電力負(fù)荷分析與預(yù)測(cè)的分布式數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘的研究電力負(fù)荷分析與預(yù)測(cè)的分布式數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘研究申請(qǐng)華北電力大學(xué)工學(xué)博士學(xué)位論文培養(yǎng)單位：電氣與電子工程學(xué)院一級(jí)學(xué)科：電氣工程專業(yè)名稱：電力系統(tǒng)及其自動(dòng)化生：栗然研究指導(dǎo)教師：李和明教授副指導(dǎo)教師：顧雪平教授二oo九年十二月＼1786149onDistributedDataResearchDataforLoadWarehouseandMininglandForecastingAnalysisSubmittedtoDissertationNorthChinaElectricPowerUniversitythefulfillmentofinrequirementspartialofforthedegreeDoctorofPhilosophyinElectricalEngineeringbyLi]Ran●SupervisedbyProf．GuandProf．LiXuepingHemingandElectronicSchoolofElectricalEngineeringDecember2009●Jd聲尸明明本人鄭重聲明：此處所提交的博士學(xué)位論文《電力負(fù)荷分析與預(yù)測(cè)的分布式數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘研究》，是本人在華北電力大學(xué)攻讀博士學(xué)位期間，在導(dǎo)師指導(dǎo)下，獨(dú)立進(jìn)行研究工作所取得的成果。盡我所知，除文中已經(jīng)注明引用的內(nèi)容外，本學(xué)位論文的研究成果不包含任何他人享有著作權(quán)的內(nèi)容。對(duì)本論文所涉及的研究工作做出貢獻(xiàn)的其他個(gè)人和集體，均已在文中以明確方式標(biāo)明。關(guān)于學(xué)位論文使用授權(quán)的說明本人完全了解華北電力大學(xué)有關(guān)保留、使用學(xué)位論文的艦定，即：①學(xué)校有權(quán)保管、并向有關(guān)部門送交學(xué)位論文的原件與復(fù)印件；②學(xué)校可以采用影印、縮印或其它復(fù)制手段復(fù)制并保存學(xué)位論文；③學(xué)?？稍试S學(xué)位論文被查閱或借閱；④學(xué)?？梢詫W(xué)術(shù)交流為目的，復(fù)制贈(zèng)送和交換學(xué)位論文；⑤同意學(xué)?？梢杂貌煌绞皆诓煌襟w上發(fā)表、傳播學(xué)位論文的全部或部分內(nèi)容。涉密的學(xué)位論文在解密后遵守此規(guī)定導(dǎo)師簽名：作者簽名：蘭醴日日期：期：遜乒且L一華北電力大學(xué)博+學(xué)位論文中文摘要準(zhǔn)確的負(fù)荷預(yù)測(cè)對(duì)電力系統(tǒng)的規(guī)劃與運(yùn)行具有十分重要的意義，但是目前采用的各種負(fù)荷預(yù)測(cè)方法的準(zhǔn)確度還不能完全滿足系統(tǒng)的要求。目前電力負(fù)荷預(yù)測(cè)的研究多數(shù)只是對(duì)某個(gè)已有預(yù)測(cè)方法的改進(jìn)和對(duì)新數(shù)學(xué)方法應(yīng)用的探討，對(duì)負(fù)荷的實(shí)際特性和氣象因素的影響考慮不夠，因此對(duì)預(yù)測(cè)精度的改進(jìn)有限。目前研究中對(duì)氣象因素的考慮很粗略，一般是在預(yù)測(cè)區(qū)域的廣泛范圍內(nèi)采用同一氣象條件，這對(duì)供電區(qū)域遼闊的大電網(wǎng)是明顯不夠的。本文根據(jù)電力系統(tǒng)運(yùn)行管理的特點(diǎn)，將電網(wǎng)按地域進(jìn)行網(wǎng)格劃分，建立關(guān)于負(fù)荷及其影響因素的分層分布式數(shù)據(jù)倉(cāng)庫(kù)，并深入分析氣象因素對(duì)電力負(fù)荷的影響，在此基礎(chǔ)上研究基于數(shù)據(jù)挖掘技術(shù)的網(wǎng)格化負(fù)荷分析與預(yù)測(cè)方法，通過對(duì)負(fù)荷預(yù)測(cè)算法和預(yù)測(cè)策略的改進(jìn)提高負(fù)荷預(yù)測(cè)的準(zhǔn)確度。論文主要工作如下：提出了基于分布式數(shù)據(jù)倉(cāng)庫(kù)的網(wǎng)格化負(fù)荷與氣象敏感度分析思想，并開發(fā)了相應(yīng)的分析軟件。通過將大電網(wǎng)按自然區(qū)域進(jìn)行網(wǎng)格劃分，構(gòu)建面向負(fù)荷分析與預(yù)測(cè)主題的分布式數(shù)據(jù)倉(cāng)庫(kù)模型；引入四個(gè)綜合氣象指數(shù)詳細(xì)分析各子網(wǎng)格對(duì)應(yīng)的氣象與負(fù)荷的相關(guān)度和敏感度；根據(jù)各地區(qū)的負(fù)荷氣象靈敏度大小加權(quán)得出大電網(wǎng)的綜合氣象指數(shù)值，以此為基礎(chǔ)預(yù)測(cè)下一年度負(fù)荷與氣象指數(shù)敏感度變化曲線。提出了基于考慮屬性一值對(duì)兩次信息增益優(yōu)化的改進(jìn)決策樹挖掘算法的同特征負(fù)荷預(yù)測(cè)方法。該方法用聚類分析和信息熵進(jìn)行氣象屬性離散化，可以更客觀地考慮氣象條件與負(fù)荷的關(guān)系，將離散化的斷點(diǎn)數(shù)控制在一個(gè)合理的數(shù)值；考慮屬性一值對(duì)兩次信息增益優(yōu)化可以彌補(bǔ)ID3算法的不足，減小樹的深度，提高查詢速度和查詢效率，最終達(dá)到提高日特征負(fù)荷預(yù)測(cè)準(zhǔn)確率的目的。用負(fù)荷預(yù)測(cè)實(shí)例對(duì)所提方法進(jìn)行了測(cè)試比較，證明了方法的有效性。提出了一種基于面向粗糙集默認(rèn)規(guī)則挖掘算法的網(wǎng)格化短期負(fù)荷預(yù)測(cè)方法。該方法一方面可以減少因噪聲的影響而產(chǎn)生的多余規(guī)則，縮小產(chǎn)生的分類規(guī)則集，提高規(guī)則產(chǎn)生和實(shí)際分類的效率；另一方面可以根據(jù)地域特點(diǎn)更具體地考慮子網(wǎng)格的氣象因素和負(fù)荷特性，建立不同的網(wǎng)格負(fù)荷預(yù)測(cè)模型，提高大電網(wǎng)短期負(fù)荷預(yù)測(cè)精度。利用實(shí)例對(duì)區(qū)域網(wǎng)格化和非網(wǎng)格化兩種負(fù)荷預(yù)測(cè)方法的預(yù)測(cè)結(jié)果進(jìn)行了對(duì)比，驗(yàn)證了本文所提方法對(duì)提高負(fù)荷預(yù)測(cè)精度的有效性。