CN108764584A - 一种企业电能替代潜力评估方法 - Google Patents
一种企业电能替代潜力评估方法 Download PDFInfo
- Publication number
- CN108764584A CN108764584A CN201810581027.2A CN201810581027A CN108764584A CN 108764584 A CN108764584 A CN 108764584A CN 201810581027 A CN201810581027 A CN 201810581027A CN 108764584 A CN108764584 A CN 108764584A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- substitutes
- electric energy
- data
- model
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 21
- 230000005611 electricity Effects 0.000 claims abstract description 48
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 238000011478 gradient descent method Methods 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000010008 shearing Methods 0.000 claims description 8
- 238000002407 reforming Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 2
- 238000011835 investigation Methods 0.000 abstract description 11
- 201000004569 Blindness Diseases 0.000 abstract description 3
- 238000009412 basement excavation Methods 0.000 abstract description 2
- 230000010354 integration Effects 0.000 abstract description 2
- 230000035515 penetration Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种企业电能替代潜力评估方法,及一种评估方法。目前,企业电能替代潜力评估往往采用人工排查的方式,当前客户经理在电能替代企业排查中盲目性大、走访效率低和信息整合共享能力差。本发明包括步骤:指标初选;指标分析;指标确定;电能替代企业潜力模型构建;根据确定的电能替代潜力企业预测模型,进行电能替代潜在企业预测结果输出,定位高电能替代潜力企业客户。本技术方案以用能识别为切入点,分析高耗能且使用非电能源较多的设备所处的行业来定位电能替代重点挖掘行业,寻找企业电能替代改造前后的用电差异,促使客户经理对企业电能替代意愿的排查工作更具有针对性,提高电能替代排查的成功率。
Description
技术领域
本发明涉及一种评估方法,尤其涉及一种企业电能替代潜力评估方法。
背景技术
企业电能替代潜力评估往往采用人工排查的方式,当前客户经理在电能替代企业排查中盲目性大、走访效率低和信息整合共享能力差。
发明内容
本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进,提供一种企业电能替代潜力评估方法,以达到提高排查的针对性和效率目的。为此,本发明采取以下技术方案。
一种企业电能替代潜力评估方法,包含以下步骤:
1)指标初选,根据电能替代企业摸排结果,获取建模所需目标数据群,并对获取的数据进行数据的预处理,初步选取建模指标;
从企业的基础信息、用电信息、负荷特征和行业信息四个维度提炼10个指标进行模型构建,分别为户龄、用电电压、过去一年总用电量、近三个月峰电量占比、近三个月平均负荷率、日最大负荷出现时段、企业景气度、行业景气度、最大平均负荷率和行业平均运行容量;
2)指标分析,按照行业进行细分,根据每个行业已改造与未改造企业指标对比,分析指标对电能替代企业的分类贡献;计算改造前后的负荷曲线相关性,筛选相关性低于域值的企业作为改造正样本,从未改造的企业中筛选一部分作为负样本,进行分类训练;
3)指标确定
根据确定的建模指标,对数据宽表进行预处理,对源数据里面的字段值进行规范化,使得不同指标之间的数量级差距不影响结果;
4)电能替代企业潜力模型构建
401)输出根据已确定建模指标,随机筛选样本集中一部分作为训练集,另一部分作为测试集,利用logistic,逻辑回归算法,构建电能替代企业预测模型;
