电力系统中的数据挖掘和预测技术研究

2󰀸电工电气 (20󰀱6 No.6)产品与应用

作者简介：吴奇珂(1992- )，男，硕士研究生，研究方向为电力系统运行、智能电网技术、需求响应、电动汽车； 程帆(1992- )，男，硕士研究生，研究方向为新能源发电与并网、电机控制策略等。数据挖掘技术及其在电力系统中的应用

吴奇珂，程帆

(东南大学 电气工程学院，江苏 南京 210096)

摘 要：电力大数据下的数据挖掘技术应用贯穿于发、输、变、配、用各个环节，介绍了分类分析、关联分析、聚类分析和异常检测等智能算法在输电系统雷电预测、设备运行状态分析、配电系统运行故障预警及风险预测、用户用电行为特性聚类、电力市场行为分析、电力市场中负荷及电价预测等的应用。数据挖掘技术可显著提升电网运行效益，是未来智能电网发展的核心技术之一。关键词：数据挖掘；输电系统；配电系统；用电互动；电力市场中图分类号：TM715 文献标识码：B 文章编号：1007-3175(2016)06-0028-05

Abstract: Under the conditions of big data in power industry, the application of data mining technology ran through each link of deliver, transmission, transfer, distribution and usage. Introduction was made to the application of classification analysis, correlation analysis, clustering analysis and anomaly detection etc intelligent algorithms in thunder and lightning prediction of power transmission system, analysis of equip-ment operational condition, fault early warning and risk profile of power distribution system, user electro-behavioral characteristic clustering, electricity market behavioural analysis, load and electricity price prediction in electricity market and so on. The data mining technology could improve effectiveness in power grid remarkably and it is one of the core technologies for future intelligent power grids. Key words: data mining; power transmission system; power distribution system; interaction with power; electricity marketWU Qi-ke, CHENG Fan（School of Electrical Engineering, Southeast University, Nanjing 2󰀱00󰀹6, China）Data Mining Technology and Its Application in Power System

总６２５期第十二期　

２０１７年１２月　河南科技　

Ｈｅｎａｎ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ　能源与化学　

数据挖掘技术在电力系统中的应用　

田　拯　李新原　李连峰　

（１．河南金荣电子科技有限公司，河南郑州４５００００；２．国网乌鲁木齐市供电公司，新疆乌鲁木齐８３００００）　

摘要：目前，大部分电力管理系统只停留在业务处理层，这一模式不能为电力企业提供更加便利、智能的决　

策。一直以来，我国电力企业已经在行业信息化建设中积累了大量历史数据，将数据挖掘技术引入到电力行　

业中来，进行电力分析决策，为电力企业提供更加科学的管理决策，对防范、控制和化解电力企业生产风险具　

有现实的意义。本文详细介绍了数据挖掘的具体方法及其在电能质量分析、输变电管理、负荷预测以及电网　

智能调度中的应用。　

关键词：数据挖掘；负荷预测；输变电；电能质量　

中图分类号：ＴＭ７６　文献标识码：Ａ　文章编号：１００３—５１６８（２０１７）１２—０１３１—０３　

Ｔｈｅ　Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　Ｄａｔａ　Ｍｉｎｉｎｇ　Ｔｅｃｈｎｏｌｏｇｙｉｎ　Ｐｏｗｅｒ　Ｓｙｓｔｅｍ　

Ｔｉａｎ　Ｚｈｅｎｇ　Ｌｉ　Ｘｉｎｙｕａｎ　Ｌｉ　Ｌｉａｎｆｅｎｇ　

（１．Ｈｅｎａｎ　Ｊｉｎｒｏｎｇ　Ｅｌｅｃｔｒｏｎｉｃ　Ｔｅｃｈｎｏｌｏｇｙ　Ｃｏ．，Ｌｔｄ．，Ｚｈｅｎｇｚｈｏｕ　Ｈｅｎａｎ　４５００００；　

２．Ｓｔａｔｅ　Ｇｒｉｄ，Ｘｉ￣ｉａｎｇ　Ｅｌｅｃｔｒｉｃ　Ｐｏｗｅｒ　Ｃｏｍｐａｎｙ，Ｕｒｕｍｑｉ　Ｐｏｗｅｒ　Ｓｕｐｐｌｙ　Ｃｏｍｐａｎｙ。Ｕｒｕｍｑｉ　Ｘｉ￣ｉａｎｇ　８３００００）　

Ａｂｓｔｒａｃｔ：Ａｔ　ｐｒｅｓｅｎｔ，ｍｏｓｔ　ｏｆ　ｔｈｅ　ｐｏｗｅｒ　ｍａｎａｇｅｍｅｎｔ　ｓｙｓｔｅｍｓ　ｏｎｌｙ　ｓｔａｙ　ｉｎ　ｔｈｅ　ｂｕｓｉｎｅｓｓ　ｐｒｏｃｅｓｓｉｎｇ　ｌａｙｅｒ，　