關(guān)鍵詞：分布式數(shù)據(jù)倉(cāng)庫(kù)，數(shù)據(jù)挖掘，電力系統(tǒng)，網(wǎng)格化負(fù)荷預(yù)測(cè)，氣象因素華J匕電力人學(xué)尊+學(xué)位論文AbstractandloadforecastaroleinAccurateplayssignificantplanningoperationpowertheloadforecastmethodscan’tmeetofappliednowadaysfullypowersystem，butofofloadthepowerforecastingrequirementspowersystem．Atpresent，mostinsomeforecastmethodsorreaserchisfocusonexistingexploringimprovementofnewmathematicalmuchofrealmethods，withoutconsideringapplicationisinforecastitcharacteristicsofitlimitedload，SOimprovingaccuracy．Nowpowersameweatherconditionisisinoffactors，thatis，theroughthinkingmeteorologicalestimationisnotforinthewideofarea，whichenoughgenerallyappliedrangewidearea．Inthistowiththesis，accordinglarge-scalepowergridspowersupplyismadetofeaturesofandpowerpowergridoperationmanagement，meshpartiondatawarehouseloadandonbasisofgridregion，distributedincludingpowerfactorsonloadisinfluencefactorsisofbuilt，andimpactmeteorologicalpowerloadandforecastmethodsdeeplyanalysized．Also，thegriddingpoweranalysistheloadforecastisbasedondataisreaserehed，andaccuracyimprovedminingmainworkoftheloadforcastandthroughimprovingpoweragorithmstrategy．Thethesisisasthefollowings．a(chǎn)ndbasedonAnideaofloadmeteorologicalsensitivityanalysisgriddingsoftwareisdistributeddatawarehouseisanalysisprensented，andcorrespondingtoismadetonaturalregion，griddingpartitiondeveloped．First，accordingdatawarehousemodalwiththethemeofanddistributedlarge―scalepowergridindiciesandforecastismeteorologicalanalysisbuilt．Secondly，fourcomprehensivetorelevanceandofweatherandloadareintroducedsensitivitydetailedlyanalysizeindexisworkedoutrelevanttoeachsub-mesh．Thenmeteorologicalcomprehensiveofisthebaseofloadeveryarea，whichbyweightedmeteorologysensitivityindexvariationcurve．nextloadandmeteorologicalsensitivityforecastingyear’SmethodisisbasedonAdiurnalcharacteristic―loadforecastproposed，whichoftreewithdecisionminingalgorithmeosideringoptimizationimprovedtoinformationthismethod，meteorologicalpropertiesProperty-Valuegain．Inthisismadewithclusterandinformationmethod，discretizinganalysisentropy．Withloadcanbeconsideredmoretherelationbetweenweatherandobjectively，whichcancontroltheamountofdiscretizationbreakwithinareasonablevalue；thepointthewithcanmakeinformationconsideringProperty―Valueupgainoptimization華北電力人學(xué)博十學(xué)位論文摘要reducethedecisiontree’SandofID3canis，itdeficiencyalgorithm，thatdepththeandachievetheofspeedeffecieney，thenfinallypurposeimprovequerydiurnalcharacteristic―loadforecasttestcomparisonimprovingprecision．Also，theismadeintheloadforecastandtheeffectivenessoftheexampleprovesproposedloadforecastmethodbasedonmethod．Ashort-termMDRBRmininggriddingdefaultrulesbasedonthistheonehand，roughsetismethod，onproposed．WithCanbemakesclassificationtheredundantrulesintroducednoisesreduced，whichbyrulesetmuchsmallerandtheofandimprovesefficiencyrules’productiontotheotherclassification；onfeatures，thehand，accordingregionalmeteorologicalformfactorsandloadfeaturesofsub-meshcanbeconsideredmoretodetailedlyandshort????termloaddifferentloadmodalimprovelarge??-scalepowergridgriddingforecasttheandloadresultsareaccuracy．Thengriddingnon―griddingforcastingtoshowtheeffectivenessofthemethodinforecastaccuracycomparedincreasingwhichiSinthethsis．proposedword：distributeddataKeywarehouse，datamining,electricpowersystems,Powerloadfactorsgriddingforcasting，meteorological中英第第2．1數(shù)據(jù)倉(cāng)庫(kù)的概念和特點(diǎn)………………．202．