CN105488628A - 一种面向电力大数据可视化的数据挖掘方法 - Google Patents
一种面向电力大数据可视化的数据挖掘方法 Download PDFInfo
- Publication number
- CN105488628A CN105488628A CN201510863738.5A CN201510863738A CN105488628A CN 105488628 A CN105488628 A CN 105488628A CN 201510863738 A CN201510863738 A CN 201510863738A CN 105488628 A CN105488628 A CN 105488628A
- Authority
- CN
- China
- Prior art keywords
- data
- cluster
- electric power
- vector
- nuclear matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013079 data visualisation Methods 0.000 title claims abstract description 19
- 238000007418 data mining Methods 0.000 title abstract description 5
- 239000013598 vector Substances 0.000 claims abstract description 35
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 37
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 37
- 210000000299 nuclear matrix Anatomy 0.000 claims description 37
- 230000009467 reduction Effects 0.000 claims description 19
- 238000013506 data mapping Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000007792 addition Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 9
- 239000011159 matrix material Substances 0.000 abstract 3
- 238000013507 mapping Methods 0.000 abstract 1
- 230000005611 electricity Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 15
- 238000007726 management method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 235000019580 granularity Nutrition 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000006549 dyspepsia Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
一种面向电力大数据可视化的数据挖掘方法。其包括获取所采集的由a1,a2,…,an共n个数据样本构成的电力营销数据集A,将n个数据样本中的数据聚类划分成k类,然后利用核函数将上述划分后的数据映射到核空间中,并确定出各聚类的中心;构建数据集A相对应的核矩阵;缩减核矩阵的规模;为全体数据样本aj构造分类向量,然后根据上述步骤获取的缩减后的核矩阵Κ*快速计算距离,更新分类向量,以重新确定该数据样本aj的分类归属。本发明提供的面向电力大数据可视化的数据挖掘方法可以对营销数据进行有效的聚类和分类分析,可以更好地识别用户群体、获取分类用户用电特征,从而能够为电力营销智能化奠定基础。
Description
技术领域
本发明属于电力大数据数据融合与处理技术领域,特别是涉及一种面向电力大数据可视化的数据挖掘方法。
背景技术
电力关系经济发展、社会稳定和群众生活,电力需求变化是经济运行的“晴雨表”和“风向标”,能够真实、客观地反映国民经济的发展状况与态势。根据麦肯锡(McKinsey)2011年5月发布的《大数据:创新、竞争和生产力的下一个新领域》报告,数据已经渗透到每一个行业和业务职能领域,逐渐成为重要的生产因素。对于电力行业而言,电力生产涉及的运行工况、参数、设备运行状态等实时生产数据,现场总线系统所采集的设备监测数据以及发电量、电压稳定性等方面的数据,电力企业运营和管理数据,如交易电价、售电量、用电客户信息、ERP综合数据等,共同构成了“电力大数据”。不仅历史数据量巨大,而且实时采集及产生的数据量正迅速增长。目前面临的问题不仅是如何采集、存储和检索数据,关键是如何分析和利用此类数据并提供有价值的信息,进而全面管控电力企业业务,为电力企业管理和战略决策提供数据支撑。
