導(dǎo)語(yǔ)：數(shù)據(jù)挖掘在電力營(yíng)銷(xiāo)中運(yùn)用現(xiàn)況一文來(lái)源于網(wǎng)友上傳，不代表本站觀(guān)點(diǎn)，若需要原創(chuàng)文章可咨詢(xún)客服老師，歡迎參考。

如何從海量的電力營(yíng)銷(xiāo)數(shù)據(jù)中提取出有價(jià)值的信息,進(jìn)而快速地為決策者提供盡可能準(zhǔn)確、翔實(shí)的等量化指標(biāo)和決策數(shù)據(jù),提高經(jīng)營(yíng)管理水平,指導(dǎo)電網(wǎng)的經(jīng)濟(jì)運(yùn)行工作,是目前信息技術(shù)在電力營(yíng)銷(xiāo)系統(tǒng)應(yīng)用中面臨的主要問(wèn)題。數(shù)據(jù)挖掘(DataMining,DM)技術(shù)的出現(xiàn),無(wú)疑將在電力營(yíng)銷(xiāo)領(lǐng)域引起一場(chǎng)革命性的變革。本文從電力營(yíng)銷(xiāo)系統(tǒng)的重要性入手,介紹數(shù)據(jù)挖掘的技術(shù)特點(diǎn)及其在電力營(yíng)銷(xiāo)系統(tǒng)的應(yīng)用現(xiàn)狀,從而為電網(wǎng)的經(jīng)濟(jì)運(yùn)行提供決策依據(jù)。

1電力營(yíng)銷(xiāo)系統(tǒng)

電力營(yíng)銷(xiāo)系統(tǒng)以業(yè)擴(kuò)報(bào)裝、電能計(jì)量、用電管理、營(yíng)業(yè)計(jì)費(fèi)和線(xiàn)損管理等關(guān)鍵業(yè)務(wù)為核心,在各業(yè)務(wù)模塊之上提供服務(wù)模塊和分析模塊。服務(wù)模塊包括電話(huà)服務(wù)、因特網(wǎng)服務(wù)和客戶(hù)中心服務(wù)等,側(cè)重于為電力用戶(hù)提供各種快捷優(yōu)質(zhì)的服務(wù);而分析模塊則包括綜合業(yè)務(wù)查詢(xún)、基于歷史數(shù)據(jù)的統(tǒng)計(jì)、效益分析和決策支持,側(cè)重于為企業(yè)領(lǐng)導(dǎo)提供及時(shí)準(zhǔn)確的決策依據(jù)[1]。因此,一切為電力系統(tǒng)正常運(yùn)行提供決策的原始數(shù)據(jù)都可歸結(jié)為營(yíng)銷(xiāo)數(shù)據(jù)范疇,比如生產(chǎn)系統(tǒng)規(guī)劃設(shè)計(jì)、負(fù)荷預(yù)測(cè)及用戶(hù)特征提取、經(jīng)濟(jì)調(diào)度、電力系統(tǒng)故障診斷、動(dòng)態(tài)安全評(píng)估、異常數(shù)據(jù)的挖掘及相應(yīng)處理等。

1.1營(yíng)銷(xiāo)系統(tǒng)數(shù)據(jù)來(lái)源

營(yíng)銷(xiāo)系統(tǒng)的海量數(shù)據(jù)由管理信息系統(tǒng)、地理信息系統(tǒng)、SCADA系統(tǒng)以及電網(wǎng)運(yùn)行的實(shí)時(shí)信息系統(tǒng)(負(fù)荷管理系統(tǒng)、電能量計(jì)費(fèi)系統(tǒng)、配變檢測(cè)系統(tǒng)、計(jì)量檢定)的運(yùn)行數(shù)據(jù)所組成。隨著電力企業(yè)信息化建設(shè)的快速發(fā)展,各系統(tǒng)已產(chǎn)生并積累了較為龐大的歷史數(shù)據(jù)。

1.2營(yíng)銷(xiāo)系統(tǒng)的數(shù)據(jù)特點(diǎn)

(1)數(shù)據(jù)多。在電力營(yíng)銷(xiāo)系統(tǒng)中,數(shù)據(jù)主要分為由各種裝置實(shí)時(shí)采集的現(xiàn)場(chǎng)數(shù)據(jù)和由調(diào)度中心多種系統(tǒng)在運(yùn)行過(guò)程中產(chǎn)生的大量數(shù)據(jù),數(shù)據(jù)來(lái)源多。另外,電力系統(tǒng)屬于大規(guī)模奇異非線(xiàn)性動(dòng)態(tài)大系統(tǒng),在對(duì)其進(jìn)行特征描述時(shí)往往涉及到上千個(gè)狀態(tài)變量。傳統(tǒng)的處理方法是對(duì)系統(tǒng)進(jìn)行降維或簡(jiǎn)約化處理,這在一定程度上影響了最終結(jié)果的精度[2]。

(2)數(shù)據(jù)種類(lèi)混雜。營(yíng)銷(xiāo)系統(tǒng)是一個(gè)標(biāo)準(zhǔn)的混雜系統(tǒng),其上層(如調(diào)度中心)給出的(調(diào)度)決策主要是邏輯性的操作指令,而下層控制(如發(fā)電機(jī)的勵(lì)磁與調(diào)速控制)主要是連續(xù)性的,為了達(dá)到系統(tǒng)多目標(biāo)優(yōu)化控制的目的,應(yīng)將不同性質(zhì)的上層和下層控制有機(jī)地對(duì)合起來(lái)。

(3)數(shù)據(jù)質(zhì)量差。在營(yíng)銷(xiāo)系統(tǒng)中,采集到的數(shù)據(jù)往往存在含有噪聲、缺失、不正確等情況。

(4)對(duì)數(shù)據(jù)的要求高。當(dāng)系統(tǒng)處于緊急狀態(tài)甚至瓦解狀態(tài)時(shí),必須制定實(shí)時(shí)在線(xiàn)快速?zèng)Q策,使系統(tǒng)重新回到正常狀態(tài)。

2數(shù)據(jù)挖掘技術(shù)

數(shù)據(jù)挖掘又被稱(chēng)為數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)(KDD),是數(shù)據(jù)庫(kù)發(fā)展與人工智能技術(shù)相結(jié)合的產(chǎn)物,是一門(mén)新興學(xué)科。它集統(tǒng)計(jì)學(xué)、模式識(shí)別、人工智能、機(jī)器學(xué)習(xí)、數(shù)據(jù)庫(kù)以及高性能并行計(jì)算等技術(shù)于一體,把人們對(duì)數(shù)據(jù)的應(yīng)用從低層次的簡(jiǎn)單查詢(xún)提升到從數(shù)據(jù)中挖掘知識(shí),為管理者提供決策支持,具有極為廣泛的應(yīng)用前景,是當(dāng)前國(guó)際上數(shù)據(jù)庫(kù)和信息決策領(lǐng)域的最前沿研究方向之一。

2.1數(shù)據(jù)挖掘的基本概念

數(shù)據(jù)挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中提取隱含在其中的、人們事先不知道的但又是潛在有用的信息和知識(shí)的過(guò)程[3]。利用數(shù)據(jù)挖掘技術(shù)可以對(duì)電力營(yíng)銷(xiāo)系統(tǒng)產(chǎn)生的海量數(shù)據(jù)進(jìn)行分類(lèi)抽取與優(yōu)化整合,合理存儲(chǔ)后實(shí)時(shí)計(jì)算出相關(guān)指標(biāo)以提取所關(guān)心的營(yíng)銷(xiāo)信息,其結(jié)果將對(duì)營(yíng)銷(xiāo)系統(tǒng)的決策起到數(shù)據(jù)支持作用,更好地指導(dǎo)企業(yè)的管理層和決策層對(duì)變化的環(huán)境做出快速而科學(xué)的市場(chǎng)營(yíng)銷(xiāo)決策。

2.2數(shù)據(jù)挖掘的主要技術(shù)[4]

(1)關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘中最活躍的研究方法之一,最早是由AGREWAL等人針對(duì)購(gòu)物籃分析提出來(lái)的,采用經(jīng)典的Apriori算法,從大量的數(shù)據(jù)中挖掘出描述數(shù)據(jù)項(xiàng)之間相互聯(lián)系的有價(jià)值知識(shí)。隨著收集和存儲(chǔ)在數(shù)據(jù)庫(kù)中的數(shù)據(jù)規(guī)模越來(lái)越大,人們對(duì)從這些數(shù)據(jù)中挖掘相應(yīng)的關(guān)聯(lián)知識(shí)越來(lái)越有興趣。關(guān)聯(lián)規(guī)則在數(shù)據(jù)挖掘領(lǐng)域應(yīng)用廣泛,適于在大型數(shù)據(jù)中集中發(fā)現(xiàn)數(shù)據(jù)之間有意義的關(guān)系,進(jìn)而對(duì)這些關(guān)聯(lián)規(guī)則進(jìn)行有效評(píng)價(jià),篩選出用戶(hù)真正感興趣的、有意義的關(guān)聯(lián)規(guī)則。

