CN116402528A - 电力数据处理系统 - Google Patents
电力数据处理系统 Download PDFInfo
- Publication number
- CN116402528A CN116402528A CN202310294829.6A CN202310294829A CN116402528A CN 116402528 A CN116402528 A CN 116402528A CN 202310294829 A CN202310294829 A CN 202310294829A CN 116402528 A CN116402528 A CN 116402528A
- Authority
- CN
- China
- Prior art keywords
- data
- index
- scene
- value information
- power 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 95
- 238000012937 correction Methods 0.000 claims description 31
- 238000004519 manufacturing process Methods 0.000 claims description 23
- 238000011161 development Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 abstract description 41
- 238000011156 evaluation Methods 0.000 description 24
- 238000004590 computer program Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 238000003860 storage Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 8
- 238000003672 processing method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种电力数据处理系统。所述系统包括场景分类器和数据处理器;所述场景分类器,用于获取电力数据,并确定所述电力数据的至少一个应用场景;所述数据处理器,用于确定所述电力数据在各所述应用场景下的数据处理参数,根据所述数据处理参数,得到所述电力数据在各所述应用场景下的场景价值信息,并根据至少一个所述场景价值信息,确定所述电力数据的数据价值信息。采用本方法能够增加电力数据资产价值确定的准确性。
Description
技术领域
本申请涉及大数据技术领域,特别是涉及一种电力数据处理系统。
背景技术
数据资产交易能打破信息孤岛和行业信息壁垒,汇聚海量高价值数据,是数据资产价值实现最大化的重要途径,电力数据具有体量大、实时性高、时效性强、社会价值高的特点,数据资产价值较高,作为一种无实物形态的数据资产,在电力数据资产交易过程中,通常需要对电力数据进行定价。
现有技术中,通常采用成本法对电力数据进行定价,通过统计数据采集和运用过程中的成本,来确定电力数据资产价值。然而,针对海量的电力数据,成本法难以全面反映电力数据的全部数据特征,容易导致电力数据资产的定价在某些应用场景下不准确,进而妨碍了电力数据的运用。
因此,目前的电力数据处理过程中存在数据资产价值确定不准确的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确确定数据资产价值的电力数据处理系统、方法、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种电力数据处理系统。所述系统包括场景分类器和数据处理器;
所述场景分类器,用于获取电力数据,并确定所述电力数据的至少一个应用场景;
所述数据处理器,用于确定所述电力数据在各所述应用场景下的数据处理参数,根据所述数据处理参数,得到所述电力数据在各所述应用场景下的场景价值信息,并根据至少一个所述场景价值信息,确定所述电力数据的数据价值信息。
在其中一个实施例中,所述数据处理器,还用于获取所述电力数据在所述应用场景下的初始价值信息,根据所述数据处理参数确定所述初始价值信息的修正系数,并根据所述修正系数对所述初始价值信息进行修正,得到所述场景价值信息。
在其中一个实施例中,所述数据处理参数包括指标数据和指标权重;
所述数据处理器,还用于确定所述电力数据在所述应用场景下的数据处理指标,确定所述数据处理指标的指标数据和指标权重,并根据所述指标权重对所述指标数据进行加权求和,得到所述修正系数。
在其中一个实施例中,所述数据处理指标包括第一指标和第二指标;
所述数据处理器,还用于获取所述第一指标的第一指标数据和第一指标权重,根据所述第一指标权重对所述第一指标数据进行加权求和,得到所述第二指标的第二指标数据,根据预先设置的第二指标权重对所述第二指标数据进行加权求和,得到所述修正系数。
在其中一个实施例中,所述数据处理器,还用于将获取到的至少一个候选指标分别输入至预先设置的层次分析模型,得到各所述候选指标对应的候选指标权重,根据所述候选指标权重,从所述至少一个候选指标中确定出所述数据处理指标。
在其中一个实施例中,所述数据处理器,还用于根据所述至少一个场景价值信息的平均值,得到所述电力数据的所述数据价值信息。
