杨旭昕
国网信息通信产业集团有限公司 北京 100053
摘要：不同预测时间产生的负荷预测，其研究内容以及用途有所不同。超短期负荷预测关注较短的区域之内的数值变动，它的用处即是对电力设备的运行情况进行监控；短期负荷预测针对数日到数周的负荷，可以为水电调度、机组启停提供重要参考，是电网日常运行的基础；中期负荷预测针对数周到数月的负荷，预测用途是为电力系统安排检修以及燃料采购等提供支撑；长期负荷预测则是对将来的很长时间跨度区域内的用电情况与走势的估计，用于电力设备的改造与扩建等。本文主要分析大数据技术在电力系统负荷预测中的应用进展。
关键词：大数据技术；电力系统；负荷预测；数据处理
引言
负荷预测在电力网络规划里占据着主导地位。准确的电力负荷预测对制订合理的计划和调度方案、提高设备利用率、保障系统安全稳定运行具有重要意义。最近几年用电量大幅提升，电力负荷预测的难度随之增大，传统的负荷预测方式无法处理庞大而混乱的数据量，引入大数据技术来完成电力系统负荷预测，能够有效增加预测精度与速度，有助于稳定性与经济性的提升，同时有利于电网的整体规划。
1、数据挖掘技术
数据挖掘，是指基于数据库原理、云技术、机器学习、人工智能、现代统计经济学等跨学科的综合技术。伴随着所涉及学科的增多，其实用价值及应用可在很多领域加以展现。所相关联涉及到的算法也多种多样，诸如神经网络、决策树、基于统计学习理论的支持向量机、分类回归树和关联分析等。数据挖掘的内容主要包括分类、关联分析、聚类和异常检测等。数据挖掘技术是综合了传统数据分析法与新型复杂算法的新方法，该方法能在大型数据存储库之中，自动的发现有用信息。数据挖掘作为数据库知识发现(KDD)不可缺少的一部分，在整个数据库知识发现过程中发挥着重要作用。“大数据”时代的数据挖掘，是从大量数据的定义中发现有意义的模式或知识。数据挖掘离不开数据库技术的发展和成熟，具体地说，对数据库中的原始数据进行一系列的计算和分析，得到有用的信息。该过程通常包括数据预处理、数据挖掘、后处理3个方面。其中，数据预处理是指将原始数据转换成一种适合分析的形式，包括多数据源的数据融合、数据清理、尺寸标注等。后处理是指对模型预测的结果进行进一步的处理和推导。本文主要分析电力负荷(主要为负荷曲线)的相关特性，对不同用电特性的用户加以区分。目前利用配用电数据进行异常用户检测、需求侧管理与能效管理、用电客户精细分类等都需要对负荷曲线进行聚类分析。因此，有必要通过对负荷曲线的聚类对其特性进行分类研究。
2、现有的电力负荷预测方法
2.1时间序列法
时间序列方法将电力系统的负荷视为具有循环规律的时间序列，并允许为预测目的对历史数据和某些影响因素进行建模。时间序列方法取决于原始数据中的异常数据。研究人员继续对时间序列方法进行研究和探索，研究人员分析了短期负荷模型，并对不同的负荷量使用了不同的模型，比较了预测中时间序列方法和卡尔曼滤波方法之间的差异，以确定时间序列方法的适用范围。对于电力系统负荷数据的非线性特性，提出了一种利用回归熵特性的负荷预测模型，得出了定量回归特性熵作为负荷预测的非线性特性，从而提高了精度一些研究人员将小波浪和分形引入数学理论进行电力负荷研究，并利用时频分析方法构建预测模型。
2.2智能预测法
传统的预测方法很难在影响因素和负荷值之间进行整体建模。随着人工智能的增强，智能算法在非线性处理领域的优势使得它们越来越多地用于负荷预测。神经网络是通过模拟人类大脑对信息的处理而建立的一种算法模型，具有适应能力和自我学习能力，在处理非线性问题方面具有很强的优势。智能预测方法在负荷预测中考虑到许多因素，并且能够自我反馈和自我学习。
随着电网数据数量的增加，智能预测方法计算的复杂性和数量越来越明显。
3、大数据在电力系统负荷预测的应用
3.1集成管理
集成管理是把多个系统中特征与形式各异的应用数据进行有机集中统一管理，可以有效解决各系统之间的数据冗余。大数据具有多样化的特性，因此数据的产生范围非常宽泛，数据的形式较为多样，其内在的联系也更难把握，处理与分析这种混乱的数据库将会变得非常艰难与不精确。要解决这个问题，就一定要对数据库进行集成管理，寻找数据的内部联系与客观的发展规律，经过分类与整理之后，使用统一的方式对数据进行存储与编号。在提取数据的过程中，要有一个审核的步骤，从而清除冗余数据，增加数据的精确度与可靠性。
3.2负荷聚类分析
在电力负荷预测方面，中长期电力负荷预测环境较为常见，短期预测的结果往往不具代表性，因此相应的研究也归入中长期预测领域。对电力负荷的审查表明，电力负荷受到许多因素的影响，即使是系统动力学等工具也可能因难以有效确定系统界限而对预测的准确性产生争议。但是，从根本上讲，电力负荷预测最终是不同特性负荷重叠的结果，即使是由此产生的电力需求负荷也可能产生类似的结果。例如，根据行业类型的不同，白天会有需求，尽管行业特征决定了电力总需求的变化。例如，植物供暖和动物照明的需求在原因上有很大差异，但最终结果仍然相似。因此，将经济和政治因素纳入电力负荷预测不仅是对该区域电力需求的预测，而且也是对该区域经济和发展各个方面的预测。因此，盲目扩展系统限制只会增加系统的计算量，降低系统的生产力，而对提高电力负荷预测工作的质量影响相对较小。在这种情况下，当您根据大量数据展开电力负荷预测作业时，可以考虑使用聚类分析方法执行该作业。聚类分析是通过数据建模简化数据的一个重要方法，它将一组研究对象组合成若干类类似的对象。您可以使用丛集分析来建立多个资料丛集，这些资料丛集的物件非常相似，而且丛集之间的物件差异很大。在信息技术领域，集群采购的效率取决于机器学习的效率、电力系统中元数据应用的效率以及未来电力负荷预测的准确水平。对于电力负荷分类分析作业，必须首先执行所需的标准化处理。关于电力负荷的历史数据，这些数据主要是时间序列，其影响因素涉及许多方面，如季节、工业发展、区域人口等。以及不规则的变化。
3.3数据展现
电力大数据的数据展现技术包括可视化、空间化、时间化。通过数据展现技术，能够精确得展现出数据的隐藏含义，从而能够显示出系统的运行状况。大量研究者在大数据技术框架下进行电力负荷预测，在考虑了智能电网大数据环境下电力负荷影响因素的多源性的情况下，将气温等因素作为影响因素，采用双层多核学习算法，建立了支持向量机电力负荷预测算法，是目前的一个比较前沿的突破。利用图形聚类算法对各行业细分不同特征的用户，在此基础上将大数据分析处理技术结合支持向量机算法应用于电力负荷预测，设计了一整套负荷预测的架构，并做了算法的实现和对比研究，显示预测结果与实际情况一致性高，并且在运行速度上优势非常明显，具有很强的实用性。但是目前的研究还存在许多不足之处，需要后期有更多的人继续深入的研究与发现。
结束语
电力负荷预测是一个具有前瞻性的课题，准确的预测结果对制订合理的计划和调度方案、提高设备利用率、保障系统安全稳定运行具有重要意义。本文描述了经典方法和智能方法，同时分别指出了不同预测方法的优缺点，针对当前智能电网和智能传感器大量部署的情况，将技术的突破点聚焦到了基于大数据技术的预测方法研究上。引入大数据技术来完成电力系统负荷预测，能够有效增加预测精度与速度，有助于稳定性与经济性的提升。
参考文献：
[1]滕雪莉.智能计算的配电网负荷预测方法研究[J].黑龙江科技信息，2018（36）:14.
[2]沈渊彬，刘庆珍.电力系统短期负荷预测研究概述[J].电器与能效管理技术，2016（4）：28-32.
[3]牛勇，王震宇，王红军，等.改进灰色模型在中长期电力负荷预测中的应用[J].东北电力大学学报，2019，29（2）:64-68.
[4]关学忠，佟宇，高哲，等.基于EMD-分形理论的短期电力负荷预测[J].电子设计工程，2016（1）:184-186.
[5]彭小圣，邓迪元，程时杰，等.面向智能电网应用的电力大数据关键技术[J].中国电机工程学报，2018，35（3）:503-511.