CN111767950B - 一种基于Pb-SVM的电力营销数据关键指标评估方法及系统 - Google Patents
一种基于Pb-SVM的电力营销数据关键指标评估方法及系统 Download PDFInfo
- Publication number
- CN111767950B CN111767950B CN202010602256.5A CN202010602256A CN111767950B CN 111767950 B CN111767950 B CN 111767950B CN 202010602256 A CN202010602256 A CN 202010602256A CN 111767950 B CN111767950 B CN 111767950B
- Authority
- CN
- China
- Prior art keywords
- power marketing
- data
- svm
- index
- marketing strategy
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 41
- 238000013210 evaluation model Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 11
- 230000006835 compression Effects 0.000 claims abstract description 10
- 238000007906 compression Methods 0.000 claims abstract description 10
- 238000010187 selection method Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011157 data evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (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
本发明公开了电力控制技术领域的一种基于Pb‑SVM的电力营销数据关键指标评估方法及系统,包括:获取电力营销数据,选取蕴含电力营销策略的监测数据作为数据源,确定营销数据指标和用户需求指标,形成电力营销数据指标集;通过最大相关最小冗余特征选择方法对电力营销数据指标集进行特征压缩,将特征子集中的数据分为训练样本数据和测试样本数据;将特征子集映射到Hilbert空间,并引入分位数构建基于Pb‑SVM的电力营销策略评估模型,以训练样本数据作为输入进行训练;将测试样本数据输入经过训练的基于Pb‑SVM的电力营销策略评估模型,获取电力营销策略和综合评价指标;具有评估准确率高,稳定性好,能显著改善电力营销策略滞后于用户需求等特点。
Description
技术领域
本发明属于电力控制技术领域,具体涉及一种基于Pb-SVM(弹球损失支持向量机,Pinball Support Vector Machine,Pb-SVM)的电力营销数据关键指标评估方法及系统。
背景技术
电力营销就是电力企业在市场环境中,以满足用户的电力消费需求为目的,通过电力企业一系列与市场有关的经营活动,提供满足消费需要的电力产品和相应的服务,实现企业目标的过程。现有营销系统多采用固定样式的图表进行数据展示,并且在建设初期就需要详细设计需要的样式与数据组成,建设完成之后如果遇到需要调整的情况,则不能实现,或者需要对其进行大量的编码工作来实现。电力营销策略是电力市场中的重要组成部分,当前环境下,电力营销策略滞后于用户需求,市场营销手段有限,电力企业观念落后、服务意识不强,亟待一种准确、高效的电力系统营销数据评估方法深入挖掘用户消费需求,动态调整营销策略。
发明内容
为解决现有技术中的不足,本发明提供一种基于Pb-SVM的电力营销数据关键指标评估方法及系统,具有评估准确率高,稳定性好,能显著改善电力营销策略滞后于用户需求等特点。
为达到上述目的,本发明所采用的技术方案是:一种基于Pb-SVM的电力营销数据关键指标评估方法,包括:a、获取电力营销数据,选取蕴含电力营销策略的监测数据作为数据源,对数据源进行特征提取,确定营销数据指标和用户需求指标,形成电力营销数据指标集;b、通过最大相关最小冗余特征选择方法对电力营销数据指标集进行特征压缩,获取反映电力营销策略影响的特征子集,将特征子集中的数据分为训练样本数据和测试样本数据;c、将特征子集映射到Hilbert空间,并引入分位数构建基于Pb-SVM的电力营销策略评估模型,以训练样本数据作为输入,训练构建的基于Pb-SVM的电力营销策略评估模型;d、将测试样本数据输入经过训练的基于Pb-SVM的电力营销策略评估模型,获取电力营销策略,对电力营销策略筛选和适用度评估后获得综合评价指标。
进一步地,在步骤c中,通过引入核函数将特征子集映射到Hilbert空间,所述核函数为:
K(xi·xj)=φ(xi)·φ(xj) (4)
其中,K(xi·xj)为核函数,φ(xi)为样本空间向量xi从Rn到Hilbert空间的映射,Rn为输入空间,φ(xj)为样本空间向量xj从Rn到Hilbert空间的映射。
