CN107578149A - 一种电网企业关键数据分析方法 - Google Patents
一种电网企业关键数据分析方法 Download PDFInfo
- Publication number
- CN107578149A CN107578149A CN201710704564.7A CN201710704564A CN107578149A CN 107578149 A CN107578149 A CN 107578149A CN 201710704564 A CN201710704564 A CN 201710704564A CN 107578149 A CN107578149 A CN 107578149A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- value
- data
- power grid
- 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.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电网企业关键数据分析方法。针对Apriori算法频繁扫描数据库的问题，国内外学者在此方面进行了大量的研究工作，但仍存在较多问题。本发明包括建立电网企业运营绩效指标检测体系、基于蒙特卡罗模拟方法设置动态阈值调整和采用改进型Apriori算法量化数据组之间关联关系；采用改进型Apriori算法量化数据组之间关联关系的过程包括改进型Apriori算法挖掘频繁项，即通过改进Apriori算法，挖掘候选集中的频繁项。本发明可以有效地通过基础变化数据对企业运营的评价指标数据进行分析，有效提高了计算效率。
Description
技术领域
本发明涉及数据挖掘领域，具体地说是一种基于改进Apriori算法和蒙特卡洛模拟的电网企业关键数据分析方法。
背景技术
随着电力行业的信息化发展，电网企业运营的数据也得到了快速增长，对电力大数据进行研究对电能资源的优化配置，能源效率水平的提升，电网企业运营利润率的提高有重要意义。电力大数据在电网运营方面的价值在于挖掘运营数据之间的关系和规律，以满足企业电力生产和经营管理的需要；构建能够反应企业运行状况的核心指标和能够支撑核心指标提升的关联性指标。数据挖掘作为从大数据中提取有效信息的方法，被越来越多的应用在各行各业，主要指的是发现数据库中的隐藏信息和潜在模式。作为数据挖掘最重要的分支之一，关联性算法一般包含两个方向：1)通过预定义的阈值筛选出频繁项；2)生成满足置信度要求的关联规则。
Apriori算法是挖掘关联规则的常见重要算法，主要通过预定义数据组之间的最小支持度和最小置信度值，筛选出数据组满足阈值条件的频繁项，并根据频繁项之间的支持度和置信度，对数据组之间的关联关系进行进一步的量化。虽然经典Apriori算法的表现比不上现有的最新深度优先搜索方法，但是其仍然被认为是最重要的关联性挖掘算法。因为Apriori算法基本思想是寻找给定数据集中所有频繁项，这种通用的思想和操作办法可以应用在任何数据库中的关联性挖掘中。而深度优先搜索算法则既受到所构建FP-tree的结构复杂性制约，又受到记录节点的物理存储消耗的限制。
近年来也有许多国内外学者在此方面进行了大量的研究工作，针对Apriori算法频繁扫描数据库的问题，Park等人提出了直接散列和修建算法(Direct Hashing andPruning)算法，其利用散列(hash)的方法来产生候选集，但是当数据库中项目集数量较多时，哈希表的生成效率会因计算量而大幅下降。Toivonen通过采样(sampling)产生候选集，虽然采样可以有效的实现频繁项的抽取，但是由于采样过程的随机性，很容易造成数据的关联规则挖掘不完善。Don和Han等人提出BitTableFI算法，具体操作为将数据库压缩在BitTable中，因此候选集项的选取和支持度的计算都可以根据BitTable特殊的数据结构快速实现。Bhandari等人将FP-tree方法与Apriori算法相结合，提出了I-Apriori算法，其主要思想是在搜寻候选频繁项时所扫描减少事物集的数目，以达到节约时间的目的。Zhao等人提出了基于位表的频繁项挖掘算法BITXOR，通过二进制序列来表示数据项。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的缺陷，提供一种基于改进Apriori算法和蒙特卡洛模拟的电网企业关键数据分析方法，以有效提高计算效率，得出对结果型数据影响较大的数据为目的。
为此，本发明采用如下的技术方案：一种电网企业关键数据分析方法，包括建立电网企业运营绩效指标检测体系、基于蒙特卡罗模拟方法设置动态阈值调整和采用改进型Apriori算法量化数据组之间关联关系；
