摘要：智能电网是大数据的重要技术应用领域之一，大数据的价值通过多源异构相关数据的分析来实现。由于传统管理和运营模式的限制，在数据的处理和分析等方面还面临着很多问题，数据的价值尚未充分挖掘出来。文章分析了电力大数据的特征和大数据分析技术，着重对大数据分析过程中的数据预处理、降维、分析算法、计算等关键技术进行分析，并以配变负荷预测为例进行了深入分析。
关键词：电力大数据；大数据分析技术；应用
引言
由于电力部门涉及到的各方面数据繁琐且庞大，大数据的处理在电力部门的相关中显得非常重要。而今，数据的专业性分析处理能够有效的解决电力部门各方面数据庞大且复杂的问题。当下我国的电力大数据处理工作上还存在着一定不足和有待改进的方面，对于电力大数据专业化分析技术与应用探析有利于我国电力事业的稳定发展，促进我国电力经济的不断增长。
1大数据分析技术
1.1统计分析技术
统计分析即是收集、整理和分析数据，其目的是探索数据的内在数据规律性，以达到对客观事物的科学认识。对样本数据集进行审核、整理和归类，在此基础上进一步计算出各种能反映总体数量特征的综合指标，并用图表的形式表示经过归纳分析而得到的各种有用的统计信息。在对样本数据进行描述的基础上，利用一定的方法根据样本数据去估计或者检验总体的数量特征。
1.2关联分析技术
数据挖掘最早为人所知实际上就是对某超市的销售数据进行关联分析，因此关联分析在数据挖掘领域中具有不可替代的地位。常用的关联分析算法有A-priori关联算法、基于划分的算法以及FP-growth算法等。近年来又提出了一些改进算法，包括并行关联规则挖掘、模糊关联规则挖掘、基于变化时空的关联规则挖掘、多层或多维的关联规则挖掘、基于聚类的关联规则挖掘等算法。
1.3聚类分析
聚类是近年来机器学习研究的热点之一，研究者已给出了多种类型的聚类算法，如基于谱分析的划分方法、层次聚类方法、基于密度的聚类方法、基于原型的聚类方法等。适用于不同聚类需求，聚类问题也发展出了多种新模型，如异质聚类、子空间聚类、聚类集成、多路聚类、演化聚类等。面向不同类型的数据形式，聚类分析也有不同的特点，如时序数据聚类、流体数据聚类、图像分割等。
2对电力大数据专业化分析技术的应用
2.1用电信息的收集方面
传统的用电信息收集方面，电力企业往往需要指派专门的工作人员通过对实际市场的调研，对实际用电客户的电表检查以及相关业务具体数据的统计来达到对各项用电数据的检查和统计工作。这个工作中当中伴随着大量的人力物力财力的浪费，给电力部门的各项工作的正常开展造成了严重高的影响。且这种人工的传统数据收集方式由于工作人员本身的原因容易出现较大的误差：首先，在工作人员对电力使用数据的查看和记录上的失误会导致相应的用电数据错误；电力统计工作人员的主观定性分析也会影响实际用电数据的准确性；另外，工作人员在携带统计数据交给相关数据管理人员的过程中由于整个过程涉及到运输和工作的交接，导致实际的工作中出现差错的几率非常之大，不利于电力数据统计和分析管理方面工作的正确开展，给电力部门开展后续的工作带来了严重的阻碍。而电力大数据技术分析利用先进的用户客户端口对用电客户的实际用电情况以实际设备上的信息直接反映到电子信息处理库中，电力企业不用花费过多的人力在用电信息的收集统计工作上，解放了电力企业中的更多的生产力，促进我国电力事业的不断发展。
期刊文章分类查询,尽在期刊图书馆对于事后信息的收集，则主要体现在对某一地区的电力使用超负荷或者错误使用的实际情况发生后，通过电力大数据专业化技术分析的记忆特点，及时总结造成该地区相应的电力超负荷使用和错误使用的实际原因，根据实际的电力数据变化进行总结分析，从而认识到该事件对于电力部门实际工作与用电客户实际与用电安全的影响，进而加强对于电力数据的监控力度。在下加强电力数据的监控方面，以计算机信息处理技术为基础的电力大数据专业化分析能力对可能造成电力超负荷或错误使用的电力限额进行控制，一旦发现有关区域的电力数据变化超过安全用电的标准，以网络自动预警的方式及时切断相关供电方面的链接，保证用电客户的用电安全。
