基于智能化的电力大数据挖掘技术框架分析.docx

?

?

基于智能化的电力大数据挖掘技术框架分析

?

?

丁霄寅+徐雯旭

摘要：我国随着智能化深入到电网的建设之后，已经构建成功四类数据中心平台：海量历史和准实时、非结构化、结构化、电网空间；积累了丰富的大数据资源的平台能够对数据分析和决策系统的建设提供有效的支撑。本文就电力大数据智能化进行概述，然后在探讨电力大数据智能化高效分析挖掘技术框架，提供相关经验以供借鉴。

关键词：电力大数据；智能化；数据挖掘

DOI：10.16640/j.cnki.37-1222/t.2017.12.179

1概述电力大数据智能化的高效挖掘

电力大数据智能化主要是从智能化的电网内部以及外部两个方面来的，从始自终会涉及到电力系统的生产、管理与使用的每个环节，具体是从发电到输电，变电到配电，用电到调度等方面。

1.1电力大数据智能化的特点

智能化的电力大数据被国内外研究文献概括为八个特点：高准确性、数据即能量、数据即共情、数据即交互、高价值性、数量大、类型多、速度快。由于电力行业对与社会电力需求以及安全生产等方面有着不可推卸的责任，所以在运用电力进行生产以及营销等社会活动时候必须要精准无误才可以；对于电力大数据的智能化来说可以对电力系统的每个环节耗能进行降低，能够对电力行业的可持续发展做出贡献；电力大数据的智能化可以对供用电双方的动态交互和发现进行实现，并和其他网络整合一起形成动态交互；电力工业的生产和销售也会被智能化的大数据推动而转向以用户为中心的情感导向，这是对电力消费者的关怀体现；说到价值，电力大数据的智能化会涉及电力系统内部数据以及外部数據，电力行业中的规律性特点都会被反映出来，对于管理的工作有很大的指导作用。外部的数据也能够对国家目前的社会经济状态进行体现，也存在较高的价值；智能化的电力大数据具备着几个常见的特点，就是数量大以及类型多、速度快。智能化的电网建设促进了数量的增长，以及不同数据类型的使用：半结构化和结构化的数据类型，为了适应大数据的采集，速度也要调整得更快才能适应工作的需要。

1.2数据挖掘的基本理论

人工智能、数据库技术、统计学和机器的学习等不同学科相互结构获得的产物就是数据挖掘。通俗而言，有用的知识能够提取或者挖掘于大量数据的形式就是数据挖掘；但是数据挖掘的广义定义就是将存放在数据库或者其他信息库里的大量数据进行挖掘知识的整个过程。而目前为止，研究数据挖掘的技术虽说已取得不少进步，但是依旧面临许多待解决的问题和挑战。开发者或者研究人员都会面临巨大的挑战，数据挖掘的办法、数据不同类型、用户的交互性等问题都必须在数据挖掘的时候要仔细的考虑好，特别是想要有挖掘知识于大型数据库的时候。

知识发现类、概率统计分析类和其他数据挖掘技术三大技术构成目前最常用的数据挖掘的技术。非线性分析、线性分析、聚类分析和回归分析四种数据挖掘模型是概率统计分析类使用的四种具体模型。特别是聚类分析模型，其不仅具备不错的时效性能，而且还能够完整的对数据不完整的提点进行解决；这样一来，数据库里的随时更新的数据，都会对单一性或者陈旧性的数据所带来不足的特殊性进行避免。

2探索电力大数据智能化高效分析挖掘技术的框架

分析了来自国家电网的外部数据源和四大数据中心的多源异构大数据，可以从具体不同的四个方面来对电力大数据智能化的高效分析挖掘技术框架进行构建：分别是数据源层、特征分析层和服务层、验证层。电力大数据在整个技术的框架之中可以通过数据的特征进行分析、数据并行化来分析以及基于内存计算的数据分析等三个方面的技术来进行；然后利用数据的特征模型相关和高性能交互的分析、将传统电力的数据分析提高到全数据的处理来分析，最后能够将电力大数据的并行化的分析以及服务系统进行完善，同时也能够利用超短期的母线负荷预测的应用来对技术是否适用来进行验证。

具体的总体技术框架由三个大方面来构成：数据来源方面，数据特征分析方面，大数据并行化分析服务体系。首先，从数据来源方面出发，其中包含了数据中心以及外部的数据，结构化、非结构化、实时/历史、地理的信息等组成了数据的中心，气象数网、移动的互联、社交的网络等组成了外部的数据；然后再到由特征提取的方法、数据模型的构建、基于数据特征的类聚/管理挖掘分析构成了数据特征的方法。同时还需要注意数据的并行化分析框架的构成以及基于内存的高性能数据分析下具体几个细节性的方面；然后将它们进行封装给到大数据并行化的分析服务体系以获得最终的验证。服务层面构建电力大大数据并行化分析服务体系主要是通过服务的架构以及服务的接口，应用层利用超短期母线负荷预测作为应用的场景，调用相应的接口来对符合的大数据进行实时的分析工作。其中服务架构中包含了不少方面的知识：比如数据的服务应用、消费的模式、抽象的层次、服务管理和应用支撑等。而服务接口中也由业务人员、分析人员、开发