应用数据挖掘实现电力调度业务分析系统.docVIP

- PAGE 5 - 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 任 军 东方电子股份有限公司, 山东烟台264000 摘 要 本文依据电力调度实际运行情况和业务知识需求，考虑智能电网发展趋势，提出了利用数据挖掘技术建设智能电网调度运行分析系统的解决方案，讨论了调度运行分析系统的数据挖掘模型和业务功能，并介绍了调度运行业务信息分析实例中的系统体系架构和实现技术。 关键字 数据挖掘；智能电网；调度运行分析；综合信息平台 0引言 作为下一代电网自动化、信息化解决方案，智能电网是电网运行和管理的“中枢神经系统”,被认为是电力系统的重大科技创新和发展趋势。智能电网旨在通过升级改造原有电网的发电、输电、配电和用电环节达到更加环保、高效、互动的现代化电力系统，可综合处理各类调度自动化数据信息，为调度员提供各种智能分析和辅助决策工具，具有高度开放性、可用性和信息安全性，可适应各种标准信息集成框架的调度自动化系统 [6-7]。 本文针对我国智能电网的建设背景，结合电网调度实际情况和业务需求，提出了利用数据挖掘技术构建应用系统的方案，解决了大量分散数据和技术瓶颈形成的信息孤岛导致数据资源难以快速抽取出有价值知识从而有效支持决策的问题。构建的电网调度运行分析系统按照“集成信息——构建模型——提取知识”的思路，能够消除信息孤岛，从大量业务数据中挖掘信息并抽取知识，支持智能化调度运行分析与决策。 1数据挖掘模型 数据挖掘就是从海量的数据中挖掘出有价值信息的技术，应用一系列技术从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、有用的信息和知识的过程。其工作过程包括数据整合、建立模型、挖掘和知识分析。数据可以是结构化的，如关系数据库中的数据；也可以是半结构化的，如文本、图形、图像数据，甚至是分布在电力调度各类业务间的异构型数据。提取的知识表示为概念、规则、模式等形式[1-2]。 数据挖掘技术在处理电力调度海量数据和挖掘深层次信息方面有着很大的优势，针对电力调度业务需求，可以采用数据挖掘中发现知识的预测模型、多维分析模型、关联分析模型等方法构建挖掘模型，实现知识提取。 1.1 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、神经网络预测法和优选组合预测法等。人工神经网络能够建立任意非线性的模型，适用于解决时间序列预测问题。时间序列模型强调考虑时间特性，尤其是考虑时间周期的层次，如日、星期、月等，还可考虑日历的影响，如节假日等，适合应用于电力系统的负荷预测。 1.2 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，在电力调度分析中通常按时间（年、季度、月、周、日）和区域（地区、省、城市、区）进行分析，常用的方法有回归分析、方差分析等。 电力调度业务数据也可以采用分类模式进行统计分析，将数据分为三类进行归纳，提取能代表共同特性的信息： = 1 \* GB3 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 \* GB3 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 \* GB3 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。 1.3关联分析模型 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