采用改进型Apriori算法量化数据组之间关联关系的过程包括改进型Apriori算法挖掘频繁项，所述的改进型Apriori算法挖掘频繁项包括以下步骤：
1)仅对数据库进行一次扫描，对每一个项目得到事物项标识；
2)计算所有项在Lk-1中出现的次数，删除小于k-1的项，将剩余项保存为候选集Ck；
3)在事物项标识集Lk-1和L1下，分别计算候选集Ck的支持度；
4)迭代次数达到|Lk|≤k时，停止算法迭代。
经过频繁项计算，得到对利润总额支持度预定阈值以上的项目(假设为80％)。为进一步验证所得结果正确性，采用皮尔逊积矩相关系数分析为对比算法，结果与本发明所提出改进型Apriori算法运行结果基本相同。
进一步地，建立电网企业运营绩效指标检测体系的过程如下：
将企业运行指标分为结果型数据和驱动型数据，针对具体指标，以评价指标为结果型数据，选取基础资源和市场状况为驱动型数据，参考平衡记分卡理论，对企业运行状况体系进行分类，主要分为：基础资源、市场状况、运营指标和评价指标，各类选取十项基础数据，得指标分类图。
进一步地，基于蒙特卡罗模拟方法设置动态阈值调整的过程如下：设利润总额为关键指标，根据某年1月到12月的具体数值计算其变化率，同时计算其他指标的变化率，可得基础项目集X＝{x1,x2,…,xi}，其中i＝11，xi＝{s2,s3,…,s40}为候选集。
再进一步地，对数据进行无量纲化处理：
其中，max(X)和min(X)分别表示项目集X的最大值和最小值，在运营监测指标阈值设定方法上采用历史值加权与蒙特卡洛模拟混合的方法进行分析，对不同核心指标的预警阈值进行确定。
在历史值加权上，为反映企业更容易受到近期运营状态的影响，对近期历史数据赋予较高权重，对远期历史数据赋予较低权重；在选取不容许值和满意值时考虑到时间因素，决定以最低值作为不容许值，以次大值为满意值，再结合权重分别将数据控制在阈值以上，保证了数据的合理性。
所述运营监测指标阈值设定方法的具体步骤如下：
b1)设定各年权重范围及权重的分布函数，通过蒙特卡洛模拟对未来的指标阈值进行确定；
b2)通过设定权值范围以及权值的分布函数，进行m次模拟；
b3)对各年的权值进行归一化处理，得到各年的权重，即：
式中，αi表示对第i年的历史数据所预设的权值，λi表示各年权值经过归一化后的第i年的权值结果；
B4)再结合历史数据的无量纲化值，得到该次模拟的指标阈值，即：
式中，λi的含义同上，di表示功效模拟系数，y为所得的模拟指标阈值，功效模拟系数di的定义如下：
X1表示指标的满意值，X0表示指标的不容许值上限，Xi表示指标的实际值。
b5)绘制次模拟的指标阈值分布图，通过对阈值分布图的分析，以模拟结果最小值为阈值下限，以模拟结果最大值为阈值上限，以模拟结果均值作为阈值最可能值。
进一步地，采用改进型Apriori算法量化数据组之间关联关系的具体过程如下：
根据设定阈值，计算所得数据组所定义的最小支持度和最小置信度，采用改进型Apriori算法挖掘频繁项过程，筛选出对结果型数据影响较大的数据。改进型Apriori算法挖掘频繁项过程是指通过改进Apriori算法，挖掘候选集xi中的频繁项。
本发明通过总结上述已有关联规则Apriori算法的优点，提出一种改进型Apriori算法，从三个方面提高了算法效率：1)避免了频繁扫描数据库；2)缩减了候选集项的数量；3)加速了联合和修改的过程；并将其应用在电网企业运营数据关联性分析中，对比现有Apriori算法，本发明所提出算法有较高的效率；并且为了验证本算法所得数据库中项目之间的相关性，对比现有灰色关联度算法和经验分析法，验证了本算法在提取影响电力企业运营过程中关键数据的有效性。
实验证明，该算法可以有效地通过基础变化数据对企业运营的评价指标数据进行分析。
附图说明
图1是本发明对企业运行状况体系进行分类后，各类选取十项基础数据，得到的指标分类图；
图2是本发明对数据样本进行处理后的交叉相关系数图；
图3是本发明对数据样本进行处理后的交叉相关系数的平面高层图；
图4是本发明的流程图。
具体实施方式
如图所示的一种基于改进Apriori算法和蒙特卡洛模拟的电网企业关键数据分析方法，包括建立电网企业运营绩效指标检测体系、基于蒙特卡罗模拟方法设置动态阈值调整、采用改进型Apriori算法量化数据组之间关联关系三个过程。
a)建立电网企业运营绩效指标检测体系过程：将企业运行指标按照分为结果型数据和驱动型数据，针对利润总额、资产总额、购电成本、单位资产售电量、电网投资、交流线路长度等55项具体指标，以利润总额等评价指标为结果型数据，选取基础资源、市场状况等为驱动型数据，参考平衡记分卡理论，对企业运行状况体系进行分类，主要可分为：基础资源、市场状况、运营指标、评价指标四类。各类选取十项基础数据，可得指标分类图。
b)基于蒙特卡罗模拟方法设置动态阈值调整过程
