基于数据挖掘的电网数据智能分析的研究

数据挖掘是对数据进行分析理解，揭示数据内部关联规则的一门技术，是数据分析的主要手段之一。它能够从大量有噪音的数据中，挖掘出其蕴藏的知识信息。其挖掘模式主要包括聚类模式、序列模式、关联模式、分类模式等。电网数据智能分析系统运用数据挖掘算法，对电网的设备信息、运行数据、日报数据进行分析，清理大量初始数据，按照电网运行的特点，分析和因素有关的数据，将其记录到数据库，通过相应的挖掘算法，获得所需的数据，从而为电网的安全运行提供理论基础和支持。本文主要论述了数据挖掘的概念、模型，电网数据智能分析系统的设计模式、体系等，对有关技术进行简单的分析。

【关键词】数据挖掘 电网数据智能分析

随着电网信息技术的不断发展，电网信息系统的数据量不断增长，传统的分析处理技术已不能满足现有的电网数据分析需求。数据挖掘是一种决策支持过程，能够高度自动化地实现对海量数据的深入有效分析，揭示数据间的关联规律。随着技术的不断发展，数据挖掘技术已经被推广应用到了很多领域当中，将其应用在电网数据智能分析中，具有很高的实用性以及可靠性，有效提高了工作效率以及数据的精确度。

1 数据挖掘技术概述

1.1 概念

数据挖掘技术是一种新型的信息处理技术，它将数据的使用，由低层次的联机查询，提升到了一个新的高度，即分析预测、决策支持等高等应用。数据挖掘能够对数据进行微观、宏观的统计分析，并且对数据关系进行综合推理，寻找数据之间存在的关联性、发展趋势等。数据挖掘技术可以通过获得诸多的知识信息，对高级决策活动进行指导。

1.2 典型数据挖掘系统结构

根据数据挖掘的广义概念，其典型系统结构图如图1所示。

源数据信息存储库的主要作用是存储基础原始数据，通过数据清洗、整理、加载对数据进行处理，使之符合规定的要求。数据库服务器是按照用户的挖掘请求，提取有关的数据，供用户使用；数据挖掘引擎是数据挖掘的核心内容，由功能模块构成，可以执行分类、特征化、预测等任务；用户界面是用户与数据挖掘系统进行通信的桥梁，可以实现系统和用户之间的互动。

在知识发现的整个过程当中，数据挖掘是一个基本的步骤。要进行知识发现，就要从数据源当中寻找有关的数据，将其组织为适合挖掘的数据组织形式；再利用相应的算法，获得所需要的知识；最后，可以根据所得知识，对其进行评估，将有应用价值的信息加载到智能系统当中。

1.3 数据挖掘模式

数据挖掘模式的主要目的是发现知识。知识要通过某些模式被发现出来。数据挖掘系统当中，能够使用的知识表示模式有很多，通过分析知识表示模式及使用方法，可以更加直接的了解挖掘系统具有的特征。数据挖掘模式一般可以分为两种，即描述、预测。描述性挖掘能够刻画数据库中数据的特点，预测性挖掘主要根据已有数据，进行推断和预测。对数据挖掘模式进行分型，主要可以分为关联分析、概念描述、分类预测、孤立点分析、聚类分析等。

2 电网数据智能分析数据挖掘算法模型

按照电网的业务数据特点和数据挖掘需求，在进行数据分析时主要采用两种算法模型，即关联和预测。关联分析是在电网相关数据中，寻找分类属性和和决策属性之间存在的某种关联关系，从而方便在宏观上对电网数据进行把握。预测指根据已有的基础数据和数据之间的关联关系，对未来的发展趋势进行时序预测，从而有依据的制定如燃料计划、发电计划、供电计划等，达到科学安排电网建设、电源的目的。

关联算法模型是寻找数据间的关联规则，关联规则挖掘则是寻找常规方法难以发现的数据之间的关系规律；时序预测算法是通过对电网的用电量、负荷、发电量等关联因素及发展趋势的分析，进行预测研判，为电力系统扩建规划、发展速度、工业布局、电网资源分配等提供数据依据。按照预测期限的不同，预测可以分为长期、中期、短期、超短期等，还可以分为年度、月度、日、小时等预测。电网数据智能分析使用的预测模型图如图2所示，其中预测模型包括指数平滑分析模型和线性回归分析模型。指数平滑分析是指任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。线性回归分析模型是利用称为线性回归方程的最小平方函数对一个或多个数据变量因素之间关系进行建模的一种分析模型。在对电网数据进行分析使用单一预测算法的同时，也采用综合预测算法，即将两个以上的预测模型的测量值，进行适当的处理，将平均值当做最终的预测结果。

3 电网数据智能分析系统的体系结构

基于数据挖掘技术和挖掘算法模型，通过构建电网数据智能分析系统，能够对电网数据（包括用电量、发电量、用电负荷等）进行关联性分析、时序预测，数据使用多维数据库进行存储，有一定的参考价值，电网数据智能分析系统的体系结构图如图3所示。

（1）数据预处理。电网数据智能分析系统对电力资源信息、运行情况、发电用电信息等基础数据，通过数据预处理，进行清理和整理，提供高质量的有效数据。数据预处理的概化处理，即通过将基础数据由连续值分为离散值，为基础数据划分范围，减少属性值的数量，便于数据的挖掘和展示。

（2）多维数据模式数据仓库。通过建立多维数据模式数据仓库，从多角度多层次进行数据查询和分析，根据不同的数据需求建立起各类多维模型，例如将发电用电、负荷潮流信息分解建立成电压主题、电流主题、负荷主题等的数据模型，并组成数据集市开放给不同的上层分析使用。

（3）多维关联性分析。按照多维关联规则技术，按照电网运行特征，提炼出相关的记录数据，组合为新的数据记录表，寻找表中诱因值和结果值组成的字段，从而推导出分析因素的关联规则，分析客观因素对分析因素的影响；预测，主要使用时序预测模型，分析电网历史数据，预测其发展趋势。通过分析历史数据，寻找其存在的一般规律，使预测尽量的符合实际情况；

（4）可视化显示。是将挖掘的结果以图形的形式，展现给用户分析查看使用。

4 电网数据智能分析系统应用

随着信息技术在电力系统的广泛应用，要保证其在市场环境下能够安全运行，就要对电力系统中的数据进行有效分析。通过建立电网数据智能分析系统，从而为数据挖掘技术的应用提供条件。分析系统的具体应用可以总结为以下方面：

设备运行状态预测。通过对电网设备的运行状态进行监测，收集状态信息进行分析预测，以便及时发现并且解决问题，从而提高设备的可靠性，降低设备维护成本。

故障信息分析判断。电力系统处于运行状态时，如果系统出现问题，保护装置的动作信息就会把故障的有关信息传送给调度中心，调度员会根据以往的经验对问题进行分析、处理。通过将故障信息导入到电网数据智能分析系统中，建立故障数据挖掘算法，可以对故障的数据进行分析，提取故障特征，使之成为调度员对电力系统故障进行快速判断和处理的依据。

市场发展趋势研判。通过对电力用户的特征进行合理分析，将市场分为群组，分析用户的用电特征，能够有效预测短期内的市场需求，从而为市场发展趋势决策提供数据依据。

5 结语

数据挖掘技术目前仍在不断地发展，诸多研究机构都对其进行了探讨研究，已被广泛地应用在许多行业。数据挖掘在电力行业中的应用还需要进一步的不断探索和研究，使其能够更好地在电力系统业务发展中得到应用，提高电力系统的稳定运行水平。

参考文献

[1]剧树春，李刚.数据挖掘方法在智能电网中的应用[J].电子世界，2013（20）.

[2]朱晓峰，李玲娟，徐小龙，陈建新.关联规则挖掘技术及 其在智能电网中的应用[C].第十八届全国网络与数据通信学术会议，2011.

[3]晁进.基于数据挖掘技术的电网智能报警系统的研究[C].华北电力大学：电气工程；电力系统及其自动化，2011.

[4]李胜利，任培民，赵树然，任军.利用数据挖掘和综合信息平台构建智能电网调度的业务分析系统[J].广东电力，2011（03）.

作者单位

国网四川省电力公司信息通信公司 四川省成都市 610017