電網安全穩定特性分析的調度運行大數據挖掘技術研究

徐麗

【摘?要】電力調度自動化系統對能源數據的收集質量和整理質量都提出了很高要求，為了滿足這一要求，數據挖掘技術近年來在能源行業中得到越來越多的關注和使用。因此詳細討論了數據挖掘技術在電力調度自動化系統中的應用，希望能為相關行業提供參考。

【關鍵詞】數據挖掘;電力調度;電網穩定

引言

以前電力調度中，對數據的分析僅局限于對電量信息、電力設備等管理，只能夠提供檢索功能和常規信息，無法對數據進行決策分析，為此，對于部分復雜的電力管理一般都需要應用數據挖掘技術，然而現階段從事電力系統調度的人員對新技術的應用并不熟練，致使數據挖掘技術沒有發揮真正的作用，文中詳細分析了挖掘技術含義，并進行了詳細分析，探索數據挖掘技術，使其發揮真正的效果。在系統數據中，電力設備參數也是比較重要的，然而，目前電力設備參數只被統計在生產管理系統中，由于系統等級較低，不能發生系統直聯。一定范圍內阻礙了數據應用，為此，建立數據信息平臺比較重要，該平臺包含設備參數、實時數據、系統參數等，為電力調度運行控制，這就是數據挖掘。值得一提的是電力供應單位需要將春夏秋冬四季的天氣作為數據，數據挖掘的前提是它們有一定的關聯性，作為眾多影響調度的因素，天氣非常重要，我們可以根據天氣預報或前期天氣的規律來提前準備，做好相應的應急準備工作，當然，現階段調度可以做這種預測，只是時間或空間上不深入，數據挖掘能為調度提供每周的依據，有些可以提供每天的信息。不但周圍地理環境影響，而且重視實際應用，將這些零散的分布在調度各因素中，這樣不僅在技術上實現數據挖掘，而且能進一步的提升管理水平。

1數據挖掘技術簡析

數據挖掘被視為一種能夠從大型數據庫中提取數據和模型的技術。為了深入挖掘有效數據并進行合理利用，研究人員應當深入研究數據挖掘技術的應用過程。首先要做好技術識別和數據庫的選擇。例如，對于電網運行相關的數據，技術人員就需要了解電網各種運行方式和接線方式。然后是準備數據，技術人員可以通過選擇數據、預處理數據將數據轉換為三個級別，進而完成挖掘算法分析模型的設計，并且可以在此基礎上完成特定區域中的數據挖掘。在以前的能源分配中，數據分析僅應用于能源信息管理和設備管理，因此只能提供搜索和常規信息，而不能執行數據決策分析，這通常需要更加復雜的挖掘數據算法。但是部分電力企業對新技術的能源系統規劃不重視，導致數據挖掘技術沒有得到合理應用，因此研究電網數據挖掘技術是十分必要的。

2電網安全穩定特性分析的調度運行大數據挖掘技術

2.1以神經網絡方式在電力調度自動化系統中進行應用

神經網絡是比較成熟的一項技術，本身具有對數據自行處置、挖掘數據進行存儲和高度容納錯誤等優點，非常適合處理模糊和不完整、不準確的數據，利用計算機精確計算功能，可以實現深度挖掘調度自動化系統數據，一般采用的方法為前饋、反饋。映射三種，使用的神經網絡，對數據整理和分析至關重要，采用該方法，可以將調度各類數據進行關聯，從而找出數據的邏輯性。為此：①對電力調度自動化系統基本數據進行處理，雖然這類數據復雜、種類多，但這些數據有緊密的聯系，能夠整合統一，并形成模式，為后期數據查詢、統計、分析等奠定堅實的基礎，保證數據的完整性和一致性，使電力調度能夠順利的開展，并形成神經網絡系統，方便統一管理。②電力調度相關數據，不同環節電力狀態和參數準確性不一致，整個過程中會受到一定影響，從而達到數據關聯。③將神經網絡這種方法應用在電力調度自動化中，對所有數據進行整合分析，并供給其他調度工作進行決策分析，實現大范圍數據共享，以此來保證電力自動化調度系統的效果。

