CN117035311A - 一种通过向量网络连接强度计算换电柜撤柜需求的方法 - Google Patents
一种通过向量网络连接强度计算换电柜撤柜需求的方法 Download PDFInfo
- Publication number
- CN117035311A CN117035311A CN202310997800.4A CN202310997800A CN117035311A CN 117035311 A CN117035311 A CN 117035311A CN 202310997800 A CN202310997800 A CN 202310997800A CN 117035311 A CN117035311 A CN 117035311A
- Authority
- CN
- China
- Prior art keywords
- cabinet
- data
- probability
- power conversion
- clustering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 title claims abstract description 25
- 238000007637 random forest analysis Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000013480 data collection Methods 0.000 claims abstract description 5
- 238000013500 data storage Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000006243 chemical reaction Methods 0.000 claims description 64
- 238000012545 processing Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 description 16
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种通过向量网络连接强度计算换电柜撤柜需求的方法,依次包括数据采集和上报、数据收集和存储、数据清洗和预处理、数据归一化、换电柜宽表构建、构建撤柜需求模型、撤柜执行与反馈七个步骤;在构建撤柜需求模型步骤中,首先使用聚类算法对收集的换电柜数据进行群组化的聚类分配计算,获取每个换电柜被划分到各个聚类中心的概率,实现换电柜数据的概率化聚类,然后使用随机森林模型的预测函数并依据换电柜的概率化聚类来预测换电柜的撤柜需求数,形成撤柜需求模型。本发明通过对换电柜的数据向量进行概率化聚类计算,获取换电柜能够分配到各聚类中心的概率,并依此结合随机森林模型函数构建撤柜需求模型,实现撤柜需求的准确预测。
Description
技术领域
本发明属于换电柜撤柜技术领域,尤其涉及一种通过向量网络连接强度计算换电柜撤柜需求的方法。
背景技术
在二轮车换电行业中,准确判断换电柜的撤柜需求对于优化运营和提高效率至关重要。传统的判断方法可能依赖于主观经验或简单的数据统计,存在一定的不准确性和局限,生成的统计数据对正确、严谨撤柜方案的确立支撑性不够,撤柜存在误判现象。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种通过向量网络连接强度计算换电柜撤柜需求的方法,通过对换电柜的数据向量进行概率化聚类计算,获取换电柜能够分配到各聚类中心的概率,并依此结合随机森林模型函数构建撤柜需求模型,实现撤柜需求的准确预测。
技术方案:为实现上述目的,本发明的一种通过向量网络连接强度计算换电柜撤柜需求的方法,步骤如下:
步骤S1:数据采集和上报
通过网络爬虫或物联设备对已有各站点的换电柜数据进行采集,并将采集的数据上报至大数据平台;
步骤S2:数据收集和存储
通过实时接入方式或离线同步方式对采集的数据进行收集并存储;
步骤S3:数据清洗和预处理
对收集到的数据进行清洗和预处理,为建模数据的正确性与有效性奠定基础;
步骤S4:数据归一化
对收集到的数据进行归一化,使各个数据特征在相同的尺度范围内;
步骤S5:换电柜宽表构建
将收集到的换电柜数据进行关联和聚合处理,构建以换电柜ID为主键关联对应换电柜各采集数据的宽表;
步骤S6:构建撤柜需求模型
首先使用聚类算法对收集的换电柜数据进行群组化的聚类分配计算,获取每个换电柜被划分到各个聚类中心的概率,实现换电柜数据的概率化聚类,然后使用随机森林模型的预测函数并依据换电柜的概率化聚类来预测换电柜的撤柜需求数,形成撤柜需求模型;
步骤S7:撤柜执行与反馈
依据撤柜需求模型,生成对应的撤柜工单,根据工单执行撤柜任务并实施执行结果的反馈。
进一步地,在步骤S1中,换电柜数据采集的内容包括换电柜ID、换电柜编号、经度、纬度、财务柜效、换电链接强度、换电次数、用户换电频率、换电柜上次维护时间、换电柜容量以及换电柜故障状态。
进一步地,在步骤S3中,数据清洗和预处理的内容包括处理缺失值、处理异常值、数据格式转换和统一化、时间特征提取以及地理信息特征提取。
进一步地,在步骤S4中,归一化的特征公式为:
其中:Zi、Xi和Yi分别表示第i个换电柜的财务柜效、距离和换电链接强度,归一化后的特征分别表示为zi、xi和yi。
进一步地,在步骤S6中,使用概率化的K-Means聚类算法将换电柜数据划分为K个群组和n个电柜数据,每个换电柜被划分到第k个群组的概率为P(i=k),则可定义一个n×K的聚类概率矩阵P,具体步骤如下:
ⅰ)定义换电柜数据的特征向量表示:每个电柜的特征向量为xi=[zi,xi,yi],其中:zi表示财务柜效,xi表示距离,yi表示换电链接强度;
ⅱ)初始化K个聚类中心μk,表示随机选择的K个换电柜特征向量;
ⅲ)使用高斯混合模型计算每个换电柜被分配到各个聚类中心的概率:
其中:Σk表示第k个聚类的协方差矩阵,用于衡量聚类的数据分散程度;
ⅳ)根据计算得到的概率P(i=k)对每个换电柜进行重新分配到概率最高的聚类中心:
Cluster(i)=argmaxk P(i=k)
其中,Σk是第k个聚类的协方差矩阵,用于衡量聚类的数据分散程度;
ⅴ)根据计算得到的概率P(i=k)对每个电柜进行重新分配到概率最高的聚类中心:
Cluster(i)=argmaxk P(i=k)来更新聚类中心μk,根据新的聚类分配重新计算每个聚类中心的值:
ⅵ)重复步骤ⅳ和步骤ⅴ,直到聚类中心不再变化,最终得到n×K的聚类概率矩阵P,表示每个电柜被划分到各个聚类中心的概率,实现换电柜数据的概率化聚类;
使用随机森林模型来预测电柜的撤柜需求数CRi,使用归一化后的特征聚类K、zi、xi和yi作为输入:
CRi^(k)=RandomForestModel(zi,xi,yi)
从而得到每个电柜在第k个群组中的撤柜需求数CRi^(k);
其中:RandomForestModel(zi,xi,yi)表示随机森林模型的预测函数。
进一步地,在步骤S7中,将计算结果CRi^(k)回传给CRM系统,自动创建工单,并下发对应的指令给业务负责人进行执行,且执行结果通过数据回传至数据库,进行算法优化。
有益效果:本发明通过对换电柜的数据向量进行概率化聚类计算,获取换电柜能够分配到各聚类中心的概率,并依此结合随机森林模型函数构建撤柜需求模型,实现撤柜需求的准确预测,其相比现有简单统计实施撤柜的措施依据更加可靠,撤柜计算更加准确,避免造成经济效益损失。
附图说明
附图1为本发明的方法步骤的示意图;
附图2为本发明的大致流程框图;
附图3为聚类后的换电链接强度示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如附图1所示,一种通过向量网络连接强度计算换电柜撤柜需求的方法,步骤如下:
步骤S1:数据采集和上报
通过网络爬虫或物联设备对已有各站点的换电柜数据进行采集,并将采集的数据上报至大数据平台。
在步骤S1中,换电柜数据采集的内容包括换电柜ID、换电柜编号、经度、纬度、财务柜效、换电链接强度、换电次数、用户换电频率、换电柜上次维护时间、换电柜容量以及换电柜故障状态,其中:
换电柜ID:每个换电柜的唯一标识符;
换电订单编号:记录每次换电的订单编号,用于关联换电柜与用户的换电行为;
经度:换电柜所在位置的经度信息,用于计算换电柜的距离;
纬度:换电柜所在位置的纬度信息,用于计算换电柜的距离;
财务柜效:衡量换电柜的财务收益效率,包括收益和成本等因素;
换电链接强度:评估换电柜与周围其它换电柜之间换电链接的强度,包括链接频率和成功率等因素;
换电次数:每个换电柜的换电次数,用于衡量其使用频率和需求;
用户换电频率:记录用户在每个换电柜进行换电的频率,用于分析用户行为模式;
换电柜上次维护时间:记录换电柜最近一次维护的时间,用于判断换电柜是否需要维护或调整;
换电柜容量:换电柜所能容纳的电池数量,影响换电柜的换电需求;
换电柜故障状态:标记换电柜是否存在故障,可能影响其换电需求。
步骤S2:数据收集和存储
通过实时接入方式或离线同步方式对采集的数据进行收集并存储;
步骤S3:数据清洗和预处理
对收集到的数据进行清洗和预处理,为建模数据的正确性与有效性奠定基础。
在步骤S3中,数据清洗和预处理的内容包括处理缺失值、处理异常值、数据格式转换和统一化、时间特征提取以及地理信息特征提取,具体如下:
处理缺失值:
检测缺失值:对数据进行检查,找出存在缺失值的字段;
缺失值填充:根据换电柜上报的数据,对于用户历史行为数据量大的情况下缺失值使用均值、中位数、众数填充数值型数据,对于用户历史行为数据量小的情况下使用多重插值法Miceforest方法进行填充;
处理异常值:
异常值检测:通过统计分析的方法,检测数据中的异常值;
异常值处理:对于确定为异常值的数据,如存在大量异常值时则选择删除、其它情况使用替换/插值方法进行处理;
数据格式转换和统一化:
数据类型转换:根据数据的含义和分析需求,将数据字段转换为适当的数据类型,如将日期字段转换为日期格式,将字符串字段转换为数值型或类别型数据;
统一化处理:对于包含单位的数据字段,进行单位的统一化处理,确保数据的一致性;
时间特征提取:
时间戳处理:对于包含时间信息的特征,进行时间戳的处理,提取年份、季度、月份、周几、小时等相关时间特征;
时间差计算:可以计算时间特征之间的时间差,订单的持续时间等;
地理信息特征提取:
距离计算:对于换电柜位置信息,根据经纬度计算两个换电柜之间的距离,并将其作为特征;
地理编码:将地理位置信息转化为区域编码、行政区划等类别型特征。
步骤S4:数据归一化
对收集到的数据进行归一化,使各个数据特征在相同的尺度范围内,能够避免某些特征对聚类和预测过程的影响过大。
在步骤S4中,归一化的特征公式为:
其中:Zi、Xi和Yi分别表示第i个换电柜的财务柜效、距离和换电链接强度,归一化后的特征分别表示为zi、xi和yi
步骤S5:换电柜宽表构建
将收集到的换电柜数据进行关联和聚合处理,构建以换电柜ID为主键关联对应换电柜各采集数据的宽表。
通过数据关联和聚合,为接下来的计算和分析提供了一个一体化、多维度的数据视角,使得换电柜的需求计算更加全面、准确。
步骤S6:构建撤柜需求模型
首先使用聚类算法对收集的换电柜数据进行群组化的聚类分配计算,获取每个换电柜被划分到各个聚类中心的概率,实现换电柜数据的概率化聚类,然后使用随机森林模型的预测函数并依据换电柜的概率化聚类来预测换电柜的撤柜需求数,形成撤柜需求模型;
在步骤S6中,使用概率化的K-Means聚类算法将换电柜数据划分为K个群组和n个电柜数据,每个换电柜被划分到第k个群组的概率为P(i=k),则可定义一个n×K的聚类概率矩阵P,具体步骤如下:
ⅰ)定义换电柜数据的特征向量表示:每个电柜的特征向量为xi=[zi,xi,yi],其中:zi表示财务柜效,xi表示距离,yi表示换电链接强度;
ⅱ)初始化K个聚类中心μk,表示随机选择的K个换电柜特征向量;
ⅲ)使用高斯混合模型计算每个换电柜被分配到各个聚类中心的概率:
其中:Σk表示第k个聚类的协方差矩阵,用于衡量聚类的数据分散程度;
ⅳ)根据计算得到的概率P(i=k)对每个换电柜进行重新分配到概率最高的聚类中心:
Cluster(i)=argmaxk P(i=k)
其中,Σk是第k个聚类的协方差矩阵,用于衡量聚类的数据分散程度;
ⅴ)根据计算得到的概率P(i=k)对每个电柜进行重新分配到概率最高的聚类中心:
Cluster(i)=argmaxk P(i=k)来更新聚类中心μk,根据新的聚类分配重新计算每个聚类中心的值:
ⅵ)重复步骤ⅳ和步骤ⅴ,直到聚类中心不再变化,最终得到n×K的聚类概率矩阵P,表示每个电柜被划分到各个聚类中心的概率,实现换电柜数据的概率化聚类;
使用随机森林模型来预测电柜的撤柜需求数CRi,使用归一化后的特征聚类K、zi、xi和yi作为输入:
CRi^(k)=RandomForestModel(zi,xi,yi)
从而得到每个电柜在第k个群组中的撤柜需求数CRi^(k);
其中:RandomForestModel(zi,xi,yi)表示随机森林模型的预测函数。
步骤S7:撤柜执行与反馈
依据撤柜需求模型,生成对应的撤柜工单,根据工单执行撤柜任务并实施执行结果的反馈。
在步骤S7中,将计算结果CRi^(k)回传给CRM系统,自动创建工单,并下发对应的指令给业务负责人进行执行,且执行结果通过数据回传至数据库,进行算法优化。
如附图3所示,为聚类后换电链接强度的示意图,其中:每个点表示的是站点(站点下有很多换电柜);线表示换电链接强度yi;在本图中,相同深度的点表示聚类后的站点,当然,为了在显示终端进行区分,可以以不同颜色的点表示聚类后的站点。
本发明通过对换电柜的数据向量进行概率化聚类计算,获取换电柜能够分配到各聚类中心的概率,并依此结合随机森林模型函数构建撤柜需求模型,实现撤柜需求的准确预测,其相比现有简单统计实施撤柜的措施依据更加可靠,撤柜计算更加准确,避免造成经济效益损失。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种通过向量网络连接强度计算换电柜撤柜需求的方法,其特征在于:步骤如下:
步骤S1:数据采集和上报
通过网络爬虫或物联设备对已有各站点的换电柜数据进行采集,并将采集的数据上报至大数据平台;
步骤S2:数据收集和存储
通过实时接入方式或离线同步方式对采集的数据进行收集并存储;
步骤S3:数据清洗和预处理
对收集到的数据进行清洗和预处理,为建模数据的正确性与有效性奠定基础;
步骤S4:数据归一化
对收集到的数据进行归一化,使各个数据特征在相同的尺度范围内;
步骤S5:换电柜宽表构建
将收集到的换电柜数据进行关联和聚合处理,构建以换电柜ID为主键关联对应换电柜各采集数据的宽表;
步骤S6:构建撤柜需求模型
首先使用聚类算法对收集的换电柜数据进行群组化的聚类分配计算,获取每个换电柜被划分到各个聚类中心的概率,实现换电柜数据的概率化聚类,然后使用随机森林模型的预测函数并依据换电柜的概率化聚类来预测换电柜的撤柜需求数,形成撤柜需求模型;
步骤S7:撤柜执行与反馈
依据撤柜需求模型,生成对应的撤柜工单,根据工单执行撤柜任务并实施执行结果的反馈。
2.根据权利要求1所述的一种通过向量网络连接强度计算换电柜撤柜需求的方法,其特征在于:在步骤S1中,换电柜数据采集的内容包括换电柜ID、换电柜编号、经度、纬度、财务柜效、换电链接强度、换电次数、用户换电频率、换电柜上次维护时间、换电柜容量以及换电柜故障状态。
3.根据权利要求1所述的一种通过向量网络连接强度计算换电柜撤柜需求的方法,其特征在于:在步骤S3中,数据清洗和预处理的内容包括处理缺失值、处理异常值、数据格式转换和统一化、时间特征提取以及地理信息特征提取。
4.根据权利要求1所述的一种通过向量网络连接强度计算换电柜撤柜需求的方法,其特征在于:在步骤S4中,归一化的特征公式为:
其中:Zi、Xi和Yi分别表示第i个换电柜的财务柜效、距离和换电链接强度,归一化后的特征分别表示为zi、xi和yi。
5.根据权利要求4所述的一种通过向量网络连接强度计算换电柜撤柜需求的方法,其特征在于:在步骤S6中,使用概率化的K-Means聚类算法将换电柜数据划分为K个群组和n个电柜数据,每个换电柜被划分到第k个群组的概率为P(i=k),则可定义一个n×K的聚类概率矩阵P,具体步骤如下:
ⅰ)定义换电柜数据的特征向量表示:每个电柜的特征向量为xi=[zi,xi,yi],其中:zi表示财务柜效,xi表示距离,yi表示换电链接强度;
ⅱ)初始化K个聚类中心μk,表示随机选择的K个换电柜特征向量;
ⅲ)使用高斯混合模型计算每个换电柜被分配到各个聚类中心的概率:
其中:Σk表示第k个聚类的协方差矩阵,用于衡量聚类的数据分散程度;
ⅳ)根据计算得到的概率P(i=k)对每个换电柜进行重新分配到概率最高的聚类中心:
Cluster(i)=argmaxk P(i=k)
其中,Σk是第k个聚类的协方差矩阵,用于衡量聚类的数据分散程度;
ⅴ)根据计算得到的概率P(i=k)对每个电柜进行重新分配到概率最高的聚类中心:
Cluster(i)=argmaxk P(i=k)来更新聚类中心μk,根据新的聚类分配重新计算每个聚类中心的值:
ⅵ)重复步骤ⅳ和步骤ⅴ,直到聚类中心不再变化,最终得到n×K的聚类概率矩阵P,表示每个电柜被划分到各个聚类中心的概率,实现换电柜数据的概率化聚类;
使用随机森林模型来预测电柜的撤柜需求数CRi,使用归一化后的特征聚类K、zi、xi和yi作为输入:
CRi^(k)=RandomForestModel(zi,xi,yi)
从而得到每个电柜在第k个群组中的撤柜需求数CRi^(k);
其中:RandomForestModel(zi,xi,yi)表示随机森林模型的预测函数。
6.根据权利要求5所述的一种通过向量网络连接强度计算换电柜撤柜需求的方法,其特征在于:在步骤S7中,将计算结果CRi^(k)回传给CRM系统,自动创建工单,并下发对应的指令给业务负责人进行执行,且执行结果通过数据回传至数据库,进行算法优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310997800.4A CN117035311A (zh) | 2023-08-09 | 2023-08-09 | 一种通过向量网络连接强度计算换电柜撤柜需求的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310997800.4A CN117035311A (zh) | 2023-08-09 | 2023-08-09 | 一种通过向量网络连接强度计算换电柜撤柜需求的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117035311A true CN117035311A (zh) | 2023-11-10 |
Family
ID=88623949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310997800.4A Pending CN117035311A (zh) | 2023-08-09 | 2023-08-09 | 一种通过向量网络连接强度计算换电柜撤柜需求的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035311A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150261574A1 (en) * | 2014-03-17 | 2015-09-17 | Ca, Inc. | Decommisioning physical host machines after relocating unproductive virtual machines therefrom |
CN107878244A (zh) * | 2017-11-27 | 2018-04-06 | 深圳市菊水皇家科技有限公司 | 一种数据清洗和预测方法及电动汽车移动充电宝系统 |
WO2022020409A1 (en) * | 2020-07-24 | 2022-01-27 | The Regents Of The University Of Michigan | Spatial power outage estimation for natural hazards leveraging optimal synthetic power networks |
CN114764659A (zh) * | 2020-12-31 | 2022-07-19 | 奥动新能源汽车科技有限公司 | 换电站选址方法、系统、电子设备和存储介质 |
CN114943392A (zh) * | 2022-07-27 | 2022-08-26 | 深圳市盾创科技有限公司 | 一种基于数据分析的换电路径管理系统及方法 |
CN116307111A (zh) * | 2023-02-20 | 2023-06-23 | 国网宁夏电力有限公司经济技术研究院 | 一种基于k均值聚类和随机森林算法的无功负荷预测方法 |
-
2023
- 2023-08-09 CN CN202310997800.4A patent/CN117035311A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150261574A1 (en) * | 2014-03-17 | 2015-09-17 | Ca, Inc. | Decommisioning physical host machines after relocating unproductive virtual machines therefrom |
CN107878244A (zh) * | 2017-11-27 | 2018-04-06 | 深圳市菊水皇家科技有限公司 | 一种数据清洗和预测方法及电动汽车移动充电宝系统 |
WO2022020409A1 (en) * | 2020-07-24 | 2022-01-27 | The Regents Of The University Of Michigan | Spatial power outage estimation for natural hazards leveraging optimal synthetic power networks |
CN114764659A (zh) * | 2020-12-31 | 2022-07-19 | 奥动新能源汽车科技有限公司 | 换电站选址方法、系统、电子设备和存储介质 |
CN114943392A (zh) * | 2022-07-27 | 2022-08-26 | 深圳市盾创科技有限公司 | 一种基于数据分析的换电路径管理系统及方法 |
CN116307111A (zh) * | 2023-02-20 | 2023-06-23 | 国网宁夏电力有限公司经济技术研究院 | 一种基于k均值聚类和随机森林算法的无功负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
刘亚丽;李国栋;刘云;洪奕;刘瑜俊;: "基于随机森林的电动汽车充电行为聚类技术研究", 电力工程技术, no. 06, 31 December 2019 (2019-12-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113267692B (zh) | 一种低压台区线损智能诊断分析方法和系统 | |
CN108830510B (zh) | 一种基于数理统计的电力数据预处理方法 | |
CN111291076B (zh) | 基于大数据的异常用水监测报警系统及其构建方法 | |
CN106772205B (zh) | 一种电力计量自动化系统终端设备异常监测方法及装置 | |
WO2022117126A1 (zh) | 一种电网量测数据的校验方法、装置、设备、存储介质及程序产品 | |
CN111209595B (zh) | 一种涉污企业用电信息匹配及数据处理方法 | |
CN113362199B (zh) | 基于用户采集电量与台区线损相关性的窃电用户核查方法 | |
CN111552686B (zh) | 一种电力数据质量评估方法及其装置 | |
CN114519514A (zh) | 一种低压台区合理线损值测算方法、系统及计算机设备 | |
CN107357941A (zh) | 一种可实时对水雨情数据进行检验的系统和方法 | |
CN116739843A (zh) | 一种基于大数据的服务信息管理系统 | |
CN111612019A (zh) | 一种基于大数据模型对智能电表故障异常辨识分析的方法 | |
CN117057666B (zh) | 一种数字化配电网的配电质量评估方法及系统 | |
CN108258802B (zh) | 一种配电网中配电设备的运行状况的监测方法和装置 | |
CN110264056B (zh) | 一种电量消耗的分析方法及系统 | |
CN117035311A (zh) | 一种通过向量网络连接强度计算换电柜撤柜需求的方法 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
CN110659747A (zh) | 一种基于工艺落实与成本管控的车辆检修方法及系统 | |
CN115658772A (zh) | 一种无人机光伏巡检数据类资产管理方法及系统 | |
CN115905319A (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
CN207232961U (zh) | 一种可实时对水雨情数据进行检验的系统 | |
CN112561230A (zh) | 基于电气特征的环保设备状态监测方法 | |
CN109492913B (zh) | 一种配电终端的模块化风险预测方法、装置及可存储介质 | |
CN109767062B (zh) | 一种电网任务处置方案的动态生成方法 | |
CN112053086A (zh) | 基于大数据电网运行诊断系统的工作方法 |
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 |