CN105809573A - 一种基于大数据分析的用电性质认证方法 - Google Patents
一种基于大数据分析的用电性质认证方法 Download PDFInfo
- Publication number
- CN105809573A CN105809573A CN201610118312.1A CN201610118312A CN105809573A CN 105809573 A CN105809573 A CN 105809573A CN 201610118312 A CN201610118312 A CN 201610118312A CN 105809573 A CN105809573 A CN 105809573A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- accounting
- month
- per hour
- power
- 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 20
- 238000007405 data analysis Methods 0.000 title claims abstract description 16
- 238000003066 decision tree Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000007418 data mining Methods 0.000 claims abstract description 4
- 230000005611 electricity Effects 0.000 claims description 96
- 230000003203 everyday effect Effects 0.000 claims description 48
- 230000002354 daily effect Effects 0.000 claims description 24
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据分析的用电性质认证方法，所述方法包括数据清洗和抽取；根据抽取的数据使用联机分析处理系统建立多维客户分析模型；依据不同的时间单位构建各用电类别的整体趋势模型；依据不同的时间单位构建用户各个用电类别的趋势模型；比较各用电类别的整体趋势模型与用户趋势模型；判定用户的用电类别；通过决策树数据挖掘算法对数据进行分类；根据两种分类方法的相同结果确定问题用户。本发明用于查找用电用户中是否存在使用非居民用电类型用户在执行居民用电，将这些问题用户进行查筛，以达到改进和完善用户用管理系统的目的。
Description
技术领域
本发明涉及一种基于大数据分析的用电性质认证方法。
背景技术
电力数据一般来讲，主要是由结构化和非结构化数据构成，随着智能电网建设和物联网的应用，非结构化数据呈现出快速增长的势头。电力数据的特性主要是五大特性：数据量大、处理速度快、数据类型多、价值大和精确性高。通过电力大数据分析，对电力数据进行分析挖掘，能够得到可用信息，然后将可用信息通过可视化工具展现出来。
由于现有的电力数据种类多，数据采集方式多样，对于不同用户的用电情况和用电性质界定不清晰，因此出现了非居民用户执行居民电价的现象，损害了供电公司的经济效益，因此现有的营销数据分析系统和方法需要进一步改进和完善。
发明内容
本发明提供一种基于大数据分析的用电性质认证方法，用于查找用电用户中是否存在使用非居民用电类型用户在执行居民用电，将这些问题用户进行查筛，以达到改进和完善用户用管理系统的目的。
本发明为解决其技术问题采用的技术方案是：
一种基于大数据分析的用电性质认证方法，包括以下步骤：
S1：数据清洗和抽取；
S2：根据抽取的数据使用联机分析处理系统建立多维客户分析模型；
S3：依据不同的时间单位构建各用电类别的整体趋势模型；
S4：依据不同的时间单位构建用户各个用电类别的趋势模型；
S5：比较各用电类别的整体趋势模型与用户趋势模型；
S6：判定用户的用电类别；
S7：通过决策树数据挖掘算法对数据进行分类；
S8：根据两种分类方法的相同结果确定问题用户。
进一步，其中所述步骤S2具体包括：
S21：依据模型要求选取模型维度，包括时间、地域、用电类别；
S22：依据模型维度细分模型指标，时间维度上分为月、周、天三个指标；地域维度上分为区局、供电单位、地区类型；用电类别维度上分为大工业用电、一般工业用电、商业用电、居民生活用电；
S23：将数据库的数据按照模型指标分类，构建模型的层级关系，形成分类表。
进一步，其中所述步骤S3具体包括：
S31：依据大工业用电、一般工业用电、商业用电和居民生活用电将数据分类；
S32：计算大工业用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整天用电量的占比；
S33：计算一般工业用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S34：计算商业用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S35：计算居民生活用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S36：将不同时间单位的占比绘制成图，得到不同用电类别用户用电的时间趋势。
