基于数据挖掘技术在电力系统中的研究.docVIP

基于数据挖掘技术在电力系统中的研究 　　摘要：介绍了数据挖掘的基本概念和体系结构，在此基础上，结合电力系统的特点，分析了数据挖掘技术在电力系统领域的应用情况，并展望了其今后的发展趋势。 　　关键词：数据挖掘；电力系统；知识处理；人工智能 　　中图分类号：TP311文献标识码：A文章编号：1009-3044(2008)22-733-02 　　Studying of Power System Based on Data Mining 　　KANG Ying-xi, TANG Bei-ping 　　(Hunan Institute of Engineering, Xiangtan 411101, China) 　　Abstract: In this paper the basic concept and systematic structure of data mining are described. On this basis considering the features of power system own, the prospect of applying data mining in power system is discussed. Its future development is also forecasted. 　　Key words: data mining; power system; artificial intelligence; knowledge discovery 　　1 引言 　　随着21世纪计算机的迅猛发展，人类正在步入信息社会。对电力行业来说，随着数字化技术在电力系统中的广泛应用，电力系统中产生了正在以指数速度增长的数据。因此如何对数据与信息快速、有效的进行分析、加工、提炼以获取所需系统的有用知识，并发挥其作用，已成为电力行业所面临的关键问题之一。 　　数据库知识发现（knowledge discovery in database 缩写为 KDD）的核心技术――数据挖掘（data mining缩写为DM）是近年来国际上较为活跃的研究领域，是人工智能与数据库技术相结合的产物，它运用一些专门的算法从数据中抽取出有效的模式，能从大量数据中发现潜在规律，以提取有用知识。 　　面对电力系统中迅速膨胀的数据信息量，根据电力系统的安全性、经济性要求，本文介绍了数据挖掘的知识，并结合电力系统的特点，对数据挖掘技术在电力系统中的应用进行了初步探讨，并展望了其今后的发展趋势。 　　2 数据挖掘技术 　　2.1 数据挖掘的定义和含义 　　数据挖掘（DM）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。从广义上讲，数据挖掘就是在一些事实或观察数据的集合中寻找模式的决策支持过程。 　　DM所能发现的知识可划分为如下几种知识模型： 　　分类模型：通过对已知类别的个体进行归类，提取出能代表群体共同的特征属性； 　　回归模型：能用所分析对象属性的历史数据预测未来趋势； 　　时间序列模型：能用已有的数据序列预测未来； 　　聚类模型：将一个群体分成多个类，使同类个体尽可能相似而不同类个体差异尽可能大； 　　关联模型：反映事物之间依赖或关联的知识； 　　序列模型：与关联模型相似，不同的是序列模型的对象是在时域分布的，发现的规则也与先后顺序有关。 　　2.2 数据挖掘技术的过程 　　数据挖掘过程一般由3个阶段组成：数据准备、数据挖掘及解释评估。如图1所示： 　　■ 　　图1 　　2.3 数据挖掘的体系结构 　　数据挖掘系统可以大致分为3层结构，如图2所示： 　　■ 　　图2 　　3 数据挖掘技术在电力系统中的应用 　　随着电力系统中数字化技术的广泛应用，为了保证在市场经济环境下系统能安全、可靠运行，各种管理信息系统（MIS）、地理信息系统（GIS）、电力市场所需的开放访问同时信息系统（OASIS）以及电网运行的时实信息系统等在电力系统的广泛应用，产生了大量数据，用传统的统计分析手段已难满足要求，若需发现更深层次的规律，并保证电力系统的经济性、安全性、可靠性，还必须提供更快、更有效的决策支持。数据挖掘（DM）技术恰恰能满足电力系统的这些要求。 　　3.1 电力系统的特点 　　1) 数据多； 　　2) 数据种类混杂； 　　3) 数据质量差； 　　4) 电力系统对数据的要求高。 　　3.2 电力系统中可用DM技术的方面 　　1) 电力系统安全稳定性评估； 　　2) 电力系统的调度运行； 　　3) 电力系统故障分析； 　　4) 电力系统规划设计； 　　5) 电力市场用