智能电网中基于数据挖掘技术的可再生能源消费预测建模.docVIP

智能电网中基于数据挖掘技术的可再生能源消费预测建模 　　【摘 要】传统电力系统逐渐步入智能电网时代后， 数据量激增， 传统的分析处理方法已捉襟见肘。数据挖掘正是解决这个难题的有力工具。本文分析了数据挖掘技术和智能电网各自的特点，揭示了二者之间的密切联系，并结合数据挖掘的相关理论，对该技术在智能电网中的应用给出了实例。本文最后还对数据挖掘技术在智能电网中的进一步推广进行了讨论。 　　【关键词】智能电网；数据挖掘；传统电力系统；可再生能源 　　【Abstract】After the traditional power system gradually enters into the Smart Grid era， with sharply increased of data quantity， the conventional analytical methods had faced many difficulties. Data mining is just a powerful tool for solving this puzzle. This paper analyses the respective characteristics of Data mining techniques and Smart Grid， reveals the close ties between two of them as well as gives the examples in the application of Smart Grid with the relevant theory of Data mining. At last， a further generalization of Data mining in the Smart Grid was discussed in the paper. 　　【Key words】Smart Grid；Data mining ；Traditional power system；Renewable energy 　　1 数据挖掘理论 　　数据挖掘就是从海量的数据中提取隐含在其中，人们事先未知的但又是潜在有用的信息和知识，并将其表示成最终能被人理解的模式的高级过程 [1-2]。数据挖掘技术从一开始就是面向应用的，不仅是面向特定数据库的简单检索查询调用，还要对这些数据进行微观、中观乃至宏观的统计、分析、综合和推理，来指导实际问题的求解。同时还可以通过发现事件间的相互关联，对未来的活动进行预测。比如通过对空间负荷的预测，可以了解待研究地区未来的电力负荷增长走向， 及其连带一系列的社会问题如城市电网规划、各类建筑用地及居民安置规划等[3]。数据挖掘的数据包括数据仓库、数据库或其它数据源。所有的数据都需要再次进行选择。 　　1.1 数据挖掘的分类 　　（1）根据挖掘的数据库类型分类：每一类数据库系统可能需要自己的数据挖掘技术。 　　（2）根据挖掘的知识类型分类：即根据数据挖掘的功能分类，如特征化、区分、关联和相关分析、分类、预测、聚类、离群点分析和演变分析。一个综合的数据挖掘系统通常提供多种 和/或集成的数据挖掘功能。 　　（3）根据所用的技术类型分类：这些技术可以根据用户交互程度，或所用的数据分析方法描述。 　　（4）根据应用分类：不同的应用通常需要集成对于该应用特别有效的方法 [1]。 　　1.2 数据挖掘的步骤 　　（1）数据收集。从数据库中获取基本分析所需的数据。指标数量越多，归纳研究越易发现存在的潜在规律。但若过多，符合条件的样本就会减少，从而影响预测效果。 　　（2）数据预处理。包括消除噪声、推导计算缺值数据、消除重复记录等。可通过专用软件的频率分析来实现。如果同一个变量的缺失值很多，可以丢掉这个变量。 　　（3）数据转换。主要目的是削减数据维数或降维，即从初始特征中找出真正有用的特征以减少数据挖掘时要考虑的特征或变量个数。主要有零维特征法和全维特征法。 　　（4）数据挖掘。先确定挖掘的任务或目的，如数据分类、聚类、关联规则发现或序列模式发现等。再决定使用什么样的挖掘算法。算法的选择有两个考虑因素：一是数据的特点；二是要根据用户或实际运行系统的要求。最后实施数据挖掘操作，获取有用的模式。 　　（5）结果的解释和评估。目的是剔除冗余或无关的模式；根据需要转换成可视模式；若不满足用户要求，则退回到发现过程的前面阶段重来。 　　2 智能电网数据的特点 　　（1）实时性高。电力系统每时每刻都在产生大量的数据，包括反映一次运行状态的各种数据。 　　（2）数据量大。除实时数据外，各种在线离线分析计算程序也会产生大量的数据。 　　（3）数据格式多样。数