基于特征標(biāo)簽的電力計(jì)量大數(shù)據(jù)深度挖掘技術(shù)研究

摘要：基于特征標(biāo)簽的電力計(jì)量大數(shù)據(jù)深度挖掘技術(shù)是一種先進(jìn)的數(shù)據(jù)分析方法，旨在從海量電力計(jì)量數(shù)據(jù)中提取有價(jià)值的信息。這種技術(shù)結(jié)合了特征標(biāo)簽、大數(shù)據(jù)分析和深度挖掘等多種方法，以實(shí)現(xiàn)對(duì)電力計(jì)量數(shù)據(jù)的全面理解和有效利用。采用模糊C-均值聚類算法實(shí)現(xiàn)特征標(biāo)簽的生成，借助特征標(biāo)簽改善電力計(jì)量大數(shù)據(jù)，通過云計(jì)算平臺(tái)建設(shè)特征標(biāo)簽下的電力計(jì)量大數(shù)據(jù)挖掘架構(gòu)。研究結(jié)果表明，特征標(biāo)簽下的電力計(jì)量大數(shù)據(jù)深挖技術(shù)具有良好穩(wěn)定性、較高的挖掘準(zhǔn)確率，可在電網(wǎng)運(yùn)行中廣泛應(yīng)用。

關(guān)鍵詞：電力計(jì)量大數(shù)據(jù)深度挖掘特征標(biāo)簽

ResearchonDeepMiningTechnologyofPowerMeteringBigDataBasedonFeatureTags

WANGXinYINZhenlong*

QingdaoTopscommCommunicationCo.，Ltd.，Qingdao，ShandongProvince，266000China

Abstract：DeepMiningtechnologyofpowermeteringbigdatabasedonfeaturetagsisanadvanceddataanalysismethodaimedatextractingvaluableinformationfrommassivepowermeteringdata.Thistechnologycombinesmultiplemethodssuchasfeaturetags，bigdataanalysis，anddeepmining toachieveacomprehensiveunderstandingandeffectiveutilizationofpowermeteringdata.ItusestheFuzzyC-MeansClusteringalgorithmtogeneratefeaturetags，improvespowermeteringbigdatawithfeaturetags，andconstructsapowermeteringbigdataminingarchitectureunderfeaturetagsthroughcloudcomputingplatforms.TheresearchresultsindicatethatDeepMiningtechnologyofpowermeteringbigdataunderfeaturetagshasgoodstability，highminingaccuracy，andcanbewidelyappliedinpowergridoperation.

KeyWords：Powermetering;Bigdata;Deepmining;Featuretags

在電網(wǎng)運(yùn)行期間，電力系統(tǒng)中儲(chǔ)存了海量的數(shù)據(jù)，而數(shù)據(jù)挖掘作為一種較為普遍的數(shù)據(jù)分析和處理方式，在配電網(wǎng)故障辨識(shí)、火電廠運(yùn)行優(yōu)化等方面得到了越來越多的運(yùn)用。隨著電網(wǎng)數(shù)據(jù)的不斷增長，對(duì)數(shù)據(jù)挖掘的需求也越來越高，因此，電網(wǎng)企業(yè)逐步將注意力集中到數(shù)據(jù)挖掘?qū)用?。本文采用模糊C-均值聚類算法生成特征標(biāo)簽，借助特征標(biāo)簽改善電力計(jì)量大數(shù)據(jù)，通過云計(jì)算平臺(tái)建設(shè)特征標(biāo)簽下的電力計(jì)量大數(shù)據(jù)挖掘架構(gòu)。

1電力計(jì)量大數(shù)據(jù)的特征標(biāo)簽

為深層分析電能測(cè)量大數(shù)據(jù)，必須對(duì)其進(jìn)行處理，并將其置于高層服務(wù)應(yīng)用和大數(shù)據(jù)平臺(tái)之間，作為中間層的核心部件。采用模糊C-均值聚類算法生成一個(gè)類別的特征標(biāo)記，若簇內(nèi)有K個(gè)類別，則以m表達(dá)其隸屬系數(shù)，其中，U為初始化的矩陣，繼而得到公式：

在這個(gè)方程中，通過求解一個(gè)模糊C的平均值，得出C的迭代函數(shù)，即：

根據(jù)該算法，得到各屬性的隸屬系數(shù)和簇的中心，并展開收斂性判定。當(dāng)目標(biāo)函數(shù)的值小于預(yù)定門限時(shí)，則對(duì)簇的結(jié)果進(jìn)行輸出，公式為

