基于大数据设备电量数据采集分析方法、计算机系统

1.本发明涉及大数据技术领域，具体为基于大数据设备电量数据采集分析方法、计算机系统。


背景技术：

2.现有的很多户外蓄电设备运行中电量很难实时采集和分析，由于人员较少，设备(比如不具有向主服务器反馈信号功能的户外租用电动自行车)可能会经常移动，所以只能有限次的采集户外蓄电设备的剩余电量数据，并根据设备的使用情况人工粗糙预估设备可能剩余的电量，但因为设备的蓄电池电量经受很多因素的影响，比如温度、风速、湿度，还比如历史的使用情况(历史使用情况会影响到电池的蓄电量)等等，所以很难做到精准的预估设备可能剩余的电量，不过现有技术中也没有相关的技术实现更加精准的采集和分析。


技术实现要素：

3.本发明的目的在于提供一种基于大数据设备电量数据采集分析方法、计算机系统，以解决上述背景技术中提出的问题。
4.为了解决上述技术问题，本发明提供如下技术方案：一种基于大数据设备电量数据采集分析方法，包括的步骤有：
5.通过设备的硬件端口采集设备最新一次的电量剩余数据、工作能耗功率数据、预期的功率数据并存储划分为第一类数据；
6.通过大数据端口采集设备当前所在区域的温度数据、风速数据、湿度数据并存储划分为第二类数据；
7.通过设备的硬件端口或历史数据的存储端口采集设备历史的工作时间数据、历史的工作能耗功率变化数据并存储划分为第三类数据；
8.通过第一类数据建立设备的剩余电量随时间变化的主预估函数f1，通过第二类数据和第三类数据建立外部因素对主预估函数f1的改变量影响作用大小的影响函数t1-t5；
9.分别为影响函数t1-t5分配对主预估函数f1的改变量影响作用的权值p1-p5；并且形成综合的判别模型；
10.然后基于综合的判别模型学习影响函数t1-t5中源数据对主预估函数f1的改变量影响作用特征值，通过学习得到的“影响函数t1-t5中源数据对主预估函数f1的改变量影响作用特征值”反馈地修改权值p1-p5，直到获取到成熟的综合的判别模型；
11.以成熟的综合的判别模型输入在设备的硬件端口采集的设备最新一次的电量剩余数据、工作能耗功率数据、预期的功率数据并得到设备的剩余电量随时间变化的精准预估数据。
12.进一步，所述“通过第二类数据和第三类数据建立外部因素对主预估函数f1的改变量影响作用大小的影响函数t1-t5”中具体包括建立温度对主预估函数f1的改变量影响作用大小的影响函数t1。
13.进一步，所述“通过第二类数据和第三类数据建立外部因素对主预估函数f1的改变量影响作用大小的影响函数t1-t5”中具体包括建立风速对主预估函数f1的改变量影响作用大小的影响函数t2。
14.进一步，所述“通过第二类数据和第三类数据建立外部因素对主预估函数f1的改变量影响作用大小的影响函数t1-t5”中具体包括建立湿度对主预估函数f1的改变量影响作用大小的影响函数t3。
15.进一步，所述“通过第二类数据和第三类数据建立外部因素对主预估函数f1的改变量影响作用大小的影响函数t1-t5”中具体包括建立历史的工作时间对主预估函数f1的改变量影响作用大小的影响函数t4。
16.进一步，所述“通过第二类数据和第三类数据建立外部因素对主预估函数f1的改变量影响作用大小的影响函数t1-t5”中具体包括建立历史的工作能耗功率变化对主预估函数f1的改变量影响作用大小的影响函数t5。
17.进一步，所述综合的判别模型具体为：
[0018][0019]
其中的t1为影响函数t1的自变量表征温度数值，其中的t2为影响函数t2的自变量表征风速数值，其中的t3为影响函数t3的自变量表征湿度数值，其中的t4为影响函数t4的自变量表征历史的工作时间数值，其中的t5为影响函数t5的自变量表征历史的工作能耗功率变化数值，t1-t5均大于0，q1-q5均为常数，且q1-q5均为自然数，用来表征计算的精准度，p1-p5分别为影响函数t1-t5对主预估函数f1的改变量影响作用的权值，e为自然常数，b为0到1之间的控制参数，f1即主预估函数；综合的判别模型能够输入第一类数据、第二类数据、第三类数据，能够输出与主预估函数相同量纲的输出量，即能够输出得到设备的剩余电量随时间变化的精准预估数据。
