的用电量数据,并基于预测的用电量来生成预估电费,提升用户的满意度。
第一方面,提供了一种智能电表的预付费系统,所述系统包括:数据采集模块,用于获取由智能电表采集的预定时间段内的多天的用电量数据;用电量时序排列模块,用于将所述预定时间段内的多天的用电量数据按照时间维度排列为用电量绝对数据时序输入向量;用电量时序相对变化分布模块,用于计算所述用电量绝对数据时序输入向量中每相邻两个位置的用电量数据之间的差值以得到用电量时序输入向量;用电量时序关联特征提取模块,用于将所述用电量时序输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度用电量时序关联特征提取器以得到用电量时序关联特征向量;特征表达强化模块,用于使用高斯密度图对所述用电量时序关联特征向量进行特征表达强化以得到解码特征矩阵;以及,电费预估模块,用于将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示下个月的电费预估值。
结合第一方面,在第一方面的一种实现方式中,所述用电量时序关联特征提取模块,包括:第一尺度用电量时序关联编码单元,用于使用所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型对所述用电量时序输入向量进行基于第一尺度的一维卷积核的特征提取以得到第一尺度用电量时序关联特征向量;第二尺度用电量时序关联编码单元,用于使用所述多尺度用电量时序关联特征提取器的第二卷积神经网络模型对所述用电量时序输入向量进行基于第二尺度的一维卷积核的特征提取以得到第二尺度用电量时序关联特征向量,所述第一尺度不同于所述第二尺度;特征融合单元,用于对所述第一尺度用电量时序关联特征向量和所述第二尺度用电量时序关联特征向量进行局部序列语义的片段式富化融合以得到所述用电量时序关联特征向量。
结合第一方面,在第一方面的一种实现方式中,所述第一尺度用电量时序关联编码单元,用于:使用所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于第一尺度的一维卷积核的卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型的最后一层输出所述第一尺度用电量时序关联特征向量,其中,所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型的输入为所述用电量时序输入向量。
结合第一方面,在第一方面的一种实现方式中,所述第二尺度用电量时序关联编码单元,用于:使用所述多尺度用电量时序关联特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于第二尺度的一维卷积核的卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述多尺度用电量时序关联特征提取器的第二卷积神经网络模型的最后一层输出所述第二尺度用电量时序关联特征向量,其中,所述多尺度用电量时序关联特征提取器的第二卷积神经网络模型的输入为所述用电量时序输入向量。
结合第一方面,在第一方面的一种实现方式中,所述特征融合单元,用于:以如下优化公式对所述第一尺度用电量时序关联特征向量和所述第二尺度用电量时序关联特征向量进行局部序列语义的片段式富化融合以得到所述用电量时序关联特征向量;其中,所述优化公式为:
其中,V1是所述第一尺度用电量时序关联特征向量,V2是所述第二尺度用电量时序关联特征向量,D(V1,V2)为所述第一尺度用电量时序关联特征向量和所述第二尺度用电量时序关联特征向量之间的距离矩阵,V1和V2均为列向量,且α是权重超参数,表示向量乘法,/>表示向量加法,V3是所述用电量时序关联特征向量。
结合第一方面,在第一方面的一种实现方式中,所述特征表达强化模块,包括:高斯密度图构造单元,用于以如下密度图构造公式来构造所述用电量时序关联特征向量的高斯密度图;其中,所述密度图构造公式为:其中μ是所述用电量时序关联特征向量,而σ是所述用电量时序关联特征向量中相应两个位置的特征值之间的方差,x是所述高斯密度图的变量,/>表示高斯密度概率函数;以及,高斯离散单元,用于对所述高斯密度图中各个位置的高斯分布进行高斯离散化处理以得到所述解码特征矩阵。
结合第一方面,在第一方面的一种实现方式中,所述电费预估模块,用于:使用所述解码器以如下解码公式对所述解码特征矩阵进行解码回归以得到所述用于表示下个月的电费预估值的解码值,其中,所述解码公式为 其中,X是所述解码特征矩阵,Y是所述用于表示下个月的电费预估值的解码值,W是权重矩阵,/>表示矩阵乘法。
第二方面,提供了一种智能电表的预付费方法,所述方法包括:获取由智能电表采集的预定时间段内的多天的用电量数据;将所述预定时间段内的多天的用电量数据按照时间维度排列为用电量绝对数据时序输入向量;计算所述用电量绝对数据时序输入向量中每相邻两个位置的用电量数据之间的差值以得到用电量时序输入向量;将所述用电量时序输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度用电量时序关联特征提取器以得到用电量时序关联特征向量;使用高斯密度图对所述用电量时序关联特征向量进行特征表达强化以得到解码特征矩阵;以及,将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示下个月的电费预估值。
结合第二方面,在第二方面的一种实现方式中,将所述用电量时序输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度用电量时序关联特征提取器以得到用电量时序关联特征向量,包括:使用所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型对所述用电量时序输入向量进行基于第一尺度的一维卷积核的特征提取以得到第一尺度用电量时序关联特征向量;使用所述多尺度用电量时序关联特征提取器的第二卷积神经网络模型对所述用电量时序输入向量进行基于第二尺度的一维卷积核的特征提取以得到第二尺度用电量时序关联特征向量,所述第一尺度不同于所述第二尺度;对所述第一尺度用电量时序关联特征向量和所述第二尺度用电量时序关联特征向量进行局部序列语义的片段式富化融合以得到所述用电量时序关联特征向量。
