数据挖掘在电力系统中的应用综述_陈星莺.docx

数据挖掘在电力系统中的应用综述 陈星莺,张晓花,瞿　峰,刘皓明,赵　波 (河海大学电气工程学院,江苏南京　210098) 呈爆炸性增长态势.传统的统计手段已变得难以 满足要求,需要运用新方法来挖掘更深层次的规律, 并保证系统运行的经济性、安全性和可靠性,以便提 供更快、更有效的决策支持.数据挖掘的出现,引起 了电力工作者的广泛关注.近年来,数据挖掘在电力 系统很多领域都有成功的应用,表现出广阔的应用 前景[2,3].本文介绍了数据挖掘的基本概念和主要 方法、CRISP-DM标准流程以及在电力系统中的应 用现状,并进行了较全面的总结. 1　数据挖掘 数据挖掘是一个包含多个处理步骤的知识发现 过程,其主要内容包括:数据清洗、数据集成、数据选 择、数据转换、数据挖掘、模式评估和知识表达输出. 数据挖掘涵盖了数据库系统、数据仓库、统计学、机 器学习、数据可视化、信息检索和高性能计算等多学 科交叉领域,其中涉及的学科类别包括人工神经网 络、模式识别、空间数据分析、图像数据库、信号处理 和归纳逻辑编程等[4,5].典型的数据挖掘体系结构 如图1所示. 图1　典型的数据挖掘体系结构 1.1　数据挖掘流程 数据挖掘是指一个完整的过程,该过程从大型 数据库中挖掘先前未知的、有效的、实用的信息,并 使用这些信息做出决策或丰富知识.CRISP-DM[6]是 当今数据挖掘业界著名的标准之一,它强调的是数 据挖掘在商业中的应用,解决数据挖掘过程中存在 的问题,而不是将数据挖掘仅局限在研究领域. CRISP-DM为数据挖掘项目的生命周期提供了 一个综合的描绘,它包括6个阶段:商业理解、数据 理解、数据准备、建立模型、模型评估和模型部署.图 2展示了这个过程.这些阶段之间的顺序并不固定, 在不同阶段之间来回流动往往是非常必要的.究竟 下一步要执行哪个阶段或哪个特定的任务,取决于 每个阶段的结果. 图2　数据挖掘参考模型 1)商业理解. 这是数据挖掘的初始阶段.在这个阶段清晰地 定义出业务问题,认清数据挖掘的目的是数据挖掘 的关键前提. 2)数据理解. 数据理解开始于数据的收集工作.接下来就是 熟悉数据的工作.在此基础上进行数据质量问题的 鉴定,并从中发现包含隐含信息的感兴趣的数据子 集. 3)数据准备. 数据准备阶段覆盖了所有从初始数据构成最终 用于挖掘的数据子集所进行的活动.数据准备的工 作可能需要进行多次,而且没有任何预定的顺序.数 据准备工作包含选择数据表、记录、属性以及转换和 清理数据等. 4)建立模型. 在这个阶段可能需要选择和应用不同的建模技 术,并将其参数校准到最佳值.一般一个类型的数据 挖掘问题都需要用到几种技术.一些技术对数据的 结构具有特定的要求,因此经常需要返回到数据准 备阶段对数据进行相应的处理.该阶段主要建立的 模型包括关联规则、分类与预测、聚类、异常检测等. 5)模型评估. 到了这个阶段,已经建立了一个或多个从数据 分析角度看似高性能的模型.在该模型最后付诸实 52电力科学与技术学报　　　　　　　　　　　　　2007年9月 很精确的不足,取得了预期的效果.文献[14]提 出了在孤岛电力系统的在线动态安全预防中应用决 策树,强调在线应用决策树技术来测试每个发电调 度的动态安全性,并且经过发电再分配来提供正确 的指导.在大多数孤岛电力系统中发电的费用比互 联的电力系统要高很多,文献从各种决策树中提取 出来的规则与发电容量的最优化直接相关,优化了 孤岛电力系统的发电容量,节约了发电成本.文献 [15]提出了kernel回归树的新方法来在线安全评 估和监控电力系统,该方法首次用动态安全评估处 理频率稳定性的问题,与决策树和人工神经网络结 合的方法相比,其性能更优.文献[16]描述了一种 从决策树学习中提取规则,并用这些规则来获得必 要的控制措施,使得暂态不安全稳定的电力系统保 持安全的动态控制技术,同时还提出了用Quinlan’s C4. 5决策树来在线安全控制,与神经网络技术所不 同的是C4. 5不需要任何特征选择.训练过程非常 快而且输入向量的大小不会引起训练过程中的任何 问题,唯一的困难是产生训练数据难得到基于C4. 5 的充分精确、规则的过程. 2.2　负荷预测与用户特征提取 电力负荷预测是电力调度系统的一项非常重要 的工作,它关系到电厂各机组的运行计划,预测结果 的准确与否直接影响电力部门的经济效益. 基于数据挖掘决策树算法和通用的决策支持对 象建模工具,朱六璋等人[17]结合区域电网气象负荷 数据库,设计并实现了决策树形式的数据挖掘模型, 并将其运用于日负荷预测.统计分析结果表明该数 据挖掘模型完全满足实用标准,具有智能自适应、自 学习和全过程自动化、通用可靠以及准确率高等特 性.之后朱六璋[18]又给出了一种短期电力负荷预