基于负荷数据挖掘的公变用途分类方法研究
《电力大数据》2020年1-12期总目录
２０２０年１２月第２３卷第１２期电力大数据２０２０年总目录 Ｄｅｃ ２０２０，Ｖｏｌ ２３，Ｎｏ １２ＰＯＷＥＲＳＹＳＴＥＭＳＡＮＤＢＩＧＤＡＴＡＧｅｎｅｒａｌｃｏｎｔｅｎｔｓｉｎ２０２０《电力大数据》２０２０年１～１２期总目录第１期□大数据专题基于集中器ＳＩＭ卡状态分析的异常检测 董重重，王 吁，夏水斌，孙秉宇，何 欢，王先培（１）…………基于Ｑ－Ｌｅａｒｎｉｎｇ算法用户最优充电站运营研究 刘 燕，贾肇伟，高 虹（８）………………………………………基于倾角传感器及不同杆塔类型的输电线路覆冰监测研究 殷蔚翎，黄 良（１４）………………………………………………基于人工智能的风机塔筒倾覆智能预警系统建设与开发 陈万勋，刘春波，赵坚强（２１）……………………………………基于蛛状网拓扑智能变电站“三层一网”通信系统研究 单梦琦（２８）………………………………………………………基于数据可视化的隔离开关运检辅助决策 门业堃，于 钊，宋 威，侯宇程，钱梦迪，滕景竹（３７）…………基于大数据挖掘的电网监控信息智能监控研究 孙云岭，徐建建，李 飞，李少博，苏玉京，李 芸（４５）…………智能变电站集中式站域测控装置设计与实现 辛明勇，杨 婧，高吉普，王 宇，张 历，汪明媚（５１）…………基于大数据的电力环保数据平台建设 雒 军，唐 坚，赵 喆，王 佩，闫 强，陈 星（５８）…………新能源综合服务平台及在配电网中的应用研究 王建平，李 莎，罗子昀，王永琦（６４）……………………………节能灯谐波指纹的测试研究与分析于 洋，李成升（７０）…………气象模拟仿真技术在电力安全应急培训中的应用与研究 陈肖龙，刘 航，李卓晖，张宝星，潘岐深，张荣鑫（７８）…………基于负荷曲线的配网支线负荷电流计算研究与应用 林 元（８４）………………………………………………………第２期□大数据专题基于ＦＡＨＰ的电网企业配电变压器供应商分级管理评价模型 代 洲，尹 华，李桧禹，毛 磊（１）……………………………贵州省近６０年气温变化特征分析及对输电线路运维的影响 刘发勇，犹珀玉（９）………………………………………………基于大数据平台的点负荷近中期负荷预测及行业负荷增长 特征分析李 健，王琛，林韶生，杜佩仁（１７）……………………智慧能源区块链平台及典型应用分析与设计 裴求根（２６）………………………………………………………大数据技术在火电厂ＳＣＲ脱硝系统中的应用 唐 坚，尹二新，路光杰，陈 鸥，张 军，刘永岩（３２）…………基于电力物联网和ＧＩＳ融合的变电智能运检系统研究 李 飞，赵大兴（３８）………………………………………………电力领域科技查新系统的设计与实现 韦嵘晖，王庆红，孙辛博，王洪俊（４６）……………………………基于ＲｅｔｉｎａＮｅｔ模型的鸟巢智能检测 时 磊，杨 恒，周振峰，杨刘贵，张 辉，杜 浩（５３）…………电网转型背景下地市级智能电网示范区规划研究 唐小璐，赵伟然，古 含，何 鑫（５９）……………………………基于高层气象大数据的风电场中长期风功率预测研究 李 飞，纪 元（６６）………………………………………………基于决策流程的电网强降雨及地质灾害应急信息系统研究 苏华英，唐延婧，夏晓玲，田连杰（７３）……………………………无人机载多载荷输电线路巡检方法研究 陈科羽，王 萍，，石书山，周筑博，杨鹤猛（８０）…………………面向电力物联网的电力大数据应用 王海洋，赵忠强，唐建华（８７）……………………………………第３期□大数据专题基于大数据的台区行业聚合分类方法及分类特征分析 李 健，林韶生，陈 芳，杜佩仁（１）……………………………实时电价下用户侧电力需求响应模型优化策略及数字仿真 谈竹奎，汪元芹，赵 菁，刘 斌，刘 敏（１０）…………………设备监控信息大数据与设备模型的互校验及实用化事件分析 高 志，樊锐轶，米 超，王大海，胡庆博，冯 超（１９）…………利用大数据实现电能计量装置运行状态质量评估 妙红英，李 蒙，王艳芹，王 松，洪 虹，康 强（２７）…………基于稳态波形分解与神经网络的负荷识别方法 陈伟伟，洪彬倬（３４）………………………………………………基于大数据的导线悬垂面脱冰跳跃高速摄影测量方法研究 马晓红，吕乾勇，毛先胤，徐舒蓉，王建国，唐 敏（４０）…………基于ＢＰ神经网络的输电线路隐患预放电识别研究 杨 旗，曾华荣，黄 欢，马晓红，毛先胤，张露松（４７）…………大数据理念下的供应商分析及应用研究 方茂欢，贺绍鹏，陈金猛，李 屹，郝嘉诚（５５）…………………基于Ｈａｄｏｏｐ和ＨＢａｓｅ的输变电设备数据聚合平台 陈 锐，吴应双，曹 杰，刘明顺（６２）……………………………基于用户行为的分时电价时段划分和价格制定 陈巨龙，黄剑平，张 裕，代 江（６９）……………………………智能变电站二次系统组网结构与信息传输优化研究 唐孝舟，刘青红，孙长兰，章叶青，葛立青（７７）…………………电力大数据第２３卷考虑多场景新能源预测的月度机组组合研究 赵 倩，赵翔宇，苏华英，汪明清，游成彬，黄红伟（８５）…………第４期□大数据专题基于故障概率的配电设备排查路径规划 马天佚，朱建明，杨 霖，张 驰（１）……………………………多源信息融合的微服务化电网事故追忆 韦洪波，曹 伟，叶桂南，韦昌福，何伊妮（８）……………………基于人工智能的电网调度操作智能防误系统建设及实践 蔡新雷，齐 颖（１６）………………………………………………电力物联网中５Ｇ边缘计算技术的研究 王 亮，鲜 柯（２４）………………………………………………基于ＬｏＲａ技术的低压集抄系统运行可靠性分析 孙 航，梁丹丹，郝凤柱，何 毅，张 鸷（３１）…………………基于规则和机器学习的核电文件分发系统研究 刘帝勇，杨 强，岳振兴（３９）……………………………………基于大数据模式识别机器学习算法的热力站动态能耗指标 预测模型王 炎，张海增，胡新华，赵 隽，李 添（４７）………基于ＸＧｂｏｏｓｔ的线路覆冰测量中激光测距的误差研究 曾华荣，谢百明，王 冕，林呈辉，高吉普（５４）…………………多虚拟电厂接入的主动配电系统优化经济调度 邵倩文，姚 璐，谢 威，李舒佳，谢 敏，李建钊（６２）…………基于预期完成率的月内滚动机组组合研究 田年杰，苏华英，刘明顺，李 赟，黄红伟，游成彬（７１）…………电能表运行误差与状态评价模型研究 王晨丞，张君胜，蒲丽娟，何培东，杜 斌，赵智辉（７９）…………存在反向有功电量低压用户的研判方法研究 马 浩，王立斌，武超飞，赵国鹏，马婷婷（８６）…………………第５期□大数据专题基于生存分析模型的电力设备故障预测方法 王春波，陈 刚，周 融，马莉娟（１）……………………………基于人工智能技术的电网调度控制业务研究 范英乐，王 浩，白玉东，李 熙（９）……………………………基于神经棒的电力变压器离线图像识别研究与应用 