数据挖掘技术在电力营销系统的应用现状马文廷

数据挖掘技术在电力营销系统的应用现状马文廷

马文廷郭志伟田竹梅郭鹏常绍绯

（国网山西省电力公司平顺县供电公司山西省047400）

摘要：随着我国科学技术的不断发展，电力系统中也出现了许多新的技术，如：数据挖掘技术、联机分析处理、数据仓库技术等，这些技术的不断发展与运用，为新的电力营销决策支持系统的运用提供了技术支撑。新数据仓库技术的发展，为新的电力营销决策系统提供了基础的条件，可以解决许多不易达到的问题。基于此，本文就数据挖掘技术在电力营销系统的应用情况进行了分析探讨，以供参阅。

关键词：电力营销系统；数据挖掘技术；运用

引言

随着我国科学技术的不断发展，数据挖掘技术作为一种新兴的技术在电力系统发展的过程中崭露头角。这一技术充分的利用了现有的计算机技术和各个相关领域的知识，并有效的将这些信息数据进行分析，并且把数据仓库用作决策的信息供应链，最终组成适合决策分析需要的分析数据。这一技术包含很多方面，如：据挖掘技术、联机分析处理、数据仓库技术等，它将有用的模式知识和规则充分挖掘出来，从而进一步提高整个管理系统的决策分析能力。这些技术的迅速发展和使用，为新的电力营销决策支持系统的运用提供了有力的技术支撑。因此，围绕电力企业关键指标体系，应用数据挖掘技术势在必行。

1数据挖掘技术

数据挖掘是一门新兴的学科，它又被称为知识发现、商业智能、预测建模以及预测分析等等。它是一种探测、挖掘大量重要数据的技术模式，是数据库发展与人工智能技术相结合的产物。从广义上讲，数据挖掘是一种态度，也就是说业务行动应该基于学习、知情的决定比不知情的决定要好。数据挖掘的整个过程也就是将潜在有用的信息与知识从大量杂乱的、模糊的、有噪声的、随机的数据中提取出来。数据挖掘技术集数据库、统计学、模式识别、人工智能为一体，将简单的信息查询提升到数据挖掘知识的高度，根据相关指标提取有用的营销信息，这些数据将为营销系统决策起到支持和引导作用。数据挖掘的流程分为以下几个步骤：①数据仓库的建立，将巨大的数据存储进去以便后期进行分析；②对数据的挖掘工作，也就是算法的原始输入；③进行后期对结果的解释和评估，知识。

2数据挖掘技术的方法以及在电力营销系统中的应用和发展

数控挖掘技术得到了非常广泛的应用，按照技术本身的发展出现了较多方法。例如，建立预测性建模方法，也就是对历史数据进行分析并归纳总结，从而建立成预测性模型。根据此模型以及当前的其他数据进行推断相关联的数据。如果推断的对象属于连续型的变量，那么此类的推断问题可属回归问题。根据历史数据来进行分析和检测，再做出科学的架设和推定。在常用的回归算法以及非线性变换进行有效的结合，能够使许多问题得到解决。

电力营销系统中的数据挖掘技术应用中关联规则是最为关键的技术应用之一。这种应用可以有效地帮助决策人员进行当前有关数据以及历史数据的规律分析，最后预测出未来情况。把关联规则成功引入电力营销分析，通过FP-Growth算法对电力营销的有关数据进行关联规则分析，从中得出各种电量销售的影响因素以及外部因素、手电水平等的关联信息，以便更好地为电力的市场营销策略提供参谋和决策。

对电力营销系统的应用中，时间序列挖掘以及序列挖掘非常经典、系统，是应用最为广泛的一种预测方法。这种方法的应用中，对神经网络的研究非常之多。因此，在现实中应用主要把时间序列挖掘以及神经网络两者进行有效地结合，然后再分析有关电力营销数据。此外，有关专家还提出应用一种时间窗的序列挖掘算法，这种方式可以进行有效地报警处理，使电力系统中的故障能够准确的定位并诊断事故。此算法对电力系统的分析和挖掘能力的提高非常有效，还可判定电力系统的运行是否稳定，对错误模型的分析精度达到一定的精确度。

3数据挖掘技术在电力营销系统中的应用

3.1关联规则的应用

在电力营销系统中，数据挖掘研究的关键技术便是关联规则，可以帮助企业管理者和决策者理性分析历史数据与当前数据的特征及规律，从而合理预测未来。侯雪波等在电力市场营销中引入关联规则，在对电力营销数据库分析基础上，利用FP-Growth算法，对于离散化处理过的电力营销数据进行关联规则分析，将电力销售的外部影响因素与售电量水平之间的关联特征描述出来，为电力市场营销策略提供辅助决策信息。售电事务数据集是关联规则挖掘直接面对的数据源，经分类概化处理后构成层次分明、逻辑清晰的离散数据集。

