基于大數據挖掘的電網監控信息智能監控研究

皮小平

四川明星電力股份有限公司， 629000

摘要：近年來，隨著中國電網快速發展，電網逐漸轉變為信息流、能量流高密度融合的能源互聯網，電力數據規模、種類快速增長，電力行業已邁入大數據時代。自國家電網提出“調控一體化”運行體系理念以來，各地變電站已經全部實現了以“四遙”功能為核心的集中監控，電網實時向調控端上送各受控變電站遙測、遙信等大量信息，構成電網信息流的重要部分。

關鍵詞：大數據挖掘;電網監控信息;智能監控

引言

從20世紀90年代開始，全世界范圍內就開始了電力工業市場改革，其目的就是要改變過去的電力壟斷垂直體系，充分實現電力資源優化配置，盡可能將社會效益最大化。隨著我國經濟社會的飛速發展，生產水平的提高，電力行業的發展也在不斷的發展壯大。與此同時，隨著大數據時代的到來，數據規模持續擴大，數據處理難度加大，對于部分數據處理與數據分析產生了很大的影響。在當前階段的電網運營監控中，大部分電力企業經常會碰到一些影響電網穩定發展的問題，所以，如何更加科學合理地建設電網運營監控平臺成為電力行業廣泛關注的問題。而通過充分運用數據挖掘技術，能夠有效提高對電網運營狀況的實時控制，將原來繁復的電網運營監控平臺變得更加科學合理，進而實現數據處理的準確化、高效化與系統化。同時，數據挖掘技術保證了電網運營的整體監控水平，使電網生產與應用安全可靠，極大地提升了電力電網行業的運營與生產能力，讓電力企業在市場中站穩腳跟。

1電網信息多時間精度分析

1.1日事務監控信息分析

本尺度Apriori分析旨在挖掘發生概率高、分布均勻度大、互為強關聯規則的監控信息及與日事件對象的關聯規則。數據設置：以一天的監控信息為Apriori分析的一個事務，即Ti=某天的監控信息集合，事務數為所分析的電網信息發生天數。取值策略：根據數據挖掘需求，按等差數列選取最小支持度sup和最小確信度conf分層次挖掘，電網監控信息信息量大、重復率高的特點越明顯，最小支持度和最小確信度的取值就應越大。分析流程：本文預先對監控信息歷史數據進行頻度分析，根據電網信息頻度特點，選取較高的最小支持度、最小確信度的取值區段進行數據挖掘。

1.2按時事務監控信息分析

本尺度Apriori分析旨在提高監控信息挖掘的精準度及與時事件對象的關聯規則。由于Apriori挖掘中會自動合并一個事務中相同的信息，為了更精確的分析，將時間尺度縮小到小時級別。數據設置：如以一小時監控信息為Apriori分析的一個事務，即Ti=某小時的監控信息，事務數為所分析的電網信息發生小時數。取值策略、分析流程：與日事務信息分析相同。

2數據挖掘技術概述

現階段我國經濟及科學技術已經得到了高速發展，并帶動了我國電力行業、電網運營行業等的發展，其中電網運營的發展速度最快。數據挖掘（Data Mining，DM）是指通過統計、情報搜索、機器學習、模式識別、在線分析處理等一系列的方法實現從大量的數據中搜索隱藏于其中的信息這一目標的過程。在當前階段，數據挖掘技術可分為三種類型，分別為統計分析型、知識發現型以及其他數據挖掘，統計分析型作為當前最為成熟穩定的一種數據挖掘技術，其強調遵循一定規律來進行數據挖掘的操作，即在運用不同模型進行數據挖掘前先通過分析數據來找出其中的規律，并進行聚類分析、變量分析、時間序列分析等一系列操作。知識發現型數據挖掘技術多用于DNA遺傳序列組以及人工智能神經網絡等方面，其基本原理為通過在數據倉庫中過濾出需要的信息，提取出信息后對其中隱匿的位置信息采取深入挖掘操作。而其他數據挖掘則包含多種多樣的挖掘操作，不同的數據有著不同的挖掘方式，如對于地理影像等數據使用空間數據挖掘，對于文本等非機構數據使用文本數據挖掘，對于互聯網數據使用萬維網數據挖掘，而對于少量局部數據則使用分布式數據挖掘。

3智能電網中大數據關鍵技術

3.1多元異構數據的聚合管理技術

首先，在智能電網中，要及時抽取數據源的數據，現階段，數據抽取和數據集成的方式，在ETL集成方式中得到充分體現。在數據抽取文件的同時，及時轉換好數據，保證分析性數據的生成，將多維度和多粒度特點凸顯出來，并實現在數據倉庫中的有效存儲。現階段，在云計算技術不斷發展過程中，云計算的分布式存儲方式，可以有效存儲諸多智能電網數據，從而出現了電力云這一概念。在智能電網數據集管理過程中，構建云存儲模型，可以安全地進行結構化和非結構化數據存儲工作。分布式計算法，有助于計算機存儲空間的提升，但是仍然與電網數據實時性要求具有一定的差距。因此，在存儲智能電網數據過程中，如果數據的要求比較高，要通過對實時數據系統的應用，以此來加以存儲，借助分布式文件系統，存儲智能電網中的歷史數據，從而不斷提高分級存儲系統的完善性。

3.2復雜數據分析技術

首先，強關聯項集挖掘。通過余弦指標的“條件單調性”剪枝性質的提出，加強高效余弦模式挖掘算法的應用，以此來對強關聯項集予以挖掘，對興趣度指標條件進行分析，為剪枝提供一定的依據，確保興趣模式的順利挖掘。同時，借助余弦模式，在噪音過濾方面也具有較高的適用性，避免其他數據影響到分析工作的開展。加強強關聯多項集的挖掘技術的應用，可以不斷提高企業內部資源利用的全面性和深層次性。其次，聚類分析技術。在一致性聚類方面，諸多理論問題得到了有效研究，如對效用函數選擇、聚類分析生成分量等。在電力企業物質調配平臺總，文本分類技術的應用非常關鍵，可以將分析能力和信息檢索能力提升上來。此外，聚類分析方法在客服系統中也具有較高的應用性，確保企業調配人員的合理性，并推動客戶滿意度提升。

4結語

數據挖掘技術的應用能夠使電網監控工作人員對于數據信息及使用更為便捷，更好地了解數據挖掘技術以及數據挖掘技術在電網運營監控平臺當中的運用效果，還可以保證電網的穩定，使其安全可靠的運行。

參考文獻

[1]張東霞，苗新，劉麗平，等.智能電網大數據技術發展研究[J].中國電機工程學報，2015，35（01）：2-12.

[2]劉振亞.智能電網技術[M].北京：中國電力出版社，2010.

[3]彭小圣，鄧迪元，程時杰，等.面向智能電網應用的電力大數據關鍵技術[J].中國電機工程學報，2015，35（03）：503-511.