CN113111893A - 一种数据的处理方法、系统以及电子设备 - Google Patents
一种数据的处理方法、系统以及电子设备 Download PDFInfo
- Publication number
- CN113111893A CN113111893A CN202010021259.XA CN202010021259A CN113111893A CN 113111893 A CN113111893 A CN 113111893A CN 202010021259 A CN202010021259 A CN 202010021259A CN 113111893 A CN113111893 A CN 113111893A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- clustering
- ratio data
- consumption ratio
- site
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 241000254158 Lampyridae Species 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 43
- 230000000739 chaotic effect Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000011084 recovery Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 230000005611 electricity Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 238000012550 audit Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 101100457838 Caenorhabditis elegans mod-1 gene Proteins 0.000 description 1
- 101150110972 ME1 gene Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- 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)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种数据的处理方法，包括基于目标配置额定功率下的多个站点功耗比数据划分的聚类中心个数及聚类中心个数所对应的聚类后各组内平方和，确定所述多个站点功耗比数据的聚类中心个数K，其中每个站点功耗数据用于表示所属站点在预设时间段内的实际耗电量与额定功率的比值；在所述多个站点功耗比数据中确定K个站点功耗比数据以作为初始聚类中心，并将余下的站点功耗比数据划分到最近的初始聚类中心，以得到K个簇；基于萤火虫优化的K‑medoids聚类算法重新确定各簇的聚类中心；如果各站点功耗比数据的最近聚类中心等于各站点功耗比数据所属聚类中心，则将各聚类中心对应的簇的最大值及最小值构成的耗电区间比作为目标配置额定功率的耗电区间比。
Description
技术领域
本说明书实施例涉及数据处理领域，尤其涉及一种数据的处理方法、系统以及电子设备。
背景技术
日常站点实际耗电量主要由直流设备的用电量、交流空调的用电量、蓄电池充放电的用电量、油机发电的用电量和普通照明的用电量组成。传统方法判断一个站点的用电量是否合理都是依靠现场对耗电设备实际用电情况检测(如用钳型表测试站点用电设备的电流、电压等)或通过对电费报销进行稽核的方式来判断的。
通过现有技术中的传统方法在对实际站点的用电量进行核实时，人工进行现场检测导致人工成本高、覆盖率低，并且各资源站点众多、站点环境复杂导致人工进行现场检测时只能抽检。对各站点的报销费用稽核只是对费用报销的合同、发票、报销周期、电量、报销金额的逻辑合理性进行审核，并不能一一对各站点的用电情况是否正常进行核实。所以现有技术中在对各站点的用电情况进行检测时不能全面、准确的核实站点耗电量是否异常。
并且随着公司对降本增效的重视，急需一种更好的方法来自动准确判断站点的用电量是否异常。
发明内容
为了解决以上技术问题，本说明书实施例的主要目的在于提供一种方法、系统以及电子设备，以解决现有技术中的技术问题。
本说明书的一个或多个实施例的技术方案是通过以下方式实现的：
本说明书的实施例公开了一种数据的处理方法，包括：
基于目标配置额定功率下的多个站点功耗比数据划分的聚类中心个数及聚类中心个数所对应的聚类后各组内平方和，确定所述多个站点功耗比数据的聚类中心个数K，其中，每个站点功耗数据用于表示所属站点在预设时间段内的实际耗电量与额定功率的比值；
在所述多个站点功耗比数据中确定K个站点功耗比数据以作为初始聚类中心，并将余下的站点功耗比数据划分到最近的初始聚类中心，以得到K个簇；
基于萤火虫优化的K-medoids聚类算法重新确定各簇的聚类中心；
如果各站点功耗比数据的最近聚类中心等于各站点功耗比数据所属聚类中心，则将各聚类中心对应的簇的最大值及最小值构成的耗电区间比作为目标配置额定功率的耗电区间比。
