试析电量管理与反窃电系统中数据挖掘技术的应用研究
摘要：供电企业是我国的基础产业之一，信息技术和自动化技术在供电企业中得到了广泛的应用。但是供电企业在电量自动化管理方面存在着技术手段落后以及窃电现象非常严重的现象，因此带来的经济损失也很严重。同时供电企业供电的可靠性以及质量都需要进一步提高。而现代化信息管理处理系统中的电量管理和反窃电系统的实施，使供电企业的管理水平和经济效益都得到了提高。目前的供电企业已经能够利用数据挖掘技术快速有效并且全面的对用电数据和窃电行为进行分析，进而保证供电企业的电量管理和经济利益。
关键词：电量管理、反窃电系统、数据挖掘技术、应用研究
引言：
随着改革的进行传统的电量管理已经不能适应供电企业的需要，我国的供电企业电量管理技术落后，线路损失率很高，同时还存在着严重的窃电现象，给供电企业带来巨大的经济损失。随着科技的进步，窃电的手段与方法也呈现出了高科技化和多样化，这样给用电管理的安全可靠性以及经济性带来了隐患，同时也败坏了社会风气。而目前的反窃电技术存在着一定的局限性，因此需要反窃电技术实现信息化与智能化，做到可以对计量数据以及用电数据进行及时的分析，并且计量装置可以随时控制，发现异常情况能够及时报警，这样才能够制住窃电。数据挖掘技术可以对海量信息进行处理和分析，进而从中发现数据的特征，达到反窃电和对电量管理的目的。
一、传统反窃电中存在的困难
目前我国的电力部门主要采用对外围设备进行管理的方法来进行反窃电。如果把一个地区的所有用户使用的计量装置全部改装成防窃电装置或者进行更新，所需要的费用非常昂贵。而且装置发生故障需要进行维护或者装置被破坏需要进行更换所需的时间也较长。而有些地区还存在着供电部门的部分职工与外单位勾结窃电的现象，而且对于用户的用量情况也很难掌握。虽然电力部门采取不定期的借助公安部门或者公证部门对窃电行为进行抽查，而且取得了一定的成果，但是并没有把窃电问题遏制住。如果要想查窃电就需要对计量装置和电气设施进行检查，这就需要进入用户家中。如果按顺序检查有些用户就会有充足的时间把证据毁灭，而一般的用电工作人员无权强制性进入民宅或者企业中，这样就给稽查工作带来了很多的困难。同时如果要想进行用电稽查取证就需要对窃电现场进行取证，同时还要对窃电的时间进行取证。窃电现场的取证需要行动迅速，并进行摄影录像，增加了取证的难度，而窃电时间的取证则更加困难。目前我国的司法机关对于窃电时间无法查明时的窃电数量没有明确的规定，因此给当前的反窃电工作带来了困难。由于取证和定量的困难，导致供电企
业在对窃电分子进行处理时，无法走刑事起诉，因此只能进行行政处罚，而无法判处，同时行政处罚也由于尺度和强制力度无法进行把握造成无法进行处罚的现象。
二、传统反窃电方法时效性差的原因
由于电力是无形的商品，通常是通过计量装置来计量。虽然窃电现象客观存在，但是由于窃电量是混在线损中而无法真实反映出来，因此管理者对此容易疏忽。此外地方电力管理部门对于窃电行为的认定没有相应的细则，因此基层的电管人员对于反窃电任务的执行普遍感觉困难。而且对窃电时间以及数量上的取证也存在着困难。如果采用更换带防窃电功能的计量柜所需要的费用比较大，而且进行管理也比较复杂。此外还有些供电企业对反窃电工作的重视程度不够，在对电量进行管理时，仍然使用的是不带防窃电功能的计量柜，这样就会使窃电行为能够得逞。目前窃电分子的窃电方式越来越隐蔽和先进，一般的电管人员难以识破。此外由于在用电管理中还存在着由于监督机制不健全而导致供电企业内部的部分职工和用户相互勾结窃电或者对窃电行为视而不见的现象。随着经济的发展，城乡居民用电使用的是一户一表的制度，因此邻里之间没有相互监督，给反窃电管理带来了难度。在对窃电行为进行处罚时还存在着执法不严而导致窃电现象越来越多。目前，由于反窃电技术还存在着一定的局限性，对于窃电者以及窃电量还不能进行准确的判断。因此需要使用先进的反窃电技术，使窃电技术达到信息化和智能化，对用电数据进行及时的分析，发现异常可以及时的报警，进而达到防窃电的目的。
三、数据挖掘技术在电量管理以及反窃电系统中的应用
1、数据挖掘步骤
在实施挖掘前，首先要制定计划，一般数据挖掘的步骤可以有问题定义、数据收集和预处理以及数据挖掘算法执行三部分以及对结果进行解释和评价。在问题定义过程中，数据挖掘人员要明确实际工作对数据挖掘的要求，然后通过对各种学习算法的对比确定可用的学习算法。然后再对数据进行集成、清洗以及数据变换和数据简化。数据挖掘算法执行的过程中，首先要根据问题定义对挖掘的任务或者目的进行明确。然后再根据任务选择使用的算法，在选择算法时要考虑数据的特点以及用户或者实际运行系统的要求。由于数据挖掘是一个十分复杂的过程，因此要仔细考察不同的模型，并且选择所需要的模式。这样经过这些过程就会产生分析结果以及模式或者模型。可以直接使用原来的模型的样板数据进行检验，并且做出解释。通常状况下，使用模型得不到直接的结论，因此我们需要结合业务问题对规律进行总结，并且提供合理的支持信息。在实际使用的过程中，由于应用数据的不同，模型的准确率也会发生变化。在实际应用中，我们要选择代价最小的模型。模型建立并验证后，可以提
供给业务人员或者分析人员做参考，然后再提出行动方案的建议。或者把模型应用于不同的数据集上。
2、选择和使用挖掘工具
由于数据挖掘的工业是比较零散的，因此许多数据挖掘产品是横向包，很难把它们与不同知识发现工具进行结合运用。许多商业数据挖掘产品进行数据抽取时需要中间存储。为了给数据挖掘提供一个标准，从不同的数据挖掘ISV中的不同数据挖掘算法，并且应用于用户中去。并且建立一个模型，当数据挖掘模式模型建立后，再进行测试。在测试阶段，数据挖掘算法对输入的事件和挖掘模型已经发现的模式进行分析。进行测试的数据可以任何表格的数据源中进行抽取，而且它存在于OLE DB的驱动器上，而不需要把数据源中导出的数据进行存储，因此使数据挖掘的过程得到了简化。把这些数据进行分析后再预测，预测可以在单位事件中进行。
3、数据准备
在数据准备时，可以选择专用变压器用的数据作为原始数据，将采集的数据按照日为单位进行统计。然后再对数据整理与分析。在系统试运行期间，可以使用数据挖掘系统把用户用电的数据进行积累并建立历史数据库。使用工具把事务数据进行转换，然后选择一个数据库建表。
结束语：
