數據挖掘技術及其在電力系統負荷預測中的應用

孫煒星

摘 要：近年來，信息技術快速發展，各企業為了滿足現代經濟發展要求，也不斷進行技術改革與創新，在企業經營與管理中不斷引入先進設備，促進技術改革。電力企業要想在市場經濟體制下實現快速、穩定、可持續發展，必須積極引進數字化技術，保證電力系統的安全性與穩定性。數據挖掘技術是一種利用人工智能手段，分析數據庫中的大量數據，掌握其規律并獲取知識的新興技術，本文主要分析了數據挖掘技術特點以及在電力系統負荷預測中的具體應用。

關鍵詞：數據挖掘技術；電力系統；負荷預測

中圖分類號：TP274 文獻標識碼：A

在社會主義市場經濟體制下，各企業競爭越來越激烈，為了提高企業綜合競爭力，實現企業的可持續發展，各企業不斷將國內外先進的設備與技術引進企業發展中，通過不斷調整經營模式與管理模式來增強本企業的經濟實力。現階段，信息技術不斷發展與應用，為企業生產與管理做出了巨大貢獻。電力系統作為一個數據大系統，在管理信息系統、數據采集與監視控制系統、地理信息系統、電網運行的實時信息系統廣泛應用情況下，大量實時數據在電力系統中傳輸，傳統的統計方法已難以符合快速增長的數據要求，因此需要進行技術創新，提高信息技術的分析能力，保證電力系統運行的穩定性與安全性。

1數據挖掘技術

1.1數據挖掘技術含義

DM（數據挖掘）指的是從數據中發現人類事先未知但具有重要價值與潛在性的知識與信息，并利用技術手段將其表示為人類可理解模式的一個高級過程，可從大量的、復雜的、不完全的數據中掌握已有信息，還可發現未知的、隱藏的新信息，便于人類理解、應用與儲存。數據挖掘主要包括數據集成、數據清洗、數據選擇與轉換、數據挖掘、模式評估以及知識輸出表達等多項內容，共涵蓋了數據倉庫、數據庫系統、數據可視化、機器學習、高性能計算以及信息檢索等多個交叉領域。

數據挖掘技術是在機器學習基礎上發展而來的，但具有其自身優勢，主要包括：（1）傳統的機器學習是以提高機器學習能力為目的的技術，但數據挖掘技術主要以呈現出可被人使用的、有價值的信息為目的，更具實用性；（2）傳統的機器學習通常將較小數據源作為關注重點，但數據挖掘技術是將巨大的數據庫作為重點內容，可有效處理維數高、殘缺不全、有噪聲的數據項。該技術可從多個角度出發，對知識進行歸納學習，將基本理論以及假設未能遇見的知識進行揭示。

1.2數據挖掘具體功能分析

數據挖掘主要具有數據分類、數據估值、知識預測、相關性分組或關聯規則、聚類以及可視化等內容。具體分析如下：（1）數據分類，就是將數據類別進行區分，并選出訓練集，再利用分類技術于訓練集上建立模型；（2）數據估值，估值與數據分類相似，其不同點主要在于，估值是處理連續值的輸出；（3）知識預測，這是在分離與估值的前提下進行的，根據數據分類或估值得到數據模型，以便進行預測未知變量；（4）相關性分組與關聯規則，這是在分析記錄與數據之間的關聯性基礎上，決定事情發生的可能性；（5）聚類，這主要是指對數據記錄進行分組，將相似記錄劃分在一個聚集中；（6）可視化，就是對數據進行歸納、總結，利用圖形等多種形式呈現出來。

1.3工作流程

數據挖掘技術主要是通過數據準備、發掘以及解釋評價等三個步驟進行工作，數據準備主要是對數據進行篩選、變換以及預處理；數據發掘主要是以任務具體特點為依據建立數據模型；解釋評價就是對數據模式進行評價、解釋。

1.4數據挖掘方法

利用數據挖掘技術主要可通過以下幾種方法：（1）機器學習方法，這是最基礎的方法，其中包括歸納學習與范例學習兩種方法；（2）統計方法，包括判別分析、回歸分析、探索性分析以及聚類分析；（3）數據庫方法，主要是利用在線分析或多維數據分析方法進行數據統計；（4）神經網絡方法。

2數據挖掘技術在電力系統負荷預測中的應用分析

近年來，數據挖掘技術的不斷發展，在電力系統中的應用也取得了良好的應用效果。數據挖掘技術在電力系統中的應用主要體現在負荷經濟調度、動態安全評估、負荷預測以及故障處理上，本文主要分析數據挖掘技術在電力系統負荷預測中的具體應用。

2.1電力系統負荷預測

電力系統負荷主要是電力系統中全部用電設備消耗功率相加的總和；電力預測主要是在已知電力系統的社會、經濟、氣象基礎上分析其歷史數據，探索期內在聯系以及規律變化，以便于評估與推測負荷發展。電力負荷預測作為電力系統調度、規劃以及用電的重要依據，提高其預測水平，對電源管理、規劃以及企業的經濟效益、社會效益均具有重要意義。

2.2數據挖掘技術在電力系統負荷預測中的具體應用

（1）利群數據分析。對采集數據進行預處理是進行電力系統負荷預測的前提，數據預處理主要是對不良數據或壞數據的校正與識別，可通過自然數據補足或沖擊數據剝離對不良數據進行校正，或對壞數據進行修正。在電力系統負荷預測中實施離群數據挖掘，可準確查找出異常數據，并得出異常數據處可發生的設備故障，為決策判斷提供資料。

（2）負荷模式判定。在不同的天氣條件、運行條件下，電力負荷會出現不同的負荷模式，但是負荷周期與總趨勢具有相似性，如負荷曲線的波峰、波谷均具有一定規律性，利用相似性數據挖掘找到相應的負荷狀態，在不同天氣條件或運行條件下找到負荷相似性，有利于建立不同的負荷模式。

（3）電力系統負荷預測。現階段，主要是采用BP神經網絡進行負荷預測，神經網絡變量輸入主要有預測日的日期類型、歷史數據、溫度以及曲線特性因素，這是決定未來負荷水平的重要因素。要提高網絡計算速度與效率，必須要選擇合理的訓練對象，因此確定輸入對象具有重要意義。利用數據挖掘技術可通過處理、分析輸入變量，來改善神經網絡預測的性能與準確性，提高工作效率。

結語

數據挖掘可對潛在知識與規律具有更好的預見性、準確性，在電力系統大規模非線性管理中具有重要的應用價值。電力預測從本質上講就是對電力市場需求進行預測，為電源規劃與建設提供依據，做好電力系統負荷預測工作是電力企業實現現代化管理模式的重要內容，因此，應用數據挖掘技術可有效打破數據不完整性、有效性，保證預測結果，促進電力企業的穩定發展。

參考文獻

[1]紀懷猛.電力系統中的數據挖掘技術[J].長春工業大學學報：自然科學版，2014，35（02）：143-147.

[2]陳星鶯，張曉花，瞿峰，等.數據挖掘在電力系統中的應用綜述[J].電力科學與技術學報，2007，22（03）：51-56.