402)输出模型,基于Logistic逻辑回归算法,对训练集进行训练和学习生成电能替代潜力企业客户预测模型系数结果并获得各指标对模型的影响程度及预测混淆矩阵;
403)根据训练集模型预测结果,将模型应用到测试集上进行模型测试,判断训练集和测试集的预测效果是否达到了理想效果,若是,则确定该模型为电能替代潜力企业预测模型,否则,返回步骤1)重新调整数据和指标进行模型的构建;
5)根据确定的电能替代潜力企业预测模型,进行电能替代潜在企业预测结果输出,定位高电能替代潜力企业客户。
根据随机抽样技术:在步骤401)中,随机筛选样本集中70%作为训练集,30%作为测试集。
作为标签应用方式:还包括标签构建步骤,根据收集营销系统用采集系统的业务系统数据,发现企业特征,提炼企业电能替代潜力标签,构建客户标签库,向业务系统提供标签应用。
构建标签应用体系:电能替代潜力标签应用体系分为数据汇总层,标签层,标签应用层三大层级;
数据汇总层,采集企业分时用电负荷数据、电费电量数据、行业类别数据、行业整体数据,为标签库提供基础数据来源,其采集方式包括数据补录、数据链接配置、ETL;
标签库层,实现标签查询、分析、评估功能,提供组织、存储、管理企业基础信息、电费电量、分时用电负荷数据以及客户标签数据,形成完整的企业全景视图,全方位、多层次、立体化地描述客户,为标签应用提供基础;
标签应用层,提供分析报表、电能替代项目管理平台的输出功能以及在各业务系统的应用。
作为分类预测技术:步骤401)中Logisic逻辑回归为概率型非线性回归模型,是研究二分类观察结果与一些影响因素之间关系的一种多变量分析方法,即某些因素条件下某个结果是否发生及发生的概率。
Logistic函数(或称为Sigmoid函数)具体公式如下:
其中e是自然对数,z为曲线的陡度,
对于线性分类的情况,其边界形式如下:
这儿θ0是常数,θ1,θ2,...θn指变量的系数,x1,x2,...xn是具体变量,在本项目中,变量为能够影响用户电能替代改造预测结果的具体用电指标,包括户龄、用电电压、日用电负荷。
结合(1)、(2)式构造的预测函数为:
其中g(θTx)=g(z),g(θTx)在本课题中即为是否为改造企业的两个结果,是则取1的概率,否则取0的概率,因此上式又可以转化为:
P(y=1|x;θ)=hθ(x) (4)
P(y=0|x;θ)=1-hθ(x) (5)
式(4)、(5)式综合起来可以写成:
P(y|x;θ)=(hθ(x))y(1-hθ(x))1-y (6)
对(6)式取对数,可推导最大似然估计Cost函数为:
这儿Cost损失函数用了最大似然估计,因此Cost值越小,函数越收敛,对模型的估计效果越好。
求Cost函数的最小值可以使用梯度下降法,根据梯度下降法可得θ的更新过程:
通过梯度下降法,(7)式可以写成:
由(9)式可知,当Cost最小时,即为残差(hθ(x(i))-y(i))和最小,整个模型函数与实际结果拟合效果最好。
在对各行业细分后,得到每个行业逻辑回归模型的各项系数,计算
得到的p值即为企业的电能替代潜力值,按照不同的潜力阈值将企业分为A、B、C、D级电能替代潜力企业用户。
数据预处理阶段:在步骤1)中,日最大负荷出现时段分为分0时~6时,6时~12时,12时~18时,18时~24时四个时段,并做哑变量处理。
指标选择体系:在步骤1)中,企业的基础信息包括行业类别和企业户龄;企业的用电信息包括近一年电费电量、近6个月电费电量、近3个月电费电量、近1个月电费电量及电费电量同期占比;负荷特征包括企业运行容量、企业分时用电负荷、企业用电电压、企业是否减容;行业信息包括行业平均用电情况、行业景气程度、行业整体趋势。
模型输出结果:在步骤5)中,输出的信息包括企业替代潜力分级清单、企业画像及推送服务包。
有益效果:本技术方案以用能识别为切入点,分析高耗能且使用非电能源较多的设备所处的行业来定位电能替代重点挖掘行业,通过分析这些设备能耗、生产时段、用电功率等信息来寻找企业电能替代改造前后的用电差异,并确定模型输入指标,以此为依据构建模型。模型输出企业的电能替代潜力值,按照替代值的高低将企业分成A、B、C、D四级替代潜力企业,促使客户经理对企业电能替代意愿的排查工作更具有针对性,提高电能替代排查的成功率。
聚焦高电能替代潜力企业,提升企业电能替代意愿排查效率。客户经理可以有针对性地对企业按照电能替代潜力从高到底依次排查:针对低潜力企业可以放弃走访方式,采用外呼等线上方式进行;针对高潜力用户可以提高排查力度,多次走访,说服企业进行电能替代改造。
附图说明
图1是本发明流程图。
图2是本发明整体架构图。
具体实施方式
以下结合说明书附图对本发明的技术方案做进一步的详细说明。
电能替代是电力企业扩大工业用电需求的重要途径。本技术方案通过分析企业的行业类别、行业景气程度、电费电量和分时用电负荷数据,评估企业的电能替代潜力,帮助客户经理有针对地进行企业电能替代意愿排查工作,提高排查效率和对电能替代项目管控能力。
如图1、2所示,本发明包含以下步骤:
1)指标初选,根据电能替代企业摸排结果,获取建模所需目标数据群,并对获取的数据进行数据的预处理,初步选取建模指标;
