CN104992297A - 基于大数据平台聚类算法的电费回收风险评估装置及方法 - Google Patents
基于大数据平台聚类算法的电费回收风险评估装置及方法 Download PDFInfo
- Publication number
- CN104992297A CN104992297A CN201510403135.7A CN201510403135A CN104992297A CN 104992297 A CN104992297 A CN 104992297A CN 201510403135 A CN201510403135 A CN 201510403135A CN 104992297 A CN104992297 A CN 104992297A
- Authority
- CN
- China
- Prior art keywords
- data
- cluster
- credit
- module
- slice
- 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.)
- Pending
Links
Abstract
本发明涉及费用回收风险评估技术领域,是一种基于大数据平台聚类算法的电费回收风险评估装置及方法,包括用电单位特征数据导入模块、聚类数据挖掘模块和用电单位信用评价体系输出模块;用电单位特征数据导入模块提取用电单位的社会属性指标、价值属性指标和行为属性指标等海量数据并存储在大数据平台中,聚类数据挖掘模块将数据进行并行迭代分析处理并初步判断用电单位所属的信用等级,用电单位信用评价体系输出模块根据聚类数据挖掘模块对数据的划分确定并输出用电单位的信用等级。本发明有效规避了用电单位电费不按时缴费的风险,更有效降低了电力企业资金不能按时回笼的风险。
Description
技术领域
本发明涉及费用回收风险评估技术领域,是一种基于大数据平台聚类算法的电费回收风险评估装置及方法。
背景技术
随着电力体制改革的不断深化,呈下降趋势的电费回收率在相当大的程度上影响了电力企业的发展,巨大的欠费赤字妨碍了电力企业的正常经营活动,增加了财务运营风险,因此如何从企业内部加强管理提高电费回收率成为电力企业的当务之急。电费回收是电力企业生产全过程的最后环节,也是电力企业生产经营成果的最终体现,及时、足额回收电费是电力企业维持简单再生产,实现扩大再生产,满足日益增长的国民生产生活用电需要的有力保障。目前,电力企业在用电客户信用管理方面所做的工作仍然不足于应对用电客户拖欠电费等风险,供电企业在电费回收风险评估方面的工作仍然有较大的提升空间。
发明内容
本发明提供了一种基于大数据平台聚类算法的电费回收风险评估的装置及方法,克服了上述现有技术之不足,其能有效解决现有用电客户拖欠电费造成电力企业收费困难的问题,更有效解决了因电力企业回收风险评估工作的缺失造成可以回收的电费不能按时足额回收给企业带来巨大经济压力的问题。
本发明的技术方案之一是通过以下措施来实现的:一种基于大数据平台聚类算法的电费回收风险评估装置,其特征在于包括用电单位特征数据导入模块、聚类数据挖掘模块和用电单位信用评价体系输出模块;用电单位特征数据导入模块提取用电单位的社会属性指标、价值属性指标和行为属性指标的海量数据并存储在大数据Hadoop平台中,聚类数据挖掘模块进行并行数据处理且将数据进行多次迭代分析计算,对比数据迭代分析前后的变化,根据数据变化差值与给定阈值进行对比分析来判断用电单位所属的信用等级,用电单位信用评价体系输出模块根据聚类数据挖掘模块对数据的划分确定并输出用电单位的信用等级。
下面是对上述发明技术方案的进一步优化或/和改进:
上述聚类数据挖掘模块包括分布数据处理单元、聚类中心处理单元和迭代流程控制单元;所述的用电单位特征数据导入模块的数据输出端与分布数据处理单元的数据输入端相连接,分布数据处理单元的数据输出端与聚类中心处理单元的数据输入端相连接,聚类中心处理单元的数据输出端与迭代流程控制单元的数据输入端电连接,迭代流程控制单元的数据输出端与所述的用电单位信用评价体系输出模块的数据输入端相连接。
上述在分布数据处理单元中对采集的用电单位的社会属性指标、价值属性指标和行为属性指标的数据进行数据分布式处理,并将处理后的数据按照划分数据片的方式按行存储,数据片片间数据无相关性;所述的社会属性指标包括用电单位的归属,工业用户、商业用户、居民用户和政府机关用户;所述的价值属性指标包括购电水平、日周月用电特性、利润贡献率、购电量增长率、潜在购电量增长率;所述的行为属性指标包括累计电费回收率、电费回收准时度和合同履约率。
