CN116956195A - 电能表数据冻结处理方法、装置、电子设备及存储介质 - Google Patents
电能表数据冻结处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116956195A CN116956195A CN202310966658.7A CN202310966658A CN116956195A CN 116956195 A CN116956195 A CN 116956195A CN 202310966658 A CN202310966658 A CN 202310966658A CN 116956195 A CN116956195 A CN 116956195A
- Authority
- CN
- China
- Prior art keywords
- data
- electric energy
- energy meter
- freezing
- abnormal
- 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
- 230000008014 freezing Effects 0.000 title claims abstract description 98
- 238000007710 freezing Methods 0.000 title claims abstract description 98
- 238000003672 processing method Methods 0.000 title claims description 5
- 230000002159 abnormal effect Effects 0.000 claims abstract description 124
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims description 52
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000005856 abnormality Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003745 diagnosis Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 description 24
- 230000001186 cumulative effect Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 9
- 238000010606 normalization Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 230000008439 repair process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及电能表技术领域,尤其涉及一种电能表数据冻结处理方法、装置、电子设备及存储介质。本申请使用预先训练完成的电能表异常数据检测模型,对实时监测到的电能表数据进行异常检测,当检测到所述电能表数据出现异常数据时,识别所述电能表数据中每项数据的重要程度,根据电能表数据中每项数据的重要程度确定目标冻结方式,从而采用所述目标冻结方式对对应项的数据进行冻结。由于电能表数据中的异常数据能够被实时检测,因而可以实时对电能表数据进行冻结,防止了电能表数据丢失。此外,对重要程度不同的电能表数据采用不同的冻结方式,能够优化资源和存储成本。
Description
技术领域
本申请涉及电能表技术领域,尤其是涉及一种电能表数据冻结处理方法、装置、电子设备及存储介质。
背景技术
目前,电能表作为电力***中计量电能的唯一部件,如果电能表处于异常情况时,会存在电能表数据丢失的问题,导致无法正确的计量电能,从而造成用户或者供电公司的损失。
发明内容
有鉴于此,本申请提供一种电能表数据冻结处理方法、装置、电子设备及存储介质,用于解决电能表数据丢失的技术问题。
本申请的第一方面提供一种电能表数据冻结处理方法,所述方法包括:
使用预先训练完成的电能表异常数据检测模型,对实时监测到的电能表数据进行异常检测;
当检测到所述电能表数据出现异常数据时,识别所述电能表数据中每项数据的重要程度;
根据所述重要程度确定目标冻结方式;
采用所述目标冻结方式对对应项的数据进行冻结。
在一个可选的实施方式中,所述识别所述电能表数据中每项数据的重要程度包括:
根据所述电能表数据生成电能表数据矩阵;
对所述电能表数据矩阵进行特征计算,得到多个特征值及每个所述特征值对应的特征向量;
对所述多个特征值进行从大到小排序;
确定排序后的多个特征值中每项数据值的累积贡献度;
根据所述累积贡献度确定对应项的数据的重要程度。
在一个可选的实施方式中,在所述根据所述电能表数据生成电能表数据矩阵之前,所述方法还包括:
计算所述电能表数据中每项数据的均值和方差;
根据所述均值和方差对对应项的数据进行归一化处理,得到归一化数据;
根据所述电能表数据生成电能表数据矩阵包括根据所述归一化数据生成所述电能表数据矩阵。
在一个可选的实施方式中,所述方法还包括:
当检测到所述电能表数据出现异常数据时,基于所述异常数据进行故障诊断,确定所述异常数据的异常产生原因;
根据所述异常产生原因,识别所述电能表是否存在电能表硬件故障;
当确定所述电能表存在电能表硬件故障时,根据预设电能表硬件故障处理规则对所述电能表硬件进行处理。
在一个可选的实施方式中,所述方法还包括:
对所述电能表数据进行加密处理;
在接收到对所述电能表数据的查看指令时,显示密钥输入接口;
获取所述密钥输入接口接收到的密钥;
对所述密钥输入接口接收到的密钥进行校验;
当对所述密钥输入接口接收到的密钥校验通过时,显示所述电能表数据。
在一个可选的实施方式中,所述方法还包括:
根据所述异常数据的重要程度确定目标报警方式,并根据所述目标报警方式进行报警。
在一个可选的实施方式中,所述方法还包括:
将冻结后的电能表数据上传至区块链。
本申请的第二方面提供一种电能表数据冻结处理装置,所述装置包括:
检测模块,用于使用预先训练完成的电能表异常数据检测模型,对实时监测到的电能表数据进行异常检测;
识别模块,用于当检测到所述电能表数据出现异常数据时,识别所述电能表数据中每项数据的重要程度;
确定模块,用于根据所述重要程度确定目标冻结方式;
冻结模块,用于采用所述目标冻结方式对对应项的数据进行冻结。
本申请的第三方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述电能表数据冻结处理方法的步骤。
本申请的第四方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述电能表数据冻结处理方法的步骤。
