CN113487448A - 一种基于电力大数据的电力信用标签化方法及系统 - Google Patents
一种基于电力大数据的电力信用标签化方法及系统 Download PDFInfo
- Publication number
- CN113487448A CN113487448A CN202110600479.2A CN202110600479A CN113487448A CN 113487448 A CN113487448 A CN 113487448A CN 202110600479 A CN202110600479 A CN 202110600479A CN 113487448 A CN113487448 A CN 113487448A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- label
- credit
- level
- 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
Links
- 238000002372 labelling Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 230000005611 electricity Effects 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000013210 evaluation model Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 238000011049 filling Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008439 repair process 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
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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Abstract
本发明涉及一种基于电力大数据的电力信用标签化方法及系统，所述的方法包括以下步骤：S1：获取用电用户的电力数据信息，并进行数据的预处理；S2：根据电力数据信息构建用户的一级事实标签；S3：构建分析模型，根据一级事实标签获取用户的二级规则标签；S4：基于二级规则标签构建预测模型，获取用户的三级模型标签，完成用电信用的标签化。与现有技术相比，本发明能够有效、及时获取电力用户的用电状况，获取用电用户的电力测情况，构建企业电力信誉评价模型。
Description
技术领域
本发明涉及电网大数据领域，尤其是涉及一种基于电力大数据的电力信用标签化方法及系统。
背景技术
随着“数字电网”建设和数字化转型工作的全面推进，规范数据资产开放共享交易行为，全面推进数据资产快速流通，进一步释放数据作为新型生产要素的价值迫在眉睫。企业征信作为社会信用体系的基础，是国民生活和商业经济的发展基石。随着新的金融和政府侧数据公开和大数据应用趋势，企业电力大数据征信应用具有探索的意义和价值。而电力征信形成信用评价的基础是构建基于电力数据的具有电力特色和独特应用场景和价值的电力信用标签。电力信用标签数据可以作为特征、指标模型入参，或者直接应用于风险识别规则进行过滤判断，现有技术中并不能有效准确的对用电客户的电力信用标签进行有效生成，其生成的电力信用标签可用性差。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于电力大数据的电力信用标签化方法及系统。
本发明的目的可以通过以下技术方案来实现：
一种基于电力大数据的电力信用标签化方法，包括以下步骤：
S1：获取用电用户的电力数据信息，并进行数据的预处理；
S2：根据电力数据信息构建用户的一级事实标签；
S3：构建分析模型，根据一级事实标签获取用户的二级规则标签；
S4：基于二级规则标签构建预测模型，获取用户的三级模型标签，完成用电信用的标签化。
优选地，所述的步骤S1具体包括：
S11：构建数据采集字段，根据数据采集字段获取用电用户的电力数据信息；
S12：对电力数据信息进行校验，确保数据的完整性；
S13：对电力数据信息进行预处理。
优选地，所述的步骤S13中的预处理包括数据异常值处理、数据缺失值处理、数据归一化处理。
优选地，所述的预处理中对数据缺失值处理时，利用滑动平均法和公式补全法对电力数据间断缺失进行处理，利用机器学习算法对电力数据连续缺失进行处理，所述的机器学习算法包括K近邻算法、余弦相似度补全法。
优选地，所述的预处理中进行数据异常值处理时，对数据异常值和极端值进行处理的方法包括值域截取法和记录删除法，对异常值进行过滤时采用四分卫检测法、3σ标准差检测法进行异常检测。
优选地，所述的一级事实标签包括企业名称、用电地址、地理坐标、所属行业、行业代码、所属台区、企业类型。
优选地，所述的二级规则标签包括用户客群、用电量等级、用电变化趋势、用电偏好、用电异常特征、企业生产行为、行业特征、区域特征。
