CN112633622B - 一种智能电网运营指标筛选方法 - Google Patents

一种智能电网运营指标筛选方法 Download PDF

Info

Publication number
CN112633622B
CN112633622B CN202011052907.4A CN202011052907A CN112633622B CN 112633622 B CN112633622 B CN 112633622B CN 202011052907 A CN202011052907 A CN 202011052907A CN 112633622 B CN112633622 B CN 112633622B
Authority
CN
China
Prior art keywords
index
indexes
screening
index set
information
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
CN202011052907.4A
Other languages
English (en)
Other versions
CN112633622A (zh
Inventor
王电钢
黄林
李嘉周
尹远
刘嘉佳
杨峻欢
唐杰
贺心达
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 Sichuan Electric Power Co Ltd
Original Assignee
State Grid Sichuan 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 Sichuan Electric Power Co Ltd filed Critical State Grid Sichuan Electric Power Co Ltd
Priority to CN202011052907.4A priority Critical patent/CN112633622B/zh
Publication of CN112633622A publication Critical patent/CN112633622A/zh
Application granted granted Critical
Publication of CN112633622B publication Critical patent/CN112633622B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0639Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393Score-carding, benchmarking or key performance indicator [KPI] analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067Enterprise or organisation modelling
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种智能电网运营指标筛选方法,涉及智能电网运营监控指标的筛选技术领域,包括:S1,建立电网运营指标重要性分析模型,将运营指标按重要性从大到小排序;S2,对排序后的运营指标从低到高进行筛选,构建若干个候选指标集;S3,通过构建筛选结果定量分析指标对若干个候选指标集计算筛选结果分析指标;S4,根据候选指标集的筛选结果分析指标并结合用户的需求得到最优指标集,本发明所提出的指标筛选方法在精简指标的同时,保留了指标体系的信息量,降低了指标冗余度,有利于对电网公司实际运营水平的分析与评估。

