CN118246912A - 基于人工智能的电表预付费方法及系统 - Google Patents
基于人工智能的电表预付费方法及系统 Download PDFInfo
- Publication number
- CN118246912A CN118246912A CN202410670704.3A CN202410670704A CN118246912A CN 118246912 A CN118246912 A CN 118246912A CN 202410670704 A CN202410670704 A CN 202410670704A CN 118246912 A CN118246912 A CN 118246912A
- Authority
- CN
- China
- Prior art keywords
- user
- electricity
- electricity consumption
- prepayment
- consumption
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 230000005611 electricity Effects 0.000 claims abstract description 328
- 230000002159 abnormal effect Effects 0.000 claims abstract description 65
- 238000011156 evaluation Methods 0.000 claims description 88
- 230000008859 change Effects 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000012937 correction Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电表预付费技术领域,具体公开基于人工智能的电表预付费方法及系统,该方法包括:用电峰值比对、电表异常状态判定以及电表预付费状态判定;首先得到用户的用电峰值、判定电表的异常状态指数,从而更精确地预测用电峰值和判定电表异常状态;匹配出用户的电费预缴额,与用户的缴纳系统中的电费剩余额进行比对,以此用户可以掌握自身的电费使用情况,有助于用户更好地管理自己的电费开支,并且采用数据分析和有效的模型相结合可以大大简化对用户电表预付费的管理流程,提高用户电表预付费的工作效率。
Description
技术领域
本发明涉及电表预付费技术领域,具体为基于人工智能的电表预付费方法及系统。
背景技术
当前预付费电表通常具有向用户完全开放的特点,这使得电表容易受到攻击,恶意用户可能通过非法手段对电表进行篡改,导致电费计量不准确或电表损坏;预付费电表的数据采集存在滞后性,只有在用户购电时才能将用电情况传输到供电系统,这使得供电部门难以实时掌握用户的用电情况,无法实现及时的用电管理和优化。
例如公告号为CN116777452B的发明专利,上述申请涉及智能电表技术领域,其具体地公开了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。
但本申请在实现上述申请实施例的过程中,发现上述技术至少存在如下技术问题:上述申请在预估下个月的用电量数据时,只通过考虑用户的用电量趋势这一方面,不能达到精准分析用电量以预估电费的目的,不利于提升用户的预付费功能使用,还应该考虑智能电表本身状态给用户的用电量带来的影响,多方面考虑才能更加精确的预测用户的用电量,以此有效判定预缴电费的具体情况。
发明内容
针对现有技术的不足,本发明提供了基于人工智能的电表预付费方法及系统,能够有效解决上述背景技术中涉及的问题。
为实现以上目的,本发明通过以下技术方案予以实现:本发明第一方面提供了基于人工智能的电表预付费方法,包括:用电峰值比对:采集用户的用电信息,评估用户的用电消耗度,并与设定的用电消耗阈值进行比对,得到用户的用电峰值;电表异常状态判定:对用户对应智能电表的运行状态进行监测,以判定电表的异常状态指数;电表预付费状态判定:将用户的用电峰值以及电表的异常状态指数进行综合分析,并匹配出用户的电费预缴额,与用户的缴纳系统中的电费剩余额进行比对,最终对用户的电表预付费状态进行判定。
