CN117291311A - 一种耗电量预估方法及装置、电子设备、存储介质 - Google Patents

Abstract

本发明提供一种耗电量预估方法及装置、电子设备、存储介质，该方法包括：通过历史组装记录对排产计划中待组装电子产品的加工生产线的耗电量进行预估，还能在历史组装记录没有整条生产线的耗电量时，将则对待组装电子产品的加工生产线进行分解，得到多个加工制成工序，并基于每个加工制成工序对应的耗电量对排产计划的耗电量进行预估，使得预估得到的电力能耗更加准确、客观、真实，因而更加具有评估价值，这样出现限电时，通过预估未来一段时间的电力消耗，以此来实现统一的电力调配，便于企业管理决策以及电力管控参考。

Description

一种耗电量预估方法及装置、电子设备、存储介质

技术领域

本申请涉及能源预估技术领域，具体涉及一种耗电量预估方法及装置、电子设备、存储介质。

背景技术

制造业生产加工需要非常大的电力消耗，为了减少经营成本，工厂需要掌握生产的电力消耗情况，控制电力的消耗。因此需要预估未来的电力消耗情况。此外，在供电非常紧缺的时候，例如夏天用电高峰，经常会出现限电的情况，因此也需要预估未来一段时间的电力消耗，以此来实现统一的电力调配。

目前的电力预测都非常简单，多是根据历史同期值，以及排产情况进行大致预估，无法做到精确的电力预估，对公司经营以及电力管控的可参考度不高。

发明内容

鉴于以上所述现有技术的缺点，本发明提供一种耗电量预估方法及装置、电子设备、存储介质，以解决上述技术问题。

本发明提供的一种耗电量预估方法，所述耗电量预估方法包括：获取排产计划，所述排产计划包括待组装电子产品以及对应数量；判断待组装电子产品是否存在历史组装记录；若所述待组装电子产品存在历史组装记录，从历史组装记录中查找出单台待组装电子产品对应的耗电量；若所述待组装电子产品不存在历史组装记录，则对待组装电子产品的加工生产线进行分解，得到多个加工制成工序，并基于每个加工制成工序对应的耗电量得到单台待组装电子产品的耗电量；基于单台待组装电子产品的耗电量和所述排产计划中待组装电子产品的数量，对所述排产计划的耗电量进行预估。

于本发明的一实施例中，基于每个加工制成工序对应的耗电量得到组装单台待组装电子产品的耗电量，包括：若所述加工制成工序存在历史加工制成工序记录，从历史加工制成工序记录中查找出对应加工制成工序对应的耗电量；若所述加工制成工序不存在历史加工制成工序记录，则对不存在历史加工制成工序记录的加工制成工序进行耗电量预估，或者实时采集不存在历史加工制成工序记录的加工制成工序的耗电量；统计所有加工制成工序的耗电量，得到组装单台待组装电子产品的耗电量。

于本发明的一实施例中，对不存在历史加工制成工序记录的加工制成工序进行耗电量预估，包括：采集分解的多个加工制成工序作为第一样本数据，采集每个所述加工制成工序对应的耗电量作为第二样本数据，并将第一样本数据和第二样本数据进行归纳，形成样本数据集；采用预设神经网络对所述样本数据集进行深度学习，建立第一神经网络模型；将待预估加工制成工序输入第一神经网络模型，通过所述第一神经网络模型得到所述待预估加工制成工序的耗电量；其中，所述待预估加工制成工序包括不存在历史加工制成工序记录的加工制成工序。

于本发明的一实施例中，对所述排产计划的耗电量进行预估，还包括：采集每个所述待组装电子产品作为第三样本数据，采集每个所述待组装电子产品对应的耗电量作为第四样本数据，并将第三样本数据和第四样本数据进行归纳，形成样本数据集；采用预设神经网络对所述样本数据集进行深度学习，建立第二神经网络模型；将单台待组装电子产品输入第二神经网络模型，通过所述第二神经网络模型预估所述单台待组装电子产品的耗电量。基于单台待组装电子产品的耗电量和所述排产计划中待组装电子产品的数量，得到排产计划的耗电量。

