基于大數據技術的電網輸電負荷預測研究

云南電網有限責任公司文山供電局 張兆陽 申娟平 楊 俊 趙曉寅 趙樹輝

電網輸電負荷預測主要是指針對性地預測饋線、大用戶等負荷單元，為后期配電化狀態預判提供重要的依據和參考。負荷預測結果是否準確，直接影響了電網輸電精細化管理水平以及供電的可靠性[1]。對于電網輸電而言，其應用范圍較廣的預測方式主要包含短期預測和中長期預測。本文結合這兩種預測方式，利用基于大數據技術解決方案，對電網輸電負荷進行科學化預測。

1 數據存儲

在進行電網輸電負荷預測時，要做好對負荷、氣象、算法模型等數據的整合處理，同時，還要將這些數據劃分為實測值、分析值。為實現對負荷數據實測值的精確化采集，需要借助用電信息采集系統，將采集好的信息導入指定的文件格式中，然后，通過執行后臺服務程序，篩選出滿足相關數據實測值的數據，并下載、解析處理這些數據。為實現對氣象數據實測值的全面化采集，要利用電力氣象平臺，對其進行采集和整理，并利用后臺服務程序，將氣象數據直接傳輸到大數據平臺中。在采集設備容量變化數據、有序用電數據時，要利用電網搶修系統，將所采集的數據安全、可靠地傳輸到大數據平臺中。

2 數據預處理

對于電網輸電二次系統而言，在具體建設期間，存在設備分布點過多、數據維護不全面、數據易丟失等問題。目前，比較常見的數據缺失類型主要包含隨機缺失類型和非隨機缺失類型。相關人員要做好對數據缺失問題的有效處理。在具體實踐中，當處理的數據缺失量相對較少時，要做好對缺失量的刪除，并插補處理數據。此外，在預測電網輸電負荷時，要做好對平均值的采集和整理，并采用貝葉斯預測法，做好對多個插補值的有效采集，并結合當前信息變化情況，獲得所需要的插補數據。

3 電網輸電負荷分析

3.1 影響電網輸電負荷因素篩選

影響電網輸電負荷因素相對較多，主要包含溫度、濕度、風力、日照、氣壓等因素，進行電網輸電負荷分析時，要從高維數據中篩選出屬性集，確保計算復雜度降到最低，使得模型訓練得以大幅度提高。隨機森林理論主要是指借助多棵決策樹，訓練并預測樣本數據，對數據進行分類。在分類數據時，要結合不同屬性評分結果，評估不同屬性在數據分類中應用價值[2]。為保證影響因素篩選效果，需要利用數據集，形成相應的決策樹，單棵樹主要用于對小部分屬性的訓練，并對相關屬性進行統計分析處理。

3.2 氣象影響分析

氣象變化，通常會對電網輸電負荷產生直接性的影響，氣象這一因素具有時間滯后性等特點，因此，僅僅運用全局回歸的方法，無法對氣象數據進行全面化描述，而自適應分段線性模型樹的構建和應用，可以有效地分析氣象因素。

該方法在具體應用時，要運用分治策，對全局回歸進行優化處理，從而保證目標分段處理效果。通過運用回歸樹，對葉子節點進行統一化處理，使得擬合誤差出現概率降到最低。為了提高最終擬合結果的精確性，需要精細化處理葉子節點[3]，同時，還要擬合各葉子節點樣本，使其擬合為相應的線性函數，從而實現對分段線性模型樹的構建。

為保證模型訓練結果精確性和真實性，要選用合適的算法，自動化生成相應模型參數，同時，采用自適應策略，對參數變化區間進行科學設置，并保證遍歷循環效果，并結合最終模型誤差評估結果，對相關參數進行科學設置。另外，向樣本中分解相應的決策樹，從而保證線性擬合處理結果的精確性和真實性，只有這樣，才能確保氣象與負荷定量兩者之間形成較高的關聯度。

4 預測算法及預測任務調度

4.1 動態自適應組合預測模型

對于預測模型而言，在進行自適應訓練期間，為提升最終預測準確率，要優先構建和應用動態自適應組合預測模型，并對各個預測模型的歷史準確率進行有效的評估和分析，從而實現對各模型權值比例系數的自動化修正。其中，在進行短期預測時，要并行運算指數外推模型、平均模型、決策樹模型等；在進行中長期預測時，要綜合運用線性回歸模型、向量機模型、ARMA 模型等[4]。為保證最終預測結果的精確性和真實性，要結合預測日、工作日、節假日、雙休日等日期類型，科學地評估和預測不同權重組合情況。

4.2 基于Spark 流計算的預測任務調度

在進行電網輸電負荷預測時，計算效率提升，可以提高用戶使用體驗，保證高頻次滾動計算效率。受計算資源的限制，需要在優化算法流程的基礎上，將預測任務科學地分配到相應的節點中，使得計算效率得以顯著提升[5]。此外，通過應用流計算技術，對數據進行轉換，使其轉換為無狀態數據、有狀態數據。在進行無狀態轉換時，僅僅用到當前批次數據；在進行有狀態操作時，僅僅用到之前批次數據。運用電網輸電負荷預測算法，對滑動窗口操作進行短期預測。

4.2.1 基于滑動窗口操作的短期負荷預測

為保證最終短期負荷預測結果的準確率，結合滑動窗口實際操作情況，綜合運用歷史數據、氣象數據、檢修數據等，開展相應的短期負荷預測工作，促使滑動窗口操作變得更加規范化、科學化。滑動窗口計算如圖1所示。

圖1 滑動窗口計算

圖1中T1-Tn代表各個批次所輸入的負荷數據、氣象數據等預測數據。通過對數據進行匯集，使其匯集到足夠的窗口長度。在導入新批次數據時，需要篩選和剔除最早的數據，完成對批次數據集的組合和構建。預測觸發在具體設計和實現時，需要科學地調整和控制滑動窗口時間間隔。這種預測方式的運用，可以提高數據查詢效率，縮短數據查詢所需時間，最大限度地提高最終計算效率。

4.2.2 基于無狀態操作的中長期負荷預測

中長期預測模式存在計算強度大、觸發頻率低、計算資源浪費等問題。為實現對中長期負荷預測模型的精確化定義，除了要做好對預測日期范圍的定義外，還要選用合適的算法。為保證中長期負荷預測結果的準確率，技術人員要重視對基于無狀態操作實現方案的制訂和使用，在運用該方案時，要做好對任務流的觸發處理，當計算操作完成后，觸發流程自動退出。當系統監聽到人工制定的任務時，會向隊列中添加適量的任務，同時，結合CPU 核數，分解和分配當前任務情況。

為進一步地提高中長期預測結果的精確度，簡化計算任務的復雜度，避免因出現任務阻塞而降低其他計算任務處理效率，需要利用多線程技術，依次執行和處理多種不同的計算任務，并做好對執行情況的及時報告。

5 應用效果分析

5.1 計算效率提升效果分析

在進行最終計算效率評估期間，分別運用傳統模式、微型機群、小型機群三種模式，對某省域電網輸電負荷進行中長期預測，輸入數據內容見表1。由于受某一條件限制，在以上三種模式下，計算資源配置與性能存在一定的差異，但并未影響最終結果。

表1 輸入數據內容

總耗時計算時間對比結果見表2。

表2 計算時間對比

從表2中的數據可以看出，隨著機群規模不斷提升，計算效率呈現出不斷增加的趨勢，通過運用基于大數據技術預測方案，達到高效化計算的目的。

5.2 預測準確率提升效果分析

為保證預測準確率評估操作的有效性和可靠性，本文重點分析和對比傳統預測方案、基于大數據技術預測方案所獲得的預測準確率情況。

首先，采用隨機抽取的方式，抽取出1000個負荷樣本，并將執行時間控制為1個月，預測準確率對比結果見表3。在傳統預測方案中，主要將指數外推法和ARMA 模型法進行有效地結合，滾動執行時間間隔為12h，每天滾動執行2次。在基于大數據技術預測方案，將指數外推法、ARMA 模型法和決策樹模型法進行有效的結合，滾動執行時間間隔為4h，每天滾動執行6次。這表明，通過運用基于大數據技術預測方案，可以精細化、詳細化呈現出影響因素計算結果，同時，還促使最終分析預測頻次不斷提升，確保最終預測準確率得以大幅度提高。

表3 預測準確率對比

6 結語

綜上所述，大數據技術的出現和應用，為電網輸電負荷預測提供重要的技術支持，通過應用該技術，進行數據存儲、數據預處理、負荷分析、預測模型構建等環節，不僅提高最終預測結果的準確率，還確保負荷計算效率得以大幅度提高，完全符合實際應用需求，極大地提高用戶的使用體驗。因此，本文所提出的基于大數據技術的預測方案具有操作簡單、實用性強、預測準確率高等特點，完全符合實際應用需求。