基于大數據分析技術的電力運營數據管理

皮霄林

為進一步提升電力部門的服務水平，加快電力部門的信息化建設，是當前電力部門建設的重點。本文首先對大數據分析進行簡單的概述，并就大數據分析的基礎技術進行介紹，最后以電力運營中常見的電力負荷預測為例，提出一種電力負荷預測方法，以此通過上述的論述，為當前電力部門的有效運營提供參考。

【關鍵詞】大數據分析 電力運行 數據分析 負荷預測 關聯技術

隨著智能電網的發展，以及電網設施的改造，基于計算機技術的各類信息管理系統的應用，使得電力企業積累了海量的數據。對此，在這些海量數據面前，如何加強對這些數據的分析，從而通過分析結果為電力部門服務，是當前思考的重點。當前我國電力企業在運營數據方面大致可以分為三類：一類是電網運行和設備監測數據，即電力企業生產數據；一類是電力企業營銷數據，如交易電價、售電量、用電客戶等方面的數據；最后則是電力企業管理數據，如ERP、一體化平臺、協同辦公等方面的數據。這些數據中都包含著電力部門日常運營的情況，如果能夠及時對這些數據進行挖掘，將給當前的電力部門的服務帶來較大的提升，并有利于電力企業的運營管理。而大數據分析作為專門針對海量數據的一種技術，其在電力數據分析中的應用，勢必給電網建設和云西紅帶來有益的參考。對此，本文從大數據分析的基本概念入手，結合其主要的分析工具，就其在數據運營管理中的應用進行了詳細的闡述和分析。

1 大數據分析

當前，針對大數據概念的定義中，在行業內部還沒有明確的分析和定位。但是很多人認為所謂的大數據是針對傳統數據而言的，是采用傳統的分析工具不能對數據進行分析和處理的。而從廣義的角度來講，大數據則被認為是一種可以對大量數據進行分析的一種技術體系。目前，針對大數據的應用中，涉及到多個不同的領域，如金融、醫療、能源等領域。在這些領域中，通過對數據的融合、挖掘和分析，進而在海量的數據分析中找到具有價值的信息，以此為企業的運營和發展提供輔助決策依據。而大數據分析在電力部門的應用中，由于其涉及到電力的多個環節，如發電、輸電等，但是總結歸納起來，針對電力大數據的應用主要集中在以下三個方面：

（1）為電網企業本身的運營管理提供決策支撐， 該模式通過對各類電力大數據進行融合、分析，挖掘出用戶的電力消費特征，提高電力需求預測準確性，從而提升企業的運營效益，此外，該模式通過利用電力大數據為電網企業經營決策提供更具廣度和深度的數據支撐，增強企業對發展趨勢的前瞻性；

（2）以電力為中心的能源數據綜合服務平臺，平臺的提供方為具有資金、數據優勢的電網企業，通過綜合分析電力供給、消費和相關技術數據，通過為參與平臺的不同類型用戶提供大數據分析和信息服務，給出能源管理方案實現節能降低電力消費成本等目的；

（3）為智能型節能新產品的研發提供支撐， 該模式主要通過綜合分析能源供應、消費等數據，將電力大數據與信息、制造技術相結合，研發制造新型節能環保產品，為消費者提供低費率、高能效的能源消費和用電方案。

因此，總結和歸納當前大數據技術在電力中的應用，對理順電力部門大數據應用具有非常重要的作用。

同時在電力大數據中，其具體的應用框架可以用圖1來表示。

2 大數據分析主要技術

當前，隨著大數據技術在電力數據分析中的應用中，大致可以分為以下幾種技術：

2.1 統計分析

統計分析是電力數據分析的一個常見的技術，也是最為基礎的技術。通過對數據的基礎搜集、整理和分析，可以直觀的得到數據的內在規律，并通過計算得出可以反映整體數量特征的統計信息，以此更好的為電力企業的運營提供服務。

2.2 關聯分析

數據挖掘最早為人所知實際上就是對某超市的銷售數據進行關聯分析，因此關聯分析在數據挖掘領域中具有不可替代的地位。常用的關聯分析算法有A-priori關聯算法、基于劃分的算法以及FP-growth算法等。近年來又提出了一些改進算法，包括并行關聯規則挖掘、模糊關聯規則挖掘、基于變化時空的關聯規則挖掘、多層或多維的關聯規則挖掘、基于聚類的關聯規則挖掘等算法。

2.3 聚類分析

聚類是近年來機器學習研究的熱點之一，研究者已給出了多種類型的聚類算法，如基于譜分析的劃分方法、層次聚類方法、基于密度的聚類方法、基于原型的聚類方法等。適用于不同聚類需求，聚類問題也發展出了多種新模型，如異質聚類、子空間聚類、聚類集成、多路聚類、演化聚類等。面向不同類型的數據形式，聚類分析也有不同的特點，如時序數據聚類、流體數據聚類、圖像分割等。

2.4 分類分析分類算法是解決分類問題的方法

分類算法通過對已知類別訓練集的分析，從中發現分類規則，以此預測新數據的類別。分類算法包括單一分類算法和集成學習算法，單一的分類方法包括決策樹、貝葉斯分類、神經網絡、K-近鄰、支持向量機等；集成學習算法包括Bagging、Boosting等。其中決策樹是一種常用的分類算法，決策樹學習是一種以實例為基礎的歸納學習算法，它從一組無次序、無規則的實例中推理出以決策樹表示的分類規則。貝葉斯分類算法是一類利用概率統計知識進行分類的算法，如樸素貝葉斯算法。神經網絡是一種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型。

2.5 多核學習

近年來，核學習方法在數據挖掘與機器學習領域得到了廣泛的應用，也涌現了多種基于核學習方法思想的不同算法，如支持向量機和KPCA等。核學習方法的主要思想是將低維空間中的數據映射到高維空間，從而在高維空間中進行處理和分析。

3 大數據技術在運營管理中的具體應用

為更加直觀的表達大數據技術在電力部門日常運營管理中的應用，本文以電力市場負荷需求預測為例，就上述大數據技術在電力部門的具體應用進行研究。而在電力部門服務的日常運營中，加強對電力需求的預測，從而為后續的電力調度和電網建設提供參考，是當前電力部門提升自身服務水平的一個顯著標志。本文首先提出電力負荷預測的框架，然后以廣東某電力部門的運營數據作為基礎，對其數據進行挖掘分析。

3.1 負荷預測框架搭建

對電力負荷的預測來講，首先需要構建一個功能強大的數據分析和處理平臺，這是實現負荷預測的基礎，也是關鍵。而通過上述的分析看出，海量數據的分析，電力負荷的分布較廣，并呈現出典型的地域性的特點。同時，受到多種因素的影響且作用方式不盡相同，負荷類型豐富、發展規律多元。因此，在對電力數據進行挖掘前，需要對不同的電力負荷數據進行分區，分別挖掘各分區內客戶用電規律，然后利用適合大數據處理的聚類方法，區分不同的客戶負荷類型，將變化規律相似的負荷劃歸一類，針對類負荷結合分區內經濟、城市規劃等數據進行影響因子關聯性分析；最后在區域用電結構分析的基礎上實現各分類負荷預測模型的有效綜合，其中區域用電結構分析與預測分區對應，與大區域的經濟結構、產業結構等密切關聯。具體負荷預測框架如圖2所示。

3.2 負荷數據聚類

為方便對數據進行聚類，在本文中引入K均值聚類算法。該算法的原理是對給定數據集合分類，將數據分為K類。然后通過隸屬度來表示不同數據的相似程度，并使得目標函數達到最小。

3.4 模型的具體應用

結合上述的模型，以廣東某電力公司2012年～2015的營銷數據為例，并將該模型與傳統的灰色模型法進行比較，從而得到如表1的比較結果。

4 結束語

綜上，大數據作為當前電力信息化的一種重要途徑，可以幫助電力企業找到最佳的方法，進而極大的提高整體的工作效率。而通過本文給出的示例，可以讓電力企業營銷和建設部門結合預測的結果進行有針對性的調度和電網擴建，進而保障地區的電力銷售。

參考文獻

[1]黃慶鍵，歐周，林佳亮.關于空間電力負荷預測方法綜述與展望[J].自動化應用，2017（02）：79-81.

[2]陳利芳.面向大數據的電力預測系統應用研究[J].廣東科技，2017，26（02）：89-90+76.

[3]魯宗相，黃瀚，單葆國，王耀華，杜松懷，黎靜華.高比例可再生能源電力系統結構形態演化及電力預測展望[J].電力系統自動化，2017，41（09）：12-18.

[4]李冰潔，陳哲，牛東曉.短期負荷預測中氣象因素的大數據分析[J].科技和產業，2015，15（01）：94-97.

作者單位

廣東電網有限責任公司珠海供電局 廣東省珠海市 519000