论文部分内容阅读
摘 要：本文首先对数据挖掘技术进行了介绍，然后介绍了数据挖掘系统的建立，最后阐述了数据挖掘技术在水电站电力设备运行监测中的应用，希冀对同行提供参考或借鉴。
关键词：电力设备；运行监测；数据挖掘技术
1.引言
随着信息技术的飞速发展，数据库的规模也：不断增大，大量的数据也随之而来。但人们在面临大量的数据时往往很难从中分辨出能对决策提供支持的信息，而传统的报表查询工具不能将这些信息挖掘出来。因此数据挖掘技术作为一种新的数据分析技术应运而生，它能从大量数据中提取有价值的潜在信息。目前由于电力系统数据库的数据也不断的增多，将数据挖掘技术应用到电力设备的在线监测系统中也是非常必要的。
2.数据挖掘技术
数据挖掘就是将有用的信息从大量的数据中提取出来，具体来说就是在大量的、不清楚的、随机的、不完整的、有噪音的实际收集数据中提取出隐藏的、规律的、人们还没发现的但是具有潜在作用的、能最终被理解的信息和知识的非平凡过程。最近几年，研究数据挖掘技术以及对其的应用越来越多，已广泛运用于银行和商业领域。在有关学科的发展作用下，各种数据挖掘算法被研究出来。
2.1数据挖掘的一般过程
数据挖掘的一般过程包括以下5个方面：（1）数据选择指的是选取与所需解决的问题相关的数据，可以通过互联网进行采集。（2）通过滤噪来处理信息的全过程称为数据预处理。（3）数据转换：指的是将定性的数据转变为定量的，从某一方面来说，这一过程也叫做特征提取。（4）数据挖掘：就是将隐藏在数据库中的重要模式挖掘出来，这对发现知识起着重要作用。数据解释是将数据挖掘的成果进行评价和解释，即知识。
2.2数据挖掘具备的条件
从数据挖掘中挖掘有关知识的规则必须符合以下4个条件：（1）有效性，即规则或知识的重要性，使用的规则或知识对应未知的数据；（2）新颖性，即在实践过程中发现新的规则，与先验知识没关系；（3）有用性，该条件主要是为了发现用户感兴趣的规则；简单性，即发现的规则应尽量简单，应该能解释和创建复杂的数据。数据挖掘技术与统计分析、机器学习、数据库等其他领域的研究以及可视化技术联系密切。数据挖掘的方法和数学工具包括模糊逻辑、关联规则、决策树、统计学、神经网络、线性规划等。
当前，我国电力部门还没有广泛的应用数据挖掘，其主要应用于电力设备的状态评估、分类电力系统的运行模式、预测和分类电力系统负荷、电力系统运行状态、设备监控、电力系统建模、电力设备故障诊断以及优化电力调度等方面。
3.系统的建立
3.1应用背景：在20世纪60年代末设备运行状态监测与故障诊断技术开始使用，经过了三十多年的发展，现已大量运用于电力领域，为电力行业的发展提供了技术方面的保障。在水电站的生产过程中，大型设备每分每秒都形成大量的监测数据，人工很难单独诊断出来。因此传统的故障诊断和设备监测已无法达到生产管理的要求。随着不断发展的信息技术与计算机技术，在故障诊断领域逐渐开始使用数据挖掘技术。利用数据挖掘技术的故障诊断系统，不仅解决该领域的继承性、远程性与复杂性，同时也能解决诊断技术在向智能化和自动化发展所遇到的难题。
3.2系统结构：在监测设备运行状态和故障诊断时，我们要处理的数据信息是多变量的、大量的、不同结构的、多源的，为了将监控系统累积多年的数据与统计信息学进行有效的管理和利用，来更好的为设备的状态评估和故障诊断所服务，数据仓库技术的引入为不同来源的数据提供了一个相同的数据视图，把不同组织方式和不同介质的数据几种转变为一个一致的分析型数据环境。系统的逻辑结构图如图1所示。
在实际情况中，我们使用的模型是局域网分布式模型，在水电站的设备、调度、检修、监控中心等专业部门中，先根据统一的要求建立各自的数据仓库，负责采集、处理和更新自己范围内的数据，形成一种数据仓库群的模式，然后将这些单独的数据，根据统一的编码体系以及数据集成技术密切的联系在一起，建立一个统一的有机整体，其实现方案如图2所示。
图1 数据挖掘系统的三级逻辑结构
图2 监测系统的实现结构