于本发明的一实施例中，在对排产计划的耗电量进行预估之后，还包括：将所述排产计划的耗电量除以单位时间内的耗电量，得到对应所述排产计划的第一耗能时间；将所述单台待组装电子产品的耗电量除以单位时间内的耗电量，得到对应所述单台待组装电子产品的第二耗能时间；将所述加工制成工序的耗电量除以单位时间的耗电量，得到所述加工制成工序的第二耗能时间，通过调整所述第二耗能时间对所述加工制成工序的耗能时间进行优化；通过调整所述第一耗能时间对所述排产计划进行优化；和/或，通过调整所述第二耗能时间对所述加工制成工序的耗能时间进行优化；和/或，通过调整所述第一耗能时间和所述第二耗能时间对所述排产计划进行优化。

于本发明的一实施例中，在对所述排产计划的耗电量进行预估后，还包括：将所述排产计划的耗电量与限电量进行比对，若所述排产计划的耗电量大于所述限电量，则对所述排产计划进行更改，或者对所述限电量进行更改。

于本发明的一实施例中，对所述排产计划的耗电量进行预估后，还包括：将所述排产计划的耗电量与排产计划的实际耗电量进行比对，若所述实际耗电量大于所述排产计划的耗电量，则发出能耗异常告警信息。

本发明提供的一种耗电量预估装置，所述耗电量预估装置法包括：获取模块，用于获取排产计划，所述排产计划包括待组装电子产品以及对应数量；判断模块，用于判断待组装电子产品是否存在历史组装记录；查找模块，若所述待组装电子产品存在历史组装记录，用于从历史组装记录中查找出组装每台电子产品对应的耗电量；第一预估模块，若所述待组装电子产品不存在历史组装记录，用于对待组装电子产品的加工生产线进行分解，得到多个加工制成工序，基于每个加工制成工序对应的耗电量预估组装单台待组装电子产品的耗电量；第二预估模块，用于基于单台待组装电子产品的耗电量和数量计算排产计划的耗电量，对所述排产计划的耗电量进行预估。

本发明实施例提供一种电子设备，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述设备实现如上所述的耗电量预估方法。

本发明实施例提供一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行如上所述的耗电量预估方法。

本发明的有益效果：通过对排产计划中待组装电子产品以及对应数量，能够通过历史组装记录对排产计划中待组装电子产品的加工生产线的耗电量进行预估，还能在历史组装记录没有整条生产线的耗电量，将则对待组装电子产品的加工生产线进行分解，得到多个加工制成工序，并基于每个加工制成工序对应的耗电量对排产计划的耗电量进行预估，使得预估得到的电力能耗更加准确、客观、真实，因而更加具有评估价值，这样出现限电时，通过预估未来一段时间的电力消耗，以此来实现统一的电力调配，便于企业管理决策以及电力管控参考。

此外，通过精确地计算预设时间段的耗电量，能够便于企业管理决策以及电力管控参考，并且在当接到订单时，根据历史组装记录，预估该订单将会产生的各类能耗情况，便于企业就能计算该订单能源成本，为订单报价提供依据。当订单完成时，通过对比订单实际耗电量与预估耗电量，能分析该订单在生产过程中是否出现能耗异常消耗问题，以此追溯异常原因。还可以帮助用户了解电力资源的供求关系，对比新工艺与当前工艺的能耗情况，采用能耗更低的工艺，优化各个能耗设备对应的电力负荷，减少能源浪费，并且在某一批次产品生产前，预估该批次将要产生的能源消耗范围并作为标准，若该批次实际能耗超出标准能耗范围，马上向企业发出能耗异常告警，便于技术人员及时对异常信息进行处理。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术者来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1是本申请的一示例性实施例示出的耗电量预估方法的流程图；

图2是本申请的一示例性实施例示出耗电量预估方法的流程图；

图3是本申请的一示例性实施例示出的耗电量预估方法装置的框图；

图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本发明的实施例难以理解。

请参阅图1，图1是本申请的一示例性实施例示出的耗电量预估方法的流程图，至少包括步骤S110至步骤S150，详细介绍如下：

步骤S110，获取排产计划，排产计划包括待组装电子产品以及对应数量。

步骤S120，判断待组装电子产品是否存在历史组装记录。

在本申请的一个实施例中，待组装电子产品为预设型号的笔记本电脑，通过IOT(Internet of Things)采集装置采集待组装电子产品的加工生产线的耗电量数据，精确的获取到预设型号的笔记本电脑在整个加工生产线的耗电量，并存为历史组装记录。通过采集组装各型号笔记本电脑的耗电量，并存储在历史组装记录中，从而精确地估算后续排产计划中的同型号待组装笔记本电脑的耗电量，便于企业计算排产计划对应订单的成本，为订单报价提供依据。