本说明书的实施例还公开了一种数据的处理方法，基于目标配置额定功率下的多个站点功耗比数据划分的聚类中心个数及聚类中心个数所对应的聚类后各组内平方和，确定所述多个站点功耗比数据的聚类中心个数K，包括：
获取所述目标配置额定功率下的多个站点功耗比数据；
多次选取K个站点功耗比数据作为聚类中心分别进行聚类，并计算聚类后各类的组内平方和，每次选取的K值均不同；
将不同聚类中心个数所对应的聚类后各组内平方和的总和的变化率最大的聚类中心个数，作为所述多个站点功耗比数据的聚类中心个数K。
本说明书的实施例还公开了一种数据的处理方法，在所述多个站点功耗比数据中确定K个站点功耗比数据以作为初始聚类中心，包括：
在所述多个站点功耗比数据中任意选取K个聚类中心；
通过混沌搜索对K个聚类中心进行更新，并将通过混沌搜索更新后的聚类中心作为初始聚类中心。
本说明书的实施例还公开了一种数据的处理方法，如果目标站点功耗比数据的最近聚类中心不等于各站点功耗比数据所属聚类中心，则重新将目标站点功耗比数据划分到最近初始聚类中心，并重新基于萤火虫优化的K-medoids聚类算法确定每个簇的新的聚类中心。
本说明书的实施例还公开了一种数据的处理方法，获取目标配置额定功率下的多个站点功耗比数据，包括：
从目标配置额定功率的多个站点的数据平台获取所述多个站点的额定功率和实际耗电量，所述目标配置额定功率下的多个站点为用电设备的数量、品牌、型号、额定功率均相同的多个站点；
根据获取的多个站点的额定功率和实际耗电量得到所述多个站点的功耗比数据。
本说明书的实施例还公开了一种数据的处理方法，获取目标配置额定功率下的多个站点功耗比数据，包括获取不同目标配置额定功率下的多个站点功耗比数据。
本说明书的实施例还公开了一种数据的处理方法，将各聚类中心的最大值及最小值构成的耗电区间比作为目标配置额定功率的耗电区间比之后，根据所述目标配置额定功率的耗电区间比与上报的目标配置额定功率的功耗比进行数据异常判定。
本说明书的实施例还公开了一种数据的处理系统，包括：
聚类中心个数确定模块，基于目标配置额定功率下的多个站点功耗比数据划分的聚类中心个数及聚类中心个数所对应的聚类后各组内平方和，确定所述多个站点功耗比数据的聚类中心个数K，其中，每个站点功耗数据用于表示所属站点在预设时间段内的实际耗电量与额定功率的比值；
初始聚类中心确定模块，在所述多个站点功耗比数据中确定K个站点功耗比数据以作为初始聚类中心，并将余下的站点功耗比数据划分到最近的初始聚类中心，以得到K个簇；
聚类中心重新确定模块，基于萤火虫优化的K-medoids聚类算法重新确定各簇的聚类中心；
耗电区间比确定模块，如果各站点功耗比数据的最近聚类中心等于各站点功耗比数据所属聚类中心，则将各聚类中心对应的簇的最大值及最小值构成的耗电区间比作为目标配置额定功率的耗电区间比。
本说明书的实施例还公开了一种电子设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于执行所述程序指令，以实现上述任一项所述的处理方法。
本说明书的实施例还公开了一种存储介质，所述存储介质存储有可读指令，所述可读指令可被处理器执行时实现上述任一项所述的出方法。
相比于现有技术，本说明书的一个或多个实施例采用的上述至少一个技术方案能够达到以下有益效果：
1)本方案通过利用组内平方和的方式对相同配置额定功率下的多个站点功耗比数据进行处理，将相同配置额定功率下的多个站点的功耗比数据与聚类进行关联，即通过组内平方和的方式得到聚类中心数量。然后再根据得到的聚类中心数量，利用混沌算法、基于萤火虫优化的K-medoids聚类得到的最终的聚类中心。将聚类中心确定之后，可以得到聚类中心的最大值和最小值，进而得知了相同的目标配置额定功率下的各站点的功耗比区间。
2)在得到相同目标配置额定功率下各站点的功耗比区间之后，可以根据该功耗比区间对目标配置额定功率下的各站点的功耗比进行判断，进而可以得知目标配置额定功率下的各站点的用电量是否有异常。该方法避免了现有技术中的缺陷，实现了快速、准确地对各站点的用电的判断，节省了大量的人工工作量。
附图说明
为了更清楚地说明本说明书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简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书的一个实施例提供的一种数据的处理方法的流程示意图；
图2为本说明书的一个实施例提供的通过组内平方和的方式确定聚类中心数量的示意图；
图3为本说明书的一个实施例提供的一种实际耗电量与功耗比的关系示意图；
图4为本说明书的一个实施例提供的一种与图3所示数据对应的耗电比区间的示意图；
图5为本说明书的一个实施例提供的目标配置额定功率下的多个站点的功耗比数据示意图；
图6为本说明书的一个实施例提供的一种与图5所示数据对应功耗比异常的站点的用电情况示意图；
图7为本说明书的一个实施例提供的一种数据的处理系统的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本申请保护的范围。
本说明书的一个或多个实施例提供了一种解决上述存在的技术问题的技术方案，极大的提高了用户的使用体验。
以下结合附图，详细说明本说明书的一个或多个实施例提供的技术方案。
如图1所示，为本说明书的一个或多个实施例提供的一种数据的处理方法的流程示意图，该方法主要包括以下步骤：