我国的供电企业在电量的自动化管理方面还存在着技术手段落后以及线路损失较高，及窃电现象严重的问题，这样就会给供电企业带来巨大的经济损失，同时供电的可靠性以及供电质量也需要进一步提高。我国的绝大部分供电企业对用电数据和窃电行为不能进行快速的分析，而为了使企业能够达到这一目标，就需要运用数据挖掘技术。数据挖掘可以帮助企业管理者能够比较容易的分析数据，并且数据挖掘中得到的模型必须要在生活中进行验证。使用数据挖掘工具后，我们就可以从艰深的统计分析技术中解放出来。但是我们需要了解所选的数据挖掘是怎么样进行工作的，所用的算法原理是什么。数字挖掘技术只是一个比较强大的工具，不可能替代有经验的业务人员以及管理人员的地位。因此为了取得好的结果，需要不断的重复有些步骤，并且选择数据挖掘专家对数据进行分析和挖掘。然后再同基他部门进行协调，把挖掘出来的信息提供给信息管理者进行参考。
参考文献：
[1] 孙玉娇,田俊杰.论GPRS技术在电力用电监测与反窃电系统中的应用[J].科学导
报,2016,(5):219-219.
[2] 梅晶.电力用电监测与反窃电系统中GPRS技术的应用分析[J].中国机
械,2014,(18):26-26.
[3] 葛洲,余英,郑莎莎等.窃电现象对供电系统的影响及反窃电系统[J].科技创业月刊,2012,(12):198-199,201.
[4] 任宁,陈洪亮.基于JSP的反窃电分析与查询系统[J].电工技术,2008,(4):7-9.
[5] 张洪霞,任秀燕,周玲等.反窃电技术研究[J].山东电力技术,2016,43(6):43-47.
[6] 曹娜,朱婷婷.变电站电量管理系统的研究[J].电工电气,2014,(6):55-58.
[7] 王健.农村供电所电费抄核收内控之零电量管理[J].城市建设理论研究（电子版）,2012,(24).
《海量数据挖掘技术及工程实践》题目 一、单选题（共80题） 1)( D )的目的缩小数据的取值范围，使其更适合于数据挖掘算法的需要，并且能够得到 和原始数据相同的分析结果。 A.数据清洗 B.数据集成 C.数据变换 D.数据归约 2)某超市研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布，这种属于数据挖 掘的哪类问题？(A) A. 关联规则发现 B. 聚类 C. 分类 D. 自然语言处理 3)以下两种描述分别对应哪两种对分类算法的评价标准？ (A) (a)警察抓小偷，描述警察抓的人中有多少个是小偷的标准。 (b)描述有多少比例的小偷给警察抓了的标准。 A. Precision,Recall B. Recall,Precision A. Precision,ROC D. Recall,ROC 4)将原始数据进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务？(C) A. 频繁模式挖掘 B. 分类和预测 C. 数据预处理 D. 数据流挖掘 5)当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数 据相分离？(B) A. 分类 B. 聚类 C. 关联分析 D. 隐马尔可夫链 6)建立一个模型，通过这个模型根据已知的变量值来预测其他某个变量值属于数据挖掘的 哪一类任务？(C) A. 根据内容检索 B. 建模描述 C. 预测建模 D. 寻找模式和规则 7)下面哪种不属于数据预处理的方法？ (D) A.变量代换 B.离散化
C.聚集 D.估计遗漏值 8)假设12个销售价格记录组已经排序如下：5, 10, 11, 13, 15, 35, 50, 55, 72, 92, 204, 215 使用如下每种方法将它们划分成四个箱。等频（等深）划分时，15在第几个箱子内？ (B) A.第一个 B.第二个 C.第三个 D.第四个 9)下面哪个不属于数据的属性类型：(D) A.标称 B.序数 C.区间 D.相异 10)只有非零值才重要的二元属性被称作：( C ) A.计数属性 B.离散属性 C.非对称的二元属性 D.对称属性 11)以下哪种方法不属于特征选择的标准方法： (D) A.嵌入 B.过滤 C.包装 D.抽样 12)下面不属于创建新属性的相关方法的是： (B) A.特征提取 B.特征修改 C.映射数据到新的空间 D.特征构造 13)下面哪个属于映射数据到新的空间的方法？ (A) A.傅立叶变换 B.特征加权 C.渐进抽样 D.维归约 14)假设属性income的最大最小值分别是12000元和98000元。利用最大最小规范化的方 法将属性的值映射到0至1的范围内。对属性income的73600元将被转化为：(D) A.0.821 B.1.224 C.1.458 D.0.716 15)一所大学内的各年纪人数分别为：一年级200人，二年级160人，三年级130人，四年 级110人。则年级属性的众数是： (A) A.一年级 B.二年级 C.三年级 D.四年级
电功率的计算公式 电功率的计算公式，用电压乘以电流，这个公式是电功率的定义式，永远正确，适用 于任何情况。 对于纯电阻电路，如电阻丝、灯炮等，可以用“电流的平方乘以电阻”“电压的平方 除以电阻”的公式计算，这是由欧姆定律推导出来的。 但对于非纯电阻电路，如电动机等，只能用“电压乘以电流”这一公式，因为对于电 动机等，欧姆定律并不适用，也就是说，电压和电流不成正比。这是因为电动机在运转时会产生“反电动势”。 例如，外电压为8伏，电阻为2欧，反电动势为6伏，此时的电流是（8－6）/2＝1（安），而不是4安。因此功率是8×1＝8（瓦）。 另外说一句焦耳定律，就是电阻发热的那个公式，发热功率为“电流平方乘以电阻”，这也是永远正确的。 还拿上面的例子来说，电动机发热的功率是1×1×2＝2（瓦），也就是说，电动机的 总功率为8瓦，发热功率为2瓦，剩下的6瓦用于做机械功了。 电工常用计算公式 一、利用低压配电盘上的三根有功电度表，电流互感器、电压表、电流表计算一段时间内的平均有功功率、现在功率、无功功率和功率因数。 （一）利用三相有功电度表和电流互感器计算有功功率 式中 N——测量的电度表圆盘转数 K——电度表常数（即每kW·ｈ转数） t——测量N转时所需的时间S