[0020]
一种基于大数据设备电量数据采集分析计算机系统，包括相连接控制器、处理器、存储器、输入设备、输出设备；
[0021]
所述输入设备用于通过设备的硬件端口采集设备最新一次的电量剩余数据、工作能耗功率数据、预期的功率数据并存储在存储器划分为第一类数据，
[0022]
还用于通过大数据端口采集设备当前所在区域的温度数据、风速数据、湿度数据并存储在存储器划分为第二类数据，
[0023]
还用于通过设备的硬件端口或历史数据的存储端口采集设备历史的工作时间数据、历史的工作能耗功率变化数据并存储在存储器划分为第三类数据；
[0024]
所述的存储器还用于存储目标指令，所述的处理器用于执行目标指令；
[0025]
所述的目标指令包括执行：通过第一类数据建立设备的剩余电量随时间变化的主预估函数f1，通过第二类数据和第三类数据建立外部因素对主预估函数f1的改变量影响作用大小的影响函数t1-t5；分别为影响函数t1-t5分配对主预估函数f1的改变量影响作用的权值p1-p5；并且形成综合的判别模型；基于综合的判别模型学习影响函数t1-t5中源数据对主预估函数f1的改变量影响作用特征值，通过学习得到的“影响函数t1-t5中源数据对主
预估函数f1的改变量影响作用特征值”反馈地修改权值p1-p5，直到获取到成熟的综合的判别模型；
[0026]
所述的处理器还用于以成熟的综合的判别模型输入设备最新一次的电量剩余数据、工作能耗功率数据、预期的功率数据并得到设备的剩余电量随时间变化的精准预估数据；
[0027]
所述的输出设备用于输出计算得到的设备的剩余电量随时间变化的精准预估数据；
[0028]
所述控制器用于协调处理器、存储器、输入设备、输出设备之间工作。
[0029]
与现有技术相比，本发明的有益效果：
[0030]
本技术通过为影响函数分配对主预估函数的改变量影响作用的权值，并且形成综合的判别模型，然后通过学习反馈调整相应的权值，这样可以不断完善综合的判别模型，本技术能够基于综合的判别模型以及外部大数据中的因素，对主预估函数的改变量做到精准预估，并且基于此能够以成熟的综合的判别模型输入在设备的硬件端口采集的设备最新一次的电量剩余数据、工作能耗功率数据、预期的功率数据并得到设备的剩余电量随时间变化的精准预估数据，解决了背景技术中提到的问题。
具体实施方式
[0031]
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0032]
本技术公开了一种基于大数据设备电量数据采集分析方法，包括步骤有，通过设备的硬件端口采集设备最新一次的电量剩余数据、工作能耗功率数据、预期的功率数据并存储划分为第一类数据；
[0033]
通过大数据端口采集设备当前所在区域的温度数据、风速数据、湿度数据并存储划分为第二类数据；
[0034]
通过设备的硬件端口或历史数据的存储端口采集设备历史的工作时间数据、历史的工作能耗功率变化数据并存储划分为第三类数据；
[0035]
通过第一类数据建立设备的剩余电量随时间变化的主预估函数f1，通过第二类数据和第三类数据建立外部因素对主预估函数f1的改变量影响作用大小的影响函数t1-t5；
[0036]
分别为影响函数t1-t5分配对主预估函数f1的改变量影响作用的权值p1-p5；并且形成综合的判别模型；
[0037]
然后基于综合的判别模型学习影响函数t1-t5中源数据对主预估函数f1的改变量影响作用特征值，通过学习得到的“影响函数t1-t5中源数据对主预估函数f1的改变量影响作用特征值”反馈地修改权值p1-p5，直到获取到成熟的综合的判别模型；
[0038]
以成熟的综合的判别模型输入在设备的硬件端口采集的设备最新一次的电量剩余数据、工作能耗功率数据、预期的功率数据并得到设备的剩余电量随时间变化的精准预估数据。
[0039]
在具体实施中，所述基于综合的判别模型学习影响函数t1-t5中源数据对主预估
函数f1的改变量影响作用特征值具体采用多层神经网络模型训练学习完成，实施中更加优选的，所述“通过第二类数据和第三类数据建立外部因素对主预估函数f1的改变量影响作用大小的影响函数t1-t5”中具体包括建立温度对主预估函数f1的改变量影响作用大小的影响函数t1。
