BI报表之电网大屏显示制作

本文探讨了2018年上半年各省用电量与GDP排名的关系,用电量高的省份GDP排名也相对靠前,揭示了用电量作为经济活动的重要指标。

原文链接:http://c.raqsoft.com.cn/article/1536634816208?r=alice

2018 年已经过半,各省又开始比考试成绩了,考试科目就叫 GDP,排在前面的自然扬眉吐气,排在后面的,就灰头土脸了,同样都是大省份,同样都是直辖市,为啥你排名靠前,我却垫了底呢?来,让小编给各位揭晓答案(此处应该有“咣咣咣”三声响)。

答案便是:因为你用电量不够高!!!

有托着腮帮子怀疑的,请看下国家电网的大屏分析,看看右下方的数据是不是我说的答案。

1png
沉稳内敛型

ddd4png

缤纷炫酷型(怎么做更炫酷,请看文章结尾 )

注:以上都是基于刚刚发布不久还冒热气的真实数据做的统计。

其实,明眼人一看就知道小编这个答案是完全经不起推敲的,是小编为了吸引大家眼球硬生生的给捏出来的答案,但是这个答案也是有一定道理的。就像,我们说好学生用的练习本多是一个道理,不一定你用的练习本多就可以成为好学生,但是用的少的,大概率成不了好学生。

好了,我们就继续就这个话题,继续看看电网的电力统计还能帮我们分析出哪些信息和规律。

一个主题大屏包括 n 多小的模块组件。就今天的主题,我们分为上半年全国各省用电情况统计、用电总量统计及与上年对比、全国全社会用电量情况(分各产业与居民用电)、用电大省的经济发展情况(用电前五省份及 GDP 排名情况)、下半年用电预测及上半年发电情况分布等七个模块。根据数据分析形式分别采用地图、柱图、仪表盘、折线等统计图呈现,使其更直观、更好理解。

润乾报表怎么做大屏?!easy,无需多想,干就是了。

注:以下所用数据均来自国家能源局、统计局。

各省用电情况分析

以地图形式呈现各省的用电情况,用电量越高 颜色越深。

2png

做法:

1,准备数据

内建数据集,增加”地区”和”电量”字段,把获取到的各省用电量数据依次录入

3png

2,设置统计图及表达式

报表单元格内右–第三方统计–打开模板,选择“地图”

4png

依次设置左侧参数部分表达式:

datanameï¼æ°æ®é.select@r(å°åº,,,å°åº)

datavalueï¼H1{}  æ­¤å¤çH1å为æ©å±æ ¼æ©å±çææç¨çµéå­æ®µå¼ï¼ç¬¬ä¸è¡éè

seriesNameï¼[âç¨çµéâ]

legendï¼[âç¨çµéâ]

dataname:数据集.select@r(地区,,,地区) datavalue:H1{}  此处的H1内为扩展格扩展的所有用电量字段值,第一行隐藏 seriesName:[“用电量”] legend:[“用电量”]

3,预览效果

5png

其中标题与副标题均可在地图中设置,包括其他样式(如左下的 dataRange、地图用色、是否显示数值等)可通过 echarts 的属性处理。

注:以下统计图均采用第三方 echarts2 统计图,不再说明。

2018 年上半年用电总量统计、同比

以仪表盘形式呈现 2018 上半年、2017 上半年及 2017 全年用电总量。

6png

直观能看出,2018 年上半年已用电 32291 亿千瓦时,相比 17 年的上半年同比增长 9.43%。2017 年全年用电 63077 亿千瓦时,根据往年及 2018 上半年的增长情况,预计 2018 年全年用电量要逼近 70000 亿千瓦时。

做法:

1,准备数据

仪表盘理论上本身只需要一个 value 值,所以无需准备数据集,可以直接在统计图中定义。

注:实际还需要一个总的值,决定指针的位置。

2,仪表盘设置

该模块下显示 3 个数据,所以依次在相连的三个单元格内如下操作:

报表单元格内右–第三方统计–打开模板,选择“仪表盘”

以 2018 年上半年为例  

7png8png

  Series 内 max 设置为预估的 2018 年全年用电,data 内为上半年实际用电量。

3,预览效果

9png

全社会用电情况统计(即第一、二、三产业与居民生活用电)

