数据挖掘在电力负荷预测中的应用和现代研究

数据挖掘在电力负荷预测中的应用和现代研究

摘要 在社会的迅猛发展和人们的生活水平提高的推动下，人们对于电力的需求逐步提高，因此，保证电力工作开展的安全性和稳定性尤为重要，负荷预测实质上是对电力市场需求的预测，在电力系统计划与运行管理中，它决定了发、输、配等方面的合理安排问题，对电力系统的安全经济运行具有非常重要的影响，鉴于此情况，本文谈谈数据挖掘在电力负荷预测中的应用。

关键词 数据挖掘；电力系统；负荷预测

1 导言

电力系统行业需要专业人员进行科学化预测，数据挖掘可对潜在知识与规律具有更好的预见性、准确性，将数据挖掘技术应用于电力系统负荷预测，可有效地克服数据有限性，不完整性及影响因素复杂性对预测结果的影响，发挥独特优势，实现经济价值。基于此情况，本作者将会结合自身多年工作经验，针对数据挖掘在电力负荷预测中的应用进行相关阐述。

2 数据挖掘的定义

数据挖掘是数据库技术、人工智能、机器学习和统计学等学科相结合的产物。简单地说，数据挖掘是从大量数据中提取或“挖掘”知识。一种比较公认的定义是：数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的、潜在有用的信息的非平凡过程。基于广义的数据挖掘观点，数据挖掘是指从存放在数据库、数据仓库或其他信息库中的大量数据中挖掘知识的过程。

3 数据挖掘功能

3.1 关联分析

若两个或多个数据项的取值重复出现且概率很高时，它就存在着某种关联，可以建立起这些数据项的关联规则。关联分析的目的是找出数据库中隐藏的关联网。在大型数据库中，这种关联规则是很多的，一般用“支持度”和“可信度”两个阈值来淘汰那些无用的关联规则。

3.2 分类

分类是数据挖掘中应用得最多的方法。分类是找出一个类别的概念描述，它代表了这类数据的整体信息，即该类的内涵描述，一般用规则或决策树模式表示，一个类的内涵描述分为特征性描述和區别性描述。特征性描述是对类中对象的共同特征的描述，区别性描述是对两个或多个类之间的区别的描述。

3.3 聚类

数据库中的数据可分为一系列有意义的子集或称为类。在同一类别中，个体之间的距离较小，而不同类别的个体之间的距离偏大。聚类增强了人们对客观现实的认识，即通过聚类建立宏观概念。

3.4 时序模式

通过时间序列搜索出重复发生概率较高的模式。这里强调时间序列的影响。例如，在所有购买激光打印机的人中，半年后有80%的人再购买新硒鼓，20%的人用旧硒鼓装碳粉。

3.5 偏差检测

数据库中的数据常有一些异常记录，从數据库中检测出这些偏差很有意义。偏差包括很多潜在的知识，如分类中的反常实例，不满足规则的特例，观测结果与模型预测值的偏差，量值随时间的变化等。偏差检测的基本方法是寻找观测结果与参照之间的差别。

3.6 预测

预测是利用历史数据找出变化规律，“即建立模型”并用此模型来预测未来数据的种类、特征等[1]。

4 数据挖掘的方法

4.1 机器学习方法：包括基于范例学习和归纳学习方法。

4.2 统计方法：包括回归分析、判别分析、聚类分析和探索性分析。

4.3 数据库方法：包括多维数据分析或在线分析处理（OLAP）方法、面向属性的归纳方法等。

4.4 神经网络方法：包括前向神经网络、自组织神经网络等[2]。

5 数据挖掘技术在电力系统负荷预测中的应用分析

近年来，数据挖掘技术的不断发展，在电力系统中的应用也取得了良好的应用效果。数据挖掘技术在电力系统中的应用主要体现在负荷经济调度、动态安全评估、负荷预测以及故障处理上，本文主要分析数据挖掘技术在电力系统负荷预测中的具体应用。

5.1 电力系统负荷预测

电力系统负荷主要是电力系统中全部用电设备消耗功率相加的总和；电力预

测主要是在已知电力系统的社会、经济、气象基础上分析其历史数据，探索其内在联系以及规律变化，以便于评估与推测负荷发展。电力负荷预测作为电力系统调度、规划以及用电的重要依据，提高其预测水平，对电源管理、规划以及企业的经济效益、社会效益均具有重要意义。

5.2 数据挖掘技术在电力系统负荷预测中的具体应用

（1）利群数据分析

对采集数据进行预处理是进行电力系统负荷预测的前提，数据预处理主要是对不良数据或坏数据的校正与识别，可通过自然数据补足或冲击数据剥离对不良数据进行校正，或对坏数据进行修正。在电力系统负荷预测中实施离群数据挖掘，可准确查找出异常数据，并得出异常数据处可发生的设备故障，为决策判断提供资料。

（2）负荷模式判定

在不同的天气条件、运行条件下，电力负荷会出现不同的负荷模式，但是负荷周期与总趋势具有相似性，如负荷曲线的波峰、波谷均具有一定规律性，利用相似性数据挖掘找到相应的负荷状态，在不同天气条件或运行条件下找到负荷相似性，有利于建立不同的负荷模式。

（3）电力系统负荷预测

现阶段，主要是采用BP神经网络进行负荷预测，神经网络变量输入主要有预测日的日期类型、历史数据、温度以及曲线特性因素，这是决定未来负荷水平的重要因素。要提高网络计算速度与效率，必须要选择合理的训练对象，因此确定输入对象具有重要意义。利用数据挖掘技术可通过处理、分析输入变量，来改善神经网络预测的性能与准确性，提高工作效率[3]。

6 结束语

上文已经针对数据挖掘在电力负荷预测中的应用进行了详细的分析，由于能力与经验的限制，本文可能对数据挖掘在电力负荷预测中的应用论述不是很全面，没有面面俱到，在论述中也许会出现一些这样或那样的问题，或呈现出一些不成熟的思想，这都需要广大同行多多批评与指正，进而不断分析、探究以及总结，使数据挖掘在电力负荷预测中的应用得到优化，为唐山供电企业工作人员提供有效借鉴。

参考文献

[1] 袁哲，王彦文.数据挖掘在电力系统负荷预测中的应用[J].电子制作，2015，（11）：235-236.

[2] 孙炜星.数据挖掘技术及其在电力系统负荷预测中的应用[J].中国新技术新产品，2014，（23）：7.

[3] 史东辉.离群数据挖掘方法在电力负荷预测中的应用[J].计算机工程与应用，2010，（21）：213-215.