作为进一步的方法,所述对用户的电表预付费状态进行判定,具体分析过程为:将用户的电费预缴额,与用户的缴纳系统中的电费剩余额进行比对,若用户的电费预缴额大于电费剩余额,则对用户的电表预付费进行告警提示;若用户的电费预缴额小于或等于电费剩余额,则对用户的电表预付费进行反馈。
作为进一步的方法,所述匹配出用户的电费预缴额,具体分析过程为:分析用户的用电预估度,与用户服务数据库中定义的各用电预估度区间对应的电费预缴额通过查找算法进行匹配,以此得到用户的电费预缴额。
作为进一步的方法,所述用户的用电预估度,具体表达式为:
其中表示为用户的用电预估度,表示为用户的用电峰值,表示为电表的异常
状态指数,表示为预定义的用电峰值对应的权重因子,表示为预定义的异常状态指数
对应的权重因子。
作为进一步的方法,所述得到用户的用电峰值,具体分析过程为:将用户的用电消
耗度与设定的用电消耗阈值进行比对,并将用户的用电消耗度与用电消耗阈值进行差值处
理,得到用户的用电消耗偏差值,与设定的各用电消耗偏差值区间对应的用电峰值进行匹
配,以此得到用户的用电峰值。
作为进一步的方法,所述电表的异常状态指数,具体分析过程为:对用户对应智能电表的运行状态进行监测,将获取的用户对应智能电表在各用电评估时间点的电流值以及电压值进行比值处理,并经由欧姆定律得到用户对应智能电表在各用电评估时间点的有效电阻值,与用户服务数据库中存储的有效电阻适配值进行分析综合处理,得到的数值记为用户对应智能电表在用电评估周期内的有效电阻影响指标;根据用户对应智能电表在各用电评估时间点的电流值以及电压值,构建出用户对应智能电表的电压电流曲线,并从中测量得到用户对应智能电表在各用电评估时间段下的电能变化直线距离,最终通过斜率计算提取出用户对应智能电表在各用电评估时间段下的电能变化角度,经由平均值处理得到用户对应智能电表在用电评估周期内的电能平均变化指标,综合分析电表的异常状态指数。
本发明第二方面提供了基于人工智能的电表预付费系统,包括:用电峰值比对模块,用于采集用户的用电信息,评估用户的用电消耗度,并与设定的用电消耗阈值进行比对,得到用户的用电峰值;电表异常状态判定模块,用于对用户对应智能电表的运行状态进行监测,以判定电表的异常状态指数;电表预付费状态判定模块,将用户的用电峰值以及电表的异常状态指数进行综合分析,并匹配出用户的电费预缴额,与用户的缴纳系统中的电费剩余额进行比对,最终对用户的电表预付费状态进行判定。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
(1)本发明通过提供基于人工智能的电表预付费方法及系统,首先得到用户的用电峰值、判定电表的异常状态指数,从而更精确地预测用电峰值和判定电表异常状态,有助于减少电表的误报和漏报,提高用户电表预付费状态判定的准确性和可靠性;匹配出用户的电费预缴额,与用户的缴纳系统中的电费剩余额进行比对,以此用户可以掌握自身的电费使用情况,有助于用户更好地管理自己的电费开支,并且采用数据分析和有效的模型相结合可以大大简化对用户电表预付费的管理流程,提高用户电表预付费的工作效率。
(2)本发明通过采集用户的用电信息,评估用户的用电消耗度,并与设定的用电消耗阈值进行比对,以此可以帮助用户了解用电支出;得到用户的用电峰值,以便用户更好的掌握用电变化趋势,调整用电行为;同时参数分析为后续判定用户电表预付费状态提供可靠的数据支持。
(3)本发明通过对用户对应智能电表的运行状态进行监测,通过判定电表的异常状态指数,用户可以及时发现电量使用异常,同时通过对电表异常运行状态进行量化分析,减少因电表故障或异常行为导致的电费损失或停电等问题;使用户可以更加安心地使用电能,提升用户对电表预付费的使用体验。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明的方法步骤流程示意图。
图2为本发明的系统模块连接示意图。
图3为本发明所涉及的用电负荷折线示意图。
图4为本发明所涉及的电压电流曲线示意图。
附图标记:1、用电负荷增长直线;2、第一水平直线;3、电能变化直线距离;4、第二水平直线;5、电能变化角度。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1所示,本发明第一方面提供了基于人工智能的电表预付费方法,包括:用电峰值比对:采集用户的用电信息,评估用户的用电消耗度,并与设定的用电消耗阈值进行比对,得到用户的用电峰值。
具体的,所述用户的用电消耗影响程度系数,具体分析过程为:
根据用户的用电信息,可以提取得到用户的用电消耗关联信息以及用电负荷关联信息。
通过用户的用电消耗关联信息,可以得到用户在设定的用电评估周期内的用电次数以及用户在各用电评估时间段下的消耗电量,其中用电评估周期通过咨询当地供电公司,询问评估周期的具体规定,得到用电评估周期的时间长度;将用电评估周期划分为各用电评估时间点,并将相邻的用电评估时间点之间的时间段记为用电评估时间段;用户在设定的用电评估周期内的用电次数以及用户在各用电评估时间段下的消耗电量均是通过智能电表自身携带的数据采集与存储系统,通过监测用户电表的电流量以及流动次数得到的。
上述数据采集与存储系统是智能电表所配备的系统功能,便于用户实时了解用电量支出情况,其系统功能包括但不限于:数据记录功能、缴纳功能。
将用户在各用电评估时间段下的消耗电量与用电评估时间段对应的时长进行比值处理,得到用户在各用电评估时间段下的平均功率。
将用户在各用电评估时间段下的平均功率,按照从小到大的顺序依次进行排列,筛选出排名第一位的平均功率,记为用户在用电评估周期内的峰值功率。
从用户服务数据库中,提取得到峰值参考功率以及用电单位次数对应的影响因子。
上述用户服务数据库中存储的数据,会根据用户的用电状态、使用环境、电表的自身状态的不同而有所变化。
综合分析用户的用电消耗影响程度系数,在一个具体实施例中,可以通过收集历史用电数据,建立用户用电行为的数学模型,通过模型预测和模拟不同场景下的用户用电行为,可以评估出用户的用电消耗影响程度系数。
上述用户的用电消耗影响程度系数,在本实施例中,是通过用户在设定的用电评估周期内的用电次数以及用户在用电评估周期内的峰值功率综合分析得到的,以此用于判定用户的用电消耗影响程度的数值,本实施例中采用更加精确的计算方法进行获得,具体表达式为:
其中表示为用户的用电消耗影响程度系数,本实施例中,用户的用电次数较多
时,可能意味着用户在某些时段内集中使用多个高功率设备,这会导致峰值功率的增加;有
些用户可能用电次数很多,但他们的设备功率较低,或者他们分散了用电时间,从而避免了
高峰期的电力需求,以至于降低峰值功率;同时对表达式进行参数量化分析,可以更加清晰
的掌握用户的用电消耗影响趋势和影响程度,以此更好的对用户的用电行为进行预测。
表示为用户在设定的用电评估周期内的用电次数,是指在用电评估周期内,用
户开启或关闭用电设备导致电表流动的次数,通过了解用户的用电次数,可以更好地了解
用户的用电习惯和需求,以便更好的预测电费支出。
本实施例中,设定用户在设定的用电评估周期内的用电次数为7次,设定用电单位
次数对应的影响因子为0.52,则本表达式中的运算结果为3.64。
表示为用户在用电评估周期内的峰值功率,是指在用电评估周期内,用户的用
电设备能达到的最大功率,可以帮助了解用户的用电需求和设备负荷情况。
表示为峰值参考功率,是指峰值的标准参照功率。
表示为用电单位次数对应的影响因子,表示为预定义的峰值功率对应的修正
因子,其中峰值功率对应的修正因子是通过电力系统仿真模型,模拟不同峰值功率水平对
用户电量的影响,根据模拟结果,可以得出不同峰值功率对用户电量的影响程度,并据此确
定修正因子的值,在本实施例中,设定峰值功率对应的修正因子为0.58,e为自然常数。
进一步的,所述用户的用电负荷影响程度系数,具体分析过程为:
根据用户的用电负荷关联信息,同时将用电评估周期划分为各用电评估时间点,其中将用电评估周期按照等时间长度平均划分为各用电评估时间点,获取用户在各用电评估时间点的用电负荷值,其中用户在各用电评估时间点的用电负荷值是通过智能电表的数据记录中获取得到,构建用户的用电负荷折线,从中提取用户的用电负荷折线中的最大角度值,记为用户在用电评估周期内的用电负荷增长指数。
根据用户在各用电评估时间点的用电负荷值,构建用户的用电负荷折线,如图3所示,用电负荷折线的横坐标为各用电评估时间点,单位是秒;纵坐标是用电负荷值,单位是瓦特。
从中提取用户的用电负荷折线中的最大角度值,如图3所示,最大角度值的具体获取过程如下:
根据用户的用电负荷折线,从中定位出一条用电负荷增长直线1,并根据图3中的第一水平直线2,获取用电负荷增长直线1与第一水平直线2之间相交的最小角度值,将图3中的所有相交的最小角度值按照从小到大的顺序依次进行排列,筛选出排名第一位的最小角度值,即为用户的用电负荷折线中的最大角度值,并记为用户在用电评估周期内的用电负荷增长指数。