上述在聚类中心处理单元中完成数据片由小到大的排序并根据排序顺序标记每个数据片所属的聚类类别,即用电单位所属信用评价体系中的信用等级。
上述排序的数据片在迭代流程控制单元中进一步对没有标记的数据片进行重新标记,并重新划分再次标记的数据片所属的聚类类别,准确定位用电单位所属的信用评价体系中的信用等级。
本发明的技术方案之二是通过以下措施来实现的:一种使用基于大数据平台聚类算法的电费回收风险评估装置的方法,包括以下步骤:
步骤一:获取用电单位的信用参数数据库,包括社会属性指标数据、价值属性指标数据和行为属性指标数据,之后进入步骤二;
步骤二:将信用参数作为建立用电单位信用评价体系的基础指标,信用等级由高到低依次划分为六级,分别为AAA级、AA级、A级、B级、C级、D级,之后进入步骤三;
步骤三:用电单位特征数据导入模块将采集的信用参数数据库导入到聚类数据挖掘模块中,聚类数据挖掘模块的分布数据处理单元将数据进行分布式处理,并将处理后的数据按照划分数据片的方式按行存储,形成数据片1、数据片2,数据片3,直到将所有数据记录分片至数据片n,且数据片片间数据无相关性,之后进入步骤四;进一步的将数据分成不同的数据片按行存储,可以加快数据的存储过程。数据片作为存取单元,可以将数据暂时存储在数据片中;
步骤四:在聚类数据挖掘模块的聚类中心处理单元中将每个数据片中的数据记录进行分析计算,将数据片对应数据值由小到大的排序,并根据此排序顺序标记每个数据片所属的聚类类别,不同的聚类类别标识分别表示为Map 1、Map 2直到将所有的聚类类别进行标记至Map n,之后进入步骤五;
步骤五:在聚类数据挖掘模块的迭代流程控制单元中对数据片再次进行迭代分析计算,根据迭代分析计算结果将没有准确分配聚类类别的数据片进行标记,可以得到新的所有的标记为类的点,分别用聚类类别Reduce1、Reduce2直至Reduce n计算表示,之后进入步骤六;
步骤六:将步骤四数据进行分析计算的不同聚类类别的距离值放到聚类中心描述文件中,将步骤五进行再次迭代分析计算出的每个数据片的聚类类别的距离值放到新的聚类中心描述文件中,计算聚类中心描述文件和新的聚类中心描述文件中相对应的距离变化差值,两者的距离变化差值与给定阈值进行对比分析,如果距离变化差值大于给定阈值,则进入步骤三;如果距离变化差值小于给定阈值,则可以根据社会属性指标、价值属性指标和行为属性指标的权重值确定各用电单位所属信用评价体系的六个等级中不同的信用等级,之后进入步骤七;
步骤七:用电单位信用评价体系输出模块将步骤六确定的各个单位的信用等级导出,电力企业根据导出的用户信用等级采取相应的风险规避措施。
本发明利用大数据平台技术改进,适用于处理较大数据并发的聚类数据挖掘算法,通过分析用电单位用电信息、缴费行为的变化特点,形成了用电单位信用评价指标体系。通过用电单位信用评价指标体系对用电单位进行分类,方便了电力企业针对不同的用电单位制定不同的服务策略,特别是针对不同的欠费用户提供差异化的催缴策略,建立常态电费回收运行机制。有效规避了用电单位电费不按时缴费的风险,更有效降低了电力企业资金不能按时回笼的风险。
附图说明
附图1为本发明实施例一的组成原理图。
附图2为本发明实施例二的使用方法流程图。
附图中的编码分别为:1为包括用电单位特征数据导入模块,2为用电单位信用评价体系输出模块,3为分布数据处理单元,4为聚类中心处理单元,5为迭代流程控制单元。
具体实施方式
本发明不受下述实施例的限制,可根据本发明的技术方案与实际情况来确定具体的实施方式。
在本发明中,为了便于描述,各部件的相对位置关系的描述均是根据说明书附图1的布图方式来进行描述的,如:前、后、上、下、左、右等的位置关系是依据说明书附图的布图方向来确定的。
下面结合实施例及附图对本发明作进一步描述:
实施例一:如附图1、2所示,一种基于大数据平台聚类算法的电费回收风险评估装置,包括用电单位特征数据导入模块1、聚类数据挖掘模块和用电单位信用评价体系输出模块2;用电单位特征数据导入模块1提取用电单位的社会属性指标、价值属性指标和行为属性指标的海量数据并存储在大数据Hadoop平台中,聚类数据挖掘模块进行并行数据处理且将数据进行多次迭代分析计算,对比数据迭代分析前后的变化,根据数据变化差值与给定阈值进行对比分析来判断用电单位所属的信用等级,用电单位信用评价体系输出模块2根据聚类数据挖掘模块对数据的划分确定并输出用电单位的信用等级。在使用过程中,用电单位特征数据导入模块1提取用电单位社会属性指标、价值属性指标、行为属性指标的海量数据并将该数据存入大数据Hadoop平台的Hive模块中。Hive模块为关系型数据库模块,大数据Hadoop平台为现有公知技术,本发明利用Hadoop平台的MapReduce计算模型实现串行聚类算法的并行化改进,并行迭代分析用电单位社会属性指标、价值属性指标以及行为属性指标,最终获得用电单位精准的信用评价等级。对串行聚类算法中每一次迭代均启动对应的一次 MapReduce计算过程,完成数据记录到聚类中心的距离计算以及新的聚类中心的计算。
