基于云计算的电力系统扩展短期负荷预测

王惠中，侯璟琨，赵凯，李春霞

（1.兰州理工大学电气工程与信息工程学院，甘肃兰州 730050；2.甘肃机电职业技术学院，甘肃 天水 741000）

根据国际、国内惯例，电力系统负荷预测按预测周期长短分为：超短期、短期、中期和长期负荷预测，其中短期负荷预测可预测未来1—7日的负荷，用于火电分配、水火电协调、机组经济组合、交换功率计划等[1]。

电力市场是电力工业引入竞争机制后的必然发展趋势，在市场运营模式下，电力负荷受到的影响因素增多，仅靠改进或补充某个预测算法是无法满足预测的准确度需求的，而且在实时电力市场环境下，实时电力交易要求短期负荷预测的预测周期从24 h缩短为2 h或几小时。只有改进短期负荷预测的预测模式，尽可能多地引入最新的负荷相关信息参与预测，才能进一步提高预测精度。

常规的短期负荷预测的做法是：每天某一时刻（如上午10点），预测第2日或以后连续多天全天24 h的负荷值。通常只使用昨天及以前的负荷数据，当天10点前的负荷数据并不使用。实际上，利用近大远小的原理，如果能利用这部分信息，对当日余下的点做负荷预测，其预测结果肯定会比前一日所做的预测结果更为准确。进一步，如果能把当日的负荷比较准确地估计出来，利用它们参与明日的负荷预测，则为预测补充了最新的参考信息，必然可以提高预测结果的准确度。因此清华大学的莫维仁等人提出了扩展短期负荷预测的概念[2]。

该方法利用历史信息和当前可获得的最新信息（包括负荷信息、气象信息、电价等），预测当日当前时刻以后未知1～n h的负荷，以用于电力市场条件下对当日负荷计划的调整。该方法提高预测精度的原理是引入了修正预测，就是在预测负荷与实际负荷出现较大偏差的时候（通常>3%），重新对偏差点之后的负荷进行预测。预测结果的偏差通常是实时信息突变导致的，因此需要将突变的信息引入负荷预测中。但是新信息的引入将提高样本维数，这极易导致维数灾难问题，另外由于新信息的引入，学习机需要重新训练，将大大提高预测时间。因此本文提出将云计算引入扩展短期负荷预测中，利用其强大的并行计算能力解决维数灾难问题，从而改善扩展短期负荷预测的性能。

1 云计算理论简述

云计算是2006年由Google、Amazon等公司提出的概念，其目的是为减轻互联网存储和计算压力。根据美国国家标准与技术研究院（NIST）的定义，云计算是一种利用互联网实现随时随地、按需、便捷地访问共享资源池（如计算设施、存储设备、应用程序等）的计算模式[3]。

云计算最主要特点是按需使用和强大的并行计算能力。按需使用保证了存储和计算资源的合理利用，这使得云计算用户可以在不需要付出过多的硬件成本的前提下显著提高系统运行效率。而并行计算能力则可以显著提高计算效率，因为目前主要的计算方法都是串行计算，运算程序需要按部就班地进行，大量计算资源闲置，而并行计算可以将多个运算步骤分解开来同时计算，大大提高计算速度。

目前云计算技术正在蓬勃发展之中，各大IT企业都发布了自己的云产品，可供使用的云产品主要分为3类[4-7]：直接提供硬件服务（基础设施即服务IaaS）、提供存储计算资源（平台即服务PaaS）、提供软件资源（软件即服务SaaS），这其中IaaS和PaaS可以应用于电力系统负荷预测中。IaaS就是指由服务提供商为客户提供硬件组建私有云，这保证了信息的安全性，对于电力系统运行数据的敏感性是尤其重要的。PaaS则是指由服务提供商提供平台，用户可以在平台上根据需要编程，适用于实验和研究性质的电力系统负荷预测，可以在很少的投入下实现云计算强大的计算能力。

目前我国已经开始了云计算在电力系统中的应用研究。例如文献[8]提出将电力数据中心构建在云平台上，文献[9]进行了基于云计算的智能电网信息平台建设的探索，文献[10]在总结传统电力系统计算方法不足的基础上展望了云计算在电力系统分析中的应用前景，文献[11]提出联通公司将凭借其丰富的固网资源和先进的3 G技术，依托云计算打造一个电力行业应用的基础平台。

2 系统组成及设计

影响负荷预测结果的因素多种多样，传统的负荷预测方法因为要考虑预测速度而将部分对预测结果影响较小的因素排除出预测模型，这势必会影响预测的精度，传统预测方法就是在预测速度与精度之间的折中。而因为云计算强大的并行计算能力，可以通过巧妙地设计云计算结构而将尽可能多的因素考虑进来，这样可以在不影响计算速度的情况下提高预测精度。

