电力大数据下的短期电力负荷预测

王凯

摘要：社会经济水平日渐提高,居民用电需求相应增加,电力企业为满足电力资源调度需要,针对短期电力负荷准确预测,根据预测结果制定电网调度方案.电力大数据背景下探究常用预测方法,推动电力企业实现经济效益和社会效益双赢.希望理论研究者和从业者能够从中获取灵感,为电力负荷精准预测做出积极贡献。

关键词:大数据;人工神经网络;负荷预测

1基于大数据下的电力负荷短期预测的必要性
  1.1传统电力负荷短期预测的局限
  我国的电力行业不断发展，为了向社会提供充足的电力，必须进行电力负荷短期预测，得出精确的计算结果。从整体来上来，我国的负荷预测理论不断更新，实现了和国际理论的接轨。在进行电力负荷短期预测的过程中，可以采用序列方法、模型分析方法、向量方法等等。但是传统方法都带有不可避免的局限性：第一，传统电力负荷短期预测方法会在应用的过程中出现过拟合问题。第二，传统的电力负荷短期预测方法获取结果的速度比较慢，而且对历史数据的敏感程度较低。第三，传统的电力负荷短期预测方法受外界环境要素影响较大，一旦出现恶劣天气，预测结果就会出现变化。第四，传统的电力负荷短期预测方法对变量之间的数量关系描述不清，经常会出现数据遗漏问题。
  1.2以海量数据为基础的电力负荷短期预测方法优势
  随着网络信息技术的不断普及，海量数据出现，并呈现出信息爆炸的趋势。电力行业需要满足社会生产生活的用电需求，因此在工作中需要对大量数据进行分析处理。在这种背景下，传统的电力负荷短期预测方法已经失去了实效性，只有采用新型计算方法，才能迎合电力行业的发展要求。与传统的预测方法相比，数据模型分析方法具有以下几种优势：第一，新型的电力负荷短期预测方法精确度比较高，得出的预测结果稳定性相对较好。第二，新型的电力负荷短期预测方法运算时间比较短，可以实现对海量数据的快速处理。

2短期负荷影响因素及数据预处理方法
  (1)预测结果具有不确定性:负荷预测要受到诸多复杂因素影响，且各影响因素多是时变的，故被预测对象的变化规律难以保证实时的准确性;(2)预测行为的条件性:不论负荷特性是什么性质的，预测均在一定的条件下进行的，故预测结果受多种特定条件限制;(3)预测结果的时效性:影响因素的多变性使得预测行为及预测结果都有一定的时间范围内有效;(4)预测方案具有多样性:因为预测结果不准确以及预测行为的条件性使得预测方案具有多样性。
  (1)经济因素。国家经济变动，直接导致电力用户变化。目前，我国经济快速增长使得电力用户数量不断增加。国家的行业规划、经济环境以及政策倾向等均会对负荷水平以及曲线分布产生重要的导向作用。除此之外，电力系统网络所在地的经济环境也会对负荷需求有着明显的影响。(2)内部因素。内部因素的主要特征是周期变化以及线性变化，根据线性变量可以预测出24小时的负荷变化情况。(3)气候因素。电力系统中安装许多气候敏感负荷，这类设备的开启和关闭均与天气因素有着较大的关系。天气因素主要有:雨雪、风力、温度以及阴晴等，尤其是湿度和温度对负荷的影响显著(4)时间因素。法定节假日、季节变化以及周循环等均可以导致区域负荷变化。季节事件可造成电力负荷需求模式以及结构性变化，周循环的原因是区域内人口休息工作模式导致的结果，法定节日则会改变电力需求模式。(5)数据样本因素。历史数据样本选取好坏直接反映负荷的周期性、趋势性以及和影响因素间的关系，尤其是地区级及以下的样本，其预测结果可信度更低;(6)不定因素。冲击性电力负荷所引起负荷波动、自然灾害、电力调度事件等随机因素均可引起负荷模式变化。

3人工神经网络作用与分类
  人工神经网络的研究是从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理的功能。它是根植于神经科学、数学、统计学、物理学、计算机科学及工程等学科的一种技术。人工神经网络是由大量处理单元广泛互连而成的网络，是人脑的抽象、简化、模拟，反映人脑的基本特性。一般来说，作为神经元模型应具备连接权值、信号整合、激励函数三个要素。人工神经网络具有非线性、并行性、自学习性、联想存储性和实时性等特点。人工神经网络的主要类型有感知机、线性神经网络、径向基（RBF）函数网络、BP神经网络、随机神经网络、竞争神经网络等，其中BP神经网络是应用得最广泛的一种类型。BP神经网络是指误差反向传播算法网络，是一种有监督学习的前向多层感知机结构，由一种误差计算沿着与网络计算方向相反方向传递的算法求解神经元连接权值。BP神经网络由多层构成，层与层之间全连接，同一层之间的神经元无连接，包含一个或多个隐层，可以实现复杂的映射关系。BP网络采用误差反向传播算法进行学习。在BP网络中，数据从输入层经隐含层逐层向后传播，训练网络权值时，则沿着减少误差的方向，从输出层经过中间各层逐层向前修正网络的连接权值。误差反向传播算法是一种近似最速下降方法，采用均方误差作为性能指标。由于BP网络具有计算简单、非线性映射性强、网络泛化性好，在电力负荷预测、神经生物现象模拟、农业样本检测等多个方面有着广泛的应用。

  4神经网络在电力负荷预测中的应用
  电力负荷预测的方法主要有灰色预测法、线性回归法等传统预测方法、神经网络法、支持向量机、模糊系统等人工智能预测算法。由于电力负荷预测具有随机性强、稳定性低、影响因素复杂等特点，很难建立精确的模型。由于传统模型难以充分利用其他影响因素的数据，使得预测精度往往不能满足电力部门的需求，人工智能预测算法是国内外学者们研究的热点问题。电气负荷数据通常为一个时间序列数据，因此可以使用统计或软计算方法进行分析和预测，提出了一种BP神经网络方法（BPNN），采用反向传播神经网络的精确电力负荷预测算法用于短期电力负荷预测，综合考虑了天气特征，如最高摄氏度，最低摄氏度和天气类型等参数。将非负荷因素输入前级BP网络中，得出的负荷类型数据作为后级RBF网络的输入，通过BP－RBF的级联神经网络得到准确的整点负荷预测。
  由于BP神经网络收敛速度慢、易陷于局部极值点的缺点，许多学者结合模糊推理、遗传算法等其他智能算法对电力负荷预测模型进行了进一步完善。基于神经网络的模糊推理方法是通过神经网络的自主学习机制完成模糊化、模糊推理和反模糊化。采用模糊逻辑方法研究了长期负荷预测问题，建立了一个电力负荷模糊预测模型，采用温度、湿度和历史负荷数据作为模型，实验结果表明了模糊理论可以较好地应用于负载长期预测。利用人工神经网络和聚类方法建立公交车负荷预测模型，通过聚类的方法提高了人工神经网络模型的预测精度，适用于短期预测。同时提出一种预测每日负荷的动态神经网络，获得的结果表明精度和效率优于广泛使用的传统方法。并且提出一种基于三角核函数（QRNNT）的分位数回归神经网络的概率密度预测方法，用于短期电力负荷预测。为了构造概率预测方法，应用神经网络对分位数回归模型进行变换，通过对加拿大和中国的负荷数据测试证明了该方法有效性。针对天气因素采用聚类和神经网络相结合的方法进行了负荷预测。

结论：综上所述，为了保障电力系统的正常运转，必须在海量数据的背景下，提高电力负荷短期预测水平。
  参考文献：
  [1]金鑫,李龙威,季佳男,李祉歧,胡宇,赵永彬.基于大数据和优化神经网络短期电力负荷预测[J].通信学报,2016,S1:36-42.
      [2]杨文佳,张国维.基于负荷频谱分析的电力系统短期负荷预测[J].陕西电力,2014,11:56-60.
  [3]包晓晖,陈冲,肖方顺.一种基于聚类分析的短期电力负荷预测方法研究[J].浙江水利水电学院学报,2015,03:73-76+89.

窗体底端

窗体底端

窗体底端