基于用戶用電量的時間序列

黃文思 陸鑫 薛迎衛(wèi)

摘要：合理線損預(yù)測是實現(xiàn)線損精益化管理的前提。準確的電力線損預(yù)測可以保證電力供應(yīng)的穩(wěn)定，降低用電成本，提高供電質(zhì)量。本文通過對國內(nèi)線損管理的研究現(xiàn)狀以及現(xiàn)有線損計算方式的介紹和分析，考慮到配電網(wǎng)的網(wǎng)架結(jié)構(gòu)特點和線損數(shù)據(jù)的時間相關(guān)性，將神經(jīng)網(wǎng)絡(luò)與時間序列預(yù)測模型相結(jié)合，在Spark上使用時間序列神經(jīng)網(wǎng)絡(luò)算法建立模型對售電量進行短期預(yù)測，使用某省電力公司線損數(shù)據(jù)進行模擬仿真，結(jié)果表明基于BP神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測模型可以有效地進行同期線損預(yù)測，對線損率預(yù)測具有決策性意義。

關(guān)鍵詞：線損預(yù)測 BP神經(jīng)網(wǎng)絡(luò) 時間序列

前言

智能電網(wǎng)的發(fā)展給線損治理帶來了新的機遇和挑戰(zhàn)。在智能電表覆蓋率完備的地區(qū)，智能電表采集數(shù)據(jù)計算同期線損，使以往復(fù)雜的配網(wǎng)線損計算變得簡單明了。但受我國智能電網(wǎng)建設(shè)相對這一因素的影響，供電公司還普遍存在著智能電表等智能設(shè)備使用不全面的情況，使得統(tǒng)計電量工作大多需要人工完成，在很大程度上增加了統(tǒng)計電量的缺失率，繼而導致了線損匯總數(shù)據(jù)不夠精確，影響線損數(shù)據(jù)的適用范圍和四分線損達標率。而隨著信息技術(shù)的不斷完善和大數(shù)據(jù)技術(shù)日趨成熟，為實現(xiàn)了運用歷史數(shù)據(jù)和運營數(shù)據(jù)預(yù)測線損數(shù)據(jù)提供了有效的支持。本研究分析了現(xiàn)有的線損計算及預(yù)測方法，在此基礎(chǔ)上結(jié)合當前智能電網(wǎng)的特點和發(fā)展提出了一種新型適用于配網(wǎng)環(huán)境的線損預(yù)測方法。

一、基于用戶用電量的時間序列一神經(jīng)網(wǎng)絡(luò)線損預(yù)測模型

由于售電量具有明顯的不確定性、復(fù)雜性、以及多方案性等特征，使得我們在對售電量進行預(yù)測時，需要綜合考慮多種因素，常常面臨著預(yù)測不準確的現(xiàn)。就目前而言，用于預(yù)測售電量的方法多為根據(jù)歷史售電量數(shù)據(jù)的規(guī)律預(yù)測后分析后期售電量，根本不能全買考慮影響售電量的所有因素，使得其可操作性和實用性都處于一種相對較低的水平。針對上述問題，文章通過將時間序列算法與神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的方式預(yù)測售電量，運用時間序列典型分解方法確定樣本售電量序列中存在的趨勢成分、周期性成分，并把售電量的主要影響因素作為BP神經(jīng)網(wǎng)絡(luò)輸入，并通過所預(yù)測的電量計算線損率，最終實現(xiàn)對異常線損進行修復(fù)。為充分考慮售電量的多種影響因素，提高售電量預(yù)測精度，本文把BP神經(jīng)網(wǎng)絡(luò)和時間序列相結(jié)合來進行售電量預(yù)測，圖1為本文建立的BP神經(jīng)網(wǎng)絡(luò) 時間序列的售電量訓練模型：

（5）閾值更新。我們可以根據(jù)網(wǎng)絡(luò)輸出與期望輸出兩者的關(guān)系，預(yù)測出售電量，具體情況如下圖2所示：

該模型在對樣本數(shù)據(jù)實行多次模擬訓練后，建立了以每日溫度、每日類型、歷史售電量以及預(yù)測電量等數(shù)據(jù)之間的對應(yīng)關(guān)系，從而準確預(yù)測出售電量，可將其計算公式表示為：

Pl=PSu PSa

（2-5）

其中，Pl表示線損電量，PSu表示供電量，PSa表示售電量。從該公式（25）中我們可以得出在知道當日供電量之后，我們可以通過預(yù)測日供電量的方式，計算出日線損電量，通過BP神經(jīng)網(wǎng)絡(luò) 時間序列模型預(yù)測售電量后，可得到線損電量P1，結(jié)合線損率計算公式（2-6），就可以計算出某一區(qū)域的日線損率Lr。

Lr=PI/PSu

（2-6）

二、基于大數(shù)據(jù)平臺的新型預(yù)測算法

大數(shù)據(jù)平臺的建立，為業(yè)務(wù)系統(tǒng)大數(shù)據(jù)的開發(fā)、運用以及運行奠定了堅實的基礎(chǔ)，主要包含數(shù)據(jù)整合、數(shù)據(jù)儲存、數(shù)據(jù)計算、數(shù)據(jù)分析、平臺服務(wù)安全管理以及配置管理等模塊能提供各種業(yè)務(wù)應(yīng)用的服務(wù)。當前，我們主要運用大數(shù)據(jù)平臺的數(shù)據(jù)存儲、數(shù)據(jù)計算、數(shù)據(jù)分析以及安全模塊等木塊開展線損預(yù)測，下面對其進行分別介紹[2]。其中數(shù)據(jù)存儲的主要作用是對大數(shù)據(jù)進行存儲，用海量、規(guī)模的數(shù)據(jù)滿足計算需求。通常情況下，非結(jié)構(gòu)化數(shù)據(jù)主要存儲在分布式的文件系統(tǒng)中，半結(jié)構(gòu)化數(shù)據(jù)主要儲存在列式數(shù)據(jù)庫或鍵值數(shù)據(jù)庫中，結(jié)構(gòu)化數(shù)據(jù)主要儲存于行式儲存數(shù)據(jù)庫中具有極高的實時性全面性以及準確性。數(shù)據(jù)計算指的是運用多樣化的大數(shù)據(jù)進行流計算、批量計算、內(nèi)存計算以及查詢計算，同時還可以計算分布式存儲數(shù)據(jù)和內(nèi)存數(shù)據(jù)，從而滿足實時決策、預(yù)警等等需求。數(shù)據(jù)分析指的是對多樣化數(shù)據(jù)進行加工、處理、分析以及挖掘的功能，為獲取新的業(yè)務(wù)價值、制定正確的對發(fā)展規(guī)劃提供可靠的參考依據(jù)。而安全管理則是指確保大數(shù)據(jù)環(huán)境下采集、儲存、分析以及應(yīng)用數(shù)據(jù)所涉及的身份驗證、授權(quán)以及輸入驗證等環(huán)節(jié)安全的過程。例如，在對數(shù)據(jù)進行分析和挖掘時，常常會涉及到企業(yè)相關(guān)業(yè)務(wù)的核心數(shù)據(jù)，如果缺乏安全管理，就會有可能出現(xiàn)數(shù)據(jù)泄露，而控制訪問權(quán)限等安全措施在大數(shù)據(jù)應(yīng)用中尤為關(guān)鍵。

（一）spark平臺

Spark平臺與Hadoop相比，有著較高的準確性、安全性以及全面性，是目前大規(guī)模處理分布式數(shù)據(jù)的最有效平臺。在傳統(tǒng)的Hadoop框架中，需要對數(shù)據(jù)進行大量的磁盤I/O后才能進行信息處理，在進行信息處理過程中需要對數(shù)據(jù)進行大量的磁盤，運行效率相對較低，而基于內(nèi)存的分布式計算框架Spark平臺，則有效的解決了頻繁的磁盤I/O問題。這主要是由于Spark平臺可以實現(xiàn)計算節(jié)點將中間結(jié)果緩存與內(nèi)存中，避免了反復(fù)迭代等高密度計算過程中的磁盤頻繁I/O操作。Spark主要囊括了分布式文件系統(tǒng)、彈性分布式數(shù)據(jù)集以及容錯機制等幾個模塊。

1.分布式文件系統(tǒng)

Spark平臺繼續(xù)使用了分布式文件系統(tǒng)HDFS，在極大程度上簡化了數(shù)據(jù)的儲存流程，使其可以進行大規(guī)模的數(shù)據(jù)處理，此外，HDFS系統(tǒng)中還使用了高容錯性策略：首先，數(shù)據(jù)復(fù)寫機制可以將同一份數(shù)據(jù)在不同的節(jié)點上產(chǎn)生副本，及時某一個節(jié)點發(fā)生故障，我們依然可以存取其他節(jié)點的數(shù)據(jù)。其次通過心跳機制檢測節(jié)點的可用性。HDFS系統(tǒng)只有一個主節(jié)點（namenode）和多個從節(jié)點（datanode），主節(jié)點的作用是管理HDFS文件系統(tǒng)命名空間，而從節(jié)點的作用則是將數(shù)據(jù)以塊為單位進行存儲，并周期性的將心跳包發(fā)送給主節(jié)點，如果主節(jié)點不能獲取集群上從節(jié)點的心跳包，則介意判斷該節(jié)點已經(jīng)思想，放棄對其進行I/O操作。

2.彈性分布式數(shù)據(jù)集（RDD）

在存儲方面，Spark平臺運用了以分布式共享內(nèi)存為基礎(chǔ)的彈性分布式數(shù)據(jù)集（Resilient Distributed Datasets，RDD）作為數(shù)據(jù)結(jié)構(gòu)，同時兼容HDFS系統(tǒng)，可將HDFS系統(tǒng)中存在的海量數(shù)據(jù)作為數(shù)據(jù)源，并加載至RDD中進行數(shù)據(jù)處理同時，它還可以在內(nèi)存中對必要的數(shù)據(jù)進行容錯緩存，為高性能的迭代計算提供依據(jù)。在計算模型方面，Spark平臺有著更高的靈活性和更加豐富的操作符、操作符間的組合方式。RDD是一種分布式彈性數(shù)據(jù)集，將數(shù)據(jù)分布存儲在不同節(jié)點的計算機內(nèi)存中進行存儲和處理。每次RDD處理數(shù)據(jù)的結(jié)果都會被存放在不同的節(jié)點中，在需要進行下一步數(shù)據(jù)處理時，可實現(xiàn)從內(nèi)存中直接提取數(shù)據(jù)，從而省去了大量的I/O操作，這對于傳統(tǒng)的MapReduce操作來說，更便于使用迭代運算提升效率。

3.Spark平臺的容錯機制

Spark平臺有著極高的容錯性，這主要是由于在只讀權(quán)限的RDD數(shù)據(jù)結(jié)構(gòu)中，當數(shù)據(jù)集的某一分片丟失時，Spark平臺就會對原始的RDD提出新的申請，運用transformation操作對分片信息進行重新計算，lineage機制的主要作用是保存和記錄RDD與transformation之間的操作，并把集中式元數(shù)據(jù)存儲于主節(jié)點中，lineage機智的存在，可以實現(xiàn)對RDD數(shù)據(jù)的重新計算，并且只讀權(quán)限的RDD還能夠確保當需要重新執(zhí)行l(wèi)ineage中已被執(zhí)行過的某個操作，可以獲得相同的計算結(jié)果。

（二）新型預(yù)測算法在大數(shù)據(jù)平臺中的應(yīng)用

基于spark的BP神經(jīng)網(wǎng)絡(luò)并行化方法，通過采用spark并行編程對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進行全局進化迅游，經(jīng)過一定次數(shù)的迭代后，得到優(yōu)化的神經(jīng)網(wǎng)絡(luò)初始權(quán)值，在使用并行的BP神經(jīng)網(wǎng)絡(luò)算法進行迭代，最終輸出網(wǎng)絡(luò)結(jié)構(gòu)。在訓練過程中，各個階段均能進行多節(jié)點的并行處理，有效增強了BP神經(jīng)網(wǎng)絡(luò)的收斂速度，在提升訓練質(zhì)量和訓練效率等方面均起到了至關(guān)重要的作用。

三、結(jié)束語

綜上所述，基于用戶用電量的時間序列 神經(jīng)網(wǎng)絡(luò)線損預(yù)測模型有著極高的準確性和實用性，能夠有效地幫助我們判斷實際線損是否存在異常，且能準確定位線損異常的原因和位置，是目前提升電網(wǎng)安全性和穩(wěn)定的有效預(yù)測模型。與此同時，在同期線損數(shù)據(jù)急劇增加這一背景，我們還可以通過將該模型與大數(shù)據(jù)平臺相結(jié)合的方式，在sIJark上使用時間序列神經(jīng)網(wǎng)絡(luò)算法對售電量進行并行預(yù)測，可保證數(shù)據(jù)的存儲空間和運算效率。從預(yù)測結(jié)果可知，該模型對售電量預(yù)測精度較高，對線損率預(yù)測具有決策性意義。

參考文獻

[1]劉晶，朱鋒峰，林輝，等.基于相似日負荷修正算法的短期負荷預(yù)測[J].計算機工程與設(shè)計.2010.31 （06）：1279-1282.

[2]李翔，歐陽森，馮天瑞，等.一種基于用電行業(yè)分類的中長期電量預(yù)測方法[J].現(xiàn)代電力.2015，32 （06）：86-91.

[3]劉耀年，王衛(wèi)，楊冬峰.基于模糊劃分聚類的中長期用電量預(yù)測[J].東北電力大學學報.2004，24 （04）：3942.

[4]張鑫，韋鋼，周敏，等.灰色理論在城市年用電量預(yù)測中的應(yīng)用[J].上海電力學院學報，2002，18 （02）：9-12.

[5]張士強，王雯，王健.ARIMA模型在城市年用電量預(yù)測中的應(yīng)用[J].電力需求側(cè)管理.2010，12 《06）：31-34.