CN111626543A - 电力相关数据的处理方法及装置 - Google Patents
电力相关数据的处理方法及装置 Download PDFInfo
- Publication number
- CN111626543A CN111626543A CN202010259533.7A CN202010259533A CN111626543A CN 111626543 A CN111626543 A CN 111626543A CN 202010259533 A CN202010259533 A CN 202010259533A CN 111626543 A CN111626543 A CN 111626543A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- power
- type
- analysis
- 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 50
- 238000012545 processing Methods 0.000 title claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 61
- 238000007405 data analysis Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000005611 electricity Effects 0.000 claims description 42
- 238000013479 data entry Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 230000001788 irregular Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 37
- 238000010586 diagram Methods 0.000 description 19
- 230000001965 increasing effect Effects 0.000 description 14
- 238000005065 mining Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000003860 storage Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000002759 z-score normalization 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
- 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
-
- 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
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力相关数据的处理方法及装置,该电力相关数据的处理方法包括:从电力相关***中获取待分析数据;对所述待分析数据进行预处理,得到预处理后的数据;根据数据类型将所述预处理后的数据划分为多个类型的数据,并确定与各个类型对应的数据分析模型;基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果。本申请实施例的技术方案使得能够对电力相关数据进行全方位分析,提高数据分析的准确性。
Description
技术领域
本申请涉及电力技术领域,具体而言,涉及一种电力相关数据的处理方法及装置。
背景技术
通过对传统的电力大客户服务模式及效果进行分析发现,由于以往对电力大客户信息资源的整合、提炼、甄别、应用不足,致使供电企业不能有效感知用户需求,进而造成电力企业在对客户服务的过程中难免出现“以己度人”现象,用户体验差、需求感知低、诉求响应慢等问题始终制约着双方信任度的提升,不利于营商环境的优化提升。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请实施例的目的在于提供一种电力相关数据的处理方法及装置,进而至少在一定程度上可以对电力相关数据进行全方位分析,提高数据分析的准确性。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的第一方面,提供了一种电力相关数据的处理方法,包括:从电力相关***中获取待分析数据;对所述待分析数据进行预处理,得到预处理后的数据;根据数据类型将所述预处理后的数据划分为多个类型的数据,并确定与各个类型对应的数据分析模型;基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果。
在本申请的一些实施例中,基于前述方案,对所述待分析数据进行预处理,得到预处理后的数据,包括:过滤掉所述待分析数据中存在字段数据缺失的数据条目、重复的数据条目、数据不准确的数据条目及数据格式不规范的数据条目;若所述待分析数据中包含有电量数据,且指定日期的电量数据存在缺少,则通过所述指定日期的相邻日期的电量均值补全所述指定日期的电量数据;若所述待分析数据中包含有违约金数据,则根据各个月份的违约情况生成各个用户在时间序列上的违约数据;若所述待分析数据中包含有电量数据和/或负荷数据,则对所述电量数据和/或所述负荷数据进行归一化处理。