CT——电流互感器的变交流比 （二）在三相负荷基本平衡和稳定的情况下，利用电压表、电流表的指示数计 算视在功率 （三）求出了有功功率和视在功率就可计算无功功率 （四）根据有功功率和现在功率，可计算出功率因数 例1某单位配电盘上装有一块500转／kW·ｈ电度表，三支100／5电流互感器，电压表指示在400V，电流表指示在22A，在三相电压、电流平衡稳定的情况下，测试电度表圆盘转数是60S转了5圈。求有功功率、现在功率、无功功率、功率因数各为多少？ [解]①将数值代入公式（1），得有功功率P＝12kW ②将数值代入公式（2）；得视在功率S=15kVA ③由有功功率和视在功率代入公式（3），得无功功率Q=8l kVar ④由有功功率和现在功率代入公式（4），得功率因数cosφ= 0．8 二、利用秒表现场测试电度表误差的方法 （一）首先选定圆盘转数，按下式计算出电度表有N转内的标准时间 式中 N——选定转数 P——实际功率kW K——电度表常数（即每kW·ｈ转数） CT——电流互感器交流比 （二）根据实际测试的时间（S）。求电度表误差 式中 T——N转的标准时间s t——用秒表实际测试的N转所需时间（s）
大数据时代的数据挖掘 大数据是2012的时髦词汇，正受到越来越多人的关注和谈论。大数据之所以受到人们的关注和谈论，是因为隐藏在大数据后面超千亿美元的市场机会。 大数据时代，数据挖掘是最关键的工作。以下内容供个人学习用，感兴趣的朋友可以看一下。 智库百科是这样描述数据挖掘的“数据挖掘又称数据库中的知识发现，是目前人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。 数据挖掘的定义 技术上的定义及含义 数据挖掘（Data Mining ）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。这个定义包括好几层含义：数据源必须是真实的、大量的、含噪声的；发现的是用户感兴趣的知识；发现的知识要可接受、可理解、可运用；并不要求发现放之四海皆准的知识，仅支持特定的发现问题。 与数据挖掘相近的同义词有数据融合、人工智能、商务智能、模式识别、机器学习、知识发现、数据分析和决策支持等。 ----何为知识从广义上理解，数据、信息也是知识的表现形式，但是人们更把概念、规则、模式、规律和约束等看作知识。人们把数据看作是形成知识的源泉，好像从矿石中采矿或淘金一样。原始数据可以是结构化的，如关系数据库中的数据；也可以是半结构化的，如文本、图形和图像数据；甚至是分布在网络上的异构型数据。发现知识的方法可以是数学的，也可以是非数学的；可以是演绎的，也可以是归纳的。发现的知识可以被用于信息管理，查询优化，决策支持和过程控制等，还可以用于数据自身的维护。因此，数据挖掘是一门交叉学科，它把人们对数据的应用从低层次的简单查询，提升到从数据中挖掘知识，提供决策支持。在这种需求牵引下，汇聚了不同领域的研究者，尤其是数据库技术、人工智能技术、数理统计、可视化技术、并行计算等方面的学者和工程技术人员，投身到数据挖掘这一新兴的研究领域，形成新的技术热点。 这里所说的知识发现，不是要求发现放之四海而皆准的真理，也不是要去发现崭新的自然科学定理和纯数学公式，更不是什么机器定理证明。实际上，所有发现的知识都是相对的，是有特定前提和约束条件，面向特定领域的，同时还要能够易于被用户理解。最好能用自然语言表达所发现的结果。n x _s u x i a n g n i n g
超级电容电量简易计算 2011-05-21 00:49:18| 分类：默认分类 | 标签： |字号大中小订阅 电压(V) = 电流(I) x 电阻(R) 电荷量(Q) = 电流(I) x 时间(T) 功率(P) = V x I = 能量(W) = P x T = Q x V 容量 F= 库伦（C） / 电压（V） 将容量、电压转为等效电量 电量 =电压（V) x 电荷量（C） 实例估算： 电压5.5V 1F（1法拉电容）的电量为5.5C（库伦），电压下限是3.8V，电容放电的有效电压差为5.5-3.8=1.7V，所以有效 电量为1.7C。 1.7C=1.7A*S（安秒）=1700mAS（毫安时）=0.472mAh（安时） 若电流消耗以10mA计算，1700mAS/10mA=170S=2.83min（维持时间 分钟）。 转 电荷量 通常,正电荷的电荷量用正数表示.负电荷的电荷量用负数表示. 任何带电体所带电量总是等于某一个最小电量的整数倍 这个最小电量叫做基元电荷 它等于一个电子所带电量的多少，也等于一个质子所带电量的多少 而库仑是电量的单位 1库仑=1安培·秒 库仑是电量的单位，符号为C。它是为纪念物理学家库仑而命名的。若导线中载有1安培的稳恒电流，则在1秒内通过导线横截面积的电量为1库仑。 库仑不是国际标准单位，而是国际标准导出单位。一个电子所带负电荷量e＝ 1.6021892×10^19库仑（元电荷）， 也就是说1库仑相当于6.24146×10^18个电子所带的电荷总量。 电荷量的公式： C=It（其中I是电流，单位A ；t是时间，单位s） 电量 电量表示物体所带电荷的多少。
数据挖掘领域的十大经典算法原理及应用 国际权威的学术组织the IEEE International Conference on Data Mining (ICDM) 2006年12月评选出了数据挖掘领域的十大经典算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART. 不仅仅是选中的十大算法，其实参加评选的18种算法，实际上随便拿出一种来都可以称得上是经典算法，它们在数据挖掘领域都产生了极为深远的影响。 1.C4.5 C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法.C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进： 1)用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足； 2) 在树构造过程中进行剪枝； 3) 能够完成对连续属性的离散化处理； 4) 能够对不完整数据进行处理。
