（华电宁夏灵武发电有限公司宁夏灵武750400）
摘要：随着居民用电量的增高，各种设备故障也越来越多。电力系统各种数据现已呈现爆炸性增长态势，数据挖掘技术将会扮演越来越重要的角色。本文简单介绍数据挖掘技术，并对数据挖掘技术在电力设备故障诊断中的应用研究进行分析，从而提升电力设备的运行质量。
关键词：数据挖掘技术；电力设备；故障诊断；应用
引言
由于科技水平的提高和发展，数据库技术越来越多地应用在各行各业中。现有的绝大多数数据库的功能是对数据进行录入、查询及统计等，并且处理后的信息只是当作数据库信息的一部分。如果只是经这样简单的处理，根本就无法正确地对数据的整体性质进行描述，更不用说预测数据的发展方向了。随着数据挖掘技术在数据库中的应用，可以挖掘出许多有用的数据和数据模型，根据挖掘出来的有效信息，可以做出高效的决策。电力系统作为国家重要能源部门，在社会日常生产中有着不可替代的作用，它能否安全运行将直接影响到社会的各行各业能否正常运作，因此必须要确保电力系统安全运行。对电力系统的运行状态进行实时的监控，对运作性能进行查看分析和综合评估，对电力设备的故障进行分析、诊断以及维修，已经变得越来越不可缺少。
1数据挖掘
数据挖掘就是从大量的数据中挖掘出有用的信息，即从大量的、不完全的、有噪音的、模糊的、随机的实际应用数据中发现隐含的、规律性的、人们事先未知的，但又是潜在有用的并且最终可理解的信息和知识的非平凡过程。近年来，数据挖掘技术的研究和应用发展迅猛，在商业和银行领域已有广泛的应用。
数据挖掘的一般过程包括以下6个方面：（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践以前，还必须彻底地评估该模型，再回顾构造该模型的步骤，以确定该模型真正能够达到预定的商业目标。一个关键的问题就是确定是否存在一些重要的商业问题没有被充分地考虑到。评估阶段最后应作出数据挖掘结果的使用决定。（6）模型部署。模型的创建通常并非数据挖掘过程的终结，即使建模的目的是增长数据的知识，获得的知识仍需要以客户可用的方式进行组织和呈现。根据需要实施阶段可能非常简单（如生成一份报告）或非常复杂（一个可重复的数据挖掘过程）。在大多数的情况下，进行实施的人是客户而并非数据分析人员。然而，即使数据分析人员不是实施的执行者，也必须预先使客户理解为了充分利用所创建的模型而需进行的活动。
从数据挖掘中发掘有关知识的规则需要具备以下4个条件：（1）有效性。意味着规则或知识的重要性，得到的规则或知识应适用于未知的数据；（2）新颖性。即与先验的知识没有关系，在实践中，重要的是要发现新规则；（3）有用性。目的在于发现对用户有用和感兴趣的规则；（4）简单性。即发现的规则应力求简单，应能够创建和容易解释复杂的数据。数据挖掘技术与其他的研究领域如统计分析、机器学习、数据库，以及可视化技术等密切相关。数据挖掘的方法和数学工具包括关联规则、统计学、决策树、神经网络、线性规划、模糊逻辑等。
2数据挖掘在电力系统中的应用分析
2.1电力系统需求分析
对电力系统进行需求分析有利于充分的理解客户以及制定商业战略规划，通过数据库，发觉数据中隐含而有用的信息，如分析顾客或用电单位的相关信息，通过访问自选客户了解顾客的需求，为优质客户制定服务菜单（如折扣菜单和增值服务等），电力公司本身的收支情况分析和顾客满意度分析等。
2.2动态安全评估
电力系统自身内部复杂多样，客户群也极为复杂，安全问题极为重要。建立合理的安全评估机制是电力系统的必修课，传统安全评估依据固定问题、固定内容开闸，而许多细节则在发生安全问题后才能注意到。数据挖掘技术则可以有效对安全进行评估，哪些问题属于高发内容，哪些问题需要特别注意，哪些问题在不同时间是高发时期均可以通过数据挖掘技术获得，极大的提升企业安全效率。同时，数据挖掘技术也为企业建立动态安全评估机制提供技术支持。
2.3电力系统故障诊断
电力系统故障诊断是通过利用有关电力系统及其保护装置的广泛知识和继电保护等信息来识别故障的元件位置（区域）、类型和误动作的装置，其中故障元件的识别是关键问题。电力系统故障诊断的各种方法包括专家系统、人工神经网络、优化技术、粗糙集理论、模糊集理论和多代理技术等。（1）粗糙集理论。比较适合中小型电力系统和变电站的故障诊断。但该模型在考虑发生多重故障时，粗糙集方法将出现决策表十分庞大、甚至出现“组合爆炸”的问题。将决策树用到变电站故障诊断领域，不仅可以实现故障诊断知识的自动获取与表示，而且所获得的以决策树形式表示的知识具有很高的推理速度。（2）优化技术。将基于事件序列的数据挖掘原理故障诊断模型用于高压输电线系统故障诊断领域，依据输电系统故障事件序列在时空特性上的关联性，用动态规划算法的优化相似性原理挖掘事件序列之间的关联性和蕴涵的知识，将诊断问题的求解转化为寻求与实时故障事件序列模式最相似的、运算操作代价最小的标准故障序列模式，以实现对异常事件序列模式中畸变事件的“复原”和纠错，从而保证故障诊断系统的高容错性。（3）多代理技术。还有一种粗糙集理论的决策表约简新算法，通过粗糙集理论与二元逻辑相结合的属性约简算法对诊断决策表进行约简，可快速得到最佳约简组合；同时提出了形成混合策略规则的思路，将约简结果进行融合，从而建立故障所对应的综合知识库模型用于电网故障诊断中。（4）采用模糊聚类的方法。因为粗糙集理论适合于处理离散数据，而电厂和电力系统广泛存在的数据类型是具有连续属性值的数据，所以要将实测数据中的连续属性离散化，然后采用粗糙集理论对离散化之后的数据进行处理，挖掘故障诊断与运行决策的规则知识。
结语
综上所述，随着我国社会和经济的快速发展，我国科技水平也在不断提升。在电力系统实际运行过程中，很多电力设备发生了故障问题。因而需要进行电力设备的故障诊断。伴随着我国计算机等技术的不断发展，数据挖掘技术在电力设备故障中的应用，不仅提高了故障诊断的质量，同时也提高了故障诊断的效率。因此，全文主要分析了电力设备故障诊断中存在的问题，进而分析了数据挖掘技术在电力设备诊断中的应用，并为同行业的研究提供了必要依据。
参考文献：
[1]陈星莺，张晓花，瞿峰.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，2017（09）.
[2]曾碧波，黄小红，赵健伍.TPSSCADA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（09）.
[3]卢伟明.数据挖掘技术在电力设备故障诊断中的应用[J].现代工业经济和信息化，2016（21）：77-78.
[4]杨超，张霖.数据挖掘技术在电力设备故障诊断中的应用[J].电气开关，2016（2）：83-86.