基于數據挖掘的電力需求預測模型

陸慧 梁林森 張秋輝

摘要 針對當前電力需求在中長期預測方面的需求，結合相關的智能算法，提出一種基于改進聚類算法的電力需求預測模型。結合聚類算法的優點，對電力需求數據進行劃分，從而得到不同行業的電力數據;然后利用統一的電力需求模型，對電力需求進行預測。通過這種方式挖掘到不同行業在未來對電力的不同，進而更好的做好對各個行業電力需求的供應。

【關鍵詞】數據挖掘 電力需求 預測模型

隨著現代信息化技術的發展，加強對電力需求的預測，成為保障電力企業穩定發展的一個重要途徑，也是保障未來電力建設的重要參考依據。而隨著電力企業在用電方面，越來越走向精細化的管理方向，對此做好對電力市場中長期預測，顯得格外的重要。但是，當前針對電力需求的預測中，大部分都是采取單一的預測模型直接進行預測，而沒有對電力數據進行簡單的分類，從而只能對整體電力需求進行預測，最終導致電力部門不能直觀的看到具體行業的電力需求。因此，結合上述的問題，筆者在預測模型中引入聚類分析模型，根據不同行業對數據進行劃分預測。

1 行業電力市場需求概況

所謂的行業電力需求，其本質就是只在某行業內其電力消費的總量多少。而對行業進行電力市場需求預測，不僅可以研究該行業未來發展的趨勢，還可以對整個電力市場的未來規劃起到指導的作用。特別是在當前的電力市場環境下，我國電力市場逐步放開，在供售電方面的競爭顯得更加的激烈。因此，做好對不同行業客戶的細分，可以幫助供電企業更好的做好對不同行業客戶的細化，并提供更具有特殊性的供電服務。對此，本文以2007年-2014年某省用電情況進行分析，發現雖然客戶和行業不同，但是可以概括為以下幾個特點：

（1）可結合相似行業的變換趨勢，制定合理的收費策略，從而滿足不同行業的需求，并提高電力部門的營業收入。

（2）負荷預測。通過上述的分析，可以對不同的行業進行統一的預測，進而減小了預測的工作量。

（3）調度參考。通過上述的預測，可以為電力部門制定相應的電力供應調整策略。

2 聚類算法簡介

為更好的對不同的行業信息進行分類，結合當前主流的聚類算法，提出一種基于K-Means的聚類分析法。而為了方便運算，一個行業圖譜則表示一個樣本矢量，組成元素為行業的季度用電量數據，不同元素之間的間隔表示為一個季度。那么第m個行業的季度用電結合可以表示為：

3 基于聚類算法的綜合預測模型構建

當前，在預測模型中，主要包括多元線性回歸預測模型、最小二乘法支持向量機、人工神經網絡算法。李其軍（2015）在其發表的文章中指出，單一的預測模型在預測中往往存在很大的誤差，進而造成預測是數據不準。對此，需要引入一種綜合性的預測模型。而在對行業進行數據挖掘的過程中，本文則采用神經網絡模型和自回歸滑動回歸模型。

3.1 自回歸滑動平均模型

該模型是傳統時間序列預測分析中常用的一種模型。對行業用電需求來講，其受外部影響較少，而更多的在于受自身變化趨勢的影響。對此，本文采用該模型對其進行預測。該模型的具體公式為：

3.2 神經網絡算法

神經網絡算法主要是用在非線性數據關系中。其主要的原理是通過輸入層和隱含層對不同因素權重的調整，同時結合訓練樣本得到的數據，從而不斷縮小實際樣本和訓練樣本之間的誤差，最終提高對數據預測的精度。其具體的誤差可以用如下的公式來表示：

由此根據上述的設計，可以得到基于聚類分析的整體預測流程。

4 試驗驗證

結合上述的方法，筆者分別對上述兩種預測模型的參數進行設計。在自平滑回歸中，則不進行過多的分析。在神經算法中，將輸入參數設定為8個，將輸出部分設定為1個，同時在激活函數的選擇方面，選擇sigmoid函數。由此根據上述的結果，可以得到如圖l所示的擬合結果。

5 結論

通過上述的分析看出，本文設計的算法的擬合結果很接近真實值，由此說明本文提出的電力預測算法在對未來電力的需求預測方面具有一定的可行性。而通過上述的研究，本文還得出以下的幾個結論：

（1）神經網絡算法結合自身的學習能力，在預測方面還是具有一定的優勢;

（2）本文算法的優勢在于在進行訓練之前，利用聚類分析對數據進行了初步的篩選，從而提高了訓練的精度。

但是本文還需要與其他的算法進行比較，這是未來下一步工作需要研究的重點。

參考文獻

[1]胡時雨，羅滇生，陽霜，陽經偉，基于多變量LS-SVM和模糊循環推理系統的負荷預測[J].計算機應用，2015，35 （02）： 595-600.

[2]李其軍，基于數據挖掘的電力需求預測探究[J]，電子測試，2015 （01）：153一154+143.

[3]劉俊，羅凡，劉人境，徐輝，嚴杰.大數據背景下電力需求側管理的應用策略研究[J].電力需求側管理，2016，18 （02）：5-10.

[4]董力通，譚顯東，劉偉國，劉海波.基于SVM的“彈性系數一投入產出”電力需求預測分析模型[J].中南大學學報（自然科學版），2012，43 （06）： 2441-2444。