大数据技术在电力系统负荷预测中的应用进展

陈成优

摘 要：目前，人工智能技术在不断的发展，各国家也都开始创建智能电网，并且使新兴技术在电力运营各环节中使用。智能电网为现代新型电力供应模式，其技术基础为双向通信网络，是先进传感技术、设备技术、决策技术与控制方法的集成，电力发展过程中需要供需平衡，智能电网也充分考虑了用户与企业的双向平衡。为此本文，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。

关键词：大数据技术;电力系统;负荷预测;应用

引言

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。

1现有的电力负荷预测方法

1.1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。

1.2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。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。

1.3循环神经网络

循环神经网络（RNN）是卷积神经网络之外的另一类主要的深度学习模型，常用于序列数据的建模，如文本，语音信号等。与其他类型的神经网络模型相比，RNN的特点是不仅有前向传播机制，还同时存在后向传播，即网络内部具有循环反馈的连接。基于这种结构，RNN具有了“记忆”的能力，可以将前一步计算的结果部分地作为下一步计算的输入，从而有效地学习到数据自身的序列依赖。RNN的训练主要通过随时间的反向传播算法来进行，这一过程中可能会存在“梯度消失”等问题，针对这一问题有各种RNN的改进方案提出，如长短期记忆单元（LongShort-termMemory，LSTM）网络与门控循环单元（GatedRecurrentUnit，GRU）网络等。与其他类型的神经网络模型类似，RNN的主要结构包括输入层，输出层与隐藏层。其中隐藏层是最重要的部分，RNN主要通过隐藏层来捕获数据中的序列依赖，同时，隐藏层中可以通过嵌入的形式不断地输入外部数据，使得网络学习到更多信息。为简单起见，文中仅使用经典的RNN模型，不涉及LSTM，GRU等各类改进版本。为更好地学习到用电量数据中的时序依赖，基于时间序列分析任务中的常见做法，将总体的时序变化趋势分解为三个层次：（1）长期趋势：指序列在长期过程中表现出的沿固定方向的变化趋势，如用电量随着人口上升、经济水平提高的增加等;（2）季节变动：指序列在固定时间区间内呈现出的有规律的周期波动，如气温与降水量随季节的变化等;（3）循环变动：指序列在不固定的时间区间内表现出的周期性变化，如经济周期现象。

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以下几个。

2.1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。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。

2.2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。

2.3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讀取写入;流处理技术能够解决一些难以分析的复杂数据。

结束语

为了尽快实现国家坚强智能电网建设目标，全国各地掀起智能电网建设的热潮，智能电网装备使用量不断增加，并且已经创建智能电网体系。对比传统电网供应模式，智能电网环境下电力供应与用能方式有所改变，电网企业从传统垂直式管理转变成为互通式管理，电力供需双向平衡。电力负荷预测为电力供需平衡基础，并且为电源、电网的规划建设提供信息和基础。

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）：14-15.

[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）：28-29.

[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）：64-65.