将用户在各用电评估时间点的用电负荷值进行相加处理,得到用户在用电评估周期的用电总负荷,并与用户服务数据库中存储的供电设备额定容量进行比值处理,得到用户在用电评估周期内的负载率。
上述用户服务数据库中存储的供电设备额定容量,在本实施例中,供电设备以空调为例,空调的额定容量为2500瓦。
从用户服务数据库中,提取得到负载参照率。
综合分析用户的用电负荷影响程度系数,在一个具体实施例中,可以通过通过分析用户的用电数据,如用电时间、用电负荷等,结合电力系统的负荷特性,可以计算出用户的用电负荷影响程度系数。
上述用户的用电负荷影响程度系数,在本实施例中,是通过用户在用电评估周期内的用电负荷增长指数以及用户在用电评估周期内的负载率综合分析得到的,以此用于判定用户的用电负荷影响程度的数值,本实施例中采用更加精确的计算方法进行获得,具体表达式为:
其中表示为用户的用电负荷影响程度系数,本实施例中,当用户的用电负荷增长
指数变大时,如果其额定负荷保持不变,那么负载率也会相应增大,即实际使用的电力负荷
增加了,而额定负荷没有变化,所以实际负荷与额定负荷之比,即负载率就会上升;因此二
者之间存在线性相关性,对这两个参数进行线性相关分析,揭示用电负荷影响的规律和趋
势,能够更好的捕捉用户的用电规律,有利于电表预付费的预测。
表示为用户在用电评估周期内的用电负荷增长指数,是指在用电评估周期内电
负荷增长直线与第一水平直线之间相交角度的变化指数,相交角度越大,增长指数就越大。
表示为用户在用电评估周期内的负载率,是指用户在该周期内实际使用的电
力负荷与额定负荷即容量之比,通常用百分比来表示。
表示为负载参照率,是指负载率的标准数值。
本实施例中,设定用户在用电评估周期内的负载率为78%,设定负载参照率为85%,
设定负载率对应的修正因子为0.6,则本表达式中运算结果为0.05。
表示为预定义的用电负荷增长指数对应单位数值的影响因子,表示为预定
义的负载率对应的修正因子,其中用电负荷增长指数对应单位数值的影响因子是通过收集
历史用电负荷增长数据,通过系数法分析这些增长数据中,判定用电负荷增长指数对用户
的用电负荷影响程度系数的相关性,以确定用电负荷增长指数对应单位数值的影响因子;
负载率对应的修正因子可以通过邀请电力行业专家对用户的峰值功率进行评估,专家可以
根据其专业知识和经验,并考虑多种因素来确定修正因子的值,本实施例中,设定用电负荷
增长指数对应单位数值的影响因子为0.5。
具体的,所述用户的用电消耗度,具体分析过程为:
将用户的用电消耗影响程度系数与设定的用电消耗影响程度系数对应的权重因子相乘,得到用户的用电消耗影响指标;将用户的用电负荷影响程度系数与设定的用电负荷影响程度系数对应的权重因子相乘,得到用户的用电负荷影响指标。
将用户的用电消耗影响指标与用户的用电负荷影响指标相加,得到用户的用电消耗度。
上述用电消耗影响程度系数对应的权重因子以及用电负荷影响程度系数对应的权重因子均是通过对各系数采用因子分析的方法,来确定其权重因子的数值,其中因子分析的主要作用是探索多个系数之间的关系,并将它们归纳为少数几个因子,以便分析;本实施例中,设定用电消耗影响程度系数对应的权重因子为0.64,设定用电负荷影响程度系数对应的权重因子为0.7。
上述用户的用电消耗度与用户的用电消耗影响程度系数以及用户的用电负荷影响程度系数成反比关系,即用户的用电消耗度越大,用户的用电消耗影响程度系数以及用户的用电负荷影响程度系数越小。
进一步的,所述得到用户的用电峰值,具体分析过程为:
将用户的用电消耗度与设定的用电消耗阈值进行比对,其中用电消耗阈值是存储
在用户服务数据库中的一个用电消耗标准值,并将用户的用电消耗度与用电消耗阈值进行
差值处理,得到用户的用电消耗偏差值,与设定的各用电消耗偏差值区间对应的用电峰值
进行匹配,具体匹配过程为:定义一系列用电消耗偏差值区间以及每个区间对应的用电峰
值,这些峰值可以是基于历史数据、专家经验或其他统计方法得出的;将用电消耗偏差值与
电消耗偏差值区间进行比对;确定了电消耗偏差值区间后,将其对应的用电峰值记为用户
的用电峰值。
上述各用电消耗偏差值区间对应的用电峰值是从用户服务数据库中提取得到的。
电表异常状态判定:对用户对应智能电表的运行状态进行监测,以判定电表的异常状态指数。
具体的,所述电表的异常状态指数,具体分析过程为:
对用户对应智能电表的运行状态进行监测,将获取的用户对应智能电表在各用电评估时间点的电流值以及电压值进行比值处理,其中电流值以及电压值是通过智能电表自身所携带的电压传感器与电流传感器中查询得到的,并经由欧姆定律得到用户对应智能电表在各用电评估时间点的有效电阻值,其中欧姆定律是描述电路中电流、电压和电阻之间关系的基本定律,欧姆定律的表达式表示为:电流=电压/电阻,与用户服务数据库中存储的有效电阻适配值进行分析综合处理,得到的数值记为用户对应智能电表在用电评估周期内的有效电阻影响指标。
根据用户对应智能电表在各用电评估时间点的电流值以及电压值,构建出用户对应智能电表的电压电流曲线,并从中测量得到用户对应智能电表在各用电评估时间段下的电能变化直线距离,最终通过斜率计算提取出用户对应智能电表在各用电评估时间段下的电能变化角度,经由平均值处理得到用户对应智能电表在用电评估周期内的电能平均变化指标。
上述根据用户对应智能电表在各用电评估时间点的电流值以及电压值,构建出用户对应智能电表的电压电流曲线,如图4所示,电压电流曲线的横坐标为用户对应智能电表的电压,单位是伏特;纵坐标是用户对应智能电表的电流,单位是安培。
提取出用户对应智能电表在各用电评估时间段下的电能变化角度,如图4所示,电能变化角度的具体提取过程为:
根据图4电压电流曲线中的用户对应智能电表在各用电评估时间段下的电能变化直线距离3,并根据图4中的第二水平直线4,获取电能变化直线距离3与第二水平直线4之间相交的最小角度值的斜率,通过斜率计算得到用户对应智能电表在各用电评估时间段下的电能变化角度5。
综合分析电表的异常状态指数,在一个具体实施例中,可以通过收集电表的历史读数数据,对比当前数据与历史数据,识别异常波动,应用机器学习算法来检测电表异常,检测到的异常数量和严重程度,可以计算电表的异常状态指数。
上述电表的异常状态指数,在本实施例中,是通过用户对应智能电表在用电评估周期内的有效电阻影响指标以及用户对应智能电表在用电评估周期内的电能平均变化指标综合分析得到的,以此用于判定电表的异常状态的数值,本实施例中采用更加精确的计算方法进行获得,具体表达式为:
其中表示为电表的异常状态指数,本实施例中,当用户对应智能电表在用电评估
周期内的有效电阻影响指标上升时,会影响智能电表的电压值与电流值,从而影响用户对
应智能电表的电压电流曲线,以至于电能变化直线距离随之增大,电能变化直线距离与第
一水平直线之间相交的最小角度值也会增大,即影响用户对应智能电表在用电评估周期内
的电能平均变化指标;上述参数之间存在相互影响,因此对上述表达式简化处理,有利于呈
现参数之间的变化趋势,揭示电表的异常状态。
表示为用户对应智能电表在用电评估周期内的有效电阻影响指标,是指在用电
评估周期内,由于电阻的变化,可能是由于温度、老化、负载变化等因素对电流、电压产生的
相对影响。
表示为用户对应智能电表在用电评估周期内的电能平均变化指标,是指电能变
化直线距离与第一水平直线之间相交的最小角度值的变化程度。
表示为预定义的有效电阻影响指标对应单位数值的影响因子,表示为预定
义的电能平均变化指标对应单位数值的影响因子,其中有效电阻影响指标对应的影响因子
以及电能平均变化指标对应的影响因子均是通过建立回归分析模型,来描述参数与影响因
子之间的关系,计算电阻变化以及电能变化对电表异常状态的影响程度,即影响因子。
本实施例中,上述有效电阻影响指标对应的影响因子数值设定为0.37,电能平均变化指标对应的影响因子数值设定为0.45。
本实施例中,上述电表的异常状态指数的数值变化如表1所示:
表1电表的异常状态指数
本实施例中,随着有效电阻影响指标和电能平均变化指标的增大,电表的异常状态指数也会增大,若电能平均变化指标相同时,有效电阻影响指标越大,电表的异常状态指数也随之越大,会使得电表出现异常的次数越多,出现异常的程度越大,对电表计量用户的实际用电量时出现较大误差,有利于用户发现实际用电量异常,及时检查出电表的异常状态,并采取必要措施对电表异常进行维修护理。
电表预付费状态判定:将用户的用电峰值以及电表的异常状态指数进行综合分析,并匹配出用户的电费预缴额,与用户的缴纳系统中的电费剩余额进行比对,最终对用户的电表预付费状态进行判定。
进一步的,所述用户的用电预估度,在一个具体实施例中,可以通过机器学习技术,如神经网络模型,对历史用电数据进行训练,构建预测模型,进而得出用户的用电预估度。
上述用户的用电预估度,在本实施例中,是通过用户的用电峰值以及电表的异常状态指数综合分析得到的,以此用于判定用户的用电预估度,本实施例中采用更加精确的计算方法进行获得,具体表达式为:
其中表示为用户的用电预估度,本实施例中,若出现过高或过低的用户的用电
峰值,都可能意味着电表存在异常状态,即电表的异常状态指数过高,导致用户的用电峰值
出现偏差,以至于给预估用户的用电量以及预付费带来负面影响,对表达式进行关联性解
析,以此降低参数之间相互耦合给用户的用电预估度带来的负面影响,提高预估的准确性。
表示为用户的用电峰值,是指用户在一定时间内的最高用电量。
表示为电表的异常状态指数,是指电表出现异常状态的程度。
表示为预定义的用电峰值对应的权重因子,表示为预定义的异常状态指数对
应的权重因子,其中用电峰值对应的权重因子以及异常状态指数对应的权重因子均是通过
电力系统模拟软件来模拟不同用电峰值以及异常状态指数下的用电情况,根据模拟结果来
分析用电峰值以及异常状态指数对预估用电量的影响,并据此确定权重因子。
本实施例中,设定用电峰值对应的权重因子数值为0.69,设定异常状态指数对应的权重因子0.33。
本实施例中,上述用户的用电预估度,其数值如表2所示:
表2用户的用电预估度
本实施例中,随着用电峰值增大,用户的用电预估度也会随之增大;电表的异常状态指数反映的是电表的损坏情况,指数越小,说明电表的状态越好,对预估电量的影响就越小,所计量的实时用电量以及用户的用电预估度就越准确。
具体的,所述匹配出用户的电费预缴额,具体分析过程为:
分析用户的用电预估度,与用户服务数据库中定义的各用电预估度区间对应的电费预缴额通过查找算法进行匹配,以此得到用户的电费预缴额。
上述匹配过程为:通过查找算法来确定用户的用电预估度属于哪个用电预估度区间;确定了用户的用电预估度所在的区间,就可以从用户服务数据库中查找该区间对应的电费预缴额,以此得到用户的电费预缴额;查找算法的主要作用是通过编程语言实现自动化匹配。
进一步的,所述对用户的电表预付费状态进行判定,具体分析过程为:
将用户的电费预缴额,与用户的缴纳系统中的电费剩余额进行比对,其中用户缴纳系统是智能电表自身携带的系统功能之一,若用户的电费预缴额大于电费剩余额,则表明电费剩余额不足以缴纳用户的预缴额,则对用户的电表预付费进行告警提示,即通过智能电表显示余额不足、发送短信或电子邮件等方式告警用户及时缴纳电费;若用户的电费预缴额小于或等于电费剩余额,则对用户的电表预付费进行反馈,即通过智能电表显示余额、发送短信或电子邮件等方式反馈给用户电费的缴纳情况。
参照图2所示,本发明第二方面提供了基于人工智能的电表预付费方法的系统,包括:用电峰值比对模块、电表异常状态判定模块以及电表预付费状态判定模块。
本发明第二方面提供了基于人工智能的电表预付费方法的系统,还包括用户服务数据库,所述用户服务数据库用于存储峰值参考功率、用电单位次数对应的影响因子、负载参照率以及各用电预估度区间对应的电费预缴额。
所述用电峰值比对模块与电表异常状态判定模块相连接,电表异常状态判定模块与电表预付费状态判定模块相连接,用电峰值比对模块与电表异常状态判定模块均与用户服务数据库相连接。
所述用电峰值比对模块用于采集用户的用电信息,评估用户的用电消耗度,并与设定的用电消耗阈值进行比对,得到用户的用电峰值。
所述电表异常状态判定模块用于对用户对应智能电表的运行状态进行监测,以判定电表的异常状态指数。
所述电表预付费状态判定模块用于将用户的用电峰值以及电表的异常状态指数进行综合分析,并匹配出用户的电费预缴额,与用户的缴纳系统中的电费剩余额进行比对,最终对用户的电表预付费状态进行判定。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.基于人工智能的电表预付费方法,其特征在于,包括:
用电峰值比对:采集用户的用电信息,评估用户的用电消耗度,并与设定的用电消耗阈值进行比对,得到用户的用电峰值;
电表异常状态判定:对用户对应智能电表的运行状态进行监测,以判定电表的异常状态指数;
电表预付费状态判定:将用户的用电峰值以及电表的异常状态指数进行综合分析,并匹配出用户的电费预缴额,与用户的缴纳系统中的电费剩余额进行比对,最终对用户的电表预付费状态进行判定。
2.根据权利要求1所述的基于人工智能的电表预付费方法,其特征在于:所述对用户的电表预付费状态进行判定,具体分析过程为:
将用户的电费预缴额,与用户的缴纳系统中的电费剩余额进行比对,若用户的电费预缴额大于电费剩余额,则对用户的电表预付费进行告警提示;若用户的电费预缴额小于或等于电费剩余额,则对用户的电表预付费进行反馈。
