数据挖掘技术及其在电力系统负荷预测中的应用

孙炜星

摘 要：近年来，信息技术快速发展，各企业为了满足现代经济发展要求，也不断进行技术改革与创新，在企业经营与管理中不断引入先进设备，促进技术改革。电力企业要想在市场经济体制下实现快速、稳定、可持续发展，必须积极引进数字化技术，保证电力系统的安全性与稳定性。数据挖掘技术是一种利用人工智能手段，分析数据库中的大量数据，掌握其规律并获取知识的新兴技术，本文主要分析了数据挖掘技术特点以及在电力系统负荷预测中的具体应用。

关键词：数据挖掘技术；电力系统；负荷预测

中图分类号：TP274 文献标识码：A

在社会主义市场经济体制下，各企业竞争越来越激烈，为了提高企业综合竞争力，实现企业的可持续发展，各企业不断将国内外先进的设备与技术引进企业发展中，通过不断调整经营模式与管理模式来增强本企业的经济实力。现阶段，信息技术不断发展与应用，为企业生产与管理做出了巨大贡献。电力系统作为一个数据大系统，在管理信息系统、数据采集与监视控制系统、地理信息系统、电网运行的实时信息系统广泛应用情况下，大量实时数据在电力系统中传输，传统的统计方法已难以符合快速增长的数据要求，因此需要进行技术创新，提高信息技术的分析能力，保证电力系统运行的稳定性与安全性。

1数据挖掘技术

1.1数据挖掘技术含义

DM（数据挖掘）指的是从数据中发现人类事先未知但具有重要价值与潜在性的知识与信息，并利用技术手段将其表示为人类可理解模式的一个高级过程，可从大量的、复杂的、不完全的数据中掌握已有信息，还可发现未知的、隐藏的新信息，便于人类理解、应用与储存。数据挖掘主要包括数据集成、数据清洗、数据选择与转换、数据挖掘、模式评估以及知识输出表达等多项内容，共涵盖了数据仓库、数据库系统、数据可视化、机器学习、高性能计算以及信息检索等多个交叉领域。

数据挖掘技术是在机器学习基础上发展而来的，但具有其自身优势，主要包括：（1）传统的机器学习是以提高机器学习能力为目的的技术，但数据挖掘技术主要以呈现出可被人使用的、有价值的信息为目的，更具实用性；（2）传统的机器学习通常将较小数据源作为关注重点，但数据挖掘技术是将巨大的数据库作为重点内容，可有效处理维数高、残缺不全、有噪声的数据项。该技术可从多个角度出发，对知识进行归纳学习，将基本理论以及假设未能遇见的知识进行揭示。

1.2数据挖掘具体功能分析

数据挖掘主要具有数据分类、数据估值、知识预测、相关性分组或关联规则、聚类以及可视化等内容。具体分析如下：（1）数据分类，就是将数据类别进行区分，并选出训练集，再利用分类技术于训练集上建立模型；（2）数据估值，估值与数据分类相似，其不同点主要在于，估值是处理连续值的输出；（3）知识预测，这是在分离与估值的前提下进行的，根据数据分类或估值得到数据模型，以便进行预测未知变量；（4）相关性分组与关联规则，这是在分析记录与数据之间的关联性基础上，决定事情发生的可能性；（5）聚类，这主要是指对数据记录进行分组，将相似记录划分在一个聚集中；（6）可视化，就是对数据进行归纳、总结，利用图形等多种形式呈现出来。

1.3工作流程

数据挖掘技术主要是通过数据准备、发掘以及解释评价等三个步骤进行工作，数据准备主要是对数据进行筛选、变换以及预处理；数据发掘主要是以任务具体特点为依据建立数据模型；解释评价就是对数据模式进行评价、解释。

1.4数据挖掘方法

利用数据挖掘技术主要可通过以下几种方法：（1）机器学习方法，这是最基础的方法，其中包括归纳学习与范例学习两种方法；（2）统计方法，包括判别分析、回归分析、探索性分析以及聚类分析；（3）数据库方法，主要是利用在线分析或多维数据分析方法进行数据统计；（4）神经网络方法。

2数据挖掘技术在电力系统负荷预测中的应用分析

近年来，数据挖掘技术的不断发展，在电力系统中的应用也取得了良好的应用效果。数据挖掘技术在电力系统中的应用主要体现在负荷经济调度、动态安全评估、负荷预测以及故障处理上，本文主要分析数据挖掘技术在电力系统负荷预测中的具体应用。

2.1电力系统负荷预测

电力系统负荷主要是电力系统中全部用电设备消耗功率相加的总和；电力预测主要是在已知电力系统的社会、经济、气象基础上分析其历史数据，探索期内在联系以及规律变化，以便于评估与推测负荷发展。电力负荷预测作为电力系统调度、规划以及用电的重要依据，提高其预测水平，对电源管理、规划以及企业的经济效益、社会效益均具有重要意义。

2.2数据挖掘技术在电力系统负荷预测中的具体应用

（1）利群数据分析。对采集数据进行预处理是进行电力系统负荷预测的前提，数据预处理主要是对不良数据或坏数据的校正与识别，可通过自然数据补足或冲击数据剥离对不良数据进行校正，或对坏数据进行修正。在电力系统负荷预测中实施离群数据挖掘，可准确查找出异常数据，并得出异常数据处可发生的设备故障，为决策判断提供资料。

（2）负荷模式判定。在不同的天气条件、运行条件下，电力负荷会出现不同的负荷模式，但是负荷周期与总趋势具有相似性，如负荷曲线的波峰、波谷均具有一定规律性，利用相似性数据挖掘找到相应的负荷状态，在不同天气条件或运行条件下找到负荷相似性，有利于建立不同的负荷模式。

（3）电力系统负荷预测。现阶段，主要是采用BP神经网络进行负荷预测，神经网络变量输入主要有预测日的日期类型、历史数据、温度以及曲线特性因素，这是决定未来负荷水平的重要因素。要提高网络计算速度与效率，必须要选择合理的训练对象，因此确定输入对象具有重要意义。利用数据挖掘技术可通过处理、分析输入变量，来改善神经网络预测的性能与准确性，提高工作效率。

结语

数据挖掘可对潜在知识与规律具有更好的预见性、准确性，在电力系统大规模非线性管理中具有重要的应用价值。电力预测从本质上讲就是对电力市场需求进行预测，为电源规划与建设提供依据，做好电力系统负荷预测工作是电力企业实现现代化管理模式的重要内容，因此，应用数据挖掘技术可有效打破数据不完整性、有效性，保证预测结果，促进电力企业的稳定发展。

参考文献

[1]纪怀猛.电力系统中的数据挖掘技术[J].长春工业大学学报：自然科学版，2014，35（02）：143-147.

[2]陈星莺，张晓花，瞿峰，等.数据挖掘在电力系统中的应用综述[J].电力科学与技术学报，2007，22（03）：51-56.