摘要：文章介紹了該數據倉庫的設計模型、結構以及實施原則，并對其應用前景做了展望。

   關鍵詞：電力  高度  技術  分析

    0 引言

    隨著電網規模的不斷擴大和電力市場競爭機制的引入，ems和dms各自積累了海量的數據，如何更好地利用和管理這些日益龐大的同構和異構數據庫，并挖掘出數據之間的潛在聯系，幫助企業更好地分析和決策，已成為地區供電企業日益緊迫的需求。數據倉庫技術可以把企業內、外部數據進行有效的集成，主要應用于分析型處理，基于此，本文提出了建立地區電力調度數據倉庫的思想和應用模型。

    1 數據倉庫技術

    1.1 數據倉庫技術概要 數據倉庫以改進后的數據庫技術作為存儲數據和管理資源的基本手段，以統計分析技術作為分析數據和提取信息的有效方法，通過人工智能、神經網絡、知識推理等數據挖掘方法來發現數據背后隱藏的規律，實現從“數據——信息——知識的過程，從而為企業管理階層提供各種層次的支持”。

    1.2 數據倉庫在電力調度的應用特點 ①面向主題：調度部門的ems和dms是以優化事務處理的方式來構造數據結構的，對于某個主題的數據常常分布在不同的數據庫中，這意味著訪問某個主題的數據實際上需要訪問分布在不同數據庫中的數據集合。②數據集成。③數據的穩定性。④隨時間變化。

    2 地區調度數據倉庫模型
    建立地區調度數據倉庫的基本思想就是在現有ems和dms基礎上，把ems和dms中的海量數據進行抽取和轉化后存人數據倉庫，并針對不同的主題在數據倉庫中建立數據集市，然后利用oltp和數據挖掘軟件對不同主題的數據進行分析處理，從而幫助調度人員做出決策。

    2.1 源數據層 源數據層主要是指地區電力調度現在所擁有的數據庫系統，即ems和dms。另外，由于電力調度在分析和決策時需要用外部數據，如氣象資料，省域網的部分資料數據等，因此，需要使用的外部數據也包括在源數據層內。

    2.2 數據提取、轉換／裝載層 地區電力調度系統數據庫中的數據量非常巨大，并不是所有數據都是分析決策所必須的，因此，只需用專用軟件提取分析決策所必須的ems、dms數據和外部數據。另外針對原數據庫系統中數據不一致的情況，必須對不一致的數據進行清洗和轉換，使載人數據倉庫中的數據和數據格式能夠保持一致，供分析決策使用。

    2.3 數據倉庫層

    2.3.1 數據倉庫存儲 數據倉庫中存儲了數據和元數據，其中數據的存儲方式主要有虛擬存儲方式、關系表存儲方式和多維結構存儲方式。由于虛擬存儲方式效率差，而關系數據庫的使用比較普遍，故采用關系表存儲方式。使用oracle作為數據倉庫設施，將數據存儲在oracle的表結構中，并按星型結構來組織這些關系表。現具體介紹數據倉庫中的數據、元數據、數據的組織結構和對數據的處理。

    數據。地區電力調度數據倉庫中的數據指的是從ems、dms或外部數據庫中提取，并經過清洗和轉化的數據。由于數據倉庫主要用于olap分析和數據挖掘，因此需在原始數據的基礎上增加冗余信息，進行預運算，建立多維數據庫，以迅速轉換數據。

    元數據。元數據是描述數據的數據，它描述了數據倉庫中的數據和環境，遍及數據倉庫的所有方面。它包括兩種，一種是操作型環境向數據倉庫環境轉換而建立的元數據，包括所有源數據項的名稱、屬性及其在提取倉庫中的變化；第二種元數據是數據倉庫中用來與最終用戶的多維商業模型和前端工具之間建立映射的，這種數據稱為決策支持系統(dds)元數據。在數據倉庫中建立專用的元數據庫來存放和管理元數據。

    電網數據組織結構。由于ems和dms中數據量非常龐大，因此有必要對數據進行綜合。在數據倉庫中，數據被分成4種級別，分別是高度綜合級、輕度綜合級、當前細節級和早期細節級。數據總是首先進入當前細節級，然后根據應用的需求，通過預運算將數據聚合成輕度綜合級和高度綜合級。若系統中的一些細節數據隨著時間的推移已經老化，很少會被使用，可以將這些數據導出備份到設備上。

