（国网内蒙古东部电力有限公司赤峰供电公司 内蒙古赤峰 024000）
摘要：电力系统负荷预测是指从已知的电力系统、经济、社会、气象等情况出发，通过对历史数据的分析和研究，探索事物之间的内在联系和发展变化规律，对负荷发展做出预先的估计和推测。电力系统负荷预测是发电部门制定发电计划和燃料计划的首要工作之一，是电力系统调度部门保证系统安全、稳定运行的重要基础，是电力规划部门统筹电力系统发展的有力依据。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。本文在分析数据挖掘技术的基础上，对电力负荷预测系统进行研究，研究了数据挖掘在电力负荷预测中的应用。
关键词：负荷预测；电力系统；预测方法
1数据挖掘技术概述
1.1技术简介
数据挖掘技术简称DW，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。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。
1.2数据挖掘功能
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数据挖掘常用算法
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。
一般情况下在电力系统数据挖掘中常见的算法有BayesianNetwork和CLAＲANS算法，这两种算法在电力数据的挖掘中具有十分重要的地位，也发挥着非常重要的作用。贝叶斯网络是一种基于概率推理的数学模型，能够通过数据信息分析来获取一些新的数据内容，这将会对于电力信息化的发展给予更大的保障。除了综上两种算法之外，还有一种STING算法，这种算法能够分辨多种群集技术的风格，将空间区域划分为多个不同的单元，这将会更有利于实现电力系统负荷的预测和研究。
2电力系统负荷预测原理
建立负荷模型是电力系统负荷预测最为直接和有效的方法，这一模型包括两方面涵义：①频率特性和负荷电压；②负荷的时空特性。所谓负荷时空特性，主要是指负荷分布会伴随空间和时间变化而不同。
期刊文章分类查询,尽在期刊图书馆基于负荷模型的复杂性，所以研究人员对这种特性进行描述通常采用的是负荷时间曲线。以时间作为依据，负荷曲线可以分为日负荷、周负荷、季负荷和年负荷。但若是划分依据定为时空角度，则该负荷曲线又有系统、用户和节点三种之分。除此之外，负荷曲线按照负荷性质划分还包括生活负荷、市政负荷、农业负荷以及工业负荷等。负荷模型在正常的安全运行中主要是指未来的时空特性，所以这也可视为负荷预测的模型。系统运行过程中负荷预测模型的内容十分广泛，既可在电力系统规划时进行长期预测，同时也可涉及到短期或实时负荷预测。概率统计是通常负荷预测所采用的方法，时间序列分析是工具，考虑到是对未来负荷的预测，因此误差的存在不可避免。比如自然灾害引起的断电就会导致事故时段负荷曲线的变化，诸如此类不确定因素以及负荷变化规律的影响，就是未来负荷预测误差产生的主要原因。因为人为干预存在，负荷预测模型所得到的结果就不可完全依靠。但需要注意，对负荷预测模型所计算而得的结果不能全盘否定，通常情况下这些结果的准确度还是较高的。
3电力负荷预测中数据挖掘技术应用
3.1数据预处理
数据预处理技术是现代化电力信息符合预测中的主要技术，运用数据预处理技术能够将一些错误数据及时的剔除，避免这些数据对电力系统造成一定程度的影响。一般情况下，如果电力系统中的数据出现错误或者是出现不准确的数据，将对电力负荷预测造成很大的影响。运用数据预处理技术能够将需要剔除的数据第一时间内进行剔除，为电力系统负荷预测的正常运行奠定坚实的基础。不仅如此，在数据预处理技术中还应该注重负荷变化的情况，如果发现数据负荷出现非正常的变化就应该及时给予制止，通过对比待检测日期等内容来判断可疑点的存在。由此可见，在电力系统的发展中，数据预处理具有十分重要的地位，在实际的电力负荷预测中，数据预处理是首要的条件，只有明确数据预处理的重要性，才会更好地实现电力系统的负荷预测。
3.2典型负荷预测模型
典型负荷预测模型是电力系统负荷预测中的主要内容，一般情况下典型负荷预测模型会包括负荷数据和气象数据，其中气象数据是较为准确的，都是由当地的气象总局校验过的，其准确性和真实性都较高，对于电力系统负荷的预测和研究具有十分重要的意义。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。
3.3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。
4结语
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。将数据挖掘技术运用到电力负荷预测中将会更加准确地对数据进行分析和整理，为电力行业的发展给予更多的支持，也会更好地实现电力系统的经济价值和社会价值。
参考文献：
[1]浅谈数据挖掘技术及应用[J].尹超，秦洁.科技风.2017（08）
[2]电力用户侧大数据分析与并行负荷预测[J].王德文，孙志伟.中国电机工程学报.2015（03）
[3]主动配电网规划中的负荷预测与发电预测[J].钟清，孙闻，余南华，柳春芳，王芳，张鑫.中国电机工程学报. 2014（19）
论文作者:周占福
论文发表刊物:《电力设备》2017年第30期
论文发表时间:2018/3/9
标签：负荷论文; 数据论文; 电力系统论文; 数据挖掘论文; 电力论文; 技术论文; 模型论文; 《电力设备》2017年第30期论文;