由于电力大数据综合了电力企业的产、运、销及运营和管理数据,因此已成为电力企业深化应用、提升应用层次、强化集团企业管控的有力技术手段。例如,用电行为模式的认知是发现众多用电行为的规律,利用各类数据分析发现影响用电行为的各种关联因素。提取用电负荷、电量、电费台账、缴费信息、客户信息、电网网架结构、电价政策、天气参数等相关数据,建立多层次、多粒度、多刻面的用电行为模型,从不同分类视角(如行业、规模等)、不同时空粒度,综合全面描述用户用电行为,建立模式识别方法。并以此为依据,利用各类数据,从用电行为上将相似的用户聚类,并对每类用户的行为模式进行识别与分析,提取模式特征,支持用电行为模式的深入理解。而这些都必须通过数据分析来完成。
数据分析是大数据发挥其核心价值的重要流程,传统的分析技术有数据挖掘、机器学习、统计分析等,分析的结论可用于推荐系统、专家系统、商业智能和决策支持系统等。而聚类分析作为数据挖掘中的重要部分可以用来把大量电力客户分组,其中组内的客户具有非常类似的特征。聚类分析迎合电力大数据的应用需求,例如异常用能、反窃电分析,目前对于低压用户,主要是通过开盖次数或者用电量突增突减来确定是否有窃电的嫌疑;对于高压用户,通过检测电压、电流是否异常来确定是否有窃电的嫌疑。因为单纯通过这些数据得来的疑似用户较多,所以只能对疑似用户数的5%进行现场检查,完成确定工作。借助数据分析,进行用户用电行为特征分析,分析得出用电行为将作为历史数据存至大数据平台。从而确定用户有无异常用电行为和窃电行为。避免违章、违规用电,减少偷窃电行为,提升售电收入。同时,可对窃电重点区域设置预警功能。
在数据分析的基础上,终端用户往往最关心的是数据的展示方式,如果分析结果没有采用适当的解释方法,所得到的分析结论往往让用户难以理解,极端情况下甚至会误导用户。传统的解释方法仅是文本、图表等电脑终端上的直观显示,提升数据解释能力可以引入标签云(tagcloud)等数据可视化技术解决,甚至可以采用人机交互技术,在交互过程中逐步引导用户进入分析流程,达到最佳的数据解释效果。
电网业务数据大致可分为生产数据(如发电量、电压稳定性等数据)、运营数据(如交易电价、售电量、用电客户等数据)和管理数据(如ERP、一体化平台、协同办公等数据)。随着电网企业信息化建设的不断推进,电网企业的数据量、数据类型、来源等都有了巨大变化,数据量以几何级爆炸式速度增长,同时数据类型越来越复杂、多样。利用大数据的概念和技术,深度分析利用电网企业大容量、类型繁多的数据,能够获取大量的数据附加价值,为电网企业在大数据背景下的发展、管理、规划提供有效支撑。但目前尚缺少有效的面向电力大数据可视化的数据挖掘方法。
发明内容
为了解决上述问题,本发明的目的在于提供一种面向电力大数据可视化的数据挖掘方法。
为了达到上述目的,本发明提供的面向电力大数据可视化的数据挖掘方法包括按顺序执行的下列步骤:
步骤1)获取所采集的由a1,a2,…,an共n个数据样本构成的电力营销数据集A,其中数据样本ai为多维向量,将上述n个数据样本中的数据聚类划分成k类,分别为C1,C2,…,Ck,然后利用核函数将上述划分后的数据映射到核空间中,并确定出各聚类的中心m1,m2,…,mk;
步骤2)构建数据集A相对应的核矩阵;
步骤3)缩减核矩阵的规模:削减后的核矩阵记为Κ*;
步骤4)为全体数据样本aj构造分类向量,然后根据上述步骤获取的缩减后的核矩阵Κ*快速计算距离,更新分类向量,以重新确定该数据样本aj的分类归属。
在步骤1)中,所述的利用核函数将划分后的数据映射到核空间所采用的公式为:
其中:
κ(xi,xj)表示核函数;
函数φ将xi,xj从输入空间Rd到一个新的空间RD;
σ>0,是核函数的半径;
所述的确定各聚类的中心m1,m2,…,mk所采用的公式为:
其中|Cδ|为类Cδ的基数。
在步骤2)中,所述的构建数据集A相对应的核矩阵为:
其中:
Κij=κ(xi,xj)
κ(xi,xj)=φ(xi)φ(xj)。
在步骤3)中,所述的缩减核矩阵的规模的具体方法为:
步骤3.1)以升序方式排列核矩阵Κ中第i行Ki,i=1,2,…,n,得到一个排序向量ri:rij,i=1,2,…,n;其中:
步骤3.2)将上一步骤中的ri'二值化,然后以降序方式排列rij',j=1,2,…,n,若rij'为排序中的前10%,则令vij=1;否则,令vij=0;所设置的阈值为10%,得到构造的二值向量vi,vi=[vi1,vi2,…,vin]T;
