CN110008273A - 一种智能电能表大数据模型处理***及处理方法 - Google Patents

Abstract

本申请提供了一种智能电能表大数据模型处理***及处理方法，处理***包括试验数据层、数据预处理层、数据资源体系层、大数据挖掘层、智能服务层；试验数据层为数据预处理层提供原始数据，将原始数据导入到电能表大数据模型LGGLDM中，经过分类处理后到达数据预处理层；数据资源体系层对试验数据层中的原始数据经过预处理后，得到经过分类、标注的结构化数据，将经过分类、标注的结构化数据资源通过大数据挖掘层提取相应的智能电能表知识库；智能服务层基于数据挖掘构建的智能电能表各类知识库，提供相应的智能电能表试验大数据的智能信息服务，从而提高智能电能表数据资源的处理分析利用率，将数据资源转化为研究分析与开发智能电能表服务。

Description

一种智能电能表大数据模型处理***及处理方法

技术领域

本发明涉及智能电能表试验数据技术领域，尤其涉及一种智能电能表大数据模型处理***及处理方法。

背景技术

在智能电能表试验工作过程中，积累了大量的历史数据资源，随着数据采集手段的不断拓展和智能电能表试验任务和可靠性研究的深入推进，试验数据大量增加；这些试验数据资源是反映智能电能表性能、可靠性和评价智能电能表体系能力水平以及研究开发智能电能表的重要依据。但是由于早期受网络、计算存储及数据处理技术等因素限制，缺乏统一的***规划设计，目前大量试验数据分散存储在不同的试验终端，缺乏统一管理和分析应用机制，大量隐含在数据中的有价值信息未能得到有效的挖掘与开发。

发明内容

本申请提供了一种智能电能表大数据模型处理***及处理方法，目的是为智能电能表试验活动提供智能信息服务和管理决策，并能够为智能电能表的技术提高与发展提供支持。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种智能电能表大数据模型处理***，其特征在于，所述的处理***包括试验数据层、数据预处理层、数据资源体系层、大数据挖掘层、智能服务层；

所述试验数据层为数据预处理层提供原始数据，将原始数据导入到电能表大数据模型LGGLDM中，经过分类处理后到达数据预处理层；

所述数据资源体系层对试验数据层中的原始数据经过预处理后，得到经过分类、标注的结构化数据，将经过分类、标注的结构化数据资源通过大数据挖掘层提取相应的智能电能表知识库；

所述智能服务层基于数据挖掘构建的智能电能表各类知识库，提供相应的智能电能表试验大数据的智能信息服务。

进一步：所述试验数据层依据类型分为文本、图像和测试测量数据。

进一步：所述数据预处理层根据文本类型进行实体提取、摘要关键词提取对文本进行预处理；

所述数据预处理层根据图像类型进行文本识别、图像识别标注对图像进行预处理；

所述数据预处理层根据测试测量数据极性数据去噪、数据标注对测试测量数据进行预处理。

进一步：所述数据资源体系层包括智能电能表的功耗、耐压值、抗干扰值以及参数变化智能表数据知识数据库。

进一步：所述大数据挖掘层对试验数据层中的原始数据依据智能电能表表型、元器件型号、试验项目类型进行分类规则挖掘、模式挖掘、特征提取、多实体关系知识挖掘处理、模型建模、数据建模以及关系图挖掘，从数据中学习建立关于智能电能表的各类知识库。

进一步：所述智能服务层包括智能电能表管理决策、实验水平评估以及数值变化态势分析的智能电能表试验大数据。

一种智能电能表大数据模型处理方法，所述的处理方法具体包括以下步骤：

试验数据层依据类型分为文本、图像以及测试测量数据，将文本、图像和测试测量数据的原始试验数据导入到智能电能表大数据模型LGGLDM中，经过分类处理后到达数据预处理层；

数据预处理层根据文本类型进行实体提取、摘要关键词提取对文本进行预处理；数据预处理层根据图像类型进行文本识别、图像识别标注对图像进行预处理；数据预处理层根据测试测量数据极性数据去噪、数据标注对测试测量数据进行预处理；处理完成后到达数据资源体系层；

数据资源体系层从预处理后的数据中提取出智能电能表的功耗、耐压值、抗干扰值以及参数变化数据；

大数据挖掘层对于智能电能表的功耗、耐压值、抗干扰值以及参数变化数据依据智能电能表表型、元器件型号、试验项目类型进行分类规则挖掘、模式挖掘、特征提取、多实体关系知识挖掘处理，从数据中学习建立关于智能电能表的各类知识库；

智能服务层，基于数据挖掘构建的智能电能表各类知识库，提供智能电能表管理决策、试验水平评估及不同环境下的智能电能表各类数值变化态势分析智能电能表试验大数据的智能信息服务。

本申请提供的技术方案包括以下有益技术效果：

一种面向试验数据的智能电能表大数据模型处理方法，包括试验数据层、数据预处理层、数据资源体系层、大数据挖掘层、智能服务层；

试验数据层通过导入到电能表大数据模型LGGLDM中，经过分类处理后到达数据预处理层；

数据预处理层根据数据类型选择相应的数据预处理方法，处理完成后到达数据资源体系层；数据资源体系层对试验数据层中的原始数据经过相应预处理后，得到经过分类、标注的结构化数据，将经过分类、标注的结构化数据资源通过大数据挖掘层提取相应的智能电能表知识库；智能服务层依据基于数据挖掘构建的智能电能表各类知识库，可以提供相应的智能电能表试验大数据的智能信息服务；从而提高智能电能表数据资源的处理分析利用率，将数据资源转化为研究分析与开发智能电能表服务。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请面向试验数据的智能电能表大数据模型处理方法流程图。

具体实施方式

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。

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

请参考附图1，该图示出了本实施例提供的面向试验数据的智能电能表大数据模型处理方法流程图。

本申请提供的一种智能电能表大数据模型处理***，包括试验数据层、数据预处理层、数据资源体系层、大数据挖掘层、智能服务层。

试验数据层依据类型分为文本、图像以及测试测量数据。

试验数据层为数据预处理层提供原始数据，将原始数据导入到电能表大数据模型LGGLDM中，经过分类处理后到达数据预处理层。

数据预处理层根据文本类型进行实体提取、摘要关键词提取对文本进行预处理。

数据预处理层根据图像类型进行文本识别、图像识别标注对图像进行预处理。

数据预处理层根据测试测量数据极性数据去噪、数据标注对测试测量数据进行预处理。

数据资源体系层对试验数据层中的原始数据经过预处理后，得到智能电能表的功耗、耐压值、抗干扰值以及参数变化数据。

大数据挖掘层对智能电能表的功耗、耐压值、抗干扰值以及参数变化数据依据智能电能表表型、元器件型号、试验项目类型进行分类规则挖掘、模式挖掘、特征提取、多实体关系知识挖掘处理，从数据中学习建立关于智能电能表的各类知识库。

智能服务层基于数据挖掘构建的智能电能表各类知识库，提供相应的智能电能表试验大数据的智能信息服务。

智能服务层包括智能电能表管理决策、实验水平评估以及数值变化态势分析的智能电能表试验大数据，智能服务层可依据需求不同提供各类智能电能表数据信息。

一种智能电能表大数据模型处理方法，所述的处理方法具体包括以下步骤：

S1.试验数据层依据类型可分为文本、图像以及测试测量数据，将文本、图像和测试测量数据的原始试验数据导入到智能电能表大数据模型LGGLDM中，经过分类处理后到达数据预处理层。

S2.数据预处理层根据文本类型进行实体提取、摘要关键词提取对文本进行预处理；数据预处理层根据图像类型进行文本识别、图像识别标注对图像进行预处理；数据预处理层根据测试测量数据极性数据去噪、数据标注对测试测量数据进行预处理；处理完成后到达数据资源体系层。

S3.数据资源体系层从预处理后的数据中提取出智能电能表的功耗、耐压值、抗干扰值以及参数变化数据。

S4.大数据挖掘层对于智能电能表的功耗、耐压值、抗干扰值以及参数变化数据依据智能电能表表型、元器件型号、试验项目类型进行分类规则挖掘、模式挖掘、特征提取、多实体关系知识挖掘处理、模型建模、数据建模以及关系图挖掘，从数据中学习建立关于智能电能表的各类知识库。

S5.智能服务层，基于数据挖掘构建的智能电能表各类知识库，提供智能电能表管理决策、试验水平评估及不同环境下的智能电能表各类数值变化态势分析智能电能表试验大数据的智能信息服务。

智能服务层可依据需求不同提供各类智能电能表数据信息，从而提高智能电能表数据资源的处理分析利用率，将数据资源转化为研究分析与开发智能电能表服务。

需要说明的是，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的内容，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (7)

1.一种智能电能表大数据模型处理***，其特征在于，所述的处理***包括试验数据层、数据预处理层、数据资源体系层、大数据挖掘层、智能服务层；

所述试验数据层为数据预处理层提供原始数据，将原始数据导入到电能表大数据模型LGGLDM中，经过分类处理后到达数据预处理层；

所述数据资源体系层对试验数据层中的原始数据经过预处理后，得到经过分类、标注的结构化数据，将经过分类、标注的结构化数据资源通过大数据挖掘层提取相应的智能电能表知识库；

所述智能服务层基于数据挖掘构建的智能电能表各类知识库，提供相应的智能电能表试验大数据的智能信息服务。

2.根据权利要求1所述的一种智能电能表大数据模型处理***，其特征在于，所述试验数据层依据类型分为文本、图像以及测试测量数据。

3.根据权利要求2所述的一种智能电能表大数据模型处理***，其特征在于，所述数据预处理层根据文本类型进行实体提取、摘要关键词提取对文本进行预处理；

所述数据预处理层根据图像类型进行文本识别、图像识别标注对图像进行预处理；

所述数据预处理层根据测试测量数据极性数据去噪、数据标注对测试测量数据进行预处理。

4.根据权利要求1所述的一种智能电能表大数据模型处理***，其特征在于，所述数据资源体系层包括智能电能表的功耗、耐压值、抗干扰值以及参数变化数据。

5.根据权利要求1所述的一种智能电能表大数据模型处理***，其特征在于，所述大数据挖掘层对试验数据层中的原始数据依据智能电能表表型、元器件型号、试验项目类型进行分类规则挖掘、模式挖掘、特征提取、多实体关系知识挖掘处理、模型建模、数据建模以及关系图挖掘，从数据中学习建立关于智能电能表的各类知识库。

6.根据权利要求1所述的一种智能电能表大数据模型处理***，其特征在于，所述智能服务层包括智能电能表管理决策、实验水平评估以及数值变化态势分析的智能电能表试验大数据。

7.一种智能电能表大数据模型处理方法，其特征在于，所述的处理方法具体包括以下步骤：

试验数据层依据类型可分为文本、图像以及测试测量数据，将文本、图像和测试测量数据的原始试验数据导入到智能电能表大数据模型LGGLDM中，经过分类处理后到达数据预处理层；

数据预处理层根据文本类型进行实体提取、摘要关键词提取对文本进行预处理；数据预处理层根据图像类型进行文本识别、图像识别标注对图像进行预处理；数据预处理层根据测试测量数据极性数据去噪、数据标注对测试测量数据进行预处理；处理完成后到达数据资源体系层；

数据资源体系层从预处理后的数据中提取出智能电能表的功耗、耐压值、抗干扰值以及参数变化数据；

大数据挖掘层对于智能电能表的功耗、耐压值、抗干扰值以及参数变化数据依据智能电能表表型、元器件型号、试验项目类型进行分类规则挖掘、模式挖掘、特征提取、多实体关系知识挖掘处理，从数据中学习建立关于智能电能表的各类知识库；

智能服务层，基于数据挖掘构建的智能电能表各类知识库，提供智能电能表管理决策、试验水平评估及不同环境下的智能电能表各类数值变化态势分析智能电能表试验大数据的智能信息服务。