CN113744089A - 一种台区户变关系辨识方法及设备 - Google Patents
一种台区户变关系辨识方法及设备 Download PDFInfo
- Publication number
- CN113744089A CN113744089A CN202111314195.3A CN202111314195A CN113744089A CN 113744089 A CN113744089 A CN 113744089A CN 202111314195 A CN202111314195 A CN 202111314195A CN 113744089 A CN113744089 A CN 113744089A
- Authority
- CN
- China
- Prior art keywords
- user
- users
- natural
- voltage
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000005611 electricity Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Evolutionary Computation (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请一种台区户变关系辨识方法及设备,属于户变关系辨识技术领域,所述方法包括:S1.利用自然离群因子算法计算各用户的自然离群因子,根据自然离群因子排除异常用户;S2.对于步骤S1排除异常用户后剩下的待分析用户,根据用户的电压数据对用户聚类,得到各待分析用户对应的用户聚类集合;S3.根据各用户聚类集合的用电量和台变的供电量计算各用户聚类集合的归属权重,根据归属权重完成户变关系辨识。利用自然离群因子算法排除户变关系异常的用户,并根据电压数据进行用户聚类,根据电量数据完成辨识,自然离群因子算法无需预设近邻数k,有效提升算法性能。
Description
技术领域
本发明属于电力系统户变关系辨识技术领域,具体涉及一种台区户变关系辨识方法及设备。
背景技术
线损率是电力系统一个重要的考核指标,反映了电力企业的管理水平,目前在各电力企业开展线损治理后,线损异常得到一定改善,但影响线损异常的因素有很多,目前仍存在阻碍线损治理的难题,其中错误的户变关系记录信息是一大影响因素。
目前人工核查和停电核查是常用的户变关系核查方法,人工核查需要班组人员到台区现场校核用户的台区归属,难以大规模开展;停电核查影响用户的用电感受,同样难以大规模开展。
针对传统方法的弊端,现有学者提出基于量测电气数据的辨识方法,集合用户侧和台变侧的两侧信息,通过数据挖掘分析用户与台变的潜在关系,但是这种方法往往只考虑单一维度的数据,有其局限性。此外,分析时没有排除异常用户的数据,影响分析结果。
发明内容
基于此,本发明提出一种台区户变关系辨识方法及设备,以克服现有技术的缺陷。
本发明一种台区户变关系辨识方法,包括:
S1.利用自然离群因子算法计算各用户的自然离群因子,根据自然离群因子排除异常用户;
S2.对于步骤S1排除异常用户后剩下的待分析用户,根据用户的电压数据对用户聚类,得到各待分析用户对应的用户聚类集合;
S3.根据各用户聚类集合的用电量和台变的供电量计算各用户聚类集合的归属权重,根据归属权重完成户变关系辨识。
进一步地,步骤S1包括:
S102.计算数据集合中各数据点的自然离群因子;
S103.排除满足设定值的自然离群因子所对应的异常用户。
进一步地,步骤S102包括:
进一步地,自然离群因子的计算包括:
进一步地,步骤S2包括:
S201.计算任意两个待分析用户的电压相似性;
S202.根据电压相似性将每个待分析用户及其相似用户进行聚类,得到各待分析用户对应的用户聚类集合。
进一步地。步骤S202包括:
S2024.完成聚类,合并相同的集合得到至少一个用户聚类集合。。
进一步地,步骤S3包括:
以台区线损率波动最小建立目标函数如下式表达,求解目标函数得到用户聚类集合的归属权重,
目标函数的约束由下式表达,
进一步地,步骤S2的电压相似性按以下表达式计算,
本发明还提供一种户变关系辨识设备,包括处理器和存储器,其中存储器用于存储计算机程序,该计算机程序由处理器加载并执行时实现前述的台区户变关系辨识方法。
从以上技术方案可以看出,本发明具有如下有益效果:
本发明一种台区户变关系辨识方法及设备,利用自然离群因子算法,识别待分析台区下的户变关系异常用户,根据电压数据进行用户聚类分析,得到用户聚类类别集合;建立并求解基于电量数据的线损率目标函数,得到用户聚类集合归属权重,根据归属权重完成户变关系辨识;所使用的自然离群因子算法无需预设近邻数k,有效提升算法性能;综合电压和电量数据,多维度开展户变关系辨识,一定程度上克服了单一维度开展户变关系辨识的局限性。
附图说明
为了更清楚地说明本发明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发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1 本发明一种实施例提供的户变关系辨识方法流程图;
图2 本发明另一实施例提供的户变关系示意图;
