一种电器耗电量预测方法、装置、设备和存储介质与流程

1.本技术涉及计算机领域，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：

2.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。
3.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。
4.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。


技术实现要素：

5.本技术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。
6.本技术实施例提供一种电器耗电量预测方法，包括：
7.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；
8.对所述电器数据进行特征提取处理，得到第一函数；
9.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。
10.在上述的实施方式中，所述获取电器数据，包括：
11.获取冰箱的运行周期；
12.获取冰箱发动机在所述运行周期内的感应电动势脉冲数；
13.获取冰箱所处环境的当前温度；
14.获取冰箱在所述运行周期内的开、关门次数；
15.获取冰箱的容积以及空间占有率；
16.获取冰箱的能耗等级以及冰箱的泡层厚度。
17.可选地，所述获取电器数据，包括：
18.获取洗衣机的运行周期；
19.获取洗衣机在所述运行周期内的感应电动势脉冲数；
20.获取洗衣机的洗涤及漂洗的转停比；
21.获取洗衣机内的衣物负载重量；
22.获取洗衣机的实际负载重量以及对应的注水档位量；
23.获取洗衣机运行程序中提前输入的洗净比和洗涤时间。
24.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：
25.获取由所述电器数据组成的输入点；
26.计算所述输入点与预设的中心点之间的距离；
27.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。
28.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：
29.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。
30.可选地，在所述获取电器数据之前，所述方法还包括：
31.获取训练电器数据；
32.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；
33.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。
34.本技术实施例还提供一种电器耗电量预测装置，包括：
35.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；
36.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；
37.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。
38.本技术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。
39.本技术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。
40.本技术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
41.为了更清楚地说明本技术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技术的一些实施例，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。
42.图1a是本技术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；
43.图1b是本技术实施例提供的一种电器耗电量预测方法的流程示意图；
44.图2是本技术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；
45.图3是本技术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；
46.图4是本技术实施例提供的电器耗电量预测装置的一种结构示意图；
47.图5是本技术实施例提供的设备的结构示意图。
具体实施方式
48.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
49.本技术中的术语“第一”及“第二”等是用于区分不同对象，而非用于描述特定顺序。同时，术语“包括”及其任何形式的变形，意图在于覆盖不排他的包含。
50.本技术实施例提供一种电器耗电量预测方法、装置、设备和存储介质。
51.其中，该电器耗电量预测装置具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(personal computer，pc)等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。
52.在一些实施例中，该电器耗电量预测装置还可以集成在多个电子设备中，比如，电器耗电量预测装置可以集成在多个服务器中，由多个服务器来实现本技术的电器耗电量预测方法。
53.在一些实施例中，服务器也可以以终端的形式来实现。
54.参考图1a，图1a表示本技术实施例的一种电器耗电量预测方法的一种应用场景，即用户希望预测某台冰箱在一段运行周期内的耗电量，为此进行如下步骤：
55.获取冰箱数据，所述冰箱数据用于表征电器的性能及其运行情况。在本实施例中，
所述冰箱数据包括该冰箱的各项静态参数以及能够反映其动态运行情况的数据，所述冰箱数据包括但不限于冰箱发动机在所述运行周期内的感应电动势脉冲数、冰箱所处环境的当前温度、冰箱在所述运行周期内的开、关门次数、冰箱的容积以及空间占有率、冰箱的能耗等级以及冰箱的泡层厚度。