步骤S100，基于目标配置额定功率下的多个站点功耗比数据划分的聚类中心个数及聚类中心个数所对应的聚类后各组内平方和，确定所述多个站点功耗比数据的聚类中心个数K，其中，每个站点功耗比数据用于表示所属站点在预设时间段内的实际耗电量与额定功率的比值。
在进行该步骤之前，需要先采集目标配置额定功率下的多个站点的功耗比数据，在采集到这些数据之后，将这些数据作为处理对象进行处理。这些数据都是事先已经有统计的数据，每个站点在一定的时间会统计和上报该站点的用电量，这些站点中用电设备都是相同的。上报的用电量可是日用电量，也可以是月用电量等，但是在统计这些目标配置额定功率下的多个站点的功耗比时，计算的单位是相同的，例如都是按照日均用电量与日均额定功率之比等。可以从目标配置额定功率的多个站点的数据平台获取多个站点的额定功率和实际耗电量，这些数据可以从相应的数据平台采集，例如稽核系统、资源管理系统等。站点在上报各自的数据之后，统计相同站点中目标配置额定功率下的多个站点的数据，目标配置额定功率是指选择的站点中用电设备的数量、品牌、型号、额定功率等均相同，所以目标配置额定功率下的多个站点即为用电设备的数量、品牌、型号、额定功率等都相同的站点。因为站点中用电设备的用电影响因素相同，这些站点的用电量才有可比性。通过这些数据平台可以得到的目标配置额定功率小的多个站点额定功率和实际耗电量。根据获取的多个站点的额定功率和实际耗电量得到计算各个站点的功耗比数据，每个站点功耗数据用于表示所属站点在预设时间段内的实际耗电量与额定功率的比值。即将各站点的实际耗电量除以额定功率即为站点的功耗比数据。
当然，在获取目标配置额定功率下的多个站点功耗比数据时，不仅获取一个目标配置额定功率下的多个站点的功耗比数据，还可以获取不同目标配置额定功率下的多个站点功耗比数据等，这样可以对更多个不同目标配置额定功率下的站点进行功耗比数据的统计和分析。
在获取目标配置额定功率下的多个站点功耗比数据之后，基于获取的目标配置额定功率下的多个站点功耗比数据划分的聚类中心个数及聚类中心个数所对应的聚类后各组内平方和，然后确定所述多个站点功耗比数据的聚类中心个数K。通过该步骤可以将获取的目标配置额定功率下的多个站点的功耗比数据与聚类中心进行关联，将从中选择作为聚类中心的站点的功耗比数据，将个站点的功耗比数据进行聚类，得到聚类中心的个数。通过组内平方和的方式确定聚类中心的个数相比于其他方式，可以更好的进行分类，通过根据其他的方法确定的距离中心的个数进行聚类得到的效果不佳。
该步骤具体包括：
获取目标配置额定功率下的多个站点功耗比数据，然后多次选取K个站点功耗比数据作为聚类中心分别进行聚类，并计算聚类后各类的组内平方和，每次选取的K值均不同。因为需要确定聚类中心的数量，所以通过组内平方和的方式确定K值时需要选取不同的数量的聚类中心分别进行聚类，即多次选取K个站点功耗比数据作为聚类中心，每次选取的聚类中心的数量均不一样，也就是K值不同。在每次选择K个聚类中心后，都需要根据选取的这K个聚类中心进行聚类，具体聚类方法可以是多种，在这里不是重点，不再详细说明。
在每次选取K个聚类中心后，都需要计算根据选择的这K个聚类中心进行聚类后的各类的组内平方和，组内平方和的计算公式如下:
其中，Xij表示各聚类中心对应的各类中的功耗比数据，
表示各聚类中心对应的各类中的功耗比数据的平均值。
例如，第一次选取1个站点的功耗比数据作为聚类中心，此时K的值为1，然后根据这一个聚类中心进行聚类，聚类之后通过组内平方和公式(1)计算这一个聚类的组内平方和。当第二次选取3个站点的功耗比数据作为聚类中心时，此时K的值为3，根据选取的这3个聚类中心进行聚类，将目标配置额定功率下的剩余站点功耗比数据根据这3个聚类中心进行聚类，通过式(1)计算聚类得到的每类的组内平方和。当然还选取的K值还可以是其它数值，例如2、4、5、6、7、8等，这里不再一一例举，选取的K值不大于目标配置额定功率下的多个站点的功耗比数据的数量。该步骤的目的是为了对选取的不同个数的聚类中心和对应的聚类后的各类组内平方和进行分析，以便确定K的值。
参考图2，在经过上述步骤之后，得到了不同的K值对应的聚类后各类的组内平方和。然后将每个不同的K值分别对应的聚类后的各类的组内平方和相加，得到每个不同的K值对应的组内平方和的总和，根据K值和对应的组内平方和的总和之间的关系，确定聚类中心K的数值。
确定K值的具体方法可以是根据每个不同的K值以及对应的聚类后的各类的组内平方和的总和之间的关系，绘制两者之间的趋势图，得到图2所示的两者之间的关系，横轴表示K的数量，纵轴表示对应的组内平方和的总和(该关系图只是作为示例)。由图2可知，随着聚类数目的增多，每一个类中的站点的功耗比数据越来越少，各类中包含的站点功耗比数据之间的距离越来越近，因此组内平方和是随着聚类数目的增多而减少。所以相邻K值对应的组内平方和的总和也会发生变化，由图2可知，选取的距离中心数量K的值从2到3时，组内平方和的总和的变化最大，也就是K等于2和K等于3两者组成的直线的斜率下降最大。而K等于3和K等于4之间的组内平方和的变化突然变得很小，这就形成了一个最大的“拐点”。随着选取的K值的逐渐增大，组内平方和在整体上是减小的，到某个K值之后组内平方和的总和变化越来越小，即使进一步增大K值，聚类效果也不一定能增强。所以选取这个组内平方和变化最大的这个“拐点”对应的聚类中心数量作为最终的K值。
