基于大數據挖掘電量預測方法的創新及應用

郝月

摘要：為了可以使現代電力企業更好的實現對供電區域精細化管理的理念，就需要通過現代化的數據挖掘技術，來創新出更加有效的電量預測方法，從根本上幫助電力企業實現對各供電區域的電量精細化管理。

關鍵詞：：大數據挖掘;電量預測方式;創新及應用

1基于大數據挖掘電量預測方法的算法研究

1.1ARIMA模型

ARIMA模型又被稱作為差分自回歸移動平均模型，其中AR代表了自回歸、I代表了差分、MA代表了移動平均。通常情況下ARIMA模型主要包含了3個參數，分別為：p、d、q。其中p代表了自回歸的階數，d代表了差分的階數，而q代表了移動平均的階數。ARIMA模型的在運作的過程中，首先是對非平穩的時間序列進行d次差分處理，使其形成較為穩定的數據排列，而后將平穩書序擬合ARMA（p、q）模式，最后將原本的d次差分進行還原，最終就可以得到原本的序列預測數據。

1.2灰色預測模型

對灰色系統建立的預測模型稱為灰色模型，簡稱GM模型，是微分方程模型，可用于對描述對象作長期、連續、動態的反映，它揭示了系統內部事物連續發展變化的過程。灰色模型就是通過少量的、不完全的信息，建立灰色微分預測模型，對事物發展規律作出模糊性的長期描述。灰色預測需要樣本量較小，運算方便，建模精度高。

2基于大數據挖掘電量預測方法的應用

2.1數據獲取

通過對指標的研究梳理發現，臺區或行業的電量數據可以從平臺數據庫中獲取，經濟類指標可以從統計局網站上獲取，氣象類指標可以從氣象局網站上獲取。

2.2相關分析

從平臺數據庫獲取電量數據進行深度挖掘，找出和電量相關性較大的因素，分別是經濟類因素、持續假期、報裝容量和氣象類因素（雷電、風力和氣溫），選擇和開發分別適合短期、中期和長期電量預測的數據挖掘算法時加入不同的影響因素，增加電量預測準確率。

2.2.1經濟類因素與用電量的相關性分析

將經濟類因素例如國內生產總值、規模以上工業總產值、固定資產投資等與用電量進行相關性分析，發現用電量與合同利用外資、批準外資項目數呈負相關，與其余經濟因素呈正相關，即隨著合同利用外資、批準外資項目數的增加，用電量逐漸下降。隨著國內生產總值、規模以上工業總產值、固定資產投資、出口總額等經濟因素的增加，用電量逐漸上升，九個經濟因素中與用電量相關性較強的是國內生產總值、規模以上工業總產值、固定資產投資、出口總額、全社會零售消費總額和財政總收入，可見相比對外經濟因素，用電量與國內經濟因素相關性更大。

2.2.2氣溫與用電量的相關性分析

由圖可知，用電量與日最高溫間的簡單相關系數為系數為0.423，與日最低溫間的簡單相關系數為0.458，與日平均溫間的簡單相關系數為0.451，它們的相關系數檢驗的概率p值都近似為0。因此，當顯著性水平α為0.01時，都應拒絕相關系數檢驗的零假設，認為用電量與日最高溫存在線性關系，用電量受日最高溫的正向影響。

2.3電量預測模型的構建

2.3.1GM模型的構建

GM模型的具體構建過程主要包括：（1）生成用電量數據并將其制作為模型參數，（2）針對模型計算數據與實際數據之間的差距進行修訂，而后構建出差分微分方程模型，（3）根據用電量之間的關聯度收斂情況進行下一步的具體分析，（4）針對GM模型得出的數據進行逆生成還原。

2.3.2ARIMA模型的構建

ARIMA模型的具體構建過程主要包括：（1）獲取用電量數據構建數據模型，（2）試驗模型是否平穩并針對數據進行d次差分與零均值化，（3）計算出數據的相關函數（ACF）與偏自相關函數（PACF），（4）全面檢查模型中存在的未知參數，并檢驗構建的模型是否具備有效性。

2.4應用的價值

電力系統用電量預測是指從電力負荷自身的變化情況以及經濟、氣象等因素的影響規律出發。通過對歷史數據的分析，探索事物之間的內在聯系和發展變化規律，以未來的經濟、氣象等因素的發展趨勢為依據，對電力需求作出預先估計和推測，對于提高用電量預測的精度對增強電力系統運行安全性和改善其經濟性具有重要意義，而且在電改形勢下，預測結果越準確就越能使電力公司等市場參與者在競爭且多變的環境下做出更加明智的商業決策。

3電量預測模型的驗證

以某區域為例，模型預測出該區2019年7月工業用電量為34941.49萬千瓦時，2019年8月工業用電量為32445.32萬千瓦時，2019年9月工業用電量為28817.10萬千瓦時，而實際用電量分別為34316.55萬千瓦時、32044.84萬千瓦時和30108.93萬千瓦時，預測誤差分別為，1.82%、1.25%和4.29%，該模型累計平均誤差為2.71%，認為模型預測效果良好。

4年度用電預測模塊功能

年度用電預測模塊的主要目的是為了更好的提供集中年度預測和單項預測功能。其具體操作方式包括：點擊預測菜單、選擇年度電量預測、打開年度預測頁面，具體情況如下圖所示：

5結語

本文主要是運用大數據挖掘的電量預測技術，結合各供電區域內的電量變化趨勢，將經濟影響、氣象影響等諸多因素的影響融合進電量預測中，并充分運用GM模型、ARIMA模型來構建出電量預測方式，實現對于未來用電量的精準預測。

參考文獻

[1]徐俊，徐文輝，曾鑫，等.基于大數據挖掘電量預測方法的創新及應用[J].電力大數據，2018，21（10）：63-67.

[2]馬發軒.配網用戶用電特性市場分析預測應用系統方案設計[J].電力系統保護與控制，2017，45（12）：120-128.