论文部分内容阅读
摘要：如何在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。本文主要阐述了电力营销系统数据来源、特点及数据挖掘技术有关内容，并探讨了数据挖掘技术在电力营销系统中的运用，以供参考。
关键词：电力营销系统；数据挖掘；技术
1电力营销系统数据来源、特点及数据挖掘技术的概述
电力营销系统中的数据涵盖管理信息系统、地理信息系统、SCADA系统、电网运行过程中的负荷管理系统、配变检测系统等实时信息系统中的所用数据，而且这些数据伴随着电力企业的发展逐渐积累，数据含量非常庞大。此外，电力营销系统数据在种类上还比较混杂，而且采集到的数据通常都会掺杂着一些噪声或是存在数据缺失、错误等情况，数据质量难以保证。作为一门新兴的学科，自从集统计学和人工智能以及模式识别、数据库、高性能并行计算等多种技术于一体的数据挖掘技术出现之后，人们对于数据的应用不再只停留在简单的数据查询阶段，而是进入到更高层次的应用——从数据中挖掘有价值的知识和信息，给管理者的决策提供支持。目前常用的数据挖掘技术有关联规则、分类及时间序列挖掘与序列挖掘及聚类等。
2数据挖掘技术在电力营销系统中的运用
2.1关联规则的应用
电力营销系统中的数据挖掘技术应用中关联规则是最为关键的技术应用之一。这种应用可以有效地帮助决策人员进行当前有关数据以及历史数据的规律分析，最后预测出未来情况。把关联规则成功引入电力营销分析，通过FP-Growth算法对电力营销的有关数据进行关联规则分析，从中得出各种电量销售的影响因素以及外部因素等的关联信息，以便更好地为电力的市场营销策略提供参谋和决策。
2.2分类的应用
在对电力营销系统进行中长期预测时常用的方法有序列预测、模糊理论和专家系统以及建立在竞争分类基础上的神经网络法和模式分类法等，其中，神经网络法和模式分类法在电力负荷预测上都有着令人满意的精确度。同时还有可应用于日调度计划编制当中的一种短期负荷预测算法，此种预测方法将决策树技术和外推算法做了有效结合，有着较高的预测精度；在对SCADA系统中不良数据进行状态估计时可以通过分类树建立子数据库，进而缩减SCADA数据库规模，将计算速度提升上来。
2.3时间序列与序列挖掘的应用
对电力营销系统的应用中，时间序列挖掘以及序列挖掘非常经典、系统，是应用最为广泛的一种预测方法。这种方法的应用中，对神经网络的研究非常之多。因此，在现实中应用主要把时间序列挖掘以及神经网络两者进行有效地结合，然后再分析有关电力营销数据。此外，有关专家还提出应用一种时间窗的序列挖掘算法，这种方式可以进行有效地报警处理，使电力系统中的故障能够准确的定位并诊断事故。此算法对电力系统的分析和挖掘能力的提高非常有效，还可判定电力系统的运行是否稳定，对错误模型的分析精度达到一定的精确度。
2.4空间挖掘的应用
在目前的市场经济大环境下，原本就需要决策者对各项数据做出快速的分析和诊断，这样才能在最短的时间内做出最正确的反应和决策，为电力企业健康、稳定、长远的发展提供有力保障。在这个过程中，需要运用特定的空间挖掘技术对各种目标层次的信息进行综合处理，这些信息包括电网的运行数据以及负荷的位置分布、负荷的实时变化数据等，只有如此才能对设备进行跟踪、对故障进行定位、对损失进行评价或是进行模拟停电、实现调度最优化等。对于同类负荷或是不同类负荷的位置分布数据可以通过空间分布规则和聚类规则以及特征规则与区分规则获得。另外，在针对用户开展业扩报装和负荷管理以及电表、电费查收等业务工作时，可以通过利用空间数据挖掘技术获取到的像地理编码这样的几何知识来完成；在负荷填谷和调峰、错峰等管理功能当中可以分别把变压器和用户地理位置、线路实际负荷以及负荷可控制情况等作为参考依据制定不同的负荷控制方案。
2.5聚类应用
聚类在电力营销系统当中主要应用在以下方面：电力用户分类、信用评价和负荷预测、分类以及变压器故障诊断、不良数据的修正等。例如在对客户各个方面不同屬性进行划分的基础上通过聚类分析法把客户划分成不同组别，此时，负责决策分析的人员就可以此聚类结构为依据，对存在于各个组别相互之间的差异性分析出来，然后对类群特征展开研究，这样就可以根据实际情况实行不同的营销策略，保证企业经济效益的提升。又如，鉴于电力客户信用分类的特性，可以在模糊聚类分析的基础上针对客户信用建立一个评价算法，通过此种算法就可以获得基于不同客户群的聚类中心以及针对每个客户的隶属度矩阵，这样就给针对客户群的特征分析提供了量化的参考依据。在不良数据的校正上，可以在原有聚类算法——CURE算法当中融入信息熵原则来对聚类过程中出现的基本参数进行选择，然后在相关负荷特征曲线的提取上使用Kohonen网络。此外，对于典型负荷的代表曲线，可以在对获取来的用户用电数据进行预处理之后再通过合适的聚类方法、聚类书目获得，这样既可以对用户的用电模式有所了解，又可以为购电合同的制定提供参考依据，帮助企业获得更多的经济效益。
3结语
总之，数据挖掘在电力营销系统的应用仍然处于起步的阶段，单一的挖掘算法很难满足实际决策的需要，应该要在多方面因素的影响下不断改进挖掘算法。目前，还未出现针对特定决策支持系统的专门挖掘软件，只是架构出系统结构，核心的算法体制并未完善，不能满足决策需要，如何保证数据挖掘方法更精确、高效、稳定地应用于营销系统中仍是亟待解决的问题。虽然存在不足，但是数据挖掘对潜在问题和规律具有很高的预见性，而且具有高效计算、监测和管理的能力，因此，它适用于电力营销系统大规模非线性问题的求解，必会显示出其强大的生命力，成为电力营销领域发展的重要工具。
参考文献：
[1]许敏.数据挖掘技术在电力营销系统中的应用及发展[J].科技与企业，2015.
[2]雷波.数据挖掘技术在电力营销系统中的应用研究[J].广东科技，2014.
（作者单位：国网伊宁县供电公司）
作者简介：李春生，男，（1972-2）籍贯：河北省枣强县，职称：助理工程师，研究方向：党建，电力营销。
关键词：电力营销系统；数据挖掘；技术
1电力营销系统数据来源、特点及数据挖掘技术的概述
电力营销系统中的数据涵盖管理信息系统、地理信息系统、SCADA系统、电网运行过程中的负荷管理系统、配变检测系统等实时信息系统中的所用数据，而且这些数据伴随着电力企业的发展逐渐积累，数据含量非常庞大。此外，电力营销系统数据在种类上还比较混杂，而且采集到的数据通常都会掺杂着一些噪声或是存在数据缺失、错误等情况，数据质量难以保证。作为一门新兴的学科，自从集统计学和人工智能以及模式识别、数据库、高性能并行计算等多种技术于一体的数据挖掘技术出现之后，人们对于数据的应用不再只停留在简单的数据查询阶段，而是进入到更高层次的应用——从数据中挖掘有价值的知识和信息，给管理者的决策提供支持。目前常用的数据挖掘技术有关联规则、分类及时间序列挖掘与序列挖掘及聚类等。
2数据挖掘技术在电力营销系统中的运用
2.1关联规则的应用
电力营销系统中的数据挖掘技术应用中关联规则是最为关键的技术应用之一。这种应用可以有效地帮助决策人员进行当前有关数据以及历史数据的规律分析，最后预测出未来情况。把关联规则成功引入电力营销分析，通过FP-Growth算法对电力营销的有关数据进行关联规则分析，从中得出各种电量销售的影响因素以及外部因素等的关联信息，以便更好地为电力的市场营销策略提供参谋和决策。
2.2分类的应用
在对电力营销系统进行中长期预测时常用的方法有序列预测、模糊理论和专家系统以及建立在竞争分类基础上的神经网络法和模式分类法等，其中，神经网络法和模式分类法在电力负荷预测上都有着令人满意的精确度。同时还有可应用于日调度计划编制当中的一种短期负荷预测算法，此种预测方法将决策树技术和外推算法做了有效结合，有着较高的预测精度；在对SCADA系统中不良数据进行状态估计时可以通过分类树建立子数据库，进而缩减SCADA数据库规模，将计算速度提升上来。
2.3时间序列与序列挖掘的应用
对电力营销系统的应用中，时间序列挖掘以及序列挖掘非常经典、系统，是应用最为广泛的一种预测方法。这种方法的应用中，对神经网络的研究非常之多。因此，在现实中应用主要把时间序列挖掘以及神经网络两者进行有效地结合，然后再分析有关电力营销数据。此外，有关专家还提出应用一种时间窗的序列挖掘算法，这种方式可以进行有效地报警处理，使电力系统中的故障能够准确的定位并诊断事故。此算法对电力系统的分析和挖掘能力的提高非常有效，还可判定电力系统的运行是否稳定，对错误模型的分析精度达到一定的精确度。
2.4空间挖掘的应用
在目前的市场经济大环境下，原本就需要决策者对各项数据做出快速的分析和诊断，这样才能在最短的时间内做出最正确的反应和决策，为电力企业健康、稳定、长远的发展提供有力保障。在这个过程中，需要运用特定的空间挖掘技术对各种目标层次的信息进行综合处理，这些信息包括电网的运行数据以及负荷的位置分布、负荷的实时变化数据等，只有如此才能对设备进行跟踪、对故障进行定位、对损失进行评价或是进行模拟停电、实现调度最优化等。对于同类负荷或是不同类负荷的位置分布数据可以通过空间分布规则和聚类规则以及特征规则与区分规则获得。另外，在针对用户开展业扩报装和负荷管理以及电表、电费查收等业务工作时，可以通过利用空间数据挖掘技术获取到的像地理编码这样的几何知识来完成；在负荷填谷和调峰、错峰等管理功能当中可以分别把变压器和用户地理位置、线路实际负荷以及负荷可控制情况等作为参考依据制定不同的负荷控制方案。
2.5聚类应用
聚类在电力营销系统当中主要应用在以下方面：电力用户分类、信用评价和负荷预测、分类以及变压器故障诊断、不良数据的修正等。例如在对客户各个方面不同屬性进行划分的基础上通过聚类分析法把客户划分成不同组别，此时，负责决策分析的人员就可以此聚类结构为依据，对存在于各个组别相互之间的差异性分析出来，然后对类群特征展开研究，这样就可以根据实际情况实行不同的营销策略，保证企业经济效益的提升。又如，鉴于电力客户信用分类的特性，可以在模糊聚类分析的基础上针对客户信用建立一个评价算法，通过此种算法就可以获得基于不同客户群的聚类中心以及针对每个客户的隶属度矩阵，这样就给针对客户群的特征分析提供了量化的参考依据。在不良数据的校正上，可以在原有聚类算法——CURE算法当中融入信息熵原则来对聚类过程中出现的基本参数进行选择，然后在相关负荷特征曲线的提取上使用Kohonen网络。此外，对于典型负荷的代表曲线，可以在对获取来的用户用电数据进行预处理之后再通过合适的聚类方法、聚类书目获得，这样既可以对用户的用电模式有所了解，又可以为购电合同的制定提供参考依据，帮助企业获得更多的经济效益。
3结语
总之，数据挖掘在电力营销系统的应用仍然处于起步的阶段，单一的挖掘算法很难满足实际决策的需要，应该要在多方面因素的影响下不断改进挖掘算法。目前，还未出现针对特定决策支持系统的专门挖掘软件，只是架构出系统结构，核心的算法体制并未完善，不能满足决策需要，如何保证数据挖掘方法更精确、高效、稳定地应用于营销系统中仍是亟待解决的问题。虽然存在不足，但是数据挖掘对潜在问题和规律具有很高的预见性，而且具有高效计算、监测和管理的能力，因此，它适用于电力营销系统大规模非线性问题的求解，必会显示出其强大的生命力，成为电力营销领域发展的重要工具。
参考文献：
[1]许敏.数据挖掘技术在电力营销系统中的应用及发展[J].科技与企业，2015.
[2]雷波.数据挖掘技术在电力营销系统中的应用研究[J].广东科技，2014.
（作者单位：国网伊宁县供电公司）
作者简介：李春生，男，（1972-2）籍贯：河北省枣强县，职称：助理工程师，研究方向：党建，电力营销。