C4.5算法有如下优点：产生的分类规则易于理解，准确率较高。其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。 2. The k-means algorithm即K-Means算法 k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k < n。它与处理混合正态分布的最大期望算法很相似，因为他们都试图找到数据中自然聚类的中心。它假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。 3. Support vector machines 支持向量机，英文为Support Vector Machine，简称SV 机（论文中一般简称SVM）。它是一种監督式學習的方法，它广泛的应用于统计分类以及回归分析中。支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。分隔超平面使两个平行超平面的距离最大化。假定平行超平面
学习18大经典数据挖掘算法 本文所有涉及到的数据挖掘代码的都放在了github上了。 地址链接: https://https://www.doczj.com/doc/519641176.html,/linyiqun/DataMiningAlgorithm 大概花了将近2个月的时间，自己把18大数据挖掘的经典算法进行了学习并且进行了代码实现，涉及到了决策分类，聚类，链接挖掘，关联挖掘，模式挖掘等等方面。也算是对数据挖掘领域的小小入门了吧。下面就做个小小的总结，后面都是我自己相应算法的博文链接，希望能够帮助大家学习。 1.C4.5算法。C4.5算法与ID3算法一样，都是数学分类算法，C4.5算法是ID3算法的一个改进。ID3算法采用信息增益进行决策判断，而C4.5采用的是增益率。 详细介绍链接：https://www.doczj.com/doc/519641176.html,/androidlushangderen/article/details/42395865 2.CART算法。CART算法的全称是分类回归树算法，他是一个二元分类，采用的是类似于熵的基尼指数作为分类决策，形成决策树后之后还要进行剪枝，我自己在实现整个算法的时候采用的是代价复杂度算法， 详细介绍链接：https://www.doczj.com/doc/519641176.html,/androidlushangderen/article/details/42558235 3.KNN(K最近邻)算法。给定一些已经训练好的数据，输入一个新的测试数据点，计算包含于此测试数据点的最近的点的分类情况，哪个分类的类型占多数，则此测试点的分类与此相同，所以在这里,有的时候可以复制不同的分类点不同的权重。近的点的权重大点，远的点自然就小点。 详细介绍链接：https://www.doczj.com/doc/519641176.html,/androidlushangderen/article/details/42613011 4.Naive Bayes(朴素贝叶斯)算法。朴素贝叶斯算法是贝叶斯算法里面一种比较简单的分类算法，用到了一个比较重要的贝叶斯定理，用一句简单的话概括就是条件概率的相互转换推导。 详细介绍链接：https://www.doczj.com/doc/519641176.html,/androidlushangderen/article/details/42680161 5.SVM(支持向量机)算法。支持向量机算法是一种对线性和非线性数据进行分类的方法，非线性数据进行分类的时候可以通过核函数转为线性的情况再处理。其中的一个关键的步骤是搜索最大边缘超平面。 详细介绍链接：https://www.doczj.com/doc/519641176.html,/androidlushangderen/article/details/42780439 6.EM(期望最大化)算法。期望最大化算法，可以拆分为2个算法，1个E-Step期望化步骤,和1个M-Step最大化步骤。他是一种算法框架，在每次计算结果之后，逼近统计模型参数的最大似然或最大后验估计。
数据分析处理需求分类 1 事务型处理 在我们实际生活中,事务型数据处理需求非常常见,例如：淘宝网站交易系统、1２306网站火车票交易系统、超市ＰOＳ系统等都属于事务型数据处理系统。这类系统数据处理特点包括以下几点: 一就是事务处理型操作都就是细粒度操作,每次事务处理涉及数据量都很小。 二就是计算相对简单，一般只有少数几步操作组成，比如修改某行得某列; 三就是事务型处理操作涉及数据得增、删、改、查,对事务完整性与数据一致性要求非常高。 四就是事务性操作都就是实时交互式操作,至少能在几秒内执行完成； 五就是基于以上特点,索引就是支撑事务型处理一个非常重要得技术. 在数据量与并发交易量不大情况下,一般依托单机版关系型数据库,例如OＲＡＣLＥ、MＹSQL、SQＬSERVER,再加数据复制（DataGurａd、RＭAＮ、ＭｙSQＬ数据复制等)等高可用措施即可满足业务需求。 在数据量与并发交易量增加情况下，一般可以采用ORＡLＣＥRAC集群方式或者就是通过硬件升级（采用小型机、大型机等，如银行系统、运营商计费系统、证卷系统)来支撑. 事务型操作在淘宝、1230６等互联网企业中,由于数据量大、访问并发量高，必然采用分布式技术来应对,这样就带来了分布式事务处理问题，而分布式事务处理很难做到高效，因此一般采用根据业务应用特点来开发专用得系统来解决本问题。
２数据统计分析 数据统计主要就是被各类企业通过分析自己得销售记录等企业日常得运营数据,以辅助企业管理层来进行运营决策。典型得使用场景有:周报表、月报表等固定时间提供给领导得各类统计报表;市场营销部门,通过各种维度组合进行统计分析,以制定相应得营销策略等． 数据统计分析特点包括以下几点: 一就是数据统计一般涉及大量数据得聚合运算，每次统计涉及数据量会比较大。二就是数据统计分析计算相对复杂，例如会涉及大量goｕpbｙ、子查询、嵌套查询、窗口函数、聚合函数、排序等；有些复杂统计可能需要编写ＳQＬ脚本才能实现． 三就是数据统计分析实时性相对没有事务型操作要求高。但除固定报表外,目前越来越多得用户希望能做做到交互式实时统计； 传统得数据统计分析主要采用基于ＭＰP并行数据库得数据仓库技术.主要采用维度模型,通过预计算等方法，把数据整理成适合统计分析得结构来实现高性能得数据统计分析，以支持可以通过下钻与上卷操作,实现各种维度组合以及各种粒度得统计分析。 另外目前在数据统计分析领域,为了满足交互式统计分析需求，基于内存计算得数据库仓库系统也成为一个发展趋势,例如SAP得HANA平台。 3 数据挖掘 数据挖掘主要就是根据商业目标，采用数据挖掘算法自动从海量数据中发现隐含在海量数据中得规律与知识。
