電力互聯網運行過程中重復需求數據挖掘方法

劉曉偉，謝楓，王莉，介志毅，呂凜杰

（國網冀北電力有限公司營銷服務中心（計量中心），北京 100045）

在互聯網技術的影響下，電力企業的運營服務方式也出現了變化[1]，電力互聯網領域涉及到的重復數據具有冗余性，人工處理數據會出現一定的計算失誤，影響電力企業的服務質量[2]。

文獻[3]提出了一種基于數據挖掘的電力系統數據分析與決策系統。該系統根據運行人員的需求，在對電網數據庫進行數據清理、整理、建模等操作之后，利用網絡數據庫對相關數據進行關聯性分析和預測，挖掘出相應的知識。最終，以可視化方式向操作者展示。文獻[4]提出了一種基于Apriori 算法的電力系統二次設備缺陷數據挖掘及分析方法。在充分分析了關聯規則和Apriori 算法思想的基礎上，建立了基礎的電力系統二次設備缺陷模型，通過該模型研究二次設備缺陷的主要屬性，以自動設備缺陷數據為例，分析了基于Apriori 算法的電力系統二次設備缺陷數據挖掘與分析方法。

為了解決以上提到的電力互聯網運行過程中交互數據存在的問題，首先對電力客服數據的特征進行分層融合，然后以電力互聯網運行特征為基礎，進一步完成基于聚類算法的重復需求數據深入挖掘，達到提高電力企業整體服務質量的目的。最后，通過對比實驗證明了該文研究的電力互聯網運行過程中重復需求數據挖掘方法具有可行性。

1 電力客服數據的特征分層融合

電力客服的行為最能表現出電力互聯網企業的服務質量，電力客服主要的工作是處理電力互聯網運行的相關數據，由于電力客服處理的數據具有冗余性和復雜性，為了使得提取的電力客觀數據特征具有意義，提高電力客服的處理效率，電力企業在任何工作任務開始、進行和結束都會記錄相對應的數據痕跡，存儲在數據庫內，客服需要在對重復需求數據進行處理時，先對數據進行有效對比，選取的對照數據就是在數據庫內調取，此行為也被稱為電力客服數據特征提取的預處理操作。

構建電力客服數據決策模型，模型的特征提取原理是計算所有的重復需求數據的擴散模糊度，然后按照數據模糊度的數值完成提取。首先將調取的電力互聯網運行的需求數據依次分離，每10 組數據作為一個整體進行捆綁處理，然后將數據轉化為具有擴散模糊決策計算條件的格式，轉化公式如下：

其中，c1表示電力互聯網運行的決策模糊因子；?表示電力互聯網運行的決策系統決策量；u0表示電力互聯網運行中數據的信息頻譜[5]。

電力互聯網運行的重復需求數據計算格式轉化完成后，帶入數據決策模型內，計算出每個數據的重復擴散模糊度，具體模型結構如下：

其中，c2表示電力互聯網運行的分析函數決策因子；H表示電力互聯網運行的波動值；φ表示需要計算的重復需求數據的特征值；在模糊判定過程中數據過濾處理回溯變量區間為[1.2,8.9]，其他未知數同上[6]。

最后將電力客服需求重復的數據完成模糊決策計算后，根據數據模糊程度的相似度，形成一個特征序列集合，然后對初次提取出的電力客服數據特征進行有效篩選，合理地進行電力客服數據特征的提取，輸出每個電力客服處理的重復需求數據的特征，具體計算公式如下：

其中，(x,y)為數據擴散模糊的有效計算公共模糊域，其他未知數意義同上[7]。

通過以上的計算就可以提取出電力互聯網運行過程中電力客服重復需求數據的特征，接下來完成電力客服數據的分層融合處理。電力客服數據融合總體模型如圖1 所示。

圖1 電力客服數據融合總體模型

根據圖1 可知，其操作流程的處理原理是將需要電力客服處理并且具有重復需求的特征數據按照數據遷移分層法則進行分層融合，達到該文設計的目的。每一個數據決策模型提取出的具有重復需求的電力客服數據特征都具有一個可識別的定位節點作為特征屬性，為了使電力客服數據的特征分層結構具有規范性，需要對每個有效特征的節點進行效率計算，計算公式如下：

其中，∈ij表示特征節點之間的效率；dij表示數據特征定位節點間的間距數值；e表示數據特征分層系數；G(n)表示數據特征的適應度函數[8]。

具有需求重復的電力客服數據特征分層結構中各個特征存儲的距離十分關鍵，此距離決定了數據特征之間的適應度，一旦適應度不合適，每個電力客服數據特征會將臨近的數據進行無規則銷毀[9]，導致不可挽回的影響，因此將該文研究的電力互聯網運行過程中重復需求數據作為背景，設定一個合理的分層存放間距，利用非線性差分相點融合估計算法，將電力客服數據特征的每個層次結構進行融合，得到最佳的數據特征比例數值，非線性差分相點融合估計算法的計算定義如下：

其中，pi表示重復需求數據特征分層融合進程管理處理機；Ni表示特征分層融合的任務量；rwd(a,b)表示需要進行融合的電力服務特征的相對位置向量。

2 重復需求數據深入挖掘

基于聚類算法進行重復需求數據深入挖掘需要在數據庫中進行數據分析和特征提取[10]。對系統數據庫進行結構分析，根據數據庫的結構層次選用決策樹方法進行數據分析，提取數據信號的關鍵特征，并對數據處理中產生的空間干擾和噪聲干擾因素進行模態分解，基于聚類算法實現置信度較高的重復數據深入挖掘。重復需求數據庫如圖2 所示。

