摘 要：由于電力中臺(tái)服務(wù)數(shù)據(jù)構(gòu)成較復(fù)雜，不能保證整合后數(shù)據(jù)的完整性，因此本文提出基于改進(jìn)挖掘算法的電力中臺(tái)服務(wù)數(shù)據(jù)整合研究。將電力中臺(tái)服務(wù)數(shù)據(jù)的屬性指示矩陣映射到單一維度的環(huán)境中后，根據(jù)單個(gè)電力中臺(tái)服務(wù)數(shù)據(jù)屬性在單一維度下的投影結(jié)果挖掘數(shù)據(jù)的特征；在整合階段，確定目標(biāo)電力中臺(tái)服務(wù)數(shù)據(jù)特征對(duì)應(yīng)的整合范圍后，根據(jù)電力中臺(tái)服務(wù)數(shù)據(jù)與整合中心特征之間的關(guān)系確定整合結(jié)果。在測(cè)試結(jié)果中，不僅針對(duì)各指標(biāo)數(shù)據(jù)的完整性始終保持較高的穩(wěn)定狀態(tài)，而且對(duì)應(yīng)的完整性水平也始終處于較高狀態(tài)，在96.5%～99.5%區(qū)間內(nèi)小幅波動(dòng)。

關(guān)鍵詞：改進(jìn)挖掘算法；電力中臺(tái)服務(wù)數(shù)據(jù)；屬性指示矩陣；單一維度；投影結(jié)果；數(shù)據(jù)特征；整合范圍

中圖分類(lèi)號(hào)：TP 391" " 文獻(xiàn)標(biāo)志碼：A

電力中臺(tái)服務(wù)數(shù)據(jù)在構(gòu)成上主要體現(xiàn)了電力系統(tǒng)的多種屬性特征[1]。通過(guò)整合電力中臺(tái)服務(wù)數(shù)據(jù)可以形成統(tǒng)一的數(shù)據(jù)視圖，消除數(shù)據(jù)孤島，使數(shù)據(jù)資源得到更高效的利用[2]。電力企業(yè)可以更準(zhǔn)確地了解電力系統(tǒng)的運(yùn)行狀態(tài)，提高電力系統(tǒng)的穩(wěn)定性和可靠性。整合后的數(shù)據(jù)可以支持更高級(jí)的數(shù)據(jù)分析應(yīng)用[3]，優(yōu)化電力設(shè)備的布局和配置，提高電力系統(tǒng)的運(yùn)行效率，降低能源成本，推動(dòng)電力行業(yè)的創(chuàng)新發(fā)展。

文獻(xiàn)[4]提出以概率-非概率樣本為基礎(chǔ)的數(shù)據(jù)整合方法，通過(guò)隨機(jī)抽樣等方式獲取具有代表性好、誤差可控特點(diǎn)的數(shù)據(jù)，結(jié)合非概率樣本方法在靈活性方面的優(yōu)勢(shì)，使整合后的數(shù)據(jù)更詳細(xì)和更具體。這種方法可能受到主觀因素的影響，導(dǎo)致數(shù)據(jù)的準(zhǔn)確性和客觀性受到一定影響。文獻(xiàn)[5]提出以人工智能技術(shù)為基礎(chǔ)的數(shù)據(jù)整合方法，利用人工智能技術(shù)可以自動(dòng)識(shí)別、清洗、關(guān)聯(lián)和融合數(shù)據(jù)，結(jié)合數(shù)據(jù)中的潛在規(guī)律和模式，提高了數(shù)據(jù)整合的效率和準(zhǔn)確性。該方法對(duì)數(shù)據(jù)質(zhì)量的要求較高，算法模型需要不斷優(yōu)化。

因此，本文提出基于改進(jìn)挖掘算法的電力中臺(tái)服務(wù)數(shù)據(jù)整合方法，通過(guò)測(cè)試驗(yàn)證了設(shè)計(jì)方法的性能。

1 電力中臺(tái)服務(wù)數(shù)據(jù)整合方法設(shè)計(jì)

1.1 基于改進(jìn)挖掘算法的電力中臺(tái)服務(wù)數(shù)據(jù)特征提取

電力中臺(tái)服務(wù)數(shù)據(jù)具有多樣化的屬性特征和復(fù)雜的構(gòu)成，難以保障數(shù)據(jù)整合后的完整性[6]。為了有效地提取這些數(shù)據(jù)的特征，本文提出一種基于改進(jìn)挖掘算法的方法，并引入一系列計(jì)算公式來(lái)實(shí)現(xiàn)這一過(guò)程。

