基于大数据的电力系统中长期负荷预测方法研究

基于大数据的电力系统中长期负荷预测方法研究

杨友淑

国网青海省电力公司海西供电公司 青海海西格尔木 816000

摘要：中国的电力行业在近几十年间飞速发展，随着智能化电力系统的不断建设，大量的信息数据在电力发展规划、生产运行、营销服务的流程中产生，每项业务都会积累大量的历史数据。规划人员每年都要花大量的时间、精力去分析处理基础数据，面对庞大的数据，在负荷预测上对电力发展、生产决策的支撑不免有些不足和乏力，本文对基于大数据的电力系统中长期负荷预测方法进行分析，以供参考。

关键词：电力大数据；中长期负荷；预测方法

引言

中长期负荷预测是制定发电计划和电力布局规划的基本依据，准确的负荷预测对于电力系统经济、高效、安全地运行具有重要意义。与短期负荷预测相比，中长期负荷预测需要的相关数据量更小，经历的时间跨度更大，尤其是在我国经济新常态下，新型产业体系使得中长期负荷呈现复杂的非对称振荡多变特性，大大增加了电力需求侧负荷精准预测的难度。

1电力系统的概述

在社会经济全面快速发展的过程中，电力系统的社会效能越来越突出。只有充分保障电力系统运行的可靠性与稳定性，才能够在最大限度上发挥电力系统的作用，也才能保障供配电的安全与可靠。电力系统在电网运行中发挥着至关重要的作用，是由发电、变电、输电、配电和用电等环节组成的电能生产与消费系统。其主要组成部分包括发电电源（水电站、火电站、光伏电站、风电场等发电厂）、输变配电网（输电线路、变电站、开关站、配电箱、配电线路等）和负荷中心（即用户）等。在发电动力装置的作用下，电力系统可以将自然界中的一次能源变换成电能，再经输电、变电和配电将电能供应给广大电力用户。

电力系统的功能以及作用是非常突出的，在实践过程中发挥着关键性的作用和效能。为整体优化电力系统的使用质量，全面提升电力系统的运行稳定性与可靠性，应该积极采用信息技术手段来加强电力系统各个关键环节以及传输阶段的把关和控制，以此来综合提升电力系统的整体运行成效，全方位推动电力系统的可靠与稳定发展。

在电力系统中，电源是非常关键的基础，它能够将不同的资源进行有效的转换，再通过电网传输给用电单位或者个人。比如我们熟知的不同性质的发电站，就是电力系统中非常核心的载体。在电力系统中，变电所也是非常重要的组成部分。发电站传输而来的电能资源，并不能直接进行利用，需要经过变电所的变压转换，才能运用到电网系统中。因此，变电所的核心功能，就是电能资源的有效转换。在电力系统中，还有一个非常关键的元素，就是电力线路。电力线路是整个供配电的核心与媒介，发挥着非常重要的作用。在电力系统中，依托于电力线路既可以实现电能资源的高效快速传输，同时也能够将电能源源不断地输送给终端用户。

2电力大数据的关键技术分析

2.1集成管理技术

智能电网下建立的大数据平台，其拥有大量的信息存储功能，尤其是在实际工程应用中，传感器的作用使得大量的信息能直接传输到电力系统中，并能够完善数据的采集工作。这些数据的技术主要包括电网运行、数据信息管理、大数据分析应用技术等，通过对这些数据分析和处理能使得集成管理技术得到完善。

2.2数据处理技术

对于大量的数据分析，首先需要对数据进行分类处理，这样才能有效处理大规模的数据。与传统的数据处理方法相比较，人工处理数据方法不仅要耗费大量的物力和人力，与此同时在相同条件下数据分析的效率大大降低，所以要将分类好的数据输入到与之相对应的系统中，此操作不但提升了原来数据的访问途径，提升了数据的使用效率，同时在并列式数据库搭建中大大提升数据的加载效率，保证了数据能够被实时查询。

3大数据技术在负荷预测中应用的优点

我国电力行业目标之一是建成坚强智能电网，带来的问题是各类传感器和智能设备数据不断增加，采集到的数据量、数据规模剧增，数据维度不断提高。将大数据分析引入电力负荷预测可实现多种来源、形式的数据的集中管理，快速处理海量信息，找出潜在规律，构建模型。因其可对比分析海量信息，故通过比对分析可有效降低人为影响因素，优化传统预测模型的缺陷；还可通过大数据可视化技术根据数据发展趋势预测未来数据走向。

4传统负荷预测方法

常用传统负荷预测方法有ＢＰ神经网络法，ｕ和ｙ是网络的输入、输出向量，网络由输入层、隐层、输出层节点组成。隐层可以是一层，也可以是多层，前层至后层节点通过权连接。电力负荷的预测模型是由电力消费量相关的各个分量共同作用的。在负荷的加法模型中，负荷可表示为各个分量的作用叠加。通常可将电力总负荷分为系统正常部分、天气敏感部分、特别事件部分、随机部分。

目前，ＢＰ神经网络算法在电力系统负荷预测中广泛应用的主要原因是其学习能力强，可根据训练样本不断优化参数，对非线性结构的拟合能力强，还能在进行负荷预测时对季节、温度、气象等不确定因素进行处理。但该方法存在两个常见问题：一是当系统受到人为干扰时，会对预测精度产生较大的影响，但因人为操作产生的误差几乎不可避免，故预测精度会受到影响；二是ＢＰ神经网络算法存在易陷入局部收敛的问题。

5负荷聚类算法

负荷分类是将具有相似变化属性的负荷分组在一起，以便将不同负荷分组到不同类别中的类。不同类型的载荷特性不同，受具有不同生长模式的不同影响因素的影响。负荷影响因子相关性分析有助于创建准确的预测模型，不仅有助于增长收敛，而且有助于分析具有相似特性的负荷。负荷分类从数据负载的角度利用历史数据，并提供比传统分析方法更灵活的数据规则挖掘。负载首先被分为块，这些块使用映射操作隐藏每个数据块，分别更正每个多项式阶的值，使用Reduce操作合并中间结果以合并每个数据块的聚合中心，并重复结果的收敛。在贴图过程中，可以通过创建全局变量Centerlist来计算每个块数据对象与其点之间的距离和约束。此外，还计算拟合多项式次数，键、值、键的数据对是多项式的序列号，值是相应的值。Reduce过程将具有相同序列号的局部多项式中心组合成一个新的多项式中心，选择第一个分组的中心会对测量计算和收敛产生较大的影响，即使出现不同的载荷聚集。

负荷分类结果是进一步分析影响因素关系、对类负荷预测建模、使负荷分类与实际尺寸相匹配以及直接确定预测结果准确性的基础。为了减少初始浓度系统对聚合物结果的影响，首先根据基本负载信息预处理负载数据，集中存储相同类型的统计负载，并通过将负载大小和时间划分为区间来选择初始Polygram中心的典型值。数据预处理是一项繁重的初步区分，降低了数据熵，大大提高了并行处理能力。

结束语

本文给出了一种大数据量的中短期负荷预测方法，通过分析小范围的大数据量增长模式，给出了一种有效的基于数据的预测模型。预测方法以数据为基础，负荷数据利用率高，便于分析相关影响因素。并行实现聚合算法有效地加快了计算速度，更适合于处理包含大量原始数据的预测。计算结果指示预测方法的有效性。

参考文献

[1]徐源.基于大数据聚类的电力系统中长期负荷预测[J].电力系统及其自动化学报,2015,29(08):43-50.

[2]黄晓英.大数据背景下的电力信息技术解析[J].信息与电脑(理论版),2019(01):169-171.

[3]吴俊洋.大数据时代下的新型电网规划体系分析[J].建材与装饰,2018(48):223-224.

[4]刘欢.基于大数据的电力营销管理[J].现代经济信息,2018(22):123.

[5]赵俊华，薛禹胜.面向能源系统的数据科学:理论、技术与展望[J].电力系统自动化,2017,41(04):1-11+19.

[6]何迈.电力系统运行状态大数据分析实验仿真[J].实验室研究与探索,2017,36(01):73-79.