大數據在電力系統負荷預測中應用

前言：本站為你精心整理了大數據在電力系統負荷預測中應用范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

摘要：介紹了大數據技術在電力系統負荷預測中的應用，研究了電力負荷預測的方法、大數據在電力系統負荷預測的應用領域及其關鍵技術。通過闡述電力系統負荷預測的2種常見方式，對比了現有的3種電力負荷預測的方法，體現了智能預測方法在非線性處理領域的優勢。在電力系統負荷預測的應用領域，電力大數據涉及集成管理、數據分析、數據處理與數據展示等關鍵技術。引入大數據技術來完成電力系統負荷預測，能夠有效增加預測精度與速度，有助于穩定性與經濟性的提升。

關鍵詞：大數據技術；電力系統；負荷預測；數據處理

0引言

負荷預測在電力網絡規劃里占據著主導地位。準確的電力負荷預測對制訂合理的計劃和調度方案、提高設備利用率、保障系統安全穩定運行具有重要意義。最近幾年用電量大幅提升，電力負荷預測的難度隨之增大，傳統的負荷預測方式無法處理龐大而混亂的數據量，引入大數據技術來完成電力系統負荷預測，能夠有效增加預測精度與速度，有助于穩定性與經濟性的提升，同時有利于電網的整體規劃。不同預測時間產生的負荷預測，其研究內容以及用途有所不同[1]。超短期負荷預測關注較短的區域之內的數值變動，它的用處即是對電力設備的運行情況進行監控；短期負荷預測針對數日到數周的負荷，可以為水電調度、機組啟停提供重要參考，是電網日常運行的基礎；中期負荷預測針對數周到數月的負荷，預測用途是為電力系統安排檢修以及燃料采購等提供支撐；長期負荷預測則是對將來的很長時間跨度區域內的用電情況與走勢的估計，用于電力設備的改造與擴建等。電力負荷預測的方式根據輸出形式可以分為以下兩種方式：點預測是給出預測時間點的確定負荷值，是較常用的輸出形式；概率預測是給出預測區間、概率分布函數等，從多個方面描述未來預測負荷值的情況，能夠提供預測的更多信息。

1現有的電力負荷預測方法

目前負荷預測一般有經典方法與智能方法。中長期、短期、超短期需要考慮的用電需求因素不同[2]。中長期預測的影響因素可以從外部與內部兩部分進行分析，外部因素有經濟發展狀態、人口數量、工業企業數量、氣候變化、國家政策、城鎮化進程等因素；內部因素主要是電價，電價的改變將會大幅度改變用電的需求。短期和超短期預測需要考慮的原因主要有：歷史電力負荷數據、氣溫、天氣、日期、用戶性質（商用、民用）、淡季旺季、居民小區位置等。

1.1時間序列法。時間序列法認為電力系統的負荷是具有周期規律的時間序列，可以建立歷史數據和一些影響因子的模型來進行預測。時間序列法容易受原始數據中異常數據的影響[3]。研究者針對時間序列法展開了不斷的研究和探索，有學者對短期負荷模型進行了分析，并針對不同負荷數量采用不同的模型，比較了時間序列法和卡爾曼濾波法在預測中的差別，得出了時間序列法的適用范圍。針對電力系統負荷數據的非線性特性，提出了一種采用遞歸熵特征提取的負荷預測模型，提取定量遞歸特征熵作為非線性特征進行負荷預測，得到了較好的預測精度。有的學者將數學理論中的小波和分形引入電力負荷研究，利用時頻分析方法構建預測模型。

1.2灰色預測法。作為電力系統負荷預測的另一種常用方法，灰色預測法的適用范圍非常有針對性，適合中長期負荷預測，不適用于其他序列預測，這是由于中長期負荷預測的增長趨勢呈指數型。學者利用灰色預測法對現有的大量不足與缺陷進行了修正，并提出了基于積累法的灰色預測模型，能夠降低這種越策方式存在的病態性，較好地克服了在負荷預測中的不足。

1.3智能預測法。傳統預測方法難以全方位建立影響因素與負荷值之間的模型。隨著人工智能的全面興起，智能算法在非線性處理領域的優勢使得其在負荷預測中有了越來越廣泛的應用。神經網絡是通過模擬人腦處理信息過程而建立的算法模型，具有自適應和自學習能力，在處理非線性問題上具有很強的優勢。智能預測方法在負荷預測中能夠綜合考慮多種因素，并且具有自反饋和自學習的能力。隨著可采集的電網數據越來越多，智能預測方法存在的計算復雜、計算量大等特點也越來越明顯。

2大數據在電力系統負荷預測的應用

我國用電量的大幅提升、高速智能電網的部署等極大增加了電力負荷預測的難度。各類傳感器和智能設備數據不斷增加，設備中獲取的數據以及各類傳感器采集的電力負荷預測相關因素如溫度、天氣、風速等數據量劇增，數據維度也不斷提高，數據規模也從GB級增長到TB級甚至更高，基于單機進行的傳統預測方法與智能預測方法，已經遠遠低于在負荷預測中所希望達到的準確度與速度需求，因此技術的突破點聚焦到了基于大數據技術的預測方法研究。大數據技術的發展，成功實現了負荷曲線數據的高速處理，并且可以預測到短期時間下的用電量。通過對傳統電力大數據技術在大量數據結構處理的改進，成功實現了電力大數據技術在規定延遲內的復雜、并行處理能力。同時，運用不同尺度上進行處理的方式，某些應用甚至具有了實時反映實時處理的能力。目前的電力大數據技術，在配用電網架優化、電力調度與負荷預測等方面，已經有了較深入的研究。運用電力大數據技術深度挖掘采集到的大量負荷數據，從而進行精確地負荷預測，可以為電網的智能化運行提供強有力的技術支撐。電力大數據涉及的關鍵技術有：集成管理、數據分析、數據處理與數據展示等[5]。

2.1集成管理。集成管理是把多個系統中特征與形式各異的應用數據進行有機集中統一管理，可以有效解決各系統之間的數據冗余。大數據具有多樣化的特性，因此數據的產生范圍非常寬泛，數據的形式較為多樣，其內在的聯系也更難把握，處理與分析這種混亂的數據庫將會變得非常艱難與不精確。要解決這個問題，就一定要對數據庫進行集成管理，尋找數據的內部聯系與客觀的發展規律，經過分類與整理之后，使用統一的方式對數據進行存儲與編號。在提取數據的過程中，要有一個審核的步驟，從而清除冗余數據，增加數據的精確度與可靠性。

2.2數據分析。數據分析技術可以將數據進行信息化處理，以發現所收集到的大量信息中隱藏的數據內在聯系，并進行接下來的趨勢引導；大數據分析技術更側重于相關關系的分析和挖掘，可以有效利用結構化和非結構化數據進行算法研究。與過去所得到的數據挖掘技術相比，電力大數據技術不僅僅有結構化內容，同時也包含著其他內容，因此電力大數據的分析更為復雜，精準度要求更高，需要引入如機器學習之類的新技術。

2.3數據處理。數據處理技術可以總結成以下3個方面：分布式計算是可以對許多的信息進行系統化儲存；內存計算技術能夠及時地運算與快速地讀取寫入；流處理技術能夠解決一些難以分析的復雜數據[6]。

2.4數據展現。電力大數據的數據展現技術包括可視化、空間化、時間化[7]。通過數據展現技術，能夠精確得展現出數據的隱藏含義，從而能夠顯示出系統的運行狀況。大量研究者在大數據技術框架下進行電力負荷預測，在考慮了智能電網大數據環境下電力負荷影響因素的多源性的情況下，將氣溫等因素作為影響因素，采用雙層多核學習算法，建立了支持向量機電力負荷預測算法，是目前的一個比較前沿的突破。利用圖形聚類算法對各行業細分不同特征的用戶，在此基礎上將大數據分析處理技術結合支持向量機算法應用于電力負荷預測，設計了一整套負荷預測的架構，并做了算法的實現和對比研究，顯示預測結果與實際情況一致性高，并且在運行速度上優勢非常明顯，具有很強的實用性。但是目前的研究還存在許多不足之處，需要后期有更多的人繼續深入的研究與發現。

3結論

電力負荷預測是一個具有前瞻性的課題，準確的預測結果對制訂合理的計劃和調度方案、提高設備利用率、保障系統安全穩定運行具有重要意義。本文描述了經典方法和智能方法，同時分別指出了不同預測方法的優缺點，針對當前智能電網和智能傳感器大量部署的情況，將技術的突破點聚焦到了基于大數據技術的預測方法研究上。引入大數據技術來完成電力系統負荷預測，能夠有效增加預測精度與速度，有助于穩定性與經濟性的提升。

作者:端木凡曦 王聰 胡晶 單位:國網上海市電力公司嘉定供電公司 國網江蘇省電力有限公司 國網上海市電力公司浦東供電公司