杜泽源
国网湖北省电力有限公司十堰供电公司
摘要：电网调度数据的收集处理质量会直接影响电力自动化系统的控制水平与管理水平，但是考虑到许多高质量的数据信息通常位于隐藏数据中，常规的技术方法难以满足电力调度自动化系统的应用目标。为找到解决方法，本文探索了数据挖掘技术在电网调度运行平台中的应用。
关键词：数据挖掘技术；电网调度；平台
调度系统主要任务是确保电网的安全、稳定、经济的运行。随着电网的快速扩张，作为电力控制系统中数字化程度最高的调度系统同样遇到了困难。基于此智能电网调度被提出，该种智能系统实现了自动调整功能、整合控制功能、细化处理功能、网络化通信功能，形成了高度集成信息化、自动化的电网调度平台。
一、数据挖掘技术简析
1．技术应用必要性
数据挖掘被视为一种能够从大型数据库中提取数据和模型的技术。为了深入挖掘有效数据并进行合理利用，研究人员应当深入研究数据挖掘技术的应用过程。
首先要做好技术识别和数据库的选择。例如，对于电网运行相关的数据，技术人员就需要了解电网各种运行方式和接线方式。然后是准备数据，技术人员可以通过选择数据、预处理数据将数据转换为三个级别，进而完成挖掘算法分析模型的设计，并且可以在此基础上完成特定区域中的数据挖掘。在以前的能源分配中，数据分析仅应用于能源信息管理和设备管理，因此只能提供搜索和常规信息，而不能执行数据决策分析，这通常需要更加复杂的挖掘数据算法。但是部分电力企业对新技术的能源系统规划不重视，导致数据挖掘技术没有得到合理应用，因此研究电网数据挖掘技术是十分必要的。
2．技术优越性
近年来，数据挖掘技术由于其很强的技术优越性，已经成为一种各领域广泛使用的先进技术，尤其是在电力系统中，数据挖掘技术可以对电网的数据进行优化处理，从而达到提高电网运行效率的目的。另外，电网管理者还可以通过使用数据挖掘技术对人员绩效考核、保护功耗记录在内的多项日常工作进行应用，以提高数据应用程序的准确性，经过各种挖掘算法的研究，可以有效地分析数据之间的隐式关系。在这一过程中采用数据挖掘技术的优势显而易见，同时也可以为下一步发电量预测、负荷预测等提供更为可靠的技术支持。
二、数据挖掘在电力调度自动化系统中的应用
1．技术应用方式
神经网络作为一种广泛使用的人工智能研究方法，在我国已得到广泛应用。电力调度自动化系统的数据挖掘技术具有自我处理、数据分发以及高容错性等优越性，使得神经网络数据挖掘方法更适合处理电力调度自动化系统数据。考虑到数据挖掘技术本身存在固有的数据误差和不准确性，电网调度人员在进行调度自动化系统数据挖掘过程中应当充分考虑到电能分配的实际需要，并在此基础上不断改进数据逻辑的处理方法。电网调度人员首先应做好数据集成管理工作，这是因为电力调度自动化系统需要处理海量的电网运行数据，这些数据具有复杂性和多样性。此外，技术人员通过应用神经网络数据挖掘方法，可以对电网各种运行方式、典型区域电网的运行状态、每条线路的连接方式和每个变电站的设备参数等信息进行合理地挖掘和排序，同时保证相关数据信息综合应用，进而可以实现电网运行的综合分析和决策。另外，技术人员可以结合神经网络收集的电网数据，进行更高效率的分析、决策和数据交换。
2．技术关联规则
灰色分析方法是数据挖掘技术的一种很实用的分析数据方法，该方法可以很好地分析电网运行数据中出现的不完整数据，但是这一技术关联规则不适用于处理大量数据。在正常情况下，技术人员在应用灰色分析方法时需要详细了解设备数据的参数，例如预测用户功耗、总线负载数据值和电力销售预测等，并结合功率的多少来改善数据挖掘的质量。而技术关联规则的主要研究都集中在定期关联规则的挖掘算法开发上，该挖掘算法的优点在于减少了搜索数据库的频率，缩短了搜索数据的响应时间，减少了连接程序中相同元素的比较次数，并减少了数据记录次数。