综上所述,本申请提供的电能表数据冻结处理方法、装置、电子设备及存储介质,使用预先训练完成的电能表异常数据检测模型,对实时监测到的电能表数据进行异常检测,当检测到所述电能表数据出现异常数据时,识别所述电能表数据中每项数据的重要程度,根据电能表数据中每项数据的重要程度确定目标冻结方式,从而采用所述目标冻结方式对对应项的数据进行冻结。由于电能表数据中的异常数据能够被实时检测,因而可以实时对电能表数据进行冻结,防止了电能表数据丢失。此外,对重要程度不同的电能表数据采用不同的冻结方式,能够优化资源和存储成本。
附图说明
图1是本申请实施例示出的电能表数据冻结处理方法的流程图;
图2是本申请实施例示出的识别电能表数据中每项数据的重要程度的方法的流程图;
图3是本申请实施例示出的电能表数据冻结处理装置的结构图;
图4是本申请实施例示出的电子设备的结构图。
具体实施方式
本申请以下实施例中所使用的术语只是为了描述特定实施例的目的,而并非旨在作为对本申请的限制。如在本申请的说明书中所使用的那样,单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括复数表达形式,除非其上下文中明确地有相反指示。还应当理解,本申请中使用的术语“和/或”是指包含一个或多个所列出项目的任何或所有可能组合。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为暗示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征,在本申请实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本申请实施例提供的电能表数据冻结处理方法由电子设备执行,相应地,电能表数据冻结处理方法装置运行于电子设备中。
图1是本申请实施例提供的电能表数据冻结处理方法的流程图。所述电能表数据冻结处理方法具体包括以下步骤。
S11,使用预先训练完成的电能表异常数据检测模型,对实时监测到的电能表数据进行异常检测。
所述电能表异常数据检测模型为基于人工智能训练得到的机器学习模型,用于对电能表数据进行异常检测。
实际应用时,可以获取大量的历史电能表数据,由人工对大量的历史电能表数据进行标注,将历史电能表数据标注为电能表正常数据和电能表异常数据。也可以获取历史时期电能表正常运行时的数据和电能表异常运行时的数据,将电能表正常运行时的数据标注为电能表正常数据,将电能表异常运行时的数据标注为电能表异常数据。
电子设备可以将电能表正常数据和电能表异常数据作为训练数据集,选择适当的有监督的机器学习模型,例如,支持向量机,随机森林等,基于训练数据集进行训练。电子设备可以使用梯度下降法训练得到电能表异常数据检测模型,并预先设置一个迭代次数阈值。预设迭代次数阈值用于作为控制电子设备在使用梯度下降法训练电能表异常数据检测模型的停止条件。在训练电能表异常数据检测模型的迭代过程中,可以使用一个计数器来记录训练进行的迭代次数。在每次迭代训练结束时,判断当前迭代次数是否达到预设迭代次数阈值。如果当前迭代次数达到预设迭代次数阈值,则停止训练电能表异常数据检测模型,表明电能表异常数据检测模型已经训练完成;否则,继续进行下一次的迭代训练,直至迭代次数达到预设迭代次数阈值为止。
需要说明的是,迭代次数阈值的设定取决于多种因素,例如,电能表数据集的大小、模型的复杂性和计算资源的限制等,迭代次数阈值根据实际要求进行设定。
其他实施例中,在训练电能表异常数据检测模型之前,需要对训练数据集进行预处理(例如,数据清洗、特征提取和标准化等),确保训练数据集的质量,以提高电能表异常数据检测模型的检测性能。
可以实时采集电能表数据,并将采集到的电能表数据输入到电能表异常数据检测模型中,通过电能表异常数据检测模型输出电能表的运行状态。所述运行状态包括正常和异常。
在一些实施例中,将采集到的电能表数据输入到电能表异常数据检测模型之前,需要对电能表数据进行预处理(例如,数据清洗、特征提取和标准化等),将预处理后的电能表数据输入电能表异常数据检测模型中,能够提高电能表异常数据检测模型检测电能表数据是否出现异常的准确度。
S12,当检测到所述电能表数据出现异常数据时,识别所述电能表数据中每项数据的重要程度。
电能表数据包括多项数据,例如,温度数据,湿度数据,电压数据,电流数据,功率数据等。不同的数据对能源管理、电费计算、电网稳定性和设备状态监测等方面具有不同的意义,即,不同的数据的重要程度不同。
参阅图2所示,图2是本申请实施例提供的识别电能表数据中每项数据的重要程度的方法的流程图。所述识别电能表数据中每项数据的重要程度的方法具体包括以下步骤。
S121,根据所述电能表数据生成电能表数据矩阵。
电能表数据矩阵为一个二维数组,电能表数据矩阵中的每一行代表同一时刻采集的各项指标的数据,每一列代表同一项指标下不同时刻的数据。
在一个可选的实施方式中,在所述根据所述电能表数据生成电能表数据矩阵之前,所述方法还包括:
计算所述电能表数据中每项数据的均值和方差;
根据所述均值和方差对对应项的数据进行归一化处理,得到归一化数据。
其中,均值提供了电能表数据的平均水平,方差则表示数据点与均值之间的离散程度,均值和方差表示了电能表数据的分布和特征的变化范围。
在根据均值和方差对电能表数据中的每项数据进行归一化处理后,得到的归一化数据具有均值为0,标准差为1的正态分布。基于归一化数据生成电能表数据矩阵。
通过上述一个可选的实施方式,通过计算每项数据的均值和方差,可以获得电能表数据中各个特征的集中趋势和离散程度的量化指标。进行归一化得到归一化数据可以使得不同特征之间的均值和方差在相同的尺度下进行比较,消除了尺度的影响。
S122,对所述电能表数据矩阵进行特征计算,得到多个特征值及每个所述特征值对应的特征向量。
特征值表示了电能表数据矩阵的特征的重要性,特征值表明了电能表数据中每项数据存在的线性关系的强度。较大的特征值表示了更强的线性关系。
通过上述可选的实施方式,通过对电能表数据矩阵进行特征计算,可以确定电能表数据中最重要的特征,即具有最大特征值的特征。
S123,对所述多个特征值进行从大到小排序。
对特征值进行排序,使得特征值大的排序在前,特征值小的排序在后。
S124,确定排序后的多个特征值中每项数据值的累积贡献度。
特征值表示各个主成分所解释的数据方差,特征值的贡献度用于评估主成分对原始数据方差的解释能力,累积贡献度表示前n个主成分所包含的方差所占总方差的比例。累积贡献度 = (前n个特征值的和) / (所有特征值的和)。
S125,根据所述累积贡献度确定对应项的数据的重要程度。