进一步地,在步骤c中,构建的基于Pb-SVM的电力营销策略评估模型为:
s.t.yi[wTφ(xi)+b]≥1-ξi,i=1,2,...,m,
其中,w为最优超平面的法向量,μ为惩罚参数,ξi为松弛变量,ξi>0,yi为样本类别标识,m为样本总数,wT为最优超平面的法向量的转置,b为最优超平面的偏差量,τ为分位数。
进一步地,在步骤d中,所述对电力营销策略筛选和适用度评估,具体为,获取电力营销策略后,针对具体的营销策略,依据其特征变量相对于各类指标的隶属度将营销策略分类,当分类为不适用类,则认为该策略难以应对当前的用户需求;反之,则认为该策略适用于当前的用户需求。
进一步地,所述综合评价指标η包括准确率指标Ac、统计值指标St和ROC曲线指标ROC:
进一步地,所述ROC曲线指标ROC包括命中率TPR和误报率FPR
一种基于Pb-SVM的电力营销数据关键指标评估系统,包括:第一模块,用于获取电力营销数据,选取蕴含电力营销策略的监测数据作为数据源,对数据源进行特征提取,确定营销数据指标和用户需求指标,形成电力营销数据指标集;第二模块,用于通过最大相关最小冗余特征选择方法对电力营销数据指标集进行特征压缩,获取反映电力营销策略影响的特征子集,将特征子集中的数据分为训练样本数据和测试样本数据;第三模块,用于将特征子集映射到Hilbert空间,并引入分位数构建基于Pb-SVM的电力营销策略评估模型,以训练样本数据作为输入,训练构建的基于Pb-SVM的电力营销策略评估模型;第四模块,用于将测试样本数据输入经过训练的基于Pb-SVM的电力营销策略评估模型,获取电力营销策略,对电力营销策略筛选和适用度评估后获得综合评价指标。
与现有技术相比,本发明所达到的有益效果:本发明将用户侧的需求特征作为人工智能方法的样本特征,采用最大相关最小冗余(maximal Relevance and MinimalRedundancy,MRMR)特征选择方法对系统指标和用户需求指标组成的原始特征集进行特征压缩,在有效降低特征空间维度的基础上增强评估准确率;在分类器的构建方面Pb-SVM相比其他机器学习算法,具有更高的准确率,对边界干扰样本不敏感,评估稳定性强,将Pb-SVM算法应用在电力营销策略评估,改善SVM分类器的评估准确率和稳定性,能显著改善电力营销策略滞后于用户需求。
附图说明
图1是本发明实施例一提供的一种基于Pb-SVM的电力营销数据关键指标评估方法的流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
如图1所示,一种基于Pb-SVM的电力营销数据关键指标评估方法,包括:获取电力营销数据,选取蕴含电力营销策略的监测数据作为数据源,对数据源进行特征提取,确定营销数据指标和用户需求指标,形成电力营销数据指标集;通过最大相关最小冗余特征选择方法对电力营销数据指标集进行特征压缩,获取反映电力营销策略影响的特征子集,将特征子集中的数据分为训练样本数据和测试样本数据;将特征子集映射到Hilbert空间(希尔伯特空间),并引入分位数构建基于Pb-SVM的电力营销策略评估模型,以训练样本数据作为输入,训练构建的基于Pb-SVM的电力营销策略评估模型;将测试样本数据输入经过训练的基于Pb-SVM的电力营销策略评估模型,获取电力营销策略,对电力营销策略筛选和适用度评估后获得综合评价指标。
步骤1:构建多颗粒度原始特征集:获取电力营销数据,通过历史运行数据构建关键信息原始特征集,包括机组负荷率、机组利用小时数、机组开机率、全厂供热厂用电率、等效运行小时数的月度轨迹数据,选取蕴含电力营销策略的离线或在线的监测数据作为数据源,对数据源进行特征提取,确定营销数据指标和用户需求指标,形成电力营销数据指标集,其中用户需求指标包括投影角速度wθ表征用户安全性需求特征集、投影角加速度as表征用户优质性需求特征集、投影动能PKE描述用户高效性需求特征集,这3项指标可以有效表征用户的多类型需求,将这3项指标加入到Pb-SVM的原始特征集中,可丰富样本集特征,减少冗余信息;通过最大相关最小冗余特征选择方法对电力营销数据指标集进行特征压缩,获取反映电力营销策略影响的特征子集,即寻找对电力营销策略影响灵敏度高的特征子集,将特征子集中的数据分为训练样本数据和测试样本数据;
步骤2:基于Pb-SVM的电力营销策略评估:基于Pb-SVM思想将特征子集映射到Hilbert空间,实现高维非线性电力营销数据评估问题的线性转化,并引入分位数改变策略适用与不适用之间的最近点位置,以训练样本数据作为Pb-SVM的输入,训练基于Pb-SVM的电力营销策略评估模型,Pb-SVM的数学模型如下所示:
其中,Sτ为损失函数,xi为样本空间向量,w为最优超平面的法向量,μ为惩罚参数,yi为样本类别标识,m为样本总数,wT为最优超平面的法向量的转置,b为最优超平面的偏差量,τ为分位数;
系统的决策函数Fu可表示为:
Fu=sign(<w,x>) (2)
其中,sign()为符号函数,x为所有样本空间向量;
Pb-SVM的损失函数Sτ如式(3)所示:
其中,τ∈[0 1]是分位数,可以控制两类之间最近点的位置;
为将Pb-SVM模型应用到非线性分类问题中,特引入核函数K(xi·xj):
K(xi·xj)=φ(xi)·φ(xj) (4)