3.3数据挖掘分析算法：目前有很多方法可以用来进行数据挖掘，根据角度的不同，一般分为以下几个：以发现模式为基础的挖掘包括：相关联的规则挖掘、总结规则挖掘、分类规则挖掘、特征规则挖掘、聚类规则挖掘、模式分析、趋势分析、偏差分析等；按照挖掘知识的抽象层次又可分为多层次挖掘、原始层次挖掘以及高层次挖掘等；根据数据库进行的挖掘又可分为多媒体、时间空间型、关系型、主动型、文本型、事务型与面向对象型；根据常用技术分类就包括最邻近技术、可视化、决策树、人工神经网络、遗传算法以及规则归纳等。智能检测当前机器状态，查出已存在或是即将出现的故障就是故障诊断与状态监测的主要工作内容。因此，可以通过使用已被成功验证过的关联规则的方法，来找出在不同设备有关联的数据信息。在关联规则挖掘的基础上，利用统计方法来总结提取出有价值的IF—THEN规则，以此来实现不同类型的数据挖掘任务。而故障诊断的过程是在分析大量设备监测数据信息后，挖掘出有用的知识。从用户的角度出发，可以将关联规则的过程总结为以下几步：首先用户指定出一个需要挖掘的数据仓库，其次制定出最下信任度和最小支持度，即阈值，然后由系统确定挖掘算法并开始运行，在结束运行之后，系统会返馈大量关联规则，其中就有用户需要的。
4.挖掘监测数据
在挖掘电力设备运行的监测数据时，主要面临着以下几个问题：①在将生产的实时数据库作为基础，研究数据不准确或是出現丢失的问题；②在不同的数据中分析出正确数据，去除噪声和干扰的问题；③由于实时数据随时间而不断的变化，如何挖掘具有动态特性的数据的问题；④如何优化设计数据仓库，让数据挖掘更便利的问题；⑤研究出能有效的进行数据挖掘的方法以及数据库中发现知识的算法；⑥将发现的知识通过使用自然语言或可视化技术，使用户更易理解，为其决策提供方便。
5.结束语
随着状态检修在这几年的蓬勃发展，以及各大电网公司建设的状态监测中心等，为数据挖掘技术得以研究与应用。同时随着数据规模在电力设备检测系统中的规模不断扩大，数据挖掘技术在其中的研究与应用也越来越广泛。（作者单位：平远县水务局富石水库工程管理所）
参考文献：
[1] 陈朝觐.基于数据挖掘的电力设备状态检修技术研究综述[J].广东电力，2010，9（22）：234-236.
[2] 王杉.数据仓库技术与联机分析处理.北京：科学出社.2009.90-92
[3] 邵风景，于中青.数据挖掘原理与算法.北京：中国水利水电出版社，2011.23-25
关键词：电力设备；运行监测；数据挖掘技术
1.引言
随着信息技术的飞速发展，数据库的规模也：不断增大，大量的数据也随之而来。但人们在面临大量的数据时往往很难从中分辨出能对决策提供支持的信息，而传统的报表查询工具不能将这些信息挖掘出来。因此数据挖掘技术作为一种新的数据分析技术应运而生，它能从大量数据中提取有价值的潜在信息。目前由于电力系统数据库的数据也不断的增多，将数据挖掘技术应用到电力设备的在线监测系统中也是非常必要的。
2.数据挖掘技术
数据挖掘就是将有用的信息从大量的数据中提取出来，具体来说就是在大量的、不清楚的、随机的、不完整的、有噪音的实际收集数据中提取出隐藏的、规律的、人们还没发现的但是具有潜在作用的、能最终被理解的信息和知识的非平凡过程。最近几年，研究数据挖掘技术以及对其的应用越来越多，已广泛运用于银行和商业领域。在有关学科的发展作用下，各种数据挖掘算法被研究出来。
2.1数据挖掘的一般过程
数据挖掘的一般过程包括以下5个方面：（1）数据选择指的是选取与所需解决的问题相关的数据，可以通过互联网进行采集。（2）通过滤噪来处理信息的全过程称为数据预处理。（3）数据转换：指的是将定性的数据转变为定量的，从某一方面来说，这一过程也叫做特征提取。（4）数据挖掘：就是将隐藏在数据库中的重要模式挖掘出来，这对发现知识起着重要作用。数据解释是将数据挖掘的成果进行评价和解释，即知识。
2.2数据挖掘具备的条件
从数据挖掘中挖掘有关知识的规则必须符合以下4个条件：（1）有效性，即规则或知识的重要性，使用的规则或知识对应未知的数据；（2）新颖性，即在实践过程中发现新的规则，与先验知识没关系；（3）有用性，该条件主要是为了发现用户感兴趣的规则；简单性，即发现的规则应尽量简单，应该能解释和创建复杂的数据。数据挖掘技术与统计分析、机器学习、数据库等其他领域的研究以及可视化技术联系密切。数据挖掘的方法和数学工具包括模糊逻辑、关联规则、决策树、统计学、神经网络、线性规划等。
当前，我国电力部门还没有广泛的应用数据挖掘，其主要应用于电力设备的状态评估、分类电力系统的运行模式、预测和分类电力系统负荷、电力系统运行状态、设备监控、电力系统建模、电力设备故障诊断以及优化电力调度等方面。
3.系统的建立
3.1应用背景：在20世纪60年代末设备运行状态监测与故障诊断技术开始使用，经过了三十多年的发展，现已大量运用于电力领域，为电力行业的发展提供了技术方面的保障。在水电站的生产过程中，大型设备每分每秒都形成大量的监测数据，人工很难单独诊断出来。因此传统的故障诊断和设备监测已无法达到生产管理的要求。随着不断发展的信息技术与计算机技术，在故障诊断领域逐渐开始使用数据挖掘技术。利用数据挖掘技术的故障诊断系统，不仅解决该领域的继承性、远程性与复杂性，同时也能解决诊断技术在向智能化和自动化发展所遇到的难题。
3.2系统结构：在监测设备运行状态和故障诊断时，我们要处理的数据信息是多变量的、大量的、不同结构的、多源的，为了将监控系统累积多年的数据与统计信息学进行有效的管理和利用，来更好的为设备的状态评估和故障诊断所服务，数据仓库技术的引入为不同来源的数据提供了一个相同的数据视图，把不同组织方式和不同介质的数据几种转变为一个一致的分析型数据环境。系统的逻辑结构图如图1所示。
在实际情况中，我们使用的模型是局域网分布式模型，在水电站的设备、调度、检修、监控中心等专业部门中，先根据统一的要求建立各自的数据仓库，负责采集、处理和更新自己范围内的数据，形成一种数据仓库群的模式，然后将这些单独的数据，根据统一的编码体系以及数据集成技术密切的联系在一起，建立一个统一的有机整体，其实现方案如图2所示。
图1 数据挖掘系统的三级逻辑结构
图2 监测系统的实现结构
3.3数据挖掘分析算法：目前有很多方法可以用来进行数据挖掘，根据角度的不同，一般分为以下几个：以发现模式为基础的挖掘包括：相关联的规则挖掘、总结规则挖掘、分类规则挖掘、特征规则挖掘、聚类规则挖掘、模式分析、趋势分析、偏差分析等；按照挖掘知识的抽象层次又可分为多层次挖掘、原始层次挖掘以及高层次挖掘等；根据数据库进行的挖掘又可分为多媒体、时间空间型、关系型、主动型、文本型、事务型与面向对象型；根据常用技术分类就包括最邻近技术、可视化、决策树、人工神经网络、遗传算法以及规则归纳等。智能检测当前机器状态，查出已存在或是即将出现的故障就是故障诊断与状态监测的主要工作内容。因此，可以通过使用已被成功验证过的关联规则的方法，来找出在不同设备有关联的数据信息。在关联规则挖掘的基础上，利用统计方法来总结提取出有价值的IF—THEN规则，以此来实现不同类型的数据挖掘任务。而故障诊断的过程是在分析大量设备监测数据信息后，挖掘出有用的知识。从用户的角度出发，可以将关联规则的过程总结为以下几步：首先用户指定出一个需要挖掘的数据仓库，其次制定出最下信任度和最小支持度，即阈值，然后由系统确定挖掘算法并开始运行，在结束运行之后，系统会返馈大量关联规则，其中就有用户需要的。
4.挖掘监测数据
在挖掘电力设备运行的监测数据时，主要面临着以下几个问题：①在将生产的实时数据库作为基础，研究数据不准确或是出現丢失的问题；②在不同的数据中分析出正确数据，去除噪声和干扰的问题；③由于实时数据随时间而不断的变化，如何挖掘具有动态特性的数据的问题；④如何优化设计数据仓库，让数据挖掘更便利的问题；⑤研究出能有效的进行数据挖掘的方法以及数据库中发现知识的算法；⑥将发现的知识通过使用自然语言或可视化技术，使用户更易理解，为其决策提供方便。
5.结束语
随着状态检修在这几年的蓬勃发展，以及各大电网公司建设的状态监测中心等，为数据挖掘技术得以研究与应用。同时随着数据规模在电力设备检测系统中的规模不断扩大，数据挖掘技术在其中的研究与应用也越来越广泛。（作者单位：平远县水务局富石水库工程管理所）
参考文献：
[1] 陈朝觐.基于数据挖掘的电力设备状态检修技术研究综述[J].广东电力，2010，9（22）：234-236.
[2] 王杉.数据仓库技术与联机分析处理.北京：科学出社.2009.90-92
[3] 邵风景，于中青.数据挖掘原理与算法.北京：中国水利水电出版社，2011.23-25