基于大数据挖掘的智能负荷预测模型

基于大数据挖掘的智能负荷预测模型

谷纪亭

国网浙江省电力有限公司经济技术研究院 浙江杭州 310000

摘 要：电力企业走向市场化是电力行业发展的必然趋势，在这种趋势的导向下，负荷预测在保证电网运行的安全性和经济性方面将会发挥越来越重要的作用，因此对其负荷预测方法的研究，就显得十分必要。

关键词：大数据挖掘；智能；负荷；预测；模型

1预测方法概述

就现有的负荷预测方法而言，一方面传统的预测方法简单、快捷，在精度要求不高的情况下，其预测结果有一定的参考价值；另一方面新的预测技术则不断涌现与发展，但其大多比较复杂虽然精度提高了但预测耗时久，达不到负荷预测对速度的要求。因此能够将传统预测方法和新兴预测方法有机结合的组合预测方法应运而生，以其精度与速度的完美结合逐渐成为负荷预测的主流方法。

本文采用的智能负荷预测模型，由组合预测方法、分层协调、最终预测结果三部分组成，具体流程如图1所示。

图1 智能负荷预测算法流程图

2组合预测方法

智能负荷预测的第一部分是对负荷的组合预测，包括相似日的选择、小波分解、低频部分的ARIMA预测、高频部分的BP神经网络预测几部分，最终得到初步预测结果。

3相似日选择

不同的地区，外界环境不同，影响负荷变化的因素也会发生改变。但是，对于大部分地区，一到两个主导因素的变化是导致负荷发生改变的主要原因。当某地最高温度超过36摄氏度时，气象条件就成为决定负荷量的核心要素，相对而言其他因素的影响可以忽略不计；在大城市的中心地段，以商业、居民负荷为主，如果气象因素在正常范围内波动并非极端恶劣条件，日类型就成为了影响负荷变化的主要原因；在冬季或者夏季，气象条件就成为了决定负荷量的主要因素。因此，如何正确地识别各种情况下影响负荷变化的主要因素是智能负荷预测的核心。主导因素的确定，决定了是否能选取到真正与待预测日相似的历史日。

为了满足智能负荷预测的精度要求，在该组合预测方法中采用模糊灰色关联聚类方法来选取相似日。具体过程如下：

首先通过分析历史负荷数据，确定影响历史负荷的主要因素。通过模糊化规则将主导因素数学化转化成数值，得到历史负荷的日特征向量。日特征向量模糊数值化规则如表3所示。

表3 日特征向量模糊数值化规则表

相似日粗集由历史日与待预测日中日特征向量相同者组成。然后，将得到的相似日粗集中的主导因素提取出来，这里将主导因素选定为降雨量、最高气温、最低气温，构成子向量V。最后采用改进灰色关联分析法的思想来选取相似日。

4小波分解

小波变换是一种将时域信号频域化、局部化的分析方法，该分析方法是在傅里叶变换和短期傅里叶变换的基础上衍生而来。对负荷曲线进行小波分解，根据阶数的定义，生成相应数量的高频子负荷序列和低频子负荷序列。对负荷曲线进行小波分解的原因是：分解后得到的各子负荷序列自身的特性更加明显，根据其自身的规律性，分别对其采用不同的负荷预测方法，可以得到精度更高的预测结果。将各预测精度提高后的子负荷序列预测结果相加，也就得到了该负荷曲线的最中国预测结果。其精确度与对原负荷曲线直接进行负荷预测的结果会大大提高。

5. BP神经网络模型

电力系统发电机组的优化组合、检修计划的确定、发电质量的提高、工作效率的优化，都依赖于精确的智能负荷预测。因此，为了满足对智能负荷预测的研究的新要求，BP神经网络算法应运而生。该算法以能解决多元参数、适应非线性矩阵数据函数映射一致逼近功能的特点，被广泛运用于电力系统负荷预测中。结合被研究地区能量管理系统提供的历史样本负荷数据，利用计算机运算速度快的特点，对历史负荷数据进行归一化处理。最终利用MATLAB软件包，建立三层四功能BP神经网络智能负荷预测模型。该模型采用多元输入，单输出的模式，具有“自适应、自学习、自优化”等优势。

将上述历史负荷数据导入BP神经网络系统后，对该网络进行自适应、优化调整、学习训练。为了检验BP神经网络在智能负荷预测中的准确度和合理性，利用Matlab软件自带的Simulink神经网络工具箱，编写了三层四功能单元的BP神经网络程序，来进行智能负荷预测，具体如图5所示。

图5 Matlab三层四功能单元BP神经网络短期负荷预测模型

6.ARIMA模型

电力系统能量管理部门提供的实际负荷数据，通常都是非平稳的时间序列。ARMA模型常常被用来拟合平稳的时间序列，而为了将此种研究方法运用到非平稳的电力负荷时间序列的研究上，ARIMA预测模型在ARMA模型的基础上加入了累积式，将非平稳的实际负荷序列的变化差分变换为平稳的时间序列。ARIMA模型也就为研究电力系统负荷预测的低频周期分量提供了一种新的思路。

7.分层协调

对于同一待预测负荷,时间周期不同、区域的差异（行政级别）、不用的结构特征都会得到不同的预测结果。多级电力系统负荷预测的结果之间，由于负荷预测方法的物理原理相同，所以预测结果在一定程度上应该满足某些特定的数学关系式。但由于预测方法的精度问题、预测方法选择的问题、不可避免的外界干扰因素的存在，导致这些符合预测结果不能满足本应该存在的特定数学关系式。必须经过分层协调才能使各级符合预测在数值上满足该数学关系式。

自上而下式协调以总负荷预测值为准，认为其可信度更高，所以为了满足子负荷之和与总负荷相等的关系，需要通过调整子负荷的可信度比例使之在数值上满足要求；自下而上式协调以子预测为准，对子负荷预测不作调整，将各子负荷预测之和作为总负荷预测值。

8.结论

本文针对智能负荷预测，结合地域和天气因素等特点通过不断地尝试与修正得到了适合该区域的智能负荷预测模型，由组合预测方法、分层协调、最终预测结果三部分组成。该模型满足超短期负荷预测对于精度的要求，能够很好地对智能园区的负荷做出预测。

参考文献：

参考文献：

[1] 张国江, 邱家驹, 李继红. 基于人工神经网络的电力负荷坏数据辨识与调整 [ J] . 中国电机工程学报 , 2001, 21( 18) : 104 107.

[2] 张怡, 张锋. 电力系统超短期负荷预测技术的应用与发展[J]. 浙江电力, 2010 (2): 5-8.