电子设备可以预先设置多个贡献度阈值分段区间,其中,预设贡献度阈值分段区间可以包括多段贡献度阈值区间,每段贡献度阈值区间对应一种级别的重要程度,不同段的贡献度阈值区间对应不同级别的重要程度。例如,电子设备可以预先设置第一段贡献度阈值区间、第二段贡献度阈值区间、第三段贡献度阈值区间,其中,第一段贡献度阈值区间对应第一级别的重要程度,第二段贡献度阈值区间对应第二级别的重要程度,第三段贡献度阈值区间对应第三级别的重要程度。
示例性的,假设存在排序后的特征值为 [1.614,0.713,0.428,0.245],1.614 +0.713 + 0.428 + 0.245 = 3,则计算得到的贡献度为 [1.614/3,0.713/3,0.428/3,0.245/3]= [0.5380,0.2377,0.1426,0.0483]。表明第一个特征值的贡献度为54%,第二个特征值的贡献度为24%,第三个特征值的贡献度为14%,第四个特征值的贡献度为8%。则第一个特征值的累积贡献度为54%,第二个特征值的累积贡献度为78%,第三个特征值的累积贡献度为92%,第四个特征值的累积贡献度为100%。
假设累积贡献度超过75%时对应第一段贡献度阈值区间,则电子设备判定第一个特征值及第二个特征值的对应项的数据为第一级别的重要程度,例如,高级重要程度;假设累积贡献度超过90%时对应第二段贡献度阈值区间,则电子设备判定第三个特征值的对应项的数据为第二级别的重要程度,例如,中级重要程度;假设累积贡献度超过100%时对应第三段贡献度阈值区间,则电子设备判定第四个特征值的对应项的数据为第三级别的重要程度,例如,低级重要程度。
在一个可选的实施方式中,在根据所述累积贡献度确定对应项的数据的重要程度之后,还可以根据预设目标变量确定每项数据的重要程度,从而将根据累积贡献度确定的重要程度及目标变量确定的重要程度进行加权计算,得到每项数据的加权重要程度。
所述目标变量可以用电量预测,能源需要预测,能效评估等。可以基于目标变量与每项数据的关联性来评估每项数据的重要程度。可以使用相关性分析、卡方检验、回归分析等技术,将目标变量与每项数据进行关联,并分析目标变量与每项数据之间的关系。如此,可以更具针对性地确定电能表数据的重要程度。
以相关性分析为了,可以通过计算每项数据与目标变量之间的相关系数,来评估每项数据与目标变量之间的线性相关性。相关系数可以为皮尔逊相关系数和斯皮尔曼等级相关系数。相关系数的绝对值越大表示关系越强,正值表示正相关,负值表示负相关。较高的相关系数表明该项数据与目标变量之间存在较强的关联,因此可以认为该项数据的重要程度较高。
S13,根据所述重要程度确定目标冻结方式。
不同级别的重要程度对应不同的冻结方式,同一个级别的重要程度对应同一种冻结方式。
示例性的,假设所述重要程度为第一级别的重要程度,即累积贡献度处于第一段贡献度阈值区间时,可以选择瞬时冻结方式作为目标冻结方式,对第一级别的重要程度的对应项的数据进行冻结。假设所述重要程度为第二级别的重要程度,即累积贡献度处于第二段贡献度阈值区间时,可以选择分钟冻结方式作为目标冻结方式,对第二级别的重要程度的对应项的数据进行冻结。假设所述重要程度为第三级别的重要程度,即累积贡献度处于第三段贡献度阈值区间时,可以选择日冻结方式作为目标冻结方式,对第三级别的重要程度的对应项的数据进行冻结。
应当说明的是,具体冻结方式需要根据具体情况进行选择。
应当理解的是,若是计算了加权重要程度,则根据加权重要程度确定目标冻结方式。
S14,采用所述目标冻结方式对对应项的数据进行冻结。
当检测到异常数据时,可以触发冻结机制,以确保数据的准确性和安全性。
在一些实施例中,采用所述目标冻结方式对电能表数据进行冻结之前,电子设备可以对电能表数据进行预处理(例如清洗、去除异常值等),可以确保电能表数据的质量和可用性。
采用所述目标冻结方式对对应项的数据进行冻结,使得重要程度较高的电能表数据可能需要更频繁地进行监测和采集,以保障实时性和准确性。通过采用更频繁的数据采集和更新策略,可以为重要的电能表数据分配更多的计算资源和存储空间,确保及时被处理和记录。相反,对于重要程度较低的电能表数据,可以采取更节省计算资源的冻结方式,减少不必要的数据采集和处理,从而优化资源的分配和利用效率。
重要程度较高的电能表数据可能需要长时间保留,以供后续分析或审计使用。通过采用适当的冻结方式,可以控制数据的保存成本。对于重要程度较低的电能表数据,可以将其冻结或归档到较低成本的存储介质中,以节省存储空间和成本。这样可以确保有限的存储资源被重要的数据充分利用,而无需浪费在不太重要的数据上。
针对重要程度不同的电能表数据采用不同的冻结方式,可以提高数据处理的效率。对于重要程度较高的数据进行瞬时冻结,以确保***的稳定和安全。对于重要程度较低的数据进行日冻结,可以减少数据处理的频率和工作负载,提高整体的数据处理效率。
在一个可选的实施方式中,所述方法还包括:
当检测到所述电能表数据出现异常数据时,基于所述异常数据进行故障诊断,确定所述异常数据的异常产生原因;
根据所述异常产生原因,识别所述电能表是否存在电能表硬件故障;
当确定所述电能表存在电能表硬件故障时,根据预设电能表硬件故障处理规则对所述电能表硬件进行处理。
电子设备可以根据电能表数据预先设置一个异常阈值范围,通过统计方法来检测异常数据,根据统计指标(例如,均值、方差、标准差等)判断电能表数据的每项数据是否超出预设异常阈值范围。当确定电能表数据存在超出预设异常阈值范围的数据,则表明检测到所述电能表数据出现异常数据。其他实施例中,电子设备可以应用时序分析方法(例如,指数平滑、移动平均等)来检测电能表数据中是否存在异常数据。当确定电能表数据中存在明显偏离历史电能表数据趋势的数据时,则表明检测到所述电能表数据出现异常数据。
可以在异常原因库中查找与异常数据对应的异常产生原因,例如,传感器故障、电路故障等。
当确定电能表数据存在异常数据时,电子设备可以基于异常数据进行故障诊断,可以确定异常数据的异常产生原因。所述异常产生原因可能是电能表硬件故障产生的,也可能不是电能表硬件故障产生的,例如,停电、电能表数据传输错误、环境因素干扰等。
在一些实施例中,电子设备可以根据电能表硬件故障类型预先设置电能表硬件故障处理规则。其中,预设电能表硬件故障处理规则可以包括多种电能表硬件故障处理规则,每种电能表硬件故障类型对应一种电能表硬件故障处理规则,不同的电能表硬件故障类型对应不同的电能表硬件故障处理规则。所述电能表硬件故障类型可以包括,但不限于:传感器故障、电路板故障等。当确定电能表存在电能表硬件故障时,可以根据预设的电能表硬件故障处理规则,对电能表硬件进行相应的处理。例如,修复或更换故障的硬件组件。
示例性的,假设确定电能表硬件故障类型为第一种电能表硬件故障类型,例如,传感器故障时,电子设备可以采用第一种电能表硬件故障处理规则对电能表硬件进行处理,例如,通知维修人员进行传感器的更换或修复。假设确定电能表硬件故障类型为第二种电能表硬件故障类型,例如,电路板故障时,电子设备可以采用第二种电能表硬件故障处理规则对电能表硬件进行处理,例如,自动切换到备用电路板。
