数据挖掘在电力营销中运用现况.docVIP

数据挖掘在电力营销中运用现况 如何从海量的电力营销数据中提取出有价值的信息 ，进 而快速地为决策者提供尽可能准确、翔实的等量化指标和决 策数据，提高经营管理水平，指导电网的经济运行工作，是目前 信息技术在电力营销系统应用中面临的主要问题。数据挖掘 (DataMiningQM)技术的出现，无疑将在电力营销领域引起一 场革命性的变革。本文从电力营销系统的重要性入手 ，介绍数 据挖掘的技术特点及其在电力营销系统的应用现状 ，从而为 电网的经济运行提供决策依据。 1电力营销系统 电力营销系统以业扩报装、电能计量、用电管理、营业 计费和线损管理等关键业务为核心 ，在各业务模块之上提供 服务模块和分析模块。服务模块包括电话服务、因特网服务 和客户中心服务等，侧重于为电力用户提供各种快捷优质的 服务;而分析模块则包括综合业务查询、基于历史数据的统 计、效益分析和决策支持，侧重于为企业领导提供及时准确的 决策依据［1］。因此,一切为电力系统正常运行提供决策的原始 数据都可归结为营销数据范畴，比如生产系统规划设计、 负荷 预测及用户特征提取、经济调度、电力系统故障诊断、动态 安全评估、异常数据的挖掘及相应处理等。 营销系统数据来源 营销系统的海量数据由管理信息系统、地理信息系统、 SCADA系统以及电网运行的实时信息系统 (负荷管理系统、 电能量计费系统、配变检测系统、计量检定)的运行数据所组 成。随着电力企业信息化建设的快速发展，各系统已产生并积 累了较为庞大的历史数据。 营销系统的数据特点 (1) 数据多。在电力营销系统中，数据主要分为由各种装置 实时采集的现场数据和由调度中心多种系统在运行过程中 产生的大量数据，数据来源多。另外，电力系统属于大规模奇 异非线性动态大系统，在对其进行特征描述时往往涉及到上 千个状态变量。传统的处理方法是对系统进行降维或简约化 处理，这在一定程度上影响了最终结果的精度 [2]。 (2) 数据种类混杂。营销系统是一个标准的混杂系统 ，其上 层(如调度中心)给出的(调度)决策主要是逻辑性的操作指令 , 而下层控制(如发电机的励磁与调速控制 )主要是连续性的，为 了达到系统多目标优化控制的目的 ，应将不同性质的上层和 下层控制有机地对合起来。 (3) 数据质量差。在营销系统中，采集到的数据往往存在含 有噪声、缺失、不正确等情况。 (4) 对数据的要求高。当系统处于紧急状态甚至瓦解状态 时,必须制定实时在线快速决策，使系统重新回到正常状态。 2数据挖掘技术 数据挖掘又被称为数据库中的知识发现 (KDD),是数据 库发展与人工智能技术相结合的产物 ，是一门新兴学科。它集 统计学、模式识别、人工智能、机器学习、数据库以及高性 能并行计算等技术于一体 ，把人们对数据的应用从低层次的 简单查询提升到从数据中挖掘知识，为管理者提供决策支持, 具有极为广泛的应用前景 ，是当前国际上数据库和信息决策 领域的最前沿研究方向之一。 数据挖掘的基本概念 数据挖掘就是从大量的、 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、人们事先不知道的但又是 潜在有用的信息和知识的过程 [3]。利用数据挖掘技术可以对 电力营销系统产生的海量数据进行分类抽取与优化整合 ，合 理存储后实时计算出相关指标以提取所关心的营销信息 ，其 结果将对营销系统的决策起到数据支持作用 ，更好地指导企 业的管理层和决策层对变化的环境做出快速而科学的市场 营销决策。 数据挖掘的主要技术[4] (1) 关联规则。关联规则是数据挖掘中最活跃的研究方法 之一，最早是由AGREWAL等人针对购物篮分析提出来的，采 用经典的Apriori算法,从大量的数据中挖掘出描述数据项之 间相互联系的有价值知识。随着收集和存储在数据库中的数 据规模越来越大，人们对从这些数据中挖掘相应的关联知识 越来越有兴趣。关联规则在数据挖掘领域应用广泛 ，适于在大 型数据中集中发现数据之间有意义的关系 ，进而对这些关联 规则进行有效评价，筛选出用户真正感兴趣的、 有意义的关联 规则。 (2) 分类。分类在数据挖掘中是一项非常重要的任务 ，其目 的是学会一个分类函数或分类模型(分类器),该模型能将数据 库中的数据项映射到给定类别中的某一个类别。分类可用于 预测,预测的目的是利用历史数据记录自动推导出对给定数 据的推广描述，从而对未来数据进行预测。 (3) 时间序列挖掘和序列挖掘。时间序列挖掘是数据挖掘 中的一个重要研究分支，有着广泛的应用价值。它是指从大量 的时间序列数据中提取人们事先不知道的 ，但又潜在有用的、 与时间属性相关的信息和知识，并用于短期、中期或长期预测 指导人们的社会、经济、军事和生活等行为。序列挖掘又称 序列模式挖掘，是指从序列中发现相对时间或者其它顺序所 出现的高频率子序列。