基于数据挖掘理论的中长期电力市场需求分析和预测研究

舒格兰

摘 要：简要分析了中长期电力市场的需求，合理预测电网内部发电机组出现的状况。这对电网的运行模式和机组的检修有很好的指导，从而确保整个社会的生产和生活。以数据挖掘理论为基础，简要分析和预测中长期电力市场的需求，以有效推动电力行业的发展。

关键词：数据挖掘理论；电力市场；中长期需求；发电机组

中图分类号：TP311.13 文献标识码：A DOI：10.15913/j.cnki.kjycx.2016.24.046

随着经济的不断发展和电力市场的开放，人们对电力行业的要求也在不断提高，而电力市场需求的分析和预测工作也就越来越重要。为了确保电力系统运行的经济性和安全性，提高电力企业的效益，需要有效分析和预测中长期电力市场的需求，進而为电力行业的发展提供指导和借鉴。 按照时间的不同，电力市场的需求可以分为短期预测、中期预测和长期预测。本文主要讨论中长期预测，并借助数据挖掘理论，分析和总结搜集、观察到的数据。

1 数据挖掘理论概述

数据挖掘理论，主要是指从大量随机、模糊、不完全的数据中提取一些隐含其中的，人们不知道，但又具有一定代表性和规律性，具有潜在利用价值的知识、信息的过程。数据挖掘不仅可以遍历和查询过去数据，还可以预测未来行为和发展趋势，自动探索从前没有出现的模式，进而为人们的行为和决策提供支持。被挖掘出的信息可以使用在信息管理、处理查询、支持决策和控制过程等方面。按照功能，可将其主要划分为以下几类：①关联分析。如果2个或者多个数据项取值多次出现且概率比较高，就可能具有某种关联，能够建立数据之间关联的规则。②数据分类。这在数据挖掘中使用的次数最多，分类主要是对某一类别概念的描述，代表某类数据整体的信息状况，也就是对这类信息内涵的描述。③聚类分析。数据库内的数据能够分类为一系列子集，相同类别内，个体之间距离比较小，不同类别个体之间距离则比较大。④时序模式。借助时间序列，搜索重复出现概率比较高的模式。

2 国内中长期电力市场的特点

国内中长期电力市场主要有以下3个特性：①宏观性。电力商品被广泛使用，使得中长期电力市场和其他市场不同，不是只涉及一个或者少数行业，而是与整个社会宏观经济的发展，人们生产、生活水平的提高息息相关。在判断中长期电力市场的前景时，需要考虑到它对社会各行业的影响。②复杂性。电力这个商品的特殊性决定其无法大规模存储，而电力发电、供应和使用的同时性也对电力市场需求的分析提出了更高的要求，使其更加复杂。③不确定性。不同地区的经济状况和产业结构不同，用电的需求和特性也有很大的差异。相同地区不同时间用电特性和需求也会有很大的变化，所以，电力市场的需求分析需要随不同的经济发展状况和时间、地点的变化而不断变化。

3 电力市场需求预测模型分析与研究

3.1 省市级电力需求预测模型

省市级电力市场的需求因为地域、时间的跨度比较大，受到电力市场外因素的影响比较严重，且这一影响经常是非线性的，所以，建立模型时，需要考虑以下因素：①模型的输入。模型应该有多个输入，输入变量是外部的影响因素和电力需求自身滞后值。但是，输入也不能太多，因为中长期电力市场需求的预测特点为小样本，如果参数太多，也会为模型辨识带来困难。②需要反映各个影响因素与电力市场需求之间的关系。③模型需要稳定。

常用模型主要有两种，具体情况如下。

3.1.1 多元线性回归预测模型

这一模型的输入有多个，所以，在预测模型时，要充分考虑外界的影响因素。这种模型的建模方式比较简单，所以，应用比较广泛，当前，一些地区在执行电力需求预测工作时，还在使用这一模型。这一模型主要是将与电力市场需求相关的因素添加到预测模型内，这更能反映电力市场外部因素的影响。

3.1.2 最小二乘支持向量机

支持向量机在20世纪90年代得到发展，近些年，因为其非线性拟合能力比较好，经常被用于非线性回归问题中。当前，支持向量机已经成为预测电力需求的常见模型，也是研究热点。支持向量机所需的训练样本比较少，而且克服神经网络训练的时间比较长，学习和训练的结果有随机性等不足，所以，在中长期电力需求预测中，如果存在强非线性和小样本的问题，就十分适合使用支持向量机求解。

3.2 行业电力需求预测模型研究

与省市级电力市场相比，各个行业的电力市场需求受外部因素的影响比较小，受其自身趋势的影响比较大。常用的模型主要有以下2种。

3.2.1 自回归滑动平均模型

这一模式是统计在建模中的具体应用，也是传统时间序列分析中经常使用的模型之一。与省市级电力市场相比，行业电力市场受外界因素的影响比较小，更多的是受自身变化的影响，所以，适合使用这一模型。

3.2.2 神经网络预测模型

近些年，因为神经网络具有十分优秀的非线性能力，使其倍广泛应用于电力市场需求的预测中。目前，在电力市场中，使用最多的是误差反向传播学习算法。一般来说，根据神经网络结构，可以分成输入层、中间层和隐含层。

4 结束语

综上所述，数据挖掘理论在中长期电力市场需求分析和预测研究中发挥着非常重要的作用，需要引起相关人员的高度重视。研究时，如果考虑到需求外部的影响，为了提升省市级市场需求预测的效果，需要分析更多的变量，尽量包含更多领域，以确保能够全面反映市场的变化需求。使用最小二乘支持向量机拟合指标和外部因素间的非线性关系时，需要借助一定经验，选择最优的参数组合。另外，对于相同类别行业所建立的模型，虽然具有普遍性，但还是存在可能出现较大误差的情况。因此，在实际应用时，需要单独建模，提升预测水平，以便提供准确的数据，为电力行业的发展提供借鉴。

参考文献

[1]王艳龙.基于数据挖掘的中长期电力市场需求分析及预测[D].杭州：浙江大学，2016.

[2]张连育.基于数据挖掘的电力故障分析及预警系统研究与实现[D].北京：中国科学院研究生院，2010.

[3]李其军.基于数据挖掘的电力需求预测探究[J].电子测试，2015（1）：153-154.

〔编辑：白洁〕