步骤S130，若待组装电子产品存在历史组装记录，从历史组装记录中查找出单台待组装电子产品对应的耗电量。

在本申请的一个实施例中，在预估排产计划耗电量之前，采集组装电子产品耗电量的基础数据作为历史组装记录。通过IOT采集装置采集加工预设型号笔记本电脑的总耗电量，将总耗电量除以该型号笔记本电脑的数量，得到单台该型号笔记本电脑的耗电量，例如：单台该型号笔记本电脑的耗电量为2度电。将单台该型号笔记本电脑的耗电量和该型号笔记本电脑的总耗电量存储在历史组装记录中，这样在获取到的订单数据中的笔记本电脑型号为预设型号笔记本电脑时，能够在历史组装记录中查找到相应的历史组装记录。

步骤S140，若待组装电子产品不存在历史组装记录，则对待组装电子产品的加工生产线进行分解，得到多个加工制成工序，并基于每个加工制成工序对应的耗电量得到单台待组装电子产品的耗电量。

在本申请的一个实施例中，加工制成工序包括主板加工制成工序、半制组装工序和成制组装工序，笔记本电脑的加工会先经过主板加工制成工序进行主板加工，然后通过半制组装工序进行组装，最后到成制组装工序组装完成。

步骤S150，基于单台待组装电子产品的耗电量和排产计划中待组装电子产品的数量，对排产计划的耗电量进行预估。

在本申请的一个实施例中，企业接收到订单数据，订单数据为组装200台预设型号笔记本电脑，根据订单数据布置排产计划，排产计划中包括预设型号待组装的笔记本电脑200台，根据预设型号待组装的笔记本电脑在历史组装记录中进行查找，查找到组装单台预设型号待组装的笔记本电脑的耗电量为A度电，计算得到排产计划的耗电量为200A度电。通过对排产计划的耗电量进行精确预估，便于企业计算排产计划对应订单的成本，为订单报价提供依据。其中，A为正数。

在图1所示的技术方案中，通过对排产计划中待组装电子产品以及对应数量，能够通过历史组装记录对排产计划中待组装电子产品的加工生产线的耗电量进行预估，还能在历史组装记录没有整条生产线的耗电量，将则对待组装电子产品的加工生产线进行分解，得到多个加工制成工序，并基于每个加工制成工序对应的耗电量对排产计划的耗电量进行预估，使得计算得到的电力能耗更加准确、客观、真实，便于企业计算排产计划对应订单的成本，为订单报价提供依据。

图2是图1所示实施例中的步骤S140在一示例性的实施例中的流程图。如图2所示，基于每个加工制成工序对应的耗电量得到组装单台待组装电子产品的耗电量的过程可以包括步骤S210至步骤S230，详细介绍如下：

步骤S210，若加工制成工序存在历史加工制成工序记录，从历史加工制成工序记录中查找出对应加工制成工序对应的耗电量。

在本申请的一个实施例中，通过IOT采集装置采集各加工制成工序的耗电量，将各加工制成工序的耗电量存储在历史加工制成工序记录中。从而精确地估算后续排产计划中的同型号待组装笔记本电脑各加工制成工序的耗电量，使得计算得到的排产计划的耗电量更加准确、客观、真实。

步骤S220，若加工制成工序不存在历史加工制成工序记录，则对不存在历史加工制成工序记录的加工制成工序进行耗电量预估，或者实时采集不存在历史加工制成工序记录的加工制成工序的耗电量。

在本申请的一个实施例中，若加工制成工序不存在历史加工制成工序记录，则对不存在历史加工制成工序记录的加工制成工序进行耗电量预估，包括，根据待组装电子产品的品牌、系列、功能性等因素查找相似工序，预估出该工序的耗电量。

