電力調度自動化系統中數據挖掘技術的應用研究

杜鵬

摘要：在電力調度自動化系統中應用數據挖掘技術，可以提高電力數據收集與整理的科學性與嚴謹性，其重要性可見一斑。本文針對電力調度自動化系統，對數據挖掘技術的應用進行了分析與研究，以供參考。

關鍵詞：電力調度自動化;數據挖掘;數據收集與整理

當前，企業生產中已經普及了自動化運行技術，而在具體的現代化信息網絡數據加工層面，數據挖掘技術的應用可以優化數據采集與處理的質量，從而強化數據在傳輸和存儲過程中的控制質量與管理效率。數據挖掘技術可以借助高級功能的計算合理利用數據資源，并實施數據挖掘，從大量而復雜的數據中找到所需要的數據，從而促進供電企業的生產水平，促使其獲取更多的經濟效益。

1數據挖掘技術概述

隨著當今世界科學及時水平的不斷發展，目前數據庫的容量已經達到了難以想象的水平，面對如此龐大的數據信息，如何能夠準確地從中找到精準的所求的信息呢？答案就是利用信息挖掘技術。從技術層面上講，信息挖掘技術就是指：通過利用各種有效的工具和采取各種有效的措施，在海量的數據庫中，獲得數據與模型之間的關系，并通過兩者之間存在的這種關系的分析發現來對企業的決策提供依據。

伴隨著信息挖掘技術的快速發展，也相繼出現了許多的不同類型的方法和技術，也直接導致了現在的信息挖掘技術形成了很多的分類。一般情況下，信息挖掘技術分為了發現驅動型和驗證驅動型兩類。發現驅動型就是指通過機器的學習發現新的假設;而驗證驅動型就是用戶來驗證或者否定自己假設的一種方法，前提就是通過各種工具對自己的假設進行多方面的檢索查詢。

2數據挖掘技術的分類及過程

數據挖掘技術可以分為發現驅動的數據挖掘技術和驗證驅動的數據挖掘技術這兩種類型，前者主要指的是用戶利用機器進行學習，可以發現新的假設，在此過程中，需要分析人員進行參與，后者主要指的是用戶對之前自身提出的假設，利用一定技術對假設進行驗證。數據挖掘的過程可以概括為：邏輯數據庫→被選擇的數據庫→預處理后的數據→被轉換的數據→被抽取的數據→被同化的數據。

也就是選擇、預處理、轉換、挖掘、分析與同化，在確定業務對象之后，需要進行數據處理，在數據處理過程中，首先需要搜索和業務對象相關的數據信息，然后選擇合適的數據，然后需要對數據做出質量研究，對數據挖掘技術類型進行確認，最后需要對數據予以轉化，讓其成為一個可以進行算法挖掘的分析模型。

3基于電力調度自動化系統中數據挖掘技術的應用

3.1神經網絡分析法

神經網絡是比較成熟的一項技術，本身具有對數據自行處置、挖掘數據進行存儲和高度容納錯誤等優點，非常適合處理模糊和不完整、不準確的數據，利用計算機精確計算功能，可以實現深度挖掘調度自動化系統數據，一般采用的方法為前饋、反饋。映射三種，使用的神經網絡，對數據整理和分析至關重要，采用該方法，可以將調度各類數據進行關聯，從而找出數據的邏輯性。為此：①對電力調度自動化系統基本數據進行處理，雖然這類數據復雜、種類多，但這些數據有緊密的聯系，能夠整合統一，并形成模式，為后期數據查詢、統計、分析等奠定堅實的基礎，保證數據的完整性和一致性，使電力調度能夠順利的開展，并形成神經網絡系統，方便統一管理。②電力調度相關數據，不同環節電力狀態和參數準確性不一致，整個過程中會受到一定影響，從而達到數據關聯。③將神經網絡這種方法應用在電力調度自動化中，對所有數據進行整合分析，并供給其他調度工作進行決策分析，實現大范圍數據共享，以此來保證電力自動化調度系統的效果。