Description

一种智能电网运营指标筛选方法
技术领域
本发明涉及智能电网运营监控指标的筛选技术领域,具体为一种智能电网运营指标筛选方法。
背景技术
数量庞大的智能电网运营指标不利于对电网公司实际运营水平的分析与评估。研究一种能够快速、有效地选择出物理意义较为明确、冗余程度较低且符合传统主观认知的电网运营关键指标的筛选方法对电网公式运营管理具有十分重要的意义。
现有研究主要通过定性分析或定量分析对评价指标进行筛选。定性分析是通过主观赋权方法如层次分析法等,对评价指标进行重要性分析排序,进一步筛选指标。该方法主观性较强,且不适用于指标数量较多的情况。定量分析是对单个指标所含信息量和指标之间的关联性进行量化分析排序,进一步筛选指标。例如有文献以互信息量与相关系数作为特征有效性和关联性指标,为特征量的选取提供了可靠依据,有文献基于该方法采用特征优选策略提取负荷曲线的最佳特征集。有学者将指标所含的信息量和指标冗余度视为目标函数,将筛选过程转化为优化求解过程。
随着人工智能技术发展,大量方法应用于电网运行、用户用电行为等方面的特征分析与提取。有文献提出了一种适用于多视图特征选择的自适应协同相似性学习,但是未提出适应于电网运营指标筛选的方法和模型。由于电网运营评价指标类别、数量较多,运营指标筛选成为实际中经常遇见而无法回避的问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种智能电网运营指标筛选方法。
本发明的目的是通过以下技术方案来实现的:
一种智能电网运营指标筛选方法,包括以下步骤:
S1,建立电网运营指标重要性分析模型,将运营指标按重要性从大到小排序;
S2,对排序后的运营指标从低到高进行筛选,构建若干个候选指标集;
S3,通过构建筛选结果定量分析指标对若干个候选指标集计算筛选结果分析指标;
S4,根据候选指标集的筛选结果分析指标并结合用户的需求得到最优指标集。
优选的,所述S1包括以下子步骤:
S1.1,建立基于自适应协同相似性学习方法的优化模型;
S1.2,对步骤S1.2中的自适应协同相似性学习优化模型求解;
S1.3,求解后对运营指标重要性计算与排序
优选的,所述建立基于自适应协同相似性学习方法的优化模型包括以下内容:电网运营指标的原始数据计量单位、等级都不统一,为方便数据分析,需要将原始数据进行归一化处理,具体方法如下:
式中,x′ij为第i个指标第j个原始数据,x′i,max和x′i,min分别为第i个指标原始数据能达到的最大值和最小值。
对智能电网运营指标采集到的运营数据归一化后进行聚类,可以得到多簇相似度较高的样本数据,而筛选出的指标应该尽可能反映不同类的数据特征,以保证得到的最优指标集涵盖最多的信息量,本发明对自适应协同相似性学习方法进行修改以适应电网运营指标的筛选。对于含V个指标的原始指标集,构建V个初始相似度矩阵S1,S2,…,SV。该方法整体优化公式如下:
式中,SN×N为样本相似度矩阵,对每一列进行预处理使其满足Si为S第i列元素,表示第i个样本与所有样本的相似度向量,/>表示初始相似度矩阵第v个指标下第j个样本与所有样本的相似度向量。W=[W1,W2,…,WN]为相似结构中所有样本的权重矩阵,表示第i个样本的所有指标的权重。LS是矩阵S的拉普拉斯矩阵,FN×k为松弛的聚类指标矩阵,k为样本聚类个数,Tr(FTLSF)表示该矩阵的迹。XN×V是包含N个样本V个指标的数据矩阵,PV×k是利用稀疏回归模型学习一个投影矩阵,使得XP逼近松弛的聚类指标F。
优选的,所述自适应协同相似性学习优化模型求解过程包括以下内容:自适应协同相似性学习优化模型通过交替优化方法迭代求解,首先固定其他变量求解变量P,通过不断迭代更新变量P使得整体优化目标函数值降低,如下式:
Ω(P(t+1),F,S,W)≤Ω(P(t),F,S,W)
再固定其他变量求解F求得最优解F时,整体优化目标函数值最小,如下式:
Ω(P,F(t+1),S,W)≤Ω(P,F(t),S,W)
同理,通过固定其他三个变量求取某一变量的最优值,迭代多次得到最终的最优解Ω(P′,F′,S′,W′),收敛条件如下:
优选的,所述运营指标重要性计算与排序包括以下内容:迭代计算收敛后,第v个指标的重要度可用||Pv||2计算,计算公式如下:
然后,根据原始指标集中所有运营指标的重要性从大到小进行排序。
优选的,所述构建筛选结果定量分析指标包括以下内容:定义分类准确率指标:分类准确率体现了筛选出来的最优指标集的区分度,准确度越高表明筛选结果越有效,计算公式为:
式中,N为样本总数,若参与分类的第i个样本与筛选前分类一致pi=1,反之则pi=0。
定义平均信息熵指标:虽然电网运营指标在时序上是连续的,但是智能电网运营监控系统一般采取抽样的方式采集运营指标数据,等同于将变量离散化处理。若要应用信息论相关理论,则还需将离散化变量的数值序列转化为概率分布区间。
将离散化变量的数值序列转化为概率分布区间,可得到指标Xi信息熵的近似计算公式为:
式中,Nx为指标概率分布区间数,N为总样本数,Nu为第u个区间内的样本数。
信息熵表示指标数据的不确定性,信息熵越大指标数据不确定性越大,所包含的信息量也就越大。指标集内所有指标的信息熵均值表示指标集所包含的信息量,指标集的平均信息熵为:
定义冗余度指标:互信息用来衡量两个随机变量之间共同拥有的信息量,为更好地比较互信息大小,目前一般采用归一化互信息替代,即指标集内的指标之间的归一化互信息均值表明了指标集的冗余度。
计算互信息还需要得到变量Xi与Xj之间的联合熵:
式中,Mul为两个指标值同时属于第u和l个区间的样本数量。
变量Xi与Xj之间的互信息如下:
MI(Xi;Xj)=H(Xi)+H(Xj)-H(Xi,Xj)
归一化互信息计算公式如下:
以指标之间的归一化互信息的均值衡量指标集的冗余度,计算公式为:
优选的,根据候选指标集的筛选结果分析指标并结合用户的需求得到最优指标集包括以下内容,
根据候选指标集的筛选结果分析指标,选择冗余度最低、准确率最高、信息量最高或表现均衡的指标集作为最优指标集。
具体步骤为:
S4.1确定用户需求:
最终筛选结果与用户的筛选目标息息相关,若用户要求筛选后的指标集能最大反应原始数据特征,则应该以分类准确率为主要目标;若用户需要极为精简的指标集,则应该以冗余度最小为最优先的目标。
S4.2综合评判决定最优指标集
综合评判各候选指标集的筛选结果分析指标,确定最优指标集。
本发明的有益效果是:
本发明所提出的指标筛选方法在精简指标的同时,保留了指标体系的信息量,降低了指标冗余度,有利于对电网公司实际运营水平的分析与评估。
附图说明
图1为本发明的工作过程示意图;
图2为本发明的部分运营指标示意图;
图3为本发明的分类总体情况示意图;
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
随着人工智能技术发展,大量方法应用于电网运行、用户用电行为等方面的特征分析与提取。有文献提出了一种适用于多视图特征选择的自适应协同相似性学习,但是未提出适应于电网运营指标筛选的方法和模型。由于电网运营评价指标类别、数量较多,运营指标筛选成为实际中经常遇见而无法回避的问题。
如图1所示,一种智能电网运营指标筛选方法,包括以下步骤:
S1,建立电网运营指标重要性分析模型,将运营指标按重要性从大到小排序;
电网运营指标重要性分析模型需要电网运营指标及其原始数据支撑,依托自适应协同相似性学习智能算法构建,将运营指标按重要性从大到小排序。部分运营指标如图2所示。
首先对原始数据进行归一化,然后进行聚类分析,根据某地区三年运营指标情况将所有样本分为3类,分类总体情况如图3所示。运营指标重要性计算结果以及排序如表1所示。
表1
S2,对排序后的运营指标从低到高进行筛选,构建若干个候选指标集;
S3,通过构建筛选结果定量分析指标对若干个候选指标集计算筛选结果分析指标;
筛选结果定量分析指标从初始指标集的分类准确率、平均信息熵和冗余度三个方面构建,筛选结果定量分析指标如表2所示。
表2
然后分别计算各个候选指标集的筛选结果分析指标。筛选结果分析指标如表3所示。
表3
S4,根据候选指标集的筛选结果分析指标并结合用户的需求得到最优指标集。
用户可根据候选指标集的筛选结果分析指标,选择冗余度最低、准确率最高、信息量最高或表现均衡的指标集作为最优指标集,将筛选结果与用户需求相结合。
当指标数量为8时,指标集可以保持一个很好的分类准确率,并且具有较低的冗余度和较高的信息熵均值,当指标数量低于8个时ACC指标将大幅下降。故通过该提筛选方法得到的最优指标集为{最小负荷系数,负荷率,谷电系数,峰谷差率,峰时耗电率,日平均负荷,日最小负荷,日最大负荷},由该指标集就能够良好反应运营指标用户负荷部分的整体特征。
若用户希望指标集具有更大的不确定性,即包含更多的信息量。则最优指标集指标数量可定为6,指标集为{最小负荷系数,负荷率,谷电系数,峰谷差率,峰时耗电率,日平均负荷},此时指标集有较高的信息熵和较低的冗余度,ACC为73.90%。
而如果用户需要要得到精简的指标集,本方法推荐最优指标集包含指标数量为3的{最小负荷系数,负荷率,谷电系数},该指标集分类准确率较高,但是信息熵均值更高,冗余度最小。
通过以上分析可以看出,该运营指标筛选方法可以直观得到筛选结果变化趋势,能够根据需要调整筛选指标数量,并且高效筛选出信息量大、冗余度低的最优指标集。面对智能电网运营监控系统采集的大量指标数据,该筛选方法能够帮助决策人员掌握关键信息,为决策和服务改进提供信息支持。
以上所述仅是本发明的优选实施方式,应当理解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做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。本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。

