一种能源使用状态预警方法、装置、设备和存储介质与流程

本发明涉及计算机技术领域，尤其涉及一种能源使用状态预警方法、装置、设备和存储介质。

背景技术：

随着时代的进步，人们的生活水平已经达到小康水平，家家户户都已用上自来水、天然气、电力等能源。不但人们生活依赖这些能源，各种家用电器设备更是依赖这些能源，这些能源已成为生活常态，一旦中断了自来水、天然气、电力等能源的供应，生活和工作将无法继续维持下去，因此，能源对人们的生活和工作具有不可或缺的重要意义。

然而，人们往往只是作为能源的使用者，并不会关注能源的使用速度和使用总量，这可能会导致能源在使用过程中产生浪费。由于能源在日常生活中不可或缺，使得能源在日常经济消费支出中占据较大的比例。如果人们只是作为能源的使用者，而不关注能源的消耗浪费，这会在无形之中增加能源的消费金额，从而对整个日常经济消费产生严重的消极影响。此外，虽然国家大力提倡节约能源，保护环境，人们也都会有节约用水、节约用电的行为意识。但是，在实际操作过程中，人们只是通过简单手段来节省能源，降低资源消耗，难以人工监测能源的使用状况数据，也没有一种机制来预警能源的使用是否已经存在浪费问题或者即将出现浪费问题。

综上，提供一种能源使用状态预警方法已经成为本领域技术人员亟待解决的问题之一。

技术实现要素：

本发明的主要目的在于提供一种能源使用状态预警方法、装置、设备和存储介质，以解决人工难以监测能源的使用状况数据的问题。

针对上述技术问题，本发明是通过以下技术方案来解决的：

本发明提供了一种能源使用状态预警方法，包括：获取历史能源使用数据集合；根据所述历史能源使用数据集合，确定目标时间段对应的动态阈值；获取所述目标时间段的能源使用量；如果所述能源使用量大于所述动态阈值，则执行预设的状态预警操作。

其中，在所述获取历史能源使用数据集合之前，还包括：每隔预设时间段，更新一次所述历史能源使用数据集合；其中，将最近一个所述时间段的能源使用数据添加到所述历史能源使用数据集合中，并且，从所述历史能源使用数据集合中删除最远一个所述时间段的能源使用数据。

其中，所述预设时间段的时间长度等于所述目标时间段的时间长度；所述根据所述历史能源使用数据集合，确定目标时间段对应的动态阈值，包括：在所述历史能源使用数据集合中，获取与所述目标时间段周期对应的多个时间段的能源使用数据；根据与所述目标时间段周期对应的多个时间段的能源使用数据，确定能源使用数据均值和能源使用数据方差；利用预设的切比雪夫不等式、所述能源使用数据均值和所述能源使用数据方差，确定与所述目标时间段周期对应的每个时间段的能源使用数据对应的概率值；在与所述目标时间段周期对应的多个时间段的能源使用数据分别对应的概率值中，将最小的概率值作为所述目标时间段对应的动态阈值。

其中，所述获取所述目标时间段的能源使用量，包括：如果当前时间处于所述目标时间段之内，则获取所述目标时间段的真实能源使用量；或者，如果当前时间早于所述目标时间段的起始时间，则将所述历史能源使用数据集合输入预先训练的能源用量预测模型，并获取所述能源用量预测模型输出的所述目标时间段的预测能源使用量。

其中，在所述将所述历史能源使用数据集合输入预先训练的能源用量预测模型之前，还包括：根据所述历史能源使用数据集合并且采用梯度下降法，训练所述能源用量预测模型。

其中，所述能源用量预测模型为神经网络模型或者机器学习模型。

其中，所述执行预设的状态预警操作，包括：在预设的显示器中显示第一预设预警信息；和/或，调用预设的播放器播放第二预设预警信息。

本发明还提供了一种能源使用状态预警装置，包括：第一获取模块，用于获取历史能源使用数据集合；确定模块，用于根据所述历史能源使用数据集合，确定目标时间段对应的动态阈值；第二获取模块，用于获取所述目标时间段的能源使用量；预警模块，用于在所述能源使用量大于所述动态阈值的情况下，执行预设的状态预警操作。

