劉曉悅 孫海鶴

摘 ?要： 針對集中式負荷預測方法沒有考慮到各區(qū)域內(nèi)負荷特性的不同，也不能充分利用電網(wǎng)大數(shù)據(jù)優(yōu)勢的問題，提出了基于大數(shù)據(jù)的多子網(wǎng)預測方法。該方法通過子網(wǎng)預測實現(xiàn)大電網(wǎng)的預測。根據(jù)大數(shù)據(jù)分析負荷變化規(guī)律，利用數(shù)據(jù)挖掘原理對樣本進行聚類。基于大數(shù)據(jù)對子網(wǎng)劃分，根據(jù)相似度評價方法對子網(wǎng)合并，利用神經(jīng)網(wǎng)絡建立子網(wǎng)負荷預測模型。為驗證所提方法的有效性，利用電網(wǎng)數(shù)據(jù)進行算例分析，對比集中式負荷預測，所提方法預測效果更好并且用時更少，在大電網(wǎng)負荷預測中有一定實用價值。

關(guān)鍵詞： 大數(shù)據(jù); 數(shù)據(jù)挖掘; 神經(jīng)網(wǎng)絡; 負荷預測; 子網(wǎng)預測; 相似度評價

中圖分類號： TN919?34; TM743 ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）12?0061?04

Abstract： Since the centralized load prediction method does not take the load feature differences of various regions into account， and cannot fully utilize the advantages of power grid big data， a multi?subnet prediction method based on big data is proposed. In the method， the big power grid prediction is realized by means of subnet prediction. The load variation law is analyzed based on the big data. The samples are clustered by adopting the data mining principle. The subnet is divided based on big data， and merged according to the similarity evaluation method. The subnet load prediction model is established based on the neural network. The example analysis is conducted with the power grid data， so as to verify the effectiveness of the proposed method. In comparison with the centralized load prediction method， the proposed method has a better prediction effect and less time consumption， which has a certain practical value in the load prediction of big power grids.

Keywords： big data; data mining; neural network; load prediction; subnet prediction; similarity evaluation

0 ?引 ?言

短期負荷預測在電力系統(tǒng)經(jīng)濟調(diào)度中占有重要位置[1]。預測結(jié)果對于電力調(diào)度運營部門來說顯得尤為重要，通過預測結(jié)果可以合理制定發(fā)電計劃，降低發(fā)電成本，保證安全可靠的供電，提高電力系統(tǒng)的穩(wěn)定性。

負荷預測方法的研究隨著電網(wǎng)技術(shù)的發(fā)展也在不斷深入。傳統(tǒng)的負荷預測方法，如：負荷求導法、相似日法，方法雖簡單方便，但沒有體現(xiàn)出引起負荷變化的各種因素。經(jīng)典負荷預測方法有時序分析法、回歸分析法等統(tǒng)計模型。這些方法集中在負荷序列自身的變化規(guī)律上，因此靈活性差且預測效果一般。人工智能技術(shù)的成熟使得專家系統(tǒng)法、灰色系統(tǒng)理論、小波分析法、支持向量機[2]、人工神經(jīng)網(wǎng)絡[3]、魚群算法等智能算法也加入到負荷預測的行列，一定程度上提升了負荷預測的精度。

近年智能電網(wǎng)的快速發(fā)展，使得電網(wǎng)的數(shù)據(jù)采集變得簡單，同時獲取的數(shù)據(jù)類型也越來越多，智能電網(wǎng)中大數(shù)據(jù)趨勢日益明顯。目前有很多人把數(shù)據(jù)挖掘應用于集中式負荷預測的研究。文獻[4]基于數(shù)據(jù)挖掘技術(shù)利用模糊系統(tǒng)進行負荷預測。文獻[5]通過數(shù)據(jù)挖掘提高了支持向量機方法對海量數(shù)據(jù)的處理能力。文獻[6]基于數(shù)據(jù)挖掘技術(shù)改善了短期負荷預測效果。集中地對大電網(wǎng)進行分析、預測的方法過于籠統(tǒng)，使得海量電力數(shù)據(jù)得不到充分利用。文獻[7]研究了并行運算的預測模型，提高了處理海量高維數(shù)據(jù)的能力。文獻[8]提出了子網(wǎng)累加法。文獻[9]考慮溫度對電網(wǎng)負荷的影響，實現(xiàn)對子網(wǎng)的劃分。文獻[10]基于HI實現(xiàn)了電網(wǎng)的分區(qū)預測。文獻[11]通過分區(qū)預測實現(xiàn)了大區(qū)內(nèi)負荷精細化預測。

