基于用電大數據的中長期負荷預測研究

鄭海雁，王成亮

(江蘇方天電力技術有限公司， 南京 211102)

0 引 言

隨著全球信息化的發展，數據發生了爆炸式地增長，大數據時代隨之悄然而至。國外率先開展了大數據研究工作，互聯網企業作為信息化研究和應用的先鋒，也蜂擁投身到大數據研究工作中。電力企業作為傳統行業，也感受到了大數據帶來的機遇與挑戰[1]，中國電機工程學會信息化專委會在2013年發布了《中國電力大數據白皮書》[2]，掀開了中國電力大數據研究和應用的帷幕。

國內外專家和學者針對電力大數據的分析與應用，開展了相關的研究工作[3-5]。文獻[6-8]從大數據知識模型構建，居民用電行為分析，電力負荷預測等多個方向入手，開展了相關的研究工作。

江蘇省電力公司在2014年全面完成了全省用戶的用電信息實時采集工作，應用大數據技術和多種先進算法和數理理論，以全樣本的用戶每日實時采集用電數據為依托，結合十多年用電、業擴、氣象、產品單耗等歷史數據，全面分析了全省4000萬用戶的負荷特性用電行為，建立了用電量與溫度、濕度、節假日等因素的關聯關系，構建了涵蓋全部30萬高壓用戶和48萬臺公用變壓器的包括溫度、濕度、節假日等要素的多維度用電特性模型，開展了中長期網供負荷預測課題的研究[9-10]。

1 用電影響模型構建思路

在電力信息數據高速發展背景下，應該充分利用現有的用電信息大數據資源，分析行業和居民用戶的用電量與溫度、濕度的之間的關系，從而提高電力系統負荷建模和負荷預測的精度，最終為電力調度工作提供一定的數據支撐。用電影響因素模型整體設計框架如圖1所示。

2 用電數據預處理技術

2.1 負荷數據預處理

目前，采集系統采集的負荷數據現狀如下：

(1)不同類型的變壓器一天內采集的數據點個數不同，分為24點(每一小時采一個數據)、48點(每半個小時采一個數據)、96點(每15 min采一個數據);

(2)部分數據沒有及時入庫，造成數據點缺失;

(3)個別已入庫的數據點數值明顯偏大或偏小，超出了正常負荷范圍，屬異常數據。

為了保證參與建模數據的完整性及準確性，有必要對現有負荷數據進行清洗及換算。數據清洗及換算步驟如圖2所示。

圖2 負荷數據預處理流程Fig.2 Process of load data pre-processing

2.2 氣象數據預處理

氣象數據包括溫度，濕度，風速等，本模型采用的氣象數據主要指溫度。溫度數據采集自全省各個縣、區的實時氣象數據，每十分鐘一個數據點。因此需要確定負荷數據和溫度數據的對應關系，例如00∶15時刻負荷數據對應溫度為00∶10還是00∶20

同時將溫度數據劃分為以下幾檔：

當實際溫度t低于-4℃時，取溫度檔位T=-15；實際溫度t高于42℃時，取溫度檔位T= 42；否則取溫度檔位T=t。

3 行業用電影響模型構建

3.1 行業負荷氣象影響模型

為量化溫度對負荷的影響程度，提高用戶負荷氣象模型的精確度，并排除年自然增長率、節假日的影響因素，取3年及以上的歷史工作日負荷數據構建負荷氣象模型。由于工作日和周休日用戶負荷呈現出完全不同的用電行為習慣，因此將三年內的用戶負荷數據劃分為工作日負荷和周休日負荷，分別加以分析。以工作日為例，建模流程如下：

(1)抽取用戶近Y年內工作日負荷數據，計算最近Y年內，每年的96點平均負荷值。

(2)逐日逐點計算每個點的負荷影響率。

式中R(y,d,i)表示用戶在年份y的第d個工作日第i個負荷影響率。

根據溫度檔位，將近y年中所有工作日的96點負荷影響率歸類到對應的溫度檔位，由于在公式(1)中已將溫度劃分為>40、<-4、-4～40這45個檔位，因此將形成45×96個溫度—負荷影響率序列S(i,t)。

R(y,d,i,t)∈S(i,t)

(4)

由于此時要將溫度對應到各負荷影響率，因此給R(y,d,i)增加了溫度t標簽；式(4)的含義為：將時刻為i、溫度為t的負荷影響率數據R(y,d,i,t)都歸入集合S(i,t)中。

(3)計算溫度—負荷綜合影響率。

為了體現溫度對負荷率的影響，對各溫度檔位下的負荷影響率集合S(i,t)計算平均值，得到溫度—負荷綜合影響率。經過上面幾步計算，用戶負荷氣象模型已經基本構建完成，模型三維展示圖如圖3所示。

圖3 用戶負荷氣象模型三維圖Fig.3 3D diagram of user load-weather impact model

用電氣象影響因素模型的構建，為開展多元化客戶用電行為分析，提高網供負荷預測精度奠定了理論基礎和數據支撐。

3.2 行業電量氣象影響模型

(2)逐日計算電量影響率：

式中d表示工作日編號；Rd為第d個工作日第i個點的負荷影響率；

(3)將溫度劃分為>40 ℃、<-4 ℃、-4 ℃～40 ℃這45個檔位，將所有工作日的電量影響率歸類到對應的溫度檔位，形成45個溫度—電量影響率序列S(d,t)，其中下標t為溫度標簽；

(4)逐一對S(d,t)中的數據集合求平均值，得到電量—溫度綜合影響率Ct，若S(d,t)中某一格數據樣本太少，則溫度范圍上下擴展1 ℃，重新計算溫度—電量綜合影響率，若數據樣本依然過少，則將該點的電量—溫度綜合影響率交給后續的模型擬合算法完成；

(5)形成溫度—電量綜合影響率Ct后，通過插值法修補殘缺數據點，通過平滑算法平抑模型中的異常數據點，最終得到電量溫度影響模型；

(6)電量數據較之負荷數據更新頻率低一些，因此電量溫度影響模型每季度根據新增數據更新。

圖4為某地區水泥行業的電量氣象影響模型。可見水泥制造業在春秋季用電量較多，而此時建筑業也正是建設旺季，而冬夏兩季用電量有所降低，尤其是夏季，比春秋季用電量降低了15%。

可見水泥制造業在春秋季用電量較多，而此時建筑業也正是建設旺季，而冬夏兩季用電量有所降低，尤其是夏季，比春秋季用電量降低了15%。

圖4 某地區水泥制造業電量氣象影響模型Fig.4 Electricity-weather impact model of cement industry

4 基于用電大數據的中長期網供負荷預測

中長期負荷預測是以行業開工率、復工率，行業業擴報裝、產業結構變化、宏觀經濟、氣象、節假日信息為基礎，結合氣象預測、節假日、氣象與電量的關聯影響模型，實現分地區、分行業的電量中長期預測；根據中長期電量預測結果，采用類似短期負荷預測的方法，實現多氣象(極端、正常)條件下的中長期負荷預測，其流程如下：

(1)分地區行業電量預測。以行業開工率、復工率，行業業擴報裝、產業結構變化、宏觀經濟、氣象、節假日信息為基礎，結合氣象預測、節假日、氣象與電量的關聯影響模型，實現分地區、分行業的中長期電量預測；

(2)分地區行業負荷預測。根據(1)得到的中長期電量預測結果，結合負荷占比模型、相似日負荷特性，生成分地區行業96點負荷預測曲線；

(3)多氣象條件下的中長期負荷預測。根據氣象部門給出的氣象預測信息的不同，結合區間負荷預測原理，生成多氣象條件下的中長期負荷預測區間值。

以江蘇2015年夏季中長期網供負荷預測為例，驗證文章提出的中長期網供負荷預測算法。中長期網供負荷預測效果圖如圖5所示。其中橙色為中長期負荷預測區間值，表示氣溫條件變化時對應的預測負荷值。氣象部門預測2015年夏天較為炎熱，系統預測的最大負荷為8 300萬kW～8 500 萬kW之間，最可能值為8 440.68 萬kW，發生時間為8月6日左右；而2015年實際最高負荷為8 484.74萬千瓦時，發生時間為8月5日。可見文章的中長期網供負荷預測方法效果較好，可以為電力系統電網規劃和調度提供支撐。

圖5 中長期網供負荷預測效果Fig.5 Long term network supply load forecasting result

5 結束語

文章以用電大數據為基礎，開展了如下研究工作：(1)基于現有的用電信息大數據資源，分析了行業負荷、電量與溫度、濕度的之間的關系，建立了行業的電量和負荷影響因素模型；(2)綜合考慮宏觀經濟、業擴報裝以及氣象預測信息等因素，提出一種基于多氣象條件因素的中長期網供負荷預測方法，并與實際負荷對比，驗證了方法的準確性。

文章在用電大數據研究方面開展了一定的研究工作，后續還有更多的研究工作值得開展，如新能源接入后的負荷特性分析、能源互動策略研究等。