数据挖掘在电力负荷预测中的应用

高二凯 朱趁红 韩丹

摘 要：电力负荷预测对电力系统安全运行和经济建设有着越来越显著地作用，电力行业产品无法大量储存的特点，决定了电力生产及使用必须在同一阶段内进行，所以电力负荷预测成为电力系统运行调度、生产规划等决策的重要部分。在电力负荷预测上，数据挖掘技术显得尤为重要。数据挖掘基础理论主要包括规则和模式挖掘、分类、聚类、话题学习等，数据挖掘分析，能够利用已有事实，对预测未来的结果，做出有力决策。本文在分析电力负荷预测研究的现状后，对电力负荷预测系统进行研究，重点研究了数据挖掘在电力负荷预测中的应用。

关键词：数据挖掘；K均值算法；神经网络

1 绪论

1）背景及意义。在电力运行系统中，电力负荷预测的作日趋重要，电力负荷预测对电力系统安全，科学，高效运行有着战略性的作用。电力负荷预测在电力系统中的战略性作用重要表现在：电力负荷预测的数据结果，极大影响着电力系统的生产、控制和调度；由于电力产品不能大量存储的特别特点，决定了电力产品的生产及使用必须在同一阶段内进行，这是电力系统能够稳定运行的必然要求。

2）电力负荷预测的原理。电力负荷预测有6个基本原理[ 1 ]：a.可知性原理；b.可能性原理；c.连续性原理；d.相似性原理；e.反馈性原理；f.系统性原理。

3）电力负荷预测研究综述。从20世纪70年代初，电力负荷预测就开始逐渐发展起来了，而且越来越多的人将研究重点都放在这个方面上。在80年代的研究，因为能源短缺问题越来越严重，如何科学管理用电负载也显得越来越迫切，电力负荷预测的战略地位更为凸显了，而且对电力负荷预测的研究重点放在了解决当时的用电负载上面。到了90年代，我们已经进入了全球化世界，电力市场在全球化的趋势下，显得更为蓬勃发展，此时电力负荷预测更加引起世界人们广泛的关注。

2 数据挖掘

2.1 数据挖掘的概念

数掘挖掘又译作数据采集，数据挖掘是知识发现过程中关键一步，一般是指从大量数据中自动发现隐含的数据关系，或者说通过系统变量之间可以的关系进行评估来导出模型，并将其转化为计算机可以处理的结构化表示的过程。

2.2 常用数据挖掘算法

（1）分类；（2）聚类；（3）关联规则；（4）决策树；（5）人工神经网络。

3 基于神经网络的电力负荷预测

3.1 BP神经网络

BP算法：BP算法拥有了前馈神经网络结构的特点，可以先后通过正向传播和反向传播，不断地改进网络结构，使得最后的输出与预期值最为接近。

BP神经网络各个变量的关系可表示为：

3.2 电力负荷预测结果及分析

以某省2011年8月1日到11月29日最大实时负荷作为网络的训练样本，预测11月30日整天的实时负荷。

针对8月1日到11月29日每刻钟的实时负荷建立神经网络模型，首先用神经网络模型的输入参数是前五个时刻钟的实时负荷值，输出参数为第六个时刻钟的实时负荷值，输入5个神经元，输出1个神经元。隐含层神经元从样本中提取并存储规律，其个数选取在公式：

经过不断尝试，对不同节点数进行对比选择最佳个数。学习速率的选取范围在0.01-0.8之间。

本次预测中，评价预测结果的性能指标有：预测值与实际值间的均方根误差（MSE）；预测值与实际值的相关系数；最后预测的坏预测结果率。通过对最大相关系数预测模型的筛选，我们得出了合理的预测负荷值，然后不断调整输入参数的值，由2個时刻增加到3个，4个，…15个，然后选择出预测效果最好的那个作为最终输入参数值。首先我们输入参数的值选取2个时刻得到预测结果的性能评价指标值：均方根误差：186046.4542；相关系数：0.92933；坏预测结果率：0.11765。改变输入参数的值选取3个时刻得到预测的结果的性能评价指标值：均方根误差：280882.6034；相关系数：0.93148；坏预测结果率：0.049318。

比较前两次评价指标和预测结果，很明显能看出第二次预测效果更好，然后我们继续改变输入参数的值由4个，5个…15个，然后进行对比，最后我们选择出预测效果最好的预测值，即输入参数是6时，预测效果最好。同时得到11月30日这天50个时刻的实时负荷预测值，这些数值是本次的最主要预测值。

在11月30日前，电力企业就能根据这50个实时负荷预测值，对30日当天每个时刻用电负荷量有一定准确性预测，然后对电力系统及时进行调度，对电力产品的生产也有明确目标值，确保了电力系统安全，稳定，科学，高效的运行。

最后对于这次预测整体的效果和性能，我们也相应的求出来了该预测模型的性能评价指标值：均方根误差：18597.25；相关系数：94.96%；坏预测结果率：0.039。

从性能评价指标来看，相关指标都达到了预期的结果，说明该预测模型的预测效果还是不错。

4 总结

在电力运行系统中，电力负荷预测显得十分重要，电力负荷预测对电力系统安全，稳定，科学，高效运行有着战略性的作用，电力负荷预测的数据结果不仅仅影响着电力系统的运行方式，而且对电力系统运行调度、生产规划至关重要，更重要是它也是电力行业工程的重要技术基础和手段。

参考文献：

[1] 陈红.电力系统短期负荷预测系统的实现电力系统自动化，1997.

[2] 牛东晓.电力负荷预测技术及应用.北京：中国电力出版社，1998.

[3] 郑岗，刘斌，周勇，等.基于神经元网络的短期电力负荷预测.西安理工大学学报，2002（02）.

[4] 陈文伟，等.数据挖掘技术.北京：工业人学出版社，2002.

[5] 蔡白兴，徐光佑.人工智能及其应用（第二版）.清华入学山版社，1996.