基于數(shù)據(jù)挖掘的電力負(fù)荷預(yù)測(cè)系統(tǒng)設(shè)計(jì)

郭大亮，沈 峰，于楚凡，宋子濤

（1.國(guó)家電力投資集團(tuán)有限公司，北京 100029；2.國(guó)家電投集團(tuán)中央研究院，北京 102209）

隨著我國(guó)在電力領(lǐng)域的不斷發(fā)展與進(jìn)步，關(guān)于電力負(fù)荷所產(chǎn)生的問(wèn)題也在不斷增加，因此如何有效規(guī)范地對(duì)電力負(fù)荷進(jìn)行調(diào)度、規(guī)劃等預(yù)測(cè)成為我國(guó)研究的重點(diǎn)[1-2]。短期負(fù)荷預(yù)測(cè)是我國(guó)相關(guān)工作者制訂規(guī)劃與檢測(cè)安全的基礎(chǔ)，也是我國(guó)電力市場(chǎng)短期未來(lái)發(fā)展的根本參考，因此短期的負(fù)荷預(yù)測(cè)顯得尤為重要[3-4]。

近幾年來(lái)，我國(guó)的相關(guān)工作者對(duì)短期負(fù)荷預(yù)測(cè)這一項(xiàng)目點(diǎn)進(jìn)行了不斷地研究，共總結(jié)出了3 類主要方式：分別為時(shí)間行列模型與回歸模型計(jì)算法、智能分析法、混沌計(jì)算法，但由于負(fù)荷變化過(guò)于龐大，所受干擾成分較多，因此這些方式在應(yīng)用時(shí)都會(huì)存在一定的瑕疵和約束[5-6]。其中，時(shí)間行列與回歸模型計(jì)算法的計(jì)算量過(guò)小、進(jìn)度較快，但得到的結(jié)果精密度卻并不高，且成本投入過(guò)大。智能分析預(yù)測(cè)法系統(tǒng)的魯棒性沒(méi)有安全保障，不具有權(quán)威性。混沌預(yù)測(cè)法的系統(tǒng)雖然可以避開(kāi)復(fù)雜的數(shù)值計(jì)算，但還處于發(fā)展階段，因此其通用性較差，且缺乏學(xué)習(xí)能力[7-8]。

人造神經(jīng)網(wǎng)絡(luò)的保障性較高且非線性映射能力與學(xué)習(xí)能力較強(qiáng)，但其受環(huán)境因素的影響較大，并且該網(wǎng)絡(luò)實(shí)際上是依靠梯度下降法調(diào)試的方式使目標(biāo)函數(shù)變小，因此其泛化性能不強(qiáng)，無(wú)法得到廣泛使用。

數(shù)據(jù)處理技術(shù)可以對(duì)負(fù)荷預(yù)測(cè)的歷史數(shù)據(jù)進(jìn)行聚類分析，還可以將當(dāng)日預(yù)測(cè)的負(fù)荷數(shù)據(jù)與之前的歷史負(fù)荷數(shù)據(jù)進(jìn)行對(duì)比，并整合成一個(gè)完整的數(shù)據(jù)集合，然后再運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network，F(xiàn)NN）模型進(jìn)行負(fù)荷預(yù)測(cè)。經(jīng)過(guò)對(duì)比結(jié)果顯示，文中系統(tǒng)方式跟上述所有方式相比具有更高的精確性與應(yīng)用性。

1 系統(tǒng)硬件設(shè)計(jì)

文中系統(tǒng)的硬件結(jié)構(gòu)如圖1 所示。

圖1 電力負(fù)荷預(yù)測(cè)系統(tǒng)硬件結(jié)構(gòu)

觀察圖1 可知，基于數(shù)據(jù)挖掘的電力負(fù)荷預(yù)測(cè)系統(tǒng)硬件結(jié)構(gòu)由數(shù)據(jù)源層、數(shù)據(jù)連接層、數(shù)據(jù)庫(kù)層、數(shù)據(jù)挖掘?qū)印⑾到y(tǒng)應(yīng)用層、集成層、用戶層組成。

1）數(shù)據(jù)源層主要負(fù)責(zé)整合系統(tǒng)訪問(wèn)的所有電力負(fù)荷數(shù)據(jù)，包含了社會(huì)用電數(shù)據(jù)、策劃數(shù)據(jù)、環(huán)境數(shù)據(jù)、水電站數(shù)據(jù)、社會(huì)整體電力負(fù)荷數(shù)據(jù)、線損數(shù)據(jù)等[9]。

2）數(shù)據(jù)連接層指的是系統(tǒng)與網(wǎng)絡(luò)之間的連接層，是系統(tǒng)訪問(wèn)數(shù)據(jù)庫(kù)的主要渠道[10]。

3）數(shù)據(jù)庫(kù)層是電力負(fù)荷數(shù)據(jù)的暫存空間，當(dāng)處理數(shù)據(jù)量過(guò)大時(shí)可將多余的數(shù)據(jù)交由數(shù)據(jù)庫(kù)層進(jìn)行保存。

4）數(shù)據(jù)挖掘?qū)右詳?shù)據(jù)挖掘作為核心技術(shù)對(duì)所有的負(fù)荷數(shù)據(jù)進(jìn)行深度挖掘，并構(gòu)建相關(guān)模型從而為接下來(lái)的預(yù)測(cè)提供數(shù)據(jù)支持。

5）系統(tǒng)應(yīng)用層主要負(fù)責(zé)對(duì)構(gòu)建的模型進(jìn)行剖析與總結(jié)，為用戶與負(fù)責(zé)人提供更加直觀的表達(dá)。

6）集成層負(fù)責(zé)對(duì)所要挖掘的數(shù)據(jù)進(jìn)行收集與規(guī)劃。

7）用戶層主要分為系統(tǒng)負(fù)責(zé)人員與客戶兩大類，他們是該系統(tǒng)的主要參與者與應(yīng)用者。

系統(tǒng)電路圖如圖2 所示。

圖2 系統(tǒng)電路圖

1.1 電力負(fù)荷數(shù)據(jù)預(yù)處理模塊

電力負(fù)荷數(shù)據(jù)預(yù)處理模塊主要針對(duì)數(shù)據(jù)源層中的所有歷史負(fù)荷數(shù)據(jù)，這些歷史負(fù)荷數(shù)據(jù)并不是絕對(duì)完整與可用的，因此需要電力負(fù)荷數(shù)據(jù)預(yù)處理模塊對(duì)這些數(shù)據(jù)進(jìn)行預(yù)處理，以方便接下來(lái)使用[11-13]。電力負(fù)荷數(shù)據(jù)預(yù)處理模塊內(nèi)部芯片為美國(guó)Intel 公司生產(chǎn)的IT20154 芯片，芯片結(jié)構(gòu)如圖3 所示。

圖3 電力負(fù)荷數(shù)據(jù)預(yù)處理芯片結(jié)構(gòu)

觀察圖3 可知，模塊預(yù)處理的內(nèi)容主要分為兩個(gè)方面，分別為偏差數(shù)據(jù)處理和不可用數(shù)據(jù)處理，其中對(duì)偏差數(shù)據(jù)的處理主要采用定性推理方法，對(duì)缺失數(shù)據(jù)則采用關(guān)聯(lián)規(guī)則填充方法[14]。對(duì)于歷史數(shù)據(jù)中的不可用數(shù)據(jù)來(lái)說(shuō)，該類數(shù)據(jù)的產(chǎn)生主要是由于在存放與傳輸?shù)倪^(guò)程中受到了彼此之間的影響，出現(xiàn)了數(shù)據(jù)紊亂與糾紛的現(xiàn)象，電力負(fù)荷數(shù)據(jù)預(yù)處理模塊針對(duì)這一類數(shù)據(jù)主要采取修復(fù)與處理的方式來(lái)進(jìn)行解決，保證不會(huì)影響到接下來(lái)的一系列過(guò)程。電力負(fù)荷數(shù)據(jù)處理模塊電路圖如圖4 所示。

圖4 電力負(fù)荷數(shù)據(jù)處理模塊電路圖

1.2 數(shù)據(jù)倉(cāng)庫(kù)與多維分析

數(shù)據(jù)倉(cāng)庫(kù)中包含了許多緩存數(shù)據(jù)，該類數(shù)據(jù)的存在是為了填補(bǔ)偏差數(shù)據(jù)之間的空白以及幫助不可用數(shù)據(jù)進(jìn)行修復(fù)與銷毀。文中系統(tǒng)在數(shù)據(jù)庫(kù)的應(yīng)用中，采取了緩存數(shù)據(jù)分布式處理，這些緩存數(shù)據(jù)對(duì)偏差數(shù)據(jù)與不可用數(shù)據(jù)的填補(bǔ)與修復(fù)不會(huì)影響這兩類負(fù)荷數(shù)據(jù)的整體結(jié)構(gòu)，而是減少這兩類數(shù)據(jù)所受環(huán)境以及天氣因素的影響，從根本上彌補(bǔ)了這兩類數(shù)據(jù)的不足，以完成接下來(lái)的多維分析，從而實(shí)現(xiàn)對(duì)數(shù)據(jù)的多維統(tǒng)計(jì)分析與查詢，分析和查詢結(jié)果可以通過(guò)報(bào)刊、圖像等不同形式形象地表示出來(lái)，并支持相關(guān)客戶端獲取所得分析結(jié)果[15]。

2 系統(tǒng)軟件設(shè)計(jì)

數(shù)據(jù)挖掘是一個(gè)從大量數(shù)據(jù)中挖掘出未知并且有價(jià)值的負(fù)荷數(shù)據(jù)規(guī)律的過(guò)程，文中所設(shè)計(jì)的系統(tǒng)軟件主要具有歸類、合并、維系和總結(jié)4 種功能。

其中，歸類是指將所有數(shù)據(jù)對(duì)象根據(jù)其具有的特征性分組成為多個(gè)區(qū)域的一項(xiàng)具體操作，而合并則是通過(guò)數(shù)據(jù)挖掘理念對(duì)這些區(qū)域的負(fù)荷數(shù)據(jù)對(duì)象依次進(jìn)行挖掘，并找到它們總相似性的過(guò)程，維系的目的在于確定原始數(shù)據(jù)在該類別中的穩(wěn)定現(xiàn)象，上述三大功能是實(shí)現(xiàn)總結(jié)功能的基礎(chǔ)[16]。

在總結(jié)的過(guò)程中，文中所設(shè)計(jì)的軟件不但需要找到這些負(fù)荷數(shù)據(jù)的差異性與相似性，還需要對(duì)最終模型的構(gòu)建進(jìn)行預(yù)覽與分析，因?yàn)殡娏ω?fù)荷所處的環(huán)境中所包含的溫度、濕度、降雨量、空氣波動(dòng)等因素對(duì)最終模型的構(gòu)建都有一定的影響，而這些因素彼此之間的相互影響又難以進(jìn)行絕對(duì)比較，因此在總結(jié)的過(guò)程中需要通過(guò)數(shù)據(jù)挖掘理念將這些因素?cái)?shù)據(jù)指標(biāo)標(biāo)準(zhǔn)化，方便最終總結(jié)功能的正常運(yùn)行。電力負(fù)荷預(yù)測(cè)系統(tǒng)軟件流程如圖5 所示。

圖5 電力負(fù)荷預(yù)測(cè)系統(tǒng)軟件流程

文中利用BP 神經(jīng)網(wǎng)絡(luò)單向傳播的多層前向特點(diǎn)，將輸入信號(hào)節(jié)點(diǎn)通過(guò)節(jié)點(diǎn)依次傳輸，而彼此節(jié)點(diǎn)之間又具有不相互影響的特點(diǎn)，這使得負(fù)荷預(yù)測(cè)誤差趨向極小值，降低了上述總結(jié)過(guò)程中其他因素的影響。

為了增強(qiáng)文中所設(shè)計(jì)軟件的包容性，該軟件所應(yīng)用的神經(jīng)網(wǎng)絡(luò)在構(gòu)建模型時(shí)需要經(jīng)過(guò)輸入、生成、推理、干預(yù)共4 個(gè)過(guò)程才能完成，各過(guò)程之間所依據(jù)的信息語(yǔ)言、學(xué)習(xí)概念、應(yīng)用規(guī)則都存在著一定的差異性，使得在應(yīng)用該系統(tǒng)進(jìn)行最終總結(jié)模型構(gòu)建時(shí)大大地增強(qiáng)了涵蓋指數(shù)與包容性。

3 系統(tǒng)功能

為了檢測(cè)文中提出的基于數(shù)據(jù)挖掘的電力負(fù)荷預(yù)測(cè)系統(tǒng)與傳統(tǒng)的電力負(fù)荷預(yù)測(cè)系統(tǒng)的功能，進(jìn)行實(shí)驗(yàn)對(duì)比，系統(tǒng)實(shí)驗(yàn)環(huán)境如圖6 所示。

圖6 實(shí)驗(yàn)環(huán)境

設(shè)定實(shí)驗(yàn)參數(shù)如表1 所示。

表1 實(shí)驗(yàn)參數(shù)

根據(jù)實(shí)驗(yàn)參數(shù)和實(shí)驗(yàn)環(huán)境，選用文中設(shè)計(jì)的基于數(shù)據(jù)挖掘的電力負(fù)荷預(yù)測(cè)系統(tǒng)、傳統(tǒng)的基于動(dòng)態(tài)測(cè)量的電力負(fù)荷預(yù)測(cè)系統(tǒng)與基于人工智能的電力負(fù)荷預(yù)測(cè)系統(tǒng)。

系統(tǒng)對(duì)電力負(fù)荷的辨識(shí)率實(shí)驗(yàn)結(jié)果如圖7所示。

圖7 系統(tǒng)對(duì)電力負(fù)荷的辨識(shí)率實(shí)驗(yàn)結(jié)果

系統(tǒng)對(duì)電力負(fù)荷的辨識(shí)時(shí)間實(shí)驗(yàn)結(jié)果如圖8所示。

圖8 系統(tǒng)對(duì)電力負(fù)荷的辨識(shí)時(shí)間

觀察圖8 可知，文中提出的基于數(shù)據(jù)挖掘的電力負(fù)荷預(yù)測(cè)系統(tǒng)預(yù)測(cè)辨識(shí)的時(shí)間遠(yuǎn)遠(yuǎn)小于傳統(tǒng)系統(tǒng)，這是因?yàn)槲闹兴O(shè)計(jì)的系統(tǒng)在進(jìn)行預(yù)測(cè)時(shí)不但需要從理論概念出發(fā)，還需要從社會(huì)、環(huán)境、發(fā)電站等多個(gè)與電力負(fù)荷相關(guān)聯(lián)的方面依次進(jìn)行采集與建模分析，這是文中系統(tǒng)的一大亮點(diǎn)，即具有極大的包容性，而正是因?yàn)樵撓到y(tǒng)需要對(duì)多種狀態(tài)下的電力負(fù)荷都進(jìn)行分析，所以它對(duì)任何狀態(tài)下的電力負(fù)荷都具有極高的識(shí)別度，這也是文中提出的基于數(shù)據(jù)挖掘的電力負(fù)荷預(yù)測(cè)系統(tǒng)的預(yù)測(cè)辨識(shí)時(shí)間遠(yuǎn)遠(yuǎn)小于傳統(tǒng)系統(tǒng)的重要原因。

在對(duì)電力負(fù)荷進(jìn)行精準(zhǔn)預(yù)測(cè)的過(guò)程中，所需要的電力負(fù)荷數(shù)據(jù)是十分巨大且不間斷的，因?yàn)殡娏ω?fù)荷數(shù)據(jù)的特征性會(huì)隨著時(shí)間的流逝一直在改變，所以只有對(duì)電力負(fù)荷進(jìn)行24 小時(shí)的不間斷預(yù)測(cè)，才能盡可能降低系統(tǒng)對(duì)電力負(fù)荷的預(yù)測(cè)結(jié)構(gòu)和實(shí)際數(shù)據(jù)結(jié)果之間的偏差，而文中系統(tǒng)的集成接口主要負(fù)責(zé)對(duì)負(fù)荷數(shù)據(jù)自動(dòng)采集的工作，并且它的工作狀態(tài)并不會(huì)受到該系統(tǒng)工作狀態(tài)的影響，具有極強(qiáng)的自主工作能力，而這也是文中系統(tǒng)的特色開(kāi)發(fā)工具之一。該系統(tǒng)的主要挖掘?qū)ο鬄樗娯?fù)荷和社會(huì)負(fù)荷，通過(guò)深度挖掘技術(shù)來(lái)建立相關(guān)模型與多元線性同歸神經(jīng)網(wǎng)絡(luò)是該文采取的主要手段，在經(jīng)過(guò)大量的實(shí)驗(yàn)與實(shí)際操作驗(yàn)證后，發(fā)現(xiàn)文中系統(tǒng)對(duì)電力負(fù)荷預(yù)測(cè)的精確性最高，抗外界干擾性最強(qiáng)。

4 結(jié)束語(yǔ)

數(shù)據(jù)挖掘技術(shù)是一種抗干擾較強(qiáng)且設(shè)計(jì)范圍較廣的多層次應(yīng)用技術(shù)，在經(jīng)過(guò)大量的實(shí)際操作與實(shí)驗(yàn)總結(jié)后，發(fā)現(xiàn)該技術(shù)所具有的特征點(diǎn)對(duì)我國(guó)的電力負(fù)荷預(yù)測(cè)領(lǐng)域有著極大的突破與幫助，因此文中基于該技術(shù)核心理念設(shè)計(jì)了相對(duì)應(yīng)的預(yù)測(cè)系統(tǒng)，事實(shí)證明，文中所設(shè)計(jì)系統(tǒng)的抗干擾性與針對(duì)性是傳統(tǒng)預(yù)測(cè)系統(tǒng)遠(yuǎn)遠(yuǎn)不具備的，在電力負(fù)荷預(yù)測(cè)領(lǐng)域有著極高的研究?jī)r(jià)值與發(fā)展前景，另外，隨著我國(guó)該領(lǐng)域的不斷發(fā)展與創(chuàng)新，也希望該系統(tǒng)在未來(lái)可以獲得更大的提升，發(fā)揮更大的使用價(jià)值。