一种电器耗电量预测方法、装置、设备和存储介质制造方法及图纸

本申请实施例公开了一种电器耗电量预测方法、装置、设备和存储介质，包括：获取电器数据，所述电器数据用于表征电器的性能及其运行情况；对所述电器数据进行特征提取处理，得到第一函数；通过预设的权重对所述第一函数进行加权求和处理，得到第二函数，所述第二函数用于表征电器的预测耗电量。通过基于神经网络的电器耗电量预测模型实现对电器电量的精准预测，避免了因为实际复杂非线性参数较多而导致的预测不准确，预测过程高效、低成本，并能对电器的后续能效实验控制具有指导作用。器的后续能效实验控制具有指导作用。器的后续能效实验控制具有指导作用。

【技术实现步骤摘要】
一种电器耗电量预测方法、装置、设备和存储介质


[0001]本申请涉及计算机领域，具体涉及一种电器耗电量预测方法、装置、设备和存储介质。

技术介绍

[0002]传统的电器耗电量的计算通常采用以下计算式：耗电量＝功率(w)*时间(h)/1000。通过该计算式，只需要在了解该电器功率的前提下，就能预测一段时间内的电器耗电量。这样的粗略计算所反映的结果是一种理想状态下的结果，然而现实中，影响电器耗电量的因素很多，例如温度、湿度、电器老化程度等，哪怕是纯电阻电路，也会由于各种原因而改变电阻大小，从而影响电器的功率和耗电量。
[0003]当前，机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。由此，目前出现了一批通过机器学习来预测电器或其它设备耗电量的方法。
[0004]例如，一种电费预测方法及装置(公开号：CN107958307A)，根据所述历史预设时间段内的耗电量和预定时间段内的天气预报信息，预测所述预定时间段的总耗电量，包括：将所述历史预设时间段内的耗电量和预定时间段内的天气预报信息作为预设学习模型的输入参数，确定预定时间段的总耗电量，其中，所述预设学习模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：历史预设时间段内的耗电量和预定时间段内的天气预报信息，与预定时间段的总耗电量的标签。但是，该方法中，所述预设学习模型的训练数据仅由历史耗电量和外界环境数据构成，训练数据的构成不够全面，无法全方位体现电器的各项静态参数以及动态运行情况，同时也从侧面反映出所述预设学习模型无法处理多项的、非线性可分的数据，故该方法所得到的预测耗电量精确性不足，进而使得所得到的预测耗电量无法在后续的电器能效实验控制中起到指导作用。

