杜鹏

摘要：在电力调度自动化系统中应用数据挖掘技术，可以提高电力数据收集与整理的科学性与严谨性，其重要性可见一斑。本文针对电力调度自动化系统，对数据挖掘技术的应用进行了分析与研究，以供参考。

关键词：电力调度自动化;数据挖掘;数据收集与整理

当前，企业生产中已经普及了自动化运行技术，而在具体的现代化信息网络数据加工层面，数据挖掘技术的应用可以优化数据采集与处理的质量，从而强化数据在传输和存储过程中的控制质量与管理效率。数据挖掘技术可以借助高级功能的计算合理利用数据资源，并实施数据挖掘，从大量而复杂的数据中找到所需要的数据，从而促进供电企业的生产水平，促使其获取更多的经济效益。

1数据挖掘技术概述

随着当今世界科学及时水平的不断发展，目前数据库的容量已经达到了难以想象的水平，面对如此庞大的数据信息，如何能够准确地从中找到精准的所求的信息呢？答案就是利用信息挖掘技术。从技术层面上讲，信息挖掘技术就是指：通过利用各种有效的工具和采取各种有效的措施，在海量的数据库中，获得数据与模型之间的关系，并通过两者之间存在的这种关系的分析发现来对企业的决策提供依据。

伴随着信息挖掘技术的快速发展，也相继出现了许多的不同类型的方法和技术，也直接导致了现在的信息挖掘技术形成了很多的分类。一般情况下，信息挖掘技术分为了发现驱动型和验证驱动型两类。发现驱动型就是指通过机器的学习发现新的假设;而验证驱动型就是用户来验证或者否定自己假设的一种方法，前提就是通过各种工具对自己的假设进行多方面的检索查询。

2数据挖掘技术的分类及过程

数据挖掘技术可以分为发现驱动的数据挖掘技术和验证驱动的数据挖掘技术这两种类型，前者主要指的是用户利用机器进行学习，可以发现新的假设，在此过程中，需要分析人员进行参与，后者主要指的是用户对之前自身提出的假设，利用一定技术对假设进行验证。数据挖掘的过程可以概括为：逻辑数据库→被选择的数据库→预处理后的数据→被转换的数据→被抽取的数据→被同化的数据。

也就是选择、预处理、转换、挖掘、分析与同化，在确定业务对象之后，需要进行数据处理，在数据处理过程中，首先需要搜索和业务对象相关的数据信息，然后选择合适的数据，然后需要对数据做出质量研究，对数据挖掘技术类型进行确认，最后需要对数据予以转化，让其成为一个可以进行算法挖掘的分析模型。

3基于电力调度自动化系统中数据挖掘技术的应用

3.1神经网络分析法

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，能夠整合统一，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。

3.2灰色分析法

如果在时间线上，电力数据存在一定关系，那么利用灰色分析法可以预测性分析电力数据。在电力调度系统数据挖掘中，灰色分析法得到了广泛应用，即使数据完整性不强，灰色分析法也可以对其进行分析，但是，这种方法和模糊分析法相比并不能发挥出大数据功能。在电力调度中，短期的电力负荷预测是重要任务，以我国某个应用灰色分析法的电力调度自动化系统为例，在该系统中，可以分为数据处理模块、负荷预测模块和数据显示模块，在数据处理模块中，可以导入原始负荷数据、预测数据以及气象数据，预测数据为文本格式，系统主要对数据缺失与数据跳变两种异常数据进行处理。数据清理模块可以让系统程序运行速度得到保障，短期负荷预测数据均维持在5年以内，对历史数据进行适当清理可以让查询效率得到保障。在负荷预测模块中，主要是结合该城市的情况，利用普通灰色模型、多变量灰色模型与人工经验模型对其进行负荷预测，其占用普通灰色模型适用于普通日期的预测，多变量灰色模型时根据气象资料进行预测，人工经验模型是根据电力局的相关数据进行节假日预测。在数据显示模块中，会通过列表方式与图形方式来显示历史数据，调度人员可以对当日数据状态与气象信息进行查看。在数据库设计中，包含了历史负荷数据库、预测数据库、气象资料数据库、数据状态与日期类型数据库。在应用此系统之后，当地对一周的数据情况进行统计分析，预测流程为程序选择普通灰色模型而做出的自动预测，经过检验，发现自动预测精度在95%以上，误差在10%之内，具有良好的精准度。

3.3聚类分析法

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。

3.4关联分析法

庞大的数据信息虽然种类繁多、复杂，甚至很多没有任何参考意义，但是数据信息存在于互联网下必然会与相关事物存在密不可分的联系。当某一些事件一旦发生，相联系的事件也必将出现一定反应。这种反应也就是信息数据间存在的关联属性。基于此，对于数据挖掘需求，关联分析就是通过对事物与事物间存在的某种依赖或者关联信息来找寻事物本身存在的联系规矩，从而又利用这种规矩来对信息数据进行相关挖掘。目前，关联分析法在数据挖掘中具有重要应用价值，能快速找到相关信息数据。

结语：

信息挖掘技术在电力系统中的应用有效地解决了数据收集困难的问题。同时电力调度自动化系统中信息挖掘技术的应用，进一步提高了智能电网的快速发展，也满足了电力系统建设的需求。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]聂宇，罗超，高小芊，寇霄宇，何宇雄，苑晋沛，李蔚.基于电力调度自动化系统中数据挖掘技术的应用[J].科技创新与应用，2018（03）：143-144.

[2]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.

[3]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.

[4]朱维佳，曹坚.电力调度自动化系统中数据挖掘技术的应用[J].电气时代，2015（07）：108-111.