试论数据挖掘在电力调度自动化系统中的应用

何宇雄　苑晋沛　聂宇　罗超

摘 要：电力调度自动化系统对电力数据的收集和整理工作质量有着较高要求，而为了满足这一要求近年来数据挖掘技术日渐受到电力行业重视，基于此，文章就数据挖掘技术进行了简单介绍，并对数据挖掘在电力调度自动化系统中的应用进行了深入论述，希望论述内容能够为相关业内人士带来一定启发。

关键词：数据挖掘；电力调度自动化系统；周期性关联规则挖掘算法

中图分类号：TM734 文献标志码：A 文章编号：2095-2945（2018）04-0143-02

Abstract： Power dispatching automation system has higher requirements for the quality of power data collection and collation. In order to meet this requirement， data mining technology has been paid more and more attention in recent years. On the basis of this， this paper briefly introduces the technology of data mining， and discusses the application of data mining in power dispatching automation system in depth， hoping that the content of the discussion can bring some inspiration to the relevant industry.

Keywords： data mining； power dispatching automation system； periodic association rule mining algorithm

前言

电力数据收集、整理质量直接影响电力调度自动化系统的控制和管理水平，但由于很多价值较高的数据信息往往位于隐藏的数据之中，这就使得传统方法不能较好满足电力调度自动化系统需要，而为了解决这一问题，正是本文就数据挖掘在电力调度自动化系统中应用展开具体研究的原因所在。

1 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。

2 数据挖掘在电力调度自动化系统中的应用

2.1 应用方式

神经网络、灰色分析法、关联规则均能够用于电力调度自动化系统的数据挖掘，具体应用如下所示。

（1）神经网络。作为应用较为广泛的一种人工智能研究方法，神经网络早已在我国实现了较为广泛的应用，电力调度自动化系统的数据挖掘也是其应用的重要领域，由于数据自行处理、数据分布存储、高度容错性是神经网络的应用优势所在，这就使得神经网络较为适用于模糊、不完整、不准确数据的处理。在电力调度自动化系统的数据挖掘中，神经网络主要通过关联分析的方式实现数据逻辑处理，具体处理可以分为以下几个方面：a.整合统一基础数据。由于电力调度自动化系统包含的数据具备庞大复杂、种类繁多的特点，因此神经网络的应用需要通过整合统一使相关数据形成结构模型，通过神经网络系统实现数据统一管理。b.实现不同环节电力调度的关联。应用数据挖掘神经网络方法整理不同环节的电流状态和参数，并保证相关数据信息的整合性，即可实现不同环节电力调度的关联。c.分析与决策。结合神经网络整理的整合数据，即可开展分析、决策以及数据共享。（2）灰色分析法。灰色分析法能够较好分析电力调度过程出现的不完整数据，但不适用于较为庞大的数据是该数据挖掘方法存在的不足。一般情况下，灰色分析法的应用需要深入了解设备数据参数，如用户用电情况预测、母线负荷数据值、电力销售情况预测等，结合分析确定电力调度边界电量，即可提升数据收集的可靠性，电力调度自动化系统的运行也将由此获得较为有力的支持。（3）关联规则。作为数据挖掘的重要分支，关联规则能够通过发觉大量数据项集之间的有趣关联和相互联系实现信息的高质量分析，刚刚提到的神经网络严格意义上也属于关联规则范畴，不过本文关于关联规则的研究主要围绕周期性关联规则挖掘算法展开。周期性关联规则挖掘算法具备扫描数据库次数较少、避免扫描数据库的时间开销、连接程序中相同项目的比较次数较少、数据项集频度统计速度较高等优势，由此实现的周期性数据集挖掘、关联规则挖掘便能够大大降低电力调度自动化系统的事故发生概率。

值得注意的是，本文研究的周期性关联规则挖掘算法结合了蚁群算法，这是由于原算法使用了大量的搜索操作、分类检索和路径检索，蚁群算法下走过的路上会留下信息素，这就使得较短路径上的信息素浓度较高，结合负信息素理论，即可保证有信息素的地方蚂蚁不能走过。如使用表1所示的事务数据库D（部分），即可结合时态事务数据库D分类数据集改进、每一个分类数据集周期性数据集挖掘改进，以数据项A分类为例，即可求得表2所示的时态属性差，由此开展更深入计算则能够更深入了解周期性关联规则挖掘算法的思想，也能够认识到蚁群算法的重要性。

2.2 应用实践

为提升研究实践价值，本文围绕周期性关联规则挖掘算法建立了基于周期性关联规则挖掘的数据分析系统，这一系统的建立过程如下所示。（1）开发平台选择。结合系统功能需要，选择了微软的.net平台作为主要系统开发平台，该平台具备的强大数据库访问能力、扩展丰富等特点，能够较好满足系统开发需要。（2）基于数据桥的数据集成模块设计。考虑到我国当下电力事业的数据集成标准较为复杂、混乱，系统设计采用了自己的数据集成方法，同时应用了清晰数据清洗策略，由此即可实现不完整数据、重复数据、错误数据三类脏数据的清洗，數字数据不完整、日期数据不完整、错误日期型数据、重复数据等仅属于清洗内容，其中除重复数据不予处理外，其他数据均采用修补空值和默认值的方式，如数字数据不完整采用“补0，补null，默认值”的清洗策略。此外，无类型文件数据集成、数据库数据集成、异构数据库数据集成也是这一环节设计的重要内容[3]。（3）数据库管理模块设计。采用微软公司的SQL Server数据库系统，由此数据库管理被分为层次数建模、数据表管理、数据表导出三部分，其中数据表管理包含数据管理、结构管理、删除三方面功能，而数据表导出则包括文本文件、Excel文件、Access文件、Xml文件、其他数据库五部分内容。（4）数据分析功能模块设计。数据分析功能模块由同期数据分析、周期性数据分析、数据预警分析、数据关联分析四部分组成，各部分设计如下所示：a.同期数据分析模块设计。该模块的运行流程主要由负荷数据、网损数据、力率数据、有功总加数据对比组成，分析流程可以概括为：“输入所有对比条件→合法→根据条件生成SQL语句→显示查询结果→打印对比图像”。b.周期性数据分析模块设计。围绕报警周期性、负荷周期性、遥测周期性三方面开展数据挖掘，即可完成该模块设计。c.数据预警分析模块设计。分析流程为：“初始化数据集及参数→输入预警分析参数→合法→分析预测→判断预测类型→有无建议→输出报警类型和建议→输出报警类型”。d.数据关联分析模型设计。采用默认用户手动输入数据集方法，程序流程为：“初始化已有周期性数据集→输入参数→合法？→数据集交叉？→计算Conf、Sup→计算下一对数据集→完成”。

3 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]王谦，李烽.电力调度的自动化网络安全分析及实现[J].电子技术与软件工程，2017（21）：116.

[2]刘宾，朱亚奇，吴莎.数据挖掘在电力调度自动化系统中的应用[J].电子技术与软件工程，2017（20）：158.

[3]曹铁生.电力调度自动化系统应用现状与发展趋势研究分析[J].硅谷，2014，7（23）：74+76.

[4]周洋.数据挖掘在电力调度自动化系统中的应用解析[J].科技创新与应用，2017（35）：149-150.

[5]李梦鸣.大数据挖掘平台在电力运营监测工作的应用[J].科技创新与应用，2016（26）：21-22.endprint