在本申请的一些实施例中,基于前述方案,所述多个类型的数据包括工单数据;基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果,包括:基于设定的正则表达式对所述工单数据进行正则匹配,得到匹配结果;对所述匹配结果进行分词处理,并通过停用词库对分词结果进行过滤,得到过滤结果;对所述过滤结果中包含的词汇进行词频统计,将词频大于或等于预定值的词汇作为基于所述工单数据确定出的用户关注内容。
在本申请的一些实施例中,基于前述方案,所述多个类型的数据包括用户的用电量数据;基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果,包括:基于用户在一段时间内的历史用电量数据,通过用户量预测模型预测所述用户在未来预定时间内的用电量。
在本申请的一些实施例中,基于前述方案,所述的电力相关数据的处理方法还包括:基于用户的历史用电量数据,生成用于对预测用电量的神经网络模型进行训练的样本数据;通过所述样本数据对所述神经网络模型进行训练,得到所述用电量预测模型。
在本申请的一些实施例中,基于前述方案,所述多个类型的数据包括用户的用电负荷数据;基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果,包括:基于用户的用电负荷数据,提取用户在各个用电时点的特征,得到各个用户的用电行为数据;基于所述各个用户的用电行为数据对用电用户进行聚类分析。
在本申请的一些实施例中,基于前述方案,所述多个类型的数据包括用户的缴费行为数据;基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果,包括:根据所述用户的缴费行为数据,统计各个用户的违约情况;根据所述各个用户的违约情况、缴费方式、电力行业的景气度、电量电费的波动情况构建马尔科夫状态转移矩阵,以基于所述马尔科夫状态转移矩阵确定所述各个用户的违约概率。
在本申请的一些实施例中,基于前述方案,所述的电力相关数据的处理方法还包括:展示针对所述各个类型的数据的分析结果。
根据本申请实施例的第二方面,提供了一种电力相关数据的处理装置,包括:获取单元,用于从电力相关***中获取待分析数据;预处理单元,用于对所述待分析数据进行预处理,得到预处理后的数据;划分单元,用于根据数据类型将所述预处理后的数据划分为多个类型的数据,并确定与各个类型对应的数据分析模型;处理单元,用于基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果。
根据本申请实施例的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的电力相关数据的处理方法。
根据本申请实施例的第四方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述实施例中所述的永磁同步压缩机的控制方法。
本申请实施例提供的技术方案可以包括以下有益效果:
在本申请的一些实施例所提供的技术方案中,通过从电力相关***中获取待分析数据,对待分析数据进行预处理得到预处理后的数据,根据数据类型将预处理后的数据划分为多个类型的数据,并确定与各个类型对应的数据分析模型,然后基于与各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对各个类型的数据的分析结果,使得能够对电力相关数据进行全方位分析,提高数据分析的准确性,进而能够辅助指导电力企业开展服务模式创新,转变以往的被动式服务模式,形成基于多维数据挖掘的“技术辅助式”营销,提升服务质量,增强客户粘性,优化营商环境。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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。在附图中:
图1示出了根据本申请的一个实施例的电力相关数据的处理方法的流程图;
图2示出了根据本申请的一个实施例的用户诉求分析模型的具体处理流程图;
图3示出了根据本申请的一个实施例的用户诉求分析模型的分析结果示意图;
图4示出了根据本申请的一个实施例的增供需求挖掘模型的具体处理流程图;
图5示出了根据本申请的一个实施例的增供需求挖掘模型的分析结果示意图;
图6示出了根据本申请的一个实施例的用电行为分析模型的具体处理流程图;
图7示出了根据本申请的一个实施例的用电行为分析模型的分析结果示意图;
图8示出了根据本申请的一个实施例的马尔可夫转移矩阵的示意图;
图9示出了根据本申请的一个实施例的电费风险评估模型的具体处理流程图;
图10示出了根据本申请的一个实施例的电费风险评估模型的分析结果示意图;
图11示出了根据本申请实施例的电力相关数据的处理装置的框图;
图12示出了适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了根据本申请的一个实施例的电力相关数据的处理方法的流程图,该控制方法的执行主体可以是处理器等。
参照图1所示,该电力相关数据的处理方法,包括如下步骤S110至步骤S130,详细介绍如下:
在步骤S110中,从电力相关***中获取待分析数据。
