數據挖掘技術在電力營銷系統中的應用

杜立斐

摘要：作為一種用于數據處理的技術，數據挖掘技術可以從大量或不完整和模糊、隨機的數據當中將隱含的有潛在價值的信息提取出來，將其應用到電力營銷系統當中可以挖掘出大量隱藏的有用信息。文章對數據挖掘技術在電力系統中的應用展開了討論。

關鍵詞：數據挖掘技術；電力營銷系統；數據處理；業擴報裝；電能計算；營業計費 文獻標識碼：A

中圖分類號：TP311 文章編號：1009-2374（2016）21-0050-02 DOI：10.13535/j.cnki.11-4406/n.2016.21.024

電力營銷系統中涉及的核心業務有業擴報裝和電能計算、營業計費以及用電管理與線損管理等，各個業務模塊又包括涵蓋電話服務、客戶中心服務、網絡服務等內容的服務模塊和包括綜合業務查詢與歷史數據統計以及效益分析與決策支持在內的分析模塊，可以說，所有能夠為電力系統的正常運行提供決策依據的原始數據都屬于營銷系統的數據管轄范疇，比如生產系統的規劃設計與負荷預測、經濟調度、用戶特征提取以及異常數據的挖掘處理等。可見電力營銷系統有著海量且復雜的數據信息，如何從中快速獲取能夠為決策提供參考依據的準確信息和量化指標是擺在電力營銷部門面前的一個主要問題，數據挖掘技術的出現有效解決了這一難題。下面就其在電力營銷系統中的應用問題做進一步探討。

1 電力營銷系統數據來源、特點及數據挖掘技術概述

電力營銷系統當中的數據涵蓋管理信息系統、SCADA系統、地理信息系統、電網運行過程中的負荷管理系統、配變檢測系統、電能量計費系統以及計量檢定等實時信息系統中的所用數據，并且這些數據伴隨著電力企業的發展逐漸積累，數據含量非常龐大。除此之外，電力營銷系統數據在種類上還比較混雜，而且采集到的數據通常都會摻雜著一些噪聲或是存在數據缺失、錯誤等情況，數據質量難以保證。

作為一門新興的學科，自從集統計學和人工智能以及模式識別、數據庫、高性能并行計算與機器學習等多種技術于一體的數據挖掘技術出現之后，人們對于數據的應用不再只停留在簡單的數據查詢階段，而是進入到更高層次的應用——從數據中挖掘有價值的知識和信息，給管理者的決策提供支持。當前常用的數據挖掘技術有關聯規則、分類和時間序列挖掘與序列挖掘以及聚類、Web挖掘、空間挖掘等。

2 數據挖掘技術在電力營銷系統中的具體應用

2.1 關聯規則的應用

作為當前階段電力營銷系統主要研究的一種數據挖掘技術，關聯規則可以幫助決策者在對當前數據和歷史數據進行分析的基礎上找出其中隱含的規律和特征，在此基礎上對未來變化趨勢做出相應預測。具體介紹以下五種應用途徑：

2.1.1 在電力市場營銷分析中針對經由離散化處理過的電力營銷數據使用FP-Growth（頻繁模式增長）算法進行關聯規則分析，進而將存在于售電量水平和各種對電量銷售有影響作用外部因素間的關聯特征描述出來，從而給電力市場營銷決策提供輔助參考信息。

2.1.2 在電力市場營銷策略制定、項目以及投資組合管理等方面運用關聯規則進行指導，同時對需求、銷售和收入以及理賠等進行分析和預測。

2.1.3 將關聯規則同其他方法結合在一起應用到電力營銷系統當中，比如建立在關聯分析法和云模型基礎上的模糊評價法，此種方法主要是針對電力營銷目標市場來確定，比較簡單可行。

2.1.4 在用于電力負荷定量分析和非定性分析當中融入關聯規則挖掘是一種新型電力負荷預測方法，此種方法既容易理解，又比較明顯。

2.1.5 在城市負荷分布中引進關聯規則這種數據挖掘技術，應用的時候需要先利用頻繁模式增長算法——FP-Growth算法將負荷數據挖掘出來，然后在考慮電力行業數據特殊性的基礎上對電力負荷所受到的有關因素的影響進行分析。

2.2 分類的應用

在對電力營銷系統進行中長期預測時常用的方法有序列預測、模糊理論和專家系統以及建立在競爭分類基礎上的神經網絡法和模式分類法等，其中神經網絡法和模式分類法在電力負荷預測上都有著令人滿意的精確度。同時還有可應用于日調度計劃編制當中的一種短期負荷預測算法，此種預測方法將決策樹技術和外推算法做了有效結合，有著較高的預測精度；在對SCADA系統中不良數據進行狀態估計時可以通過分類樹建立子數據庫，進而縮減SCADA數據庫規模，將計算速度提升上來。另外，在CRM——客戶關系管理當中還可以把神經網絡方法和模糊邏輯控制兩者結合在一起應用或是在各機組開停機計劃表制定中使用回歸算法、歸納算法、神經網絡改善等。