曾 惜，王 冕，王林波，龙思璇，吕 飞，陈华彬（１６）…………低照度液晶屏幕图像增强算法 张薇薇，王 彦，张庆伟，付龙明，黄 辉（２３）…………………一种改进的ＲＧＢ－ＤＳＬＡＭ室内空间三维重建方法 余兆凯，彭晓峰，邱昌杰，李 训，常友谦（３０）…………………综合能源热力潮流节点标幺值模型及算法实现 陈 晓，齐文斌，平 原，谭志海，刘兴艳（３８）…………………考虑发电能力匹配性的输变电设备检修优化方法 李 豹，袁 泉，张 蔷，卢明富，张德亮，黄红伟（４６）…………大数据技术在配网单线图自动成图的应用研究 何雄坤，周宏志，聂 辉，陈满超，齐志刚（５４）…………………基于数据驱动的物资储检配一体化系统研究和应用 彭 坤，朱长征，高书怡，朱孝峰，潘 敏，李 刚（６４）…………基于大数据的发电量预测分析数据平台建设 张睿锐，徐俊强，童 琪（７２）……………………………………一种云计算数字签名技术的研究与实现 杨凯利，瞿 强，张永超，张其静，娄红红（８０）…………………面向电网实时运行风险的快速定级方法研究及应用 罗 艳，陈子敬，高 浩，粟 景（８６）……………………………第６期□大数据专题基于用户停车行为统计的电动汽车快速充电站最优规划 陈巨龙，刘振铭，薛 毅，廖志军，郑方鹏，徐立新（１）…………大数据环境下基于Ｋ－ｍｅａｎｓ聚类算法的分组负荷预测研究 史 静，南开辉，周 琪，谈 健，李 琥（９）……………………基于改进的ＳＡＥ和ＤＣＴ的自适应无人机巡线图像识别算法研究 王 鑫，李天睿，焦睦涵，刘萌森，刘逸涵（１７）…………………基于ＫＣ－ＬＳＳＶＭ－ＭＡＦＳＡ的并网光伏微网系统的能量管理 黄 柯，李佳蓉，杨璐瑜，陈 爽（２６）……………………………基于ＢＰ神经网络模型的输电线路造价预测模型研究 张宇晨，张宇霖，封春菲，王 晨（３５）…………………………基于ＴＯＰＳＩＳ的私自增容专变电力用户排查方法 王立斌，张思为，马 浩，赵 佩，李梦宇（４３）…………………基于多级属性加密的零信任访问授权控制方法研究与设计 黄 何，刘 劼，袁 辉（５１）……………………………………基于大数据分析的电力用户多维价值识别精准营销投入产出 模型研究姚丹靖，褚 燕（５７）……………………………………基于大数据技术的配网故障抢修分析预测系统的设计与实践 王海洋，迟兆江，蔡鹏飞（６３）……………………………………数据标签研究与应用李阿勇，税 雪，宋志伟（６９）………………基于泛在感知及Ｐｙｔｈｏｎ编程的线损问题区间快速定位方法 黑 阳，单宇南，李文澜，张 维，郝旭东，胡一平（７５）…………基于同步向量的配电网运行数据监测装置设计 曾 惜，王元峰，王林波，杨琦岑，蔡广林（８５）…………………第７期□大数据专题基于ＦａｃｅＮｅｔ的无人值守变电站智能监控终端 宗祥瑞，王 洋，金 尧，周 斌，任新颜，庞玉志（１）…………基于大数据的电网状态估计精细化分析 刘 爽，张 硕，郑 璐，王兴才，金宜放，王 铎（９）………… 第１２期《电力大数据》２０２０年总目录数据挖掘技术在反窃电工作中的应用研究 秦 娜，高振江，白泽明，栾德佳，李雨庭（１６）…………………水火电发电权交易机制及水电市场化发展模式探究 吕 翔，吴引航，戴晓娟，卢冬雪，陈雨果（２４）…………………基于随机模型预测控制的能源互联网双层协调优化调度 蒋泽甫，张 彦，高 华，何向刚，周杨林（３１）…………………一种基于ＳＱＬｉｔｅ数据库的电网滚动规划分布式收资方法 俞秋阳，何俊峰，常宝立，王新宝（３９）……………………………利用差分－花粉算法实现反时限过流优化 罗 琨，罗晨瑀，刘 丽，李正新，周 坤，郝东方（４６）…………变电站双星形并联电容器组电容量快速测量方法 杨 旗，谢百明，陈沛龙，文 屹，马晓红，陈 竹（５４）…………基于数据分析的ＭＧＰ并网系统电气端口的谐波特性 陈巨龙，薛 毅，李庆生，张裕，何向刚（６２）……………………基于聚类分析的低压配电设备误告警识别方法 冯 义，李中文，晋 斌，张腾飞（７２）……………………………一种基于主站多源信息的配网故障定位方法研究 练 寅，王 荣，刘安茳，王昆伦（７９）……………………………贵州火电机组机网耦合扭振典型故障分析与寿命评估 徐章福，邓彤天，李志凌，姜延灿（８６）……………………………第８期□大数据专题基于电力大数据的新能源跨区域消纳研究 彭 旭，郭耀松，刘 琼，周兆南，白 鑫，高 翔（１）…………基于小波变换的多路基坑尺寸检测降噪评估 张 周，胡 科，张 鹏，林 佳，胡涤尘（９）……………………基于多层协作负荷辨识技术的新型智能电表研制及应用 田 欣，王克南，宁 蒙，邓士伟，李世洁（１８）…………………考虑稳控系统动作策略的大电网实时风险评估 康 鹏，陈俊全，姚 刚，宋 弦，白宏宇，杨 帅（２６）…………基于电力大数据的多源异构数据融合技术研究与应用 毛先胤，文 屹，马晓红，黄 欢，张 辉，余 容（３３）…………考虑设备利用效率和规划执行情况的配电网规划投资分配模型 张 彦，高 华，刘金森，李丽娟（４０）……………………………基于ＰＳＯ－ＬＳＳＶＭ的输电杆塔腐蚀失重回归拟合研究和分析 王 立，李 振，王 伟，杨世平，刘 恒（４７）…………………基于营配大数据的配网故障定位系统的设计与实现 袁忠军，王 丹，段湛辉，陈业伟，李明勇，张宁欢（５６）…………基于健康度与重要度的配电网线路评价 林 元（６３）………………………………………………………基于新型滑模观测器的ＭＭＣ子模块ＩＧＢＴ开路故障诊断方法 刘方艳，汤亚芳（７１）………………………………………………基于电量守恒原理台区拓扑计算模型研究与应用 梁旭常，汪 毅，黄兆鹏，靳 光，刘 林，王 鹏（７９）…………深度调峰工况下外圈配水湿式冷却塔模拟研究 王锁斌，邓彤天，王红波，李晨宇（８６）……………………………第９期□大数据专题基于电网电厂数据交互的居民垃圾分类激励方法及效果预测 方 响，王 亿，夏 霖，孙智卿，徐祥海，侯伟宏（１）…………基于无线传感器与边缘网关的变电站全物联体系方案 朱 成，黄 娅，刘 沁，张 力，刘光程，周哲夫（１０）…………基于大数据技术的电网自然灾害应急救援能力评价体系研究 秦浩然，夏银宽（１８）………………………………………………基于改进粒子群算法的接地网腐蚀诊断研究 陈敬友，付 明，张 军，张 超，杨尊富，雷治炼（２６）…………基于用电信息的电力能效服务潜在客户挖掘 王立斌，马 浩，杨 鹏，张 晶，张肖杰（３４）…………………基于模糊聚类与互信息的电网运营指标类间筛选策略 李嘉周，尹 远，刘俊勇，王电钢，黄 林，唐 杰（４２）…………基于监控ＰａａＳ的大数据治理研究 王 军，宋 尧，于全喜，宁 楠，廖清阳（５０）…………………考虑抽蓄电站运行特性的电网经济调度方法 袁 泉，周 鑫，张 蔷，周毓敏，黄红伟，李 