CN117151934B - 一种配电网不停电作业项目多维聚类分析方法及装置 - Google Patents

一种配电网不停电作业项目多维聚类分析方法及装置 Download PDF

Info

Publication number
CN117151934B
CN117151934B CN202311418401.4A CN202311418401A CN117151934B CN 117151934 B CN117151934 B CN 117151934B CN 202311418401 A CN202311418401 A CN 202311418401A CN 117151934 B CN117151934 B CN 117151934B
Authority
CN
China
Prior art keywords
cluster
index data
project
uninterrupted operation
historical
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
Application number
CN202311418401.4A
Other languages
English (en)
Other versions
CN117151934A (zh
Inventor
齐霞
张晓曼
程序
安磊
耿鹏云
张妍
路妍
刘宣
相静
张萌萌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Jibei Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Jibei Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Jibei Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202311418401.4A priority Critical patent/CN117151934B/zh
Publication of CN117151934A publication Critical patent/CN117151934A/zh
Application granted granted Critical
Publication of CN117151934B publication Critical patent/CN117151934B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (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

本文涉及大数据领域，提供了一种配电网不停电作业项目多维聚类分析方法及装置，方法包括：建立不停电作业项目控制综合评价指标体系；根据指标体系及历史项目数据确定项目的指标数据；确定初始聚类数目；根据初始聚类数目确定多个扩展聚类数目；根据每一扩展聚类数目对项目的指标数据进行聚类分析，确定聚类结果及各聚类中每一项目的项目隶属度；根据各聚类数目对应的各项目隶属度确定最优聚类数目；根据最优聚类数目对应的聚类结果及每一项目的指标数据，确定各聚类的标准指标数据；根据各聚类的标准指标数据，建立项目标杆数据库。本文能够准确实现对历史项目的聚类，通过项目标杆数据库能够为其它项目评价及指标提供依据。

Description

一种配电网不停电作业项目多维聚类分析方法及装置
技术领域
本文涉及大数据分析领域，尤其涉及一种配电网不停电作业项目多维聚类分析方法及装置。
背景技术
不停电作业技术主要分为带电作业技术和旁路作业技术。带电作业是在不停电的高压线路及其电气设备上进行检修、测试的一种作业方法；旁路作业是通过转供线路临时替代配电线路供电，对需要检修的高压线路及其电气设备实施断电检修而不间断对用户供电。
不停电作业能够提高配电网供电可靠性以及提升供电服务质量，现有技术中，对于新的不停电作业项目的管控策略确定以及监控，主要依靠人的工作经验实现或依靠人为参考历史不停电作业项目的管控策略实现，这些方法均未发挥已有历史不停电作业项目数据的优势，且不同人为分析存在偏差，不能有效指导新建不停电作业项目的管控策略。
发明内容
本文用于解决现有技术中不停电作业项目管控策略确定及监测受人为因素影响大，存在管理效率低及有效性差的问题。
为了解决上述技术问题，本文一方面提供一种配电网不停电作业项目多维聚类分析方法，所述方法包括：
建立不停电作业项目控制综合评价指标体系；
根据所述不停电作业项目控制综合评价指标体系及历史不停电作业项目数据，确定历史不停电作业项目的指标数据；
对所述历史不停电作业项目的指标数据进行迭代寻优，确定初始聚类数目；根据初始聚类数目，确定多个扩展聚类数目；
根据每一扩展聚类数目对所述历史不停电作业项目的指标数据分别进行聚类分析，确定每一扩展聚类数目对应的聚类结果及各聚类中每一历史不停电作业项目的项目隶属度；
根据各聚类数目对应的各项目隶属度，确定最优聚类数目；
根据最优聚类数目对应的聚类结果及每一历史不停电作业项目的指标数据，确定各聚类的标准指标数据；根据各聚类的标准指标数据，建立项目标杆数据库。
作为本文进一步实施例中，所述方法还包括：
将新不停电作业项目的计划指标数据与所述项目标杆数据库中的标准指标数据进行匹配；
根据匹配出的标准指标所属的聚类项目，指导所述新不停电作业项目。
作为本文进一步实施例中，所述方法还包括：
根据最优聚类数目对应的各聚类中每一历史不停电项目作业项目的项目聚类隶属度和项目指标数据，对各聚类进行划分得到聚类划分类型、各聚类划分类型包含的聚类和聚类特征；
确定各聚类划分类型的指导建议；
将新不停电作业项目的计划指标数据与所述项目标杆数据库中的标准指标数据进行匹配进一步为：
根据新不停电作业项目的计划指标数据，计算聚类特征；
将新不停电作业项目的聚类特征与各聚类划分类型的聚类特征进行匹配，确定目标聚类划分类型；
将新不停电作业项目的计划指标数据与目标聚类划分类型包含的聚类的标准指标数据进行匹配；
根据匹配出的标准指标所属的聚类及目标聚类划分类型的指导建议，指导所述新不停电作业项目。
作为本文进一步实施例中，根据各聚类数目对应的各项目隶属度，确定最优聚类数目包括：
将满足如下公式的聚类数目i作为最终聚类数目：
其中，n为历史不停电作业项目数量，i为聚类数目，为聚类数目i对应的项目j的项目隶属度，k为初始聚类数目，s为预设半径，/>聚类数目i+1对应的项目j的项目隶属度。
作为本文进一步实施例中，根据最优聚类数目对应的聚类结果及每一历史不停电作业项目的指标数据，确定各聚类的标准指标数据，包括：
对于最优聚类数目对应的每一聚类，确定该聚类包含的历史不停电作业项目数量；
若该聚类包含的历史不停电作业项目数量小于预定值，则计算该聚类包含的历史不停电作业项目的指标数据的均值，将均值作为该聚类的标注指标数据；
若该聚类包含的历史不停电作业项目数量大于或等于预定值，则计算该聚类中各指标数据的正态分布，将正态分布的均值作为该聚类中各指标数据的标准指标数据。
作为本文进一步实施例中，根据所述不停电作业项目控制综合评价指标体系及历史不停电作业项目数据，确定历史不停电作业项目的指标数据之后，还包括：
对历史不停电作业项目的指标数据进行分析，确定历史不停电作业项目的指标数据中的缺失项及问题项；
利用与缺失项的历史不停电作业项目相似的多个历史不停电作业项目的指标数据，对缺失项进行填补处理；
利用与问题项的历史不停电作业项目相似的多个历史不停电作业项目的指标数据，对问题项进行修正处理。
作为本文进一步实施例中，所述不停电作业项目控制综合评价指标体系包括：基础指标数据及衍生指标数据；
所述基础指标数据根据不停电作业项目造价信息、不停电作业技术条件信息、地形分布占比信息及项目分项资源分配信息确定；
所述衍生指标数据通过整合所述基础指标数据确定。
本文第二方面提供一种配电网不停电作业项目多维聚类分析装置，所述装置包括：
指标建立单元，用于建立不停电作业项目控制综合评价指标体系；
历史数据分析单元，用于根据所述不停电作业项目控制综合评价指标体系及历史不停电作业项目数据，确定历史不停电作业项目的指标数据；
聚类数目确定单元，用于对所述历史不停电作业项目的指标数据进行迭代寻优，确定初始聚类数目；根据初始聚类数目，确定多个扩展聚类数目；
聚类单元，用于根据每一扩展聚类数目对所述历史不停电作业项目的指标数据分别进行聚类分析，确定每一扩展聚类数目对应的聚类结果及各聚类中每一历史不停电作业项目的项目隶属度；
筛选单元，用于根据各聚类数目对应的各项目隶属度，确定最优聚类数目；
标杆数据库建立单元，用于根据最优聚类数目对应的聚类结果及每一历史不停电作业项目的指标数据，确定各聚类的标准指标数据；根据各聚类的标准指标数据，建立项目标杆数据库。
本文第三方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述任一实施例所述的方法。
本文第四方面提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器执行时实现前述任一实施例所述的方法。
本文提供的配电网不停电作业项目多维聚类分析方法及装置，通过建立不停电作业项目控制综合评价指标体系，能够对历史不停电作业项目数据进行多维度分析。
通过对历史不停电作业项目的指标数据进行迭代寻优，确定初始聚类数目；根据初始聚类数目，确定多个扩展聚类数目；根据每一扩展聚类数目对所述历史不停电作业项目的指标数据分别进行聚类分析，确定每一扩展聚类数目对应的聚类结果及各聚类中每一历史不停电作业项目的项目隶属度；根据各聚类数目对应的各项目隶属度，确定最优聚类数目，能够提高高维度数据聚类精度。
通过根据最优聚类数目对应的聚类结果及每一历史不停电作业项目的指标数据，确定各聚类的标准指标数据；根据各聚类的标准指标数据，建立项目标杆数据库，能够为新不停电作业项目作业提供高质量指导依据，促进不停电作业项目开展。同时，还能对其它不停电作业项目开展过程中进行评价，进而提高不停电作业项目的高效开展，避免浪费资源。
为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
为了更清楚地说明本文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文的一些实施例，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，还可以根据这些附图获得其他的附图。
图1示出了本文实施例配电网不停电作业项目多维聚类分析系统的结构图；
图2示出了本文实施例配电网不停电作业项目多维聚类分析方法的第一流程图；
图3示出了本文实施例配电网不停电作业项目多维聚类分析方法的第二流程图；
图4示出了本文实施例标准指标数据应用过程的流程图；
图5示出了本文实施例配电网不停电作业项目多维聚类分析方法的第三流程图；
图6示出了本文实施例配电网不停电作业项目多维聚类分析装置的结构图；
图7示出了本文实施例计算机设备的结构图。
附图符号说明：
101、客户端；
102、服务器；
103、数据库；
601、指标建立单元；
602、历史数据分析单元；
603、聚类数目确定单元；
604、聚类单元；
605、筛选单元；
606、标杆数据库建立单元；
702、计算机设备；
704、处理器；
706、存储器；
708、驱动机构；
710、输入/输出模块；
712、输入设备；
714、输出设备；
716、呈现设备；
718、图形用户接口；
720、网络接口；
722、通信链路；
724、通信总线。
具体实施方式
下面将结合本文实施例中的附图，对本文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文一部分实施例，而不是全部的实施例。基于本文中的实施例，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，都属于本文保护的范围。
需要说明的是，本文的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
本文一实施例中，提供一种配电网不停电作业项目多维聚类分析系统，如图1所示，包括：客户端101、服务器102及数据库103。
客户端101可以为台式电脑、平板电脑、笔记本电脑、智能手机、数字助理、智能可穿戴设备等。其中，智能可穿戴设备可以包括智能手环、智能手表、智能眼镜、智能头盔等。当然，所述客户端并不限于上述具有一定实体的电子设备，其还可以为运行于上述电子设备中的软件。客户端101可实现与服务器102间的交互。具体的，客户端101中显示有交互界面，用户通过操作界面可发出不停电作业项目指导指令及不停电作业项目校验指令至服务器102。其中，不停电作业项目指导指令包括新不停电作业项目计划指标数据，不停电作业项目校验指令包括已开展不停电作业项目数据。
服务器102用于预先建立项目标杆数据库，项目标杆数据库通过分析历史不停电作业项目得到，其内存储有各聚类中多维指标的标准指标数据。
服务器102还用于接收客户端101发送的不停电作业项目指导指令及校验指令。
具体的，服务器102分析不停电作业项目指导指令过程包括：
解析不停电作业项目指导指令，得到新不停电作业项目计划指标数据；将新不停电作业项目的计划指标数据与项目标杆数据库中的标准指标数据进行匹配；根据匹配出的标准指标所属的聚类项目，指导新不停电作业项目。具体实施时，可预先为每一聚类配置指导策略，根据匹配出的聚类项目及指导策略，对新不停电作业项目进行指导。
服务器102分析不停电作业项目校验指令过程包括：
解析不停电作业项目校验指令，得到已开展不停电作业项目数据；根据不停电作业项目控制综合评价指标体系及已开展不停电作业项目数据，计算已开展不停电作业项目的指标数据；将已开展不停电作业项目的指标数据与项目标杆数据库中的标准指标数据进行匹配；根据匹配结果，评价已开展不停电作业项目。
数据库103基于MySQL构建，并通过Python3语言编写核心功能函数。MySQL是开放源代码并可以免费使用型数据库，方便客户安装和使用，并且优化的 SQL查询算法执行速度快，使用体验佳。该数据库可为多种编程语言提供API，编程语言包括 C、C++、Python、Java、和PHP等。考虑MySQL实用性强特点，既能够作为一个单独的应用程序应用在客户端服务器网络环境中，也能够作为一个库而嵌入到其他的软件中。拟采用Python语言搭建系统、调用数据库及内部功能模块。针对MySQL支持多线程，可充分利用 CPU 资源的优势，拟初步在小型PC机开展具体数据库搭建、数据访问等基础功能。
Python是一种面向对象的解释型计算机程序设计语言，凭借其丰富资源的开源性优势，社区级层面已开发大量针对性第三方库。本系统拟采用基础Numpy、Scipy、Pysql等第三方库构建系统基础框架，实现应用方便和实用性强的相关聚类评价功能。
数据库103存储不停电作业项目造价控制指标体系原始数据、历史不停电作业项目数据、评价及聚类结果数据。数据库103主要用于存储数据，配合服务器102的数据调用及数据分析等功能。
本实施例可对历史不停电作业项目数据（例如造价数据）进行聚类及平键分析，发现同类项目数据之间的趋向性，判断其数据规律，从而推断出相似工程的数据状态（例如造价数据状态），构建标杆型项目数据库，为后续相关不停电作业工程项目评价、评估、预测、造价控制工作提供依据，能够减少人为因素影响，存在管理效率高及有效性高的优势。
本文一实施例中，提供一种配电网不停电作业项目多维聚类分析方法，如图2所示，包括：
步骤201，建立不停电作业项目控制综合评价指标体系。
本步骤中，不停电作业项目控制综合评价指标体系包括基础指标数据、衍生指标数据及各类指标数据的计算算法。
基础指标数据根据不停电作业项目造价信息、不停电作业技术条件信息、地形分布占比信息及项目分项资源分配信息确定。不停电作业项目造价信息、不停电作业技术条件信息、地形分布占比信息及项目分项资源分配信息中包括定性数据及定量数据，具体实施时，需将定性数据转换为定量数据，例如，某一指标涵盖如下评价等级，极好（0.75，1]，较好（0.50，0.75]，一般（0.25，0.50]，差（0，0.25]。其中，不停电作业项目造价信息包括项目概预算投资、竣工结（决）算投资等。不停电技术条件信息包括不停电作业次数、涵盖减少停电量等。地形分布占比信息包括平地占比、山地占比等。项目分项资源分配信息包括项目分项费用构成信息，例如安装工程费、设备购置费及其它费用。
衍生指标数据通过整合基础指标数据得到。例如为供电量和单位多供电量的费用成本等指标。
本步骤能够对历史不停电作业项目数据进行多维度分析。
步骤202，根据不停电作业项目控制综合评价指标体系及历史不停电作业项目数据，确定历史不停电作业项目的指标数据。
本步骤实施时，可根据不停电作业项目控制综合评价指标体系中各评价指标的计算算法对评价指标进行计算，得到指标数据。
步骤203，对历史不停电作业项目的指标数据进行迭代寻优，确定初始聚类数目；根据初始聚类数目，确定多个扩展聚类数目。
本步骤实施时，可采用间隔统计量算法(Gap statistic，GS)确定初始聚类数目，具体的包括：
（1）基于间隔统计量算法，构建如下样本损失之差函数：
（1）
其中，C k 表示聚类得到的第k类，n k 表示第k类中所有项目的数目，K表示聚类总量，D K 表示第k类中所有项目两两之间的距离平方和，x i， x j 表示第k类内两个对象项目间的指标维度坐标，表示第k类内两个对象项目的欧氏距离平方，对象项目的指标维度坐标由不停电作业项目的指标数据确定；
W k 表示第k类内平方和的平均值，对W k 取对数处理并与构造的零均值均匀分布进行比较；
表示通过B（参考数据集数量）次对参考分布的Monte Carlo模拟所得/>的期望值，/>表示参考数据集随机项目的损失和实际项目的损失之差，即Gap取得最大值所对应K值为初始类群数。
（2）通过最大化样本损失之差函数，计算得到初始聚类数。相关计算公式如公式（2）：
（2）
其中，为B次Monte Carlo模拟/>的标准差，S K 为最终调整的/>的标准差，随着模拟次数趋于无限多，/>。
在得到初始聚类数的基础上，可对其左右进行预设半径的扩展，例如初始聚类数为X，扩展后的扩展聚类数目范围为[X-C,X+C]，C为预设半径，可根据实际需求进行设定。
步骤204，根据每一扩展聚类数目对历史不停电作业项目的指标数据分别进行聚类分析，确定每一扩展聚类数目对应的聚类结果及各聚类中每一历史不停电作业项目的项目隶属度。
本步骤中，假设具有N个扩展聚类数目，则需要执行N次聚类。
本步骤实施时，可采用模糊C均值聚类算法对历史不停电作业项目的多维指标数据进行聚类分析。
模糊C均值聚类算法是一种基于获取目标函数最小值的无监督模糊聚类算法。通过FCM算法可确定项目数据不同属类的聚类中心参数，再通过各数据点与每个聚类中心距离判定其隶属度。具体的，FCM聚类算法的目标函数及约束条件如公式（3）所示：
（3）
其中，表示某个项目样本属于某一类属的隶属度，n表示项目样本总个数，k表示类群分类数，/>，m表示平滑指数，/>，用于控制不同类属之间的模糊程度，表示第i类属聚类中心，/>表示第j个项目样本值（即项目的多维评价指标值），当完成迭代时，根据/>对项目样本进行分类。
采用拉格朗日乘子法求在达到全局极值时的/>和/> ，使目标函数达到极小值，计算公式如式（4）：
(4)
其中，c为类属聚类上限。
步骤205，根据各聚类数目对应的各项目隶属度，确定最优聚类数目。
步骤203中采用GS算法确定的初始聚类数存在低概率错误情况，本文为提高聚类算法精准性，自研聚类数目迭代演化算法以验证初始聚类合理性。根据实际项目经验，不同聚类数目之间，各项目隶属度总和也存在较大数值差异。最优聚类数情况下，项目隶属度总和应为最大值，并且最优聚类数目向正负向迭代演化，相邻聚类隶属度加和之差应相对最小。以初始聚类数目k为演化中心，以s为半径，扩展聚类数目至区间(k-s,k+s)，k-s至k+s均有可能成为最优聚类数解集。为最终聚类数目，可将满足如下公式的聚类数目i作为最终聚类数目：
（5）
其中，n为历史不停电作业项目数量，i为聚类数目为聚类数目i对应的项目j的项目隶属度，k为初始聚类数目，s为预设半径，/>聚类数目i+1对应的项目j的项目隶属度。
通过步骤202至步骤205能够提高高维数据聚类精度。具体的，通过选用GS-FCM进行聚类，并确定最优聚类数目，能够有效弥补海量数据聚类情况下的目标函数寻优速率，精确查找样本类群数目。同时，为避免数据的硬归类效果，该算法可以在很大程度上进行非线性函数的运算，提高数据聚类优化效率。
步骤206，根据最优聚类数目对应的聚类结果及每一历史不停电作业项目的指标数据，确定各聚类的标准指标数据；根据各聚类的标准指标数据，建立项目标杆数据库。
一些实施方式中，根据最优聚类数目对应的聚类结果及每一历史不停电作业项目的指标数据，确定各聚类的标准指标数据，包括：
对于最优聚类数目对应的每一聚类，确定该聚类包含的历史不停电作业项目数量；
若该聚类包含的历史不停电作业项目数量小于预定值，则计算该聚类包含的历史不停电作业项目的指标数据的均值，将均值作为该聚类的标注指标数据；
若该聚类包含的历史不停电作业项目数量大于或等于预定值，则计算该聚类中各指标数据的正态分布，将正态分布的均值作为该聚类中各指标数据的标准指标数据。
本实施方式能够根据聚类中项目数量分别确定聚类的标准指标数据，能够提高标准指标数据计算的准确性。
本步骤能够为新不停电作业项目作业提供高质量指导依据，促进不停电作业项目开展。同时，还能对其它不停电作业项目开展过程中进行评价，进而提高不停电作业项目的高效开展，避免浪费资源。
本文一实施例中，如图3所示，配电网不停电作业项目多维聚类分析方法还包括：
步骤301，根据最优聚类数目对应的各聚类中每一历史不停电项目作业项目的项目聚类隶属度和项目指标数据，对各聚类进行划分得到聚类划分类型、各聚类划分类型包含的聚类和聚类特征。
本步骤实施时，可通过分析各聚类中各类指标的项目聚类隶属度的一致性，项目指标数据的一致性等方式确定数据结构的相似度，根据数据结构相似度确定聚类划分类型。一致性可根据数据的欧式距离确定。
一些实施方式中，当基础指标数据与衍生指标数据结构相似，则划分为第一类，该类对应的聚类特征为基础指标数据及衍生指标数据结构基本一致，数据差异较小。
当基础指标数据与衍生指标数据中的一个指标群结构相似（基础指标数据或衍生指标数据相似），则划分为第二类，该类对应的聚类特征为基础指标数据或衍生指标数据结构较为一致，数据差异较小。
当基础指标数据与衍生指标数据无机构相似性时，则划分为第三类，该类对应的聚类特征为基础指标数据及衍生指标数据趋同性效果较差，项目仅是欧氏距离适中才归为一类，不同聚类迭代阶段隶属度存在变更情况，项目类别产生跳跃式变换受项目样本数量限制，无法找到同类项目。
由上述第一类、第二类及第三类构成聚类划分类型。
步骤302，确定各聚类划分类型的指导建议。
继续步骤302中的聚类划分类型，对于第一类，考虑项目样本占比较高（数量占比：49%），指导建议为建立典型项目案例库，提高综合指标框架的指导及借鉴意义。对于第二类，指导建议为建议将不停电作业技术在项目可研、设计、施工等阶段进行完整引入及造价管控辅助引导，提高该技术角度的造价管控渗透率。对于第三类，指导建议为加强项目信息化管理，扩大样本资源库，提高项目聚类精度及潜在聚类数目，以进一步挖掘不同工况下项目特殊及通用案例。
一些实施例中，如图4所示，上述步骤将新不停电作业项目的计划指标数据与项目标杆数据库中的标准指标数据进行匹配进一步为：
步骤401，根据新不停电作业项目的计划指标数据，计算聚类特征。
步骤402，将新不停电作业项目的聚类特征与各聚类划分类型的聚类特征进行匹配，确定目标聚类划分类型。
步骤403，将新不停电作业项目的计划指标数据与目标聚类划分类型包含的聚类的标准指标数据进行匹配。
步骤404，根据匹配出的标准指标所属的聚类及目标聚类划分类型的指导建议，指导新不停电作业项目。
本实施例通过先确定新不停电作业项目所属的聚类划分类型，再匹配聚类划分类型中聚类的标准指标数据，能够减少聚类标准指标数据的匹配量，提高新不停电作业项目匹配标准指标数据的匹配效率。
本文一实施例中，考虑实际工程项目确定出的指标数据存在数据缺失、错填等问题，在高维指标数据中的缺失值会导致数据稀疏度增加，而且高维指标数据中的缺失值处理难度大。为有效应对数据库高维数据精准性缺失情况，提出项目数据抗干扰场景。基于该场景开展项目数据的算法补偿，通过高维数据结构相似性，开展数据的容错纠偏聚类补偿工作，补偿后能够提高数据完整性。
具体的，如图5所示，上述步骤202根据不停电作业项目控制综合评价指标体系及历史不停电作业项目数据，确定历史不停电作业项目的指标数据之后，还包括：
步骤501，对历史不停电作业项目的指标数据进行分析，确定历史不停电作业项目的指标数据中的缺失项及问题项。
步骤502，利用与缺失项的历史不停电作业项目相似的多个历史不停电作业项目的指标数据，对缺失项进行填补处理。
步骤503，利用与问题项的历史不停电作业项目相似的多个历史不停电作业项目的指标数据，对问题项进行修正处理。
步骤502可采用KNN插补算法填补缺失值，步骤503可将问题项数据缺失，使其变更为一缺失数据，进而可采用KNN插补算法填补缺失值。KNN插补算法能够最大程度地降低缺失值对聚类结果的影响，并提高聚类效率。假设项目指标数据涵盖k个维度，k-1维确定指标数据的近邻也是k维不确定指标数据的近邻，可以根据不确定指标数据在确定维度的k个近邻，填补不确定指标数据的缺失值。将缺失数据均值作为该数据在该维度的值，起到缺失值填补的效果。缺失值填补过程中，不确定数据参与的距离计算公式为：
（6）
其中，u i 为不确定数据在第i维的值，c i 为确定数据c在第i维的值，n为存在缺失数据的维度数，m-n为确定数据的维度数。
根据公式(6)计算不确定指标数据在无缺失值的维度的k个最近邻指标数据，并根据这k个指标数据的均值填补第n维中的缺失数据，计算公式为：
（7）
其中，u j 为不确定数据在j维的值。
采用KNN插补算法对数据开展填补工作，可以有效提高项目数据抗干扰场景下数据的精准性，避免数据缺失导致的项目后续聚类偏差。
基于同一发明构思，本文还提供一种配电网不停电作业项目多维聚类分析装置，如下面的实施例所述。由于配电网不停电作业项目多维聚类分析装置解决问题的原理与配电网不停电作业项目多维聚类分析方法相似，因此配电网不停电作业项目多维聚类分析装置的实施可以参见配电网不停电作业项目多维聚类分析方法，重复之处不再赘述。
具体的，如图6所示，配电网不停电作业项目多维聚类分析装置包括：
指标建立单元601，用于建立不停电作业项目控制综合评价指标体系；
历史数据分析单元602，用于根据所述不停电作业项目控制综合评价指标体系及历史不停电作业项目数据，确定历史不停电作业项目的指标数据；
聚类数目确定单元603，用于对所述历史不停电作业项目的指标数据进行迭代寻优，确定初始聚类数目；根据初始聚类数目，确定多个扩展聚类数目；
聚类单元604，用于根据每一扩展聚类数目对所述历史不停电作业项目的指标数据分别进行聚类分析，确定每一扩展聚类数目对应的聚类结果及各聚类中每一历史不停电作业项目的项目隶属度；
筛选单元605，用于根据各聚类数目对应的各项目隶属度，确定最优聚类数目；
标杆数据库建立单元606，用于根据最优聚类数目对应的聚类结果及每一历史不停电作业项目的指标数据，确定各聚类的标准指标数据；根据各聚类的标准指标数据，建立项目标杆数据库。
本实施例能够对历史不停电作业项目数据进行多维度分析，能够提高高维度数据聚类精度，为新不停电作业项目作业提供高质量指导依据，促进不停电作业项目开展。同时，还能对其它不停电作业项目开展过程中进行评价，进而提高不停电作业项目的高效开展，避免浪费资源。
本文一实施例中，还提供一种计算机设备，如图7所示，计算机设备702可以包括一个或多个处理器704，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备702还可以包括任何存储器706，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器706可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备702的固定或可移除部件。在一种情况下，当处理器704执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备702可以执行相关联指令的任一操作。计算机设备702还包括用于与任何存储器交互的一个或多个驱动机构708，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备702还可以包括输入/输出模块710（I/O），其用于接收各种输入(经由输入设备712)和用于提供各种输出(经由输出设备714)。一个具体输出机构可以包括呈现设备716和相关联的图形用户接口(GUI)718。在其他实施例中，还可以不包括输入/输出模块710（I/O）、输入设备712以及输出设备714，仅作为网络中的一台计算机设备。计算机设备702还可以包括一个或多个网络接口720，其用于经由一个或多个通信链路722与其他设备交换数据。一个或多个通信总线724将上文所描述的部件耦合在一起。
通信链路722可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路722可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行前述任一实施例所述的方法。
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。

Claims (9)

1.一种配电网不停电作业项目多维聚类分析方法，其特征在于，所述方法包括：
建立不停电作业项目控制综合评价指标体系；
根据所述不停电作业项目控制综合评价指标体系及历史不停电作业项目数据，确定历史不停电作业项目的指标数据；
对所述历史不停电作业项目的指标数据进行迭代寻优，确定初始聚类数目；根据初始聚类数目，确定多个扩展聚类数目；
根据每一扩展聚类数目对所述历史不停电作业项目的指标数据分别进行聚类分析，确定每一扩展聚类数目对应的聚类结果及各聚类中每一历史不停电作业项目的项目隶属度；
根据各聚类数目对应的各项目隶属度，确定最优聚类数目；
根据最优聚类数目对应的聚类结果及每一历史不停电作业项目的指标数据，确定各聚类的标准指标数据；根据各聚类的标准指标数据，建立项目标杆数据库；
其中，根据最优聚类数目对应的聚类结果及每一历史不停电作业项目的指标数据，确定各聚类的标准指标数据，包括：
对于最优聚类数目对应的每一聚类，确定该聚类包含的历史不停电作业项目数量；
若该聚类包含的历史不停电作业项目数量小于预定值，则计算该聚类包含的历史不停电作业项目的指标数据的均值，将均值作为该聚类的标注指标数据；
若该聚类包含的历史不停电作业项目数量大于或等于预定值，则计算该聚类中各指标数据的正态分布，将正态分布的均值作为该聚类中各指标数据的标准指标数据。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
将新不停电作业项目的计划指标数据与所述项目标杆数据库中的标准指标数据进行匹配；
根据匹配出的标准指标所属的聚类项目，指导所述新不停电作业项目。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
根据最优聚类数目对应的各聚类中每一历史不停电项目作业项目的项目聚类隶属度和项目指标数据，对各聚类进行划分得到聚类划分类型、各聚类划分类型包含的聚类和聚类特征；
确定各聚类划分类型的指导建议；
将新不停电作业项目的计划指标数据与所述项目标杆数据库中的标准指标数据进行匹配进一步为：
根据新不停电作业项目的计划指标数据，计算聚类特征；
将新不停电作业项目的聚类特征与各聚类划分类型的聚类特征进行匹配，确定目标聚类划分类型；
将新不停电作业项目的计划指标数据与目标聚类划分类型包含的聚类的标准指标数据进行匹配；
根据匹配出的标准指标所属的聚类及目标聚类划分类型的指导建议，指导所述新不停电作业项目。
4.如权利要求1所述的方法，其特征在于，根据各聚类数目对应的各项目隶属度，确定最优聚类数目包括：
将满足如下公式的聚类数目i作为最终聚类数目：
;
其中，n为历史不停电作业项目数量，i为聚类数目，为聚类数目i对应的项目j的项目隶属度，k为初始聚类数目，s为预设半径，/>聚类数目i+1对应的项目j的项目隶属度。
5.如权利要求1所述的方法，其特征在于，根据所述不停电作业项目控制综合评价指标体系及历史不停电作业项目数据，确定历史不停电作业项目的指标数据之后，还包括：
对历史不停电作业项目的指标数据进行分析，确定历史不停电作业项目的指标数据中的缺失项及问题项；
利用与缺失项的历史不停电作业项目相似的多个历史不停电作业项目的指标数据，对缺失项进行填补处理；
利用与问题项的历史不停电作业项目相似的多个历史不停电作业项目的指标数据，对问题项进行修正处理。
6.如权利要求1所述的方法，其特征在于，所述不停电作业项目控制综合评价指标体系包括：基础指标数据及衍生指标数据；
所述基础指标数据根据不停电作业项目造价信息、不停电作业技术条件信息、地形分布占比信息及项目分项资源分配信息确定；
所述衍生指标数据通过整合所述基础指标数据得到。
7.一种配电网不停电作业项目多维聚类分析装置，其特征在于，所述装置包括：
指标建立单元，用于建立不停电作业项目控制综合评价指标体系；
历史数据分析单元，用于根据所述不停电作业项目控制综合评价指标体系及历史不停电作业项目数据，确定历史不停电作业项目的指标数据；
聚类数目确定单元，用于对所述历史不停电作业项目的指标数据进行迭代寻优，确定初始聚类数目；根据初始聚类数目，确定多个扩展聚类数目；
聚类单元，用于根据每一扩展聚类数目对所述历史不停电作业项目的指标数据分别进行聚类分析，确定每一扩展聚类数目对应的聚类结果及各聚类中每一历史不停电作业项目的项目隶属度；
筛选单元，用于根据各聚类数目对应的各项目隶属度，确定最优聚类数目；
标杆数据库建立单元，用于根据最优聚类数目对应的聚类结果及每一历史不停电作业项目的指标数据，确定各聚类的标准指标数据；根据各聚类的标准指标数据，建立项目标杆数据库；
根据最优聚类数目对应的聚类结果及每一历史不停电作业项目的指标数据，确定各聚类的标准指标数据，包括：
对于最优聚类数目对应的每一聚类，确定该聚类包含的历史不停电作业项目数量；
若该聚类包含的历史不停电作业项目数量小于预定值，则计算该聚类包含的历史不停电作业项目的指标数据的均值，将均值作为该聚类的标注指标数据；
若该聚类包含的历史不停电作业项目数量大于或等于预定值，则计算该聚类中各指标数据的正态分布，将正态分布的均值作为该聚类中各指标数据的标准指标数据。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任意一项所述方法。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被计算机设备的处理器执行时实现权利要求1至6任意一项所述方法。
CN202311418401.4A 2023-10-30 2023-10-30 一种配电网不停电作业项目多维聚类分析方法及装置 Active CN117151934B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311418401.4A CN117151934B (zh) 2023-10-30 2023-10-30 一种配电网不停电作业项目多维聚类分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311418401.4A CN117151934B (zh) 2023-10-30 2023-10-30 一种配电网不停电作业项目多维聚类分析方法及装置

Publications (2)

Publication Number Publication Date
CN117151934A CN117151934A (zh) 2023-12-01
CN117151934B true CN117151934B (zh) 2024-01-30

Family

ID=88910466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311418401.4A Active CN117151934B (zh) 2023-10-30 2023-10-30 一种配电网不停电作业项目多维聚类分析方法及装置

Country Status (1)

Country Link
CN (1) CN117151934B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763404A (zh) * 2009-12-10 2010-06-30 陕西鼎泰科技发展有限责任公司 基于模糊聚类的网络文本数据检测方法
CN106528774A (zh) * 2016-11-07 2017-03-22 国网浙江省电力公司衢州供电公司 一种配网项目管理趋势预测方法和装置
CN111537939A (zh) * 2020-04-17 2020-08-14 武汉格蓝若智能技术有限公司 一种基于多指标融合的电压互感器状态评估方法及装置
CN112348066A (zh) * 2020-10-28 2021-02-09 国网浙江省电力有限公司绍兴供电公司 一种基于灰色聚类算法的线路不停电等级评估方法
CN114638491A (zh) * 2022-03-11 2022-06-17 广东电网有限责任公司广州番禺供电局 一种中低压配电网不停电作业效益的综合评价方法
CN115758184A (zh) * 2022-11-17 2023-03-07 广东电力交易中心有限责任公司 应用于电力用户的聚类分析方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114519101B (zh) * 2020-11-18 2023-06-06 易保网络技术(上海)有限公司 数据聚类方法和系统、数据存储方法和系统以及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763404A (zh) * 2009-12-10 2010-06-30 陕西鼎泰科技发展有限责任公司 基于模糊聚类的网络文本数据检测方法
CN106528774A (zh) * 2016-11-07 2017-03-22 国网浙江省电力公司衢州供电公司 一种配网项目管理趋势预测方法和装置
CN111537939A (zh) * 2020-04-17 2020-08-14 武汉格蓝若智能技术有限公司 一种基于多指标融合的电压互感器状态评估方法及装置
CN112348066A (zh) * 2020-10-28 2021-02-09 国网浙江省电力有限公司绍兴供电公司 一种基于灰色聚类算法的线路不停电等级评估方法
CN114638491A (zh) * 2022-03-11 2022-06-17 广东电网有限责任公司广州番禺供电局 一种中低压配电网不停电作业效益的综合评价方法
CN115758184A (zh) * 2022-11-17 2023-03-07 广东电力交易中心有限责任公司 应用于电力用户的聚类分析方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于数据挖掘的配电网线路不停电作业能力定级评估;孙伟 等;浙江电力;第40卷(第9期);第92-98页 *

Also Published As

Publication number Publication date
CN117151934A (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
Li et al. The random subspace binary logit (RSBL) model for bankruptcy prediction
Sharda et al. Robust manufacturing system design using multi objective genetic algorithms, Petri nets and Bayesian uncertainty representation
CN114861788A (zh) 一种基于dbscan聚类的负荷异常检测方法及系统
CN112905340A (zh) 系统资源分配方法、装置及设备
CN114707431B (zh) 一种旋转多组件剩余使用寿命预测方法、系统及存储介质
CN117078048A (zh) 基于数字孪生的智慧城市资源管理方法及系统
CN117236656B (zh) 工程项目的信息化管理方法及系统
CN117151934B (zh) 一种配电网不停电作业项目多维聚类分析方法及装置
CN114757448B (zh) 一种基于数据空间模型的制造环节间最优价值链构建方法
Alba et al. Comparative analysis of modern optimization tools for the p-median problem
CN113780679B (zh) 一种基于泛在电力物联网的负荷预测方法及装置
CN111242520B (zh) 特征合成模型的生成方法、装置及电子设备
CN115081515A (zh) 能效评价模型构建方法、装置、终端及存储介质
CN113610225A (zh) 质量评估模型训练方法、装置、电子设备及存储介质
CN112308340A (zh) 电力数据处理方法及装置
Kong et al. Urban building energy modeling (UBEM): a systematic review of challenges and opportunities
CN114971110A (zh) 一种根因组合确定的方法、相关装置、设备以及存储介质
Zhuang et al. DyS-IENN: a novel multiclass imbalanced learning method for early warning of tardiness in rocket final assembly process
CN111144540A (zh) 反窃电仿真数据集的生成方法
Diallo et al. Deciphering Clusters With a Deterministic Measure of Clustering Tendency
CN117787569B (zh) 一种智能辅助评标方法及系统
Yuan Analysis of Regional Financial Risk in Guangdong Province Based on the DCN Deep Learning Model
Rodríguez-Gómez et al. A novel clustering based method for characterizing household electricity consumption profiles
Lander Multi-objective graph mining algorithms for detecting and predicting communities in complex dynamic networks
Zhou et al. DdBB: A data-driven framework for building energy use benchmarking

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