ｗｈｉｃｈ　ｃａｎ　ｎｏｔ　ｐｒｏｖｉｄｅ　ｍｏｒｅ　ｃｏｎｖｅｎｉｅｎｔ　ｏｒ　ｉｎｔｅｌｌｉｇｅｎｔ　ｄｅｃｉｓｉｏｎ—ｍａｋｉｎｇ　ｆｏｒ　ｔｈｅ　ｐｏｗｅｒ　ｃｏｍｐａｎｉｅｓ．Ａｌｌ　ａｌｏｎｇ，　

内蒙古广播与电视技术２０１２年第２９卷第３期３７～３９　

梁瑜　

内蒙古电力勘测设计院　内蒙古呼和浩特市０１　００２０　用　

【摘　要】文章介绍了数据挖掘中的常用技术、实现方法，以及在电力系统中数据挖掘技术的应用动态，　

阐明了数据挖掘技术的重要性，展望今后发展趋势。　

【关键词】数据挖掘　粗糙集　决策树　

１引言　

进入２０世纪８０年代后，计算机技术迅速发展。　

各大企业公司都相继引入信息平台建设、数据库应　

用，并建立自己的数据仓库，有的已经购买并应用决　

策支持系统，旨在提高自身在同行业自检的竞争力。　

电力系统也不例外。目前，电力企业的各类业务越来　

越多，如配电系统、调度系统、办公自动化系统等。　

但是在信息化建设中往往缺乏统一的规划及组织，　

形成数据丰富、知识贫乏的信息孤岛；造成企业信息　

不能被合理组织，并有效为电力决策支持服务。　

随着电力企业管理精细化需求的日益迫切，电力　

企业信息化应用的整合迫在眉睫。数据挖掘技术是　

近年来应运而生的一门新兴技术，它能够利用现有　

的计算机技术和各个相关领域的知识，将其组织成　

适合决策分析需要的分析型数据，来提高整个管理　

系统的决策分析能力。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。　

２数据挖掘　

数据挖掘又称知识发现（Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　

ｉｎ　Ｄａｔａｂａｓｅ，简称ＫＤＤ），是从大量数据中抽取有意　

作者简介：梁瑜内蒙古电力勘测设计院系统窜工程师　义的、隐含的、以前未知的并有潜在使用价值的知识　

的过程，是一个多学科交叉性学科，它涉及统计学、　

机器学习、数据库、模式识别、可视化以及高性能计　

算等多个学科。其目标是在大量的数据中发现令人　

感兴趣的模式。　

２．１数据挖掘的常用技术　

常用的数据挖掘技术包括关联分析、序列分析、　

分类、预测、聚类分析以及时间序列分析等。　

２．１．１关联分析　

关联分析主要用于发现不同事件之间的关联性，　

即一个事件发生的同时，另一个事件也经常发生。关　

龙源期刊网

数据挖掘技术及其在电力系统负荷预测中的应用

作者：孙炜星

来源：《中国新技术新产品》2014年第23期

摘 要：近年来，信息技术快速发展，各企业为了满足现代经济发展要求，也不断进行技术改革与创新，在企业经营与管理中不断引入先进设备，促进技术改革。电力企业要想在市场经济体制下实现快速、稳定、可持续发展，必须积极引进数字化技术，保证电力系统的安全性与稳定性。数据挖掘技术是一种利用人工智能手段，分析数据库中的大量数据，掌握其规律并获取知识的新兴技术，本文主要分析了数据挖掘技术特点以及在电力系统负荷预测中的具体应用。

关键词：数据挖掘技术；电力系统；负荷预测

中图分类号：TP274 文献标识码：A

在社会主义市场经济体制下，各企业竞争越来越激烈，为了提高企业综合竞争力，实现企业的可持续发展，各企业不断将国内外先进的设备与技术引进企业发展中，通过不断调整经营模式与管理模式来增强本企业的经济实力。现阶段，信息技术不断发展与应用，为企业生产与管理做出了巨大贡献。电力系统作为一个数据大系统，在管理信息系统、数据采集与监视控制系统、地理信息系统、电网运行的实时信息系统广泛应用情况下，大量实时数据在电力系统中传输，传统的统计方法已难以符合快速增长的数据要求，因此需要进行技术创新，提高信息技术的分析能力，保证电力系统运行的稳定性与安全性。

1数据挖掘技术

1.1数据挖掘技术含义

DM（数据挖掘）指的是从数据中发现人类事先未知但具有重要价值与潜在性的知识与信息，并利用技术手段将其表示为人类可理解模式的一个高级过程，可从大量的、复杂的、不完全的数据中掌握已有信息，还可发现未知的、隐藏的新信息，便于人类理解、应用与储存。数据挖掘主要包括数据集成、数据清洗、数据选择与转换、数据挖掘、模式评估以及知识输出表达等多项内容，共涵盖了数据仓库、数据库系统、数据可视化、机器学习、高性能计算以及信息检索等多个交叉领域。