结合第一方面,在第一方面的一种实现方式中,使用所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型对所述用电量时序输入向量进行基于第一尺度的一维卷积核的特征提取以得到第一尺度用电量时序关联特征向量,用于:使用所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于第一尺度的一维卷积核的卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型的最后一层输出所述第一尺度用电量时序关联特征向量,其中,所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型的输入为所述用电量时序输入向量。
第三方面,提供了一种芯片,该芯片包括输入输出接口、至少一个处理器、至少一个存储器和总线,该至少一个存储器用于存储指令,该至少一个处理器用于调用该至少一个存储器中的指令,以执行第二方面中的方法。
第四方面,提供了一种计算机可读介质,用于存储计算机程序,所述计算机程序包括用于执行上述第二方面中的方法。
第五方面,提供了一种包括指令的计算机程序产品,当计算机运行所述计算机程序产品的所述指时,所述计算机执行上述第二方面中的方法。
本申请提供的一种智能电表的预付费系统及其方法,其首先获取由智能电表采集的预定时间段内的多天的用电量数据,然后,通过人工智能和深度学习技术来进行所述用户的用电量历史数据的时序动态变化特征信息的充分表达,以此来进行该用户的用电量趋势进行精准分析,从而准确地预估下个月的用电量数据,并基于预测的用电量来生成预估电费,提升用户的满意度。
附图说明
图1为本申请实施例的智能电表的预付费系统的示意性框图。
图2为本申请实施例的智能电表的预付费系统中用电量时序关联特征提取模块的结构示意图。
图3为本申请实施例的智能电表的预付费系统中特征表达强化模块的示意性框图。
图4为本申请实施例的智能电表的预付费方法的示意性流程图。
图5为本申请实施例的智能电表的预付费方法的模型架构的示意图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
这里由于涉及到基于深度学习的深度神经网络模型,下面先对本申请实施例可能涉及的深度神经网络模型的相关术语和概念进行介绍。
在深度神经网络模型中,隐藏层可以是卷积层和池化层。卷积层对应的一组权重值被称为滤波器,也被称为卷积核。滤波器和输入特征值都被表示为一个多维矩阵,对应地,表示成多维矩阵的滤波器也称为滤波器矩阵,表示成多维矩阵的输入特征值也称为输入特征矩阵,当然,除了可以输入特征矩阵,也可以输入特征图像,特征向量,这里只是以输入特征矩阵进行举例。卷积层的运算称为卷积运算,该卷积运算指的是,输入特征矩阵的一部分特征值与滤波器矩阵的权重值进行内积操作。
深度神经网络模型中每一个卷积层的运算过程可以被编成软件,然后通过在运算装置中运行该软件,得到每层网络的输出结果,即输出特征矩阵。例如,软件通过滑动窗口的方式,以每层网络的输入特征矩阵的左上角为起点,以滤波器大小为窗口,每次从特征值矩阵中提取一个窗口的数据与滤波器进行内积操作。当输入特征矩阵的右下角窗口的数据与滤波器完成内积操作后,便可得到每层网络的一个二维的输出特征矩阵。软件重复上述过程,直至产生每层网络的整个输出特征矩阵。
卷积层运算的过程为,将一个滤波器大小的窗口滑动过整个输入图像(即输入特征矩阵),在每个时刻对窗口内覆盖的输入特征值与该滤波器进行内积运算,其中,窗口滑动的步长为1。具体地,以输入特征矩阵的左上角为起点,以滤波器大小为窗口,窗口滑动的步长为1,每次从特征值矩阵中提取一个窗口的输入特征值与滤波器进行内积操作,当输入特征矩阵的右下角的数据与滤波器完成内积操作后,便可得到该输入特征矩阵的一个二维的输出特征矩阵。
由于常常需要减少训练参数的数量,因此卷积层之后常常需要周期性的引入池化层,在图像处理过程中,池化层的唯一目的就是减少图像的空间大小。池化层可以包括平均池化算子和/或最大池化算子,以用于对输入图像进行采样得到较小尺寸的图像。平均池化算子可以在特定范围内对图像中的像素值进行计算产生平均值作为平均池化的结果。最大池化算子可以在特定范围内取该范围内值最大的像素作为最大池化的结果。另外,就像卷积层中用权重矩阵的大小应该与图像尺寸相关一样,池化层中的运算符也应该与图像的大小相关。通过池化层处理后输出的图像尺寸可以小于输入池化层的图像的尺寸,池化层输出的图像中每个像素点表示输入池化层的图像的对应子区域的平均值或最大值。
由于实际在深度神经网络中需要模拟的函数往往是非线性的,而前面卷积和池化只能模拟线性函数,为了在深度神经网络模型中,引入非线性因素,以增加整个网络的表征能力,在池化层过后还会设置有激活层,激活层中设置有激活函数,常用的激励函数有sigmoid、tanh、ReLU函数等。
如上所述,现有的智能电表预付费系统对用户的电量追踪和监测能力较为有限,无法精确反映实际用电情况和趋势,导致费用估算的不确定性增加,给用户带来很多困扰。因此,期望一种优化的智能电表的预付费系统。
