CN111898839B - 电力用户的重要程度分类方法及装置 - Google Patents
电力用户的重要程度分类方法及装置 Download PDFInfo
- Publication number
- CN111898839B CN111898839B CN201910367573.0A CN201910367573A CN111898839B CN 111898839 B CN111898839 B CN 111898839B CN 201910367573 A CN201910367573 A CN 201910367573A CN 111898839 B CN111898839 B CN 111898839B
- Authority
- CN
- China
- Prior art keywords
- evaluation
- evaluation index
- power
- data
- sample
- 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 53
- 238000011156 evaluation Methods 0.000 claims abstract description 231
- 238000013210 evaluation model Methods 0.000 claims abstract description 143
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000011158 quantitative evaluation Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 14
- 238000011161 development Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009291 secondary effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method 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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种电力用户的重要程度分类方法及装置,所述方法包括:构建用于对电力用户进行重要程度分类的评价模型,利用层次分析法计算获得评价模型中各评价指标的权重;获取电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据,并对各评价指标的数据进行预处理;根据评价模型中各评价指标的权重以及电力用户样本对应的经过预处理后的数据,利用改进FCM聚类算法,获得电力用户样本的各个聚类中心;根据目标电力用户对应的经过预处理后的的数据,计算目标电力用户与各个聚类中心的欧式距离,根据所述欧式距离确定目标电力用户的重要程度分类结果。本发明实施例可科学客观地对电力用户进行重要程度的分类。
Description
技术领域
本发明实施例涉及电力技术领域,更具体地,涉及一种电力用户的重要程度分类方法及装置。
背景技术
重要电力用户是指在国家或本市的社会经济生活中占有重要地位,中断供电将可能造成人身伤亡、较大环境污染、较大经济损失,严重影响社会公共秩序的电网供电范围内的电力用户。电力系统应该保障重要电力用户的持续可靠供电。因此,对电力用户进行重要程度分类,显得尤为重要。
目前,我国针对重要电力用户进行分类的方法都为人工经验分类方法,缺乏科学性、客观性,且大多仅考虑供电可靠性,未能全面考虑电力用户各方面的属性。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的电力用户的重要程度分类方法及装置。
第一方面,本发明实施例提供一种电力用户的重要程度分类方法,包括:
构建用于对电力用户进行重要程度分类的评价模型,利用层次分析法计算获得所述评价模型中各评价指标的权重;
获取电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据,并对所述电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据进行预处理;
根据所述评价模型中各评价指标的权重以及所述电力用户样本对应的经过预处理后的所述评价模型中各评价指标的数据,利用特征加权优化的FCM聚类算法,获得所述电力用户样本的各个聚类中心;
根据所述目标电力用户对应的经过预处理后的所述评价模型中各评价指标的数据,计算所述目标电力用户与所述各个聚类中心的欧式距离,根据所述欧式距离确定所述目标电力用户的重要程度分类结果。
第二方面,本发明实施例提供一种电力用户的重要程度分类装置,包括:
模型构建模块,用于构建用于对电力用户进行重要程度分类的评价模型,利用层次分析法计算获得所述评价模型中各评价指标的权重;
数据获取与处理模块,用于获取电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据,并对所述电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据进行预处理;
聚类模块,用于根据所述评价模型中各评价指标的权重以及经过预处理后的所述电力用户样本对应的所述评价模型中各评价指标的数据,利用特征加权优化的FCM聚类算法,获得所述电力用户样本的各个聚类中心;
计算模块,用于根据经过预处理后的所述目标电力用户对应的所述评价模型中各评价指标的数据,计算所述目标电力用户与所述各个聚类中心的欧式距离,根据所述欧式距离确定所述目标电力用户的重要程度分类结果。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的电力用户的重要程度分类方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的电力用户的重要程度分类方法的步骤。
本发明实施例提供的电力用户的重要程度分类方法,在考虑了用户供电可靠性和电能质量需求以及保单活动的基础上,构建了电力用户的重要程度评价模型,并利用用户画像技术获取评价模型中各评价指标的数据,基于所获取的数据利用特征加权优化的FCM聚类算法对电力用户进行重要程度分类,可以科学地、客观地以及全面地对电力用户进行重要程度的分类。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的电力用户的重要程度分类方法的流程示意图;
图2为本发明实施例提供的电力用户的重要程度分类装置的结构示意图;
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明实施例提供的电力用户的重要程度分类方法的流程示意图,包括:
步骤100、构建用于对电力用户进行重要程度分类的评价模型,利用层次分析法计算获得所述评价模型中各评价指标的权重;
具体地,基于大数据技术获取电力用户的有关活动数据、相关政府部门的规定和已整理好的能够表征电力用户特征的数据。然后通过对获取到的数据进行分析,得到高度提炼的评价模型。本发明实施例建立的评价模型包括多个一级评价指标,每个一级评价指标又包含多个二级评价指标。将评价模型中用户的所有评价指标进行综合,就可以得到该用户立体的“形象”。
本发明实施例建立的评价模型中所包含的评价指标如表1所示,评价指标包括:用户社会属性、用户电力属性和用户需求。其中,用户社会属性是由描述用户社会性质的一些标签组成,体现用户承担的社会角色、对社会发展的作用。该部分指标主要通过相关部门的文件和国家标准得到。用户电力属性主要刻画用户在电力系统方面的形象,侧重于电能质量的信息。该部分数据需要通过实际设备测量数据和一定的计算得到。用户需求指标主要体现用户对供电可靠性的要求,该指标主要反映用户自身对供电的需求。
评价指标的集合可以集中的反映电力用户的重要程度,然而在实际应用中,每一个评价指标对用户重要程度的作用是不同的,有些评价指标作用大,有些评价指标的作用次要——也就是每一个评价指标对于电力用户的重要程度的贡献度不同,我们将这种贡献度称为评价指标的权重W。确定各评价指标的权重是一个十分重要的问题,本发明实施例利用层次分析法。
具体来说,先用层次分析算法确定所述评价模型的各一级评价指标(用户社会属性、用户电力属性和用户需求)的权重,然后在针对每个一级评价指标,在该一级评价指标下再次用层次分析法确定二级评价指标的权重,最后将二级评价指标的权重乘上对应的一级评价指标的权重就是可以得到该二级评价指标对刻画电力用户重要程度的最终权重。
表1电力用户重要程度评价指标
步骤101、获取电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据,并对所述电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据进行预处理;
具体地,在构建了用于对电力用户进行重要程度分类的评价模型,并且确定了所述评价模型中各评价指标的权重之后,需要根据评价模型中所包含的评价指标去对应地获取电力用户与评价指标相关的数据。
获取电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据的步骤,具体为:
基于用户画像技术获取电力用户样本和目标电力用户对应的所述评价模型中的用户社会属性评价指标数据和用户需求属性评价指标数据;
基于电力设备的实际测量值获取电力用户样本和目标电力用户对应的所述评价模型中的用户电力属性评价指标数据。
可以理解的是,用户社会属性评价指标和用户需求属性评价指标的数据获取需要借助用户画像技术,例如,通过挖掘政府部门已经整理好的文件,可以获得电力用户参与保电活动的隐藏信息。而用户电力属性相关的评价指标数据则基于对电力设备的实际测量值并经过一定的计算获得,例如,三相电压不平衡率根据实际测量值计算得到。
在获得电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据的之后,由于各个指标统计方式、单位都不相同,所以需要进行预处理,以便于后续操作。
其中,对所述电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据进行预处理的步骤,具体为:
将所述电力用户样本和目标电力用户对应的所述评价模型的评价指标按性质分为定性评价指标、定量评价指标和反向评价指标;
对所述电力用户样本和目标电力用户对应的所述评价模型中的各定性评价指标的数据进行量化处理;
对所述电力用户样本和目标电力用户对应的所述评价模型中的各定量评价指标的数据进行标准化处理;
对所述电力用户样本和目标电力用户对应的所述评价模型中的经过标准化处理后的各反向评价指标的数据进行反向处理。
具体地,本发明实施例中定性评价指标包括经济影响和国家安全影响;定量评价指标包括电压偏差率、三相电压不平衡率、工频过电压值、操作过电压值、频率偏差、用户期望平均停电时间和用户期望停电次数;反向评价指标包括保电次数、经济影响、国家安全影响、用户期望平均停电时间和用户期望停电次数。
可以理解的是,对电力用户样本和目标电力用户对应的所述评价模型中的各定性评价指标的数据进行量化处理,将定性数据转为定量数据。
对电力用户样本和目标电力用户对应的所述评价模型中的各定量评价指标的数据进行标准化处理,标准化处理包括归一化处理、进行线性变换等。
本发明实施例中,电压偏差率、三相电压不平衡率和频率偏差已经是百分数显示,不需要处理。工频过电压值和操作过电压值是测量出的具体数值,可以通过与对应电压等级下过电压限值之比进行处理。公式如下:
保电次数、用户期望平均停电时间、用户期望停电次数指标的处理是通过线性变换法实现的,具体公式如下:
对所述电力用户样本和目标电力用户对应的所述评价模型中的经过标准化处理后的各反向评价指标的数据进行反向处理。反向处理的公式如下:
y′i=1-yi
其中,y′i指电力用户i的某个评价指标反向处理后的结果,yi指该电力用户i的某个评价指标经过标准化处理之后的值。
对所述电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据进行预处理之后,获得所述电力用户样本对应的经过预处理的所述评价模型中各评价指标的数据和所述目标电力用户对应的经过预处理的所述评价模型中各评价指标的数据。
步骤102、根据所述评价模型中各评价指标的权重以及所述电力用户样本对应的经过预处理后的所述评价模型中各评价指标的数据,利用特征加权优化的FCM聚类算法,获得所述电力用户样本的各个聚类中心;
FCM聚类算法的原理:假设待聚类的样本有n个,表示为X={X1、X2、X3……Xn},每一个样本特征数量为K。若要将样本分为C类,每组聚类中心为Pi(i=1、2、……C)要使目标函数J最小,J的定义如下:
并且要满足条件
其中,uij是某个样本对于每一类的隶属度向量,最终构成隶属度矩阵U;dij表示样本与聚类中心的欧几里得距离;m为模糊加权指数,用于控制隶属度矩阵U的模糊程度。本发明实施例中,取m=2。
值得说明的是,本发明实施例利用特征加权优化的FCM聚类算法实现对电力用户重要程度的分类。
其中,特征加权优化的FCM聚类算法是一种无监督的分类方法且需要考虑指标的权重,该聚类过程仅能自动形成簇结构,簇对应的概念需要结合具体的业务需求来进行定义。
特征加权优化的FCM聚类算法的欧式距离计算公式如下:
其中,是带权重属性的欧氏距离,矢量W是评价指标的权重集合,Wk是第k个评价指标的权重,xi为第i个聚类中心对应的经过预处理后的所述评价模型中各评价指标的数据所组成的向量,xik则为xi中的第k个评价指标数据,xj为第j个电力用户样本对应的经过预处理后的所述评价模型中各评价指标的数据所组成的向量,xjk为xj中的第k个评价指标数据。
将各个评价指标的权重代入到上述欧式距离计算公式中,,再根据FCM聚类算法,就可以得到多个电力用户样本的各个聚类中心。
步骤103、根据所述目标电力用户对应的经过预处理后的所述评价模型中各评价指标的数据,计算所述目标电力用户与所述各个聚类中心的欧式距离,根据所述欧式距离确定所述目标电力用户的重要程度分类结果。
具体地,本发明实施例首先利用电力用户样本计算出多个聚类中心,然后通过计算目标电力用户与每个聚类中心的欧式距离来获得目标电力用户的重要程度分类结果。
所述根据所述欧式距离确定所述目标电力用户的重要程度分类结果的步骤,具体为:
比较所述目标电力用户与所述各个聚类中心的欧式距离,确定与所述目标电力用户欧式距离最短的聚类中心;
将与所述目标电力用户欧式距离最短的聚类中心所在的类别作为所述目标电力用户的重要程度分类结果。
值得说明的是,本发明实施例中采用的是带权重属性的欧式距离计算公式。可以将所有电力用户分成3类,分为一级、二级、三级用户。一级用户对应着对社会发展和国家安全有重大作用的电力用户、二级用户对应着对社会发展和国家安全有较大作用的电力用户、三级用户对应着对社会发展和国家安全有较小作用的电力用户。
本发明实施例提供的电力用户的重要程度分类方法,在考虑了用户供电可靠性和电能质量需求以及保单活动的基础上,构建了电力用户的重要程度评价模型,并利用用户画像技术获取评价模型中各评价指标的数据,基于所获取的数据利用特征加权优化的FCM聚类算法对电力用户进行重要程度分类,可以科学地、客观地以及全面地对电力用户进行重要程度的分类。
基于上述实施例的内容,所述利用层次分析法计算获得所述评价模型中各评价指标的权重的步骤,具体为:
确定构成所述评价模型的各一级评价指标之间的相对重要性关系,根据所述各一级评价指标之间的相对重要性关系构造第一判断矩阵;
基于所述第一判断矩阵,计算获得所述评价模型的各一级评价指标的权重,并对所述第一判断矩阵进行一致性校验;
针对任一个一级评价指标,确定所述一级评价指标下的各二级评价指标之间的相对重要性关系,根据所述各二级评价指标之间的相对重要性关系构造第二判断矩阵;
基于所述第二判断矩阵,计算获得所述一级评价指标下的各二级评价指标的权重,并对所述第二判断矩阵进行一致性校验;
将所述一级评价指标的权重与所述一级评价指标下的各二级评价指标的权重相乘,获得各二级评价指标的最终权重。
具体地,首先确定一级评价指标的权重。根据各一级评价指标之间两两比较的相对重要性关系构造第一判断矩阵,重要性数值通常用五级标度法或者九级标度法赋值(见表2)。其中,九级标度法指的是用数字1~9及其倒数来表示两两因素之间的相对重要性,构成一个n*n的矩阵,该矩阵的特点是对角线上的数值都为1(自己与自己相比同等重要),对称的两个数互为倒数。例如,评价指标1比评价指标2稍重要,则矩阵中a12=3,a21=1/3。
表2九级标度判断矩阵标度定义
基于所述第一判断矩阵,计算获得所述评价模型的各一级评价指标的权重的步骤,具体为:求解第一判断矩阵的最大特征值λmax,然后查找一致性随机指标RI(如表3),再计算一致性比例CR,当CR<0.1时,判断矩阵检验通过。
其中,
其中,
表3平均随机一致性指标
n | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
RI | 0 | 0 | 0.52 | 0.89 | 1.12 | 1.24 | 1.36 | 1.41 | 1.46 | 1.49 | 1.52 | 1.54 | 1.56 | 1.58 |
然后,用特征向量法求解各个评价指标的权重值:
AW=λmaxW
最后将得到的W做归一化处理。
采用相同的方法可以确定任一个一级评价指标下的的各二级评价指标的权重,在此不再赘述。
将所述一级评价指标的权重与所述一级评价指标下的各二级评价指标的权重相乘,从而获得各二级评价指标的最终权重。
基于上述实施例的内容,所述所述根据所述评价模型中各评价指标的权重以及所述电力用户样本对应的经过预处理后的所述评价模型中各评价指标的数据,利用特征加权优化的FCM聚类算法,获得所述电力用户样本的各个聚类中心的步骤,具体为:
确定分类个数c,并初始化隶属度矩阵U;
根据所述隶属度矩阵U和电力用户样本对应的经过预处理后的所述评价模型中各评价指标的数据,利用公式一计算聚类中心;
其中,计算聚类中心的公式为:
根据所述评价模型中各评价指标的权重和电力用户样本对应的经过预处理后的所述评价模型中各评价指标的数据,利用公式二计算电力用户样本与聚类中心间的带权重属性欧式距离;
其中,带权重属性的欧式距离计算公式为:
根据所述隶属度矩阵和所述电力用户样本与聚类中心间的带权重属性欧式距离,利用公式三计算目标函数的值;
其中,计算目标函数的公式为:
当目标函数的值小于预设阈值时,保存当前聚类中心,否则,利用公式四更新隶属度矩阵;
其中,更新隶属度矩阵的公式为:
上述各式中,X={X1、X2、X3……Xn}为电力用户样本,每个电力用户样本为一个K维的向量,K为评价指标总个数,c为分类个数,n为电力用户样本总数目,Pi为第i个聚类中心,m为模糊加权指数,k为评价指标维度,Wk为第k个评价指标的权重,uij是第j个电力用户样本对于第i类的隶属度向量,为第j个电力用户样本与第i个聚类中心之间的带权重属性欧式距离,xj为第j个电力用户样本对应的经过预处理后的所述评价模型中各评价指标的数据所组成的向量。
值得说明的是,具体的分类数目、每一聚类中心(分类结果)的含义可以根据不同的需要来进行定义。
本发明实施例提供的电力用户的重要程度分类方法,在考虑了用户供电可靠性和电能质量需求以及保单活动的基础上,利用特征加权优化的FCM聚类算法对电力用户进行重要程度分类,算法简单且更有效,可以科学地、客观地以及全面地对电力用户进行重要程度的分类。
如图2所示,为本发明实施例提供的电力用户的重要程度分类装置的结构示意图,包括:模型构建模块201、数据获取与处理模块202、聚类模块203和计算模块204,其中,
模型构建模块201,用于构建用于对电力用户进行重要程度分类的评价模型,利用层次分析法计算获得所述评价模型中各评价指标的权重;
具体地,模型构建模块201基于大数据技术获取电力用户的有关活动数据、相关政府部门的规定和已整理好的能够表征电力用户特征的数据。然后通过对获取到的数据进行分析,得到高度提炼的评价模型。本发明实施例建立的评价模型包括多个一级评价指标,每个一级评价指标又包含多个二级评价指标。将评价模型中用户的所有评价指标进行综合,就可以得到该用户立体的“形象”。
本发明实施例建立的评价模型中所包含的评价指标包括:用户社会属性、用户电力属性和用户需求。其中,用户社会属性是由描述用户社会性质的一些标签组成,体现用户承担的社会角色、对社会发展的作用。该部分指标主要通过相关部门的文件和国家标准得到。用户电力属性主要刻画用户在电力系统方面的形象,侧重于电能质量的信息。该部分数据需要通过实际设备测量数据和一定的计算得到。用户需求指标主要体现用户对供电可靠性的要求,该指标主要反映用户自身对供电的需求。
模型构建模块201先用层次分析算法确定所述评价模型的各一级评价指标(用户社会属性、用户电力属性和用户需求)的权重,然后在针对每个一级评价指标,在该一级评价指标下再次用层次分析法确定二级评价指标的权重,最后将二级评价指标的权重乘上对应的一级评价指标的权重就是可以得到该二级评价指标对刻画电力用户重要程度的最终权重。
数据获取与处理模块202,用于获取电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据,并对所述电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据进行预处理;
具体地,数据获取与处理模块202需要根据评价模型中所包含的评价指标去对应地获取电力用户与评价指标相关的数据。
数据获取与处理模块202具体用于:
基于用户画像技术获取电力用户样本和目标电力用户对应的所述评价模型中的用户社会属性评价指标数据和用户需求属性评价指标数据;
基于电力设备的实际测量值获取电力用户样本和目标电力用户对应的所述评价模型中的用户电力属性评价指标数据。
在获得电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据的之后,由于各个指标统计方式、单位都不相同,所以需要进行预处理,以便于后续操作。
数据获取与处理模块202还用于:
将所述电力用户样本和目标电力用户对应的所述评价模型的评价指标按性质分为定性评价指标、定量评价指标和反向评价指标;
对所述电力用户样本和目标电力用户对应的所述评价模型中的各定性评价指标的数据进行量化处理;
对所述电力用户样本和目标电力用户对应的所述评价模型中的各定量评价指标的数据进行标准化处理;
对所述电力用户样本和目标电力用户对应的所述评价模型中的经过标准化处理后的各反向评价指标的数据进行反向处理。
对所述电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据进行预处理之后,获得所述电力用户样本对应的经过预处理的所述评价模型中各评价指标的数据和所述目标电力用户对应的经过预处理的所述评价模型中各评价指标的数据。
聚类模块203,用于根据所述评价模型中各评价指标的权重以及经过预处理后的所述电力用户样本对应的所述评价模型中各评价指标的数据,利用特征加权优化的FCM聚类算法,获得所述电力用户样本的各个聚类中心;
具体地,FCM聚类算法的原理:假设待聚类的样本有n个,表示为X={X1、X2、X3……Xn},每一个样本特征数量为K。若要将样本分为C类,每组聚类中心为Pi(i=1、2、……C)要使目标函数J最小,J的定义如下:
并且要满足条件
其中,uij是某个样本对于每一类的隶属度向量,最终构成隶属度矩阵U;dij表示样本与聚类中心的欧几里得距离;m为模糊加权指数,用于控制隶属度矩阵U的模糊程度。本发明实施例中,取m=2。
值得说明的是,聚类模块203利用特征加权优化的FCM聚类算法实现对电力用户重要程度的分类。
其中,特征加权优化的FCM聚类算法是一种无监督的分类方法且需要考虑指标的权重,该聚类过程仅能自动形成簇结构,簇对应的概念需要结合具体的业务需求来进行定义。
特征加权优化的FCM聚类算法的欧式距离计算公式如下:
其中,是带权重属性的欧氏距离,矢量W是评价指标的权重集合,Wk是第k个评价指标的权重,xi为第i个聚类中心对应的经过预处理后的所述评价模型中各评价指标的数据所组成的向量,xik则为xi中的第k个评价指标数据,xj为第j个电力用户样本对应的经过预处理后的所述评价模型中各评价指标的数据所组成的向量,xjk为xj中的第k个评价指标数据。
聚类模块203将各个评价指标的权重代入上述欧式距离计算公式中,再根据FCM聚类算法,就可以得到多个电力用户样本的各个聚类中心。
计算模块204,用于根据经过预处理后的所述目标电力用户对应的所述评价模型中各评价指标的数据,计算所述目标电力用户与所述各个聚类中心的欧式距离,根据所述欧式距离确定所述目标电力用户的重要程度分类结果。
计算模块204具体用于:
比较所述目标电力用户与所述各个聚类中心的欧式距离,确定与所述目标电力用户欧式距离最短的聚类中心;
将与所述目标电力用户欧式距离最短的聚类中心所在的类别作为所述目标电力用户的重要程度分类结果。
值得说明的是,本发明实施例中采用的是带权重属性的欧式距离计算公式。可以将所有电力用户分成3类,分为一级、二级、三级用户。一级用户对应着对社会发展和国家安全有重大作用的电力用户、二级用户对应着对社会发展和国家安全有较大作用的电力用户、三级用户对应着对社会发展和国家安全有较小作用的电力用户。
本发明实施例提供的电力用户的重要程度分类装置,在考虑了用户供电可靠性和电能质量需求以及保单活动的基础上,构建了电力用户的重要程度评价模型,并利用用户画像技术获取评价模型中各评价指标的数据,基于所获取的数据利用特征加权优化的FCM聚类算法对电力用户进行重要程度分类,可以科学地、客观地以及全面地对电力用户进行重要程度的分类。
图3为本发明实施例提供的电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储在存储器330上并可在处理器310上运行的计算机程序,以执行上述各方法实施例所提供的电力用户的重要程度分类方法,例如包括:构建用于对电力用户进行重要程度分类的评价模型,利用层次分析法计算获得所述评价模型中各评价指标的权重;获取电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据,并对所述电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据进行预处理;根据所述评价模型中各评价指标的权重以及所述电力用户样本对应的经过预处理后的所述评价模型中各评价指标的数据,利用特征加权优化的FCM聚类算法,获得所述电力用户样本的各个聚类中心;根据所述目标电力用户对应的经过预处理后的所述评价模型中各评价指标的数据,计算所述目标电力用户与所述各个聚类中心的欧式距离,根据所述欧式距离确定所述目标电力用户的重要程度分类结果。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例提供的电力用户的重要程度分类方法,例如包括:构建用于对电力用户进行重要程度分类的评价模型,利用层次分析法计算获得所述评价模型中各评价指标的权重;获取电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据,并对所述电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据进行预处理;根据所述评价模型中各评价指标的权重以及所述电力用户样本对应的经过预处理后的所述评价模型中各评价指标的数据,利用特征加权优化的FCM聚类算法,获得所述电力用户样本的各个聚类中心;根据所述目标电力用户对应的经过预处理后的所述评价模型中各评价指标的数据,计算所述目标电力用户与所述各个聚类中心的欧式距离,根据所述欧式距离确定所述目标电力用户的重要程度分类结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种电力用户的重要程度分类方法,其特征在于,包括:
构建用于对电力用户进行重要程度分类的评价模型,利用层次分析法计算获得所述评价模型中各评价指标的权重;
获取电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据,并对所述电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据进行预处理;
根据所述评价模型中各评价指标的权重以及所述电力用户样本对应的经过预处理后的所述评价模型中各评价指标的数据,利用特征加权优化的FCM聚类算法,获得所述电力用户样本的各个聚类中心;
根据所述目标电力用户对应的经过预处理后的所述评价模型中各评价指标的数据,计算所述目标电力用户与所述各个聚类中心的欧式距离,根据所述欧式距离确定所述目标电力用户的重要程度分类结果;
所述利用层次分析法计算获得所述评价模型中各评价指标的权重的步骤,具体为:
确定构成所述评价模型的各一级评价指标之间的相对重要性关系,根据所述各一级评价指标之间的相对重要性关系构造第一判断矩阵;
基于所述第一判断矩阵,计算获得所述评价模型的各一级评价指标的权重,并对所述第一判断矩阵进行一致性校验;
针对任一个一级评价指标,确定所述一级评价指标下的各二级评价指标之间的相对重要性关系,根据所述各二级评价指标之间的相对重要性关系构造第二判断矩阵;
基于所述第二判断矩阵,计算获得所述一级评价指标下的各二级评价指标的权重,并对所述第二判断矩阵进行一致性校验;
将所述一级评价指标的权重与所述一级评价指标下的各二级评价指标的权重相乘,获得各二级评价指标的最终权重;
所述获取电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据的步骤,具体为:
基于用户画像技术获取电力用户样本和目标电力用户对应的所述评价模型中的用户社会属性评价指标数据和用户需求属性评价指标数据;
基于电力设备的实际测量值获取电力用户样本和目标电力用户对应的所述评价模型中的用户电力属性评价指标数据。
2.根据权利要求1所述的方法,其特征在于,所述评价模型包括多个一级评价指标,每个一级评价指标又包含多个二级评价指标。
3.根据权利要求1所述的方法,其特征在于,所述对所述电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据进行预处理的步骤,具体为:
将所述电力用户样本和目标电力用户对应的所述评价模型的评价指标按性质分为定性评价指标、定量评价指标和反向评价指标;
对所述电力用户样本和目标电力用户对应的所述评价模型中的各定性评价指标的数据进行量化处理;
对所述电力用户样本和目标电力用户对应的所述评价模型中的各定量评价指标的数据进行标准化处理;
对所述电力用户样本和目标电力用户对应的所述评价模型中的经过标准化处理后的各反向评价指标的数据进行反向处理。
4.根据权利要求1所述的方法,其特征在于,所述根据所述评价模型中各评价指标的权重以及所述电力用户样本对应的经过预处理后的所述评价模型中各评价指标的数据,利用特征加权优化的FCM聚类算法,获得所述电力用户样本的各个聚类中心的步骤,具体为:
确定分类个数,并初始化隶属度矩阵;
根据所述隶属度矩阵和电力用户样本对应的经过预处理后的所述评价模型中各评价指标的数据,利用公式一计算聚类中心;
根据所述评价模型中各评价指标的权重和电力用户样本对应的经过预处理后的所述评价模型中各评价指标的数据,利用公式二计算电力用户样本与聚类中心间的带权重属性欧式距离;
根据所述隶属度矩阵和所述电力用户样本与聚类中心间的带权重属性欧式距离,利用公式三计算目标函数的值;
当目标函数的值小于预设阈值时,保存当前聚类中心,否则,利用公式四更新隶属度矩阵;
其中,计算聚类中心的公式为:
带权重属性的欧式距离计算公式为:
计算目标函数的公式为:
更新隶属度矩阵的公式为:
其中,c为分类个数,n为电力用户样本总数目,Pi为第i个聚类中心,m为模糊加权指数,uij是第j个电力用户样本对于第i类的隶属度向量,为第j个电力用户样本与第i个聚类中心之间的带权重属性欧式距离,xj为第j个电力用户样本对应的经过预处理后的所述评价模型中各评价指标的数据所组成的向量,k为评价指标维度,K为评价指标总个数,Wk为第k个评价指标的权重。
5.根据权利要求1所述的方法,其特征在于,所述根据所述欧式距离确定所述目标电力用户的重要程度分类结果的步骤,具体为:
比较所述目标电力用户与所述各个聚类中心的欧式距离,确定与所述目标电力用户欧式距离最短的聚类中心;
将与所述目标电力用户欧式距离最短的聚类中心所在的类别作为所述目标电力用户的重要程度分类结果。
6.一种电力用户的重要程度分类装置,其特征在于,包括:
模型构建模块,用于构建用于对电力用户进行重要程度分类的评价模型,利用层次分析法计算获得所述评价模型中各评价指标的权重;
数据获取与处理模块,用于获取电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据,并对所述电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据进行预处理;
聚类模块,用于根据所述评价模型中各评价指标的权重以及经过预处理后的所述电力用户样本对应的所述评价模型中各评价指标的数据,利用特征加权优化的FCM聚类算法,获得所述电力用户样本的各个聚类中心;
计算模块,用于根据经过预处理后的所述目标电力用户对应的所述评价模型中各评价指标的数据,计算所述目标电力用户与所述各个聚类中心的欧式距离,根据所述欧式距离确定所述目标电力用户的重要程度分类结果;
所述利用层次分析法计算获得所述评价模型中各评价指标的权重的步骤,具体为:
确定构成所述评价模型的各一级评价指标之间的相对重要性关系,根据所述各一级评价指标之间的相对重要性关系构造第一判断矩阵;
基于所述第一判断矩阵,计算获得所述评价模型的各一级评价指标的权重,并对所述第一判断矩阵进行一致性校验;
针对任一个一级评价指标,确定所述一级评价指标下的各二级评价指标之间的相对重要性关系,根据所述各二级评价指标之间的相对重要性关系构造第二判断矩阵;
基于所述第二判断矩阵,计算获得所述一级评价指标下的各二级评价指标的权重,并对所述第二判断矩阵进行一致性校验;
将所述一级评价指标的权重与所述一级评价指标下的各二级评价指标的权重相乘,获得各二级评价指标的最终权重;
所述获取电力用户样本和目标电力用户对应的所述评价模型中各评价指标的数据的步骤,具体为:
基于用户画像技术获取电力用户样本和目标电力用户对应的所述评价模型中的用户社会属性评价指标数据和用户需求属性评价指标数据;
基于电力设备的实际测量值获取电力用户样本和目标电力用户对应的所述评价模型中的用户电力属性评价指标数据。
7.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。
8.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910367573.0A CN111898839B (zh) | 2019-05-05 | 2019-05-05 | 电力用户的重要程度分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910367573.0A CN111898839B (zh) | 2019-05-05 | 2019-05-05 | 电力用户的重要程度分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898839A CN111898839A (zh) | 2020-11-06 |
CN111898839B true CN111898839B (zh) | 2023-12-15 |
Family
ID=73169116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910367573.0A Active CN111898839B (zh) | 2019-05-05 | 2019-05-05 | 电力用户的重要程度分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898839B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159571A (zh) * | 2021-04-20 | 2021-07-23 | 中国农业大学 | 一种跨境外来物种风险等级判定及智能识别方法及系统 |
CN113128890A (zh) * | 2021-04-26 | 2021-07-16 | 国网河北省电力有限公司营销服务中心 | 电力用户分类方法、装置及终端设备 |
CN113327062A (zh) * | 2021-06-25 | 2021-08-31 | 贵州电网有限责任公司电力科学研究院 | 信息的等级确定方法、装置、计算机设备和存储介质 |
CN114220004B (zh) * | 2021-11-26 | 2023-04-18 | 北京亿耘科技有限公司 | 一种基于遥感影像的人工牧场地块识别方法和系统 |
CN114331164A (zh) * | 2021-12-31 | 2022-04-12 | 上海时代光华教育发展有限公司 | 学习管理系统成熟度评估方法、装置及电子设备 |
CN117217711A (zh) * | 2023-10-23 | 2023-12-12 | 广东电网有限责任公司 | 通信费单据自动审核方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093394A (zh) * | 2013-01-23 | 2013-05-08 | 广东电网公司信息中心 | 一种基于用户用电负荷数据细分的聚类融合方法 |
CN103869102A (zh) * | 2014-03-11 | 2014-06-18 | 广东电网公司电网规划研究中心 | 一种大区域电网负荷统计与分类方法 |
CN104573947A (zh) * | 2014-12-29 | 2015-04-29 | 国家电网公司 | 区域智能配电网低压台区综合评价方法 |
WO2016180127A1 (zh) * | 2015-09-16 | 2016-11-17 | 中兴通讯股份有限公司 | 一种网络性能的评估方法及系统 |
CN106447403A (zh) * | 2016-10-17 | 2017-02-22 | 国网重庆市电力公司电力科学研究院 | 一种大用户直购电环境下用户优先级分类方法 |
WO2018121396A1 (zh) * | 2016-12-29 | 2018-07-05 | 中国银联股份有限公司 | 商户价值评价方法 |
CN108345908A (zh) * | 2018-02-10 | 2018-07-31 | 武汉轻工大学 | 电网数据的分类方法、分类设备及存储介质 |
CN109191189A (zh) * | 2018-08-20 | 2019-01-11 | 国网河南省电力公司经济技术研究院 | 售电市场放开下电力客户价值评价方法 |
CN109472453A (zh) * | 2018-10-12 | 2019-03-15 | 山大地纬软件股份有限公司 | 基于全局最优模糊核聚类模型的电力用户信用评价方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150127577A1 (en) * | 2012-05-04 | 2015-05-07 | B-Sm@Rk Limited | Method and apparatus for rating objects |
US20180293674A1 (en) * | 2017-04-11 | 2018-10-11 | Erik Joseph Bartone | System and Method for Retail Consumers to Purchase Dynamically Priced Wholesale Electricity Generation Services |
-
2019
- 2019-05-05 CN CN201910367573.0A patent/CN111898839B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093394A (zh) * | 2013-01-23 | 2013-05-08 | 广东电网公司信息中心 | 一种基于用户用电负荷数据细分的聚类融合方法 |
CN103869102A (zh) * | 2014-03-11 | 2014-06-18 | 广东电网公司电网规划研究中心 | 一种大区域电网负荷统计与分类方法 |
CN104573947A (zh) * | 2014-12-29 | 2015-04-29 | 国家电网公司 | 区域智能配电网低压台区综合评价方法 |
WO2016180127A1 (zh) * | 2015-09-16 | 2016-11-17 | 中兴通讯股份有限公司 | 一种网络性能的评估方法及系统 |
CN106447403A (zh) * | 2016-10-17 | 2017-02-22 | 国网重庆市电力公司电力科学研究院 | 一种大用户直购电环境下用户优先级分类方法 |
WO2018121396A1 (zh) * | 2016-12-29 | 2018-07-05 | 中国银联股份有限公司 | 商户价值评价方法 |
CN108345908A (zh) * | 2018-02-10 | 2018-07-31 | 武汉轻工大学 | 电网数据的分类方法、分类设备及存储介质 |
CN109191189A (zh) * | 2018-08-20 | 2019-01-11 | 国网河南省电力公司经济技术研究院 | 售电市场放开下电力客户价值评价方法 |
CN109472453A (zh) * | 2018-10-12 | 2019-03-15 | 山大地纬软件股份有限公司 | 基于全局最优模糊核聚类模型的电力用户信用评价方法 |
Non-Patent Citations (1)
Title |
---|
一种融合降维和聚类的电力用户高效分类方法;李青等;《电力信息与通信技术》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111898839A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898839B (zh) | 电力用户的重要程度分类方法及装置 | |
CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
US20210109140A1 (en) | Method for identifying parameters of 10 kv static load model based on similar daily load curves | |
CN110111024A (zh) | 基于ahp模糊综合评价模型的科技成果市场价值评估方法 | |
CN105512465B (zh) | 基于改进vikor法的云平台安全性量化评估方法 | |
Rufo et al. | Log-linear pool to combine prior distributions: A suggestion for a calibration-based approach | |
CN111178957B (zh) | 一种用电客户电量突增预警的方法 | |
CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
CN108171369A (zh) | 基于客户用电差异化特性的短期负荷组合预测方法 | |
CN112001644A (zh) | 一种配电网运行可靠性检测方法、装置、终端及存储介质 | |
CN113537697A (zh) | 一种城市管理中监督员绩效评价的方法及系统 | |
CN114298834A (zh) | 一种基于自组织映射网络的个人信用评估方法及系统 | |
CN112541530B (zh) | 针对聚类模型的数据预处理方法及装置 | |
CN114200245A (zh) | 一种配电网的线损异常识别模型的构建方法 | |
CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、系统、设备及介质 | |
CN112381422A (zh) | 光伏电站性能的确定方法和装置 | |
CN107644285A (zh) | 售电市场盈利能力评估指标的筛选与权重确定方法及系统 | |
CN112039111A (zh) | 一种新能源微电网参与电网调峰能力的方法及系统 | |
CN116091206A (zh) | 信用评价方法、装置、电子设备及存储介质 | |
CN114091908A (zh) | 计及多模式储能站的配电网综合评价方法、装置和设备 | |
CN114238852A (zh) | 运营数据的分析方法、装置、存储介质及电子设备 | |
CN111784381A (zh) | 基于隐私保护和som网络的电力客户细分方法及系统 | |
CN112348066A (zh) | 一种基于灰色聚类算法的线路不停电等级评估方法 | |
CN114153683B (zh) | 基于综合评价算法的网络化软件健康度评价方法 | |
Lee | An enterprise financial evaluation model based on rough set theory with Information Entropy |
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 |