CN102930007B - 大面积停电应急处理中的用户复电紧急程度分类方法 - Google Patents
大面积停电应急处理中的用户复电紧急程度分类方法 Download PDFInfo
- Publication number
- CN102930007B CN102930007B CN201210422686.4A CN201210422686A CN102930007B CN 102930007 B CN102930007 B CN 102930007B CN 201210422686 A CN201210422686 A CN 201210422686A CN 102930007 B CN102930007 B CN 102930007B
- Authority
- CN
- China
- Prior art keywords
- attribute
- user profile
- telegram
- reply
- customer interrupted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了大面积停电应急处理中的用户复电紧急程度分类方法,包括:获取历史记录当中停电用户的用户描述属性,对总体停电用户集进行随机抽样,获得停电用户的样本集,并采集由业务人员对所述样本集标记的复电紧急程度标签,形成带标签的停电用户样本集;根据用户描述属性与所述带标签的停电用户样本集,采用预设算法构建分类模型,根据所述分类模型,优化并确定分类模型参数;获取待分类的停电用户的用户描述属性,采用所述分类模型与其对应参数,对待分类的停电用户进行复电紧急程度的多类别分类。采用本发明,可以科学地量化复电紧急程度,合理指导复电工作,挽回经济损失。
Description
技术领域
本发明涉及数据挖掘的技术领域,特别是涉及大面积停电应急处理中的用户复电紧急程度分类方法。
背景技术
随着社会经济与文化生活的不断发展和进步,城市对电力的依赖就像鱼与水的关系,没有了电力供应,整个城市的交通、生产、生活就会陷入瘫痪,其破坏程度、造成的恐慌与巨大损失难以估计。今年来,国内外相继发生的大面积停电事故,给社会造成巨大的损失,如2012年的印度的“7.30大面积停电事故”、2003年的“8.14美加大停电”等。
由于停电面积大,涉众广,电力系统难以对停电区域做到统一同时复电,必须分片区,分时段地对停电区域进行复电工作。同时,如果停电期间供电量难以快速恢复到正常的供电水平,将会增加停电造成的损失,难以保证电力用户的用电满意度。面对大面积停电事故,复电工作理应按轻重缓急地对电力用户展开,但现有技术当中对此缺乏科学依据,并没有综合考虑用户情况,往往是按照主观臆断地对某些重要单位先进行复电,一些用电紧急的电力用户的复电工作被逼延后,致使经济损失的扩大化。
发明内容
基于此,有必要针对上述问题,提供一种大面积停电应急处理中的用户复电紧急程度分类方法,能够科学地量化复电紧急程度,合理指导复电工作,挽回经济损失。
一种大面积停电应急处理中的用户复电紧急程度分类方法,包括:
获取历史记录当中停电用户的用户描述属性,对总体停电用户集进行随机抽样,获得停电用户的样本集,并采集由业务人员对所述样本集标记的复电紧急程度标签,形成带标签的停电用户样本集;
根据用户描述属性与所述带标签的停电用户样本集,采用预设算法构建分类模型,根据所述分类模型,优化并确定分类模型参数;
获取待分类的停电用户的用户描述属性,采用所述分类模型与其对应参数,对待分类的停电用户进行复电紧急程度的多类别分类。
在其中一个实施例中,根据用户描述属性与所述带标签的停电用户样本集的步骤之后,采用预设算法构建分类模型的步骤之前,包括:
对用户描述属性存在的缺失值进行填补,将该用户描述属性中的枚举型变量进行属性类型转换处理,并将该用户描述属性中的连续型变量作标准化处理,获得数值在预设范围内的连续型变量,从而形成转换后的用户描述属性。
在其中一个实施例中,用户的描述属性包括枚举型变量属性与连续型变量属性;其中,所述枚举型变量属性包括,停电地域、售电方式、行业单位、电压等级和用电类型;所述连续型变量属性包括,总耗电量、峰用电量、平用电量、谷用电量、尖用电量、无功总电量、不平衡电量、不平衡率、平均功率因数、最大功率。
在其中一个实施例中,所述对总体停电用户集进行抽样的抽样方法为分层抽样。
在其中一个实施例中,所述复电紧急程度标签为从停电开始到恢复供电的最大复电耗时要求。
在其中一个实施例中,所述预设算法为数据挖掘方法中的分类算法为:支持向量机算法(SupportVectorMachine,SVM)算法;
所述的多类别分类方法为:“多对多”(All-versus-all,AVA)的分类法。
实施本发明,具有如下有益效果:
首先,本发明对停电用户的用户描述属性进行数据抽样,通过抽样的方法在海量的样本中抽取代表性样本,减少样本空间,提高模型训练效率。结合采集的复电紧急程度标签科学地量化复电紧急程度,再利用预设算法和多类别分类算法合理地预测待分类的停电用户的用电需求情况,本发明能够指导复电工作,挽回经济损失。克服了传统方法依靠人为主观判断的弊端,实现了分类方法的自动化、程序化,以及基于挖掘历史用电数据的人工智能化。