[0040]
所述“通过第二类数据和第三类数据建立外部因素对主预估函数f1的改变量影响作用大小的影响函数t1-t5”中具体包括建立风速对主预估函数f1的改变量影响作用大小的影响函数t2。
[0041]
所述“通过第二类数据和第三类数据建立外部因素对主预估函数f1的改变量影响作用大小的影响函数t1-t5”中具体包括建立湿度对主预估函数f1的改变量影响作用大小的影响函数t3。
[0042]
所述“通过第二类数据和第三类数据建立外部因素对主预估函数f1的改变量影响作用大小的影响函数t1-t5”中具体包括建立历史的工作时间对主预估函数f1的改变量影响作用大小的影响函数t4。
[0043]
所述“通过第二类数据和第三类数据建立外部因素对主预估函数f1的改变量影响作用大小的影响函数t1-t5”中具体包括建立历史的工作能耗功率变化对主预估函数f1的改变量影响作用大小的影响函数t5。
[0044]
可以理解的，本技术通过为影响函数分配对主预估函数的改变量影响作用的权值，并且形成综合的判别模型，然后通过学习反馈调整相应的权值，这样可以不断完善综合的判别模型，本技术能够基于综合的判别模型以及外部大数据中的因素，对主预估函数的改变量做到精准预估，并且基于此能够以成熟的综合的判别模型输入在设备的硬件端口采集的设备最新一次的电量剩余数据、工作能耗功率数据、预期的功率数据并得到设备的剩余电量随时间变化的精准预估数据，解决了背景技术中提到的问题。
[0045]
在优选的实施中，所述综合的判别模型具体为：
[0046][0047]
其中的t1为影响函数t1的自变量表征温度数值，其中的t2为影响函数t2的自变量表征风速数值，其中的t3为影响函数t3的自变量表征湿度数值，其中的t4为影响函数t4的自变量表征历史的工作时间数值，其中的t5为影响函数t5的自变量表征历史的工作能耗功率变化数值，t1-t5均大于0，q1-q5均为常数，且q1-q5均为自然数，用来表征计算的精准度，p1-p5分别为影响函数t1-t5对主预估函数f1的改变量影响作用的权值，e为自然常数，数学之中的当x趋于正无穷大或负无穷大时，“1加x分之一的x次方”这个函数表达式(1+1/x)^x的极限就等于e，用公式表示，即：lim(1+1/x)^x＝e(x趋于
±
∞)，b为0到1之间的控制参数，f1即主预估函数；综合的判别模型能够输入第一类数据、第二类数据、第三类数据，能够输出与主预估函数相同量纲的输出量，即能够输出得到设备的剩余电量随时间变化的精准预估数据。
[0048]
本技术还公开了一种计算机系统，其包括控制器、处理器、存储器和输入设备、输出设备，所述的输入设备用于通过设备的硬件端口采集设备最新一次的电量剩余数据、工
作能耗功率数据、预期的功率数据并存储在存储器划分为第一类数据，还用于通过大数据端口采集设备当前所在区域的温度数据、风速数据、湿度数据并存储在存储器划分为第二类数据，还用于通过设备的硬件端口或历史数据的存储端口采集设备历史的工作时间数据、历史的工作能耗功率变化数据并存储在存储器划分为第三类数据，所述的存储器还用于存储目标指令，所述的处理器用于执行目标指令，所述的目标指令包括执行：通过第一类数据建立设备的剩余电量随时间变化的主预估函数f1，通过第二类数据和第三类数据建立外部因素对主预估函数f1的改变量影响作用大小的影响函数t1-t5；分别为影响函数t1-t5分配对主预估函数f1的改变量影响作用的权值p1-p5；并且形成综合的判别模型；基于综合的判别模型学习影响函数t1-t5中源数据对主预估函数f1的改变量影响作用特征值，通过学习得到的“影响函数t1-t5中源数据对主预估函数f1的改变量影响作用特征值”反馈地修改权值p1-p5，直到获取到成熟的综合的判别模型；所述的处理器还用于以成熟的综合的判别模型输入设备最新一次的电量剩余数据、工作能耗功率数据、预期的功率数据并得到设备的剩余电量随时间变化的精准预估数据，所述的输出设备用于输出计算得到的设备的剩余电量随时间变化的精准预估数据。