基于改進挖掘算法的電力中臺服務數據整合研究

摘 要：由于電力中臺服務數據構成較復雜，不能保證整合后數據的完整性，因此本文提出基于改進挖掘算法的電力中臺服務數據整合研究。將電力中臺服務數據的屬性指示矩陣映射到單一維度的環境中后，根據單個電力中臺服務數據屬性在單一維度下的投影結果挖掘數據的特征；在整合階段，確定目標電力中臺服務數據特征對應的整合范圍后，根據電力中臺服務數據與整合中心特征之間的關系確定整合結果。在測試結果中，不僅針對各指標數據的完整性始終保持較高的穩定狀態，而且對應的完整性水平也始終處于較高狀態，在96.5%～99.5%區間內小幅波動。

關鍵詞：改進挖掘算法；電力中臺服務數據；屬性指示矩陣；單一維度；投影結果；數據特征；整合范圍

中圖分類號：TP 391" " 文獻標志碼：A

電力中臺服務數據在構成上主要體現了電力系統的多種屬性特征[1]。通過整合電力中臺服務數據可以形成統一的數據視圖，消除數據孤島，使數據資源得到更高效的利用[2]。電力企業可以更準確地了解電力系統的運行狀態，提高電力系統的穩定性和可靠性。整合后的數據可以支持更高級的數據分析應用[3]，優化電力設備的布局和配置，提高電力系統的運行效率，降低能源成本，推動電力行業的創新發展。

文獻[4]提出以概率-非概率樣本為基礎的數據整合方法，通過隨機抽樣等方式獲取具有代表性好、誤差可控特點的數據，結合非概率樣本方法在靈活性方面的優勢，使整合后的數據更詳細和更具體。這種方法可能受到主觀因素的影響，導致數據的準確性和客觀性受到一定影響。文獻[5]提出以人工智能技術為基礎的數據整合方法，利用人工智能技術可以自動識別、清洗、關聯和融合數據，結合數據中的潛在規律和模式，提高了數據整合的效率和準確性。該方法對數據質量的要求較高，算法模型需要不斷優化。

因此，本文提出基于改進挖掘算法的電力中臺服務數據整合方法，通過測試驗證了設計方法的性能。

1 電力中臺服務數據整合方法設計

1.1 基于改進挖掘算法的電力中臺服務數據特征提取

電力中臺服務數據具有多樣化的屬性特征和復雜的構成，難以保障數據整合后的完整性[6]。為了有效地提取這些數據的特征，本文提出一種基于改進挖掘算法的方法，并引入一系列計算公式來實現這一過程。

首先，對原始的電力中臺服務數據來說，受平臺設置的影響，其具有標準化的屬性特征。針對此，本文建立了以數據屬性為基礎的指示矩陣，同時，為了考慮不同屬性之間的尺度差異，設置了以數據尺度為基礎的約束矩陣，如公式（1）所示。

（1）

式中：Z為電力中臺服務數據的屬性指示矩陣；l為電力中臺服務數據中的有效信息數量；z為單個電力中臺服務數據的屬性構成；m-l為電力中臺服務數據的維度；B為電力中臺服務數據的尺度約束矩陣。

其次，按照上述所示的方式，為了便于后續的數據分析，本文將屬性指示矩陣映射到單一維度的數據矩陣環境中，這一過程通過矩陣因子λ來實現。λ的取值基于原始數據的分布離散程度，如公式（2）所示。

λ=f（σ） （2）

式中：f為離散程度與λ之間的映射函數；σ為原始數據的標準差，用于衡量數據的離散程度。

當σ較大時，意味數據分布較為離散，λ取較大值；反之，當σ較小時，λ取較小值。

將屬性指示矩陣映射到單一維度的數據矩陣環境中，如公式（3）所示。

C=BF|Zλ （3）

式中：C為單一維度下電力中臺服務數據的屬性指示矩陣；F為同維度矩陣對應電力中臺服務數據的矩陣因子。

F的具體取值以電力中臺服務數據的分布為基礎，即原始電力中臺服務數據分布的離散程度越高，F的值越大，原始電力中臺服務數據分布的離散程度越低，F的值越小。

此時，在單一維度環境下，本文在對數據的特征進行提取時，運用改進的挖掘算法來提取數據特征[7]。算法的核心思想是利用數據屬性在單一維度下的投影結果來揭示數據的內在結構。對應的投影結果v（z）如公式（4）所示。

（4）

式中：f（C）為電力中臺服務數據的特征；v（z）為單個電力中臺服務數據屬性在單一維度下的投影結果；ρ（a）為具體電力中臺服務數據a在單一維度下的的概率密度分布情況。

當電力中臺服務數據a的屬性為單一屬性時，其在單一維度下的概率密度分布與m-l維度下的概率密度分布一致；當電力中臺服務數據a的屬性不唯一時，其在單一維度下的概率密度分布為m-l維度下概率密度分布的立體投影。通過這一計算，得到每個數據屬性在單一維度下的投影結果，從而可以分析數據的分布情況和內在特征。

