（国网江苏省电力有限公司宿迁供电分公司江苏省宿迁市223800）
摘要：伴随着科学技术的发展进步，电力营销系统中逐渐引入了诸如数据挖掘技术和数据仓库技术以及联机分析处理等多种新型技术，为电力营销决策系统提供了更为准确、全面和详尽的量化指标与参考数据。在电力营销系统当中应用数据挖掘技术可为决策者提供决策支持，大大提升了经营管理水平，为电网运行的稳定性和经济性提供了有力保障。
关键词：数据挖掘技术；电力营销系统；应用
引言：
随着我国科学技术的不断发展，数据挖掘技术作为一种新兴的技术在电力系统发展的过程中崭露头角。这一技术充分的利用了现有的计算机技术和各个相关领域的知识，并有效的将这些信息数据进行分析，并且把数据仓库用作决策的信息供应链，最终组成适合决策分析需要的分析数据。
1电力营销系统概述
电力营销系统是电力系统的重要组成部分，它作为一种综合营销管理模式，包括以下几个方面：电力设备安装、耗电量的计算、用电量的计费、线损管理、营业计费等，除此之外还提供服务和分析模块。近年来，我国电力系统开始了新一轮的电力市场改革，这其中最为明显的就是电力营销系统，它对电力行业有着尤为重要的影响。在电力系统运行过程中，电力营销数据的反馈，在很大程度上决定着电力系统的决策。电力营销数据包含经济调度、电力系统故障诊断、动态安全评估等一系列。同时，作为衡量供电企业管理能力的标尺，配电线线路的线损问题也尤为重要，在电力营销系统发展过程中，应该考虑如何有效的降低线损率。
2数据挖掘技术的应用及特点
数据挖掘技术是一种新型的技术，在现代数据存储以及测量技术的迅猛发展过程中，人们可以进行信息的大量测量并进行存储。但是，在大量的信息背后却没有一种有效的手段和技术进行直观的表达和分析。而数据挖掘技术的出现，是对目前大数据时代的一种应急手段，使得有关计算机数据处理技术得到加快发展。数据挖掘技术最早是从机器学习的概念中而产生的，在对机器的学习过程中，一般不采用归纳或者较少使用这种方法，这是一种非常机械的操作办法。而没有指导性学习的办法一般不从这些环境得出反馈，而是通过没有干预的情况下进行归纳和学习，并建立一种理论模型。数据挖掘技术是属于例子归纳学习的一种方式，这种从例子中进行归纳学习的方式是介于上述无指导性学习以及较少使用归纳学习这两种方式之间的一种方式。因此，可以说，数据挖掘技术的特征在出自于机器学习的背景下，与其相比机器主要关心的是如何才能有效提高机器的学习能力，但数据挖掘技术主要关心如何才能找到有用、有价值的信息。其第二个特征是，与机器学习特点相比较而言，机器关心的是小数据，而数据挖掘技术所面临的对象则是现实中海量规模的数据库，其作用主要是用来处理一些异常现象，特别是处理残缺的、有噪音以及维数很高的数据项，甚至是一些不同类型数据。以往的数据处理方法和现代的数据挖掘技术相比较而言，其不同点是以往的传统数据处理方法前提是把理论作为一种指导数据来进行处理，在现代数据挖掘技术的出发角度不同，主要运用启发式的归纳学习进行理论以及假设来处理的。
3数据挖掘技术在电力营销系统中的应用
3.1关联规则在电力营销系统中的应用
关联规则是指在大量数据的处理过程中，很多数据之间都存在一定的关联，通过这些关联性对数据进行评价、筛选，最后总结出一套有用的规则来预测未来数据的发展，从而为企业策略制定提供依据。在电力营销系统中关联规则的应用也能够起到很好的作用；比如根据电价浮动的数据来判断电量使用数据，根据气象数据来分析电量使用情况，会发现当电价浮动到达一定值后电量的使用开始下降，当天气状况不佳时也会增加电量的使用。这样电力公司就可以根据气象数据和目前的电价来预估电量的需求，进而制定电量生产计划。当然，除了电价和气象数据以外，还有很多因素影响电量的增减，企业可以根据关联规则进行全面的分析、总结。
3.2分类技术在电力营销系统中的应用
分类技术是指将既得数据进行分类，在数据库中的每一个数据总是能够被分到既定类别中的某一类，之后对数据进行总结分析。这种分类技术在电力营销系统中的应用主要就是对电量数据的预测，根据模糊理论对用电量的高低进行分类，从而制定出电力公司的各个电力机器的开关机时间，以保证电力的供应，同时节约电力企业的供电成本。
3.3时间序列与序列挖掘技术在电力营销系统中的应用
在所有短期负荷预测方法中，时间序列挖掘是被认为最经典的一种方法，比较系统，同时神经网络则是短期负荷预测中研究最多、应用最为广泛的，因此在电力营销系统的实际应用当中往往会把二者结合在一起对电力营销数据进行分析。在神经网络法当中，相较于BP神经网络，小波神经元网络在收敛速度上有着更好的表现，而且其中采用了基于隶属度改进的聚类方法，有利于负荷大波动日预测精度的改善。另外，为给电力系统的故障定位与故障诊断提供更为有效的指导，可以将建立在时间窗基础上的序列挖掘算法应用到警报信息的处理当中；为提高电力系统运行状态判定的准确性和有效性，可把建立在错误模型分析与快速诊断推理基础上的一种新型数据挖掘算法应用其中，此种算法极大地提升了在对系统运行状态进行挖掘和分析的能力，使得错误模型分析的精确度有所提高。
3.4聚类技术在电力营销系统中的应用
聚类技术与分类技术具有相似之处，但两者并不是完全一致的；分类技术主要是人为的对数据进行分类，而聚类则是依照数据自身的规律进行分类，相比于分类技术，聚类技术具有更大的随机性。电力营销系统中针对据对聚类技术应用的现状主要就是客户群的统计，根据数据对客户种类进行区分，从而制定出不同的营销策略，促进电力企业利润的增加。聚类技术在电力营销系统中的应用还表现在对客户反馈信息的可靠性进行判定的活动中，换言之，在对客户意见进行整理的过程中，可以有意识的过滤掉信用等级较差的客户，并采取用电量较大、诚信度较高客户的建议，从而维护企业大客户，保证企业利润，促进企业的发展。
3.5空间挖掘技术在电力营销系统中的应用
在当前市场经济的大环境下，原本就需要决策者对各项数据做出快速的分析和诊断，这样才能够在最短的时间内做出最正确的反应和决策，为电力企业健康、稳定、长远的发展提供有力保障。在这个过程中，需要运用特定的空间挖掘技术对各种目标层次的信息进行综合处理，这些信息包括电网的运行数据以及负荷的位置分布、负荷的实时变化数据等，只有如此才能对设备进行跟踪、对故障进行定位、对损失进行评价或是进行模拟停电、实现调度最优化等。对于同类负荷或是不同类负荷的位置分布数据可以通过空间分布规则和聚类规则以及特征规则与区分规则获得。另外，在针对用户开展业扩报装和负荷管理以及电表、电费查收等业务工作时，可以通过利用空间数据挖掘技术获取到的像地理编码这样的几何知识来完成；在负荷填谷和调峰、错峰等管理功能当中可以分别把变压器和用户地理位置、线路实际负荷以及负荷可控制情况等作为参考依据制定不同的负荷控制方案。
结束语：
目前，对数据挖掘技术在整个电力营销系统中的应用还处于较低水平上，其挖掘算法的单一并不能有效地满足实际决策需要。但是，由于数据挖掘技术对一些潜在的问题预测能力较强，特别是对电力营销系统中较大规模的非线性问题，具有较强的处理能力，在未来的发展中会成为营销领域中重要的应用工具。
参考文献：
[1]许敏.数据挖掘技术在电力营销系统中的应用及发展[J].科技与企业.2015（10）
[2]雷波.数据挖掘技术在电力营销系统中的应用研究[J].广东科技.2014（12）
[3]郝晓弘，朱洁，王维洲，胡振邦.数据挖掘技术在电力营销系统的应用现状[J].工矿自动化.2011（01）