高岩 史新玉 杨晋彪

【摘  要】随着我国科学技术的不断发展，电力系统中也出现了许多新的技术，如：数据挖掘技术、联机分析处理、数据仓库技术等，这些技术的不断发展与运用，为新的电力营销决策支持系统的运用提供了技术支撑。但是，由于数据挖掘技术对一些潜在的问题预测能力较强，特别是对电力营销系统中较大规模的非线性问题，具有较强的处理能力，在未来的发展中会成为营销领域中重要的应用工具。因此，本文对数据挖掘技术在电力营销系统中的应用进行了分析。

【关键词】数据;挖掘技术;电力营销系统

1电力营销系统数据来源、特点及数据挖掘技术概述

电力营销系统当中的数据涵盖管理信息系统、SCADA系统、地理信息系统、电网运行过程中的负荷管理系统、配变检测系统、电能量计费系统以及计量检定等实时信息系统中的所用数据，并且这些数据伴随着电力企业的发展逐渐积累，数据含量非常庞大。之外，电力营销系统数据在种类上还比较混杂，而且采集到的数据通常都会掺杂着一些噪声或是存在数据缺失、错误等情况，数据质量难以保证。作为一门新兴的学科，自从集统计学和人工智能以及模式识别、数据库、高性能并行计算与机器学习等多种技术于一体的数据挖掘技术出现之后，人们对于数据的应用不再只停留在简单的数据查询阶段，而是进入到更高层次的应用——从数据中挖掘有价值的知识和信息，给管理者的决策提供支持。当前常用的数据挖掘技术有关联规则、分类和时间序列挖掘与序列挖掘以及聚类、Web挖掘、空间挖掘等。

2数据仓库的系统结构

2.1相对稳固

数据的关键是为企业提供分析决策支持，它关联的操作是数据查询，通常不对数据进行修改。数据仓库中的数据是由不一样的时间数据组成的，而不是事务型的数据。

2.2时间特征

数据仓库的数据有着时间的特点。数据仓库伴随着时间的不断变化，内容也在不断的增加，同时需要删除陈旧且没有作用的内容。因为数据仓库通常是作为趋势的分析预测，通常保留5～10年的历史数据。数据仓库里的数据包括着时间的元素，是键码的一个部分。

2.3面向主题

数据仓库的主题为在一个比较高的层面把数据进行集合的标准，各个主题都是对应一个宏观的处理领域，充分满足此领域的决策分析需求。数据在进到数据仓库前通过集合和加工，把原始的数据构造做到从面向运用到面向主题的改变。

2.4集成性

数据仓库中的数据主要用作决策分析，要进行整合与归纳。要处理源数据里格式不同的情况，要求把它们统一到数据仓库的模式中。数据仓库体系是对进到数据仓库的原始数据进行清洗、转换、抽取等处理，最后将其进到数据仓库里，把对数据仓库里储存的数据进行管理、更新、运用的有关工具与软件进行整合，用于支撑数据仓库管理与使用的决策。它常常是由分析工具、管理与数据仓库构成，其具体的关系如图1所示。

3数据挖掘技术在电力营销系统中的应用

3.1关联规则的应用

这种应用可以有效地帮助决策人员进行当前有关数据以及历史数据的规律分析，最后预测出未来情况。把关联规则成功引入电力营销分析，通过FP-Growth算法对电力营销的有关数据进行关联规则分析，从中得出各种电量销售的影响因素以及外部因素、手电水平等的关联信息，以便更好地为电力的市场营销策略提供参谋和决策。

3.2分类的应用

在对电力营销系统进行中长期预测时常用的方法有序列预测、模糊理论和专家系统以及建立在竞争分类基础上的神经网络法和模式分类法等，其中神经网络法和模式分类法在电力负荷预测上都有着令人满意的精确度。同时还有可应用于日调度计划编制当中的一种短期负荷预测算法，此种预测方法将决策树技术和外推算法做了有效结合，有着较高的预测精度;在对SCADA系统中不良数据进行状态估计时可以通过分类树建立子数据库，进而缩减SCADA数据库规模，将计算速度提升上来。

3.3时间序列与序列挖掘的应用

在所有短期负荷预测方法中，时间序列挖掘是被认为最经典的一种方法，比较系统，同时神经网络则是短期负荷预测中研究最多、应用最为广泛的，因此在电力营销系统的实际应用当中往往会把二者结合在一起对电力营销数据进行分析。在神经网络法当中，相较于BP神经网络，小波神经元网络在收敛速度上有着更好的表现，而且其中采用了基于隶属度改进的聚类方法，有利于负荷大波动日预测精度的改善。

3.4聚类应用

聚类在电力营销系统当中主要应用在以下方面：电力用户分类、信用评价和负荷预测、分类以及变压器故障诊断、不良数据的修正等。比如，在对客户各个方面不同属性进行划分的基础上通过聚类分析法把客户划分成不同组别，此时负责决策分析的人员就可以此聚类结构为依据对存在于各个组别相互之间的差异性分析出来，然后对类群特征展开研究，这样就可以根据实际情况实行不同的营销策略，保证企业经济效益的提升。又比如，鉴于电力客户信用分类的特性，可以在模糊聚类分析的基础上针对客户信用建立一个评价算法，通过此种算法就可以获得基于不同客户群的聚类中心以及针对每个客户的隶属度矩阵，这样就给针对客户群的特征分析提供了量化的参考依据。在不良数据的校正上，可以在原有聚类算法——CURE算法当中融入信息熵原则来对聚类过程中出现的基本参数进行选择，然后在相关负荷特征曲线的提取上使用Kohonen网络。

4结语

大部分电力管理系统只停留在业务处理层，这一模式不能为电力企业提供更加便利、智能的决策。一直以来，我国电力企业已经在行业信息化建设中积累了大量历史数据，将数据挖掘技术引入到电力行业中来，进行电力分析决策，为电力企业提供更加科学的管理决策，对防范、控制和化解電力企业生产风险具有现实的意义。但是，由于数据挖掘技术对一些潜在的问题预测能力较强，特别是对电力营销系统中较大规模的非线性问题，具有较强的处理能力，在未来的发展中会成为营销领域中重要的应用工具。

参考文献：

[1]吴冬梅.数据挖掘技术在电力营销系统线损计算中的应用研究[J].城市建设理论研究：电子版，2014，（17）.

[2]郝晓弘，朱洁，王维洲等.数据挖掘技术在电力营销系统的应用现状[J].工矿自动化，2011，37（1）.

[3]袁哲，王彦文.数据挖掘在电力系统负荷预测中的应用[J].电子制作.2015（11）.

（作者单位：1、国网新疆电力有限公司伊犁供电公司;2、新疆宏晟源电力工程建设有限公司）