步骤3.3)将上一步骤中得到的所有二值向量相加得到定义是聚类基数j所得权值;
步骤3.4)通过上一步骤得到的v*计算出得分向量s;其中:
步骤3.5)选取得分向量s中最大值所属聚类j,即w=argmaxj(sj);对任一数据样本ai,若其二值向量为vi,如果viw=1,则ai属于基数为w的聚类;否则不属于该聚类;
步骤3.6)令v*=v*-vi代入步骤3.4)的公式中,若v*≠0,重复步骤3.4)-3.5);若v*=0,进入第i+1行,重复步骤3.1)-3.5);
步骤3.7)根据步骤3.5)得到的聚类基数w将核矩阵Κ中某些项置为0:假设数据样本ai所属的聚类基数为wi,在第i行中,保留Κij值中较大的前wi项,其余所有项全部设置为0;削减后的核矩阵记为Κ*,其中的非零项个数记为nz。
在步骤4)中,所述的为全体数据样本aj构造分类向量,然后根据上述步骤获取的缩减后的核矩阵Κ*快速计算距离,更新分类向量,以重新确定该数据样本aj的分类归属的具体方法为:
步骤4.1)构造分类向量o,已知节点j;其中数据样本aj属于oj,则将所有和节点j同类的Κjl项累加,即其中Κjl直接从核矩阵取得;然后对不同的节点j求和;将所有聚类计算所得存储在向量q中,其中qi:i=1,2,…,k;
步骤4.2)计算距离d,重复划分聚类:初始化向量di,di表示数据样本ai距其它聚类的长度,diδ=Κii+(1/|Cδ|2)qk;然后遍历与节点i所属同一聚类中的节点j,从d中减去对应的2(Κij/|Cδ|)项,即
d中的最小值决定了节点i的新的分类,然后更新分类向量o直到不再变化为止;
步骤4.3)最后将数据样本aj中的数据划分到与之最近的聚类中心所在的聚类中,由此确定出数据样本aj的准确聚类。
本发明提供的面向电力大数据可视化的数据挖掘方法可以对营销数据进行有效的聚类和分类分析,可以更好地识别用户群体、获取分类用户用电特征,从而能够为电力营销智能化奠定基础。
附图说明
图1为本发明提供的基于面向电力大数据可视化的数据挖掘方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明提供的面向电力大数据可视化的数据挖掘方法进行详细说明。
如图1所示,本发明提供的面向电力大数据可视化的数据挖掘方法包括按顺序执行的下列步骤:
步骤1)获取所采集的由a1,a2,…,an共n个数据样本构成的电力营销数据集A,其中数据样本ai为多维向量,将上述n个数据样本中的数据聚类划分成k类,分别为C1,C2,…,Ck,然后利用核函数将上述划分后的数据映射到核空间中,并确定出各聚类的中心m1,m2,…,mk;
步骤2)构建数据集A相对应的核矩阵:在计算高维空间中点积时,并不是在每次计算距离时再计算核函数,而是一次计算出空间点的所有可能组合的核函数,并存储于核矩阵中;
步骤3)缩减核矩阵的规模:当数据集A规模较大时,则由全体样本aj数据点形成的所有可能组合核函数构成的核矩阵规模巨大,若直接对如此规模的核矩阵进行处理,会严重降低处理的效率,为此,需要将核矩阵的规模进行缩减,削减后的核矩阵记为Κ*;
步骤4)由于初始划分的数据样本而得到的聚类并不是最优的,为此,首先为全体数据样本aj构造分类向量,然后根据上述步骤获取的缩减后的核矩阵Κ*快速计算距离,更新分类向量,以重新确定该数据样本aj的分类归属。
在步骤1)中,所述的利用核函数将划分后的数据映射到核空间所采用的公式为:
其中:
κ(xi,xj)表示核函数;
函数φ将xi,xj从输入空间Rd到一个新的空间RD;
σ>0,是核函数的半径。
所述的确定各聚类的中心m1,m2,…,mk所采用的公式为:
其中|Cδ|为类Cδ的基数。
在步骤2)中,所述的构建数据集A相对应的核矩阵为:
其中:
Κij=κ(xi,xj)
κ(xi,xj)=φ(xi)φ(xj)。
在步骤3)中,所述的缩减核矩阵的规模的具体方法为:
步骤3.1)以升序方式排列核矩阵Κ中第i行Ki,i=1,2,…,n,得到一个排序向量ri:rij,i=1,2,…,n;其中:
步骤3.2)将上一步骤中的ri'二值化,然后以降序方式排列rij',j=1,2,…,n,若rij'为排序中的前10%,则令vij=1;否则,令vij=0;所设置的阈值为10%,得到构造的二值向量vi,vi=[vi1,vi2,…,vin]T;
步骤3.3)将上一步骤中得到的所有二值向量相加得到定义是聚类基数j所得权值;
步骤3.4)通过上一步骤得到的v*计算出得分向量s;其中:
步骤3.5)选取得分向量s中最大值所属聚类j,即w=argmaxj(sj);对任一数据样本ai,若其二值向量为vi,如果viw=1,则ai属于基数为w的聚类;否则不属于该聚类;
步骤3.6)令v*=v*-vi代入步骤3.4)的公式中,若v*≠0,重复步骤3.4)-3.5);若v*=0,进入第i+1行,重复步骤3.1)-3.5);