:号学 题目-一 - -二 二 三四五六七八九十总成绩复核得分 阅卷教师 :名姓班 级 业专 院 学院学学科息信与学数 题试试考末期期学季春年学一320数据挖掘试卷 课程代码：C0204413课程：数据挖掘A卷 一、判断题（每题1分，10分） 1. 从点作为个体簇开始，每一步合并两个最接近的簇，这是一种分裂的层次聚类方法。（） 2. 数据挖掘的目标不在于数据采集策略，而在于对已经存在的数据进行模式的发掘。（） 3. 在聚类分析当中，簇内的相似性越大，簇间的差别越大，聚类的效果就越差。（） 4. 当两个点之间的邻近度取它们之间距离的平方时，Ward方法与组平均非常相似。（） 5. DBSCAN是相对抗噪声的，并且能够处理任意形状和大小的簇。（） 6. 属性的性质不必与用来度量他的值的性质相同。（） 7. 全链对噪声点和离群点很敏感。（） 8. 对于非对称的属性，只有非零值才是重要的。（） 9. K均值可以很好的处理不同密度的数据。（） 10. 单链技术擅长处理椭圆形状的簇。（） 二、选择题（每题2分，30分） 1. 当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分 离？（） A. 分类 B.聚类 C.关联分析 D.主成分分析 2. （）将两个簇的邻近度定义为不同簇的所有点对邻近度的平均值，它是一种凝聚层次聚类技术。 A. MIN（单链） B.MAX（全链） C.组平均 D.Ward方法 3. 数据挖掘的经典案例“啤酒与尿布试验”最 主要是应用了（）数据挖掘方法。 A分类B预测C关联规则分析D聚类 4. 关于K均值和DBSCAN的比较，以下说法不正确的是（） A. K均值丢弃被它识别为噪声的对象，而DBSCAN —般聚类所有对 象。 B. K均值使用簇的基于原型的概念，DBSCAN使用基于密度的概念。 C. K均值很难处理非球形的簇和不同大小的簇，DBSCAN可以处理不同大小和不同形状的簇 D. K均值可以发现不是明显分离的簇，即便簇有重叠也可以发现，但是DBSCAN会合并有重叠的簇 5. 下列关于 Ward 'Method说法错误的是：（） A. 对噪声点和离群点敏感度比较小 B. 擅长处理球状的簇 C. 对于Ward方法，两个簇的邻近度定义为两个簇合并时导致的平方误差 D. 当两个点之间的邻近度取它们之间距离的平方时，Ward方法与组平均非常相似 6. 下列关于层次聚类存在的问题说法正确的是：（） A. 具有全局优化目标函数 B. Group Average擅长处理球状的簇 C. 可以处理不同大小簇的能力 D. Max对噪声点和离群点很敏感 7. 下列关于凝聚层次聚类的说法中，说法错误的事： （） A. 一旦两个簇合并，该操作就不能撤销 B. 算法的终止条件是仅剩下一个簇 2 C. 空间复杂度为O m D. 具有全局优化目标函数 8规则｛牛奶，尿布｝T｛啤酒｝的支持度和置信度分别为：（）
数据挖掘入门读物： 深入浅出数据分析这书挺简单的，基本的内容都涉及了，说得也比较清楚，最后谈到了R是大加分。难易程度：非常易。 啤酒与尿布通过案例来说事情，而且是最经典的例子。难易程度：非常易。 数据之美一本介绍性的书籍，每章都解决一个具体的问题，甚至还有代码，对理解数据分析的应用领域和做法非常有帮助。难易程度：易。 数学之美这本书非常棒啦，入门读起来很不错！ 数据分析： SciPy and NumPy 这本书可以归类为数据分析书吧，因为numpy和scipy真的是非常强大啊。Python for Data Analysis 作者是Pandas这个包的作者，看过他在Scipy会议上的演讲，实例非常强！Bad Data Handbook 很好玩的书，作者的角度很不同。 数据挖掘适合入门的教程： 集体智慧编程学习数据分析、数据挖掘、机器学习人员应该仔细阅读的第一本书。作者通过实际例子介绍了机器学习和数据挖掘中的算法，浅显易懂，还有可执行的Python代码。难易程度：中。 Machine Learning in Action 用人话把复杂难懂的机器学习算法解释清楚了，其中有零星的数学公式，但是是以解释清楚为目的的。而且有Python代码，大赞！目前中科院的王斌老师（微博：王斌_ICTIR）已经翻译这本书了机器学习实战(豆瓣)。这本书本身质量就很高，王老师的翻译质量也很高。难易程度：中。我带的研究生入门必看数目之一！ Building Machine Learning Systems with Python 虽然是英文的，但是由于写得很简单，比较理解，又有Python 代码跟着，辅助理解。 数据挖掘导论最近几年数据挖掘教材中比较好的一本书，被美国诸多大学的数据挖掘课作为教材，没有推荐Jiawei Han老师的那本书，因为个人觉得那本书对于初学者来说不太容易读懂。难易程度：中上。Machine Learning for Hackers 也是通过实例讲解机器学习算法，用R实现的，可以一边学习机器学习一边学习R。 数据挖掘稍微专业些的： Introduction to Semi-Supervised Learning 半监督学习必读必看的书。 Learning to Rank for Information Retrieval 微软亚院刘铁岩老师关于LTR的著作，啥都不说了，推荐！Learning to Rank for Information Retrieval and Natural Language Processing 李航老师关于LTR的书，也是当时他在微软亚院时候的书，可见微软亚院对LTR的研究之深，贡献之大。 推荐系统实践这本书不用说了，研究推荐系统必须要读的书，而且是第一本要读的书。 Graphical Models, Exponential Families, and Variational Inference 这个是Jordan老爷子和他的得意门徒Martin J Wainwright 在Foundation of Machine Learning Research上的创刊号，可以免费下载，比较难懂，但是一旦读通了，graphical model的相关内容就可以踏平了。 Natural Language Processing with Python NLP 经典，其实主要是讲NLTK 这个包，但是啊，NLTK 这个包几乎涵盖了NLP 的很多内容了啊！ 数据挖掘机器学习教材： The Elements of Statistical Learning 这本书有对应的中文版：统计学习基础(豆瓣)。书中配有R包，非常赞！可以参照着代码学习算法。 统计学习方法李航老师的扛鼎之作，强烈推荐。难易程度：难。 Machine Learning 去年出版的新书，作者Kevin Murrphy教授是机器学习领域中年少有为的代表。这书是他的集大成之作，写完之后，就去Google了，产学研结合，没有比这个更好的了。