进一步，其中所述步骤S4具体包括：
S41：依据大工业用电、一般工业用电、商业用电用户和居民生活将用户用电数据分类；
S42：计算用户的大工业用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S43：计算用户的一般工业用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S44：计算用户的商业用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S45：计算用户的居民生活用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S46：将不同时间单位的占比绘制成图，得到用户不同用电类别用电的时间趋势。
进一步，其中所述步骤S5具体包括：
S51：计算大工业用电的整体趋势与用户趋势在每一时间单位上时间点的欧氏距离；
S52：计算一般工业用电的整体趋势与用户趋势在每一时间单位上时间点的欧氏距离；
S53：计算商业用电的整体趋势与用户趋势在每一时间单位上时间点的欧氏距离；
S54：计算居民生活用电的整体趋势与用户趋势在每一时间单位上时间点的欧氏距离。
进一步，其中所述步骤S6具体包括：
S61：对大工业用电各时间单位上的欧氏距离进行加权求和，得到综合值；
S62：对一般工业用电各时间单位上的欧氏距离进行加权求和，得到综合值；
S63：对商业用电各时间单位上的欧氏距离进行加权求和，得到综合值；
S64：对居民生活用电各时间单位上的欧氏距离进行加权求和，得到综合值；
S65：通过各用电类别的综合值进行比较，判定用户的用电类别。
进一步，其中所述步骤S7具体包括：
S71：字段选取；
S72：指标带入和建立模型；
S73：查询模型结果；
S74：模型评价和打分。
本发明的有益效果是：采用单一用户的用电趋势与整体用电趋势的拟合分类思想与决策树分类思想相结合的思路。依据统计学的基本假设，样本量越大，样本的分布形态越趋近于正态分布。通过对数据库的数据进行清洗和整理，建立各种用电类别的在时间上的趋势，了解每种用电类别的用电特性，从而发现区域内各种产业集群的用电规律；默认整体的用电规律是正确的，具有足够代表性的优良趋势，将不符合整体用电趋势的用户挑选出来，甄别出使用居民用电价格的其他用电类别用户。
附图说明
以下结合附图和实例对本发明作进一步说明。
图1是本发明的总体流程示意图；
图2是本发明的步骤S2的流程示意图；
图3是本发明的步骤S3的流程示意图；
图4是本发明的步骤S4的流程示意图；
图5是本发明的步骤S5的流程示意图；
图6是本发明的步骤S5的流程示意图；
图7是本发明的步骤S7的流程示意图。
具体实施方式
参照图1，本发明一种基于大数据分析的用电性质认证方法，包括以下步骤：
S1：数据清洗和抽取；
S2：根据抽取的数据使用联机分析处理系统建立多维客户分析模型；
S3：依据不同的时间单位构建各用电类别的整体趋势模型；
S4：依据不同的时间单位构建用户各个用电类别的趋势模型；
S5：比较各用电类别的整体趋势模型与用户趋势模型；
S6：判定用户的用电类别；
S7：通过决策树数据挖掘算法对数据进行分类；
S8：根据两种分类方法的相同结果确定问题用户。
参照图2，所述步骤S2具体包括：
S21：依据模型要求选取模型维度，包括时间、地域、用电类别；
S22：依据模型维度细分模型指标，时间维度上分为月、周、天三个指标；地域维度上分为区局、供电单位、地区类型；用电类别维度上分为大工业用电、一般工业用电、商业用电、居民生活用电；
S23：将数据库的数据按照模型指标分类，构建模型的层级关系，形成分类表。
参照图3，所述步骤S3具体包括：
S31：依据大工业用电、一般工业用电、商业用电和居民生活用电将数据分类；
S32：计算大工业用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整天用电量的占比；
S33：计算一般工业用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S34：计算商业用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S35：计算居民生活用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S36：将不同时间单位的占比绘制成图，得到不同用电类别用户用电的时间趋势。
参照图4，所述步骤S4具体包括：
S41：依据大工业用电、一般工业用电、商业用电用户和居民生活将用户用电数据分类；
S42：计算用户的大工业用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S43：计算用户的一般工业用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S44：计算用户的商业用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S45：计算用户的居民生活用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S46：将不同时间单位的占比绘制成图，得到用户不同用电类别用电的时间趋势。