展（５８）…………基于改进内点法的电热联合系统优化研究 陈 晓，谭志海，平 原，刘兴艳，李玉芬（６６）…………………ＳＰＷＭ逆变器输出共模电压影响因素研究 江 娜，曾 鹏，艾 波，李 锦，王生平，谢明威（７４）…………机网系统耦合作用下贵州火电机组轴系扭振建模与实测验证 徐章福，邓彤天，李志凌，姜延灿（８５））…………………………第１０期□大数据专题基于一维卷积神经网络和自注意力机制的非侵入式负荷分解 蒙 亮，于 超，张希翔，覃智君（１）……………………………弱约束关联下考虑社会属性的低压居民台区负荷预测 卢德龙，缪继东，吕培强，殷 勤，吴 阳（９）……………………基于多维特征模糊聚类的负荷用户精准用电管理策略 殷新博，王 数，陆 芸（１７）……………………………………ＲＩＭＡ－ＭＳＦＤ组合模型在甘肃省水力发电量预测中的应用 成禹蓉，冶海廷（２５）………………………………………………大数据思维推进光伏扶贫管理创新的实践及应用研究 罗 凡，徐兰兰，边海源，杨照逵，白闻强，王小龙（３４）…………基于移动边缘计算的电力需求响应业务分配研究 胡 波，王建红（４２）………………………………………………基于大数据的企业用能数据共享分析平台设计与实现 张 颖，郭思炎，张益辉（４９）……………………………………电力大数据第２３卷基于云计算的小水电远程集控平台的设计与实现 陈云鹏，郑黎明，邱生顺，刘德文，李晓波，杜 炜，陈庆锋（５５）……基于数据中台的电力数据报表模型研究与应用 张 帆，杨 志，李文娟，胡锡双，张 乐（６３）…………………基于规划工具的配电网规划现状数据分析研究 关守姝，董小虎，孙 强，冯 涛，韩天华（７０）…………………南方电网发电侧运行备用容量统计研究及应用 李慧勇，杜 旭，方必武，杨 林，郭自豪，丁 刚（７９）…………电力数据标签库建设及服务能力研究 郭 敏，林晓静，尹泽楠，万 凯（８６）……………………………第１１期□大数据专题基于电网大数据的故障风险分析研究 裴求根，杨舒涵，卢宾宾（１）………………………………………基于改进ＦａｓｔｅｒＲＣＮＮ的配网架空线路异常状态检测 王超洋，罗敬一（９）………………………………………………基于ＡＩ大数据技术的无人机巡线研究 王 勇，王永旺，郭建勋（１７）……………………………………基于大数据的输电线路无人机巡检路径追踪方法 吴晏芳，梁智勇，陈冠胜，黄 浩，姜 南，魏子力（２４）…………基于边缘计算的ＧＩＳ母线热特性状态辨识研究 程占峰，夏 博，李波涛，王兴江，朱思尧（３１）…………………基于大数据技术的交直流混合主动配电网规划模型构建 胡 波，赵善龙，庞伟林（３８）……………………………………呼和浩特地区电网基于大数据的ＢＰ神经网络短期负荷预测 姜海洋，周芮冰，王烁罡，周定均，刘昌新，云 卿（４７）…………智慧家庭储能系统配置与运行双层优化 胡厚鹏，林晓明，钱 斌，梁 雾，刘安茳，练 寅（５５）…………基于出力－等值容量特性的光伏出力预测方法 吴 雨，张 宇，赵紫恒，连 欣（６３）……………………………基于电力大数据分析的综合能源服务分析与服务策略制定 曹 敏，白泽洋，巨 健（７２）……………………………………基于电量实时计算的市场监测数字化分析研究与应用 王林信，罗世刚，江 元，李竣业（７９）……………………………基于大数据分析的火电机组节能诊断与能效管理 张 平，孙雪丽（８６）………………………………………………第１２期□大数据专题Ｘ射线数字成像技术与图像人工智能诊断的探索与实践 谢百明，李 波，樊 磊（１）………………………………………基于大数据多元电网动态参数应用的研究 谢怀影，于 淼，贾 威，赵 军，李 婷，王钒宇（１０）…………基于ＣＥＥＭＤＡＮ－ＷＰＴ的台区线损组合变权预测模型研究 周 彬，李宜伦，张异殊，王国栋，蔡娇彧，牛 俊（１８）…………基于大数据分析的园区综合能源企业能效评价 郭 飞，王 波，王 亮，史渊源，胡建军，李秀广（２９）…………基于数据挖掘的南网异地容灾数据负载分析及磁盘空间预测 姜 南，梁智勇，吴晏芳，黄 浩，魏子力，吴浩珊（３７）…………江苏核电基于Ｓｏｌｒ与ＨＢａｓｅ的ＣＣ１设备信息工作台的设计 与实现 朱云飞，杨 强，秦绪涛，张钧鸣（４４）…………………………社会治理视角下的城市大脑电力驾驶舱设计及应用 王 亿，陈 奕，方 响，宣 弈，徐祥海，孙智卿（５０）……基于电力负荷大数据的负荷分析方法及其在无锡地区疫情 期间的应用 董金哲，白晨阳，刘志仁，於慧敏，胡晓青，李 澄（５７）……基于电力大数据的企业复工复产模型研究及应用 王林信，江 元，罗世刚，李竣业（６５）…………………………融合气象信息的配网故障特征挖掘和故障预报研究 周小华，范美鹏，袁雪松，舒文雄（７２）…………………………居民用电行为分析及潜力研究 杨 宏，邓晨成，邹 芹，石 莹（８０）…………………………《电力大数据》２０２０年１～１２期总目录 （８９）………………………………………………。
电力系统大数据挖掘与分析应用研究
电力系统大数据挖掘与分析应用研究摘要：随着电力系统规模的扩大和信息化程度的提高，大数据挖掘与分析在电力系统中的应用越来越重要。
本文从电力系统的大数据特征、挖掘与分析方法以及应用实例等方面进行研究，深入探讨了电力系统大数据挖掘与分析的应用价值和方法。
一、引言随着电力系统的快速发展，电力行业积累了大量的运行数据，这些数据蕴含着宝贵的信息。
如何利用这些数据挖掘和分析出有价值的知识，对电力系统的安全稳定运行具有重要意义。
本文将重点介绍电力系统大数据挖掘与分析的应用研究。
二、电力系统的大数据特征1. 数据量庞大：电力系统涉及到众多设备的监测数据，包括输电线路、变电站、发电机组等，数据呈现出快速增长的趋势。
2. 数据多样性：电力系统的数据包括电压、电流、功率等多个方面的指标，涵盖了时间、空间、频次等多个维度的信息。
3. 数据关联性强：电力系统各个设备之间存在着复杂的相互关系，电力系统的运行状态会对整个系统产生一系列的影响，因此需要考虑数据之间的关联关系。
三、电力系统大数据挖掘与分析方法1. 数据预处理：电力系统的数据收集存在各种噪声和异常，需要进行数据预处理操作，包括数据清洗、去噪、缺失值处理等，以确保数据的质量和准确性。
2. 特征提取：通过对电力系统的原始数据进行特征提取，寻找具有较好区分度的特征，可以有效地降低数据维度并提高数据挖掘的效率。
3. 数据挖掘算法：采用聚类、分类、关联规则挖掘、异常检测等常用的数据挖掘算法，对电力系统的数据进行分析和挖掘，以发现其中的规律和隐藏信息。
4. 模型构建与优化：通过建立电力系统的数据挖掘模型，对其进行优化和调整，以适应电力系统实时运行的需要。
四、电力系统大数据挖掘与分析的应用实例1. 故障预测与诊断：利用电力系统的历史数据，建立故障预测模型，通过分析数据中的特征和规律，实现对电力设备的故障预警和诊断，提高电力系统的可靠性和稳定性。
