[发明专利]一种电器耗电量预测方法、装置、设备和存储介质

说明书

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。

技术领域

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。

背景技术

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。

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。

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。

发明内容

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。

本申请实施例提供一种电器耗电量预测方法，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。

在上述的实施方式中，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。

可选地，所述获取电器数据，包括：