56.在本实施例中，用户可通过电机驱动电路将冰箱电动机的感应电动势转换为pwm脉冲数，以此计算得到冰箱发动机在所述运行周期内的感应电动势脉冲数；用户可通过温度计得到冰箱所处环境的当前温度；用户可采用人工计数或者感应器等技术手段，得到冰箱在所述运行周期内的开、关门次数；用户可通过人为控制的方式计算得到冰箱的容积以及空间占有率；冰箱的能耗等级及冰箱的泡层厚度用户可直接得到或人工测量取得。
57.对所述冰箱数据进行特征提取处理，得到第一函数。在本实施例中，用户将所述冰箱数据输入终端上搭载的软件，通过软件对冰箱数据进行特征提取处理，得到所述冰箱数据所对应的第一函数。
58.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冰箱的预测耗电量。在本实施例中，所述第二函数为所述冰箱数据所对应的标量函数，也即是，软件通过上述步骤最终在终端上输出第二函数的函数值，所述函数值即为该冰箱在所述运行周期内的预测耗电量。
59.在本实施例中，通过将所述冰箱数据输入软件内置的、已训练完成的电器耗电量预测模型，在所述电器耗电量预测模型中经过“对所述冰箱数据进行特征提取处理，得到第一函数”以及“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”两个步骤之后，输出得到所述预测耗电量。
60.据此，在本实施例中，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。
61.以下分别进行详细说明。需说明的是，以下实施例的序号不作为对实施例优选顺序的限定。
62.在本实施例中，提供了一种涉及机器学习的电器耗电量预测方法，如图1b所示，该方法的具体流程包括步骤110至步骤130：
63.110、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。
64.在本实施例中，电器(electrical appliance)泛指所有用电的器具，从专业角度上来讲，主要指用于对电路进行接通、分断，对电路参数进行变换，以实现对电路或用电设备的控制、调节、切换、检测和保护等作用的电工装置、设备和元件；从普通民众的角度来讲，主要是指家庭常用的一些为生活提供便利的用电设备，如电视机、空调、冰箱、洗衣机、各种小家电等等。
65.在本实施例中，电器数据包括电器的各项静态参数以及能够反应器动态运行情况的数据。
66.具体地，所述电器可以如前述实施例中所提及的冰箱，以某台冰箱为例，冰箱数据包括但不限于冰箱发动机在所述运行周期内的感应电动势脉冲数、冰箱所处环境的当前温度、冰箱在所述运行周期内的开、关门次数、冰箱的容积以及空间占有率、冰箱的能耗等级以及冰箱的泡层厚度。冰箱数据的获取方式在前述实施例中已阐述，在此不赘述。
67.同时，所述电器也可以是洗衣机，以某台洗衣机为例，洗衣机数据包括但不限于洗衣机的运行周期、洗衣机在所述运行周期内的感应电动势脉冲数、洗衣机的洗涤及漂洗的转停比、洗衣机的皮带张力值、洗衣机内的衣物负载重量、洗衣机的实际负载重量以及对应的注水档位量、洗衣机运行程序中提前输入的洗净比和洗涤时间。
68.具体地，可以通过模糊电路将洗衣机电动机的感应电动势转换为pwm脉冲数，以此获得所述洗衣机在所述运行周期内的感应电动势脉冲数；可以通过皮带张力计，经应变片形变所造成的微小位移进一步换算取得洗衣机的皮带张力值；可以通过软件编程获得洗衣机洗涤及漂洗的转停比；可以通过模糊称重电路获得洗衣机实际负载重量以及相应的注水档位量；洗衣机的洗净比和洗涤时间可以直接通过洗衣机内置的运行程序获得。
69.120、对所述电器数据进行特征提取处理，得到第一函数。
70.通常，对于数据的特征提取处理，按照以下方式：加入数据包括n组特征，则从n组特征中选择i组特征，并将i组特征映射为j组新特征。
71.在本实施例中，可以将所述电器数据输入预先已训练完成的电器耗电量预测模型中。所述电器耗电量预测模型可以是基于rbf神经网络的预测模型。
72.具体地，所述rbf神经网络是一种具有单隐层的前向神经网络，所述基于rbf神经网络的预测模型包括三层：输入层、隐含层以及输出层。
73.参考广义rbf神经网络，所述电器耗电量预测模型同样包括输入层、隐含层和输出层的三层结构，其中，输入层神经元个数即为输入的样本维度，从输入层到隐含层相当于将非线性可分的输入数据映射到维度更高的空间中，使所述输入数据线性可分，由此所述隐含层的神经元个数必定大于所述输入层的神经元个数。具体地，所述步骤120反映了在所述电器耗电量预测模型中从输入层到隐含层的数据处理过程。
74.可选地，所述对所述电器数据进行特征提取处理，得到第一函数的步骤120，如图2所述，包括以下步骤121至步骤123：
75.121、获取由所述电器数据组成的输入点。
76.在本实施例中，所述电器数据可以为包括n个元素的数据集，由此也获取一个用于表征所述电器数据的、在n维空间中的输入点。因此，输入层的神经元个数即为n。
77.122、计算所述输入点与预设的中心点之间的距离。
78.在本实施例中，所述中心点在所述电器耗电量预测模型的训练结束后生成，可以将中心点视作与所述输入点处于同维空间的向量，由此计算所述输入点与所述中心点之间的距离。
79.123、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。
80.激活函数(activation function)，作为在人工神经网络的神经元上运行的函数，将神经元的输入映射至输出。激活函数的存在为神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到机器学习领域的众多非线性模型中。
81.可选地，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：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。
82.在本实施例中，由于所述电器耗电量预测模型基于rbf神经网络，故所述激活函数
可采用高斯径向基函数。
83.高斯径向基函数又称径向基函数(radial basis function)，是一个取值仅仅依赖于离原点距离的实值函数，也就是φ(x)＝φ(//x//)，或者还可以是到任意一点c的距离，这里的c点称为函数中心点，也就是φ(x，c)＝φ(//x-c//)。任意一个满足φ(x)＝φ(//x//)特性的函数φ都叫做径向基函数，标准的一般使用欧氏距离(也叫做欧式径向基函数)，尽管其他距离函数也是可以的。通常，在神经网络结构中，径向基函数可以作为全连接层和relu层的主要函数。