即将选取的不同聚类中心个数所对应的聚类后各组内平方和的总和的变化率最大的聚类中心个数，作为多个站点功耗比数据的聚类中心个数K。
步骤S200，在多个站点功耗比数据中确定K个站点功耗比数据以作为初始聚类中心，并将余下的站点功耗比数据划分到最近的初始聚类中心，以得到K个簇。
其中，在多个站点功耗比数据中确定K个站点功耗比数据以作为初始聚类中心，具体包括：
在多个站点功耗比数据中任意选取K个聚类中心。然后通过混沌搜索对K个聚类中心进行更新，并将通过混沌搜索更新后的聚类中心作为初始聚类中心。具体的混沌搜索算法如下：
从K个聚类中心中确定当前更新的聚类中心；
计算当前更新的聚类中心与其他各聚类中心的距离，并对所述距离进行由小到大的排序，并根据其构建混沌搜索空间。将各个聚类中心Ci(i＝1,2,…k)与当前聚类中心Cx的距离Dix从大到小依次排列，取距离较小的前面n个(占聚类中心总数的30％)类Ci1,Ci2,…,Cin与Cx，并分别求出当前n+1个类中第j维的最大值
最小值
共同构成新的混沌搜索空间。以Xx为基准点产生混沌序列，进行混沌搜索，搜索结束得到的最优解作为新的聚类中心。假设距离中心是Cx，Xk＝{xk1,xk2,xk3...xkd}，xkj∈[Xmin,Xmix]。
在所述混沌搜索空间中产生混沌变量序列，具体为：利用公式
将Xx映射到(0,1)，其中k＝1,2,…,n，j＝1,2,…,D。将上式(2)代入
xt+1＝(2xt)mod1 (3)
进行Tent映射，迭代产生混沌变量序列
其中Cmax是混沌搜索的最大迭代次数。
然后利用公式
将
还原到原解空间的邻域内，公式(4)表示将映射值还原的值，产生新解Vk。
计算新解vk的荧光亮度值F(vk)，并与局部最优解的荧光亮度值F(xk)比较，保留最好的解。
若搜索次数达到Cmax，停止搜索。否则，重新进行Tent映射，产生混沌变量序列。搜索结束得到的最优解作为新的聚类中心，即将荧光亮度值大的解作为最好的解，并将其作为更新后的聚类中心。
步骤S300，基于萤火虫优化的K-medoids聚类算法重新确定各簇的聚类中心，该步骤具体包括：
A)，将初始聚类中心对应于目标萤火虫，并赋予最大荧光亮度值。
B)，计算剩余的站点功耗比数据相对于各初始聚类中心的欧氏距离，并对其赋予不同的荧光亮度值。具体计算公式如下：
I＝I0exp(-γ*rij) (5)
其中，I表示荧光亮度值，I0表示最大荧光亮度值；γ为常量，表示光强吸收因子，rij表示xi与xj之间的欧式距离。
C)，对各萤火虫，比较其与其他萤火虫荧亮度值的大小，当该萤火虫的荧亮度值大于与其进行荧光亮度值对比的萤火虫荧光亮度值时，将该萤火虫的向与其进行荧光亮度值对比的萤火虫进行靠近。例如对于萤火虫i，将萤火虫i的荧光亮度值与其他各萤火虫的荧光亮度值进行比价，将萤火虫i的荧光亮度值Ii与萤火虫j的荧光亮度值Ij比较。如果Ii大于Ij，表示萤火虫j的目标函数值比萤火虫i的目标数值小，即萤火虫j的位置比萤火虫i的位置好，萤火虫j将吸引萤火虫i向它移动。吸引度由如下公式决定：
其中，β0为最大吸引度。
然后更新萤火虫i的位置，具体可以是通过如下公式进行更新
xi(t+1)＝xi(t)+β(xj(t)-xi(t))+αεi (7)
其中，xi为萤火虫i的空间位置，α表示初始化的步长因子,εi表示服从高斯分布的随机因子。
更新该萤火虫i的荧光亮度值，并判断该萤火i虫更新后的最大荧光亮度值是否大于上次迭代的聚类中心的荧光亮度值。若是，则将该萤火虫i替换当前聚类中心，并重新执行C)的步骤，直到所有萤火虫都被划分到所属的聚类中心。否则，结束算法，得到最佳聚类中心，将最佳聚类中心作为重新确定的聚类中心。
步骤S300重新确定了各簇的聚类中心，将重新确定各簇的聚类中心作为各簇的最终聚类中心，在重新确定各簇的聚类中心后，需要判断各簇中站点功耗比数据的最大值和最小值，进而确定耗电区间比，具体可见步骤S400。
步骤S400，如果各站点功耗比数据的最近聚类中心等于各站点功耗比数据所属聚类中心，则将各聚类中心对应的簇的最大值及最小值构成的耗电区间比作为目标配置额定功率的耗电区间比。根据各聚类中心聚类后，各聚类中心对应有相应的其他功耗比数据，这些功耗比数据组成哥聚类中心的簇，也就是说各聚类中心对应的簇中包括有相应的功耗比数据，有最大功耗比和最小功耗比，将最大的功耗比数据和最小的功耗比数据之比作为耗电区间比。各重新确定的聚类中心如果目标站点功耗比数据的最近聚类中心不等于各站点功耗比数据所属聚类中心，则重新将目标站点功耗比数据划分到最近初始聚类中心，并重新基于萤火虫优化的K-medoids聚类算法确定每个簇的聚类中心。
将各聚类中心的最大值及最小值构成的耗电区间比作为目标配置额定功率的耗电区间比之后，根据目标配置额定功率的耗电区间比与上报的目标配置额定功率的功耗比进行数据异常判定。
以日均额定功率总值为157.42KW为例，如图3所示，为在目标配置额定功率下的相关站点的功耗比数据打点图，横坐标表示实际耗电量，纵坐标表示功耗比。图4为通过本申请的技术方案确定的聚类中心数量为7类，将聚类区间最大和最小的视为功耗比异常的数据，即将聚类中心数为1，对应的耗电区间比在0.62至1.04的视为异常数据，将聚类中心数为7，对应的耗电区间比在0.05至0.30的视为异常数据。同时为提高异常站点准确率将选取靠近异常区间的聚类点进行现场核实，逐步校正异常区间值，最终提高异常站点核实准确率。