首先，對(duì)原始的電力中臺(tái)服務(wù)數(shù)據(jù)來(lái)說(shuō)，受平臺(tái)設(shè)置的影響，其具有標(biāo)準(zhǔn)化的屬性特征。針對(duì)此，本文建立了以數(shù)據(jù)屬性為基礎(chǔ)的指示矩陣，同時(shí)，為了考慮不同屬性之間的尺度差異，設(shè)置了以數(shù)據(jù)尺度為基礎(chǔ)的約束矩陣，如公式（1）所示。

（1）

式中：Z為電力中臺(tái)服務(wù)數(shù)據(jù)的屬性指示矩陣；l為電力中臺(tái)服務(wù)數(shù)據(jù)中的有效信息數(shù)量；z為單個(gè)電力中臺(tái)服務(wù)數(shù)據(jù)的屬性構(gòu)成；m-l為電力中臺(tái)服務(wù)數(shù)據(jù)的維度；B為電力中臺(tái)服務(wù)數(shù)據(jù)的尺度約束矩陣。

其次，按照上述所示的方式，為了便于后續(xù)的數(shù)據(jù)分析，本文將屬性指示矩陣映射到單一維度的數(shù)據(jù)矩陣環(huán)境中，這一過(guò)程通過(guò)矩陣因子λ來(lái)實(shí)現(xiàn)。λ的取值基于原始數(shù)據(jù)的分布離散程度，如公式（2）所示。

λ=f（σ） （2）

式中：f為離散程度與λ之間的映射函數(shù)；σ為原始數(shù)據(jù)的標(biāo)準(zhǔn)差，用于衡量數(shù)據(jù)的離散程度。

當(dāng)σ較大時(shí)，意味數(shù)據(jù)分布較為離散，λ取較大值；反之，當(dāng)σ較小時(shí)，λ取較小值。

將屬性指示矩陣映射到單一維度的數(shù)據(jù)矩陣環(huán)境中，如公式（3）所示。

C=BF|Zλ （3）

式中：C為單一維度下電力中臺(tái)服務(wù)數(shù)據(jù)的屬性指示矩陣；F為同維度矩陣對(duì)應(yīng)電力中臺(tái)服務(wù)數(shù)據(jù)的矩陣因子。

F的具體取值以電力中臺(tái)服務(wù)數(shù)據(jù)的分布為基礎(chǔ)，即原始電力中臺(tái)服務(wù)數(shù)據(jù)分布的離散程度越高，F(xiàn)的值越大，原始電力中臺(tái)服務(wù)數(shù)據(jù)分布的離散程度越低，F(xiàn)的值越小。

此時(shí)，在單一維度環(huán)境下，本文在對(duì)數(shù)據(jù)的特征進(jìn)行提取時(shí)，運(yùn)用改進(jìn)的挖掘算法來(lái)提取數(shù)據(jù)特征[7]。算法的核心思想是利用數(shù)據(jù)屬性在單一維度下的投影結(jié)果來(lái)揭示數(shù)據(jù)的內(nèi)在結(jié)構(gòu)。對(duì)應(yīng)的投影結(jié)果v（z）如公式（4）所示。

（4）

式中：f（C）為電力中臺(tái)服務(wù)數(shù)據(jù)的特征；v（z）為單個(gè)電力中臺(tái)服務(wù)數(shù)據(jù)屬性在單一維度下的投影結(jié)果；ρ（a）為具體電力中臺(tái)服務(wù)數(shù)據(jù)a在單一維度下的的概率密度分布情況。

當(dāng)電力中臺(tái)服務(wù)數(shù)據(jù)a的屬性為單一屬性時(shí)，其在單一維度下的概率密度分布與m-l維度下的概率密度分布一致；當(dāng)電力中臺(tái)服務(wù)數(shù)據(jù)a的屬性不唯一時(shí)，其在單一維度下的概率密度分布為m-l維度下概率密度分布的立體投影。通過(guò)這一計(jì)算，得到每個(gè)數(shù)據(jù)屬性在單一維度下的投影結(jié)果，從而可以分析數(shù)據(jù)的分布情況和內(nèi)在特征。