84.在本实施例中，通过下列计算式对所述距离进行投影处理，得到投影函数：
[0085][0086]
其中，为所述投影函数，r为所述距离，σ为所述电器耗电量模型通过训练得到的一个参数，之后将结合所述电器耗电量模型的训练过程对σ进行阐释。
[0087]
130、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。
[0088]
在本实施例中，所述步骤130反映了所述电器耗电量预测模型中从隐含层到输出层的计算过程。
[0089]
参考广义rbf神经网络，所述电器耗电量预测模型中，从隐含层到输出层是一个采用线性优化策略对隐含层中的数据进行线性映射的过程。具体地，基于本实施例所要达成的预期目的在于得到电器耗电量的预测值，所述电器耗电量预测模型中的输出层神经元个数为1。
[0090]
在本实施例中，所述预设的权重在所述电器耗电量预测模型训练过程中得到。
[0091]
同时，第二函数作为所述电器耗电量预测模型的输出结果，也即是所述电器数据所对应的标量函数，通过将所述电器数据输入训练完成的所述电器耗电量模型，输出结果即为本实施例所期望得到电器耗电量的预测值。
[0092]
可选地，在所述获取电器数据之前，所述方法还包括如图3所示的步骤t1至步骤t3，即本实施例中所述电器耗电量预测模型的训练过程：
[0093]
t1：获取训练电器数据。
[0094]
在本实施例中，所述训练电器数据用于作为训练所述电器耗电量预测模型的训练集，所述训练电器数据包括该电器的各项静态参数以及能够反映其动态运行情况的数据，可根据后续耗电器电量预测模型所应用的电器种类来确定所述训练电器数据所对应的电器种类及数据类型。例如，若将所述电器耗电量预测模型应用于冰箱耗电量预测的应用场景，那么所述训练电器数据即为训练冰箱数据，所述训练冰箱数据所包括的内容前文已阐述，在此不赘述。
[0095]
t2：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。
[0096]
在本实施例中，通过减法剧烈算法对所述训练电器数据进行聚类处理，得到所述训练电器数据中每个数据所对应的密度值以及每个密度值所对应的所述中心点，计算式如下：
[0097][0098]
其中，di为所述密度值，xi至xj为q维空间中的p个数据，ra为以所述中心点为中心的算法聚类半径。
[0099]
t3：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。
[0100]
在本实施例中，所述反复迭代即为对密度值进行更新的过程，具体地，为避免在步骤t2中出现现有的所述中心点周围出现新的中心点的情况，采用如下计算式对密度值进行更新：
[0101][0102]
其中，d
im
为第m次计算所得出的密度值，为第m-1次计算得到的密度值所对应的数据，rb为密度值在过程中正在快速下降的范围。为防止出现距离过近的中心点出现，通常采取rb＝1.5ra。
[0103]
在本实施例中，不断地更新密度值，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，即d
im
/d
i1
小于所述阈值为止，其中d
i1
为初次迭代后的密度值。具体地，所述阈值可以取一个极小的、趋近于0的正数。此时，更新所得到的密度值即为所述权重，所述中心点与所述密度值一一对应，所述中心点个数即为所述隐含层的神经元个数。
[0104]
同时，在所述中心点和所述密度值均通过对所述电器耗电量预测模型的训练被确定的情形下，前文所述的参数σ也通过减法聚类算法被确定。具体地，参数σ为所述训练电器数据中前k个离所述中心点最近的数据的聚类均值，其中，k为训练后所确认的所述中心点的数量，也即是所述隐含层的神经元个数。
[0105]
由此，通过步骤t1至t3，完成对所述电器耗电量预测模型的训练过程。
[0106]
需要指出的是，所述电器耗电量预测模型也可以为基于bp神经网络的预测模型。
[0107]
在本实施例中，与所述基于rbf神经网络的预测模型不同的是，所述基于bp神经网络的预测模型所采用的激活函数为sigmoid函数，并且，所述基于bp神经网络的预测模型中的隐藏层采用多层结构。
[0108]
具体地，基于bp神经网络的预测模型的学习算法属于全局逼近算法，具有较强的泛化能力；由于其隐藏层采取多层结构，所述基于bp神经网络的预测模型每次对于输入样本的学习都要重新调整网络的全部权值，导致收敛速度慢，不适于实时控制。
[0109]
同时，rbf神经网络是局部逼近的神经网络，所述基于rbf神经网络的预测模型中从输入层到隐含层的映射是非线性的，从隐含层到输出层的映射是线性的。同时，在运行周期内的电器数据是随着时间连续变化的，由此可知所述电器数据的形式和rbf神经网络对于非线性数据的处理方式是相契合的。因此，所述基于rbf神经网络的预测模型可大大加快训练速度并避免产生局部极小值，同时适合实时控制。
[0110]
在本实施例中，还需指出的是，在所述电器耗电量预测模型的训练过程中，可通过条件熵计算所述训练电器数据中的每个数据与训练中得到的训练预测耗电量之间的相关性结果，并通过所述相关性结果求得均值，将所述均值作为相关性阈值，通过相关性阈值来对所述训练电器数据中的数据进行相关性筛选，当所述相关性结果小于所述相关性阈值
时，所对应的数据将不被纳入所述电器耗电量预测模型的输入数据中，即所述电器耗电量预测模型训练完成后，对于后续输入模型的数据，进行条件熵计算，可将相关性程度不高的数据排除出去，确保输出的耗电量的预测值能够准确反映该电器的实际耗电情况。
[0111]
由上可知，通过本技术实施例所提供的一种电器耗电量预测方法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。
[0112]
为了更好地实施以上方法，本技术实施例还提供一种电器耗电量预测装置，该电器耗电量预测装置具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。
[0113]
例如，如图4所示，该电器耗电量预测装置可以包括：
[0114]