上述方案是以一个目标配置额定功率下的多个站点的功耗比数据进行处理的，由于全网中有大量站点，所以还可以根据本申请的方案将全网多个不同的目标配置额定功率下的多个站的的功耗比数据进行处理，处理的站点的功耗比数据量越大，得到的结果越准确。
参考图5和图6，例举了一个具体的目标配置额定功率下的多个站点的功耗比数据，包括上报的用电量和额定功率数据(稽核系统统计的数据)以及资源管理系统采集的数据。
经资管系统统计核查全省机房下挂设备为：ENODEB:1,BBU:1,RRU:3,TRANS_NE:1，设备总额定功率为7.37kw/小时，日均耗电量88.44度的资源站点共计521个(已全部关联上电费报销站点)(图5显示部分站点，无法全部显示)。其中稽核系统采集的报账点编码为ZDBZD-SC-2018-1498416，对应资管系统资源站点为达州万源庙子乡刘家坝无线机房属于该配置机房，通过稽核系统历史数据核实该报账点报销日均用电为12.05度，实际的功耗比系数为0.14，相较于该配置额定功率的功耗比区间系数偏低，故在资管系统核实该站点的机房内设备额定功率清单，发现该报账点当月的报销数据准确有效经核查资管下挂设备录入明显有异常，其中开关电源、铁塔、交流配线柜均为无或者低能耗设备，不应作为能耗设备录入对应额定功率(图6)。而稽核系统采集的报账点编码为ZDBZD-SC-2019-011691，对应资管系统资源站点为泸州深水码头基站综合机房，通过稽核系统历史数据核实该报账点日均用电量为135.24度，实际的功耗比系数为1.52，系数偏高，故在集团稽核稽核单中核实，发现该站点耗电量明显超标杆。
利用图5所示的最后一列的功耗比数据作为划分的聚类中心个数及聚类中心个数所对应的聚类后各组内平方和的基础，将目标配置额定功率下的多个站点的实际用电量与额定功率相关联。然后进行本地方案的上述步骤的处理，包括利用组内平方和、混沌搜索、基于萤火虫优化的K-medoids聚类算法得到最后的聚类中心，将各聚类中心对应的簇的最大值及最小值构成的耗电区间比作为目标配置额定功率的耗电区间比。在得到好点区间比之后在与图5中最后一列的功耗比进行比较，得出那个站点的用电量异常。
本申请的技术方案在得到相同目标配置额定功率下各站点的功耗比区间之后，可以根据该功耗比区间对目标配置额定功率下的各站点的功耗比进行判断，进而可以得知目标配置额定功率下的各站点的用电量是否有异常。该方法避免了现有技术中的缺陷，实现了快速、准确地对各站点的用电的判断，节省了大量的人工工作量。利用有限的资源数据通过算法得到各站点各额定功率下对应的实际耗电量区间系数，最终实现自动对报销电量和资管额定功率的逐一、准确核实。方案可常态化对站点电量、资源设备录入异常进行快速核实，节省大量现场勘误工作量。并结合历史数据叠加参与异常耗电量的判断，使判断结果更加精准有效。
本说明书的上述实施例提供了数据的处理方法，解决了现有技术中存在的技术问题，达到了相应的技术效果。上述处理方法是通过相应的处理系统实现的，因此本说明书实施例还提供了一种实现上述方法的系统，参考图7，该数据的处理系统具体包括：
聚类中心个数确定模块1，基于目标配置额定功率下的多个站点功耗比数据划分的聚类中心个数及聚类中心个数所对应的聚类后各组内平方和，确定多个站点功耗比数据的聚类中心个数K，其中，每个站点功耗数据用于表示所属站点在预设时间段内的实际耗电量与额定功率的比值。
初始聚类中心确定模块2，在多个站点功耗比数据中确定K个站点功耗比数据以作为初始聚类中心，并将余下的站点功耗比数据划分到最近的初始聚类中心，以得到K个簇。
聚类中心重新确定模块3，基于萤火虫优化的K-medoids聚类算法重新确定各簇的聚类中心。
耗电区间比确定模块4，如果各站点功耗比数据的最近聚类中心等于各站点功耗比数据所属聚类中心，则将各聚类中心对应的簇的最大值及最小值构成的耗电区间比作为目标配置额定功率的耗电区间比。
本说明书实施例还提供了一种电子设备，包括：一个以上存储器和一个以上处理器。其中，
存储器(图中未示出)，用于存储程序指令，存储器可以是短暂存储或持久存储。
处理器(图中未示出)，用于执行所述程序指令，以实现本技术方案中应用程序的恢复方法。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上，仅为本发明说明书的一个或多个实施例较佳的具体实施方式，但发明说明书的一个或多个实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明说明书的一个或多个实施例揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明说明书的一个或多个实施例的保护范围之内。因此，本发明说明书的一个或多个实施例的保护范围应该以权利要求书的保护范围为准。
Claims (10)
1.一种数据的处理方法，其特征在于，包括：
基于目标配置额定功率下的多个站点功耗比数据划分的聚类中心个数及聚类中心个数所对应的聚类后各组内平方和，确定所述多个站点功耗比数据的聚类中心个数K，其中，每个站点功耗比数据用于表示所属站点在预设时间段内的实际耗电量与额定功率的比值；
在所述多个站点功耗比数据中确定K个站点功耗比数据以作为初始聚类中心，并将余下的站点功耗比数据划分到最近的初始聚类中心，以得到K个簇；
基于萤火虫优化的K-medoids聚类算法重新确定各簇的聚类中心；