2. 负荷预测与控制：通过对电力系统的历史数据进行挖掘和分析，可以预测未来的负荷需求，并根据预测结果进行负荷控制，以优化电力系统的供需平衡和能源利用效率。
大数据挖掘在电力负荷预测中的应用教程
大数据挖掘在电力负荷预测中的应用教程一、引言随着电力行业的不断发展和电网规模的不断扩大，电力负荷预测变得越来越重要。
准确预测电力负荷可以帮助电力公司调度电力资源，提高电力系统的运行效率和可靠性，同时降低成本和环境影响。
然而，由于电力负荷受到许多不确定因素的影响，如天气、季节、经济状况等，传统的预测方法往往不能满足实际需求。
因此，大数据挖掘技术应用于电力负荷预测中，可以提供更准确、可靠的预测结果。
二、大数据挖掘在电力负荷预测中的基本原理大数据挖掘是指从海量数据中挖掘出有价值的信息和模式的过程。
在电力负荷预测中，大数据挖掘可以通过以下步骤实现：1. 数据收集：首先需要收集大量的历史电力负荷数据，包括负荷大小、时间戳和相关的影响因素，如温度、湿度等。
这些数据通常来自于电力系统监测设备、气象站和其他相关设备。
2. 数据清洗：由于数据的来源多样性和质量参差不齐，数据清洗是必不可少的步骤。
清洗数据包括去除异常值、处理缺失值、光滑数据等操作，以保证数据的准确性和一致性。
3. 特征提取：在进行电力负荷预测时，不仅需要考虑历史负荷数据，还需要考虑一些可能影响负荷的外部因素，如天气条件、节假日等。
因此，特征提取是非常重要的一步，它可以帮助我们从原始数据中提取出有效的特征，以便建立预测模型。
4. 数据建模：在数据建模阶段，我们需要选择合适的预测模型，并根据训练数据进行模型参数的估计。
常用的预测模型包括线性回归、支持向量机、神经网络等。
此外，还可以使用时间序列分析方法，如ARIMA模型。
5. 模型评估与优化：建立好预测模型后，我们需要使用测试数据集来评估模型的预测性能。
常用的评价指标包括均方根误差（RMSE）、平均绝对误差（MAE）等。
如果模型的表现不理想，我们可以尝试调整模型的参数，或者使用其他模型进行比较和优化。
三、大数据挖掘在电力负荷预测中的应用案例1. 基于特征选择的电力负荷预测特征选择是选取对负荷预测具有重要影响的特征变量的过程。
数据挖掘技术在电力负荷预测中的应用
数据挖掘技术在电力负荷预测中的应用随着电力需求的不断增长，电力系统对于有效的负荷预测变得越来越重要。
负荷预测是电力系统协调可靠性、最小生产成本和负载需求之间平衡的关键技术。
因此，负荷预测技术直接关系到电力系统的安全、稳定和经济运行。
数据挖掘技术在电力负荷预测中逐渐成为重要的手段之一，其主要目标是通过建立精准的负荷预测模型，让电力企业能够在最短时间内做出有效决策，以实现负荷的均衡和优化能源利用。
本文将从数据挖掘技术在电力负荷预测的应用和挑战两个方面进行探讨。
一、数据挖掘技术在电力负荷预测中的应用现代电力系统通常由各种类型的电力设备、宽广的电网、能量储备系统、电力交易数据等构成。
传统模型只能利用历史数据，并根据人工经验和统计方法来构建预测模型，效果很不理想。
随着数据挖掘技术的发展，它为电力负荷预测带来了新的思路和方法。
1. 数据预处理数据预处理技术是数据挖掘技术中的一项重要的前置作业，其目的是对原始数据进行处理和清洗，以保证数据的质量和可用性。
电力系统中的数据特点是多样化、复杂性强、存在误差，因此必须选择适当的数据预处理技术来进行处理。
2. 特征提取针对电力系统传感器（如电压变压器、电流互感器等）以及其他数据特征，特征提取技术可以将原始数据转化为更加有用的特征数据。
这些数据可以用于提取预测模型中的重要特征，从而提高负荷预测的准确性。
3. 预测模型神经网络、支持向量机、决策树和回归模型等多种预测模型已经被成功地应用于电力负荷预测。
预测模型的建立需要考虑多种因素，如数据特性、模型复杂度、准确性和预测效果等，以及企业的实际要求。
二、数据挖掘应用中的挑战在电力负荷预测中，数据挖掘技术仍然面临一些挑战和困难。
其中一些难点包括：1. 大数据处理在现代电力系统中，各种类型的数据和信息不断涌现。
处理这些数据需要使用大数据技术来实现对数据规模和复杂性的处理。
2. 数据缺失和不准确性电力系统的复杂性使数据收集过程中存在缺失和重复以及误差等问题。
电力负荷预测中数据挖掘过程研究
一
，
残差， 即为 各时刻 的随机 负荷 变量 ， 看成 是随 机时 间序 列而在数据挖掘 中利用模型 良好的能 力， 可以很好的考虑到随机负荷因素。 各负荷分 量具 有不同的频 率特性 ， 长期增 长负荷及基荷 可以看 成非周期分量受 气象 因素及 工作 日 双休 日等 因素影 响的 负荷分 量变化 ， 周期 为几个小 时列 一周； 化频率 从几分 钟到几个小 时的 负 变 荷分量可以看 作随机负荷分量特别事件 无固定 规律 性 ， 须具 体问题 具体 分析。 期 负荷 预测 短 中一般 不用考虑天 气敏感负荷分量的 季节周期 性。 ７ 负荷分量分解 、 电力系统 负荷 序列具 有特殊 的周期性 ， 负 荷较 明显地展现出以天和 周为单位进 行变化 的 周期 性 。 过 进 一步分析 可知 ， 通 负荷 中的这种 周期性具 有相当的复杂性 ， 以天 、 月和年为 周、 周期 进行变 化， 而且 往往是 大周期中嵌 套小周 期 。 种周期 性 从频域 的 角度 来看 ， 这 就是 电力 负荷序 列的能量 相对集 中于一些频 段。 因此 负 荷序 列可以看作是多个具 有不同频率分量的 叠 加， 而这些频率 分量 内部 则具有相似 的频率特 性和 一致的 变化规律 。 以可以通过 对负荷 序 所 列进行 频域 分析将这些 频率分 量分离出来 ， 对 每 个分 量单 独进 行分 析并根 据 其特 性 建模 并 预测 。 负荷中某些分 量在时 域上的 表现 是瞬时 的 、 机的 ， 随 为了能捕 获这 一类分 量的 频率规 律， 用传 统的 时频分 析方法就 显得力不从 心。 而小波 变换能将各种交织在一起 的不 同频率组 成 的 混合 负荷 信号分 解 成不 同频 带上的 块信 号。 负荷序 列进 行小波变 换可以将负荷序 列 对 分 别投影 到不同的尺度 上， 而各尺 度可近似地 看 作 各个不 同的 “ 频带 ” 这 样 各个尺 度上 的 ， 子序 列分别代表 了原序列 中不同频域的 分量， 它们 更加 清楚地 表现 了负荷序列的周期性 。 所 以在 小波 分 解的 基础 上 对不 同的子序 列进 行 预测 ， 同时 考虑外界 条件对不同尺度 负荷 的影 响， 建立负荷预测模 型， 最后通过 序列重组 ， 得 到完整的 负荷预测 结果 ， 可以提高预测 精度和 建模效率。 三， 束语 结 进行 坏数 据 辨识 应 当根据 具 体问题 分析 数据 的本 质特 征和内在规律 ， 而找到有针对 从 性 的有 效 方法 。 Ｆ 类分 析的 特 征 曲线 提 基 聚 取， 够将给 定数据 集划分成多个组 或簇群 ， 能 使得每组 内部的数 据矢 量较 为相似 ， 组间的数 据 矢量 差别较 大。 ０ 这一思想 ， 有纯 数值方 具 法不具 有的长处 ， 为坏数 据辨识 提供了可能的 解决 方案。 电力 日偾荷 曲线 具有 相似性 和平滑 性２ 个重要特 征 ， 本文 提 出一系列 数据挖 掘的 方法体系， 经过实例分析取得了良好的效果 。
