郝月

摘要：为了可以使现代电力企业更好的实现对供电区域精细化管理的理念，就需要通过现代化的数据挖掘技术，来创新出更加有效的电量预测方法，从根本上帮助电力企业实现对各供电区域的电量精细化管理。

关键词：：大数据挖掘;电量预测方式;创新及应用

1基于大数据挖掘电量预测方法的算法研究

1.1ARIMA模型

ARIMA模型又被称作为差分自回归移动平均模型，其中AR代表了自回归、I代表了差分、MA代表了移动平均。通常情况下ARIMA模型主要包含了3个参数，分别为：p、d、q。其中p代表了自回归的阶数，d代表了差分的阶数，而q代表了移动平均的阶数。ARIMA模型的在运作的过程中，首先是对非平稳的时间序列进行d次差分处理，使其形成较为稳定的数据排列，而后将平稳书序拟合ARMA（p、q）模式，最后将原本的d次差分进行还原，最终就可以得到原本的序列预测数据。

1.2灰色预测模型

对灰色系统建立的预测模型称为灰色模型，简称GM模型，是微分方程模型，可用于对描述对象作长期、连续、动态的反映，它揭示了系统内部事物连续发展变化的过程。灰色模型就是通过少量的、不完全的信息，建立灰色微分预测模型，对事物发展规律作出模糊性的长期描述。灰色预测需要样本量较小，运算方便，建模精度高。

2基于大数据挖掘电量预测方法的应用

2.1数据获取

通过对指标的研究梳理发现，台区或行业的电量数据可以从平台数据库中获取，经济类指标可以从统计局网站上获取，气象类指标可以从气象局网站上获取。

2.2相关分析

从平台数据库获取电量数据进行深度挖掘，找出和电量相关性较大的因素，分别是经济类因素、持续假期、报装容量和气象类因素（雷电、风力和气温），选择和开发分别适合短期、中期和长期电量预测的数据挖掘算法时加入不同的影响因素，增加电量预测准确率。

2.2.1经济类因素与用电量的相关性分析

将经济类因素例如国内生产总值、规模以上工业总产值、固定资产投资等与用电量进行相关性分析，发现用电量与合同利用外资、批准外资项目数呈负相关，与其余经济因素呈正相关，即随着合同利用外资、批准外资项目数的增加，用电量逐渐下降。随着国内生产总值、规模以上工业总产值、固定资产投资、出口总额等经济因素的增加，用电量逐渐上升，九个经济因素中与用电量相关性较强的是国内生产总值、规模以上工业总产值、固定资产投资、出口总额、全社会零售消费总额和财政总收入，可见相比对外经济因素，用电量与国内经济因素相关性更大。

2.2.2气温与用电量的相关性分析

由图可知，用电量与日最高温间的简单相关系数为系数为0.423，与日最低温间的简单相关系数为0.458，与日平均温间的简单相关系数为0.451，它们的相关系数检验的概率p值都近似为0。因此，当显著性水平α为0.01时，都应拒绝相關系数检验的零假设，认为用电量与日最高温存在线性关系，用电量受日最高温的正向影响。

2.3电量预测模型的构建

2.3.1GM模型的构建

GM模型的具体构建过程主要包括：（1）生成用电量数据并将其制作为模型参数，（2）针对模型计算数据与实际数据之间的差距进行修订，而后构建出差分微分方程模型，（3）根据用电量之间的关联度收敛情况进行下一步的具体分析，（4）针对GM模型得出的数据进行逆生成还原。

2.3.2ARIMA模型的构建

ARIMA模型的具体构建过程主要包括：（1）获取用电量数据构建数据模型，（2）试验模型是否平稳并针对数据进行d次差分与零均值化，（3）计算出数据的相关函数（ACF）与偏自相关函数（PACF），（4）全面检查模型中存在的未知参数，并检验构建的模型是否具备有效性。

2.4应用的价值

电力系统用电量预测是指从电力负荷自身的变化情况以及经济、气象等因素的影响规律出发。通过对历史数据的分析，探索事物之间的内在联系和发展变化规律，以未来的经济、气象等因素的发展趋势为依据，对电力需求作出预先估计和推测，对于提高用电量预测的精度对增强电力系统运行安全性和改善其经济性具有重要意义，而且在电改形势下，预测结果越准确就越能使电力公司等市场参与者在竞争且多变的环境下做出更加明智的商业决策。

3电量预测模型的验证

以某区域为例，模型预测出该区2019年7月工业用电量为34941.49万千瓦时，2019年8月工业用电量为32445.32万千瓦时，2019年9月工业用电量为28817.10万千瓦时，而实际用电量分别为34316.55万千瓦时、32044.84万千瓦时和30108.93万千瓦时，预测误差分别为，1.82%、1.25%和4.29%，该模型累计平均误差为2.71%，认为模型预测效果良好。

4年度用电预测模块功能

年度用电预测模块的主要目的是为了更好的提供集中年度预测和单项预测功能。其具体操作方式包括：点击预测菜单、选择年度电量预测、打开年度预测页面，具体情况如下图所示：

5结语

本文主要是运用大数据挖掘的电量预测技术，结合各供电区域内的电量变化趋势，将经济影响、气象影响等诸多因素的影响融合进电量预测中，并充分运用GM模型、ARIMA模型来构建出电量预测方式，实现对于未来用电量的精准预测。

参考文献

[1]徐俊，徐文辉，曾鑫，等.基于大数据挖掘电量预测方法的创新及应用[J].电力大数据，2018，21（10）：63-67.

[2]马发轩.配网用户用电特性市场分析预测应用系统方案设计[J].电力系统保护与控制，2017，45（12）：120-128.