陈 帝

(江苏省电力有限公司扬州供电分公司)

0 引言

电力营销数据来源广泛, 主要源自于电力调度中心, 电力营销数据通常情况下具有非线性属性, 并且大量数据是以状态变量的形式体现出来, 因此电力营销数据的处理是电力营销管理的难点[1-2]。信息融合是一种将多源数据进行整合、同一化处理的技术。随着信息技术的发展, 信息融合的概念也逐步扩大, 通过计算机和软件的支持, 能够实现多源数据的高效融合, 也在电力营销领域进行了广泛应用[3-4]。本文所提出的基于信息融合的电力营销数据回归分析系统,专门针对于电力营销数据重新设计了回归分析系统,将多源数据整合到一起, 通过多元回归分析实现了电力营销数据的整合[5-6]。

1 系统总体架构

基于信息融合的电力营销数据回归分析系统总体架构上包含了四大部分, 即核心功能层、平台层、逻辑层、应用层, 具体架构如图1 所示。

图1 系统总体架构

该回归分析系统主要是基于MongoDB 数据库进行的, 该类型数据库能够对于本体模型的持续化存储具有很好的支持[7-8]; 并且将关系型数据库作为辅助, 这样就能够实现从基础信息到科研本体的过渡存储。MongoDB 能够实现与系统上层的数据交换, 能够完成对关系数据库数据的交互, 实现从源数据到融合数据的变换[9]。

基于云的架构的平台层能够保证系统具有较好的功能扩展性。核心功能层涵盖了数据处理的核心算法, 具体包括了数据提取、数据聚类、数据分类、数据辨识、数据特征值提取等[10]; 在进行数据预处理时, 根据数据提取与数据辨识方法完成核心数据信息的提取, 数据聚类和数据分类用于实现数据融合; 在数据挖掘中应用了数据特征值提取。该系统的数据分析流程为数据采集、数据预处理、分析本体构建、数据融合、数据分析、数据展示[11-12]。

2 系统硬件功能实现

基于电力营销数据回归分析系统总体架构进行硬件设计, 系统硬件主要包括了信息管理模块、数据管理模块、报警模块和电力营销数据管理模块。系统硬件结构如图2 所示。

图2 系统硬件结构

信息管理模块是通用模块, 能够对数据、用户进行管理, 能够强化继电保护设备的自主保护功能, 增强电网运行稳定性。信息管理模块能够对电网内部的安全数据信息导入到转化空间, 完成电路数据传输通道的构建, 并配置好数据监管功能, 时刻监测电网数据状态, 提取出精确度较高的初始继电保护设备数据, 提高继电保护操作成功率,保证其安全性能。信息管理模块能够管理电力营销数据中的用户数据、用户角色、用户区域、基础配置等。

数据管理模块则能够实现对电力营销数据的有效管理, 主要管理内容包括了电力营销合同、用户电费、运营基站等。

报警模块主要负责对故障进行预警, 预警信息产生后都会及时通知负责人, 实时对要发生的故障进行提醒。

电力营销数据管理模块作为整个系统的核心, 主要承担了电量统计、电力监控、数据分析、电量预估等。

电量预估就是根据用电设备的实际情况, 从理论角度进行能耗估算, 专门针对于电力运行变化频繁,采用灵活有效的电力预估公式, 保证电量预估的准确性。

功率监测: 在电力运行的动态过程中, 通过对配置了功率采集设备的电力设备进行实时功率监测。

电量分析: 能够进行电量消耗分析、实际用电量统计、理论用电量计算等, 由此来诊断用电设备老化情况、用户偷电情况以及其他情况, 为节能和减排提供科学的数据依据。通过分析用电量来确定节能减排的方案, 并且可以调查用户的偷电行为以及用电设备故障导致的用电量过大的原因。

电量统计: 对采集到的电量进行统计, 具体包括了年用电量统计、月用电量统计、日用电量统计、实时用电量统计等。

3 电力营销数据回归分析方法

3.1 信息融合方法

对电力营销数据进行融合, 并引入回归分析法对系统进行功能升级, 电力营销信息融合流程如图3所示。

图3 电力营销信息融合

有电力营销数据融合流程可知, 完成电力营销数据采集后, 将采集得到的原始数据进行数据关联, 再根据电力营销信息的类别差异进行归类融合, 从而得到新的电力营销数据。这样便得到了电力营销数据功能模型没如图4 所示。

图4 电力营销数据功能模型

通过传感器可以实现对电力营销数据的校准, 提取出有效的数据对电力营销数据的状态进行估计, 再通过数据辨识得到电力营销数据中更加深入的信息。再将数据导入到电力营销数据功能模型中, 也能用回归分析方法对电力营销数据进行深入分析。

3.2 电力营销数据提取

利用数据挖掘算法进行数据提取, 提取过程如下:

(1) 对电力营销数据进行区域分割, 分割方法:

式中,λ描述了电力营销数据所属空间的数量,br描述了低密度下电力营销数据的对象子区域空间,nr描述了电力营销数据所处节点的值域。

(2) 电力营销数据的分割是基于低密度条件进行的, 完成后再基于高密度条件显现, 高密度条件的属性值与低密度条件属性值存在较大差异, 分别为ρ1和ρ2, 在高密度条件下, 电力营销数据表现为:

式中,ar描述了低密度下电力营销数据的对象子区域空间。

(3) 在对低密度条件下和高密度条件下的电力营销数据表达式分析后, 进行聚类计算:

式中,i描述了需要被处理的电力营销数据, 这样便实现了电力营销数据的聚类提取, 从样本中提取出属性值高的数据, 得到数据集, 如果满足条件则进行下一步处理。

3.3 多元数据回归处理

将提取出的电力营销数据进行回归处理, 计算过程为:

(1) 构建回归运算矩阵:

式中,m泛代表矩阵中电力营销数据的对象,n泛代表与对象对应的属性。

(2) 根据度量值和绝对平均值实现电力营销数据标准化处理, 进而得到绝对偏差值为:

式中,mf描述了绝对平均值,sf描述了绝对偏差值,f描述了数据对象之间存在的差异, 绝对偏差值具有更好的鲁棒性, 能够最大限度避免异常数据造成的影响。

(3) 在进行标准化处理后, 能够得到不同电力营销数据类型之间的相似程度, 以及差异程度, 进行回归计算:

式中,D(i,j) 描述了不同的电力营销数据回归分析对象之间的差异程度; 如果D(i,j) 的数值为0, 则对象之间是对称的; 如果D(i,j) 的数值不为0, 则对象之间是不对称的, 多元回归分析结果为:

式中,ki描述了需要进行回归分析的数据量。

4 实例分析

为了验证基于信息融合的电力营销数据回归分析系统的功能。在确定权重参数和聚类参数后, 如果得到的分析结果聚类数目比聚类样本数小, 则不需要进行分析了, 如果聚类数目为1, 则可以进行回归分析。权重参数要合理配置才能保证分析效果。电力营销数据例子如表1 所示。

表1 电力营销数据列表

采用多种方法进行对比分析, 得到如图5 所示结果。

图5 电力营销数据分析结果对比

不同的电力营销数据分析方法, 其分析精度也是不同的, 当电力营销数据量达到300bit 时,COMTRADE 模型分析系统的精度能够达到60%左右, 数据融合系统的分析精度仅仅能够达到30%多一点, 本文所提出的基于信息融合的电力营销数据回归分析方法能够接近65% 左右, 具有较高的分析精度。

5 结束语

目前应用的电力营销数据回归分析系统分析精度低, 分析耗费时间也长, 本文将信息融合技术运用到电力营销数据回归分析系统中, 实现了电力营销数据的高精度、快速度分析, 对于提高电力营销的运行效率、提高电网的运行稳定性具有重要意义, 该方法可以进行大规模推广应用。