数据挖掘技术在电力系统中的应用研究
数据挖掘技术在电力系统中的应用研究随着现代化社会的快速发展，电力系统已经成为当代工业和生活中不可或缺的基础设施。
电力系统涉及到多个子系统，例如输电、配电、发电等，每个子系统内部都有着大量的数据。
利用这些数据，可以提高电力系统的效率、可靠性、安全性等方面的表现。
为了更好地利用这些数据，数据挖掘技术应运而生。
一、数据挖掘技术的原理数据挖掘是一种通过自动或半自动地分析批量数据，然后从中发现知识和隐藏的模式的方法。
它涉及到多个领域，例如统计学、人工智能、机器学习等。
数据挖掘的核心是从大量数据中发现潜在规律，为了达到这个目的，可以利用数据预处理、数据分析、数据建模、模型评估等方法。
在电力系统中，数据挖掘技术有着广泛的应用。
例如，它可以用来预测电力需求、检测电力故障、预测负荷峰值等。
数据挖掘技术可以有效地识别不寻常的数据模式，并在电力系统中提供非常有用的信息，以帮助电力工程师制定更好的决策。
二、数据挖掘技术在电力系统中的应用1. 负荷预测负荷预测是电力系统中最重要的应用之一。
负荷预测可以帮助电力公司规划电力供应，从而满足实际需求。
数据挖掘技术可以通过分类、回归等方式，建立负荷预测模型。
这些模型可以对未来的负荷进行预测，并在一定程度上指导电力公司进行负荷调控。
2. 故障诊断在电力系统中，故障是不可避免的。
故障会导致设备的损坏、电力供应的中断甚至动火等问题。
数据挖掘技术可以帮助电力工程师快速识别问题，并进行修复。
一旦发生故障，数据挖掘技术可以分析大量数据，找出问题的根源，并提供相应的解决方案。
3. 能源管理数据挖掘技术可以对电力系统进行深入分析，以优化电力系统的整体表现。
例如，它可以为电力公司制定更好的能源计划，提高电力生成效率。
此外，数据挖掘技术也可以帮助电力工程师预测未来的用电量，从而合理规划电力供应。
三、数据挖掘技术存在的挑战尽管数据挖掘技术在电力系统中有着广泛的应用，但是它仍然面临许多挑战。
其中最大的问题之一是数据质量。
电力系统的数据挖掘与负荷预测技术应用
电力系统的数据挖掘与负荷预测技术应用随着电力需求的不断增长，电力系统的稳定运行和负荷预测成为了当今电力行业的关键问题。
为了有效管理和优化电力系统，数据挖掘技术和负荷预测技术日益受到关注并被广泛应用。
本文将重点探讨电力系统中数据挖掘以及负荷预测技术的应用，并介绍相关的方法和案例。
一、电力系统的数据挖掘技术应用数据挖掘是从大量的数据中挖掘潜在的、以前未知的信息的过程。
电力系统中的数据包括电力生产、传输和消费过程中产生的各类数据，如电力负荷数据、气象数据、供电设备状态数据、市场交易数据等。
利用数据挖掘技术，可以从这些海量的数据中发现规律并为电力系统的管理和优化提供指导。
1.1 负荷数据挖掘负荷数据是电力系统中最重要的数据之一，对负荷数据进行挖掘可以帮助电力系统管理者了解负荷的特点和趋势，为系统的规划和调度提供参考。
负荷数据挖掘的方法包括聚类、分类、关联规则挖掘等。
比如，通过对历史负荷数据进行聚类分析，可以将相似的负荷曲线分为同一类别，从而研究不同类别负荷的特点和规律。
分类方法可以根据负荷数据的特征，将其分成不同的类别，为负荷预测和调度提供依据。
关联规则挖掘可以挖掘负荷数据中的相互关系，发现不同用电设备之间的依赖和影响关系。
1.2 气象数据挖掘气象条件对电力系统的运行和负荷有着重要的影响。
通过挖掘气象数据，可以预测电力负荷和发电量，为电力系统的规划和运行提供支持。
常用的气象数据挖掘方法包括时间序列分析、回归分析和人工神经网络等。
时间序列分析可以从时间的角度研究气象数据的规律和趋势，如气温、湿度、风速等。
回归分析可以通过建立气象数据与负荷数据的数学模型，预测负荷随气象变化的趋势。
人工神经网络可以通过将气象数据输入神经网络模型中，训练模型并预测负荷。
二、电力系统的负荷预测技术应用负荷预测是指对未来一段时间内电力负荷进行预测，以便进行电力系统的规划、调度和运行。
负荷预测技术可以帮助电力系统实现供需平衡，合理调度发电机组和电网设备，提高供电可靠性和经济性。
如何利用数据挖掘优化电力系统运行
如何利用数据挖掘优化电力系统运行电力系统是现代社会中不可或缺的基础设施之一。
为了有效运行电力系统并提供稳定可靠的电能供应，利用数据挖掘技术对电力系统进行优化成为一种重要的途径。
本文将介绍如何利用数据挖掘技术来优化电力系统的运行。
一、数据收集与处理1. 数据收集：电力系统中蕴含着大量的有用数据，包括实时电量、负荷信息、电压频率等。
为了优化电力系统的运行，首先需要收集这些数据。
传统的数据收集方式包括传感器监测、手动记录等，但这些方式存在数据采集不完全、延迟较大等问题。
而现今，电力系统已经实现了智能化监测与数据采集，通过物联网技术，大规模采集与传输电力系统中的实时数据。
2. 数据预处理：在数据挖掘之前，需要对采集到的数据进行预处理。
包括数据清洗，去除异常值和缺失值，并对数据进行归一化或标准化，以消除数据间的差异性和噪声。
同时，还需要将数据进行分层处理，例如按照时间、地区或电力设备进行数据分类。
二、数据挖掘方法1. 负荷预测：电力系统的负荷预测是优化电力系统运行的重要步骤。
负荷预测可以帮助电力系统规划合理的发电能力，避免过度或不足的发电。
常用的负荷预测方法包括时间序列分析、回归分析和神经网络等。
通过对历史负荷数据的挖掘和分析，可以预测出未来一段时间的负荷水平，从而合理调控发电设备。
2. 故障检测与预警：电力系统中经常会出现各种故障，例如线路短路、设备故障等。
这些故障如果不能及时检测和处理，将对电力系统的运行造成严重影响甚至造成事故。
通过数据挖掘技术，可以对电力系统中的实时数据进行监测与分析，发现异常情况，并提前进行预警。
采用聚类分析、分类算法等方法，可以准确检测出电力系统中的故障，提高故障处理效率。
3. 能源管理：优化电力系统的能源管理也是利用数据挖掘的重要方向之一。
通过对电力系统中的数据进行分析，如电量、发电能力等，可以提供合理的能源分配策略，以减少能源浪费和成本开支。
例如，通过分析不同地区的用电特征，可以调整电力传输方案，提高输电效率。
数据挖掘技术在电力负荷管理系统中的应用
数据挖掘技术在电力负荷管理系统中的应用作者：徐巍覃俊来源：《现代电子技术》2008年第10期摘要：将数据挖掘技术应用到电力负荷管理系统中，设计出电力负荷数据挖掘系统，此系统包括数据预处理模块，数据挖掘模块和数据挖掘结果显示模块。