3.2灰色分析法

如果在時間線上，電力數據存在一定關系，那么利用灰色分析法可以預測性分析電力數據。在電力調度系統數據挖掘中，灰色分析法得到了廣泛應用，即使數據完整性不強，灰色分析法也可以對其進行分析，但是，這種方法和模糊分析法相比并不能發揮出大數據功能。在電力調度中，短期的電力負荷預測是重要任務，以我國某個應用灰色分析法的電力調度自動化系統為例，在該系統中，可以分為數據處理模塊、負荷預測模塊和數據顯示模塊，在數據處理模塊中，可以導入原始負荷數據、預測數據以及氣象數據，預測數據為文本格式，系統主要對數據缺失與數據跳變兩種異常數據進行處理。數據清理模塊可以讓系統程序運行速度得到保障，短期負荷預測數據均維持在5年以內，對歷史數據進行適當清理可以讓查詢效率得到保障。在負荷預測模塊中，主要是結合該城市的情況，利用普通灰色模型、多變量灰色模型與人工經驗模型對其進行負荷預測，其占用普通灰色模型適用于普通日期的預測，多變量灰色模型時根據氣象資料進行預測，人工經驗模型是根據電力局的相關數據進行節假日預測。在數據顯示模塊中，會通過列表方式與圖形方式來顯示歷史數據，調度人員可以對當日數據狀態與氣象信息進行查看。在數據庫設計中，包含了歷史負荷數據庫、預測數據庫、氣象資料數據庫、數據狀態與日期類型數據庫。在應用此系統之后，當地對一周的數據情況進行統計分析，預測流程為程序選擇普通灰色模型而做出的自動預測，經過檢驗，發現自動預測精度在95%以上，誤差在10%之內，具有良好的精準度。

3.3聚類分析法

聚類分析方法在電力調度自動化系統中應用廣泛，它和同類分析法比較相似，當又不是完全相同，分類方法更加關注的為將數據映射到給定的類別中，聚類分析方法主要針對同類數據劃分，數據更加全面，且綜合新較強，這是該方法應用十分廣泛的原因，能對灰色分析法缺點進行彌補，使得數據整理更加整潔，且縮小了數據之間關聯度和相似度。例如，電力調度數據中控制和生產管控是兩大類，利用聚類分析方法，能將大數據進行聚類劃分，主要包含四個數據管理區，管理則包含了電力調度自動化產生的電力生產數據、銷售數據、控制數據等。

3.4關聯分析法

龐大的數據信息雖然種類繁多、復雜，甚至很多沒有任何參考意義，但是數據信息存在于互聯網下必然會與相關事物存在密不可分的聯系。當某一些事件一旦發生，相聯系的事件也必將出現一定反應。這種反應也就是信息數據間存在的關聯屬性?；诖?，對于數據挖掘需求，關聯分析就是通過對事物與事物間存在的某種依賴或者關聯信息來找尋事物本身存在的聯系規矩，從而又利用這種規矩來對信息數據進行相關挖掘。目前，關聯分析法在數據挖掘中具有重要應用價值，能快速找到相關信息數據。

結語：

信息挖掘技術在電力系統中的應用有效地解決了數據收集困難的問題。同時電力調度自動化系統中信息挖掘技術的應用，進一步提高了智能電網的快速發展，也滿足了電力系統建設的需求。若想電力調度自動化系統存在的價值發揮出最大，有關人員加強數據挖掘技術應用勢在必行。因其是保證電力調度自動化系統穩定性的根本要素，還是推動電力調度自動化系統效用發揮的關鍵點。為此，有關部門需合理應用數據挖掘技術，讓其包含的作用都利用到電力調度自動化系統中，為進一步提高社會公眾生活水平提供有效依據。

參考文獻

[1]聶宇，羅超，高小芊，寇霄宇，何宇雄，苑晉沛，李蔚.基于電力調度自動化系統中數據挖掘技術的應用[J].科技創新與應用，2018（03）：143-144.

[2]周洋.數據挖掘在電力調度自動化系統中的應用解析[J].科技創新與應用，2017（35）：149-150.

[3]劉雅銘.解析電力調度自動化系統中數據挖掘技術應用[J].低碳世界，2017（33）：66-67.

[4]朱維佳，曹堅.電力調度自動化系統中數據挖掘技術的應用[J].電氣時代，2015（07）：108-111.