可根据实际需要,对上述基于大数据平台聚类算法的电费回收风险评估装置作进一步优化或/和改进:
如附图1、2所示,聚类数据挖掘模块包括分布数据处理单元3、聚类中心处理单元4和迭代流程控制单元5;所述的用电单位特征数据导入模块1的数据输出端与分布数据处理单元3的数据输入端相连接,分布数据处理单元3的数据输出端与聚类中心处理单元4的数据输入端相连接,聚类中心处理单元4的数据输出端与迭代流程控制单元5的数据输入端相连接,迭代流程控制单元5的数据输出端与所述的用电单位信用评价体系输出模块2的数据输入端相连接。
如附图1、2所示,在分布数据处理单元3中对采集的用电单位的社会属性指标、价值属性指标和行为属性指标的数据进行数据分布式处理,并将处理后的数据按照划分数据片的方式按行存储,数据片片间数据无相关性;所述的社会属性指标包括用电单位的归属,工业用户、商业用户、居民用户和政府机关用户;所述的价值属性指标包括购电水平、日周月用电特性、利润贡献率、购电量增长率、潜在购电量增长率;所述的行为属性指标包括累计电费回收率、电费回收准时度和合同履约率。使用时,通过Hadoop的MapReduce模型进行数据处理,并由HDFS模块进行分布式处理,HDFS模块为分布式文件系统模块。将待处理的社会属性指标、价值属性指标、行为属性指标的数据记录以行形式存储,使待处理数据能按行分片,形成数据片且片间数据无相关性。
如附图1、2所示,在聚类中心处理单元4中完成数据片由小到大的排序并根据排序顺序标记每个数据片所属的聚类类别,即用电单位所属信用评价体系中的信用等级。使用时,由MapReduce计算模型中的Map函数完成每个记录到中心点距离的计算并重新标记每个数据片所属的新聚类类别,Map函数的输入为待聚类所有记录数据和上一轮迭代或初始聚类的聚类中心。每个Map函数都读入聚类中心描述文件,Map函数对输入的每个记录点计算出距离其最近的类中心,并做新类别的标记。
如附图1、2所示,排序的数据片在迭代流程控制单元5中进一步对没有标记的数据片进行重新标记,并重新划分再次标记的数据片所属的聚类类别,准确定位用电单位所属的信用评价体系中的信用等级。使用时,通过Hadoop平台的MapReduce模型进行数据格式的映射回归转换,并将其存入非关系型数据库HBase中,非关系型数据库HBase为现有公知技术。由MapReduce计算模型中的Reduce函数根据 Map函数得到的中间结果计算出新的聚类中心,将新计算的聚类中心和上一轮聚类中心进行对比,若新的聚类中心和上一轮聚类中心的距离,变化大于给定阈值,则启动新一轮迭代计算;变化小于给定阈值,则说明新的聚类中心已收敛,算法结束。
实施例二:如图1、2所示,一种使用基于大数据平台聚类算法的电费回收风险评估装置的方法,包括以下步骤:
步骤一:获取用电单位的信用参数数据库,包括社会属性指标数据、价值属性指标数据和行为属性指标数据,之后进入步骤二;
步骤二:将信用参数作为建立用电单位信用评价体系的基础指标,信用等级由高到低依次划分为六级,分别为AAA级、AA级、A级、B级、C级、D级,之后进入步骤三;
步骤三:用电单位特征数据导入模块将采集的信用参数数据库导入到聚类数据挖掘模块中,聚类数据挖掘模块的分布数据处理单元将数据进行分布式处理,并将处理后的数据按照划分数据片的方式按行存储,形成数据片1、数据片2,数据片3,直到将所有数据记录分片至数据片n,且数据片片间数据无相关性,之后进入步骤四;进一步的将数据分成不同的数据片按行存储,可以加快数据的存储过程。数据片作为存取单元,可以将数据暂时存储在数据片中;
步骤四:在聚类数据挖掘模块的聚类中心处理单元中将每个数据片中的数据记录进行分析计算,将数据片对应数据值由小到大的排序,并根据此排序顺序标记每个数据片所属的聚类类别,不同的聚类类别标识分别表示为Map 1、Map 2直到将所有的聚类类别进行标记至Map n,之后进入步骤五;
