基于数据挖掘的电力需求预测模型

2018-02-23陆慧梁林森张秋辉

电子技术与软件工程 2018年6期

陆慧梁林森张秋辉

摘要针对当前电力需求在中长期预测方面的需求，结合相关的智能算法，提出一种基于改进聚类算法的电力需求预测模型。结合聚类算法的优点，对电力需求数据进行划分，从而得到不同行业的电力数据;然后利用统一的电力需求模型，对电力需求进行预测。通过这种方式挖掘到不同行业在未来对电力的不同，进而更好的做好对各个行业电力需求的供应。

【关键词】数据挖掘电力需求预测模型

随着现代信息化技术的发展，加强对电力需求的预测，成为保障电力企业稳定发展的一个重要途径，也是保障未来电力建设的重要参考依据。而随着电力企业在用电方面，越来越走向精细化的管理方向，对此做好对电力市场中长期预测，显得格外的重要。但是，当前针对电力需求的预测中，大部分都是采取单一的预测模型直接进行预测，而没有对电力数据进行简单的分类，从而只能对整体电力需求进行预测，最终导致电力部门不能直观的看到具体行业的电力需求。因此，结合上述的问题，笔者在预测模型中引入聚类分析模型，根据不同行业对数据进行划分预测。

1 行业电力市场需求概况

所谓的行业电力需求，其本质就是只在某行业内其电力消费的总量多少。而对行业进行电力市场需求预测，不仅可以研究该行业未来发展的趋势，还可以对整个电力市场的未来规划起到指导的作用。特别是在当前的电力市场环境下，我国电力市场逐步放开，在供售电方面的竞争显得更加的激烈。因此，做好对不同行业客户的细分，可以帮助供电企业更好的做好对不同行业客户的细化，并提供更具有特殊性的供电服务。对此，本文以2007年-2014年某省用电情况进行分析，发现虽然客户和行业不同，但是可以概括为以下几个特点：

（1）可结合相似行业的变换趋势，制定合理的收费策略，从而满足不同行业的需求，并提高电力部门的营业收入。

（2）负荷预测。通过上述的分析，可以对不同的行业进行统一的预测，进而减小了预测的工作量。

（3）调度参考。通过上述的预测，可以为电力部门制定相应的电力供应调整策略。

2 聚类算法简介

为更好的对不同的行业信息进行分类，结合当前主流的聚类算法，提出一种基于K-Means的聚类分析法。而为了方便运算，一个行业图谱则表示一个样本矢量，组成元素为行业的季度用电量数据，不同元素之间的间隔表示为一个季度。那么第m个行业的季度用电结合可以表示为：

3 基于聚类算法的综合预测模型构建

当前，在预测模型中，主要包括多元线性回归预测模型、最小二乘法支持向量机、人工神经网络算法。李其军（2015）在其发表的文章中指出，单一的预测模型在预测中往往存在很大的误差，进而造成预测是数据不准。对此，需要引入一种综合性的预测模型。而在对行业进行数据挖掘的过程中，本文则采用神经网络模型和自回归滑动回归模型。

3.1 自回归滑动平均模型

该模型是传统时间序列预测分析中常用的一种模型。对行业用电需求來讲，其受外部影响较少，而更多的在于受自身变化趋势的影响。对此，本文采用该模型对其进行预测。该模型的具体公式为：

3.2 神经网络算法

神经网络算法主要是用在非线性数据关系中。其主要的原理是通过输入层和隐含层对不同因素权重的调整，同时结合训练样本得到的数据，从而不断缩小实际样本和训练样本之间的误差，最终提高对数据预测的精度。其具体的误差可以用如下的公式来表示：

由此根据上述的设计，可以得到基于聚类分析的整体预测流程。

4 试验验证

结合上述的方法，笔者分别对上述两种预测模型的参数进行设计。在自平滑回归中，则不进行过多的分析。在神经算法中，将输入参数设定为8个，将输出部分设定为1个，同时在激活函数的选择方面，选择sigmoid函数。由此根据上述的结果，可以得到如图l所示的拟合结果。

5 结论

通过上述的分析看出，本文设计的算法的拟合结果很接近真实值，由此说明本文提出的电力预测算法在对未来电力的需求预测方面具有一定的可行性。而通过上述的研究，本文还得出以下的几个结论：

（1）神经网络算法结合自身的学习能力，在预测方面还是具有一定的优势;

（2）本文算法的优势在于在进行训练之前，利用聚类分析对数据进行了初步的筛选，从而提高了训练的精度。

但是本文还需要与其他的算法进行比较，这是未来下一步工作需要研究的重点。