CN112308341A - 电力数据的处理方法和装置 - Google Patents

电力数据的处理方法和装置 Download PDF

Info

Publication number
CN112308341A
CN112308341A CN202011325810.6A CN202011325810A CN112308341A CN 112308341 A CN112308341 A CN 112308341A CN 202011325810 A CN202011325810 A CN 202011325810A CN 112308341 A CN112308341 A CN 112308341A
Authority
CN
China
Prior art keywords
data
power
production
power consumption
enterprise user
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.)
Pending
Application number
CN202011325810.6A
Other languages
English (en)
Inventor
王培祎
严嘉慧
丁屹峰
秦皓
段大鹏
李海涛
马龙飞
张禄
徐蕙
陆斯悦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011325810.6A priority Critical patent/CN112308341A/zh
Publication of CN112308341A publication Critical patent/CN112308341A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer 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

本发明公开了一种电力数据的处理方法和装置。其中，该方法包括：获取企业用户的档案数据和用电数据；基于档案数据和用电数据选取每个所述企业用户的特征指标；采用高斯混合模型的聚类算法进行对述被选取的特征指标进行建模分析，得到复产基准用电量核算规则；使用所述复产基准用电量核算规则确定所述企业用户的复产状态，其中，所述复产状态包含：未复产和已复产。本发明解决了疫情对各行各业的经济影响，尚未存在技术方案对其进行准确估量的技术问题。

Description

电力数据的处理方法和装置
技术领域
本发明涉及数据处理领域，具体而言，涉及一种电力数据的处理方法和装置。
背景技术
自2019年12月以来，为了应对突如其来的疫情，全国展开联防联控，减少人员外出，学校实行在家上课，企业实行在家办公等措施，降低传播风险。同时，因疫情带来的经济损失也日渐增长，现针对疫情对各行各业的经济影响，尚未存在技术方案对其进行准确估量。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种电力数据的处理方法和装置，以至少解决疫情对各行各业的经济影响，尚未存在技术方案对其进行准确估量的技术问题。
根据本发明实施例的一个方面，提供了一种电力数据的处理方法，包括：获取企业用户的档案数据和用电数据；基于档案数据和用电数据选取每个所述企业用户的特征指标；采用高斯混合模型的聚类算法进行对述被选取的特征指标进行建模分析，得到复产基准用电量核算规则；使用所述复产基准用电量核算规则确定所述企业用户的复产状态，其中，所述复产状态包含：未复产和已复产。
根据本发明实施例的另一方面，还提供了一种电力数据的处理装置，包括：获取单元，用于获取企业用户的档案数据和用电数据；选取单元，用于基于档案数据和用电数据选取每个所述企业用户的特征指标；分析单元，用于采用高斯混合模型的聚类算法进行对述被选取的特征指标进行建模分析，得到复产基准用电量核算规则；确定单元，用于使用所述复产基准用电量核算规则确定所述企业用户的复产状态，其中，所述复产状态包含：未复产和已复产。
根据本申请的另一方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述任意一项所述的电力数据的处理装置。
根据本申请的另一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的电力数据的处理装置。
本发明通过对获取的电力大数据进行细分，并使用高斯混合模型的EM聚类算法，将客户用电量分为复产阶段和峰值阶段，通过复产阶段平均用电量和峰值阶段平均用电量来核算企业复产基准用电量。
也即，主要通过聚类算法，对电力大数据指标进行分析，采用用电客户信息数据、计量点数据、量测点日冻结电能量数据、日测量点功率数据，完成疫情发生前后用电量分布特征的分析，帮助地方政府高效防控疫情，及时掌握企业复产情况，评估企业产能恢复速度和产能总量，分析出疫情对不同行业的影响程度，为减少因疫情带来的经济损失，降低其中风险点及后续政策的制定提供相应的参考。
值得说明的是，本发明通过用电方面相关特征数据来判断企业是否复产，经过试验、模拟、使用证明可行。使用期望最大化算法来进行密度估计，求解混合高斯模型的参数，以获得最大似然估计。相对于K-Means假设数据点是圆形的，高斯分布(椭圆形)给出了更多的可能性。此外，本发明技术通过使得样本集的联合概率最大来对参数进行估计，从而选择最佳的分布模型。可以用于解决数据缺失的参数估计问题(隐变量的存在实际上就是数据缺失问题，缺失了各个样本来源于哪一类的记录)，抗噪声能力突出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的电力数据的处理方法的示意图；
图2是根据本发明实施例的一种可选的电力数据的处理装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种电力数据的处理的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的电力数据的处理方法，如图1所示，该方法包括如下步骤：
步骤S102，获取企业用户的档案数据和用电数据；
优选的，在获取企业用户的档案数据和用电数据之后，所述方法还包括：筛选预设时间范围内的所述档案数据和所述用电数据；并对筛选后的档案数据和用电数据进行Z-Scroe归一化预处理，以消除量纲的影响。
步骤S104，基于档案数据和用电数据选取每个所述企业用户的特征指标。
优选的，被选取的特征指标，至少包括以下任一：用户编号、行业编码、单位编码、用电类别编码、综合倍率、用电量、功率中位数、功率均值、功率方差、功率最大值、功率最小值、功率极差、功率偏度、功率峰度。
也即，通过对用电客户信息数据、计量点数据、量测点日冻结电能量、日测量点功率数据等数据，整理出用户编号、用电类别编码、行业编码、单位编码、综合倍率、用电量、功率中位数、功率均值、功率方差、功率最大值、功率最小值、功率极差、功率偏度、功率峰度等字段，并根据整理出的字段进行构建电量分布特征指标。
步骤S106，采用高斯混合模型的聚类算法进行对述被选取的特征指标进行建模分析，得到复产基准用电量核算规则，其中，复产基准用电量核算规则为：复产基准用电量＝复产阶段均值*复产阶段标签数/(复产阶段标签数+峰值阶段标签数)+峰值阶段均值*峰值阶段标签数/(复产阶段标签数+峰值阶段标签数)。
针对高斯混合模型，需要说明的是：
从中心极限定理可以得知，Gaussian分布(也叫做正态(Normal)分布)，数据从数个Gaussian Mixture Model(GMM)中得出，而每个GMM由K个Gaussian分布组成，每个Gaussian称为一个“Component”，这些Component线性加成在一起就组成了GMM的概率密度函数：
Figure BDA0002794239100000041
首先随机地在这K个Component之中选一个，每个Component被选中的概率实际上就是它的系数πk，选中了Component之后，再单独地考虑从这个Component的分布中选取一个点，这样我们就可以根据这个点进行推测，假定它们是由GMM生成出来的，那么我们只要根据数据推出GMM的概率分布来就可以了，然后GMM的K个Component实际上就对应了K个cluster了。
估计数据由每个Component生成的概率)：对于每个数据x_i来说，它由第k个Component生成的概率为：
Figure BDA0002794239100000042
估计每个Component的参数：由于每个Component都是一个标准的Gaussian分布，可以很容易分布求出最大似然所对应的参数值：
Figure BDA0002794239100000043
重复迭代前面两步，直到似然函数的值收敛为止。这样就成功构建出高斯混合模型的(EM)聚类模型了。
此外，高斯混合模型在簇协方差方面比K均值灵活得多；由于标准偏差参数的存在，簇可以呈现任何椭圆形状，而不局限于圆形。k均值实际上是高斯混合模型的一个特例，其中每个簇的所有维协方差都接近于0(即，K-Means是高斯混合模型的一个特殊情况，是方差在所有维度上都接近于0时簇就会呈现出圆形)；以及、由于高斯混合模型使用概率，因此每个数据点可以有多个集群，因此高斯混合模型支持混合成员。
进一步的，根据构建出的高斯混合模型的(EM)聚类的分析结果，建立复产基准用电量核算规则，通过复产基准用电量核算规则对企业的复产情况进行预测。帮助地方政府高效防控疫情，及时掌握企业复产情况，评估企业产能恢复速度和产能总量，分析出疫情对不同行业的影响程度，为减少因疫情带来的经济损失，降低其中风险点及后续政策的制定提供相应的参考。
需要说明的是：由于企业在每个阶段持续的时长不同，通过该规则能平衡每个阶段的用电量，突出持续时间长的阶段对基准值的影响，达到了减少因意外因素导致的模型计算不准确性，提升企业产能恢复百分比计算的合理性的技术效果。
步骤S108，使用所述复产基准用电量核算规则确定所述企业用户的复产状态，其中，在所述企业用户的用电量大于复产阶段基准用电量的情况下，确定所述企业用户为复产状态，反之未复产。
本发明通过对获取的电力大数据进行细分，并使用高斯混合模型的EM聚类算法，将客户用电量分为复产阶段和峰值阶段，通过复产阶段平均用电量和峰值阶段平均用电量来核算企业复产基准用电量。
也即，主要通过聚类算法，对电力大数据指标进行分析，采用用电客户信息数据、计量点数据、量测点日冻结电能量数据、日测量点功率数据，完成疫情发生前后用电量分布特征的分析，帮助地方政府高效防控疫情，及时掌握企业复产情况，评估企业产能恢复速度和产能总量，分析出疫情对不同行业的影响程度，为减少因疫情带来的经济损失，降低其中风险点及后续政策的制定提供相应的参考。
值得说明的是，本发明通过用电方面相关特征数据来判断企业是否复产，经过试验、模拟、使用证明可行。使用期望最大化算法来进行密度估计，求解混合高斯模型的参数，以获得最大似然估计。相对于K-Means假设数据点是圆形的，高斯分布(椭圆形)给出了更多的可能性。此外，本发明技术通过使得样本集的联合概率最大来对参数进行估计，从而选择最佳的分布模型。可以用于解决数据缺失的参数估计问题(隐变量的存在实际上就是数据缺失问题，缺失了各个样本来源于哪一类的记录)，抗噪声能力突出。
下面结合另一种实施例对本发明做出说明。
(1)数据收集：选取某市某区为例进行复产情况分析，时间范围为2018年12月—2020年2月的用户基本档案信息数据，涵盖1136户企业用户，用于模型构建及研究分析。
(2)数据预处理：筛选数据时间范围包含2018年12月1日—2020年2月28日区间的数据。针对开始时间晚于2018年12月1日，或结束时间早于2020年2月28日的数据进行剔除。对处理后的数据进行Z-Scroe归一化预处理，以消除量纲的影响，使得从所有样本提取的特征可以在同一量纲下作比对，得到适合算法模型的数据。
(3)特征选择：特征选择也称特征子集选择，或属性选择，是指从全部特征中选取一个特征子集，使构造出来的模型更好。特征选择能剔除不相关或冗余的特征，从而达到减少特征个数，减少过拟合，提高模型泛化能力，提高模型精确度，以及加快模型训练速度减少运行时间的目的。另一方面，选取出真正相关的特征简化了模型，使研究人员易于理解数据产生的过程。
其中，本发明选取的特征为用户编号、用电类别编码、行业编码、单位编码、综合倍率、用电量、功率中位数、功率均值、功率方差、功率最大值、功率最小值、功率极差、功率偏度、功率峰度等。通过选取的特征利用高斯混合模型的(EM)聚类进行建模分析。
(4)结果分析：
通过高斯混合模型的(EM)聚类算法，企业复产基准用电量判断指标评判模型分析可得，2020年3月8日复产企业用户数为729户，占比64％；未复产企业用户数为407户，占比36％。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种电力数据的处理装置，需要说明的是，本申请实施例的电力数据的处理装置可以用于执行本申请实施例所提供的用于电力数据的处理方法。以下对本申请实施例提供的电力数据的处理装置进行介绍。
图2是根据本申请实施例的电力数据的处理装置的示意图。如图2所示，该装置包括：获取单元10、选取单元20、分析单元30和确定单元40。
获取单元，用于获取企业用户的档案数据和用电数据；
选取单元，用于基于档案数据和用电数据选取每个所述企业用户的特征指标；
分析单元，用于采用高斯混合模型的聚类算法进行对述被选取的特征指标进行建模分析，得到复产基准用电量核算规则；
确定单元，用于使用所述复产基准用电量核算规则确定所述企业用户的复产状态，其中，所述复产状态包含：未复产和已复产。
可选的，所述装置还包括：筛选单元，用于在获取企业用户的档案数据和用电数据之后，筛选预设时间范围内的所述档案数据和所述用电数据；预处理单元，用于并对筛选后的档案数据和用电数据进行Z-Scroe归一化预处理，以消除量纲的影响。
可选的，确定单元包括：判断模块，用于判断所述企业用户的用电量是否大于复产阶段基准用电量；确定模块，用于在所述企业用户的用电量大于复产阶段基准用电量的情况下，确定所述企业用户为复产状态，反之未复产。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以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全部或部分可以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(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种电力数据的处理方法，其特征在于，包括：
获取企业用户的档案数据和用电数据；
基于档案数据和用电数据选取每个所述企业用户的特征指标；
采用高斯混合模型的聚类算法进行对述被选取的特征指标进行建模分析，得到复产基准用电量核算规则；
使用所述复产基准用电量核算规则确定所述企业用户的复产状态，其中，所述复产状态包含：未复产和已复产。
2.根据权利要求1所述的电力数据的处理方法，其特征在于，在获取企业用户的档案数据和用电数据之后，所述方法还包括：
筛选预设时间范围内的所述档案数据和所述用电数据；
并对筛选后的档案数据和用电数据进行Z-Scroe归一化预处理，以消除量纲的影响。
3.根据权利要求1所述的电力数据的处理方法，其特征在于，被选取的特征指标，至少包括以下任一：用户编号、行业编码、单位编码、用电类别编码、综合倍率、用电量、功率中位数、功率均值、功率方差、功率最大值、功率最小值、功率极差、功率偏度、功率峰度。
4.根据权利要求1所述的电力数据的处理方法，其特征在于，
复产基准用电量＝复产阶段均值*复产阶段标签数/(复产阶段标签数+峰值阶段标签数)+峰值阶段均值*峰值阶段标签数/(复产阶段标签数+峰值阶段标签数)。
5.根据权利要求1所述的电力数据的处理方法，其特征在于，使用所述复产基准用电量核算规则确定所述企业用户的复产状态，包括：
判断所述企业用户的用电量是否大于复产阶段基准用电量；
在所述企业用户的用电量大于复产阶段基准用电量的情况下，确定所述企业用户为复产状态，反之未复产。
6.一种电力数据的处理装置，其特征在于，包括：
获取单元，用于获取企业用户的档案数据和用电数据；
选取单元，用于基于档案数据和用电数据选取每个所述企业用户的特征指标；
分析单元，用于采用高斯混合模型的聚类算法进行对述被选取的特征指标进行建模分析，得到复产基准用电量核算规则；
确定单元，用于使用所述复产基准用电量核算规则确定所述企业用户的复产状态，其中，所述复产状态包含：未复产和已复产。
7.根据权利要求6所述的电力数据的处理装置，其特征在于，所述装置还包括：
筛选单元，用于在获取企业用户的档案数据和用电数据之后，筛选预设时间范围内的所述档案数据和所述用电数据；
预处理单元，用于并对筛选后的档案数据和用电数据进行Z-Scroe归一化预处理，以消除量纲的影响。
8.根据权利要求6所述的电力数据的处理装置，其特征在于，确定单元包括：
判断模块，用于判断所述企业用户的用电量是否大于复产阶段基准用电量；
确定模块，用于在所述企业用户的用电量大于复产阶段基准用电量的情况下，确定所述企业用户为复产状态，反之未复产。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至5中任意一项所述电力数据的处理方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至5中任意一项所述电力数据的处理方法。
CN202011325810.6A 2020-11-23 2020-11-23 电力数据的处理方法和装置 Pending CN112308341A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011325810.6A CN112308341A (zh) 2020-11-23 2020-11-23 电力数据的处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011325810.6A CN112308341A (zh) 2020-11-23 2020-11-23 电力数据的处理方法和装置

Publications (1)

Publication Number Publication Date
CN112308341A true CN112308341A (zh) 2021-02-02

Family

ID=74335451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011325810.6A Pending CN112308341A (zh) 2020-11-23 2020-11-23 电力数据的处理方法和装置

Country Status (1)

Country Link
CN (1) CN112308341A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112614005A (zh) * 2020-11-30 2021-04-06 国网北京市电力公司 企业复工状态的处理方法和装置
CN113514717A (zh) * 2021-04-22 2021-10-19 微企（天津）信息技术有限公司 一种非侵入式电力负荷监测系统
CN113935568A (zh) * 2021-08-30 2022-01-14 国网江苏省电力有限公司物资分公司 一种在生产力恢复阶段制定采购策略的辅助决策方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011205272A (ja) * 2010-03-25 2011-10-13 Denso Wave Inc 無線タグリーダ
CN106875116A (zh) * 2017-02-13 2017-06-20 云南电网有限责任公司电力科学研究院 一种电力线路救援优先等级评估方法
US20190220695A1 (en) * 2018-01-12 2019-07-18 Thomson Reuters (Tax & Accounting) Inc. Clustering and tagging engine for use in product support systems
CN111046018A (zh) * 2019-11-06 2020-04-21 华北电力科学研究院有限责任公司 基于多目标优化的发电设备运行工况库构建方法和装置
KR20200074825A (ko) * 2018-12-17 2020-06-25 한국과학기술원 패턴 태깅 기술 기반 비정상 전력 데이터 판별 방법 및 시스템
CN111680764A (zh) * 2020-08-13 2020-09-18 国网浙江省电力有限公司 一种行业复工复产程度监控方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011205272A (ja) * 2010-03-25 2011-10-13 Denso Wave Inc 無線タグリーダ
CN106875116A (zh) * 2017-02-13 2017-06-20 云南电网有限责任公司电力科学研究院 一种电力线路救援优先等级评估方法
US20190220695A1 (en) * 2018-01-12 2019-07-18 Thomson Reuters (Tax & Accounting) Inc. Clustering and tagging engine for use in product support systems
KR20200074825A (ko) * 2018-12-17 2020-06-25 한국과학기술원 패턴 태깅 기술 기반 비정상 전력 데이터 판별 방법 및 시스템
CN111046018A (zh) * 2019-11-06 2020-04-21 华北电力科学研究院有限责任公司 基于多目标优化的发电设备运行工况库构建方法和装置
CN111680764A (zh) * 2020-08-13 2020-09-18 国网浙江省电力有限公司 一种行业复工复产程度监控方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112614005A (zh) * 2020-11-30 2021-04-06 国网北京市电力公司 企业复工状态的处理方法和装置
CN112614005B (zh) * 2020-11-30 2024-04-30 国网北京市电力公司 企业复工状态的处理方法和装置
CN113514717A (zh) * 2021-04-22 2021-10-19 微企（天津）信息技术有限公司 一种非侵入式电力负荷监测系统
CN113935568A (zh) * 2021-08-30 2022-01-14 国网江苏省电力有限公司物资分公司 一种在生产力恢复阶段制定采购策略的辅助决策方法

Similar Documents

Publication Publication Date Title
CN112308341A (zh) 电力数据的处理方法和装置
CN109543943B (zh) 一种基于大数据深度学习的电价稽查执行方法
CN108052528A (zh) 一种存储设备时序分类预警方法
CN111614491B (zh) 一种面向电力监控系统安全态势评估指标选取方法及系统
Cheng et al. Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting
CN112836738B (zh) 基于bp神经网络的窃电行为检测方法
CN104052612A (zh) 一种电信业务的故障识别与定位的方法及系统
CN117078048B (zh) 基于数字孪生的智慧城市资源管理方法及系统
CN108960488A (zh) 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法
CN111860692A (zh) 一种基于K-mediod的物联网环境下的异常数据检测方法
CN113780684A (zh) 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法
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
CN113094448B (zh) 住宅空置状态的分析方法及分析装置、电子设备
CN117556369B (zh) 一种动态生成的残差图卷积神经网络的窃电检测方法及系统
CN113505465B (zh) 完全无监督的非侵入式电器状态模型自适应构建方法
Cervan et al. Cluster-based stratified sampling for fast reliability evaluation of composite power systems based on sequential Monte Carlo simulation
CN117609818A (zh) 基于聚类与信息熵的电网关联关系发现方法
CN111090679A (zh) 基于时序影响和图嵌入的时序数据表示学习方法
CN112614005B (zh) 企业复工状态的处理方法和装置
CN115758188A (zh) 一种非侵入式的负荷识别方法、装置、设备和介质
CN115166625A (zh) 智能电表误差估计方法及装置
CN113589034A (zh) 一种配电系统的窃电检测方法、装置、设备和介质
Guo et al. Multisource target data fusion tracking method for heterogeneous network based on data mining
Cucala A flexible spatial scan test for case event data
Xi et al. Power mobile terminal security assessment based on weights self-learning

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