CN108830510B - 一种基于数理统计的电力数据预处理方法 - Google Patents
一种基于数理统计的电力数据预处理方法 Download PDFInfo
- Publication number
- CN108830510B CN108830510B CN201810793396.8A CN201810793396A CN108830510B CN 108830510 B CN108830510 B CN 108830510B CN 201810793396 A CN201810793396 A CN 201810793396A CN 108830510 B CN108830510 B CN 108830510B
- Authority
- CN
- China
- Prior art keywords
- data
- user
- screening
- value
- negative
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000007781 pre-processing Methods 0.000 title claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000013075 data extraction Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000005611 electricity Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 238000013507 mapping Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 11
- 230000005856 abnormality Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (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
本发明公开了一种基于数理统计的电力数据预处理方法,包括原始数据集输入步骤、抽取数据步骤、负值与空值筛查步骤、异常大值筛查步骤、数据初步预分类步骤和标签添加步骤。本发明的基于数理统计的电力数据预处理方法,将数理统计中的四分位数检测和标准分数检测方法结合在一起,可以帮助电网工作人员提高审查原始异常数据的效率,优化原始数据集的数据质量。
Description
技术领域
本发明涉及一种基于数理统计的电力数据预处理方法,属于智能电网技术领域。
背景技术
由于用户群体数量的庞大、智能电表采集环境的差异化,以及设备终端故障和数据传输的干扰等各种不可控因素,在实际的运行过程之中,电网的采集系统所采集的电力数据集是非常复杂的。数据集中的异常数据存在负值、缺失值(None值)、异常零值、异常大值、关系错误数据、冗余数据等多种情况。现有的数据分析和决策工作,许多模型和结论都建立在理想化的数据集上,而实际采集的数据集中的种种异常数据就会对这些后续工作造成干扰甚至是破坏性的误导。
随着智能用电信息采集系统的全面推广,电力公司可以方便地从采集系统中获取大量真实有效的数据集,这些数据集可以帮助电力公司充分地掌握用户用电情况,继而从中分析出用户用电的行为和用电特征。但是目前运行的采集系统中由于信号干扰等因素,不可避免地混入了一些被污染的“脏数据”,由于电力系统的数据采集量巨大,这些被污染的数据总量不容忽视,并且对之后的数据提取和分析工作造成了很大的干扰。传统的异常值检测方法多是依赖于经验丰富的工作人员的直观判断。
发明内容
本发明的目的是克服现有技术的缺陷,提供一种基于数理统计的电力数据预处理方法,将数理统计中的四分位数检测和标准分数检测方法结合在一起,可以帮助电网工作人员提高审查原始异常数据的效率,优化原始数据集的数据质量。
实现上述目的的技术方案是:一种基于数理统计的电力数据预处理方法,包括以下步骤:
S1,原始数据集输入步骤,输入包含用户电量数据的原始数据集;
S2,抽取数据步骤,把需要的表项和数据字段从原始数据集中抽取出来,处理成需要的结构化数据,生成二维的用电量矩阵;
S3,负值与空值筛查步骤,通过数理逻辑筛除数据集中的负值、空值和一些不符合常理的数据表项;
S4,异常大值筛查步骤,通过四分位数法和标准分数法对数据集的异常大值做筛除,对四分位数法和标准分数法的筛选结果取交集作为最终的异常大值筛查结果;
S5,数据初步预分类步骤,对用户电量数据的处理结果作出初步的预分类;
S6,标签添加步骤,根据所述负值与空值筛查步骤所得到的负值与空值筛查结果、所述异常大值筛查步骤得到的异常大值筛查结果和所述数据初步预分类步骤得到的初步预分类结果,生成二维数据矩阵,并将对应的分类标签添加到所述二维数据矩阵中,生成标准的数据矩阵格式供下游进一步分析使用。
