數(shù)據(jù)挖掘在電力負(fù)荷預(yù)測(cè)中的應(yīng)用

高二凱 朱趁紅 韓丹

摘 要：電力負(fù)荷預(yù)測(cè)對(duì)電力系統(tǒng)安全運(yùn)行和經(jīng)濟(jì)建設(shè)有著越來(lái)越顯著地作用，電力行業(yè)產(chǎn)品無(wú)法大量?jī)?chǔ)存的特點(diǎn)，決定了電力生產(chǎn)及使用必須在同一階段內(nèi)進(jìn)行，所以電力負(fù)荷預(yù)測(cè)成為電力系統(tǒng)運(yùn)行調(diào)度、生產(chǎn)規(guī)劃等決策的重要部分。在電力負(fù)荷預(yù)測(cè)上，數(shù)據(jù)挖掘技術(shù)顯得尤為重要。數(shù)據(jù)挖掘基礎(chǔ)理論主要包括規(guī)則和模式挖掘、分類、聚類、話題學(xué)習(xí)等，數(shù)據(jù)挖掘分析，能夠利用已有事實(shí)，對(duì)預(yù)測(cè)未來(lái)的結(jié)果，做出有力決策。本文在分析電力負(fù)荷預(yù)測(cè)研究的現(xiàn)狀后，對(duì)電力負(fù)荷預(yù)測(cè)系統(tǒng)進(jìn)行研究，重點(diǎn)研究了數(shù)據(jù)挖掘在電力負(fù)荷預(yù)測(cè)中的應(yīng)用。

關(guān)鍵詞：數(shù)據(jù)挖掘；K均值算法；神經(jīng)網(wǎng)絡(luò)

1 緒論

1）背景及意義。在電力運(yùn)行系統(tǒng)中，電力負(fù)荷預(yù)測(cè)的作日趨重要，電力負(fù)荷預(yù)測(cè)對(duì)電力系統(tǒng)安全，科學(xué)，高效運(yùn)行有著戰(zhàn)略性的作用。電力負(fù)荷預(yù)測(cè)在電力系統(tǒng)中的戰(zhàn)略性作用重要表現(xiàn)在：電力負(fù)荷預(yù)測(cè)的數(shù)據(jù)結(jié)果，極大影響著電力系統(tǒng)的生產(chǎn)、控制和調(diào)度；由于電力產(chǎn)品不能大量存儲(chǔ)的特別特點(diǎn)，決定了電力產(chǎn)品的生產(chǎn)及使用必須在同一階段內(nèi)進(jìn)行，這是電力系統(tǒng)能夠穩(wěn)定運(yùn)行的必然要求。

2）電力負(fù)荷預(yù)測(cè)的原理。電力負(fù)荷預(yù)測(cè)有6個(gè)基本原理[ 1 ]：a.可知性原理；b.可能性原理；c.連續(xù)性原理；d.相似性原理；e.反饋性原理；f.系統(tǒng)性原理。

3）電力負(fù)荷預(yù)測(cè)研究綜述。從20世紀(jì)70年代初，電力負(fù)荷預(yù)測(cè)就開(kāi)始逐漸發(fā)展起來(lái)了，而且越來(lái)越多的人將研究重點(diǎn)都放在這個(gè)方面上。在80年代的研究，因?yàn)槟茉炊倘眴?wèn)題越來(lái)越嚴(yán)重，如何科學(xué)管理用電負(fù)載也顯得越來(lái)越迫切，電力負(fù)荷預(yù)測(cè)的戰(zhàn)略地位更為凸顯了，而且對(duì)電力負(fù)荷預(yù)測(cè)的研究重點(diǎn)放在了解決當(dāng)時(shí)的用電負(fù)載上面。到了90年代，我們已經(jīng)進(jìn)入了全球化世界，電力市場(chǎng)在全球化的趨勢(shì)下，顯得更為蓬勃發(fā)展，此時(shí)電力負(fù)荷預(yù)測(cè)更加引起世界人們廣泛的關(guān)注。

2 數(shù)據(jù)挖掘

2.1 數(shù)據(jù)挖掘的概念

數(shù)掘挖掘又譯作數(shù)據(jù)采集，數(shù)據(jù)挖掘是知識(shí)發(fā)現(xiàn)過(guò)程中關(guān)鍵一步，一般是指從大量數(shù)據(jù)中自動(dòng)發(fā)現(xiàn)隱含的數(shù)據(jù)關(guān)系，或者說(shuō)通過(guò)系統(tǒng)變量之間可以的關(guān)系進(jìn)行評(píng)估來(lái)導(dǎo)出模型，并將其轉(zhuǎn)化為計(jì)算機(jī)可以處理的結(jié)構(gòu)化表示的過(guò)程。

2.2 常用數(shù)據(jù)挖掘算法

（1）分類；（2）聚類；（3）關(guān)聯(lián)規(guī)則；（4）決策樹(shù)；（5）人工神經(jīng)網(wǎng)絡(luò)。

3 基于神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)

3.1 BP神經(jīng)網(wǎng)絡(luò)

BP算法：BP算法擁有了前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的特點(diǎn)，可以先后通過(guò)正向傳播和反向傳播，不斷地改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)，使得最后的輸出與預(yù)期值最為接近。

BP神經(jīng)網(wǎng)絡(luò)各個(gè)變量的關(guān)系可表示為：

3.2 電力負(fù)荷預(yù)測(cè)結(jié)果及分析

以某省2011年8月1日到11月29日最大實(shí)時(shí)負(fù)荷作為網(wǎng)絡(luò)的訓(xùn)練樣本，預(yù)測(cè)11月30日整天的實(shí)時(shí)負(fù)荷。

