基于數據挖掘理論的中長期電力市場需求分析和預測研究

舒格蘭

摘 要：簡要分析了中長期電力市場的需求，合理預測電網內部發電機組出現的狀況。這對電網的運行模式和機組的檢修有很好的指導，從而確保整個社會的生產和生活。以數據挖掘理論為基礎，簡要分析和預測中長期電力市場的需求，以有效推動電力行業的發展。

關鍵詞：數據挖掘理論；電力市場；中長期需求；發電機組

中圖分類號：TP311.13 文獻標識碼：A DOI：10.15913/j.cnki.kjycx.2016.24.046

隨著經濟的不斷發展和電力市場的開放，人們對電力行業的要求也在不斷提高，而電力市場需求的分析和預測工作也就越來越重要。為了確保電力系統運行的經濟性和安全性，提高電力企業的效益，需要有效分析和預測中長期電力市場的需求，進而為電力行業的發展提供指導和借鑒。 按照時間的不同，電力市場的需求可以分為短期預測、中期預測和長期預測。本文主要討論中長期預測，并借助數據挖掘理論，分析和總結搜集、觀察到的數據。

1 數據挖掘理論概述

數據挖掘理論，主要是指從大量隨機、模糊、不完全的數據中提取一些隱含其中的，人們不知道，但又具有一定代表性和規律性，具有潛在利用價值的知識、信息的過程。數據挖掘不僅可以遍歷和查詢過去數據，還可以預測未來行為和發展趨勢，自動探索從前沒有出現的模式，進而為人們的行為和決策提供支持。被挖掘出的信息可以使用在信息管理、處理查詢、支持決策和控制過程等方面。按照功能，可將其主要劃分為以下幾類：①關聯分析。如果2個或者多個數據項取值多次出現且概率比較高，就可能具有某種關聯，能夠建立數據之間關聯的規則。②數據分類。這在數據挖掘中使用的次數最多，分類主要是對某一類別概念的描述，代表某類數據整體的信息狀況，也就是對這類信息內涵的描述。③聚類分析。數據庫內的數據能夠分類為一系列子集，相同類別內，個體之間距離比較小，不同類別個體之間距離則比較大。④時序模式。借助時間序列，搜索重復出現概率比較高的模式。

2 國內中長期電力市場的特點

國內中長期電力市場主要有以下3個特性：①宏觀性。電力商品被廣泛使用，使得中長期電力市場和其他市場不同，不是只涉及一個或者少數行業，而是與整個社會宏觀經濟的發展，人們生產、生活水平的提高息息相關。在判斷中長期電力市場的前景時，需要考慮到它對社會各行業的影響。②復雜性。電力這個商品的特殊性決定其無法大規模存儲，而電力發電、供應和使用的同時性也對電力市場需求的分析提出了更高的要求，使其更加復雜。③不確定性。不同地區的經濟狀況和產業結構不同，用電的需求和特性也有很大的差異。相同地區不同時間用電特性和需求也會有很大的變化，所以，電力市場的需求分析需要隨不同的經濟發展狀況和時間、地點的變化而不斷變化。

3 電力市場需求預測模型分析與研究

3.1 省市級電力需求預測模型

省市級電力市場的需求因為地域、時間的跨度比較大，受到電力市場外因素的影響比較嚴重，且這一影響經常是非線性的，所以，建立模型時，需要考慮以下因素：①模型的輸入。模型應該有多個輸入，輸入變量是外部的影響因素和電力需求自身滯后值。但是，輸入也不能太多，因為中長期電力市場需求的預測特點為小樣本，如果參數太多，也會為模型辨識帶來困難。②需要反映各個影響因素與電力市場需求之間的關系。③模型需要穩定。

常用模型主要有兩種，具體情況如下。

3.1.1 多元線性回歸預測模型

這一模型的輸入有多個，所以，在預測模型時，要充分考慮外界的影響因素。這種模型的建模方式比較簡單，所以，應用比較廣泛，當前，一些地區在執行電力需求預測工作時，還在使用這一模型。這一模型主要是將與電力市場需求相關的因素添加到預測模型內，這更能反映電力市場外部因素的影響。

3.1.2 最小二乘支持向量機

支持向量機在20世紀90年代得到發展，近些年，因為其非線性擬合能力比較好，經常被用于非線性回歸問題中。當前，支持向量機已經成為預測電力需求的常見模型，也是研究熱點。支持向量機所需的訓練樣本比較少，而且克服神經網絡訓練的時間比較長，學習和訓練的結果有隨機性等不足，所以，在中長期電力需求預測中，如果存在強非線性和小樣本的問題，就十分適合使用支持向量機求解。

3.2 行業電力需求預測模型研究

與省市級電力市場相比，各個行業的電力市場需求受外部因素的影響比較小，受其自身趨勢的影響比較大。常用的模型主要有以下2種。

3.2.1 自回歸滑動平均模型

這一模式是統計在建模中的具體應用，也是傳統時間序列分析中經常使用的模型之一。與省市級電力市場相比，行業電力市場受外界因素的影響比較小，更多的是受自身變化的影響，所以，適合使用這一模型。

3.2.2 神經網絡預測模型

近些年，因為神經網絡具有十分優秀的非線性能力，使其倍廣泛應用于電力市場需求的預測中。目前，在電力市場中，使用最多的是誤差反向傳播學習算法。一般來說，根據神經網絡結構，可以分成輸入層、中間層和隱含層。

4 結束語

綜上所述，數據挖掘理論在中長期電力市場需求分析和預測研究中發揮著非常重要的作用，需要引起相關人員的高度重視。研究時，如果考慮到需求外部的影響，為了提升省市級市場需求預測的效果，需要分析更多的變量，盡量包含更多領域，以確保能夠全面反映市場的變化需求。使用最小二乘支持向量機擬合指標和外部因素間的非線性關系時，需要借助一定經驗，選擇最優的參數組合。另外，對于相同類別行業所建立的模型，雖然具有普遍性，但還是存在可能出現較大誤差的情況。因此，在實際應用時，需要單獨建模，提升預測水平，以便提供準確的數據，為電力行業的發展提供借鑒。

參考文獻

[1]王艷龍.基于數據挖掘的中長期電力市場需求分析及預測[D].杭州：浙江大學，2016.

[2]張連育.基于數據挖掘的電力故障分析及預警系統研究與實現[D].北京：中國科學院研究生院，2010.

[3]李其軍.基于數據挖掘的電力需求預測探究[J].電子測試，2015（1）：153-154.

〔編輯：白潔〕