圖2 重復需求數據庫

以重復數據的數據集為運算樣本，將不同特征的重復數據劃分為多個不同的子數據集[11-12]，根據子數據集的數據量、數據長度等參數計算部分數據的時間特征：

式中，Y為數據的時間特征尺度，n表示數據長度序列，經過公式運算得到重復數據信號的時間特征尺度，然后進行模態分解處理：

式中，a(t)表示重復數據t的數據流，θ(t)為該數據流的包絡特征，經過計算能夠得到重復數據的包絡矢量參數[13]。對重復數據集中的所有數據進行包絡特征計算，得到所有數據樣本的包絡矢量，然后基于聚類算法對樣本數據包絡矢量進行高斯離散，通過特征篩選分解重復數據的信號和特征信息。樣本數據的高斯離散運算公式如下：

式中，z(t)為數據信號的離散分量，x(t)為數據庫中初始數據樣本的信息離散幅度，y(t)為數據運算采用的離散尺度，結合上一步數據模態分解處理所得的數據包絡特征，對數據信號進行卷積分解處理[14]，并根據所得分解頻段波形對重復數據和信號進行固定模態頻段特征分量分析：

式中，rn為重復數據的固定模態頻段特征信號，cn為重復數據的固定模態頻段特征分量。根據得到的信號數值和所有數據信號值變化情況與計算設定的信號值進行對比，滿足小于設定數值的幅值即為符合挖掘標準的重復數據，可以進行特征提取和深度挖掘[15]。

通過決策樹模型進行重復數據深度挖掘，將已經完成特征分類和信號分析的數據集引入到參數適配的數據處理器中，通過合適的決策樹對重復數據進行數據特征識別和相關性檢測分析，將檢測到的數據信號參數和模態時頻特征按照關聯關系構建數據特征決策樹，源數據與子數據之間通過決策分叉連接。數據聚類過程如圖3 所示。

圖3 數據聚類過程

根據提取出的數據特征，對所有數據進行跟蹤，將跟蹤數據的參數取值整合為一個數據集，再將對應數據在決策樹中所表現出來的映射值整合在一起，將兩組數據一一進行映射關系對應，并按照決策樹關系的排列順序構建聚類狀態的序列[16]。在此基礎上監測重復數據出現的頻率和輸出數據的特征信息，進行重復數據挖掘判別，判別公式如下：

式中，W表示數據挖掘的判別結果，α為決策樹的調節系數，Ts為重復數據的產生頻率。經過以上運算以及得到的函數運算結果，能夠判定聚類算法下重復需求數據的深度挖掘結果是否達到標準。

3 實驗研究

為了驗證該文方法的有效性，進行了實驗研究，采用基于聚類算法的重復需求數據深入挖掘方法對電力互聯網運行過程中的重復需求數據進行挖掘，監測記錄數據挖掘過程中的計算錯誤率。實驗選用配備Windows 10 系統的計算機，IntelCore3—530 1G 的內存，進行重復需求數據挖掘的主要軟件為Matlab。

在計算機數據處理軟件中構建符合實驗電力互聯網運行參數的數據庫和決策樹模型，將重復數據和信號代碼進行特征識別和提取，完成基本的數據特征分類和排列。將數據中的關鍵信息提取出來，包括數據信號頻帶、信息矢量長度等；然后對電力互聯網重復需求數據進行離散處理，得到數據模態分解結果。模態分解結果數據精準度如圖4 所示。

圖4 模態分解結果數據精準度實驗結果

根據實驗中的模態分解結果數據可以看出，該文方法對電力互聯網運行過程中重復需求數據的固有模態特征提取效果比較精準，提取出的信號信息幾乎沒有被外部因素干擾形成的殘缺信息數據，挖掘所得的數據信息均符合處理要求，說明通過這種方法提取挖掘數據信息受外部干擾因素的影響較小，檢測識別更加精準，相比于傳統方法簡化了數據除雜和篩選過程，有利于提高數據處理的工作效率。

對分解后的重復數據進行挖掘和判定，將固有數據和模態特征分解后的數據進行決策樹和映射關系構建，得到數據序列關系和數據模態時頻特征分量，運算處理后得到的分解數據分量對應決策樹層次能夠判定數據挖掘的深度。然后對模態分解數據和數據映射結果進行檢測，檢測深度挖掘數據的錯誤率。數據挖掘錯誤率實驗結果如圖5 所示。

圖5 數據挖掘錯誤率實驗結果

根據實驗結果能夠看出，采用該文方法得到的數據與決策樹映射對應關系更加貼近，說明挖掘處理后的數據結果準確度比較高，數據信息更加真實完整。且通過基于聚類算法進行固有模態特征提取的提取結果更為精準，對重復需求數據的特征和關鍵點的識別檢測效果更好，在數據運算后還通過判定函數運算，進一步加強了數據的準確性。由此可見，該文研究的方法利用聚類算法，優化了對電力互聯網運行中的大量重復需求數據的識別檢測和分析處理性能，提高了數據識別和特征提取的準確度，降低了數據處理的錯誤率，提高了數據運算和決策樹構建的精準度。同時，數據和特征提取過程具有較強的抗干擾能力，減小了干擾因素對數據處理過程的影響，提高了數據處理效率，整體上優化了電力互聯網運行過程中重復需求數據挖掘的工作效率和精準度。

4 結束語

通過以上的聚類算法和數據特征的分層融合分析，針對電力互聯網領域設計了一套具有規范的重復需求數據挖掘方法，首先通過數據模糊決策模型提取電力客服數據的特征，然后利用一系列公理定義將具有相同特征的電力客服數據進行分層融合，為電力互聯網運行過程中重復需求的數據挖掘奠定數據基礎，最后通過聚類算法，達到預期的設計目的。以該文的研究成果作為分析理論，可以進一步完成電力互聯網運行過程中其他交互行為的處理，提高電力領域的服務質量。