步骤3.7)根据步骤3.5)得到的聚类基数w将核矩阵Κ中某些项置为0:假设数据样本ai所属的聚类基数为wi,在第i行中,保留Κij值中较大的前wi项,其余所有项全部设置为0;削减后的核矩阵记为Κ*,其中的非零项个数记为nz。
在步骤4)中,所述的为全体数据样本aj构造分类向量,然后根据上述步骤获取的缩减后的核矩阵Κ*快速计算距离,更新分类向量,以重新确定该数据样本aj的分类归属的具体方法为:
步骤4.1)构造分类向量o,已知节点j;其中数据样本aj属于oj,则将所有和节点j同类的Κjl项累加,即其中Κjl直接从核矩阵取得;然后对不同的节点j求和;将所有聚类计算所得存储在向量q中,其中qi:i=1,2,…,k;
步骤4.2)计算距离d,重复划分聚类:初始化向量di,di表示数据样本ai距其它聚类的长度,diδ=Κii+(1/|Cδ|2)qk;然后遍历与节点i所属同一聚类中的节点j,从d中减去对应的2(Κij/|Cδ|)项,即
d中的最小值决定了节点i的新的分类,然后更新分类向量o直到不再变化为止;
步骤4.3)最后将数据样本aj中的数据划分到与之最近的聚类中心所在的聚类中,由此确定出数据样本aj的准确聚类。
Claims (5)
1.一种面向电力大数据可视化的数据挖掘方法,其特征在于:所述的面向电力大数据可视化的数据挖掘方法包括按顺序执行的下列步骤:
步骤1)获取所采集的由a1,a2,…,an共n个数据样本构成的电力营销数据集A,其中数据样本ai为多维向量,将上述n个数据样本中的数据聚类划分成k类,分别为C1,C2,...,Ck,然后利用核函数将上述划分后的数据映射到核空间中,并确定出各聚类的中心m1,m2,...,mk;
步骤2)构建数据集A相对应的核矩阵;
步骤3)缩减核矩阵的规模:削减后的核矩阵记为Κ*;
步骤4)为全体数据样本aj构造分类向量,然后根据上述步骤获取的缩减后的核矩阵Κ*快速计算距离,更新分类向量,以重新确定该数据样本aj的分类归属。
2.根据权利要求1所述的面向电力大数据可视化的数据挖掘方法,其特征在于:在步骤1)中,所述的利用核函数将划分后的数据映射到核空间所采用的公式为:
其中:
κ(xi,xj)表示核函数;
函数φ将xi,xj从输入空间Rd到一个新的空间RD;
σ>0,是核函数的半径;
所述的确定各聚类的中心m1,m2,...,mk所采用的公式为:
其中|Cδ|为类Cδ的基数。
3.根据权利要求1所述的面向电力大数据可视化的数据挖掘方法,其特征在于:在步骤2)中,所述的构建数据集A相对应的核矩阵为:
其中:
Κij=κ(xi,xj)
κ(xi,xj)=φ(xi)φ(xj)。
4.根据权利要求1所述的面向电力大数据可视化的数据挖掘方法,其特征在于:在步骤3)中,所述的缩减核矩阵的规模的具体方法为:
步骤3.1)以升序方式排列核矩阵Κ中第i行Ki,i=1,2,…,n,得到一个排序向量ri:rij,i=1,2,…,n;其中:
步骤3.2)将上一步骤中的ri'二值化,然后以降序方式排列rij',j=1,2,...,n,若rij'为排序中的前10%,则令vij=1;否则,令vij=0;所设置的阈值为10%,得到构造的二值向量vi,vi=[vi1,vi2,...,vin]T;
步骤3.3)将上一步骤中得到的所有二值向量相加得到定义是聚类基数j所得权值;
步骤3.4)通过上一步骤得到的v*计算出得分向量s;其中:
步骤3.5)选取得分向量s中最大值所属聚类j,即w=argmaxj(sj);对任一数据样本ai,若其二值向量为vi,如果viw=1,则ai属于基数为w的聚类;否则不属于该聚类;
步骤3.6)令v*=v*-vi代入步骤3.4)的公式中,若v*≠0,重复步骤3.4)-3.5);若v*=0,进入第i+1行,重复步骤3.1)-3.5);
步骤3.7)根据步骤3.5)得到的聚类基数w将核矩阵Κ中某些项置为0:假设数据样本ai所属的聚类基数为wi,在第i行中,保留Κij值中较大的前wi项,其余所有项全部设置为0;削减后的核矩阵记为Κ*,其中的非零项个数记为nz。
5.根据权利要求1所述的面向电力大数据可视化的数据挖掘方法,其特征在于:在步骤4)中,所述的为全体数据样本aj构造分类向量,然后根据上述步骤获取的缩减后的核矩阵Κ*快速计算距离,更新分类向量,以重新确定该数据样本aj的分类归属的具体方法为:
步骤4.1)构造分类向量o,已知节点j;其中数据样本aj属于oj,则将所有和节点j同类的Κjl项累加,即其中Κjl直接从核矩阵取得;然后对不同的节点j求和;将所有聚类计算所得存储在向量q中,其中qi:i=1,2,...,k;
步骤4.2)计算距离d,重复划分聚类:初始化向量di,di表示数据样本ai距其它聚类的长度,diδ=Κii+(1/|Cδ|2)qk;然后遍历与节点i所属同一聚类中的节点j,从d中减去对应的2(Κij/|Cδ|)项,即
d中的最小值决定了节点i的新的分类,然后更新分类向量o直到不再变化为止;