上述的一种基于数理统计的电力数据预处理方法,所述步骤S2中,从原始数据集中的若干表格中抽取出与用户电量相关的用户ID、用电日期、日用电量、正向有功功率和尖峰平谷四种费率下的示数字段作为分析数据,将其转换成一个二维的用电量矩阵,为了分析方便,在转换过程中将用电日期映射为日期在一年中对应的序号。
上述的一种基于数理统计的电力数据预处理方法,所述步骤S3中,对用户电量数据进行筛查负值和空值信息,生成出现负值和空值的异常用户信息表,其中,空值数量超过20%的用户电量数据将会被直接筛除。
上述的一种基于数理统计的电力数据预处理方法,所述步骤S4中,首先使用四分位数法筛选出用户中的离群点,将出现离群点的用户ID单独记录,有很多家庭用户可能日用电量非常稳定,一旦某天出现一个合理范围内的数据波动也会被系统检出;我们对四分位数法检出的数据再使用标准分数法过滤一遍,取两者交集作为最后的异常大值筛查结果。
上述的一种基于数理统计的电力数据预处理方法,所述步骤S5中,对于用户电量数据为负值的情况,我们根据负值绝对值的大小和出现此类情况的频率进一步挖掘信息,做出一些初步的预分类:
当用户出现一个极端大的负值的情形,判定为用户出现了换表的操作,将这一大类用户筛选出来,作为更换电表行为用户分类;
由于智能电表通常是数年才进行一次更换,如果在数据日期短短两个多月的时间内出现两次甚至多次极端大负值的情况,就需要考虑是否是信号传输出现了问题又或者是电表出现了计量故障,将其列为电表计量故障分类。
上述的一种基于数理统计的电力数据预处理方法,所述步骤S6中,标签的添加还包括添加数据相关的地理坐标信息标签、天气信息标签和/或统计学数据信息标签。
本发明的基于数理统计的电力数据预处理方法,将数理统计中的四分位数检测和标准分数检测方法结合在一起,可以帮助电网工作人员提高审查原始异常数据的效率,优化原始数据集的数据质量。通过本发明的电力数据预处理方法可以从庞大的数据库系统中抽取出对后续用电行为分析有用的数据表项,清洗掉用户电量数据集中存在的冗余数据,可以根据数据表项间的关系对缺失的数据进行补全,纠正关系错乱的数据,把数据的格式进行统一化和格式化,剔除各种会对后期分析工作造成干扰的影响因素。总而言之,经过此方法预处理之后的数据,不仅可以大幅减少噪声数据的干扰,优化了数据集,而且也提高了数据审查的效率,减少不必要的时间浪费。
附图说明
图1为本发明的基于数理统计的电力数据预处理方法的流程图;
图2为异常用户信息表;
图3为换表用户电量折线图;
图4为计量装置异常用户电量折线图。
具体实施方式
为了使本技术领域的技术人员能更好地理解本发明的技术方案,下面结合附图对其具体实施方式进行详细地说明:
请参阅图1至图4,本发明的最佳实施例,一种基于数理统计的电力数据预处理方法,包括以下步骤:
S1,原始数据集输入步骤,输入包含用户电量数据的原始数据集;
S2,抽取数据步骤,把需要的表项和数据字段从原始数据集中抽取出来,处理成需要的结构化数据,生成二维的用电量矩阵;
S3,负值与空值筛查步骤,通过数理逻辑筛除数据集中的负值、空值和一些不符合常理的数据表项;
S4,异常大值筛查步骤,通过四分位数法和标准分数法对数据集的异常大值做筛除,对四分位数法和标准分数法的筛选结果取交集作为最终的异常大值筛查结果;
S5,数据初步预分类步骤,对用户电量数据的处理结果作出初步的预分类;
S6,标签添加步骤,根据所述负值与空值筛查步骤所得到的负值与空值筛查结果、所述异常大值筛查步骤得到的异常大值筛查结果和所述数据初步预分类步骤得到的初步预分类结果,生成二维数据矩阵,并将对应的分类标签添加到所述二维数据矩阵中,生成标准的数据矩阵格式供下游进一步分析使用。
步骤S2中,从原始数据集中的若干表格中抽取出与用户电量相关的用户ID、用电日期、日用电量、正向有功功率和尖峰平谷四种费率下的示数字段作为分析数据,将其转换成一个二维的用电量矩阵,为了分析方便,在转换过程中将用电日期映射为日期在一年中对应的序号(请参阅图2)。
步骤S3中,对用户电量数据进行筛查负值和空值信息,生成出现负值和空值的异常用户信息表,其中,空值数量超过20%的用户电量数据将会被直接筛除。
步骤S5中,而对于负值的情况,产生情况则比较复杂,由于日常电表计数是以正向有功功率累计值来计算的,每个用户后一天的正向有功功率示数减去前一天的差值再乘以每个用户的倍率就是日用电量。对于用户电量数据为负值的情况,我们根据负值绝对值的大小和出现此类情况的频率进一步挖掘信息,做出一些初步的预分类:
当用户出现一个极端大的负值的情形,判定为用户出现了换表的操作,将这一大类用户筛选出来,作为更换电表行为用户分类;因为,出现的极端数据绝对值较大,我们对其做取log10处理(请参阅图3);
由于智能电表通常是数年才进行一次更换,如果在数据日期短短两个多月的时间内出现两次甚至多次极端大负值的情况,就需要考虑是否是信号传输出现了问题又或者是电表出现了计量故障,将其列为电表计量故障分类(请参阅图4)。