3.2分类的应用

针对长预测中的问题，分类法可以进行有效地解决，同时，时间序列挖掘、模糊理论、专家系统等这几种也是常见的几种能够预测的方法。姚李孝等提出的基于竞争分类的神经网络方法，在很大程度上提升了预测的精准度；冯丽等提出的模式分类法，也同样使电力负荷预测的精确度得到了很大的提高；与此同时，模式分类法也是提高电力负荷预测精确度的一种重要方法之一。管胜利提出的分类树的子数据库方法，能够在面对处理系统不良数据状态时的情况时，通过降低SCADA数据库规模的手段来进一步促使系统的运行速度得到提高。

3.3时间序列挖掘和序列挖掘的应用

在短期负荷预测中，被公认为最经典的，最系统的预测方法当属时间序列挖掘；应用最广、研究最多的是神经网络。在电力营销系统实际应用中，为有效确保营销数据的精准性，通常将时间系列挖掘与神经网络相结合进行数据分析。通过对比发现：就收敛速度而言，小波神经元网络要快于BP神经网络，以改进隶属度聚类方法改善负荷大波动日的预测精度。范习辉提出的时间窗序列挖掘算法，被广泛应用于警报信息的智能处理工作中，使电力系统故障定位与诊断的时间大大缩减，确保了电力系统运行的稳定性。

3.4聚类的应用

聚类技术与分类技术具有相似之处，但两者并不是完全一致的；分类技术主要是人为的对数据进行分类，而聚类则是依照数据自身的规律进行分类，相比于分类技术，聚类技术具有更大的随机性。电力营销系统中针对据对聚类技术应用的现状主要就是客户群的统计，根据数据对客户种类进行区分，从而制定出不同的营销策略，促进电力企业利润的增加。聚类技术在电力营销系统中的应用还表现在对客户反馈信息的可靠性进行判定的活动中，换言之，在对客户意见进行整理的过程中，可以有意识的过滤掉信用等级较差的客户，并采取用电量较大、诚信度较高客户的建议，从而维护企业大客户，保证企业利润，促进企业的发展。

3.5空间挖掘的应用

空间挖掘技术是近些年才被发现的数据挖掘技术，主要是指通过对数据的分析，发现出数据中不易被发现的知识以及数据关系，这种数据分析方法能够有效地帮助电力企业在事件发生时，能够以最快的速度对事件进行处理，同时计算出事件造成的损失并对损失进行最大限度地减少。目前我国电力系统在空间挖掘技术的应用还处于初级阶段，只是停留在利用空间技术对电网事故时的数据进行统计，部分情况下也会对事故频发地区的电网系统进行事故应激测试，从而发现应激系统中存在的不足，同时也帮助企业完成了最优应激方案的制定。

3.6EMDSS开发流程

电力营销决策支持系统是根据数据仓库技术的决策与制作定出有关的方法库、模型库与知识库，并且对整个系统进行统一的管理。在EMDSS之中，数据仓库是一个数据的平台，整合LAP技术、数据挖掘技术、DSS分析技术为数据仓库中的数据做出补充。

3.7负荷预测

作为电力系统的运行中的重要组成部分，电力调度运行部门显得尤为重要。电力负荷预测是电力调度系统的最重要工作之一，因此，这一预测结果成为了发电厂为各机组制定发电计划提供数据的一大保障。因此，电力负荷的结果需要足够精准，这样才能够对企业的经济效益起到良好的促进作用。针对用户用电负荷的特征可以看出，这些数据都具有很强的变化规律性，通过对时间序列模型的采用，可以在对历史用电数据进行挖掘分析之后，与其结果相结合，从而进一步对电力负荷进行预测，按照时间，地点，气候等相关因素来对用电记录进行聚类分析，这有利于为调度部门在决策过程中提供依据和帮助。

结束语

随着电力体制改革的不断推进，电力企业从计划经济的模式转向市场经济管理模式，电力营销系统中数据仓库的创建可以很好地促进企业的规范化管理，为企业创造良好的社会效益与经济效益。基于数据挖掘技术的电力营销系统向客户提供数据挖掘、在线处理分析、查询、提供报表等服务，帮助其从数据中发现规律，对发展趋势做出预测。在具体的使用中，该系统是电力营销MIS系统的延伸，为经营与决策提供了可靠与科学的依据。

参考文献：

[1]吴冬梅.数据挖掘技术在电力营销系统线损计算中的应用研究[J].城市建设理论研究：电子版，2014，（17）：170-171.

[2]郝晓弘，朱洁，王维洲等.数据挖掘技术在电力营销系统的应用现状[J].工矿自动化，2011，37（1）：68-72.

[3]李伟.浅谈数据挖掘技术在电力营销系统中的应用[J].数字化用户，2014，（18）.