(2)分類(lèi)。分類(lèi)在數(shù)據(jù)挖掘中是一項(xiàng)非常重要的任務(wù),其目的是學(xué)會(huì)一個(gè)分類(lèi)函數(shù)或分類(lèi)模型(分類(lèi)器),該模型能將數(shù)據(jù)庫(kù)中的數(shù)據(jù)項(xiàng)映射到給定類(lèi)別中的某一個(gè)類(lèi)別。分類(lèi)可用于預(yù)測(cè),預(yù)測(cè)的目的是利用歷史數(shù)據(jù)記錄自動(dòng)推導(dǎo)出對(duì)給定數(shù)據(jù)的推廣描述,從而對(duì)未來(lái)數(shù)據(jù)進(jìn)行預(yù)測(cè)。

(3)時(shí)間序列挖掘和序列挖掘。時(shí)間序列挖掘是數(shù)據(jù)挖掘中的一個(gè)重要研究分支,有著廣泛的應(yīng)用價(jià)值。它是指從大量的時(shí)間序列數(shù)據(jù)中提取人們事先不知道的,但又潛在有用的、與時(shí)間屬性相關(guān)的信息和知識(shí),并用于短期、中期或長(zhǎng)期預(yù)測(cè),指導(dǎo)人們的社會(huì)、經(jīng)濟(jì)、軍事和生活等行為。序列挖掘又稱(chēng)序列模式挖掘,是指從序列中發(fā)現(xiàn)相對(duì)時(shí)間或者其它順序所出現(xiàn)的高頻率子序列。作為一般性的方法和技術(shù),序列挖掘最早由AGRAWAL等人提出,已經(jīng)成為數(shù)據(jù)挖掘新的研究分支而被廣泛討論。

(4)聚類(lèi)。聚類(lèi)就是將數(shù)據(jù)對(duì)象分組成多個(gè)類(lèi)或簇,劃分的原則是在同一個(gè)簇中的對(duì)象之間具有較高的相似度,而不同簇中的對(duì)象差別較大。與分類(lèi)不同的是,聚類(lèi)操作中要?jiǎng)澐值念?lèi)是事先未知的,類(lèi)的形成完全是數(shù)據(jù)驅(qū)動(dòng)的,屬于一種無(wú)指導(dǎo)的學(xué)習(xí)方法。

(5)Web挖掘。Web挖掘可簡(jiǎn)單地定義為針對(duì)包括Web頁(yè)面內(nèi)容、頁(yè)面之間的結(jié)構(gòu)、用戶(hù)訪(fǎng)問(wèn)信息、電子商務(wù)信息等在內(nèi)的各種Web數(shù)據(jù),應(yīng)用數(shù)據(jù)挖掘方法以幫助人們從WWW中提取知識(shí),為訪(fǎng)問(wèn)者、站點(diǎn)經(jīng)營(yíng)者以及包括電子商務(wù)在內(nèi)的基于因特網(wǎng)的商務(wù)活動(dòng)提供決策支持。

(6)空間挖掘?？臻g挖掘是近年來(lái)才發(fā)展起來(lái)的具有廣泛應(yīng)用前景的數(shù)據(jù)挖掘技術(shù),實(shí)質(zhì)上是數(shù)據(jù)挖掘在空間數(shù)據(jù)庫(kù)或空間數(shù)據(jù)上的應(yīng)用。簡(jiǎn)言之,空間挖掘就是從空間數(shù)據(jù)庫(kù)中抽取隱含的知識(shí)、空間關(guān)系或非顯示地存儲(chǔ)在空間數(shù)據(jù)庫(kù)中的其它模式,用于理解空間數(shù)據(jù)、發(fā)現(xiàn)數(shù)據(jù)間(空間或非空間)的關(guān)系。