Claims (5)

1.一种智能电网运营指标筛选方法,其特征在于,包括以下步骤:
S1,建立电网运营指标重要性分析模型,将运营指标按重要性从大到小排序;
S2,对排序后的运营指标从低到高进行筛选,构建若干个候选指标集;
S3,通过构建筛选结果定量分析指标对若干个候选指标集计算筛选结果分析指标;
S4,根据候选指标集的筛选结果分析指标并结合用户的需求得到最优指标集;
所述S1包括以下子步骤:
S1.1,建立基于自适应协同相似性学习方法的优化模型;
S1.2,对步骤S1.2中的自适应协同相似性学习优化模型求解;
S1.3,求解后对运营指标重要性计算与排序;
所述建立基于自适应协同相似性学习方法的优化模型包括以下内容:电网运营指标的原始数据计量单位、等级都不统一,为方便数据分析,需要将原始数据进行归一化处理,具体方法如下:
式中,xij为第i个指标第j个原始数据,xi,max和xi,min分别为第i个指标原始数据能达到的最大值和最小值;
对智能电网运营指标采集到的运营数据归一化后进行聚类,得到多簇相似度较高的样本数据,而筛选出的指标应该尽可能反映不同类的数据特征,以保证得到的最优指标集涵盖最多的信息量,本发明对自适应协同相似性学习方法进行修改以适应电网运营指标的筛选;对于含V个指标的原始指标集,构建V个初始相似度矩阵S1,S2,…,SV;该方法整体优化公式如下:
式中,SN×N为样本相似度矩阵,对每一列进行预处理使其满足Si为S第i列元素,表示第i个样本与所有样本的相似度向量,/>表示初始相似度矩阵第v个指标下第j个样本与所有样本的相似度向量;W=[W1,W2,…,WN]为相似结构中所有样本的权重矩阵,表示第i个样本的所有指标的权重;LS是矩阵S的拉普拉斯矩阵,FN×k为松弛的聚类指标矩阵,k为样本聚类个数,Tr(FTLSF)表示该矩阵的迹;XN×V是包含N个样本V个指标的数据矩阵,PV×k是利用稀疏回归模型学习一个投影矩阵,使得XP逼近松弛的聚类指标F。
2.根据权利要求1所述的一种智能电网运营指标筛选方法,其特征在于,所述自适应协同相似性学习优化模型求解过程包括以下内容:自适应协同相似性学习优化模型通过交替优化方法迭代求解,首先固定其他变量求解变量P,通过不断迭代更新变量P使得整体优化目标函数值降低,如下式:
Ω(P(t+1),F,S,W)≤Ω(P(t),F,S,W)
再固定其他变量求解F求得最优解F时,整体优化目标函数值最小,如下式:
Ω(P,F(t+1),S,W)≤Ω(P,F(t),S,W)
同理,通过固定其他三个变量求取某一变量的最优值,迭代多次得到最终的最优解Ω(P′,F′,S′,W′),收敛条件如下:
3.根据权利要求2所述的一种智能电网运营指标筛选方法,其特征在于,所述运营指标重要性计算与排序包括以下内容:迭代计算收敛后,第v个指标的重要度可用||Pv||2计算,计算公式如下:
然后,根据原始指标集中所有运营指标的重要性从大到小进行排序。
4.根据权利要求1所述的一种智能电网运营指标筛选方法,其特征在于,所述构建筛选结果定量分析指标包括以下内容:定义分类准确率指标:分类准确率体现了筛选出来的最优指标集的区分度,准确度越高表明筛选结果越有效,计算公式为:
式中,N为样本总数,若参与分类的第i个样本与筛选前分类一致pi=1,反之则pi=0;
定义平均信息熵指标:虽然电网运营指标在时序上是连续的,但是智能电网运营监控系统一般采取抽样的方式采集运营指标数据,等同于将变量离散化处理;若要应用信息论相关理论,则还需将离散化变量的数值序列转化为概率分布区间;
将离散化变量的数值序列转化为概率分布区间,可得到指标Xi信息熵的近似计算公式为:
式中,Nx为指标概率分布区间数,N为总样本数,Nu为第u个区间内的样本数;
信息熵表示指标数据的不确定性,信息熵越大指标数据不确定性越大,所包含的信息量也就越大;指标集内所有指标的信息熵均值表示指标集所包含的信息量,指标集的平均信息熵为:
定义冗余度指标:互信息用来衡量两个随机变量之间共同拥有的信息量,为更好地比较互信息大小,目前一般采用归一化互信息替代,即指标集内的指标之间的归一化互信息均值表明了指标集的冗余度;
计算互信息还需要得到变量Xi与Xj之间的联合熵:
式中,Mul为两个指标值同时属于第u和l个区间的样本数量;
变量Xi与Xj之间的互信息如下:
MI(Xi;Xj)=H(Xi)+H(Xj)-H(Xi,Xj)
归一化互信息计算公式如下:
以指标之间的归一化互信息的均值衡量指标集的冗余度,计算公式为:
5.根据权利要求4所述的一种智能电网运营指标筛选方法,其特征在于,根据候选指标集的筛选结果分析指标并结合用户的需求得到最优指标集包括以下内容,
根据候选指标集的筛选结果分析指标,选择冗余度最低、准确率最高、信息量最高或表现均衡的指标集作为最优指标集;
具体步骤为:
S4.1确定用户需求:
最终筛选结果与用户的筛选目标息息相关,若用户要求筛选后的指标集能最大反应原始数据特征,则应该以分类准确率为主要目标;若用户需要极为精简的指标集,则应该以冗余度最小为最优先的目标;
S4.2综合评判决定最优指标集
综合评判各候选指标集的筛选结果分析指标,确定最优指标集。
CN202011052907.4A 2020-09-29 2020-09-29 一种智能电网运营指标筛选方法 Active CN112633622B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011052907.4A CN112633622B (zh) 2020-09-29 2020-09-29 一种智能电网运营指标筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011052907.4A CN112633622B (zh) 2020-09-29 2020-09-29 一种智能电网运营指标筛选方法