设利润总额为关键指标，根据某年1月到12月的具体数值计算其变化率，同时计算其他指标的变化率，可得基础项目集X＝{x1,x2,…,xi}，其中i＝11，xi＝{s2,s3,…,s40}为候选集。首先对数据进行无量纲化处理：
其中，max(X)和min(X)分别表示项目集X的最大值和最小值。在运营监测指标阈值设定方法上采用历史值加权与蒙特卡洛模拟混合的方法进行分析，对不同核心指标的预警阈值进行确定。在对历史数据设定权重上，为反映企业更容易受到近期运营状态的影响，对近期历史数据赋予较高权重，对远期历史数据赋予较低权重。在选取不容许值和满意值时考虑到时间因素，决定以最低值作为不容许值，以次大值为满意值，再结合权重分别就可以将数据控制在阈值以上，保证了数据的合理性。
b1)设定各年权重范围及权重的分布函数，通过蒙特卡洛模拟对未来的指标阈值进行确定。设定各年权重范围规定如表1所示。
表1部分候选项集样本数据
b2)通过设定权值范围以及权值的分布函数，进行m次模拟，假定某次模拟的结果如表2所示。
表2通过改进Apriori算法得出的企业运营评价指标相关性结果
b3)对各年的权值进行归一化处理可以得到各年的权重，即：
其中αi表示对第i年的历史数据所预设的权值，λi表示各年权值经过归一化后的第i年的权值结果。
b4)再结合历史数据的无量纲化值，可以得到该次模拟的指标阈值，即:
其中λi的含义同上，di表示功效模拟系数，y为所得的模拟指标阈值，功效模拟系数di的定义如下：
X1表示指标的满意值，X0表示指标的不容许值上限，Xi表示指标的实际值。
b5)绘制次模拟的指标阈值分布图，通过对阈值分布图的分析，以模拟结果最小值为阈值下限，以模拟结果最大值为阈值上限，以模拟结果均值作为阈值最可能值。
c)采用改进型Apriori算法量化数据组之间关联关系过程
根据设定阈值，计算所得数据组所定义的最小支持度和最小置信度，采用改进型Apriori算法挖掘频繁项过程，筛选出对结果型数据影响较大的数据，以便管理层对企业运营状况进行管理和决策。改进型Apriori算法挖掘频繁项过程：通过改进Apriori算法，挖掘候选集xi中的频繁项。
改进型Apriori算法挖掘频繁项过程包括以下步骤：
c1)仅对数据库进行一次扫描，对每一个项目得到事物项标识(TID)；
c2)计算所有项在Lk-1中出现的次数，删除小于k-1的项，将剩余项保存为候选集Ck；
c3)在事物标识集Lk-1和L1下，分别计算候选集Ck的支持度；
c4)迭代次数达到|Lk|≤k时，停止算法迭代。
经过频繁项计算，得到对利润总额支持度预定阈值以上的项目(假设为80％)。为进一步验证所得结果正确性，采用皮尔逊积矩相关系数分析为对比算法，结果与本发明所提出改进型Apriori算法运行结果基本相同。
根据皮尔逊积距相关系数，对数据样本进行处理，可以计算得出交叉相关系数。其中，0.8≤|ρxy|≤1为强相关，|ρxy|≤0.2为无相关。并且由平面高层图可以看出，相关性较大的数据项较为集中。其中，强相关的项目有购电成本与售电量，相关性为0.916；流动资金周转率与主营业务利润率，相关性为0.831；利润总额与输配电单位供电成本，相关性为-0.851等。其中与利润总额有关的项目，按强相关性排序分别为：售电量，购电成本，主营利润率，此结果与本发明所提出改进型Apriori算法运行结果基本相同。
设利润总额为关键指标，根据某年1月到12月的具体数值计算其变化率，同时计算其他指标的变化率，可得基础项目集X＝{x1,x2,…,xi}，其中i＝11，xi＝{s2,s3,…,s40}为候选集。首先对数据进行无量纲化处理。通过改进Apriori算法，挖掘候选集xi中的频繁项，部分样本数据如表3，计算结果如表4。从表4可以看出，以各项目变化率为项目集时，与利润总额相关性较高的项目分别为：电网检修运营成本，购电成本，流动资金率，售电量和主营利润率。由于预先设定阈值为0.8，故相关性小于0.8的项目忽略不计。
表3权值范围设定情况
表4权值模拟结果
可明显看出，本发明的改进Apriori算法，在保证计算结果的前提下提高了计算效率，并且应用在电网企业运营数据分析中。结合相关数据处理得到了对企业运营评价指标相关性较大的指标，并且根据传统皮尔逊积距相关系数进行了结果对比。实验结果证明本发明所提算法所得结果较传统算法更全面，可以有效的通过基础变化数据对企业运营的评价指标数据进行分析。
Claims (7)
1.一种电网企业关键数据分析方法，其特征在于，包括建立电网企业运营绩效指标检测体系、基于蒙特卡罗模拟方法设置动态阈值调整和采用改进型Apriori算法量化数据组之间关联关系；
采用改进型Apriori算法量化数据组之间关联关系的过程包括改进型Apriori算法挖掘频繁项，所述的改进型Apriori算法挖掘频繁项包括以下步骤：
1)仅对数据库进行一次扫描，对每一个项目得到事物项标识；
2)计算所有项在Lk-1中出现的次数，删除小于k-1的项，将剩余项保存为候选集Ck；