在步骤S120中,对所述待分析数据进行预处理,得到预处理后的数据。
在本申请的一个实施例中,步骤S120中对待分析数据进行预处理,得到预处理后的数据,包括:过滤掉所述待分析数据中存在字段数据缺失的数据条目、重复的数据条目、数据不准确的数据条目及数据格式不规范的数据条目;若所述待分析数据中包含有电量数据,且指定日期的电量数据存在缺少,则通过所述指定日期的相邻日期的电量均值补全所述指定日期的电量数据;若所述待分析数据中包含有违约金数据,则根据各个月份的违约情况生成各个用户在时间序列上的违约数据;若所述待分析数据中包含有电量数据和/或负荷数据,则对所述电量数据和/或所述负荷数据进行归一化处理。
在步骤S130中,根据数据类型将所述预处理后的数据划分为多个类型的数据,并确定与各个类型对应的数据分析模型。
在本申请的一个实施例中,多个类型的数据可以包括:工单数据、用户的用电量数据、用户的用电负荷数据、用户的缴费行为数据等。
在步骤S140中,基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果。
在本申请的一个实施例中,所述多个类型的数据包括工单数据;基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果,包括:基于设定的正则表达式对所述工单数据进行正则匹配,得到匹配结果;对所述匹配结果进行分词处理,并通过停用词库对分词结果进行过滤,得到过滤结果;对所述过滤结果中包含的词汇进行词频统计,将词频大于或等于预定值的词汇作为基于所述工单数据确定出的用户关注内容。
在本申请的一个实施例中,所述多个类型的数据包括用户的用电量数据;基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果,包括:基于用户在一段时间内的历史用电量数据,通过用户量预测模型预测所述用户在未来预定时间内的用电量。
在本申请的一个实施例中,所述的电力相关数据的处理方法还包括:基于用户的历史用电量数据,生成用于对预测用电量的神经网络模型进行训练的样本数据;通过所述样本数据对所述神经网络模型进行训练,得到所述用电量预测模型。
在本申请的一个实施例中,所述多个类型的数据包括用户的用电负荷数据;基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果,包括:基于用户的用电负荷数据,提取用户在各个用电时点的特征,得到各个用户的用电行为数据;基于所述各个用户的用电行为数据对用电用户进行聚类分析。
在本申请的一个实施例中,所述多个类型的数据包括用户的缴费行为数据;基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果,包括:根据所述用户的缴费行为数据,统计各个用户的违约情况;根据所述各个用户的违约情况、缴费方式、电力行业的景气度、电量电费的波动情况构建马尔科夫状态转移矩阵,以基于所述马尔科夫状态转移矩阵确定所述各个用户的违约概率。
在本申请的一个实施例中,所述的电力相关数据的处理方法还包括:展示针对所述各个类型的数据的分析结果。
图1所示实施例的技术方案能够对电力相关数据进行全方位分析,提高数据分析的准确性,进而能够辅助指导电力企业开展服务模式创新,转变以往的被动式服务模式,形成基于多维数据挖掘的“技术辅助式”营销,提升服务质量,增强客户粘性,优化营商环境。
以下结合图2至图10,对本申请实施例的技术方案的实现细节进行详细阐述:
在本申请的一个实施例中,需要处理的数据可以来自于电力公司的数据开发平台,涉及到的业务***包括客服***、国网营销业务应用***(营销***)、国网用电信息采集***、设备(资产)运维精益管理***、供服指挥***等信息化***等。数据类型包括字符串型、整数型、浮点型和日期时间类型等结构化、半结构化和非结构化数据。分析的数据维度包括:工单数据、用户基础信息数据、用户用电行为数据、用户缴费行为数据。
在本申请的一个实施例中,在获取到数据之后,可以对数据进行预处理,预处理的主要方法包括:
1)数据清洗:各字段任一数据缺失即定义为数据缺失;明细条目重复出现即定义为数据冗余;业务数据出现明显的常识性错误,即定义为数据不准确;各字段任一数据格式不规范即定义为不规范。
2)数据集成:在电量数据分析中,对于单一缺失的数据采用前后两天均值的方式补全,连续缺失的数据采用0补全。
3)数据规约:在违约金数据分析中,将有违约情况的月份为1,未违约的月份为0,最终形成一张以时间为列,用户号为行的数据表。
5)数据离散化:负荷数据的聚类分析(k-means聚类算法)。
本申请实施例中处理的数据主要包括如下几方面:
1、工单数据
工单数据来源于客服***的信息表,以单位代号为筛选依据,筛选出某个地区的客服***的工单数据,包括了低压用户和专变用户(本申请实施例中电力大用户是指供电电压等级10kV及以上用户),由于低压用户和专变用户在户名长度上存在着显著差异,其中专变用户户名为四个及以上字符,因此选取根据用户名称长度大于3的工单信息为数据基础。
2、用户缴费行为数据
通过营销***导出用户缴费信息数据表,比如时间维度可以为2018年2月至2019年5月,包括缴费方式、交费时长、电费变动等,用户违约数据表共375户,形成以时间为列、用户号为行的数据表,其中数据表行列数为:16列,375行(具体数值仅为示例)。
3、用户电量数据