在其中一个实施例中,所述数据处理器,还用于对所述至少一个场景价值信息进行加权求和,得到所述电力数据的所述数据价值信息。
在其中一个实施例中,所述场景分类器,还用于根据所述电力数据的数据属性,从预先设置的候选场景中确定出所述应用场景。
在其中一个实施例中,所述应用场景包括建设场景、生产场景、检修场景、营销场景和监测场景中的至少一种。
在其中一个实施例中,所述初始价值信息包括所述电力数据在所述应用场景下的数据采集价值信息、数据开发价值信息和数据流通价值信息中的至少一种。
第二方面,本申请提供了一种电力数据处理方法。所述方法包括:
确定电力数据在至少一个应用场景下的数据处理参数;场景分类器针对所述电力数据确定所述至少一个应用场景;
根据各所述数据处理参数,得到所述电力数据在各所述应用场景下的场景价值信息;
根据至少一个所述场景价值信息,确定所述电力数据的数据价值信息。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
确定电力数据在至少一个应用场景下的数据处理参数;场景分类器针对所述电力数据确定所述至少一个应用场景;
根据各所述数据处理参数,得到所述电力数据在各所述应用场景下的场景价值信息;
根据至少一个所述场景价值信息,确定所述电力数据的数据价值信息。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
确定电力数据在至少一个应用场景下的数据处理参数;场景分类器针对所述电力数据确定所述至少一个应用场景;
根据各所述数据处理参数,得到所述电力数据在各所述应用场景下的场景价值信息;
根据至少一个所述场景价值信息,确定所述电力数据的数据价值信息。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
确定电力数据在至少一个应用场景下的数据处理参数;场景分类器针对所述电力数据确定所述至少一个应用场景;
根据各所述数据处理参数,得到所述电力数据在各所述应用场景下的场景价值信息;
根据至少一个所述场景价值信息,确定所述电力数据的数据价值信息。
上述电力数据处理系统、方法、计算机设备、存储介质和计算机程序产品,通过场景分类器获取电力数据,并确定电力数据的至少一个应用场景,数据处理器确定电力数据在各应用场景下的数据处理参数,根据数据处理参数,得到电力数据在各应用场景下的场景价值信息,并根据至少一个场景价值信息,确定电力数据的数据价值信息;可以针对电力数据所适用的至少一个应用场景来确定数据资产价值,进而根据电力数据在各应用场景下的数据资产价值,确定电力数据的最终数据资产价值,由于最终数据资产价值反映了电力数据在多个适用场景下的多方面需求,增加了电力数据资产价值确定的准确性。
附图说明
图1为一个实施例中电力数据处理系统的结构框图;
图2为一个实施例中电力数据处理方法的流程示意图;
图3为一个实施例中电力数据资产价值评估模型的结构示意图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种电力数据处理系统,包括:场景分类器102和数据处理器104;
场景分类器102,用于获取电力数据,并确定电力数据的至少一个应用场景;
数据处理器104,用于确定电力数据在各应用场景下的数据处理参数,根据数据处理参数,得到电力数据在各应用场景下的场景价值信息,并根据至少一个场景价值信息,确定电力数据的数据价值信息。
其中,电力数据处理系统可以为针对电力数据进行数据处理的服务器或者终端。场景分类器可以为确定电力数据的应用场景的分类器。数据处理器可以为对电力数据进行数据处理的处理器。
其中,电力数据可以为伴随电力生产和电力消费,实时产生的数据,例如,电网的实时产电量、用户的实时用电量、电价等。
其中,应用场景可以为产生电力数据的场景,例如,建设场景、生产场景、检修场景、营销场景、监测场景等。
其中,数据处理参数可以为指定应用场景下,与电力数据资产价值相关的参数,例如,针对与确定电力数据资产价值相关的指标,数据处理参数可以包括指标数据和指标权重。
其中,场景价值信息可以为指定应用场景下的电力数据资产价值。
其中,数据价值信息可以为通用场景下的电力数据资产价值。
具体实现中,可以将采集到的电力数据输入至电力数据处理系统,通过电力数据处理系统中的场景分类器确定出该电力数据对应的至少一个应用场景,将至少一个应用场景输入至数据处理器,数据处理器分别针对各个应用场景,确定电力数据的数据处理参数,并根据该数据处理参数确定出电力数据在该应用场景下的场景价值信息,数据处理器还可以汇总至少一个应用场景下的场景价值信息,根据得到的至少一个场景价值信息,确定出该电力数据的数据价值信息。
例如,在服务器中设置场景分类器和数据处理器,电网公司将采集到的电力数据D输入服务器,服务器的场景分类器通过机器学习、支持向量机等分类方法,确定出D的应用场景包括生产场景和检修场景,将所确定的应用场景发送给数据处理器,数据处理器在获取到电力数据的应用场景后,可以分别确定出:在生产场景下确定D的资产价值,需要考察的指标包括电力数据的真实性和使用性;在检修场景下确定D的资产价值,需要考察的指标包括电力数据的使用性和数据质量。
数据处理器还可以确定出生产场景下真实性的指标分数和指标权重分别为s11和ω11,使用性的指标分数和指标权重分别为s12和ω12,其中,ω11+ω12=1,从而,生产场景下D的价值系数为K1=s11ω11+s12ω12,设D在生产场景下的初始价值为TC1,使用价值系数对初始价值进行修正,得到修正后价值P1=TC1×K1,将修正后价值P1作为电力数据D在生产场景下的数据价值。