2.3 時間序列與序列挖掘的應用

在所有短期負荷預測方法中，時間序列挖掘是被認為最經典的一種方法，比較系統，同時神經網絡則是短期負荷預測中研究最多、應用最為廣泛的，因此在電力營銷系統的實際應用當中往往會把二者結合在一起對電力營銷數據進行分析。在神經網絡法當中，相較于BP神經網絡，小波神經元網絡在收斂速度上有著更好的表現，而且其中采用了基于隸屬度改進的聚類方法，有利于負荷大波動日預測精度的改善。另外，為給電力系統的故障定位與故障診斷提供更為有效的指導，可以將建立在時間窗基礎上的序列挖掘算法應用到警報信息的處理當中；為提高電力系統運行狀態判定的準確性和有效性，可把建立在錯誤模型分析與快速診斷推理基礎上的一種新型數據挖掘算法應用其中，此種算法極大地提升了在對系統運行狀態進行挖掘和分析的能力，使得錯誤模型分析的精確度有所提高。

2.4 聚類應用

聚類在電力營銷系統當中主要應用在以下方面：電力用戶分類、信用評價和負荷預測、分類以及變壓器故障診斷、不良數據的修正等。比如，在對客戶各個方面不同屬性進行劃分的基礎上通過聚類分析法把客戶劃分成不同組別，此時負責決策分析的人員就可以此聚類結構為依據對存在于各個組別相互之間的差異性分析出來，然后對類群特征展開研究，這樣就可以根據實際情況實行不同的營銷策略，保證企業經濟效益的提升。又比如，鑒于電力客戶信用分類的特性，可以在模糊聚類分析的基礎上針對客戶信用建立一個評價算法，通過此種算法就可以獲得基于不同客戶群的聚類中心以及針對每個客戶的隸屬度矩陣，這樣就給針對客戶群的特征分析提供了量化的參考依據。在不良數據的校正上，可以在原有聚類算法——CURE算法當中融入信息熵原則來對聚類過程中出現的基本參數進行選擇，然后在相關負荷特征曲線的提取上使用Kohonen網絡。此外，對于典型負荷的代表曲線，可以在對獲取來的用戶用電數據進行預處理之后再通過合適的聚類方法、聚類書目獲得，這樣既可以對用戶的用電模式有所了解，又可以為購電合同的制定提供參考依據，幫助企業獲得更多的經濟

效益。

2.5 空間挖掘的應用

在當前市場經濟的大環境下，原本就需要決策者對各項數據做出快速的分析和診斷，這樣才能夠在最短的時間內做出最正確的反應和決策，為電力企業健康、穩定、長遠的發展提供有力保障。在這個過程中，需要運用特定的空間挖掘技術對各種目標層次的信息進行綜合處理，這些信息包括電網的運行數據以及負荷的位置分布、負荷的實時變化數據等，只有如此才能對設備進行跟蹤、對故障進行定位、對損失進行評價或是進行模擬停電、實現調度最優化等。對于同類負荷或是不同類負荷的位置分布數據可以通過空間分布規則和聚類規則以及特征規則與區分規則獲得。另外，在針對用戶開展業擴報裝和負荷管理以及電表、電費查收等業務工作時，可以通過利用空間數據挖掘技術獲取到的像地理編碼這樣的幾何知識來完成；在負荷填谷和調峰、錯峰等管理功能當中可以分別把變壓器和用戶地理位置、線路實際負荷以及負荷可控制情況等作為參考依據制定不同的負荷控制方案。

3 結語

伴隨著科學技術的發展進步，電力營銷系統中逐漸引入了諸如數據挖掘技術和數據倉庫技術以及聯機分析處理等多種新型技術，為電力營銷決策系統提供了更為準確、全面和詳盡的量化指標與參考數據。在電力營銷系統當中應用數據挖掘技術可為決策者提供決策支持，大大提升了經營管理水平，為電網運行的穩定性和經濟性提供了有力保障。

參考文獻

[1] 許敏.數據挖掘技術在電力營銷系統中的應用及發展[J].科技與企業，2015，（10）.

[2] 雷波.數據挖掘技術在電力營銷系統中的應用研究[J].廣東科技，2014，（12）.

[3] 劉成東.電力營銷系統中數據挖掘技術的應用分析[J].大科技，2014，（5）.

[4] 楊亞東.數據挖掘技術在電力營銷中的應用初探[J].經濟視野，2014，（24）.

[5] 吳冬梅.數據挖掘技術在電力營銷系統線損計算中的應用研究[J].城市建設理論研究（電子版），2014，（17）.

[6] 郭俊.數據挖掘技術在電力營銷系統中的應用現狀[J].數字通信世界，2015，（9）.

（責任編輯：蔣建華）