数据挖掘在电力调度自动化系统中的应用解析

数据挖掘在电力调度自动化系统中的应用解析

任志华魏旭锋李强邢晓娟宋晓琳

（国网长治供电公司山西长治046000）

摘要：电力调度自动化系统主要是被应用在线调度生产运行中，能够对数据信息进行分析、控制、传输。数据挖掘技术作为一种人工智能和数据库技术结合的新型技术形式，将其应用到电力调度自动化系统中能够有效解决电力调动自动化系统数据信息应用不合理的问题。文章在阐述数据挖掘和电力调度自动化系统内涵的基础上，结合蚁群算法改进原有周期性数据挖掘方法，旨在进一步提升电力调度自动化系统运行速度，为相关人员的报表制定、事故预警提供帮助。

关键词：数据挖掘；电力调度自动化系统；应用

1引言

在传统的电力调度方面，对数据的掌控仅限制于电力设备、电量等信息的管理，提供的只有简单的常规性信息以及检索等功能，对数据的分析和决策始终无法满足，因此一些比较复杂的电力管理和和决策都需要使用数据挖掘新型技术，但是目前因为一些电力调度的管理人员对新型技术不够重视，导致目前数据挖掘在电力调度自动化系统中的应用不够，因此文章根据数据挖掘的含义，对数据挖掘在电力调度自动化系统中的应用加以分析。

2数据挖掘技术

在大数据时代到来的今天，数据挖掘技术能够从海量数据信息中准确找到所求信息，因此本文将数据挖掘技术视作“采用有效工具和措施从海量数据库中提取数据和模型关系”的技术，由此企业的决策能够得到充足的判断依据。为了更直观了解数据挖掘技术，本文将数据挖掘的过程和步骤概括为以下几个方面：（1）确定业务对象。确定业务对象属于数据挖掘过程的基础工作，这一过程的实质是了解业务问题。（2）准备数据。通过选择数据、数据预处理、转换数据三个层面的工作，即可完成针对于挖掘算法的分析模型构建，并最终完成一定领域的数据挖掘。

3数据挖掘技术的分类及过程

数据挖掘技术可以分为发现驱动的数据挖掘技术和验证驱动的数据挖掘技术这两种类型，前者主要指的是用户利用机器进行学习，可以发现新的假设，在此过程中，需要分析人员进行参与，后者主要指的是用户对之前自身提出的假设，利用一定技术对假设进行验证。数据挖掘的过程可以概括为：逻辑数据库→被选择的数据库→预处理后的数据→被转换的数据→被抽取的数据→被同化的数据。也就是选择、预处理、转换、挖掘、分析与同化，在确定业务对象之后，需要进行数据处理，在数据处理过程中，首先需要搜索和业务对象相关的数据信息，然后选择合适的数据，然后需要对数据做出质量研究，对数据挖掘技术类型进行确认，最后需要对数据予以转化，让其成为一个可以进行算法挖掘的分析模型。

4基于电力调度自动化系统中数据挖掘技术的应用

4.1以神经网络方式在电力调度自动化系统中进行应用

神经网络现如今已经成为非常先进的一种智能技术，本身具备对数据自行处理、将数据进行分布存储以及高度容纳错误数据等特征，对处理模糊、不完整以及不准确的数据等非常的适合，通过对计算机精算能力的使用，对电力调动自动化系统数据进行了深入的挖掘和分析，一般常用的神经网络方法有前馈式、反馈式以及映射三种神经网络模型，而神经网络方法的使用，对数据的整理和分析准确性非常重要，而且使用这种方法，可以将电力调度的各种数据进行关联分析，实现了数据的逻辑性。对此，首先需要电力调度的自动化系统中包含的基础数据，虽然数据的数量庞大复杂，甚至种类繁多，但是这些基础数据在一定的程度上有着紧密的联系，可以使用数据挖掘的技术将其进行整合统一，并形成结构模式，使其能够更加方便数据的查询、统计、分析等，确保数据存在的完整性和一致性，保障电力调度的顺利实施，形成一种神经网络系统，进行统一数据管理；其次，将电力调度过程中的相关的任务数据，不同环节不同的电力状态和参数，通过同样的数据挖掘神经网络方法进行整理，并确保在不同环节的电力状态和参数准确性，以及过程中会出现的一些影响和修改，实现不同环节电力调度的关联；最后，将这种神经网络方法应用于电力调度自动化系统中，将整理出来的数据进行整合，并供其他的电力调度工作环节进行分析和决策，将数据实行大范围的共享。