大数据可视化分析平台 一、背景与目标 基于邳州市电子政务建设的基础支撑环境，以基础信息资源库(人口库、法人库、宏观经济、地理库)为基础，建设融合业务展示系统，提供综合信息查询展示、信息简报呈现、数据分析、数据开放等资源服务应用。实现市府领导及相关委办的融合数据资源视角，实现数据信息资源融合服务与创新服务，通过系统达到及时了解本市发展的综合情况，及时掌握发展动态,为政策拟定提供依据。 充分运用云计算、大数据等信息技术，建设融合分析平台、展示平台，整合现有数据资源,结合政务大数据的分析能力与业务编排展示能力，以人口、法人、地理，人口与地理,法人与地理，实现基础展示与分析,融合公安、交通、工业、教育、旅游等重点行业的数据综合分析，为城市管理、产业升级、民生保障提供有效支撑。 二、政务大数据平台 1、数据采集和交换需求:通过对各个委办局的指定业务数据进行汇聚,将分散的数据进行物理集中和整合管理，为实现对数据的分析提供数据支撑。将为跨机构的各类业务系统之间的业务协同，提供统一和集中的数据交互共享服务。包括数据交换、共享和EＴL等功能。 ２、海量数据存储管理需求：大数据平台从各个委办局的业务系统里抽取的数据量巨大,数据类型繁杂,数据需要持久化的存储和访问。不论是结构化数据、半结构化数据，还是非结构化数据,经过数据存储引擎进行建模后，持久化保存在存储系统上。存储系统要具备
高可靠性、快速查询能力。 3、数据计算分析需求：包括海量数据的离线计算能力、高效即席数据查询需求和低时延的实时计算能力。随着数据量的不断增加，需要数据平台具备线性扩展能力和强大的分析能力,支撑不断增长的数据量，满足未来政务各类业务工作的发展需要，确保业务系统的不间断且有效地工作。 4、数据关联集中需求：对集中存储在数据管理平台的数据，通过正确的技术手段将这些离散的数据进行数据关联,即:通过分析数据间的业务关系，建立关键数据之间的关联关系，将离散的数据串联起来形成能表达更多含义信息集合，以形成基础库、业务库、知识库等数据集。 5、应用开发需求:依靠集中数据集,快速开发创新应用，支撑实际分析业务需要。 6、大数据分析挖掘需求:通过对海量的政务业务大数据进行分析与挖掘,辅助政务决策,提供资源配置分析优化等辅助决策功能， 促进民生的发展。
电量计算怎么算 主体结构施工与装修相比结构施工时用电量比较大，因此按照主体结构施工用电量计算。 1 施工机械用电 PC= K1∑P1 其中：PC为施工用电容量 K1为设备同时使用系数，取0.6 P1为设备同时使用最大容量 2 照明用电 P0= 1.10（K2∑P2+ K3∑P3） 其中：P0为照明用电容量 K2为室内照明同时使用系数，取0.8 P2为室内照明容量 P3为室外照明容量 K3为室外照明同时使用系数，取1.0 最大用电量 P=PC + P0 施工用电总容量 PR= 1.10*P/0.8 其中PR=为用电总容量 0.8=为功率因数 临时施工用电现场电量怎么计算 [ 标签：施工用电,电量 ] 所有机械的功率相加（用电总荷），然后呢 施工现场用电方案
1、工程概况 2、用电总平面布置 详见施工用电平面布置图 3、使用施工动力情况 名称数量（台）额定功率 （KW）名称数量（台）额定功率 （KW） 混凝土搅拌机 1 10 弯曲机1 5.5 插入式振捣器 3 3.3 镝灯2 10.5 平板振捣器 3 6.6 塔吊1 20.9 电焊机 1 15 碰焊机1 100 切割机 1 15 蒸饭箱1 9 钢筋切断机 1 5.5 开水炉1 9 经计算施工现场全部动力设备总功率∑P=210.3KW，根据常规估算，施工计划用电计算为： P动=K×∑P / COSφ =0.7×210.3/0.75=196.28KW 考虑到照明及生活用电按10% P动，则实际需用电量为： P总 =1.1×P动 =215.9KW 现场业主提供总电源，提供的施工用电能满足施工机械要求，我公司进场后将按照施工要求临时用电线路布置。 4、配电线路布置： 4.1 施工现场临时用电总电源是由业主提供的低压电系统380/220电压的总配电箱，整个施工现场按三级配电内容形式布置，即总配电箱→分配电箱→用电设备。对各施工用电配电箱、分配箱、开关箱按现场线路逐一编号，“一机、一闸、一漏、一箱”。箱内所用开关，用明显的标志注明其回路和所控用设备等，开关箱有专人负责，周围无杂物并定期有持证电工按时检查，整个施工现场供电线路严禁非电工擅自装、安用电器、拉高电线，以防发生触电伤害。 4．2现场在配电间中布置一台总电箱ZX1，下设FX1、FX2、FX3、FX4、由各分电箱接至各用电设备。 4．3配电线路采用三相五线制覆盖施工现场，架零线离地面4米以上，在各配电箱处打地钻进行重复接地，零线应与其他各导线颜色区别开来。 4．4施工现场中使用的配电箱、开关箱、对固定式的安装高度要求箱底与地面和垂直距离均为1.3M，配电箱、开关箱进出线口一律高在箱体的下底而且防绝缘损坏。整个施工用电实行分级保护，装设漏电保护器具分路匹配，有门有锁有防雨措施，箱内严禁有杂物及工具。 4．5照明有专用漏电保护箱，镝灯、小太阳灯等金属外壳接零保护，室内线路及灯具安装高度不得低于2.5M，如低于需使用36V安全电压供电。 4．6熔断器、闸具参数与设备容量需匹配，严禁使用金属丝。 4．7进场后按机械设备设置位置，生产用电设置位置和临时用房设置位置，满足施工和施工管理线路配置。 5、导线截面的选择 5．1为了保证供电线路安全、可靠、经济的运行，导线截面选择如下： 1、总电箱至FX1导线选择： ①根据FX1主要负责钢筋切断机、弯曲机、电焊机用电。故假定用电量为45KW。 取K=1 、COSφ=0.75、∑P=45KW I=P/ *V*COSφ=1*45*1000/1.7*380*0.75=91.17A 故选择16㎜2截面BX型铜芯橡皮线。 ②FX1至下各用电设备线路计算： FX1下各用电机械单体最大功率为15KW，按安全载流量选择： 取K=1 、COSφ=0.75、∑P=15KW I=P/ *V*COSφ=1*15*1000/1.7*380*0.75=30A 故选择6㎜2截面BX型铜芯橡皮线。 2、总电箱至FX2导线选择： ①根据FX2主要负责塔吊用电。故假定用电量为20.9KW。