（3）

用該方法來計(jì)算簇的迭代值，進(jìn)而選取電能測(cè)量數(shù)據(jù)的運(yùn)算平臺(tái)，構(gòu)成一個(gè)專用標(biāo)記。這個(gè)運(yùn)算平臺(tái)可以分布運(yùn)算海量數(shù)據(jù)，并進(jìn)行數(shù)據(jù)庫檢索。構(gòu)建具有3層（標(biāo)記層、分析層和數(shù)據(jù)層）的大數(shù)據(jù)管理構(gòu)件[1]。在此基礎(chǔ)上，利用大數(shù)據(jù)管理構(gòu)件對(duì)其進(jìn)行初步的特性標(biāo)記。圖1為電力計(jì)量大數(shù)據(jù)的特征標(biāo)簽產(chǎn)生流程。

根據(jù)圖1顯示，在對(duì)電能計(jì)算進(jìn)行深度挖掘過程中，需要建立多個(gè)特征標(biāo)簽，所以把規(guī)則引擎當(dāng)作特征標(biāo)簽的生產(chǎn)機(jī)器，繼而生成大量特征標(biāo)簽，借助標(biāo)簽識(shí)別中心管理和規(guī)劃特征標(biāo)簽[2]。

所謂特征標(biāo)簽業(yè)務(wù)化，其實(shí)就是由使用者設(shè)定一個(gè)特定的屬性標(biāo)記，并給予該屬性標(biāo)記檢視、修正等作用，并對(duì)該屬性標(biāo)記進(jìn)行檢驗(yàn)，其生成條件主要依照電力計(jì)量大數(shù)據(jù)內(nèi)部所挖掘的數(shù)據(jù)制訂，每天只需要對(duì)這些特性標(biāo)記進(jìn)行管理和維護(hù)就可以了。規(guī)則引擎是一種特性標(biāo)記制造機(jī)，它在特性標(biāo)記的設(shè)計(jì)過程中實(shí)現(xiàn)了圖形的控制和規(guī)則的制訂，并可以設(shè)置特性標(biāo)記的規(guī)則，根據(jù)生成規(guī)則觸發(fā)生成條件，從而制作多種特征標(biāo)簽。

標(biāo)記辨識(shí)中心可以對(duì)特性標(biāo)記的派生組合進(jìn)行邏輯計(jì)算，在完成設(shè)定操作后，工作人員可以更新原始的特性標(biāo)記，使之成為更有價(jià)值和更高級(jí)的特性標(biāo)記。在此基礎(chǔ)上，利用智能算法對(duì)海量數(shù)據(jù)進(jìn)行屬性標(biāo)注，實(shí)現(xiàn)對(duì)海量數(shù)據(jù)的分類。在做完特性標(biāo)記之后，還要判斷標(biāo)簽價(jià)值。如果特征標(biāo)簽價(jià)值過低，無法挖掘電力計(jì)量數(shù)據(jù)，則必須創(chuàng)建價(jià)值函數(shù)，以此對(duì)特征標(biāo)簽價(jià)值進(jìn)行判斷。

2電力計(jì)量大數(shù)據(jù)的深度挖掘

生成特殊標(biāo)簽后，通過該特殊標(biāo)簽深度挖掘電力計(jì)量大數(shù)據(jù)。在對(duì)電能測(cè)量大數(shù)據(jù)進(jìn)行深度挖掘的同時(shí)，利用云處理平臺(tái)上的分布式信息超文本傳輸協(xié)議（HyperTextTransferProtocol，HTTP），構(gòu)建了一個(gè)由數(shù)據(jù)預(yù)處理、云分類建模和云聚類編輯3個(gè)模塊組成的大數(shù)據(jù)挖掘框架[3]，圖2為具體挖掘過程。

如圖2所示，USB異步收發(fā)傳輸器與電平轉(zhuǎn)換達(dá)到數(shù)據(jù)預(yù)處理目標(biāo)，通過微控制單元進(jìn)行數(shù)據(jù)分類，內(nèi)容配置可編程，并按照CK算法的最優(yōu)原理對(duì)電能測(cè)量的海量數(shù)據(jù)進(jìn)行分類和整理，確定中心點(diǎn)，在該中心點(diǎn)之下的數(shù)據(jù)是有效的，并對(duì)失效的數(shù)據(jù)進(jìn)行過濾，公式為

式中，u是判定對(duì)象的，m是中心點(diǎn)的值。

所謂云聚類編輯，就是將預(yù)處理后的數(shù)據(jù)實(shí)施聚類編輯，依照數(shù)據(jù)價(jià)值從高到低排列。針對(duì)電能測(cè)量大數(shù)據(jù)的深度挖掘需求，對(duì)其進(jìn)行聚類分類，并將其轉(zhuǎn)化為數(shù)據(jù)挖掘框架。云分類建模與預(yù)處理后數(shù)據(jù)相結(jié)合，將數(shù)據(jù)的分類結(jié)果傳遞到數(shù)據(jù)挖掘框架中，將聚類數(shù)據(jù)與分類模型進(jìn)行數(shù)據(jù)融合，生成挖掘模型，將挖掘模型轉(zhuǎn)移到一個(gè)挖掘點(diǎn)，然后再進(jìn)行深層挖掘[4]。

本項(xiàng)目以電能測(cè)量大數(shù)據(jù)為研究對(duì)象，采用基于特征標(biāo)注的方法進(jìn)行電能測(cè)量大數(shù)據(jù)的深度分析。具體流程如下。首先，識(shí)別出深層挖掘的目標(biāo)，并通過數(shù)據(jù)提取獲得需要的深層信息，并決定其使用方法。然后，進(jìn)行資料的前處理，對(duì)從基礎(chǔ)的電能測(cè)量中抽取出的資料進(jìn)行預(yù)處理，利用CK算法篩選出誤差和無用的數(shù)據(jù)，利用特征標(biāo)記的信息變換作用，生成誤差標(biāo)記，保證數(shù)據(jù)準(zhǔn)確性。最后，實(shí)施云分類建模，采用最佳建模方式來調(diào)整、改善大數(shù)據(jù)模型，實(shí)現(xiàn)挖掘效率和精確度的提升[5]。

3實(shí)驗(yàn)驗(yàn)證

為了對(duì)特征標(biāo)簽下的電力計(jì)量大數(shù)據(jù)深挖應(yīng)用效果進(jìn)行驗(yàn)證，通過實(shí)驗(yàn)方式，比較該技術(shù)和蟻群算法下的大數(shù)據(jù)深挖方法、企業(yè)資源計(jì)劃（EnterpriseResourcePlanning，ERP）下的大數(shù)據(jù)深挖方法。此次所用主機(jī)操作系統(tǒng)是Linux系統(tǒng)，有效配置信息，系統(tǒng)內(nèi)存選擇16GB，硬盤內(nèi)存選擇2TB，所用編程語言是C++語言，以Hadoop環(huán)境為開發(fā)環(huán)境[6]。

3種數(shù)據(jù)深度挖掘方法的實(shí)驗(yàn)結(jié)果為：實(shí)驗(yàn)10min時(shí)，蟻群算法、特征標(biāo)簽算法和ERP挖掘算法的挖掘數(shù)據(jù)量分別為10.26MB、20.25MB和5.87MB；實(shí)驗(yàn)30min時(shí)，蟻群算法、特征標(biāo)簽算法和ERP挖掘算法的挖掘數(shù)據(jù)量分別為21.37MB、60.95MB和15.48MB；實(shí)驗(yàn)40min時(shí)，蟻群算法、特征標(biāo)簽算法和ERP挖掘算法的挖掘數(shù)據(jù)量分別為29.34MB、104.37MB和26.97MB；實(shí)驗(yàn)60min時(shí)，蟻群算法、特征標(biāo)簽算法和ERP挖掘算法的挖掘數(shù)據(jù)量分別為35.37MB、122.45MB和30.45MB。

從以上結(jié)果可以看出，在挖掘時(shí)間持續(xù)延長的情況下，不同方法的數(shù)據(jù)挖掘量呈現(xiàn)持續(xù)增加狀態(tài)，且特征標(biāo)簽下的電力計(jì)量大數(shù)據(jù)挖掘數(shù)據(jù)量明顯比傳統(tǒng)方法高。由于在利用特征標(biāo)記對(duì)數(shù)據(jù)進(jìn)行挖掘時(shí)，能夠?qū)ζ溥M(jìn)行高效的分類，并對(duì)其進(jìn)行加工，從而實(shí)現(xiàn)高信息量和低代價(jià)的數(shù)據(jù)挖掘目的[7]。