从企业的基础信息、用电信息、负荷特征和行业信息四个维度提炼10个指标进行模型构建,分别为户龄、用电电压、过去一年总用电量、近三个月峰电量占比、近三个月平均负荷率、日最大负荷出现时段(分0时~6时,6时~12时,12时~18时,18时~24时四个时段,做哑变量处理方式)、企业景气度、行业景气度、最大平均负荷率和行业平均运行容量。
2)指标分析,按照行业进行细分,根据每个行业已改造与未改造企业指标对比,分析指标对电能替代企业的分类贡献。计算改造前后的负荷曲线相关性,筛选相关性比较低(改造前后负荷有变化)的企业作为改造正样本,从未改造的企业中筛选一部分作为负样本,进行分类训练。
3)指标确定
根据确定的建模指标,对数据宽表进行预处理,对源数据里面的字段值进行规范化,使得不同指标之间的数量级差距不影响结果。
4)电能替代企业潜力模型构建
401)输出根据已确定建模指标,随机筛选样本集中70%作为训练集,30%作为测试集,利用logistic,逻辑回归算法,构建电能替代企业预测模型
402)输出模型,基于Logistic逻辑回归算法,对训练集进行训练和学习生成电能替代潜力企业客户预测模型系数结果并获得各指标对模型的影响程度及预测混淆矩阵;
403)根据训练集模型预测结果,将模型应用到测试集上进行模型测试,判断训练集和测试集的预测效果是否达到了理想效果,若是,则确定该模型为电能替代潜力企业预测模型,否则,返回步骤1)重新调整数据和指标进行模型的构建;
5)根据确定的电能替代潜力企业预测模型,进行电能替代潜在企业预测结果输出,定位高电能替代潜力企业客户。
本技术方案基于营销业务系统、用电采集系统中的明细数据,对已进行电能改造的企业进行特征分析,从基础信息、交费行为、用电特征三大维度出发,按照行业类别进行细分,对不同行业类别企业建立不同的逻辑回归模型,通过模型拟合参数发掘高电能替代潜力企业,将这些企业加入到电能替代资源库,在客户经理走访时重点发掘企业的替代可能和意愿,扩大电网企业的消费侧市场。
本技术方案通过数据挖掘技术,借助R工具,构建了基于逻辑回归的企业电能替代潜力评估模型。其中针对不同的用电行业,分别构建了潜力评估模型。模型整体命中率相对过去排查命中率有极大提升,为提高客户经理对企业替代意愿排查效率提供了数据支撑。
其中,步骤401)中Logisic逻辑回归为概率型非线性回归模型,是研究二分类观察结果与一些影响因素之间关系的一种多变量分析方法,即某些因素条件下某个结果是否发生及发生的概率。
Logistic函数(或称为Sigmoid函数)具体公式如下:
其中e是自然对数,z为曲线的陡度,
对于线性分类的情况,其边界形式如下:
这儿θ0是常数,θ1,θ2,...θn指变量的系数,x1,x2,...xn是具体变量,在本项目中,变量为能够影响用户电能替代改造预测结果的具体用电指标,包括户龄、用电电压、日用电负荷等。
结合(1)、(2)式构造的预测函数为:
其中g(θTx)=g(z),g(θTx)在本课题中即为是否为改造企业的两个结果,是则取1的概率,否则取0的概率,因此上式又可以转化为:
P(y=1|x;θ)=hθ(x) (4)
P(y=0|x;θ)=1-hθ(x) (5)
式(4)、(5)式综合起来可以写成:
P(y|x;θ)=(hθ(x))y(1-hθ(x))1-y (6)
对(6)式取对数,可推导最大似然估计Cost函数为:
这儿Cost损失函数用了最大似然估计,因此Cost值越小,函数越收敛,对模型的估计效果越好。
求Cost函数的最小值可以使用梯度下降法,根据梯度下降法可得θ的更新过程:
通过梯度下降法,(7)式可以写成:
由(9)式可知,当Cost最小时,即为残差(hθ(x(i))-y(i))和最小,整个模型函数与实际结果拟合效果最好。
在对各行业细分后,得到每个行业逻辑回归模型的各项系数,计算
得到的p值即为企业的电能替代潜力值,按照不同的潜力阈值将企业分为A、B、C、D级电能替代潜力企业用户。
为方便管理实施,本技术方案主要通过标签的形式进行实施。具体包括三个层面,分别为数据汇总层、标签库层和标签应用层。数据汇总层:从基础数据平台获取客户基础信息、电量和账务等数据,为标签库提供基础数据来源。标签库层:包含标签管理、企业属性及企业标签三个子层。标签管理子层以标签元数据为基础,提供标签查询、分析和评估服务。客户属性子层组织、存储、管理企业行业类别、行业景气程度、电费电量和分时用电负荷数据;客户标签子层组织、存储、管理企业标签。企业属性和企业标签形成完整企业视图,全方面描述企业,为标签应用提供基础。标签应用层:将企业电能替代潜力模型标签结果输出至浙江省电网电能替代项目管控平台,提供分析展现,数据查询功能,帮助客户经理在实际排查中提高效率。
从一种企业电能替代潜力评估方法的浙江多试点使用验证结果反馈,实际命中率为32.7%,相比盲目排查的5%命中率有了大幅度提升。
以上图1、2所示的一种企业电能替代潜力评估方法是本发明的具体实施例,已经体现出本发明实质性特点和进步,可根据实际的使用需要,在本发明的启示下,对其进行形状、结构等方面的等同修改,均在本方案的保护范围之列。
Claims (8)
1.一种企业电能替代潜力评估方法,其特征在于:包含以下步骤:
1)指标初选,根据电能替代企业摸排结果,获取建模所需目标数据群,并对获取的数据进行数据的预处理,初步选取建模指标;
从企业的基础信息、用电信息、负荷特征和行业信息四个维度提炼10个指标进行模型构建,分别为户龄、用电电压、过去一年总用电量、近三个月峰电量占比、近三个月平均负荷率、日最大负荷出现时段、企业景气度、行业景气度、最大平均负荷率和行业平均运行容量;
2)指标分析,按照行业进行细分,根据每个行业已改造与未改造企业指标对比,分析指标对电能替代企业的分类贡献;计算改造前后的负荷曲线相关性,筛选相关性低于域值的企业作为改造正样本,从未改造的企业中筛选一部分作为负样本,进行分类训练;
3)指标确定
根据确定的建模指标,对数据宽表进行预处理,对源数据里面的字段值进行规范化,使得不同指标之间的数量级差距不影响结果;
4)电能替代企业潜力模型构建
401)输出根据已确定建模指标,随机筛选样本集中一部分作为训练集,另一部分作为测试集,利用logistic,逻辑回归算法,构建电能替代企业预测模型;
402)输出模型,基于Logistic逻辑回归算法,对训练集进行训练和学习生成电能替代潜力企业客户预测模型系数结果并获得各指标对模型的影响程度及预测混淆矩阵;
403)根据训练集模型预测结果,将模型应用到测试集上进行模型测试,判断训练集和测试集的预测效果是否达到了理想效果,若是,则确定该模型为电能替代潜力企业预测模型,否则,返回步骤1)重新调整数据和指标进行模型的构建;
5)根据确定的电能替代潜力企业预测模型,进行电能替代潜在企业预测结果输出,定位高电能替代潜力企业客户。
2.根据权利要求1所述的一种企业电能替代潜力评估方法,其特征在于:在步骤401)中,随机筛选样本集中70%作为训练集,30%作为测试集。
3.根据权利要求2所述的一种企业电能替代潜力评估方法,其特征在于:还包括标签构建步骤,根据收集营销系统用采集系统的业务系统数据,发现企业特征,提炼企业电能替代潜力标签,构建客户标签库,向业务系统提供标签应用。
4.根据权利要求3所述的一种企业电能替代潜力评估方法,其特征在于:电能替代潜力标签应用体系分为数据汇总层,标签层,标签应用层三大层级;
数据汇总层,采集企业分时用电负荷数据、电费电量数据、行业类别数据、行业整体数据,为标签库提供基础数据来源,其采集方式包括数据补录、数据链接配置、ETL;
标签库层,实现标签查询、分析、评估功能,提供组织、存储、管理企业基础信息、电费电量、分时用电负荷数据以及客户标签数据,形成完整的企业全景视图,全方位、多层次、立体化地描述客户,为标签应用提供基础;
标签应用层,提供分析报表、电能替代项目管理平台的输出功能以及在各业务系统的应用。
5.根据权利要求4所述的一种企业电能替代潜力评估方法,其特征在于:步骤401)中Logisic逻辑回归为概率型非线性回归模型,是研究二分类观察结果与一些影响因素之间关系的一种多变量分析方法,即某些因素条件下某个结果是否发生及发生的概率。
Logistic函数(或称为Sigmoid函数)具体公式如下:
其中e是自然对数,z为曲线的陡度,
对于线性分类的情况,其边界形式如下:
这儿θ0是常数,θ1,θ2,...θn指变量的系数,x1,x2,...xn是具体变量,在本项目中,变量为能够影响用户电能替代改造预测结果的具体用电指标,包括户龄、用电电压、日用电负荷。
结合(1)、(2)式构造的预测函数为:
其中g(θTx)=g(z),g(θTx)在本课题中即为是否为改造企业的两个结果,是则取1的概率,否则取0的概率,因此上式又可以转化为:
P(y=1|x;θ)=hθ(x) (4)
P(y=0|x;θ)=1-hθ(x) (5)
式(4)、(5)式综合起来可以写成:
P(y|x;θ)=(hθ(x))y(1-hθ(x))1-y (6)
对(6)式取对数,可推导最大似然估计Cost函数为:
这儿Cost损失函数用了最大似然估计,因此Cost值越小,函数越收敛,对模型的估计效果越好。
求Cost函数的最小值可以使用梯度下降法,根据梯度下降法可得θ的更新过程:
通过梯度下降法,(7)式可以写成:
由(9)式可知,当Cost最小时,即为残差(hθ(x(i))-y(i))和最小,整个模型函数与实际结果拟合效果最好。
在对各行业细分后,得到每个行业逻辑回归模型的各项系数,计算
得到的p值即为企业的电能替代潜力值,按照不同的潜力阈值将企业分为A、B、C、D级电能替代潜力企业用户。
6.根据权利要求5所述的一种企业电能替代潜力评估方法,其特征在于:在步骤1)中,日最大负荷出现时段分为分0时~6时,6时~12时,12时~18时,18时~24时四个时段,并做哑变量处理。
7.根据权利要求6所述的一种企业电能替代潜力评估方法,其特征在于:在步骤1)中,企业的基础信息包括行业类别和企业户龄;企业的用电信息包括近一年电费电量、近6个月电费电量、近3个月电费电量、近1个月电费电量及电费电量同期占比;负荷特征包括企业运行容量、企业分时用电负荷、企业用电电压、企业是否减容;行业信息包括行业平均用电情况、行业景气程度、行业整体趋势。