技术实现思路

[0005]本申请实施例提供一种电器耗电量方法、装置、设备和存储介质，可以通过基于神经网络的电器耗电量预测模型实现对电器耗电量的精准预测，避免了因为实际复杂非线性参数较多而导致的预测不准确，预测过程高效、低成本，并能对电器的后续能效实验控制具有指导作用。
[0006]本申请实施例提供一种电器耗电量预测方法，包括：
[0007]获取电器数据，所述电器数据用于表征电器的性能及其运行情况；
[0008]对所述电器数据进行特征提取处理，得到第一函数；
[0009]通过预设的权重对所述第一函数进行加权求和处理，得到第二函数，所述第二函数用于表征电器的预测耗电量。
[0010]在上述的实施方式中，所述获取电器数据，包括：
[0011]获取冰箱的运行周期；
[0012]获取冰箱发动机在所述运行周期内的感应电动势脉冲数；
[0013]获取冰箱所处环境的当前温度；
[0014]获取冰箱在所述运行周期内的开、关门次数；
[0015]获取冰箱的容积以及空间占有率；
[0016]获取冰箱的能耗等级以及冰箱的泡层厚度。
[0017]可选地，所述获取电器数据，包括：
[0018]获取洗衣机的运行周期；
[0019]获取洗衣机在所述运行周期内的感应电动势脉冲数；
[0020]获取洗衣机的洗涤及漂洗的转停比；
[0021]获取洗衣机内的衣物负载重量；
[0022]获取洗衣机的实际负载重量以及对应的注水档位量；
[0023]获取洗衣机运行程序中提前输入的洗净比和洗涤时间。
[0024]可选地，所述对所述电器数据进行特征提取处理，得到第一函数，包括：
[0025]获取由所述电器数据组成的输入点；
[0026]计算所述输入点与预设的中心点之间的距离；
[0027]通过激活函数对所述距离进行投影处理，得到所述第一函数。
[0028]在上述的实施方式中，所述通过激活函数对所述距离进行投影处理，得到所述第一函数，包括：
[0029]通过高斯径向基函数对所述距离进行指数幂投影处理，得到投影函数，其中，所述投影函数用于表征所述第一函数。
[0030]可选地，在所述获取电器数据之前，所述方法还包括：
[0031]获取训练电器数据；
[0032]将所述训练电器数据通过减法聚类算法进行聚类处理，得到所述训练电器数据的密度值以及与所述密度值相对应的所述中心点；
[0033]对所述密度值进行反复迭代，直到密度值与初次迭代后的密度值之间的比值小于预设的阈值为止，其中，所述密度值用于表征所述权重。
[0034]本申请实施例还提供一种电器耗电量预测装置，包括：
[0035]数据采集单元，用于获取电器数据，所述电器数据用于表征电器的性能及其运行情况；
[0036]数据处理单元，用于对所述电器数据进行特征提取处理，得到第一函数；
[0037]数据输出单元，用于通过预设的权重对所述第一函数进行加权求和处理，得到第二函数，所述第二函数用于表征电器的预测耗电量。
[0038]本申请实施例还提供一种设备，包括处理器和存储器，所述存储器存储有多条指令；所述处理器从所述存储器中加载指令，以执行如上所述的一种电器耗电量预测方法中的步骤。
[0039]本申请实施例还提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行如上所述的一种电器耗电量预测方法中的步骤。
[0040]本申请实施例可以通过基于神经网络的电器耗电量预测模型实现对电器耗电量的精准预测，避免了因为实际复杂非线性参数较多而导致的预测不准确，预测过程高效、低成本，并能对电器的后续能效实验控制具有指导作用。
附图说明
[0041]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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，对于本领域技术人员来讲，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。
[0042]图1a是本申请实施例提供的一种电器耗电量预测方法的一种应用场景示意图；
[0043]图1b是本申请实施例提供的一种电器耗电量预测方法的流程示意图；
[0044]图2是本申请实施例提供的一种电器耗电量预测方法中的步骤121至步骤123的流程示意图；
[0045]图3是本申请实施例提供的一种电器耗电量预测方法中的步骤T1至步骤T3的流程示意图；
[0046]图4是本申请实施例提供的电器耗电量预测装置的一种结构示意图；
[0047]图5是本申请实施例提供的设备的结构示意图。
具体实施方式
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电器耗电量预测方法，其特征在于，包括：获取电器数据，所述电器数据用于表征电器的性能及其运行情况；对所述电器数据进行特征提取处理，得到第一函数；通过预设的权重对所述第一函数进行加权求和处理，得到第二函数，所述第二函数用于表征电器的预测耗电量。2.根据权利要求1所述的一种电器耗电量预测方法，其特征在于，所述获取电器数据，包括：获取冰箱的运行周期；获取冰箱发动机在所述运行周期内的感应电动势脉冲数；获取冰箱所处环境的当前温度；获取冰箱在所述运行周期内的开、关门次数；获取冰箱的容积以及空间占有率；获取冰箱的能耗等级以及冰箱的泡层厚度。3.根据权利要求1所述的一种电器耗电量预测方法，其特征在于，所述获取电器数据，包括：获取洗衣机的运行周期；获取洗衣机在所述运行周期内的感应电动势脉冲数；获取洗衣机的洗涤及漂洗的转停比；获取洗衣机内的衣物负载重量；获取洗衣机的实际负载重量以及对应的注水档位量；获取洗衣机运行程序中提前输入的洗净比和洗涤时间。4.根据权利要求1所述的一种电器耗电量预测方法，其特征在于，所述对所述电器数据进行特征提取处理，得到第一函数，包括：获取由所述电器数据组成的输入点；计算所述输入点与预设的中心点之间的距离；通过激活函数对所述距离进行投影处理，得到所述第一函数。5.根据权利要求4所述的一种电器耗电量预测方法，其特征在于，所述通过激...

【专利技术属性】
技术研发人员：姚俊楠，姜琪，俞杨，徐玉玮，
申请(专利权)人：TCL家用电器合肥有限公司，
类型：发明
国别省市：