如果各站点功耗比数据的最近聚类中心等于各站点功耗比数据所属聚类中心，则将各聚类中心对应的簇的最大值及最小值构成的耗电区间比作为目标配置额定功率的耗电区间比。
2.根据权利要求1所述的处理方法，基于目标配置额定功率下的多个站点功耗比数据划分的聚类中心个数及聚类中心个数所对应的聚类后各组内平方和，确定所述多个站点功耗比数据的聚类中心个数K，包括：
获取所述目标配置额定功率下的多个站点功耗比数据；
多次选取K个站点功耗比数据作为聚类中心分别进行聚类，并计算聚类后各类的组内平方和，每次选取的K值均不同；
将不同聚类中心个数所对应的聚类后各组内平方和的总和的变化率最大的聚类中心个数，作为所述多个站点功耗比数据的聚类中心个数K。
3.根据权利要求1所述的处理方法，在所述多个站点功耗比数据中确定K个站点功耗比数据以作为初始聚类中心，包括：
在所述多个站点功耗比数据中任意选取K个聚类中心；
通过混沌搜索对K个聚类中心进行更新，并将通过混沌搜索更新后的聚类中心作为初始聚类中心。
4.根据权利要求1所述的处理方法，其特征在于，如果目标站点功耗比数据的最近聚类中心不等于各站点功耗比数据所属聚类中心，则重新将目标站点功耗比数据划分到最近初始聚类中心，并重新基于萤火虫优化的K-medoids聚类算法确定每个簇的新的聚类中心。
5.根据权利要求2所述的处理方法，其特征在于，获取目标配置额定功率下的多个站点功耗比数据，包括：
从目标配置额定功率的多个站点的数据平台获取所述多个站点的额定功率和实际耗电量，所述目标配置额定功率下的多个站点为用电设备的数量、品牌、型号、额定功率均相同的多个站点；
根据获取的多个站点的额定功率和实际耗电量得到所述多个站点的功耗比数据。
6.根据权利要求5所述的处理方法，其特征在于，获取目标配置额定功率下的多个站点功耗比数据，包括获取不同目标配置额定功率下的多个站点功耗比数据。
7.根据权利要求1所述的处理方法，其特征在于，将各聚类中心的最大值及最小值构成的耗电区间比作为目标配置额定功率的耗电区间比之后，根据所述目标配置额定功率的耗电区间比与上报的目标配置额定功率的功耗比进行数据异常判定。
8.一种数据的处理系统，其特征在于，包括：
聚类中心个数确定模块，基于目标配置额定功率下的多个站点功耗比数据划分的聚类中心个数及聚类中心个数所对应的聚类后各组内平方和，确定所述多个站点功耗比数据的聚类中心个数K，其中，每个站点功耗数据用于表示所属站点在预设时间段内的实际耗电量与额定功率的比值；
初始聚类中心确定模块，在所述多个站点功耗比数据中确定K个站点功耗比数据以作为初始聚类中心，并将余下的站点功耗比数据划分到最近的初始聚类中心，以得到K个簇；
聚类中心重新确定模块，基于萤火虫优化的K-medoids聚类算法重新确定各簇的聚类中心；
耗电区间比确定模块，如果各站点功耗比数据的最近聚类中心等于各站点功耗比数据所属聚类中心，则将各聚类中心对应的簇的最大值及最小值构成的耗电区间比作为目标配置额定功率的耗电区间比。
9.一种电子设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于执行所述程序指令，以实现权利要求1至7中任一项所述的恢复方法。
10.一种存储介质，其特征在于，所述存储介质存储有可读指令，所述可读指令可被处理器执行时实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010021259.XA CN113111893B (zh) | 2020-01-09 | 2020-01-09 | 一种数据的处理方法、系统以及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010021259.XA CN113111893B (zh) | 2020-01-09 | 2020-01-09 | 一种数据的处理方法、系统以及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113111893A true CN113111893A (zh) | 2021-07-13 |
| CN113111893B CN113111893B (zh) | 2022-12-16 |
Family
ID=76709902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010021259.XA Active CN113111893B (zh) | 2020-01-09 | 2020-01-09 | 一种数据的处理方法、系统以及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113111893B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115500822A (zh) * | 2022-10-21 | 2022-12-23 | 哈尔滨工业大学 | 一种基于腕部震颤信号的帕金森检测系统及设备 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103675492A (zh) * | 2012-09-07 | 2014-03-26 | 国网电力科学研究院 | 一种用电监测分析方法、便携式用电监测分析装置及系统 |