3.根据权利要求1所述的基于人工智能的电表预付费方法,其特征在于:所述匹配出用户的电费预缴额,具体分析过程为:
分析用户的用电预估度,与用户服务数据库中定义的各用电预估度区间对应的电费预缴额通过查找算法进行匹配,以此得到用户的电费预缴额。
4.根据权利要求3所述的基于人工智能的电表预付费方法,其特征在于:所述用户的用电预估度,具体表达式为:
其中表示为用户的用电预估度,/>表示为用户的用电峰值,/>表示为电表的异常状态指数,/>表示为预定义的用电峰值对应的权重因子,/>表示为预定义的异常状态指数对应的权重因子。
5.根据权利要求1所述的基于人工智能的电表预付费方法,其特征在于:所述得到用户的用电峰值,具体分析过程为:
将用户的用电消耗度与设定的用电消耗阈值进行比对,并将用户的用电消耗度与用电消耗阈值进行差值处理,得到用户的用电消耗偏差值,与设定的各用电消耗偏差值区间对应的用电峰值进行匹配,以此得到用户的用电峰值。
6.根据权利要求1所述的基于人工智能的电表预付费方法,其特征在于:所述电表的异常状态指数,具体分析过程为:
对用户对应智能电表的运行状态进行监测,将获取的用户对应智能电表在各用电评估时间点的电流值以及电压值进行比值处理,并经由欧姆定律得到用户对应智能电表在各用电评估时间点的有效电阻值,与用户服务数据库中存储的有效电阻适配值进行分析综合处理,得到的数值记为用户对应智能电表在用电评估周期内的有效电阻影响指标;
根据用户对应智能电表在各用电评估时间点的电流值以及电压值,构建出用户对应智能电表的电压电流曲线,并从中测量得到用户对应智能电表在各用电评估时间段下的电能变化直线距离,最终通过斜率计算提取出用户对应智能电表在各用电评估时间段下的电能变化角度,经由平均值处理得到用户对应智能电表在用电评估周期内的电能平均变化指标,综合分析电表的异常状态指数。
7.根据权利要求1所述的基于人工智能的电表预付费方法,其特征在于:所述用户的用电消耗度,具体分析过程为:
根据用户的用电信息,可以提取得到用户的用电消耗关联信息以及用电负荷关联信息;
将用户的用电消耗影响程度系数与设定的用电消耗影响程度系数对应的权重因子相乘,得到用户的用电消耗影响指标;将用户的用电负荷影响程度系数与设定的用电负荷影响程度系数对应的权重因子相乘,得到用户的用电负荷影响指标;
将用户的用电消耗影响指标与用户的用电负荷影响指标相加,得到用户的用电消耗度。
8.根据权利要求7所述的基于人工智能的电表预付费方法,其特征在于:所述用户的用电消耗影响程度系数,具体分析过程为:
通过用户的用电消耗关联信息,可以得到用户在设定的用电评估周期内的用电次数以及用户在各用电评估时间段下的消耗电量;
将用户在各用电评估时间段下的消耗电量与用电评估时间段对应的时长进行比值处理,得到用户在各用电评估时间段下的平均功率;
将用户在各用电评估时间段下的平均功率,按照从小到大的顺序依次进行排列,筛选出排名第一位的平均功率,记为用户在用电评估周期内的峰值功率;
从用户服务数据库中,提取得到峰值参考功率以及用电单位次数对应的影响因子,综合分析用户的用电消耗影响程度系数。
9.根据权利要求7所述的基于人工智能的电表预付费方法,其特征在于:所述用户的用电负荷影响程度系数,具体分析过程为:
根据用户的用电负荷关联信息,同时将用电评估周期划分为各用电评估时间点,获取用户在各用电评估时间点的用电负荷值,构建用户的用电负荷折线,从中提取用户的用电负荷折线中的最大角度值,记为用户在用电评估周期内的用电负荷增长指数;
将用户在各用电评估时间点的用电负荷值进行相加处理,得到用户在用电评估周期的用电总负荷,并与用户服务数据库中存储的供电设备额定容量进行比值处理,得到用户在用电评估周期内的负载率;
从用户服务数据库中,提取得到负载参照率,综合分析用户的用电负荷影响程度系数。
10.一种应用如权利要求1-9中任意一项基于人工智能的电表预付费方法的系统,其特征在于:包括:
用电峰值比对模块,用于采集用户的用电信息,评估用户的用电消耗度,并与设定的用电消耗阈值进行比对,得到用户的用电峰值;
电表异常状态判定模块,用于对用户对应智能电表的运行状态进行监测,以判定电表的异常状态指数;