通过用电采集***导出的日电量信息,比如可以选取2018年1月1日至2019年5月31日共516天的日电量时间序列数据,数据预处理中对于单一缺失的数据采用前后两天均值的方式补全,连续缺失的数据采用0补全。
4、用户负荷数据
通过用户采集***出来的3991户用户24点日负荷数据,时间维度为2018年6月12日至2019年6月12日,统计用户每个时点的负荷,通过计算用户每个时点的均值,最终作为模型输入数据(具体数值仅为示例)。
在获取数据之后,可以通过模型进行分析,具体如下:
1、用户诉求分析模型
用户诉求分析模型是基于客服***中的投诉、建议、咨询等工单数据,根据分词结果,从文本数据中抽取出用户投诉的特征信息。把原来的非结构化的用户投诉文本数据以结构化的数据呈现,再利用分类、聚类等数据挖掘技术转化为结构化文本,并根据该结构化的文本发现新的概念和相应的关系。
用户诉求分析模型的具体处理流程如图2所示,可以采用正则匹配的方法对工单中的内容进行处理,基于隐马尔可夫模型的分词技术,将非结构化的数据转换为结构化数据。通过建立停用词库将分词结果中的语气词、标点符号等无用词汇剔除,采用词频统计法,汇总用户重点关注内容。
基于用户诉求分析模型的分析结果,通过对有效的词语开展词频统计,统计分析结果显示,所分析地区的电力大用户所关注的重点内容包括:停电、供电等用电问题以及电费问题,详细分析结果如图3。
2、增供需求挖掘模型
增供需求挖掘模型是以用户历史的用电信息数据为数据基础,采用神经网络对过去的用电数据进行挖掘分析,从而对未来用户的用电趋势进行预测,准确掌握用户用电需求,对于高需求用电用户开展主动式的增供扩销服务。
具体而言,如图4所示,可以基于某地区大用户2019年1月1日至5月31的用电数据,采用归一化对原始数据进行数据处理。针对数据部分缺失的情况,采用前一天和后一天的用电电量均值以补全,针对数据连续缺失的情况,采用0电量补全,采用长短期记忆神经网络,并设定7日为时间步长对大用户未来用电需求进行预测分析。
增供需求挖掘模型可预测出用户未来7日的用电需求情况,通过数据最后7日作为测试集进行结果验证,随机选取一户开展模型预测分析验证,结果如图5。
3、用电行为分析模型
用电行为分析模型是对用户的24点负荷数据进行特征提取,采用k-means聚类对用户的用电行为数据进行曲线聚类,将用电特征类似的用户聚合成一类,通过分析各类曲线的用电特征,准确刻画用户用电特征,用于指导故障抢修、停电检修等业务安排。
具体流程如图6所示,该模型是基于3991户大用户一年内每日的24点负荷数据,求出24点每个点的负荷均值,并采用归一化对原数据进行处理,缩小数据尺度,降低由于数量差异所带来的误差风险,采用无监督学习的k-means进行聚类分析,实现用户用电负荷曲线聚类。
聚类结果显示,电力大用户生产用电行为主要分为4类,各类生产型企业的负荷曲线聚类特征及代表行业如图7。
4、缴费风险识别模型
电费风险评估模型主要是从用户用电行为、交费行为、信用行为、电量预测和行业景气度五个维度建立指标体系,如图8。通过分析用户缴费状态的转变情况,基于马尔可夫转移矩阵对用户的终极状态进行计算,由于不断的更新迭代,用户的终极状态逐渐趋于稳定,从而得出用户的违约概率。
具体流程如图9所示,统计用户历史违约情况,同时综合考虑缴费方式变动、行业景气度、电量电费波动等情况,每种情况给予一定赋值或影响系数,构建马尔可夫状态转移矩阵。经过多次迭代模拟后,马尔可夫过程逐渐处于稳定状态,且与初始状态无关,最终获得用户违约的稳定概率。
缴费风险识别的分析结果为经过多次模拟后,马尔可夫过程逐渐处于稳定状态时候每个用户的违约概率,该概率表示用户未来用户违约风险的大小,部分用户的违约风险计算分析结果如图10所示。
基于以上数据价值挖掘成果,采用计算机信息技术实现其模型算法的打包封装,并依托BI技术对模型分析结果进行可视化展示,能够实现数据自动化读取、处理、分析、输出、展示等功能,通过落地应用实践,可应用于用户诉求感知、用电行为分析、用电需求挖掘、缴费风险识别等多个核心业务场景,由于分析所涉及到的数据基本为国网统推信息化***中的相关数据,项目可复制、可推广能力强。
在本申请的一个实施例中,用户用电行为分析业务场景举例如下:通过用电行为分析模型准确的刻画出该地区的用户用电行为类别,对于各类用户的用电高峰、用电集中度、生产周期、用电习惯有了量化支撑,可辅助指导故障抢修、计划检修等工作安排,将用户受影响度降至最低。
应用案例:通过分析发现,某变供区用户以低谷时段生产型的造纸行业为主,24小时负荷相差超过1.5万kW。因此,110kV主变检修安排在早八点至晚十点之间,从而可以避免1.2万kW的限电措施,保证相关电力大用户用电基本不受影响。
在本申请的一个实施例中,用户用电需求挖掘业务场景举例如下:基于增供需求挖掘模型可实现未来用户的用电需求分析,对于未来大需求用户可增强对其的服务内容和品质,转变已有的被动式增供扩销模型,实现主动式的上门扩销服务,并根据用户的实际需求,差异化的为其提供扩销模式,如:增容、光伏、储能等等,在增供扩销的同时实现综合能源等的推广。
应用案例:通过模型预测到某光电设备公司(容量为250kVA)电量呈增长趋势,用户出现的最高瞬时性负荷超过400kW,客户经理及时对其进行线下服务,了解到用户近期因生产需求将增加用电设备,且部分设备已经开始投入试运行。结合用户的用电负荷特征和厂区面积特点,客户经理现场勘查后建议用户增加200kW分布式光伏电源,不仅有效防止了超容用电的违约行为,还为用户节省了增加变压器容量的成本,解决了用户用电安全隐患。
在本申请的一个实施例中,用户缴费风险识别业务场景举例如下:通过缴费风险识别模型可有准确有效的识别出未来的高风险用户,由于马尔可夫状态转移矩阵是一个长期迭代的过程,最终的稳定状态能够更加准确的反应出用户的状态情况,结合用户用电行为、缴费行为的变动情况,对于高风险状态的用户,可针对性的制定“服务+电费管控”相结合的服务策略,及时服务,减小违约金风险。
应用案例:2019年6月,以某纸业公司违约概率达到0.9997,判断其具有潜在高风险,违约概率极大。同时该户电量负荷下降,在线下服务中,发现该户已处于减产阶段,遂建议用户及时采取报停措施。2019年6月1日当天即完成该户报停,以该户月度基本电费结算20日为结算点(传统服务中,基本电费结算时方能察觉用户电费异常),为用户减少电费成本49970元。
本申请实施例的技术方案通过从用户满意投诉、缴费风险、增供需求、用电行为四个方面开展挖掘分析,基于分析结果辅助指导营销策略的制定和模式的变革,打破传统的营销模式,形成以用户需求为中心的技术辅助式营销,主要的成效如下:
1、改善服务模式,增强用户粘性
通过建立用户满意投诉分析模型,依托供电所综合业务监控平台,形成了一套主动服务体系,能够主动、精准服务用户的潜在需求。通过用户综合信息预判用户潜在需求,将用户电力变更需求与科学指导服务结合,提升供电所的综合指导服务能力。通过模型分析,整个过程从精准定位服务对象、用户具体需求,到策略指导一一明确,使得公司、供电所乃至员工对高压用户的服务方向更加明确,各具体专业的服务导向更加清晰,从而提高用户满意度,增强用户粘性,提升电网企业在售电市场的竞争力。
在成果落地应用中,针对高压用户无功补偿不足、电价策略不经济等问题列出服务清单,2018年10月至2019年7月,富阳公司主动开展服务大用户275户。用户通过及时维护无功补偿装置,办理更换容需量计价方式、减容、暂停等业务,降低用户用能成本500万元。相比较传统的优化建议书模式,主动服务用户数量增加120%,用户切实采纳的服务有效率从原来的10%(大部分为后期参考应用)提升到90%。在用户粘性方面,以富阳公司用电量最大的江南供电所为例,2019年5月与2018年5月相比,用户直接联系客户经理或致电供电公司属地电话比例从23%提升到75%。
2、增供需求挖掘,主动上门服务
通过建立用户增供需求挖掘模型,结合市场发展趋势等,对用户未来用电需求进行预测,提供主动式的增供扩销,挖掘潜在市场,通过开展针对性线下服务,提供报装增容、电能替代等综合能源服务,已采纳大用户45户,增供扩销超过3000万千瓦时。
3、开展风险识别,降低违约概率
从提升主动服务能力入手,利用实时用电信息采集***,获取电量、负荷实时数据和是否交费等数据,并且加入违约风险预测的结果,形成了电费风险预控、用电风险监控的用户侧实时风险预测防控模式,将电费回收的经济风险、供用电合同有效性的法律风险、现场用电的安全风险等纳入管控之中,并将风险防控作为服务的一部分,融入到用户服务之中。
4、用电行为分析,支撑需求侧柔性管理
通过建立用户用电行为分析模型,能够准确掌握区域内各类用户的生产特性,结合电网负荷分布状态,可对电网高负荷区域的用户进行用电行为建议与指导,结合用户的用电需求,合理安排电网检修时段,减少用户停限电时间和次数,保障供电可靠性。目前,基于行为分析结果开展变电站检修计划已成功实施8次,减少限电负荷6.5万kW,涉及户数63户,减少电量损失超过50万kWh。
将行业、地域等用户信息与用户用电行为分类相结合,一方面精准分析用户用电行为,为需求侧管理提供技术支撑,例如在供电线路搭接能力评估中,充分考虑不同时段负荷特性,通过负荷分类将同时率引入线路容量管理中,高效落实10kV用户“先接入”服务思路,最快实现用户用电接入,支撑“获得电力”更快捷,同时也为供电企业配网线路管理释放压力;另一方面,通过用电行为分类与行业、地域信息映射,检验用户基础信息如行业分类的准确度,提高供电企业基础信息准确度,同时也能够及时找准行业用户用电新行为模式,精准描绘大用户经济运营能力,继而为用户风险评定、潜在用电能力评估等提供信息支撑,提升数据价值。
以下介绍本申请的装置实施例,可以用于执行本申请上述的电力相关数据的处理方法。
图11示出了根据本申请实施例的电力相关数据的处理装置的框图。
参照图11所示,根据本申请实施例的电力相关数据的处理装置1100,包括:获取单元1102、预处理单元1104、划分单元1106和处理单元1108。
其中,获取单元1102用于从电力相关***中获取待分析数据;预处理单元1104用于对所述待分析数据进行预处理,得到预处理后的数据;划分单元1106用于根据数据类型将所述预处理后的数据划分为多个类型的数据,并确定与各个类型对应的数据分析模型;处理单元1108用于基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果。
由于本申请的示例实施例的电力相关数据的处理装置的各个功能模块与上述电力相关数据的处理方法的示例实施例的步骤对应,因此对于本申请装置实施例中未披露的细节,请参照本申请上述的电力相关数据的处理方法的实施例。
