摘要：本文針對現(xiàn)有電力網(wǎng)絡(luò)中數(shù)據(jù)挖掘處理速度慢、平臺兼容性差的問題，提出了一種快速自適應(yīng)的用電量數(shù)據(jù)深度挖掘和決策方法，通過判決門限，實現(xiàn)對三種數(shù)據(jù)挖掘模型的快速選取和使用。實際測試結(jié)果表明，新方法有效提升用電量數(shù)據(jù)挖掘效率，降低決策時延8.6%。

關(guān)鍵詞：數(shù)據(jù)清洗；數(shù)據(jù)挖掘；灰度；時間序列

中圖分類號：TM7 文獻(xiàn)識別碼：A 文章編號：1001-828X（2016）009-0000-02

一、引言

海量用電數(shù)據(jù)的實時處理和快速分析是電網(wǎng)與客戶能量流、信息流、業(yè)務(wù)流實時互動的新型供用電關(guān)系的基礎(chǔ)，為實現(xiàn)市場響應(yīng)迅速、收費方式多樣、服務(wù)高效便捷提供重要保障。

灰度模型通過多數(shù)據(jù)關(guān)聯(lián)分析特定目標(biāo)的變化趨勢，但依賴樣本數(shù)據(jù)，導(dǎo)致預(yù)測誤差變大；時間序列模型是觀測值按照時間次序排列解釋與變量的相互關(guān)系，其需要采集大量的數(shù)據(jù)進(jìn)行驗證；回歸模型是對統(tǒng)計關(guān)系進(jìn)行定量描述的一種數(shù)學(xué)模型，其通過采集數(shù)據(jù)返回對模型修正，準(zhǔn)確度高但處理時延大。數(shù)據(jù)挖掘模型的綜合處理性能仍有待提高，電力網(wǎng)絡(luò)用電量預(yù)測的錯誤率達(dá)到30.53%。

針對現(xiàn)有電力網(wǎng)絡(luò)中數(shù)據(jù)挖掘處理速度慢、平臺兼容性差的問題，本文提出了一種快速自適應(yīng)的用電量數(shù)據(jù)深度挖掘和決策方法，通過判決門限，實現(xiàn)對三種數(shù)據(jù)挖掘模型的快速選取和使用。實際測試結(jié)果表明，新方法有效提升用電量數(shù)據(jù)挖掘效率。

二、用電量數(shù)據(jù)深度挖掘和決策模型

1.灰度數(shù)據(jù)挖掘與決策模型

灰色系統(tǒng)將無規(guī)律的歷史數(shù)據(jù)累加后，使其變?yōu)榫哂兄笖?shù)增長規(guī)律的上升形狀數(shù)列。常用GM（1，1）模型理論如下：

在用電量分析上，首先采集企業(yè)用電量的原始數(shù)據(jù)，各時刻數(shù)列值的逐次累加獲得總值，預(yù)測該企業(yè)下一時間段的用電總量。

灰度模型以多數(shù)據(jù)關(guān)聯(lián)分析特定目標(biāo)的變化趨勢，只需要較少的數(shù)據(jù)即可預(yù)測目標(biāo)值，不需收集其他相關(guān)數(shù)據(jù)，處理速度快。但依賴樣本數(shù)據(jù)，以歷史來推測未來，不適應(yīng)外部環(huán)境突變?nèi)菀讓?dǎo)致預(yù)測誤差變大。

2.時間序列數(shù)據(jù)挖掘與決策模型

時間序列模型是某一個觀測值按照時間次序排列解釋與變量的相互關(guān)系。實際分析企業(yè)用電量時，將電量分為兩部分，一部分是自然增長（使用時間序列預(yù)測），另一部分是容量變更對電量的影響，總體電量基準(zhǔn)部分采用holt-winters 乘法模型，則上述公式變換為：

f（t+m）=（Ut+mbt）Ft-L+m+AB（2）

時間序列模型其需要采集大量的數(shù)據(jù)進(jìn)行驗證，可以預(yù)測到較細(xì)的數(shù)據(jù)顆粒度，準(zhǔn)確解釋電量的周期和季節(jié)波動情況，引入了容量的調(diào)整。但忽略了當(dāng)年容量變更的影響，模型比較復(fù)雜。

3.回歸分析挖掘與決策模型

回歸模型是對統(tǒng)計關(guān)系進(jìn)行定量描述的一種數(shù)學(xué)模型。在實際用電量分析時，根據(jù)變量的預(yù)測力，其模型分析如下：設(shè)因變量為y，k個自變量分別為x1，x2，…，xk，描述因變量y如何依賴于自變量x1，x2，…，xk和誤差項ε的方程稱為多元回歸模型。其一般形式可表示為：

B0，B1，B2，…，Bk是模型的參數(shù)。

回歸模型需要較多的數(shù)據(jù)，從業(yè)務(wù)上比較好理解，能估計出各個主要影響因素對其的影響強度。

三、用電量數(shù)據(jù)深度挖掘和決策模型

針對現(xiàn)有電力網(wǎng)絡(luò)中數(shù)據(jù)挖掘處理速度慢、平臺兼容性差的問題，提出了一種快速自適應(yīng)的用電量數(shù)據(jù)深度挖掘和決策方法，通過判決門限，實現(xiàn)對三種數(shù)據(jù)挖掘模型的快速選取和使用。

1.神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理架構(gòu)

由于電網(wǎng)數(shù)據(jù)中心的用電量預(yù)測模型具有不同的數(shù)據(jù)挖掘和預(yù)測能力，為了綜合三種模型的優(yōu)點，提升用電量預(yù)測模型的預(yù)測效率，本文采用神經(jīng)網(wǎng)絡(luò)作為模型選擇的處理架構(gòu)。

不同層的神經(jīng)元之間通過權(quán)值進(jìn)行連接，數(shù)據(jù)處理架構(gòu)如圖1所示。

2.多模型處理學(xué)習(xí)過程

其具體步驟如下：

步驟一：從處理決策的三種模型中選定其中一種模型，將用電量數(shù)據(jù)輸入進(jìn)網(wǎng)絡(luò)中。

步驟二：計算預(yù)測模型的用電量輸出和實際測試用電量的誤差。

步驟三：從輸出層開始進(jìn)行反向計算，直到第一個隱含層，按照一定原則向著減小誤差的方向調(diào)整網(wǎng)絡(luò)中的聯(lián)接權(quán)值。

步奏四：選擇其他模型重復(fù)以上的步驟，直到總體的訓(xùn)練樣本集誤差達(dá)到給定的要求為止。

3.輸出數(shù)據(jù)決策

假設(shè)不同的模型處理下輸出值的相關(guān)值與預(yù)期條件有關(guān)，則有預(yù)期輸出值

y=a1Y1+a2Y2+a3Y3（4）

式中，Y1， Y2， Y3為三種模型的預(yù)測值，a1，a2，a3分別為預(yù)測模型中所占據(jù)的權(quán)重值，可由神經(jīng)網(wǎng)絡(luò)訓(xùn)練得出。

四、智能用電量決策實例分析

1.測試環(huán)境

實驗數(shù)據(jù)選擇南方電網(wǎng)惠州供電局2009年至2014年電子等多個行業(yè)的用電量預(yù)測數(shù)據(jù)和實際數(shù)據(jù)。

2.用電量預(yù)測偏差分析

選取新模型下，對比三種現(xiàn)有模型南方電網(wǎng)惠州供電局的玻璃行業(yè)用電量預(yù)測數(shù)據(jù)如表1所示。

如表1所示，新模型的預(yù)測準(zhǔn)確率高于現(xiàn)有的三種模型。

3.模型預(yù)測時延分析

本模型綜合了其他三個模型的優(yōu)點，在分析數(shù)據(jù)和預(yù)測用電量時，根據(jù)學(xué)習(xí)的行業(yè)特征選擇最合適和快速的模型，各模型的預(yù)測時延分析如圖2所示。

如圖2所示，隨著用電監(jiān)測項目增加，新模型的預(yù)測時延低于現(xiàn)有的三種模型，降低決策時延8.6%。

五、總結(jié)

本文針對現(xiàn)有電力網(wǎng)絡(luò)中數(shù)據(jù)挖掘處理速度慢、平臺兼容性差的問題，提出了一種快速自適應(yīng)的用電量數(shù)據(jù)深度挖掘和決策方法，通過判決門限，實現(xiàn)對三種數(shù)據(jù)挖掘模型的快速選取和使用。實際測試結(jié)果表明，新方法有效提升用電量數(shù)據(jù)挖掘效率，降低決策時延8.6%。

參考文獻(xiàn)：

[1]聶倩雯，高瑋.基于關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘技術(shù)的電網(wǎng)故障診斷[J].電力系統(tǒng)保護(hù)與控制，2009，09：8-14+19.

[2]楊懿，楊潔，聶恬.基于數(shù)據(jù)挖掘的電網(wǎng)數(shù)據(jù)智能分析的研究[J].電子技術(shù)與軟件工程，2014，23：218+224.

[3]譚小野.數(shù)據(jù)挖掘在電網(wǎng)安全中的應(yīng)用[J].東北電力技術(shù)，2005，08：40-44.

作者簡介：賴蔚蔚（1978-），男，廣東河源人，碩士研究生，高級工程師，研究方向：電力信息化。