以柱图形式呈现,更直观对比各产业及居民生活用电的增长情况。

10png

分产业看,第一产业用电量 328 亿千瓦时,同比增长 10.3%;第二产业用电量 22336 亿千瓦时,同比增长 7.6%;第三产业用电量 5071 亿千瓦时,同比增长 14.7%。城乡居民生活用电量 4555 亿千瓦时,同比增长 13.2%。

第二产业为用电大户,这也是产业类型决定,占到社会用电的 70%。 第三产业涵盖行业较多,相比城乡居民用电总量高 11% 左右。另外,受天气影响及人民生活水平改善,居民用电也同比增长 13.2%,增长速度很快。

做法:

1,准备数据

可以用报表数据集,当然因数据较少,直接定义在图形里完全没问题。

2,柱图设置

第三方统计图中选择“柱图”,其中

11png

12png

13png

分别对应系列、分类轴及各系列对应数据。

3,预览效果

14png

注:以下几个模块与柱图均属一个图形系列,不再啰嗦具体做法,仅做分析。

用电大省经济发展情况

以条形图呈现 2017 年全年及 2018 年上半年用电量前五的省份及 GDP 的排名情况。

15png

作为观察经济走势的风向标的指标,用电量占据一席。参考刚刚出炉的 2018 年上半年 GDP 各省排名情况,用电量前五的省份,前四位 GDP 排行也依次排在前四。第五位的河北,其用电量也在第七(环保专家又发话了?重工业又被关停了? 娱乐一下)。

所以,“要想 GDP 数据好,用电绝对不能少”还真不是口号,真的像一对夫妻相辅相成。

本人作为一个普通老百姓,息息相关的城乡居民生活用电增长可真不少,估计这里面天气因素(今年初的寒潮和入夏以来的蒸、烧烤天气)功不可没,当然也有老百姓消费升级的拉动(原来骑自行车解决的短途交通问题,现在都懒得换成平衡车、便携折叠电动车了;刷个牙也都电动了;家庭空调 24 小时也不关机了,都是电(qian)啊)。

2018 年上半年发电情况

包括上半年总发电量,同比及累计增长,各月份发电量及各发电类型(火力、水力、风力、核能、太阳能)发电总量情况

各月发电量、同比及累计增长

16png

各发电类型发电量统计

17png

从增长情况看,充足的发电能力保障了社会用电。国家在保证充足供电情况下,为了环保考虑,不断促进新能源发电的发展。从发电类型看,太阳能、水力等发电占比不断扩大。这也看出国家在治理环境污染方面做出的巨大努力。

2018 年下半年用电预测

根据 2018 年上半年的用电情况及同比增长情况,以折线图形式呈现下半年个月的预测用电量,该数据可以为发电计划做参考。

18png

根据上半年用电、往年下半年用电增长情况,这里预测了下下半年各月的可能用电情况,总量接近 70000 亿千瓦时。下半年能否提供充足保障?让我们拭目以待!!

原文有更详细的制作介绍哦!!

作者:bubblegum
链接:http://c.raqsoft.com.cn/article/1536634816208
来源:乾学院
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

