摘要：电力行业的发展，带着数据分析技术的发展。数据分析技术，对各种信息进行收集目前成为研究的热点。本文通过分析电力工程管理的发展现状，并对其进行探讨，进一步介绍数据挖掘技术的特点，从而将数据挖掘技术综合应用到电力管理和分析中，实现电力管理的分析的数据全面挖掘，有助于对电力数据进行聚类分析并利于研究电力营销、负荷预测等情况，以期为电力管理与分析中数据挖掘技术领域或同行提供可借鉴的意义。
关键词：电力管理；数据分析；数据挖掘；应用分析
1、引言
信息数据管理在电力行业的发展中重要性不断增加，数据技术也已经得到广泛的应用。在电力系统中，各种继电保护系统、故障在线监测系统以及其他电力辅助设施的数量巨大，而其产生的数据信息也非常多。如何对各设施系统所产生的大量数据进行有效管理与分析，成为当前研究的热点问题。在对这些电力工程管理数据时，充分利用所产生的电力信息，并对这些信息进行分析处理来获得有用的价值。为了解决数据分析处理技术滞后的问题，数据挖掘技术得到了发展。数据挖掘技术逐步成熟，面向广阔的市场应用，基于对海量数据的分析来探索其中存在的规律，并进一步将其用于电力工程的管理与分析，促进电力工程管理与分析领域的发展。
2、电力工程管理与分析的发展现状
电力工程管理的模式通常包括业主自建、分析监理、分析CM、分析PMC以及EPC等五种模式，其中各个模式的内容和特点存在一定的差别[1]。
2.1 业主自建模式
在业主自建模式中，电力的自我管理模式直接受电力项目建设和管理，缺乏相应的专业管理机构来进行电力的管理。这种模式存在着专业知识的限制，而使得电力项目建设的成本较高，资源并未能够完全利用而造成浪费。随着技术与经济的发展，这种模式已经不再符合当前形势的要求，逐渐被替换。
2.2 分析监理模式
电力工程管理中，为了解决业主自建模式中存在的业主知识受限、资源的浪费以及经验的匮乏等不足，规范电力项目的管理，因此建立并完善了电力项目的监管体制。这类电力工程项目分析监理管理模式包含业主、施工方与监理方，进行三方相互协商对电力工程项目的开展和管理进行负责。
2.3 分析CM、PMC与EPC模式
首先，电力管理的分析CM模式是指基于CM模型而产生的一种管理模式，业主通过将电力项目的管理委托至专业的管理机构和设计人员，进而与施工方进行协商对电力工程进行管理，最终以最快的速度建设和管理电力工程项目。其次，分析PMC（Project manage Company）模式是指承包商建设电力工程项目的全过程和全电力工程要素与管理合同需要保持相符，对于电力项目的施工安排、原材料的采购都需要依据合同进行实施。最后，分析EPC（Engineering Procurement Construction）模式是目前相对成熟的电力管理模式，指管理人员是由专业的业主群体所组成，直接对电力项目进行管理，其专业的知识和经验能够满足电力管理的需要。这主要表现为对电力工程的施工设计、原料采购以及电力设备调试方面自主进行，既满足了施工的要求，也能够符合各相关方之间的关系。
3.数据挖掘技术
数据挖掘技术是通过采用人工智能的方法来对海量的数据进行管理与分析处理来获取数据库中有效的数据，并进一步总结出规律来指导事务的发展前景。利用数据挖掘技术对数据库进行分析处理，所挖掘的数据可以某种概念、规则或者模式等归纳为类似的数据，用于信息数据的管理和查询、数据的优化、决策的支持以及维护等过程。从广义解释上，数据挖掘指在大量的数据信息中寻找有效的数据。从狭义解释上，数据挖掘是指数据的发现并分析处理，从而建立相关模型，为项目进行理论指导。通常情况下，数据挖掘的内容包括问题的提出，数据的收集与预处理分析，数据的挖掘，数据分析结果的评价，获得规律，如图1所示[2]。此外，数据挖掘的方法主要有关联分析、时间序列分析、聚类分析、分类分析和异常分析。
期刊文章分类查询,尽在期刊图书馆
图1 数据挖掘过程
3.1 关联分析
数据挖掘分析中的关联分析方法一般是指两个事物之间如果存在相互联系，因此一个事情就可以有与其相关联的数据进行推测，其目的在于分析处理两者之间存在的某种隐藏的联系。在对数据挖掘的过程中，关联和顺序贯模型是指关联分析中对数据库中所有的大小数据进行检索，并找到出现频率高的数据，进一步分析其关联。
3.2 时间序列分析
时间序列分析（Time series analysis）是一类基于对动态数据进行分析的统计处理技术。这种统计技术通过在随机过程理论和数理统计学方法的基础上，对数据库中的随机数据序列进行归纳分析，并寻找到这些海量数据所符合的相关的统计学规律，并最终应用于实际问题的解决领域。
3.3 聚类分析
聚类分析是把数据进行分类处理，将类似对象群依据规则组成多类进行分析处理，其广泛应用于数学、统计学以及经济学等领域。在聚类分析中，需要找到数据源之间的属性，从而将其归类用来，用来描述数据。
3.4 分类分析
分类分析是指对数据库中相关的信息按照一定的信息属性进行分类，建立数据模型对数据进行分类梳理得到数据结果，包含预测离散变量的分类和连续变量的回归。
3.5 异常分析
异常分析是指建立一定的规则来判断数据的有效性，信息数据在不同的条件下，其可能是重要的信息也可能是无效信息，因此数据一项分析能有效分析信息数据的有效性。例如，电力企业可依据用电群体的常年用电数据进行收集分析，在以此为参考依据筛选明显数据异常的用户，进而进行深入检查是否存在盗电的行为。
4.数据挖掘技术在电力管理与分析中运用分析
4.1 负荷预测
数据挖掘技术在电力领域中的应用，首先可用于预测电力负荷。电力调度作为电力系统中非常重要的功能，需要预测电力负荷的数据来进行支撑。数据挖掘技术通过按照某时段地区的用电数据，并对其进行数据追踪，研究该地区的历史用电记录，采用时间序列模型形成相应的数据库，依据时间区段、天气因素等进而采取聚类分析方法对该地区的用电负荷进行分析处理，获取相应的电力情况，并最终将该数据反馈至相应的电力调度部门。这些数据将有助于调度部门进行决策，保障电力系统的正常运行，从而提高电力部门的效益。
4.2 电力设备状态检修
此外，数据挖掘技术还可用于电力设备的状态检修。通过对电力设施的日常监测数据、在线收集的数据以及历史故障原因以及诊断数据进行收集，采取相应的分类分析方法对数据极性分析处理，寻找关键数据来对设备的状况进行评估，参考历史故障数据及原因对现有数据进行比对，发现数据异常时可以提前预测设备的状况。因此，采用数据挖掘就似乎对电力设备的数据分析，发现故障数据规律，及时发现问题并快速对故障设施进行合理判断并维修。例如，对于电力设施中的变压器的检修中，采集正常情况设备运行时产生的各种气体浓度数据，并以此标准为依据，采用异常分析法来对比数据，确定设备的情况是否正常。这能克服传统模式中出现故障再停机检查维修而导致检修频繁以及盲目维修等的问题。，因此，合理采用数据挖掘技术，分析数据并获得相应的数据分析与结果并推测出规律，确定电力设施的检修时间，能有效保障电力企业的经济效益。
4.3 电力营销策略支持
数据挖掘技术还可应用于电力营销中，对时间段细分，研究电能用量与时间的相互关系进行分析，把握用电量与时间区段的关系，并进行归纳和总结，用于指导电力营销决策。可以采用聚类分析和分类分析的方法进行对用户的区分，综合分析用户的用电需求来进行合理的电能供应，避免电能的过剩浪费[3]。另外，采用关联分析来研究市场环境和电能销售的关系，综合考虑各个因素对电能的影响，对电力营销进行指导支持。
5、结论
电力设备运行产生的数据非常多，数据挖掘技术能够获取其中有效的数据并寻找相关规律，用于电力管理和分析中。本文通过电力管理和分析的发展现状，简要介绍数据挖掘技术的特点与方法，从而分析其在电力管理和分析中的应用，以便于为城电力管理和分析领域提供可借鉴的意义。
参考文献：
[1]范郁泉. 电力工程管理与分析中数据挖掘技术的运用研究[J]. 通讯世界，2016（13）：214-215.
[2] 尧有平. 数据挖掘技术在电力行业中的应用研究[J]. 电子世界，2014（4）：37-38.
[3] 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（12）：41-42.
论文作者:曹文彩
论文发表刊物:《防护工程》2018年第36期
论文发表时间:2019/4/13
标签：数据论文; 电力论文; 数据挖掘论文; 技术论文; 模式论文; 是指论文; 信息论文; 《防护工程》2018年第36期论文;