摘 要：由于電力中臺服務(wù)數(shù)據(jù)構(gòu)成較復(fù)雜，不能保證整合后數(shù)據(jù)的完整性，因此本文提出基于改進挖掘算法的電力中臺服務(wù)數(shù)據(jù)整合研究。將電力中臺服務(wù)數(shù)據(jù)的屬性指示矩陣映射到單一維度的環(huán)境中后，根據(jù)單個電力中臺服務(wù)數(shù)據(jù)屬性在單一維度下的投影結(jié)果挖掘數(shù)據(jù)的特征；在整合階段，確定目標(biāo)電力中臺服務(wù)數(shù)據(jù)特征對應(yīng)的整合范圍后，根據(jù)電力中臺服務(wù)數(shù)據(jù)與整合中心特征之間的關(guān)系確定整合結(jié)果。在測試結(jié)果中，不僅針對各指標(biāo)數(shù)據(jù)的完整性始終保持較高的穩(wěn)定狀態(tài)，而且對應(yīng)的完整性水平也始終處于較高狀態(tài)，在96.5%～99.5%區(qū)間內(nèi)小幅波動。

關(guān)鍵詞：改進挖掘算法；電力中臺服務(wù)數(shù)據(jù)；屬性指示矩陣；單一維度；投影結(jié)果；數(shù)據(jù)特征；整合范圍

中圖分類號：TP 391" " 文獻標(biāo)志碼：A

電力中臺服務(wù)數(shù)據(jù)在構(gòu)成上主要體現(xiàn)了電力系統(tǒng)的多種屬性特征[1]。通過整合電力中臺服務(wù)數(shù)據(jù)可以形成統(tǒng)一的數(shù)據(jù)視圖，消除數(shù)據(jù)孤島，使數(shù)據(jù)資源得到更高效的利用[2]。電力企業(yè)可以更準(zhǔn)確地了解電力系統(tǒng)的運行狀態(tài)，提高電力系統(tǒng)的穩(wěn)定性和可靠性。整合后的數(shù)據(jù)可以支持更高級的數(shù)據(jù)分析應(yīng)用[3]，優(yōu)化電力設(shè)備的布局和配置，提高電力系統(tǒng)的運行效率，降低能源成本，推動電力行業(yè)的創(chuàng)新發(fā)展。

文獻[4]提出以概率-非概率樣本為基礎(chǔ)的數(shù)據(jù)整合方法，通過隨機抽樣等方式獲取具有代表性好、誤差可控特點的數(shù)據(jù)，結(jié)合非概率樣本方法在靈活性方面的優(yōu)勢，使整合后的數(shù)據(jù)更詳細和更具體。這種方法可能受到主觀因素的影響，導(dǎo)致數(shù)據(jù)的準(zhǔn)確性和客觀性受到一定影響。文獻[5]提出以人工智能技術(shù)為基礎(chǔ)的數(shù)據(jù)整合方法，利用人工智能技術(shù)可以自動識別、清洗、關(guān)聯(lián)和融合數(shù)據(jù)，結(jié)合數(shù)據(jù)中的潛在規(guī)律和模式，提高了數(shù)據(jù)整合的效率和準(zhǔn)確性。該方法對數(shù)據(jù)質(zhì)量的要求較高，算法模型需要不斷優(yōu)化。

因此，本文提出基于改進挖掘算法的電力中臺服務(wù)數(shù)據(jù)整合方法，通過測試驗證了設(shè)計方法的性能。

1 電力中臺服務(wù)數(shù)據(jù)整合方法設(shè)計

1.1 基于改進挖掘算法的電力中臺服務(wù)數(shù)據(jù)特征提取

電力中臺服務(wù)數(shù)據(jù)具有多樣化的屬性特征和復(fù)雜的構(gòu)成，難以保障數(shù)據(jù)整合后的完整性[6]。為了有效地提取這些數(shù)據(jù)的特征，本文提出一種基于改進挖掘算法的方法，并引入一系列計算公式來實現(xiàn)這一過程。

首先，對原始的電力中臺服務(wù)數(shù)據(jù)來說，受平臺設(shè)置的影響，其具有標(biāo)準(zhǔn)化的屬性特征。針對此，本文建立了以數(shù)據(jù)屬性為基礎(chǔ)的指示矩陣，同時，為了考慮不同屬性之間的尺度差異，設(shè)置了以數(shù)據(jù)尺度為基礎(chǔ)的約束矩陣，如公式（1）所示。