相应地,考虑到在智能电表的预付费系统中,关键在于对于用户的用电量趋势进行准确分析,从而能够更加准确地计算下个月的电费用量,并提供相应的费用预估信息。因此,在本申请的技术方案中,期望基于对智能电表所采集的用户用电量历史数据进行分析来进行下个月的用电量预测,继而基于预测的用电量来生成预估电费,以便于用户提前合理缴费,避免失信或者停电的麻烦,提升用户的满意度。但是,由于用户的用电量历史数据中存在的数据量较多,而用电量数据在时序上的变化特征为小尺的细微变化特征信息,难以在实际监测的过程中对其进行充分捕捉分析,导致对于电费预估的精准度较低。因此,在此过程中,难点在于如何进行所述用户的用电量历史数据的时序动态变化特征信息的充分表达,以此来进行该用户的用电量趋势进行精准分析,从而准确地预估下个月的用电量数据,并基于预测的用电量来生成预估电费,提升用户的满意度。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述输出电压信号中关于输出电压的稳定性特征和异常特征信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取由智能电表采集的预定时间段内的多天的用电量数据。应可以理解,通过对多天的用电量数据进行综合分析和统计,可以发现用户的用电规律、习惯以及节能潜力等等因素。此外,所述多天的用电量数据也为建立模型提供了更加详尽的数据样本,有利于提高模型的准确性和可靠性。
接着,考虑到由于通过所述智能电表采集的所述用电量数据具有时序性。也就是说,用户的用电行为是随着时间变化而发生变化的,而这种变化可以通过时序数据的方式来描述和反映。在建立模型的过程中,若将所述多天的用电量数据进行聚合得到单一数值进行建模,会忽略不同时间点之间的关联性,丢失重要信息。因此,在本申请的技术方案中,进一步将所述预定时间段内的多天的用电量数据按照时间维度排列为用电量绝对数据时序输入向量。这样有利于模型学习所述用电量数据的时间序列变化,增加了时序特征的响应性,能够更准确地反映出用户用电行为随时间的演变趋势,以提高电费预估结果的准确性和可靠性。
然后,计算所述用电量绝对数据时序输入向量中每相邻两个位置的用电量数据之间的差值,可以得到用电量时序输入向量。应可以理解,通常情况下,一些毫无规律和意义的噪声会影响用电量绝对数据的波动程度,使得模型难以捕捉到真实的用电行为规律,而用电量的差分数据能够消除噪声干扰,突出用电量序列内在的变化趋势,有利于生成更加准确的模型预测结果。并且,所述用电量差分数据还可以帮助模型更好地学习所述用电量数据的变化速率和趋势,从而提高预测准确度。这样,在模型构建过程中,不仅可以去除一定的噪声干扰,同时也保留了用电量序列内在的特征信息,让模型更具有判别性和泛化能力,更加准确地进行用电量的预测。
进一步地,考虑到由于所述用电量数据在时间维度上具有着波动性和不确定性,导致其在时序上的不同时间周期跨度下呈现出不同的变化模式。因此,在本申请的技术方案中,为了能够充分地进行所述用电量数据的时序变化特征表达,进一步将所述用电量时序输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度用电量时序关联特征提取器以得到用电量时序关联特征向量。特别地,这里,所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用不同尺度的一维卷积核来进行所述用电量时序输入向量的特征挖掘,以提取出所述用电量数据在不同时间跨度下的多尺度时序关联特征信息。
然后,还考虑到由于所述用电量数据的时序动态变化在实际监测的过程中并不明显,因此,在得到所述用电量数据的时序多尺度动态变化特征后,期望对其进行特征表达强化。应可以理解,作为神经网络模型的学习目标,高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布,也就是,以特征分布作为先验分布,来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布,从而在更高维度上更准确地描述特征分布。因此,在本申请的技术方案中,可以通过所述用电量数据的先验分布,即高斯分布,来对于所述用电量数据的时序多尺度动态隐含关联特征进行数据增强,也就是,使用高斯密度图对所述用电量时序关联特征向量进行特征表达强化以得到解码特征矩阵。
接着,再将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示下个月的电费预估值。也就是说,以特征表达强化后的关于所述用电量数据的时序多尺度动态变化特征来进行解码,从而对于用户的用电量趋势进行精准分析,以准确预估下个月的用电量数据,并基于预测的用电量来生成预估电费,提升用户的满意度。
特别地,在本申请的技术方案中,在将所述用电量时序输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度用电量时序关联特征提取器得到所述用电量时序关联特征向量时,需要将所述第一卷积神经网络模型和所述第二卷积神经网络模型得到的第一尺度用电量时序关联特征向量和第二尺度用电量时序关联特征向量融合以得到所述用电量时序关联特征向量。并且,考虑到所述第一卷积神经网络模型和所述第二卷积神经网络模型分别提取不同尺度下的用电量局部时序关联特征,因此所述第一尺度用电量时序关联特征向量和所述第二尺度用电量时序关联特征向量的特征分布均具有局部时序片段特征表达特性,因此期望提升所述第一尺度用电量时序关联特征向量和所述第二尺度用电量时序关联特征向量之间的基于特征片段粒度的局部序列分布的融合效果。
基于此,本申请的申请人对所述第一尺度用电量时序关联特征向量,例如记为V1及所述第二尺度用电量时序关联特征向量,例如记为V2进行局部序列语义的片段式富化融合,以获得所述用电量时序关联特征向量,例如记为V3,具体表示为:
D(V1,V2)为特征向量V1和特征向量V2之间的距离矩阵,即di,j=d(v1i,v2j),V1和V2均为列向量,且α是权重超参数。
这里,所述局部序列语义的片段式富化融合基于序列的片段特征分布对序列的预定分布方向上的方向性语义的编码效果,来以序列片段之间的相似性嵌入作为用于序列间关联的重加权因数,从而对序列之间在各个片段级别的基于特征表象(featureappearance)的相似性进行捕获,实现了所述第一尺度用电量时序关联特征向量V1和所述第二尺度用电量时序关联特征向量V2的局部片段级语义的富化式融合,这样,就可以提升所述用电量时序关联特征向量对于不同尺度的用电量局部时序关联特征的融合效果,从而提升所述用电量时序关联特征向量的特征表达效果。这样,能够基于用户的用电量趋势来准确地预估下个月的用电量数据,并基于预测的用电量来生成预估电费,提升用户的满意度。