在大数据时代，数据挖掘是最关键的工作。大数据的挖掘是从海量、不完全的、有噪声的、模糊的、随机的大型数据库中发现隐含在其中有价值的、潜在有用的信息和知识的过程，也是一种决策支持过程。其主要基于人工智能，机器学习，模式学习，统计学等。通过对大数据高度自动化地分析，做出归纳性的推理，从中挖掘出潜在的模式，可以帮助企业、商家、用户调整市场政策、减少风险、理性面对市场，并做出正确的决策。目前，在很多领域尤其是在商业领域如银行、电信、电商等，数据挖掘可以解决很多问题，包括市场营销策略制定、背景分析、企业管理危机等。大数据的挖掘常用的方法有分类、回归分析、聚类、关联规则、神经网络方法、Web 数据挖掘等。这些方法从不同的角度对数据进行挖掘。 1.分类 分类是找出数据库中的一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到摸个给定的类别中。可以应用到涉及到应用分类、趋势预测中，如淘宝商铺将用户在一段时间内的购买情况划分成不同的类，根据情况向用户推荐关联类的商品，从而增加商铺的销售量。 它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了商业机会。 分类的方法有：决策树、贝叶斯、人工神经网络。 1.1决策树 决策树是用于分类和预测的主要技术之一，决策树学习是以实例为基础的归纳学习算法，它着眼于从一组无次序、无规则的实例中推理出以决策树表示的分类规则。构造决策树的目的是找出属性和类别间的关系，用它来预测将来未知类别的记录的类别。它采用自顶向下的递归方式，在决策树的内部节点进行属性的比较，并根据不同属性值判断从该节点向下的分支，在决策树的叶节点得到结论。 1.2贝叶斯 贝叶斯（Bayes）分类算法是一类利用概率统计知识进行分类的算法，如朴素贝叶斯
电机的耗电量的公式计 算 -CAL-FENGHAI.-(YICAI)-Company One1
电机的耗电量以以下的公式计算：耗电度数=(根号3）X 电机线电压 X 电机电流 X 功率因数) X 用电小时数/1000 电机的额定功率是750W，采用星形接法，接在三相380伏的电源上，用变频器监测电流是1.1A；我又用钳形电流表进行测量，测得每相电流为1.1A，这就说明变频器和钳形电流表测得的电流是一致的。因为电机是星形接法，线电压是相电压的倍，线电流等于相电流，电机实际消耗的功率：380×× = 724 W，这样电机实际消耗的功率就接近于电机的额定功率。如果电机是三角形接法，线电压等于相电压，线电流是相电流的倍，电机实际消耗功率的计算是一样的。 这就说明：三相交流电机实际消耗的功率就等于线电压 × 线电流。 电机额定功率为450kW，功率因数为，电机效率为％，现运行中发现电流为40A，电压为6000V，那么怎么正确计算电机的各项功率以及电机有功及无功的损耗 高压电机一般为三相电机. 视在功率=×6000×40= 有功功率 =×6000×40×= 无功功率=(视在功率平方减有功功率平方开根二次方) 有功损耗=有功功率×%)=×= 无功损耗=无功功率×%)=×= 注明:
电机不运行于额定状况,效率及功率因数是有偏差的,上述数值只能为理论值,可能与实际会有点小偏差。 因为铭牌上所标的额定功率是电机能输出的机械功率，所以不等于电压和电流的乘积就象一个10KW的电动机，他能输出的机械功率是10KW，但它所消耗的电功率要大于10KW，三相电动机的功率计算公式：P=*U*I*cosΦ . 三相异步电动机功率因数 异步电动机的功率因数不是一个定数，它与制造的质量有关，还与负载率的大小有关。为了节约电能，国家强制要求电机产品提高功率因数，由原来的到提高到了现在的到，但负载率就是使用者掌握的，就不是统一的了。过去在电机电流计算中功率因数常常取，现在也常常是取。 2.实际功率和额定功率 三相异步电动机的功率计算公式就是*线电压*线电流*功率因数。那你的实际电压是395V，实际电流是140A，那么它的实际功率就是： *395*140*=81kw 如果是空载，功率因数还要小，功率也就还要少，消耗电能也就少。
大数据、数据分析和数据挖掘的区别 大数据、数据分析、数据挖掘的区别是，大数据是互联网的海量数据挖掘，而数据挖掘更多是针对内部企业行业小众化的数据挖掘，数据分析就是进行做出针对性的分析和诊断，大数据需要分析的是趋势和发展，数据挖掘主要发现的是问题和诊断。具体分析如下： 1、大数据(big data)： 指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产; 在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中大数据指不用随机分析法(抽样调查)这样的捷径，而采用所有数据进行分析处理。大数据的5V特点(IBM提出)：Volume(大量)、Velocity(高速)、Variety(多样)、Value(价值)Veracity(真实性) 。 2、数据分析：
是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。在实用中，数据分析可帮助人们作出判断，以便采取适当行动。 数据分析的数学基础在20世纪早期就已确立，但直到计算机的出现才使得实际操作成为可能，并使得数据分析得以推广。数据分析是数学与计算机科学相结合的产物。 3、数据挖掘(英语：Data mining)： 又译为资料探勘、数据采矿。它是数据库知识发现(英语：Knowledge-Discovery in Databases，简称：KDD)中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。 简而言之： 大数据是范围比较广的数据分析和数据挖掘。 按照数据分析的流程来说，数据挖掘工作较数据分析工作靠前些，二者又有重合的地方，数据挖掘侧重数据的清洗和梳理。 数据分析处于数据处理的末端，是最后阶段。 数据分析和数据挖掘的分界、概念比较模糊，模糊的意思是二者很难区分。 大数据概念更为广泛，是把创新的思维、信息技术、统计学等等技术的综合体，每个人限于学术背景、技术背景，概述的都不一样。