其中,φ(xi)为样本空间向量xi从Rn到Hilbert空间的映射,Rn为输入空间,φ(xj)为样本空间向量xj从Rn到Hilbert空间的映射;引入非线性映射后的Pb-SVM数学模型为:
在此分类器中加入松弛变量ξi(ξi>0)后的等效模型如下:
s.t.yi[wTφ(xi)+b]≥1-ξi,i=1,2,...,m,
Pb-SVM评估营销策略的优越性体现在所用的Pinball函数不同:Pb-SVM通过分位数τ改变策略适用与不适用之间最近点的位置来确定最大距离,减弱边界干扰样本对评估稳定性的影响。
步骤3:将测试样本数据输入经过训练的基于Pb-SVM的电力营销策略评估模型,快速得到获取电力营销策略,对电力营销策略筛选和适用度评估后获得综合评价指标。针对具体的营销策略,依据其特征变量相对于各类指标的隶属度将营销策略划归到某一类;当分类为不适用类,则认为该策略难以应对当前的客户需求;反之,则认为该策略适用于当前用户需求。在策略筛选和适用度评估完成的同时可得到评价指标:
准确率指标Ac为正确预测数和预测总数的比;lij表示实际类标号为i但被预测为j的记录数,i=0,1,j=0,1,则准确率Ac如下所示:
统计值指标为St,由于单独评判准确率会存在一定的偶然性,考虑用St来衡量一个数据集的预测分类和实际分类之间的一致性情况:
ROC曲线指标由命中率(True Positive Rate,TPR)和误报率(False PositiveRate,FPR)加和构成,以TPR作为Y轴,FPR作为X轴:
因此综合评价指标η如下:
通过综合评价指标可对适用性较高的策略进行排序,进而针对用户需求评估出当前最优策略。
本实施例将用户侧的需求特征作为人工智能方法的样本特征,采用最大相关最小冗余特征选择方法对系统指标和用户需求指标组成的原始特征集进行特征压缩,在有效降低特征空间维度的基础上增强评估准确率;在分类器的构建方面Pb-SVM相比其他机器学习算法,具有更高的准确率,对边界干扰样本不敏感,评估稳定性强,将Pb-SVM算法应用在电力营销策略评估,改善SVM分类器的评估准确率和稳定性,能显著改善电力营销策略滞后于用户需求。
实施例二:
基于实施例一所述的一种基于Pb-SVM的电力营销数据关键指标评估方法,本实施例提供一种基于Pb-SVM的电力营销数据关键指标评估系统,包括:
第一模块,用于获取电力营销数据,选取蕴含电力营销策略的监测数据作为数据源,对数据源进行特征提取,确定营销数据指标和用户需求指标,形成电力营销数据指标集;
第二模块,用于通过最大相关最小冗余特征选择方法对电力营销数据指标集进行特征压缩,获取反映电力营销策略影响的特征子集,将特征子集中的数据分为训练样本数据和测试样本数据;
第三模块,用于将特征子集映射到Hilbert空间,并引入分位数构建基于Pb-SVM的电力营销策略评估模型,以训练样本数据作为输入,训练构建的基于Pb-SVM的电力营销策略评估模型;
第四模块,用于将测试样本数据输入经过训练的基于Pb-SVM的电力营销策略评估模型,获取电力营销策略,对电力营销策略筛选和适用度评估后获得综合评价指标。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种基于Pb-SVM的电力营销数据关键指标评估方法,其特征是,包括:
a、获取电力营销数据,选取蕴含电力营销策略的监测数据作为数据源,对数据源进行特征提取,确定营销数据指标和用户需求指标,形成电力营销数据指标集;
b、通过最大相关最小冗余特征选择方法对电力营销数据指标集进行特征压缩,获取反映电力营销策略影响的特征子集,将特征子集中的数据分为训练样本数据和测试样本数据;
c、将特征子集映射到Hilbert空间,并引入分位数构建基于Pb-SVM的电力营销策略评估模型,以训练样本数据作为输入,训练构建的基于Pb-SVM的电力营销策略评估模型;
d、将测试样本数据输入经过训练的基于Pb-SVM的电力营销策略评估模型,获取电力营销策略,对电力营销策略筛选和适用度评估后获得综合评价指标。
2.根据权利要求1所述的基于Pb-SVM的电力营销数据关键指标评估方法,其特征是,在步骤c中,通过引入核函数将特征子集映射到Hilbert空间,所述核函数为:
K(xi·xj)=φ(xi)·φ(xj) (4)
其中,K(xi·xj)为核函数,φ(xi)为样本空间向量xi从Rn到Hilbert空间的映射,Rn为输入空间,φ(xj)为样本空间向量xj从Rn到Hilbert空间的映射。
3.根据权利要求2所述的基于Pb-SVM的电力营销数据关键指标评估方法,其特征是,在步骤c中,构建的基于Pb-SVM的电力营销策略评估模型为:
s.t.yi[wTφ(xi)+b]≥1-ξi,i=1,2,...,m,
其中,w为最优超平面的法向量,μ为惩罚参数,ξi为松弛变量,ξi>0,yi为样本类别标识,m为样本总数,wT为最优超平面的法向量的转置,b为最优超平面的偏差量,τ为分位数。
4.根据权利要求1所述的基于Pb-SVM的电力营销数据关键指标评估方法,其特征是,在步骤d中,所述对电力营销策略筛选和适用度评估,具体为,获取电力营销策略后,针对具体的营销策略,依据其特征变量相对于营销数据指标和用户需求指标的隶属度将营销策略分类,当分类为不适用类,则认为该策略难以应对当前的用户需求;反之,则认为该策略适用于当前的用户需求。
5.根据权利要求1所述的基于Pb-SVM的电力营销数据关键指标评估方法,其特征是,所述综合评价指标η包括准确率指标Ac、统计值指标St和ROC曲线指标ROC:
6.根据权利要求5所述的基于Pb-SVM的电力营销数据关键指标评估方法,其特征是,所述ROC曲线指标ROC包括命中率TPR和误报率FPR。
7.一种基于Pb-SVM的电力营销数据关键指标评估系统,其特征是,包括:
第一模块,用于获取电力营销数据,选取蕴含电力营销策略的监测数据作为数据源,对数据源进行特征提取,确定营销数据指标和用户需求指标,形成电力营销数据指标集;
第二模块,用于通过最大相关最小冗余特征选择方法对电力营销数据指标集进行特征压缩,获取反映电力营销策略影响的特征子集,将特征子集中的数据分为训练样本数据和测试样本数据;
第三模块,用于将特征子集映射到Hilbert空间,并引入分位数构建基于Pb-SVM的电力营销策略评估模型,以训练样本数据作为输入,训练构建的基于Pb-SVM的电力营销策略评估模型;
第四模块,用于将测试样本数据输入经过训练的基于Pb-SVM的电力营销策略评估模型,获取电力营销策略,对电力营销策略筛选和适用度评估后获得综合评价指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010602256.5A CN111767950B (zh) | 2020-06-29 | 2020-06-29 | 一种基于Pb-SVM的电力营销数据关键指标评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010602256.5A CN111767950B (zh) | 2020-06-29 | 2020-06-29 | 一种基于Pb-SVM的电力营销数据关键指标评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111767950A CN111767950A (zh) | 2020-10-13 |
CN111767950B true CN111767950B (zh) | 2023-09-22 |
Family
ID=72722622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010602256.5A Active CN111767950B (zh) | 2020-06-29 | 2020-06-29 | 一种基于Pb-SVM的电力营销数据关键指标评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767950B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107171315A (zh) * | 2017-05-18 | 2017-09-15 | 广东电网有限责任公司电力科学研究院 | 一种基于rptsvm的电力系统暂态稳定评估方法 |
CN107818406A (zh) * | 2017-10-17 | 2018-03-20 | 广州供电局有限公司 | 电力营销质量评估效率优化方法、系统、介质及计算机 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7657480B2 (en) * | 2001-07-27 | 2010-02-02 | Air Liquide Large Industries U.S. Lp | Decision support system and method |
-
2020
- 2020-06-29 CN CN202010602256.5A patent/CN111767950B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107171315A (zh) * | 2017-05-18 | 2017-09-15 | 广东电网有限责任公司电力科学研究院 | 一种基于rptsvm的电力系统暂态稳定评估方法 |
CN107818406A (zh) * | 2017-10-17 | 2018-03-20 | 广州供电局有限公司 | 电力营销质量评估效率优化方法、系统、介质及计算机 |
Non-Patent Citations (1)
Title |
---|
基于熵权法的供电企业营销评价的应用探讨;邓晓蕾;科技创业家(21);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111767950A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | An SVM-based approach for stock market trend prediction | |
Boonpeng et al. | Decision support system for investing in stock market by using OAA-neural network | |
Zhou et al. | AdaBoost models for corporate bankruptcy prediction with missing data | |
CN111582548A (zh) | 一种基于多元用户行为画像的用电负荷预测方法 | |
Zhao et al. | Systemic financial risk prediction using least squares support vector machines | |
Paramita et al. | A Comparative Study of Feature Selection Techniques in Machine Learning for Predicting Stock Market Trends | |
CN111767950B (zh) | 一种基于Pb-SVM的电力营销数据关键指标评估方法及系统 | |
Li et al. | Prediction of Unbalanced Financial Risk Based on GRA-TOPSIS and SMOTE-CNN | |
Kwak et al. | Predicting bankruptcy after The Sarbanes-Oxley act using the most current data mining approaches | |
Xi et al. | Improved AHP model and neural network for consumer finance credit risk assessment | |
CN112396507A (zh) | 基于阴影划分的集成svm个人信用评估方法 | |
Jeihoonian et al. | Modeling and comparing energy consumption in basic metal industries by neural networks and ARIMA | |
Wang et al. | Carbon emissions prediction based on the GIOWA combination forecasting model: A case study of China | |
Chen et al. | PLS-SVR optimized by PSO algorithm for electricity consumption forecasting | |
Guoen et al. | Customer Churn Prediction In Online Shopping Using The Stacking Integration Approach. | |
Singh et al. | Time Series Forecast With Stock's Price Candlestick Patterns And Sequence Similarities | |
Guo | Analysis of Rural Tourism and Environmental Influencing Factors Based on Analytic Hierarchy Model | |
Sayadi et al. | Prediction-based portfolio optimization model for Iran’s oil dependent stocks using data mining methods | |
Yu et al. | An elm-based classification algorithm with optimal cutoff selection for credit risk assessment | |
Li | Macro carbon price prediction with support vector regression and Paris accord targets | |
Yin et al. | The relevance of features to limit order book learning | |
Li et al. | Detection of corporate environmental information disclosure falsification based on support vector machine | |
Yu et al. | A least squares fuzzy SVM approach to credit risk assessment | |
Sun et al. | A deep mining method of enterprise financial risk data based on improved support vector machine | |
Shi et al. | Enhancing IoT Flow Anomaly Detection with Differential Optimal Feature Subspace |
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 |