以上在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
图1为本申请实施例的智能电表的预付费系统的示意性框图。如图1所示,智能电表的预付费系统100,包括:
数据采集模块110,用于获取由智能电表采集的预定时间段内的多天的用电量数据。应可以理解,通过对多天的用电量数据进行综合分析和统计,可以发现用户的用电规律、习惯以及节能潜力等等因素。此外,所述多天的用电量数据也为建立模型提供了更加详尽的数据样本,有利于提高模型的准确性和可靠性。
用电量时序排列模块120,用于将所述预定时间段内的多天的用电量数据按照时间维度排列为用电量绝对数据时序输入向量。应可以理解,考虑到由于通过所述智能电表采集的所述用电量数据具有时序性。也就是说,用户的用电行为是随着时间变化而发生变化的,而这种变化可以通过时序数据的方式来描述和反映。在建立模型的过程中,若将所述多天的用电量数据进行聚合得到单一数值进行建模,会忽略不同时间点之间的关联性,丢失重要信息。因此,在本申请的技术方案中,进一步将所述预定时间段内的多天的用电量数据按照时间维度排列为用电量绝对数据时序输入向量。这样有利于模型学习所述用电量数据的时间序列变化,增加了时序特征的响应性,能够更准确地反映出用户用电行为随时间的演变趋势,以提高电费预估结果的准确性和可靠性。
用电量时序相对变化分布模块130,用于计算所述用电量绝对数据时序输入向量中每相邻两个位置的用电量数据之间的差值以得到用电量时序输入向量。应可以理解,通常情况下,一些毫无规律和意义的噪声会影响用电量绝对数据的波动程度,使得模型难以捕捉到真实的用电行为规律,而用电量的差分数据能够消除噪声干扰,突出用电量序列内在的变化趋势,有利于生成更加准确的模型预测结果。并且,所述用电量差分数据还可以帮助模型更好地学习所述用电量数据的变化速率和趋势,从而提高预测准确度。这样,在模型构建过程中,不仅可以去除一定的噪声干扰,同时也保留了用电量序列内在的特征信息,让模型更具有判别性和泛化能力,更加准确地进行用电量的预测。
用电量时序关联特征提取模块140,用于将所述用电量时序输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度用电量时序关联特征提取器以得到用电量时序关联特征向量。应可以理解,考虑到由于所述用电量数据在时间维度上具有着波动性和不确定性,导致其在时序上的不同时间周期跨度下呈现出不同的变化模式。因此,在本申请的技术方案中,为了能够充分地进行所述用电量数据的时序变化特征表达,进一步将所述用电量时序输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度用电量时序关联特征提取器以得到用电量时序关联特征向量。特别地,这里,所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用不同尺度的一维卷积核来进行所述用电量时序输入向量的特征挖掘,以提取出所述用电量数据在不同时间跨度下的多尺度时序关联特征信息。
图2为本申请实施例的智能电表的预付费系统中用电量时序关联特征提取模块的结构示意图。如图2所示,所述用电量时序关联特征提取模块140,包括:第一尺度用电量时序关联编码单元141,用于使用所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型对所述用电量时序输入向量进行基于第一尺度的一维卷积核的特征提取以得到第一尺度用电量时序关联特征向量;第二尺度用电量时序关联编码单元142,用于使用所述多尺度用电量时序关联特征提取器的第二卷积神经网络模型对所述用电量时序输入向量进行基于第二尺度的一维卷积核的特征提取以得到第二尺度用电量时序关联特征向量,所述第一尺度不同于所述第二尺度;以及,特征融合单元143,用于对所述第一尺度用电量时序关联特征向量和所述第二尺度用电量时序关联特征向量进行局部序列语义的片段式富化融合以得到所述用电量时序关联特征向量。
可选地,在本申请一实施例中,所述第一尺度用电量时序关联编码单元141,用于:使用所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于第一尺度的一维卷积核的卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型的最后一层输出所述第一尺度用电量时序关联特征向量,其中,所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型的输入为所述用电量时序输入向量。
可选地,在本申请一实施例中,所述第二尺度用电量时序关联编码单元142,用于:使用所述多尺度用电量时序关联特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于第二尺度的一维卷积核的卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述多尺度用电量时序关联特征提取器的第二卷积神经网络模型的最后一层输出所述第二尺度用电量时序关联特征向量,其中,所述多尺度用电量时序关联特征提取器的第二卷积神经网络模型的输入为所述用电量时序输入向量。
