大数据在电力系统负荷预测的应用

　　电力负荷预测论文第五篇：大数据在电力系统负荷预测的应用

　　摘要：介绍了大数据技术在电力系统负荷预测中的应用，研究了电力负荷预测的方法、大数据在电力系统负荷预测的应用领域及其关键技术。通过阐述电力系统负荷预测的2种常见方式，对比了现有的3种电力负荷预测的方法，体现了智能预测方法在非线性处理领域的优势。在电力系统负荷预测的应用领域，电力大数据涉及集成管理、数据分析、数据处理与数据展示等关键技术。引入大数据技术来完成电力系统负荷预测，能够有效增加预测精度与速度，有助于稳定性与经济性的提升。

　　关键词:大数据技术;电力系统;负荷预测;数据处理;

　　Abstract：This paper introduces the application of big data technology in power system load forecasting, and studies the methods of power load forecasting, the application field of big data in power system load forecasting and its key technologies. By expounding two common methods of power system load forecasting, comparing the three existing methods of power load forecasting, it reflects the advantages of intelligent forecasting methods in the field of nonlinear processing. In the application field of power system load forecasting, power big data involves key technologies such as integrated management, data analysis, data processing and data display. Introducing big data technology to complete power system load forecasting can effectively increase forecasting accuracy and speed, and help improve stability and economy.

　　0 引言

　　负荷预测在电力网络规划里占据着主导地位。准确的电力负荷预测对制订合理的计划和调度方案、提高设备利用率、保障系统安全稳定运行具有重要意义。最近几年用电量大幅提升，电力负荷预测的难度随之增大，传统的负荷预测方式无法处理庞大而混乱的数据量，引入大数据技术来完成电力系统负荷预测，能够有效增加预测精度与速度，有助于稳定性与经济性的提升，同时有利于电网的整体规划。

　　不同预测时间产生的负荷预测，其研究内容以及用途有所不同[1]。超短期负荷预测关注较短的区域之内的数值变动，它的用处即是对电力设备的运行情况进行监控；短期负荷预测针对数日到数周的负荷，可以为水电调度、机组启停提供重要参考，是电网日常运行的基础；中期负荷预测针对数周到数月的负荷，预测用途是为电力系统安排检修以及燃料采购等提供支撑；长期负荷预测则是对将来的很长时间跨度区域内的用电情况与走势的估计，用于电力设备的改造与扩建等。

　　电力负荷预测的方式根据输出形式可以分为以下两种方式：点预测是给出预测时间点的确定负荷值，是较常用的输出形式；概率预测是给出预测区间、概率分布函数等，从多个方面描述未来预测负荷值的情况，能够提供预测的更多信息。

　　1 现有的电力负荷预测方法

　　目前负荷预测一般有经典方法与智能方法。中长期、短期、超短期需要考虑的用电需求因素不同[2]。中长期预测的影响因素可以从外部与内部两部分进行分析，外部因素有经济发展状态、人口数量、工业企业数量、气候变化、国家政策、城镇化进程等因素；内部因素主要是电价，电价的改变将会大幅度改变用电的需求。短期和超短期预测需要考虑的原因主要有：历史电力负荷数据、气温、天气、日期、用户性质（商用、民用）、淡季旺季、居民小区位置等。

　　1.1 时间序列法

　　时间序列法认为电力系统的负荷是具有周期规律的时间序列，可以建立历史数据和一些影响因子的模型来进行预测。时间序列法容易受原始数据中异常数据的影响[3]。研究者针对时间序列法展开了不断的研究和探索，有学者对短期负荷模型进行了分析，并针对不同负荷数量采用不同的模型，比较了时间序列法和卡尔曼滤波法在预测中的差别，得出了时间序列法的适用范围。针对电力系统负荷数据的非线性特性，提出了一种采用递归熵特征提取的负荷预测模型，提取定量递归特征熵作为非线性特征进行负荷预测，得到了较好的预测精度。有的学者将数学理论中的小波和分形引入电力负荷研究，利用时频分析方法构建预测模型。

　　1.2 灰色预测法

　　作为电力系统负荷预测的另一种常用方法，灰色预测法的适用范围非常有针对性，适合中长期负荷预测，不适用于其他序列预测，这是由于中长期负荷预测的增长趋势呈指数型。学者利用灰色预测法对现有的大量不足与缺陷进行了修正，并提出了基于积累法的灰色预测模型，能够降低这种越策方式存在的病态性，较好地克服了在负荷预测中的不足。

　　1.3 智能预测法

　　传统预测方法难以全方位建立影响因素与负荷值之间的模型。随着人工智能的全面兴起，智能算法在非线性处理领域的优势使得其在负荷预测中有了越来越广泛的应用。神经网络是通过模拟人脑处理信息过程而建立的算法模型，具有自适应和自学习能力，在处理非线性问题上具有很强的优势。

　　智能预测方法在负荷预测中能够综合考虑多种因素，并且具有自反馈和自学习的能力。随着可采集的电网数据越来越多，智能预测方法存在的计算复杂、计算量大等特点也越来越明显。