（1）

式中：Z為電力中臺服務(wù)數(shù)據(jù)的屬性指示矩陣；l為電力中臺服務(wù)數(shù)據(jù)中的有效信息數(shù)量；z為單個電力中臺服務(wù)數(shù)據(jù)的屬性構(gòu)成；m-l為電力中臺服務(wù)數(shù)據(jù)的維度；B為電力中臺服務(wù)數(shù)據(jù)的尺度約束矩陣。

其次，按照上述所示的方式，為了便于后續(xù)的數(shù)據(jù)分析，本文將屬性指示矩陣映射到單一維度的數(shù)據(jù)矩陣環(huán)境中，這一過程通過矩陣因子λ來實現(xiàn)。λ的取值基于原始數(shù)據(jù)的分布離散程度，如公式（2）所示。

λ=f（σ） （2）

式中：f為離散程度與λ之間的映射函數(shù)；σ為原始數(shù)據(jù)的標(biāo)準(zhǔn)差，用于衡量數(shù)據(jù)的離散程度。

當(dāng)σ較大時，意味數(shù)據(jù)分布較為離散，λ取較大值；反之，當(dāng)σ較小時，λ取較小值。

將屬性指示矩陣映射到單一維度的數(shù)據(jù)矩陣環(huán)境中，如公式（3）所示。

C=BF|Zλ （3）

式中：C為單一維度下電力中臺服務(wù)數(shù)據(jù)的屬性指示矩陣；F為同維度矩陣對應(yīng)電力中臺服務(wù)數(shù)據(jù)的矩陣因子。

F的具體取值以電力中臺服務(wù)數(shù)據(jù)的分布為基礎(chǔ)，即原始電力中臺服務(wù)數(shù)據(jù)分布的離散程度越高，F(xiàn)的值越大，原始電力中臺服務(wù)數(shù)據(jù)分布的離散程度越低，F(xiàn)的值越小。

此時，在單一維度環(huán)境下，本文在對數(shù)據(jù)的特征進行提取時，運用改進的挖掘算法來提取數(shù)據(jù)特征[7]。算法的核心思想是利用數(shù)據(jù)屬性在單一維度下的投影結(jié)果來揭示數(shù)據(jù)的內(nèi)在結(jié)構(gòu)。對應(yīng)的投影結(jié)果v（z）如公式（4）所示。

（4）

式中：f（C）為電力中臺服務(wù)數(shù)據(jù)的特征；v（z）為單個電力中臺服務(wù)數(shù)據(jù)屬性在單一維度下的投影結(jié)果；ρ（a）為具體電力中臺服務(wù)數(shù)據(jù)a在單一維度下的的概率密度分布情況。

當(dāng)電力中臺服務(wù)數(shù)據(jù)a的屬性為單一屬性時，其在單一維度下的概率密度分布與m-l維度下的概率密度分布一致；當(dāng)電力中臺服務(wù)數(shù)據(jù)a的屬性不唯一時，其在單一維度下的概率密度分布為m-l維度下概率密度分布的立體投影。通過這一計算，得到每個數(shù)據(jù)屬性在單一維度下的投影結(jié)果，從而可以分析數(shù)據(jù)的分布情況和內(nèi)在特征。

為了更精確地描述數(shù)據(jù)的特征，還引入概率密度分布ρ（a）。對單一屬性的數(shù)據(jù)來說，其概率密度分布與維度下的分布一致；對多屬性的數(shù)據(jù)來說，通過計算多維分布在單一維度下的立體投影來獲取概率密度分布。

此外，為了評估不同屬性之間的相關(guān)程度，引入相關(guān)系數(shù)δ的計算公式，如公式（5）所示。

（5）

式中：x和y分別為2個屬性的數(shù)據(jù)序列；μx和μy分別為它們的均值。

通過計算δ的值，可以了解不同屬性之間的相關(guān)性強弱，從而在數(shù)據(jù)整合過程中考慮這些關(guān)聯(lián)關(guān)系。

綜上所述，通過構(gòu)建屬性指示矩陣和尺度約束矩陣、實現(xiàn)數(shù)據(jù)矩陣的單一維度映射以及運用改進的挖掘算法和相關(guān)計算公式，能夠有效地提取電力中臺服務(wù)數(shù)據(jù)的特征。這些特征為后續(xù)的數(shù)據(jù)整合和處理提供了可靠的依據(jù)，有助于提升電力中臺服務(wù)的性能和質(zhì)量。

