摘要:為充分緩解電量負荷壓力，本文設計了基于數據挖掘的用戶行為特征提取系統。按照電力信息提取框架的處置需求，連接用戶行為管理模塊與電力數據挖掘驅動單元，完成用戶行為特征提取系統的硬件環境搭建。采用關聯電力用戶行為特征樹，存儲各類待挖掘的電力數據，完成系統的軟件環境搭建，結合相關硬件設備結構，完成基于數據挖掘的用戶行為特征提取系統設計。實驗結果表明，與基于k-means的提取系統相比，應用新型特征提取系統后，電力用戶的總負荷水平明顯下降，電子轉存頻率也由47%提升至98%，用戶端主體的電量負荷壓力得到良好的平均與協調。

　　關鍵詞:數據挖掘;特征提取;行為特征樹;數據存儲

　　1引言

　　數據挖掘本質上是通過搜索功能來獲取信息參量的動態過程。數據挖掘根據搜索行為不同可分為無指導數據挖掘和有指導數據挖掘。無指導數據挖掘的搜索需要通過既定屬性條件，來尋找某項特定的信息參量，從而對其進行估值和預測。有指導與無指導數據挖掘的不同之處在于，有指導數據挖掘先根據信息要求建立固定的選取模型，然后利用特定條件對信息進行篩選，判斷其信息處理能力。如果排除人為的特殊干擾，那么我們可以根據信息間的關聯規則不同和聚類效果的差別，來區分有指導與無指導數據挖掘的行為[1-2]。

　　隨著聯合電力供應技術的不斷發展，用戶端的電量負荷壓力不斷增加，并且該問題逐漸成為技術發展道路上需要解決的首要問題。為解決該問題，文獻[3]提出利用現有K-means聚類法來提取用戶行為，并且根據電力用戶細分的相關標準，計算相鄰兩節點間的電力傳輸量，并結合與之有關的用戶層設備，從而建立不同的用戶行為據庫，完成用戶行為特征提取系統構建。

　　文獻[4]提出基于離散馬爾科夫鏈的用戶行為特征提取方法，將離散馬爾科夫鏈應用于用戶行為特征數據庫系統特征檢測中，采用SQL語句作為用戶行為特征分析依據，設定用戶 行為特征閾值，完成用戶行為特征提取。上述方法雖然能夠完成用戶行為特征提取，但是存在提取效率低、負荷波動性較強的問題，基于此，通過數據挖掘理論方法，并借助挖掘驅動單元和建立行為特征樹的研究結構，設計一種能提高現有標準的全新的提取用戶行為特征的系統，并借助大量實驗進行對比的，使該系統在生產生活中具有實際應用的價值。

　　2用戶行為特征提取系統硬件執行環境設計

　　用戶行為特征提取系統硬件執行環境由提取電力信息為主要的框架，管理用戶行為模塊和挖掘驅動單元為重要組成部分，其具體搭建方法如下。

　　2.1電力信息提取框架

　　提取電力信息框架把不同用戶的行為特征作為該提取系統的運行的理論基礎，然后通過利用電力作為媒介，先連接電網和用戶服務器，再把行為管理服務器和驅動服務器連接，最終連接電力用戶，從而構建起電力信息提取框架。

　　2.2用戶行為管理模塊

　　用戶行為管理模塊作為電力信息提取框架的重要組成元件，其包含了三個組成部分依次是首層的系統管理層，第二層的用戶通信層和第三層用戶行為特征的采集層。管理層通常由供應電源和挖掘主機以及用戶服務器組成。在外部電網保持慣性電量輸出的情況下，供應電源是根據挖掘主機的要求進行排列，然后向用戶服務器發送需要提取用戶的特征行為的指令[5]。

　　用戶通信層有多個不同的行為管理機相互連接構成，直接連接到用戶服務器上，其主要功能是記錄各電力用戶主體在進行電力信息交換過程的行為。行為特征采集層主要有電力行為儀表和TPI管理主機及用戶執行設備組成。TPI管理主機作為管理用戶行為模塊的核心組成部分，可以不借助其他管理機直接向電力行為儀表發送指令，從而提取用戶特征行為，并可以把未處理完的電子信息發送給下級執行設備，為接下來的數據挖掘工作的開展奠定基礎[6-7]。

　　2.3電力數據挖掘驅動單元

　　搭建元件需要考慮能否在電力供應環境下滿足向用戶端傳輸電量的需求，因此選擇BCM2046芯片作為主要的搭建元件，同時對用戶的行為特征進行記錄并分析變化趨勢。為了提高元件性能，將選擇39VF200A芯片輔助BCM2046芯片進行特征提取。將兩個芯片與TPI管理主機進行連接，不僅可以承擔電力信息提取框架中繁重的數據傳輸任務，還可以根據既定的電力用戶行為特征不同，建立特征樹存儲結構[8]。電力數據挖掘驅動單元中的傳輸電壓負載較大，為此可以利用挖掘電阻幫助其承擔部分傳輸電壓，同時驅動電阻可以連接驅動元件，把多余電量數據發送到其它應用模塊。

　　3用戶行為特征提取系統軟件執行環境設計

　　進行系統軟件執行環境的設計，主要考慮三方面，其一是數據的存儲，其二是特征樹，其三是提取、整理數據的過程，完成三方面的設計后，聯合硬件設施完成提取系統的構建。

　　3.1電力用戶行為特征樹構建

　　構建的特征樹結構具有體積較小的優點，并且可以將主體分為多個層次，既滿足數量級水平，又可以使用挖掘處置權限，從而數據庫能夠順利接收特征數據，保障完成后續命令。特征樹結構。

　　3.2待挖掘數據存儲

　　待挖掘數據存儲是特征系統的重要組成部分，通過節點的承載力，設定挖掘標準。處理層中的挖掘節點可以直接在電力供應環境中提取滿足特征的信息參量，而且數據存儲層可以整合信息參量形成既定形式。特征收集層可以接收存儲層的命令，同時將雜亂的節點進行有序的排列，進而形成穩定的結構。

　　3.3提取數據信息處理

　　提取數據信息處理是軟件執行環境構建的最后一步，此部分可以提取待存儲的數據，而提取的標準依據執行需求制定。在整個特征提取的過程中，特征樹具有大量的數據是必要條件，然后，通過結合存儲的結構獲得驅動單元中的數據，完成提取步驟。在提取的時候，提取架構納入全部待挖掘的信息，通過整理、合并形成適合該提取步驟的新結構，并且具有更強的執行力。當提取數據信息處理步驟設計完成后，整合所有的軟硬件，即可完成特征提取的搭建。

　　4系統性能驗證

　　為對比本文系統和傳統系統的性能和有效性，進行對比實驗，設置實驗組和對照組，分別在應用設備上安裝本文系統和k-means處理系統，所選設備為運行正常的某電力執行設備，在運行的時候，記錄兩實驗組的具體變化參數。

　　4.1實驗環境搭建

　　為了提高實驗精度、降低實驗誤差，需要進行實驗環境的搭建。此次實驗環境中主要包括的設備為電力執行設備。在上述電力執行設備支持下，將實驗組與對照組進行對比驗證，并分別記錄兩個組別的實驗數據。

　　4.2電力用戶負荷水平

　　設定整體實驗時間為50min，在此期間內記錄實驗組與對照組的電力用戶負荷水平變化結果。前20min實驗時間內，實驗組、對照組電子轉存頻率基本保持相同的變化趨勢;第30-40min實驗時間內，兩組電子轉存頻率先后達到最大值98%和47%，實驗組數值遠高于對照組。綜上可知，基于數據挖掘的用戶行為特征提取系統，確實能夠適當提升傳輸電子的基本轉存頻率。

　　5結束語

　　在數據挖掘原理的支持下，用戶行為特征提取系統聯合管理模塊、電力驅動單元等硬件設備，在構建用戶行為特征樹的同時，處理滿足提取需求的數據信息。從實用性角度來看，電子轉存頻率提升帶動電力用戶負荷水平的快速下降，有效緩解電力供應環境下用戶端主體的電荷負載壓力。

　　參考文獻:

　　[1]黃海南,徐錦強,連培昆,等.基于自動檢票系統數據挖掘的地鐵剛性出行起訖點識別方法[J].科學技術與工程,2019,17(12):360-367.

　　[2]王佳輝,錢虹,陳琪琪,等.基于熱力學機理與生產數據挖掘相結合的受熱面積灰程度的研究[J].熱科學與技術,2018,17(5):418-424.

　　[3]丁宣宣,郭淵博,雷琦.基于信息熵和改進K-means聚類的混合異常檢測特征選擇方法[J].信息工程大學學報,2019,20(3):291-296.

　　[4]畢猛,王安迪,徐劍,等.基于離散馬爾科夫鏈的數據庫用戶異常行為檢測[J].沈陽工業大學學報,2018,40(1):70-76.

　　[5]熊偉,徐永力,崔亞奇,等.高分辨率合成孔徑雷達圖像艦船目標幾何特征提取方法[J].光子學報,2018,47(1):49-58.

　　[6]劉楊圣彥,潘翔,劉復昌,等.面向三維模型視圖特征提取的殘差卷積網絡優化[J].計算機輔助設計與圖形學學報,2019,18(6):936-942.

　　作者：陳景琪,丁凌