步骤五:在聚类数据挖掘模块的迭代流程控制单元中对数据片再次进行迭代分析计算,根据迭代分析计算结果将没有准确分配聚类类别的数据片进行标记,可以得到新的所有的标记为类的点,分别用聚类类别Reduce1、Reduce2直至Reduce n计算表示,之后进入步骤六;
步骤六:将步骤四数据进行分析计算的不同聚类类别的距离值放到聚类中心描述文件中,将步骤五进行再次迭代分析计算出的每个数据片的聚类类别的距离值放到新的聚类中心描述文件中,计算聚类中心描述文件和新的聚类中心描述文件中相对应的距离变化差值,两者的距离变化差值与给定阈值进行对比分析,如果距离变化差值大于给定阈值,则进入步骤三;如果距离变化差值小于给定阈值,则可以根据社会属性指标、价值属性指标和行为属性指标的权重值确定各用电单位所属信用评价体系的六个等级中不同的信用等级,之后进入步骤七;
步骤七:用电单位信用评价体系输出模块将步骤六确定的各个单位的信用等级导出,电力企业根据导出的用户信用等级采取相应的风险规避措施。
在进行用电单位信用等级划分时,信用等级由高到低依次划分为AAA级、AA级、A级、B级、C级、D级共六个等级;其中,C级、D级属于重点催缴用电企业,AAA级和AA级属于用电量大、缴费及时的优质客户,供电企业可以重点提升定制化服务水平。
在使用基于大数据聚类算法的电费回收风险评估装置时,用电单位特征数据导入模块1提取用电单位社会属性指标、价值属性指标、行为属性指标的海量数据并将该数据存入大数据Hadoop平台的Hive模块中。Hive模块为关系型数据库模块,大数据Hadoop平台为现有公知技术,本发明利用Hadoop平台的MapReduce计算模型实现串行聚类算法的并行化改进,并行迭代分析用电单位社会属性指标、价值属性指标以及行为属性指标最终获得用电单位精准的信用评价等级。对串行聚类算法中每一次迭代均启动对应的一次 MapReduce计算过程,完成数据记录到聚类中心的距离计算以及新的聚类中心的计算;
其次,通过大数据Hadoop平台的MapReduce模块进行数据处理,并由大数据Hadoop平台中的HDFS模块进行分布式处理,HDFS模块为分布式文件系统模块。将待处理的社会属性指标、价值属性指标和行为属性指标的数据记录以行的形式存储在数据片中,使待处理数据能按行分片,形成数据片且片间数据无相关性;再次,由MapReduce计算模型中的Map函数完成每个记录到中心点距离的计算并重新标记每个数据片所属的新聚类类别,Map函数的输入为待聚类所有记录数据和上一轮迭代或初始聚类的聚类中心。每个Map函数都读入聚类中心描述文件,Map函数对输入的每个记录点计算出距离其最近的类中心,并做新类别的标记;
最后,由MapReduce计算模型中的Reduce函数根据 Map函数得到的中间结果计算出新的聚类中心,将新计算的聚类中心和上一轮聚类中心进行对比,若新的聚类中心和上一轮聚类中心的变化差值大于给定阈值,则启动新一轮迭代计算;若变化小于给定阈值,则说明新的聚类中心已收敛,算法结束,可以根据计算结果精确的确定用电单位的信用等级。用电单位信用评价体系输出模块2将各个单位的信用等级输出,电力企业用户根据信用等级采取相应的风险规避措施。
Claims (10)
1.一种基于大数据平台聚类算法的电费回收风险评估装置,其特征在于包括用电单位特征数据导入模块、聚类数据挖掘模块和用电单位信用评价体系输出模块;用电单位特征数据导入模块提取用电单位的社会属性指标、价值属性指标和行为属性指标的海量数据并存储在大数据Hadoop平台中,聚类数据挖掘模块进行并行数据处理且将数据进行多次迭代分析计算,对比数据迭代分析前后的变化,根据数据变化差值与给定阈值进行对比分析来判断用电单位所属的信用等级,用电单位信用评价体系输出模块根据聚类数据挖掘模块对数据的划分确定并输出用电单位的信用等级。
2. 根据权利要求1所述的基于大数据平台聚类算法的电费回收风险评估装置,其特征在于所述的聚类数据挖掘模块包括分布数据处理单元、聚类中心处理单元和迭代流程控制单元;所述的用电单位特征数据导入模块的数据输出端与分布数据处理单元的数据输入端相连接,分布数据处理单元的数据输出端与聚类中心处理单元的数据输入端相连接,聚类中心处理单元的数据输出端与迭代流程控制单元的数据输入端电连接,迭代流程控制单元的数据输出端与所述的用电单位信用评价体系输出模块的数据输入端相连接。