电表预付费状态判定模块,将用户的用电峰值以及电表的异常状态指数进行综合分析,并匹配出用户的电费预缴额,与用户的缴纳系统中的电费剩余额进行比对,最终对用户的电表预付费状态进行判定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410670704.3A CN118246912A (zh) | 2024-05-28 | 2024-05-28 | 基于人工智能的电表预付费方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410670704.3A CN118246912A (zh) | 2024-05-28 | 2024-05-28 | 基于人工智能的电表预付费方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118246912A true CN118246912A (zh) | 2024-06-25 |
Family
ID=91552874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410670704.3A Pending CN118246912A (zh) | 2024-05-28 | 2024-05-28 | 基于人工智能的电表预付费方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118246912A (zh) |
-
2024
- 2024-05-28 CN CN202410670704.3A patent/CN118246912A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN106651169A (zh) | 基于模糊综合评价的配电自动化终端状态评价方法及系统 | |
CN109932663A (zh) | 电池健康状态评估方法、装置、存储介质及电子装置 | |
CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
CN104794206A (zh) | 一种变电站数据质量评价系统及方法 | |
CN111856309B (zh) | 一种电池健康状态的定量判断方法 | |
CN104316879A (zh) | 一种铅酸蓄电池组寿命的预测方法 | |
CN116882804A (zh) | 一种智能电力监控方法及系统 | |
CN115293257A (zh) | 一种针对异常用电用户的检测方法及系统 | |
CN111612019A (zh) | 一种基于大数据模型对智能电表故障异常辨识分析的方法 | |
CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
Hartmann et al. | Suspicious electric consumption detection based on multi-profiling using live machine learning | |
CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
CN115759708A (zh) | 一种考虑电力时空分布特性的线损分析方法及系统 | |
CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
CN113687293A (zh) | 基于大数据的线损异常智能分析方法 | |
CN114493238A (zh) | 供电服务风险预测方法、系统、存储介质及计算机设备 | |
CN102095953A (zh) | 一种蓄电池充电机性能在线检测方法 | |
CN115511016B (zh) | 一种基于增量主动学习的电费异常检测方法及其装置 | |
CN118246912A (zh) | 基于人工智能的电表预付费方法及系统 | |
CN115809805A (zh) | 基于边缘计算的电网多源数据处理方法 | |
CN117092390A (zh) | 电网窃电监测与定位方法 | |
CN113627821A (zh) | 一种基于用电行为特征进行异常用电识别的方法及系统 | |
CN115563489B (zh) | 超差表检出方法、装置及计算机存储介质 | |
JP7506868B2 (ja) | 配電変圧器の異常容量に対するビッグデータ・スクリーニング・方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |