摘要：本发明提供了基于大数据的供电所廉洁风险隐患分析方法，属于大数据应用领域，包括获取包含小微廉洁风险的受关注信息，筛选得到廉洁风险隐患消息；进行统计分析，得到共性安全隐患库；接收风险隐患判断请求，对风险隐患判断请求中的具体内容进行筛选，得到风险隐患判断请求中的特征集合；结合SVM分类模型得到风险隐患判断请求所述的安全隐患分类，统计与分类结果对应的处理措施集合。通过基于业务信息系统和互联网数据构建小微权力廉洁风险隐患案例库，针对每类风险隐患，采用现有标准与数据统计相结合的方式构建处理措施库,分析风险隐患问题描述、分布特征以及与之相关联的因素分析，基于案例推理技术为风险隐患的解决提供最佳解决方案。

摘要：本发明提出的基于大数据的供电所小微权力廉洁风险指数构建方法，属于数据处理领域，包括：基于业务信息系统构建小微权力廉洁风险评价数据中心，构建小微权力廉洁风险评价指标，基于实际数据对小微权力廉洁风险指标进行评价、抽取实际数据对指标进行评价和指标筛选、确定指标权重，计算小微权力廉洁风险指数，开展小微权力廉洁风险评级，基于实际数据开展小微权力廉洁风险指数趋势分析和预警。通过基于用已有业务信息系统中积累的丰富业务数据，以构建评价体系的方式对当前存在的数据进行评级，以便根据评级结果采取对应措施，提高供电所小微权力风险管控水平和信息化水平，有效识别小微权力廉洁风险，提升风险防控能力。

摘要：本发明公开了一种供电企业小微权力廉洁画像分析系统，包括：风险相关信息提取模块，用于提取风险相关信息，其中风险相关信息存储于数据库中，风险相关信息包括风险因子以及风险影响因子对应的x值；风险影响因子提取模块，采用线性回归模型计算风险相关信息风险影响因子的影响系数及风险指数；画像展示模块，其中，所述画像包括中心区域的词云图分布以及在词云图外围的基本信息、风险指数信息、风险影响因子及影响系数信息，所述词云图中词语为风险影响因子，且词语的大小与风险影响因子系数有关，系数绝对值越大，廉洁风险影响越大，词语显示面积越大。本发明实现廉洁风险及时监控和展示。

摘要：本申请实施例提出了基于RBF径向基神经网络的电网公司分类方法，包括从公司状态数据中选取h个聚类中心；调用k‑means算法基于样本点集合重新计算得到聚类中心；构造RBF径向神经网络模型，对已得到聚类中心进行重新计算得到RBF径向神经网络模型的输出分类结果。通过利用RBF神经网络对电网行业中多特征的数据进行分类筛选，有助于避免陷入局部最优解，得到更好的分类效果。

摘要：本发明公开了一种基于C4.5决策树算法的电力业务协同分类方法及系统，方法包括如下步骤：获取电力业务协同相关数据库，并从中提取样本集S；提取指标集A，所述指标集A含有用于评估业务协同数据的指标；基于C4.5算法对样本集S计算各个指标的信息熵和信息增益比，以选定合适的根节点和中间节点；根据选定的根节点构建决策树；基于决策树对各个业务协同方案评估并进行选择；同时公开了相应的系统。本发明采用信息熵和信息增益比计算，分类规则易于理解，准确率较高，应用于电力外包等业务的协同数据计算及分析，通过选择最优划分特征作为节点

摘要：本发明涉及计算机领域，尤其涉及基于朴素贝叶斯算法的电力数据分类方法及系统，包括：S1：从电力公司的电力系统中获取数据并生成数据集；S2：从数据集中取数据子集，并作增量式训练，所述数据子集；S3：计算各类别C_k在数据子集中的频率；S4：将数据子集划分成K个子数据子集，计算出其中第j个特征X_j＝a_jl的概率；S5：计算其对于每个类别C_k的后验概率，概率值最大的类别即为待预测样本的预测类别；S6：在数据集中去掉当前数据子集，并判断数据集是否为空，若非空则进入步骤S2，若空则结束分类。本发明针对各种特征采用极大似然估计来表示各种分类的概率，再选取概率值最大的类别即为待预测样本的预测类别，能够迅速准确的实现数据的分类。