3.根据权利要求2所述的基于大数据平台聚类算法的电费回收风险评估装置,其特征在于在分布数据处理单元中对采集的用电单位的社会属性指标、价值属性指标和行为属性指标的数据进行数据分布式处理,并将处理后的数据按照划分数据片的方式按行存储,数据片片间数据无相关性;所述的社会属性指标包括用电单位的归属,工业用户、商业用户、居民用户和政府机关用户;所述的价值属性指标包括购电水平、日周月用电特性、利润贡献率、购电量增长率、潜在购电量增长率;所述的行为属性指标包括累计电费回收率、电费回收准时度和合同履约率。
4.根据权利要求2所述的基于大数据平台聚类算法的电费回收风险评估装置,其特征在于分片数据在聚类中心处理单元中完成数据片由小到大的排序并根据排序顺序标记每个数据片所属的聚类类别,即用电单位所属信用评价体系中的信用等级。
5.根据权利要求3所述的基于大数据平台聚类算法的电费回收风险评估装置,其特征在于分片数据在聚类中心处理单元中完成数据片由小到大的排序并根据排序顺序标记每个数据片所属的聚类类别,即用电单位所属信用评价体系中的信用等级。
6.根据权利要求2所述的基于大数据平台聚类算法的电费回收风险评估装置,其特征在于排序的数据片在迭代流程控制单元中进一步对没有标记的数据片进行重新标记,并重新划分再次标记的数据片所属的聚类类别,准确定位用电单位所属的信用评价体系中的信用等级。
7.根据权利要求3所述的基于大数据平台聚类算法的电费回收风险评估方法,其特征在于排序的数据片在迭代流程控制单元中进一步对没有标记的数据片进行重新标记,并重新划分再次标记的数据片所属的聚类类别,准确定位用电单位所属的信用评价体系中的信用等级。
8.根据权利要求4所述的基于大数据平台聚类算法的电费回收风险评估方法,其特征在于排序的数据片在迭代流程控制单元中进一步对没有标记的数据片进行重新标记,并重新划分再次标记的数据片所属的聚类类别,准确定位用电单位所属的信用评价体系中的信用等级。
9.根据权利要求5所述的基于大数据平台聚类算法的电费回收风险评估方法,其特征在于排序的数据片在迭代流程控制单元中进一步对没有标记的数据片进行重新标记,并重新划分再次标记的数据片所属的聚类类别,准确定位用电单位所属的信用评价体系中的信用等级。
10.根据权利要求1至9任一项所述的使用基于大数据平台聚类算法的电费回收风险评估装置的方法,其特征在于包括以下步骤:
步骤一:获取用电单位的信用参数数据库,包括社会属性指标数据、价值属性指标数据和行为属性指标数据,之后进入步骤二;
步骤二:将信用参数作为建立用电单位信用评价体系的基础指标,信用等级由高到低依次划分为六级,分别为AAA级、AA级、A级、B级、C级、D级,之后进入步骤三;
步骤三:用电单位特征数据导入模块将采集的信用参数数据库导入到聚类数据挖掘模块中,聚类数据挖掘模块的分布数据处理单元将数据进行分布式处理,并将处理后的数据按照划分数据片的方式按行存储,形成数据片1、数据片2,数据片3,直到将所有数据记录分片至数据片n,且数据片片间数据无相关性,之后进入步骤四;进一步的将数据分成不同的数据片按行存储,可以加快数据的存储过程,数据片作为存取单元,可以将数据暂时存储在数据片中;
步骤四:在聚类数据挖掘模块的聚类中心处理单元中将每个数据片中的数据记录进行分析计算,将数据片对应数据值由小到大的排序,并根据此排序顺序标记每个数据片所属的聚类类别,不同的聚类类别标识分别表示为Map 1、Map 2直到将所有的聚类类别进行标记至Map n,之后进入步骤五;
步骤五:在聚类数据挖掘模块的迭代流程控制单元中对数据片再次进行迭代分析计算,根据迭代分析计算结果将没有准确分配聚类类别的数据片进行标记,可以得到新的所有的标记为类的点,分别用聚类类别Reduce1、Reduce2直至Reduce n计算表示,之后进入步骤六;
步骤六:将步骤四数据进行分析计算的不同聚类类别的距离值放到聚类中心描述文件中,将步骤五进行再次迭代分析计算出的每个数据片的聚类类别的距离值放到新的聚类中心描述文件中,计算聚类中心描述文件和新的聚类中心描述文件中相对应的距离变化差值,两者的距离变化差值与给定阈值进行对比分析,如果距离变化差值大于给定阈值,则进入步骤三;如果距离变化差值小于给定阈值,则可以根据社会属性指标、价值属性指标和行为属性指标的权重值确定各用电单位所属信用评价体系的六个等级中不同的信用等级,之后进入步骤七;