步骤4.3)最后将数据样本aj中的数据划分到与之最近的聚类中心所在的聚类中,由此确定出数据样本aj的准确聚类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510863738.5A CN105488628A (zh) | 2015-11-30 | 2015-11-30 | 一种面向电力大数据可视化的数据挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510863738.5A CN105488628A (zh) | 2015-11-30 | 2015-11-30 | 一种面向电力大数据可视化的数据挖掘方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105488628A true CN105488628A (zh) | 2016-04-13 |
Family
ID=55675597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510863738.5A Pending CN105488628A (zh) | 2015-11-30 | 2015-11-30 | 一种面向电力大数据可视化的数据挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105488628A (zh) |
Cited By (9)
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 |
CN106444694A (zh) * | 2016-05-30 | 2017-02-22 | 重庆大学 | 一种大数据下系统异常工况预警技术 |
CN106779295A (zh) * | 2016-11-18 | 2017-05-31 | 南方电网科学研究院有限责任公司 | 供电方案生成方法和系统 |
CN107657542A (zh) * | 2016-07-25 | 2018-02-02 | 上海交通大学 | 公变台区用户防窃电的检测跟踪方法 |
CN108898273A (zh) * | 2018-05-29 | 2018-11-27 | 国网能源研究院有限公司 | 一种基于形态分析的用户侧负荷特征聚类评价方法 |
CN109471884A (zh) * | 2018-09-12 | 2019-03-15 | 国网浙江省电力有限公司嘉兴供电公司 | 分布式新能源相关的多源异构数据处理方法 |
CN109726740A (zh) * | 2018-12-05 | 2019-05-07 | 国网浙江省电力公司湖州供电公司 | 一种基于聚类分析的行业用电行为分析方法 |
CN110096529A (zh) * | 2019-04-16 | 2019-08-06 | 中科金联(北京)科技有限公司 | 一种基于多维矢量数据的网络数据挖掘方法和系统 |
WO2020010569A1 (zh) * | 2018-07-12 | 2020-01-16 | 深圳齐心集团股份有限公司 | 大数据综合分析处理服务系统 |
-
2015
- 2015-11-30 CN CN201510863738.5A patent/CN105488628A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106444694A (zh) * | 2016-05-30 | 2017-02-22 | 重庆大学 | 一种大数据下系统异常工况预警技术 |
CN107657542A (zh) * | 2016-07-25 | 2018-02-02 | 上海交通大学 | 公变台区用户防窃电的检测跟踪方法 |
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 |
CN106779295A (zh) * | 2016-11-18 | 2017-05-31 | 南方电网科学研究院有限责任公司 | 供电方案生成方法和系统 |
CN108898273A (zh) * | 2018-05-29 | 2018-11-27 | 国网能源研究院有限公司 | 一种基于形态分析的用户侧负荷特征聚类评价方法 |
WO2020010569A1 (zh) * | 2018-07-12 | 2020-01-16 | 深圳齐心集团股份有限公司 | 大数据综合分析处理服务系统 |
CN109471884A (zh) * | 2018-09-12 | 2019-03-15 | 国网浙江省电力有限公司嘉兴供电公司 | 分布式新能源相关的多源异构数据处理方法 |
CN109726740A (zh) * | 2018-12-05 | 2019-05-07 | 国网浙江省电力公司湖州供电公司 | 一种基于聚类分析的行业用电行为分析方法 |