為了更精確地描述數(shù)據(jù)的特征，還引入概率密度分布ρ（a）。對(duì)單一屬性的數(shù)據(jù)來(lái)說(shuō)，其概率密度分布與維度下的分布一致；對(duì)多屬性的數(shù)據(jù)來(lái)說(shuō)，通過(guò)計(jì)算多維分布在單一維度下的立體投影來(lái)獲取概率密度分布。

此外，為了評(píng)估不同屬性之間的相關(guān)程度，引入相關(guān)系數(shù)δ的計(jì)算公式，如公式（5）所示。

（5）

式中：x和y分別為2個(gè)屬性的數(shù)據(jù)序列；μx和μy分別為它們的均值。

通過(guò)計(jì)算δ的值，可以了解不同屬性之間的相關(guān)性強(qiáng)弱，從而在數(shù)據(jù)整合過(guò)程中考慮這些關(guān)聯(lián)關(guān)系。

綜上所述，通過(guò)構(gòu)建屬性指示矩陣和尺度約束矩陣、實(shí)現(xiàn)數(shù)據(jù)矩陣的單一維度映射以及運(yùn)用改進(jìn)的挖掘算法和相關(guān)計(jì)算公式，能夠有效地提取電力中臺(tái)服務(wù)數(shù)據(jù)的特征。這些特征為后續(xù)的數(shù)據(jù)整合和處理提供了可靠的依據(jù)，有助于提升電力中臺(tái)服務(wù)的性能和質(zhì)量。

1.2 電力中臺(tái)服務(wù)數(shù)據(jù)整合

電力中臺(tái)服務(wù)數(shù)據(jù)整合是確保數(shù)據(jù)質(zhì)量和提升電力中臺(tái)服務(wù)性能的關(guān)鍵環(huán)節(jié)。在上一章節(jié)中，已經(jīng)通過(guò)改進(jìn)挖掘算法成功提取了電力中臺(tái)服務(wù)數(shù)據(jù)的特征。結(jié)合1.1對(duì)電力中臺(tái)服務(wù)數(shù)據(jù)特征的提取結(jié)果，本章節(jié)將詳細(xì)闡述電力中臺(tái)服務(wù)數(shù)據(jù)的整合過(guò)程，以實(shí)際需求為導(dǎo)向，將對(duì)應(yīng)的屬性作為整合中心，開(kāi)展相應(yīng)的處理，并引入一系列計(jì)算公式，以加強(qiáng)數(shù)據(jù)整合的準(zhǔn)確性和效率。

首先，需要確定數(shù)據(jù)整合的范圍。整合范圍的大小直接決定了整合結(jié)果的全面性和有效性?？紤]數(shù)據(jù)的多樣性和復(fù)雜性，采用特征指數(shù)函數(shù)和特征標(biāo)準(zhǔn)差函數(shù)來(lái)共同確定整合范圍[8-9]。特征指數(shù)函數(shù)能夠反映數(shù)據(jù)特征的重要性和影響程度，而特征標(biāo)準(zhǔn)差函數(shù)則能夠衡量數(shù)據(jù)特征的離散程度。通過(guò)結(jié)合這2個(gè)函數(shù)，可以得到一個(gè)既考慮數(shù)據(jù)特征重要性又考慮數(shù)據(jù)離散程度的整合范圍。其中，對(duì)于具體數(shù)據(jù)整合范圍的設(shè)置方式如公式（6）所示。

（6）

式中：β為以zi電力中臺(tái)服務(wù)數(shù)據(jù)特征為基礎(chǔ)的整合范圍；cr為電力中臺(tái)服務(wù)數(shù)據(jù)特征的指數(shù)函數(shù)；Φ為電力中臺(tái)服務(wù)數(shù)據(jù)對(duì)應(yīng)的特征標(biāo)準(zhǔn)差函數(shù)。

結(jié)合公式（4）可以看出，對(duì)zi電力中臺(tái)服務(wù)數(shù)據(jù)的屬性特征來(lái)說(shuō)，其整合范圍與電力中臺(tái)服務(wù)數(shù)據(jù)縱向維度l成負(fù)相關(guān)關(guān)系。