数据采集单元401，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；
[0115]
数据处理单元402，用于对所述电器数据进行特征提取处理，得到第一函数；
[0116]
数据输出单元403，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。
[0117]
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
[0118]
本技术实施例提供了一种电器耗电量预测装置，该装置基于前述的方法实施例，不仅解决了方法实施例在实施过程中出现的数据处理过程耗时耗力的问题，通过功能单元的设置，解决了方法实施例中人为操作所存在的误差问题，通过功能单元系统化地运行，在保证实施过程准确、细化的同时，省去了人工操作的时间，提高了本技术所保护的技术方案的实施效率。
[0119]
本技术实施例还提供一种设备，该设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑，等等；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，等等。
[0120]
在一些实施例中，电器耗电量预测装置还可以集成在多个设备中，比如，电器耗电量预测装置可以集成在多个服务器中，由多个服务器来实现本技术的电器耗电量预测方法。
[0121]
比如，如图5所示，其示出了本技术实施例所涉及的设备的结构示意图，具体来讲：
[0122]
该设备可以包括一个或者一个以上处理核心的处理器501、一个或一个以上存储介质的存储器502、电源503、输入模块504以及通信模块505等部件。本领域技术人员可以理解，图中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
[0123]
处理器501是该设备的控制中心，利用各种接口和线路连接整个设备的各个部分，通过运行或执行存储在存储器502内的软件程序和/或模块，以及调用存储在存储器502内的数据，执行设备的各种功能和处理数据。在一些实施例中，处理器501可包括一个或多个
处理核心；在一些实施例中，处理器501可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器501中。
[0124]
存储器502可用于存储软件程序以及模块，处理器501通过运行存储在存储器502的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器502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系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器502还可以包括存储器控制器，以提供处理器501对存储器502的访问。
[0125]
设备还包括给各个部件供电的电源503，在一些实施例中，电源503可以通过电源管理系统与处理器501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源503还可以包括一个或一个以上的直流或交流电源、再充电系统、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。
[0126]
该设备还可包括输入模块504，该输入模块504可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
[0127]
该设备还可包括通信模块505，在一些实施例中通信模块505可以包括无线模块，设备可以通过该通信模块505的无线模块进行短距离无线传输，从而为用户提供了无线的宽带互联网访问。比如，该通信模块505可以用于帮助用户收发电子邮件、浏览网页和访问流式媒体等。
[0128]
尽管未示出，设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，设备中的处理器501会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现各种功能，如下：
[0129]
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；
[0130]
对所述电器数据进行特征提取处理，得到第一函数；
[0131]
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。
[0132]
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
[0133]
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于存储介质中，并由处理器进行加载和执行。
[0134]
为此，本技术实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本技术实施例所提供的任一种电器耗电量预测方法中的步骤。例如，该指令可以执行如下步骤：
[0135]
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；
[0136]
对所述电器数据进行特征提取处理，得到第一函数；
[0137]
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。
[0138]
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
[0139]
其中，该存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、磁盘或光盘等。
[0140]
由于该存储介质中所存储的指令，可以执行本技术实施例所提供的任一种电器耗电量预测方法中的步骤，因此，可以实现本技术实施例所提供的任一种电器耗电量预测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
[0141]
以上对本技术实施例所提供的一种电器耗电量预测方法、装置、设备和存储介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。