2.1 负荷预测样本分类

影响负荷预测结果的因素大致可以分为两类：第一类是历史负荷数据、第二类是气象数据。将历史负荷数据样本分为5组，第一组样本为预测日之前一个月内每天的负荷曲线；第二组样本为预测日之前6个月内与预测日星期属性相同的日期的负荷曲线；第三组样本为前一年与预测日相同日期的前一个月内每天的负荷曲线；第四组样本为前一年与预测日相同日期的前6个月星期属性相同的日期的负荷曲线；第五组样本为2年内节假日负荷曲线。

这样可以将负荷预测样本分为6组。其中第一和第三组是根据近大远小原则分出的，第二组和第四组是根据相似性原则分出的，第五组是根据特殊性原则分出的，第六组则是为了考虑天气因素。

因为扩展短期负荷预测需要考虑更多的因素，所以另外引出一组实时监控的样本集，该样本集中包含预测日当日已过时间点的负荷值，是扩展短期负荷预测中修正预测的基础。

2.2 预测模型

将预测样本分为7组，主要目的是可以在常规短期负荷预测和扩展短期负荷预测之间进行切换，其中前6组样本用于常规短期负荷预测中，第七组样本在出现负荷预测值与常规预测值出现较大偏差时引入预测模型，达到扩展短期负荷预测的目的。预测模型如图1所示。

建立由一个主节点和7个子节点构成的云计算模型，主节点负责数据的输入与预测模型的选择，将7组预测样本分别放入7个子节点中，其中前6个子节点作为子云1，第7个子节点作为子云2，每个子节点分别利用支持向量机进行回归预测，再将每个子节点的计算结果归入主节点，最后在主节点进行加权得到最终预测结果[12-13]。

图1 基于云计算的扩展短期负荷预测模型Fig.1 Model of extended short-term load forecasting based on cloud computing

每个子节点计算结果的权值通过式（1）得出

式中，w（j）为第j个子节点的权值；lit为第i天t时刻的负荷值；l赞（j）it为第j个子节点在第i天t时刻的虚拟预测结果，该式就是追求虚拟预测残差平方和的最小化。通过求解这个最小化问题可以得到一组权值，则最终负荷预测结果如式（2）所示：

2.3 系统流程

系统流程：

1）进行常规短期负荷预测，此时主节点控制子云1中各子节点进行回归运算，将得到的结果输入主节点进行加权，得到常规短期负荷预测结果，子云2中节点不动作；

2）逐点观测预测值与实际值之差并判断差值（ΔL）是否大于3%，此过程在主节点中进行，并将已过时间点的负荷值输入子云2中的子节点7备用；

3）若偏差（ΔL）小于3%系统不动作，若偏差（ΔL）大于3%则引入扩展短期负荷预测，此时子云1不动作，子云2进行回归运算，将得到结果输入主节点，主节点将此前子云1中各子节点得到的结果与此时子云2中子节点7得到的结果进行加权运算，得到扩展短期负荷预测结果；

4）重复步骤2）和3）直到预测周期结束。

系统流程图如图2表示。

图2 扩展短期负荷预测系统流程Fig.2 System flow of extended short-term load forecasting

3 实验分析

本文选择1998年4月10日到16日一周作为预测日期，预测每日48点负荷曲线，其中10日为假日，12日和13日为周末兼假日，并且是春季，天气变化较极端，因此以此作为预测目标日期更具有代表性。

预测结果如表1所示。

表1 SVM和Cloud-SVM预测结果对比Tab.1 Comparison between forecast results by SVM and Cloud-SVM

预测结果分析，本文先利用基于SVM的短期负荷预测方法进行预测，因为预测日期中包含多个节日，使预测结果不尽如人意，最大相对误差达到了5.25%，且最大相对误差超过3%的时间点达到了47个；而基于云计算和SVM的扩展短期负荷预测因为引入了修正预测，在最大相对误差超过3%的时候会进行调整，因此最大相对误差只有3.70%，而平均相对误差只有1.37%，最大相对误差超过3%的时间点只有13个。

扩展短期负荷预测对于预测值的修正效果可以在图3中体现出来。

图3 扩展短期负荷预测的修正效果Fig.3 Correction effect of extended short-term load forecasting

11：30后各时间点误差值如表2所示。

图3是4月12日10：00到14：30的负荷曲线，因为该日是西方的复活节，属于节假日，因此SVM方法和Cloud-SVM方法的预测值都要高于实际负荷值，但在11：30之后，由于偏差超过3%，Cloud-SVM方法引入了修正预测，在12：00时将误差控制在了3%以下，虽然在12：30时偏差再次超过3%，但在13：00又将偏差调整回来，从而提高了预测精度；而SVM由于没有修正预测，所以导致误差持续升高，直到13：30达到最高值。在曲线中可以发现，在11：30之前，2种预测方法的曲线是重合的，因为此时并没有引入扩展短期负荷预测，而在11：30之后，由于扩展短期负荷预测的引入，使该负荷曲线得到了修正，避免了偏差的增大，有效地改善了预测的精确度。

4 结论与展望

本文将云计算引入负荷预测中，尤其是子节点的使用，使当电力市场化要求将实时电价、分布式发电等新的参数考虑进负荷预测时，可以通过子节点的增减达到目的，而不需要对模型进行大规模的改造，使其更适应电力市场发展的要求。

由于云计算是近几年才提出的概念，还在探索与发展阶段，并没有完全成熟的产品，而且其信息安全方面的问题也没能得到很好的解决，但作为计算机科学未来的发展方向，其必然会在未来的电力系统分析与运行控制中占有一席之地。

[1]康重庆，夏清，刘梅.电力系统负荷预测[M].北京：中国电力出版社，2007.

[2]莫维仁，张伯明，孙宏斌，等.扩展短期负荷预测的原理和方法[J].中国电机工程学报，2003，23（3）:1-4.MO Weiren，ZHANG Boming，SUN Hongbin，et al.Extended short-term load forecasting principle and method[J].Proceedings of the CSEE，2003，23（3）：1-4（in Chinese）.

[3]罗军舟，金嘉晖，宋爱波，等.云计算：体系架构与关键技术[J].通信学报，2011，32（7）:3-21.LUO Junzhou，JIN Jiahui，SONG Aibo，et al.Cloud computing:architecture and key technologies[J].Journal on Communications，2011，32（7）:3-21（in Chinese）.

[4]（美）John W.Rittinghouse等著.田思源等译.云计算实现、管理与安全[M].北京：机械工业出版社，2010.

[5]CHRISTOPHER S.YOO.Cloud Computing:architectural and policy implications[J].Review of Industrial Organization，2011，38（4）:405-421.

[6]DUDIN E B，SMETANIN YU G.A review of cloud computing[J].Scientific and Technical Information Porcessing，2011，38（4）:280-284.

[7]FREDERICO DURAO，JOSE FEMANDO S CARVALHO.A systematic review on cloud computing[J].The Journal of Supercomputing.DOI10.1007/s11227-014-1089.

[8]王德文.基于云计算的电力数据中心基础架构及其关键技术[J].电力系统自动化，2012，36（11）:67-71，107.WANG Dewen.Infrastructure and key technologies of electric power data center based on cloud computing[J].Automation of Electric Power Systems，2012，36（11）：67-71，107（in Chinese）.

[9]王德文，宋亚奇，朱永利.基于云计算的智能电网信息平台[J].电力系统自动化，2010，34（22）:7-12.WANG Dewen，SONG Yaqi，ZHU Yongli.Smart grid information platform based on cloud computing[J].Automation of Electric Power Systems，2010，34（22）:7-12（in Chinese）.

[10]赵俊华，文福拴，薛禹胜，等.云计算：构建未来电力系统的核心计算平台[J].电力系统自动化，2010，34（15）:1-8.ZHAO Junhua，WEN Fushuan，XUE Yusheng，et al.Cloud computing:the core computing platform of building the future power system[J].Automation of Electric Power Systems，2010，34（15）:1-8（in Chinese）.

[11]张余，李东艳，等.中国联通3G服务智能电网的应用研究[J].电网与清洁能源，2010，26（8）:4-10.ZHANG Yu，LI Dongyan，et al.Study on application of China unicom 3G technology in smart grid[J].Power System and Clean Energy，2010，26（8）:4-10（in Chinese）.

[12]程旭，康重庆，夏清，等.短期负荷预测的综合模型[J].电力系统自动化，2000，24（9）:42-44.CHENG Xu，KANG Chongqing，XIA Qing，et al.Comprehensive model of short-term load forecasting[J].Automation of Electric Power Systems，2000，24（9）:42-44（in Chinese）.

[13]卓元志，刘家军，王明军，等.基于熵值法的组合模型用电量预测方法研究[J].电网与清洁能源，2011，27（5）:47-50，54.ZHUO Yuanzhi，LIU Jiajun，WANG Mingjun，et al.A combination model based on entropy method for annual electricity consumption forecasting[J].Power System and Clean Energy，2011，27（5）:47-50，54（in Chinese）.