好的,非常荣幸能为您撰写一篇关于“AI+物联网”的综合性论文题目。本文将立足于物联网专业与行业,深入剖析AI与IoT融合(AIoT)的核心要义、关键技术、应用场景、挑战与未来趋势,旨在提供一个既有理论深度又有实践广度的研究框架。 --- 赋能万物,智见未来:人工智能与物联网(AIoT)的深度融合、关键挑战与未来图景 摘要: 物联网(IoT)实现了物理世界的广泛连接与数据采集,构建了数字时代的“神经末梢”。然而,海量、异构、时序性的物联网数据本身价值密度低,传统的数据处理方法难以挖掘其深层价值。人工智能(AI),特别是机器学习(ML)和深度学习(DL),以其强的模式识别、预测分析和自主决策能力,正成为解锁物联网数据潜力的“智慧脑”。AI与IoT的融合——即AIoT,不仅是技术的简单叠加,更是一场深刻的范式革命,它正推动物联网从“连接”走向“智能”,从“感知”走向“认知”,最终重塑千行百业。本文旨在系统性地探讨AIoT的技术架构,剖析其从边缘到云端的协同计算、时序数据分析、联邦学习等关键技术,并详细阐述其在工业制造、智慧城市、智能家居、车联网等核心领域的创新应用。同时,本文也将直面AIoT发展过程中面临的数据安全、隐私保护、模型能耗、系统复杂性等严峻挑战,并最终展望其未来发展趋势,以期为物联网及相关领域的研究者与从业者提供一个全面而深入的研究视角。 关键词: 人工智能;物联网;AIoT;边缘计算;深度学习;智能运维;智慧城市;联邦学习 --- 一、 引言:从万物互联到万物智联的时代嬗变 物联网的概念由来已久,其核心在于通过信息传感设备(如RFID、传感器、GPS等),按约定的协议,将任何物品与互联网相连接,进行信息交换和通信,以实现智能化识别、定位、跟踪、监控和管理。过去十年,随着通信技术(5G/6G)、半导体技术和云计算的发展,物联网设备的数量呈爆炸式增长,我们已经步入了一个“万物互联”的初级阶段。 然而,单纯的“连接”价值有限。一个典型的物联网系统会产生TB甚至PB级别的数据,这些数据往往具有“5V”特征(Volume量、Velocity高速、Variety多样、Value低价值密度、Veracity真实性)。如果这些数据仅被用于简单的状态监控和可视化展示,那么物联网的巨潜力将无法被释放。例如,在工厂中,部署数千个传感器实时监测设备温度、振动数据,如果仅用于在控制室显示数值,那么当数值超标报警时,设备可能已经发生故障,造成了生产中断和经济损失。 正是在这一背景下,人工智能技术迎来了与物联网历史性的交汇。AI,尤其是机器学习模型,能够从海量的物联网数据中自动学习规律和模式,实现: · 预测性分析: 预测设备故障、用户行为、能源消耗等。 · 异常检测: 实时识别设备异常运行状态或网络入侵行为。 · 优化控制: 自主调整系统参数(如楼宇空调、电网负载),实现能效最优。 · 场景理解: 在视频监控中,不仅能传输视频流,更能理解画面中发生的事件(如跌倒、入侵、交通拥堵)。 因此,AIoT的本质是让物联网系统具备“感知-认知-决策-行动”的闭环能力。它不再是被动地收集数据,而是主动地理解环境、分析问题、做出决策并执行行动,从而将物联网从数据网络提升为智能网络。本研究将围绕这一核心要义,展开全面论述。 二、 AIoT的核心技术架构与关键使能技术 AIoT的系统架构通常被描述为一个“云-边-端”协同的立体化架构,AI能力被注入到每一个层级。 1. 云-边-端协同的智能架构 · 云端智能: 云端拥有几乎无限的计算和存储资源,适合进行复杂的模型训练、海量历史数据的深度挖掘和全局优化。例如,利用一个工厂所有生产线一年的数据,在云端训练一个高精度的设备寿命预测模型。 · 边缘智能: 在更靠近数据源头的网络边缘侧(如网关、本地服务器、边缘计算节点)部署AI推理能力。边缘计算解决了云端处理的高延迟、网络带宽压力和数据隐私问题。对于需要实时响应的应用(如自动驾驶汽车的障碍物识别、工业机械臂的实时避障),必须在边缘侧完成推理。 · 终端智能: 随着微型化AI芯片(如谷歌的Edge TPU、英特尔的Movidius)和模型轻量化技术(如TensorFlow Lite、PyTorch Mobile)的发展,部分AI能力可以直接部署在终端设备(如摄像头、传感器)上。