本发明还提供了一种能源使用状态预警设备，所述能源使用状态预警设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述任一项所述的能源使用状态预警方法。

本发明还提供了一种存储介质，所述存储介质上存储有能源使用状态预警程序，所述能源使用状态预警程序被处理器执行时实现上述任一项所述的能源使用状态预警方法。

本发明有益效果如下：

本发明可以根据用户的历史能源使用数据进行动态阈值的设置，将目标时间段的能源使用量与该动态阈值进行比较，如果能源使用量大于动态阈值，则进行预警。通过本发明可以实现能源使用量的自动化预警机制，解决了能源使用量人工难以监测的问题，并且本发明通过科学预警，提醒用户节约能源，避免能源浪费的问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明一实施例的能源使用状态预警方法的流程图；

图2是根据本发明一实施例的确定动态阈值的步骤流程图；

图3是根据本发明一实施例的训练能源用量预测模型的步骤流程图；

图4是根据本发明一实施例的能源使用状态预警装置的结构图；

图5是根据本发明一实施例的能源使用状态预警设备的结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合附图及具体实施例，对本发明作进一步地详细说明。

根据本发明的实施例，提供了一种能源使用状态预警方法。如图1所示，为根据本发明一实施例的能源使用状态预警方法的流程图。

步骤s110，获取历史能源使用数据集合。

历史能源使用数据集合，包括：目标时间段之前产生的能源使用数据。目标时间段为需要监测能源使用状态的时间段。

能源使用数据，包括：能源使用量以及产生该能源使用量的时间段。

能源类型，包括但不限于：自来水、天然气和电力。一个历史能源使用数据集合对应一种能源类型的能源使用数据，或者，历史能源使用数据集合也可以包括多种能源类型的能源使用数据。

在本实施例中，在获取历史能源使用数据集合之前，还包括：每隔预设时间段，更新一次所述历史能源使用数据集合；其中，将最近一个时间段的能源使用数据添加到所述历史能源使用数据集合中，并且，从所述历史能源使用数据集合中删除最远一个时间段的能源使用数据。所述时间段的时间长度小于等于目标时间段的时间长度。

预设时间段的时间长度可以根据需求而定。预设时间段是一天、一个星期、一个月、一个季度或者一年。例如：每隔一天，更新一次历史能源使用数据集合，将最近一天的能源使用数据添加到历史能源使用数据集合中，将历史能源使用数据集合中时间最久远的能源使用数据删除，如：以一个月30天为例，每天更新一次历史能源使用数据集合中，丢弃最开始30天内的第一天的数据，将最近一天的能源使用数据放入，重新组合出30天的数据。

步骤s120，根据所述历史能源使用数据集合，确定目标时间段对应的动态阈值。

动态阈值用于衡量目标时间段的能源使用量是否即将或者已经出现浪费问题。由于历史能源数据集合每隔预设时间段更新一次，所以动态阈值也会每隔预设时间段变化一次。

目标时间段可以包含当前时间。例如：当前时间为2019年12月27日，目标时间段为2019年12月23日到2019年12月29日的一个星期，这样获取的历史能源使用数据集合中包括2019年12月23日之前的能源使用数据。

目标时间段可以的起始时间晚于当前时间，即目标时间段是未来的时段。例如：当前时间为2019年12月27日，目标时间段为2019年12月30日至2020年1月5日的一个星期，这样，获取的历史能源使用数据集合中包括2019年12月27日之前的能源使用数据。如果历史能源使用数据集合的更新周期(预设时间段)为一个星期，则2019年12月27日之前的能源使用数据为2019年12月23日之前的每个星期的能源使用数据。

如果预设时间段的时间长度等于目标时间段的时间长度，则在所述历史能源使用数据集合中，获取与所述目标时间段周期对应的多个时间段的能源使用数据；根据与所述目标时间段周期对应的多个时间段的能源使用数据，确定能源使用数据均值和能源使用数据方差；利用预设的切比雪夫不等式、所述能源使用数据均值和所述能源使用数据方差，确定与所述目标时间段周期对应的每个时间段的能源使用数据对应的概率值；在与所述目标时间段周期对应的多个时间段的能源使用数据分别对应的概率值中，将最小的概率值作为所述目标时间段对应的动态阈值。

