基于用電信息大數(shù)據(jù)的時(shí)間序列分析研究

王登峰 ，竇圣霞 ，汪海燕 ，周 睿 ，嚴(yán)紹奎

(1.國(guó)網(wǎng)寧夏電力有限公司營(yíng)銷(xiāo)服務(wù)中心(國(guó)網(wǎng)寧夏電力有限公司計(jì)量中心)，寧夏 銀川 750011；2.國(guó)網(wǎng)(寧夏)綜合能源服務(wù)有限公司，寧夏 銀川 750011)

用電信息采集系統(tǒng)的核心設(shè)備是智能電表，目前正在國(guó)內(nèi)外許多地區(qū)迅速取代傳統(tǒng)電表。基于智能電表和電力大數(shù)據(jù)的智能電網(wǎng)一方面能夠節(jié)省能源浪費(fèi)、降低用電成本、提高電網(wǎng)運(yùn)行可靠性；另一方面可確保電力生產(chǎn)和消費(fèi)的有效連接和利用，實(shí)現(xiàn)電網(wǎng)的自動(dòng)和實(shí)時(shí)管理，更好地測(cè)量能耗、優(yōu)化可靠性水平并改善現(xiàn)有服務(wù)，從而節(jié)省能源并降低能耗費(fèi)用[1－5]。

智能電網(wǎng)功能的實(shí)施基于在電網(wǎng)用電戶(hù)安裝的智能電表和各種傳感器，導(dǎo)致要處理的數(shù)據(jù)量大大增加。例如智能電表以每15 min 發(fā)送一次用戶(hù)消耗的能源的讀數(shù)，每個(gè)電表每天可產(chǎn)生大量讀數(shù)，而不是傳統(tǒng)電表中每月一次讀數(shù)。因此除了能源管理之外，智能電網(wǎng)還需要出色的數(shù)據(jù)管理來(lái)應(yīng)對(duì)高速處理、存儲(chǔ)和用電數(shù)據(jù)高級(jí)分析的要求。實(shí)際上由于智能電網(wǎng)數(shù)據(jù)的性質(zhì)、分布和某些需求的實(shí)時(shí)約束，通常需要復(fù)雜的數(shù)據(jù)處理方法。而大數(shù)據(jù)技術(shù)恰好適用于此類(lèi)高效數(shù)據(jù)管理工作，以幫助電網(wǎng)公司更好地了解客戶(hù)的行為，實(shí)現(xiàn)節(jié)約用電和合理安排用電需求、跟蹤停機(jī)時(shí)間和監(jiān)測(cè)電源故障等。因此電網(wǎng)單位的主要目標(biāo)是能夠管理大量數(shù)據(jù)并通過(guò)數(shù)據(jù)分析將收集的數(shù)據(jù)轉(zhuǎn)換為有效的知識(shí)，最后轉(zhuǎn)換為可實(shí)施的電力服務(wù)計(jì)劃[6－10]。

因此本文采集了100 個(gè)匿名商業(yè)建筑的5 min智能電表數(shù)據(jù)集，進(jìn)行了全面的分析，探索用電的時(shí)間序列以及用電行為的預(yù)測(cè)方法，通過(guò)對(duì)比不同預(yù)測(cè)模型效果驗(yàn)證了本文構(gòu)建的預(yù)測(cè)模型的合理性。研究結(jié)果可為基于電力大數(shù)據(jù)的用戶(hù)用電行為預(yù)測(cè)提供參考。

1 基于智能電表大數(shù)據(jù)的計(jì)量體系結(jié)構(gòu)

1.1 用電信息采集系統(tǒng)的組成

用電信息采集系統(tǒng)是由智能電表、通信網(wǎng)絡(luò)和數(shù)據(jù)管理系統(tǒng)組成的集成系統(tǒng)，可實(shí)現(xiàn)公用事業(yè)和客戶(hù)之間的雙向通信[11]。該系統(tǒng)提供了許多以前無(wú)法實(shí)現(xiàn)或必須手動(dòng)執(zhí)行的重要功能，例如自動(dòng)和遠(yuǎn)程測(cè)量用電量情況、連接和斷開(kāi)服務(wù)、篡改和盜竊用電監(jiān)測(cè)、故障和斷電識(shí)別以及電壓監(jiān)測(cè)等[12]。

用電信息采集系統(tǒng)的體系構(gòu)架通常包括以下幾個(gè)關(guān)鍵組件:

(1)智能電表:用電信息采集系統(tǒng)的核心元素是智能電表，該電表安裝在客戶(hù)的房屋內(nèi)，并提供多種功能:包括以5 min、15 min、30 min 或60 min 的間隔測(cè)量客戶(hù)的用電量；測(cè)量電壓電平；監(jiān)視電力服務(wù)的通斷狀態(tài)。智能電表將這些讀數(shù)傳達(dá)給電網(wǎng)相關(guān)單位，以進(jìn)行處理、分析、回饋給客戶(hù)進(jìn)行計(jì)費(fèi)等。

(2)通信網(wǎng)絡(luò):可將大量由智能電表采集的不同時(shí)間間隔的電力負(fù)載數(shù)據(jù)，從電表傳輸?shù)诫娋W(wǎng)公司的后臺(tái)。