摘要：本申请实施例提出了基于电网信息数据的K‑means聚类算法，包括使用手肘法对电网信息数据进行处理，推断最优分类个数；从电网信息数据中随机选取数据作为聚类中心，从剩余数据中选取数据与已选数据计算空间距离，逐个选取全部的聚类中心；基于已选的聚类中心使用K‑means算法进行更新；基于更新后的聚类中心对输出簇进行划分。通过对电网信息数据使用K‑means聚类算法，能够依靠非监督学习判断出最优分类数目，并进行数据聚类。对初始的聚类中心进行计算确定，确保最后的结果不受起始点的随机选择而变化。

摘要：本发明公开了一种基于ID3决策树算法的电力业务协同分类方法及系统，方法包括如下步骤：获取电力业务协同相关数据库，并从中提取样本集S；提取指标集A，所述指标集A含有用于评估业务协同数据的指标；基于ID3算法对样本集S计算各个指标的信息熵和信息增益，以选定合适的根节点和中间节点；根据选定的根节点构建决策树；基于决策树对各个业务协同方案评估并进行选择；同时公开了相应的系统。本发明采用信息熵和信息增益计算，计算量相对较小，分类准确性高，应用于电力外包等业务的协同数据计算及分析，通过选择最优划分特征作为节点生成决策树并进行数据分类，分类快捷且效果好，有效实现对电力外包等业务的协同管理。

摘要：本申请实施例提出了用于电力系统内基于KNN算法的公司分类方法，包括对公司数据进行分类训练，基于分类结果确定临近数k的取值；基于欧式距离计算公式确分类后的公司数据与各分类集之间的距离，根据计算得到的距离结合k值选取高频类作为被测数据类；重复上述步骤，直至测试完全部分类；提交预测分类数据。通过使用KNN算法来解决多分类问题，能够达到无需训练、无需估计参数、以及少误差的效果，提高分类的准确性。

摘要：【中文】本发明涉及计算机领域，尤其涉及基于朴素贝叶斯算法的电力数据分类方法及系统，包括：S1：从电力公司的电力系统中获取数据并生成数据集；S2：从数据集中取数据子集，并作增量式训练；S3：对于每一个类别，计算各类别在数据子集中的频率；S4：将数据子集划分成K个子数据子集，分别对属于C_k的子数据子集进行计算，计算出其中第j个特征的概率；S5：针对待预测样本，计算其对于每个类别C_k的后验概率，概率值最大的类别即为待预测样本的预测类别；S6：在数据集中去掉当前数据子集，并判断数据集是否为空，若非空则进入步骤S2，若空则结束分类。本发明能够迅速准确的实现数据的分类，分类性能不会因为数据的不同而展现差异，具有良好的健壮性。 【EN】The invention relates to the field of computers, in particular to a naive Bayes algorithm-based power data classification method and a naive Bayes algorithm-based power data classification system, which comprise the following steps: s1: acquiring data from a power system of a power company and generating a data set; s2: taking a data subset from the data set and performing incremental training; s3: for each category, calculating the frequency of each category in the data subset; s4: dividing the data subset into K sub-data subsets, respectively belonging to C_kCalculating the sub-data subset of the sub-data subset to calculate the probability of the jth characteristic; s5: for the sample to be predicted, it is calculated for each class C_kThe class with the maximum probability value is the prediction class of the sample to be predicted; s6: removing the current data subset from the data set, determining whether the data set is empty, if not, proceeding to step S2, otherwise, leaving emptyThe classification is ended. The invention can quickly and accurately realize the classification of the data, the classification performance can not show the difference due to the difference of the data, and the invention has good robustness.