大數據技術在電力系統負荷預測中的應用進展

陳成優

摘 要：目前，人工智能技術在不斷的發展，各國家也都開始創建智能電網，并且使新興技術在電力運營各環節中使用。智能電網為現代新型電力供應模式，其技術基礎為雙向通信網絡，是先進傳感技術、設備技術、決策技術與控制方法的集成，電力發展過程中需要供需平衡，智能電網也充分考慮了用戶與企業的雙向平衡。為此本文，介紹了大數據技術在電力系統負荷預測中的應用，研究了電力負荷預測的方法、大數據在電力系統負荷預測的應用領域及其關鍵技術。

關鍵詞：大數據技術;電力系統;負荷預測;應用

引言

準確的電力負荷預測對制訂合理的計劃和調度方案、提高設備利用率、保障系統安全穩定運行具有重要意義。最近幾年用電量大幅提升，電力負荷預測的難度隨之增大，傳統的負荷預測方式無法處理龐大而混亂的數據量，引入大數據技術來完成電力系統負荷預測，能夠有效增加預測精度與速度，有助于穩定性與經濟性的提升，同時有利于電網的整體規劃。

1現有的電力負荷預測方法

1.1灰色預測法

作為電力系統負荷預測的另一種常用方法，灰色預測法的適用范圍非常有針對性，適合中長期負荷預測，不適用于其他序列預測，這是由于中長期負荷預測的增長趨勢呈指數型。學者利用灰色預測法對現有的大量不足與缺陷進行了修正，并提出了基于積累法的灰色預測模型，能夠降低這種越策方式存在的病態性，較好地克服了在負荷預測中的不足。

1.2時間序列法

時間序列法認為電力系統的負荷是具有周期規律的時間序列，可以建立歷史數據和一些影響因子的模型來進行預測。時間序列法容易受原始數據中異常數據的影響。研究者針對時間序列法展開了不斷的研究和探索，有學者對短期負荷模型進行了分析，并針對不同負荷數量采用不同的模型，比較了時間序列法和卡爾曼濾波法在預測中的差別，得出了時間序列法的適用范圍。針對電力系統負荷數據的非線性特性，提出了一種采用遞歸熵特征提取的負荷預測模型，提取定量遞歸特征熵作為非線性特征進行負荷預測，得到了較好的預測精度。有的學者將數學理論中的小波和分形引入電力負荷研究，利用時頻分析方法構建預測模型。

1.3循環神經網絡

循環神經網絡（RNN）是卷積神經網絡之外的另一類主要的深度學習模型，常用于序列數據的建模，如文本，語音信號等。與其他類型的神經網絡模型相比，RNN的特點是不僅有前向傳播機制，還同時存在后向傳播，即網絡內部具有循環反饋的連接。基于這種結構，RNN具有了“記憶”的能力，可以將前一步計算的結果部分地作為下一步計算的輸入，從而有效地學習到數據自身的序列依賴。RNN的訓練主要通過隨時間的反向傳播算法來進行，這一過程中可能會存在“梯度消失”等問題，針對這一問題有各種RNN的改進方案提出，如長短期記憶單元（LongShort-termMemory，LSTM）網絡與門控循環單元（GatedRecurrentUnit，GRU）網絡等。與其他類型的神經網絡模型類似，RNN的主要結構包括輸入層，輸出層與隱藏層。其中隱藏層是最重要的部分，RNN主要通過隱藏層來捕獲數據中的序列依賴，同時，隱藏層中可以通過嵌入的形式不斷地輸入外部數據，使得網絡學習到更多信息。為簡單起見，文中僅使用經典的RNN模型，不涉及LSTM，GRU等各類改進版本。為更好地學習到用電量數據中的時序依賴，基于時間序列分析任務中的常見做法，將總體的時序變化趨勢分解為三個層次：（1）長期趨勢：指序列在長期過程中表現出的沿固定方向的變化趨勢，如用電量隨著人口上升、經濟水平提高的增加等;（2）季節變動：指序列在固定時間區間內呈現出的有規律的周期波動，如氣溫與降水量隨季節的變化等;（3）循環變動：指序列在不固定的時間區間內表現出的周期性變化，如經濟周期現象。

2大數據在電力系統負荷預測的應用

我國用電量的大幅提升、高速智能電網的部署等極大增加了電力負荷預測的難度。各類傳感器和智能設備數據不斷增加，設備中獲取的數據以及各類傳感器采集的電力負荷預測相關因素如溫度、天氣、風速等數據量劇增，數據維度也不斷提高，數據規模也從GB級增長到TB級甚至更高，基于單機進行的傳統預測方法與智能預測方法，已經遠遠低于在負荷預測中所希望達到的準確度與速度需求，因此技術的突破點聚焦到了基于大數據技術的預測方法研究。大數據技術的發展，成功實現了負荷曲線數據的高速處理，并且可以預測到短期時間下的用電量。通過對傳統電力大數據技術在大量數據結構處理的改進，成功實現了電力大數據技術在規定延遲內的復雜、并行處理能力。同時，運用不同尺度上進行處理的方式，某些應用甚至具有了實時反映實時處理的能力。目前的電力大數據技術，在配用電網架優化、電力調度與負荷預測等方面，已經有了較深入的研究。運用電力大數據技術深度挖掘采集到的大量負荷數據，從而進行精確地負荷預測，可以為電網的智能化運行提供強有力的技術支撐。電力大數據涉及的關鍵技術有以下幾個。

2.1數據展現

電力大數據的數據展現技術包括可視化、空間化、時間化。通過數據展現技術，能夠精確得展現出數據的隱藏含義，從而能夠顯示出系統的運行狀況。大量研究者在大數據技術框架下進行電力負荷預測，在考慮了智能電網大數據環境下電力負荷影響因素的多源性的情況下，將氣溫等因素作為影響因素，采用雙層多核學習算法，建立了支持向量機電力負荷預測算法，是目前的一個比較前沿的突破。利用圖形聚類算法對各行業細分不同特征的用戶，在此基礎上將大數據分析處理技術結合支持向量機算法應用于電力負荷預測，設計了一整套負荷預測的架構，并做了算法的實現和對比研究，顯示預測結果與實際情況一致性高，并且在運行速度上優勢非常明顯，具有很強的實用性。但是目前的研究還存在許多不足之處，需要后期有更多的人繼續深入的研究與發現。

2.2集成管理

集成管理是把多個系統中特征與形式各異的應用數據進行有機集中統一管理，可以有效解決各系統之間的數據冗余。大數據具有多樣化的特性，因此數據的產生范圍非常寬泛，數據的形式較為多樣，其內在的聯系也更難把握，處理與分析這種混亂的數據庫將會變得非常艱難與不精確。要解決這個問題，就一定要對數據庫進行集成管理，尋找數據的內部聯系與客觀的發展規律，經過分類與整理之后，使用統一的方式對數據進行存儲與編號。在提取數據的過程中，要有一個審核的步驟，從而清除冗余數據，增加數據的精確度與可靠性。

2.3數據處理

數據處理技術可以總結成以下3個方面：分布式計算是可以對許多的信息進行系統化儲存;內存計算技術能夠及時地運算與快速地讀取寫入;流處理技術能夠解決一些難以分析的復雜數據。

結束語

為了盡快實現國家堅強智能電網建設目標，全國各地掀起智能電網建設的熱潮，智能電網裝備使用量不斷增加，并且已經創建智能電網體系。對比傳統電網供應模式，智能電網環境下電力供應與用能方式有所改變，電網企業從傳統垂直式管理轉變成為互通式管理，電力供需雙向平衡。電力負荷預測為電力供需平衡基礎，并且為電源、電網的規劃建設提供信息和基礎。

參考文獻

[1]滕雪莉.智能計算的配電網負荷預測方法研究[J].黑龍江科技信息，2013（36）：14-15.

[2]沈淵彬，劉慶珍.電力系統短期負荷預測研究概述[J].電器與能效管理技術，2016（4）：28-29.

[3]牛勇，王震宇，王紅軍，等.改進灰色模型在中長期電力負荷預測中的應用[J].東北電力大學學報，2009，29（2）：64-65.