基于大数据挖掘的电网监控信息智能监控研究

皮小平

四川明星电力股份有限公司， 629000

摘要：近年来，随着中国电网快速发展，电网逐渐转变为信息流、能量流高密度融合的能源互联网，电力数据规模、种类快速增长，电力行业已迈入大数据时代。自国家电网提出“调控一体化”运行体系理念以来，各地变电站已经全部实现了以“四遥”功能为核心的集中监控，电网实时向调控端上送各受控变电站遥测、遥信等大量信息，构成电网信息流的重要部分。

关键词：大数据挖掘;电网监控信息;智能监控

引言

從20世纪90年代开始，全世界范围内就开始了电力工业市场改革，其目的就是要改变过去的电力垄断垂直体系，充分实现电力资源优化配置，尽可能将社会效益最大化。随着我国经济社会的飞速发展，生产水平的提高，电力行业的发展也在不断的发展壮大。与此同时，随着大数据时代的到来，数据规模持续扩大，数据处理难度加大，对于部分数据处理与数据分析产生了很大的影响。在当前阶段的电网运营监控中，大部分电力企业经常会碰到一些影响电网稳定发展的问题，所以，如何更加科学合理地建设电网运营监控平台成为电力行业广泛关注的问题。而通过充分运用数据挖掘技术，能够有效提高对电网运营状况的实时控制，将原来繁复的电网运营监控平台变得更加科学合理，进而实现数据处理的准确化、高效化与系统化。同时，数据挖掘技术保证了电网运营的整体监控水平，使电网生产与应用安全可靠，极大地提升了电力电网行业的运营与生产能力，让电力企业在市场中站稳脚跟。

1电网信息多时间精度分析

1.1日事务监控信息分析

本尺度Apriori分析旨在挖掘发生概率高、分布均匀度大、互为强关联规则的监控信息及与日事件对象的关联规则。数据设置：以一天的监控信息为Apriori分析的一个事务，即Ti=某天的监控信息集合，事务数为所分析的电网信息发生天数。取值策略：根据数据挖掘需求，按等差数列选取最小支持度sup和最小确信度conf分层次挖掘，电网监控信息信息量大、重复率高的特点越明显，最小支持度和最小确信度的取值就应越大。分析流程：本文预先对监控信息历史数据进行频度分析，根据电网信息频度特点，选取较高的最小支持度、最小确信度的取值区段进行数据挖掘。

1.2按时事务监控信息分析

本尺度Apriori分析旨在提高监控信息挖掘的精准度及与时事件对象的关联规则。由于Apriori挖掘中会自动合并一个事务中相同的信息，为了更精确的分析，将时间尺度缩小到小时级别。数据设置：如以一小时监控信息为Apriori分析的一个事务，即Ti=某小时的监控信息，事务数为所分析的电网信息发生小时数。取值策略、分析流程：与日事务信息分析相同。

2数据挖掘技术概述

现阶段我国经济及科学技术已经得到了高速发展，并带动了我国电力行业、电网运营行业等的发展，其中电网运营的发展速度最快。数据挖掘（Data Mining，DM）是指通过统计、情报搜索、机器学习、模式识别、在线分析处理等一系列的方法实现从大量的数据中搜索隐藏于其中的信息这一目标的过程。在当前阶段，数据挖掘技术可分为三种类型，分别为统计分析型、知识发现型以及其他数据挖掘，统计分析型作为当前最为成熟稳定的一种数据挖掘技术，其强调遵循一定规律来进行数据挖掘的操作，即在运用不同模型进行数据挖掘前先通过分析数据来找出其中的规律，并进行聚类分析、变量分析、时间序列分析等一系列操作。知识发现型数据挖掘技术多用于DNA遗传序列组以及人工智能神经网络等方面，其基本原理为通过在数据仓库中过滤出需要的信息，提取出信息后对其中隐匿的位置信息采取深入挖掘操作。而其他数据挖掘则包含多种多样的挖掘操作，不同的数据有着不同的挖掘方式，如对于地理影像等数据使用空间数据挖掘，对于文本等非机构数据使用文本数据挖掘，对于互联网数据使用万维网数据挖掘，而对于少量局部数据则使用分布式数据挖掘。

3智能电网中大数据关键技术

3.1多元异构数据的聚合管理技术

首先，在智能电网中，要及时抽取数据源的数据，现阶段，数据抽取和数据集成的方式，在ETL集成方式中得到充分体现。在数据抽取文件的同时，及时转换好数据，保证分析性数据的生成，将多维度和多粒度特点凸显出来，并实现在数据仓库中的有效存储。现阶段，在云计算技术不断发展过程中，云计算的分布式存储方式，可以有效存储诸多智能电网数据，从而出现了电力云这一概念。在智能电网数据集管理过程中，构建云存储模型，可以安全地进行结构化和非结构化数据存储工作。分布式计算法，有助于计算机存储空间的提升，但是仍然与电网数据实时性要求具有一定的差距。因此，在存储智能电网数据过程中，如果数据的要求比较高，要通过对实时数据系统的应用，以此来加以存储，借助分布式文件系统，存储智能电网中的历史数据，从而不断提高分级存储系统的完善性。

3.2复杂数据分析技术

首先，强关联项集挖掘。通过余弦指标的“条件单调性”剪枝性质的提出，加强高效余弦模式挖掘算法的应用，以此来对强关联项集予以挖掘，对兴趣度指标条件进行分析，为剪枝提供一定的依据，确保兴趣模式的顺利挖掘。同时，借助余弦模式，在噪音过滤方面也具有较高的适用性，避免其他数据影响到分析工作的开展。加强强关联多项集的挖掘技术的应用，可以不断提高企业内部资源利用的全面性和深层次性。其次，聚类分析技术。在一致性聚类方面，诸多理论问题得到了有效研究，如对效用函数选择、聚类分析生成分量等。在电力企业物质调配平台总，文本分类技术的应用非常关键，可以将分析能力和信息检索能力提升上来。此外，聚类分析方法在客服系统中也具有较高的应用性，确保企业调配人员的合理性，并推动客户满意度提升。

4结语

数据挖掘技术的应用能够使电网监控工作人员对于数据信息及使用更为便捷，更好地了解数据挖掘技术以及数据挖掘技术在电网运营监控平台当中的运用效果，还可以保证电网的稳定，使其安全可靠的运行。

参考文献

[1]张东霞，苗新，刘丽平，等.智能电网大数据技术发展研究[J].中国电机工程学报，2015，35（01）：2-12.

[2]刘振亚.智能电网技术[M].北京：中国电力出版社，2010.

[3]彭小圣，邓迪元，程时杰，等.面向智能电网应用的电力大数据关键技术[J].中国电机工程学报，2015，35（03）：503-511.