| US20140358839A1 (en) * | 2013-06-04 | 2014-12-04 | International Business Machines Corporation | Detecting electricity theft via meter tampering using statistical methods |
| CN106022976A (zh) * | 2016-07-25 | 2016-10-12 | 杭州凯达电力建设有限公司 | 一种面向需求侧的电力用户分类方法及系统 |
| CN107169145A (zh) * | 2017-06-19 | 2017-09-15 | 武汉大学 | 一种基于聚类算法的用户窃电严重等级检测的方法 |
| CN107340492A (zh) * | 2017-05-31 | 2017-11-10 | 国网上海市电力公司 | 基于大数据挖掘和场景预判的电能计量装置故障分析方法 |
| CN108089923A (zh) * | 2017-12-15 | 2018-05-29 | 中国民航信息网络股份有限公司 | 基于加权Voronoi图的用户接入区域划分方法和装置 |
| CN108805174A (zh) * | 2018-05-18 | 2018-11-13 | 广东惠禾科技发展有限公司 | 聚类方法及装置 |
| CN109145957A (zh) * | 2018-07-26 | 2019-01-04 | 国网浙江省电力有限公司温州供电公司 | 基于大数据的配电网异常指标的识别与处理方法及装置 |
| CN109389517A (zh) * | 2018-04-08 | 2019-02-26 | 北京中电普华信息技术有限公司 | 一种量化线路损耗影响因素的分析方法及装置 |
| CN109587144A (zh) * | 2018-12-10 | 2019-04-05 | 广东电网有限责任公司 | 网络安全检测方法、装置及电子设备 |
| CN110032495A (zh) * | 2019-03-28 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 数据异常检测方法和装置 |
| CN110634080A (zh) * | 2018-06-25 | 2019-12-31 | 中兴通讯股份有限公司 | 异常用电检测方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-01-09 CN CN202010021259.XA patent/CN113111893B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103675492A (zh) * | 2012-09-07 | 2014-03-26 | 国网电力科学研究院 | 一种用电监测分析方法、便携式用电监测分析装置及系统 |
| US20140358839A1 (en) * | 2013-06-04 | 2014-12-04 | International Business Machines Corporation | Detecting electricity theft via meter tampering using statistical methods |
| CN106022976A (zh) * | 2016-07-25 | 2016-10-12 | 杭州凯达电力建设有限公司 | 一种面向需求侧的电力用户分类方法及系统 |
| CN107340492A (zh) * | 2017-05-31 | 2017-11-10 | 国网上海市电力公司 | 基于大数据挖掘和场景预判的电能计量装置故障分析方法 |
| CN107169145A (zh) * | 2017-06-19 | 2017-09-15 | 武汉大学 | 一种基于聚类算法的用户窃电严重等级检测的方法 |
| CN108089923A (zh) * | 2017-12-15 | 2018-05-29 | 中国民航信息网络股份有限公司 | 基于加权Voronoi图的用户接入区域划分方法和装置 |
| CN109389517A (zh) * | 2018-04-08 | 2019-02-26 | 北京中电普华信息技术有限公司 | 一种量化线路损耗影响因素的分析方法及装置 |
| CN108805174A (zh) * | 2018-05-18 | 2018-11-13 | 广东惠禾科技发展有限公司 | 聚类方法及装置 |
| CN110634080A (zh) * | 2018-06-25 | 2019-12-31 | 中兴通讯股份有限公司 | 异常用电检测方法、装置、设备及计算机可读存储介质 |
| CN109145957A (zh) * | 2018-07-26 | 2019-01-04 | 国网浙江省电力有限公司温州供电公司 | 基于大数据的配电网异常指标的识别与处理方法及装置 |
| CN109587144A (zh) * | 2018-12-10 | 2019-04-05 | 广东电网有限责任公司 | 网络安全检测方法、装置及电子设备 |
| CN110032495A (zh) * | 2019-03-28 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 数据异常检测方法和装置 |