Publications (2)

Publication Number Publication Date
CN112633622A CN112633622A (zh) 2021-04-09
CN112633622B true CN112633622B (zh) 2024-02-27

Family

ID=75302814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011052907.4A Active CN112633622B (zh) 2020-09-29 2020-09-29 一种智能电网运营指标筛选方法

Country Status (1)

Country Link
CN (1) CN112633622B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512794A (zh) * 2015-10-20 2016-04-20 国家电网公司 针对高载能负荷参与调峰的电力节能指标体系构建方法
CN108764685A (zh) * 2018-05-21 2018-11-06 北京交通大学 轨道交通列控系统的运营服务质量评价方法
WO2019047790A1 (zh) * 2017-09-08 2019-03-14 第四范式(北京)技术有限公司 生成机器学习样本的组合特征的方法及系统
CN109523101A (zh) * 2017-09-18 2019-03-26 张丽蓉 一种配电网运行状态模糊综合评价方法
CN109685257A (zh) * 2018-12-13 2019-04-26 国网青海省电力公司 一种基于支持向量机回归的光伏发电功率预测方法
CN109858700A (zh) * 2019-02-01 2019-06-07 华北水利水电大学 基于相似样本筛选的bp神经网络供暖系统能耗预测方法
CN111222755A (zh) * 2019-12-20 2020-06-02 国网新疆电力有限公司乌鲁木齐供电公司 一种智能配电网的效能状态评价方法
CN111614491A (zh) * 2020-05-06 2020-09-01 国网电力科学研究院有限公司 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
AU2020101854A4 (en) * 2020-08-17 2020-09-24 China Communications Construction Co., Ltd. A method for predicting concrete durability based on data mining and artificial intelligence algorithm

