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。
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。电力调度自动化系统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。在数据挖掘中，关联规则数据是数据挖掘的重要课题，通过关联规则能够发现不同数据库数据信息之间的关联，为数据挖掘提供有力支持。
一、数据挖掘技术
在大数据时代到来的今天，数据挖掘技术能够从海量数据信息中准确找到所求信息，因此本文将数据挖掘技术视作“采用有效工具和措施从海量数据库中提取数据和模型关系”的技术，由此企业的决策能够得到充足的判断依据。为了更直观了解数据挖掘技术，本文将数据挖掘的过程和步骤概括为以下几个方面：（1）确定业务对象。确定业务对象属于数据挖掘过程的基础工作，这一过程的实质是了解业务问题。（2）准备数据。通过选择数据、数据预处理、转换数据三个层面的工作，即可完成针对于挖掘算法的分析模型构建，并最终完成一定领域的数据挖掘。
二、电力调度自动化系统对数据挖掘技术的需求
电力导调度自动化系统对数据挖掘技术的需求具体表现在以下几个方面：第一，通过数据挖掘技术减少电力调度自动化系统的工作时间，提高工作效率。第二，数据挖掘能够提高数据挖掘技术的管理应用水平，减少外界因素对电力调度自动化的干扰。第三，能够从不同角度对数据信息进行定量、定性分析。第四，为电网报告的分析和制定提供辅助支持。第五，实现了对数据信息的及时查询，为电力调度自动化工作提供了支持。
三、数据挖掘在电力调度自动化系统中的应用
（一）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。
（二）模糊分析法
模糊分析法主要指的是对聚类已知数列与分析已知数列，进而使得分类的数据更为全面，让分类结果的综合性得到提升。在在电力调度自动化系统中，应用模糊分析法可以让大数据功能得到发挥，可以让客观数据整理需求得到满足。如在我国太原地县级电网备用调度项目的电力调度自动化系统中就采用了模糊层次分析综合方法，该系统提供了备调一体化系统，可以让数据采集和数据交换得到贯通和共线，具有数据通信链路管理以及数据发布的功能。
（三）灰色分析法
如果在时间线上，电力数据存在一定关系，那么利用灰色分析法可以预测性分析电力数据。在电力调度系统数据挖掘中，灰色分析法得到了广泛应用，即使数据完整性不强，灰色分析法也可以对其进行分析，但是，这种方法和模糊分析法相比并不能发挥出大数据功能。在电力调度中，短期的电力负荷预测是重要任务，以我国某个应用灰色分析法的电力调度自动化系统为例，在该系统中，可以分为数据处理模块、负荷预测模块和数据显示模块，其系在数据处理模块中，可以导入原始负荷数据、预测数据以及气象数据，预测数据为文本格式，系统主要对数据缺失与数据跳变两种异常数据进行处理。数据清理模块可以让系统程序运行速度得到保障，短期负荷预测数据均维持在5年以内，对历史数据进行适当清理可以让查询效率得到保障。在负荷预测模块中，主要是结合该城市的情况，利用普通灰色模型、多变量灰色模型与人工经验模型对其进行负荷预测，其占用普通灰色模型适用于普通日期的预测，多变量灰色模型时根据气象资料进行预测，人工经验模型是根据电力局的相关数据进行节假日预测。在数据显示模块中，会通过列表方式与图形方式来显示历史数据，调度人员可以对当日数据状态与气象信息进行查看。在数据库设计中，包含了历史负荷数据库、预测数据库、气象资料数据库、数据状态与日期类型数据库。在应用此系统之后，当地对一周的数据情况进行统计分析，预测流程为程序选择普通灰色模型而做出的自动预测，经过检验，发现自动预测精度在95%以上，误差在10%之内，具有良好的精准度。
（四）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。值得注意的是，本文研究的周期性关联规则挖掘算法结合了蚁群算法，这是由于原算法使用了大量的搜索操作、分类检索和路径检索，蚁群算法下走过的路上会留下信息素，这就使得较短路径上的信息素浓度较高，结合负信息素理论，即可保证有信息素的地方蚂蚁不能走过。如使用表1所示的事务数据库D（部分），即可结合时态事务数据库D分类数据集改进、每一个分类数据集周期性数据集挖掘改进，以数据项A分类为例，即可求得表2所示的时态属性差，由此开展更深入计算则能够更深入了解周期性关联规则挖掘算法的思想，也能够认识到蚁群算法的重要性。
表1事务数据库D（部分）表2时态属性差
四、结论
在电力调度自动化系统中，应用模糊分析法、灰色分析法和神经网络法这些数据挖掘技术，可以让电力调度自动化系统对数据予以有效收集，可以让电力调度工作质量得到提升，让对外供电更为可靠，让电网运行的安全性和稳定性得到提升。
参考文献：
[1]朱维佳，曹坚.电力调度自动化系统中数据挖掘技术的应用[J].电气时代，2015，07：108-111.
[2]肖福明.浅析数据挖掘在电力调度自动化系统中的应用[J].通讯世界，2014，17：58-59.
[3]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.
论文作者:王艳红
论文发表刊物:《电力设备》2018年第17期
论文发表时间:2018/11/11
标签：数据论文; 电力论文; 数据挖掘论文; 神经网络论文; 信息论文; 自动化系统论文; 技术论文; 《电力设备》2018年第17期论文;