研究表明了多子網(wǎng)負荷預測是解決負荷區(qū)域性問題的有效手段，但是以往的研究在對子網(wǎng)預測時選取樣本較少，不能充分發(fā)揮海量電力數(shù)據(jù)的優(yōu)勢，無法對子網(wǎng)進行有效劃分。因此，需要把大數(shù)據(jù)與多子網(wǎng)負荷預測相結(jié)合才能相得益彰。

1 ?基于大數(shù)據(jù)的電網(wǎng)負荷變化規(guī)律分析

1.1 ?短期負荷時間序列特性

分析負荷變化規(guī)律是進行負荷預測的基礎(chǔ)。本文以東部某地區(qū)為研究對象，負荷數(shù)據(jù)為2016年每天每隔30 min的采樣數(shù)據(jù)。利用大數(shù)據(jù)和數(shù)據(jù)挖掘來尋找負荷變化規(guī)律。圖1顯示的是該地區(qū)短期負荷隨時間變化的曲線。

由圖1可以看出，每天的負荷曲線變化規(guī)律基本一致，從時間上看這和人們的生活規(guī)律是密不可分的。每天上午和晚上的9：00—11：00這兩個時間段是用電的高峰期，凌晨時段一般是低谷期。工作日的負荷要明顯高于休息日，這是因為工業(yè)用電一般比生活用電更高;而周六由于是節(jié)假日的緣故負荷要高于周日。

從圖2可以看出，負荷一個月內(nèi)每周波動情況也基本一致。因此電網(wǎng)短期負荷在時間上有周期性、相似性的特征。

1.2 ?數(shù)據(jù)挖掘分析歷史負荷數(shù)據(jù)

為了合理選擇數(shù)據(jù)樣本，使建立的模型更貼合實際，本文采用數(shù)據(jù)挖掘原理對歷史負荷數(shù)據(jù)進行聚類分析。

4） 更新相異矩陣C。如果更新距離后的C中最小元素為c（i，j），表示目前聚類i和j最相似，下一次選擇合并它們。不斷重復這個過程，直到生成包含全部負荷曲線的單個聚類。相異矩陣C表示曲線兩兩的距離。若C小于閾值，就合為一類，接著更新相異矩陣。

設(shè)定閾值為0.4，采用以上聚類方法對該地區(qū)每天負荷數(shù)據(jù)進行聚類分析，結(jié)果見表1。

2 ?多子網(wǎng)短期負荷預測方法

2.1 ?多子網(wǎng)負荷預測方案

由于大電網(wǎng)覆蓋地理區(qū)域較大，內(nèi)部不同區(qū)域氣象分布情況可能不盡相同，難以用一組氣象數(shù)據(jù)來體現(xiàn)大電網(wǎng)所具有的氣象特征，因此集中式負荷預測方法在進行預測時難免出現(xiàn)偏差。為了改善集中式負荷預測結(jié)果，本文提出了基于大數(shù)據(jù)將大電網(wǎng)分為多個子網(wǎng)單獨分析、建模的預測方案。預測方案如圖3所示。

2.2 ?基于大數(shù)據(jù)集的子網(wǎng)的劃分

有效對子網(wǎng)進行區(qū)分是提高預測效果的關(guān)鍵一步。過大或過小的劃分預測區(qū)域都會對預測結(jié)果造成偏差。因此，需要基于大數(shù)據(jù)集合理劃分子網(wǎng)，控制好子網(wǎng)規(guī)模。具體步驟如下：

1） 子網(wǎng)預劃分。根據(jù)行政區(qū)域和氣象特征的分布情況，自下而上，把220 kV節(jié)點作為基本單元進行預劃分。找出氣象觀測站的實時數(shù)據(jù)、預測數(shù)據(jù)以及各個子網(wǎng)之間的聯(lián)系。

2.4 ?基于神經(jīng)網(wǎng)絡的負荷預測模型

人工神經(jīng)網(wǎng)絡是人工智能領(lǐng)域的分支，它具有自適應、自組織和實時學習的優(yōu)點。BP神經(jīng)網(wǎng)絡結(jié)構(gòu)簡單且具有很強的非線性映射能力、泛化能力和容錯能力，因此BP神經(jīng)網(wǎng)絡是現(xiàn)在使用比較多的神經(jīng)網(wǎng)絡模型。但BP神經(jīng)網(wǎng)絡也存在著容易陷入局部極小值的缺點。粒子群優(yōu)化算法由于參數(shù)少、易于實現(xiàn)、運算速度快等特點，在優(yōu)化問題中得到廣泛使用。本文采用粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡進行負荷預測。

3 ?實驗分析

為驗證多子網(wǎng)負荷預測方案的有效性和準確性，利用東部某地區(qū)電網(wǎng)大數(shù)據(jù)，進行建模仿真并分析預測結(jié)果。實驗環(huán)境：ThinkServer RD650，處理器是六核Intel至強E52600 v3，型號E5?2620 v3，擁有32 GB內(nèi)存，32 TB存儲容量。實驗步驟如下：

1） 選擇樣本、劃分子網(wǎng)。數(shù)據(jù)采用該地區(qū)2016年8月份電網(wǎng)數(shù)據(jù)。子網(wǎng)劃分結(jié)果見表3。由于子網(wǎng)2，5負荷曲線相似度較高，因此合并為一個網(wǎng)絡，最終將子網(wǎng)劃成4個。

從預測結(jié)果可以看出，多子網(wǎng)預測方法預測值比集中式預測值更加接近實際負荷值，且所提方法的預測誤差都在2%以內(nèi)，有很好的預測精度和良好的穩(wěn)定性。

為了進一步驗證預測結(jié)果，對8月29—31日的負荷進行預測，結(jié)果如表4所示。

從表4可以看出，多子網(wǎng)負荷預測方法在平均相對誤差、最大相對誤差兩個方面都要低于集中式預測方法，負荷預測準確率更高，并且由于多子網(wǎng)負荷預測可以并行計算，大大縮短了預測的時間。綜上結(jié)果表明無論是對工作日還是休息日的負荷預測，多子網(wǎng)負荷預測法都占有優(yōu)勢。

4 ?結(jié) ?論

發(fā)揮大數(shù)據(jù)的優(yōu)勢，通過劃分子網(wǎng)的方式在一定程度上解決了以往集中式負荷預測過程中無法準確把握負荷區(qū)域性的問題。本文采用電網(wǎng)大數(shù)據(jù)進行實驗仿真，結(jié)果表明，所提出的多子網(wǎng)預測方法在負荷預測的精度、穩(wěn)定性及時間上相比集中式負荷預測都有了提升，在對大電網(wǎng)進行負荷預測的實際中有應用價值。

參考文獻

[1] 朱海兵，崔玉，熊浩.基于改進型BP神經(jīng)網(wǎng)絡的電網(wǎng)負荷預測[J].現(xiàn)代電子技術(shù)，2016，39（20）：64?66.

[2] 李清霞.海量數(shù)據(jù)的支持向量機優(yōu)化挖掘方法[J].現(xiàn)代電子技術(shù)，2018，41（6）：137?140.

[3] 李秋碩，王巖，孫宇軍，等.BP神經(jīng)網(wǎng)絡在用電用戶分類中的應用[J].現(xiàn)代電子技術(shù)，2017，40（9）：156?158.

[4] AZADEH A， SABERI M， GHADERI S F， et al. Improved estimation of electricity demand function by integration of fuzzy system and data mining approach [J]. Energy conversion and management， 2008， 49（8）： 2165?2177.

[5] HONG W C. Chaotic particle swarm optimization algorithm in a support vector regression electric load forecasting model [J]. Energy conversion and management， 2009， 50（1）： 105?117.

[6] 林順富，郝朝，湯曉棟，等.基于數(shù)據(jù)挖掘的樓宇短期負荷預測方法研究[J].電力系統(tǒng)保護與控制，2016，44（7）：83?89.

[7] 王保義，王冬陽，張少敏.基于Spark和IPPSO_LSSVM的短期分布式電力負荷預測算法[J].電力自動化設(shè)備，2016，36（1）：117?122.

[8] 楊朋.大電網(wǎng)短期負荷預測方法研究[D].鄭州：鄭州大學，2010.

[9] LI T， GUO J， LUO D， et al. Region load forecasting based on load characteristics analysis and GRNN [M]. Berlin： Springer， 2014.

[10] 馬坤隆.基于大數(shù)據(jù)的分布式短期負荷預測方法[D].長沙：湖南大學，2014.

[11] 馬曉東，顧楊青，張軍民，等.基于區(qū)域劃分的分布式短期負荷預測方案設(shè)計[J].自動化與儀器儀表，2017（12）：88?91.