数据挖掘技术在电网资产管理系统中的应用

田园++杨东宁++李少龙++杨广文++刘星++余其超

[摘 要] 电网资产管理贯穿了供电企业的诸多生产业务范围，其覆盖范围广、体系种类庞杂、数量庞大等特点。在电网资产信息化管理建设进程中，针对电网“数据丰富，信息缺乏”的现状，提倡应大力研究数据挖掘技术，将数据挖掘技术应用于电网建设、运行生产，为电网的建设和运行提供更科学、更可靠的支撑。文章探讨了数据挖掘技术在电网企业中的应用，并提出了相关建议。

[关键词] 数据挖掘；信息系统；资产管理

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 15. 079

[中图分类号] TP311；V242.3 [文献标识码] A [文章编号] 1673 - 0194（2017）15- 0177- 03

0 引 言

随着信息技术的不断发展，各行业大量数据随之产生，为从大量的数据中挖掘出潜在的价值，为生产生活提供支撑，数据挖掘技术逐步发展起来，已在电网信息化管理业务中得以应用。

云南电网信息化建设工作经过多年的实施开展，取得了巨大的成果。2015年，云南电网有限责任公司集中资源，以人资数据先行，协同推进营销、资产、财务和GIS平台业务强关联系统，而由于互联网通信等技术的发展，营销、资产等业务系统的全面实施推广实现了对业务应用有效支撑的同时。这些系统采集、处理、积累的数据越来越多，数据量增速越来越快，以至用“海量、爆炸性增长”等词汇已无法形容数据的增长速度。海量数据需要且已得到存储，如电网设备的状态数据、运行数据、电费计量数据、用户数据、电量数据以及各部分运行参数指标数据等。

同时，因实施推广涉及单位众多、业务广，而各应用单位管控点及方式存在一定差异，如何从多源大数据中及时挖掘出隐藏信息和有效数据，如何及时掌握各业务系统在各单位的应用情况问题，给数据分析处理带来了巨大的挑战，因此，借用数据挖掘技术对各业务数据信息进行分析，实时掌握资产设备情况，提升资产管理水平变得尤为迫切。

1 数据挖掘技术在电网资产管理应用中的必要性

电网资产数据自身存在特点：一是电网企业是一个规模相当庞大的企业，电网资产更是覆盖社会的各个角落及各行各业，电网资产管理的数据不仅多，而且纬度高，数据列多，很难整理；二是在电力资产管理系统中，采集到的数据中包含着诸如设备型号、功能位置、生产厂家、生产日期、投运日期等诸多参数，又兼有专业覆盖层次广等特点，因此，资产数据质量管理较差，严重影响企业资产管理水平；三是电网资产管理企业较多，涉及专业教广，对电网资产属性层级的管理较为混乱，上级企业无法对下属公司资产透彻了解掌握，无法掌握自身家底，数据管理模式比较单一，不同部门的数据信息由各个部门自行处理，只进行简单参考或统计工作，没有汇总到一起进行系统、全面的分析挖掘，导致大量有价值的信息被埋没。因此电网企业迫切需要能够充分合理地进行数据处理的数据挖掘平台。

同时，电网企业产生的数据量大、质量不高，但又对数据要求较高，这就意味着电网企业迫切需要数据挖掘技术来处理海量数据，并发现数据间的潜在联系。

2 数据挖掘技术在电网资产管理中的应用

2.1 数据挖掘的流程及方法

数据挖掘（Data Mining，简称DM）可以应用在各个不同的领域。数据挖掘是一个利用各种分析工具在海量数据中发现模型和数据间关系的过程，使用这些模型和关系可以进行预测，寻找数据间的潜在关联，发现忽略因素。

2.1.1 数据挖掘流程

CRISP-DM为跨行业的数据挖掘提供了一个完整周期的综合展示，形成闭合环，是不断反饋不断完善的动态过程，具体包括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。

（1）商业理解。从商业的角度上了解项目的要求和最终目的，从目的为切入点，并将这些目的与数据挖掘的定义以及结果结合起来。

（2）数据理解。对可用的数据进行评估和数据标准的选取。（3）数据准备。对可用的原始数据进行一系列的组织以及清洗，使之达到建模需求。

（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，同时校准模型参数。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。该阶段重点挖掘结果与商业目的的吻合度。（6）模型部署。模型部署可以是生成一份报告，或者是一个可重复的数据挖掘过程。

2.1.2 数据挖掘方法

数据挖掘涉及的学科领域和方法很多，以下是几种常用方法。

统计分析：统计分析提供了一种基于多维度、大量历史数据的判别方法，有回归分析、方差分析等。统计分析是根据已有数据对事件运行规律的探索，推断出因果线性关系，计算出线性回归方程。统计分析的优势在与对有确定影响因素的事件，有相对准确的影响因子效力分析。

神经网络：神经网络是模仿人脑神经网络的结构和工作机制而建立的一种计算模型，包括前馈式网络、反馈式网络和自组织网络模型。神经网络的优势是其具有良好的自组织、自适应、并行处理、分布存储和高度容错等特性。

决策树：决策树一般都是自上而下的来生成的。每个决策或事件都可能引出两个或多个事件，导致不同的结果，把这种决策分支画成图形很像一棵树的枝干，故称决策树。决策树对比神经元网络的优点在于可以生成一些规则，对解决多维数据的分类问题很有效，但也会随着分支数的增多，管理难度加大。

粗糙集：粗糙集理论认为知识是有粒度的，利用相对核的概念进行知识关联性分析。该理论能够在缺少相关数据的先验知识的情况下，基于数据的分类能力，解决模糊或不确定性数据的分析处理。