参照图5，所述步骤S5具体包括：
S51：计算大工业用电的整体趋势与用户趋势在每一时间单位上时间点的欧氏距离；
S52：计算一般工业用电的整体趋势与用户趋势在每一时间单位上时间点的欧氏距离；
S53：计算商业用电的整体趋势与用户趋势在每一时间单位上时间点的欧氏距离；
S54：计算居民生活用电的整体趋势与用户趋势在每一时间单位上时间点的欧氏距离。
参照图6，所述步骤S6具体包括：
S61：对大工业用电各时间单位上的欧氏距离进行加权求和，得到综合值；
S62：对一般工业用电各时间单位上的欧氏距离进行加权求和，得到综合值；
S63：对商业用电各时间单位上的欧氏距离进行加权求和，得到综合值；
S64：对居民生活用电各时间单位上的欧氏距离进行加权求和，得到综合值；
S65：通过各用电类别的综合值进行比较，判定用户的用电类别。
参照图7，所述步骤S7具体包括：
S71：字段选取；
S72：指标带入和建立模型；
S73：查询模型结果；
S74：模型评价和打分。
本发明根据单一用户的用电趋势与整体用电趋势的拟合分类思想与决策树分类思想相结合的思路。依据统计学的基本假设，样本量越大，样本的分布形态越趋近于正态分布。通过对数据库的数据进行清洗和整理，建立各种用电类别的在时间上的趋势，了解每种用电类别的用电特性，从而发现区域内各种产业集群的用电规律。默认整体的用电规律是正确的，具有足够代表性的优良趋势，将不符合整体用电趋势的用户挑选出来，甄别出使用居民用电价格的其他用电类别用户。
决策树采用的是自顶向下的递归方式，在决策树的内部结点进行属性值的比较，并根据不同的属性值判断从该结点向下的分支，在决策树的叶结点得到结论。为了区分用户的用电类别，将决策树的算法思想应用于用电客户的甄别中。
通过建立的用电类别分类决策树模型，可以看出其最终的分类结果，它在满足不同的规则条件时，所分类的结果也是不相同的，其对应的置信度和支持度越高，说明其分类结果的精确度高，反之，置信度和支持度低，说明分类结果的精确度低。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。
Claims (7)
1.一种基于大数据分析的用电性质认证方法，其特征在于，包括以下步骤：
S1：数据清洗和抽取；
S2：根据抽取的数据使用联机分析处理系统建立多维客户分析模型；
S3：依据不同的时间单位构建各用电类别的整体趋势模型；
S4：依据不同的时间单位构建用户各个用电类别的趋势模型；
S5：比较各用电类别的整体趋势模型与用户趋势模型；
S6：判定用户的用电类别；
S7：通过决策树数据挖掘算法对数据进行分类；
S8：根据两种分类方法的相同结果确定问题用户。
2.根据权利要求1所述的一种基于大数据分析的用电性质认证方法，其特征在于，其中所述步骤S2具体包括：
S21：依据模型要求选取模型维度，包括时间、地域、用电类别；
S22：依据模型维度细分模型指标，时间维度上分为月、周、天三个指标；地域维度上分为区局、供电单位、地区类型；用电类别维度上分为大工业用电、一般工业用电、商业用电、居民生活用电；
S23：将数据库的数据按照模型指标分类，构建模型的层级关系，形成分类表。
3.根据权利要求1所述的一种基于大数据分析的用电性质认证方法，其特征在于，其中所述步骤S3具体包括：
S31：依据大工业用电、一般工业用电、商业用电和居民生活用电将数据分类；
S32：计算大工业用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整天用电量的占比；
S33：计算一般工业用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S34：计算商业用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S35：计算居民生活用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S36：将不同时间单位的占比绘制成图，得到不同用电类别用户用电的时间趋势。
4.根据权利要求1所述的一种基于大数据分析的用电性质认证方法，其特征在于，其中所述步骤S4具体包括：
S41：依据大工业用电、一般工业用电、商业用电用户和居民生活将用户用电数据分类；
S42：计算用户的大工业用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S43：计算用户的一般工业用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S44：计算用户的商业用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S45：计算用户的居民生活用电在各月份每日用电量与整月用电量的占比、各月份每小时用电量与整月用电量的占比、各周每天用电量与整周用电量的占比、各周每小时用电量与整周用电量的占比、每天每小时用电量与整体用电量的占比；
S46：将不同时间单位的占比绘制成图，得到用户不同用电类别用电的时间趋势。
5.根据权利要求1-4任一所述的一种基于大数据分析的用电性质认证方法，其特征在于，其中所述步骤S5具体包括：