通过上述可选的实施方式,通过根据不同故障类型选择相应的处理规则,可以及时发现和诊断电能表硬件故障,以便及时采取修复措施,提高故障响应速度和可靠性。其次自动化的故障处理规则可以降低人工介入的需求,提高处理效率,减少人为误操作和判断的可能性。
在一个可选的实施方式中,所述方法还包括:
根据所述异常数据的重要程度确定目标报警方式,并根据所述目标报警方式进行报警。
电子设备可以根据业务需求来评估异常数据的重要程度。其中,异常数据的重要程度可以包括多种级别重要程度,每种级别重要程度对应一种报警方式,不同级别重要程度对应不同的报警方式。例如,电子设备可以预先设置第一级别重要程度、第二级别重要程度、第三级别重要程度,其中,第一级别重要程度对应第一种报警方式,第二级别重要程度对应第二种报警方式,第三级别重要程度对应第三种报警方式。
示例性,假设异常数据将对业务影响较小的,则可以将异常数据的重要程度设置为第一级别重要程度,电子设备可以采用第一种报警方式进行报警,例如,通过用户或运维人员的设备(例如,手机)界面弹出窗口或对话框来进行提醒;假设异常数据将对业务造成中等程度的影响的,则可以将异常数据的重要程度设置为第二级别重要程度,电子设备可以采用第二种报警方式进行报警,例如,发送邮件给用户或运维人员,提供异常数据的详细信息或处理建议;假设异常数据将对业务影响较大(例如,可能导致严重的损失或电能表硬件故障)的,则可以将异常数据的重要程度设置为第三级别重要程度,电子设备可以采用第三种报警方式进行报警,例如,发送短信或直接向运维人员拨打电话和发送紧急报警信息。
通过上述可选的实施方式,通过根据异常数据的重要程度确定报警方式,从而采用不同的报警方式对异常数据进行报警处理,不同的报警方式可以在不同的场景中更加明显和显眼地提醒用户,从而促使用户尽快采取行动来处理异常情况。这有助于快速解决问题,减少潜在的损失或风险。
在一个可选的实施方式中,电子设备可以将冻结后的电能表数据实时或定期(例如,每天、每周或每月一次)上传至区块链。
将冻结后的电能表数据实时上传至区块链,可以实时监测电能的使用情况,并且可以进行即时的计费和结算;还可以提供实时的数据分析和监控,帮助供电公司或用户更好地管理电能使用。将冻结后的电能表数据定期上传至区块链,可以减少数据传输量和上传频率,同时保证数据的准确性和完整性。
在一些实施例中,电子设备还可以根据应用场景和需求选择特定的区块链平台。其中,区块链可以应用于各种不同的区块链平台,例如以太坊、比特币、商用分布式设计区块链操作***(Enterprise Operation System,EOS)、超级账本(Hyperledger)等。其他实施例中,电子设备还可以根据不同冻结方式将冻结后的电能表数据可以上传至不同的区块链,例如,选择以太坊区块链存储采用日冻结进行冻结后的电能表数据;选择EOS区块链存储采用瞬时冻结进行冻结后的电能表数据;选择尼奥(NEO)区块链存储采用月冻结进行冻结后的电能表数据。
通过上述可选的实施方式,将冻结后的电能表数据上传至区块链可以确保电能表数据的透明性、安全性和可信度。区块链作为一种分布式账本技术,可以提供去中心化的存储和验证机制,使得电能表数据无法被篡改,并且可以被各方共享和验证。这样可以增加电能表数据的可靠性,同时减少潜在的欺诈和电能表数据篡改的可能性。
在一个可选的实施方式中,所述方法还包括:
对所述电能表数据进行加密处理;
在接收到对所述电能表数据的查看指令时,显示密钥输入接口;
获取所述密钥输入接口接收到的密钥;
对所述密钥输入接口接收到的密钥进行校验;
当对所述密钥输入接口接收到的密钥校验通过时,显示所述电能表数据。
电子设备可以采用对称加密或非对称加密算法对电能表数据进行加密处理。
在一些实施例中,电子设备可以使用密钥生成器生成一个随机的对称密钥,利用对称密钥对电能表数据进行加密。加密后的电能表数据将无法读取,除非使用正确的密钥进行解密。当用户需要查看加密后的电能表数据时,用户需要在密钥输入接口输入正确的密钥对加密的电能表数据进行解密,才能查看电能表数据。其他实施例中,电子设备可以使用密钥生成器生成一对非对称密钥,包括公钥和私钥。公钥用于加密数据,私钥用于解密数据。电子设备使用公钥将电能表数据进行加密,用户使用私钥对加密电能表数据进行解密。当用户需要查看加密后的电能表数据时,用户需要在密钥输入接口输入正确的私钥对加密的电能表数据进行解密,才能查看电能表数据。
所述密钥输入接口可以包括,但不限于:用户的设备(例如,手机)界面的弹出窗口或输入密钥框、短信、邮件等。
示例性的,假设电子设备使用AES对称加密算法对电能表数据(例如,100 kWh)进行加密,并使用密钥生成器生成一个随机的对称密钥(例如,MySecretKey1234)。当用户需要查看电能表数据“100 kWh”时,需要输入正确的密钥“MySecretKey1234”进行解密后,才能正常查看电能表数据“100 kWh”。
通过上述可选的实施方式,通过对电能表数据进行加密处理,只有拥有正确密钥的用户才能解密和读取数据,可以提高数据的保密性和完整性,确保用户只能在合法授权的情况下访问和解密数据,从而保护电能表数据的隐私和安全。
图3是本申请实施例二提供的电能表数据冻结处理装置的结构图。
在一些实施例中,所述电能表数据冻结处理装置30以包括多个由计算机程序段所组成的功能模块。所述电能表数据冻结处理装置30的各个程序段的计算机程序可以存储于电子设备的存储器中,并由至少一个处理器所执行,以执行(详见图1描述)电能表数据冻结处理的功能。
本实施例中,所述电能表数据冻结处理装置30据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:检测模块301、识别模块302、确定模块303、冻结模块304、处理模块305、报警模块306、上传模块307及加密模块308。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
所述检测模块301,用于使用预先训练完成的电能表异常数据检测模型,对实时监测到的电能表数据进行异常检测。
所述电能表异常数据检测模型为基于人工智能训练得到的机器学习模型,用于对电能表数据进行异常检测。
实际应用时,可以获取大量的历史电能表数据,由人工对大量的历史电能表数据进行标注,将历史电能表数据标注为电能表正常数据和电能表异常数据。也可以获取历史时期电能表正常运行时的数据和电能表异常运行时的数据,将电能表正常运行时的数据标注为电能表正常数据,将电能表异常运行时的数据标注为电能表异常数据。
电子设备可以将电能表正常数据和电能表异常数据作为训练数据集,选择适当的有监督的机器学习模型,例如,支持向量机,随机森林等,基于训练数据集进行训练。电子设备可以使用梯度下降法训练得到电能表异常数据检测模型,并预先设置一个迭代次数阈值。预设迭代次数阈值用于作为控制电子设备在使用梯度下降法训练电能表异常数据检测模型的停止条件。在训练电能表异常数据检测模型的迭代过程中,可以使用一个计数器来记录训练进行的迭代次数。在每次迭代训练结束时,判断当前迭代次数是否达到预设迭代次数阈值。如果当前迭代次数达到预设迭代次数阈值,则停止训练电能表异常数据检测模型,表明电能表异常数据检测模型已经训练完成;否则,继续进行下一次的迭代训练,直至迭代次数达到预设迭代次数阈值为止。
