摘要：目前，我国电力系统运行面临很大的压力，如何做好调度工作是新时期应该认真思考的一个问题。电力调度自动化系统的应用能够对数据信息进行分析、控制传输等工作，数据挖掘技术在其中发挥着重要作用。本文主要对数据挖掘技术的应用进行分析，旨在进一步提升电力调度自动化系统运行速度。
关键词：电力调度；自动化；数据挖掘；挖掘技术
引言
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。
1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。
2数据挖掘技术的分析
2.1数据挖掘技术分类
数据挖掘技术可以分为发现驱动的数据挖掘技术和验证驱动的数据挖掘技术这两种类型，前者主要指的是用户利用机器进行学习，可以发现新的假设，在此过程中，需要分析人员进行参与，后者主要指的是用户对之前自身提出的假设，利用一定技术对假设进行验证。数据挖掘的过程可以概括为：逻辑数据库→被选择的数据库→预处理后的数据→被转换的数据→被抽取的数据→被同化的数据。也就是选择、预处理、转换、挖掘、分析与同化，在确定业务对象之后，需要进行数据处理，在数据处理过程中，首先需要搜索和业务对象相关的数据信息，然后选择合适的数据，然后需要对数据做出质量研究，对数据挖掘技术类型进行确认，最后需要对数据予以转化，让其成为一个可以进行算法挖掘的分析模型。
2.2数据挖掘技术的应用必要性
首先，数据挖掘技术可以让管理层对实时信息予以切实掌握，可以让管理层获得经营与生产的相关数据信息，可以让数据受到中间人的干扰现象得到有效避免；其次，数据挖掘技术的应用可以让人力成本得到降低，可以让数据信息的提取更为自动化；然后，数据挖掘技术在电力调度自动化系统中的应用可以让数据信息的掌握更具全面性，可以从不同方面定量、定性对其进行掌握，让管理与预测工作得到有力帮助；最后，数据挖掘技术的应用可以辅助分析电网报告工作、制订电网报告工作。
3数据挖掘在电力调度自动化系统中的应用
3.1基于周期性关联规则挖掘的数据分析系统平台
在社会经济的发展下，电力调度自动化系统从原来的实时性监控报表查询系统转变为智能调度自动化系统，高级应用软件的应用促进了电力调度系统朝着智能化的方向发展。基于周期性关联规则挖掘的数据分析系统平台选择微软的.net平台，在该平台的支持下为电力调度系统运行提供了丰富数据资源的支持，且具备强大的数据库访问能力。
3.2数据挖掘中分析方法
3.2.1模糊分析法的应用
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。
期刊文章分类查询,尽在期刊图书馆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。
3.2.2神经网络方法的应用
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。
3.2.3灰色分析法的应用
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，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。
3.3基于数据桥的数据集成模块设计
考虑到我国当下电力事业的数据集成标准较为复杂、混乱，系统设计采用了自己的数据集成方法，同时应用了清晰数据清洗策略，由此即可实现不完整数据、重复数据、错误数据三类脏数据的清洗，数字数据不完整、日期数据不完整、错误日期型数据、重复数据等仅属于清洗内容，其中除重复数据不予处理外，其他数据均采用修补空值和默认值的方式，如数字数据不完整采用“补0，补null，默认值”的清洗策略。此外，无类型文件数据集成、数据库数据集成、异构数据库数据集成也是这一环节设计的重要内容。
3.4数据分析功能模块设计
第一，同期数据分析模块。同期数据分析模块一般被人们用在调度自动化数据系统的横纵向比较，通过对同期数据的比对分析能够为电力调度系统数据评估提供更多便利。同期对比分析模块应用了动态生成查询语句，能够对数据信息进行动态化的查询和分析整理。第二，周期性数据分析。周期性数据分析主要是在数据库系统中挖掘具有周期性特点的数据集，从而对数据波动情况进行清晰的反应。在周期性数据分析模块挖掘算法中存在一个最小时间的误差参数，这参数是周期数据集的基础数据，影响周期性数据分析的精确度。第三，数据预警分析。数据预警主要是结合现有的调度自动化系统报警信息和数据挖掘周期数据集来对关联数据进行分析，数据分析系统采取了有限权值分配的方法，预警列表按照预警信息的大小进行有序排列，具体包含报警周期性数据集、预警信息周期性数据集大小、预警模式等内容。
结语
数据挖掘能够较好地服务于电力调度自动化系统。而在此基础上，本文研究建立的基于周期性关联规则挖掘的数据分析系统，则证明了研究的实践价值。因此，在相关领域的理论研究和实践探索中，本文内容能够发挥一定参考作用。
参考文献
[1]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.
[2]王谦，李烽.电力调度的自动化网络安全分析及实现[J].电子技术与软件工程，2017（21）：116.
[3]刘宾，朱亚奇，吴莎.数据挖掘在电力调度自动化系统中的应用[J].电子技术与软件工程，2017（20）：158.
论文作者:翟艳男
论文发表刊物:《基层建设》2018年第19期
论文发表时间:2018/9/10
标签：数据论文; 数据挖掘论文; 电力论文; 技术论文; 神经网络论文; 周期性论文; 自动化系统论文; 《基层建设》2018年第19期论文;