步骤S230，统计所有加工制成工序的耗电量，得到组装单台待组装电子产品的耗电量。

在本申请的一个实施例中，在预估排产计划耗电量之前，采集组装电子产品耗电量的基础数据作为历史记录，笔记本电脑为预设型号笔记本电脑，若待预设型号笔记本电脑不存在历史组装记录，将加工生产线分解为主板加工制成工序、半制组装工序和成制组装工序，通过IOT采集装置采集各加工制成工序的耗电量，得到该型号笔记本电脑在整个加工过程中的耗电量，在该实施例中，采集在主板加工制成工序耗费的耗电量，通过半制组装工序加工产生的耗电量，成制组装工序耗费的耗电量，再结合整个加工中损耗电量，得到该型号笔记本电脑的总耗电量，将总耗电量除以该型号笔记本电脑的产量，得到单台该型号笔记本电脑的耗电量，例如：单台该型号笔记本电脑的耗电量为2度电。将单台该型号笔记本电脑的耗电量和各加工制成工序存储在历史加工制成工序记录中。从而精确地估算后续排产计划中的同型号待组装笔记本电脑各加工制成的耗电量，便于企业计算排产计划对应订单的成本，为订单报价提供依据。

在本申请的一个实施例中，企业接收到订单数据，订单数据为组装200台预设型号笔记本电脑，根据订单数据布置排产计划，排产计划中包括预设型号待组装的笔记本电脑200台，根据预设型号待组装的笔记本电脑在历史组装记录中进行查找，若没有查找到组装单台预设型号待组装的笔记本电脑的耗电量，则将加工生产产线分解为主板加工制成工序、半制组装工序和成制组装工序，根据各加工制成工序在历史加工制成工序记录中进行查找，得到预设型号待组装的笔记本电脑的主板加工制成工序的耗电量为B度电，预设型号待组装的笔记本电脑的成制组装工序的耗电量为C度电，与预设型号待组装的笔记本电脑同系列电脑型号待组装笔记本电脑的的成制组装工序为D度，将各加工制成工序的耗电量相加，得到单台预设型号待组装的笔记本电脑的耗电量。通过加工制成工序进行查找对应的耗电量以及对加工制成工序的耗电量进行预估，从而得到组装待组装电子产品的耗电量，使得计算得到的电力能耗更加准确、客观、真实，因而更加具有评估价值。其中，B、C、D为为正数。

在图2所示的技术方案中，在排产计划的中待组装电子产品没有相应历史记录的情况下，能够通过将加工待组装电子产品的生产线进行分解得到多个加工制成工序，通过加工制成工序进行查找对应的耗电量以及对加工制成工序的耗电量进行预估，从而得到组装待组装电子产品的耗电量，使得计算得到的电力能耗更加准确、客观、真实，因而更加具有评估价值。

在本申请的一个实施例中，对不存在历史加工制成工序记录的加工制成工序进行耗电量预估，包括，采集分解的多个加工制成工序作为第一样本数据，采集每个加工制成工序对应的耗电量作为第二样本数据，并将第一样本数据和第二样本数据进行归纳，形成样本数据集；采用预设神经网络对样本数据集进行深度学习，建立第一神经网络模型；将待预估加工制成工序输入第一神经网络模型，通过第一神经网络模型得到待预估加工制成工序的耗电量；其中，待预估加工制成工序包括不存在历史加工制成工序记录的加工制成工序。人工神经网络能够通过其良好的学习能力,掌握数据样本间相对复杂的依从关系，实现非线性拟合，预测精度较高，使得预估的电力能耗更加准确、客观、真实，因而更加具有评估价值。

