摘要：电力行业是我国的基础性行业，是国民经济建设的基础。而且随着人们生活水平的提高，对于电力的需求越来越大。随着这种需求的增大，电网的负担也越来越大，管理中出现的问题也越来越多。所以，应该采取科学合理的管理系统，随着信息技术的广泛使用，数据挖掘技术被应用到电网运营监控中，给电力管理带来了一定的便利，促进了电力行业的发展。
关键词：数据挖掘技术；电力行业；过程监控；应用
1电力监控系统分析
1.1 电力监控系统的稳定性
电力监控系统在供配电当中的算法是十分先进的，利用芯片形成高频信号优比来保护运行的信息，因此相比较而言电力监控系统的稳定性会比DVR当中的信息参数高出很大一部分，具有较高的稳定性。正是因为它的稳定性很高，电力监控系统在收集、压缩、整理、传递、模拟信息的时候，能够自动屏蔽外界不良信息的干扰，为监控工作提供一个非常安全稳定的工作环境。同时，电力监控系统的稳定性能够提升电网的运行速度，监控画面能够之中保持流畅和清晰。这样又能够把运行成本压缩到最小化，工作效率更会被提高。
1.2 电力监控系统的安全性
电力监控系统的安全性主要体现在对外保密性，因为每个系统都设有不同的IP地址，并且这些IP地址都是为电力系统独立设置的，操作人员要想登录进行操作，只能通过唯一的密码。还有十分严谨的授权限制，相关人员只有获得特定的密码或者验证权才能够进入到系统内部，维护系统的信息访问权限，整个过程是高保密性的，严禁对外传播，争取在最大程度上降低电力监控系统的信息对外泄露。与此同时，在监控过程中电力监控系统可以随时地实时监控，在出现故障时能够立刻将故障进行隔离并且配对自动化系统进行修复。当有严重的事故发生导致必须要断电维修时，由于电力监控系统的监控，工作人员可以很快的发现问题的根源快速的解决问题并且减少断电时间。
2数据挖掘技术的概述
数据挖掘是数据库知识发现（KDD）的核心技术，是从海量的、存在噪声的、不完整的、随机的、模糊的现实数据中提炼出隐含在其中的、人们未知的、但又有很大潜在价值的信息和知识的过程。数据挖掘被认为是知识发现过程中的一个特定步骤，数据挖掘与知识发现之间的关系如下图所示。数据挖掘近年来发展为全球较为活跃的研究领域，它结合了多个学科和领域技术，使用一些特定的算法从数据中提取出有效的模式，能从海量数据中挖掘隐含的规律，以提取有用知识，数据挖掘技术已经被应用到了许多方面中。数据挖掘算法在功率预测建模、故障分类及预测中皆有应用。1）分类算法，通过对数据训练集的分析研究，发现分类规则，从而具备预测新数据类型的能力。其算法分为两个阶段：构建模型阶段和使用模型阶段。在第一阶段中，将已知的训练数据集进行分析和学习，构建一个准确率较为满意的模型来用于描述特定的数据类集；后一个阶段则是对第一阶段中构建好的模型，加入未知的数据对象，使模型对其进行分类。决策树分类法是一种简单但使用广泛的分类技术，它使数据由根结点出发，经过内部结点的层层分枝分类，最终将数据分到相应的根结点类别中，随机森林（RF）算法则是许多个决策树分类器进行投票组合，从而提高分类准确率。K-近邻（K-NN）通过计算每一个测试样例与所有训练样例间的距离，找出与其最近的样例进行分类。人工神经网络（ANN）算法模拟了生物神经系统而研发，通过训练样本学习获得参数建立模型，继而对样本中的其余数例分类。支持向量机（SVM）算法基于统计学理论，在类似超平面的高维空间计算求最优分类超平面。朴素贝叶斯（NB）分类法基于贝叶斯公式理论，依据样本先验概率与类条件概率计算属于各分类类别的概率来划分其确定类。2）聚类分析研究把相似的事物归位为一类，通过静态分类的方法把相似的对象分为不同的组别和或子集，同一个子集中的对象都有相似的一些属性，不同子集中的对象是不同的。常用的K均值（K-means）聚类算法，指定K个初始质心，样本被分派到最近的质心形成簇，基于簇中样本点的中心更新质心，重复分派直到簇不变，得到的K个聚类中每个样本点都属于离它最近的类。模糊C-均值聚类算法步骤与K-均值相仿，但其簇的边界是模糊划分的，簇中每个点拥有一个权值，表示其属于该簇的权重。3）关联分析，发掘隐藏在数据集中有意义的联系，通过关联规则或频繁项集的形式表现。FP-增长算法将频繁项集的数据库压缩到频繁模式树中并保留关联信息，FP-树被分化成条件库进行挖掘，将数据库频繁模式的挖掘问题转换成挖掘FP-树的问题。
3数据挖掘技术及其在电力行业过程监控中的应用
3.1系统框架
在运营监控平台中，整个数据挖掘过程就是各个方面的数据通过数据通道输送到数据处理中心，然后最终的处理结果会通过显示终端进行显示。整个过程主要通过三个部分实现，源数据，数据仓库，最终显示。源数据通过通道运输后在数据处理中心进行挖掘处理，将原有的所有数据进行筛选，将有效数据筛选出来，然后将潜在的有效数据挖掘出来，进行整理分析，最终呈现在终端上。其中最重要的就是数据挖掘处理，可以说它是整个框架的核心部分。而在最终呈现时要选择合适的终端，可以实现对全面监测、运营分析、协调控制、全景展示和综合管理五部分数据与信息的展示。
3.2建立数据仓库
数据仓库作为系统框架下的内容，属于非功能性需求，但也在具体的监控工作中发挥着一定的作用。在结构上由操作数据存储（ODS）与数据仓库/数据挖掘（DW/DM）两部分组成。在功能上，ODS将业务国际内容作为基础，并通过实体-联系（E-R）模型对其操作过程进行处理，形成事物数据与主数据两部分。在结构上，ODS层应与原系统保持一致性，在表格的设计中，将两者的数据内容进行整合，以满足监控工作中的特殊需要。DW/DM在结构上，属于多维度的数据库，在不同的数据需求内容中，表现出差异性的工作方式。然而，在基本的概念内容上，所有维度中的根数据关系都以包含的关系为设计基础，使检索和应用具有较高的简便性。
3.3设计数据挖掘的模型与过程
在完成整体框架结构的设计工作后，为了保证数据挖掘工作的顺利展开，应当对数据挖掘的计算方法进行确认，并重点关注选择的方法与设计的科学性，使系统能正常的发挥功能作用。在数据挖掘的过程中，可以根据流程顺序将其划分为具体的两个部分，即从数据源传输到ODS层、从ODS层传导到DW/DM层，这个两个步骤下的传导都是在ETL工具的作用下实现的。从系统的角度进行分析，在完成数据传输的过程中，需要在数据源、映衬关系、数据目标，三点要素的共同作用下完成。在内容上，数据源是待处理的数据信息，总量大，种类丰富，但其中包含了有效信息与无用信息；映衬关系是进行数据处理过程中的计算方法，指代实现数据目标的筛选过程；数据目标是指通过数据计算剔除无效数据之后得到的具体数据表格，其中，只会对有效数据源进行规则陈列。
参考文献：
[1]李惠莲，曾卫国.数据挖掘技术在电网运营监控平台建设中的应用[J].科技风，2018，29：186.
[2]司晓博.数据挖掘在水电厂监控系统中的研究与应用[J].云南水力发电，2018，3403：126-127.
[3]夏依军.数据挖掘技术在电网运营监控平台建设中的应用[J].通信电源技术，2018，3503：165-166.
论文作者:刘学哲
论文发表刊物:《河南电力》2018年23期
论文发表时间:2019/7/2
标签：数据论文; 数据挖掘论文; 监控系统论文; 电力论文; 算法论文; 技术论文; 信息论文; 《河南电力》2018年23期论文;