在其中一个实施例中,使用支持向量机(SupportVectorMachine,SVM)作为分类模型,利用核函数对样本属性进行高维映射,找寻最好的分类超平面,有效提高分类准确率。采用多类别分类方法中的“多对多”(All-versus-all,AVA)的分类法作为多类别分类结果的决定策略,帮助提高多类别分类中的分类准确率。
附图说明
图1为本发明大面积停电应急处理中的用户复电紧急程度分类方法的流程图;
图2为本发明大面积停电应急处理中的复电紧急程度分类方法实施例的示意图。
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,下面将结合附图对本发明作进一步地详细描述。
图1为本发明大面积停电应急处理中的用户复电紧急程度分类方法的流程图,包括:
S101:获取历史记录当中停电用户的用户描述属性,对总体停电用户集进行随机抽样,获得停电用户的样本集,并采集由业务人员对所述样本集标记的复电紧急程度标签,形成带标签的停电用户样本集;
S102:根据用户描述属性与所述带标签的停电用户样本集,采用预设算法构建分类模型,根据所述分类模型,优化并确定分类模型参数;
S103:获取待分类的停电用户的用户描述属性,采用所述分类模型与其对应参数,对待分类的停电用户进行复电紧急程度的多类别分类。
首先,本发明对停电用户的用户描述属性进行数据抽样,通过抽样的方法在海量的样本中抽取代表性样本,减少样本空间,提高模型训练效率。结合采集的复电紧急程度标签科学地量化复电紧急程度,再利用预设算法和多类别分类算法合理地预测待分类的停电用户的用电需求情况,本发明能够指导复电工作,挽回经济损失。克服了传统方法依靠人为主观判断的弊端,实现了分类方法的自动化、程序化,以及基于挖掘历史用电数据的人工智能化。
图2为本发明大面积停电应急处理中的复电紧急程度分类方法实施例的示意图。与图1相比,图2为本发明具体实施例的示意图。
S201:用户描述属性构造;
S202:使用分层抽样方法对用户进行抽样,分层依据为“行业单位”;
S203:采集业务人员对用户样本标记的复电紧急程度标签;
S204:以属性值的众数填补枚举型的缺失属性,以均值填补连续性的缺失属性;
S205:对枚举型用户描述属性进行属性类型转换;
S206:对连续型用户描述属性进行标准化处理,转换至[0,1]之间;
S207:进行模型的构建并设定支持向量机的核函数;
S208:利用网络搜索的方法进行支持向量机的参数优化;
S209:获取待分类用户的用户描述属性;
S210:根据建立好的模型进行分类。
下面结合图2对本发明各个阶段展开说明。
第一阶段,数据准备阶段
首先,对停电用户进行属性提取,构造出停电用户描述属性,用以刻画停电用户。提取的用户属性包括枚举型变量属性与连续型变量属性。枚举型属性包括停电地域、售电方式、行业单位、电压等级和用电类型等。其中,停电地域可选类型为:城市、农村、郊区、中心商业区、住宅区、工业区、科技园、大学城等8个;售点方式可选类型为:直供方式、趸售方式等2个;行业单位可选类型为:医疗服务、银行金融、政府机关、教育培训、运输业、机械制造、采矿能源、餐饮宾馆、电讯业、互联网、公益组织、家庭等12个;电压等级可选类型为:220V、380V、6kV、10kV、35kV、110kV、220kV、330kV、500kV,1000KV等10个;用户类型可选类型为:工业用电、农业用电、商业用电、居民生活用电等4个。而用户描述属性中的连续型属性包括总耗电量、峰用电量、平用电量、谷用电量、尖用电量、无功总电量、不平衡电量、不平衡率、平均功率因数、最大功率、用户历史缴费滞后总天数、历史月均用电量、历史日均用电量、最长连续用电时间(分钟)、最长连续不用电时间(分钟)、最大月用电量、最大日用电量、停电情况上报次数、曾遭停电次数、历史平均缴纳电价、装接电容量等21个停电用户的历史数据。
其次,对停电用户进行抽样处理,得到样本用户集。本实施例采用分层抽样方法对停电用户进行抽样处理,分层依据为“行业单位”。由于行业单位对于复电的紧急程度更为敏感,所以对“行业单位”进行分层抽样。即通过抽样,得到的样本集内的不同“行业单位”用户数之间的比例与所有停电用户之中的“行业单位”比例相一致。这样,通过抽样的方法将样本数量减少,利于采集操作的合理安排,也利于模型的构建。本实施例通过分层抽样的方法,抽取历史停电用户数据2000例,进而进行打标签,作为训练样本。
对用户样本进行打标签。分类算法为机器学习中的有监督学习,训练样本必须有标签。通过业务人员的业务理解与经验,采集对所得样本进行的标签,所得标签用以区分大面积停电应急处理中的用户复电紧急程度,本实施例定义的停电用户复电紧急程度共分为5个等级:“5分钟内”、“30分钟内”、“2小时内”、“6小时内”与“24小时内”,即对于该用户,电力公司必须在5分钟、30分钟、2小时、6小时或24小时内实现电力恢复。这5个等级在模型训练与分类中分别对应标签为:“1”、“2”、“3”、“4”和“5”。