特别地,在本申请的技术方案中,在将所述用电量时序输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度用电量时序关联特征提取器得到所述用电量时序关联特征向量时,需要将所述第一卷积神经网络模型和所述第二卷积神经网络模型得到的第一尺度用电量时序关联特征向量和第二尺度用电量时序关联特征向量融合以得到所述用电量时序关联特征向量。并且,考虑到所述第一卷积神经网络模型和所述第二卷积神经网络模型分别提取不同尺度下的用电量局部时序关联特征,因此所述第一尺度用电量时序关联特征向量和所述第二尺度用电量时序关联特征向量的特征分布均具有局部时序片段特征表达特性,因此期望提升所述第一尺度用电量时序关联特征向量和所述第二尺度用电量时序关联特征向量之间的基于特征片段粒度的局部序列分布的融合效果。基于此,本申请的申请人对所述第一尺度用电量时序关联特征向量,例如记为V1及所述第二尺度用电量时序关联特征向量,例如记为V2进行局部序列语义的片段式富化融合,以获得所述用电量时序关联特征向量,例如记为V3。
可选地,在本申请一实施例中,所述特征融合单元143,用于:以如下优化公式对所述第一尺度用电量时序关联特征向量和所述第二尺度用电量时序关联特征向量进行局部序列语义的片段式富化融合以得到所述用电量时序关联特征向量;
其中,所述优化公式为:
其中,V1是所述第一尺度用电量时序关联特征向量,V2是所述第二尺度用电量时序关联特征向量,D(V1,V2)为所述第一尺度用电量时序关联特征向量和所述第二尺度用电量时序关联特征向量之间的距离矩阵,V1和V2均为列向量,且α是权重超参数,表示向量乘法,/>表示向量加法,V3是所述用电量时序关联特征向量。
这里,所述局部序列语义的片段式富化融合基于序列的片段特征分布对序列的预定分布方向上的方向性语义的编码效果,来以序列片段之间的相似性嵌入作为用于序列间关联的重加权因数,从而对序列之间在各个片段级别的基于特征表象(featureappearance)的相似性进行捕获,实现了所述第一尺度用电量时序关联特征向量V1和所述第二尺度用电量时序关联特征向量V2的局部片段级语义的富化式融合,这样,就可以提升所述用电量时序关联特征向量对于不同尺度的用电量局部时序关联特征的融合效果,从而提升所述用电量时序关联特征向量的特征表达效果。这样,能够基于用户的用电量趋势来准确地预估下个月的用电量数据,并基于预测的用电量来生成预估电费,提升用户的满意度。
特征表达强化模块150,用于使用高斯密度图对所述用电量时序关联特征向量进行特征表达强化以得到解码特征矩阵。应可以理解,考虑到由于所述用电量数据的时序动态变化在实际监测的过程中并不明显,因此,在得到所述用电量数据的时序多尺度动态变化特征后,期望对其进行特征表达强化。应可以理解,作为神经网络模型的学习目标,高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布,也就是,以特征分布作为先验分布,来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布,从而在更高维度上更准确地描述特征分布。因此,在本申请的技术方案中,可以通过所述用电量数据的先验分布,即高斯分布,来对于所述用电量数据的时序多尺度动态隐含关联特征进行数据增强,也就是,使用高斯密度图对所述用电量时序关联特征向量进行特征表达强化以得到解码特征矩阵。
图3为本申请实施例的智能电表的预付费系统中特征表达强化模块的示意性框图。如图3所示,所述特征表达强化模块150,包括:高斯密度图构造单元151,用于以如下密度图构造公式来构造所述用电量时序关联特征向量的高斯密度图;其中,所述密度图构造公式为:其中μ是所述用电量时序关联特征向量,而σ是所述用电量时序关联特征向量中相应两个位置的特征值之间的方差,x是所述高斯密度图的变量,/>表示高斯密度概率函数;以及,高斯离散单元152,用于对所述高斯密度图中各个位置的高斯分布进行高斯离散化处理以得到所述解码特征矩阵。
电费预估模块160,用于将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示下个月的电费预估值。应可以理解,以特征表达强化后的关于所述用电量数据的时序多尺度动态变化特征来进行解码,从而对于用户的用电量趋势进行精准分析,以准确预估下个月的用电量数据,并基于预测的用电量来生成预估电费,提升用户的满意度。
可选地,在本申请一实施例中,所述电费预估模块160,用于:使用所述解码器以如下解码公式对所述解码特征矩阵进行解码回归以得到所述用于表示下个月的电费预估值的解码值,其中,所述解码公式为其中,X是所述解码特征矩阵,Y是所述用于表示下个月的电费预估值的解码值,W是权重矩阵,/>表示矩阵乘法。
综上,本申请提供的一种智能电表的预付费系统,其首先获取由智能电表采集的预定时间段内的多天的用电量数据,然后,通过人工智能和深度学习技术来进行所述用户的用电量历史数据的时序动态变化特征信息的充分表达,以此来进行该用户的用电量趋势进行精准分析,从而准确地预估下个月的用电量数据,并基于预测的用电量来生成预估电费,提升用户的满意度。
图4为本申请实施例的智能电表的预付费方法的示意性流程图。如图4所示,该方法包括:S110,获取由智能电表采集的预定时间段内的多天的用电量数据;S120,将所述预定时间段内的多天的用电量数据按照时间维度排列为用电量绝对数据时序输入向量;S130,计算所述用电量绝对数据时序输入向量中每相邻两个位置的用电量数据之间的差值以得到用电量时序输入向量;S140,将所述用电量时序输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度用电量时序关联特征提取器以得到用电量时序关联特征向量;S150,使用高斯密度图对所述用电量时序关联特征向量进行特征表达强化以得到解码特征矩阵;以及,S160,将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示下个月的电费预估值。
