浅析基于大数据挖掘的短期电力市场分析预测

浅析基于大数据挖掘的短期电力市场分析预测

王永鹏刘昕

（国网安徽省电力公司宿州供电公司安徽宿州234000）

摘要：随着城镇化进程的推进，居民用电量日益增加，且呈现时段性用电峰谷。如何有效预测电力负荷成为了电力行业提高服务质量的重要问题。电力负荷的风险预测是指在充分考虑电力负荷的实时数据、客户体验、气象等数据的基础上，利用大数据挖掘的方法，发现影响电力负荷的各种相关因素，最终预测电力负荷在未来的变化趋势。

关键词：大数据挖掘；短期电力市场；分析预测

传统的方法虽然能够达到一定程度的预测，也能找到影响电力负荷的相关因素，但是现实中电力负荷是受到多方面因素的影响。这些因素包括用电时间段、用户、天气、基建项目状态等。除此外，大部分的电力负荷数据都具有半结构化、非结构化的特点。而且目前电网系统数据来源于不同的管理部门，各影响因素之间的数据映射性差，难以形成良好的数据网。经济的发展、时代的进步、人们生活水平的提升、大数据时代的到来为电力企业的发展带来了新的挑战和机遇。信息技术的高速发展、网络技术的迅速普及，数据挖掘技术的高度发展都为电力运营监测带来了全新的挑战，因此，电力企业必须在海量的数据中不断优化和处理各种数据资料，通过分析对数据挖掘中存在的各种问题进行维护和分析，不断完善数据挖掘技术，为促进电力企业电力运营监测的发展奠定基础。

1电力预测系统主要功能

电力大数据，包括电网建设数据、电力设备数据、电力营销数据和电力客户服务数据。数据是描述电网建设项目施工现场信息的电网建设，如图片和其他基础设施；电力设备描述各种设备状态信息的数据，实时记录和设备数据准确鉴定质量；电力营销数据是描述智能交互式数据业务，如电消耗的测量、信息的收集和验证分布；电力客户服务数据主要来自智能互动网站，业务支持采集系统和三通道的数据服务，包括档案的基础支撑平台，结构化的数据交易和GIS，日有一些声音，文本，图像和其他非结构化数据。基于云计算的人力资源预测分析和处理平台的电源功率预测数据预测电力系统、通信网络技术、传感器技术、电力设备、数据采集传感器的电力用户在客户数据集成的过程中，先进的数据挖掘预测算法的使用，如电力资源的随机森林算法，资源型和峰值的预测函数预测客户的负荷。具体功能包括电力负荷预测、电力需求预测、电力市场预测、生产风险预测和电力灾害预测等。电力负荷预测是基于电力负荷预测工作的一系列。从预测的角度来看，电力负荷预测包括未来电力需求预测（电力）、未来用电量预测（能量）和负荷曲线预测。主要的工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行决策提供可靠依据；电力市场预测主要是通过对电力市场和电力从过去的市场状况和综合发展评价分析，科学有效地对电力市场及未来发展方向的市场发展趋势进行有效的预生产；风险预测根据电厂，分析输电线路，电力操作内容配送设施和生产设备，每个岗位的工作方法、设备、环境、人员素质、硒危险源的提前预报是可能发生的事故；灾害预测是指电力系统受冰灾、地震等自然灾害及其他事故的影响，如停电前的停电现象等。建立大数据电力预测系统，可以有效地促进电力平衡，改变电力生产方式，促进电力工业升级，优化电力系统资源配置，解决电力供需矛盾。

2面向大数据的电力预测系统体系结构

电功率预测系统大数据与普通的评价系统相比，基于电力行业多源数据为基础，但也要处理和分析大数据的能力，电能质量综合评价，服务质量和客户满意度和供电服务质量等方面。由于大数据源的广泛分散的力量，同时，对数据的维护要求更高的稳定性和鲁棒性，所以预测电力系统架构设计基于信息系统的体系结构，根据行业特点设计，评价的类型，考虑电力大数据和大电力系统运行安全的数据和数据处理。系统的体系结构分为数据存储层、数据层和数据层的分析预测。各层次相互配合，最后完成电力数据采集的全过程，分析与预测。

