在能源管理过程中，大数据技术有了充分的施展空间，其处理大数据量和知识学习等方面的独特优势十分显著，为大幅提升能耗预测模型的使用效率莫定了基础，从而大幅提高了能耗负荷预测精度。能源管理过程中进行能耗负荷预测详细过程如下：

一、曲线聚类分析

能耗曲线的走势与日类型、天气因素等密切相关。合理的数据挖掘技术--聚类分析能够将能耗规律相近的日期归为一类。采用马尔科夫链、贝叶斯模型等，可以提取复杂的能耗负荷变化曲线的特征向量，进一步通过K-means等聚类分析算法将零散分布的独立样本逐渐归为趋势相近的若干类，为能耗负荷预测提供参考。

二、确立关键影响因素

采用关联分析算法，计算如日最高气温、日平均气温、平均湿度、日类型（星期几）等影响因素与能耗的关联度排序，剔除影响因子较低的因素，简化能耗预测模型，提高海量数据计算效率。

三、建立分类规则

得到了待预测日过去一年的历史能耗曲线的分类结果和影响能耗的关键因素。通过决策树算法，找到分类结果与关键影响因素间的耦合关系，并以分类规则的形式表现出来。该步骤的作用是当已知待预测日能耗的关键影响因素值时，可以根据不同分类规则将预测日对应到不同的聚类中，从而该类的结果就可以作为预测日的相似日数据集来训练模型。

四、选择匹配模型。

当得到预测日的关键因素日特征向量（即关键因素值组成的向量）后，将其输入建立的决策树模型中，即可输出相应的分类结果。

五、训练预测模型并预测。

针对分类结果，将每类的能耗数据及相应的关键因素数据构建训练样本。针对每类能耗数据的变化规律和特征，选取匹配的预测模型来完成对该日能耗的预测。使用支持向量机算法，采用RBF核函数，并设定核函数参，不敏感系数和惩罚参数。根据得出的待预测日的分类结果，选用对应的支持向量机模型完成预测。

能源管理过程中能耗负荷预测的开展大体可以通过以上五大步骤来实现，大家可以参考一下。