需要说明的是,迭代次数阈值的设定取决于多种因素,例如,电能表数据集的大小、模型的复杂性和计算资源的限制等,迭代次数阈值根据实际要求进行设定。
其他实施例中,在训练电能表异常数据检测模型之前,需要对训练数据集进行预处理(例如,数据清洗、特征提取和标准化等),确保训练数据集的质量,以提高电能表异常数据检测模型的检测性能。
可以实时采集电能表数据,并将采集到的电能表数据输入到电能表异常数据检测模型中,通过电能表异常数据检测模型输出电能表的运行状态。所述运行状态包括正常和异常。
在一些实施例中,将采集到的电能表数据输入到电能表异常数据检测模型之前,需要对电能表数据进行预处理(例如,数据清洗、特征提取和标准化等),将预处理后的电能表数据输入电能表异常数据检测模型中,能够提高电能表异常数据检测模型检测电能表数据是否出现异常的准确度。
所述识别模块302,用于当检测到所述电能表数据出现异常数据时,识别所述电能表数据中每项数据的重要程度。
电能表数据包括多项数据,例如,温度数据,湿度数据,电压数据,电流数据,功率数据等。不同的数据对能源管理、电费计算、电网稳定性和设备状态监测等方面具有不同的意义,即,不同的数据的重要程度不同。
所述识别模块302识别所述电能表数据中每项数据的重要程度包括:
根据所述电能表数据生成电能表数据矩阵;
对所述电能表数据矩阵进行特征计算,得到多个特征值及每个所述特征值对应的特征向量;
对所述多个特征值进行从大到小排序;
确定排序后的多个特征值中每项数据值的累积贡献度;
根据所述累积贡献度确定对应项的数据的重要程度。
电能表数据矩阵为一个二维数组,电能表数据矩阵中的每一行代表同一时刻采集的各项指标的数据,每一列代表同一项指标下不同时刻的数据。
在一个可选的实施方式中,在所述根据所述电能表数据生成电能表数据矩阵之前,还可以计算所述电能表数据中每项数据的均值和方差,根据所述均值和方差对对应项的数据进行归一化处理,得到归一化数据,从而根据所述归一化数据生成电能表数据矩阵。
其中,均值提供了电能表数据的平均水平,方差则表示数据点与均值之间的离散程度,均值和方差表示了电能表数据的分布和特征的变化范围。
在根据均值和方差对电能表数据中的每项数据进行归一化处理后,得到的归一化数据具有均值为0,标准差为1的正态分布。基于归一化数据生成电能表数据矩阵。
通过上述一个可选的实施方式,通过计算每项数据的均值和方差,可以获得电能表数据中各个特征的集中趋势和离散程度的量化指标。进行归一化得到归一化数据可以使得不同特征之间的均值和方差在相同的尺度下进行比较,消除了尺度的影响。
特征值表示了电能表数据矩阵的特征的重要性,特征值表明了电能表数据中每项数据存在的线性关系的强度。较大的特征值表示了更强的线性关系。
每项数据通过上述可选的实施方式,通过对电能表数据矩阵进行特征计算,可以确定电能表数据中最重要的特征,即具有最大特征值的特征。
对特征值进行排序,使得特征值大的排序在前,特征值小的排序在后。
特征值表示各个主成分所解释的数据方差,特征值的贡献度用于评估主成分对原始数据方差的解释能力,累积贡献度表示前n个主成分所包含的方差所占总方差的比例。累积贡献度 = (前n个特征值的和) / (所有特征值的和)。
电子设备可以预先设置多个贡献度阈值分段区间,其中,预设贡献度阈值分段区间可以包括多段贡献度阈值区间,每段贡献度阈值区间对应一种级别的重要程度,不同段的贡献度阈值区间对应不同级别的重要程度。例如,电子设备可以预先设置第一段贡献度阈值区间、第二段贡献度阈值区间、第三段贡献度阈值区间,其中,第一段贡献度阈值区间对应第一级别的重要程度,第二段贡献度阈值区间对应第二级别的重要程度,第三段贡献度阈值区间对应第三级别的重要程度。
示例性的,假设存在排序后的特征值为 [1.614,0.713,0.428,0.245],1.614 +0.713 + 0.428 + 0.245 = 3,则计算得到的贡献度为 [1.614/3,0.713/3,0.428/3,0.245/3]= [0.5380,0.2377,0.1426,0.0483]。表明第一个特征值的贡献度为54%,第二个特征值的贡献度为24%,第三个特征值的贡献度为14%,第四个特征值的贡献度为8%。则第一个特征值的累积贡献度为54%,第二个特征值的累积贡献度为78%,第三个特征值的累积贡献度为92%,第四个特征值的累积贡献度为100%。
假设累积贡献度超过75%时对应第一段贡献度阈值区间,则电子设备判定第一个特征值及第二个特征值的对应项的数据为第一级别的重要程度,例如,高级重要程度;假设累积贡献度超过90%时对应第二段贡献度阈值区间,则电子设备判定第三个特征值的对应项的数据为第二级别的重要程度,例如,中级重要程度;假设累积贡献度超过100%时对应第三段贡献度阈值区间,则电子设备判定第四个特征值的对应项的数据为第三级别的重要程度,例如,低级重要程度。
在一个可选的实施方式中,在根据所述累积贡献度确定对应项的数据的重要程度之后,还可以根据预设目标变量确定每项数据的重要程度,从而将根据累积贡献度确定的重要程度及目标变量确定的重要程度进行加权计算,得到每项数据的加权重要程度。
所述目标变量可以用电量预测,能源需要预测,能效评估等。可以基于目标变量与每项数据的关联性来评估每项数据的重要程度。可以使用相关性分析、卡方检验、回归分析等技术,将目标变量与每项数据进行关联,并分析目标变量与每项数据之间的关系。如此,可以更具针对性地确定电能表数据的重要程度。
以相关性分析为了,可以通过计算每项数据与目标变量之间的相关系数,来评估每项数据与目标变量之间的线性相关性。相关系数可以为皮尔逊相关系数和斯皮尔曼等级相关系数。相关系数的绝对值越大表示关系越强,正值表示正相关,负值表示负相关。较高的相关系数表明该项数据与目标变量之间存在较强的关联,因此可以认为该项数据的重要程度较高。
所述确定模块303,用于根据所述重要程度确定目标冻结方式。
不同级别的重要程度对应不同的冻结方式,同一个级别的重要程度对应同一种冻结方式。
示例性的,假设所述重要程度为第一级别的重要程度,即累积贡献度处于第一段贡献度阈值区间时,可以选择瞬时冻结方式作为目标冻结方式,对第一级别的重要程度的对应项的数据进行冻结。假设所述重要程度为第二级别的重要程度,即累积贡献度处于第二段贡献度阈值区间时,可以选择分钟冻结方式作为目标冻结方式,对第二级别的重要程度的对应项的数据进行冻结。假设所述重要程度为第三级别的重要程度,即累积贡献度处于第三段贡献度阈值区间时,可以选择日冻结方式作为目标冻结方式,对第三级别的重要程度的对应项的数据进行冻结。