优选地，所述的用户异常特征包括用电增长率变动和用电异常监控。
优选地，所述的三级模型标签包括突发事件影响、经营状况、窃电预测、违约预测、用电预测。
一种基于电力大数据的电力信用标签化系统，包括数据采集模块、事实标签构建生成模块、规则标签生成模块和模型标签生成模块，
所述的数据采集模块获取用电用户的电力数据信息，并进行数据的预处理，
所述的事实标签构建生成模块根据电力数据信息构建用户的一级事实标签，
所述的规则标签生成模块构建分析模型，根据一级事实标签获取用户的二级规则标签，
所述的模型标签生成模块基于二级规则标签构建预测模型，获取用户的三级模型标签，完成用电信用的标签化。
与现有技术相比，本发明具有如下优点：
(1)本发明获取电力用户的电力数据，并以此构建三级信用标签化体系，能够有效、及时获取电力用户的用电状况，获取用电用户的电力测情况，构建企业电力信誉评价模型，便于规避用电信用风险，有效降低欠费风险，便于对用电客户的信用进行评级。
(2)本发明将用电客户的信用数据标签化，可以通过比较同类行业内企业用电规模以及用电变化趋势，形成标准化的企业用电规模、变化趋势的评级体系，将用电规模显著低于行业内正常水平的高度异常客户筛选出，针对任意一个企业用户，针对其所属行业、客群、区域能迅速判断其用电规模定位，避免出现空壳企业等风险实体。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
实施例
一种基于电力大数据的电力信用标签化方法，如图1所示，包括以下步骤：
S1：获取用电用户的电力数据信息，并进行数据的预处理。
步骤S1具体包括：
S11：构建数据采集字段，根据数据采集字段获取用电用户的电力数据信息；
S12：对电力数据信息进行校验，确保数据的完整性；
S13：对电力数据信息进行预处理。
S13中的预处理包括数据异常值处理、数据缺失值处理、数据归一化处理。
具体地，对数据缺失值处理时，利用滑动平均法和公式补全法对电力数据间断缺失进行处理，利用机器学习算法对电力数据连续缺失进行处理，所述的机器学习算法包括K近邻算法、余弦相似度补全法。
其中，滑动平均法针对时序数据的间断缺失，经过实验测试，滑动窗口平均值补全算法不仅精度较高，算法，算法复杂度也是最低的。
滑动窗口平均值补全算法考虑了数据自身的时序特性和连续性，该方法利用每个缺失点附近窗口内数值的平均数进行补全填充。其算法填充精度和填充率取决于窗口大小，窗口越大则填充率越高，窗口越小则填充精度越大，具体窗口取值需根据实际需求综合考虑选取。
公式补全法根据用电数据类型间的总和关系，可以对几个用电类型中，只缺失了一个类型的数据进行修复，例如：
用户数据参考公式：
总＝峰+谷
如：当知道用户10070432的5月6日的用电数据，type＝1时,data1＝2.5,type＝2时，data2＝1，type3对应的data3缺失，根据公式(1),data1＝data2+data3,推导得出data3＝data1–data2.类似，知道data2,data3,可推导data1.行业数据同理。
K近邻算法
使用sklearn.neighbors载入KNeighborsRegressor函数进行缺失值补全，即根据已知的X，Y值构成训练集集合，进行训练，得到训练样本的拟合曲线，然后带入缺失值位置的X数值，得到待补充的缺失值。
根据要计算点的范围，包含缺失值和有数据的值，根据数值长度，直接赋值1,2,3，…,n(数据范围的长度),对应的y值为用户单条数据y1,y2,\N,\N,y5,\N,y7,...,yn，预测用X，Y为：
X＝[1,2,5,7,…,n]，
Y＝[y1,y2,y5,y7,…,yn]
根据X，Y计算出3次样条插值用的拟合曲线，如待预测位置为Xna＝[3,4，6，...]，将Xna带入，得到预测的Yna＝[y3,y4,y6,...],填充原始序列。
对数据异常值和极端值进行处理的方法包括值域截取法和记录删除法，对异常值进行过滤时采用四分卫检测法、3σ标准差检测法进行异常检测。
其中，值域截取法：为了提高模型的稳健性和在总体样本上的准确性，可使用分位值对字段加以处理，例如：以99％分位数对取值太大的极端值进行截取，以1％分位数或0对取值太小的极端值进行截取；
记录删除法：在极端值出现的频率低到可以忽略不计时，可考虑对出现的极端值的记录进行直接删除，从而减少噪声。
S2：根据电力数据信息构建用户的一级事实标签，一级事实标签包括企业名称、用电地址、地理坐标、所属行业、行业代码、所属台区、企业类型。
S3：构建分析模型，根据一级事实标签获取用户的二级规则标签，二级规则标签包括用户客群、用电量等级、用电变化趋势、用电偏好、用电异常特征、企业生产行为、行业特征、区域特征。
其中，用户客群标签为了有效识别不同用户类型，在信用评级专家以及查阅相关的电力建模文献后，结合电力数据本身特点，将用户依据行业属性、用电属性、用户类型属性三个维度构建非居民用户分层分类。
行业属性(工业/非工业)、用电属性(高/低)、用户类型(个体工商户/非个体工商户)三个维度将所有非居民用户划分归入七类客群，构建无序型离散变量标签。具体取值包括：“工业高压用户”、“非工业高压客户”、“工业低压非个体商户”、“工业低压个体工商户”、“非工业低压个体工商户”，“非工业低压非个体工商户”、“其他”。
用电量等级标签：为了更客观科学、直观地评估商户用电量差异，削弱商户间其他因素差异(如用户规模、企业性质等等)的干扰，使得商户间用电行为更具有可比性。我们针对商户用电量，从区域、行业、客群三个不同的维度，对商户用电量进行等级划分，分别获取了“区域用电量等级”，“行业用电量等级”，“客群用电量等级”三个用电量等级标签，最后将商户三个维度的用电量评估等级融合后，获取“客户用电量等级”标签：
S4：基于二级规则标签构建预测模型，获取用户的三级模型标签，完成用电信用的标签化。三级模型标签包括突发事件影响、经营状况、窃电预测、违约预测、用电预测。
例如，如突发事件为疫情，获取其突发事件影响标签，对数据进行预处理，获取其突发事件期间的用电数据，对数据进行聚类，依据突发事件对企业生产运营影响方向以及程度，将企业大致划分为了3类，并打上了不同的模型标签取值，分别为0，1，2，具体标签及取值解释如下：“突发事件对企业影响类型”：反映突发事件对企业生产的影响和方向，标签取值为0，1，2；其中，标签取值0，表示企业受到突发事件负向冲击，且复工后，从月均用电量看，生产情况并未迅速恢复；标签取值1，表示突发事件对于该企业生产有正向作用，随着突发事件的发生，企业月均用电量逐渐增加，复工复产后月均用电量持续增加；标签取值2，表示企业受到突发事件负向冲击，且复工后，从月均用电量看，企业用电迅速反弹，即生产情况逐渐恢复；
本发明还提供了一种基于电力大数据的电力信用标签化系统，包括数据采集模块、事实标签构建生成模块、规则标签生成模块和模型标签生成模块，
所述的数据采集模块获取用电用户的电力数据信息，并进行数据的预处理，
所述的事实标签构建生成模块根据电力数据信息构建用户的一级事实标签，
所述的规则标签生成模块构建分析模型，根据一级事实标签获取用户的二级规则标签，
所述的模型标签生成模块基于二级规则标签构建预测模型，获取用户的三级模型标签，完成用电信用的标签化。
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (10)
1.一种基于电力大数据的电力信用标签化方法，其特征在于，包括以下步骤：
S1：获取用电用户的电力数据信息，并进行数据的预处理；
S2：根据电力数据信息构建用户的一级事实标签；
S3：构建分析模型，根据一级事实标签获取用户的二级规则标签；
S4：基于二级规则标签构建预测模型，获取用户的三级模型标签，完成用电信用的标签化。
2.根据权利要求1所述的一种基于电力大数据的电力信用标签化方法，其特征在于，所述的步骤S1具体包括：
S11：构建数据采集字段，根据数据采集字段获取用电用户的电力数据信息；
S12：对电力数据信息进行校验，确保数据的完整性；
S13：对电力数据信息进行预处理。
3.根据权利要求2所述的一种基于电力大数据的电力信用标签化方法，其特征在于，所述的步骤S13中的预处理包括数据异常值处理、数据缺失值处理、数据归一化处理。
4.根据权利要求3所述的一种基于电力大数据的电力信用标签化方法，其特征在于，所述的预处理中对数据缺失值处理时，利用滑动平均法和公式补全法对电力数据间断缺失进行处理，利用机器学习算法对电力数据连续缺失进行处理，所述的机器学习算法包括K近邻算法、余弦相似度补全法。
5.根据权利要求3所述的一种基于电力大数据的电力信用标签化方法，其特征在于，所述的预处理中进行数据异常值处理时，对数据异常值和极端值进行处理的方法包括值域截取法和记录删除法，对异常值进行过滤时采用四分卫检测法、3σ标准差检测法进行异常检测。
6.根据权利要求1所述的一种基于电力大数据的电力信用标签化方法，其特征在于，所述的一级事实标签包括企业名称、用电地址、地理坐标、所属行业、行业代码、所属台区、企业类型。
7.根据权利要求1所述的一种基于电力大数据的电力信用标签化方法，其特征在于，所述的二级规则标签包括用户客群、用电量等级、用电变化趋势、用电偏好、用电异常特征、企业生产行为、行业特征、区域特征。
8.根据权利要求7所述的一种基于电力大数据的电力信用标签化方法，其特征在于，所述的用户异常特征包括用电增长率变动和用电异常监控。
9.根据权利要求1所述的一种基于电力大数据的电力信用标签化方法，其特征在于，所述的三级模型标签包括突发事件影响、经营状况、窃电预测、违约预测、用电预测。
10.一种基于电力大数据的电力信用标签化系统，其特征在于，包括数据采集模块、事实标签构建生成模块、规则标签生成模块和模型标签生成模块，
所述的数据采集模块获取用电用户的电力数据信息，并进行数据的预处理，
所述的事实标签构建生成模块根据电力数据信息构建用户的一级事实标签，
所述的规则标签生成模块构建分析模型，根据一级事实标签获取用户的二级规则标签，
所述的模型标签生成模块基于二级规则标签构建预测模型，获取用户的三级模型标签，完成用电信用的标签化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110600479.2A CN113487448A (zh) | 2021-05-31 | 2021-05-31 | 一种基于电力大数据的电力信用标签化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110600479.2A CN113487448A (zh) | 2021-05-31 | 2021-05-31 | 一种基于电力大数据的电力信用标签化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113487448A true CN113487448A (zh) | 2021-10-08 |
Family
ID=77933245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110600479.2A Pending CN113487448A (zh) | 2021-05-31 | 2021-05-31 | 一种基于电力大数据的电力信用标签化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113487448A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114155038A (zh) * | 2021-12-09 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 受疫情影响用户识别方法 |
| CN114358814A (zh) * | 2021-11-29 | 2022-04-15 | 国网北京市电力公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
| CN116400249A (zh) * | 2023-06-08 | 2023-07-07 | 中国华能集团清洁能源技术研究院有限公司 | 储能电池的检测方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651424A (zh) * | 2016-09-28 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 基于大数据技术的电力用户画像建立与分析方法 |
| CN106780140A (zh) * | 2016-12-15 | 2017-05-31 | 国网浙江省电力公司 | 基于大数据的电力信用评价方法 |
| CN106845747A (zh) * | 2016-06-29 | 2017-06-13 | 国网浙江省电力公司宁波供电公司 | 基于电力客户标签的电费风险防控应用方法 |
| CN110516901A (zh) * | 2019-07-06 | 2019-11-29 | 国网浙江省电力有限公司电力科学研究院 | 基于大数据的客户价值分层模型构建系统及客户分层方法 |
| CN110555782A (zh) * | 2019-07-06 | 2019-12-10 | 国网浙江省电力有限公司电力科学研究院 | 一种基于大数据的科学用电模型构建系统及方法 |
| CN111126776A (zh) * | 2019-11-26 | 2020-05-08 | 国网浙江省电力有限公司 | 一种基于逻辑回归算法的电费风险防控模型构建方法 |
| KR20200074825A (ko) * | 2018-12-17 | 2020-06-25 | 한국과학기술원 | 패턴 태깅 기술 기반 비정상 전력 데이터 판별 방법 및 시스템 |
| CN111754116A (zh) * | 2020-06-24 | 2020-10-09 | 国家电网有限公司大数据中心 | 一种基于标签画像技术的信用评估方法及装置 |
-
2021
- 2021-05-31 CN CN202110600479.2A patent/CN113487448A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845747A (zh) * | 2016-06-29 | 2017-06-13 | 国网浙江省电力公司宁波供电公司 | 基于电力客户标签的电费风险防控应用方法 |
| CN106651424A (zh) * | 2016-09-28 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 基于大数据技术的电力用户画像建立与分析方法 |
| CN106780140A (zh) * | 2016-12-15 | 2017-05-31 | 国网浙江省电力公司 | 基于大数据的电力信用评价方法 |
| KR20200074825A (ko) * | 2018-12-17 | 2020-06-25 | 한국과학기술원 | 패턴 태깅 기술 기반 비정상 전력 데이터 판별 방법 및 시스템 |
| CN110516901A (zh) * | 2019-07-06 | 2019-11-29 | 国网浙江省电力有限公司电力科学研究院 | 基于大数据的客户价值分层模型构建系统及客户分层方法 |
| CN110555782A (zh) * | 2019-07-06 | 2019-12-10 | 国网浙江省电力有限公司电力科学研究院 | 一种基于大数据的科学用电模型构建系统及方法 |
| CN111126776A (zh) * | 2019-11-26 | 2020-05-08 | 国网浙江省电力有限公司 | 一种基于逻辑回归算法的电费风险防控模型构建方法 |
| CN111754116A (zh) * | 2020-06-24 | 2020-10-09 | 国家电网有限公司大数据中心 | 一种基于标签画像技术的信用评估方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114358814A (zh) * | 2021-11-29 | 2022-04-15 | 国网北京市电力公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
| CN114155038A (zh) * | 2021-12-09 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 受疫情影响用户识别方法 |
| CN116400249A (zh) * | 2023-06-08 | 2023-07-07 | 中国华能集团清洁能源技术研究院有限公司 | 储能电池的检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113487448A (zh) | 一种基于电力大数据的电力信用标签化方法及系统 | |
| Jin et al. | Subgroup discovery in smart electricity meter data | |
| US11043808B2 (en) | Method for identifying pattern of load cycle | |
| Haben et al. | Analysis and clustering of residential customers energy behavioral demand using smart meter data | |
| CN106570778A (zh) | 一种基于大数据的数据集成与线损分析计算的方法 | |
| CN111177216B (zh) | 综合能源消费者行为特征的关联规则生成方法及装置 | |
| CN111476485B (zh) | 追补电量合理性的方法 | |
| CN103530806A (zh) | 一种用电客户信用与电费回收风险预警预测方法及系统 | |
| CN110427418A (zh) | 一种基于客户能源价值指标体系的客户分析分群方法 | |
| Tomita et al. | An algorithm for locating logic design errors | |
| CN111177208A (zh) | 基于大数据分析的用电异常检测方法 | |
| Fan et al. | Improved ML-based technique for credit card scoring in internet financial risk control | |
| CN108304990B (zh) | 一种停电敏感预判方法和系统 | |
| CN105139150A (zh) | 一种交费大数据的用户电费风险评估系统 | |
| CN112686491A (zh) | 一种基于用电行为的企业电力数据分析方法 | |
| CN106022640B (zh) | 电量指数核对系统及方法 | |
| Hu | Predicting and improving invoice-to-cash collection through machine learning | |
| CN115689386A (zh) | 一种基于知识图谱和fp增长算法的企业运营监测方法 | |
| CN114841832B (zh) | 一种基于用电负荷二次聚类的电力用户画像标签建立方法 | |
| Okazaki et al. | Nowcasting of Corporate Research and Development trends through news article analysis by BERTopic: The case of Japanese electric company | |
| CN109919255A (zh) | 一种基于dtw和周期提取的时间序列聚类方法 | |
| Du et al. | Clustering heat users based on consumption data | |
| CN115168506A (zh) | 一种多平台分布式数据集成方法、系统以及存储介质 | |
| CN113435494A (zh) | 低压居民用户异常用电识别方法及仿真模拟系统 | |
| CN114372835A (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 |
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 |