為了更精確地描述數據的特征，還引入概率密度分布ρ（a）。對單一屬性的數據來說，其概率密度分布與維度下的分布一致；對多屬性的數據來說，通過計算多維分布在單一維度下的立體投影來獲取概率密度分布。

此外，為了評估不同屬性之間的相關程度，引入相關系數δ的計算公式，如公式（5）所示。

（5）

式中：x和y分別為2個屬性的數據序列；μx和μy分別為它們的均值。

通過計算δ的值，可以了解不同屬性之間的相關性強弱，從而在數據整合過程中考慮這些關聯關系。

綜上所述，通過構建屬性指示矩陣和尺度約束矩陣、實現數據矩陣的單一維度映射以及運用改進的挖掘算法和相關計算公式，能夠有效地提取電力中臺服務數據的特征。這些特征為后續的數據整合和處理提供了可靠的依據，有助于提升電力中臺服務的性能和質量。

1.2 電力中臺服務數據整合

電力中臺服務數據整合是確保數據質量和提升電力中臺服務性能的關鍵環節。在上一章節中，已經通過改進挖掘算法成功提取了電力中臺服務數據的特征。結合1.1對電力中臺服務數據特征的提取結果，本章節將詳細闡述電力中臺服務數據的整合過程，以實際需求為導向，將對應的屬性作為整合中心，開展相應的處理，并引入一系列計算公式，以加強數據整合的準確性和效率。

首先，需要確定數據整合的范圍。整合范圍的大小直接決定了整合結果的全面性和有效性。考慮數據的多樣性和復雜性，采用特征指數函數和特征標準差函數來共同確定整合范圍[8-9]。特征指數函數能夠反映數據特征的重要性和影響程度，而特征標準差函數則能夠衡量數據特征的離散程度。通過結合這2個函數，可以得到一個既考慮數據特征重要性又考慮數據離散程度的整合范圍。其中，對于具體數據整合范圍的設置方式如公式（6）所示。

（6）

式中：β為以zi電力中臺服務數據特征為基礎的整合范圍；cr為電力中臺服務數據特征的指數函數；Φ為電力中臺服務數據對應的特征標準差函數。

結合公式（4）可以看出，對zi電力中臺服務數據的屬性特征來說，其整合范圍與電力中臺服務數據縱向維度l成負相關關系。

確定了整合范圍后，進一步考慮電力中臺服務數據與整合中心特征之間的關系。整合中心特征是基于數據特征提取結果而確定的，它代表了整合的核心和目標。為了衡量數據點與整合中心特征之間的關聯程度，引入相似度計算公式和距離計算公式。相似度計算公式用于計算數據點與整合中心特征之間的相似程度，而距離計算公式則用于衡量數據點與整合中心特征之間的距離。通過綜合考慮這2個因素，可以確定每個數據點在整合結果中的位置和權重。以此為基礎，根據電力中臺服務數據與整合中心特征之間的關系，最終的整合結果如公式（7）所示。

（7）

式中：G（a）為以zi電力中臺服務數據特征為基礎的整合結果。

結合公式（5）可以看出，對zi電力中臺服務數據的屬性特征來說，其整合結果與電力中臺服務數據橫向維度m成正相關關系。

需要特別注意的是，在實際應用中，電力中臺服務數據可能存在特征交叉的情況，即一個數據點可能表現出多個屬性特征。為了處理這種情況，采用特征權重分配策略。具體來說，根據每個特征與整合中心特征之間的相似度和重要性，為每個特征分配一個權重。然后，在整合結果計算過程中，根據每個數據點的特征權重進行加權求和，以充分考慮多個特征對整合結果的影響。

通過引入這些計算公式和策略，能夠實現對電力中臺服務數據的有效整合處理。數據整合的意義在于提高數據的完整性和一致性，為后續的數據分析和應用提供可靠的基礎。通過整合處理，可以消除數據冗余和矛盾，提升數據的準確性和可靠性。同時，整合后的數據更易于管理和利用，能夠為電力中臺服務的優化和決策提供更有力的支持。

此外，本文采用的改進挖掘算法在數據特征提取和整合過程中具有顯著優勢。首先，該算法能夠更準確地提取數據的特征信息，避免了傳統方法可能存在的信息丟失和誤判問題。其次，算法通過綜合考慮多個因素來確定整合范圍和整合結果，使整合過程更科學、更客觀。最后，該算法具有較高的處理效率和可擴展性，能夠滿足大規模電力中臺服務數據的處理需求。

綜上所述，通過引入一系列計算公式和策略，結合改進挖掘算法的優勢，能夠實現電力中臺服務數據的有效整合處理。這一工作不僅提高了數據的利用價值，而且還為電力中臺服務的優化和決策提供了有力支持。

2 測試分析

2.1 測試數據準備

為了對本文設計的電力中臺服務數據整合方法的性能進行深入分析，進行了詳細的對比測試。測試數據主要基于某電力企業的實際中臺服務數據，涵蓋了多個關鍵屬性，例如交易日期、交易類型、交易量、電價、發電企業、售電企業/電力用戶、交易狀態和備注等。這些屬性數據之間存在復雜的關聯關系，需要通過整合來提高數據的管理和應用效率。其中，具體的電力中臺服務數據構成以及數據之間的關聯關系見表1。

結合表1所示的信息可以看出，測試電力中臺服務數據主要包括交易日期、交易類型、交易量、電價、發電企業、售電企業/電力用戶、交易狀態和備注。這些屬性數據之間存在一定的關聯關系，在實際的應用管理過程中，為了提高效率，需要按照具體的要求對數據進行適應性整合。

在具體的測試階段，針對給出的第一季度電力中臺服務數據信息，以用電用戶為導向，開展具體的整合測試。為了全面評估本文方法的性能，從提高測試結果分析價值的角度分析，分別設置文獻[4]提出以概率-非概率樣本為基礎的數據整合方法以及文獻[5]提出以人工智能技術為基礎的數據整合方法作為測試的對照組。

試驗步驟如下。1）數據預處理。對原始電力中臺服務數據進行清洗、去重和格式化，確保數據的一致性和準確性。2）特征提取。根據1.1描述的改進挖掘算法對預處理后的數據進行特征提取，得到每個數據點的特征向量。3）對照組方法實現。分別實現文獻[4]和文獻[5]中的數據整合方法，并應用于測試數據。4）本文方法實現。應用本文提出的電力中臺服務數據整合方法對測試數據進行整合處理。5）性能評估。通過對比不同方法在整合數據完整性的表現，以評估本文方法的性能優勢。

2.2 測試結果與分析

當分析3種不同方法測試結果時，本文將整合數據的完整性作為具體的評價指標，其中，對于整合后數據完整性的評價，分別以數據的交易日期、交易電價、交易量、交易類型以及交易狀態作為指標，通過分類各指標尺度下整合后對應測試電力中臺服務數據與原始數據之間的比例關系對整合效果進行分析。3種不同數據整合方法具體的測試結果如圖1所示。

結合圖1所示的測試結構可以看出，在3種不同整合方法下，測試電力中臺服務數據完整性的控制效果表現出了較為明顯的差異。其中，在文獻[4]提出以概率-非概率樣本為基礎的數據整合方法下，各指標數據對應的完整性相對穩定，但是具體的水平存在進一步提升的空間，基本穩定在90.0%～95.0%；在文獻[5]提出以人工智能技術為基礎的數據整合方法下，各指標數據對應的完整性出現了較明顯的波動性，對應的最大值達到了98.5%（交易日期），最小值僅為88.0%（交易類型），表明其對不同指標數據的整合效果在穩定性方面存在進一步提升的空間；在本文設計數據整合方法下，不僅對各指標數據的完整性始終保持較高的穩定狀態，而且對應的完整性水平也始終處于較高狀態，在96.5%～99.5%區間內小幅波動。結合上述的測試結果以及對應的分析可以得出結論，本文設計的基于改進挖掘算法的電力中臺服務數據整合方法可以實現對數據進行有效整合的目標。

3 結語

為了能夠最大限度地提高數據的利用效率，使數據在關決策中發揮更大價值，對數據進行整合處理是極為必要的。因此，本文提出基于改進挖掘算法的電力中臺服務數據整合方法研究，在結合電力中臺服務數據的特征對挖掘算法進行適應性改進后，切實實現了對數據進行有效整合的目標，在極大程度上保證了數據的完整性。借助本文的設計與研究，希望可以為實際的數據整合提供有價值的參考。

參考文獻

[1]郭麗，孫華.基于K-means和支持向量機SVM的電力數據通信網絡流量分類方法[J].網絡安全技術與應用，2024（4）：64-66.

[2]常榮，徐敏.基于改進K-Means和DNN算法的電力數據異常檢測[J].南京理工大學學報，2023，47（6）：790-796，858.

[3]張錦元.基于時間序列的電力工程基建項目前期費用整合模型設計[J].中國管理信息化，2023，26（21）：100-103.

[4]劉曉宇，金勇進，倪成.大數據背景下概率-非概率樣本的數據整合推斷——從誤差校正的視角出發[J].統計研究，2023，40（8）：149-160.

[5]馮國禮，李蓉，吳雙.基于人工智能技術的電力信息系統運維數據整合方法[J].電力信息與通信技術，2022，20（1）：68-73.

[6]胡學強.基于大數據挖掘的電力客服中臺數據智能整合方法[J].自動化技術與應用，2023，42（3）：117-121.

[7]何立恒，呂萌，朱婷茹.DMSP-OLS與NPP-VIIRS夜間燈光遙感影像數據整合[J].測繪通報，2023（1）：31-38.

[8]邵澤興，張雨，陳鵬，等.基于FME的自然災害風險普查數據整合與質檢方法研究——以房屋建筑普查為例[J].地理空間信息，2022，20（9）：14-17.

[9]徐進.能源電力企業戰略性重組與專業化整合的新思考[J].能源，2022（3）：35-39.