CN114185957B - 一种适用于电力大数据业务需求的智能挖掘方法 - Google Patents
一种适用于电力大数据业务需求的智能挖掘方法 Download PDFInfo
- Publication number
- CN114185957B CN114185957B CN202111354225.3A CN202111354225A CN114185957B CN 114185957 B CN114185957 B CN 114185957B CN 202111354225 A CN202111354225 A CN 202111354225A CN 114185957 B CN114185957 B CN 114185957B
- Authority
- CN
- China
- Prior art keywords
- data
- database
- analysis
- mining
- power grid
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005065 mining Methods 0.000 title claims abstract description 31
- 238000007418 data mining Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims abstract description 3
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 7
- 238000012098 association analyses Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 12
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000011068 loading method Methods 0.000 abstract description 2
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出的是一种适用于电力大数据业务需求的智能挖掘方法。包括如下过程:步骤一:首先给出了传统数据挖掘的过程图。步骤二:参照传统数据挖掘过程图,按照对电网大数据业务需求的理解,研究电网数据挖掘过程图,便于实现电网大数据业务需求的智能挖掘过程。步骤三:设计了基于Hadoop分布式文件系统和使用MapReduce模型,可以更快地实现多个数据的并行抽取、转换和加载ETL操作流程,并明确了电力大数据的业务需求智能挖掘平台的结构框架。步骤四:使用MPApriori数据挖掘算法,从而高效地为电力大数据业务需求智能挖掘提供服务。适宜作为一种适用于电力大数据业务需求的智能挖掘方法应用。
Description
技术领域
本发明涉及电力领域的大数据业务,特别是涉及一种适用于电力大数据业务需求的智能挖掘方法。
背景技术
随着市场经济的不断完善发展,电力公司逐渐从生产型的企业转变为经营型企业,客户服务和市场营销成为工作中的重要部分。电力公司内部存有了大量的客户数据,如果对于客户的用电行为进行充分分析,可以提高电力企业客户服务以及市场的推广。
数据挖掘算法就是将有用的信息从大量随机和有噪声的数据中识别出来的技术,传统的数据挖掘算法具有效率低、准确性差的特点。
发明内容
为了解决现有电力大数据中存在的冗余数据以及各影响因素在时间上的关联性,导致决策准确性较差的问题,本发明提出了一种适用于电力大数据业务需求的智能挖掘方法。该方法使用高效的MPApriori分析算法,用于挖掘出各数据库数据之间的影响,为数据挖掘的准确性提供保障,解决电力大数据智能挖掘技术不足的技术问题。
本发明解决技术问题所采用的方案是:
适用于电力大数据业务需求的智能挖掘方法,体系框架包括电网数据库、气象数据库、关联分析预处理单元、预测分析数据预处理单元、高维数据模式数据中心、高维关联性分析中心、可视化屏幕和MPApriori算法。
所述电网数据库,包括历史数据与实时数据,存有电网中各划分地域的用户用电量、用电习惯、跳闸信息、报警信息数据;
所述气象数据库,实现对于极端天气下对于电网数据的影响的记录,包括冰雹、梅雨、台风对于某一地区用电信息的影响;
所述关联分析预处理单元模块,把采集来的各种数据进行关联分析预处理,初步对数据进行分类;
所述预测分析数据预处理单元模块,主要是为了达到重复及异常数据的清理,格式化标准功能;
所述高维数据模式数据中心模块,为了进一步对数据进行分析,需要把电网大数据预处理后形成的标准数据,传输到此模块中,实现多种数据分类,方便进一步分析数据;
所述高维关联性分析中心模块,利用高维数据模式数据中心的数据,进行数据的关联性分析,该步骤也是整个实现过程中最为复杂的部分;
所述可视化屏幕,又称人机交互界面,是使用者与数据挖掘系统二者间的通信,用户可以使用该部分了解系统数据以及工作状态和进程;
所述MPApriori算法,具备并行寻找频繁项集的功能,当查找频繁(K)-项集的中间结果传送到Reduce函数时,(K+1)-项集就可以执行Map操作,实现了数据操作的并行执行,与此同时,提高了数据挖掘系统的运行效率。
积极效果,本发明设计了使用MapReduce模型和基于Hadoop分布式文件系统,可以更快地实现多个数据的并行ETL操作流程,明确了电力大数据的业务需求智能挖掘平台的结构框架。并且使用高效的MPApriori分析算法,用于挖掘出各数据库数据之间的影响,进一步为数据挖掘的准确性提供保障,从而为电力大数据的智能挖掘提供服务。解决了现有电力系统大数据的挖掘方法未能考虑海量数据处理中存在的数据冗余且各影响因素在时间上的存在关联性,这将势必导致电网企业决策系统存在精确性降低、效率慢、高误差等问题。本发明利用电力部门的大数据,建立了在基于Hadoop系统数据处理的基础上,改进了大数据挖掘的智能算法。适宜作为一种适用于电力大数据业务需求的智能挖掘方法应用。
