CN112598041B - 一种基于k-means算法的配电网云平台数据校验方法 - Google Patents

一种基于k-means算法的配电网云平台数据校验方法 Download PDF

Info

Publication number
CN112598041B
CN112598041B CN202011491009.9A CN202011491009A CN112598041B CN 112598041 B CN112598041 B CN 112598041B CN 202011491009 A CN202011491009 A CN 202011491009A CN 112598041 B CN112598041 B CN 112598041B
Authority
CN
China
Prior art keywords
data
distribution network
distance
clustering
center
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
Application number
CN202011491009.9A
Other languages
English (en)
Other versions
CN112598041A (zh
Inventor
郭江
朱文强
黄思旭
章芳情
刘洋
李立生
张林利
张世栋
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.)
Wuhan University WHU
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
Wuhan University WHU
Electric Power Research Institute of State Grid Shandong 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 Wuhan University WHU, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical Wuhan University WHU
Priority to CN202011491009.9A priority Critical patent/CN112598041B/zh
Publication of CN112598041A publication Critical patent/CN112598041A/zh
Application granted granted Critical
Publication of CN112598041B publication Critical patent/CN112598041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

一种基于K‑MEANS算法的配电网云平台数据校验方法，包括：根据配电网云平台数据构成配网数据集；计算配网数据集中任意两个数据对象之间的距离，根据任意两个数据对象之间的距离，获取第一、第二和第三初始聚类中心；根据第一、第二和第三初始聚类中心，确定初始聚类中心个数，并计算初始聚类中心的两两距离值，根据两两距离值确定第一阈值；对待检测的配网数据集进行聚类，计算每个数据对象到各个聚类中心的距离绝对值；采用第一规则对每个数据对象到各个聚类中心的距离绝对值进行判断，当待检测数据集中所有对象分类完成后，重新计算聚类中心；对重新计算聚类中心进行判断。本发明解决了配电网云平台多源数据不统一，难以进行清洗、剔除和校验的问题。