数据处理器还可以确定出检修场景下使用性的指标分数和指标权重分别为s22和ω22,数据质量的指标分数和指标权重分别为s23和ω23,其中,ω22+ω23=1,因此,检修场景下D的价值系数为K2=s22ω22+s23ω23,设D在检修场景下的初始价值为TC2,使用价值系数对初始价值进行修正,得到修正后价值P2=TC2×K2,将修正后价值P2作为电力数据D在检修场景下的数据价值。
最后可以对P1和P2进行求平均,将得到的P=(P1+P2)/2作为电力数据D最终的数据价值,用该数据价值对电力数据D进行定价。
上述电力数据处理系统,通过场景分类器获取电力数据,并确定电力数据的至少一个应用场景,数据处理器确定电力数据在各应用场景下的数据处理参数,根据数据处理参数,得到电力数据在各应用场景下的场景价值信息,并根据至少一个场景价值信息,确定电力数据的数据价值信息;可以针对电力数据所适用的至少一个应用场景来确定数据资产价值,进而根据电力数据在各应用场景下的数据资产价值,确定电力数据的最终数据资产价值,由于最终数据资产价值反映了电力数据在多个适用场景下的多方面需求,增加了电力数据资产价值确定的准确性。
在一个实施例中,上述数据处理器104,还用于获取电力数据在应用场景下的初始价值信息,根据数据处理参数确定初始价值信息的修正系数,并根据修正系数对初始价值信息进行修正,得到场景价值信息。
其中,初始价值信息可以为指定应用场景下电力数据资产的初始价值。
其中,修正系数可以为对电力数据资产价值进行修正的系数。
具体实现中,可以将电力数据在指定应用场景下的初始价值信息输入至数据处理器,数据处理器在获取到初始价值信息后,还可以根据数据处理参数确定修正系数,将修正系数与初始价值信息进行相乘,得到指定应用场景下的场景价值信息。
例如,可以采用成本修正法对指定应用场景下的电力数据价值进行量化,获取指定应用场景下电力数据D的数据采集成本、数据开发成本和数据流通成本,根据数据采集成本、数据开发成本和数据流通成本估算电力数据D的数据资产成本TC,将其作为初始价值信息,并计算电力数据D的价值系数K,将其作为修正系数,使用价值系数K对数据资产成本TC进行修正,得到电力数据D在该应用场景下的价值为P=TC×K,即场景价值信息。
本实施例中,通过获取电力数据在应用场景下的初始价值信息,根据数据处理参数确定初始价值信息的修正系数,并根据修正系数对初始价值信息进行修正,得到场景价值信息,可以针对不同的应用场景,对电力数据的初始价值进行修正,使得到的场景价值信息与应用场景相适配,进而提高了场景价值信息的准确性。
在一个实施例中,上述数据处理参数包括指标数据和指标权重;上述数据处理器104,还用于确定电力数据在应用场景下的数据处理指标,确定数据处理指标的指标数据和指标权重,并根据指标权重对指标数据进行加权求和,得到修正系数。
其中,数据处理指标可以为与电力数据资产价格确定相关的指标。
其中,指标数据可以为数据处理指标影响电力数据资产价格的数值,指标权重可以为数据处理指标影响电力数据资产价格的权重。
具体实现中,针对指定应用场景,数据处理器可以确定电力数据的数据处理指标,以及数据处理指标对应的指标数据和指标权重,根据指标权重对指标数据进行加权求和,得到对电力数据的初始价值信息进行修正的修正系数。
例如,针对建设场景,确定影响电力数据价值的因素包括数据真实性、数据使用性和数据质量,将数据真实性、数据使用性和数据质量作为数据处理指标,确定出各数据处理指标的指标分数分别为s1、s2和s3,指标权重分别为ω1、ω2和ω3,则可以得到修正系数为K=s1ω1+s2ω2+s3ω3。
本实施例中,通过确定电力数据在应用场景下的数据处理指标,确定数据处理指标的指标数据和指标权重,并根据指标权重对指标数据进行加权求和,得到修正系数,可以针对不同的应用场景,确定出电力数据的初始价值的修正系数,使用修正系数对初始价值进行修正,修正后的价值能够准确反映电力数据在该应用场景下的数据价值。
在一个实施例中,上述数据处理指标包括第一指标和第二指标;上述数据处理器104,还用于获取第一指标的第一指标数据和第一指标权重,根据第一指标权重对第一指标数据进行加权求和,得到第二指标的第二指标数据,根据预先设置的第二指标权重对第二指标数据进行加权求和,得到修正系数。
其中,第一指标可以为第一级维度的数据处理指标,第二指标可以为第二级维度的数据处理指标,其中,第二级维度包含第一级维度。
其中,第一指标数据和第一指标权重可以分别为第一指标的数值和权重。
其中,第二指标数据和第二指标权重可以分别为第二指标的数值和权重。
具体实现中,数据处理器在获取到第一指标的第一指标数据和第一指标权重后,可以根据第一指标权重对第一指标数据进行加权求和,得到第二指标数据,还可以根据第二指标权重对第二指标数据进行加权求和,得到初始价值信息的修正系数。
例如,针对建设场景,将数据真实性、数据使用性和数据质量确定为第二指标,将数据真实性包含的可靠性、失真度和可信度,数据使用性包含的够用性、可访问性、可用性和稀缺性,数据质量包含的准确性、一致性、完整性、时效性和唯一性,确定为第一指标,可靠性、失真度、可信度、够用性、可访问性、可用性、稀缺性、准确性、一致性、完整性、时效性和唯一性的指标分数(第一指标数据)分别为a11、a12、a13、a21、a22、a23、a24、a31、a32、a33、a34和a35,指标权重(第一指标权重)分别为ω11、ω12、ω13、ω21、ω22、ω23、ω24、ω31、ω32、ω33、ω34和ω35,根据第一指标的指标分数和指标权重得到数据真实性的指标分数为a1=a11ω11+a12ω12+a13ω13,数据使用性的指标分数为a2=a21ω21+a22ω22+a23ω23+a24ω24,数据质量的指标分数为a3=a31ω31+a32ω32+a33ω33+a34ω34+a35ω35,将a1、a2和a3作为第二指标数据,并确定数据真实性、数据使用性和数据质量的指标权重(第二指标权重)分别为ω1、ω2和ω3,则修正系数K=a1ω1+a2ω2+a3ω3,其中,ω1+ω2+ω3=1,ω11+ω12+ω13=1,ω21+ω22+ω23+ω24=1,ω31+ω32+ω33+ω34+ω35=1。
本实施例中,通过获取第一指标的第一指标数据和第一指标权重,根据第一指标权重对第一指标数据进行加权求和,得到第二指标的第二指标数据,根据预先设置的第二指标权重对第二指标数据进行加权求和,得到修正系数,可以通过第一指标对第二指标进行细化,更准确反映电力数据在应用场景下的多方面特征,提高所确定的电力数据资产价值的准确性。
在一个实施例中,上述数据处理器104,还用于将获取到的至少一个候选指标分别输入至预先设置的层次分析模型,得到各候选指标对应的候选指标权重,根据候选指标权重,从至少一个候选指标中确定出数据处理指标。
其中,候选指标可以为预先设置的指标集合。
其中,候选指标权重可以为候选指标对应的指标权重。
其中,层次分析模型可以为根据层次分析法构建的仿真模型。
具体实现中,可以先获取一个候选指标集合,将候选指标集合中的各候选指标分别输入至预先设置的层次分析模型,得到各候选指标对应的候选指标权重,然后将超过预设阈值的候选指标权重确定为目标权重,将候选指标集合中与目标权重相对应的候选指标,确定为数据处理指标。
例如,针对建设场景,候选指标包括可靠性、失真度、可信度、够用性、可访问性、可用性、稀缺性、准确性、一致性、完整性、时效性和唯一性,通过层次分析模型得到的候选指标权重分别为0.025,0.05,0.1,0.15,0.025,0.05,0.025,0.05,0.2,0.25,0.05,0.025,设置阈值0.03,其中,0.25,0.2,0.15和0.1超过阈值0.03,则可以将与0.25,0.2,0.15和0.1分别对应的完整性、一致性、够用性和可信度确定为数据处理指标。
其中,层次分析模型可以是先进行问题描述、判别影响要素和建立层级结构,基于问题描述、影响要素和层级结构设置问卷,然后通过问卷收集数据资料,根据数据资料确定各层级结构之间决策属性的相对重要性,根据相对重要性建立成对比较矩阵,用以计算矩阵特征值与特征向量,并将得出的数据通过一致性检定和层级结构一致性检定的回馈进行修正,最后得到各候选指标的权重。
本实施例中,通过将获取到的至少一个候选指标分别输入至预先设置的层次分析模型,得到各候选指标对应的候选指标权重,根据候选指标权重,从至少一个候选指标中确定出数据处理指标,可以从候选指标中选取出权重相对较大的指标,作为数据处理指标,从而减少了指标的数量,降低了电力数据处理的复杂度。
在一个实施例中,上述数据处理器104,还用于根据至少一个场景价值信息的平均值,得到电力数据的数据价值信息。
具体实现中,可以对至少一个场景价值信息进行求平均运算,将得到的平均值作为电力数据的数据价值。
例如,电力数据D在生产场景下的数据价值为P1,在检修场景下的数据价值为P2,则确定D最终的数据价值为P=(P1+P2)/2。
本实施例中,通过根据至少一个场景价值信息的平均值,得到电力数据的数据价值信息,可以使电力数据的数据价值反映电力数据在各个应用场景下的数据价值,提高数据价值的准确性。
在一个实施例中,上述数据处理器104,还用于对至少一个场景价值信息进行加权求和,得到电力数据的数据价值信息。
具体实现中,对于得到的至少一个场景价值信息,可以预先设置各场景价值信息对应的信息权重,根据信息权重对至少一个场景价值信息进行加权求和,得到电力数据的数据价值。
例如,电力数据D在生产场景下的数据价值为P1,在检修场景下的数据价值为P2,预先设置生产场景和检修场景对数据价值的权重分别为0.8和0.2,则D最终的数据价值为P=0.8×P1+0.2×P2。
本实施例中,通过对至少一个场景价值信息进行加权求和,得到电力数据的数据价值信息,可以使电力数据的数据价值反映电力数据在各个应用场景下的数据价值,提高数据价值的准确性。
在一个实施例中,上述场景分类器102,还用于根据电力数据的数据属性,从预先设置的候选场景中确定出应用场景。
其中,数据属性可以包括电力数据的类型、名称、数值等。
具体实现中,将电力数据输入至场景分类器,场景分类器获取电力数据的数据属性,根据数据属性对电力数据进行分类,从候选场景中确定出与电力数据的数据属性相匹配的候选场景,将该候选场景作为电力数据的应用场景。
例如,可以在场景分类器预先训练机器学习模型,将电力数据输入至预先训练的机器学习模型,机器学习模型识别电力数据的数据属性,并根据数据属性确定各候选场景与该电力数据之间的匹配度,将匹配度大于预设阈值的候选场景确定为应用场景。
本实施例中,通过根据电力数据的数据属性,从预先设置的候选场景中确定出应用场景,可以自动确定电力数据的应用场景,便于针对电力数据的所有应用场景确定资产价值,进而提高资产价值确定的准确性。
在一个实施例中,上述应用场景包括建设场景、生产场景、检修场景、营销场景和监测场景中的至少一种。
