应用数据挖掘实现电力调度业务分析系统.docVIP

基于数据挖掘设计与实现智能电网调度运行分析系统 李胜利东方电子股份有限公司, 山东烟台264000 摘 要 本文依据实际情况和业务需求了模型，。 关键字 ； 本文针对我国智能电网的建设背景，结合实际情况和业务需求挖掘分析数据挖掘技术在处理海量数据和挖掘深层次信息方面有着很大的优势.1 预测模型 为了把握分析对象发展规律，需要对时序数据和序列数据进行数据挖掘，用已有数据序列预测未来趋势。电力负荷预测是调度业务中常用技术，在充分考虑系统运行特性、增容决策、自然环境和社会影响的条件下，研究或利用一套能系统地处理过去与未来负荷的数学方法，根据气温、湿度等因素预测未来用电需求，在满足一定精度要求的前提下，确定某特定时刻的负荷数值，指导电力调度决策。 负荷预测比较常用的方法有：时间序列法灰色预测法模糊聚类识别预测法神经网络预测法优选组合预测法.2 多维分析模型 维是信息所对应的层次概念，多维分析以维为基础，将数据分类进行抽象统计分析，按照分析对象的属性、特征，建立业务信息分类模型。多维分析基于统计学原理，在不同维度之间关联后做数据分析调度数据可以①设备台账类，描述电力调度对象固有属性的数据，包括一次设备、二次设备、自动化设备、通信设备等，主要来自业务系统的设备数据库，包括各种参数、定值②动作记录类，电力调度所从事的工作，实质上就是对电网设备的操作，以及处理电网设备的动作，这类数据来自日志调度、保护、自动化、通信、操作票、工作票，开关变位、保护故障信息系统等，反映电力系统运行的非连续过程③时间采样类，反映电力系统连续变动过程的一系列数据，其最大特点就是时间性，根据应用目的不同设置不同的粒度，如来自SCADA/EMS的原始数据可达到秒级的时间间隔，有分钟级或小时级的采集电量，还有按日、旬、月、季、年汇总加工的报表数据等。 关联规则反映事物之间依赖或关联的知识，关联规则挖掘是在数据库或信息知识库的项目集或者对象集中寻找关联、相关、或有因果关系的信息，涉及的两个重要参数是最小支持度和最小信任度，支持度表示规则前件和后件同时在数据集中出现的概率；信任度表示在规则前件成立时能够推出规则后件的概率，或者说规则后件相对于规则前件的可信程度。相关性指某种事物发生时其他事物会发生的一种联系，可以通过关联的支持度和可信度来描述。 进行电力负荷特性分析时，可以将影响负荷特性变化的因素分为两类：一类是对负荷具有长期影响效应的因素，对负荷的影响表现为负荷变化的长期趋势性，例如经济发展、产业结构变化等；另一类是对负荷的影响具有短期效应的影响因素，比如温度、降雨量等气候因素。研究各种相关因素对各行业或区域用电负荷变化的影响规律，有助于提高电力负荷的预测精度，确保电力系统的安全、经济运行。 本系统在具体应用中改进ID3算法，不仅考虑决策属性带来的信息增益，还考虑到选择该属性后继续选择的属性所带来的信息增益，即同时考虑树的两层结点，构造出高质量的决策树。运用该算法，能够减少结点数目，使树的深度更小，提高挖掘速度和效率。具体算法为：设A为侯选的属性，A有n项属性值，对应的概率分别为,, ..,，按照最小信息墒原理对属性A扩展，{,, ..,}为n个子结点选择的属性，分别对应的信息嫡为, ,..,，则 (1) 算法选择属性的标准是使得最小。算法的详细步骤如下： (a ) 对任意未选择的属性A，假设A有n个属性值，对应的概率分别为,, .., ，以属性A扩展，生成n个子结点{,, .., }，是属性A取第i个值时，按照最小信息嫡原理选择的A的后继属性，分别对应的信息嫡为, ,..,； (b ) 根据公式（1），计算； (c ) 选择使得最小，将作为新选的属性； (d ) 利用步骤(a)的计算结果，建立结点A*的后继结点{,, .., }； (e ) 对所有的，若为叶结点，则停止扩展此结点，否则递归执行(a)-(e)的过程。 电力负荷具有随机性，在实际预测中不可能考虑到所有的因素，一方面是由于历史数据的收集和观测困难；另一方面是因为因素太多不仅会引起建模困难，而且会带来运算复杂和数值不稳定等问题。因此选取对负荷预测有较大影响的星期因素和温度、湿度等气象信息作为主要考虑因素，改进决策树预测模型，克服算法的计算依赖于属性值较多的属性、属性间相关性强度不够及对噪声较为敏感的缺点，具有较好的预测结果，在一定程度上揭示影响日特征负荷的各个影响因素的重要程度。 2调度运行分析业务功能 为了电力安全经济调度,必须认真分析所有收集到的数据，将其转化为直观、易懂的调度经验知识。为此，本文基于数据挖掘的调度运行知识获取模型，观测分析结果、提供可视化程度高，便于调度运行人员获得有价值的信息，快速、有效地支持实际调度业务分析。 2.1 电网运