針對(duì)8月1日到11月29日每刻鐘的實(shí)時(shí)負(fù)荷建立神經(jīng)網(wǎng)絡(luò)模型，首先用神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)是前五個(gè)時(shí)刻鐘的實(shí)時(shí)負(fù)荷值，輸出參數(shù)為第六個(gè)時(shí)刻鐘的實(shí)時(shí)負(fù)荷值，輸入5個(gè)神經(jīng)元，輸出1個(gè)神經(jīng)元。隱含層神經(jīng)元從樣本中提取并存儲(chǔ)規(guī)律，其個(gè)數(shù)選取在公式：

經(jīng)過(guò)不斷嘗試，對(duì)不同節(jié)點(diǎn)數(shù)進(jìn)行對(duì)比選擇最佳個(gè)數(shù)。學(xué)習(xí)速率的選取范圍在0.01-0.8之間。

本次預(yù)測(cè)中，評(píng)價(jià)預(yù)測(cè)結(jié)果的性能指標(biāo)有：預(yù)測(cè)值與實(shí)際值間的均方根誤差（MSE）；預(yù)測(cè)值與實(shí)際值的相關(guān)系數(shù)；最后預(yù)測(cè)的壞預(yù)測(cè)結(jié)果率。通過(guò)對(duì)最大相關(guān)系數(shù)預(yù)測(cè)模型的篩選，我們得出了合理的預(yù)測(cè)負(fù)荷值，然后不斷調(diào)整輸入?yún)?shù)的值，由2個(gè)時(shí)刻增加到3個(gè)，4個(gè)，…15個(gè)，然后選擇出預(yù)測(cè)效果最好的那個(gè)作為最終輸入?yún)?shù)值。首先我們輸入?yún)?shù)的值選取2個(gè)時(shí)刻得到預(yù)測(cè)結(jié)果的性能評(píng)價(jià)指標(biāo)值：均方根誤差：186046.4542；相關(guān)系數(shù)：0.92933；壞預(yù)測(cè)結(jié)果率：0.11765。改變輸入?yún)?shù)的值選取3個(gè)時(shí)刻得到預(yù)測(cè)的結(jié)果的性能評(píng)價(jià)指標(biāo)值：均方根誤差：280882.6034；相關(guān)系數(shù)：0.93148；壞預(yù)測(cè)結(jié)果率：0.049318。

比較前兩次評(píng)價(jià)指標(biāo)和預(yù)測(cè)結(jié)果，很明顯能看出第二次預(yù)測(cè)效果更好，然后我們繼續(xù)改變輸入?yún)?shù)的值由4個(gè)，5個(gè)…15個(gè)，然后進(jìn)行對(duì)比，最后我們選擇出預(yù)測(cè)效果最好的預(yù)測(cè)值，即輸入?yún)?shù)是6時(shí)，預(yù)測(cè)效果最好。同時(shí)得到11月30日這天50個(gè)時(shí)刻的實(shí)時(shí)負(fù)荷預(yù)測(cè)值，這些數(shù)值是本次的最主要預(yù)測(cè)值。

在11月30日前，電力企業(yè)就能根據(jù)這50個(gè)實(shí)時(shí)負(fù)荷預(yù)測(cè)值，對(duì)30日當(dāng)天每個(gè)時(shí)刻用電負(fù)荷量有一定準(zhǔn)確性預(yù)測(cè)，然后對(duì)電力系統(tǒng)及時(shí)進(jìn)行調(diào)度，對(duì)電力產(chǎn)品的生產(chǎn)也有明確目標(biāo)值，確保了電力系統(tǒng)安全，穩(wěn)定，科學(xué)，高效的運(yùn)行。

最后對(duì)于這次預(yù)測(cè)整體的效果和性能，我們也相應(yīng)的求出來(lái)了該預(yù)測(cè)模型的性能評(píng)價(jià)指標(biāo)值：均方根誤差：18597.25；相關(guān)系數(shù)：94.96%；壞預(yù)測(cè)結(jié)果率：0.039。

從性能評(píng)價(jià)指標(biāo)來(lái)看，相關(guān)指標(biāo)都達(dá)到了預(yù)期的結(jié)果，說(shuō)明該預(yù)測(cè)模型的預(yù)測(cè)效果還是不錯(cuò)。

4 總結(jié)

在電力運(yùn)行系統(tǒng)中，電力負(fù)荷預(yù)測(cè)顯得十分重要，電力負(fù)荷預(yù)測(cè)對(duì)電力系統(tǒng)安全，穩(wěn)定，科學(xué)，高效運(yùn)行有著戰(zhàn)略性的作用，電力負(fù)荷預(yù)測(cè)的數(shù)據(jù)結(jié)果不僅僅影響著電力系統(tǒng)的運(yùn)行方式，而且對(duì)電力系統(tǒng)運(yùn)行調(diào)度、生產(chǎn)規(guī)劃至關(guān)重要，更重要是它也是電力行業(yè)工程的重要技術(shù)基礎(chǔ)和手段。

參考文獻(xiàn)：

[1] 陳紅.電力系統(tǒng)短期負(fù)荷預(yù)測(cè)系統(tǒng)的實(shí)現(xiàn)電力系統(tǒng)自動(dòng)化，1997.

[2] 牛東曉.電力負(fù)荷預(yù)測(cè)技術(shù)及應(yīng)用.北京：中國(guó)電力出版社，1998.

[3] 鄭崗，劉斌，周勇，等.基于神經(jīng)元網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè).西安理工大學(xué)學(xué)報(bào)，2002（02）.

[4] 陳文偉，等.數(shù)據(jù)挖掘技術(shù).北京：工業(yè)人學(xué)出版社，2002.

[5] 蔡白興，徐光佑.人工智能及其應(yīng)用（第二版）.清華入學(xué)山版社，1996.