数据挖掘技术应用于电力营销系统的研究

车清宇 迟 博

（1.国电南瑞南京控制系统有限公司 2.北京南瑞怡和环保科技有限公司）

0 引言

在电力营销系统当中，数据挖掘技术作为一种有效的数据处理手段，可以从大量的，不完全的，模糊的，随机的数据当中，发掘出隐藏在其中潜在的价值信息，进而揭示大量有意义且被掩盖的信息。所以在电力市场营销中引入数据挖掘技术是非常有必要的。本文的研究目的是探索数据挖掘技术在电力系统中的应用方法，提高电力系统的效率与可靠性。

1 电力营销管理信息系统的结构

电力营销管理信息系统是一种基于多种技术手段获取企业特定营销数据并将其作为系统运行依据的高效工具，以完成电力营销业务的各项任务。随着科学技术的不断进步和发展，数据挖掘技术被广泛地应用到了电力营销领域中，并且取得了一定的成果，极大程度上促进了企业经营管理工作的优化与改进。因此，将数据挖掘技术应用于电力企业，可以显著提升企业的管理水平和经济效益，从而发挥重要作用。目前，我国电力企业已经开始应用数据挖掘技术进行电力营销管理工作中，并且取得了良好的效果［1］。一般而言，电力市场营销管理信息系统的功能涵盖了综合服务、管理、查询、分析以及决策等多个方面。它通过采集、存储、处理客户信息，实现了电力营销业务中各个环节的智能化运作。对于我国电力企业而言，建立和发展电力营销管理信息系统具有至关重要的意义，因为它不仅可以提升企业竞争力，同时也为国家提供了丰富的能源支持和保障。在电力企业的运营过程中，系统能够为企业带来最大的效益，而电力营销管理信息系统则被划分为三个不同的级别，见表1。

表1 电力营销管理信息系统的结构

由上表所示，电力营销管理信息系统有7个单独的模块，它们将对第二层和第三层提供必要的保证，是保证后续工作顺利开展的关键。关于电力营销系统管理，见表2。

表2 电力营销系统管理

2 数据挖掘的基本概念

数据挖掘是一项高度复杂的技术，它能够从各种不完整、有声、模糊、随机的数据中挖掘出隐藏在其中的信息和知识，这些信息和知识虽然未知，但具有潜在的价值和意义。聚类方法有许多种，但都具有各自的优点和缺点。作为电力企业中不可或缺的基础信息系统，电力营销系统的使命在于为用户提供最优的能源利用方案，以确保用户获得最合理和高效的电力供应。电力营销系统在运行中会出现很多问题，如电费拖欠率居高不下，窃电现象严重等等，因此如何从众多不完备数据当中挖掘出有用的知识成为当前电力行业所要面临的重大挑战。通过运用数据挖掘技术，我们能够对电力营销系统中产生的海量数据进行分类和最优化的整合，从而实现高效的数据管理和整合。在此研究过程中，首要任务是对海量数据进行用户行为模式和相关业务规则的提取，以确保研究结果的准确性和可靠性。其次要对这些数据按照一定标准进行分类。只有在对数据进行妥善的储存之后，才能进行深入的数据分析，并从中提取出与市场营销相关的信息，这是至关重要的。通过分析这些历史数据，能够挖掘出客户需求规律和市场发展趋势等。该数据将为我们的市场营销系统提供决策支持，以帮助公司管理层和决策层在多变的环境中快速、科学地做出营销决策。数据挖掘技术在电力系统应用模型如图1所示。

图1 数据挖掘技术在电力系统应用模型

3 数据挖掘技术在电力营销系统中的具体应用

3.1 关联规则的应用

通过对当前资料和历史数据进行深入分析，我们可以揭示出资料背后隐藏的规律和特征，并以此为基础预测未来的变化趋势。因此，如何有效利用这些信息资源成为人们关注的焦点。作为电力企业中不可或缺的基础信息系统，电力营销系统的使命在于为用户提供最优的能源利用方案，以确保用户获得最合理和高效的电力供应。因此，如何有效地利用数据挖掘技术来挖掘其内部所蕴藏的知识以及信息资源，成为目前电力行业需要重点考虑的问题之一。在本文中，我们详细探讨了五个方面的应用技巧，旨在为读者提供一个全面而深入的分析：

（1）电力市场营销分析方面，采用FP-Growth算法（频繁模式增长）对离散化电力营销数据关联规则分析来描述售电量水平与影响电量销售的各外部因素间的关联特征，为电力市场营销决策提供了有用的参考信息。