3)在事物项标识集Lk-1和L1下，分别计算候选集Ck的支持度；
4)迭代次数达到|Lk|≤k时，停止算法迭代。
2.根据权利要求1所述的电网企业关键数据分析方法，其特征在于，建立电网企业运营绩效指标检测体系的过程如下：
将企业运行指标分为结果型数据和驱动型数据，针对具体指标，以评价指标为结果型数据，选取基础资源和市场状况为驱动型数据，参考平衡记分卡理论，对企业运行状况体系进行分类，主要分为：基础资源、市场状况、运营指标和评价指标，各类选取十项基础数据，得指标分类图。
3.根据权利要求1所述的电网企业关键数据分析方法，其特征在于，基于蒙特卡罗模拟方法设置动态阈值调整的过程如下：设利润总额为关键指标，根据某年1月到12月的具体数值计算其变化率，同时计算其他指标的变化率，可得基础项目集X＝{x1,x2,…,xi}，其中i＝11，xi＝{s2,s3,…,s40}为候选集。
4.根据权利要求3所述的电网企业关键数据分析方法，其特征在于，对数据进行无量纲化处理：
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，max(X)和min(X)分别表示项目集X的最大值和最小值，在运营监测指标阈值设定方法上采用历史值加权与蒙特卡洛模拟混合的方法进行分析，对不同核心指标的预警阈值进行确定。
5.根据权利要求4所述的电网企业关键数据分析方法，其特征在于，在历史值加权上，为反映企业更容易受到近期运营状态的影响，对近期历史数据赋予较高权重，对远期历史数据赋予较低权重；在选取不容许值和满意值时考虑到时间因素，决定以最低值作为不容许值，以次大值为满意值，再结合权重分别将数据控制在阈值以上。
6.根据权利要求4所述的电网企业关键数据分析方法，其特征在于，所述运营监测指标阈值设定方法的具体步骤如下：
b1)设定各年权重范围及权重的分布函数，通过蒙特卡洛模拟对未来的指标阈值进行确定；
b2)通过设定权值范围以及权值的分布函数，进行m次模拟；
b3)对各年的权值进行归一化处理，得到各年的权重，即：
<mrow>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>9</mn>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
式中，αi表示对第i年的历史数据所预设的权值，λi表示各年权值经过归一化
后的第i年的权值结果；
b4)再结合历史数据的无量纲化值，得到该次模拟的指标阈值，即：
<mrow>
<mi>y</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>9</mn>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
式中，λi的含义同上，di表示功效模拟系数，y为所得的模拟指标阈值，功效模
拟系数di的定义如下：
<mrow>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>ln</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
X1表示指标的满意值，X0表示指标的不容许值上限，Xi表示指标的实际值。
b5)绘制次模拟的指标阈值分布图，通过对阈值分布图的分析，以模拟结果最小值为阈值下限，以模拟结果最大值为阈值上限，以模拟结果均值作为阈值最可能值。
7.根据权利要求1所述的电网企业关键数据分析方法，其特征在于，采用改进型Apriori算法量化数据组之间关联关系的具体过程如下：
根据设定阈值，计算所得数据组所定义的最小支持度和最小置信度，采用改进型Apriori算法挖掘频繁项过程，筛选出对结果型数据影响较大的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710704564.7A CN107578149B (zh) | 2017-08-16 | 2017-08-16 | 一种电网企业关键数据分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710704564.7A CN107578149B (zh) | 2017-08-16 | 2017-08-16 | 一种电网企业关键数据分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107578149A true CN107578149A (zh) | 2018-01-12 |
| CN107578149B CN107578149B (zh) | 2020-08-11 |
Family