　　2 大数据在电力系统负荷预测的应用

　　我国用电量的大幅提升、高速智能电网的部署等极大增加了电力负荷预测的难度。各类传感器和智能设备数据不断增加，设备中获取的数据以及各类传感器采集的电力负荷预测相关因素如温度、天气、风速等数据量剧增，数据维度也不断提高，数据规模也从GB级增长到TB级甚至更高，基于单机进行的传统预测方法与智能预测方法，已经远远低于在负荷预测中所希望达到的准确度与速度需求，因此技术的突破点聚焦到了基于大数据技术的预测方法研究。

　　大数据技术的发展，成功实现了负荷曲线数据的高速处理，并且可以预测到短期时间下的用电量。通过对传统电力大数据技术在大量数据结构处理的改进，成功实现了电力大数据技术在规定延迟内的复杂、并行处理能力。同时，运用不同尺度上进行处理的方式，某些应用甚至具有了实时反映实时处理的能力。

　　目前的电力大数据技术，在配用电网架优化、电力调度与负荷预测等方面，已经有了较深入的研究。运用电力大数据技术深度挖掘采集到的大量负荷数据，从而进行精确地负荷预测，可以为电网的智能化运行提供强有力的技术支撑。

　　电力大数据涉及的关键技术有：集成管理、数据分析、数据处理与数据展示等[5]。

　　2.1 集成管理

　　集成管理是把多个系统中特征与形式各异的应用数据进行有机集中统一管理，可以有效解决各系统之间的数据冗余。大数据具有多样化的特性，因此数据的产生范围非常宽泛，数据的形式较为多样，其内在的联系也更难把握，处理与分析这种混乱的数据库将会变得非常艰难与不精确。要解决这个问题，就一定要对数据库进行集成管理，寻找数据的内部联系与客观的发展规律，经过分类与整理之后，使用统一的方式对数据进行存储与编号。在提取数据的过程中，要有一个审核的步骤，从而清除冗余数据，增加数据的精确度与可靠性。

　　2.2 数据分析

　　数据分析技术可以将数据进行信息化处理，以发现所收集到的大量信息中隐藏的数据内在联系，并进行接下来的趋势引导；大数据分析技术更侧重于相关关系的分析和挖掘，可以有效利用结构化和非结构化数据进行算法研究。与过去所得到的数据挖掘技术相比，电力大数据技术不仅仅有结构化内容，同时也包含着其他内容，因此电力大数据的分析更为复杂，精准度要求更高，需要引入如机器学习之类的新技术。

　　2.3 数据处理

　　数据处理技术可以总结成以下3个方面：分布式计算是可以对许多的信息进行系统化储存；内存计算技术能够及时地运算与快速地读取写入；流处理技术能够解决一些难以分析的复杂数据[6]。

　　2.4 数据展现

　　电力大数据的数据展现技术包括可视化、空间化、时间化[7]。通过数据展现技术，能够精确得展现出数据的隐藏含义，从而能够显示出系统的运行状况。

　　大量研究者在大数据技术框架下进行电力负荷预测，在考虑了智能电网大数据环境下电力负荷影响因素的多源性的情况下，将气温等因素作为影响因素，采用双层多核学习算法，建立了支持向量机电力负荷预测算法，是目前的一个比较前沿的突破。利用图形聚类算法对各行业细分不同特征的用户，在此基础上将大数据分析处理技术结合支持向量机算法应用于电力负荷预测，设计了一整套负荷预测的架构，并做了算法的实现和对比研究，显示预测结果与实际情况一致性高，并且在运行速度上优势非常明显，具有很强的实用性。但是目前的研究还存在许多不足之处，需要后期有更多的人继续深入的研究与发现。

　　3 结论

　　电力负荷预测是一个具有前瞻性的课题，准确的预测结果对制订合理的计划和调度方案、提高设备利用率、保障系统安全稳定运行具有重要意义。本文描述了经典方法和智能方法，同时分别指出了不同预测方法的优缺点，针对当前智能电网和智能传感器大量部署的情况，将技术的突破点聚焦到了基于大数据技术的预测方法研究上。引入大数据技术来完成电力系统负荷预测，能够有效增加预测精度与速度，有助于稳定性与经济性的提升。

　　参考文献

　　[1]滕雪莉智能计算的配电网负荷预测方法研究[J].黑龙江科技信息, 2013(36):14.

　　[2]沈渊彬,刘庆珍电力系统短期负荷预测研究概述[J].电器与能效管理技术, 2016(4):28-32.

　　[3]牛勇,王震宇，王红军,等改进灰色模型在中长期电力负荷预测中的应用[J].东北电力大学学报, 2009,29(2):64-68.

　　[4]关学忠,佟宇，高哲,等基于EMD-分形理论的短期电力负荷预测[J].电子设计工程，2016(1):184-186.

　　[5]彭小圣,邓迪元，程时杰,等面向智能电网应用的电力大数据关键技术[J].中国电机工程学报, 2015,35(3):503-511.

　　[6]中国电机工程学会信息化专业委员会中国电力大数据发展白皮书[M].北京:中国电力出版社, 2013:10-15 .

　　[7]常富红,王媛媛.大数据技术与智能电网[J].魅力中国, 2016(16):290.