步骤S4中,首先使用四分位数法筛选出用户中的离群点,将出现离群点的用户ID单独记录,有很多家庭用户可能日用电量非常稳定,一旦某天出现一个合理范围内的数据波动也会被系统检出;我们对四分位数法检出的数据再使用标准分数法过滤一遍,取两者交集作为最后的异常大值筛查结果。
四分位数法是统计学中一种用来描绘数据集离散程度的方法,处理方法是把所有数据按照从小到大的顺序散列到坐标轴上,然后将数据集按照数量,切分成四等份,第一等份的上限即第一四分位数Q1,第二等份的上限即第二四分位数Q2,也就是中位数,第三等份的上限即第三四分位数Q3,此方法最重要的一个数据指标是四分位距IQR,即第三四分位数与第一四分位数之差:
IQR=Q3-Q1
将第三四分位数Q3加上K倍的四分位距IQR作为数据集的异常检测上限UL,将第一四分位数Q1减去K倍的四分位距IQR作为数据集异常检测的下限LL,计算方法如下:
UL=Q3+K×IQR
LL=Q1-K×IQR
IQR系数K可以根据情况调整,一般K值定为1.5时,视检出的异常为一般异常,K值定为3时,视检出的异常为极度异常。
而标准分数法即Z-Score法,是统计学中的一种约化方法。它通过计算数据集中每一个数据的标准分数Z-Score来分析每一个数据和数据集整体的偏离程度。Z-Score的本质是一种无量纲量,是每个数据的纯数字标记,它是由数据的原始值转换而来,计算方法如下:
式子中的u指的是数据集的均值,σ指的是数据集的标准差,通常认为Z-Score在-3到3时为正常数值,绝对值大于3时为异常数值。
四分位数和标准分数法这两种统计学方法都各自存在着片面性,他们在单独使用的情形下无法全面综合的展示出数据集的概况。对于四分位数法而言,它可以很容易地看到数据分布的整体概览,但是数据分布的确切值和详细信息不会被保留下来。而对于标准分数法,虽然相比于3σ法则筛查法,该方法并不严格依赖数据集符合高斯分布,但是通常在符合高斯分布的数据集上会有更好的筛查结果。因此我们将这两种方法综合起来,对它们检测过后的数据结果取交集作为我们最后的异常大值筛查结果。
步骤S6中,在处理数据的过程中,可以根据电力运维人员的实际经验,对数据的处理结果作出初步的预分类,将对应的分类标签添加到结果的数据矩阵中。当然,标签的添加并不仅限于数据处理的预分类结果,也可以添加相关的地理坐标信息、天气信息、统计学数据信息等相关标签,这些标签都可以作为下游机器学习算法分析数据的特征。
本发明的基于数理统计的电力数据预处理方法,使用数理统计的方法对数据集中的异常大值、负值和空值进行筛查,并且可以对某些特殊的数据异常类别进行识别与判定。对于空值和负值这类易于发现的异常数据实行优先筛查的策略。利用统计学中的两种方法,即四分位数法和标准分数法(Z-Score法)来进一步筛查数据集中的异常大值数据。将数据集结构化成后续分析所需的数据格式,并且添加异常类型等标签数据,作为后续分析的数据特征。
综上所述,本发明的基于数理统计的电力数据预处理方法,将数理统计中的四分位数检测和标准分数检测方法结合在一起,可以帮助电网工作人员提高审查原始异常数据的效率,优化原始数据集的数据质量。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (2)
1.一种基于数理统计的电力数据预处理方法,其特征在于,包括以下步骤:
S1,原始数据集输入步骤,输入包含用户电量数据的原始数据集;
S2,抽取数据步骤,把需要的表项和数据字段从原始数据集中抽取出来,处理成需要的结构化数据,生成二维的用电量矩阵;从原始数据集中的若干表格中抽取出与用户电量相关的用户ID、用电日期、日用电量、正向有功功率和尖峰平谷四种费率下的示数字段作为分析数据,将其转换成一个二维的用电量矩阵,在转换过程中将用电日期映射为日期在一年中对应的序号;
S3,负值与空值筛查步骤,通过数理逻辑筛除数据集中的负值、空值和一些不符合常理的数据表项;对用户电量数据进行筛查负值和空值信息,生成出现负值和空值的异常用户信息表,其中,空值数量超过20%的用户电量数据将会被直接筛除;
S4,异常大值筛查步骤,通过四分位数法和标准分数法对数据集的异常大值做筛除,首先使用四分位数法筛选出用户中的离群点,将出现离群点的用户ID单独记录,对四分位数法检出的数据再使用标准分数法过滤一遍,取两者交集作为最后的异常大值筛查结果;
S5,数据初步预分类步骤,对于用户电量数据为负值的情况,根据负值绝对值的大小和出现此类情况的频率进一步挖掘信息,做出一些初步的预分类:
当用户出现一个极端大的负值的情形,判定为用户出现了换表的操作,将这一大类用户筛选出来,作为更换电表行为用户分类;
如果在数据日期短短两个多月的时间内出现两次甚至多次极端大负值的情况,就需要考虑是否是信号传输出现了问题又或者是电表出现了计量故障,将其列为电表计量故障分类;