图12示出了适于用来实现本申请实施例的电子设备的计算机***的结构示意图。需要说明的是,图12示出的电子设备的计算机***1200仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图12所示,计算机***1200包括中央处理单元(Central Processing Unit,CPU)1201,其可以根据存储在只读存储器(Read-Only Memory,ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(Random Access Memory,RAM)1203中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 1203中,还存储有***操作所需的各种程序和数据。CPU 1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(Input/Output,I/O)接口1205也连接至总线1204。
以下部件连接至I/O接口1205:包括键盘、鼠标等的输入部分1206;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1207;包括硬盘等的存储部分1208;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1210上,以便于从其上读出的计算机程序根据需要被安装入存储部分1208。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分1209从网络上被下载和安装,和/或从可拆卸介质1211被安装。在该计算机程序被中央处理单元(CPU)1201执行时,执行本申请的***中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.电力相关数据的处理方法,其特征在于,包括:
从电力相关***中获取待分析数据;
对所述待分析数据进行预处理,得到预处理后的数据;
根据数据类型将所述预处理后的数据划分为多个类型的数据,并确定与各个类型对应的数据分析模型;
基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果。
2.根据权利要求1所述的电力相关数据的处理方法,其特征在于,对所述待分析数据进行预处理,得到预处理后的数据,包括:
过滤掉所述待分析数据中存在字段数据缺失的数据条目、重复的数据条目、数据不准确的数据条目及数据格式不规范的数据条目;
若所述待分析数据中包含有电量数据,且指定日期的电量数据存在缺少,则通过所述指定日期的相邻日期的电量均值补全所述指定日期的电量数据。
3.根据权利要求2所述的电力相关数据的处理方法,其特征在于,对所述待分析数据进行预处理,得到预处理后的数据,还包括:
若所述待分析数据中包含有违约金数据,则根据各个月份的违约情况生成各个用户在时间序列上的违约数据;
若所述待分析数据中包含有电量数据和/或负荷数据,则对所述电量数据和/或所述负荷数据进行归一化处理。
4.根据权利要求1所述的电力相关数据的处理方法,其特征在于,所述多个类型的数据包括工单数据;
基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果,包括:
基于设定的正则表达式对所述工单数据进行正则匹配,得到匹配结果;
对所述匹配结果进行分词处理,并通过停用词库对分词结果进行过滤,得到过滤结果;
对所述过滤结果中包含的词汇进行词频统计,将词频大于或等于预定值的词汇作为基于所述工单数据确定出的用户关注内容。
5.根据权利要求1所述的电力相关数据的处理方法,其特征在于,所述多个类型的数据包括用户的用电量数据;
基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果,包括:
基于用户在一段时间内的历史用电量数据,通过用户量预测模型预测所述用户在未来预定时间内的用电量。
6.根据权利要求5所述的电力相关数据的处理方法,其特征在于,还包括:
基于用户的历史用电量数据,生成用于对预测用电量的神经网络模型进行训练的样本数据;
通过所述样本数据对所述神经网络模型进行训练,得到所述用电量预测模型。
7.根据权利要求1所述的电力相关数据的处理方法,其特征在于,所述多个类型的数据包括用户的用电负荷数据;
基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果,包括:
基于用户的用电负荷数据,提取用户在各个用电时点的特征,得到各个用户的用电行为数据;
基于所述各个用户的用电行为数据对用电用户进行聚类分析。
8.根据权利要求1所述的电力相关数据的处理方法,其特征在于,所述多个类型的数据包括用户的缴费行为数据;
基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果,包括:
根据所述用户的缴费行为数据,统计各个用户的违约情况;
根据所述各个用户的违约情况、缴费方式、电力行业的景气度、电量电费的波动情况构建马尔科夫状态转移矩阵,以基于所述马尔科夫状态转移矩阵确定所述各个用户的违约概率。
9.根据权利要求1至8中任一项所述的电力相关数据的处理方法,其特征在于,还包括展示针对所述各个类型的数据的分析结果。
10.电力相关数据的处理装置,其特征在于,包括:
获取单元,用于从电力相关***中获取待分析数据;
预处理单元,用于对所述待分析数据进行预处理,得到预处理后的数据;
划分单元,用于根据数据类型将所述预处理后的数据划分为多个类型的数据,并确定与各个类型对应的数据分析模型;
