摘要：电力营销系统中涉及的核心业务有业扩报装和电能计算、营业计费以及用电管理与线损管理等，各个业务模块又包括涵盖电话服务、客户中心服务、网络服务等内容的服务模块和包括综合业务查询与历史数据统计以及效益分析与决策支持在内的分析模块，可以说，所有能够为电力系统的正常运行提供决策依据的原始数据都属于营销系统的数据管辖范畴，比如生产系统的规划设计与负荷预测、经济调度、用户特征提取以及异常数据的挖掘处理等。可见电力营销系统有着海量且复杂的数据信息，如何从中快速获取能够为决策提供参考依据的准确信息和量化指标是摆在电力营销部门面前的一个主要问题，数据挖掘技术的出现有效解决了这一难题。下面就其在电力营销系统中的应用问题做进一步探讨。
关键词：数据挖掘技术；应用；电力营销系统
1应用数据挖掘技术的必要性
如今，数据挖掘技术已经在诸多领域得到广泛地应用，如电信行业、金融机构、零售行业、保险行业等等，并且在这些领域的应用中得到了长远的发展。电力企业作为国家支柱型企业，具有技术密集、资产密集特点，其独特的生产与经营方式决定了其信息化发展重要性。信息技术已渗透到各个生产管理领域和各项业务环节，成为电力工业发、输、配、变、用等电力生产运营的基础保障。信息数据成为电力企业生产、管理、运行、决策、服务等各项工作的重要依据，成为电力规划、设计、建设、运营等各业务高效运行的重要纽带，信息资源将成为电力企业除人、财、物之外的第四大资源。如何有效的整合、利用这些信息资源，数据挖掘技术发挥着巨大的能效。
2数据挖掘技术主要步骤
数据挖掘技术首先要建立数据仓库，要根据实际情况而定，在易出现问题的有关领域建立有效的数据库。主要是用来把数据库中的所有的存储数据进行分析，而目前的一些数据库虽然可以进行大量的存储数据，同时也进行了一系列的技术发展。比如，系统中的在线分析处理，主要是为用户查询，但是却没有查询结果的分析能力，而查询的结果仍旧由人工进行操作，依赖于对手工方式进行数据测试并建模。
其次，在数据库中存储的数据选一数据集，作为对数据挖掘算法原始输入。此数据集所涉及到数据的时变性以及统一性等情况。然后，再进行数据的预处理，在处理中主要对一些缺损数据进行补齐，并消除噪声，此外还应对数据进行标准化的处理。随后，再对数据进行降维和变换。如果数据的维数比较高，还应找出维分量高的数据，对高维数数据空间能够容易转化为检点的低维数数据空间进行处理。下一步骤就是确定任务，要根据现实的需要，对数据挖掘目标进行确定，并建立预测性的模型、数据的摘要等。随后再决定数据挖掘的算法，这一步骤中，主要是对当前的数据类型选择有效的处理方法，此过程非常重要，在所有数据挖掘技术中起到较大作用。随后再对数据挖掘进行具体的处理和结果检验，在处理过程中，要按照不同的目的，选择不同的算法，是运用决策树还是分类等的算法，是运用聚类算法还是使用回归算法，都要认真处理，得出科学的结论。在数据挖掘结果检验时，要注意几个问题，要充分利用结论对照其他的信息进行校核，可对图表等一些直观的信息和手段进行辅助分析，使结论能够更加科学合理。需要注意的是要根据用户来决定结论有用的程度。最后一项步骤是把所得出的结论进行应用到实际，要对数据挖掘的结果进行仔细的校验，重点是解决好以前的观点和看法有无差错，使目前的结论和原先看法的矛盾有效解除。
3数据挖掘技术在电力营销系统中的具体应用
3.1关联规则的应用
作为当前阶段电力营销系统主要研究的一种数据挖掘技术，关联规则可以帮助决策者在对当前数据和历史数据进行分析的基础上找出其中隐含的规律和特征，在此基础上对未来变化趋势做出相应预测。具体介绍以下五种应用途径：
（1）在电力市场营销分析中针对经由离散化处理过的电力营销数据使用FP-Growth（频繁模式增长）算法进行关联规则分析，进而将存在于售电量水平和各种对电量销售有影响作用外部因素间的关联特征描述出来，从而给电力市场营销决策提供辅助参考信息。
（2）在电力市场营销策略制定、项目以及投资组合管理等方面运用关联规则进行指导，同时对需求、销售和收入以及理赔等进行分析和预测。
（3）将关联规则同其他方法结合在一起应用到电力营销系统当中，比如建立在关联分析法和云模型基础上的模糊评价法，此种方法主要是针对电力营销目标市场来确定，比较简单可行。
期刊文章分类查询,尽在期刊图书馆
（4）在用于电力负荷定量分析和非定性分析当中融入关联规则挖掘是一种新型电力负荷预测方法，此种方法既容易理解，又比较明显。
（5）在城市负荷分布中引进关联规则这种数据挖掘技术，应用的时候需要先利用频繁模式增长算法——FP-Growth算法将负荷数据挖掘出来，然后在考虑电力行业数据特殊性的基础上对电力负荷所受到的有关因素的影响进行分析。
3.2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。另外，在CRM——客户关系管理当中还可以把神经网络方法和模糊逻辑控制两者结合在一起应用或是在各机组开停机计划表制定中使用回归算法、归纳算法、神经网络改善等。
3.3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。
3.4聚类应用
聚类技术在电力营销系统中的应用主要体现在对不良数据进行修正、对负荷进行预测、对变压器故障进行判别、对电力用户进行分类、对用户信用进行评价等。对不良数据进行分析主要是建立在传统的聚类算法基础之上，对聚类过程中所应用到的基本参数进行分析，并对其中的相关负荷特征曲线进行提取，对不良数据进行修整。对用户的用电数据通过选取最佳的角力方法，得出具有代表性的负荷曲线，使电力企业能够对用户的用电模式有所了解，并制定出相应购电合同，从而增加电力企业的经济效益。电力企业一般根据用户所提出的不同需求，采用聚类分析的方式，将用户分成不同的组别，并根据分组结果对不同组别之间存在的差异进行分析，并针对分析结果制定出不同的营销策略，在很大程度上促进了电力企业在经济效益方面的提高。对用户信用进行评价主要是通过建立基于聚类分析法的用户信用评价算法，对不同的用户组别制定不同的量化依据，从而实现对用户信用等级评定。
3.5空间挖掘的应用
很大程度上，电力营销人员反应的快慢、判断的准确度、决策的科学性对电力企业的长远发展有着至关重要的作用。特别是随着电力体制改革的不断深入，电力营销市场化，决策的科学性、正确性显得更加重要和关键。将电力运行系统中的相关数据、负荷分布位置的具体数据以及实时发生变化的相关数据等信息融合为一体，通过空间挖掘技术，对信息进行一定处理，保证电力营销系统实现设备跟踪、模拟停电、故障判定、损失评估等功能。同时还可以利用空间分布规则、特征规则、聚类规则、区分规则等，得到不同类别或是相同类别的负荷分布情况。除此之前，空间挖掘技术还能广泛地应用于负荷管理、抄表收费等服务项目，并能根据线路或变压器的实际负荷情况，根据用电客户的实际地理位置等制定出针对性强的负荷控制措施，从而实现负荷的合理应用，对高峰、低谷时期的负荷情况采取错峰、填谷、调峰等方式实施管理。
4结语
伴随着科学技术的发展进步，电力营销系统中逐渐引入了诸如数据挖掘技术和数据仓库技术以及联机分析处理等多种新型技术，为电力营销决策系统提供了更为准确、全面和详尽的量化指标与参考数据。在电力营销系统当中应用数据挖掘技术可为决策者提供决策支持，大大提升了经营管理水平，为电网运行的稳定性和经济性提供了有力保障。
参考文献：
[1]数据挖掘技术在网络营销中的应用构架实践[J].刘思皖.电子测试.2018（02）
[2]数据挖掘技术在电网中的应用分析[J].张逸彬.云南电业.2016（11）
[3]电力调度自动化系统中数据挖掘技术的应用[J].朱维佳，曹坚.电气时代.2015（07）
论文作者:彭程
论文发表刊物:《电力设备》2018年第26期
论文发表时间:2019/1/16
标签：电力论文; 数据论文; 数据挖掘论文; 负荷论文; 算法论文; 技术论文; 系统论文; 《电力设备》2018年第26期论文;