4.2灰色分析法在电力调度自动化系统中进行应用

如果在时间线上，电力数据存在一定关系，那么利用灰色分析法可以预测性分析电力数据。在电力调度系统数据挖掘中，灰色分析法得到了广泛应用，即使数据完整性不强，灰色分析法也可以对其进行分析，但是，这种方法和模糊分析法相比并不能发挥出大数据功能。在电力调度中，短期的电力负荷预测是重要任务，以我国某个应用灰色分析法的电力调度自动化系统为例，在该系统中，可以分为数据处理模块、负荷预测模块和数据显示模块。在数据处理模块中，可以导入原始负荷数据、预测数据以及气象数据，预测数据为文本格式，系统主要对数据缺失与数据跳变两种异常数据进行处理。数据清理模块可以让系统程序运行速度得到保障，短期负荷预测数据均维持在5年以内，对历史数据进行适当清理可以让查询效率得到保障。在负荷预测模块中，主要是结合该城市的情况，利用普通灰色模型、多变量灰色模型与人工经验模型对其进行负荷预测，其占用普通灰色模型适用于普通日期的预测，多变量灰色模型时根据气象资料进行预测，人工经验模型是根据电力局的相关数据进行节假日预测。在数据显示模块中，会通过列表方式与图形方式来显示历史数据，调度人员可以对当日数据状态与气象信息进行查看。在数据库设计中，包含了历史负荷数据库、预测数据库、气象资料数据库、数据状态与日期类型数据库。在应用此系统之后，当地对一周的数据情况进行统计分析，预测流程为程序选择普通灰色模型而做出的自动预测，经过检验，发现自动预测精度在95%以上，误差在10%之内，具有良好的精准度。

4.3以聚类分析法在电力调度自动化系统中进行应用

聚类分析法在电力调度自动化系统中的应用，同分类法有所类似但两者的目的不同，分类法更注重的是将数据项映射到给定的数据类别中，但是聚类分析法更多的是针对数据同异进行类别划分，更期望数据的全面性和综合性效果，因此这种方式的应用也比较广泛，将灰色分析法的缺点进行了弥补，使庞大数据量的整理更加的整洁，并且缩小了不同类别之间数据的相似性和关联性。比方说，电力调度数据中的生产管理和控制两大数据管理，就是通过聚类分析法的方式，将大数据聚类划分，分为了四个子数据管理区，其中管理方面包括了电力调度自动化系统中有关电力的生产数据、电力出售的相关数据等；控制方面分为了三个子数据区：（1）电力调度的计划数据，包括电力厂发电的能力数据值、用户发电用电的数据等，（2）安全管理的数据，通过计算机对一些电压数据值、电压数据值等进行有效的监控，以确定自动化系统的正常运转，（3）监控数据，包括电量数据、实时电量、输出量等数据，以此提升对数据的掌控，加强电力调度自动化系统的使用。

5结束语

数据挖掘能够较好地服务于电力调度自动化系统。而在此基础上，本文研究建立的基于周期性关联规则挖掘的数据分析系统，则证明了研究的实践价值。因此，在相关领域的理论研究和实践探索中，本文内容能够发挥一定参考作用。

参考文献：

[1]何友全.数据挖掘方法及其在电力系统故障诊断中的应用研究[D].西南交通大学，2004.

[2]旷海兰，刘新华，陈中，蒋涛.粗糙集理论在电力系统数据挖掘中的应用研究[J].衡阳师范学院学报，2006，03：70-72.

[3]申培培.数据挖掘技术在电力精益生产管控系统的应用研究[D].华北电力大学，2014.

[4]赵峰.基于多维数据挖掘的电力营销决策支持系统研究[D].华北电力大学（北京），2006.

[5]孔繁钢，吴越波.基于大数据的电力营销业务主题预测及应用研究[J].企业管理，2016，S1：192-193.