设备电耗预测方法、装置和电量采集装置制造方法及图纸

本公开公开了一种设备电耗预测方法、装置和电量采集装置，涉及数据处理领域。该方法包括：获取与功率参数相关的样本设备运行数据，其中，样本设备运行数据的标记值为功率参数；基于样本设备运行数据和标记值对机器学习模型进行训练，得到功率预测模型，以便基于功率预测模型预测设备的运行功率，根据设备运行功率确定设备电耗量。本公开能够在不利用电表采集设备电耗量的情况下，预测设备的电耗量。

Prediction method, device and power acquisition device of equipment power consumption

【技术实现步骤摘要】
设备电耗预测方法、装置和电量采集装置
本公开涉及数据处理领域，尤其涉及一种设备电耗预测方法、装置和电量采集装置。
技术介绍
近年来，空调器市场发展迅猛，但全国各地用户实际运行电耗情况无法得知。传统机组电耗只能通过电表采集，无法建立电耗的评价体系。经数学建模而得的电耗模型虽然可以准确地预测出单个建筑群的机组电耗，却很难推广应用在全国范围内，例如，电耗数学模型无法预测全国各地区的真实机组电耗。目前行业内均无法实现对全国机组实际运行电耗的预测和管理。
技术实现思路
本公开要解决的一个技术问题是，提供一种设备电耗预测方法、装置和电量采集装置，能够在不利用电表采集设备电耗量的情况下，预测设备的电耗量。根据本公开一方面，提出一种设备电耗预测方法，包括：获取与功率参数相关的样本设备运行数据，其中，样本设备运行数据的标记值为功率参数；基于样本设备运行数据和标记值对机器学习模型进行训练，得到功率预测模型，以便基于功率预测模型预测设备的运行功率，根据设备运行功率确定设备电耗量。在一个实施例中，基于样本设备运行数据和功率值对机器学习模型进行训练，得到功率预测模型包括：对样本设备运行数据进行随机采样，获得多个样本采样集；基于多个样本采样集对机器学习模型进行训练得到多个弱学习模型；对多个弱学习模型进行集成，得到功率预测模型。在一个实施例中，获取与功率参数相关的样本设备运行数据包括：获取样本设备数据；提取样本设备数据中的关键特征参数，得到与功率参数相关的样本设备运行数据。在一个实施例中，提取样本设备数据的关键特征参数包括：对样本设备数据进行降维计算；将降维后的样本设备数据分别与功率参数进行相关性计算，将与功率参数相关性大于阈值的样本设备数据作为样本设备数据的关键特征参数。在一个实施例中，获取样本设备数据包括：对采集的设备数据进行清洗；对清洗后的设备数据进行集成；将集成后的设备数据进行规格化转换；将规格化转换后的设备数据进行削减得到样本设备数据。根据本公开的另一方面，还提出一种设备电耗预测装置，包括：数据获取单元，被配置为获取与功率参数相关的样本设备运行数据，其中，样本设备运行数据的标记值为功率参数；模型训练单元，被配置为基于样本设备运行数据和标记值对机器学习模型进行训练，得到功率预测模型；电耗预测单元，被配置为基于功率预测模型预测设备的运行功率，根据设备运行功率确定设备电耗量。在一个实施例中，模型训练单元被配置为对样本设备运行数据进行随机采样，获得多个样本采样集；基于多个样本采样集对机器学习模型进行训练得到多个弱学习模型；对多个弱学习模型进行集成，得到功率预测模型。在一个实施例中，数据获取单元被配置为获取样本设备数据；提取样本设备数据中的关键特征参数，得到与功率参数相关的样本设备运行数据。在一个实施例中，数据获取单元被配置为对样本设备数据进行降维计算；将降维后的样本设备数据分别与功率参数进行相关性计算，将与功率参数相关性大于阈值的样本设备数据作为样本设备数据的关键特征参数。根据本公开的另一方面，还提出一种设备电耗预测装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器的指令执行如上述的方法。根据本公开的另一方面，还提出一种电量采集装置，包括上述的设备电耗预测装置。根据本公开的另一方面，还提出一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述的方法。与相关技术相比，本公开在获取与功率参数相关的样本设备运行数据后，对机器学习模型进行训练，得到功率预测模型，利用该功率预测模型可以预测设备的运行功率，根据设备运行功率确定设备电耗量，即能够实现在不利用电表采集设备电耗量的情况下，预测得到各设备的电耗量。通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。附图说明构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：图1为本公开设备电耗预测方法的一个实施例的流程示意图。图2为本公开设备电耗预测方法的另一个实施例的流程示意图。图3为本公开设备电耗预测方法的另一个实施例的流程示意图。图4为本公开设备电耗预测装置的一个实施例的结构示意图。图5为本公开设备电耗预测装置的另一个实施例的结构示意图。图6为本公开设备电耗预测装置的另一个实施例的结构示意图。具体实施方式现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。图1为本公开设备电耗预测方法的一个实施例的流程示意图。在步骤110，获取与功率参数相关的样本设备运行数据，其中，样本设备运行数据的标记值为功率参数。设备电耗量与设备的功率参数相关。设备例如为空调器，则与功率参数相关的样本设备运行数据包括样本模块高压数据、样本风机目标频率数据、样本压缩机运行频率等。在步骤120，基于样本设备运行数据和标记值对机器学习模型进行训练，得到功率预测模型。在一个实施例中，先对样本设备运行数据进行随机采样，获得多个样本采样集；然后基于多个样本采样集对机器学习模型进行训练得到多个弱学习模型；对多个弱学习模型进行集成，得到功率预测模型。机器学习的核心是使用算法解析数据，从中学习，然后对世界上的某件事情做出决定或预测。机器学习主要有三种类别：监督学习、非监督学习和强化学习。其中，监督学习使用了标签数据进行训练，无监督学习中则使用无标签数据进行训练，强化学习使用机器的个人历史和经验来做决定。在使用多种机器机器学习算法对特征进行分类时，专利技术人发现BaggingTrees(袋装树)分类算法模型最优，均方根误差最小，因此可以机器学习模型可以采用BaggingTrees模型。该实施例中基于机器学习模型，训练出一个能够准确预测全国机组功率的设备全工况电耗模型，并应用于设备电量采集装置。在步骤130，基于功率预测模型预测设备的运行功率，根据设备运行功率确定设备电耗量。在得到功率预测模型后，当采集到设备的与功率参数相关的实际运行数据后，将该数据输入至功率预测模型，就可以预测得到该设备的功率值，然后获取该设备在该功率情况下的运行时间，从而得到设备的电耗量。在该实施例中，在获取与功率参数相关的样本设备运行数据后，对机器学习模型进行训练，得到功率预测模型，在不利用电表采集设备电耗量的情况下本文档来自技高网...