图5为本申请实施例的智能电表的预付费方法的模型架构的示意图。如图5所示,所述智能电表的预付费方法的模型架构的输入为预定时间段内的多天的用电量数据。首先,将所述预定时间段内的多天的用电量数据按照时间维度排列为用电量绝对数据时序输入向量,并计算所述用电量绝对数据时序输入向量中每相邻两个位置的用电量数据之间的差值以得到用电量时序输入向量。然后,将所述用电量时序输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度用电量时序关联特征提取器以得到用电量时序关联特征向量。接着,使用高斯密度图对所述用电量时序关联特征向量进行特征表达强化以得到解码特征矩阵。最后将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示下个月的电费预估值。
这里,本领域技术人员可以理解,上述智能电表的预付费方法中的各个步骤的具体操作已经在上面参考图1到图3的智能电表的预付费系统的描述中得到了详细介绍,并因此,将省略其重复描述。
本发明实施例还提供一种芯片系统,芯片系统包括至少一个处理器,当程序指令在该至少一个处理器中执行时,使得本申请实施例提供的方法得以实现。
本发明实施例还提供一种计算机存储介质,其上存储有计算机程序,该计算机程序被计算机执行时使得,该计算机执行上述方法实施例的方法。
本发明实施例还提供一种包含指令的计算机程序产品,该指令被计算机执行时使得计算机执行上述方法实施例的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其他任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,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单元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单元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。
Claims (4)
1.一种智能电表的预付费系统,其特征在于,包括:
数据采集模块,用于获取由智能电表采集的预定时间段内的多天的用电量数据;
用电量时序排列模块,用于将所述预定时间段内的多天的用电量数据按照时间维度排列为用电量绝对数据时序输入向量;
用电量时序相对变化分布模块,用于计算所述用电量绝对数据时序输入向量中每相邻两个位置的用电量数据之间的差值以得到用电量时序输入向量;
用电量时序关联特征提取模块,用于将所述用电量时序输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度用电量时序关联特征提取器以得到用电量时序关联特征向量;
特征表达强化模块,用于使用高斯密度图对所述用电量时序关联特征向量进行特征表达强化以得到解码特征矩阵;以及
电费预估模块,用于将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示下个月的电费预估值;
其中,所述用电量时序关联特征提取模块,包括:
第一尺度用电量时序关联编码单元,用于使用所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型对所述用电量时序输入向量进行基于第一尺度的一维卷积核的特征提取以得到第一尺度用电量时序关联特征向量;
第二尺度用电量时序关联编码单元,用于使用所述多尺度用电量时序关联特征提取器的第二卷积神经网络模型对所述用电量时序输入向量进行基于第二尺度的一维卷积核的特征提取以得到第二尺度用电量时序关联特征向量,其中,所述第一尺度不同于所述第二尺度;
特征融合单元,用于对所述第一尺度用电量时序关联特征向量和所述第二尺度用电量时序关联特征向量进行局部序列语义的片段式富化融合以得到所述用电量时序关联特征向量;
其中,所述第一尺度用电量时序关联编码单元,用于:使用所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于第一尺度的一维卷积核的卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型的最后一层输出所述第一尺度用电量时序关联特征向量,其中,所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型的输入为所述用电量时序输入向量;
其中,所述第二尺度用电量时序关联编码单元,用于:使用所述多尺度用电量时序关联特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于第二尺度的一维卷积核的卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述多尺度用电量时序关联特征提取器的第二卷积神经网络模型的最后一层输出所述第二尺度用电量时序关联特征向量,其中,所述多尺度用电量时序关联特征提取器的第二卷积神经网络模型的输入为所述用电量时序输入向量;
其中,所述特征融合单元,用于:以如下优化公式对所述第一尺度用电量时序关联特征向量和所述第二尺度用电量时序关联特征向量进行局部序列语义的片段式富化融合以得到所述用电量时序关联特征向量;
其中,所述优化公式为:
其中,V1是所述第一尺度用电量时序关联特征向量,V2是所述第二尺度用电量时序关联特征向量,D(V1,V2)为所述第一尺度用电量时序关联特征向量和所述第二尺度用电量时序关联特征向量之间的距离矩阵,V1和V2均为列向量,且α是权重超参数,表示向量乘法,/>表示向量加法,V3是所述用电量时序关联特征向量。
2.根据权利要求1所述的智能电表的预付费系统,其特征在于,所述特征表达强化模块,包括:
高斯密度图构造单元,用于以如下密度图构造公式来构造所述用电量时序关联特征向量的高斯密度图;
其中,所述密度图构造公式为:其中μ是所述用电量时序关联特征向量,而σ是所述用电量时序关联特征向量中相应两个位置的特征值之间的方差,x是所述高斯密度图的变量,/>表示高斯密度概率函数;以及
高斯离散单元,用于对所述高斯密度图中各个位置的高斯分布进行高斯离散化处理以得到所述解码特征矩阵。
3.根据权利要求2所述的智能电表的预付费系统,其特征在于,所述电费预估模块,用于:使用所述解码器以如下解码公式对所述解码特征矩阵进行解码回归以得到所述用于表示下个月的电费预估值的解码值,其中,所述解码公式为其中,X是所述解码特征矩阵,Y是所述用于表示下个月的电费预估值的解码值,W是权重矩阵,/>表示矩阵乘法。
4.一种智能电表的预付费方法,其特征在于,包括:
获取由智能电表采集的预定时间段内的多天的用电量数据;
将所述预定时间段内的多天的用电量数据按照时间维度排列为用电量绝对数据时序输入向量;
计算所述用电量绝对数据时序输入向量中每相邻两个位置的用电量数据之间的差值以得到用电量时序输入向量;
将所述用电量时序输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度用电量时序关联特征提取器以得到用电量时序关联特征向量;
使用高斯密度图对所述用电量时序关联特征向量进行特征表达强化以得到解码特征矩阵;以及
将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示下个月的电费预估值;
其中,将所述用电量时序输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度用电量时序关联特征提取器以得到用电量时序关联特征向量,包括:
使用所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型对所述用电量时序输入向量进行基于第一尺度的一维卷积核的特征提取以得到第一尺度用电量时序关联特征向量;
使用所述多尺度用电量时序关联特征提取器的第二卷积神经网络模型对所述用电量时序输入向量进行基于第二尺度的一维卷积核的特征提取以得到第二尺度用电量时序关联特征向量,所述第一尺度不同于所述第二尺度;
对所述第一尺度用电量时序关联特征向量和所述第二尺度用电量时序关联特征向量进行局部序列语义的片段式富化融合以得到所述用电量时序关联特征向量;
其中,使用所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型对所述用电量时序输入向量进行基于第一尺度的一维卷积核的特征提取以得到第一尺度用电量时序关联特征向量,包括:使用所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于第一尺度的一维卷积核的卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型的最后一层输出所述第一尺度用电量时序关联特征向量,其中,所述多尺度用电量时序关联特征提取器的第一卷积神经网络模型的输入为所述用电量时序输入向量;
其中,使用所述多尺度用电量时序关联特征提取器的第二卷积神经网络模型对所述用电量时序输入向量进行基于第二尺度的一维卷积核的特征提取以得到第二尺度用电量时序关联特征向量,包括:使用所述多尺度用电量时序关联特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于第二尺度的一维卷积核的卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述多尺度用电量时序关联特征提取器的第二卷积神经网络模型的最后一层输出所述第二尺度用电量时序关联特征向量,其中,所述多尺度用电量时序关联特征提取器的第二卷积神经网络模型的输入为所述用电量时序输入向量;
其中,对所述第一尺度用电量时序关联特征向量和所述第二尺度用电量时序关联特征向量进行局部序列语义的片段式富化融合以得到所述用电量时序关联特征向量,包括:以如下优化公式对所述第一尺度用电量时序关联特征向量和所述第二尺度用电量时序关联特征向量进行局部序列语义的片段式富化融合以得到所述用电量时序关联特征向量;
其中,所述优化公式为:
其中,V1是所述第一尺度用电量时序关联特征向量,V2是所述第二尺度用电量时序关联特征向量,D(V1,V2)为所述第一尺度用电量时序关联特征向量和所述第二尺度用电量时序关联特征向量之间的距离矩阵,V1和V2均为列向量,且α是权重超参数,表示向量乘法,/>表示向量加法,V3是所述用电量时序关联特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310736404.6A CN116777452B (zh) | 2023-06-20 | 2023-06-20 | 智能电表的预付费系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310736404.6A CN116777452B (zh) | 2023-06-20 | 2023-06-20 | 智能电表的预付费系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116777452A CN116777452A (zh) | 2023-09-19 |
CN116777452B true CN116777452B (zh) | 2024-01-23 |
Family
ID=87985388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310736404.6A Active CN116777452B (zh) | 2023-06-20 | 2023-06-20 | 智能电表的预付费系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777452B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330078A (zh) * | 2021-01-04 | 2021-02-05 | 南方电网数字电网研究院有限公司 | 用电量预测方法、装置、计算机设备和存储介质 |
CN113449919A (zh) * | 2021-06-29 | 2021-09-28 | 国网山东省电力公司菏泽供电公司 | 一种基于特征和趋势感知的用电量预测方法及系统 |
WO2022021727A1 (zh) * | 2020-07-29 | 2022-02-03 | 国网甘肃省电力公司 | 城市综合体用电量预测方法、装置、电子设备及存储介质 |
CN114519471A (zh) * | 2022-03-28 | 2022-05-20 | 杭州电子科技大学 | 一种基于时序数据周期性的用电负荷预测方法 |
CN115953183A (zh) * | 2023-02-07 | 2023-04-11 | 上海合煌能源科技有限公司 | 面向现货市场的售电公司购售电风险预测系统及其方法 |
-
2023
- 2023-06-20 CN CN202310736404.6A patent/CN116777452B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022021727A1 (zh) * | 2020-07-29 | 2022-02-03 | 国网甘肃省电力公司 | 城市综合体用电量预测方法、装置、电子设备及存储介质 |
CN112330078A (zh) * | 2021-01-04 | 2021-02-05 | 南方电网数字电网研究院有限公司 | 用电量预测方法、装置、计算机设备和存储介质 |
CN113449919A (zh) * | 2021-06-29 | 2021-09-28 | 国网山东省电力公司菏泽供电公司 | 一种基于特征和趋势感知的用电量预测方法及系统 |
CN114519471A (zh) * | 2022-03-28 | 2022-05-20 | 杭州电子科技大学 | 一种基于时序数据周期性的用电负荷预测方法 |
CN115953183A (zh) * | 2023-02-07 | 2023-04-11 | 上海合煌能源科技有限公司 | 面向现货市场的售电公司购售电风险预测系统及其方法 |
Non-Patent Citations (1)
Title |
---|
基于时序分解的用电负荷分析与预测;王旭强;陈艳龙;杨青;刘红昌;;计算机工程与应用(第20期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116777452A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110376457B (zh) | 基于半监督学习算法的非侵入式负荷监测方法及装置 | |
CN111144542B (zh) | 油井产能预测方法、装置和设备 | |
CN113568819B (zh) | 异常数据检测方法、装置、计算机可读介质及电子设备 | |
CN110210513B (zh) | 数据分类方法、装置及终端设备 | |
CN109522961B (zh) | 一种基于字典深度学习的半监督图像分类方法 | |
CN111047078B (zh) | 交通特征预测方法、系统及存储介质 | |
CN112668238B (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
Xiong et al. | Contextual Sa-attention convolutional LSTM for precipitation nowcasting: A spatiotemporal sequence forecasting view | |
CN113687433A (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
Li et al. | Dept: depth estimation by parameter transfer for single still images | |
CN115994608A (zh) | 基于双向门控循环单元的压裂井产量预测方法及装置 | |
CN115130894A (zh) | 基于人工智能的生产规划方法、装置、计算机设备及介质 | |
CN116028798A (zh) | 水害预警数据处理方法、装置、计算机设备和存储介质 | |
CN115146700A (zh) | 一种基于Transformer序列到序列模型的径流预测方法 | |
CN113420506A (zh) | 掘进速度的预测模型建立方法、预测方法及装置 | |
CN117315381A (zh) | 一种基于二阶有偏随机游走的高光谱图像分类方法 | |
CN116777452B (zh) | 智能电表的预付费系统及其方法 | |
CN117520784A (zh) | 基于卷积注意力长短期神经网络的地下水位多步预测方法 | |
CN116979503A (zh) | 一种基于Informer网络的商业建筑负荷预测方法及系统 | |
CN115830865A (zh) | 基于自适应超图卷积神经网络的车流量预测方法及装置 | |
CN114492657A (zh) | 植物疾病分类方法、装置、电子设备及存储介质 | |
Wang et al. | MIANet: Multi-level temporal information aggregation in mixed-periodicity time series forecasting tasks | |
Cao et al. | Probabilistic runoff forecasting considering stepwise decomposition framework and external factor integration structure | |
CN110263069B (zh) | 新能源使用行为的时序特征隐含因素抽取和刻画方法及系统 | |
CN117236666B (zh) | 应急物资需求分析方法及系统 |
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 |