確定了整合范圍后，進(jìn)一步考慮電力中臺(tái)服務(wù)數(shù)據(jù)與整合中心特征之間的關(guān)系。整合中心特征是基于數(shù)據(jù)特征提取結(jié)果而確定的，它代表了整合的核心和目標(biāo)。為了衡量數(shù)據(jù)點(diǎn)與整合中心特征之間的關(guān)聯(lián)程度，引入相似度計(jì)算公式和距離計(jì)算公式。相似度計(jì)算公式用于計(jì)算數(shù)據(jù)點(diǎn)與整合中心特征之間的相似程度，而距離計(jì)算公式則用于衡量數(shù)據(jù)點(diǎn)與整合中心特征之間的距離。通過(guò)綜合考慮這2個(gè)因素，可以確定每個(gè)數(shù)據(jù)點(diǎn)在整合結(jié)果中的位置和權(quán)重。以此為基礎(chǔ)，根據(jù)電力中臺(tái)服務(wù)數(shù)據(jù)與整合中心特征之間的關(guān)系，最終的整合結(jié)果如公式（7）所示。

（7）

式中：G（a）為以zi電力中臺(tái)服務(wù)數(shù)據(jù)特征為基礎(chǔ)的整合結(jié)果。

結(jié)合公式（5）可以看出，對(duì)zi電力中臺(tái)服務(wù)數(shù)據(jù)的屬性特征來(lái)說(shuō)，其整合結(jié)果與電力中臺(tái)服務(wù)數(shù)據(jù)橫向維度m成正相關(guān)關(guān)系。

需要特別注意的是，在實(shí)際應(yīng)用中，電力中臺(tái)服務(wù)數(shù)據(jù)可能存在特征交叉的情況，即一個(gè)數(shù)據(jù)點(diǎn)可能表現(xiàn)出多個(gè)屬性特征。為了處理這種情況，采用特征權(quán)重分配策略。具體來(lái)說(shuō)，根據(jù)每個(gè)特征與整合中心特征之間的相似度和重要性，為每個(gè)特征分配一個(gè)權(quán)重。然后，在整合結(jié)果計(jì)算過(guò)程中，根據(jù)每個(gè)數(shù)據(jù)點(diǎn)的特征權(quán)重進(jìn)行加權(quán)求和，以充分考慮多個(gè)特征對(duì)整合結(jié)果的影響。

通過(guò)引入這些計(jì)算公式和策略，能夠?qū)崿F(xiàn)對(duì)電力中臺(tái)服務(wù)數(shù)據(jù)的有效整合處理。數(shù)據(jù)整合的意義在于提高數(shù)據(jù)的完整性和一致性，為后續(xù)的數(shù)據(jù)分析和應(yīng)用提供可靠的基礎(chǔ)。通過(guò)整合處理，可以消除數(shù)據(jù)冗余和矛盾，提升數(shù)據(jù)的準(zhǔn)確性和可靠性。同時(shí)，整合后的數(shù)據(jù)更易于管理和利用，能夠?yàn)殡娏χ信_(tái)服務(wù)的優(yōu)化和決策提供更有力的支持。

此外，本文采用的改進(jìn)挖掘算法在數(shù)據(jù)特征提取和整合過(guò)程中具有顯著優(yōu)勢(shì)。首先，該算法能夠更準(zhǔn)確地提取數(shù)據(jù)的特征信息，避免了傳統(tǒng)方法可能存在的信息丟失和誤判問(wèn)題。其次，算法通過(guò)綜合考慮多個(gè)因素來(lái)確定整合范圍和整合結(jié)果，使整合過(guò)程更科學(xué)、更客觀。最后，該算法具有較高的處理效率和可擴(kuò)展性，能夠滿(mǎn)足大規(guī)模電力中臺(tái)服務(wù)數(shù)據(jù)的處理需求。

綜上所述，通過(guò)引入一系列計(jì)算公式和策略，結(jié)合改進(jìn)挖掘算法的優(yōu)勢(shì)，能夠?qū)崿F(xiàn)電力中臺(tái)服務(wù)數(shù)據(jù)的有效整合處理。這一工作不僅提高了數(shù)據(jù)的利用價(jià)值，而且還為電力中臺(tái)服務(wù)的優(yōu)化和決策提供了有力支持。

2 測(cè)試分析

2.1 測(cè)試數(shù)據(jù)準(zhǔn)備

為了對(duì)本文設(shè)計(jì)的電力中臺(tái)服務(wù)數(shù)據(jù)整合方法的性能進(jìn)行深入分析，進(jìn)行了詳細(xì)的對(duì)比測(cè)試。測(cè)試數(shù)據(jù)主要基于某電力企業(yè)的實(shí)際中臺(tái)服務(wù)數(shù)據(jù)，涵蓋了多個(gè)關(guān)鍵屬性，例如交易日期、交易類(lèi)型、交易量、電價(jià)、發(fā)電企業(yè)、售電企業(yè)/電力用戶(hù)、交易狀態(tài)和備注等。這些屬性數(shù)據(jù)之間存在復(fù)雜的關(guān)聯(lián)關(guān)系，需要通過(guò)整合來(lái)提高數(shù)據(jù)的管理和應(yīng)用效率。其中，具體的電力中臺(tái)服務(wù)數(shù)據(jù)構(gòu)成以及數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系見(jiàn)表1。