应当说明的是,具体冻结方式需要根据具体情况进行选择。
应当理解的是,若是计算了加权重要程度,则根据加权重要程度确定目标冻结方式。
所述冻结模块304,用于采用所述目标冻结方式对对应项的数据进行冻结。
当检测到异常数据时,可以触发冻结机制,以确保数据的准确性和安全性。
在一些实施例中,采用所述目标冻结方式对电能表数据进行冻结之前,电子设备可以对电能表数据进行预处理(例如清洗、去除异常值等),可以确保电能表数据的质量和可用性。
采用所述目标冻结方式对对应项的数据进行冻结,使得重要程度较高的电能表数据可能需要更频繁地进行监测和采集,以保障实时性和准确性。通过采用更频繁的数据采集和更新策略,可以为重要的电能表数据分配更多的计算资源和存储空间,确保及时被处理和记录。相反,对于重要程度较低的电能表数据,可以采取更节省计算资源的冻结方式,减少不必要的数据采集和处理,从而优化资源的分配和利用效率。
重要程度较高的电能表数据可能需要长时间保留,以供后续分析或审计使用。通过采用适当的冻结方式,可以控制数据的保存成本。对于重要程度较低的电能表数据,可以将其冻结或归档到较低成本的存储介质中,以节省存储空间和成本。这样可以确保有限的存储资源被重要的数据充分利用,而无需浪费在不太重要的数据上。
针对重要程度不同的电能表数据采用不同的冻结方式,可以提高数据处理的效率。对于重要程度较高的数据进行瞬时冻结,以确保***的稳定和安全。对于重要程度较低的数据进行日冻结,可以减少数据处理的频率和工作负载,提高整体的数据处理效率。
所述处理模块305,用于当检测到所述电能表数据出现异常数据时,基于所述异常数据进行故障诊断,确定所述异常数据的异常产生原因;根据所述异常产生原因,识别所述电能表是否存在电能表硬件故障;当确定所述电能表存在电能表硬件故障时,根据预设电能表硬件故障处理规则对所述电能表硬件进行处理。
电子设备可以根据电能表数据预先设置一个异常阈值范围,通过统计方法来检测异常数据,根据统计指标(例如,均值、方差、标准差等)判断电能表数据的每项数据是否超出预设异常阈值范围。当确定电能表数据存在超出预设异常阈值范围的数据,则表明检测到所述电能表数据出现异常数据。其他实施例中,电子设备可以应用时序分析方法(例如,指数平滑、移动平均等)来检测电能表数据中是否存在异常数据。当确定电能表数据中存在明显偏离历史电能表数据趋势的数据时,则表明检测到所述电能表数据出现异常数据。
可以在异常原因库中查找与异常数据对应的异常产生原因,例如,传感器故障、电路故障等。
当确定电能表数据存在异常数据时,电子设备可以基于异常数据进行故障诊断,可以确定异常数据的异常产生原因。所述异常产生原因可能是电能表硬件故障产生的,也可能不是电能表硬件故障产生的,例如,停电、电能表数据传输错误、环境因素干扰等。
在一些实施例中,电子设备可以根据电能表硬件故障类型预先设置电能表硬件故障处理规则。其中,预设电能表硬件故障处理规则可以包括多种电能表硬件故障处理规则,每种电能表硬件故障类型对应一种电能表硬件故障处理规则,不同的电能表硬件故障类型对应不同的电能表硬件故障处理规则。所述电能表硬件故障类型可以包括,但不限于:传感器故障、电路板故障等。当确定电能表存在电能表硬件故障时,可以根据预设的电能表硬件故障处理规则,对电能表硬件进行相应的处理。例如,修复或更换故障的硬件组件。
示例性的,假设确定电能表硬件故障类型为第一种电能表硬件故障类型,例如,传感器故障时,电子设备可以采用第一种电能表硬件故障处理规则对电能表硬件进行处理,例如,通知维修人员进行传感器的更换或修复。假设确定电能表硬件故障类型为第二种电能表硬件故障类型,例如,电路板故障时,电子设备可以采用第二种电能表硬件故障处理规则对电能表硬件进行处理,例如,自动切换到备用电路板。
通过上述可选的实施方式,通过根据不同故障类型选择相应的处理规则,可以及时发现和诊断电能表硬件故障,以便及时采取修复措施,提高故障响应速度和可靠性。其次自动化的故障处理规则可以降低人工介入的需求,提高处理效率,减少人为误操作和判断的可能性。
所述报警模块306,用于根据所述异常数据的重要程度确定目标报警方式,并根据所述目标报警方式进行报警。
电子设备可以根据业务需求来评估异常数据的重要程度。其中,异常数据的重要程度可以包括多种级别重要程度,每种级别重要程度对应一种报警方式,不同级别重要程度对应不同的报警方式。例如,电子设备可以预先设置第一级别重要程度、第二级别重要程度、第三级别重要程度,其中,第一级别重要程度对应第一种报警方式,第二级别重要程度对应第二种报警方式,第三级别重要程度对应第三种报警方式。
示例性,假设异常数据将对业务影响较小的,则可以将异常数据的重要程度设置为第一级别重要程度,电子设备可以采用第一种报警方式进行报警,例如,通过用户或运维人员的设备(例如,手机)界面弹出窗口或对话框来进行提醒;假设异常数据将对业务造成中等程度的影响的,则可以将异常数据的重要程度设置为第二级别重要程度,电子设备可以采用第二种报警方式进行报警,例如,发送邮件给用户或运维人员,提供异常数据的详细信息或处理建议;假设异常数据将对业务影响较大(例如,可能导致严重的损失或电能表硬件故障)的,则可以将异常数据的重要程度设置为第三级别重要程度,电子设备可以采用第三种报警方式进行报警,例如,发送短信或直接向运维人员拨打电话和发送紧急报警信息。
通过上述可选的实施方式,通过根据异常数据的重要程度确定报警方式,从而采用不同的报警方式对异常数据进行报警处理,不同的报警方式可以在不同的场景中更加明显和显眼地提醒用户,从而促使用户尽快采取行动来处理异常情况。这有助于快速解决问题,减少潜在的损失或风险。
所述上传模块307,用于将冻结后的电能表数据上传至区块链。
在一个可选的实施方式中,电子设备可以将冻结后的电能表数据实时或定期(例如,每天、每周或每月一次)上传至区块链。
将冻结后的电能表数据实时上传至区块链,可以实时监测电能的使用情况,并且可以进行即时的计费和结算;还可以提供实时的数据分析和监控,帮助供电公司或用户更好地管理电能使用。将冻结后的电能表数据定期上传至区块链,可以减少数据传输量和上传频率,同时保证数据的准确性和完整性。
在一些实施例中,电子设备还可以根据应用场景和需求选择特定的区块链平台。其中,区块链可以应用于各种不同的区块链平台,例如以太坊、比特币、商用分布式设计区块链操作***(Enterprise Operation System,EOS)、超级账本(Hyperledger)等。其他实施例中,电子设备还可以根据不同冻结方式将冻结后的电能表数据可以上传至不同的区块链,例如,选择以太坊区块链存储采用日冻结进行冻结后的电能表数据;选择EOS区块链存储采用瞬时冻结进行冻结后的电能表数据;选择尼奥(NEO)区块链存储采用月冻结进行冻结后的电能表数据。
通过上述可选的实施方式,将冻结后的电能表数据上传至区块链可以确保电能表数据的透明性、安全性和可信度。区块链作为一种分布式账本技术,可以提供去中心化的存储和验证机制,使得电能表数据无法被篡改,并且可以被各方共享和验证。这样可以增加电能表数据的可靠性,同时减少潜在的欺诈和电能表数据篡改的可能性。