S51：计算大工业用电的整体趋势与用户趋势在每一时间单位上时间点的欧氏距离；
S52：计算一般工业用电的整体趋势与用户趋势在每一时间单位上时间点的欧氏距离；
S53：计算商业用电的整体趋势与用户趋势在每一时间单位上时间点的欧氏距离；
S54：计算居民生活用电的整体趋势与用户趋势在每一时间单位上时间点的欧氏距离。
6.根据权利要求5所述的一种基于大数据分析的用电性质认证方法，其特征在于，其中所述步骤S6具体包括：
S61：对大工业用电各时间单位上的欧氏距离进行加权求和，得到综合值；
S62：对一般工业用电各时间单位上的欧氏距离进行加权求和，得到综合值；
S63：对商业用电各时间单位上的欧氏距离进行加权求和，得到综合值；
S64：对居民生活用电各时间单位上的欧氏距离进行加权求和，得到综合值；
S65：通过各用电类别的综合值进行比较，判定用户的用电类别。
7.根据权利要求1所述的一种基于大数据分析的用电性质认证方法，其特征在于，其中所述步骤S7具体包括：
S71：字段选取；
S72：指标带入和建立模型；
S73：查询模型结果；
S74：模型评价和打分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610118312.1A CN105809573A (zh) | 2016-03-02 | 2016-03-02 | 一种基于大数据分析的用电性质认证方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610118312.1A CN105809573A (zh) | 2016-03-02 | 2016-03-02 | 一种基于大数据分析的用电性质认证方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105809573A true CN105809573A (zh) | 2016-07-27 |
Family
ID=56466597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610118312.1A Pending CN105809573A (zh) | 2016-03-02 | 2016-03-02 | 一种基于大数据分析的用电性质认证方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105809573A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106408183A (zh) * | 2016-09-09 | 2017-02-15 | 国家电网公司 | 供电指标调控方法 |
| CN107688958A (zh) * | 2017-07-14 | 2018-02-13 | 国网浙江省电力公司 | 一种基于多表集抄数据的用户用能异常分析方法 |
| CN108492134A (zh) * | 2018-03-07 | 2018-09-04 | 国网四川省电力公司 | 基于多周期回归树集成的大数据用户用电行为分析系统 |
| CN108776939A (zh) * | 2018-06-07 | 2018-11-09 | 上海电气分布式能源科技有限公司 | 用户用电行为的分析方法及系统 |
| CN110826859A (zh) * | 2019-10-12 | 2020-02-21 | 深圳供电局有限公司 | 一种基于日电量远程识别用户用电性质的方法及系统 |
| CN111222556A (zh) * | 2019-12-31 | 2020-06-02 | 中国南方电网有限责任公司 | 一种基于决策树算法识别用电类别的方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104951989A (zh) * | 2014-03-26 | 2015-09-30 | 国家电网公司 | 一种窃电分析方法及系统 |
| CN104992239A (zh) * | 2015-06-24 | 2015-10-21 | 国网山东省电力公司电力科学研究院 | 一种基于相关系数的行业用电量规律预测方法 |
| CN105260803A (zh) * | 2015-11-06 | 2016-01-20 | 国家电网公司 | 一种系统用电量预测方法 |
-
2016
- 2016-03-02 CN CN201610118312.1A patent/CN105809573A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104951989A (zh) * | 2014-03-26 | 2015-09-30 | 国家电网公司 | 一种窃电分析方法及系统 |
| CN104992239A (zh) * | 2015-06-24 | 2015-10-21 | 国网山东省电力公司电力科学研究院 | 一种基于相关系数的行业用电量规律预测方法 |
| CN105260803A (zh) * | 2015-11-06 | 2016-01-20 | 国家电网公司 | 一种系统用电量预测方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106408183A (zh) * | 2016-09-09 | 2017-02-15 | 国家电网公司 | 供电指标调控方法 |
