本申請屬于智能電表用電管理領域，具體涉及一種針對智能電表預付費預警的方法及系統。

背景技術：

0、技術背景

1、在高校、醫院、園區等商業用能領域內，基本都是采用預付費模式進行用能管理，在這些場景內，用能的用戶類型比較多，有學生群體、餐館群體、商貿群體等不同特征的用能用戶，一方面這部分用戶的用能消耗水平及個體均不一致，很難做到個性化的預警服務；另一方面。當前預付費的場景下，有線485通訊及無線4g通訊服務都存在一個問題，即通訊不穩定，而通訊斷開往往會持續一周到一月的時間不等的，這就會導致大金額扣費、預警不準確等問題。一旦用能停供，會導致用戶投訴及后續管理上帶來的一些困難。因此，如何規避通訊問題，提高服務質量，是當前需要突破的問題點。

2、技術內容

3、鑒于現有技術的上述缺點、不足，本發明提出一種針對智能電表預付費預警的方法及系統，其通過用能平臺結合ai大模型的數據補齊與預測能力，彌補通訊短時間內故障，并能夠針對不同用戶群體進行個性化的用能提醒服務。

4、為了達到上述目的，本發明采用的主要技術方案包括：

5、第一方面，本發明提供了一種針對智能電表預付費預警的方法，包括：

6、實時采集各智能電表的數據并傳輸至數據庫，所述數據庫數據定時傳輸至構建好的tensorflow；

7、若存在數據缺失，則根據歷史數據和近期數據通過所述tensorflow自動補齊后形成完整數據后返回至所述數據庫中；

8、定時將所述數據庫內的所述全量數據根據歷史數據和近期數據通過所述tensorflow進一步進行n天后用電量的預測，并結合用能余額計算后對用戶發送用能預警和通知。

9、可選地，所述若存在數據缺失，則根據歷史數據和近期數據通過所述tensorflow自動補齊后形成完整數據，包括：

10、獲取該用戶的近期數據和歷史數據，所述近期數據包括：至少前三個月的每月用能數據，所述歷史數據包括：上一年度同周期至少三個月內的每月用能數據；

11、形成所述近期數據的用能趨勢和所述歷史數據的用能趨勢，若兩用能趨勢規律不一致，則取趨勢增長的平均值進行缺失月份用能數據的預測；若兩用能趨勢規律一致，則根據同比增長情況進行缺失月份用能數據的預測；

12、將預測的缺失月份用能數據與該缺失月份已有數據的差值作為補齊數據。

13、可選地，所述若存在數據缺失，則根據歷史數據和近期數據通過所述tensorflow自動補齊后形成完整數據，還包括：對預測的缺失月份用能數據結合最新月份的用能數據進行校驗，若預測的缺失月份用能數據大于最新月份的用能數據，則取最新月份用能數據與缺失月份前一個月的用能數據差值的平均值作為預測用能數據后補齊；若預測的缺失月份用能數據小于最新月份的用能數據，則直接補齊缺失數據。

14、可選地，所述通過所述tensorflow自動補齊后形成完整數據，包括：使用tf.data模塊中的dataset對象構建數據管道；使用tf.data.dataset.from_generator()方法創建一個數據集，通過調用dataset.padded_batch()方法中的函數來對輸入數據進行補齊。

15、可選地，所述數據庫數據定時傳輸至構建好的tensorflow，包括：所述數據通過用能平臺解析后傳輸至所述tensorflow，系統根據斷點的數據，形成數據集。

16、可選地，定時將所述數據庫內的所述全量數據根據歷史數據和近期數據通過所述tensorflow進一步進行n天后用電量的預測，包括：

17、獲取該用戶近期數據和歷史數據，該近期數據為n天后起計算的至少前三個月的用能數據，該歷史數據為去年同期至少三個月內的用能數據；

18、形成該近期數據的用能趨勢和該歷史數據的用能趨勢，推算平均趨勢值后得到包含n天的本月份預測用能數據。

19、可選地，所述定時將所述數據庫內的所述全量數據根據歷史數據和近期數據通過所述tensorflow進一步進行n天后用電量的預測，還包括：通過用能平臺解析所述全量數據后更新用戶扣費數據。

20、可選地，所述結合用能余額計算后對用戶發送用能預警和通知，包括：若所述用能余額不足，則調用扣費服務，自動按照補齊節點進行扣費拆分；若所述用能余額臨近不足，則計算提醒周期后對管理人員進行催繳預警，對用戶進行繳費預警。

21、可選地，所述若存在數據缺失，則根據歷史數據和近期數據通過所述tensorflow自動補齊后形成完整數據，還包括：系統會通過每天的定時任務檢測前日的數據是否缺失；檢測到數據缺失時，會自動調取所述tensorflow。

22、第二方面，本發明還提供了一種針對智能電表預付費預警系統，包括：用戶群體、ai模型、通訊層、設備層和數據存儲；其中，所述設備層包括多個智能電表，所述通訊層包括網關485和4g，所述ai模型為構建好的tensorflow；