所述加密模块308,用于对所述电能表数据进行加密处理;在接收到对所述电能表数据的查看指令时,显示密钥输入接口;获取所述密钥输入接口接收到的密钥;对所述密钥输入接口接收到的密钥进行校验;当对所述密钥输入接口接收到的密钥校验通过时,显示所述电能表数据。
电子设备可以采用对称加密或非对称加密算法对电能表数据进行加密处理。
在一些实施例中,电子设备可以使用密钥生成器生成一个随机的对称密钥,利用对称密钥对电能表数据进行加密。加密后的电能表数据将无法读取,除非使用正确的密钥进行解密。当用户需要查看加密后的电能表数据时,用户需要在密钥输入接口输入正确的密钥对加密的电能表数据进行解密,才能查看电能表数据。其他实施例中,电子设备可以使用密钥生成器生成一对非对称密钥,包括公钥和私钥。公钥用于加密数据,私钥用于解密数据。电子设备使用公钥将电能表数据进行加密,用户使用私钥对加密电能表数据进行解密。当用户需要查看加密后的电能表数据时,用户需要在密钥输入接口输入正确的私钥对加密的电能表数据进行解密,才能查看电能表数据。
所述密钥输入接口可以包括,但不限于:用户的设备(例如,手机)界面的弹出窗口或输入密钥框、短信、邮件等。
示例性的,假设电子设备使用AES对称加密算法对电能表数据(例如,100 kWh)进行加密,并使用密钥生成器生成一个随机的对称密钥(例如,MySecretKey1234)。当用户需要查看电能表数据“100 kWh”时,需要输入正确的密钥“MySecretKey1234”进行解密后,才能正常查看电能表数据“100 kWh”。
通过上述可选的实施方式,通过对电能表数据进行加密处理,只有拥有正确密钥的用户才能解密和读取数据,可以提高数据的保密性和完整性,确保用户只能在合法授权的情况下访问和解密数据,从而保护电能表数据的隐私和安全。
参阅图4所示,为本申请实施例三提供的电子设备的结构示意图。在本申请较佳实施例中,所述电子设备44包括存储器41、至少一个处理器42及至少一条通信总线43。
本领域技术人员应该了解,图4示出的电子设备的结构并不构成本申请实施例的限定,既可以是总线型结构,也可以是星形结构,所述电子设备4还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述电子设备4是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备4还可包括客户设备,所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是,所述电子设备4仅为举例,其他现有的或今后可能出现的电子产品如可适应于本申请,也应包含在本申请的保护范围以内,并以引用方式包含于此。
在一些实施例中,所述存储器41中存储有计算机程序,所述计算机程序被所述至少一个处理器42执行时实现如所述的电能表数据冻结处理方法方法中的全部或者部分步骤。所述存储器41包括只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Ony Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等。
在一些实施例中,所述至少一个处理器42是所述电子设备4的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备4的各个部件,通过运行或执行存储在所述存储器41内的程序或者模块,以及调用存储在所述存储器41内的数据,以执行电子设备4的各种功能和处理数据。例如,所述至少一个处理器42执行所述存储器中存储的计算机程序时实现本申请实施例中所述的电能表数据冻结处理方法方法的全部或者部分步骤;或者实现目标对象覆冰厚度获取装置的全部或者部分功能。所述至少一个处理器42可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能 或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中,所述至少一条通信总线43被设置为实现所述存储器41以及所述至少一个处理器42等之间的连接通信。尽管未示出,所述电子设备4还可以包括给各个部件供电的电源(比如电池),优选的,电源可以通过电源管理装置与所述至少一个处理器42逻辑相连,从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备4还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,电子设备,或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
Claims (10)
1.一种电能表数据冻结处理方法,其特征在于,所述方法包括:
使用预先训练完成的电能表异常数据检测模型,对实时监测到的电能表数据进行异常检测;
当检测到所述电能表数据出现异常数据时,识别所述电能表数据中每项数据的重要程度;
根据所述重要程度确定目标冻结方式;
采用所述目标冻结方式对对应项的数据进行冻结。
2.根据权利要求1所述的电能表数据冻结处理方法,其特征在于,所述识别所述电能表数据中每项数据的重要程度包括:
根据所述电能表数据生成电能表数据矩阵;
对所述电能表数据矩阵进行特征计算,得到多个特征值及每个所述特征值对应的特征向量;
对所述多个特征值进行从大到小排序;
确定排序后的多个特征值中每项数据值的累积贡献度;
根据所述累积贡献度确定对应项的数据的重要程度。
3.根据权利要求2所述的电能表数据冻结处理方法,其特征在于,在所述根据所述电能表数据生成电能表数据矩阵之前,所述方法还包括:
计算所述电能表数据中每项数据的均值和方差;
根据所述均值和方差对对应项的数据进行归一化处理,得到归一化数据;
根据所述电能表数据生成电能表数据矩阵包括根据所述归一化数据生成所述电能表数据矩阵。
4.根据权利要求2所述的电能表数据冻结处理方法,其特征在于,所述方法还包括:
当检测到所述电能表数据出现异常数据时,基于所述异常数据进行故障诊断,确定所述异常数据的异常产生原因;
根据所述异常产生原因,识别所述电能表是否存在电能表硬件故障;
当确定所述电能表存在电能表硬件故障时,根据预设电能表硬件故障处理规则对所述电能表硬件进行处理。
5.根据权利要求1至4中任意一项所述的电能表数据冻结处理方法,其特征在于,所述方法还包括:
对所述电能表数据进行加密处理;
在接收到对所述电能表数据的查看指令时,显示密钥输入接口;
获取所述密钥输入接口接收到的密钥;
对所述密钥输入接口接收到的密钥进行校验;
当对所述密钥输入接口接收到的密钥校验通过时,显示所述电能表数据。
6.根据权利要求5所述的电能表数据冻结处理方法,其特征在于,所述方法还包括:
根据所述异常数据的重要程度确定目标报警方式,并根据所述目标报警方式进行报警。
7.根据权利要求6所述的电能表数据冻结处理方法,其特征在于,所述方法还包括:
将冻结后的电能表数据上传至区块链。
8.一种电能表数据冻结处理装置,其特征在于,所述装置包括:
检测模块,用于使用预先训练完成的电能表异常数据检测模型,对实时监测到的电能表数据进行异常检测;
识别模块,用于当检测到所述电能表数据出现异常数据时,识别所述电能表数据中每项数据的重要程度;
确定模块,用于根据所述重要程度确定目标冻结方式;
冻结模块,用于采用所述目标冻结方式对对应项的数据进行冻结。
9.一种电子设备,其特征在于,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任意一项所述的电能表数据冻结处理方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任意一项所述的电能表数据冻结处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310966658.7A CN116956195A (zh) | 2023-08-02 | 2023-08-02 | 电能表数据冻结处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310966658.7A CN116956195A (zh) | 2023-08-02 | 2023-08-02 | 电能表数据冻结处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116956195A true CN116956195A (zh) | 2023-10-27 |
Family
ID=88451127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310966658.7A Pending CN116956195A (zh) | 2023-08-02 | 2023-08-02 | 电能表数据冻结处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116956195A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118011307A (zh) * | 2024-04-08 | 2024-05-10 | 中电装备山东电子有限公司 | 一种电能表故障数据监测***及数据存储介质 |
-
2023
- 2023-08-02 CN CN202310966658.7A patent/CN116956195A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118011307A (zh) * | 2024-04-08 | 2024-05-10 | 中电装备山东电子有限公司 | 一种电能表故障数据监测***及数据存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110069810B (zh) | 电池故障预测方法、装置、设备和可读存储介质 | |
US8898525B2 (en) | Method and system for use in condition monitoring | |
CN110119128B (zh) | 一种用于实验室用电设备的监控管理*** | |
Salfner et al. | Predicting failures of computer systems: A case study for a telecommunication system | |
US20080140362A1 (en) | Method and apparatus for predicting remaining useful life for a computer system | |
CN110390357A (zh) | 一种基于边信道的dtu安全监测方法 | |
WO2014117245A1 (en) | Faults and performance issue prediction | |
US11392443B2 (en) | Hardware replacement predictions verified by local diagnostics | |
CN116956195A (zh) | 电能表数据冻结处理方法、装置、电子设备及存储介质 | |
US11461161B2 (en) | Using server power to predict failures | |
CN116578990A (zh) | 一种基于数据中心数字化运维的综合监控技术 | |
CN117347869B (zh) | 储能电池管理***数据分析方法、装置、电子设备及介质 | |
Amara korba et al. | Smart grid energy fraud detection using SVM | |
Wu et al. | Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures | |
CN111007452A (zh) | 一种数据采集***的故障诊断方法及装置 | |
CN114493238A (zh) | 供电服务风险预测方法、***、存储介质及计算机设备 | |
CN112258197B (zh) | 基于人工智能的账户管理方法、装置、终端及存储介质 | |
CN116843314A (zh) | 监控终端运维管理方法、***、设备及存储介质 | |
CN111651652B (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
Lu et al. | A multi-layer, hierarchical information management system for the smart grid | |
Zantek et al. | A decision dependent stochastic process model for repairable systems with applications | |
KR20210031618A (ko) | 정보 제시 장치, 정보 제시 방법, 및 정보 제시 시스템 | |
WO2024090453A1 (ja) | 情報処理方法、情報処理システム及びプログラム | |
CN116976858B (zh) | 一种电器柜智能化运维管理方法、***及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |