基于大数据挖掘电量预测方法的创新及应用

林丽

摘 要：为了可以使现代电力企业可以更好的实现对供电区域精细化管理的理念，就需要通过现代化的数据挖掘技术，来创新出更加有效的电量预测方法，从根本上帮助电力企业实现对各供电区域的电量精细化管理。基于此，在本篇文章中将会针对基于大数据挖掘电量预测方法的算法研究展开分析，进而针对其实际应用展开研究，希望可以为相关人员提供参考帮助。

关键词：大数据挖掘;电量测试方式;创新及应用

随着现代社会的不断发展与进步，促使电力行业也在现代社会的不断发展中获得了更加广阔的发展空间，这种趋势促使现代电力企业的业务处理数据的数量在不断提高，但在传统的数据积累中，并不能为电力企业的经济发展起到帮助。因此，就需要通过基于大数据挖掘电量预测方法的创新及应用，来完成对各个供电区域的供电数据分析，帮助电力企业提高起身电量预测能力。

一、基于大数据挖掘电量预测方法的算法研究

（一）ARIMA模型

ARIMA模型又被称作为差分自回归移动平均模型，其中AR代表了自回归、I代表了差分、MA代表了移动平均。通常情况下ARIMA模型主要包含了3个参数，分别为：p、d、q，其中p代表了自回归的阶数，d代表了差分的阶数，而q代表了移动平均的阶数。ARIMA模型的在运作的过程中，首先是对非平稳的时间序列进行d次差分处理，使其形成较为稳定的数据排列，而后将平稳书序拟合ARMA（p、q）模式，最后将原本的d次差分进行还原，最终就可以得到原本的序列预测数据。

（二）GM模型

GM模型又被称作为灰色模型，其主要是根据灰色系统而构建的预测模型，同时其也属于微分方程模型，通常情况下其会被应用在对于事物作出连续、长期、动态的反映，其不仅表示出了系统中存在的诸多问题，同时其对于企业内部的连续发展变化过程而言，也会起到反映、构建等作用。此外，GM预测在构建过程中所需样本较小，并且其在运行的过程中较为方便，这使得其在建模的过程中可以通过高精度、高质量的质量完成建模[1]。

二、基于大数据挖掘电量预测方法的实际应用

（一）影响因素的具体分析

通常情况下，对用电量造成较大的影响因素，主要包括经济类因素与气象类因素。其中经济类因素主要包括：国内生产总值、规模以上的工业总产值、持续假期、报装容量等。在实际应用基于大数据挖掘电量预测方法的过程中，就需要将不同类型的影响因素融入其中，从而使电量预测方法可以得出更加准确的参数。

（二）电量预测模型的构建

1.GM模型的构建

GM模型的具体构建过程主要包括：

（1）生成用电量数据并将其制作为模型参数;

（2）针对模型计算数据与实际数据之间的差距进行修订，而后构建出差分微分方程模型;

（3）根据用电量之间的关联度收敛情况进行下一步的具体分析;

（4）针对GM模型得出的数据进行逆生成还原。

2.ARIMA模型的构建

ARIMA模型的具体构建过程主要包括：

（1）获取用电量数据构建数据模型;

（2）试验模型是否平稳并针对数据进行d次差分与零均值化;

（3）计算出数据的相关函数（ACF）与偏自相关函数（PACF）;

（4）全面检查模型中存在的未知参数，并检验构建的模型是否具备有效性。

三、电量预测模型的验证

在验证模型的过程中，将会以某区域为例，通过模型的预测可以得知，该区域内2018年全社会用电总用户数为283871户，年度累计售电量为354863.4069万千瓦时，去年同期累计为342424.6217万千瓦时，相较之下增长了3.63%。

截止至2018年12月的全行业用电量累计为310294.4058万千瓦时，其中第一产业4540.7259万千瓦时、第二产业250486.7794万千瓦时、第三产业55266.9005万千瓦时，去年同期全行业用电量为301955.5754万千瓦时，其中第一产业4675.891万千瓦时、第二产业246469.1582万千瓦时、第三产业50810.5262万千瓦时，相较之下总体增长了2.76%，而其中第一產业却下降了-2.89%;城乡居民生活用电量累计445690011万千瓦时，其中城乡居民18400.1463万千瓦时，乡村居民26168.8548万千瓦时，去年同期城乡居民生活用电量为404690463万千瓦时，其中城乡居民16781.0059万千瓦时，乡村居民23688.0404万千瓦时，同比增长10.13%。通过该结果可以得知，该模型的预测效果与结果较为良好[2]。

四、年度用电预测模块功能

年度用电预测模块的主要目的是为了更好的提供集中年度预测和单项预测功能。其具体操作方式包括：点击预测菜单、选择年度电量预测、打开年度预测页面。具体情况如下图所示：

五、结语

综上所述，本文主要是运用大数据挖掘的电量预测技术，同时充分结合各供电区域内的电量变化趋势，将经济影响、气象影响等诸多因素的影响融合进电量预测中，并充分运用GM模型、APRMA模型来构建出电量预测方式，从而实现对未来供电区域内用电量的预测，最终帮助电力企业实现对各供电区域用电量的精细化关系。

参考文献：

[1]徐俊，徐文辉，曾鑫，等.基于大数据挖掘电量预测方法的创新及应用[J].电力大数据，2018，21（10）：63-67.

[2]马发轩.配网用户用电特性市场分析预测应用系统方案设计[J].电力系统保护与控制，2017，45（12）：120-128.