论文部分内容阅读
摘要：数据挖掘技术主要指的是一种数据库技术与人工智能技术结合的技术，利用一定算法，可以从大量的数据信息中搜索到所需信息。在电力调度自动化控制系统中应用数据挖掘技术具有重要意义，对于电力企业的发展和创新具有推动作用，同时可以让电力企业的经济效益得到提升。本文对此进行了分析。
关键词：数据挖掘；电力调度自动化系统；应用
在大数据技术的不断发展下，人们对数据信息的需求增加，但是现阶段社会发展中缺乏对数据信息进行有效分析、处理的工具。数据库系统也仅仅是对数据信息的简单处理，无法充分挖掘数据信息背后的隐藏信息，因而无法发挥出数据信息在人类社会发展中的重要作用。电力调度自动化系統中包含大量电力数据信息，但是在实际应用中这些信息是很难被完全挖掘出来的。数据挖掘的出现有效解决了信息无法充分挖掘的问题，能够实现对噪声数据、不完全数据的有效处理。
一、数据挖掘技术及其原理
数据安全研究中心网站对数据挖掘的定义是：基于现实或虚拟的数据处理中心，围绕一个特定的研究对象或一个特别的研究目的，对数据进行采集、保存、分析等数据收集与管理。目前，国网电力公司正在实施“SGl86”工程，正在建设并完善以数据采集、数据共享、数据分析为主要功能的智能型综合业务系统。数据中心功能架构图如图1所示。
服务架构是海量实时数据中心对外提供的各种服务功能的集合，具体而言，包括数据接入服务、数据采访和基础工具服务。利用海量数据，可以访问电力系统各业务流程的历史记录，提供各流程业务的标准、统一访问方法，并为跨专业、跨部门的分析及辅助决策提供必要的支撑。海量实时数据中心提供标准的业务应用数据接入方法，主要包括以下几种。
（1）实时/历史数据通用应用程序访问接口（UAPI）。利用应用程序访问接口将数据写入中心服务平台，以实现实时/历史数据接入。业务应用可以直接使用UAPI直接向实时数据中心写入数据，从而完成实时历史数据的接入。该接入方法可以适用于同在管理信息大区的业务应用接入，生产控制大区的应用由于单向隔离网闸而无法应用。
（2）E格式语言文件。E格式语言文件是国网公司制定的一种通用的实时数据传输标准，实现文本文件在单向隔离网闸的穿越传输，在调度与信息的数据交换领域得到了广泛的应用。该接入方法能够适用于所有业务应用的接入，由业务应用依据需求持续形成E格式文件并输送至实时数据中心的接入服务器，接入服务器负责解析E格式文件并调用UAPI将数据写入实时数据中心。
（3）实时数据接入通用规约。该通用规约基于TC/IP，通过网络通信报文的形式将业务应用的数据传输到实时数据中心的接入服务器，接入服务器负责解析该通用规约并调用UAPI将数据写入实时数据中心。考虑到单向隔离网间的特点，该通用规约在设计时不考虑应答报文，其目的是通过通信规约的形式。
（4）其他标准的规约和接口。对于电力行业及相关行业内比较成熟通用的标准规约和接口，实时数据中心都应提供支持。
二、数据挖掘在电力调度自动化系统中的应用
神经网络、灰色分析法、关联规则均能够用于电力调度自动化系统的数据挖掘，具体应用如下所示。
（1）神经网络。作为应用较为广泛的一种人工智能研究方法，神经网络早已在我国实现了较为广泛的应用，电力调度自动化系统的数据挖掘也是其应用的重要领域，由于数据自行处理、数据分布存储、高度容错性是神经网络的应用优势所在，这就使得神经网络较为适用于模糊、不完整、不准确数据的处理。在电力调度自动化系统的数据挖掘中，神经网络主要通过关联分析的方式实现数据逻辑处理，具体处理可以分为以下几个方面：a.整合统一基础数据。由于电力调度自动化系统包含的数据具备庞大复杂、种类繁多的特点，因此神经网络的应用需要通过整合统一使相关数据形成结构模型，通过神经网络系统实现数据统一管理。b.实现不同环节电力调度的关联。应用数据挖掘神经网络方法整理不同环节的电流状态和参数，并保证相关数据信息的整合性，即可实现不同环节电力调度的关联。c.分析与决策。结合神经网络整理的整合数据，即可开展分析、决策以及数据共享。