3．应用实践要点
数据挖掘技术在电网调度运行平台中的应用需要相应技术要点的支持，才能够获得良好的挖掘效果。技术人员在选择开发平台时需要详细分析应用数据平台的特点，通常数据平台具有强大的数据库访问功能和广泛扩展空间，能够更好地满足系统开发需求。因此技术人员在系统设计的过程中可以使用不同的数据集成方法，从而挖掘出不同类型的不完整数据，进而对重复数据和错误数据进行清理，这也是数据挖掘技术在电网调度运行平台中应用的实践要点之一。
4.数据统计分析
数据统计分析就是基于统计学原理，在多个不同的维度进行数据分析。例如，对数据进行分类，将分类后的数据按照属性、业务及相关性等多个维度进行关联操作，然后利用关联后的结果进行数据分析。通常电力调度数据可以分为设备记录数据、动作记录数据、时间记录数据。
设备记录数据主要是记录基础设备、智能设备、通信设备等设备的固有数据，这些固有数据主要来自于设备各自的数据库和各种设备的参数。动作记录数据主要是保存智能电网调度系统操作日志，这些操作主要包括设备的调度、通信、维修、保护、检测以及操作人员的相关操作，该数据详细的展示了电力调度系统的操作过程。时间记录数据主要保存电力调度系统运行过程中的时间采样，将其进行整合形成按照年或月为单位的时间数据报表。
5.数据预测
数据分析后，需要对数据或者事件的发展趋势进行预测，通过准确的预测可提前做出相应的处理，最大化电网智能调度系统的效率。
以常见的电网负荷数据预测为例，通过负荷数据分析，发展或者实现一个可以预测下个阶段电网负荷的方法或模型。该方法或者模型综合考虑了影响网负荷时间较长的因素和时间较短的因素，同时该方法还需要满足相关的限制条件。通过该方法或模型可方便的得到特点时间的电网负荷大小并进行相应的预测，来指导电网智能调度系统做出相应的处理。
常用的数据预测方法主要包括模糊聚类、机器学习等方法。机器学习通过迭代可以模拟任意线性与非线性模型，适合于电网系统的预测。因此，解决基于数据挖掘的调度问题中多用机器学习方法进行分类预测。
6．功能模块设计
数据分析功能模块设计工作是一项系统性的工作，数据分析功能模块一般包括四个部分，即同步数据分析、定期数据分析、数据预警分析和数据相关性分析。首先是同步数据分析模块构造，这一过程中数据分析过程可以总结为：输入所有比较条件→合法→根据条件生成SQL语句→显示查询结果→数据结果对比。在这一过程中技术人员可以通过数据挖掘来确定相应的警报周期、负载周期和遥测周期。此外，预警模块的设计分析过程为：初始化数据集和参数→输入预警分析参数→合法→预测分析→定义预测类型→有建议→输出警报类型和建议→输出警报类型。这一流程有助于数据挖掘技术在电网调度运行平台得到更好的应用。
三、结束语
随着我国电网调度运行水平的不断提升，数据挖掘技术在电网调度运行平台中的应用范围越来越广。考虑到数据挖掘技术在电网调度运行平台中的应用价值非常高，希望本文对相关领域理论探索和实践探索起到参考作用。
参考文献
[1]李倩.电力系统可视化技术及其在电网智能调度中的应用[D].济南:山东大学，2015.
[2]朱炎平.基于聚类的用户用电行为分析研究[D].北京:华北电力大学，2017.
[3]吕文晶，刘进.第四次工业革命与人工智能创新[J].高等工程教育研究，2018,17(3):69-76.
[4]孙立民，王琳，时海刚.应用于智能电网的数字通信技术[J].电气时代，2011(7):64-65.
[5]杨龑骄.基于Hadoop的智能调度云数据中心关键技术研究[D].保定:华北电力大学，2013.