S6,标签添加步骤,根据所述负值与空值筛查步骤所得到的负值与空值筛查结果、所述异常大值筛查步骤得到的异常大值筛查结果和所述数据初步预分类步骤得到的初步预分类结果,生成二维数据矩阵,并将对应的分类标签添加到所述二维数据矩阵中,生成标准的数据矩阵格式供下游进一步分析使用。
2.根据权利要求1所述的一种基于数理统计的电力数据预处理方法,其特征在于,所述步骤S6中,标签的添加还包括添加数据相关的地理坐标信息标签、天气信息标签和/或统计学数据信息标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810793396.8A CN108830510B (zh) | 2018-07-16 | 2018-07-16 | 一种基于数理统计的电力数据预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810793396.8A CN108830510B (zh) | 2018-07-16 | 2018-07-16 | 一种基于数理统计的电力数据预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108830510A CN108830510A (zh) | 2018-11-16 |
CN108830510B true CN108830510B (zh) | 2021-09-21 |
Family
ID=64140764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810793396.8A Active CN108830510B (zh) | 2018-07-16 | 2018-07-16 | 一种基于数理统计的电力数据预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830510B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188799A (zh) * | 2019-04-29 | 2019-08-30 | 国网上海市电力公司 | 一种计量数据多维分析与智能运维方法 |
CN110751371B (zh) * | 2019-09-20 | 2022-06-07 | 苏宁云计算有限公司 | 基于统计四分位距的商品库存风险预警方法、系统及计算机可读存储介质 |
CN110955650B (zh) * | 2019-11-20 | 2023-06-23 | 云南电网有限责任公司电力科学研究院 | 标准实验室数字式温湿度计超差数据的清洗方法 |
CN111190890B (zh) * | 2019-12-26 | 2024-03-29 | 深圳供电局有限公司 | 用户日用电量数据清洗方法、装置、设备和介质 |
CN111461409A (zh) * | 2020-03-10 | 2020-07-28 | 国网山西省电力公司经济技术研究院 | 一种中长期负荷数据的异常值处理方法 |
CN111694820A (zh) * | 2020-04-27 | 2020-09-22 | 深圳华工能源技术有限公司 | 电力异常数据多重过滤方法、装置、电子设备及存储介质 |
CN111694819A (zh) * | 2020-04-27 | 2020-09-22 | 深圳华工能源技术有限公司 | 基于分位距算法的电力异常数据过滤方法及装置 |
CN112287562B (zh) * | 2020-11-18 | 2023-03-10 | 国网新疆电力有限公司经济技术研究院 | 一种电力设备退役数据补全方法及系统 |
CN112818297B (zh) * | 2021-02-05 | 2024-02-20 | 国网安徽省电力有限公司合肥供电公司 | 一种云环境下数据异常检测方法 |
CN113382079B (zh) * | 2021-06-23 | 2022-10-28 | 鹤壁国立光电科技股份有限公司 | 一种基于数据可视化和数据共享的混合系统 |
CN113536233B (zh) * | 2021-07-12 | 2023-05-30 | 中国科学院海洋研究所 | 海洋浮标数据质量控制系统 |
CN113779109B (zh) * | 2021-09-15 | 2024-05-24 | 南京才华智能科技有限公司 | 一种基于上下文环境的电力数据预处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105630885A (zh) * | 2015-12-18 | 2016-06-01 | 国网福建省电力有限公司泉州供电公司 | 一种用电异常检测方法及系统 |
CN106097138A (zh) * | 2016-06-03 | 2016-11-09 | 合肥工业大学 | 一种基于统计模型的电力消费异常数据检测系统与方法 |