（2）灰色分析法。灰色分析法能够较好分析电力调度过程出现的不完整数据，但不适用于较为庞大的数据是该数据挖掘方法存在的不足。一般情况下，灰色分析法的应用需要深入了解设备数据参数，如用户用电情况预测、母线负荷数据值、电力销售情况预测等，结合分析确定电力调度边界电量，即可提升数据收集的可靠性，电力调度自动化系统的运行也将由此获得较为有力的支持。
（3）关联规则。作为数据挖掘的重要分支，关联规则能够通过发觉大量数据项集之间的有趣关联和相互联系实现信息的高质量分析，刚刚提到的神经网络严格意义上也属于关联规则范畴，不过本文关于关联规则的研究主要围绕周期性关联规则挖掘算法展开。周期性关联规则挖掘算法具备扫描数据库次数较少、避免扫描数据库的时间开销、连接程序中相同项目的比较次数较少、数据项集频度统计速度较高等优势，由此实现的周期性数据集挖掘、关联规则挖掘便能够大大降低电力调度自动化系统的事故发生概率。
三、结束语
电力调度自动化系统对电力数据的收集和整理工作质量有着较高要求，而为了满足这一要求近年来数据挖掘技术日渐受到电力行业重视，基于此，文章就数据挖掘技术进行了简单介绍，并对数据挖掘在电力调度自动化系统中的应用进行了深入论述，希望论述内容能够为相关业内人士带来一定启发。
参考文献：
[1]王谦，李烽.电力调度的自动化网络安全分析及实现[J].电子技术与软件工程，2017（21）：116.
[2]刘宾，朱亚奇，吴莎.数据挖掘在电力调度自动化系统中的应用[J].电子技术与软件工程，2017（20）：158.
[3]曹铁生.电力调度自动化系统应用现状与发展趋势研究分析[J].硅谷，2014，7（23）：74+76.
[4]周洋.数据挖掘在电力调度自动化系统中的应用解析[J].科技创新与应用，2017（35）：149-150.
（作者单位：国网葫芦岛供电公司）
关键词：数据挖掘；电力调度自动化系统；应用
在大数据技术的不断发展下，人们对数据信息的需求增加，但是现阶段社会发展中缺乏对数据信息进行有效分析、处理的工具。数据库系统也仅仅是对数据信息的简单处理，无法充分挖掘数据信息背后的隐藏信息，因而无法发挥出数据信息在人类社会发展中的重要作用。电力调度自动化系統中包含大量电力数据信息，但是在实际应用中这些信息是很难被完全挖掘出来的。数据挖掘的出现有效解决了信息无法充分挖掘的问题，能够实现对噪声数据、不完全数据的有效处理。
一、数据挖掘技术及其原理
数据安全研究中心网站对数据挖掘的定义是：基于现实或虚拟的数据处理中心，围绕一个特定的研究对象或一个特别的研究目的，对数据进行采集、保存、分析等数据收集与管理。目前，国网电力公司正在实施“SGl86”工程，正在建设并完善以数据采集、数据共享、数据分析为主要功能的智能型综合业务系统。数据中心功能架构图如图1所示。
服务架构是海量实时数据中心对外提供的各种服务功能的集合，具体而言，包括数据接入服务、数据采访和基础工具服务。利用海量数据，可以访问电力系统各业务流程的历史记录，提供各流程业务的标准、统一访问方法，并为跨专业、跨部门的分析及辅助决策提供必要的支撑。海量实时数据中心提供标准的业务应用数据接入方法，主要包括以下几种。
（1）实时/历史数据通用应用程序访问接口（UAPI）。利用应用程序访问接口将数据写入中心服务平台，以实现实时/历史数据接入。业务应用可以直接使用UAPI直接向实时数据中心写入数据，从而完成实时历史数据的接入。该接入方法可以适用于同在管理信息大区的业务应用接入，生产控制大区的应用由于单向隔离网闸而无法应用。
（2）E格式语言文件。E格式语言文件是国网公司制定的一种通用的实时数据传输标准，实现文本文件在单向隔离网闸的穿越传输，在调度与信息的数据交换领域得到了广泛的应用。该接入方法能够适用于所有业务应用的接入，由业务应用依据需求持续形成E格式文件并输送至实时数据中心的接入服务器，接入服务器负责解析E格式文件并调用UAPI将数据写入实时数据中心。
（3）实时数据接入通用规约。该通用规约基于TC/IP，通过网络通信报文的形式将业务应用的数据传输到实时数据中心的接入服务器，接入服务器负责解析该通用规约并调用UAPI将数据写入实时数据中心。考虑到单向隔离网间的特点，该通用规约在设计时不考虑应答报文，其目的是通过通信规约的形式。
（4）其他标准的规约和接口。对于电力行业及相关行业内比较成熟通用的标准规约和接口，实时数据中心都应提供支持。
二、数据挖掘在电力调度自动化系统中的应用
神经网络、灰色分析法、关联规则均能够用于电力调度自动化系统的数据挖掘，具体应用如下所示。
（1）神经网络。作为应用较为广泛的一种人工智能研究方法，神经网络早已在我国实现了较为广泛的应用，电力调度自动化系统的数据挖掘也是其应用的重要领域，由于数据自行处理、数据分布存储、高度容错性是神经网络的应用优势所在，这就使得神经网络较为适用于模糊、不完整、不准确数据的处理。在电力调度自动化系统的数据挖掘中，神经网络主要通过关联分析的方式实现数据逻辑处理，具体处理可以分为以下几个方面：a.整合统一基础数据。由于电力调度自动化系统包含的数据具备庞大复杂、种类繁多的特点，因此神经网络的应用需要通过整合统一使相关数据形成结构模型，通过神经网络系统实现数据统一管理。b.实现不同环节电力调度的关联。应用数据挖掘神经网络方法整理不同环节的电流状态和参数，并保证相关数据信息的整合性，即可实现不同环节电力调度的关联。c.分析与决策。结合神经网络整理的整合数据，即可开展分析、决策以及数据共享。
（2）灰色分析法。灰色分析法能够较好分析电力调度过程出现的不完整数据，但不适用于较为庞大的数据是该数据挖掘方法存在的不足。一般情况下，灰色分析法的应用需要深入了解设备数据参数，如用户用电情况预测、母线负荷数据值、电力销售情况预测等，结合分析确定电力调度边界电量，即可提升数据收集的可靠性，电力调度自动化系统的运行也将由此获得较为有力的支持。
（3）关联规则。作为数据挖掘的重要分支，关联规则能够通过发觉大量数据项集之间的有趣关联和相互联系实现信息的高质量分析，刚刚提到的神经网络严格意义上也属于关联规则范畴，不过本文关于关联规则的研究主要围绕周期性关联规则挖掘算法展开。周期性关联规则挖掘算法具备扫描数据库次数较少、避免扫描数据库的时间开销、连接程序中相同项目的比较次数较少、数据项集频度统计速度较高等优势，由此实现的周期性数据集挖掘、关联规则挖掘便能够大大降低电力调度自动化系统的事故发生概率。
三、结束语
电力调度自动化系统对电力数据的收集和整理工作质量有着较高要求，而为了满足这一要求近年来数据挖掘技术日渐受到电力行业重视，基于此，文章就数据挖掘技术进行了简单介绍，并对数据挖掘在电力调度自动化系统中的应用进行了深入论述，希望论述内容能够为相关业内人士带来一定启发。
参考文献：
[1]王谦，李烽.电力调度的自动化网络安全分析及实现[J].电子技术与软件工程，2017（21）：116.
[2]刘宾，朱亚奇，吴莎.数据挖掘在电力调度自动化系统中的应用[J].电子技术与软件工程，2017（20）：158.
[3]曹铁生.电力调度自动化系统应用现状与发展趋势研究分析[J].硅谷，2014，7（23）：74+76.
[4]周洋.数据挖掘在电力调度自动化系统中的应用解析[J].科技创新与应用，2017（35）：149-150.
（作者单位：国网葫芦岛供电公司）