1电力营销系统数据来源、特点及数据挖掘技术概述
电力营销体系数据包含办理信息体系、SCADA体系、地理信息体系、电网运行负荷办理体系、配电变压器检测体系、电能计费体系、计量检定等实时信息体系中使用的数据。 这些数据是跟着电力企业的开展逐步积累起来的,数据量非常大。此外,售电体系中的数据类型依然乱七八糟,采集的数据往往混杂着噪声、数据缺失和过错,数据质量难以保证。
自从将计算学、人工智能、模式识别、数据库、高性能并行计算、机器学习等作为新学科结合的数据发掘技能出现以来,人们的数据使用不再局限于简略的数据查询阶段。从数据中发掘有价值的知识和信息,以协助办理人员做出决议计划。当今常用的数据发掘技能包含关联规矩、分类、时刻序列和序列发掘、聚类、Web 发掘和空间发掘。
2 电力营销剖析体系设计框架
电力营销剖析体系是电力营销技能支持体系的高档使用模块。以国家电网公司为核心,面向根据客户服务层、营销质量控制层、营销事务层的决议计划支持层,面向智能监控、查询、办理、使用的先进使用体系渠道。该网络处于州级。公司营销办理剖析与计算。具有营销数据发掘、数据详细剖析、体系信息同享等能力,办理层对各基层供电单位各项事务及营销服务目标完结情况一目了然,剖析要害事务目标,为提供支持。完成微观环境和市场开展预测,以及活跃的决议计划目标。
3 面向服务的架构 SOA
面向服务的架构(SOA,也称为面向服务的架构)是经过衔接可以完结特定使命的独立功用实体来完成的软件体系,以满足事务集成的需求,简称架构。 SOA 是一种组件模型,它经过这些服务之间定义杰出的接口和契约衔接使用程序的各种功用单元(称为服务)。接口有必要以中立的方法定义,而且独立于完成服务的硬件渠道、操作体系和编程语言。这答应内置于此类体系中的服务以统一和通用的方法进行交互。一些规范的使用程序经过营销信息体系打包成 SOA 服务,以供给接口和使用程序访问服务。因此,可以保证体系规模的处理逻辑一致性,并将各种 SOA 服务集成到相对复杂的使用程序中。用户电量行为剖析可以根据SOA组件查询电量行为趋势、异常和数据,调用封装的接口服务,完成灵敏组合剖析的意图。
4 系统设计
4.1 系统体系结构设计
系统设计结构框架主要采用struts(开源框架)+spring(设计层框架)+Hibernate(对象关系映射框架)组成的轻量级组合框架。其中,开源框架提供的实现组件应用到表示层,然后以java服务器页面的形式显示在用户浏览器上,以接收用户的请求和输入信息。业务逻辑层将接收和处理用户的信息,然后通过表示层将处理后的信息发送回用户。业务逻辑层在系统中起着关键作用,负责实现主要核心功能,如数据采集、数据预处理、数据挖掘、结果分析等。系统的扩展和维护采用设计级框架,实现了表示层和持久层的解耦。对象关系映射框架实现了持久层数据库访问的封装,设计模式为数据访问对象。为了完成特定业务逻辑的实现,通过Java的面向对象思想访问数据库,进一步简化了编码工作,减少了编码工作量。
4.2系统功能模块设计
4.2.1数据采集模块
数据采集模块承担着选择和挖掘当前数据集的重要任务。选择目标数据后,系统将允许具有不同权限的人员查看数据属性和维护数据。数据采集模块主要包括三个功能:数据集选择、数据维护和数据属性查看。在系统工作层,只有管理层或数据分析层有权使用其所有功能,而普通员工层不能使用其功能权限。在系统中,数据预处理模块起着极其重要的作用。该模块可以对具有不同属性的连续值和离散值数据集进行预处理。连续值与离散值的区别在于,连续值可以忽略缺失数据、删除负值法、填充总体均值、填充最可能值、填充回归法等;离散值可以忽略缺失数据、用常量值填充、用总体平均值填充、用最可能值填充等。连续值通常用于通过十进制比例法、最大最小值法和Z-分数进行数据转换;离散值法侧重于数据泛化的方法,不同属性的设计方法不同。与离散值相比,连续值处理设计所需的工作量要少得多。
4.2.2数据挖掘模块
在系统的构成中,数据挖掘模块可以说是最重要的部分。主要用于对用户进行细分,评估用户信用,预测可能欠费的高风险客户。它主要负责对处理后的数据集进行二次分析和挖掘,这也是实现业务逻辑目标的关键。数据挖掘模块使用所有功能的权限也仅限于管理层和数据分析层。系统依靠聚类分析技术实现用户分割,聚类算法采用K-means算法和层次分析法。聚类在客户信用评价功能中也起到了有效的作用,可以对不同信用等级的用户进行评价和评分。在此过程中,K-means算法和层次分析法也将用于用户分割。在此基础上,将使用各种分类和计数算法来判断系统中新用户的信用等级,如ID3决策树方法和朴素贝叶斯分类方法。根据实际情况中的不同业务指标,结合系统数据库中现有数据,对高风险客户群进行分类预测,为相关业务人员的营销工作提供参考。
4.3 用户用电设备负荷分析
它通过选择过载线路、变压器和接近过载的线路和变压器,分析用户负载情况并提供线路和用户扩展数据。它根据过载频率和过载能力提供了技术转换的优先列表。系统变得宏观。两个方面,(整体)和微型(单个变压器),提供变压器负载分析数据。
适用范围:
(1)根据用电设备负荷率数据的趋势分析,为用户提供推荐功率。
(2) 向电气设备负载异常的用户提供报警信息,提醒用户。
(3)对长期超载的设备进行风险提示。
4.4 用户功耗特性分析
分析用电、用电负荷、行业、用电性质、峰谷比、最大需量、功率因数,树立用电信息模型,提出用电行为改进方案,合理化,辅导科学、经济使用的电。依据用户的用电特点,为用户用电趋势分析供给数据支撑。此外,通过对用户用电特征数据的归纳计算,向政府机构或辖区供给各种用电陈述。例如,电力行业和用电陈述可以反映一个地区的经济结构,为优化和调整电网结构供给数据支撑。
结束语
依据本文的研讨,数据发掘技术在电力营销中的效果越来越杰出。数据发掘提高了数据利用率,并协助做出强大的营销决策。结合以上需求,实现了根据体系架构和功能的营销分析体系的建立,提出了根据K-means的电力数据发掘模型,为营销体系的建立供给了相应的参考。
参考文献
[1]基于数据挖掘和ERP技术的电力工程数据信息库设计[J]. 赵水忠,王一杰,杜亮,吕晓俊. 电子设计工程. 2020(05)
[2]基于数据挖掘的智能电网调度技术研究[J]. 石智永,管晓峰,侯尽然,王国民,耿琦. 电子设计工程. 2019(22)
[3]基于SOM聚类的多模态医学图像大数据挖掘算法[J]. 李晓峰,李东. 西安工程大学学报. 2019(04)
[4]基于大数据挖掘技术的输变电设备故障诊断方法研究[J]. 孙晓宁. 科技风. 2019(14)