处理单元,用于基于与所述各个类型对应的数据分析模型对各个类型的数据进行分析,得到针对所述各个类型的数据的分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010259533.7A CN111626543A (zh) | 2020-04-03 | 2020-04-03 | 电力相关数据的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010259533.7A CN111626543A (zh) | 2020-04-03 | 2020-04-03 | 电力相关数据的处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111626543A true CN111626543A (zh) | 2020-09-04 |
Family
ID=72272508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010259533.7A Pending CN111626543A (zh) | 2020-04-03 | 2020-04-03 | 电力相关数据的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626543A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112134361A (zh) * | 2020-09-29 | 2020-12-25 | 南京邦州电力自动化有限公司 | 一种配电网智能监控*** |
CN112215513A (zh) * | 2020-10-22 | 2021-01-12 | 国网辽宁省电力有限公司营销服务中心 | 一种电力***用户行为事件的离线分析方法和*** |
CN113837778A (zh) * | 2021-10-28 | 2021-12-24 | 国网辽宁省电力有限公司阜新供电公司 | 基于改进狼群优化K-means的用户投诉聚类分析方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729501A (zh) * | 2013-12-18 | 2014-04-16 | 国网山西省电力公司晋中供电公司 | 基于灰色理论的短期电力负荷预测方法 |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用*** |
CN106296445A (zh) * | 2016-08-01 | 2017-01-04 | 国网浙江省电力公司 | 一种电力客户标签构建方法 |
CN106447206A (zh) * | 2016-10-09 | 2017-02-22 | 国网浙江省电力公司信息通信分公司 | 基于用电信息采集数据的用电分析方法 |
CN106503851A (zh) * | 2016-10-25 | 2017-03-15 | 国家电网公司 | 一种改进的基于小波分析的短期电力负荷预测方法 |
CN108416693A (zh) * | 2018-02-01 | 2018-08-17 | 东华大学 | 一种基于模糊神经网络的用电异常行为识别方法 |
CN109325537A (zh) * | 2018-09-26 | 2019-02-12 | 深圳供电局有限公司 | 用电管理方法、装置、计算机设备和存储介质 |
CN110298056A (zh) * | 2019-03-27 | 2019-10-01 | 国网浙江海盐县供电有限公司 | 一种配电网联络有效性评估方法 |
CN110309932A (zh) * | 2018-03-21 | 2019-10-08 | 国网浙江省电力公司湖州供电公司 | 一种基于tem的电力客户资源精细化管理方法 |
-
2020
- 2020-04-03 CN CN202010259533.7A patent/CN111626543A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729501A (zh) * | 2013-12-18 | 2014-04-16 | 国网山西省电力公司晋中供电公司 | 基于灰色理论的短期电力负荷预测方法 |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用*** |
CN106296445A (zh) * | 2016-08-01 | 2017-01-04 | 国网浙江省电力公司 | 一种电力客户标签构建方法 |
CN106447206A (zh) * | 2016-10-09 | 2017-02-22 | 国网浙江省电力公司信息通信分公司 | 基于用电信息采集数据的用电分析方法 |
CN106503851A (zh) * | 2016-10-25 | 2017-03-15 | 国家电网公司 | 一种改进的基于小波分析的短期电力负荷预测方法 |
CN108416693A (zh) * | 2018-02-01 | 2018-08-17 | 东华大学 | 一种基于模糊神经网络的用电异常行为识别方法 |