在上述实施例中，企业接收到订单数据，订单数据为组装200台预设型号笔记本电脑，根据订单数据布置排产计划，排产计划中包括预设型号待组装的笔记本电脑200台，根据预设型号待组装的笔记本电脑在历史组装记录中进行查找，根据预设型号待组装的笔记本电脑在历史组装记录中进行查找，若没有查找到组装单台预设型号待组装的笔记本电脑的耗电量，则将加工生产产线分解为主板加工制成工序、半制组装工序和成制组装工序，根据各加工制成工序在历史加工制成工序记录中进行查找，得到预设型号待组装的笔记本电脑的主板加工制成工序的耗电量为B度电，预设型号待组装的笔记本电脑的成制组装工序的耗电量为C度电，在该实施例中，待预估加工制成工序为预设型号待组装的笔记本电脑的半制组装工序，若在历史加工制成工序记录中没有查找到预设型号待组装的笔记本电脑的半制组装工序，则通过将该半制组装工序输入至第一神经网络模型中，输出该半制组装工序的耗电量为E度电，将各加工制成工序的耗电量相加，得到单台预设型号待组装的笔记本电脑的耗电量。这样，不仅能够在历史加工制成工序记录中查找到待预估加工制成工序的耗电量，在历史加工制成工序记录没有待预估加工制成工序的耗电量，还能够通过神经网络模型或是同类型的加工制成工序预估该加工制成工序的耗电量，从而使预估得到的电力能耗更加准确、客观、真实，因而更加具有评估价值。其中，E为正数。

在本申请的一个实施例，通过回归分析预测法预测各加工制成工序的耗电量。回归分析预测法为通过分析自变量与因变量之间的关联关系建立回归方程，并将其作为预测模型,根据自变量在预测期的数量变化来预测因变量。

在本申请的一个实施例，通过时间序列分析法预测各加工制成工序的耗电量。时间序列分析法为时间序列分析根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型，对数据的未来值进行预测。

在本申请的一个实施例中，对不存在历史加工制成工序记录的加工制成工序进行耗电量预估，还包括：对加工制成工序进行分析，根据待组装电子产品的型号，查找出与加工制成工序最接近的一个历史加工制成工序，将该历史加工制成工序的耗电量作为所述待组装电子产品在所述加工制成工序的耗电量。例如：A机型是新机型，不存在历史加工制成工序记录，则可以将A机型的生产工序进行分解，得到多个加工制成工序，并查找出加工A机型最相似的历史加工制成工序，这些历史加工制成工序的耗电量作为A机型当前的加工制成工序的耗电量进行计算。

在本申请的一个实施例中，对排产计划的耗电量进行预估，还包括：采集每个待组装电子产品作为第三样本数据，采集每个待组装电子产品对应的耗电量作为第四样本数据，并将第三样本数据和第四样本数据进行归纳，形成样本数据集；采用预设神经网络对样本数据集进行深度学习，建立第二神经网络模型；将单台待组装电子产品输入第二神经网络模型，通过第二神经网络模型预估单台待组装电子产品的耗电量。基于单台待组装电子产品的耗电量和排产计划中待组装电子产品的数量，得到排产计划的耗电量。人工神经网络能够通过其良好的学习能力,掌握数据样本间相对复杂的依从关系，实现非线性拟合，预测精度较高，从而使得预估得到的电力能耗更加准确、客观、真实，因而更加具有评估价值。

在本申请的一个实施例中，企业接收到订单数据，订单数据为组装200台预设型号笔记本电脑，根据订单数据布置排产计划，排产计划中包括预设型号待组装的笔记本电脑200台，将单台预设型号待组装的笔记本电脑输入至第二神经网络模型，得到组装单台预设型号待组装的笔记本电脑的耗电量为A度电，计算得到排产计划的耗电量为200A度电。

在本申请的一个实施例中，在对排产计划的耗电量进行预估之后，还包括，将排产计划的耗电量除以单位时间内的耗电量，得到对应排产计划的第一耗能时间；将单台待组装电子产品的耗电量除以单位时间内的耗电量，得到对应单台待组装电子产品的第二耗能时间；将加工制成工序的耗电量除以单位时间的耗电量，得到加工制成工序的第二耗能时间，通过调整第二耗能时间对加工制成工序的耗能时间进行优化；通过调整第一耗能时间对排产计划进行优化；和/或，通过调整第二耗能时间对加工制成工序的耗能时间进行优化；和/或，通过调整第一耗能时间和第二耗能时间对排产计划进行优化。这样，通过预估排产计划的耗电量，从而精确地计算出相应的耗能时间，便于企业安排多个排产计划，并对多个排产计划电力管控，从而便于企业管理决策多个加工生成产线。