結(jié)合表1所示的信息可以看出，測(cè)試電力中臺(tái)服務(wù)數(shù)據(jù)主要包括交易日期、交易類(lèi)型、交易量、電價(jià)、發(fā)電企業(yè)、售電企業(yè)/電力用戶(hù)、交易狀態(tài)和備注。這些屬性數(shù)據(jù)之間存在一定的關(guān)聯(lián)關(guān)系，在實(shí)際的應(yīng)用管理過(guò)程中，為了提高效率，需要按照具體的要求對(duì)數(shù)據(jù)進(jìn)行適應(yīng)性整合。

在具體的測(cè)試階段，針對(duì)給出的第一季度電力中臺(tái)服務(wù)數(shù)據(jù)信息，以用電用戶(hù)為導(dǎo)向，開(kāi)展具體的整合測(cè)試。為了全面評(píng)估本文方法的性能，從提高測(cè)試結(jié)果分析價(jià)值的角度分析，分別設(shè)置文獻(xiàn)[4]提出以概率-非概率樣本為基礎(chǔ)的數(shù)據(jù)整合方法以及文獻(xiàn)[5]提出以人工智能技術(shù)為基礎(chǔ)的數(shù)據(jù)整合方法作為測(cè)試的對(duì)照組。

試驗(yàn)步驟如下。1）數(shù)據(jù)預(yù)處理。對(duì)原始電力中臺(tái)服務(wù)數(shù)據(jù)進(jìn)行清洗、去重和格式化，確保數(shù)據(jù)的一致性和準(zhǔn)確性。2）特征提取。根據(jù)1.1描述的改進(jìn)挖掘算法對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行特征提取，得到每個(gè)數(shù)據(jù)點(diǎn)的特征向量。3）對(duì)照組方法實(shí)現(xiàn)。分別實(shí)現(xiàn)文獻(xiàn)[4]和文獻(xiàn)[5]中的數(shù)據(jù)整合方法，并應(yīng)用于測(cè)試數(shù)據(jù)。4）本文方法實(shí)現(xiàn)。應(yīng)用本文提出的電力中臺(tái)服務(wù)數(shù)據(jù)整合方法對(duì)測(cè)試數(shù)據(jù)進(jìn)行整合處理。5）性能評(píng)估。通過(guò)對(duì)比不同方法在整合數(shù)據(jù)完整性的表現(xiàn)，以評(píng)估本文方法的性能優(yōu)勢(shì)。

2.2 測(cè)試結(jié)果與分析

當(dāng)分析3種不同方法測(cè)試結(jié)果時(shí)，本文將整合數(shù)據(jù)的完整性作為具體的評(píng)價(jià)指標(biāo)，其中，對(duì)于整合后數(shù)據(jù)完整性的評(píng)價(jià)，分別以數(shù)據(jù)的交易日期、交易電價(jià)、交易量、交易類(lèi)型以及交易狀態(tài)作為指標(biāo)，通過(guò)分類(lèi)各指標(biāo)尺度下整合后對(duì)應(yīng)測(cè)試電力中臺(tái)服務(wù)數(shù)據(jù)與原始數(shù)據(jù)之間的比例關(guān)系對(duì)整合效果進(jìn)行分析。3種不同數(shù)據(jù)整合方法具體的測(cè)試結(jié)果如圖1所示。