周期对应是指目标时间段和待获取能源使用数据的时间段在不同时间区间中所处的时间位置相同。时间区间可以是一年、一个月等。目标时间段和待获取能源使用数据的时间段可以是不同年份的同一个月(如：都为1月份)，不同月中的同一个星期(如：都为第二个星期)等。进一步地，在所述历史能源使用数据集合中，与所述目标时间段周期对应的多个时间段的能源使用数据，包括：确定目标时间段在预设时间区间中所处的时间位置；在历史能源使用数据集合中，确定多个时间连续的时间区间，获取每个时间区间中与所述目标时间段所处时间位置相同的时间段的能源使用数据。由于能源使用数据具有同期性，如每年七月份最热，用电量基本相同，所以根据同期的能源使用数据确定的动态阈值更具参考性。

在计算概率值时，计算与目标时间段周期对应的多个时间段的能源使用数据中的能源使用量的均值μ(能源使用数据均值)和方差σ²(能源使用数据方差)，切比雪夫不等式中的任意参数ε取预设值，该预设值为经验值或实验值；将每个能源使用量分别作为切比雪夫不等式中的变量x，可以得到变量x对应的概率值。

针对预设时间段的时间长度小于目标时间段的时间长度的情况，如何确定目标时间段对应的动态阈值的方式，将在后面进行描述，在此不做赘述。

由于历史能源使用数据集合可以包括多种能源类型在不同时间段产生的能源使用量。例如：历史能源使用数据集合包括自来水、电力、天然气的每日使用量、每周使用量、每月使用量、每个季度使用量和每年使用量。所以在确定目标时间段对应的动态阈值时，需要对历史能源使用数据集合中的能源使用数据按照能源类型进行划分，分别确定每种能源类型对应的动态阈值。

步骤s130，获取所述目标时间段的能源使用量。

如果当前时间处于所述目标时间段之内，则获取所述目标时间段的真实能源使用量；或者，如果当前时间早于所述目标时间段的起始时间，则将所述历史能源使用数据集合输入预先训练的能源用量预测模型，并获取所述能源用量预测模型输出的所述目标时间段的预测能源使用量。

在将历史能源使用数据集合输入预先训练的能源用量预测模型之前，还包括：根据历史能源使用数据集合并采用梯度下降法，训练所述能源用量预测模型。所述能源用量预测模型为神经网络模型或者机器学习模型。神经网络模型例如是bp(backpropagation，反向传播)网络模型。该神经网络模型可以是深度学习神经网络模型，例如是：lstm(longshorttermmemorynetwork，长短期记忆网络)。对于如何训练能源用量预测模型的步骤将在后面进行介绍。

如果需要对多种能源类型进行预警，则需要获取每种能源类型在所述目标时间段的能源使用量。

步骤s140，如果所述能源使用量大于所述动态阈值，则执行预设的状态预警操作。

在获取所述目标时间段的能源使用量之后，将目标时间段的能源使用量与目标时间段对应的动态阈值进行比较；如果所述能源使用量大于所述动态阈值，则执行预设的状态预警操作。针对能源使用量小于或者等于动态阈值的情况，存在两种处理方式：

方式一：如果当前时间处于目标时间段之内，并且所述能源使用量小于或等于所述动态阈值，则每间隔预设时间长度，再次获取目标时间段的能源使用量，继续判断目标时间段的能源使用量是否大于所述动态阈值，如果所述能源使用量大于所述动态阈值，则执行预设的状态预警操作。其中，预设时间长度小于目标时间段的时间长度。方式一可以判断当前时间段(目标时间段)的真实能源使用量是否即将出现能源浪费问题，对当前时间段的能源使用量进行预警。

方式二：如果当前时间早于目标时间段的起始期间，并且所述能源使用量小于或等于所述动态阈值，则禁止执行预设的状态预警操作。方式二可以预测即将到来的目标时间段是否即将出现能源浪费的问题，与即将到来的目标时间段的能源使用量进行预警。

所述执行预设的状态预警操作，包括：在预设的显示器中显示第一预设预警信息；和/或，调用预设的播放器播放第二预设预警信息。其中，第一预设预警信息可以是文本信息。该文本信息例如是：当前用水量已经超标，请节约用水。第二预设预警信息可以是语音信息。该语音信息例如是：下周的燃气使用量即将超标，请节约使用燃气。

如果需要对多种能源类型进行预警，则需要将每种能源类型在所述目标时间段的能源使用量与对应能源类型的动态阈值进行比较，如果所述目标时间段的能源使用量大于对应能源类型的动态阈值，则执行该能源类型对应的状态预警操作。

本实施例可以根据用户的历史能源使用数据进行动态阈值的设置，将目标时间段的能源使用量与该动态阈值进行比较，如果能源使用量大于动态阈值，则进行预警。通过本实施例可以实现能源使用量的自动化预警机制，解决了能源使用量人工难以监测的问题，并且本实施例通过科学预警，提醒用户节约能源，避免能源浪费的问题，降低能源消费支出，实现节能减排。

本实施例可以针对不同能源类型进行预警。根据一个能源类型的动态更新的历史能源使用数据集合，以最小概率定义，确定该能源类型在目标时间段对应的动态阈值；根据该能源类型的能源用量预测模型得到目标时间段的能源使用量，如果所述能源使用量大于所述动态阈值，则执行该类型的能源对应的状态预警操作，从而实现不同能源类型的自适应预警，通过预警实现能源利用最大化。

本实施例可以应用在家庭环境、办公环境、娱乐场所等需要进行能源预警的场景之中。

下面对预设时间段的时间长度小于目标时间段的时间长度的情况下，确定目标时间段对应的动态阈值的方式进行描述。

如图2所示，为根据本发明一实施例的确定动态阈值的步骤流程图。

步骤s210，划分时间连续的多个基准时间段，每个所述基准时间段的时间长度与所述目标时间段的时间长度相同。

预设时间段的时间长度小于目标时间段的时间长度，表示历史能源使用数据集合的更新周期(预设时间段)小于目标时间段的时间长度，在历史能源使用数据集合中，能源使用数据中产生能源使用量的时间段(预设时间段)的时间长度小于目标时间段的时间长度。

为了使历史能源使用数据集合中能源使用数据中产生能源使用量的时间段与目标时间段对等，将时间轴顺序划分为多个基准时间段，每个基准时间段的时间长度都是目标时间段的时间长度。

例如：目标时间段为2019年12月23日到2019年12月29日的一个星期，那么将一年的时间轴顺序划分为52个星期。

步骤s220，按照能源使用数据的产生时间，将所述历史能源使用数据集合划分为多个子集，每个所述子集中的能源使用数据处于同一个基准时间段。

例如：按照能源使用数据中产生能源使用量的时间段，将历史能源使用数据集合中各个能源使用数据对应到不同的星期中。

步骤s230，在所述历史能源使用数据集合中，获取与所述目标时间段周期对应的多个子集内的能源使用数据。

步骤s240，根据与所述目标时间段周期对应的每个子集内的能源使用数据，确定能源使用数据均值和能源使用数据方差。

针对与所述目标时间段周期对应的每个子集，计算该子集中所有能源使用数据中的能源使用量的和，作为该子集的能源使用量；计算所有子集的能源使用量的均值μ(能源使用数据均值)和方差σ²(能源使用数据方差)。

步骤s250，利用预设的切比雪夫不等式、所述历能源使用数据均值和能源使用数据方差，确定与所述目标时间段周期对应的每个子集对应的概率值。

切比雪夫不等式中的任意参数ε取预设值。该预设值为经验值或者实验值。

将每个子集的能源使用量分别作为切比雪夫不等式中的变量x，可以得到变量x对应的概率值。

步骤s260，在与所述目标时间段周期对应的多个子集分别对应的概率值中，将所述最小的概率值作为所述目标时间段对应的动态阈值。

例如：每隔一天更新一次历史能源使用数据集合，那么，历史能源使用数据集合中为每天的能源使用数据；根据该历史能源使用数据集合，确定当前时间下一星期对应的动态阈值，那么将历史能源使用数据集合划分为多个子集，每个星期对应一个子集，获取每个月第一个星期的子集中的能源使用数据；计算每个第一个星期的子集中的所有能源使用数据中的能源使用量的和，可以得到每个第一个星期的能源使用量，进而可以多个第一个星期对应的均值μ和方差σ²，通过切比雪夫不等式得到每周对应的概率值。

下面对训练能源用量预测模型的步骤进行描述。

图3为根据本发明一实施例的训练能源用量预测模型的步骤流程图。

步骤s310，获取历史能源使用数据集合，初始化所述能源用量预测模型。

将历史能源使用数据集合作为训练数据集。

将历史能源使用数据集合中的能源使用数据作为训练数据，并为每个能源使用数据标注训练时间段的真实能源使用量。该训练时间段可以是训练过程中的指定时间段。

步骤s320，从所述历史能源使用数据集合中获取能源使用数据。

获取的能源使用数据的数量为一个或者多个。

步骤s330，将获取的能源使用数据顺序输入所述能源用量预测模型，并获取所述能源用量预测模型输出的每个能源使用数据对应的训练时间段的预测能源使用数据。

步骤s340，根据每个能源使用数据对应的训练时间段的真实能源使用数据和预测能源使用数据，确定目标损失函数是否已经最小化；如果是，则步骤s370；如果否，则执行步骤s350。

步骤s350，调整所述能源用量预测模型中的参数。

能源用量预测模型中的权重和偏置是关于目标损失函数的矩阵，在调整能源用量预测模型中的参数时，调整权重矩阵和偏重矩阵。

步骤s360，判断当前迭代次数是否已经达到最大迭代次数；如果是，则执行步骤s370；如果否，则执行步骤s320。

初始的迭代次数可以设置为0。最大迭代次数可以为一个预设的正整数。例如：最大迭代次数为1000次。

每次判断当前迭代次数是否已经达到最大迭代次数之后，对迭代次数进行累加。

步骤s370，判定所述能源用量预测模型收敛。

本实施例使用用户真实的历史能源使用数据集合作为训练集，可以使能源用量预测模型更贴近用户，准确性更高。

本实施例利用切比雪夫不等式监测能源使用状况，并依此设置用于预警提醒的动态阈值，同时使用神经网络对能源未来一段时间内的使用量进行预测，科学预警，从而可以解决人工难以监测能源使用状态的问题，避免能源浪费，降低家庭经费支出，增强环保意识，实现节能减排。

通过本实施例可以训练不同类型的能源对应的能源用量预测模型。

当然，针对每种类型的能源，通过训练能源用量预测模型，可以使能源用量预测模型预测未来多个目标时间段的预测能源使用量。这样，根据历史能源使用数据集合，确定每个目标时间段对应的动态阈值；将每个目标时间段的预测能源使用量分别与对应目标时间段的动态阈值进行比较，如果该目标时间段的预测能源使用量大于对应目标时间段的动态阈值，则执行该目标时间段对应的预警操作。

本发明实施例还提供了一种能源使用状态预警装置。如图4所示，为根据本发明一实施例的能源使用状态预警装置的结构图。

该能源使用状态预警装置，包括：

第一获取模块410，用于获取历史能源使用数据集合。

确定模块420，用于根据所述历史能源使用数据集合，确定目标时间段对应的动态阈值。

第二获取模块430，用于获取所述目标时间段的能源使用量。

预警模块440，用于在所述能源使用量大于所述动态阈值的情况下，执行预设的状态预警操作。

本发明实施例所述的装置的功能已经在图1～图3所示的方法实施例中进行了描述，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。

本实施例提供一种能源使用状态预警设备。如图5所示，为根据本发明一实施例的能源使用状态预警设备的结构图。

在本实施例中，所述能源使用状态预警设备，包括但不限于：处理器510、存储器520。

所述处理器510用于执行存储器520中存储的能源使用状态预警程序，以实现上述的能源使用状态预警方法。

具体而言，所述处理器510用于执行存储器520中存储的能源使用状态预警程序，以实现以下步骤：获取历史能源使用数据集合；根据所述历史能源使用数据集合，确定目标时间段对应的动态阈值；获取所述目标时间段的能源使用量；如果所述能源使用量大于所述动态阈值，则执行预设的状态预警操作。

其中，在所述获取历史能源使用数据集合之前，还包括：每隔预设时间段，更新一次所述历史能源使用数据集合；其中，将最近一个所述时间段的能源使用数据添加到所述历史能源使用数据集合中，并且，从所述历史能源使用数据集合中删除最远一个所述时间段的能源使用数据。

其中，所述预设时间段的时间长度等于所述目标时间段的时间长度；所述根据所述历史能源使用数据集合，确定目标时间段对应的动态阈值，包括：在所述历史能源使用数据集合中，获取与所述目标时间段周期对应的多个时间段的能源使用数据；根据与所述目标时间段周期对应的多个时间段的能源使用数据，确定能源使用数据均值和能源使用数据方差；利用预设的切比雪夫不等式、所述能源使用数据均值和所述能源使用数据方差，确定与所述目标时间段周期对应的每个时间段的能源使用数据对应的概率值；在与所述目标时间段周期对应的多个时间段的能源使用数据分别对应的概率值中，将最小的概率值作为所述目标时间段对应的动态阈值。

其中，所述获取所述目标时间段的能源使用量，包括：如果当前时间处于所述目标时间段之内，则获取所述目标时间段的真实能源使用量；或者，如果当前时间早于所述目标时间段的起始时间，则将所述历史能源使用数据集合输入预先训练的能源用量预测模型，并获取所述能源用量预测模型输出的所述目标时间段的预测能源使用量。

其中，在所述将所述历史能源使用数据集合输入预先训练的能源用量预测模型之前，还包括：根据所述历史能源使用数据集合并且采用梯度下降法，训练所述能源用量预测模型。

其中，所述能源用量预测模型为神经网络模型或者机器学习模型。

其中，所述执行预设的状态预警操作，包括：在预设的显示器中显示第一预设预警信息；和/或，调用预设的播放器播放第二预设预警信息。

本发明实施例还提供了一种存储介质。这里的存储介质存储有一个或者多个程序。其中，存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。

当存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述的能源使用状态预警方法。

具体而言，所述处理器用于执行存储器中存储的能源使用状态预警程序，以实现以下步骤：获取历史能源使用数据集合；根据所述历史能源使用数据集合，确定目标时间段对应的动态阈值；获取所述目标时间段的能源使用量；如果所述能源使用量大于所述动态阈值，则执行预设的状态预警操作。

其中，在所述获取历史能源使用数据集合之前，还包括：每隔预设时间段，更新一次所述历史能源使用数据集合；其中，将最近一个所述时间段的能源使用数据添加到所述历史能源使用数据集合中，并且，从所述历史能源使用数据集合中删除最远一个所述时间段的能源使用数据。

其中，所述预设时间段的时间长度等于所述目标时间段的时间长度；所述根据所述历史能源使用数据集合，确定目标时间段对应的动态阈值，包括：在所述历史能源使用数据集合中，获取与所述目标时间段周期对应的多个时间段的能源使用数据；根据与所述目标时间段周期对应的多个时间段的能源使用数据，确定能源使用数据均值和能源使用数据方差；利用预设的切比雪夫不等式、所述能源使用数据均值和所述能源使用数据方差，确定与所述目标时间段周期对应的每个时间段的能源使用数据对应的概率值；在与所述目标时间段周期对应的多个时间段的能源使用数据分别对应的概率值中，将最小的概率值作为所述目标时间段对应的动态阈值。

其中，所述获取所述目标时间段的能源使用量，包括：如果当前时间处于所述目标时间段之内，则获取所述目标时间段的真实能源使用量；或者，如果当前时间早于所述目标时间段的起始时间，则将所述历史能源使用数据集合输入预先训练的能源用量预测模型，并获取所述能源用量预测模型输出的所述目标时间段的预测能源使用量。

其中，在所述将所述历史能源使用数据集合输入预先训练的能源用量预测模型之前，还包括：根据所述历史能源使用数据集合并且采用梯度下降法，训练所述能源用量预测模型。

其中，所述能源用量预测模型为神经网络模型或者机器学习模型。

其中，所述执行预设的状态预警操作，包括：在预设的显示器中显示第一预设预警信息；和/或，调用预设的播放器播放第二预设预警信息。

以上所述仅为本发明的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。