数据挖掘在电力调度自动化系统中的应用

摘 要 随着社会科技不断进步，电力调度自动化系统的使用，是对电力系统的数据和信息进行采集和监控的过程，是实现电力调度完全自动化的基础，而数据挖掘作为科技发展的新型技术，其对数据的采集和分析等，更加的专业化，因此文章从对数据挖掘技术的分析着手，将两者进行完美的结合，以此提升对电力调度数据收集和整理的准确性。

【关键词】数据挖掘 电力调度 自动化系统

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 数据挖掘技术的含义

数据挖掘技术是未来一项非常重要的技术，是从大量数据中找出有特殊关联信息的一个过程，通过统计、分析、处理、检索、识别等方式得以实现，其中数据挖掘的实施一共有三个步骤，分别表现为：数据准备，将一些所需要的数据从相关数据中挑选出来，并进行整合；規律寻找，通过某种方法将挑选出来的数据中所含的规律找出；以及规律表示，则是将找出的规律通过简单能够理解的方式，展现给需要观看的客户或工作人员，以此提升工作的效率。另外，在对数据挖掘技术进行分析的同时发现，数据挖掘技术根据不同的领域其分类的方式也有所不同，大致分为两大类，分别为验证和发现两种驱动的数据发掘，验证驱动主要是针对之前提出的一些假设，通过各种手段方法对其进行验证的过程，在验证的过程中，会根据不同的情况选择不同的生成器，包括SQL和其生成器两种，其SQL生成器又可以分为查询以及在线分析处理两种工具；而发现驱动主要针对的是使用者通过学习、统计、整理等提出新的假设，并对新提出的假设进行推述和预测，在推述的过程中，进行信息的可视化、信息聚焦、对信息进行关联分析以及信息的统计四个环节；在预测的过程中，先将信息进行分类处理和统计回归的处理，在信息分类的处理中，需要将信息根据规则和神经元进行归纳，并制定出相对应的决策树。由数据挖掘技术的分析，可以得出，通过数据挖掘在电力调度自动化系统的应用，可以解决很多问题，包括电力调度的人员安排情况、校验电力使用情况、保护电力使用记录等，提高了数据信息的准确性。

3 数据挖掘在电力调度自动化系统中的应用方式

3.1 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。

3.2 以灰色分析法在电力调度自动化系统中进行应用

灰色分析法又叫做灰色预测法，当所需要的电力调度数据出现在一个点上时，就会使用这种方式进行数据挖掘，这种数据发掘方法的使用，是非常普遍的一种，主要用于对电力调度自动化系统产生的数据进行预测分析，其主要的就是对有限的数据和一些电力调度过程中出现的不完整数据进行分析，但是一旦遇到比较庞大的数据，就无法实现最优化功能，因此在对电力调度自动化系统产生的数据进行挖掘时，需要对其涉及的数据进行分析，确定其数据的分类是电力生产数据还是电力销售环节的数据，包括这些数据之间还或多或少存在着一些直接转换的数据处理，因此通过灰色分析法对数据进行挖掘，需要对电力调度中出现的一些设备数据参数进行了解，包括用户的用电情况数据预测、电力的销售情况预测、短期或者超短期内自动化系统以及母线存在的负荷数据值等，电力自动化系统会根据以上的这些预测的数据进行分析，制定电力调度的边界电量，并且确保整个电力调度自动化系统的正常运行，使整个数据的收集更加的可靠，以便后续工作的参考。

3.3 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。

4 结束语

总而言之，随着科技的不断进步，我国针对电力调度自动化系统的使用情况进行了创新，而数据挖掘技术在其中应用成功的与否，还需要专业的人员继续进行探究和实验，以确保我国电力调度自动化系统的升级和改造，进一步促进我国电力调度自动化系统的发展，实现真正的智能电网时代。

参考文献

[1]郭洋洋，李宇涛.分析电力调度自动化系统实用化应用[J].科技与创新，2017（05）：153-154.

[2]李国伟，王新铭.基于数据仓库的一体化电力调度自动化系统的开发与设计[J].自动化与仪器仪表，2016（10）：26-29.

作者简介

刘宾（1963-）男，安徽省淮南市人。大学本科学历。工程师。研究方向为电力系统自动化。

作者单位

国网安徽省电力公司马鞍山供电公司 安徽省马鞍山市 243000endprint