基于大數據挖掘電量預測方法的創新及應用

林麗

摘 要：為了可以使現代電力企業可以更好的實現對供電區域精細化管理的理念，就需要通過現代化的數據挖掘技術，來創新出更加有效的電量預測方法，從根本上幫助電力企業實現對各供電區域的電量精細化管理。基于此，在本篇文章中將會針對基于大數據挖掘電量預測方法的算法研究展開分析，進而針對其實際應用展開研究，希望可以為相關人員提供參考幫助。

關鍵詞：大數據挖掘;電量測試方式;創新及應用

隨著現代社會的不斷發展與進步，促使電力行業也在現代社會的不斷發展中獲得了更加廣闊的發展空間，這種趨勢促使現代電力企業的業務處理數據的數量在不斷提高，但在傳統的數據積累中，并不能為電力企業的經濟發展起到幫助。因此，就需要通過基于大數據挖掘電量預測方法的創新及應用，來完成對各個供電區域的供電數據分析，幫助電力企業提高起身電量預測能力。

一、基于大數據挖掘電量預測方法的算法研究

（一）ARIMA模型

ARIMA模型又被稱作為差分自回歸移動平均模型，其中AR代表了自回歸、I代表了差分、MA代表了移動平均。通常情況下ARIMA模型主要包含了3個參數，分別為：p、d、q，其中p代表了自回歸的階數，d代表了差分的階數，而q代表了移動平均的階數。ARIMA模型的在運作的過程中，首先是對非平穩的時間序列進行d次差分處理，使其形成較為穩定的數據排列，而后將平穩書序擬合ARMA（p、q）模式，最后將原本的d次差分進行還原，最終就可以得到原本的序列預測數據。

（二）GM模型

GM模型又被稱作為灰色模型，其主要是根據灰色系統而構建的預測模型，同時其也屬于微分方程模型，通常情況下其會被應用在對于事物作出連續、長期、動態的反映，其不僅表示出了系統中存在的諸多問題，同時其對于企業內部的連續發展變化過程而言，也會起到反映、構建等作用。此外，GM預測在構建過程中所需樣本較小，并且其在運行的過程中較為方便，這使得其在建模的過程中可以通過高精度、高質量的質量完成建模[1]。

二、基于大數據挖掘電量預測方法的實際應用

（一）影響因素的具體分析

通常情況下，對用電量造成較大的影響因素，主要包括經濟類因素與氣象類因素。其中經濟類因素主要包括：國內生產總值、規模以上的工業總產值、持續假期、報裝容量等。在實際應用基于大數據挖掘電量預測方法的過程中，就需要將不同類型的影響因素融入其中，從而使電量預測方法可以得出更加準確的參數。

（二）電量預測模型的構建

1.GM模型的構建

GM模型的具體構建過程主要包括：

（1）生成用電量數據并將其制作為模型參數;

（2）針對模型計算數據與實際數據之間的差距進行修訂，而后構建出差分微分方程模型;

（3）根據用電量之間的關聯度收斂情況進行下一步的具體分析;

（4）針對GM模型得出的數據進行逆生成還原。

2.ARIMA模型的構建

ARIMA模型的具體構建過程主要包括：

（1）獲取用電量數據構建數據模型;

（2）試驗模型是否平穩并針對數據進行d次差分與零均值化;

（3）計算出數據的相關函數（ACF）與偏自相關函數（PACF）;

（4）全面檢查模型中存在的未知參數，并檢驗構建的模型是否具備有效性。

三、電量預測模型的驗證

在驗證模型的過程中，將會以某區域為例，通過模型的預測可以得知，該區域內2018年全社會用電總用戶數為283871戶，年度累計售電量為354863.4069萬千瓦時，去年同期累計為342424.6217萬千瓦時，相較之下增長了3.63%。

截止至2018年12月的全行業用電量累計為310294.4058萬千瓦時，其中第一產業4540.7259萬千瓦時、第二產業250486.7794萬千瓦時、第三產業55266.9005萬千瓦時，去年同期全行業用電量為301955.5754萬千瓦時，其中第一產業4675.891萬千瓦時、第二產業246469.1582萬千瓦時、第三產業50810.5262萬千瓦時，相較之下總體增長了2.76%，而其中第一產業卻下降了-2.89%;城鄉居民生活用電量累計445690011萬千瓦時，其中城鄉居民18400.1463萬千瓦時，鄉村居民26168.8548萬千瓦時，去年同期城鄉居民生活用電量為404690463萬千瓦時，其中城鄉居民16781.0059萬千瓦時，鄉村居民23688.0404萬千瓦時，同比增長10.13%。通過該結果可以得知，該模型的預測效果與結果較為良好[2]。

四、年度用電預測模塊功能

年度用電預測模塊的主要目的是為了更好的提供集中年度預測和單項預測功能。其具體操作方式包括：點擊預測菜單、選擇年度電量預測、打開年度預測頁面。具體情況如下圖所示：

五、結語

綜上所述，本文主要是運用大數據挖掘的電量預測技術，同時充分結合各供電區域內的電量變化趨勢，將經濟影響、氣象影響等諸多因素的影響融合進電量預測中，并充分運用GM模型、APRMA模型來構建出電量預測方式，從而實現對未來供電區域內用電量的預測，最終幫助電力企業實現對各供電區域用電量的精細化關系。

參考文獻：

[1]徐俊，徐文輝，曾鑫，等.基于大數據挖掘電量預測方法的創新及應用[J].電力大數據，2018，21（10）：63-67.

[2]馬發軒.配網用戶用電特性市場分析預測應用系統方案設計[J].電力系統保護與控制，2017，45（12）：120-128.