步骤七:用电单位信用评价体系输出模块将步骤六确定的各个单位的信用等级导出,电力企业根据导出的用户信用等级采取相应的风险规避措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510403135.7A CN104992297A (zh) | 2015-07-10 | 2015-07-10 | 基于大数据平台聚类算法的电费回收风险评估装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510403135.7A CN104992297A (zh) | 2015-07-10 | 2015-07-10 | 基于大数据平台聚类算法的电费回收风险评估装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104992297A true CN104992297A (zh) | 2015-10-21 |
Family
ID=54304107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510403135.7A Pending CN104992297A (zh) | 2015-07-10 | 2015-07-10 | 基于大数据平台聚类算法的电费回收风险评估装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104992297A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372969A (zh) * | 2016-09-06 | 2017-02-01 | 国家电网公司 | 电力用户特征识别方法及系统 |
CN106780140A (zh) * | 2016-12-15 | 2017-05-31 | 国网浙江省电力公司 | 基于大数据的电力信用评价方法 |
CN107133822A (zh) * | 2017-04-28 | 2017-09-05 | 国网山东省电力公司泰安供电公司 | 用户信用评价方法及装置 |
CN109993433A (zh) * | 2019-03-29 | 2019-07-09 | 国网山东省电力公司费县供电公司 | 一种基于云平台的用电缴费管理方法及装置 |
CN110781332A (zh) * | 2019-10-16 | 2020-02-11 | 三峡大学 | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 |
CN111680937A (zh) * | 2020-08-13 | 2020-09-18 | 国网浙江省电力有限公司营销服务中心 | 基于电力数据分级赋权的小微企业复工率评估方法 |
CN112990685A (zh) * | 2021-03-10 | 2021-06-18 | 海南电网有限责任公司信息通信分公司 | 一种基于精准客户分群的差异化供电服务方法 |
CN113706336A (zh) * | 2021-09-01 | 2021-11-26 | 知能汇融(北京)咨询有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
-
2015
- 2015-07-10 CN CN201510403135.7A patent/CN104992297A/zh active Pending
Non-Patent Citations (2)
Title |
---|
林嘉晖: "基于数据挖掘的电网用户行为分析系统的设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
江小平等: "k-means聚类算法的MapReduce并行化实现", 《华中科技大学学报(自然科学版)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372969A (zh) * | 2016-09-06 | 2017-02-01 | 国家电网公司 | 电力用户特征识别方法及系统 |
CN106780140A (zh) * | 2016-12-15 | 2017-05-31 | 国网浙江省电力公司 | 基于大数据的电力信用评价方法 |
CN106780140B (zh) * | 2016-12-15 | 2021-07-09 | 国网浙江省电力公司 | 基于大数据的电力信用评价方法 |
CN107133822A (zh) * | 2017-04-28 | 2017-09-05 | 国网山东省电力公司泰安供电公司 | 用户信用评价方法及装置 |
CN109993433A (zh) * | 2019-03-29 | 2019-07-09 | 国网山东省电力公司费县供电公司 | 一种基于云平台的用电缴费管理方法及装置 |