1.2 電力中臺服務(wù)數(shù)據(jù)整合

電力中臺服務(wù)數(shù)據(jù)整合是確保數(shù)據(jù)質(zhì)量和提升電力中臺服務(wù)性能的關(guān)鍵環(huán)節(jié)。在上一章節(jié)中，已經(jīng)通過改進挖掘算法成功提取了電力中臺服務(wù)數(shù)據(jù)的特征。結(jié)合1.1對電力中臺服務(wù)數(shù)據(jù)特征的提取結(jié)果，本章節(jié)將詳細闡述電力中臺服務(wù)數(shù)據(jù)的整合過程，以實際需求為導(dǎo)向，將對應(yīng)的屬性作為整合中心，開展相應(yīng)的處理，并引入一系列計算公式，以加強數(shù)據(jù)整合的準(zhǔn)確性和效率。

首先，需要確定數(shù)據(jù)整合的范圍。整合范圍的大小直接決定了整合結(jié)果的全面性和有效性?？紤]數(shù)據(jù)的多樣性和復(fù)雜性，采用特征指數(shù)函數(shù)和特征標(biāo)準(zhǔn)差函數(shù)來共同確定整合范圍[8-9]。特征指數(shù)函數(shù)能夠反映數(shù)據(jù)特征的重要性和影響程度，而特征標(biāo)準(zhǔn)差函數(shù)則能夠衡量數(shù)據(jù)特征的離散程度。通過結(jié)合這2個函數(shù)，可以得到一個既考慮數(shù)據(jù)特征重要性又考慮數(shù)據(jù)離散程度的整合范圍。其中，對于具體數(shù)據(jù)整合范圍的設(shè)置方式如公式（6）所示。

（6）

式中：β為以zi電力中臺服務(wù)數(shù)據(jù)特征為基礎(chǔ)的整合范圍；cr為電力中臺服務(wù)數(shù)據(jù)特征的指數(shù)函數(shù)；Φ為電力中臺服務(wù)數(shù)據(jù)對應(yīng)的特征標(biāo)準(zhǔn)差函數(shù)。

結(jié)合公式（4）可以看出，對zi電力中臺服務(wù)數(shù)據(jù)的屬性特征來說，其整合范圍與電力中臺服務(wù)數(shù)據(jù)縱向維度l成負相關(guān)關(guān)系。

確定了整合范圍后，進一步考慮電力中臺服務(wù)數(shù)據(jù)與整合中心特征之間的關(guān)系。整合中心特征是基于數(shù)據(jù)特征提取結(jié)果而確定的，它代表了整合的核心和目標(biāo)。為了衡量數(shù)據(jù)點與整合中心特征之間的關(guān)聯(lián)程度，引入相似度計算公式和距離計算公式。相似度計算公式用于計算數(shù)據(jù)點與整合中心特征之間的相似程度，而距離計算公式則用于衡量數(shù)據(jù)點與整合中心特征之間的距離。通過綜合考慮這2個因素，可以確定每個數(shù)據(jù)點在整合結(jié)果中的位置和權(quán)重。以此為基礎(chǔ)，根據(jù)電力中臺服務(wù)數(shù)據(jù)與整合中心特征之間的關(guān)系，最終的整合結(jié)果如公式（7）所示。

（7）

式中：G（a）為以zi電力中臺服務(wù)數(shù)據(jù)特征為基礎(chǔ)的整合結(jié)果。

結(jié)合公式（5）可以看出，對zi電力中臺服務(wù)數(shù)據(jù)的屬性特征來說，其整合結(jié)果與電力中臺服務(wù)數(shù)據(jù)橫向維度m成正相關(guān)關(guān)系。

需要特別注意的是，在實際應(yīng)用中，電力中臺服務(wù)數(shù)據(jù)可能存在特征交叉的情況，即一個數(shù)據(jù)點可能表現(xiàn)出多個屬性特征。為了處理這種情況，采用特征權(quán)重分配策略。具體來說，根據(jù)每個特征與整合中心特征之間的相似度和重要性，為每個特征分配一個權(quán)重。然后，在整合結(jié)果計算過程中，根據(jù)每個數(shù)據(jù)點的特征權(quán)重進行加權(quán)求和，以充分考慮多個特征對整合結(jié)果的影響。

通過引入這些計算公式和策略，能夠?qū)崿F(xiàn)對電力中臺服務(wù)數(shù)據(jù)的有效整合處理。數(shù)據(jù)整合的意義在于提高數(shù)據(jù)的完整性和一致性，為后續(xù)的數(shù)據(jù)分析和應(yīng)用提供可靠的基礎(chǔ)。通過整合處理，可以消除數(shù)據(jù)冗余和矛盾，提升數(shù)據(jù)的準(zhǔn)確性和可靠性。同時，整合后的數(shù)據(jù)更易于管理和利用，能夠為電力中臺服務(wù)的優(yōu)化和決策提供更有力的支持。

