一種快速自適應的用電量數(shù)據深度挖掘和決策方法

摘要：本文針對現(xiàn)有電力網絡中數(shù)據挖掘處理速度慢、平臺兼容性差的問題，提出了一種快速自適應的用電量數(shù)據深度挖掘和決策方法，通過判決門限，實現(xiàn)對三種數(shù)據挖掘模型的快速選取和使用。實際測試結果表明，新方法有效提升用電量數(shù)據挖掘效率，降低決策時延8.6%。

關鍵詞：數(shù)據清洗；數(shù)據挖掘；灰度；時間序列

中圖分類號：TM7 文獻識別碼：A 文章編號：1001-828X（2016）009-0000-02

一、引言

海量用電數(shù)據的實時處理和快速分析是電網與客戶能量流、信息流、業(yè)務流實時互動的新型供用電關系的基礎，為實現(xiàn)市場響應迅速、收費方式多樣、服務高效便捷提供重要保障。

灰度模型通過多數(shù)據關聯(lián)分析特定目標的變化趨勢，但依賴樣本數(shù)據，導致預測誤差變大；時間序列模型是觀測值按照時間次序排列解釋與變量的相互關系，其需要采集大量的數(shù)據進行驗證；回歸模型是對統(tǒng)計關系進行定量描述的一種數(shù)學模型，其通過采集數(shù)據返回對模型修正，準確度高但處理時延大。數(shù)據挖掘模型的綜合處理性能仍有待提高，電力網絡用電量預測的錯誤率達到30.53%。

針對現(xiàn)有電力網絡中數(shù)據挖掘處理速度慢、平臺兼容性差的問題，本文提出了一種快速自適應的用電量數(shù)據深度挖掘和決策方法，通過判決門限，實現(xiàn)對三種數(shù)據挖掘模型的快速選取和使用。實際測試結果表明，新方法有效提升用電量數(shù)據挖掘效率。

二、用電量數(shù)據深度挖掘和決策模型

1.灰度數(shù)據挖掘與決策模型

灰色系統(tǒng)將無規(guī)律的歷史數(shù)據累加后，使其變?yōu)榫哂兄笖?shù)增長規(guī)律的上升形狀數(shù)列。常用GM（1，1）模型理論如下：

在用電量分析上，首先采集企業(yè)用電量的原始數(shù)據，各時刻數(shù)列值的逐次累加獲得總值，預測該企業(yè)下一時間段的用電總量。

灰度模型以多數(shù)據關聯(lián)分析特定目標的變化趨勢，只需要較少的數(shù)據即可預測目標值，不需收集其他相關數(shù)據，處理速度快。但依賴樣本數(shù)據，以歷史來推測未來，不適應外部環(huán)境突變容易導致預測誤差變大。

2.時間序列數(shù)據挖掘與決策模型

時間序列模型是某一個觀測值按照時間次序排列解釋與變量的相互關系。實際分析企業(yè)用電量時，將電量分為兩部分，一部分是自然增長（使用時間序列預測），另一部分是容量變更對電量的影響，總體電量基準部分采用holt-winters 乘法模型，則上述公式變換為：

f（t+m）=（Ut+mbt）Ft-L+m+AB（2）

時間序列模型其需要采集大量的數(shù)據進行驗證，可以預測到較細的數(shù)據顆粒度，準確解釋電量的周期和季節(jié)波動情況，引入了容量的調整。但忽略了當年容量變更的影響，模型比較復雜。

3.回歸分析挖掘與決策模型

回歸模型是對統(tǒng)計關系進行定量描述的一種數(shù)學模型。在實際用電量分析時，根據變量的預測力，其模型分析如下：設因變量為y，k個自變量分別為x1，x2，…，xk，描述因變量y如何依賴于自變量x1，x2，…，xk和誤差項ε的方程稱為多元回歸模型。其一般形式可表示為：

B0，B1，B2，…，Bk是模型的參數(shù)。

回歸模型需要較多的數(shù)據，從業(yè)務上比較好理解，能估計出各個主要影響因素對其的影響強度。

三、用電量數(shù)據深度挖掘和決策模型

針對現(xiàn)有電力網絡中數(shù)據挖掘處理速度慢、平臺兼容性差的問題，提出了一種快速自適應的用電量數(shù)據深度挖掘和決策方法，通過判決門限，實現(xiàn)對三種數(shù)據挖掘模型的快速選取和使用。

1.神經網絡數(shù)據處理架構

由于電網數(shù)據中心的用電量預測模型具有不同的數(shù)據挖掘和預測能力，為了綜合三種模型的優(yōu)點，提升用電量預測模型的預測效率，本文采用神經網絡作為模型選擇的處理架構。

不同層的神經元之間通過權值進行連接，數(shù)據處理架構如圖1所示。

2.多模型處理學習過程

其具體步驟如下：

步驟一：從處理決策的三種模型中選定其中一種模型，將用電量數(shù)據輸入進網絡中。

步驟二：計算預測模型的用電量輸出和實際測試用電量的誤差。

步驟三：從輸出層開始進行反向計算，直到第一個隱含層，按照一定原則向著減小誤差的方向調整網絡中的聯(lián)接權值。

步奏四：選擇其他模型重復以上的步驟，直到總體的訓練樣本集誤差達到給定的要求為止。

3.輸出數(shù)據決策

假設不同的模型處理下輸出值的相關值與預期條件有關，則有預期輸出值

y=a1Y1+a2Y2+a3Y3（4）

式中，Y1， Y2， Y3為三種模型的預測值，a1，a2，a3分別為預測模型中所占據的權重值，可由神經網絡訓練得出。

四、智能用電量決策實例分析

1.測試環(huán)境

實驗數(shù)據選擇南方電網惠州供電局2009年至2014年電子等多個行業(yè)的用電量預測數(shù)據和實際數(shù)據。

2.用電量預測偏差分析

選取新模型下，對比三種現(xiàn)有模型南方電網惠州供電局的玻璃行業(yè)用電量預測數(shù)據如表1所示。

如表1所示，新模型的預測準確率高于現(xiàn)有的三種模型。

3.模型預測時延分析

本模型綜合了其他三個模型的優(yōu)點，在分析數(shù)據和預測用電量時，根據學習的行業(yè)特征選擇最合適和快速的模型，各模型的預測時延分析如圖2所示。

如圖2所示，隨著用電監(jiān)測項目增加，新模型的預測時延低于現(xiàn)有的三種模型，降低決策時延8.6%。

五、總結

本文針對現(xiàn)有電力網絡中數(shù)據挖掘處理速度慢、平臺兼容性差的問題，提出了一種快速自適應的用電量數(shù)據深度挖掘和決策方法，通過判決門限，實現(xiàn)對三種數(shù)據挖掘模型的快速選取和使用。實際測試結果表明，新方法有效提升用電量數(shù)據挖掘效率，降低決策時延8.6%。

參考文獻：

[1]聶倩雯，高瑋.基于關聯(lián)規(guī)則數(shù)據挖掘技術的電網故障診斷[J].電力系統(tǒng)保護與控制，2009，09：8-14+19.

[2]楊懿，楊潔，聶恬.基于數(shù)據挖掘的電網數(shù)據智能分析的研究[J].電子技術與軟件工程，2014，23：218+224.

[3]譚小野.數(shù)據挖掘在電網安全中的應用[J].東北電力技術，2005，08：40-44.

作者簡介：賴蔚蔚（1978-），男，廣東河源人，碩士研究生，高級工程師，研究方向：電力信息化。