8.根据权利要求7所述的一种企业电能替代潜力评估方法,其特征在于:在步骤5)中,输出的信息包括企业替代潜力分级清单、企业画像及推送服务包。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810581027.2A CN108764584B (zh) | 2018-06-05 | 2018-06-05 | 一种企业电能替代潜力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810581027.2A CN108764584B (zh) | 2018-06-05 | 2018-06-05 | 一种企业电能替代潜力评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764584A true CN108764584A (zh) | 2018-11-06 |
CN108764584B CN108764584B (zh) | 2021-04-09 |
Family
ID=64000473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810581027.2A Active CN108764584B (zh) | 2018-06-05 | 2018-06-05 | 一种企业电能替代潜力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764584B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583631A (zh) * | 2018-11-14 | 2019-04-05 | 国网四川省电力公司经济技术研究院 | 一种基于替代电价概率模型的电能替代用户意愿预测方法 |
CN109685370A (zh) * | 2018-12-24 | 2019-04-26 | 国网上海市电力公司 | 一种基于电力大客户用电特征的能效诊断分析系统 |
CN109753990A (zh) * | 2018-11-27 | 2019-05-14 | 国网江苏省电力有限公司电力科学研究院 | 一种用户电能替代潜力预测方法、系统及存储介质 |
CN110322052A (zh) * | 2019-06-12 | 2019-10-11 | 国网山东省电力公司济宁供电公司 | 一种电能替代方案预测中的特征关联与分簇方法及装置 |
CN111917648A (zh) * | 2020-06-30 | 2020-11-10 | 华南理工大学 | 一种数据中心里分布式机器学习数据重排的传输优化方法 |
CN112085259A (zh) * | 2020-08-13 | 2020-12-15 | 国网上海市电力公司 | 一种新能源接入与综合能源服务潜力关联预测方法 |
CN112232910A (zh) * | 2020-10-13 | 2021-01-15 | 国网上海市电力公司 | 电力市场拓展系统 |
CN113139868A (zh) * | 2021-05-14 | 2021-07-20 | 南方电网科学研究院有限责任公司 | 一种基于用电大数据的客户信用评价及贷款潜力分析方法 |
CN113269470A (zh) * | 2021-06-23 | 2021-08-17 | 云南电网有限责任公司电力科学研究院 | 一种电能替代能效综合评价方法 |
CN113344637A (zh) * | 2021-06-29 | 2021-09-03 | 云南电网有限责任公司信息中心 | 一种潜在电能替代用户推荐方法及装置 |
CN113590685A (zh) * | 2021-07-28 | 2021-11-02 | 国网内蒙古东部电力有限公司供电服务监管与支持中心 | 基于用户信息大数据的电能替代潜力挖掘方法 |
CN113643153A (zh) * | 2021-08-13 | 2021-11-12 | 南京工程学院 | 一种以企业为主体的电能替代扩散分析方法 |
CN113988711A (zh) * | 2021-11-22 | 2022-01-28 | 国网江苏省电力有限公司连云港供电分公司 | 基于用电数据的管控状态下排污企业停或限产监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292508A (zh) * | 2017-06-16 | 2017-10-24 | 北京中电普华信息技术有限公司 | 一种电能替代潜力的分析预测方法及系统 |
CN108038572A (zh) * | 2017-12-08 | 2018-05-15 | 天津天大求实电力新技术股份有限公司 | 一种农村地区新态势负荷潜力预测方法 |
CN108062598A (zh) * | 2017-12-11 | 2018-05-22 | 天津天大求实电力新技术股份有限公司 | 一种多情景下的新态势负荷潜力预测方法 |