ID=61034582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710704564.7A Active CN107578149B (zh) | 2017-08-16 | 2017-08-16 | 一种电网企业关键数据分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107578149B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108346007A (zh) * | 2018-03-02 | 2018-07-31 | 深圳灵虎至真智能科技有限公司 | 一种基于FP-Growth算法的手机贴标检测数据分析方法 |
| CN109783531A (zh) * | 2018-12-07 | 2019-05-21 | 北京明略软件系统有限公司 | 一种关系发现方法和装置、计算机可读存储介质 |
| CN111047181A (zh) * | 2019-12-09 | 2020-04-21 | 华南理工大学广州学院 | 基于电网监控运营中心核心指标综合效益分析系统 |
| CN111047067A (zh) * | 2018-10-12 | 2020-04-21 | 国家电投集团信息技术有限公司 | 一种实时日利润预测方法和系统 |
| CN112113316A (zh) * | 2020-09-18 | 2020-12-22 | 国网辽宁省电力有限公司电力科学研究院 | 一种空调负荷提取的方法 |
| CN112381654A (zh) * | 2020-11-13 | 2021-02-19 | 国网福建省电力有限公司经济技术研究院 | 一种电网工程投资管理指标关联性分析方法 |
| CN114048925A (zh) * | 2021-11-29 | 2022-02-15 | 国网河北省电力有限公司营销服务中心 | 一种电网综合运营预警方法、装置及终端设备 |
| CN117056869A (zh) * | 2023-10-11 | 2023-11-14 | 轩创(广州)网络科技有限公司 | 一种基于人工智能的电子信息数据关联方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7571151B1 (en) * | 2005-12-15 | 2009-08-04 | Gneiss Software, Inc. | Data analysis tool for analyzing data stored in multiple text files |
| CN103593400A (zh) * | 2013-12-13 | 2014-02-19 | 陕西省气象局 | 一种基于改进Apriori算法的雷电活动数据统计方法 |
-
2017
- 2017-08-16 CN CN201710704564.7A patent/CN107578149B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7571151B1 (en) * | 2005-12-15 | 2009-08-04 | Gneiss Software, Inc. | Data analysis tool for analyzing data stored in multiple text files |
| CN103593400A (zh) * | 2013-12-13 | 2014-02-19 | 陕西省气象局 | 一种基于改进Apriori算法的雷电活动数据统计方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108346007A (zh) * | 2018-03-02 | 2018-07-31 | 深圳灵虎至真智能科技有限公司 | 一种基于FP-Growth算法的手机贴标检测数据分析方法 |
| CN111047067A (zh) * | 2018-10-12 | 2020-04-21 | 国家电投集团信息技术有限公司 | 一种实时日利润预测方法和系统 |
| CN109783531A (zh) * | 2018-12-07 | 2019-05-21 | 北京明略软件系统有限公司 | 一种关系发现方法和装置、计算机可读存储介质 |
| CN111047181A (zh) * | 2019-12-09 | 2020-04-21 | 华南理工大学广州学院 | 基于电网监控运营中心核心指标综合效益分析系统 |
| CN112113316A (zh) * | 2020-09-18 | 2020-12-22 | 国网辽宁省电力有限公司电力科学研究院 | 一种空调负荷提取的方法 |