2.2線路故障系統

傳統的電力線路檢修，一般都是在線路出現嚴重故障以后，才開展利用相應方法對電力線路進行巡查，并且探尋出存在其中的故障。但若是把線路故障系統利用到其中，那么該系統會依據電力線路兩端產生故障形式，在電力線路產生故障以后自動且及時的判斷出電力線路受損的部位。相比于較完善的線路故障系統而言，還能夠同時判斷多個故障點。通過將線路故障系統利用到電力調動自動化系統之中，不但能夠將冗雜的線路切除掉，還能減小電力線路故障發生率，以及停電檢修率，并且還能在很大程度上監督電力線路巡查力度，讓電力維修人員能夠有足夠的實踐對線路出現故障的部位分析、判斷，并制定與之對應的補救措施。特別是一些地埋線路等，利用此種能夠定位的線路故障系統具有積極作用。

2.3數據預測

數據分析后，需要對數據或者事件的發展趨勢進行預測，通過準確的預測可提前做出相應的處理，最大化電網智能調度系統的效率。以常見的電網負荷數據預測為例，通過負荷數據分析，發展或者實現一個可以預測下個階段電網負荷的方法或模型。該方法或者模型綜合考慮了影響網負荷時間較長的因素和時間較短的因素，同時該方法還需要滿足相關的限制條件。通過該方法或模型可方便的得到特點時間的電網負荷大小并進行相應的預測，來指導電網智能調度系統做出相應的處理。常用的數據預測方法主要包括模糊聚類、機器學習等方法。機器學習通過迭代可以模擬任意線性與非線性模型，適合于電網系統的預測。因此，解決基于數據挖掘的調度問題中多用機器學習方法進行分類預測。

2.4功能模塊設計

數據分析功能模塊設計工作是一項系統性的工作，數據分析功能模塊一般包括四個部分，即同步數據分析、定期數據分析、數據預警分析和數據相關性分析。首先是同步數據分析模塊構造，這一過程中數據分析過程可以總結為：輸入所有比較條件→合法→根據條件生成SQL語句→顯示查詢結果→數據結果對比。在這一過程中技術人員可以通過數據挖掘來確定相應的警報周期、負載周期和遙測周期。此外，預警模塊的設計分析過程為：初始化數據集和參數→輸入預警分析參數→合法→預測分析→定義預測類型→有建議→輸出警報類型和建議→輸出警報類型。這一流程有助于數據挖掘技術在電網調度運行平臺得到更好的應用。

2.5以聚類分析法在電力調度自動化系統中進行應

聚類分析方法在電力調度自動化系統中應用廣泛，它和同類分析法比較相似，當又不是完全相同，分類方法更加關注的為將數據映射到給定的類別中，聚類分析方法主要針對同類數據劃分，數據更加全面，且綜合新較強，這是該方法應用十分廣泛的原因，能對灰色分析法缺點進行彌補，使得數據整理更加整潔，且縮小了數據之間關聯度和相似度。例如，電力調度數據中控制和生產管控是兩大類，利用聚類分析方法，能將大數據進行聚類劃分，主要包含四個數據管理區，管理則包含了電力調度自動化產生的電力生產數據、銷售數據、控制數據等。

結語

綜上所述，若想電力調度自動化系統存在的價值發揮出最大，有關人員加強數據挖掘技術應用勢在必行。因其是保證電力調度自動化系統穩定性的根本要素，還是推動電力調度自動化系統效用發揮的關鍵點。為此，有關部門需合理應用數據挖掘技術，讓其包含的作用都利用到電力調度自動化系統中，為進一步提高社會公眾生活水平提供有效依據。

參考文獻：

[1]周洋.數據挖掘在電力調度自動化系統中的應用解析[J].科技創新與應用，2017（35）：149-150.

[2]劉雅銘.解析電力調度自動化系統中數據挖掘技術應用[J].低碳世界，2017（33）：66-67.

[3]吳利劍.基于數據挖掘的故障診斷的電力SCADA系統[D].沈陽：沈陽理工大學，2014.

（作者單位：呼和浩特供電局調度管理處）