此外，本文采用的改進挖掘算法在數(shù)據(jù)特征提取和整合過程中具有顯著優(yōu)勢。首先，該算法能夠更準(zhǔn)確地提取數(shù)據(jù)的特征信息，避免了傳統(tǒng)方法可能存在的信息丟失和誤判問題。其次，算法通過綜合考慮多個因素來確定整合范圍和整合結(jié)果，使整合過程更科學(xué)、更客觀。最后，該算法具有較高的處理效率和可擴展性，能夠滿足大規(guī)模電力中臺服務(wù)數(shù)據(jù)的處理需求。

綜上所述，通過引入一系列計算公式和策略，結(jié)合改進挖掘算法的優(yōu)勢，能夠?qū)崿F(xiàn)電力中臺服務(wù)數(shù)據(jù)的有效整合處理。這一工作不僅提高了數(shù)據(jù)的利用價值，而且還為電力中臺服務(wù)的優(yōu)化和決策提供了有力支持。

2 測試分析

2.1 測試數(shù)據(jù)準(zhǔn)備

為了對本文設(shè)計的電力中臺服務(wù)數(shù)據(jù)整合方法的性能進行深入分析，進行了詳細的對比測試。測試數(shù)據(jù)主要基于某電力企業(yè)的實際中臺服務(wù)數(shù)據(jù)，涵蓋了多個關(guān)鍵屬性，例如交易日期、交易類型、交易量、電價、發(fā)電企業(yè)、售電企業(yè)/電力用戶、交易狀態(tài)和備注等。這些屬性數(shù)據(jù)之間存在復(fù)雜的關(guān)聯(lián)關(guān)系，需要通過整合來提高數(shù)據(jù)的管理和應(yīng)用效率。其中，具體的電力中臺服務(wù)數(shù)據(jù)構(gòu)成以及數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系見表1。

結(jié)合表1所示的信息可以看出，測試電力中臺服務(wù)數(shù)據(jù)主要包括交易日期、交易類型、交易量、電價、發(fā)電企業(yè)、售電企業(yè)/電力用戶、交易狀態(tài)和備注。這些屬性數(shù)據(jù)之間存在一定的關(guān)聯(lián)關(guān)系，在實際的應(yīng)用管理過程中，為了提高效率，需要按照具體的要求對數(shù)據(jù)進行適應(yīng)性整合。

在具體的測試階段，針對給出的第一季度電力中臺服務(wù)數(shù)據(jù)信息，以用電用戶為導(dǎo)向，開展具體的整合測試。為了全面評估本文方法的性能，從提高測試結(jié)果分析價值的角度分析，分別設(shè)置文獻[4]提出以概率-非概率樣本為基礎(chǔ)的數(shù)據(jù)整合方法以及文獻[5]提出以人工智能技術(shù)為基礎(chǔ)的數(shù)據(jù)整合方法作為測試的對照組。

試驗步驟如下。1）數(shù)據(jù)預(yù)處理。對原始電力中臺服務(wù)數(shù)據(jù)進行清洗、去重和格式化，確保數(shù)據(jù)的一致性和準(zhǔn)確性。2）特征提取。根據(jù)1.1描述的改進挖掘算法對預(yù)處理后的數(shù)據(jù)進行特征提取，得到每個數(shù)據(jù)點的特征向量。3）對照組方法實現(xiàn)。分別實現(xiàn)文獻[4]和文獻[5]中的數(shù)據(jù)整合方法，并應(yīng)用于測試數(shù)據(jù)。4）本文方法實現(xiàn)。應(yīng)用本文提出的電力中臺服務(wù)數(shù)據(jù)整合方法對測試數(shù)據(jù)進行整合處理。5）性能評估。通過對比不同方法在整合數(shù)據(jù)完整性的表現(xiàn)，以評估本文方法的性能優(yōu)勢。

2.2 測試結(jié)果與分析

當(dāng)分析3種不同方法測試結(jié)果時，本文將整合數(shù)據(jù)的完整性作為具體的評價指標(biāo)，其中，對于整合后數(shù)據(jù)完整性的評價，分別以數(shù)據(jù)的交易日期、交易電價、交易量、交易類型以及交易狀態(tài)作為指標(biāo)，通過分類各指標(biāo)尺度下整合后對應(yīng)測試電力中臺服務(wù)數(shù)據(jù)與原始數(shù)據(jù)之間的比例關(guān)系對整合效果進行分析。3種不同數(shù)據(jù)整合方法具體的測試結(jié)果如圖1所示。

