电力负荷预测中数据挖掘的应用

杨旭昕

（国网信息通信产业集团有限公司 北京市 100053）

我国经济的快速发展，使人们的生活水平追歼提高，在目前的发展情况下，我国电力行业的竞争月越来越激烈，如果电力企业不想在日益发展的情况下呗淘汰，就必要做到企业结构的统一，同时要注重创新，积极引进新设备以及新技术，增加企业发展的步伐，提高企业的效率。企业只有整合内外经济实力，才能实现最大程度的可持续发展。电力系统是最基本的建设，所有企业都必须对信息、数据、进行全面管理。为了保证有效的数据报告，必须改变原有的统计程序，对分析方法进行改革，以保证店里处理的稳定性和安全性。

1 数据挖掘概述

1.1 数据挖掘技术的意义

数据挖掘是高层次的过程，它从未知的人类预先发现的数据中提取有价值和潜在的知识信息，并提供人类可以通过技术手段理解的模型，从大量复杂的不完整数据和未知的新信息中发现信息的高层次过程。数据挖掘包括数据库系统、数据可视化、自动学习和高新技术

数据挖掘技术是在机器学习的基础上发展起来的，它的优势包括：

（1）传统的机器学习是为了提高学习的能力，而数据挖掘技术能够提供有价值的信息，使其更加实用；

（2）传统的机器学习侧重于小数据源，而数据挖掘侧重于大数据库，可以有效地处理大的、不完整的和有噪声的数据元素，这种方法可以从多个方面总结学习知识，揭示理论和基本假设不能满足的知识[1]。

1.2 数据挖掘的具体功能分析

（1）数据分类是指对数据类别进行分类，利用分类技术建立模型；

（2）数据评估，与数据分类类似，主要区别是评价是连续值处理的输出；

（3）知识预测是对数据进行分类或评价，获得数据模型，然后对未知变量进行预测。

1.3 工作流程

数据挖掘技术主要分为资料准备、勘探、评价三个阶段。数据准备主要包括数据过滤、转换和预处理，主要任务是建立数据评价模型。

1.4 数据挖掘的用途

对于企业来说，数据挖掘可以帮助企业发现发展趋势，揭示已知事实，预测未知结果，分析完成任务所需的关键因素。数据挖掘的目的是提供数据库中隐藏的知识，从而发现数据库的主要功能。

1.4.1 自动预测趋势和行为

历史数据用于寻找规则，建立模型，预测未来数据的类型和特征，一个典型的例子是市场预测，数据挖掘利用之前的推广数据来寻找投资回报最高的用户，包括预测破产和确定最有可能对某一事件做出反应的情况。

1.4.2 关联分析

数据链接是理解数据库的一个重要方面，如果两个或两个以上变量的值具有一定的规律性，可以是简单相关、时间相关和因果相关。在数据库中进行隐式连接分析的目的是找到我们有时无法连接到的数据，关联分析规则确定数据库中数据的相关性。

1.4.3 聚类

数据库记录可以分为一系列重要的子集，即集合。分组有助于更好地理解客观现实，分组技术主要包括传统的模式识别和数学分类。概念分组技术的关键不仅是要考虑对象之间的距离，还要要求分类范畴具有一定的内涵，以避免传统技术的单向性。

1.4.4 概念描述

概念描述用于描述对象类型及其相关属性，概念描述包括特征描述和差异描述，生成的对象类描述应用于对象类的所有属性，生成函数描述的方法包括决策树和遗传算法[3]。

1.4.5 偏差检测

数据库中的数据通常都有异常记录，将这些记录与数据库进行区分是非常有用的，差异识别包括许多基本技能，如分类差异、模型观察与预测差异、某一时期的定量变化等，确定差异的基本方法是检测预测差异。

2 电力负荷预测方法概述

传统的电力负荷测试方法很多，应用复杂，相关技术人员应考虑实际要求，结合技术特点，选择合适的方法，下面是对各种常用方法的简要介绍。

2.1 功率预测方法

电力弹性系数是平均能源增长率，弹性系数法的优点是可以更好地了解能源负荷的增长趋势和变化范围，然而，由于近年来产业结构自适应弹性系数的重要性，该方法更适合中长期负荷预测，预测数据更可靠。

2.2 灰色预测方法

该方法是上个世纪我国第一个实验预测方法，经过研发，取得了良好的效果。在一段时间内，所有随机过程都被认为是灰色的。该技术具有数据小、分布和方向变化大、操作舒适、预测时间短、识别更舒适等优点。缺点是不利于多年能源系统的长期预测。

2.3 模糊预测法

该方法基于模糊理论，首先，以规则的形式对，历史资料进行分析，模糊预测方法能清晰地描述专家的想法和系统中的不规则现象，适用于中长期负荷预测。同时模糊预测法也存在着一定的不足，比如其容易受到外界环境的干扰。但模糊预测方法能够把线性模型和聚类方法结合，应用于电力负荷预测中，于传统的预测方法相比，模糊预测方法的预测精度较高，误差较小。

2.4 数据挖掘

数据挖掘，就是将大量隐藏的信息提取出来，并直观地表达出来，它在处理大数据和消除冗余信息方面具有许多优点。决策树、神经网络、关联规则、聚类分析、模糊统计数据集和原始数据集广泛应用于数据挖掘的各个领域，该方法根据相似时间序列数据挖掘原理，在电力负荷预测的基础上，具有良好的应用效果，判别聚类区间和单调约简阈值函数应使用正确的负荷曲线和网络时间数据；降低了数据处理速度，提高了测量速度和计算精度[4]。

2.5 回归分析方法

回归分析方法有两种，分别为线性和非线性，回归分析方法是通过对所预测的电力以往的趋势，来预测未来边凉去湿的过程。线性回归又分为一维线性回归和多维线性回归，两者的区别在与负荷预测过程中所受影响因素的多少，影响因素为一个时，称为一维线性回归，影响因素在一个以上时成为多维线性回归，然而在实际负荷预测过程中，影响因素是不断变化的，因此回归分析方法不能够精确的反映出负荷与多个因素之间的关系。

2.6 时间序列法

将负荷数据视为时间序列随时间变化，如小时、日、周、季等。实际负荷数据与预测负荷数据之间的差异是一个随机过程。在实际应用中，负荷的变化受到与荷载因素的影响。时间序列不是一个固定的随机过程，而是一个不确定的随机过程，因此，该方法有一定的局限性，不能准确预测。

负荷预测方法有很多，如基于实测信号频率的波动预测，通过频谱分析和处理，捕获弱信号和任意分量，得到负荷预测值，波浪预报可以有效地应用于各种预报系统，功率因数法是利用平均能源增长率与增长率之比，将电网弹性系数与增长率相结合的一种有效的负荷预测方法。

3 负荷预测原理及影响因素

当前负荷预测是基于对现有和当前数据的提取，所以即使未来的能源负荷是不确定的，也有一定的规律，基于正确轨迹的预测是评价未来发展趋势和条件的基本原则。

（1）可见性原则。预测对象具有一定的规律性，可以把握预测对象的发展趋势，所以可以通过总结预测对象的过去和现在来推断预测对象的未来，可见性原理是预测活动的基本依据。

（2）概率原理。要预测一个具体指标，就要根据未来负荷发展的各种可能性，预测各种假设。

（3）追溯性原则。也就是说，预测值与实际值的差值可以用来进一步调整预测精度[5]。

影响负荷变化的因素有很多，如宏观经济的发展和经济结构的调整，能源使用结构的变化，人们收入和生活水平的提高，消费观念的变化，管理和相关政策的影响，影响短期负荷的主要因素包括负荷组成、时间变化、气候变化和随机波动。

4 负荷预测与数据挖掘的关系

传统的负荷预测是根据已有的历史数据对未来某一时期的负荷进行预测（即固定预测模型），在一定程度上，它忽略了大量的历史负荷及相关数据，其中包含了许多有价值的负荷预测信息和知识。

数据挖掘，对于发现隐藏的信息是必要的，但目前数据提取技术在负荷预测系统中的应用还处于实验阶段，这方面的研究还处于起步阶段，但前景广阔。

5 数据挖掘技术在电力负荷预测中的应用分析

5.1 电力系统负荷预测

电力系统的性能主要与系统中电气设备的总能耗有关，供电预测主要是指社会、经济和气象数据。通过对电力系统历史数据的分析，对电力系统的点能分配和利用方案进行评价和预测，对提高供电的经济效益和社会效益具有重要意义。

5.2 数据挖掘技术在电力系统负荷预测中的应用

5.2.1 利群数据分析

对采集到的数据进行预处理是进行电力负荷预测的前提，数据预处理主要是纠正和识别错误的数据，通过补充自然数据、分解影响数据或纠正不必要的数据，数据挖掘应用于电力系统负荷预测，可以准确地发现异常数据，获取可能产生异常数据的设备故障，为决策提供信息。

5.2.2 确定负荷模式

不同工况下，负荷可能有不同的模式，但总负荷循环的趋势是相似的，有一定的规律性。在相应的负荷条件下，可以发现类似的峰值和负荷曲线数据，在不同荷载条件下进行建模有助于发现不同荷载的相似之处。

5.2.3 电力负荷预测

目前，神经网络主要用于负荷预测，包括变量数据的类型、历史负荷曲线和神经网络输入数据。为了提高网络计算机的速度和效率，选择一个合理的学习对象，确定输入对象非常重要。通过对输入变量的处理和分析，提高了神经网络预测的性能和准确性，提高了工作效率。

5.2.4 典型负荷预测模型

典型负荷预测模型是能源系统负荷预测的主要内容，通常包括负荷数据和气象数据。气象数据更加准确真实，并经过当地气象局的验证，能源系统负荷预测对能源系统的正常运行具有重要意义，此外，典型的负荷预测具有一定的特殊性、高效率，这也是传统电力数据挖掘缺乏的原因。

5.2.5 数据预处理

数据预处理技术是现代能源信息综合预测的主要技术，数据处理技术可以消除一些时间误差数据，在一定程度上避免这些数据对系统性能的影响。如果性能数据不正确，会对性能负载预测产生很大的影响。采用数据处理技术对数据进行清理，为能源系统负荷预测的正常运行奠定了坚实的基础。除了数据处理技术，还必须注意负荷的变化。若数据加载出现异常变化，请及时停止加载，并将测试数据与其他内容进行比较，判断是否有疑点。因此，数据预处理在电力系统的发展中起着重要的作用，在实际负荷预测中，数据预处理是最重要的条件，只有明确数据预处理的重要性，才能更好地预测电力系统的负荷。

6 结束语

总之，与传统技术相比，数据挖掘技术在电力系统中得到了广泛的应用，并得到了企业的认可。专业供电系统科学预测的必要性是通过预测现有的市场和发展趋势来规划未来的市场。预测结果是电力系统规划和建设的依据，为保证电力系统的稳定发展、科学管理和现代化，采取了重要措施。数据挖掘技术大大缩小了与原始技术的差距，提高了数据的完整性、及时性和预测结果，为电力系统行业的发展做出了突出贡献。