国网中文多功能电表开孔67*67谐波峰值记录

数据挖掘有别于传统的简单数据分析。数据挖掘是从大量的、不*的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中但又潜在有用的信息和知识的过程。数据挖掘基于大数据技术从多种类型的数据中快速获取知识，为决策人员提供客观的决策支持。借助数据挖掘方法分析变电站运维大数据，可以从海量运维数据中找出潜在信息，帮助运维人员更有效地评估设备状态。

       数据挖掘基本流程大致可分为6大模块，分别是业务理解、数据理解、数据准备、建立模型、模型评估和应用改进。业务理解即确定目标和明确分析需求;数据理解即数据收集和数据清洗，其中数据收集所抽取数据需要能够正确反映业务需求，否则所得到的分析结论将会无效化甚至误导化，数据清洗作用为“去噪"和“补全"，剔除原始数据中的坏数据和拟合缺失数据;数据准备即探索数据内部规律和数据转换，如归一化、标准化等;建立模型即综合考虑业务需求目标，选择全局较优的模型;模型评估即根据评价标准对所建模型的精度、效率和通用性进行客观评估，然后基于评估结果判断所建模型是否满足业务需求;应用改进即将模型应用于业务实践，切实解决业务需求，挖掘数据的较大价值，同时基于应用情况及时跟踪改进现有模型，以达到模型优化的目标。国网中文多功能电表开孔67*67谐波峰值记录

       具体运维大数据分析的关键技术包括数据清洗、数据转换、分类与回归、聚类分析、关联分析、时序模型和结构优化等。电力运维大数据的挖掘重点在于综合运用上述技术对海量的数据进行统计学分析，通过各种计算结果依次相互承接，得出相应结果。另外，分布式存储和并行化计算可以大大提高数据挖掘的效率，使分析系统性能达到质的提升。分布式存储适用于大数据处理和批处理，如HDFS分布式存储系统;并行化计算是现有处理大数据的有效算法，如基于MapＲeduce的机器学习和知识挖掘。国网中文多功能电表开孔67*67谐波峰值记录