23、所述通訊層用于實時采集各所述智能電表的數據并傳輸至所述數據存儲的mysql數據庫中，所述數據庫數據定時傳輸至所述tensorflow；

24、所述ai模型用于當存在數據缺失時，根據歷史數據和近期數據自動補齊后形成完整數據后返回至所述數據庫中；所述ai模型還用于在預設的時間點將所述數據庫內的所述全量數據根據歷史數據和近期數據進一步進行n天后用電量的預測，所述平臺結合用能余額計算后對用戶發送用能預警和通知。

25、本發明的技術方案，利用ai大模型并結合獨特的算法邏輯進行用戶用能數據補齊及預測，不僅能夠減少通訊帶來的故障，非常直觀的看出用戶用能的數據，而且可以做到智能電表多設備多用戶群體個性化的用能服務及管理。

26、說明書附圖

27、圖1為本發明實施例提供的一種針對智能電表預付費預警的方法的技術交互時序圖。

28、圖2為本發明實施例提供的一種針對智能電表預付費預警的方法的流程示意圖。

29、圖3為本發明實施例提供的一種針對智能電表預付費預警系統的系統架構示意圖。

技術實現思路

技術特征：

1.一種針對智能電表預付費預警的方法，其特征在于包括：

2.如權利要求1所述的一種針對智能電表預付費預警的方法，其特征在于所述若存在數據缺失，則根據歷史數據和近期數據通過所述tensorflow自動補齊后形成完整數據，包括：

3.如權利要求2所述的一種針對智能電表預付費預警的方法，其特征在于所述若存在數據缺失，則根據歷史數據和近期數據通過所述tensorflow自動補齊后形成完整數據，還包括：對預測的缺失月份用能數據結合最新月份的用能數據進行校驗，若預測的缺失月份用能數據大于最新月份的用能數據，則取最新月份用能數據與缺失月份前一個月的用能數據差值的平均值作為預測用能數據后補齊；若預測的缺失月份用能數據小于最新月份的用能數據，則直接補齊缺失數據。

4.如權利要求1或2或3所述的一種針對智能電表預付費預警的方法，其特征在于所述通過所述tensorflow自動補齊后形成完整數據，包括：使用tf.data模塊中的dataset對象構建數據管道；使用tf.data.dataset.from_generator()方法創建一個數據集，通過調用dataset.padded_batch()方法中的函數來對輸入數據進行補齊。

5.如權利要求1所述的一種針對智能電表預付費預警的方法，其特征在于所述數據庫數據定時傳輸至構建好的tensorflow，包括：所述數據通過用能平臺解析后傳輸至所述tensorflow，系統根據斷點的數據，形成數據集。

6.如權利要求1所述的一種針對智能電表預付費預警的方法，其特征在于所述定時將所述數據庫內的所述全量數據根據歷史數據和近期數據通過所述tensorflow進一步進行n天后用電量的預測，包括：

7.如權利要求6所述的一種針對智能電表預付費預警的方法，其特征在于所述定時將所述數據庫內的所述全量數據根據歷史數據和近期數據通過所述tensorflow進一步進行n天后用電量的預測，還包括：通過用能平臺解析所述全量數據后更新用戶扣費數據。

8.如權利要求1或7所述的一種針對智能電表預付費預警的方法，其特征在于所述結合用能余額計算后對用戶發送用能預警和通知，包括：若所述用能余額不足，則調用扣費服務，自動按照補齊節點進行扣費拆分；若所述用能余額臨近不足，則計算提醒周期后對管理人員進行催繳預警，對用戶進行繳費預警。

9.如權利要求1所述的一種針對智能電表預付費預警的方法，其特征在于所述若存在數據缺失，則根據歷史數據和近期數據通過所述tensorflow自動補齊后形成完整數據，還包括：系統會通過每天的定時任務檢測前日的數據是否缺失；檢測到數據缺失時，會自動調取所述tensorflow。

10.如權利要求1所述的一種針對智能電表預付費預警系統，其特征在于包括：用戶群體、ai模型、通訊層、設備層和數據存儲；其中，所述設備層包括多個智能電表，所述通訊層包括網關485和4g，所述ai模型為構建好的tensorflow；

技術總結
本發明提供一種針對智能電表預付費預警的方法，包括：實時采集各智能電表的數據并傳輸至數據庫，數據庫數據定時傳輸至構建好的TensorFlow；若存在數據缺失，則根據歷史數據和近期數據通過TensorFlow自動補齊后形成完整數據后返回至數據庫中；定時將數據庫內的全量數據根據歷史數據和近期數據通過TensorFlow進一步進行n天后用電量的預測，并結合用能余額計算后對用戶發送用能預警和通知。本技術方案通過結合AI大模型的數據補齊與預測能力，彌補通訊短時間內故障，并能夠針對不同用戶群體進行個性化的用能提醒服務。

技術研發人員：常向坤,謝江泳,傅昆,姚堯
受保護的技術使用者：中控技術股份有限公司
技術研發日：
技術公布日：2025/4/28