可视化：可视化提供给用户一个人机交互的平台，使数据展示更加清晰、简洁。endprint

2.2 数据挖掘在电网资产管理中的应用

随着云南电网有限责任公司资产管理系统的不断深入应用，可获取的电网资产数据包括电力基础类数据和生产营销类数据。基础类数据包括GIS、用户基础信息、电网资产设备信息、基建管理信息、物资管理信息、生产管理信息等；生产营销类数据包括输、变、配三个维度设备全生命周期数据及过程管控中的各类业务管理数据。充分利用这些基于电网资产管理的实时和历史数据，可提供大量高附加值的服务，实现更科学的需求侧管理。在电网内部，不仅能够从生产、营销、管理等领域提高服务质量，还能确保电网的安全可靠运行；在电网之外，无处不在的电网数据与行业外数据整合，为企业管理、客户服务、安全生产产业发展等方面提供决策支撑。

随着数据挖掘和决策支持系统技术的不断完善，为管理决策者提供各种参考价值的生产安全运行方案。如将生产管理和地理信息GIS系统中分散的大量数据，以及外部环境数据（气象信息）等资源进行组合、聚类、排序、抽取等加工，提炼升华为有价值的、支持决策的电力生产智能大厦。可以通过变电站、线路、设备、高压用户、气象等不同角度来分析关键业务和生产技术指标，掌握设备的运行状态和特性，了解设备的缺陷；对发生的事故、故障及停电进行分析跟踪，挖掘深层原因，从而控制电力生产的风险；指导基层保证设备完好率，支持和辅助基层做好设备更新技术，提高运行水平，降低事故发生率，提高供电可靠率和无故障运行时间；辅助支持负荷转移决策、设备检修或更新决策，让业务专责、生产主管、企业决策者做出准确的判断，使得电力企业取得最佳的社会效益和经济效益。

通过数据挖掘，对云南电网资产管理信息系统中的各类业务数据（如：设备管理、检修管理、运行管理、缺陷管理、停电管理、基建项目管理、其他项目管理）等信息进行分析，提取满足各管理阶层的业务数据及关联数据，从大量的数据中挖掘出潜在的价值，为电网且生产生活提供决策支撑。

2.3 电网资产管理在数据挖掘中的跨行业应用

电网资产管理数据除对电力内部业务作支撑以外，在其他领域也能发挥巨大的作用，涉及到城市的多业务多领域，从基础设施、公共服务、城市管理、能源使用以及产业发展等方面全方位的支撑着智慧城市的发展，电力通信网搭建起城市的“神经网络”，使城市运行更高效、居民生活更便捷、产业发展可持续。

2.3.1 城市基础设施智能化

城市建设规划管理：在城市规划领域，分布式能源、应急灾害指挥系统及输变电设备状态监测装置可以提供空气温度、湿度、风速、气压、噪声等环境监测指标，结合电网GIS数据，可对一定区域环境展开多角度监测，并根据区域地理环境，为具体区域全方位提供数据监测指标，配合城市环境对标数据，对某一区域属性做出明确标识，为城市规划提供数据支持，通过数据指标可反映出某一区域是否宜居，是否适合建立工业园区，或者应侧重绿化建设公园等。

2.3.2 城市管理精细化

区域群体行为分析：美国加州大学洛杉矶分校的研究者就根据“大数据”理论设计了一款“电力地图”，将人口调查信息、电力企业提供的用户实时用电信息和地理、气象等信息全部集合在一起，制作了一款加州地图。该图以街区为单位，展示每个街区在当下时刻的用电量，甚至还可以将这个街区的用电量与该街区人的平均收入和建筑物类型等相比照，从而得出更为准确的社会各群体的用电习惯信息。

3 结 论

本文介绍了数据挖掘技术，以及各种技术在电网资产管理中的应用。与传统的统计数据相比，数据挖掘具有对潜在问题和规律更高的预见性、计算能力和管控能力。电力系统的数据挖掘除了对系统内发、输、变、配、用、调度等各个环节进行有效的支撑和辅助决策以外，与系统外部数据的整合和挖掘是智能电网对智慧城市支撑的重要体现，从数据层面辅助城市实现智慧和绿色的特点，数据挖掘不仅能够为政府管理、人们生活和产业发展决策作支撑，也可通过反馈机制不断收集数据，更新数据库，提升数据挖掘的可用性、确定性，进一步为城市发展提供支撑和助力。

主要参考文献

[1]Jiawei Han，Micheline Kamber，Jian Pei.数据挖掘：概念与技术[M].范明，孟小峰，译.北京：机械工业出版社，2012.

[2]黄杰晟，曹永锋.挖掘类改进决策树[J].现代计算机：专业版，2010（1）.

[3]陈星莺，张晓花，瞿峰，等.数据挖掘在电力系统中的应用综述[J].电力科学与技术学报，2007（9）：22.

[4]曾碧波，黄小红，赵健伍，等.TPS SCADA系统中基于电能分析的数据仓库模型设计[J].工业控制计算机，2009（9）.

[5]周广惠.对企业用电量分析与预测的数据挖掘[J].装备制造技术，2009（9）.

[6]Sforna M. Data Mining in a Power Company Customer Database[J].Electric Power Systems Research，2000，55（3）：201-209.

[7]荀挺，张珂珩，薛浩然，等.电网调控数据综合智能分析决策架构设计[J].电力系统保护与控制，2015（11）：121-127.

[8]牛东晓，邢棉，孟明.基于联合数据挖掘技术的神经网络负荷预测模型研究[J].电工技术学报，2004，19（9）：62-68.

[9]柴立和.多尺度科学的研究进展[J].化學进展，2005，17（2）：186-196.endprint