终端智能可以实现最极致的低延迟和隐私保护,例如,智能门铃本地识别人脸后,只将陌生人的图像上传到云端。 2. 面向物联网数据的AI算法 物联网数据多为时序数据,这对AI算法提出了特殊要求。 · 时序数据分析与预测: 循环神经网络(RNN),尤其是长短期记忆网络(LSTM)和门控循环单元(GRU),因其能有效捕捉时间序列中的长期依赖关系,被广泛用于设备预测性维护、电力负荷预测等。此外,时序卷积网络(TCN)和基于Transformer的模型也在这一领域展现出强潜力。 · 轻量化神经网络模型: 为了适应边缘和终端设备有限的计算资源和功耗约束,模型压缩技术至关重要。这包括知识蒸馏(用模型指导小模型训练)、剪枝(移除冗余的神经网络连接)、量化(将模型权重从高精度浮点数转换为低精度整数)等。 · 异常检测算法: 除了有监督的深度学习模型,无监督或半监督的算法如隔离森林(Isolation Forest)、自编码器(Autoencoder)等,在缺乏量已标注异常数据的场景下非常有效,可用于发现未知的设备故障模式或网络攻击。 · 强化学习: 在需要连续决策和控制的场景中,如智能楼宇的能源管理、无人仓储的机器人调度,强化学习(RL)可以通过与环境的不断交互,自主学习出最优控制策略。 3. 联邦学习——隐私保护下的协同智能 在医疗、金融等对数据隐私要求极高的物联网场景中,将原始数据集中到云端进行训练存在风险。联邦学习(Federated Learning)提供了一种创新的解决方案。其核心思想是“数据不动,模型动”。即,多个终端或边缘设备在本地用自己的数据训练模型,只将模型更新(如梯度信息)上传到云端进行聚合,生成一个全局模型,再将更新后的全局模型下发到各终端。这种方式能够在保护用户隐私的前提下,利用分布式的数据共同提升AI模型性能。 三、 AIoT的行业应用场景与价值创造 AIoT的价值最终体现在其对传统行业的赋能和重塑上。 1. 工业物联网与智能制造 这是AIoT应用最成熟、价值最显著的领域。 · 预测性维护: 通过分析设备运行时的振动、温度、噪音等时序数据,AI模型可以提前数小时甚至数天预测故障发生,从而将维护模式从事后维修、定期维修转变为按需预测性维护,幅减少非计划停机时间,降低维护成本。 · 产品质量视觉检测: 在生产线上部署高清摄像头,利用计算机视觉模型实时检测产品表面的划痕、瑕疵、装配错误等,其准确率和效率远超人工检测。 · 生产流程优化: 通过分析整个生产线的数据(物料流、能耗、设备效率),AI可以找出生产瓶颈,优化生产参数,提升整体设备效率(OEE)和能源使用效率。 2. 智慧城市 AIoT是构建城市“数字孪生”,实现城市精细化管理的基石。 · 智能交通: 通过路侧单元、摄像头和车载传感器,AI可以实时分析交通流量,智能调控信号灯,缓解拥堵;同时实现违章自动抓拍、事故快速检测与响应。 · 智慧安防: 视频监控系统结合AI图像识别,可实现人群密度分析、异常行为(如奔跑、打架)预警、走失人员查找等,从事后追溯变为事前预警和事中快速处置。 · 智慧能源与公用事业: 基于AIoT的智能电网可以实现精准的负荷预测、分布式能源的协同调度和故障自愈。智能水表、燃气表可以实时监测管网漏损,优化资源分配。 3. 智能家居与智慧建筑 AIoT让建筑和家居环境变得更舒适、节能和安全。 · 个性化环境控制: 通过学习和预测用户的行为习惯,AI可以自动调节房间的空调、照明和窗帘,在保证舒适度的同时实现节能。 · 智能安防与看护: 家庭摄像头可识别家人与陌生人,当有老人跌倒或儿童进入危险区域时能及时告警。智能烟雾/燃气传感器能更准确地识别真实险情,减少误报。 · 建筑能源管理: 对型商业建筑的能耗数据进行综合分析,AI可以找出能源浪费点,并自动优化暖通空调(HVAC)系统的运行策略。 4. 车联网与智能驾驶 AIoT是高级别自动驾驶(L4/L5)和智慧交通系统不可或缺的一部分。 · 车辆本身智能化: 车载AI处理来自激光雷达、摄像头、毫米波雷达的多模态数据,实现环境感知、高精度定位、路径规划和决策控制。 · 车路协同: 通过V2X(车与万物互联)技术,车辆可以与道路基础设施(信号灯、路侧单元)、其他车辆以及云端进行实时通信。AI可以融合这些更广泛的信息,实现超视距感知、协同决策,极提升自动驾驶的安全性和通行效率。 5. 智慧医疗 · 远程患者监护: 可穿戴设备(如智能手环、心电图贴片)持续采集患者的生命体征数据,AI模型进行分析,一旦发现异常趋势(如心率失常、血氧下降),可立即向医生和家属发出警报,实现疾病的早期干预。 · 智能医疗设备: AI赋能医疗影像设备(如CT、MRI),辅助医生进行病灶识别与分割,提高诊断的准确性和效率。 四、 AIoT发展面临的关键挑战与思考 尽管前景广阔,但AIoT的规模落地仍面临诸多挑战。 1. 安全与隐私挑战 · 数据安全: 海量的物联网设备成为新的攻击入口,数据在传输和存储过程中面临被窃取和篡改的风险。 · 模型安全: AI模型本身可能受到对抗性攻击,通过在输入数据中添加微小扰动,导致模型做出错误判断,这在自动驾驶、安防等领域后果不堪设想。 · 隐私泄露: 物联网设备采集的数据往往包含高度敏感的个人信息(位置、行为、健康数据),如何在使用数据的同时保护用户隐私是一个巨难题。差分隐私、同态加密、联邦学习等技术是潜在的解决方案,但会带来额外的计算开销。 2. 技术与管理复杂性 · 系统异构性: 物联网设备、通信协议、数据格式千差万别,实现跨平台、跨厂商的互联互通和协同智能异常困难。 · 模型部署与运维复杂性: 将AI模型部署到种类繁多的边缘设备上,并对其进行持续的更新、监控和管理(MLOps),是一个巨的工程挑战。 · 数据质量与标注难题: AI模型的性能严重依赖于高质量的训练数据。而物联网数据常常存在噪声、缺失和不平衡问题,且为海量数据做标注成本极高。 3. 成本与能耗约束 · 硬件成本: 为海量物联网设备配备AI芯片会增加硬件成本。 · 能源消耗: AI模型的训练和推理都是计算密集型任务,对于电池供电的物联网设备,能耗是首要考虑因素。如何在性能与功耗之间取得平衡是关键。 4. 标准与伦理法规缺失 · 缺乏统一标准: 在数据接口、AI模型互操作、安全认证等方面缺乏全球统一的标准,阻碍了AIoT生态的健康发展。 · 伦理与责任界定: 当AIoT系统做出自主决策导致事故时(如智能医疗设备误诊、自动驾驶汽车事故),责任应如何界定?算法的透明度和可解释性(XAI)成为亟待解决的问题。 五、 未来趋势与展望 展望未来,AIoT的发展将呈现以下趋势: 1. AI模型的进一步轻量化与专用化: 将出现更多为特定物联网场景定制的超轻量级模型和专用AI芯片,实现极致的能效比。 2. “感知-决策-控制”一体化: AIoT将不再局限于分析和预警,而是与执行器更紧密地结合,形成完整的自主闭环控制系统。 3. 因果推理的引入: 当前AIoT主要依赖相关性分析,未来将更注重探究数据背后的因果关系,使决策更符合逻辑、更可解释、更可靠。 4. AIoT与数字孪生的深度融合: AIoT是构建数字孪生(物理实体的虚拟镜像)的数据来源和执行末端,而数字孪生则为AI模型提供了绝佳的仿真测试和优化环境。 5. 可持续发展导向: AIoT将在“双碳”目标下发挥更作用,通过优化能源使用、减少资源浪费,成为推动全球可持续发展的重要技术力量。 六、 结论 AI与物联网的融合,即AIoT,绝非昙花一现的技术热点,而是标志着我们从“万物互联”迈向“万物智联”时代的核心引擎。它通过将AI的“脑”注入IoT的“身体”,赋予了物理世界感知、理解、学习和行动的能力,从而在各个垂直行业催生出前所未有的创新应用和效率提升。尽管前路依然面临着安全、复杂性、成本与伦理等方面的严峻挑战,但技术的演进和产业的共同努力正在不断攻克这些难关。对于物联网专业的研究者和学习者而言,深入理解AIoT的技术内核,把握其在不同行业的落地逻辑,并前瞻性地思考其带来的社会影响,将是抓住这一时代机遇、引领未来智能化浪潮的关键所在。我们正站在一个新时代的起点,AIoT将如何重塑人类的生产和生活方式,值得我们持续地探索与期待。 --- 帮我根据这些生成对应的柱状图或折线图
最新发布
11-06
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值