第二阶段,数据预处理阶段
由于信息系统中不可能对每一个用户的每一个描述属性都有完整的记录,所以不可避免会出现部分用户的某些用户描述属性出现缺失值,为了提高算法对这些用户的分类准确率,有必要对缺失值进行填补。如果该缺失值为枚举型变量,则用该属性值的众数,即所有样例中(除此值缺失的样例外)该枚举属性出现最多的值进行填补;如果该缺失值为连续型变量,则用该属性值的均值,即所有样例中(除此值缺失的样例外)该连续属性的平均值进行填补。
将用户描述属性中的枚举型变量进行属性类型转换处理。分类算法无法对枚举型变量进行直接的运算与建模,所以必须将枚举型变量转化为算法可以识别并运算的0,1二值型的变量。转换方法如下:如果某个属性可以取K个不同的值,则将其转换为K个取值为0,1的二值型属性。如属性“售电类型”可以取“直供方式”与“趸售方式”,则可以将属性“售电类型”转换为两个属性,分别是“直供方式”与“趸售方式”,如果某个用户的“售电类型”为“直供方式”,则其转换后的用户描述属性中,“直供方式”属性值为“1”,“趸售方式”的属性值为“0”。
将用户描述属性中的连续型变量进行标准化处理。由于用户描述属性中的不同的连续型变量之间的大小区别很大,如“总耗电量”的数量级是103或以上而“停电情况上报次数”的数量级是101的,所以,如果直接将这样量级相差巨大的不同用户描述属性输入模型进行训练的话,会不可避免地对量级大的属性产生偏倚,影响分类结果,故对连续型变量进行标准化处理。处理方法如下:属性x转换为即除以该属性值的最大值。这样,每个连续型属性值就转化至[0,1]之间的值,避免了不同属性值之间由于量级不同产生的偏倚,可以有效提高分类准确率。
第三阶段,模型建立阶段
利用分类算法,对用处理后的户描述属性与采集标签结果组成的数据集进行训练,得到用户复电紧急程度的分类模型。本实施例使用支持向量机(SupportVectorMachine,SVM)分类算法,对用户复电紧急程度进行分类。
支持向量机(SupportVectorMachine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度,Accuracy)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以期获得最好的泛化能力。
支持向量机本质上是用来解决二类分类问题的算法。其基于线性分类思想,通过核函数,松弛变量,惩罚参数等途径,将原本线性不可分的二类分类问题,转换成在不同维度(一般是在更高维度)上接近线性可分的问题,再通过线性分类的方法进行求解。该方法对解决于小样本,非线性及高维的数据分类问题有很多特有优势,所以适合本发明的大面积停电应急处理中的用户复电紧急程度分类。
在线性可分的二类分类问题中,设有l个训练样本{(xi,yi),xi∈Rd,yi∈{-1,+1},i=1,...,l},输入样本xi的维数为d,每个样本属于标记为yi∈{-1,+1}的两类之一,训练SVM就是要在特征空间中,寻找能将两类样本正确分开的最优分类超平面wxi+b=0,并使得离该平面最近的每类点(称为支持向量,SupportVector)1与该平面的距离达到最大值。样本到超平面的距离(即分类间隔),可定义为当||w||最小时,分类间隔最大,此时的分离超平面即为最优分类面。最大化分类间隔实际上就是对泛化能力的控制,统计学理论表明最优分类面具有最好的泛化能力。
当训练样本集为线性近似可分时,需引入非负松弛变量ξ≥0,i=1,...,l,上述最优分类超平面的求解问题变为:
其中,C称为惩罚参数,C越大表示对错误分类的惩罚越大。引入Lagrange乘子法可以将上述最优化问题转化为一个二次规划对偶问题,即
其中,αi为与第i个样本对应的Lagrange乘子,非零αi对应的样本点而就是支持向量。对上式求解后,可以得到相应的决策函数:
其中,ai *(至少有一个ai *≠0)为最优解,b*为分类阈值,x为待识别的样本。
对于非线性可分的数据集,可以通过一个非线性函数φ(·)将训练集数据x映射到一个高维线性特征空间Z,其对应的决策函数变为:
其中,K(x,xi)=φ(x)·φ(xi)称为核函数,它是输入空间中的两个样本矢量映射到高维线性空间的像的内积,即用核函数来代替映射函数φ(·)的内积运算。这也体现出核函数的巨大的优点:利用核函数,可以直接得出两个向量通过映射函数φ(·)映射至高维后的内积,但无需具体知道φ(·)的解析表达(可能这个解析表达极其复杂甚至并不存在),因此,核函数K(x,xi)极大地简化了这个映射与计算内积的过程。也即,只需要知道核函数K(x,xi)就可以确定一个支持向量机,而无需显式的知道特征空间Z和映射函数φ(·)。
目前常用的核函数有以下几种:
多项式核函数:
K(x,xi)=[γ(x·xi)+c]d
Gaussian径向基(RadialBasisFunction)核函数:
K(x,xi)=exp{-γ||x-xi||}
Sigmoid核函数:
K(x,xi)=tanh(γ(x·xi)+c)
本实施例中,选择Gaussian径向基核函数K(x,xi)=exp{-γ||x-xi||}作为本发明的SVM算法中的核函数,以将低维向量映射至高维空间并产生内积。
接下来,要对支持向量参数进行学习。本实施例中首先对SVM的惩罚参数C和Gaussian核参数γ利用网格搜索法进行参数寻优。本实施例中将C分别取{20,21,22,...,215}等16个值,γ分别取{20,2-0.5,2-1,...,2-9.5,2-10}等21个值,使用这16×21对(C,γ)组合分别利用训练数据库训练SVM,从而将分类准确率最高的(C,γ)组合作为最终的SVM参数。
SVM本身是一个两类问题的判别方法。对于本发明中的大面积停电应急处理中的用户复电紧急程度分类中,涉及到K个不同的紧急程度类别,是一个多类分类问题,因此涉及到多类问题到二类问题的转换。本实施例采用“多对多”(All-versus-all,AVA)的分类方法来进行SVM多类别分类,即在K个不同类别训练集中找出所有不同类别的两两组合,构建M=k(k-1)/2个两类分类器。将待分类样本分别用M个SVM子分类器进行测试,统计在M个决策函数结果中各类别的得票数。最后,得票数最多的类别为该待分类样本的类别。若有两个以上类别的得票数相等且最多,则判定该待分类样本为标号最小的类别。即难以判断类别的时候将该用户按需要更为紧急复电的紧急用户处理。
本实施例中,分类类别有5个,采用“多对多”(All-versus-all,AVA)的分类方法来进行SVM多类别分类,需要建立M=5*(5-1)/2=10个两类的SVM分类器。
第四阶段,用户分类阶段
获取待分类停电用户对应的关键用户属性,并通过相同的预处理方式进行用户描述属性的预处理。
根据建模阶段建立好的M个二类分类模型与对应的参数,对于本实施例就为10个二类的SVM中所求得的每个支持向量对应的Lagrange乘子ai *,分类阈值b*,以及所确定的核函数K(x,xi),根据决策函数对待分类停电用户x进行复电紧急程度的二类分类。这样,每个待分类样本经过10个分类器,分类得到10类别,继而统计在10个分类结果中各类别的得票数。最后,得票数最多的类别为该待分类样本的类别。若有两个以上类别的得票数相等且最多,则判定该待分类样本为标号最小的类别。即难以判断类别的时候将该用户按需要更为紧急复电的紧急用户处理。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种大面积停电应急处理中的用户复电紧急程度分类方法,其特征在于,包括:
获取历史记录当中停电用户的用户描述属性,对总体停电用户集进行随机抽样,获得停电用户的样本集,并采集由业务人员对所述样本集标记的复电紧急程度标签,形成带标签的停电用户样本集;
根据用户描述属性与所述带标签的停电用户样本集,采用支持向量机算法构建分类模型,根据所述分类模型,优化并确定分类模型参数;
获取待分类的停电用户的用户描述属性,采用所述分类模型与其对应参数,对待分类的停电用户进行复电紧急程度的多类别分类;
根据用户描述属性与所述带标签的停电用户样本集的步骤之后,采用预设算法构建分类模型的步骤之前,包括:
对用户描述属性存在的缺失值进行填补,将该用户描述属性中的枚举型变量进行属性类型转换处理,并将该用户描述属性中的连续型变量作标准化处理,获得数值在预设范围内的连续型变量,从而形成转换后的用户描述属性;
获取待分类的停电用户的用户描述属性的步骤,包括:
对待分类的停电用户的用户描述属性存在的缺失值进行填补,将该用户描述属性中的枚举型变量进行属性类型转换处理,并将该用户描述属性中的连续型变量作标准化处理,获得数值在预设范围内的连续型变量,从而形成转换后的待分类的停电用户的用户描述属性;
用户描述属性包括枚举型变量属性与连续型变量属性;其中,所述枚举型变量属性包括,停电地域、售电方式、行业单位、电压等级和用电类型;所述连续型变量属性包括,总耗电量、峰用电量、平用电量、谷用电量、尖用电量、无功总电量、不平衡电量、不平衡率、平均功率因数、最大功率;
所述对总体停电用户集进行抽样的抽样方法为分层抽样;
所述复电紧急程度标签为从停电开始到恢复供电的最大复电耗时要求;
所述的对用户描述属性中的缺失值进行填补方法包括:当该描述属性缺失值为枚举型变量,则以该枚举型属性的众数进行填补;当该描述属性缺失值为连续型变量,则以该连续型属性的均值进行填补。
2.根据权利要求1所述的大面积停电应急处理中的用户复电紧急程度分类方法,其特征在于,将该用户描述属性中的枚举型变量进行属性类型转换处理的步骤,包括,将枚举型属性转换为取值为0、1的二值型属性。
3.根据权利要求1所述的大面积停电应急处理中的用户复电紧急程度分类方法,其特征在于,将该用户描述属性中的枚举型变量进行属性类型转换处理的步骤,包括,将停电用户的每个连续型的属性变量放大或缩小到预设的区间如[0,1]。