图3 本发明另一实施例提供的户变关系辨识方法流程图;
图4 本发明提供的一种台区户变关系辨识设备结构示意图。
具体实施方式
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。
如图1所示,本实施例提供一种户变关系辨识方法,包括以下步骤:
S1.利用自然离群因子算法计算各用户的自然离群因子,根据自然离群因子排除异常用户。
相比较于其他的离群点检测算法,本实施例采用的自然离群因子算法(NaturalOutlier Factor algorithm,NOF)属于无尺度最近邻方法,无需预设近邻数k,k值由数据本身的特性自适应确定,利用数据本身特性搜索自然邻居,进而通过每个数据点的自然邻居个数来判断周围的数据分布,有着更佳的运算性能,k值合理设置的难题也得到解决。
S2.对于步骤S1排除异常用户后的待分析用户,根据用户的电压数据对用户聚类,得到各待分析用户对应的用户聚类集合。
对于某个待分析用户,本实施例采用“手拉手”式的聚类分析方法,首次确定当前分析用户的相似用户后,将相似用户的相似用户也作为元素合并至当前分析用户的用户聚类集合,直至所有的用户均完成聚类。例如用户A的相似用户为B、C,用户B的相似用户为A、C、D,用户C的相似用户为A、B、D,用户D的相似用户为B、C,则通过聚类,用户A的相似用户最终确定为B、C、D,如此便根据电压数据把用户分成多个聚类,便于之后的户变关系辨识。
具体实现要判断用户的相似性时,可以根据两个用户的电压相似性进行判断,可以借助皮尔逊相关系数、斯皮尔曼系数、夹角余弦等数值特性进行计算。
S3.根据各用户聚类集合的用电量和台变的供电量计算各用户聚类集合的归属权重,根据归属权重完成户变关系辨识。
考虑到用户的用电量与所属台变的供电量基本平衡,因此在步骤S2根据电压数据将用户聚类后,步骤S3通过电量对用户和台变建立关系,根据计算的归属权重完成户变关系的辨识。
在可能的一些实施例中,步骤S3可以包括以下步骤:
以台区线损率波动最小为目标建立目标函数,如下式表达,求解目标函数得到用户聚类集合的归属权重,
目标函数的约束由下式表达,
在可能的一些实施例中,通过归属权重的阈值来判断用户与台变的归属关系,例如阈值设置为0.8、0.9等值时,达到了设定阈值即可视为当前用户聚类集合中的用户归属与当前分析台变;对于能够完全归一化的情况,也可以用二值表示归属权重,=1时表示归属当前台变,=0时表示不归属。
为了更详尽的说明本发明的技术方案,下面实施例结合图2给出的场景,提出一种台区户变关系辨识方法。
如图2所示,在营销系统的记录中,用户A-E的户变关系均归属变压器J,用户F归属变压器L,但实际通信中只有用户A-D、F抄表成功,用户E无法抄表成功,图2中的实线表示正确的户变关系,虚线表示记录错误的户变关系,现通过本实施例提出的户变关系辨识方法对用户A-F的户变关系进行确认,以核实实际户变关系与系统记录是否一致。
结合图3给出的执行流程,本实施例包括以下步骤:
S1.利用自然离群因子算法计算各用户的自然离群因子,根据自然离群因子排除异常用户。
步骤S1的自然离群因子算法针对某一待分析的台区,利用异常点检测算法对用户进行初步过滤,将明显异常的数据点进行排除,即初步排除户变关系明显异常的用户。本实施例的以下说明均以变压器J为算例,变压器L的异常点检测和户变关系辨识同理可得。
在运行自然离群因子算法时,步骤S1包括:
在本实施例中检测的对象设定为用户的运行电压数据,容易理解的是,本领域技术人员可根据实际需要,采用电流数据等其他的电气量数据来构建数据集合。
S102.计算数据集合中各数据点的自然离群因子。
计算自然离群因子的过程本实施例采用了自然最近邻搜索算法来寻找近邻数k值的合理设置,具体可以包括:
上述计算第距离的过程可以理解为:对于当前求解的数据点而言,在计算出点与集合内其余数据点的距离的情况下,如果存在一个除点以外的数据点,其与点的距离,能够大于至少个数据点与点的距离,且小于至多k-1个数据点与点的距离,那么这个数据点与点的距离就视为点的第距离。这里示出一个说明性示例进行说明,例如集合中有6个数据点,分别为a、b、c、d、e、f,现在计算点a的第k距离,则分别计算出点a与其余点的距离有d(a,b)、d(a,c)、d(a,d)、d(a,e)、d(a,f),若距离d(a,d)大于d(a,b)、d(a,c)、d(a,f),且小于d(a,e),则确定的k只能为2,即点d与点a的距离d(a,d)记为点a的第2距离。
S103.排除满足设定值的自然离群因子所对应的异常用户。
S2.对于步骤S1排除异常用户后的待分析用户A-D,根据用户的电压数据对用户聚类,得到各待分析用户对应的用户聚类集合。
本实施例对用户聚类时,采用“手拉手”式的聚类分析方法,寻找当前分析用户的相似用户,再寻找相似用户的相似用户,重复更新当前分析用户的聚类集合,如此把用户分为多个聚类。
本实施例采用电压相似性来描述两个用户的相似程度。
S201.计算任意两个待分析用户的电压相似性。
电压相似性按以下表达式计算,
S202.根据电压相似性将每个待分析用户及其相似用户进行聚类,得到各待分析用户对应的用户聚类集合。
步骤S202实际要完成的便是寻找相似用户的过程,还包括:
S2024.完成聚类,合并相同的集合得到至少一个用户聚类集合。
在步骤S2022中,循环寻找相似用户和更新聚类集合,这里以用户A为算例说明,B作为A的相似用户,其相似用户需要更新至A的聚类集合中,即令,排除重复元素后,A的聚类集合更新为,相较之前新增了C、D,则重复步骤S2022时需要增加C、D的相似用户来更新,令,此次更新后A的聚类集合为,相较之前不再新增元素,则可以输出A的聚类集合为。同理,对用户B、C、D进行同样的相似用户寻找和聚类,即可得到其最终的聚类集合分别为,,。通过合并相同集合,最终输出一个聚类集合为,用户A-D处于同一聚类下。对于有更多用户需要辨识的情况,通过实施本例中的相似用户聚类过程,可以将多个用户聚类为有限个集合,更方便后续的户变关系辨识。
而在实际处理中,为了数据更直观和便于处理,电压相似性还可以用矩阵表示,构建相似性矩阵,元素表示用户,的电压相似性,寻找满足电压相似性设定值的用户时,即针对矩阵中第行元素数值满足条件的用户,组成聚类集合。
S3.根据各用户聚类集合的用电量和台变的供电量计算各用户聚类集合的归属权重,根据归属权重完成户变关系辨识。
以台区线损率波动最小建立目标函数如下式表达,求解目标函数得到用户聚类集合的归属权重,
目标函数的约束由下式表达,
本申请的实施例还提供一种台区户变关系辨识设备,如图4所示,包括:至少一个处理器1,至少一个通信接口2,至少一个存储器3和至少一个通信总线4;
在本申请实施例中,处理器1、通信接口2、存储器3、通信总线4的数量为至少一个,且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;
处理器1可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器3可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory)等,例如至少一个磁盘存储器;
其中,存储器存储有计算机可执行指令,处理器可调用存储器存储的程序,所述程序用于:实现前述各个实施例提供的户变关系辨识流程。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (10)
1.一种台区户变关系辨识方法,包括:
S1.利用自然离群因子算法计算各用户的自然离群因子,根据所述自然离群因子排除异常用户;
S2.对于步骤S1排除异常用户后剩下的待分析用户,根据用户的电压数据对用户聚类,得到各待分析用户对应的用户聚类集合;
S3.根据所述用户聚类集合中各用户的用电量和台变的供电量计算各用户聚类集合的归属权重,根据所述归属权重完成户变关系辨识。
7.根据权利要求1所述的台区户变关系辨识方法,其特征在于,所述步骤S2包括:
S201.计算任意两个待分析用户的电压相似性;
S202.根据电压相似性将每个待分析用户及其相似用户进行聚类,得到各待分析用户对应的用户聚类集合。
10.一种户变关系辨识设备,包括处理器和存储器,其中存储器用于存储计算机程序,其特征在于,所述计算机程序由处理器加载并执行时实现权利要求1-9任一项所述的台区户变关系辨识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111314195.3A CN113744089B (zh) | 2021-11-08 | 2021-11-08 | 一种台区户变关系辨识方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111314195.3A CN113744089B (zh) | 2021-11-08 | 2021-11-08 | 一种台区户变关系辨识方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113744089A true CN113744089A (zh) | 2021-12-03 |
CN113744089B CN113744089B (zh) | 2022-02-15 |
Family
ID=78727727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111314195.3A Active CN113744089B (zh) | 2021-11-08 | 2021-11-08 | 一种台区户变关系辨识方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744089B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115098745A (zh) * | 2022-06-06 | 2022-09-23 | 浙大城市学院 | 基于贝叶斯推断的低压台区户变关系动态辨识系统与方法 |
CN115204319A (zh) * | 2022-09-15 | 2022-10-18 | 广东电网有限责任公司中山供电局 | 一种低压配电网拓扑参数识别方法及系统 |
CN116185722A (zh) * | 2023-04-28 | 2023-05-30 | 北京环球医疗救援有限责任公司 | 一种用于医疗保险主数据存储的数据安全管理系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321919A (zh) * | 2019-04-30 | 2019-10-11 | 广东电网有限责任公司 | 一种用于低压单相用户户相关系辨识的聚类方法 |
CN110516912A (zh) * | 2019-07-24 | 2019-11-29 | 长沙恒电聚能电子科技有限公司 | 一种配电台区户变关系的识别方法 |
CN110824270A (zh) * | 2019-10-09 | 2020-02-21 | 中国电力科学研究院有限公司 | 结合台区线损和异常事件的窃电用户辨识方法及装置 |
CN111062590A (zh) * | 2019-12-02 | 2020-04-24 | 深圳供电局有限公司 | 用电异常行为检测方法、装置、计算机设备和存储介质 |
CN111400371A (zh) * | 2020-03-13 | 2020-07-10 | 上海电力大学 | 一种基于电压相关性校验的户变关系识别方法 |
CN111505434A (zh) * | 2020-04-10 | 2020-08-07 | 国网浙江余姚市供电有限公司 | 一种低压配电表箱线路、表箱故障隐患识别方法 |
CN111505433A (zh) * | 2020-04-10 | 2020-08-07 | 国网浙江余姚市供电有限公司 | 一种低压台区户变关系纠错及相位识别方法 |
CN112270510A (zh) * | 2020-12-21 | 2021-01-26 | 广东电网有限责任公司佛山供电局 | 一种基于个体和群体电压相似性的户变关系辨识方法 |
CN112288339A (zh) * | 2020-12-24 | 2021-01-29 | 广东电网有限责任公司佛山供电局 | 一种基于电量和电压数据分析的台区户变关系辨识方法 |
CN112699913A (zh) * | 2020-11-25 | 2021-04-23 | 国网湖南省电力有限公司 | 一种台区户变关系异常诊断方法及装置 |
CN112712104A (zh) * | 2020-12-01 | 2021-04-27 | 国网河南省电力公司电力科学研究院 | 一种基于离群点检测的用户与变压器拓扑连接关系校验方法 |
-
2021
- 2021-11-08 CN CN202111314195.3A patent/CN113744089B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321919A (zh) * | 2019-04-30 | 2019-10-11 | 广东电网有限责任公司 | 一种用于低压单相用户户相关系辨识的聚类方法 |
CN110516912A (zh) * | 2019-07-24 | 2019-11-29 | 长沙恒电聚能电子科技有限公司 | 一种配电台区户变关系的识别方法 |
CN110824270A (zh) * | 2019-10-09 | 2020-02-21 | 中国电力科学研究院有限公司 | 结合台区线损和异常事件的窃电用户辨识方法及装置 |
CN111062590A (zh) * | 2019-12-02 | 2020-04-24 | 深圳供电局有限公司 | 用电异常行为检测方法、装置、计算机设备和存储介质 |
CN111400371A (zh) * | 2020-03-13 | 2020-07-10 | 上海电力大学 | 一种基于电压相关性校验的户变关系识别方法 |
CN111505434A (zh) * | 2020-04-10 | 2020-08-07 | 国网浙江余姚市供电有限公司 | 一种低压配电表箱线路、表箱故障隐患识别方法 |
CN111505433A (zh) * | 2020-04-10 | 2020-08-07 | 国网浙江余姚市供电有限公司 | 一种低压台区户变关系纠错及相位识别方法 |
CN112699913A (zh) * | 2020-11-25 | 2021-04-23 | 国网湖南省电力有限公司 | 一种台区户变关系异常诊断方法及装置 |
CN112712104A (zh) * | 2020-12-01 | 2021-04-27 | 国网河南省电力公司电力科学研究院 | 一种基于离群点检测的用户与变压器拓扑连接关系校验方法 |
CN112270510A (zh) * | 2020-12-21 | 2021-01-26 | 广东电网有限责任公司佛山供电局 | 一种基于个体和群体电压相似性的户变关系辨识方法 |
CN112288339A (zh) * | 2020-12-24 | 2021-01-29 | 广东电网有限责任公司佛山供电局 | 一种基于电量和电压数据分析的台区户变关系辨识方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115098745A (zh) * | 2022-06-06 | 2022-09-23 | 浙大城市学院 | 基于贝叶斯推断的低压台区户变关系动态辨识系统与方法 |
CN115204319A (zh) * | 2022-09-15 | 2022-10-18 | 广东电网有限责任公司中山供电局 | 一种低压配电网拓扑参数识别方法及系统 |
CN116185722A (zh) * | 2023-04-28 | 2023-05-30 | 北京环球医疗救援有限责任公司 | 一种用于医疗保险主数据存储的数据安全管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113744089B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113744089B (zh) | 一种台区户变关系辨识方法及设备 | |
CN112766550B (zh) | 基于随机森林的停电敏感用户预测方法、系统、存储介质及计算机设备 | |
CN110990461A (zh) | 大数据分析模型算法选型方法、装置、电子设备及介质 | |
CN107066616A (zh) | 用于账号处理的方法、装置及电子设备 | |
Cheng et al. | OWA-weighted based clustering method for classification problem | |
CN112800231B (zh) | 电力数据校验方法、装置、计算机设备和存储介质 | |
CN105678414A (zh) | 对资源消耗量进行预测的数据处理方法 | |
Lv et al. | A data fusion and data cleaning system for smart grids big data | |
CN112001441A (zh) | 一种基于Kmeans-AHC混合聚类算法的配电网线损异常检测方法 | |
Zhao et al. | Finding critical users in social communities via graph convolutions | |
Falahiazar et al. | Determining the Parameters of DBSCAN Automatically Using the Multi-Objective Genetic Algorithm. | |
CN112614004A (zh) | 用电信息的处理方法及装置 | |
Tang et al. | Reliable community search in dynamic networks | |
CN112508260B (zh) | 基于对比学习的配电变压器中长期负荷预测方法及装置 | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
Liang et al. | Optimization of basic clustering for ensemble clustering: an information-theoretic perspective | |
Jin et al. | Power load curve clustering algorithm using fast dynamic time warping and affinity propagation | |
CN112348226A (zh) | 预测数据生成方法、系统、计算机设备及存储介质 | |
CN111008673A (zh) | 配电网信息物理系统中恶性数据链采集提取方法 | |
Chen et al. | Solar power station site selection: A model based on data analysis and MCGDM considering expert consensus | |
Majidpour | Time series prediction for electric vehicle charging load and solar power generation in the context of smart grid | |
Hu et al. | ADGWN: adaptive dual-channel graph wavelet neural network for topology identification of low-voltage distribution grid | |
Yang et al. | Automatic Feature Engineering‐Based Optimization Method for Car Loan Fraud Detection | |
Sadi-Nezhad et al. | A new fuzzy clustering algorithm based on multi-objective mathematical programming | |
Davarzani et al. | Study of missing meter data impact on domestic load profiles clustering and characterization |
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 |