（2）运用关联规则指导电力市场营销策略制定，项目前期工作及投资组合管理工作，对需求、销售与收益及索赔进行分析与预测［2］。

（3）整合关联规则等方法并运用到电力营销领域中，如基于关联分析法，云模型模糊评估法等，这些方法都是建立在电力营销目标市场之上，简单实用。

（4）在对电力负荷进行定量及非定性分析时，利用关联规则挖掘是电力负荷预测的创新方法，该方法通俗易懂，优势明显。

（5）将关联规则引入城市负荷分布，需采用FPGrowth算法挖掘负荷数据，同时考虑电力行业数据特殊性，深入分析了有关因素对于电力负荷产生的影响。

3.2 分类的应用

在电力市场的市场营销系统中，序列预测、模糊理论和专家系统，以及以竞争分类为基础的神经网络法和模式分类法，已被广泛运用于中长期预测，这些方法在电力负荷预测方面呈现出卓越的精准度。此外，提出了一项将决策树技术与外推算法相融合的短期负荷预测方案，该方案可应用于调度计划的制定，其预测精度卓越。为了更好地满足电网的安全和经济运行要求，必须对实时采集到的历史数据进行必要的加工处理，以适应电力系统复杂多变的运行方式。在这一过程中，必须要有足够多的原始数据作为支撑才能保证分析结果的准确性。为了对SCADA系统中的不良数据进行状态评估，我们可以采用分类树构建子数据库的技术，从而有效地降低SCADA数据库的数量，同时提升计算效率。另外，在分析历史数据时，我们可以采用聚类分析算法来完成。为了挖掘在线运行中所产生的历史数据，我们需要运用数据挖掘工具，以实现对这些信息的深度挖掘。数据挖掘的过程就是对历史信息进行分析，然后将其转换成相应的统计规律或知识。通过对历史样本进行训练和学习，我们能够获得最优的分类器模型，从而显著提升分类器的性能和精度水平，为我们的研究提供了有力的支持。另外，我们还可以利用决策树技术对客户行为模式进行预测，进而为决策提供支持依据。在CRM的客户关系管理领域，我们可以采用融合神经网络技术和模糊逻辑控制的策略，同时运用回归算法、归纳算法和神经网络优化，以制定各机组的开停方案。

3.3 聚类应用

在电力营销系统中，聚类技术被广泛应用于电力用户的分类、信用评估和负荷预测，以及变压器故障的诊断和不良数据的校正。聚类是数据挖掘中一种重要而有效的数据处理和分析方法。通过运用聚类分析技术，我们能够识别出各个范畴之间的差异和相互关联。由于电力营销系统涉及大量的历史数据，而这些历史数据又是由众多个体组成的，因此可以用数据挖掘方法从海量的数据中发现隐藏在其背后的知识和规律，为决策提供支持信息。通过对顾客的各项属性进行分类，并运用聚类分析方法将其划分为不同的群体，为决策分析人员提供了分析各类群体之间差异的机会，研究群体特征并制定相应的营销策略，从而提高企业的经济效益［3］。同时由于电力客户是一个复杂而庞大的数据库，其信息繁杂且不一致。因此，在电力销售系统中，运用聚类分析的技术对其中的业务数据进行处理是必不可少的。目前常用的电力客户信用分析方法是基于统计指标、专家经验以及用户满意度等方面，这些方法存在一定局限性。考虑到电力客户信用分类的独特性质，运用模糊聚类分析技术可以构建一种客户信用评估方法，通过该方法可以获得不同客户群体的聚类中心和相应的客户群体隶属度矩阵，从而为客户群体特征分析提供量化的参考依据。为了纠正不良数据，我们可以运用信息原理和CURE算法来选择聚类过程的基本参数，并利用Kohonen网络来提取相关负载特征曲线。在此基础上构建基于粗糙集理论的电能质量异常检测模型并实现数据挖掘与处理。该方法不仅能够有效地保留原始样本点中的重要信息，而且具有高度的自适应性和准确性。在此基础上构建基于数据挖掘技术的用户信用评级模型，并以某供电企业为例进行应用研究。通过对用户用电数据进行预处理，并运用适宜的聚类技术和书目分类方法进行聚类分析，我们成功掌握了用户的用电方式，为制定购电合同提供了可靠的参考依据，从而有效提升了公司的经济效益。二次聚类算法流程，如图2所示。

图2 二次聚类算法流程

4 结束语

本文通过对海量数据进行用户行为模式和相关业务规则提取，对关联规则进行了深入的分析，并提出了将决策树技术与外推算法相结合的短期负荷预测算法。同时，本论文还利用聚类分析技术处理电力营销系统中的业务数据，建立客户信用评价方法，并通过信息原理和CURE算法对聚类过程基本参数进行选择。通过这些应用技巧，可以更好地挖掘出隐藏于这些数据之中的潜在价值信息，从而提高电力系统的效率和可靠性。