本項(xiàng)目采用的基于特征標(biāo)記的數(shù)據(jù)挖掘算法具有良好穩(wěn)定性，且信息處理結(jié)果也較為準(zhǔn)確。這主要是因?yàn)榛谔卣鳂?biāo)記大數(shù)據(jù)挖掘方法能夠?qū)?shù)據(jù)進(jìn)行處理，從而有效地解決了“信息孤島”問題。通過對(duì)海量數(shù)據(jù)的實(shí)時(shí)采集和分析，實(shí)現(xiàn)對(duì)海量數(shù)據(jù)的準(zhǔn)確和穩(wěn)定的獲取。表1是針各種方式的挖掘準(zhǔn)確率的試驗(yàn)數(shù)據(jù)。

分析表1可以看出，特征標(biāo)簽下的電力計(jì)量大數(shù)據(jù)挖掘技術(shù)具有更高的準(zhǔn)確率，且挖掘能力高于其他方法。

4結(jié)語

總而言之，特征標(biāo)簽的生成是電力計(jì)量大數(shù)據(jù)挖掘技術(shù)的關(guān)鍵步驟。通過利用模糊C-均值聚類算法等方法，可以生成能夠反映數(shù)據(jù)特性和模式的特征標(biāo)簽，這些標(biāo)簽不僅有助于對(duì)電力計(jì)量數(shù)據(jù)進(jìn)行有效地分類和表示，還能提高后續(xù)數(shù)據(jù)挖掘的準(zhǔn)確性和效率。基于特征標(biāo)簽，可以對(duì)電力計(jì)量大數(shù)據(jù)進(jìn)行深度挖掘，這包括利用云計(jì)算平臺(tái)搭建的數(shù)據(jù)挖掘架構(gòu)對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行建模和分析[8]。在實(shí)際應(yīng)用中，基于特征標(biāo)簽的電力計(jì)量大數(shù)據(jù)深度挖掘技術(shù)可以被廣泛應(yīng)用于電力系統(tǒng)的各個(gè)領(lǐng)域。例如：該技術(shù)能有效地實(shí)現(xiàn)電網(wǎng)的最優(yōu)配置，從而改善電網(wǎng)的整體效益。同時(shí)，該方法還能對(duì)電網(wǎng)的負(fù)荷進(jìn)行預(yù)報(bào)，為電網(wǎng)的規(guī)劃與管理提供重要的支撐。

綜上所述，基于特征標(biāo)簽的電力計(jì)量大數(shù)據(jù)深度挖掘技術(shù)是一種具有廣泛應(yīng)用前景和重要意義的數(shù)據(jù)分析方法，該技術(shù)將會(huì)在今后的電網(wǎng)建設(shè)中發(fā)揮越來越大的作用。

（4）

參考文獻(xiàn)

[1]王奕萱，李翼銘，徐二強(qiáng)，等.基于特征標(biāo)簽的電力計(jì)量大數(shù)據(jù)深度挖掘研究[J].電子設(shè)計(jì)工程，2023，31（24）：186-189，195.

[2]田萍.大數(shù)據(jù)深度挖掘技術(shù)下的數(shù)字資源推送平臺(tái)設(shè)計(jì)應(yīng)用[J].信息通信，2019（10）：133-135.

[3]萬金金，文屹，呂黔蘇，等.基于大數(shù)據(jù)深度挖掘電網(wǎng)設(shè)備缺陷體外循環(huán)的模型研制與應(yīng)用[J].電力大數(shù)據(jù)，2023，26（3）：61-68.

[4]金欣.基于蟻群算法的非結(jié)構(gòu)化大數(shù)據(jù)深度挖掘仿真[J].計(jì)算機(jī)仿真，2020，37（11）：329-333.

[5]王倩.基于深度學(xué)習(xí)技術(shù)的教育大數(shù)據(jù)挖掘領(lǐng)域運(yùn)用探究[J].數(shù)字通信世界，2023（11）：112-114.

[6]左仁廣，彭勇，李童，等.基于深度學(xué)習(xí)的地質(zhì)找礦大數(shù)據(jù)挖掘與集成的挑戰(zhàn)[J].地球科學(xué)，2021，46（1）：350-358.

[7]呂田.面向大數(shù)據(jù)挖掘的自然資源云平臺(tái)設(shè)計(jì)實(shí)現(xiàn)研究[J].科技資訊，2023，21（23）：36-39.

[8]王文中，孔亞鑫.面向科技咨詢的大數(shù)據(jù)服務(wù)平臺(tái)基礎(chǔ)架構(gòu)設(shè)計(jì)與實(shí)現(xiàn)[J].科技資訊，2023，21（24）：32-35.