4.根据权利要求1所述的大面积停电应急处理中的用户复电紧急程度分类方法,其特征在于,所述的多类别分类方法为:“多对多”(All-versus-all,AVA)的分类法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210422686.4A CN102930007B (zh) | 2012-10-30 | 2012-10-30 | 大面积停电应急处理中的用户复电紧急程度分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210422686.4A CN102930007B (zh) | 2012-10-30 | 2012-10-30 | 大面积停电应急处理中的用户复电紧急程度分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102930007A CN102930007A (zh) | 2013-02-13 |
CN102930007B true CN102930007B (zh) | 2016-01-06 |
Family
ID=47644805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210422686.4A Active CN102930007B (zh) | 2012-10-30 | 2012-10-30 | 大面积停电应急处理中的用户复电紧急程度分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102930007B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984708B (zh) * | 2014-04-29 | 2017-11-28 | 暨南大学 | 巨灾风险大数据处理的应急分解分拣方法及系统 |
CN104158894A (zh) * | 2014-08-22 | 2014-11-19 | 国家电网公司 | 电力系统中的数据处理方法及装置 |
CN106711998B (zh) * | 2016-12-08 | 2019-05-03 | 国网浙江杭州市富阳区供电公司 | 一种基于异常持续时间的采集异常紧急程度计算方法 |
CN107437095A (zh) * | 2017-07-24 | 2017-12-05 | 腾讯科技(深圳)有限公司 | 类别确定方法及装置 |
CN109949178B (zh) * | 2019-02-22 | 2023-06-16 | 国网安徽省电力公司 | 一种基于支持向量机中压配网停电事件判断及补全方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136123A (zh) * | 2011-03-15 | 2011-07-27 | 中国工商银行股份有限公司 | 一种银行目标客户识别系统 |
CN102231144A (zh) * | 2011-06-03 | 2011-11-02 | 中国电力科学研究院 | 一种基于Boosting算法的配电网理论线损预测方法 |
CN102270279A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种短期电力负荷预测方法 |
CN102270309A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
CN102722726A (zh) * | 2012-06-05 | 2012-10-10 | 江苏省电力公司南京供电公司 | 一种基于动态二叉树的svm多分类方法 |
-
2012
- 2012-10-30 CN CN201210422686.4A patent/CN102930007B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136123A (zh) * | 2011-03-15 | 2011-07-27 | 中国工商银行股份有限公司 | 一种银行目标客户识别系统 |
CN102231144A (zh) * | 2011-06-03 | 2011-11-02 | 中国电力科学研究院 | 一种基于Boosting算法的配电网理论线损预测方法 |
CN102270279A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种短期电力负荷预测方法 |
CN102270309A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
CN102722726A (zh) * | 2012-06-05 | 2012-10-10 | 江苏省电力公司南京供电公司 | 一种基于动态二叉树的svm多分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102930007A (zh) | 2013-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102930007B (zh) | 大面积停电应急处理中的用户复电紧急程度分类方法 | |
Sun et al. | Outlier data treatment methods toward smart grid applications | |
CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN105404944A (zh) | 一种面向电力系统重过载预警的大数据分析方法 | |
CN104809658A (zh) | 一种低压配网台区线损的快速分析方法 | |
CN104376371B (zh) | 一种基于拓扑的配网分层负荷预测方法 | |
CN106127602A (zh) | 一种基于约简离群点算法的窃电辨识方法及装置 | |
CN109783716A (zh) | 一种电力供需数据自动提取和处理系统及方法 | |
CN104933491A (zh) | 工业企业能耗诊断预警系统 | |
Chen et al. | Accounting information disclosure and financial crisis beforehand warning based on the artificial neural network | |
Gorricha et al. | A framework for exploratory analysis of extreme weather events using geostatistical procedures and 3D self-organizing maps | |
Alkilany et al. | Application of the k-means clustering algorithm to predict load shedding of the southern electrical grid of libya | |
Huang et al. | An intelligent operation and maintenance system for power consumption based on deep learning | |
Ghasemi et al. | Big Data Analytics in Smart Energy Systems and Networks: A Review | |
Zhao et al. | Study on credit evaluation of electricity users based on random forest | |
Tang et al. | Application technology of big data in smart grid and its development prospect | |
Tang et al. | Research on Anomaly Detection of Smart Meter Based on Big Data Mining | |
Servidone et al. | Discovering and labelling of temporal granularity patterns in electric power demand with a Brazilian case study | |
Li et al. | Data visualization technology in power grid planning and government affairs based on association rules algorithm | |
Lange et al. | Profiling urban water consumption using autoencoders and time-series clustering techniques | |
Zhang et al. | Short-Term Transformer Load Forecasting Based on Artificial Intelligence | |
CN108009668A (zh) | 一种应用机器学习的大规模地调负荷预测方法 | |
Gan et al. | Non-intrusive Load Monitoring Based on Self-attention | |
CN113271106B (zh) | 一种稀疏表示的电厂数据压缩方法 | |
Zheng et al. | Research on complaint prediction based on feature weighted Naive Bayes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |