大數(shù)據(jù)技術(shù)在電力系統(tǒng)負(fù)荷預(yù)測中的應(yīng)用進(jìn)展

陳成優(yōu)

摘 要：目前，人工智能技術(shù)在不斷的發(fā)展，各國家也都開始創(chuàng)建智能電網(wǎng)，并且使新興技術(shù)在電力運(yùn)營各環(huán)節(jié)中使用。智能電網(wǎng)為現(xiàn)代新型電力供應(yīng)模式，其技術(shù)基礎(chǔ)為雙向通信網(wǎng)絡(luò)，是先進(jìn)傳感技術(shù)、設(shè)備技術(shù)、決策技術(shù)與控制方法的集成，電力發(fā)展過程中需要供需平衡，智能電網(wǎng)也充分考慮了用戶與企業(yè)的雙向平衡。為此本文，介紹了大數(shù)據(jù)技術(shù)在電力系統(tǒng)負(fù)荷預(yù)測中的應(yīng)用，研究了電力負(fù)荷預(yù)測的方法、大數(shù)據(jù)在電力系統(tǒng)負(fù)荷預(yù)測的應(yīng)用領(lǐng)域及其關(guān)鍵技術(shù)。

關(guān)鍵詞：大數(shù)據(jù)技術(shù);電力系統(tǒng);負(fù)荷預(yù)測;應(yīng)用

引言

準(zhǔn)確的電力負(fù)荷預(yù)測對制訂合理的計(jì)劃和調(diào)度方案、提高設(shè)備利用率、保障系統(tǒng)安全穩(wěn)定運(yùn)行具有重要意義。最近幾年用電量大幅提升，電力負(fù)荷預(yù)測的難度隨之增大，傳統(tǒng)的負(fù)荷預(yù)測方式無法處理龐大而混亂的數(shù)據(jù)量，引入大數(shù)據(jù)技術(shù)來完成電力系統(tǒng)負(fù)荷預(yù)測，能夠有效增加預(yù)測精度與速度，有助于穩(wěn)定性與經(jīng)濟(jì)性的提升，同時(shí)有利于電網(wǎng)的整體規(guī)劃。

1現(xiàn)有的電力負(fù)荷預(yù)測方法

1.1灰色預(yù)測法

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

1.2時(shí)間序列法

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

1.3循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是卷積神經(jīng)網(wǎng)絡(luò)之外的另一類主要的深度學(xué)習(xí)模型，常用于序列數(shù)據(jù)的建模，如文本，語音信號(hào)等。與其他類型的神經(jīng)網(wǎng)絡(luò)模型相比，RNN的特點(diǎn)是不僅有前向傳播機(jī)制，還同時(shí)存在后向傳播，即網(wǎng)絡(luò)內(nèi)部具有循環(huán)反饋的連接。基于這種結(jié)構(gòu)，RNN具有了“記憶”的能力，可以將前一步計(jì)算的結(jié)果部分地作為下一步計(jì)算的輸入，從而有效地學(xué)習(xí)到數(shù)據(jù)自身的序列依賴。RNN的訓(xùn)練主要通過隨時(shí)間的反向傳播算法來進(jìn)行，這一過程中可能會(huì)存在“梯度消失”等問題，針對這一問題有各種RNN的改進(jìn)方案提出，如長短期記憶單元（LongShort-termMemory，LSTM）網(wǎng)絡(luò)與門控循環(huán)單元（GatedRecurrentUnit，GRU）網(wǎng)絡(luò)等。與其他類型的神經(jīng)網(wǎng)絡(luò)模型類似，RNN的主要結(jié)構(gòu)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(shù)據(jù)中的序列依賴，同時(shí)，隱藏層中可以通過嵌入的形式不斷地輸入外部數(shù)據(jù)，使得網(wǎng)絡(luò)學(xué)習(xí)到更多信息。為簡單起見，文中僅使用經(jīng)典的RNN模型，不涉及LSTM，GRU等各類改進(jìn)版本。為更好地學(xué)習(xí)到用電量數(shù)據(jù)中的時(shí)序依賴，基于時(shí)間序列分析任務(wù)中的常見做法，將總體的時(shí)序變化趨勢分解為三個(gè)層次：（1）長期趨勢：指序列在長期過程中表現(xiàn)出的沿固定方向的變化趨勢，如用電量隨著人口上升、經(jīng)濟(jì)水平提高的增加等;（2）季節(jié)變動(dòng)：指序列在固定時(shí)間區(qū)間內(nèi)呈現(xiàn)出的有規(guī)律的周期波動(dòng)，如氣溫與降水量隨季節(jié)的變化等;（3）循環(huán)變動(dòng)：指序列在不固定的時(shí)間區(qū)間內(nèi)表現(xiàn)出的周期性變化，如經(jīng)濟(jì)周期現(xiàn)象。

2大數(shù)據(jù)在電力系統(tǒng)負(fù)荷預(yù)測的應(yīng)用

我國用電量的大幅提升、高速智能電網(wǎng)的部署等極大增加了電力負(fù)荷預(yù)測的難度。各類傳感器和智能設(shè)備數(shù)據(jù)不斷增加，設(shè)備中獲取的數(shù)據(jù)以及各類傳感器采集的電力負(fù)荷預(yù)測相關(guān)因素如溫度、天氣、風(fēng)速等數(shù)據(jù)量劇增，數(shù)據(jù)維度也不斷提高，數(shù)據(jù)規(guī)模也從GB級(jí)增長到TB級(jí)甚至更高，基于單機(jī)進(jìn)行的傳統(tǒng)預(yù)測方法與智能預(yù)測方法，已經(jīng)遠(yuǎn)遠(yuǎn)低于在負(fù)荷預(yù)測中所希望達(dá)到的準(zhǔn)確度與速度需求，因此技術(shù)的突破點(diǎn)聚焦到了基于大數(shù)據(jù)技術(shù)的預(yù)測方法研究。大數(shù)據(jù)技術(shù)的發(fā)展，成功實(shí)現(xiàn)了負(fù)荷曲線數(shù)據(jù)的高速處理，并且可以預(yù)測到短期時(shí)間下的用電量。通過對傳統(tǒng)電力大數(shù)據(jù)技術(shù)在大量數(shù)據(jù)結(jié)構(gòu)處理的改進(jìn)，成功實(shí)現(xiàn)了電力大數(shù)據(jù)技術(shù)在規(guī)定延遲內(nèi)的復(fù)雜、并行處理能力。同時(shí)，運(yùn)用不同尺度上進(jìn)行處理的方式，某些應(yīng)用甚至具有了實(shí)時(shí)反映實(shí)時(shí)處理的能力。目前的電力大數(shù)據(jù)技術(shù)，在配用電網(wǎng)架優(yōu)化、電力調(diào)度與負(fù)荷預(yù)測等方面，已經(jīng)有了較深入的研究。運(yùn)用電力大數(shù)據(jù)技術(shù)深度挖掘采集到的大量負(fù)荷數(shù)據(jù)，從而進(jìn)行精確地負(fù)荷預(yù)測，可以為電網(wǎng)的智能化運(yùn)行提供強(qiáng)有力的技術(shù)支撐。電力大數(shù)據(jù)涉及的關(guān)鍵技術(shù)有以下幾個(gè)。

2.1數(shù)據(jù)展現(xiàn)

電力大數(shù)據(jù)的數(shù)據(jù)展現(xiàn)技術(shù)包括可視化、空間化、時(shí)間化。通過數(shù)據(jù)展現(xiàn)技術(shù)，能夠精確得展現(xiàn)出數(shù)據(jù)的隱藏含義，從而能夠顯示出系統(tǒng)的運(yùn)行狀況。大量研究者在大數(shù)據(jù)技術(shù)框架下進(jìn)行電力負(fù)荷預(yù)測，在考慮了智能電網(wǎng)大數(shù)據(jù)環(huán)境下電力負(fù)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(xué)習(xí)算法，建立了支持向量機(jī)電力負(fù)荷預(yù)測算法，是目前的一個(gè)比較前沿的突破。利用圖形聚類算法對各行業(yè)細(xì)分不同特征的用戶，在此基礎(chǔ)上將大數(shù)據(jù)分析處理技術(shù)結(jié)合支持向量機(jī)算法應(yīng)用于電力負(fù)荷預(yù)測，設(shè)計(jì)了一整套負(fù)荷預(yù)測的架構(gòu)，并做了算法的實(shí)現(xiàn)和對比研究，顯示預(yù)測結(jié)果與實(shí)際情況一致性高，并且在運(yùn)行速度上優(yōu)勢非常明顯，具有很強(qiáng)的實(shí)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(xù)深入的研究與發(fā)現(xiàn)。

2.2集成管理

集成管理是把多個(gè)系統(tǒng)中特征與形式各異的應(yīng)用數(shù)據(jù)進(jìn)行有機(jī)集中統(tǒng)一管理，可以有效解決各系統(tǒng)之間的數(shù)據(jù)冗余。大數(shù)據(jù)具有多樣化的特性，因此數(shù)據(jù)的產(chǎn)生范圍非常寬泛，數(shù)據(jù)的形式較為多樣，其內(nèi)在的聯(lián)系也更難把握，處理與分析這種混亂的數(shù)據(jù)庫將會(huì)變得非常艱難與不精確。要解決這個(gè)問題，就一定要對數(shù)據(jù)庫進(jìn)行集成管理，尋找數(shù)據(jù)的內(nèi)部聯(lián)系與客觀的發(fā)展規(guī)律，經(jīng)過分類與整理之后，使用統(tǒng)一的方式對數(shù)據(jù)進(jìn)行存儲(chǔ)與編號(hào)。在提取數(shù)據(jù)的過程中，要有一個(gè)審核的步驟，從而清除冗余數(shù)據(jù)，增加數(shù)據(jù)的精確度與可靠性。

2.3數(shù)據(jù)處理

數(shù)據(jù)處理技術(shù)可以總結(jié)成以下3個(gè)方面：分布式計(jì)算是可以對許多的信息進(jìn)行系統(tǒng)化儲(chǔ)存;內(nèi)存計(jì)算技術(shù)能夠及時(shí)地運(yùn)算與快速地讀取寫入;流處理技術(shù)能夠解決一些難以分析的復(fù)雜數(shù)據(jù)。

結(jié)束語

為了盡快實(shí)現(xiàn)國家堅(jiān)強(qiáng)智能電網(wǎng)建設(shè)目標(biāo)，全國各地掀起智能電網(wǎng)建設(shè)的熱潮，智能電網(wǎng)裝備使用量不斷增加，并且已經(jīng)創(chuàng)建智能電網(wǎng)體系。對比傳統(tǒng)電網(wǎng)供應(yīng)模式，智能電網(wǎng)環(huán)境下電力供應(yīng)與用能方式有所改變，電網(wǎng)企業(yè)從傳統(tǒng)垂直式管理轉(zhuǎn)變成為互通式管理，電力供需雙向平衡。電力負(fù)荷預(yù)測為電力供需平衡基礎(chǔ)，并且為電源、電網(wǎng)的規(guī)劃建設(shè)提供信息和基礎(chǔ)。

參考文獻(xiàn)

[1]滕雪莉.智能計(jì)算的配電網(wǎng)負(fù)荷預(yù)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(tǒng)短期負(fù)荷預(yù)測研究概述[J].電器與能效管理技術(shù)，2016（4）：28-29.

[3]牛勇，王震宇，王紅軍，等.改進(jìn)灰色模型在中長期電力負(fù)荷預(yù)測中的應(yīng)用[J].東北電力大學(xué)學(xué)報(bào)，2009，29（2）：64-65.