在本申请的一个实施例中，预估得到排产计划的耗电量为200A度，单位时间内消耗的电量为F度，得到第一耗能时间为200A/F小时，通过对第一耗能时间进行调整，以优化排产计划。通过预测未来一段时间的耗电量，便于企业安排多个排产计划，并对多个排产计划电力管控，从而便于企业管理决策多个加工生成产线。其中，F为正数。

在本申请的一个实施例中，预估当前工艺参数下待组装电子产品的耗电量，对当前工艺参数进行修改后得到新工艺参数，采集新工艺参下待组装电子产品的耗电量，通过对比当前工艺参数下待组装电子产品的耗电量与新工艺参下待组装电子产品的耗电量，采用能耗更低的工艺参数，从而优化待组装电子产品的工艺参数。

在本申请的一个实施例中，在对排产计划的耗电量进行预估后，还包括，将排产计划的耗电量与限电量进行比对，若排产计划的耗电量大于限电量，则对排产计划进行更改，或者对限电量进行更改。这样出现限电时，通过预估未来一段时间的电力消耗，以此来实现统一的电力调配，便于企业管理决策以及电力管控参考。

在上述实施例中，限电量为W度，预估得到排产计划的耗电量为200A度，若排产计划的耗电量200A度大于限电量W度，则对排产计划进行更改，或者对限电量进行更改，即申请更多电力。这样在夏天用电高峰，经常会出现限电的情况，通过预估未来一段时间的电力消耗，以此来实现统一的电力调配，便于企业管理决策以及电力管控参考。其中，W为正数。

在本申请的一个实施例中，对排产计划的耗电量进行预估后，还包括，将排产计划的耗电量与排产计划的实际耗电量进行比对，若实际耗电量大于排产计划的耗电量，则发出能耗异常告警信息。这样便于相关技术人员及时发现异常信息并处理，从而使得预估得到的耗电量更加准确。

在本申请的一个实施例中，预估得到排产计划的耗电量为200A度，若监测到排产计划的实际耗电量为200R度，其中，R大于A，即实际耗电量大于预估得到排产计划的耗电量，则通过系统发送邮件到指定部门发送能耗异常告警信息，这样就便于相关负责人可以锁定能耗异常点，对耗能异常情况进行分析，以对排产计划进行优化，使得计算得到的电力能耗更加准确、客观、真实，因而更加具有评估价值。其中，R为正数。

图3是本申请的一示例性实施例示出的路况刷新装置的框图。如图3所示，该示例性的耗电量预估装置300包括：

获取模块310，用于获取排产计划，排产计划包括待组装电子产品以及对应数量；判断模块320，用于判断待组装电子产品是否存在历史组装记录；查找模块330，若待组装电子产品存在历史组装记录，用于从历史组装记录中查找出组装每台电子产品对应的耗电量；第一预估模块340，若待组装电子产品不存在历史组装记录，用于对待组装电子产品的加工生产线进行分解，得到多个加工制成工序，基于每个加工制成工序对应的耗电量预估组装单台待组装电子产品的耗电量；第二预估模块350，用于基于单台待组装电子产品的耗电量和数量计算排产计划的耗电量，对排产计划的耗电量进行预估。通过对排产计划中待组装电子产品以及对应数量，能够通过历史组装记录对排产计划中待组装电子产品的加工生产线的耗电量进行预估，还能在历史组装记录没有整条加工生产线的耗电量，则对待组装电子产品的加工生产线进行分解，得到多个加工制成工序，并基于每个加工制成工序对应的耗电量对排产计划的耗电量进行预估，使得计算得到的电力能耗更加准确、客观、真实，因而更加具有评估价值。

在本发明的一示例性实施例中，若加工制成工序存在历史加工制成工序记录，第一预估模块340用于从历史加工制成工序记录中查找出对应加工制成工序对应的耗电量；若加工制成工序不存在历史加工制成工序记录，第一预估模块340用于对不存在历史加工制成工序记录的加工制成工序进行耗电量预估，或者实时采集不存在历史加工制成工序记录的加工制成工序的耗电量；统计所有加工制成工序的耗电量，得到组装单台待组装电子产品的耗电量。

在本发明的一示例性实施例中，第一预估模块340用于采集分解的多个加工制成工序作为第一样本数据，采集每个加工制成工序对应的耗电量作为第二样本数据，并将第一样本数据和第二样本数据进行归纳，形成样本数据集；采用预设神经网络对样本数据集进行深度学习，建立第一神经网络模型；将待预估加工制成工序输入第一神经网络模型，通过第一神经网络模型得到待预估加工制成工序的耗电量；其中，待预估加工制成工序包括不存在历史加工制成工序记录的加工制成工序。

在本发明的一示例性实施例中，第二预估模块350用于采集每个待组装电子产品作为第三样本数据，采集每个待组装电子产品对应的耗电量作为第四样本数据，并将第三样本数据和第四样本数据进行归纳，形成样本数据集；采用预设神经网络对样本数据集进行深度学习，建立第二神经网络模型；将单台待组装电子产品输入第二神经网络模型，通过第二神经网络模型预估单台待组装电子产品的耗电量。基于单台待组装电子产品的耗电量和排产计划中待组装电子产品的数量，得到排产计划的耗电量。

在本发明的一示例性实施例中，耗电量的预估装置还包括优化模块360，优化模块360用于将排产计划的耗电量除以单位时间内的耗电量，得到对应排产计划的第一耗能时间；将单台待组装电子产品的耗电量除以单位时间内的耗电量，得到对应单台待组装电子产品的第二耗能时间；将加工制成工序的耗电量除以单位时间的耗电量，得到加工制成工序的第二耗能时间，通过调整第二耗能时间对加工制成工序的耗能时间进行优化；通过调整第一耗能时间对排产计划进行优化；和/或，通过调整第二耗能时间对加工制成工序的耗能时间进行优化；和/或，通过调整第一耗能时间和第二耗能时间对排产计划进行优化。

在本发明的一示例性实施例中，优化模块360用于将排产计划的耗电量与限电量进行比对，若排产计划的耗电量大于限电量，则对排产计划进行更改，或者对限电量进行更改。

在本发明的一示例性实施例中，优化模块360用于将排产计划的耗电量与排产计划的实际耗电量进行比对，若实际耗电量大于排产计划的耗电量，则发出能耗异常告警信息。

需要说明的是，上述实施例所提供的耗电量预估装置与上述实施例所提供的耗电量预估方法属于同一构思，其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。上述实施例所提供的路况刷新装置在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，本处也不对此进行限制。

本申请的实施例还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现上述各个实施例中提供的耗电量预估方法。

图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是，图4示出的电子设备的计算机系统400仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图4所示，计算机系统400包括中央处理单元(Central Processing Unit，CPU)401，其可以根据存储在只读存储器(Read-Only Memory，ROM)402中的程序或者从储存部分1208加载到随机访问存储器(Random Access Memory，RAM)403中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 403中，还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(Input/Output，I/O)接口405也连接至总线404。

以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分407；包括硬盘等的储存部分408；以及包括诸如LAN(Local Area Network，局域网)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入储存部分408。

特别地，根据本申请的实施例，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，本申请的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计算机程序。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请实施例所示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(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读的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计算机程序。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。计算机可读的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计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。其中，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，上述模块、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，框图或流程图中的每个方框、以及框图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。

描述于本申请实施例中所涉及到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。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。

本申请的另一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机的处理器执行时，使计算机执行如前所述的耗电量预估方法。该计算机可读存储介质可以是上述实施例中描述的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。

本申请的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的耗电量预估方法。

上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种耗电量预估方法，其特征在于，所述耗电量预估方法包括：

获取排产计划，所述排产计划包括待组装产品以及对应数量；

判断待组装产品是否存在历史组装记录；

若所述待组装产品存在历史组装记录，从历史组装记录中查找出单台待组装电子产品对应的耗电量；

若所述待组装电子产品不存在历史组装记录，则对待组装电子产品的加工生产线进行分解，得到多个加工制成工序，并基于每个加工制成工序对应的耗电量得到单台待组装电子产品的耗电量；

基于单台待组装电子产品的耗电量和所述排产计划中待组装电子产品的数量，对所述排产计划的耗电量进行预估。

2.根据权利要求1所述的耗电量预估方法，其特征在于，基于每个加工制成工序对应的耗电量得到组装单台待组装电子产品的耗电量，包括：

若所述加工制成工序存在历史加工制成工序记录，从历史加工制成工序记录中查找出对应加工制成工序对应的耗电量；

若所述加工制成工序不存在历史加工制成工序记录，则对不存在历史加工制成工序记录的加工制成工序进行耗电量预估，或者实时采集不存在历史加工制成工序记录的加工制成工序的耗电量；

统计所有加工制成工序的耗电量，得到组装单台待组装电子产品的耗电量。

3.根据权利要求2所述的耗电量预估方法，其特征在于，对不存在历史加工制成工序记录的加工制成工序进行耗电量预估，包括：

采集分解的多个加工制成工序作为第一样本数据，采集每个所述加工制成工序对应的耗电量作为第二样本数据，并将第一样本数据和第二样本数据进行归纳，形成样本数据集；

采用预设神经网络对所述样本数据集进行深度学习，建立第一神经网络模型；

将待预估加工制成工序输入第一神经网络模型，通过所述第一神经网络模型得到所述待预估加工制成工序的耗电量；其中，所述待预估加工制成工序包括不存在历史加工制成工序记录的加工制成工序。

4.根据权利要求1所述的耗电量预估方法，其特征在于，对所述排产计划的耗电量进行预估，还包括：

采集每个所述待组装电子产品作为第三样本数据，采集每个所述待组装电子产品对应的耗电量作为第四样本数据，并将第三样本数据和第四样本数据进行归纳，形成样本数据集；

采用预设神经网络对所述样本数据集进行深度学习，建立第二神经网络模型；

将单台待组装电子产品输入第二神经网络模型，通过所述第二神经网络模型预估所述单台待组装电子产品的耗电量；

基于单台待组装电子产品的耗电量和所述排产计划中待组装电子产品的数量，得到排产计划的耗电量。

5.根据权利要求1-4任一项所述的耗电量预估方法，其特征在于，在对排产计划的耗电量进行预估之后，还包括：

将所述排产计划的耗电量除以单位时间内的耗电量，得到对应所述排产计划的第一耗能时间；

将所述单台待组装电子产品的耗电量除以单位时间内的耗电量，得到对应所述单台待组装电子产品的第二耗能时间；

将所述加工制成工序的耗电量除以单位时间的耗电量，得到所述加工制成工序的第二耗能时间，通过调整所述第二耗能时间对所述加工制成工序的耗能时间进行优化；

通过调整所述第一耗能时间对所述排产计划进行优化；

和/或，通过调整所述第二耗能时间对所述加工制成工序的耗能时间进行优化；

和/或，通过调整所述第一耗能时间和所述第二耗能时间对所述排产计划进行优化。

6.根据权利要求1所述的耗电量预估方法，其特征在于，在对所述排产计划的耗电量进行预估后，还包括：

将所述排产计划的耗电量与限电量进行比对，若所述排产计划的耗电量大于所述限电量，则对所述排产计划进行更改，或者对所述限电量进行更改。

7.根据权利要求1或6所述的耗电量预估方法，其特征在于，对所述排产计划的耗电量进行预估后，还包括：

将所述排产计划的耗电量与排产计划的实际耗电量进行比对，若所述实际耗电量大于所述排产计划的耗电量，则发出能耗异常告警信息。

8.一种耗电量预估系统，其特征在于，所述耗电量预估系统包括：

获取模块，用于获取排产计划，所述排产计划包括待组装电子产品以及对应数量；

判断模块，用于判断待组装电子产品是否存在历史组装记录；

查找模块，若所述待组装电子产品存在历史组装记录，用于从历史组装记录中查找出组装每台电子产品对应的耗电量；

第一预估模块，若所述待组装电子产品不存在历史组装记录，用于对待组装电子产品的加工生产线进行分解，得到多个加工制成工序，基于每个加工制成工序对应的耗电量预估组装单台待组装电子产品的耗电量；

第二预估模块，用于基于单台待组装电子产品的耗电量和数量计算排产计划的耗电量，对所述排产计划的耗电量进行预估。

9.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如权利要求1至7中任一项所述的耗电量预估方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行权利要求1至7中任一项所述的耗电量预估方法。