数据挖掘技术在电力营销系统中的应用
中图分类号：TP311 文章编号：1009-2374（2016）21-0050-02 DOI：10.13535/j.cnki.11-4406/n.2016.21.024
电力营销系统中涉及的核心业务有业扩报装和电能计算、营业计费以及用电管理与线损管理等，各个业务模块又包括涵盖电话服务、客户中心服务、网络服务等内容的服务模块和包括综合业务查询与历史数据统计以及效益分析与决策支持在内的分析模块，可以说，所有能够为电力系统的正常运行提供决策依据的原始数据都属于营销系统的数据管辖范畴，比如生产系统的规划设计与负荷预测、经济调度、用户特征提取以及异常数据的挖掘处理等。可见电力营销系统有着海量且复杂的数据信息，如何从中快速获取能够为决策提供参考依据的准确信息和量化指标是摆在电力营销部门面前的一个主要问题，数据挖掘技术的出现有效解决了这一难题。下面就其在电力营销系统中的应用问题做进一步探讨。
1 电力营销系统数据来源、特点及数据挖掘技术概述
电力营销系统当中的数据涵盖管理信息系统、SCADA系统、地理信息系统、电网运行过程中的负荷管理系统、配变检测系统、电能量计费系统以及计量检定等实时信息系统中的所用数据，并且这些数据伴随着电力企业的发展逐渐积累，数据含量非常庞大。除此之外，电力营销系统数据在种类上还比较混杂，而且采集到的数据通常都会掺杂着一些噪声或是存在数据缺失、错误等情况，数据质量难以保证。
作为一门新兴的学科，自从集统计学和人工智能以及模式识别、数据库、高性能并行计算与机器学习等多种技术于一体的数据挖掘技术出现之后，人们对于数据的应用不再只停留在简单的数据查询阶段，而是进入到更高层次的应用――从数据中挖掘有价值的知识和信息，给管理者的决策提供支持。当前常用的数据挖掘技术有关联规则、分类和时间序列挖掘与序列挖掘以及聚类、Web挖掘、空间挖掘等。
2 数据挖掘技术在电力营销系统中的具体应用
2.1 关联规则的应用
作为当前阶段电力营销系统主要研究的一种数据挖掘技术，关联规则可以帮助决策者在对当前数据和历史数据进行分析的基础上找出其中隐含的规律和特征，在此基础上对未来变化趋势做出相应预测。具体介绍以下五种应用途径：
2.1.1 在电力市场营销分析中针对经由离散化处理过的电力营销数据使用FP-Growth（频繁模式增长）算法进行关联规则分析，进而将存在于售电量水平和各种对电量销售有影响作用外部因素间的关联特征描述出来，从而给电力市场营销决策提供辅助参考信息。
2.1.2 在电力市场营销策略制定、项目以及投资组合管理等方面运用关联规则进行指导，同时对需求、销售和收入以及理赔等进行分析和预测。
2.1.3 将关联规则同其他方法结合在一起应用到电力营销系统当中，比如建立在关联分析法和云模型基础上的模糊评价法，此种方法主要是针对电力营销目标市场来确定，比较简单可行。
2.1.4 在用于电力负荷定量分析和非定性分析当中融入关联规则挖掘是一种新型电力负荷预测方法，此种方法既容易理解，又比较明显。
2.1.5 在城市负荷分布中引进关联规则这种数据挖掘技术，应用的时候需要先利用频繁模式增长算法――FP-Growth算法将负荷数据挖掘出来，然后在考虑电力行业数据特殊性的基础上对电力负荷所受到的有关因素的影响进行分析。
2.2 分类的应用
在对电力营销系统进行中长期预测时常用的方法有序列预测、模糊理论和专家系统以及建立在竞争分类基础上的神经网络法和模式分类法等，其中神经网络法和模式分类法在电力负荷预测上都有着令人满意的精确度。同时还有可应用于日调度计划编制当中的一种短期负荷预测算法，此种预测方法将决策树技术和外推算法做了有效结合，有着较高的预测精度；在对SCADA系统中不良数据进行状态估计时可以通过分类树建立子数据库，进而缩减SCADA数据库规模，将计算速度提升上来。另外，在CRM――客户关系管理当中还可以把神经网络方法和模糊逻辑控制两者结合在一起应用或是在各机组开停机计划表制定中使用回归算法、归纳算法、神经网络改善等。
2.3 时间序列与序列挖掘的应用
在所有短期负荷预测方法中，时间序列挖掘是被认为最经典的一种方法，比较系统，同时神经网络则是短期负荷预测中研究最多、应用最为广泛的，因此在电力营销系统的实际应用当中往往会把二者结合在一起对电力营销数据进行分析。在神经网络法当中，相较于BP神经网络，小波神经元网络在收敛速度上有着更好的表现，而且其中采用了基于隶属度改进的聚类方法，有利于负荷大波动日预测精度的改善。另外，为给电力系统的故障定位与故障诊断提供更为有效的指导，可以将建立在时间窗基础上的序列挖掘算法应用到警报信息的处理当中；为提高电力系统运行状态判定的准确性和有效性，可把建立在错误模型分析与快速诊断推理基础上的一种新型数据挖掘算法应用其中，此种算法极大地提升了在对系统运行状态进行挖掘和分析的能力，使得错误模型分析的精确度有所提高。
2.4 聚类应用
聚类在电力营销系统当中主要应用在以下方面：电力用户分类、信用评价和负荷预测、分类以及变压器故障诊断、不良数据的修正等。比如，在对客户各个方面不同属性进行划分的基础上通过聚类分析法把客户划分成不同组别，此时负责决策分析的人员就可以此聚类结构为依据对存在于各个组别相互之间的差异性分析出来，然后对类群特征展开研究，这样就可以根据实际情况实行不同的营销策略，保证企业经济效益的提升。又比如，鉴于电力客户信用分类的特性，可以在模糊聚类分析的基础上针对客户信用建立一个评价算法，通过此种算法就可以获得基于不同客户群的聚类中心以及针对每个客户的隶属度矩阵，这样就给针对客户群的特征分析提供了量化的参考依据。在不良数据的校正上，可以在原有聚类算法――CURE算法当中融入信息熵原则来对聚类过程中出现的基本参数进行选择，然后在相关负荷特征曲线的提取上使用Kohonen网络。此外，对于典型负荷的代表曲线，可以在对获取来的用户用电数据进行预处理之后再通过合适的聚类方法、聚类书目获得，这样既可以对用户的用电模式有所了解，又可以为购电合同的制定提供参考依据，帮助企业获得更多的经济
效益。
2.5 空间挖掘的应用
在当前市场经济的大环境下，原本就需要决策者对各项数据做出快速的分析和诊断，这样才能够在最短的时间内做出最正确的反应和决策，为电力企业健康、稳定、长远的发展提供有力保障。在这个过程中，需要运用特定的空间挖掘技术对各种目标层次的信息进行综合处理，这些信息包括电网的运行数据以及负荷的位置分布、负荷的实时变化数据等，只有如此才能对设备进行跟踪、对故障进行定位、对损失进行评价或是进行模拟停电、实现调度最优化等。对于同类负荷或是不同类负荷的位置分布数据可以通过空间分布规则和聚类规则以及特征规则与区分规则获得。另外，在针对用户开展业扩报装和负荷管理以及电表、电费查收等业务工作时，可以通过利用空间数据挖掘技术获取到的像地理编码这样的几何知识来完成；在负荷填谷和调峰、错峰等管理功能当中可以分别把变压器和用户地理位置、线路实际负荷以及负荷可控制情况等作为参考依据制定不同的负荷控制方案。
3 结语
伴随着科学技术的发展进步，电力营销系统中逐渐引入了诸如数据挖掘技术和数据仓库技术以及联机分析处理等多种新型技术，为电力营销决策系统提供了更为准确、全面和详尽的量化指标与参考数据。在电力营销系统当中应用数据挖掘技术可为决策者提供决策支持，大大提升了经营管理水平，为电网运行的稳定性和经济性提供了有力保障。
- 上一篇：电力物资采购成本的控制措施探讨
- 下一篇：电力机车的节能减排成效分析
