电网安全稳定特性分析的调度运行大数据挖掘技术研究

徐丽

【摘 要】电力调度自动化系统对能源数据的收集质量和整理质量都提出了很高要求，为了满足这一要求，数据挖掘技术近年来在能源行业中得到越来越多的关注和使用。因此详细讨论了数据挖掘技术在电力调度自动化系统中的应用，希望能为相关行业提供参考。

【关键词】数据挖掘;电力调度;电网稳定

引言

以前电力调度中，对数据的分析仅局限于对电量信息、电力设备等管理，只能够提供检索功能和常规信息，无法对数据进行决策分析，为此，对于部分复杂的电力管理一般都需要应用数据挖掘技术，然而现阶段从事电力系统调度的人员对新技术的应用并不熟练，致使数据挖掘技术没有发挥真正的作用，文中详细分析了挖掘技术含义，并进行了详细分析，探索数据挖掘技术，使其发挥真正的效果。在系统数据中，电力设备参数也是比较重要的，然而，目前电力设备参数只被统计在生产管理系统中，由于系统等级较低，不能发生系统直联。一定范围内阻碍了数据应用，为此，建立数据信息平台比较重要，该平台包含设备参数、实时数据、系统参数等，为电力调度运行控制，这就是数据挖掘。值得一提的是电力供应单位需要将春夏秋冬四季的天气作为数据，数据挖掘的前提是它们有一定的关联性，作为众多影响调度的因素，天气非常重要，我们可以根據天气预报或前期天气的规律来提前准备，做好相应的应急准备工作，当然，现阶段调度可以做这种预测，只是时间或空间上不深入，数据挖掘能为调度提供每周的依据，有些可以提供每天的信息。不但周围地理环境影响，而且重视实际应用，将这些零散的分布在调度各因素中，这样不仅在技术上实现数据挖掘，而且能进一步的提升管理水平。

1数据挖掘技术简析

数据挖掘被视为一种能够从大型数据库中提取数据和模型的技术。为了深入挖掘有效数据并进行合理利用，研究人员应当深入研究数据挖掘技术的应用过程。首先要做好技术识别和数据库的选择。例如，对于电网运行相关的数据，技术人员就需要了解电网各种运行方式和接线方式。然后是准备数据，技术人员可以通过选择数据、预处理数据将数据转换为三个级别，进而完成挖掘算法分析模型的设计，并且可以在此基础上完成特定区域中的数据挖掘。在以前的能源分配中，数据分析仅应用于能源信息管理和设备管理，因此只能提供搜索和常规信息，而不能执行数据决策分析，这通常需要更加复杂的挖掘数据算法。但是部分电力企业对新技术的能源系统规划不重视，导致数据挖掘技术没有得到合理应用，因此研究电网数据挖掘技术是十分必要的。

2电网安全稳定特性分析的调度运行大数据挖掘技术

2.1以神经网络方式在电力调度自动化系统中进行应用

神经网络是比较成熟的一项技术，本身具有对数据自行处置、挖掘数据进行存储和高度容纳错误等优点，非常适合处理模糊和不完整、不准确的数据，利用计算机精确计算功能，可以实现深度挖掘调度自动化系统数据，一般采用的方法为前馈、反馈。映射三种，使用的神经网络，对数据整理和分析至关重要，采用该方法，可以将调度各类数据进行关联，从而找出数据的逻辑性。为此：①对电力调度自动化系统基本数据进行处理，虽然这类数据复杂、种类多，但这些数据有紧密的联系，能够整合统一，并形成模式，为后期数据查询、统计、分析等奠定坚实的基础，保证数据的完整性和一致性，使电力调度能够顺利的开展，并形成神经网络系统，方便统一管理。②电力调度相关数据，不同环节电力状态和参数准确性不一致，整个过程中会受到一定影响，从而达到数据关联。③将神经网络这种方法应用在电力调度自动化中，对所有数据进行整合分析，并供给其他调度工作进行决策分析，实现大范围数据共享，以此来保证电力自动化调度系统的效果。

2.2线路故障系统

传统的电力线路检修，一般都是在线路出现严重故障以后，才开展利用相应方法对电力线路进行巡查，并且探寻出存在其中的故障。但若是把线路故障系统利用到其中，那么该系统会依据电力线路两端产生故障形式，在电力线路产生故障以后自动且及时的判断出电力线路受损的部位。相比于较完善的线路故障系统而言，还能够同时判断多个故障点。通过将线路故障系统利用到电力调动自动化系统之中，不但能够将冗杂的线路切除掉，还能减小电力线路故障发生率，以及停电检修率，并且还能在很大程度上监督电力线路巡查力度，让电力维修人员能够有足够的实践对线路出现故障的部位分析、判断，并制定与之对应的补救措施。特别是一些地埋线路等，利用此种能够定位的线路故障系统具有积极作用。

2.3数据预测

数据分析后，需要对数据或者事件的发展趋势进行预测，通过准确的预测可提前做出相应的处理，最大化电网智能调度系统的效率。以常见的电网负荷数据预测为例，通过负荷数据分析，发展或者实现一个可以预测下个阶段电网负荷的方法或模型。该方法或者模型综合考虑了影响网负荷时间较长的因素和时间较短的因素，同时该方法还需要满足相关的限制条件。通过该方法或模型可方便的得到特点时间的电网负荷大小并进行相应的预测，来指导电网智能调度系统做出相应的处理。常用的数据预测方法主要包括模糊聚类、机器学习等方法。机器学习通过迭代可以模拟任意线性与非线性模型，适合于电网系统的预测。因此，解决基于数据挖掘的调度问题中多用机器学习方法进行分类预测。

2.4功能模块设计

数据分析功能模块设计工作是一项系统性的工作，数据分析功能模块一般包括四个部分，即同步数据分析、定期数据分析、数据预警分析和数据相关性分析。首先是同步数据分析模块构造，这一过程中数据分析过程可以总结为：输入所有比较条件→合法→根据条件生成SQL语句→显示查询结果→数据结果对比。在这一过程中技术人员可以通过数据挖掘来确定相应的警报周期、负载周期和遥测周期。此外，预警模块的设计分析过程为：初始化数据集和参数→输入预警分析参数→合法→预测分析→定义预测类型→有建议→输出警报类型和建议→输出警报类型。这一流程有助于数据挖掘技术在电网调度运行平台得到更好的应用。

2.5以聚类分析法在电力调度自动化系统中进行应

聚类分析方法在电力调度自动化系统中应用广泛，它和同类分析法比较相似，当又不是完全相同，分类方法更加关注的为将数据映射到给定的类别中，聚类分析方法主要针对同类数据划分，数据更加全面，且综合新较强，这是该方法应用十分广泛的原因，能对灰色分析法缺点进行弥补，使得数据整理更加整洁，且缩小了数据之间关联度和相似度。例如，电力调度数据中控制和生产管控是两大类，利用聚类分析方法，能将大数据进行聚类划分，主要包含四个数据管理区，管理则包含了电力调度自动化产生的电力生产数据、销售数据、控制数据等。

结语

综上所述，若想电力调度自动化系统存在的价值发挥出最大，有关人员加强数据挖掘技术应用势在必行。因其是保证电力调度自动化系统稳定性的根本要素，还是推动电力调度自动化系统效用发挥的关键点。为此，有关部门需合理应用数据挖掘技术，让其包含的作用都利用到电力调度自动化系统中，为进一步提高社会公众生活水平提供有效依据。

参考文献：

[1]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.

[2]刘雅铭.解析电力调度自动化系统中数据挖掘技术应用[J].低碳世界，2017（33）：66-67.

[3]吴利剑.基于数据挖掘的故障诊断的电力SCADA系统[D].沈阳：沈阳理工大学，2014.

（作者单位：呼和浩特供电局调度管理处）