2.2多渠道服务平台下客户行为分析与研究
客户行为分析指对客户访问渠道、查询信息或者做某种功能办理时的行为进行分析，到达优化客户交互流程，提高客户交互效率、实现人工话务分流、降低人工成本的效果。研究内容包括：（1）对客户行为倾向进行研究，通过客户行为轨迹分析客户属性特征，区分客户群，进行行为预测，提高客户满意度；（2）对市场个性化需求进行挖掘，促进企业自身良性发展，驱动电力企业从“以电力生产为中心”向“以客户为中心”转变；（3）对电话、短信、邮件、移动APP等服务渠道的客户行为轨迹进行研究，发现不同渠道服务特征，提供针对性的营销策略，提高营销转化率，找出用户特征的共性与差异性，进行针对性服务，提高客户服务水平，增强企业品牌竞争力。
2.3数据预处理技术
1）数据清洗：主要是达到格式标准化、异常数据清除、错误纠正、重复数据的清除等目的。2）数据变换：通过平滑聚集、数据概化、规范化等多种方式将数据变为数据挖掘算法要求的格式。3）数据归约：数据归约包括属性选择和数据采样，分别针对原始数据集中的属性和记录。通过数据归约技术能够得到数据集归约表示，而且基本保持原数据集的完整性，归约后的结果与归约前结果相同或几乎相同。在某些电力业务数据分析中需要对样本集进行数据采样，常用的采样技术有欠采样、过采样、组合阈值等。
2.4服务质量实时监控分析与研究
服务质量监控是指采用流处理和模式识别等技术， 对通话过程中双方的语音、语义、语速等信息进行实时识别和分析，当发现有异常信息出现时，运营管理人员可以接入通话进行管理。这样实现了对客服过程的实时质检， 最大程度保障通话服务质量。 研究内容包括：研究音频文件的实时分析，对音频流进行实时捕获和分析， 采用大数据技术中的流计算技术对音频流进行实时处理，并将处理流程与语音分析系统进行集成，形成新的实时语音分析解决方案，以满足需求方对监控实时性的要求。
2.5自适应处理技术
由于电力数据流是动态变化的，在进行电力数据流处理时需要根据数据分布特征以及数据流的流速自动调整算法。根据电力数据速率产生的不稳定特性，将数据流查询部署在固定数量的结点上会导致分布式数据流管理系统难以高效的利用计算资源。为此，需要一种自适应动态调整技术，通过监控当前执行的运行状态生成代价较小的调整策略，并对当前执行计划进行调整。另外，为了提高预测模型的精度，也可以设计自适应分析模型。如在电力负荷预测中，也可以根据客户的类型和客户数据的分布情况自适应的选择分析算法。
结语
综上所述，对于电力大数据专业化分析技术与应用探析要从相应的电力部门的实际工作出发，考虑到先进的科学技术对于电力工作方面的影响和电力企业各项工作的目前的现状进行必要的分析，从而总结出电力大数据专业化分析技术实际应用对于电力部门各项工作的积极作用，促进电力部门各项工作的稳定开展。
参考文献:
[1]孔晓杭.电力大数据专业化分析技术及运用研究[J].华东科技:学术版,2017(12):258.
[2]孟小峰，慈祥．大数据管理：概念、技术与挑战［J］．计算机研究与发展，2013，50（1）：146－149．
论文作者:姬哲1,胡夏萍2
论文发表刊物:《电力设备》2019年第16期
论文发表时间:2019/12/6
标签：数据论文; 电力论文; 技术论文; 客户论文; 算法论文; 电力部门论文; 数据流论文; 《电力设备》2019年第16期论文;