CN106372412A (zh) * | 2016-08-31 | 2017-02-01 | 北京可视化节能科技股份有限公司 | 联动设备能效分析系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090030752A1 (en) * | 2007-07-27 | 2009-01-29 | General Electric Company | Fleet anomaly detection method |
-
2018
- 2018-07-16 CN CN201810793396.8A patent/CN108830510B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105630885A (zh) * | 2015-12-18 | 2016-06-01 | 国网福建省电力有限公司泉州供电公司 | 一种用电异常检测方法及系统 |
CN106097138A (zh) * | 2016-06-03 | 2016-11-09 | 合肥工业大学 | 一种基于统计模型的电力消费异常数据检测系统与方法 |
CN106372412A (zh) * | 2016-08-31 | 2017-02-01 | 北京可视化节能科技股份有限公司 | 联动设备能效分析系统 |
Non-Patent Citations (1)
Title |
---|
应用大数据技术的反窃电分析;陈文瑛等;《电子测量与仪器学报》;20161015(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108830510A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830510B (zh) | 一种基于数理统计的电力数据预处理方法 | |
CN103455563B (zh) | 一种适用于智能变电站一体化监控系统的数据挖掘方法 | |
CN106557991B (zh) | 电压监测数据平台 | |
WO2016029570A1 (zh) | 一种面向电网调度的智能告警分析方法 | |
CN110689279B (zh) | 一种居民用电安全隐患的分析方法 | |
CN110362894A (zh) | 配电线路、变压器综合降损及节能计算分析方法及系统 | |
CN111291076B (zh) | 基于大数据的异常用水监测报警系统及其构建方法 | |
CN107436277A (zh) | 基于相似距离判别的单指标数据质量控制方法 | |
CN102147816A (zh) | 一种案件统计及趋势分析系统 | |
CN113568928B (zh) | 一种应用于能源产业链预警系统的数据管理系统 | |
CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
CN115730749B (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
CN111506635A (zh) | 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法 | |
CN111177128B (zh) | 基于改进的离群点检测算法的计量大数据批量处理方法及系统 | |
CN113590607A (zh) | 一种基于报表因子的电力营销报表实现方法和系统 | |
CN116340437A (zh) | 一种面向大规模多源异构数据的多聚类方法 | |
CN103268329B (zh) | 等离子显示屏制造过程数据挖掘系统 | |
CN112465397A (zh) | 一种审计数据的分析方法和装置 | |
Escobedo et al. | Business intelligence and data analytics (BI&DA) to support the operation of smart grid | |
CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
CN111882289B (zh) | 一种项目数据审核指标区间测算的装置和方法 | |
Chen et al. | Pre-processing and audit of power consumption data based on composite mathematical statistics model | |
CN114399407A (zh) | 一种基于动静态选择集成的电力调度监控数据异常检测方法 | |
CN109767062B (zh) | 一种电网任务处置方案的动态生成方法 |
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 |