結(jié)合圖1所示的測試結(jié)構(gòu)可以看出，在3種不同整合方法下，測試電力中臺服務(wù)數(shù)據(jù)完整性的控制效果表現(xiàn)出了較為明顯的差異。其中，在文獻[4]提出以概率-非概率樣本為基礎(chǔ)的數(shù)據(jù)整合方法下，各指標(biāo)數(shù)據(jù)對應(yīng)的完整性相對穩(wěn)定，但是具體的水平存在進一步提升的空間，基本穩(wěn)定在90.0%～95.0%；在文獻[5]提出以人工智能技術(shù)為基礎(chǔ)的數(shù)據(jù)整合方法下，各指標(biāo)數(shù)據(jù)對應(yīng)的完整性出現(xiàn)了較明顯的波動性，對應(yīng)的最大值達到了98.5%（交易日期），最小值僅為88.0%（交易類型），表明其對不同指標(biāo)數(shù)據(jù)的整合效果在穩(wěn)定性方面存在進一步提升的空間；在本文設(shè)計數(shù)據(jù)整合方法下，不僅對各指標(biāo)數(shù)據(jù)的完整性始終保持較高的穩(wěn)定狀態(tài)，而且對應(yīng)的完整性水平也始終處于較高狀態(tài)，在96.5%～99.5%區(qū)間內(nèi)小幅波動。結(jié)合上述的測試結(jié)果以及對應(yīng)的分析可以得出結(jié)論，本文設(shè)計的基于改進挖掘算法的電力中臺服務(wù)數(shù)據(jù)整合方法可以實現(xiàn)對數(shù)據(jù)進行有效整合的目標(biāo)。

3 結(jié)語

為了能夠最大限度地提高數(shù)據(jù)的利用效率，使數(shù)據(jù)在關(guān)決策中發(fā)揮更大價值，對數(shù)據(jù)進行整合處理是極為必要的。因此，本文提出基于改進挖掘算法的電力中臺服務(wù)數(shù)據(jù)整合方法研究，在結(jié)合電力中臺服務(wù)數(shù)據(jù)的特征對挖掘算法進行適應(yīng)性改進后，切實實現(xiàn)了對數(shù)據(jù)進行有效整合的目標(biāo)，在極大程度上保證了數(shù)據(jù)的完整性。借助本文的設(shè)計與研究，希望可以為實際的數(shù)據(jù)整合提供有價值的參考。

參考文獻

[1]郭麗，孫華.基于K-means和支持向量機SVM的電力數(shù)據(jù)通信網(wǎng)絡(luò)流量分類方法[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2024（4）：64-66.

[2]常榮，徐敏.基于改進K-Means和DNN算法的電力數(shù)據(jù)異常檢測[J].南京理工大學(xué)學(xué)報，2023，47（6）：790-796，858.

[3]張錦元.基于時間序列的電力工程基建項目前期費用整合模型設(shè)計[J].中國管理信息化，2023，26（21）：100-103.

[4]劉曉宇，金勇進，倪成.大數(shù)據(jù)背景下概率-非概率樣本的數(shù)據(jù)整合推斷——從誤差校正的視角出發(fā)[J].統(tǒng)計研究，2023，40（8）：149-160.

[5]馮國禮，李蓉，吳雙.基于人工智能技術(shù)的電力信息系統(tǒng)運維數(shù)據(jù)整合方法[J].電力信息與通信技術(shù)，2022，20（1）：68-73.

[6]胡學(xué)強.基于大數(shù)據(jù)挖掘的電力客服中臺數(shù)據(jù)智能整合方法[J].自動化技術(shù)與應(yīng)用，2023，42（3）：117-121.

[7]何立恒，呂萌，朱婷茹.DMSP-OLS與NPP-VIIRS夜間燈光遙感影像數(shù)據(jù)整合[J].測繪通報，2023（1）：31-38.

[8]邵澤興，張雨，陳鵬，等.基于FME的自然災(zāi)害風(fēng)險普查數(shù)據(jù)整合與質(zhì)檢方法研究——以房屋建筑普查為例[J].地理空間信息，2022，20（9）：14-17.

[9]徐進.能源電力企業(yè)戰(zhàn)略性重組與專業(yè)化整合的新思考[J].能源，2022（3）：35-39.