数据仓库技术在发电厂中的应用研究

　　数据仓库DW(Data Warehouse)及其相关技术:联机分析处理OLAP(On-Line Analytical Processing)和数据挖掘DM(Data Mining)技术作为新兴科学，受到了越来越多的关注[1～5]。它利用现有的数据库、人工智能、统计学、知识库等相关知识，以积累下来的历史数据为研究对象，通过对数据的归类、分析、处理，进行数据的多维分析，找出隐藏在其中的有用知识，为管理人员和技术人员的决策提供有力依据。

　　1 发电厂数据仓库设计

　　1.1 数据仓库开发策略选择

　　数据仓库开发策略有自顶向下方法、自底向上方法和两者结合的方法。在构建发电厂的数据仓库时，可采用两者结合的方法，它兼有自顶向下方法的计划性、战略性和自底向上方法的快速实现性。

　　首先，在短期内定义一个高等级的全厂数据模型，该模型可对不同主题和潜在应用中的共有数据提供一个全厂集成的、一致的视角。虽然该模型在企业级数据仓库和部门级数据集市发展中需要修改，但它可以大大减少将来数据集成时问题的发生。然后，在定义的企业数据模型上，可进行数据集市的开发，建立诸如设备状态数据集市、燃料成本分析数据集市、电量/负荷数据集市等分布的数据集市。最后，可将分布的数据集市集成为一个企业级的数据仓库。在进一步建立数据集市和数据仓库过程中，可对初始数据模型进行完善，而完善的数据模型又可进一步指导数据集市和数据仓库的构建，形成一个良性循环，如图1所示。

　　1.2 发电厂数据仓库结构体系

　　发电厂数据仓库结构可采取现在流行的三层结构。底层主要是关系数据库系统的数据仓库服务器。它通过ODBC，OLE-DB和JDBC等应用编程接口，从SCADA和MIS系统等操作数据库和外部数据源中将数据抽取出来。中间层是OLAP服务器，它可采用ROLAP，MOLAP或HOLAP存储模式，可为数据挖掘模型提供数据和存储挖掘结果。最高层是客户端，包括查询和报表工具、分析工具及数据挖掘工具。

　　从结构观点看，有三种数据仓库模型，即企业级数据仓库、部门级数据集市和虚拟数据仓库。企业级数据仓库收集横跨整个企业全部主题的信息;数据集市的数据则局限在一些特定的主题上，数据较易累加;虚拟数据仓库是一套操作数据库的全局视图，它较易创建但需要具有访问数据库服务器的能力。在发电厂数据仓库系统中，可采用先建立数据集市，再形成数据仓库的方法，兼备了数据仓库数据的全厂一致性和数据集市的易开发性。

　　1.3 数据仓库的多维建模技术

　　传统的数据模型(RE模型)不能有效地表示数据仓库中的数据结构和语义，因此数据仓库多使用多维数据模型。在该模型中，数据是以多维逻辑方式组织，主要有星型和雪花型两种基本结构。星型模型由事实表和维表组成。事实表中的每条元组都包含有指向各个维表的指针和一些与这些维相关的数据;维表中则记录有关这一维的详细属性信息。雪花模型是对星型模型的进一步层次化，原有的维表可能被扩展为小的事实表，形成一些局部的层次区域。