Description

一种基于K-MEANS算法的配电网云平台数据校验方法
技术领域
本发明涉及的是数据校验领域，特别涉及一种基于K-MEANS算法的配电网云平台数据校验方法。
背景技术
随着智能配电网建设工作的不断深入和持续推进，配电自动化作为配电网运行管理的基础平台，在提高供电可靠性、提升配网精益化管理水平方面发挥了重要作用，但随之而来的配电自动化的运维管控问题也开始逐渐显现。主要表现在配网自动化系统采集的运行监控数据种类繁多且数量巨大，跨区域、跨平台间数据交互能力弱，省级配电网运行状态管控系统服务构建不灵活、多异构系统间信息融合度低。
由于电网的设备数据、运行数据以及管理数据等相关业务数据具有规模大、数据结构繁杂的特点，且数据涉及到电网公司的多个部门、多个系统，因此彼此之间的数据会出现大量冗余、不一致或缺失的情况。这些数据的来源种类繁多，包括SCADA系统、生产管理系统(PMS)、地理信息系统(GIS)、电能质量监测系统等，各个系统之间需求不同，数据类型、格式和精度等也存在较大差异，这些异构多源数据并不统一，需进行清洗、剔除和校验，否则各个数据源在实际应用场景中难以相互支撑，将制约配电网数据在配电网运行决策中的应用。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于K-MEANS算法的配电网云平台数据校验方法。
为了解决上述技术问题，本申请实施例公开了如下技术方案：
一种基于K-MEANS算法的配电网云平台数据校验方法，包括：
S100.获取配电网云平台数据中的数据对象个数，并将获取的对象构成配网数据集；
S200.计算配网数据集中任意两个数据对象之间的距离，根据任意两个数据对象之间的距离，获取第一、第二和第三初始聚类中心
S300.根据第一、第二和第三初始聚类中心，确定初始聚类中心个数，并计算初始聚类中心的两两距离值，获取两两距离值中的最大值，根据两两距离值中的最大值确定第一阈值；
S400.对待检测的配网数据集进行聚类，计算每个数据对象到各个聚类中心的距离绝对值；
S500.采用第一规则对每个数据对象到各个聚类中心的距离绝对值进行判断，当待检测数据集中所有对象分类完成后，重新计算聚类中心；
S600.如果聚类中心发生了改变，则重新执行S400-S600，重新对数据集进行聚类，并重新计算每个聚类这种的所有数据对象到新聚类中心的相似度；如果聚类中心未发生改变，输出所得到的聚类结果。
进一步地，S100中，当得到配网数据集后，采用马氏距离方法识别和校验出离群点，并将离群点进行剔除，得到优化后的配网数据集。
进一步地，S200中，获取距离最大值所对应的两个数据对象作为第一初始聚类中心。
进一步地，获取所有距离的中位数值所对应的数据对象作为第二初始聚类中心。
进一步地，S200中，计算数据集所有距离的平均值，将平均值所对应的数据对象确定为第三初始聚类中心；
进一步地，S400中，初始聚类中心个数为4。
进一步地，采用第一规则对每个数据对象到各个聚类中心的距离绝对值进行判断，第一规则为：每个数据对象到各个聚类中心的距离绝对值与第一阈值进行比较，当每个数据对象到各个聚类中心的距离绝对值大于第一阈值，则聚类中心数的值加1，且该值所对应的数据对象作为新增加的聚类中心；当每个数据对象到各个聚类中心的距离绝对值小于或等于第一阈值，则将该数据对象归类到离它最近的簇中。
进一步地，第一阈值为初始聚类中心的两两距离值最大值的1.1倍。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明公开的种基于K-MEANS算法的配电网云平台数据校验方法，通过参数方法中的马氏距离检测数的数据作为数据集的离群点，初始聚类中心在已检测出的离群点之外的数据中选择，提高了聚类结果的可靠性。引入数据对象间欧式距离的最大值、中位数值和平均值来确定4个初始聚类中心，保证了聚类结果的稳定性，并且使初始簇间能保证相似性最小。设计分类阈值t为初始聚类中心间距离最大值的1.1倍，基于阈值可动态增加聚类个数K值，能更精确地表示数据集的分类数目以及确定每个类的具体类型。本发明不仅解决了配电网云平台多源数据不统一，难以进行清洗、剔除和校验的问题。还解决了传统的K-MEANS算法中聚类个数K值难以确定、初始聚类中心难以选择等问题。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例1中，一种基于K-MEANS算法的配电网云平台数据校验方法的流程图；
图2为本发明实施例1中，一种基于K-MEANS算法的配电网云平台数据校验方法流程示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的问题，本发明实施例提供一种基于K-MEANS算法的配电网云平台数据校验方法。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
实施例1
一种基于K-MEANS算法的配电网云平台数据校验方法，如图1，包括：
S100.获取配电网云平台数据中的数据对象个数，并将获取的对象构成配网数据集。优选的，当得到配网数据集后，采用马氏距离方法识别和校验出离群点，并将离群点进行剔除，得到优化后的配网数据集。
具体的，如图2，假设待检测的配网数据集中有n个数据对象，Pn表示数据对象集合。采用常用的马氏距离方法识别和校验出离群点，假设有m个离群点数据对象，Pm表示已检测出的离群点数据对象集合。K-MEANS算法的初始聚类中心所在数据集合为P＝Pn-Pm。
S200.计算配网数据集中任意两个数据对象之间的距离，根据任意两个数据对象之间的距离，获取第一、第二和第三初始聚类中心。
在本实施例中，引入数据对象间欧式距离的最大值、中位数值和平均值来确定4个初始聚类中心，具体的，获取距离最大值所对应的两个数据对象作为第一初始聚类中心；获取所有距离的中位数值所对应的数据对象作为第二初始聚类中心。计算数据集所有距离的平均值，将平均值所对应的数据对象确定为第三初始聚类中心。
S300.根据第一、第二和第三初始聚类中心，确定初始聚类中心个数，并计算初始聚类中心的两两距离值，获取两两距离值中的最大值，根据两两距离值中的最大值确定第一阈值。优选的，在本实施例中，第一阈值为初始聚类中心的两两距离值最大值的1.1倍。
S400.对待检测的配网数据集进行聚类，计算每个数据对象到各个聚类中心的距离绝对值。
S500.采用第一规则对每个数据对象到各个聚类中心的距离绝对值进行判断，当待检测数据集中所有对象分类完成后，重新计算聚类中心。
在本实施例中，采用第一规则对每个数据对象到各个聚类中心的距离绝对值进行判断，第一规则为：每个数据对象到各个聚类中心的距离绝对值与第一阈值进行比较，当每个数据对象到各个聚类中心的距离绝对值大于第一阈值，则聚类中心数的值加1，且该值所对应的数据对象作为新增加的聚类中心；当每个数据对象到各个聚类中心的距离绝对值小于或等于第一阈值，则将该数据对象归类到离它最近的簇中。
S600.如果聚类中心发生了改变，则重新执行S400-S600，重新对数据集进行聚类，并重新计算每个聚类这种的所有数据对象到新聚类中心的相似度；如果聚类中心未发生改变，输出所得到的聚类结果。
本发明提供一种基于K-MEANS算法的省级配电网云平台数据校验方法，对传统的K-MEANS算法进行了优化，优化后的算法从一个数据集中的N个数据对象中随机选择K个对象，初始聚类中心即为这K个数据对象；而对于数据集中除初始聚类中心外的N-K个数据对象，则分别计算它们与K个初始聚类中心的距离(相似度)，并将它们归类到与其距离最小的(最相似的)聚类簇；计算过程结束之后，再重新计算每个聚类簇的聚类中心(该聚类簇中全部数据对象的平均值)；对这一过程进行迭代重复，直到标准测度函数开始收敛为止。通过参数方法中的马氏距离检测数的数据作为数据集的离群点，初始聚类中心在已检测出的离群点之外的数据中选择，提高了聚类结果的可靠性。引入数据对象间欧式距离的最大值、中位数值和平均值来确定4个初始聚类中心，保证了聚类结果的稳定性，并且使初始簇间能保证相似性最小。设计分类阈值t为初始聚类中心间距离最大值的1.1倍，基于阈值可动态增加聚类个数K值，能更精确地表示数据集的分类数目以及确定每个类的具体类型。解决了传统的K-MEANS算法中聚类个数K值难以确定、初始聚类中心难以选择等问题。
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

Claims (4)

1.一种基于K-MEANS算法的配电网云平台数据校验方法，其特征在于，包括：
S100.获取配电网云平台数据中的数据对象个数，并将获取的对象构成配网数据集；
S200.计算配网数据集中任意两个数据对象之间的距离，根据任意两个数据对象之间的距离，获取第一、第二和第三初始聚类中心；S200中，获取距离最大值所对应的两个数据对象作为第一初始聚类中心；获取所有距离的中位数值所对应的数据对象作为第二初始聚类中心；计算数据集所有距离的平均值，将平均值所对应的数据对象确定为第三初始聚类中心；
S300.根据第一、第二和第三初始聚类中心，确定初始聚类中心个数，并计算初始聚类中心的两两距离值，获取两两距离值中的最大值，根据两两距离值中的最大值确定第一阈值；
S400.对待检测的配网数据集进行聚类，计算每个数据对象到各个聚类中心的距离绝对值；
S500.采用第一规则对每个数据对象到各个聚类中心的距离绝对值进行判断，当待检测数据集中所有对象分类完成后，重新计算聚类中心；S500中，采用第一规则对每个数据对象到各个聚类中心的距离绝对值进行判断，第一规则为：每个数据对象到各个聚类中心的距离绝对值与第一阈值进行比较，当每个数据对象到各个聚类中心的距离绝对值大于第一阈值，则聚类中心数的值加1，且该值所对应的数据对象作为新增加的聚类中心；当每个数据对象到各个聚类中心的距离绝对值小于或等于第一阈值，则将该数据对象归类到离它最近的簇中；
S600.对重新计算聚类中心进行判断，如果聚类中心发生了改变，则重新执行S400-S600，重新对数据集进行聚类，并重新计算每个聚类这种的所有数据对象到新聚类中心的相似度；如果聚类中心未发生改变，输出所得到的聚类结果。
2.如权利要求1所述的一种基于K-MEANS算法的配电网云平台数据校验方法，其特征在于，S100中，当得到配网数据集后，采用马氏距离方法识别和校验出离群点，并将离群点进行剔除，得到优化后的配网数据集。
3.如权利要求1所述的一种基于K-MEANS算法的配电网云平台数据校验方法，其特征在于，S300中，第一阈值为初始聚类中心的两两距离值最大值的1.1倍。
4.如权利要求1所述的一种基于K-MEANS算法的配电网云平台数据校验方法，其特征在于，S300中，初始聚类中心个数为4。
CN202011491009.9A 2020-12-17 2020-12-17 一种基于k-means算法的配电网云平台数据校验方法 Active CN112598041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011491009.9A CN112598041B (zh) 2020-12-17 2020-12-17 一种基于k-means算法的配电网云平台数据校验方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011491009.9A CN112598041B (zh) 2020-12-17 2020-12-17 一种基于k-means算法的配电网云平台数据校验方法

Publications (2)

Publication Number Publication Date
CN112598041A CN112598041A (zh) 2021-04-02
CN112598041B true CN112598041B (zh) 2023-05-30

Family

ID=75197041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011491009.9A Active CN112598041B (zh) 2020-12-17 2020-12-17 一种基于k-means算法的配电网云平台数据校验方法

Country Status (1)

Country Link
CN (1) CN112598041B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313294A (zh) * 2021-05-19 2021-08-27 国网山东省电力公司淄博供电公司 一种电力系统重要节点、重要输电线路预测算法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106384119A (zh) * 2016-08-23 2017-02-08 重庆大学 一种利用方差分析确定k值的k‑均值聚类改进算法
CN110083665A (zh) * 2019-05-05 2019-08-02 贵州师范大学 基于改进的局部异常因子检测的数据分类方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5983224A (en) * 1997-10-31 1999-11-09 Hitachi America, Ltd. Method and apparatus for reducing the computational requirements of K-means data clustering
CN103336770B (zh) * 2012-02-28 2017-03-01 国际商业机器公司 用于标识互补数据对象的方法和系统
CN107067045A (zh) * 2017-05-31 2017-08-18 北京京东尚科信息技术有限公司 数据聚类方法、装置、计算机可读介质和电子设备
CN107481038A (zh) * 2017-07-25 2017-12-15 广东电网有限责任公司佛山供电局 电力客户价值评价方法
CN111061821B (zh) * 2019-11-12 2024-02-02 国网山东省电力公司聊城供电公司 基于改进k值聚类算法的低压配电网拓扑校验方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106384119A (zh) * 2016-08-23 2017-02-08 重庆大学 一种利用方差分析确定k值的k‑均值聚类改进算法
CN110083665A (zh) * 2019-05-05 2019-08-02 贵州师范大学 基于改进的局部异常因子检测的数据分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种优化初始聚类中心的自适应聚类算法;曹端喜，等;《软件导刊》;20200715;第19卷(第07期);第28-31页 *

Also Published As

Publication number Publication date
CN112598041A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
WO2022110557A1 (zh) 一种台区户变关系异常诊断方法及装置
CN109934265B (zh) 一种常驻地址的确定方法和装置
CN111160617B (zh) 一种电力日负荷预测方法及装置
CN111724278A (zh) 一种面向电力多元负荷用户的精细分类方法及系统
CN110008254B (zh) 一种变电设备台账核查处理方法
CN111339129B (zh) 远程抄表异常监测方法、装置、燃气表系统及云服务器
CN111176953B (zh) 一种异常检测及其模型训练方法、计算机设备和存储介质
CN106327055A (zh) 一种基于大数据技术的电力费控方法及系统
CN117078048B (zh) 基于数字孪生的智慧城市资源管理方法及系统
CN104732307A (zh) 项目工作量获取方法和系统
CN107609105B (zh) 大数据加速结构的构建方法
CN110807547A (zh) 家庭人口结构的预测方法及系统
CN116303480B (zh) 基于云计算的电能表误差校验方法
CN112598041B (zh) 一种基于k-means算法的配电网云平台数据校验方法
CN117828539B (zh) 数据智能融合分析系统及方法
CN110807546A (zh) 社区网格人口变化预警方法及系统
CN111881124A (zh) 一种基于改进算法的状态估计的数据处理方法及系统
CN109034232B (zh) 城市规划条件核实成果报告的自动化输出系统及控制方法
CN114385463A (zh) 数据采集方法、装置以及电子设备
CN113554079B (zh) 一种基于二次检测法的电力负荷异常数据检测方法及系统
CN110597792A (zh) 基于同期线损数据融合的多级冗余数据融合方法及装置
CN113902485B (zh) 一种专变电力用户行业识别方法、装置及设备
CN105868220B (zh) 数据处理方法和装置
CN114565031A (zh) 基于经纬度的车队识别方法、装置及计算机设备
CN113344073A (zh) 一种基于融合进化算法的日负荷曲线聚类方法及系统

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