| CN112113316B (zh) * | 2020-09-18 | 2022-03-11 | 国网辽宁省电力有限公司电力科学研究院 | 一种空调负荷提取的方法 |
| CN112381654A (zh) * | 2020-11-13 | 2021-02-19 | 国网福建省电力有限公司经济技术研究院 | 一种电网工程投资管理指标关联性分析方法 |
| CN114048925A (zh) * | 2021-11-29 | 2022-02-15 | 国网河北省电力有限公司营销服务中心 | 一种电网综合运营预警方法、装置及终端设备 |
| CN117056869A (zh) * | 2023-10-11 | 2023-11-14 | 轩创(广州)网络科技有限公司 | 一种基于人工智能的电子信息数据关联方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107578149B (zh) | 2020-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107578149A (zh) | 一种电网企业关键数据分析方法 | |
| CN103164540B (zh) | 一种专利热点发现与趋势分析方法 | |
| CN106156343B (zh) | 一种深基坑施工方案安全评审知识库以及自动安全评审方法 | |
| CN104573106A (zh) | 一种基于案例推理技术的城市建设智能审批方法 | |
| CN103955542B (zh) | 文本词间完全加权正负关联模式挖掘方法及其挖掘系统 | |
| CN104281525B (zh) | 一种缺陷数据分析方法及利用其缩减软件测试项目的方法 | |
| CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
| CN112417176B (zh) | 基于图特征的企业间隐性关联关系挖掘方法、设备及介质 | |
| CN114969953B (zh) | 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备 | |
| CN108011367A (zh) | 一种基于深度决策树算法的电力负荷特性挖掘方法 | |
| WO2021128523A1 (zh) | 一种基于科技大数据的技术成熟度判断方法和系统 | |
| CN105005878B (zh) | 一种坚强智能电网的综合评估方法 | |
| Wang et al. | Evaluating green development level of mineral resource-listed companies: Based on a “dark green” assessment framework | |
| He et al. | Interval efficiency improvement in DEA by using ideal points | |
| CN104239722A (zh) | 一种基于因素间相关关系识别的预测方法 | |
| CN104484571A (zh) | 一种基于边缘距离排序的集成学习机修剪方法及系统 | |
| CN101976307A (zh) | 印染流程污水监测指标时间约束关联规则挖掘算法 | |
| CN115796702A (zh) | 一种红壤土地综合治理生态修复成效的评估方法及系统 | |
| Wang | Construction of Risk Evaluation Index System for Power Grid Engineering Cost by Applying WBS‐RBS and Membership Degree Methods | |
| CN103353895A (zh) | 一种配电网线损数据的预处理方法 | |
| WO2020259391A1 (zh) | 一种数据库脚本性能测试的方法及装置 | |
| CN102789598A (zh) | 一种以机器特征属性为区间数的作业车间瓶颈识别方法 | |
| CN107093018A (zh) | 基于健康模型的电信工程项目信息可视化方法及装置 | |
| Yu et al. | Decision tree method in financial analysis of listed logistics companies | |
| Mazloev et al. | Problems of spatial development of the agro-industrial complex of the Krasnoyarsk Region |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |