（国网山东省电力公司临清市供电公司 山东临清市 252600）
摘要：随着智能电网的发展，以及电网设施的改造，基于计算机技术的各类信息管理系统的应用，使得电力企业积累了海量的数据。对此，在这些海量数据面前，如何加强对这些数据的分析，从而通过分析结果为电力部门服务，是当前思考的重点。当前我国电力企业在运营数据方面大致可以分为三类：一类是电网运行和设备监测数据，即电力企业生产数据；一类是电力企业营销数据，如交易电价、售电量、用电客户等方面的数据；最后则是电力企业管理数据，如ERP、一体化平台、协同办公等方面的数据。这些数据中都包含着电力部门日常运营的情况，如果能够及时对这些数据进行挖掘，将给当前的电力部门的服务带来较大的提升，并有利于电力企业的运营管理。而大数据分析作为专门针对海量数据的一种技术，其在电力数据分析中的应用，势必给电网建设和云西红带来有益的参考。
关键词：大数据技术；电力运营；数据管理
1大数据分析
目前，针对大数据的应用中，涉及到多个不同的领域，如金融、医疗、能源等领域。在这些领域中，通过对数据的融合、挖掘和分析，进而在海量的数据分析中找到具有价值的信息，以此为企业的运营和发展提供辅助决策依据。而大数据分析在电力部门的应用中，由于其涉及到电力的多个环节，如发电、输电等，但是总结归纳起来，针对电力大数据的应用主要集中在以下三个方面：（1）为电网企业本身的运营管理提供决策支撑，该模式通过对各类电力大数据进行融合、分析，挖掘出用户的电力消费特征，提高电力需求预测准确性，从而提升企业的运营效益，此外，该模式通过利用电力大数据为电网企业经营决策提供更具广度和深度的数据支撑，增强企业对发展趋势的前瞻性；（2）以电力为中心的能源数据综合服务平台，平台的提供方为具有资金、数据优势的电网企业，通过综合分析电力供给、消费和相关技术数据，通过为参与平台的不同类型用户提供大数据分析和信息服务，给出能源管理方案实现节能降低电力消费成本等目的；（3）为智能型节能新产品的研发提供支撑，该模式主要通过综合分析能源供应、消费等数据，将电力大数据与信息、制造技术相结合，研发制造新型节能环保产品，为消费者提供低费率、高能效的能源消费和用电方案。因此，总结和归纳当前大数据技术在电力中的应用，对理顺电力部门大数据应用具有非常重要的作用。同时在电力大数据中。
2大数据分析主要技术
2.1统计分析
统计分析是电力数据分析的一个常见的技术，也是最为基础的技术。通过对数据的基础搜集、整理和分析，可以直观的得到数据的内在规律，并通过计算得出可以反映整体数量特征的统计信息，以此更好的为电力企业的运营提供服务。
2.2关联分析
数据挖掘最早为人所知实际上就是对某超市的销售数据进行关联分析，因此关联分析在数据挖掘领域中具有不可替代的地位。常用的关联分析算法有A-priori关联算法、基于划分的算法以及FP-growth算法等。近年来又提出了一些改进算法，包括并行关联规则挖掘、模糊关联规则挖掘、基于变化时空的关联规则挖掘、多层或多维的关联规则挖掘、基于聚类的关联规则挖掘等算法。
2.3聚类分析
聚类是近年来机器学习研究的热点之一，研究者已给出了多种类型的聚类算法，如基于谱分析的划分方法、层次聚类方法、基于密度的聚类方法、基于原型的聚类方法等。适用于不同聚类需求，聚类问题也发展出了多种新模型，如异质聚类、子空间聚类、聚类集成、多路聚类、演化聚类等。面向不同类型的数据形式，聚类分析也有不同的特点，如时序数据聚类、流体数据聚类、图像分割等。
2.4分类分析分类算法是解决分类问题的方法
分类算法通过对已知类别训练集的分析，从中发现分类规则，以此预测新数据的类别。分类算法包括单一分类算法和集成学习算法，单一的分类方法包括决策树、贝叶斯分类、神经网络、K-近邻、支持向量机等；集成学习算法包括Bagging、Boosting等。其中决策树是一种常用的分类算法，决策树学习是一种以实例为基础的归纳学习算法，它从一组无次序、无规则的实例中推理出以决策树表示的分类规则。贝叶斯分类算法是一类利用概率统计知识进行分类的算法，如朴素贝叶斯算法。神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。
2.5多核学习
近年来，核学习方法在数据挖掘与机器学习领域得到了广泛的应用，也涌现了多种基于核学习方法思想的不同算法，如支持向量机和KPCA等。核学习方法的主要思想是将低维空间中的数据映射到高维空间，从而在高维空间中进行处理和分析。
3大数据技术在运营管理中的具体应用
3.1负荷预测框架搭建
对电力负荷的预测来讲，首先需要构建一个功能强大的数据分析和处理平台，这是实现负荷预测的基础，也是关键。而通过上述的分析看出，海量数据的分析，电力负荷的分布较广，并呈现出典型的地域性的特点。同时，受到多种因素的影响且作用方式不尽相同，负荷类型丰富、发展规律多元。因此，在对电力数据进行挖掘前，需要对不同的电力负荷数据进行分区，分别挖掘各分区内客户用电规律，然后利用适合大数据处理的聚类方法，区分不同的客户负荷类型，将变化规律相似的负荷划归一类，针对类负荷结合分区内经济、城市规划等数据进行影响因子关联性分析；最后在区域用电结构分析的基础上实现各分类负荷预测模型的有效综合，其中区域用电结构分析与预测分区对应，与大区域的经济结构、产业结构等密切关联。
3.2负荷数据聚类
为方便对数据进行聚类，在本文中引入K均值聚类算法。该算法的原理是对给定数据集合分类，将数据分为K类。然后通过隶属度 
来表示不同数据的相似程度，并使得目标函数达到最小。
（1）
其中，m表示模糊权重因子，dij表示数据到簇类中心的距离。同时为提高上述的运算速度，在计算中引入Map/Reduce并行编程方式，进而提高数据聚类的速度。
结论
综上，大数据作为当前电力信息化的一种重要途径，可以帮助电力企业找到最佳的方法，进而极大的提高整体的工作效率。而通过本文给出的示例，可以让电力企业营销和建设部门结合预测的结果进行有针对性的调度和电网扩建，进而保障地区的电力销售。
参考文献：
[1]于仕.大数据技术在电力行业的应用探讨[J].现代工业经济和信息化,2017,7(19):49-50.
[2]王雪峰.大数据技术在电力行业的应用思考[J].通讯世界,2014(15):67-68.
论文作者:王帅
论文发表刊物:《电力设备》2018年第2期
论文发表时间:2018/5/31
标签：数据论文; 算法论文; 电力论文; 负荷论文; 电网论文; 技术论文; 电力企业论文; 《电力设备》2018年第2期论文;