CN110443413A (zh) * | 2019-07-23 | 2019-11-12 | 华南理工大学 | 电力物资需求预测系统及电力物资需求模型的构建方法 |
-
2018
- 2018-06-05 CN CN201810581027.2A patent/CN108764584B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292508A (zh) * | 2017-06-16 | 2017-10-24 | 北京中电普华信息技术有限公司 | 一种电能替代潜力的分析预测方法及系统 |
CN108038572A (zh) * | 2017-12-08 | 2018-05-15 | 天津天大求实电力新技术股份有限公司 | 一种农村地区新态势负荷潜力预测方法 |
CN108062598A (zh) * | 2017-12-11 | 2018-05-22 | 天津天大求实电力新技术股份有限公司 | 一种多情景下的新态势负荷潜力预测方法 |
CN110443413A (zh) * | 2019-07-23 | 2019-11-12 | 华南理工大学 | 电力物资需求预测系统及电力物资需求模型的构建方法 |
Non-Patent Citations (2)
Title |
---|
夏怀健等: "基于多模型的区域电能替代发展潜力研究", 《科技管理研究》 * |
涂莹等: "基于协同过滤算法的电能替代潜力用户挖掘模型研究", 《电力信息与通信技术》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583631B (zh) * | 2018-11-14 | 2021-10-22 | 国网四川省电力公司经济技术研究院 | 一种基于替代电价概率模型的电能替代用户意愿预测方法 |
CN109583631A (zh) * | 2018-11-14 | 2019-04-05 | 国网四川省电力公司经济技术研究院 | 一种基于替代电价概率模型的电能替代用户意愿预测方法 |
CN109753990A (zh) * | 2018-11-27 | 2019-05-14 | 国网江苏省电力有限公司电力科学研究院 | 一种用户电能替代潜力预测方法、系统及存储介质 |
CN109753990B (zh) * | 2018-11-27 | 2022-08-19 | 国网江苏省电力有限公司电力科学研究院 | 一种用户电能替代潜力预测方法、系统及存储介质 |
CN109685370A (zh) * | 2018-12-24 | 2019-04-26 | 国网上海市电力公司 | 一种基于电力大客户用电特征的能效诊断分析系统 |
CN110322052A (zh) * | 2019-06-12 | 2019-10-11 | 国网山东省电力公司济宁供电公司 | 一种电能替代方案预测中的特征关联与分簇方法及装置 |
CN111917648A (zh) * | 2020-06-30 | 2020-11-10 | 华南理工大学 | 一种数据中心里分布式机器学习数据重排的传输优化方法 |
CN112085259A (zh) * | 2020-08-13 | 2020-12-15 | 国网上海市电力公司 | 一种新能源接入与综合能源服务潜力关联预测方法 |
CN112232910A (zh) * | 2020-10-13 | 2021-01-15 | 国网上海市电力公司 | 电力市场拓展系统 |
CN113139868A (zh) * | 2021-05-14 | 2021-07-20 | 南方电网科学研究院有限责任公司 | 一种基于用电大数据的客户信用评价及贷款潜力分析方法 |
CN113269470A (zh) * | 2021-06-23 | 2021-08-17 | 云南电网有限责任公司电力科学研究院 | 一种电能替代能效综合评价方法 |
CN113344637A (zh) * | 2021-06-29 | 2021-09-03 | 云南电网有限责任公司信息中心 | 一种潜在电能替代用户推荐方法及装置 |
CN113590685A (zh) * | 2021-07-28 | 2021-11-02 | 国网内蒙古东部电力有限公司供电服务监管与支持中心 | 基于用户信息大数据的电能替代潜力挖掘方法 |
CN113590685B (zh) * | 2021-07-28 | 2023-04-28 | 国网内蒙古东部电力有限公司供电服务监管与支持中心 | 基于用户信息大数据的电能替代潜力挖掘方法 |
CN113643153A (zh) * | 2021-08-13 | 2021-11-12 | 南京工程学院 | 一种以企业为主体的电能替代扩散分析方法 |
CN113988711A (zh) * | 2021-11-22 | 2022-01-28 | 国网江苏省电力有限公司连云港供电分公司 | 基于用电数据的管控状态下排污企业停或限产监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108764584B (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764584A (zh) | 一种企业电能替代潜力评估方法 | |
