摘要：随着电力计算机辅助服务技术、监测采集技术以及通讯技术等发展，同时电力系统日益复杂，电力网络日益庞大，电力企业信息化水平不断提高，生产和经营过程中会产生和积累大量数据信息，数据信息呈现爆炸性増长，数据的采集，传输、加工、存储、查询以及预测和决策等的信息量和工作量越来越大，这些数据和由此产生的信息都是电力公司的财富。
关键词：电力系统；负荷预测；数据挖掘；应用分析
1导言
我们明确了电力系统与数据挖掘技术之间的关系，利用数据挖掘技术可以有效的将电力系统中隐藏的数据急性挖掘和分析工作，从而提升电力系统运行的稳定和安全性，为促进我国电力企业的发展提供了有力的帮助。将数据挖掘技术应用到现今的电力系统负荷预测中，不仅可以对数据进行详细且准确的整合和分析，还可以对电力自动化系统带来一定的技术支持，从而提升企业发展的经济效益。
2数据挖掘概述
2.1数据挖掘的概念
数据挖掘是一项较为细致的工作，在对电力数据挖掘的时候往往需要从海量的数据中进行筛选，要选择一些具有潜在价值和意义的数据进行分析。电力系统的发展越来越具有时代性，只有符合未来社会发展的技术才会实现可持续的发展战略。在对电力数据挖掘的过程中，一定要根据不同的数学模型的特点对数据进行具体的分析。在对大量数据进行分析的过程中，往往会将一些潜在的数据挖掘出来，这些数据对电力系统的运行和发展给予更大的保障。
2.2数据挖掘的功能
在对电力数据进行挖掘的时候应该注重对数据信息功能的分类，在对电力系统数据分类的时候需要注意的是对数据的科学合理划分。因为不同的数据所带有的信息是不同的，数据往往会被人们分为一个又一个的子集，不同的数据个体之间有着一定的差异。只有充分分析数据，才会明确数据中的信息量。除此之外，可视化也是数据挖掘的一项主要功能，运用可视化进行数据分析可以实现更加直观的分析，这将有助于提升我国现有的电力行业的发展。为数据的分析和人机交流提供更加方便的环境。
2.3数据挖掘常用算法
一般情况下在电力系统数据挖掘中常见的算法有Bayesian Network 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。
3电力负荷数据挖掘与电力负荷预测原理
电力负荷数据挖掘就是从大量负荷数据中挖掘出隐含的、未知的、能提供给电力调度中心人员的潜在价值的关系、模型和趋势，并且利用这些知识和规律建立用于支持电力生产决策等的模型，从而提供电力负荷预测的方法、工具和过程，最终更加精确的预测出电力负荷数据。数据挖掘的一般过程如图 1 所示。在挖掘电力负荷数据建模步骤时，首先要根据应用的需求，定义挖掘负荷数据目标；其次从电力负荷系统中抽取出一些有质量且与挖掘目标相关的样本数据子集，即数据取样；然后进行数据探索，当数据量庞大，就要进行分组、寻找关联性、探索离群点等；接下来进行负荷数据预处理，其具体包括数据筛选、缺失值处理、坏数据处理等；接着探索本次建模的数据挖掘属于哪类问题（分类、聚类、关联规则、时序模式等），即模式发现；最后在确定本次建模所属的数据挖掘问题后，确定合适算法进行建模。
图1 电力负荷数据挖掘流程图
电力负荷预测是根据电力负荷的许多历史数据，探索负荷变化规律对未来负荷的影响，以寻求电力负荷与各种相关因素之间的内在联系，从而对未来负荷进行科学、合理的预测，为电力系统运行的经济性和安全性提供有力保证。它是基于可知性、可能性、可控性、系统性原理的一种针对电力市场需求的预测。电力负荷预测的步骤：（1）合理、可行的确定负荷预测的目标和内容；（2）从挖掘得到的数据对之进行分析；（3）电力系统相关因素数据的预测或获取；（4）负荷预测模型和方法的选择和取舍；（5）进行负荷预测建模；（6）预测结果的综合分析与评价。
4简述电力系统的数据挖掘技术
4.1 概念
数据挖掘是从大量的数据中通过筛选的方式选择出具有潜在价值的内容并进行深入分析的一个过程，由于其涉及到的内容较多，工序也比较繁杂，因此在实际的工作中，必须要做到细致、耐心，以确保分析的准确性。随着我国经济和技术的不断发展，数据挖掘技术也被越来越多的人重视和使用。不过在进行电力数据挖掘工作时，要结合构建模型的不同情况对数据进行相应的分析，通过对大量数据的分析，找出其内在更深层次的数据内容，并对这些内容进行合理的预测和分析，从 而确保电力系统的正常运行，促进电力企业的进一步发展。
4.2 数据挖掘技术的方法
区域的不同，其负荷的情况也会发生改变，而预测的方式越多，给工作人员的选择也就越多，自然其预测的数值也就越精确。在进行负荷预测工作时，有很多新的预测方式产生，比如说灰色系统法、人工神经网络法等。同时，在电力系统符合预测过程中，还有一些辅助的方式来帮助预测的数值达到精细，例如负荷曲线预测方法、预测月度数据预测方法等，这这些方式在使用的过程中，还可以通过对历史序列中存在的一些不良数据进行有效的监测，从而提升预测的准确度。这就给了相关人员比较多的选择机会，结合实际的工作内容，选择多种适合的预测方式，并对预测的数值进行细致的对比分析，得出最终的准确数据.
4.3 数据挖掘在电力系统负荷预测中的实际应用
电力系统的有效运转与人们的生活和生产是紧密联系在一起的，不过由于人们对电量的需求情况不同，为了对其进行合理的控制，要对电力系统的负荷预测进行严格的管理。
5数据挖掘技术在负荷预测中应用的主要内容
数据挖掘技术主要是针对电力系统负荷中的指标、电量、负荷特性、曲线、基于误差以及用电客户的管理等进行相应的预测工作。对于指标的预测主要分为两个方面：经济指标以及综合指标，且挖掘的方式多达10种以上，即使是删除一些方法，也可以确保其预测的数值进行有效的保存，不会影响后续的分析工作以及预测的准确性。1）在进行电量预测工作时，主要是对月度以及年度的各行业的电量情况进行相应的预测。其各行业月度的电量预测采取的方式主要有：Winters周期性指数平滑预测法、改进Winters周期性指数平滑预测法、月度量周期自回归模型预测法这三种。2）负荷特性预测。主要包含了年负荷特性参数预测、月负荷特性参数预测和日负荷特性参数预测。其中月负荷特性参数预测主要是对月供电量、月最大日供电量、月最小日供电量、月平均日供电量、月最大负荷、月最小负荷、月平均负荷、月最大峰谷差、月平均日峰谷差、月平均日负荷率、月最小负荷率、月负荷率、月最大峰谷差率、月平均日峰谷差率等的数据管理工作。3）日负荷特性参数预测则是对日供电量、日最大负荷、日最小负荷、日平均负荷、日峰谷差、日峰谷差率、日负荷率、日最小负荷率等进行相应的数据管理的工作。4）曲线预测主要包括的内容有年负荷曲线，年持续负荷曲线以及日负荷曲线的预测工作。5）基于误差预测。其优势在于将测量人员的经验以及拟合误差的信息进行有效的融合，将预测的数值进行合理的修正工作，从而提高预测数值的精确度。主要应用在国民经济指标、综合指标、年度各行业用电量这三方面的预测上。通过分析拟合误差的走势，预测以后若干年拟合误差的发展规律，确定未来年份的相对误差上、下限，则可以得出预测对象未来年份预测结果。6）基于综合指标预测。这也是我国电力系统中最为传统的方法，其可以对全部用电的住户进行相应的电量预测工作。
6结语
基于数据挖掘在电力行业中针对于负荷预测的应用才刚刚起步不久，加上国家的大力扶持，以及数据挖掘技术的成熟等，电力企业应该结合数据挖掘技术与电力系统的应用需求，更好、更快、更大发挥数据挖掘在这行业的价值，更好的服务于智能电网。
参考文献：
[1]周一聪.数据挖掘技术及其在电力系统负荷预测中的应用[J].黑龙江科技信息，2016（31）：20.
[2]王延超.数据挖掘与电力系统负荷预测[J].现代交际，2016（07）：227-228.
[3]高琳琳. 基于数据挖掘的短期负荷预测[D].南昌大学，2012.
论文作者:吴佳玲1,樊荣2
论文发表刊物:《基层建设》2018年第19期
论文发表时间:2018/8/8
标签：负荷论文; 数据论文; 数据挖掘论文; 电力系统论文; 电力论文; 电量论文; 技术论文; 《基层建设》2018年第19期论文;