CN110096529A (zh) * | 2019-04-16 | 2019-08-06 | 中科金联(北京)科技有限公司 | 一种基于多维矢量数据的网络数据挖掘方法和系统 |
CN110096529B (zh) * | 2019-04-16 | 2021-07-16 | 中科金联(北京)科技有限公司 | 一种基于多维矢量数据的网络数据挖掘方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488628A (zh) | 一种面向电力大数据可视化的数据挖掘方法 | |
Zheng et al. | A novel combined data-driven approach for electricity theft detection | |
CN105701596A (zh) | 一种基于大数据技术的配网抢修精益化方法以及管理系统 | |
CN105512768A (zh) | 大数据环境下用户用电关联因素辨识及用电量预测方法 | |
CN111639237A (zh) | 一种基于聚类和关联规则挖掘的电力通信网风险评估系统 | |
Packianather et al. | Data mining techniques applied to a manufacturing SME | |
Lai et al. | Application of big data in smart grid | |
CN106296315A (zh) | 基于用户用电数据的情境感知系统 | |
Zhang | Financial data anomaly detection method based on decision tree and random forest algorithm | |
Miraftabzadeh et al. | K-means and alternative clustering methods in modern power systems | |
CN106815320B (zh) | 基于拓展三维直方图的调研大数据可视化建模方法及系统 | |
CN113254517A (zh) | 一种基于互联网大数据的服务提供方法 | |
CN110309578B (zh) | 一种基于计算机数据处理的经济数据拟合系统及方法 | |
CN111597221A (zh) | 基于大数据技术的客户用电行为分析方法 | |
CN105956012A (zh) | 基于图划分策略的数据库模式抽象方法 | |
CN106326677A (zh) | 一种pta装置醋酸消耗的软测量方法 | |
Yin et al. | Topological structural analysis of China's new energy stock market: a multi-dimensional data network perspective | |
CN115147242A (zh) | 一种基于数据挖掘的电网数据管理系统 | |
CN114818849A (zh) | 基于大数据信息的卷积神经网络和遗传算法的反窃电方法 | |
CN113191409A (zh) | 标签数据扩充与深度学习的居民异常用电行为检测方法 | |
CN113723497A (zh) | 基于混合特征提取及Stacking模型的异常用电检测方法、装置、设备及存储介质 | |
Chen et al. | Research and application of cluster analysis algorithm | |
Fang et al. | Identification of Abnormal Electricity Consumption Behavior Based on Bi-LSTM Recurrent Neural Network | |
Song et al. | User power consumption cluster analysis based on cloud computing and improved K-means algorithm | |
He et al. | A generalized modularity for computing community structure in fully signed networks |
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 |
Application publication date: 20160413 |
|
RJ01 | Rejection of invention patent application after publication |