其中，数据存储层充分体现了数据处理系统的特点，系统的数据录入和采集电力贸易数据收集在一起，并提供数据交换平台，以适应之间的交叉产业，现阶段跨区域、跨层的数据交换。分层数据集成的数据和电网建设，电力设备，电力营销数据和其他来源的数据服务的数据，而这些数据有不同的存储，同时存储的要求，在不同的数据中心往往存在大数据的力量，数据中心通常分蓄能电站数据。和服务，使数据交换平台通过层分布式存储和数据的技术，所有的大数据过滤和应用的能力，最终将被保存到数据仓库的数据结构和数据高频读数据，而非数据存储的分布式文件系统的结构、数据访问的低。

其次，数据分析层针对电力大数据进行一系列的数据分析和挖掘，这是系统的核心部分，也是将数据转化为信息的重要步骤。结合采矿技术基本分析系统和数据处理功能，数据分析层，该系统的主要功能包括用户管理工具和手段，客户经理和安全管理常用的，通过这些信息系统的常用功能，保证系统的基本操作。面对海量数据的海量数据资源，需要采取虚拟管理系统资源，汇集数据资源，更好地适应下一步操作的预测，以满足预测算法、内存、磁盘、网络等需求。数据分析层的应用体现了数据处理技术的关键是一系列的数据挖掘技术，该系统主要体现在常用的预测方法对数据的整合，包括弹性系数法、负荷密度法、时间序列法、趋势外推法、专家经验法、回归分析法、灰色模型法。预处理后的数据，用户可以选择预测问题直接在系统相应的算法。

最后，根据预测数据层、数据存储层和数据层的数据预测分析算法，包括电力负荷预测、电力需求预测、电力市场预测、生产风险预测和动力灾害预测，最终的预测结果通过B/S信息系统。

3电力预测流程与方法

大数据量电力预测系统集成了多种电力数据源，并集成了多种常用的数据预测算法。该系统能有效地提取电力数据特征，可用于预测分析。从电网建设大数据，电力客户服务数据，数据和电力营销数据的电力设备，预测不同的内容需求选择不同的数据源，如电力负荷预测，通常选择电力营销数据；生产风险预测数据通常选择电网建设和电力设备数据；对需要考虑电力客户服务数据和电力市场需求预测及电力营销数据预测；动力灾害预测需要的所有数据和综合控制。在选择数据源后，需要对数据进行预处理，包括数据清理、缺失值增加、数据归一化等，预处理后的数据再存入数据库，形成两个数据。并运用数据算法的选择是在此基础上进行。该系统充分利用自己的数据来评估预测结果，需要将数据分为训练集和测试集，最终的预测结果也需要经过有经验的专家评估，也可以选择一种新的算法，以及各种算法预测的综合结果，最终输出预测结果。

4结论

面向大数据的电力预测系统的建设适应现阶段不断增长和丰富的电力资源，能够有效地应用于电力相关的各个环节，提供电力生产和应用的保障，能够带来良好的社会效益和经济效益。

参考文献：

[1]何洋,邹波,李文启,等.基于混沌理论的电力系统短期负荷预测的局域模型[J].华北电力大学学报(自然科学版),2013,40(4):43-50.

[2]牛东晓,吕海涛,张云云.贝叶斯框架下最小二乘支持向量机的中长期电力负荷组合预测[J].华北电力大学学报(自然科学版),2008,35(6):62-6.

[3]廖旎焕,胡智宏,马莹莹,等.电力系统短期负荷预测方法综述[J].电力系统保护与控制,2011,39(01):147-52.

[4]彭鹏,彭佳红.基于多元线性回归模型的电力负荷预测研究[J].中国安全生产科学技术,2011,07(9):158-61.