2數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的體系結(jié)構(gòu)……………．．202．2．1多維結(jié)構(gòu)和企業(yè)信息工廠結(jié)構(gòu)結(jié)合的體系結(jié)構(gòu)……………．202．2．2數(shù)據(jù)獲取層………．2l2．2．3數(shù)據(jù)存儲(chǔ)層………．222．2．4數(shù)據(jù)訪問層………．232．2．5元數(shù)據(jù)…………．．232．3數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的開發(fā)實(shí)施……………．．242．3．1三種常用的數(shù)據(jù)倉(cāng)庫(kù)開發(fā)策略…………242．3．2混合數(shù)據(jù)倉(cāng)庫(kù)開發(fā)方法………………252．4MSSQLServer2005數(shù)據(jù)倉(cāng)庫(kù)平臺(tái)……．．252．4．1微軟數(shù)據(jù)倉(cāng)庫(kù)平臺(tái)特點(diǎn)………………252．4．2OLAP數(shù)據(jù)倉(cāng)庫(kù)組件…………………．262．5支持負(fù)荷分析與預(yù)測(cè)的數(shù)據(jù)倉(cāng)庫(kù)模型的研究………………．272．5．1數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)模型………………．．272．5．2星型負(fù)荷氣象數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)…………．．282．5．3負(fù)荷氣象數(shù)據(jù)倉(cāng)庫(kù)星型模型…………．．302．6用于負(fù)荷分析與預(yù)測(cè)的分布式數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)………………．3l2．6．1分布式數(shù)據(jù)倉(cāng)庫(kù)技術(shù)………………‘………………．．312．6．2分布式負(fù)荷氣象數(shù)據(jù)倉(cāng)庫(kù)的應(yīng)用背景……32華北電力大學(xué)博十學(xué)位論文目錄2．6．3分布式負(fù)荷氣象數(shù)據(jù)倉(cāng)庫(kù)的粒度設(shè)計(jì)……．332．6．4分布式負(fù)荷氣象數(shù)據(jù)倉(cāng)庫(kù)的結(jié)構(gòu)設(shè)計(jì)……．342．6．5分布式負(fù)荷數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)的提取與刷新…．．372．7分布式負(fù)荷氣象數(shù)據(jù)倉(cāng)庫(kù)的OLAP系統(tǒng)設(shè)計(jì)………………．．382．7．1數(shù)據(jù)倉(cāng)庫(kù)和OLAP系統(tǒng)的關(guān)系…………．．382．7．2多維模型…………．382．7．3OLAP的主要功能……402．7．4OLAP系統(tǒng)的應(yīng)用……422．8本章小結(jié)…………．45第三章基于分布式數(shù)據(jù)倉(cāng)庫(kù)的負(fù)荷與氣象敏感度分析………．463．1概述……………．．463．2負(fù)荷氣溫敏感區(qū)域劃分………………．463．3小波去噪原理………473．3．1．極值剔除方法……．．493．3．2．隨機(jī)噪聲去除方法…………………．493．4氣象因素的量化……．493．5分析數(shù)據(jù)選取………513．6關(guān)聯(lián)度計(jì)算………．．503．7敏感度分析………．．543．7．1負(fù)荷對(duì)氣象指數(shù)的靈敏度計(jì)算…………．543．7．2灰色GM1，1模型…………………．．55。3．7．3線性擬合和指數(shù)擬合…………………563．8負(fù)荷與氣象敏感性分析結(jié)果……………563．8．1小波去噪結(jié)果………563．8．2關(guān)聯(lián)度分析結(jié)果……．573．8．3敏感度分析結(jié)果……．583．9誤差分析…………．613．10系統(tǒng)應(yīng)用…………6l3．11本章小結(jié)…………62第四章基于聚類分析和信息增益率函數(shù)的氣象屬性離散化……634．1離散化問題的描述………63??4．2直方圖離散化…………．644．3基于信息熵的離散化…………………644．3．1信息熵的概念………64ll華北電力人學(xué)博十學(xué)位論文4．3．2信息增益率函數(shù)……654．4聚類分析…………．654．4．1聚類的基本描述……．654．4．2傳統(tǒng)K均值聚類方法…………………664．4．3層次聚集聚類算法…………………．．664．5基于信息增益率函數(shù)和聚類分析的氣象屬性離散化算法………664．6算法應(yīng)用…………．704．6．1數(shù)據(jù)源…………．．704．6．2離散化的結(jié)果……．．704．7算法的測(cè)試和比較…………………．．714．7．1ID3算法…………．724．7．2測(cè)試結(jié)果比較……．．724．8本章小結(jié)…………．73第五章基于改進(jìn)決策樹算法的日特征負(fù)荷預(yù)測(cè)……………．．745．1決策樹……………745．1．1決策樹的概念和原理……………．．755．1．2決策樹的簡(jiǎn)化…………………．．755．1．3決策樹的優(yōu)劣…………………．．765．2ID3算法…………．765．2．1ID3算法的基本思想…………………765．2．2ID3的基本原理……．775．2．3主算法和建樹算法…………………．775．2．4對(duì)ID3算法的討論…………………．785．3基于ID3的優(yōu)化算法………………o．795．3．1兩次信息增益的優(yōu)化………………．．795．3．2屬性一值對(duì)優(yōu)化……．805．3．3屬性一值對(duì)的兩次信息增益優(yōu)化算法……．8l5．4基于改進(jìn)決策樹模型的日特征負(fù)荷預(yù)測(cè)…．．825．4．1數(shù)據(jù)處理…………825．4．2預(yù)測(cè)模型訓(xùn)練……．．835．4．3預(yù)測(cè)結(jié)果分析……．．855．5本章小結(jié)…………．86第六章基于MDRBR的網(wǎng)格化短期負(fù)荷預(yù)測(cè)…．876．1粗糙集理論概述……．87III華北電力人學(xué)博十學(xué)位論文目錄6．1．1粗糙集理論的特點(diǎn)………………．876．1．2傳統(tǒng)的粗糙集挖掘算法……………886．2默認(rèn)規(guī)則挖掘算法MDRBR…………．．896．2．1默認(rèn)規(guī)則…………．896．2．2MDRBR的搜索策略…………………．．906．2．3MDRBR的挖掘算法…………………．．916．2．4帶粗糙集算子的決策規(guī)則集……………926．3基于MDRBR算法的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)模型……………．．936．4網(wǎng)格化電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的MDRBR模型………………．．966．4．1網(wǎng)格化的MDRBR模型結(jié)構(gòu)……………．．966．4．2條件屬性的選擇……．966．4．3部分屬性的離散化…………………．．976．4．4影響負(fù)荷的最優(yōu)屬性的選取……………986．5算例分析…………．996．6本章小結(jié)…………106第七章結(jié)論……………107參考文獻(xiàn)……………109致謝……………………．．116個(gè)人簡(jiǎn)歷、在學(xué)期間參加的科研工作及學(xué)術(shù)論文發(fā)表………．．117IV華北電力人學(xué)博士學(xué)位論文緒論第一章1．1課題背景和意義電力負(fù)荷分析和預(yù)測(cè)是電力系統(tǒng)各級(jí)調(diào)度運(yùn)營(yíng)部門和用電服務(wù)部門的一項(xiàng)重要日常工作，是制定發(fā)電計(jì)劃和輸電方案的主要依據(jù)。提高負(fù)荷分析與預(yù)測(cè)技術(shù)水平，有利于計(jì)劃用電管理、合理安排電網(wǎng)運(yùn)行方式和機(jī)組檢修計(jì)劃，有利于節(jié)煤、節(jié)油和降低發(fā)電成本、制定合理的電源建設(shè)規(guī)劃，提高電力系統(tǒng)的經(jīng)濟(jì)效益和社會(huì)效益。特別在電力市場(chǎng)條件下，只有在進(jìn)行實(shí)時(shí)負(fù)荷預(yù)測(cè)后才能安排負(fù)荷平衡、備用發(fā)電容量的調(diào)度和發(fā)電機(jī)組的上網(wǎng)順序，準(zhǔn)確的需電量和電力負(fù)荷預(yù)測(cè)是實(shí)行電力市場(chǎng)的基本條件和首要任務(wù)，它所提供的未來的負(fù)荷數(shù)據(jù)，對(duì)電力系統(tǒng)的控制及運(yùn)行都非常重要，如何提高預(yù)測(cè)精度是目前研究負(fù)荷預(yù)測(cè)理論與方法的中心和重點(diǎn)，準(zhǔn)確的負(fù)荷預(yù)測(cè)已成為實(shí)現(xiàn)電力系統(tǒng)管理現(xiàn)代化的重要內(nèi)容之一。眾多研究者在這一領(lǐng)域做了大量的工作，提出了許多分析和預(yù)測(cè)方法，如時(shí)間序列法、卡爾曼濾波分析法、回歸分析法、指數(shù)平滑預(yù)報(bào)法、專家系統(tǒng)法、模糊預(yù)測(cè)法、灰色模型法、優(yōu)選組合預(yù)測(cè)法、人工神經(jīng)網(wǎng)絡(luò)法、粗糙集算法、模糊聚類、粒子群算法、遺傳算法、免疫算法等。大多數(shù)有關(guān)負(fù)荷預(yù)測(cè)的研究只是對(duì)某個(gè)已有預(yù)測(cè)方法的改進(jìn)和對(duì)新的數(shù)學(xué)方法的應(yīng)用的探討，沒有太多的考慮負(fù)荷的實(shí)際特性和實(shí)際應(yīng)用情況；對(duì)氣象因素的考慮。般只是在預(yù)測(cè)區(qū)域一個(gè)廣泛的范圍內(nèi)。這種考慮負(fù)荷特性和氣象因素的方法是很粗略的，尤其是對(duì)供電范圍較廣泛的大電網(wǎng)。電力負(fù)荷是由工業(yè)用電、城鄉(xiāng)居民用電、農(nóng)村居民用電、商業(yè)交通建筑通訊及其他負(fù)荷用電構(gòu)成。一般而言，負(fù)荷變化受多種因素的制約，而且這些因素對(duì)負(fù)荷變化規(guī)律的影響程度互不相同，從而構(gòu)成了負(fù)荷變化的波動(dòng)性。其中氣象因素是影響短期負(fù)荷最典型的因素。氣象因素具有很大的地域性和時(shí)段性，而負(fù)荷的變化也因地區(qū)和氣象而異，一個(gè)城市不同的區(qū)域的各種環(huán)境因素不同且其受各種因素的影響程度也不盡相同。由于電力系統(tǒng)日益龐大，使得電力系統(tǒng)的供電區(qū)域增大，氣象因素對(duì)電力系統(tǒng)的影響，不是在面上，而是反映在點(diǎn)上。即考察市一級(jí)供電區(qū)域的氣象因素其準(zhǔn)確程度要比省一級(jí)供電區(qū)域及以上的高。也就是說，市一級(jí)地區(qū)的氣象預(yù)報(bào)是比較準(zhǔn)確的，其影響也是具體的，而省級(jí)以上的氣象預(yù)報(bào)雖說也是比較準(zhǔn)確的，但影響卻是不具體的。一般來說，預(yù)測(cè)地區(qū)的地理范圍都比較大，預(yù)測(cè)區(qū)域內(nèi)各子區(qū)域影響負(fù)荷的主要因素如各地的溫度、濕度、降雨情況等都有很大的區(qū)別，且每個(gè)區(qū)域的負(fù)荷受各種因素影響的比重也大不相同。因此根據(jù)地域的特點(diǎn)建立不同的負(fù)荷預(yù)測(cè)模型將是一個(gè)非常有意義的研究思路。隨著信息技術(shù)在電力系統(tǒng)中的應(yīng)用，電力系統(tǒng)積累了海量的數(shù)據(jù)。比如一個(gè)區(qū)1第一蘋緒論一一一――――――――――――――――――――――――――――――――――――――――――――――――――――――――――――――一域電網(wǎng)的SCADA／EMS系統(tǒng)，如果按每5分鐘對(duì)模擬量采樣計(jì)算，一年的歷史數(shù)據(jù)存儲(chǔ)量至少tg達(dá)JLGB【¨，負(fù)荷數(shù)據(jù)亦是如此。目前傳統(tǒng)數(shù)據(jù)庫(kù)系統(tǒng)所能做的只是對(duì)數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行諸如錄入、查詢、統(tǒng)計(jì)等操作型處理，通過這種處理所獲得的信息僅僅是整個(gè)數(shù)據(jù)庫(kù)所包含的信息的一部分，缺乏對(duì)數(shù)據(jù)整體特征的描述及其發(fā)展趨勢(shì)預(yù)測(cè)方面的信息，無法發(fā)現(xiàn)數(shù)據(jù)中存在的關(guān)系、規(guī)則，難以根據(jù)現(xiàn)有的數(shù)據(jù)預(yù)測(cè)未來的發(fā)展趨勢(shì)，從而導(dǎo)致了“數(shù)據(jù)爆炸但知識(shí)貧乏，，的現(xiàn)象。近幾年有部分文獻(xiàn)對(duì)電力調(diào)度數(shù)據(jù)倉(cāng)庫(kù)的建立和利用進(jìn)行了研究[卜81，但基本思路都是以集中的大型數(shù)據(jù)倉(cāng)庫(kù)為主。而電力系統(tǒng)絕大部分的大型數(shù)據(jù)庫(kù)都是以縣級(jí)、地區(qū)級(jí)、省級(jí)、網(wǎng)級(jí)分層分布式的形式存在的；負(fù)荷預(yù)測(cè)的管理方式也是逐級(jí)上報(bào)，由上一級(jí)進(jìn)行綜合預(yù)測(cè)。同時(shí)如何對(duì)數(shù)據(jù)進(jìn)行分析、加工，從中挖掘出有用的知識(shí)，并將其綜合集成形成決策信息，將是個(gè)非常有價(jià)值的課題。