CN110781332A (zh) * | 2019-10-16 | 2020-02-11 | 三峡大学 | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 |
CN111680937A (zh) * | 2020-08-13 | 2020-09-18 | 国网浙江省电力有限公司营销服务中心 | 基于电力数据分级赋权的小微企业复工率评估方法 |
CN111680937B (zh) * | 2020-08-13 | 2020-11-13 | 国网浙江省电力有限公司营销服务中心 | 基于电力数据分级赋权的小微企业复工率评估方法 |
CN112990685A (zh) * | 2021-03-10 | 2021-06-18 | 海南电网有限责任公司信息通信分公司 | 一种基于精准客户分群的差异化供电服务方法 |
CN113706336A (zh) * | 2021-09-01 | 2021-11-26 | 知能汇融(北京)咨询有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
CN113706336B (zh) * | 2021-09-01 | 2024-02-02 | 知能汇融(北京)咨询有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104992297A (zh) | 基于大数据平台聚类算法的电费回收风险评估装置及方法 | |
US11043808B2 (en) | Method for identifying pattern of load cycle | |
CN107145966A (zh) | 基于逻辑回归概率分析优化模型的反窃电分析预警方法 | |
CN106570778A (zh) | 一种基于大数据的数据集成与线损分析计算的方法 | |
CN106709035A (zh) | 一种电力多维全景数据的预处理系统 | |
CN102708149A (zh) | 数据质量管理方法和系统 | |
CN102081781A (zh) | 基于信息自循环的金融建模优化方法 | |
CN110503136A (zh) | 台区线损异常分析方法、计算机可读存储介质及终端设备 | |
CN102262664A (zh) | 一种质量评价的方法和装置 | |
CN108389069A (zh) | 基于随机森林和逻辑回归的优质客户识别方法及装置 | |
CN105488628A (zh) | 一种面向电力大数据可视化的数据挖掘方法 | |
CN112990976A (zh) | 基于开源数据挖掘的商业网点选址方法、系统、设备及介质 | |
CN108154311A (zh) | 基于随机森林和决策树的优质客户识别方法及装置 | |
CN105488538A (zh) | 一种基于改进k均值聚类算法的天空图像云空辨识方法 | |
CN105139150A (zh) | 一种交费大数据的用户电费风险评估系统 | |
CN105359172A (zh) | 计算企业存在拖欠的概率 | |
CN104820942A (zh) | 一种基于层次聚类的电力市场交易评价标准测算方法 | |
CN106126727A (zh) | 一种推荐系统大数据处理方法 | |
CN112200209A (zh) | 一种基于日差分用电量的贫困用户识别方法 | |
CN115130811A (zh) | 电力用户画像的建立方法、装置及电子设备 | |
Grigoras et al. | Processing of smart meters data for peak load estimation of consumers | |
CN110188255A (zh) | 基于业务数据共享融合的电力用户行为挖掘方法及系统 | |
CN107908731A (zh) | 基于psd‑bpa广西电网网区负荷数据批量修改方法 | |
Jin et al. | Power load curve clustering algorithm using fast dynamic time warping and affinity propagation | |
CN102799750B (zh) | 几何体表面三角形剖分的公共边和非公共边快速生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151021 |