| CN107688958A (zh) * | 2017-07-14 | 2018-02-13 | 国网浙江省电力公司 | 一种基于多表集抄数据的用户用能异常分析方法 |
| CN107688958B (zh) * | 2017-07-14 | 2020-09-18 | 国网浙江省电力公司 | 一种基于多表集抄数据的用户用能异常分析方法 |
| CN108492134A (zh) * | 2018-03-07 | 2018-09-04 | 国网四川省电力公司 | 基于多周期回归树集成的大数据用户用电行为分析系统 |
| CN108776939A (zh) * | 2018-06-07 | 2018-11-09 | 上海电气分布式能源科技有限公司 | 用户用电行为的分析方法及系统 |
| CN110826859A (zh) * | 2019-10-12 | 2020-02-21 | 深圳供电局有限公司 | 一种基于日电量远程识别用户用电性质的方法及系统 |
| CN111222556A (zh) * | 2019-12-31 | 2020-06-02 | 中国南方电网有限责任公司 | 一种基于决策树算法识别用电类别的方法及系统 |
| CN111222556B (zh) * | 2019-12-31 | 2023-12-05 | 中国南方电网有限责任公司 | 一种基于决策树算法识别用电类别的方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105809573A (zh) | 一种基于大数据分析的用电性质认证方法 | |
| CN110223168B (zh) | 一种基于企业关系图谱的标签传播反欺诈检测方法及系统 | |
| CN106022509B (zh) | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 | |
| CN109492667A (zh) | 一种用于非侵入式电力负荷监测的特征选择辨识方法 | |
| CN109389180A (zh) | 一款基于深度学习的电力设备图像识别方法及巡查机器人 | |
| CN110781332A (zh) | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 | |
| Ahalya et al. | Data clustering approaches survey and analysis | |
| CN106646158A (zh) | 基于多分类支持向量机变压器故障诊断提升方法 | |
| CN104820724B (zh) | 文本类教育资源知识点预测模型获得方法及模型应用方法 | |
| CN110533116A (zh) | 基于欧式距离的自适应集成的不平衡数据分类方法 | |
| CN103838754A (zh) | 信息搜索装置及方法 | |
| Ferraro et al. | Comparison and clustering analysis of the daily electrical load in eight European countries | |
| Quintana et al. | Islands of misfit buildings: Detecting uncharacteristic electricity use behavior using load shape clustering | |
| CN104765839A (zh) | 一种基于属性间相关系数的数据分类方法 | |
| CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
| CN108573228A (zh) | 一种输电线路异物入侵监测方法及装置 | |
| CN103942606A (zh) | 基于果蝇智能优化算法的居民用电客户细分方法 | |
| CN107729377A (zh) | 基于数据挖掘的顾客分类方法与系统 | |
| CN115794803A (zh) | 一种基于大数据ai技术的工程审计问题监测方法与系统 | |
| CN110365603A (zh) | 一种基于5g网络能力开放的自适应网络流量分类方法 | |
| CN104899602A (zh) | 一种基于K-means算法的用户聚类分析系统 | |
| CN109460849A (zh) | 一种基于智能算法的用户用电偏差分析方法 | |
| Bi et al. | Crowd intelligence: Conducting asymmetric impact-performance analysis based on online reviews | |
| CN107767037A (zh) | 一种用户用电构成解析方法 | |
| CN108596227A (zh) | 一种用户用电行为主导影响因素挖掘方法 |
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: 20160727 |