大工业用电电费计算公式 以功率因数0.90为基数，低于该数时罚款（每低于0.01 点罚款1%）高于该数时奖励（每高于0.01点奖励0.5%） 1：罚款数= (基数功率因数—实际功率因数）×1%×总电费 2：奖励数=（基数功率因数—实际功率因数）×0.5%×总电费 3：倍率=电压互感器倍率X电流互感器倍率 4：有功电量=（本月有功表数—上月有功表数）×倍率 5：无功电量=（本月无功表数—上月无功表数）×倍率 6：峰段电量=（本月峰段表数—上月峰段表数）×倍率 7：谷段电量=（本月谷段表数—上月谷段表数）×倍率 8：平段电量=有功电量-峰段电量-谷段电量-照明电量 9：峰段电费=差数×倍率×电价 10：谷段电费=差数×倍率×电价 11：应收电费=电度电费+基本电费+力率电费 12：电度电费=有功电量×电价 13：力率电费=（基本电费+峰段电费+谷段电费+平段电费）×力率考核百分比 14：动力电费=（峰段电费+谷段电费+平段电费）+力率电费 15：照明电费=照明电量×照明电价 16：应收电费合计=基本电费+动力电费+照明电费 17：有功电量=峰段电量+谷段电量+平段电量+照明电量 18：力调电费=峰段+谷段+平段+基本电费
19：平段电量=大工业有功总-峰段电量-谷段电量 20：基本容量：暂停部分容量的基本电费按50%计算收取=（容量+容量）×使用天数/30+现使用容量×未使用天数/30天×0.5 21：或（基本电费=使用容量/使用天数+现使用容量） 22：城市附加及其他费用的电量以使用的容量分别计量： a:使用30KV A变压器城市附加、可再生能源附加、库区移民基金、重大水利基金的计算电量=非居有功总。 b:在当月使用30KV A、400KV A变压器时，城市附加分别为：非居有功、大工有功（总），而可再生能源附加、库区移民基金、重大水利基金=非居有功+大工有功（总）。 公司的力调标准为：90%，依据实际测算出的力率给予相应的罚款和奖励，主要依据《功率因数调整电费办法》。功率因数=有功用电量/√（有功用电量的平方+无功用电量的平方） 有功：P、无功：Q 视在功率S=√P2+Q 2 功率因数COS&=P/S 税率为17%
数据挖掘的10大经典算法 国际权威的学术组织the IEEE International Conference on Data Mining (ICDM) 2006年12月评选出了数据挖掘领域的十大经典算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART. 不仅仅是选中的十大算法，其实参加评选的18种算法，实际上随便拿出一种来都可以称得上是经典算法，它们在数据挖掘领域都产生了极为深远的影响。 1. C4.5 C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法. C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进： 1) 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足； 2) 在树构造过程中进行剪枝； 3) 能够完成对连续属性的离散化处理； 4) 能够对不完整数据进行处理。 C4.5算法有如下优点：产生的分类规则易于理解，准确率较高。其缺点是：在 构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。 2. The k-means algorithm 即K-Means算法 k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k < n。它与处理混合正态分布的最大期望算法很相似，因为他们都试图找到数据中自然聚类的中心。它假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。 3. Support vector machines 支持向量机，英文为Support Vector Machine，简称SV机（论文中一般简称SVM）。它是一种監督式學習的方法，它广泛的应用于统计分类以及回归分析中。支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大，分类器的总误差越小。一个极好的指南是C.J.C Burges的《模式识别支持向量机指南》。van der Walt 和 Barnard 将支持向量机和其他分类器进行了比较。 4. The Apriori algorithm
施工现场临时用电计算 P=1.05～1.10（K1∑P1/Cosφ+K2∑P2+ K3∑P3+ K4∑P4） 其中：P——供电设备总需要容量（KVA）； P1——电动机额定功率（KW）； P2——电焊机额定功率（KW）； P3——室内照明容量（KW）； P4——室外照明容量（KW）； Cosφ——电动机平均功率因数（最高为0.75～0.78，一般为0.65～0.75）； K1、K2、K3、K4——需要系数，如下表： 用电名称数量需要系数 备注K 数值 电动机 3～10台 K10.7 如施工中需要 电热时，应将其用 电量计算进去。为 使计算结果接近实 际，式中各项动力 和照明用电，应根 据不同工作性质分 类计算 11～30 台 0.6 30台以 上 0.5 加工厂动 力设备 0.5 电焊机 3～10台 K2 0.6 10台以 上 0.5 室内照明K30.8 室外照明K4 1.0 按电流来进行选择（三相四线制线路） I线=K X*P / [31/2*(U线*cos?)]
其中： I线——电流值 K X——同时系数（取0.7～0.8） P——总功率 U线——电压（380V或220V） cos?——功率因素，临时网线取0.85 查表可得，当I线＝301.41总线路采用以下截面为70mm2的裸铜线 施工用电计算 各机械用电量一览表 序号 机械或 设备名称 型号或规格 数 量 单机功 率(KW) 合计 功率(KW) 备 注 1 升降机SCD200/200AJ 3 2×10.5 63.0 2 插入式 振动器 ZN42 7 1.2 8.4 3 平板振 动器 ZW10 5 1.1 5.5 4 钢筋切 断机 GQ40F 3 3 9.0 5 钢筋弯 曲机 GW40D 3 3 9.0 6 钢筋调 直机 LGT6/14 3 15 45.0 7 钢筋对UN1-75 1 75.0KVA 75.0