Non-Patent Citations (4)
| Title |
|---|
| YI-JIA等: "《The Abnormal Electricity Consumption Detection System Based on the Outlier Behavior Pattern Recognition》", 《ICEPEE2017》 * |
| 王炳鑫 等: "《面向"削峰填谷"的电力客户用电行为分析》", 《电信科学》 * |
| 蔡耀年 等: "《一种基于离群算法的窃电行为检测的研究》", 《计算机技术与自动化》 * |
| 齐晓莉 等: "《建立应用软件集采标准化模型有效降低运营成本》", 《世界电信》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115500822A (zh) * | 2022-10-21 | 2022-12-23 | 哈尔滨工业大学 | 一种基于腕部震颤信号的帕金森检测系统及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113111893B (zh) | 2022-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | A sufficient condition on convex relaxation of AC optimal power flow in distribution networks | |
| Deb et al. | Charging station placement for electric vehicles: a case study of Guwahati city, India | |
| US10831942B2 (en) | Partitioning of a network using multiple poles for each part thereof | |
| CN102651005A (zh) | 兴趣点搜索方法以及设备 | |
| CN108573355A (zh) | 模型更新后替换运行的方法、装置、及业务服务器 | |
| CN107689628B (zh) | 一种电网环路检测方法 | |
| AU2018415216B2 (en) | Mesoscale data-based automatic wind turbine layout method and device | |
| CN109242220A (zh) | 充电站交易电量预测方法、装置、电子设备及存储介质 | |
| CN113111893B (zh) | 一种数据的处理方法、系统以及电子设备 | |
| CN107391564B (zh) | 数据转换方法、装置以及电子设备 | |
| CN114943307A (zh) | 一种模型训练的方法、装置、存储介质以及电子设备 | |
| US20130346807A1 (en) | Automatic Parallel Performance Profiling Systems And Methods | |
| Scheifele et al. | The impact of local content requirements on the development of export competitiveness in solar and wind technologies | |
| CN109218211A (zh) | 数据流的控制策略中阈值的调整方法、装置和设备 | |
| CN113837635A (zh) | 风险检测处理方法、装置及设备 | |
| CN110210677B (zh) | 一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置 | |
| CN114118547A (zh) | 电动车公共充电站排队等待时间估算方法及系统 | |
| US20210296898A1 (en) | Systems and methods for enhanced reactive power management in a hybrid environment | |
| CN110008252B (zh) | 数据核对方法及装置 | |
| CN107368281B (zh) | 一种数据处理方法及装置 | |
| CN109902178A (zh) | 一种多级文本分类方法及系统 | |
| CN113902356A (zh) | 区域流量数据分析方法及装置 | |
| CN114123190A (zh) | 确定电表所属目标台区的方法、装置、电子设备及存储介质 | |
| Wang et al. | Assessing urban smart growth in China based on the sustainable development goals framework | |
| CN114449033A (zh) | 服务入口显示方法和装置 |
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 |