其中,建设场景可以是对电网进行规划和建设的应用场景。
其中,生产场景可以是电网运营过程中生产电能的应用场景。
其中,检修场景可以是电网运营过程中对电网设备进行检修的应用场景。
其中,营销场景可以是电网运营过程中对电能进行营销的应用场景。
其中,监测场景可以是对异常用户或者用户异常行为进行检测的应用场景。
具体实现中,场景分类器可以确定出电力数据的应用场景为建设场景、生产场景、检修场景、营销场景和监测场景中的至少一种。
本实施例中,通过使应用场景包括建设场景、生产场景、检修场景、营销场景和监测场景中的至少一种,可以对电网各个运营阶段产生的电力数据进行识别,实现对电网运营全生命周期电力数据资产价值的确定,保证电力数据处理系统进行数据资产价值确定的性能。
在一个实施例中,上述初始价值信息包括电力数据在应用场景下的数据采集价值信息、数据开发价值信息和数据流通价值信息中的至少一种。
其中,数据采集价值信息可以为电力数据的采集成本。
其中,数据开发价值信息可以为电力数据的开发成本。
其中,数据流通价值信息可以为电力数据的流通成本。
具体实现中,可以获取电力数据的采集成本、开发成本和流通成本,根据采集成本、开发成本和流通成本确定初始价值信息。
例如,可以将采集成本、开发成本和流通成本之和,确定为初始价值信息。
本实施例中,通过使初始价值信息包括电力数据在应用场景下的数据采集价值信息、数据开发价值信息和数据流通价值信息中的至少一种,可以合理确定电力数据的初始价值,提高初始价值的准确性。
在一个实施例中,如图2所示,提供了一种电力数据处理方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤S210,确定电力数据在至少一个应用场景下的数据处理参数;场景分类器针对所述电力数据确定所述至少一个应用场景;
步骤S220,根据各所述数据处理参数,得到所述电力数据在各所述应用场景下的场景价值信息;
步骤S230,根据至少一个所述场景价值信息,确定所述电力数据的数据价值信息。
具体实现中,服务器中的场景分类器获取电力数据,并确定电力数据的至少一个应用场景,服务器中的数据处理器获取到至少一个应用场景,并确定电力数据在各应用场景下的数据处理参数,之后根据数据处理参数确定电力数据在相应应用场景下的场景价值信息,对于得到的与各应用场景相对应的场景价值信息,数据处理器可以根据至少一个场景价值信息确定出电力数据最终的数据价值信息。
由于场景分类器和数据处理器的具体处理过程在前述实施例中已有详细记载,在此不再赘述。
上述电力数据处理方法,通过确定电力数据在至少一个应用场景下的数据处理参数,根据各数据处理参数,得到电力数据在各应用场景下的场景价值信息,根据至少一个场景价值信息,确定电力数据的数据价值信息;可以针对电力数据所适用的至少一个应用场景来确定数据资产价值,进而根据电力数据在各应用场景下的数据资产价值,确定电力数据的最终数据资产价值,由于最终数据资产价值反映了电力数据在多个适用场景下的多方面需求,增加了电力数据资产价值确定的准确性。
为了便于本领域技术人员深入理解本申请实施例,以下将结合一个具体示例进行说明。
对于电力行业来说,需要在充分分析电力数据适用方需求、数据特点以及应用场景的基础上进行数据资产价值的评估。现有的数据资产价值评估方法,无法适应体量大、实时性高、时效性强和社会价值高的电网数据资产,难以对其进行合理的价值评估。
图3提供了一个电力数据资产价值评估模型的结构示意图。根据图3,通过建立应用-价值双层评估模型,从数据的应用层面和数据价值层面出发,在应用和数据价值两个维度,对电网数据资产进行合理有效的价值评估。
其中,应用层是定性层。数据在不同的应用场景中会具有不同的价值,应用层可以对电网数据的典型应用场景进行分类。在得到电网的待评估数据后,如果已经得知了待评估数据的具体应用场景及用途,则可以直接对待评估数据进行量化评估;如果未说明待评估数据的具体应用场景,则可以根据应用层的分类,将待评估数据放入具有价值的一个或几个场景中进行价值估算,再对这几个场景的估算结果求平均值,作为该待评估数据的最终价值评估结果。
其中,数据价值层是定量层。待评估数据通过应用层定性后,再通过数据价值层的计算,得到一个评估分数,这个分数能够反映该待评估数据所具有的价值。
数据资产可以按照数据应用所在的行业进行划分,不同行业的数据资产具有不同的特征,这些特征可能对数据资产的价值评估产生较大影响。电网数据主要伴随电力生产和消费实时产生,能够全面真实反映宏观经济运行情况、各产业发展状况、居民生活情况和消费结构等;电网公司自动化和信息化水平较高,用于数据采集、传输和应用的基础设施完备,数据获取及时高效。从总体上看,电网数据资产除了数据资产的一般特征外,还有以下特征:
高可信性:电力数据采集终端自动化程度高、数据采集点多、采集速度快、人工干预少、易于验证、难以篡改,电力数据资产具有高可信度;
高稀缺性:电力产业在国民经济中发挥着基础性、支柱性、先导性和战略性的作用,生产经营主体相对集中,数据采集主体相对稀缺,数据流通受到严格控制与保护,电力数据资产具有高稀缺性;
强时空性:电力数据采集终端的地理位置基本固定,数据时间和空间的关联性强,不但地理位置的定位精准度高,而且时间跨度长达数年乃至数十年,具有强时空性;
强聚合性:电力数据实时、连续的聚合全社会各类企业、个人用户的用电行为数据,蕴含动态反映经济运行态势、企业生产经营状态、个人用电习惯的社会多层次聚合特征。
电网数据的特点使得在细化价值评估模型时,需要有针对性的进行设计。例如,在应用层,可以首先明确电网数据的主要应用场景,对其归纳总结并进行分类;在数据价值层,通过调研大量电网资料以及结合实际情况,可以给出针对电网数据价值评估的具体指标,还可以给出电网数据成本的具体构成和计算方式。需要注意的是,同一份数据在不同应用场景中的价值可能不相同,对此,可以在应用层中,将电网数据可能的应用场景进行分类,将电网数据放在不同的应用场景类别中进行价值定性,再通过数据价值层的指标进行进一步的量化,最后综合所有应用场景下电网数据的价值,得到电网数据的最终价值。
在应用层,由于数据的价值会随着应用场景的变化而变化,首先将电网数据的应用场景进行细化分类,具体地,可以根据电网数据已有的应用案例以及未来可能应用到的场景,将应用场景分为以下五类:规划建设、生产运营、检修、营销和监测。
其中,规划建设通过对大数据的分析,利用数据挖掘技术,更准确地掌握用电负荷的分布和变化规律,提高中长期负荷的预测准确度。
其中,生产运营应用电网数据可以对生产运营的各个方面进行有效的风险评估,提升电力生产过程中的安全管理能力。
其中,检修应用电网数据可以提升状态检修管理能力。研究消缺、检修、运行工况、气象条件等因素对设备状态的影响,以及设备运行的风险水平,利用并行计算等技术实现检修策略优化,指导状态检修的深入开展。
其中,营销应用电网数据可以提升对用电行为的分析能力。扩展用电采集的范围和频次,利用聚类模型等挖掘手段,开展对用电行为特征的深入分析,并实施区别化的用户管理策略。
其中,监测利用电网数据的数据分析和挖掘可以对一些异常用户或者异常行为进行检测,包括违规用电行为、欠费行为、窃电行为等。
当数据在多个应用场景中具有价值时,该数据的价值为其在各个应用场景中价值的平均值,具体公式为
其中,n为应用场景个数,a1,a2…an为各个应用场景下数据的评估价值。
数据价值层是评估模型的量化层,在数据价值层中,可以采用成本修正法对电网数据价值进行量化,成本修正法根据数据的数据采集成本、数据开发成本及数据流通成本,估算电网企业数据资产成本,并应用影响电网数据资产价值评估的因素进行修正,得到数据价值的量化结果,具体公式为
P=TC×K,
其中,P为数据资产价值评估值;TC为数据资产成本;K为价值系数。
其中,数据资产成本包含指标体系中的采集成本、开发成本和流通成本,计算方法具体包括:成本是为了数据资产形成而支付的直接费用,成本活动的发生跟数据资产形成直接相关,可以归集到数据资产的采集成本、开发成本或流通成本,由成本活动的工作量乘以相应的综合单价计算。其中成本活动的工作量可以通过功能点法以及WBS(WorkBreakdown Structure,工作分解结构)分解法进行度量。综合单价是指完成数据资产形成过程中各项成本活动的人月成本,人日成本由人月成本除以标准月工日22.5天计算,包括工资、奖金福利、办公成本、设备折旧及管理费用。
其中,价值系数可以通过合理选取指标综合计算得出,具体包括:价值系数是影响数据价值实现因素的集合,可以从数据真实性、数据使用性及数据质量三个方面,归纳出电网数据的评估指标体系,具体如表1所示。
表1
根据电网数据具体的应用场景,从指标体系中选取相应的评价指标,再根据不同行业和不同评价目的对电网数据资产特性的关注程度,根据实际情况,结合专家打分及层次分析法,进行指标的权重设定。
在层次分析法操作流程中,第一步骤首先问题描述,而后判别影响要素并建立层级结构,并设计问卷项目,而后依问卷收集的数据资料找出各层级间决策属性的相对重要性,并依此建立成对比较矩阵用以计算矩阵特征值与特征向量,所得出的数据经由一致性检定及层级结构一致性检定的回馈修正后,便可计算出各指标之权重以协助选出最适决策方案。当在同一行业同一评价目的下进行评价时,应采用统一的指标权重设定方案,以保证评价结果具有可比性。
在得到评估指标的权重后,可以对数据资产价值进行估算,具体地,可以将每个指标的评估分数都设为0-100分之间,最后得到的价值评估分数也在0-100分之间。分数越高代表数据的价值越高。评估分数和指标权重具体可以如
表2所示。
表2
价值层中数据价值评估分数计算公式为
a=ω1(a11ω11+a12ω12+a11ω12)+ω2(a21ω21+a22ω22+a23ω23+a24ω24)+ω3(a31ω31+a32ω32+a33ω33+a34ω34+a35ω35)
其中,
ω1+ω2+ω3=1,ω11+ω12+ω13=1,ω21+ω22+ω23+ω24
=1,ω31+ω32+ω33+ω34+ω35=1.
需要说明的是,成本法是指基于企业数据资产积累沉淀过程中付出的成本,计算得出数重新得到该数据资产的重置成本,然后考虑评估时点的该数据资产的贬值因素,最后将重置成本扣除贬值因素得到数据资产评估值的评估方法。
功能点方法是一种估算软件项目大小的方法,从用户视角出发,通过量化系统功能来度量软件的规模,这种度量主要基于系统的逻辑设计。
WBS分解法是逐级细分的,从树根一直到树叶的分解方法,直至分解到无法再分解的日常活动为止。分解步骤为:项目→任务→工作→日常活动,将一个大项目分解成一个个任务,将任务再分解成可以完成的工作,最后将工作分解成一次次的日常活动。
层次分析法主要应用在不确定情况下及具有多数个评估准则的决策问题上,目的是将复杂的问题系统化,由不同层面给予层级分解,并透过量化的运算,找到脉络后加以综合评估。一旦这个层级建立完毕,决策专家会有系统地评估尺度针对每一个部分的相对重要性给予权重数值,其后建立成对比较矩阵,并求出特征向量及特征值,以该特征向量代表每一层级中各部分的优先权,能提供决策者充分的决策资讯并组织有关决策的评选条件或标准、权重和分析,且能减少决策错误的风险性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电力数据处理方法的电力数据处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电力数据处理装置实施例中的具体限定可以参见上文中对于电力数据处理方法的限定,在此不再赘述。
在一个实施例中,提供了一种电力数据处理装置,包括:参数确定模块、场景价值模块和数据价值模块,其中:
参数确定模块,用于确定电力数据在至少一个应用场景下的数据处理参数;场景分类器针对所述电力数据确定所述至少一个应用场景;
场景价值模块,用于根据各所述数据处理参数,得到所述电力数据在各所述应用场景下的场景价值信息;
数据价值模块,用于根据至少一个所述场景价值信息,确定所述电力数据的数据价值信息。
上述电力数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力数据处理数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电力数据处理方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电力数据处理系统,其特征在于,所述系统包括场景分类器和数据处理器;
所述场景分类器,用于获取电力数据,并确定所述电力数据的至少一个应用场景;
所述数据处理器,用于确定所述电力数据在各所述应用场景下的数据处理参数,根据所述数据处理参数,得到所述电力数据在各所述应用场景下的场景价值信息,并根据至少一个所述场景价值信息,确定所述电力数据的数据价值信息。
2.根据权利要求1所述的系统,其特征在于,所述数据处理器,还用于获取所述电力数据在所述应用场景下的初始价值信息,根据所述数据处理参数确定所述初始价值信息的修正系数,并根据所述修正系数对所述初始价值信息进行修正,得到所述场景价值信息。
3.根据权利要求2所述的系统,其特征在于,所述数据处理参数包括指标数据和指标权重;
所述数据处理器,还用于确定所述电力数据在所述应用场景下的数据处理指标,确定所述数据处理指标的指标数据和指标权重,并根据所述指标权重对所述指标数据进行加权求和,得到所述修正系数。
4.根据权利要求3所述的系统,其特征在于,所述数据处理指标包括第一指标和第二指标;
所述数据处理器,还用于获取所述第一指标的第一指标数据和第一指标权重,根据所述第一指标权重对所述第一指标数据进行加权求和,得到所述第二指标的第二指标数据,根据预先设置的第二指标权重对所述第二指标数据进行加权求和,得到所述修正系数。
5.根据权利要求3所述的系统,其特征在于,所述数据处理器,还用于将获取到的至少一个候选指标分别输入至预先设置的层次分析模型,得到各所述候选指标对应的候选指标权重,根据所述候选指标权重,从所述至少一个候选指标中确定出所述数据处理指标。
6.根据权利要求1所述的系统,其特征在于,所述数据处理器,还用于根据所述至少一个场景价值信息的平均值,得到所述电力数据的所述数据价值信息。
7.根据权利要求1所述的系统,其特征在于,所述数据处理器,还用于对所述至少一个场景价值信息进行加权求和,得到所述电力数据的所述数据价值信息。
8.根据权利要求1所述的系统,其特征在于,所述场景分类器,还用于根据所述电力数据的数据属性,从预先设置的候选场景中确定出所述应用场景。
9.根据权利要求8所述的系统,其特征在于,所述应用场景包括建设场景、生产场景、检修场景、营销场景和监测场景中的至少一种。
10.根据权利要求2所述的系统,其特征在于,所述初始价值信息包括所述电力数据在所述应用场景下的数据采集价值信息、数据开发价值信息和数据流通价值信息中的至少一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294829.6A CN116402528A (zh) | 2023-03-22 | 2023-03-22 | 电力数据处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294829.6A CN116402528A (zh) | 2023-03-22 | 2023-03-22 | 电力数据处理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116402528A true CN116402528A (zh) | 2023-07-07 |
Family
ID=87015196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310294829.6A Pending CN116402528A (zh) | 2023-03-22 | 2023-03-22 | 电力数据处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116402528A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117667640A (zh) * | 2024-02-02 | 2024-03-08 | 华测检测认证集团股份有限公司 | 系统的数据价值评估方法、装置、设备及存储介质 |
CN117667640B (zh) * | 2024-02-02 | 2024-05-31 | 华测检测认证集团股份有限公司 | 系统的数据价值评估方法、装置、设备及存储介质 |
-
2023
- 2023-03-22 CN CN202310294829.6A patent/CN116402528A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117667640A (zh) * | 2024-02-02 | 2024-03-08 | 华测检测认证集团股份有限公司 | 系统的数据价值评估方法、装置、设备及存储介质 |
CN117667640B (zh) * | 2024-02-02 | 2024-05-31 | 华测检测认证集团股份有限公司 | 系统的数据价值评估方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chai et al. | A decomposition–integration model with dynamic fuzzy reconstruction for crude oil price prediction and the implications for sustainable development | |
CN101853290A (zh) | 基于地理信息系统的气象服务效益评估方法 | |
Yu et al. | Pricing information in smart grids: A quality-based data valuation paradigm | |
CN103413020A (zh) | 一种面向车间级制造能力的动态综合评估方法 | |
CN113256324A (zh) | 数据资产定价方法、装置、计算机设备和存储介质 | |
Zhang et al. | Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM | |
CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
Kabak et al. | Cumulative belief degrees approach for analyzing the competitiveness of the automotive industry | |
CN114254916A (zh) | 具有电网业务特色的多维度供应商风险实时预警方法 | |
CN114202179A (zh) | 目标企业的识别方法以及装置 | |
Xie et al. | An interpretable machine-learned model for international oil trade network | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
Dolanyi et al. | Risk-based constraints for the optimal operation of an energy community | |
CN112348220A (zh) | 一种基于企业行为模式的信用风险评估预测方法及系统 | |
CN116402528A (zh) | 电力数据处理系统 | |
CN114240049A (zh) | 电力现货市场指标灵活计算方法 | |
CN112801528A (zh) | 车险风险监测方法、装置、存储介质及计算机设备 | |
Li et al. | Assessment of Industrial Internet Platform Application in Manufacturing Enterprises: System Construction and Industrial Practice | |
CN117933677B (zh) | 基于区域调频的水力发电厂关联数据预测方法和装置 | |
Ren et al. | Research on Internet financial risk early warning based on a CNN-LSTM model | |
Jing | Numerical Simulation-Based Model for Analyzing the Correlation between GDP Index and Quality of Life. | |
CN117852815A (zh) | 一种基于专业指标建模分析的投资评价方法 | |
Emmanuel et al. | Singular spectrum analysis: an application to Kenya’s industrial inputs price index | |
Lan et al. | Digital Investment Risk Evaluation Model of Power Grid Enterprises Based on FAHP-AOA-LSSVM | |
Alburshaid et al. | Forecasting Methods for the Real Estate Market: A Review |
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 |