根据电力系统数据的特点，提出采用多元线形回归模型进行数据挖掘的方法，并成功运用了实践中实例表明该数据挖掘系统能够对电力负荷值进行有效的预测，提高用电生产管理方面信息的准确性和及时性，从而保证供电与用电的稳定。
关键词：数据挖掘；负荷数据；数据预处理；多元线性回归中图分类号：TP311 文献标识码：B文章编号：1004-373X(2008)10-036-(Institute of Computer Science,South Central University forAbstract：This paper applies data mining technology into the power load management system,and designs the power load management mining system.This system includes data preprocessing module,data mining module and data mining result display module.According to the power system data characteristic,the way of using multiple linear regression model to implement data mining is put forward and realized in practice.In this examples,it is indicated that the defect can be forecasted effectively in the data mining system,the accuracy of information on electricity productionKeywords：data mining;load data;data preprocessing;multiple linear regression1 引言2002年下半年以来，我国部分地区电力供需紧张，随着经济的快速发展，供需紧张状况进一步加剧，全国各大电网的负荷都在迅速增加，为了加强电力需求管理，各地已实施或者正在实施全面的计算机信息管理，应用技术、管理和宣传、协调等手段切实做好负荷控制、电力调度和用电服务工作。
基于数据挖掘的电力系统负荷预测研究
基于数据挖掘的电力系统负荷预测研究电力系统是人们生产和生活中不可或缺的组成部分。
随着经济的稳步发展，电力需求量迅速增加，这也就需要不断地对电力负荷进行有效预测和调控，以保证电力的供应和使用。
近年来，随着数据挖掘技术的迅速发展，其在电力系统负荷预测方面的应用也逐渐得到了广泛关注。
一、数据挖掘技术简介数据挖掘是一种通过对大量数据进行分析、处理和挖掘来发现其中规律、关联和趋势的技术手段。
数据挖掘可以应用于各个领域，包括电力系统负荷预测领域。
数据挖掘技术中包括许多分析和挖掘方法，例如分类、聚类、关联规则挖掘、决策树等等。
这些技术可以帮助预测未来的负荷需求以及发现数据间的关联和规律。
二、电力系统负荷预测方法电力系统负荷预测是指通过对历史数据进行分析和挖掘来获取未来负荷需求的预测结果。
电力系统负荷预测方法主要包括统计方法、人工神经网络和基于数据挖掘的方法。
1. 统计方法统计方法是电力系统负荷预测最早使用的方法，主要是利用历史数据的统计规律来预测未来负荷需求，例如时间序列分析和回归分析等。
虽然这些方法较为简单易实现，但受到数据质量和历史数据的限制，其预测精度较低，尤其在非线性关系较为复杂的情况下。
2. 人工神经网络人工神经网络是通过模拟大脑神经元的运行方式，将历史数据输入到神经网络中进行训练，最终得出对未来负荷需求的预测结果。
相比统计方法，人工神经网络能够更好地适应非线性数据，并具有较高的预测精度。
但需要注意的是，人工神经网络模型在训练过程中，需要大量的数据和计算资源，并且对初始参数的选取较为敏感，容易陷入“过拟合”的情况。
3. 基于数据挖掘的方法基于数据挖掘的方法是指在历史负荷数据中挖掘有意义的特征，构建负荷预测模型，并通过模型来预测未来负荷需求。
这种方法能够较为准确地反映各个因素和特征对负荷的影响，并能够自主发现不同的负荷模式。
其中，常用的算法包括决策树、支持向量机和神经网络等。
基于数据挖掘的方法可以充分利用数据信息，同时对建模过程中的一些因素进行自动选择和优化，极大地提高了负荷预测的精度和有效性。
数据挖掘在能源管理中的应用案例分析
数据挖掘在能源管理中的应用案例分析随着全球能源需求的不断增长，如何高效地管理和利用能源成为一个重要的议题。
数据挖掘作为一种从大量数据中发现模式、关联和趋势的技术，被广泛应用于能源管理领域。
本文将通过几个应用案例分析，探讨数据挖掘在能源管理中的应用。
一、负荷预测能源系统的负荷预测是能源管理的关键环节之一。
通过准确预测负荷变化，能够合理调配能源资源，提高能源利用效率。
数据挖掘技术可以通过分析历史负荷数据和相关的影响因素（如天气、季节等），建立负荷预测模型。
例如，可以利用神经网络算法对历史负荷数据进行训练，预测未来一段时间内的负荷情况。
这样，能源管理者可以根据预测结果进行合理的能源调度，提高能源利用效率。
二、异常检测能源系统中的异常情况往往会导致能源浪费和安全隐患。
数据挖掘技术可以通过对能源系统数据的分析，及时发现异常情况并采取相应措施。
例如，可以通过聚类分析算法对能源系统数据进行分类，发现与正常情况不符的数据点。
这样，能源管理者可以及时发现潜在问题，并采取措施进行修复，避免能源浪费和安全事故的发生。
三、能源消耗分析能源消耗分析是了解能源使用情况、找出能源浪费的关键环节的重要手段。
数据挖掘技术可以通过对能源消耗数据的分析，发现能源使用的规律和趋势。
例如，可以利用关联规则挖掘算法对能源消耗数据进行分析，找出能源消耗与其他因素（如时间、温度等）之间的关联关系。
这样，能源管理者可以根据分析结果制定相应的节能策略，降低能源消耗。
四、能源效率评估能源效率评估是评估能源系统运行效率的重要手段。
数据挖掘技术可以通过对能源系统数据的分析，评估能源系统的效率，并找出影响能源效率的关键因素。
例如，可以利用决策树算法对能源系统数据进行分析，找出能源效率与各种因素之间的关系。
这样，能源管理者可以根据评估结果进行相应的改进，提高能源系统的效率。
总结起来，数据挖掘在能源管理中的应用案例丰富多样，从负荷预测到异常检测，从能源消耗分析到能源效率评估，都能够为能源管理者提供重要的决策支持。
一种基于数据挖掘的负荷预测方法[发明专利]
![一种基于数据挖掘的负荷预测方法[发明专利]](https://img.taocdn.com/s3/m/bb1742dfee06eff9aff807bc.png)
专利名称：一种基于数据挖掘的负荷预测方法
专利类型：发明专利
发明人：任娴婷,毛以军,吴昌,留益斌,李震,杨春华,王继军,张思,黄远平,杨向明,徐红泉,黄炎阶
申请号：CN201910729303.X
申请日：20190808
公开号：CN110766189A
公开日：
20200207
专利内容由知识产权出版社提供
摘要：本发明具体为一种基于数据挖掘的负荷预测方法，利用配电网大数据存储与计算的基于Hadoop的Spark计算平台，利用Hadoop集群对火电大数据进行分布式存储，并结合Spark计算框架对火电大数据进行数据挖掘，从而建立各个监测点的负荷模型。
本发明能够根据各个测量点负荷实际运行的特性，对参数进行数据清洗、稳态工况判定，提高数据质量，并排除动态不稳定工况数据对数据挖掘结果的影响，能够全面精确的挖掘出符合实际负荷模型。
申请人：国网浙江省电力有限公司衢州供电公司
地址：324000 浙江省衢州市市辖区新河沿6号
国籍：CN
代理机构：南京源古知识产权代理事务所(普通合伙)
代理人：郑宜梅
更多信息请下载全文后查看。
电力负荷预测中数据挖掘的应用 周占福
电力负荷预测中数据挖掘的应用周占福发表时间：2018-03-09T10:13:23.873Z 来源：《电力设备》2017年第30期作者：周占福[导读] 摘要：电力系统负荷预测是指从已知的电力系统、经济、社会、气象等情况出发，通过对历史数据的分析和研究，探索事物之间的内在联系和发展变化规律，对负荷发展做出预先的估计和推测。
（国网内蒙古东部电力有限公司赤峰供电公司内蒙古赤峰 024000）摘要：电力系统负荷预测是指从已知的电力系统、经济、社会、气象等情况出发，通过对历史数据的分析和研究，探索事物之间的内在联系和发展变化规律，对负荷发展做出预先的估计和推测。
电力系统负荷预测是发电部门制定发电计划和燃料计划的首要工作之一，是电力系统调度部门保证系统安全、稳定运行的重要基础，是电力规划部门统筹电力系统发展的有力依据。
数据挖掘基础理论主要包括规则和模式挖掘、分类、聚类、话题学习等，数据挖掘分析，能够利用已有事实，对预测未来的结果，做出有力决策。
本文在分析数据挖掘技术的基础上，对电力负荷预测系统进行研究，研究了数据挖掘在电力负荷预测中的应用。
关键词：负荷预测；电力系统；预测方法1数据挖掘技术概述1.1技术简介数据挖掘技术简称DW，数掘挖掘又译作数据采集，数据挖掘是知识发现过程中关键一步，一般是指从大量数据中自动发现隐含的数据关系，或者说通过系统变量之间可以的关系进行评估来导出模型，并将其转化为计算机可以处理的结构化表示的过程。
数据挖掘技术优势涵盖内容如下：第一点、采用传统的机器学习主要是审核学习能力，通过机器能力的好坏来评判学习的高低。
但是数据挖掘技术弥补了这一点，可以将一些复杂难懂的信息进行转换变为理解性强、实用性高、目的性明确的内容，因此普遍被人们接受和认可。
第二点、数据挖掘技术相比传统机器学习具有数据涵盖量广泛、内容丰富等优势，改变了传统以小数据作为中心的局限性，以海量数据库为中心，高效处理复杂、完整性低、干扰性强的数据内容。
基于数据挖掘判别用电类别异常的分析与研究
基于数据挖掘判别用电类别异常的分析与研究摘要：近些年，在社会快速发展下，我国的科学技术水平不断进步。
目前，电力公司存在较多异常用电情况，影响了电力的正常运营。
本文以电力公司业务中心大数据平台为基础，提出利用大数据挖掘Spark组件对营销系统、用电信息采集系统的数据进行在线监测分析，开展公变台区异常用电行为中的台区电压异常、重载过载台区异常进行分析研究，通过数据选取、数据清洗、设定阈值规则实现异常数据筛选，运用Spark组件、并列数据库、云计算等技术实现对台区电压异常、重载过载台区异常信息提供精准定位及数据结果的可视化。
关键词：异常用电;大数据挖据;数据可视化;台区电压;重载过载引言随着智能电网的发展，用电数据的采集变得快速、便捷，而且随着数据分析方法的不断完善和相关技术的成熟，用电数据分析具备了广泛的应用前景。
用电数据随时间和地区用电量的变化而变化，属于时间序列数据。
许多专家学者在时间序列数据异常检测方面做了重要贡献，但目前已有很多算法的重点是时间序列数据中值的异常，很少针对时间序列的趋势异常进行分析。
如何衡量电力数据的变化趋势是时间序列趋势分析的关键。
常用的方法有分线段表示法、序列离散化等。
其中序列离散化的处理较为简单，但存在严重的信息损失。
分线段表示法能大体上反映序列的趋势变化，但是无法对不同变化时间维度下趋势进行对比。
1大数据挖掘算法大数据挖掘是当今社会研究的热点问题，所谓数据挖掘，是指从大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。
通常分为有监督学习算法和无监督学习算法。
其中，无监督学习算法是对没有分类标记的训练样本识别其结构性知识，比如聚类分析。
而有监督学习算法，是事先对具有标记（分类）信息的训练样本进行学习，再对样本外的数据进行分类预测，也称分类算法。
常见的分类算法有决策树、神经网络、支撑向量机和贝叶斯等，不同的分类算法，由于原理的不同，存在各自的优缺点和适合的应用场景，各个算法的优缺点如表1所示表1各个算法的优缺点2售电数据挖掘平台的设计与实现2.1建立精准预测体系评价模型需要在海量数据环境下周期性地进行统计、计算、分析,对平台性能有很高的要求。
基于电网大数据挖掘的典型行业 负荷特性研究和移峰填谷分析
基于电网大数据挖掘的典型行业负荷特性研究和移峰填谷分析摘要：本文基于电网公司用电信息采集系统和SCADA系统的海量数据，结合实地调研，挖掘、聚类、归集并分析代表企业用户日、周、月、年的负荷数据，从类别维度、行业维度研究不同行业的典型负荷特性，分析移峰填谷的潜力，从技术角度提出移峰填谷的建议。
典型行业负荷特性分析为售电放开后更加精准的预测用户电力需求提供基础依据，移峰填谷建议为优化电力能源结构、实现节能减排和电力资料效率效益最优创造条件。
关键词：SOM神经网络；负荷特性研究；移峰填谷分析一、前言随着智能电能表推广应用及用电信息采集系统建设全面提速，积累了海量的用户负荷数据，为用户负荷特性分析奠定了扎实基础。
本文基于电网公司的用电信息采集系统和SCADA系统的海量数据，结合实地调研，挖掘、聚类、归集并分析代表企业用户日、周、月、年的负荷数据，采用SOM神经网络算法筛选出合理的典型行业负荷典型曲线，从类别维度、行业维度、电价敏感性等方面研究不同行业的典型负荷特性，分析移峰填谷的潜力，从技术角度提出移峰填谷的建议。
二、数据来源本文数据主要来源于电网公司的用电信息采集系统和调度SCADA系统。
三、数据处理与建模采用SOM神经网络的聚类方法，在Matlab环境下数据进行聚类分析，实现步骤如下：（1）准备数据源。
样本总数70，每个样本有96个采集时点，以二维数组70×96形式输入。
（2）确定参数。
输入神经元个数为采集时点数96；输出神经元以二维数组3×3形式呈现。
（3）运用rand（）函数产生[0，1）之间的随机数作为权值。
（4）调用SOM创建函数newsom（），创建自组织映射网络net=newsom （）。
（5）对迭代次数net.trainParam.epochs赋值2000；对net.trainParam.show赋值20，表示每20次显示一下误差变化情况。
（6）运用网络训练函数train（）训练上述初始化后的网络net=train（）。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
针对以上问题，需要对负荷数据进行清洗操 作，具体的清洗方法如下。
超大数据 且 Ａｉ ＞ Ａｉ＋１ × Ｎ Ａｉ ＞ Ａｉ－１ × Ｎ
超小数据 且 （） Ａｉ
Ａｉ ＜ Ａｉ＋１ ／ Ｎ Ａｉ ＜ Ａｉ－１ ／ Ｎ
４
正常数据
超大数据和超小数据的修正公式如下：
高质量的配电网负荷数据是实现公变用途划 分的重要保障，也是电力部门分析配电网投资效益 的主要事实依据。数据库的不良数据可能会对系 统的安全运行造成重大影响，因此在公变用途划分 前对配电网负荷数据进行清洗是十分必要的。
负荷数据一般为高精度数且数值敏感性强，加 之公变用途分对如此庞大的数据，数据清洗的开销可想而知。
因此，数据清洗对公变用途划分是十分重要的。 负荷数据在采集过程中存在如下的现实问题： （１）一天内采集的数据点个数不同，根据设备
类型分为２４ 点（每１ ｈ 采一个数据），４８ 点（每０．５ ｈ 采一个数据）和９６ 点（每１５ ｍｉｎ 采一个数据）。
（２）部分数据由于各种原因没有及时获取，导 致数据点的缺失。
随着我国电力市场化改革的不断深入，供电企 性。行业的归类划分可以从负荷特性分析的角度
业作为市场经济中的主体，秉承自主经营、自负盈 进行，但是公变的负荷特性分析则需要采用聚类分
亏和追求效益最大化的市场原则。因此，电网企业 析方法。基于Ｃａｎｏｐｙ 的改进Ｋｍｅａｎｓ 聚类算
必须在充分考虑社会效益的同时，追求投资经济效 法［１７－１９］是一个被广泛使用的聚类算法，可以用于公
收稿日期：２０１８－０４－１８；修回日期：２０１８－０５－２３
理也需要较高的存储和计算成本。整个江苏省有
１１６
２．２ 缺失数据处理 针对缺失的负荷数据，例如当负荷Ａｉ，Ａｊ（其中ｉ
成＞ ｊ）功已采成集功，这采时集需入要库将，而缺Ａ失ｉ，的Ａｊ之数间据补ｊ－全ｉ－。１ 个补点全没方法有 采的用负构荷建值：Ａｉ，Ａｊ两点确定的线性方程，补算中间缺失
，…， （） Ａｉ＋ｋ
＝
Ａｉ
＋
ｋ Ａｊ ｊ
－ －
Ａｉ ｉ
ｋ＝１
ｊ－ｉ－１ ３
２．３ 异常数据处理
图１ 总体框架流程
针对超大或超小数据处理，先确定比例阀值Ｎ，
Ｆｉｇ．１ Ｏｖｅｒａｌｌ ｆｒａｍｅｗｏｒｋ ｆｌｏｗ ｃｈａｒｔ
四十几万公变设备，每天会产生大量的负荷数据，
在中一，数连据续是的否负异荷常数的据判序定列方法Ａｎ如＝下｛Ａ：１ ，Ａ２ ，…，Ａｎ ｝
行统计分析，得到典型负荷模式。此种分析方法比 较合理且全面，但需要以大量的人力物力为代价， 在我国运用这种方法不太实际。文献［９］提出了有 序用电用户可中断负荷分析方法，通过对用户的历
用途划分结果，相关部门可以依据相关特点分析配 电网的投资经济效益，总体框架流程如图１ 所示。
２ 数据清洗
史负荷进行聚类，得到用户典型日负荷曲线，在此 基础上制定用户有序用电策略。文献［１０］通过问 卷调查和相关文献分析居民用电负荷特性，总结居 民峰谷电价用电特性及影响因素。文献［１１］运用 模糊均值聚类（ｆｕｚｚｙ Ｃｍｅａｎｓ，ＦＣＭ）方法对工业用 户进行分类并对负荷特性进行分析。文献［１２］采 用先确定聚类数目和聚类中心后的改进型ＦＣＭ 聚
质的电力产品具有重要意义［３－５］。其中，依据负荷 行业划分的各种异常数据做相应的处理。在高质
特性对配电网中的公变进行有效的用途划分，进而 量数据的基础上再进行各行业负荷的归类，归类出
分析公变用电量需求及用电趋势是一种评价配电 行业负荷特性曲线。然后，对需要划分用途的公变
网投资效益的有效方式。 负荷数据利用基于Ｃａｎｏｐｙ 的改进Ｋｍｅａｎｓ 聚类算
益的最大化［１］。电网项目的投资效益分析是电网 变的负荷特性分析。
建设项目决策科学化、减少和避免决策失误以及提 高项目建设经济效益的重要手段［２］。配电网作为
１
总体框架
智能电网的重要组成部分，其安全、可靠、经济运行 本文从负荷特性分析的角度对公变用途进行
对于保障主电网的平稳运行和为电力用户提供优 划分，首先对多种负荷数据进行清洗，将可能影响
用大数据技术对行业负荷特性进行分析，再通过基于Ｃａｎｏｐｙ 的改进Ｋｍｅａｎｓ 聚类方法分析公变负荷特性，进而根
据余弦相似度算法分别从四季负荷特性及节假日负荷特性等角度分析公变所属行业，最后利用行业拟合方法从不
同维度匹配出公变的所属行业。采用该方法对江苏省公变设备进行用途划分取得了较高的准确率，实现了较为准
年月 ２０１８ ９
Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ
第３７ 卷 第５ 期 １１５
基于负荷数据挖掘的公变用途分类方法研究
方 超，仲春林，季 聪
（江苏方天电力技术有限公司，江苏南京２１１１０２）
摘 要：为了从公变行业特性角度对配电网进行有效的投资经济效益分析，需要对公变进行用途划分。文中先利
目前负荷特性分析的方法众多，文献［６—８］提 法进行聚类分析，得到公变负荷特性曲线。最后，
出由于数据匮乏，配电网的负荷研究需要采用对典 利用余弦相似性算法计算不同维度公变与各行业
型用户进行采样测量的方式进行，从概率分布函 的相似度，最终拟合出相似度最高的行业即为该公
数、置信度、均值和方差等多种角度对测量数据进 变的所属行业，完成公变的用途划分。基于公变的
确的公变设备用途划分。基于负荷数据挖掘的公变用途划分方法为配电网投资效益评价提供了有力的支撑。
关键词：负荷特性；负荷聚类；行业划分
中图分类号：ＴＭ７１４ 文献标志码：Ａ
文章编号： （ ） ２０９６－３２０３ ２０１８ ０５－０１１５－０６
０ 引言
类方法对典型用户日负荷进行分类和分析。文献 ［１３—１６］以某一地区作为研究对象分析了负荷特
Ａｉ
＝ Ａｉ－１
＋ ２
Ａｉ＋１
（５）
根据用户容量参数，校验用户负荷数据，排查
不符合容量的异常数据，同时应用超大或超小校
验，排查并换算此类异常数据，最终得到经清洗后
的用户９６ 点的日负荷数据。
３ 分行业负荷特性提取
２．１ 数据采集点数不同的处理 针对２４ 点，４８ 点原始数据作规范化处理，统一