【技术保护点】
1.一种设备电耗预测方法，包括：获取与功率参数相关的样本设备运行数据，其中，所述样本设备运行数据的标记值为功率参数；基于所述样本设备运行数据和所述标记值对机器学习模型进行训练，得到功率预测模型，以便基于所述功率预测模型预测设备的运行功率，根据设备运行功率确定设备电耗量。

【技术特征摘要】
1.一种设备电耗预测方法，包括：获取与功率参数相关的样本设备运行数据，其中，所述样本设备运行数据的标记值为功率参数；基于所述样本设备运行数据和所述标记值对机器学习模型进行训练，得到功率预测模型，以便基于所述功率预测模型预测设备的运行功率，根据设备运行功率确定设备电耗量。2.根据权利要求1所述的方法，其中，基于所述样本设备运行数据和功率值对机器学习模型进行训练，得到功率预测模型包括：对所述样本设备运行数据进行随机采样，获得多个样本采样集；基于多个样本采样集对机器学习模型进行训练得到多个弱学习模型；对多个弱学习模型进行集成，得到所述功率预测模型。3.根据权利要求1或2所述的方法，其中，获取与功率参数相关的样本设备运行数据包括：获取样本设备数据；提取所述样本设备数据中的关键特征参数，得到与功率参数相关的所述样本设备运行数据。4.根据权利要求3所述的方法，其中，提取所述样本设备数据的关键特征参数包括：对所述样本设备数据进行降维计算；将降维后的样本设备数据分别与功率参数进行相关性计算，将与所述功率参数相关性大于阈值的样本设备数据作为所述样本设备数据的关键特征参数。5.根据权利要求3所述的方法，其中，获取样本设备数据包括：对采集的设备数据进行清洗；对清洗后的设备数据进行集成；将集成后的设备数据进行规格化转换；将规格化转换后的设备数据进行削减得到所述样本设备数据。6.一种设备电耗预测装置，包括：数据获取单元，被配置为获...

【专利技术属性】
技术研发人员：苏玉海，牟桂贤，林勤鑫，陈宗衍，申伟刚，吴斌，孙一谋，
申请(专利权)人：珠海格力电器股份有限公司，
类型：发明
国别省市：广东,44