3數(shù)據(jù)挖掘技術(shù)在電力營(yíng)銷(xiāo)系統(tǒng)中的應(yīng)用

3.1關(guān)聯(lián)規(guī)則在電力營(yíng)銷(xiāo)系統(tǒng)中的應(yīng)用

關(guān)聯(lián)規(guī)則是目前電力營(yíng)銷(xiāo)數(shù)據(jù)挖掘研究的主要技術(shù)之一,它幫助決策者分析歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)的特征和規(guī)律,從而預(yù)測(cè)未來(lái)。侯雪波等[5]將關(guān)聯(lián)規(guī)則引入電力市場(chǎng)的營(yíng)銷(xiāo)分析中,利用FP-Growth算法對(duì)經(jīng)過(guò)離散化處理的電力營(yíng)銷(xiāo)數(shù)據(jù)進(jìn)行關(guān)聯(lián)規(guī)則分析,描述出各種影響電量銷(xiāo)售的外部因素與售電量水平之間的關(guān)聯(lián)特征,為電力市場(chǎng)營(yíng)銷(xiāo)提供輔助的決策信息。參考文獻(xiàn)[6]提出關(guān)聯(lián)規(guī)則可指導(dǎo)電力市場(chǎng)營(yíng)銷(xiāo)策略、項(xiàng)目和投資組合管理,進(jìn)而進(jìn)行需求預(yù)測(cè)、銷(xiāo)售及收入預(yù)測(cè)、理賠分析等。在采用關(guān)聯(lián)規(guī)則與其它方法相結(jié)合的方向上,很多學(xué)者相繼做了深入研究。張珂等[7]提出了基于云模型和關(guān)聯(lián)分析法的電力營(yíng)銷(xiāo)目標(biāo)市場(chǎng)模糊評(píng)價(jià)方法,為確定電力營(yíng)銷(xiāo)目標(biāo)市場(chǎng)提供了一種簡(jiǎn)單可行的方法。沈海湄等[8]提出了一種采用模糊關(guān)聯(lián)規(guī)則挖掘的電力負(fù)荷預(yù)測(cè)新方法,為電力負(fù)荷的非定性、定量分析提供了一種顯性、易于理解的方式。牛東曉等[9]也在電力負(fù)荷預(yù)測(cè)的研究上做出了努力,使總體預(yù)測(cè)精度得到提高。肖俊等[10]采用FP-Growth算法挖掘負(fù)荷數(shù)據(jù),并結(jié)合電力行業(yè)數(shù)據(jù)的特殊性,分析各相關(guān)因素對(duì)電力負(fù)荷的影響,成功地將關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘方法應(yīng)用于城市負(fù)荷分析中。

3.2分類(lèi)在電力營(yíng)銷(xiāo)系統(tǒng)中的應(yīng)用

在中長(zhǎng)期預(yù)測(cè)中,除傳統(tǒng)的序列預(yù)測(cè)方法外,模糊理論[11]、專(zhuān)家系統(tǒng)[12]等方法均被應(yīng)用。姚李孝等[13]提出的基于競(jìng)爭(zhēng)分類(lèi)的神經(jīng)網(wǎng)絡(luò)方法取得了較滿(mǎn)意的預(yù)測(cè)精度。馮麗等[14]提出的模式分類(lèi)法可提高電力負(fù)荷預(yù)測(cè)的精確度。參考文獻(xiàn)[15]提出了一種將決策樹(shù)技術(shù)同外推算法相結(jié)合的短期負(fù)荷預(yù)測(cè)算法,并運(yùn)用于福建省日調(diào)度計(jì)劃的編制中,預(yù)測(cè)精度較高。管勝利[16]利用分類(lèi)樹(shù)形成子數(shù)據(jù)庫(kù)的方法,在進(jìn)行SCADA系統(tǒng)不良數(shù)據(jù)狀態(tài)估計(jì)時(shí),降低了SCADA數(shù)據(jù)庫(kù)的規(guī)模,有效提高了計(jì)算速度。除上述應(yīng)用方向外,神經(jīng)網(wǎng)絡(luò)和模糊邏輯控制相結(jié)合的技術(shù)還在客戶(hù)關(guān)系管理(CRM)方面得到應(yīng)用,參考文獻(xiàn)[17]對(duì)此進(jìn)行了探討。參考文獻(xiàn)[18]利用回歸算法、神經(jīng)網(wǎng)絡(luò)以及歸納算法等多種算法得出對(duì)于各機(jī)組的開(kāi)停機(jī)計(jì)劃表。

3.3時(shí)間序列挖掘和序列挖掘在電力營(yíng)銷(xiāo)系統(tǒng)中的應(yīng)用

時(shí)間序列挖掘被認(rèn)為是最經(jīng)典、最系統(tǒng)、被廣泛采用的一類(lèi)短期負(fù)荷預(yù)測(cè)方法。而在短期負(fù)荷預(yù)測(cè)中,應(yīng)用最廣泛、研究最多的是神經(jīng)網(wǎng)絡(luò)。在實(shí)際應(yīng)用中,常常將時(shí)間序列挖掘和神經(jīng)網(wǎng)絡(luò)結(jié)合來(lái)分析電力營(yíng)銷(xiāo)數(shù)據(jù)。參考文獻(xiàn)[19]對(duì)此做出了很好的總結(jié)。小波神經(jīng)元網(wǎng)絡(luò)具有比BP神經(jīng)網(wǎng)絡(luò)更快的收斂速度,其改進(jìn)隸屬度聚類(lèi)方法的應(yīng)用可改善負(fù)荷大波動(dòng)日的預(yù)測(cè)精度[20]。范習(xí)輝等[21]提出了一種基于時(shí)間窗的序列挖掘算法,并將其應(yīng)用于警報(bào)信息的智能處理,從而更加有效地指導(dǎo)電力系統(tǒng)的故障定位與診斷。參考文獻(xiàn)[22]提出了一種基于錯(cuò)誤模型分析和快速診斷推理的新型數(shù)據(jù)挖掘算法,該算法可大大提高系統(tǒng)狀態(tài)分析和挖掘的能力,從而有效判定電力系統(tǒng)運(yùn)行狀態(tài),提高對(duì)錯(cuò)誤模型分析的精確度。

3.4聚類(lèi)在電力營(yíng)銷(xiāo)系統(tǒng)中的應(yīng)用

聚類(lèi)集中應(yīng)用在電力用戶(hù)分類(lèi)與信用評(píng)價(jià)、不良數(shù)據(jù)的修正、負(fù)荷預(yù)測(cè)及分類(lèi)、變壓器故障診斷等方面。馮璐等[23]根據(jù)供電企業(yè)客戶(hù)各方面不同的屬性,采用聚類(lèi)分析法將各客戶(hù)聚類(lèi)為不同的組別,決策分析者可根據(jù)聚類(lèi)的結(jié)果分析各組別之間的差異性,通過(guò)對(duì)類(lèi)群特征的研究,采取差異的營(yíng)銷(xiāo)策略,從而提高企業(yè)的經(jīng)濟(jì)效益。參考文獻(xiàn)[24]針對(duì)電力客戶(hù)信用分類(lèi)的特征,提出基于模糊聚類(lèi)分析的電力客戶(hù)信用評(píng)價(jià)算法,得到了不同客戶(hù)群的聚類(lèi)中心以及客戶(hù)的隸屬度矩陣,為客戶(hù)群的特征分析提供了量化依據(jù)。參考文獻(xiàn)[25]在傳統(tǒng)聚類(lèi)算法CURE的基礎(chǔ)上提出應(yīng)用信息熵原則選擇聚類(lèi)過(guò)程中的基本參數(shù),并利用Kohonen網(wǎng)絡(luò)提取相關(guān)負(fù)荷的特征曲線(xiàn),并將其用于不良數(shù)據(jù)的校正。王志勇等[26]針對(duì)獲得的客戶(hù)用電數(shù)據(jù),在經(jīng)過(guò)一定的預(yù)處理后選取最合適的聚類(lèi)方法以及聚類(lèi)數(shù)目得到典型負(fù)荷代表曲線(xiàn),進(jìn)而了解客戶(hù)的用電模式、制訂相應(yīng)的購(gòu)電合同,對(duì)于增加電力部門(mén)的經(jīng)濟(jì)效益有著重要的作用。參考文獻(xiàn)[27]提出采用自適應(yīng)矢量量化(AVQ)神經(jīng)網(wǎng)絡(luò)模糊聚類(lèi)方法對(duì)電力負(fù)荷特性進(jìn)行分類(lèi)與綜合,因AVQ神經(jīng)網(wǎng)絡(luò)模糊聚類(lèi)算法本身機(jī)時(shí)小、處理速度更快,因而結(jié)果更為合理。參考文獻(xiàn)[28]主要論述了利用可適應(yīng)性的決策樹(shù)來(lái)對(duì)不同類(lèi)型的負(fù)荷進(jìn)行聚類(lèi)。符楊等[29]針對(duì)模糊C均值聚類(lèi)算法用于溶解氣體成分分析時(shí)存在的問(wèn)題,將加權(quán)模糊核聚類(lèi)方法(WFKC)引入到電力變壓器故障診斷中,建立一個(gè)新的變壓器故障診斷模型,該模型能有效改善復(fù)雜數(shù)據(jù)集的聚類(lèi)性能,提高了故障診斷的正確率。鄭蕊蕊等[30]、陳舵等[31]也在電力變壓器的故障診斷方面進(jìn)行了研究,取得了可喜的研究成果。

3.5空間挖掘在電力營(yíng)銷(xiāo)系統(tǒng)中的應(yīng)用

對(duì)電力營(yíng)銷(xiāo)系統(tǒng)而言,大多數(shù)情況都需要決策人員快速地分析、診斷,并及時(shí)做出正確反應(yīng),特別是在電力市場(chǎng)條件下,重要決策的正確性對(duì)于電力企業(yè)的發(fā)展意義是不可估量的。將電網(wǎng)運(yùn)行數(shù)據(jù)、負(fù)荷位置分布數(shù)據(jù)和實(shí)時(shí)變化數(shù)據(jù)等多目標(biāo)層次的信息合為一體,利用特殊的空間技術(shù)對(duì)其進(jìn)行綜合處理,才能實(shí)現(xiàn)如設(shè)備跟蹤、故障定位、模擬停電、損失評(píng)價(jià)及最優(yōu)調(diào)度等高級(jí)功能[32]。參考文獻(xiàn)[33]利用空間分布規(guī)則、空間聚類(lèi)規(guī)則、空間特征規(guī)則、空間區(qū)分規(guī)則得到同類(lèi)及不同類(lèi)負(fù)荷的分布。參考文獻(xiàn)[34]指出空間挖掘可以應(yīng)用于空間負(fù)荷預(yù)測(cè)、設(shè)備跟蹤維護(hù)和故障定位。參考文獻(xiàn)[35]提出可以利用空間挖掘到的普遍幾何知識(shí)(如地理編碼)對(duì)各類(lèi)用戶(hù)進(jìn)行業(yè)擴(kuò)報(bào)裝、查表收費(fèi)、負(fù)荷管理等業(yè)務(wù)營(yíng)運(yùn)工作,還可以根據(jù)變壓器、線(xiàn)路的實(shí)際負(fù)荷以及用戶(hù)的地理位置、負(fù)荷可控情況制定各種負(fù)荷控制方案,以實(shí)現(xiàn)對(duì)負(fù)荷調(diào)峰、錯(cuò)峰和填谷等負(fù)荷側(cè)管理功能。

4結(jié)語(yǔ)

數(shù)據(jù)挖掘在電力營(yíng)銷(xiāo)系統(tǒng)的整體應(yīng)用上仍處在起步階段,單一的挖掘算法很難滿(mǎn)足實(shí)際決策的需要,應(yīng)在多方面因素的影響下不斷改進(jìn)挖掘算法。目前尚未出現(xiàn)針對(duì)特定決策支持系統(tǒng)的專(zhuān)門(mén)挖掘軟件,只是架構(gòu)出系統(tǒng)結(jié)構(gòu),核心的算法體制并未完善,不能滿(mǎn)足決策需要,如何保證數(shù)據(jù)挖掘方法更精確、高效、穩(wěn)定地應(yīng)用于營(yíng)銷(xiāo)系統(tǒng)中仍是亟待解決的問(wèn)題。雖然存在不足,但數(shù)據(jù)挖掘?qū)撛趩?wèn)題和規(guī)律具有很高的預(yù)見(jiàn)性,并且具有高效計(jì)算、監(jiān)測(cè)和管理的能力,因此,它適用于電力營(yíng)銷(xiāo)系統(tǒng)大規(guī)模非線(xiàn)性問(wèn)題的求解,必會(huì)顯示出其強(qiáng)大的生命力,成為電力營(yíng)銷(xiāo)領(lǐng)域發(fā)展的重要工具。