國(guó)內(nèi)外很多學(xué)者和技術(shù)人員已在進(jìn)行數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘技術(shù)在電力系統(tǒng)中的應(yīng)用研究【9啪】，他們?cè)谥T多方面例如電力系統(tǒng)安全穩(wěn)定性評(píng)估、電力系統(tǒng)的調(diào)度運(yùn)行、電力系統(tǒng)故障分析、電力系統(tǒng)運(yùn)行狀態(tài)的分類與描述、電力系統(tǒng)規(guī)劃設(shè)計(jì)、電力市場(chǎng)用戶特征分析等方面都取得了很多成果?；谝陨戏治觯疚奶岢隽烁鶕?jù)電力系統(tǒng)的運(yùn)行管理特點(diǎn)，將電網(wǎng)按地域進(jìn)行網(wǎng)格化分，建立分層分布式的負(fù)荷及其影響因素的數(shù)據(jù)倉(cāng)庫(kù)，深入分析氣象因素對(duì)電力負(fù)荷的影響，并研究利用數(shù)據(jù)挖掘方法如聚類分析、改進(jìn)決策樹、默認(rèn)規(guī)則挖掘方法等進(jìn)行網(wǎng)格化負(fù)荷分析與預(yù)測(cè)，在負(fù)荷預(yù)測(cè)算法和預(yù)測(cè)策略兩方面提高負(fù)荷預(yù)測(cè)的準(zhǔn)確度。1．2分布式數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘的國(guó)內(nèi)外研究動(dòng)向1．2．1數(shù)據(jù)倉(cāng)庫(kù)1991年，數(shù)據(jù)倉(cāng)庫(kù)之父w．H．Inmon首次提出了數(shù)據(jù)倉(cāng)庫(kù)n刀的概念：“數(shù)據(jù)倉(cāng)庫(kù)是面向主題的、集成的、時(shí)變的、穩(wěn)定的數(shù)據(jù)集合，用以支持決策制定過程。這個(gè)簡(jiǎn)要又全面的定義指出了數(shù)據(jù)倉(cāng)庫(kù)的主要特征。1主題是在一個(gè)較高層次將數(shù)據(jù)歸類的標(biāo)準(zhǔn)，每一個(gè)主題對(duì)應(yīng)一個(gè)宏觀分析的領(lǐng)域?；谥黝}的數(shù)據(jù)處理被劃分為各自獨(dú)立的領(lǐng)域，每個(gè)領(lǐng)域有自己互不交叉的邏輯內(nèi)涵。2集成是指源數(shù)據(jù)庫(kù)的數(shù)據(jù)進(jìn)入數(shù)據(jù)倉(cāng)庫(kù)前，必須經(jīng)過清理、抽取、轉(zhuǎn)換等加工，將源數(shù)據(jù)的結(jié)構(gòu)從面向應(yīng)用轉(zhuǎn)換到面向主題。通常，構(gòu)造數(shù)據(jù)倉(cāng)庫(kù)是將多個(gè)異種數(shù)據(jù)源，如關(guān)系數(shù)據(jù)庫(kù)、一般文件和聯(lián)機(jī)事務(wù)處理記錄，集成在一起。使用數(shù)據(jù)清理和數(shù)據(jù)集成技術(shù)，確保命名約定、編碼結(jié)構(gòu)、屬性度量等的一致性。3時(shí)變是指數(shù)據(jù)倉(cāng)庫(kù)內(nèi)的數(shù)據(jù)是歷史數(shù)據(jù)，數(shù)據(jù)時(shí)限長(zhǎng)，數(shù)據(jù)包含時(shí)間項(xiàng)屬性。4非易失的，又叫穩(wěn)定，是指數(shù)據(jù)經(jīng)集成進(jìn)入數(shù)據(jù)倉(cāng)庫(kù)后極少或根本就不改變。通常，它只需要兩種數(shù)據(jù)訪問：’華北電力人學(xué)尊+學(xué)位論文數(shù)據(jù)的初始化裝入和數(shù)據(jù)訪問。概而言之，數(shù)據(jù)倉(cāng)庫(kù)是一種語(yǔ)義上一致的數(shù)據(jù)存儲(chǔ)，它充當(dāng)決策支持?jǐn)?shù)據(jù)模型的物理實(shí)現(xiàn)，并存放企業(yè)戰(zhàn)略決策所需信息。數(shù)據(jù)倉(cāng)庫(kù)是一種新的數(shù)據(jù)庫(kù)管理技術(shù)，它不是為了存儲(chǔ)數(shù)據(jù)，而是為了決策支持，建立數(shù)據(jù)倉(cāng)庫(kù)不是目的，它只是進(jìn)行決策支持的中間環(huán)節(jié)。它能訪問各種數(shù)據(jù)庫(kù)，把各種源數(shù)據(jù)庫(kù)集成在一個(gè)統(tǒng)一的目標(biāo)數(shù)據(jù)，并能把各種數(shù)據(jù)轉(zhuǎn)換成面向主題的格式，能從異構(gòu)的數(shù)據(jù)源中定期抽取、轉(zhuǎn)換和集成所需要的數(shù)據(jù)，便于最終用戶訪問并能從歷史角度進(jìn)行分析，最后做出戰(zhàn)略決策。數(shù)據(jù)倉(cāng)庫(kù)作為數(shù)據(jù)存儲(chǔ)的一種組織形式，從最初的數(shù)據(jù)源獲得原始數(shù)據(jù)，按照決策的要求重新組織，形成具有不同粒度的綜合數(shù)據(jù)層，是數(shù)據(jù)倉(cāng)庫(kù)結(jié)構(gòu)的一個(gè)方面。另外，數(shù)據(jù)倉(cāng)庫(kù)還需要對(duì)其中存儲(chǔ)的數(shù)據(jù)進(jìn)行操縱、管理等以支持決策，這是數(shù)據(jù)倉(cāng)庫(kù)結(jié)構(gòu)的另一方面。數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)就是對(duì)進(jìn)入數(shù)據(jù)倉(cāng)庫(kù)的原始數(shù)據(jù)完成抽取、轉(zhuǎn)換、過濾、清洗等處理，最終進(jìn)入數(shù)據(jù)倉(cāng)庫(kù)，以及對(duì)數(shù)據(jù)倉(cāng)庫(kù)中存儲(chǔ)的數(shù)據(jù)進(jìn)行更新、管理、使用、表現(xiàn)等的相關(guān)軟件／工具進(jìn)行集合，用以支持?jǐn)?shù)據(jù)倉(cāng)庫(kù)應(yīng)用或管理決策。由于數(shù)據(jù)庫(kù)和數(shù)據(jù)倉(cāng)庫(kù)應(yīng)用的出發(fā)點(diǎn)不同，數(shù)據(jù)倉(cāng)庫(kù)將獨(dú)立于業(yè)務(wù)數(shù)據(jù)庫(kù)系統(tǒng)，但是數(shù)據(jù)倉(cāng)庫(kù)又同業(yè)務(wù)數(shù)據(jù)庫(kù)系統(tǒng)息息相關(guān)。也就是說，數(shù)據(jù)倉(cāng)庫(kù)不是簡(jiǎn)單地。對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ)，而是對(duì)數(shù)據(jù)進(jìn)行“再組織"。目前大部分企業(yè)建立的都是全局?jǐn)?shù)據(jù)倉(cāng)庫(kù)，當(dāng)企業(yè)規(guī)模較大，各子公司分布在各地，而都有自己的操作性事物需要處理時(shí)有必要建立分布式數(shù)據(jù)倉(cāng)庫(kù)。目前分布式數(shù)據(jù)倉(cāng)庫(kù)的應(yīng)用主要在大型企業(yè)【17～191如：通信網(wǎng)絡(luò)管理、公安信息管理、電子商務(wù)管理等。圖1．1是一個(gè)通信網(wǎng)絡(luò)管理的分布式數(shù)據(jù)倉(cāng)庫(kù)體系結(jié)構(gòu)，該圖也反映了分布式數(shù)據(jù)倉(cāng)庫(kù)的一般體系結(jié)構(gòu)。1．2．2數(shù)據(jù)挖掘隨機(jī)的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的并且最終可理解的信息和知識(shí)的過程。數(shù)據(jù)挖掘應(yīng)該正確的命名為“從數(shù)據(jù)中發(fā)現(xiàn)知識(shí)”。indatabase，因而在人工智能領(lǐng)域又習(xí)慣稱數(shù)據(jù)挖掘?yàn)橹R(shí)發(fā)現(xiàn)knowledgediscoveryKDD【2們，也即在數(shù)據(jù)庫(kù)中發(fā)現(xiàn)知識(shí)。這個(gè)定義包括幾層含義：數(shù)據(jù)源必須是真實(shí)的、大量的、含噪聲的；發(fā)現(xiàn)的是用戶感興趣的知識(shí)；發(fā)現(xiàn)的知識(shí)要可接受、可理解、可運(yùn)用；發(fā)現(xiàn)的知識(shí)支持特定的被發(fā)現(xiàn)的問題。KDD一詞首次出現(xiàn)在1989年舉行的第十一屆國(guó)際聯(lián)合人工智能學(xué)術(shù)會(huì)議上。到目前為止，由美國(guó)人工智能協(xié)會(huì)主辦的KDD國(guó)際研討會(huì)已經(jīng)召開了10余次，規(guī)模由第一章緒論r．‘。。一。一。。。。。。。。。。。。。。。?！駃[玉口-o；外韶?cái)?shù)據(jù)省藪倉(cāng)、：省級(jí)只管中心……………--i[玉口_f之●L―――――――――．．―――――J’一l―’’-一地級(jí)數(shù)據(jù)倉(cāng)庫(kù)地級(jí)網(wǎng)臂中心：圖1-1通信網(wǎng)絡(luò)管理的分布式數(shù)據(jù)倉(cāng)庫(kù)體系結(jié)構(gòu)原來的專題討論會(huì)發(fā)展到國(guó)際學(xué)術(shù)大會(huì)，研究重點(diǎn)也逐漸從發(fā)現(xiàn)方法轉(zhuǎn)向系統(tǒng)應(yīng)用，注重多種發(fā)現(xiàn)策略和技術(shù)的集成，以及多種學(xué)科之間的相互滲透。隨著參與人員的不斷增多，KDD國(guó)際會(huì)議發(fā)展成為年會(huì)。1998年在美國(guó)紐約舉行的第四屆知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘國(guó)際學(xué)術(shù)會(huì)議不僅進(jìn)行了學(xué)術(shù)討論，并且有30多家軟件公司展示了他們的數(shù)據(jù)挖掘軟件產(chǎn)品，不少軟件已在北美、歐洲等國(guó)得到應(yīng)用。IEEE的andDataKnowledge算、計(jì)算機(jī)網(wǎng)絡(luò)和信息工程等其他領(lǐng)域的國(guó)際學(xué)會(huì)、學(xué)刊也把數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)列為專題和?？懻?。與國(guó)外相比，國(guó)內(nèi)對(duì)數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)KDD的研究稍晚，沒有形成整體力量。1993年國(guó)家自然科學(xué)基金首次支持對(duì)該領(lǐng)域的研究項(xiàng)目。目前，國(guó)內(nèi)的許多科研單位和高等院校競(jìng)相開展知識(shí)發(fā)現(xiàn)的基礎(chǔ)理論及其應(yīng)用研究。從目前狀況看，大部分學(xué)者認(rèn)為數(shù)據(jù)挖掘的研究仍然處于廣泛研究和探索階段。一方面，數(shù)據(jù)挖掘的概念已被廣泛接受。在理論上，一批具有挑戰(zhàn)性和前瞻性的問題被提出，吸引越來越多的研究者。另一方面，數(shù)據(jù)挖掘的大面積廣泛應(yīng)用有待時(shí)日，需要深入的研究積累和豐富的工程實(shí)踐。數(shù)據(jù)挖掘具體的功能有以下幾個(gè)方面：1概念描述概念描述就是對(duì)某類對(duì)象的內(nèi)含進(jìn)行描述，并概括這類對(duì)象的有關(guān)特征。具體的描述分為特征性描述和區(qū)別性描述。2關(guān)聯(lián)分析4華北電力人學(xué)博十學(xué)位論文數(shù)據(jù)關(guān)聯(lián)是數(shù)據(jù)中存在的一類重要的可以被發(fā)現(xiàn)的知識(shí)，關(guān)聯(lián)分析的目的就是找出數(shù)據(jù)中隱藏的關(guān)系網(wǎng)。關(guān)聯(lián)分析發(fā)現(xiàn)關(guān)聯(lián)規(guī)則，這些規(guī)則展示屬性值頻繁地在給定數(shù)據(jù)中一起出現(xiàn)的條件。3分類與預(yù)測(cè)①分類就是通過分析樣本客戶數(shù)據(jù)庫(kù)中的數(shù)據(jù)，為每個(gè)類別做出準(zhǔn)確的描述或建立分析模型或挖掘出分類規(guī)則，然后用這個(gè)分類規(guī)則對(duì)其它客戶的記錄進(jìn)行分類。在使用上，既可以用此模型分析已有的數(shù)據(jù)，也可以用它來預(yù)測(cè)未來的數(shù)據(jù)。②預(yù)測(cè)就是利用歷史數(shù)據(jù)建立模型，再運(yùn)用最新的數(shù)據(jù)作為輸入值，獲得未來變化的趨勢(shì)或評(píng)價(jià)給定樣本可能具有的屬性值或值的范圍。4聚類分析聚類是把一組個(gè)體按照相似性歸類，即“物以類聚"。它的目的是使屬于同一類別的個(gè)體之間的距離盡可能地小，而不同類別的個(gè)體間的距離盡可能地大。它是分類的逆向方法。聚類把沒有分類的記錄，在不知道應(yīng)分成幾類的情況下，按照數(shù)據(jù)內(nèi)在的差異性大小，合理地劃分成幾類，并確定每個(gè)記錄所屬類別。5趨勢(shì)分析‖趨勢(shì)分析又稱為時(shí)間序列分析，它是從相當(dāng)長(zhǎng)時(shí)間的發(fā)展中發(fā)現(xiàn)規(guī)律和趨勢(shì)。趨勢(shì)分析和關(guān)聯(lián)分析相似，其目的也是為了挖掘出數(shù)據(jù)之間的聯(lián)系，但趨勢(shì)分析的側(cè)重點(diǎn)在于分析數(shù)據(jù)間的前后因果關(guān)系。6孤立點(diǎn)分析孤立點(diǎn)是指數(shù)據(jù)庫(kù)中包含的一些與數(shù)據(jù)的一般行為或模型不一致的數(shù)據(jù)。大部分的數(shù)據(jù)挖掘的方法將孤立點(diǎn)視為噪聲或異常而丟棄，而對(duì)某些應(yīng)用，如欺騙檢驗(yàn)，孤立點(diǎn)數(shù)據(jù)可能更有價(jià)值。7偏差分析偏差分析又稱為比較分析，它是對(duì)偏差和極端特例的描述，由于揭示事物偏離常規(guī)的異?，F(xiàn)象，如標(biāo)準(zhǔn)類外的特例，數(shù)據(jù)聚類外的離群值等。0’2引：數(shù)據(jù)挖掘的常用算法n1關(guān)聯(lián)規(guī)則挖掘：基于傳統(tǒng)數(shù)理統(tǒng)計(jì)等數(shù)學(xué)工具的方法：關(guān)聯(lián)規(guī)則是尋找在同一個(gè)事件中出現(xiàn)的不同項(xiàng)的相關(guān)性，比如在一次購(gòu)買活動(dòng)中所購(gòu)買不同商品的相關(guān)性。關(guān)聯(lián)分析即利用關(guān)聯(lián)規(guī)則進(jìn)行數(shù)據(jù)挖掘。最著名的關(guān)聯(lián)規(guī)則挖掘算法是R．Agrawal提出的Apriori算法。5第一章緒論確數(shù)據(jù)中導(dǎo)出概念和確定趨向比較困難時(shí)，利用NN技術(shù)特別有效。經(jīng)過訓(xùn)練后的NN可以被想象成具有某種專門知識(shí)的“專家”，因此可以像人一樣從經(jīng)驗(yàn)中學(xué)習(xí)。其缺點(diǎn)是NN的知識(shí)獲取過程是一個(gè)“黑箱"系統(tǒng)，訓(xùn)練后NN所代表的預(yù)測(cè)模型不具有透明性。3決策樹：在知識(shí)工程領(lǐng)域，決策樹是一種簡(jiǎn)單的知識(shí)表示方法，它將事例逐步劃分成不同的類別。由于分類規(guī)則比較直觀，因而較易于理解，在機(jī)器獲取領(lǐng)域內(nèi)已研制出許多實(shí)施決策樹的有效算法，如ID3及其改進(jìn)算法等。4進(jìn)化計(jì)算：是模仿生物進(jìn)化的一類計(jì)算方法的統(tǒng)稱。包括遺傳算法GA、遺傳編程GP、進(jìn)化策略ES，進(jìn)化規(guī)劃EP。它們大多具有以下特點(diǎn)：進(jìn)化計(jì)算是在適應(yīng)度函數(shù)約束下的智能化搜索，在目標(biāo)函數(shù)適應(yīng)度函數(shù)驅(qū)動(dòng)下“優(yōu)勝劣汰"，通過多次迭代，逐步逼近目標(biāo)。由于進(jìn)化計(jì)算一般都采用了雜交、變異等操作，擴(kuò)大了搜索范圍，因此其能逼近全局最優(yōu)解。且其具有框架式的算法結(jié)構(gòu)，一般只要完成編碼和適應(yīng)度函數(shù)選擇，其余的遺傳、雜交、變異等操作都可以自動(dòng)完成。5基于事例的推理方法：該方法的思路非常簡(jiǎn)單，當(dāng)預(yù)測(cè)未來情況或進(jìn)行正確決策時(shí)，系統(tǒng)尋找與現(xiàn)有情況相類似的事例，并選擇最佳的相同的解決方案。這種方法能用于很多問題求解，并獲得好的結(jié)果，其缺點(diǎn)是系統(tǒng)不能生成匯總過去經(jīng)驗(yàn)的模塊或規(guī)則，即無繼承性。6粗糙集理論：該理論是一種研究不精確、不確定性知識(shí)的數(shù)學(xué)工具，粗糙集理論是一種離散數(shù)據(jù)推理的新方法。粗糙集理論作為一種處理不完備信息的有力工具，可以不需要任何輔助的信息，如統(tǒng)計(jì)學(xué)中的概率分布、模糊集理論中的隸屬度等僅依據(jù)數(shù)據(jù)本身提供的信息就能夠在保留關(guān)鍵信息的前提下，對(duì)數(shù)據(jù)進(jìn)行化簡(jiǎn)求得知識(shí)的最小表達(dá)，從而建立決策規(guī)則，發(fā)現(xiàn)給定的數(shù)據(jù)集中隱含的知識(shí)。目前，粗糙集方法已成為數(shù)據(jù)挖掘應(yīng)用的主要技術(shù)之一。粗糙集方法可以從數(shù)據(jù)中發(fā)現(xiàn)異常，||除噪聲干擾；在DM中前述的其他算法，如神經(jīng)網(wǎng)絡(luò)方法，不能自動(dòng)選擇合適的屬性集，而粗糙集方法能進(jìn)行預(yù)處理，濾去多余屬性，以提高發(fā)現(xiàn)效率；粗糙集方法要比模糊集或神經(jīng)網(wǎng)絡(luò)方法在獲得決策規(guī)則和推理過程方面更易于證實(shí)和檢測(cè)．7文本挖掘和Web挖掘：文本挖掘是～種典型的非結(jié)構(gòu)化數(shù)據(jù)挖掘，而Web挖掘是典型的半結(jié)構(gòu)化數(shù)據(jù)挖掘。文本挖掘涉及數(shù)據(jù)挖掘i計(jì)算機(jī)語(yǔ)言學(xué)、信息檢索、自然語(yǔ)言理解、知識(shí)管理等多個(gè)領(lǐng)域，是一項(xiàng)綜合技術(shù)，它是將數(shù)據(jù)挖掘技術(shù)應(yīng)用在大量的文本集合上，發(fā)現(xiàn)其中隱含的知識(shí)的過程。web挖掘主要從中發(fā)現(xiàn)和分析有用的信息。主要用于Internet網(wǎng)絡(luò)挖掘中【201。6華北電力人學(xué)博十學(xué)何論文1．2．3分布式數(shù)據(jù)挖掘Data分布式數(shù)據(jù)挖掘DistributedMining，DDM就是指運(yùn)用數(shù)據(jù)挖掘技術(shù)，對(duì)由計(jì)算機(jī)網(wǎng)絡(luò)相連接的多個(gè)分布式數(shù)據(jù)源進(jìn)行知識(shí)發(fā)現(xiàn)的過程嵋卜剮。雖然DDM是一個(gè)發(fā)展時(shí)間很短的領(lǐng)域，但由于其具有廣闊的應(yīng)用前景，很多的學(xué)者都對(duì)其進(jìn)行了式數(shù)據(jù)挖掘系統(tǒng)CDM。目前，對(duì)DDM的研究主要在于算法的研究，如如何在分布式環(huán)境中實(shí)現(xiàn)傳統(tǒng)數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則發(fā)現(xiàn)；體系結(jié)構(gòu)的研究，如基于移動(dòng)目前的數(shù)據(jù)挖掘算法和模型主要采用集中式，大多要求所有被挖掘的數(shù)據(jù)必須存放在一個(gè)單一的、集中的數(shù)據(jù)倉(cāng)庫(kù)中。因此，即便在數(shù)據(jù)分布存儲(chǔ)的情況下，也要求把這些數(shù)據(jù)重新收集到一個(gè)集中的地方。這導(dǎo)致網(wǎng)絡(luò)需要通過有限的帶寬來移動(dòng)大容量的數(shù)據(jù)，從而使響應(yīng)時(shí)間變長(zhǎng)，數(shù)據(jù)的私有性和安全性被破壞；此外，現(xiàn)有的集中式數(shù)據(jù)挖掘算法也不太適合于大容量、分布式的數(shù)據(jù)分析應(yīng)用。隨著計(jì)算機(jī)和網(wǎng)絡(luò)技術(shù)的發(fā)展，人們可以方便地獲取Internet上的各種信息‘’資源。傳統(tǒng)的基于單一數(shù)據(jù)庫(kù)表的數(shù)據(jù)挖掘己經(jīng)不能滿足需要?，F(xiàn)代決策需要來自”各個(gè)方面的信息。面對(duì)基于Internet的“信息海洋”，我們需要提取有用的、可以指導(dǎo)決策的知識(shí)。在這種分布式環(huán)境下的數(shù)據(jù)挖掘，與傳統(tǒng)的基于單一數(shù)據(jù)表相比，具有很重要的現(xiàn)實(shí)意義。一個(gè)企業(yè)的數(shù)據(jù)資源往往存在于地理分布的各個(gè)數(shù)據(jù)庫(kù)中，可以充分利用己有的資源，也可以實(shí)現(xiàn)并行數(shù)據(jù)挖掘，解決數(shù)據(jù)挖掘的空間和時(shí)間“瓶頸"?；谶@種地理分布式、形式異構(gòu)的信息資源上的數(shù)據(jù)挖掘，需要一套復(fù)雜的方法來訪問、清理原數(shù)據(jù)，以及對(duì)挖掘過程的協(xié)調(diào)。目前，對(duì)分布式數(shù)據(jù)的挖掘表現(xiàn)為以下三種形式：1建立一個(gè)統(tǒng)一的數(shù)據(jù)庫(kù)或數(shù)據(jù)倉(cāng)庫(kù)，將分布的數(shù)據(jù)抽取出來，物理地存儲(chǔ)在一個(gè)地方。這樣將分布式數(shù)據(jù)挖掘轉(zhuǎn)換為本地?cái)?shù)據(jù)挖掘。這種模式?jīng)]有充分利用網(wǎng)絡(luò)計(jì)算資源。有的挖掘型Agent。每個(gè)挖掘型Agent采用標(biāo)準(zhǔn)的算法，還可以充分利用各種算法進(jìn)行合作。3Agent獨(dú)立的工作，在進(jìn)行本地學(xué)習(xí)的同時(shí)就相互間進(jìn)行交互，不再需要另外一個(gè)Agent來對(duì)它們進(jìn)行集成。一般說來，一個(gè)Agent就是針對(duì)一個(gè)數(shù)據(jù)源。文獻(xiàn)[22]介紹了分布式數(shù)據(jù)挖掘的定義、重要性、研究現(xiàn)狀以及數(shù)據(jù)源，然后7第一章緒論詳細(xì)介紹了兩個(gè)典型的分布式數(shù)據(jù)挖掘系統(tǒng)，最后探討了分布式數(shù)據(jù)挖掘系統(tǒng)應(yīng)該具有的特點(diǎn)。文獻(xiàn)[23]提出了一種基于軟構(gòu)件的分布式計(jì)算環(huán)境CORBA的新型分布式數(shù)據(jù)挖掘體系，并且提出了新的知識(shí)評(píng)價(jià)結(jié)構(gòu)。文獻(xiàn)[24]結(jié)合Web服務(wù)技術(shù)的跨平臺(tái)，統(tǒng)一數(shù)據(jù)表示格式以及可實(shí)現(xiàn)軟組件重組和數(shù)據(jù)重用的優(yōu)點(diǎn)，提出了Web服務(wù)的分布式數(shù)據(jù)挖掘體系，可實(shí)現(xiàn)分布式異構(gòu)環(huán)境下的大容量數(shù)據(jù)的數(shù)據(jù)挖掘。文據(jù)庫(kù)的數(shù)據(jù)挖掘進(jìn)行了一些有意義的探討。文獻(xiàn)[26]提出了一個(gè)基于多Agent的分布式數(shù)據(jù)挖掘形式模型，并結(jié)合數(shù)據(jù)挖掘方法和知識(shí)集成技術(shù)對(duì)該模型進(jìn)行了深入的分析和討論。文獻(xiàn)C27]給出了在新一代分布式對(duì)象平臺(tái)．NET實(shí)現(xiàn)移動(dòng)代理系統(tǒng)的必要性和可行性，介紹了在兩類平臺(tái)上實(shí)現(xiàn)代理遷移的相關(guān)技術(shù)和方法。文獻(xiàn)[28]給出了基于代理的分布式數(shù)據(jù)挖掘系統(tǒng)設(shè)計(jì)，用來實(shí)現(xiàn)大容量的數(shù)據(jù)在分布式存放情況下的數(shù)據(jù)挖掘。文獻(xiàn)[29]針對(duì)電力客戶系統(tǒng)分布式數(shù)據(jù)庫(kù)的結(jié)構(gòu)特點(diǎn)，引入PADMA體系結(jié)構(gòu)和CML數(shù)據(jù)挖掘?qū)崿F(xiàn)算法，提出了一種基于電力客戶服務(wù)系統(tǒng)的分布式數(shù)據(jù)挖掘體系結(jié)構(gòu)及實(shí)現(xiàn)的新方法。文獻(xiàn)[30]通過對(duì)PAIMA系統(tǒng)的構(gòu)建思想和功能機(jī)理的分析，針對(duì)數(shù)字圖書館的異質(zhì)異構(gòu)數(shù)據(jù)分布式數(shù)據(jù)庫(kù)，研究了數(shù)字圖書館的分布式數(shù)據(jù)挖掘體系和模型構(gòu)建。1．2．4分布式數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘在電力系統(tǒng)中的應(yīng)用傳統(tǒng)的數(shù)據(jù)庫(kù)技術(shù)作為數(shù)據(jù)管理的手段，主要用于事務(wù)處理，如電力設(shè)備缺陷處理、電能量存貯查詢等，很難滿足分析處理和決策服務(wù)的要求，因此高級(jí)的電力決策支持系統(tǒng)多采用數(shù)據(jù)倉(cāng)庫(kù)技術(shù)。目前的數(shù)據(jù)倉(cāng)庫(kù)技術(shù)及決策支持在電力系統(tǒng)中的應(yīng)用還十分有限，主要在管理信息化、調(diào)度信息化、調(diào)度自動(dòng)化、穩(wěn)定統(tǒng)計(jì)等決策和某些特定的技術(shù)分析問題上n1’14’3卜411。1電力企業(yè)管理：電力企業(yè)在運(yùn)行過程中，同其他行業(yè)一樣，需要解決日常的物資購(gòu)買、管理、使用和財(cái)務(wù)處理等問題。而普通的物流管理和財(cái)務(wù)系統(tǒng)面向處理日常事務(wù)，并不具備優(yōu)化物資流和分析財(cái)務(wù)狀況的功能。在這方面，數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)集市以及在此之上的數(shù)據(jù)挖掘技術(shù)己經(jīng)在眾多行業(yè)中運(yùn)用，并積累了相當(dāng)多的經(jīng)驗(yàn)，完全可以轉(zhuǎn)移到電力企業(yè)中來。2電力用戶數(shù)據(jù)分析：電力用戶是一個(gè)廣泛、復(fù)雜的用戶群，在不同的時(shí)間、地域、行業(yè)中用戶需求相差很大。電力企業(yè)在長(zhǎng)期的運(yùn)行過程中，己經(jīng)積累了大量的用戶資料和歷史數(shù)據(jù)。根據(jù)這些用戶資料和歷史數(shù)據(jù)建立用電數(shù)據(jù)倉(cāng)庫(kù)，利用OLAP快速響應(yīng)查詢，采用數(shù)據(jù)挖掘的方法進(jìn)行有針對(duì)性的分析，可以得到需求模型。根據(jù)此模型來制定電網(wǎng)規(guī)劃和供電計(jì)劃，可以有效降低發(fā)電成本，提高效益。3電網(wǎng)調(diào)度信息化：實(shí)時(shí)數(shù)據(jù)和歷史數(shù)據(jù)作為電網(wǎng)運(yùn)行的重要資料，需要在華北電力人學(xué)博十學(xué)位論文運(yùn)行部門中共享。而以往在若干子系統(tǒng)問自行定義協(xié)議，進(jìn)行數(shù)據(jù)傳輸?shù)姆椒ㄊ惯\(yùn)行部門間的數(shù)據(jù)流更加復(fù)雜，很難保證數(shù)據(jù)的一致性和唯一性，增大了系統(tǒng)維護(hù)與升級(jí)的難度和成本。如果把各部門需要的公共數(shù)據(jù)整理、統(tǒng)計(jì)起來，建立電網(wǎng)歷史數(shù)據(jù)倉(cāng)庫(kù)，則可以實(shí)現(xiàn)數(shù)據(jù)一致性，減輕網(wǎng)絡(luò)負(fù)載。