    數據的處理。數據倉庫中一般存放5至10年的數據，若將全部數據放在一張表內，由于數據量太大，會降低數據訪問效率，因此必須對數據表進行合理的分割。可按時間對表進行分割，在表中增加時間字段，去除與分析主題無關的純操作型數據。

    在數據倉庫中，有些數據更新的較為頻繁，如實時數據，而有些數據更新的時間較長，如設備信息等。因此，有必要按數據更新的頻率對表進行劃分，將不同變化頻度的字段放在不同的表中，各表之間使用相同的“標識號”進行關聯，以節省存儲空間。

    2.3.2 數據集市 由于數據倉庫中的數據量很大，若每次訪問都要在海量數據中進行數據檢索，會降低數據處理效率，故此可建立數據集市。數據集市是面向某一特定主題的、從數據倉庫中邏輯上或物理上劃分出來的數據子集。使用數據集市的主要目的是減少數據處理量。它具有面向部門、有特定的應用、規模小和實現速度快的優點。在地區電力調度中可建立的數據集市有：

    負荷預測。負荷預測是地區電力調度工作的重要環節，可分為系統負荷預測和母線負荷預測兩類；而系統負荷預測按周期又分為超短期負荷預測、短期負荷預測、中期負荷預測和長期負荷預測。

系統安全穩定性評估。電力系統有五種運行狀態，分別為正常運行狀態、告警狀態、緊急狀態、危急狀態和恢復狀態。可利用挖掘技術挖掘海量的電力系統運行數據，獲悉電力系統在何種條件下處于正常運行狀態、告警狀態、緊急狀態、危急狀態和恢復狀態，并對系統的安全穩定性做出評估，從而輔助調度人員做出決策。

    電力系統故障分析。地區電力調度部門已經積累了大量的故障數據。系統故障的發生既有偶然的一面，又有規律性可遵循。運用數據挖掘技術對電網故障數據進行挖掘分析，獲得發生故障與氣候變化和負荷變化之間的聯系，從而輔助調度人員進行決策，合理安排檢修計劃，保證電網安全可靠運行。

    電力系統規劃設計。電網規劃是地區供電企業規劃活動的基本環節，在規劃過程中，需要處理大量的信息，可利用聚類、分類、關聯、總結等挖掘工具挖掘模型和數據間的關系，為輔助決策系統增加約束條件，從而更合理地規劃電網。

    電力用戶特征分析。隨著電力市場的發展和競爭的加劇，地區供電企業需要制定出有競爭力的實時電價，因此，必須對電力用戶進行準確分析。電力系統的用戶具有多樣性和隨機性，可利用olap多維分析的特性，對用戶的行為模式及負荷要求進行分門別類，在保證系統安全和穩定性的前提下，對不同類別的用戶，采用不同的營銷策略，制定出合理的電價收費表，以提高市場競爭力。

    2.4 邏輯應用層 邏輯應用層主要包括olap、數據挖掘和界面子系統。現具體分析
    2.4.1 olap子系統 在ems和dms中，調度人員通過聯機事務處理(oltp)和sql可對數據庫進行簡單查詢。隨著時間的推移，電網規模不斷擴大，ems和dms中的數據量也急劇增加，調度人員需要從多個維度來觀察調度系統的運營情況，從而輔助決策。

    2.4.2 數據挖掘子系統 隨著計算機技術在電力系統的廣泛應用，地區電力調度部門已經積累了大量的運行數據和非運行數據，這些數據記錄了地區供電企業多年的運行狀況，電力調度人員急需對這些歷史數據進行深入分析，以獲得有價值的信息，輔助調度員進行決策，提高電網運行的可靠性。

    2.4.3 用戶界面子系統 用戶界面子系統主要是把olap和數據挖掘的分析結果通過友好的界面展現給最終用戶，從而輔助用戶進行決策。

    3 小結

    由于數據倉庫具有主要面向分析型應用，輔助企業進行分析決策的強大優勢，數據倉庫技術正在逐步應用于地區電力調度部門。在原有數據庫基礎上，建立地區電力調度數據倉庫，利用olap和數據挖掘工具對數據進行深入的分析和挖掘，找出數據之間的潛在聯系，從而在負荷預測、系統安全評估、電力系統故障分析、電網規劃和電力用戶特征分析等方面輔助調度人員進行決策，減輕調度人員的負擔。然而數據倉庫畢竟是一門新興技術，其在地區電力部門的應用還處于初期階段，很多功能還在探討之中。隨著數據倉庫技術的進一步完善，數據倉庫技術在地區電力調度系統中的應用也將進一步完善和發展。