附图说明
图1是传统数据挖掘系统框图;
图2是电网数据挖掘过程图;
图3是本发明平台体系框架图;
图4是MPApriori算法框架图。
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。尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。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。
据图所示,一种适用于电力大数据业务需求的智能挖掘方法,步骤一:首先给出了传统数据挖掘的过程图;步骤二:参照传统数据挖掘过程图,按照对电网大数据业务需求的理解,研究电网数据挖掘过程图,便于实现电网大数据业务需求的智能挖掘过程;步骤三:设计了基于Hadoop分布式文件系统和使用MapReduce模型,可以更快地实现多个数据的并行抽取、转换和加载ETL操作流程,并明确了电力大数据的业务需求智能挖掘平台的结构框架;步骤四:使用MPApriori数据挖掘算法,从而高效地为电力大数据业务需求智能挖掘提供服务;包括以下过程:
步骤一、如图1所示,传统的数据挖掘系统;
进一步的,按照传统的数据挖掘系统,理解各个名词的含义,进而顺利地构建出电网数据挖掘过程图。
可以理解的是,图1中数据(仓)库主要用来存储数据。
更进一步的,还包括清理、集成、过滤过程中的中间数据。
知识库是存储专业领域知识的库。
进一步,还包括经验和常识,用于辅助指导。
数据挖掘引擎能够利用知识库存储的数据与技术人员实现互动,是整个系统中的核心。
可以理解的是,数据挖掘引擎一般由不同功能的模块所构成,利用特定的算法进行大数据的分析。
模式评估的衡量指标是兴趣度,挖掘出使用者感兴趣的知识。
人机交互是使用者与数据挖掘系统二者间的通信,用户可以使用该部分了解系统数据以及工作状态和进程。
步骤二、如图2,电网数据挖掘过程图。
进一步,各个组成部分释义如下:
业务对象的确立,是确定目标的过程,为后续数据挖掘提供指南。
数据准备是提供算法分析所需要的数据。
可以理解的是,该过程包括数据的选取、预处理及变换等步骤。
进一步,数据选取是选取合适的数据;预处理是将选择出的数据进行初步整理,去除掉干扰、噪声等;变换是将预处理后的数据,更换一种数据模式。
数据建模与数据挖掘,数据准备完成后,需要采用适当的大数据分析算法对数据进行建模分析。
结果生成与分析,将建模分析产生的结果数据导出,根据使用者的兴趣度来确认其有效性。
进一步,若生成的结果经分析后,不能满足使用者的需求,需要将结果删除,并重新进行建模分析。
应用部署,即需要采用可视化的途径将电力大数据挖掘产生的结果传递给技术人员,利于技术人员将这些结果转化成所需的业务知识,并且顺利地整合到业务信息系统中。
步骤三、如图3所示,在电力大数据业务需求智能挖掘过程中。
首先将存储在电网、气象等底层数据库中的数据进行处理。
进一步,处理流程包括清洗整理与概化处理等,与此同时,需要把处理后的数据传递到高维数据模式数据仓库中。
进一步,根据技术人员的业务需求,将对应的数据进行关联性分析与预测,挖掘出其中所含有的相应知识。
更进一步,为了技术人员方便操作,专业知识需要以可视化的途径呈现给外界。
需要理解的是,重点研究的部分是算法部分,对应于图3中的高维关联性分析中心。
步骤四、如图4所示,采用MPApriori算法作为数据智能挖掘的算法。
T1、T2、Tn分别为T时刻;
Pc1、Pc2、Pcn分别为T1、T2、Tn时刻对应数据库的数据值;
K个项的项集称为K—项集;
新候选集是检测到数据之间存在关联关联,那么便会产生一个新的候选集。
采用MPApriori,无需对数据库进行扫描,只需要转换成为对中间过程值〈key,value〉的访问即可。
可以理解的是,将候选集转化成为中间的〈key,value〉,便可以轻松达到对MapReduce的并行访问,降低了系统的操作时间。
进一步,Apriori算法存在2个瓶颈: 一是反复扫描数据库;二是可能产生庞大的候选集。Apriori算法需要许多频繁的I/O。MapReduce算法设定完成相应的〈key,value〉后,不需要进行I/O方面的考虑。
进一步,数据处理阶段完成之后,已经得到了二进制的数据文件。
可以理解的是,只需使用MapReduce来完成最基本的Apriori算法,便可以快速定位到频繁的项集,进而挖掘出扰动点和扰动影响点。
更进一步,还可以依据扰动程度,设定不同的扰动代表值,从而确保数据挖掘的准确性。
因此,本发明在考虑到气候,负荷,频率等多种因素扰动下,利用Hadoop分布式文件系统,实现了多个数据的并行ETL操作流程。同时,使用高效的MPApriori数据挖掘算法,用于挖掘出各数据之间的相互影响,从而保证电力大数据业务需求智能挖掘的可靠性。
本发明的工作原理:
由于电力大数据本身种类繁多、易受到干扰且多种数据易在时间上呈现关联性,便会电力大数据的准确性产生一定的影响,不方便进行数据的读取以及数据挖掘,从而对经营管理部门的决策准确性产生一定的影响。
通常情况下,将影响因素分为历史数据、电流扰动、电压扰动、频率扰动、负荷扰动、数据冗余、极端天气等。多种因素的共同作用对电力大数据的业务需求智能的挖掘产生影响。一般情况下数据冗余对于决策部门会造成决策效率低,电流扰动、负荷扰动、电压扰动以及频率扰动会产生错误的数据,且各种数据之间存在关联关系,便会对企业决策部门的决策准确性产生影响。
故本发明在充分考虑到多种因素影响的情况下,设计了使用MapReduce模型和基于Hadoop分布式文件系统,并明确了电力大数据的业务需求智能挖掘平台的结构框架。并且使用效率更高的MPApriori算法,从而为电力大数据的智能挖掘提供服务。
本发明利用电力部门的大数据,建立了在基于Hadoop系统数据处理的基础上,改进了大数据挖掘的智能算法,提出了一种适用于电力大数据业务需求的智能挖掘方法。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各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,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种适用于电力大数据业务需求的智能挖掘方法,其特征是:
体系框架包括电网数据库、气象数据库、关联分析预处理单元、预测分析数据预处理单元、高维数据模式数据中心、高维关联性分析中心、可视化屏幕和MPApriori算法;
所述电网数据库,包括历史数据与实时数据,存有电网中各划分地域的用户用电量、用电习惯、跳闸信息、报警信息数据;
所述气象数据库,实现对于极端天气下对于电网数据的影响的记录,包括冰雹、梅雨、台风对于某一地区用电信息的影响;
所述关联分析预处理单元模块,把采集来的各种数据进行关联分析预处理,初步对数据进行分类;
所述预测分析数据预处理单元模块,达到重复及异常数据的清理,格式化标准功能;
所述高维数据模式数据中心模块,为了进一步对数据进行分析,需要把电网大数据预处理后形成的标准数据,传输到此模块中,实现多种数据分类,方便进一步分析数据;
所述的高维数据模式数据中心单元模块包含电流、电压、频率、负荷数据库,对每个进入高维数据模式数据库中的数据进行操作访问,把数据分到电流、电压、频率、负荷数据库中;
所述高维关联性分析中心模块,利用高维数据模式数据中心的数据,进行数据的关联性分析;
所述的高维关联性分析中心单元模块包含分析单元、实时数据、电网跳闸、历史数据、全景运行、规则算法、频繁项集表、数据关联规则、分析规则模块,对每个进入高维关联性模式数据库中的数据进行操作访问,利用MPApriori算法,对每个数据进行分析,把分析结果呈现在可视化屏幕,便于操作人员进行数据读取;
所述可视化屏幕,又称人机交互界面,是使用者与数据挖掘系统二者间的通信,用户可以使用该部分了解系统数据以及工作状态和进程;
所述MPApriori算法,具备并行寻找频繁项集的功能,当查找频繁(K)-项集的中间结果传送到Reduce函数时,(K+1)-项集就可以执行Map操作,实现了数据操作的并行执行,提高了数据挖掘系统的运行效率;
新候选集是检测到数据之间存在关联关联,那么便会产生一个新的候选集;
采用MPApriori,无需对数据库进行扫描,只需要转换成为对中间过程值〈key,value〉的访问;
将候选集转化成为中间的〈key,value〉,便可以轻松达到对MapReduce的并行访问;
MapReduce算法设定完成相应的〈key,value〉后,不需要进行I/O方面的考虑。
2.根据权利要求1所述的一种适用于电力大数据业务需求的智能挖掘方法,其特征是:
所述关联分析预处理单元模块通过包含数据清洗、概化处理,对每一个数据进行操作、去除和修补数据,完成数据类型的转换。
3.根据权利要求1所述的一种适用于电力大数据业务需求的智能挖掘方法,其特征是:
所述预测分析预处理单元模块包含数据清洗功能,对每个数据进行操作,去除和修补数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111354225.3A CN114185957B (zh) | 2021-11-16 | 2021-11-16 | 一种适用于电力大数据业务需求的智能挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111354225.3A CN114185957B (zh) | 2021-11-16 | 2021-11-16 | 一种适用于电力大数据业务需求的智能挖掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114185957A CN114185957A (zh) | 2022-03-15 |
CN114185957B true CN114185957B (zh) | 2024-04-05 |
Family
ID=80540940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111354225.3A Active CN114185957B (zh) | 2021-11-16 | 2021-11-16 | 一种适用于电力大数据业务需求的智能挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114185957B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016029570A1 (zh) * | 2014-08-28 | 2016-03-03 | 北京科东电力控制系统有限责任公司 | 一种面向电网调度的智能告警分析方法 |
CN107590225A (zh) * | 2017-09-05 | 2018-01-16 | 江苏电力信息技术有限公司 | 一种基于分布式数据挖掘算法的可视化管理系统 |
CN109033497A (zh) * | 2018-06-04 | 2018-12-18 | 南瑞集团有限公司 | 一种面向高并发的多阶段数据挖掘算法智能选择方法 |
-
2021
- 2021-11-16 CN CN202111354225.3A patent/CN114185957B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016029570A1 (zh) * | 2014-08-28 | 2016-03-03 | 北京科东电力控制系统有限责任公司 | 一种面向电网调度的智能告警分析方法 |
CN107590225A (zh) * | 2017-09-05 | 2018-01-16 | 江苏电力信息技术有限公司 | 一种基于分布式数据挖掘算法的可视化管理系统 |
CN109033497A (zh) * | 2018-06-04 | 2018-12-18 | 南瑞集团有限公司 | 一种面向高并发的多阶段数据挖掘算法智能选择方法 |
Non-Patent Citations (1)
Title |
---|
基于数据挖掘的电力系统数据分析与决策系统;戚思睿;苟吉伟;;电子设计工程;20200331(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114185957A (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103336790B (zh) | 基于Hadoop的邻域粗糙集快速属性约简方法 | |
US20230162051A1 (en) | Method, device and apparatus for execution of automated machine learning process | |
CN103336791B (zh) | 基于Hadoop的粗糙集快速属性约简方法 | |
CN114676883A (zh) | 基于大数据的电网运行管理方法、装置、设备及存储介质 | |
CN114048870A (zh) | 一种基于日志特征智能挖掘的电力系统异常监测方法 | |
CN115423429A (zh) | 基于图像和声音信息的多模态一体化配网运营系统 | |
CN107862406A (zh) | 应用深度学习和改进Apriori算法综合的一次设备风险预测的方法 | |
CN115564071A (zh) | 一种电力物联网设备数据标签生成方法及系统 | |
CN116882978A (zh) | 一种基于产品信息框架的深海潜水器运维保障平台 | |
CN115358481A (zh) | 一种企业外迁预警识别的方法、系统及装置 | |
CN116307566B (zh) | 大型房屋建筑工程施工组织方案动态设计系统 | |
CN114185957B (zh) | 一种适用于电力大数据业务需求的智能挖掘方法 | |
Li et al. | Automatic classification algorithm for multisearch data association rules in wireless networks | |
CN112783977A (zh) | 一种基于大数据的海量数据搜索的实现方法 | |
Ma et al. | Big data enabled anomaly user detection in mobile wireless networks | |
Park et al. | Reviewing discussion on ICT convergence in the future of electricity industry | |
Li et al. | Data visualization technology in power grid planning and government affairs based on association rules algorithm | |
CN112508276B (zh) | 一种电网快速诊断与优化系统及优化方法 | |
CN113392302B (zh) | 一种电力外部环境检测的分析系统 | |
Sun et al. | An artificial intelligence-based real-time monitoring framework for time series | |
Jinman et al. | Design and implementation of personalized precision marketing system based on deep belief network | |
Singh et al. | Harnessing Big Data Analytics for Optimal Car Choices | |
Liu et al. | Automotive prospective technology mining method based on big data content analysis | |
Barmenkov et al. | Information Technologies in Quality Management Processes | |
Wang | Application research on marketing data analysis using data mining technology |
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 |