CN110309932A (zh) * | 2018-03-21 | 2019-10-08 | 国网浙江省电力公司湖州供电公司 | 一种基于tem的电力客户资源精细化管理方法 |
CN109325537A (zh) * | 2018-09-26 | 2019-02-12 | 深圳供电局有限公司 | 用电管理方法、装置、计算机设备和存储介质 |
CN110298056A (zh) * | 2019-03-27 | 2019-10-01 | 国网浙江海盐县供电有限公司 | 一种配电网联络有效性评估方法 |
Non-Patent Citations (2)
Title |
---|
曾宪武: "大数据技术", vol. 1, 西安电子科技大学出版社, pages: 33 - 34 * |
颜虹等: "基于业务数据深度挖掘的高压用户服务模式研究和应用", 农电管理, no. 3, pages 40 - 42 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112134361A (zh) * | 2020-09-29 | 2020-12-25 | 南京邦州电力自动化有限公司 | 一种配电网智能监控*** |
CN112215513A (zh) * | 2020-10-22 | 2021-01-12 | 国网辽宁省电力有限公司营销服务中心 | 一种电力***用户行为事件的离线分析方法和*** |
CN113837778A (zh) * | 2021-10-28 | 2021-12-24 | 国网辽宁省电力有限公司阜新供电公司 | 基于改进狼群优化K-means的用户投诉聚类分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3043447B1 (en) | Distribution transformer heavy loading and overloading mid-term and short-term pre-warning analytics model | |
CN111626543A (zh) | 电力相关数据的处理方法及装置 | |
CN107123982A (zh) | 一种基于设备异动的配电网可靠性经济效益分析方法 | |
Kristiansen | The flow based market coupling arrangement in Europe: Implications for traders | |
CN111353792A (zh) | 一种可视化展现与数据分析的客户画像*** | |
CN108388955A (zh) | 基于随机森林和逻辑回归的客户服务策略制定方法、装置 | |
CN111191811A (zh) | 集群负荷预测方法、装置及存储介质 | |
Soltanisehat et al. | Research and development investment and productivity growth in firms with different levels of technology | |
CN108389069A (zh) | 基于随机森林和逻辑回归的优质客户识别方法及装置 | |
CN108364191A (zh) | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 | |
CN111738505A (zh) | 银行网点工作量预测方法和装置、电子设备及存储介质 | |
CN111738504A (zh) | 企业财务指标资金量预测方法和装置、设备及存储介质 | |
CN113641828A (zh) | 一种基于知识图谱的电网供应商画像成像方法和存储设备 | |
CN111738506A (zh) | 现金中心现金库存用量预测方法和装置、电子设备及介质 | |
CN117439256A (zh) | 一种基于物联网的电站设备管理方法及*** | |
CN113256324A (zh) | 数据资产定价方法、装置、计算机设备和存储介质 | |
CN111105218A (zh) | 一种基于全息影像技术的配电网运行监视方法 | |
CN106228471A (zh) | 一种配电网指标评估方法及评估装置 | |
CN112101981A (zh) | 一种基于机会成本的电力调频市场报价计算方法及*** | |
CN115796398A (zh) | 基于电力物资的需求智能分析方法、***、设备及介质 | |
CN114372835B (zh) | 综合能源服务潜力客户识别方法、***及计算机设备 | |
CN113962751A (zh) | 电力套餐的零售价格预测方法、装置及存储介质 | |
Kong et al. | User group portrait method of integrated energy system based on multi-source big data | |
CN112016631A (zh) | 一种低电压治理相关的改进方案 | |
CN111724057A (zh) | 一种配网台区的投资后评估方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200904 |
|
RJ01 | Rejection of invention patent application after publication |