Wilson et al. | Predicting graduate student success in an MBA program: Regression versus classification | |
Xu et al. | Credit scoring algorithm based on link analysis ranking with support vector machine | |
Sueyoshi | Mixed integer programming approach of extended DEA–discriminant analysis | |
Bahnsen et al. | A novel cost-sensitive framework for customer churn predictive modeling | |
Chitra et al. | Customer retention in banking sector using predictive data mining technique | |
Nguyen et al. | Vasabi: Hierarchical user profiles for interactive visual user behaviour analytics | |
CN117151870B (zh) | 一种基于客群画像行为分析方法及系统 | |
Shahzad et al. | Missing data imputation using genetic algorithm for supervised learning | |
Zhang et al. | A review on cluster estimation methods and their application to neural spike data | |
CN112132210A (zh) | 一种基于客户用电行为的窃电概率预警分析方法 | |
CN110009427B (zh) | 一种基于深度循环神经网络的电力销售金额智能预测方法 | |
Baralis et al. | Planning stock portfolios by means of weighted frequent itemsets | |
Aviad et al. | A decision support method, based on bounded rationality concepts, to reveal feature saliency in clustering problems | |
Shan et al. | Incorporating user behavior flow for user risk assessment | |
Meng et al. | Fine-grained job salary benchmarking with a nonparametric dirichlet process–based latent factor model | |
Kostrzewska et al. | The classical and Bayesian logistic regression in the research on the financial standing of enterprises after bankruptcy in Poland | |
CN117455529A (zh) | 基于大数据技术的用户用电特征画像构建方法及系统 | |
Ying et al. | Preventing customer churn by using random forests modeling | |
Zaremba | Does the industry matter? Airline bankruptcy prediction | |
Sheng et al. | A comparative study of data mining techniques in predicting consumers' credit card risk in banks | |
CN112506930B (zh) | 一种基于机器学习技术的数据洞察系统 | |
Safdari et al. | Anomaly detection and community detection in networks | |
Lv et al. | Detecting pyramid scheme accounts with time series financial transactions | |
CN113139868A (zh) | 一种基于用电大数据的客户信用评价及贷款潜力分析方法 |
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 |