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8010589B2 (en) * 2007-02-20 2011-08-30 Xerox Corporation Semi-automatic system with an iterative learning method for uncovering the leading indicators in business processes

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512794A (zh) * 2015-10-20 2016-04-20 国家电网公司 针对高载能负荷参与调峰的电力节能指标体系构建方法
WO2019047790A1 (zh) * 2017-09-08 2019-03-14 第四范式(北京)技术有限公司 生成机器学习样本的组合特征的方法及系统
CN109523101A (zh) * 2017-09-18 2019-03-26 张丽蓉 一种配电网运行状态模糊综合评价方法
CN108764685A (zh) * 2018-05-21 2018-11-06 北京交通大学 轨道交通列控系统的运营服务质量评价方法
CN109685257A (zh) * 2018-12-13 2019-04-26 国网青海省电力公司 一种基于支持向量机回归的光伏发电功率预测方法
CN109858700A (zh) * 2019-02-01 2019-06-07 华北水利水电大学 基于相似样本筛选的bp神经网络供暖系统能耗预测方法
CN111222755A (zh) * 2019-12-20 2020-06-02 国网新疆电力有限公司乌鲁木齐供电公司 一种智能配电网的效能状态评价方法
CN111614491A (zh) * 2020-05-06 2020-09-01 国网电力科学研究院有限公司 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
AU2020101854A4 (en) * 2020-08-17 2020-09-24 China Communications Construction Co., Ltd. A method for predicting concrete durability based on data mining and artificial intelligence algorithm

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于自适应协同相似性学习的 智能电网运营指标优选方法;王电钢,常健,刘俊勇,田园,朱庆, 贺心达;电力信息与通信技术;第19卷(第8期);全文 *

Also Published As

Publication number Publication date
CN112633622A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN109543737B (zh) 一种基于fahp_fca组合赋权的信息系统健康度评估方法
CN109685277A (zh) 用电量预测方法及装置
CN117151870B (zh) 一种基于客群画像行为分析方法及系统
CN114139940A (zh) 一种基于组合赋权-云模型的广义需求侧资源网荷互动水平评估方法
CN109657884A (zh) 电网供电优化方法、装置、设备和计算机可读存储介质
CN117272850B (zh) 配电网安全运行调度弹性空间分析方法
CN115238167A (zh) 兼顾负荷与社会信息的电力用户精细化画像与管理方法
CN117076691A (zh) 一种面向智慧社区的商品资源知识图谱算法模型
CN114444910A (zh) 一种面向电力物联网的边缘网络系统健康度评估方法
CN112348360A (zh) 一种基于大数据技术的中药生产工艺参数分析系统
CN108898273A (zh) 一种基于形态分析的用户侧负荷特征聚类评价方法
CN115374106A (zh) 一种基于知识图谱技术的数据智能分级方法
CN115033591A (zh) 一种电费数据异常智能检测方法、系统、存储介质及计算机设备
CN114881429A (zh) 基于数据驱动的台区线损量化方法及系统
Tiruneh et al. Feature selection for construction organizational competencies impacting performance
CN112633622B (zh) 一种智能电网运营指标筛选方法
CN112116238A (zh) 一种基于指标权重体系设计的满意度评估方法
CN116797096A (zh) 基于ahp-熵权法的供应链韧性水平模糊综合评估方法
CN117035509A (zh) 电能表状态评价方法、装置、电子设备及可读存储介质
CN116485021A (zh) 一种煤炭企业技术技能人才人岗匹配预测方法与系统
CN117312637A (zh) 一种基于数据关联识别的自然资源数据体系建设方法
Saleh et al. Implementation of equal width interval discretization on smarter method for selecting computer laboratory assistant
CN111221915A (zh) 基于CWK-means的在线学习资源质量分析方法
CN114091961A (zh) 一种基于半监督svm的电力企业供应商评价方法
CN114548212A (zh) 一种水质评价方法及系统

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