結(jié)合圖1所示的測(cè)試結(jié)構(gòu)可以看出，在3種不同整合方法下，測(cè)試電力中臺(tái)服務(wù)數(shù)據(jù)完整性的控制效果表現(xiàn)出了較為明顯的差異。其中，在文獻(xiàn)[4]提出以概率-非概率樣本為基礎(chǔ)的數(shù)據(jù)整合方法下，各指標(biāo)數(shù)據(jù)對(duì)應(yīng)的完整性相對(duì)穩(wěn)定，但是具體的水平存在進(jìn)一步提升的空間，基本穩(wěn)定在90.0%～95.0%；在文獻(xiàn)[5]提出以人工智能技術(shù)為基礎(chǔ)的數(shù)據(jù)整合方法下，各指標(biāo)數(shù)據(jù)對(duì)應(yīng)的完整性出現(xiàn)了較明顯的波動(dòng)性，對(duì)應(yīng)的最大值達(dá)到了98.5%（交易日期），最小值僅為88.0%（交易類(lèi)型），表明其對(duì)不同指標(biāo)數(shù)據(jù)的整合效果在穩(wěn)定性方面存在進(jìn)一步提升的空間；在本文設(shè)計(jì)數(shù)據(jù)整合方法下，不僅對(duì)各指標(biāo)數(shù)據(jù)的完整性始終保持較高的穩(wěn)定狀態(tài)，而且對(duì)應(yīng)的完整性水平也始終處于較高狀態(tài)，在96.5%～99.5%區(qū)間內(nèi)小幅波動(dòng)。結(jié)合上述的測(cè)試結(jié)果以及對(duì)應(yīng)的分析可以得出結(jié)論，本文設(shè)計(jì)的基于改進(jìn)挖掘算法的電力中臺(tái)服務(wù)數(shù)據(jù)整合方法可以實(shí)現(xiàn)對(duì)數(shù)據(jù)進(jìn)行有效整合的目標(biāo)。

3 結(jié)語(yǔ)

為了能夠最大限度地提高數(shù)據(jù)的利用效率，使數(shù)據(jù)在關(guān)決策中發(fā)揮更大價(jià)值，對(duì)數(shù)據(jù)進(jìn)行整合處理是極為必要的。因此，本文提出基于改進(jìn)挖掘算法的電力中臺(tái)服務(wù)數(shù)據(jù)整合方法研究，在結(jié)合電力中臺(tái)服務(wù)數(shù)據(jù)的特征對(duì)挖掘算法進(jìn)行適應(yīng)性改進(jìn)后，切實(shí)實(shí)現(xiàn)了對(duì)數(shù)據(jù)進(jìn)行有效整合的目標(biāo)，在極大程度上保證了數(shù)據(jù)的完整性。借助本文的設(shè)計(jì)與研究，希望可以為實(shí)際的數(shù)據(jù)整合提供有價(jià)值的參考。

參考文獻(xiàn)

[1]郭麗，孫華.基于K-means和支持向量機(jī)SVM的電力數(shù)據(jù)通信網(wǎng)絡(luò)流量分類(lèi)方法[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2024（4）：64-66.

[2]常榮，徐敏.基于改進(jìn)K-Means和DNN算法的電力數(shù)據(jù)異常檢測(cè)[J].南京理工大學(xué)學(xué)報(bào)，2023，47（6）：790-796，858.

[3]張錦元.基于時(shí)間序列的電力工程基建項(xiàng)目前期費(fèi)用整合模型設(shè)計(jì)[J].中國(guó)管理信息化，2023，26（21）：100-103.

[4]劉曉宇，金勇進(jìn)，倪成.大數(shù)據(jù)背景下概率-非概率樣本的數(shù)據(jù)整合推斷——從誤差校正的視角出發(fā)[J].統(tǒng)計(jì)研究，2023，40（8）：149-160.

[5]馮國(guó)禮，李蓉，吳雙.基于人工智能技術(shù)的電力信息系統(tǒng)運(yùn)維數(shù)據(jù)整合方法[J].電力信息與通信技術(shù)，2022，20（1）：68-73.

[6]胡學(xué)強(qiáng).基于大數(shù)據(jù)挖掘的電力客服中臺(tái)數(shù)據(jù)智能整合方法[J].自動(dòng)化技術(shù)與應(yīng)用，2023，42（3）：117-121.

[7]何立恒，呂萌，朱婷茹.DMSP-OLS與NPP-VIIRS夜間燈光遙感影像數(shù)據(jù)整合[J].測(cè)繪通報(bào)，2023（1）：31-38.

[8]邵澤興，張雨，陳鵬，等.基于FME的自然災(zāi)害風(fēng)險(xiǎn)普查數(shù)據(jù)整合與質(zhì)檢方法研究——以房屋建筑普查為例[J].地理空間信息，2022，20（9）：14-17.

[9]徐進(jìn).能源電力企業(yè)戰(zhàn)略性重組與專(zhuān)業(yè)化整合的新思考[J].能源，2022（3）：35-39.