基于数据挖掘技术的短期负荷预测

基于数据挖掘技术的短期负荷预测

杨洁

（国网江苏省电力公司盐城供电公司江苏盐城224000）

摘要：电力系统负荷预测是在掌握系统的运行特性、社会条件、自然条件、经济运行条件、负荷本身等规律的基础上，通过历史数据的建模对未来负荷发展变化进行的可靠估计。电力系统负荷预测是能量管理系统的重要组成部分。提商负荷预测精度可以提髙发电设备的利用率，实现调度部口的机姐的组合优化，同时加强经济调度的有效性。负荷预测是电力系统规划、计划、用电、调度的一项基础工作，其重要性不言而喻。基于此本文分析了数据挖掘技术的短期负荷预测。

关键词：数据挖掘技术；短期负荷预测；方法

1、数据挖掘技术简介

数据挖掘技术简称DW，所谓挖掘就是指分析已知数据进行深入探索，进而发现潜在具有价值的信息内容，通过技术手段将未知信息转变为人们可理解内容的一个过程，也可以从大量复杂难懂、不完全的信息中提取已知内容和获得隐藏至深尚未清楚的新信息。数据挖掘技术主要综合集成、清洗、选择、转换、挖掘、评估、输出等多方面内容，同时涉及领域较广泛，各个学科相互交叉融合。数据挖掘技术打破了传统机器学习的束缚，在其基础上改革和创新，开创了一项新技术和优势最大化体现的综合性手段。数据挖掘技术优势涵盖内容如下：第一点、采用传统的机器学习主要是审核学习能力，通过机器能力的好坏来评判学习的高低。但是数据挖掘技术弥补了这一点，可以将一些复杂难懂的信息进行转换变为理解性强、实用性高、目的性明确的内容，因此普遍被人们接受和认可。第二点、数据挖掘技术相比传统机器学习具有数据涵盖量广泛、内容丰富等优势，改变了传统以小数据作为中心的局限性，以海量数据库为中心，高效处理复杂、完整性低、干扰性强的数据内容。数据挖掘技术可参考全方位多角度理念，系统全面的整理和归纳，开拓学习思路和方法，灵活运用理论知识，科学系统的对未知有待考究的知识进行提示和激发。

2、数据挖掘技术的短期负荷预测的意义

随着电力市场的进一步开放，电力生产和消巧更加市场化，负荷预测的实时结果数据将成为电力交易中也最倚重的数据之一，这对电力系统负荷预测的准确性、实时性提出了更高的要求。电力市场环境下准确的负荷预测对于保证各经济实体的利益具有基础作用，发电企业和售电企业的运行规划都有赖于准确的负荷预测。可以预想，在未来的充分发展的电力市场环境下负荷预测将是各企业的核也竞争力之一。这其中发电企业巧要准确的负荷预测以避免其报价过低或者不能满发；输配电企业需要准确的负荷预测保证各条线路输送的容童经济且安全；配售电企业需要负荷预测以准确的把握用户负荷的需求及时的反应市场的变化波动提髙自身的竞争力。

新形势要求负荷预測工作者站在更商的角度探索负荷预测的意义，更深入的钻研负荷预測的原理和方法，提髙负荷预测的精度，提升负荷预测的效率，改进负荷预测的方法。

3、基于数据挖掘技术的短期负荷预测

3.1、基本原则

3.1.1、历史延续性

负荷在时间范围上存在着发展和变化，未来负荷的变化规律可以通过对历史负荷变化规律的总结得到。同一负荷的规律在时间范围上存在延续性，这使得在基于数据挖掘技术的短期负荷预测基于历史日期建模的基础上对未来的负荷进行预测成为可能。

3.1.2、负荷类推性

不同地区或电压等级的负荷随各种因素波动的规律均具有共通性，原因在于负荷的影响因素对负荷的影响规律不受外在因素的影响。所以针对一个负荷所做的负荷分析和预测建模也对其他负荷的分析、建模、预测具有指导意义。

3.1.3、反馈原则

负荷预测的模型选择不是一成不变的，而负荷预测模型的参数选择也应经过优化选择。在没有历史经验的情况下，预测模型的各类参数很难在最初寻找到最优的，只有通过预测结果的对比反馈逐渐修正参数才能达到最好的预测效果。

3.2、负荷预测的关键点

3.2.1、充足的历史数据

负荷预测是用历史负荷建立模型来预测未来负荷的方法，因此历史数据收集的数量、质量直接决定了负荷预测的准确性。所以在负荷预测前大量的收集历史负荷数据、天气数据等是非常有必要的。

3.2.2、数据预处理

用电信息采集系统收集的用电数据，及自动采集的天气数据等通常由于种种因素会造成坏数据，坏数据有可能以－个坏点的形式存在，也可能以－连串坏数据的形式存在，这就要求我们能够发现并剔除或者修改这样的数据，以使负荷预测的结果准确可靠。

3.2.3、充分的负荷分析

往往收集大量的历史数据并不是最困难的，难的是对大量历史数据的负荷分析。如果能够准确量化的分析每个影响因素对负荷的影响情况，剔除对负荷没有作用的影响因素，突出对负荷作用较大的影响因素，则可极大的提升负荷预测程度。通常负荷预测建模的不准确就是因为负荷分析做的不充分。

3.2.4、建模多数的优化选取

当建立好了预测模型对未来的负荷进行预测时候，模型中各参数选取也是很重要的。如何优化预测模型的参数是一个非常重要的课题，通常的做法是对参数微调观察预测结果进行反馈校正来选取相对优化的参数。

3.3、样本选择与数据预处理

根据负荷预测的特点在选取历史样本负荷的时候应该秉持：1）样本数据时间连续。2）时间范围跨度足够大。3）空间范围内数据全的原则。即待预测的节点的地理空间范围内的各电压等级的负荷数据收集尽量全面，历史负荷数据收集充分且连续。只有这样才能保证在对负荷特征的分析以及之后的负荷预测建模时有充足的样本数据以保证预测结果的准确度。

某地级市的17个220kV变电站的日96点负荷数据数据，以及其中一个220kV变电供区下的11个10kV变电站的三年的的日96点负荷数据。天气数据选用每日24点的温度、湿度、降水、风速数据，其范围可覆盖负荷数据的时间。

3.3.1、坏数据的处理

从采集到的负荷数据难免会产生多种错误，包括数据某个点的断

点，长期数据采集失敗等。所以在应用这些负荷数据之前有必要对这些错误的数据难行数据预处理。按照电力系统负荷曲线平滑性的特征，邻近时刻的负荷一般不会有太大的波动。因此对于常见的某单个坏点的数据，本文的处理方法是将数据缺失点的上一个数据和下一个数据取值得到该点的负荷数据，即：

3.3.2、天气数据的处理

天气的原始数据为每24个点的数据，应用支持向量机建模的过程需要对应日96点负荷值的96点天气数据，因而需要对现有的天气数据进行插值预处理。

3.3.3、数据归一化

由于预测建模输入的数据包括历史负荷数据、天气数据、星期节假日数量化后的数据，而这些数据的量纲不同，数值上差距也较大，因此必须首先对数据进行归一化处理保证数值范围大的数据不会淹没数值范围小的数据、

总之，数据挖掘技术是手段、方法，而不是目标或结果，所在应用数据挖掘技术的时候一定要从实际出发，应用现实可行而不花哨的方法从海量数据中挖掘出为我们所用的规律

参考文献

[1]廖培，商佳宜，何洁.基于负荷解析和分类气象因子的短期负荷预测[J].浙江电力，2015，11:33-37.

[2]郑海东，易武，孙薇庭，王丽芳，邱胡光.大数据及其在电力工业中的应用[J].农村电气化，2015，09:34-35.

[3]钟世冠，苏超.基于海量电力数据的用电管控平台[J].电子测试，2015，21:35-40.