(3)電表數(shù)據(jù)管理系統(tǒng)(meter data management system，MDMS)，用于存儲(chǔ)和處理不同間隔時(shí)間的電力負(fù)荷數(shù)據(jù)，并將電表數(shù)據(jù)與多個(gè)關(guān)鍵信息和控制系統(tǒng)進(jìn)行集成，這些系統(tǒng)包括有頭端系統(tǒng)、計(jì)費(fèi)系統(tǒng)、客戶(hù)信息系統(tǒng)(customer information systems，CIS)、地理信息系統(tǒng)(geographic information systems，GIS)、停運(yùn)管理系統(tǒng)(outage management systems，OMS)和配電管理系統(tǒng)(distribution management systems，DMS)。

推動(dòng)用電信息采集系統(tǒng)投資的主要新功能是能夠自動(dòng)生成及時(shí)且準(zhǔn)確的賬單，而不受天氣條件或物業(yè)使用限制的影響，傳統(tǒng)上這會(huì)妨礙電表信息的收集。一旦正確配置，用電信息采集系統(tǒng)和計(jì)費(fèi)系統(tǒng)將自動(dòng)生成更一致、更準(zhǔn)確的賬單，并減少記錄錯(cuò)誤和客戶(hù)投訴。由于可以以15 min 為增量指定數(shù)據(jù)間隔，因此公用事業(yè)公司可以根據(jù)客戶(hù)偏好而不是根據(jù)公用事業(yè)公司設(shè)置的抄表時(shí)間表自定義計(jì)費(fèi)周期。

1.2 智能電表電力數(shù)據(jù)集

本文采用一個(gè)2019 年采集的由100 個(gè)商業(yè)化行業(yè)場(chǎng)所的5 min 能源使用數(shù)據(jù)，數(shù)據(jù)文件的每一行包含以下值:時(shí)間戳、日期時(shí)間、電量讀取值、估計(jì)指標(biāo)，異常指標(biāo)等。其中“estimated indicator”是一個(gè)布爾值，指示是否估計(jì)讀數(shù)，如果讀數(shù)錯(cuò)誤則“異常指示器”為空；能源數(shù)據(jù)的計(jì)量單位為kWh。如表1 所示是數(shù)據(jù)集的示例數(shù)據(jù)內(nèi)容，表2 是數(shù)據(jù)標(biāo)號(hào)及其所代表的用電戶(hù)類(lèi)型:

表1 數(shù)據(jù)ID=213(學(xué)校用電)的示例數(shù)據(jù)

表2 數(shù)據(jù)站點(diǎn)標(biāo)號(hào)及用電戶(hù)類(lèi)型

2 基于電力大數(shù)據(jù)的時(shí)間序列模型

2.1 時(shí)間序列模型

根據(jù)先前的數(shù)據(jù)，可以通過(guò)時(shí)間序列得到未來(lái)物理量的變化情況，使得時(shí)間序列可用于預(yù)測(cè)經(jīng)濟(jì)、天氣、能源消耗等方面，時(shí)間序列基本上是在基于時(shí)間(年，日，小時(shí)和分鐘)的數(shù)據(jù)上進(jìn)行探索分析，以對(duì)未來(lái)的能源消耗進(jìn)行量化預(yù)測(cè)。本文構(gòu)建了用電量預(yù)測(cè)模型對(duì)用戶(hù)電力消費(fèi)進(jìn)行預(yù)測(cè)，模型主要組成部分及內(nèi)容如下所示:

(1)ARIMA 模型:基于時(shí)間序列的預(yù)測(cè)中，最常用的方法之一就是ARIMA 模型，其基本原理是自動(dòng)回歸綜合移動(dòng)平均值，ARIMA 可以將數(shù)據(jù)按照時(shí)間序列進(jìn)行擬合，以更好地預(yù)測(cè)序列中的未來(lái)點(diǎn)。模型中通過(guò)三個(gè)不同的整數(shù)(p，d，q)實(shí)現(xiàn)ARIMA 模型的參數(shù)化。因此ARIMA 模型用ARIMA(p，d，q)表示，這三個(gè)參數(shù)共同反映了數(shù)據(jù)集中的周期性、趨勢(shì)性和噪聲[13]。

(a)參數(shù)p是模型的自回歸部分，可以將過(guò)去值的影響納入模型，這一過(guò)程可以類(lèi)比為:如果過(guò)去三天一直溫暖，明天可能會(huì)溫暖。

(b)d是模型的集成部分，模型中通過(guò)差分(即從當(dāng)前值中減去的過(guò)去時(shí)間點(diǎn)的數(shù)量)應(yīng)用于時(shí)間序列，從直覺(jué)上講，這一過(guò)程可以類(lèi)比為:如果最近三天的溫差很小，則明天的溫度可能相同。

(c)q是模型的移動(dòng)平均線(xiàn)部分，通過(guò)該參數(shù)可以將模型的誤差設(shè)置為過(guò)去在先前時(shí)間點(diǎn)觀(guān)察到的誤差值的線(xiàn)性組合。

周期性ARIMA 參數(shù)較多，調(diào)整過(guò)程復(fù)雜，因此需要為周期性ARIMA 時(shí)間序列模型構(gòu)建自動(dòng)識(shí)別最佳參數(shù)集。

(2)指數(shù)平滑:通過(guò)指數(shù)平滑可以平滑時(shí)間序列，隨著觀(guān)測(cè)值的增長(zhǎng)，指數(shù)平滑法分配的權(quán)重呈指數(shù)下降趨勢(shì)[14]，指數(shù)平滑法是一種通過(guò)更好的預(yù)測(cè)從數(shù)據(jù)中去除“噪聲”(隨機(jī)效應(yīng))來(lái)“平滑”數(shù)據(jù)的方法。該方法的輸入是n項(xiàng)時(shí)間序列值和平滑因子α，該算法的輸出是時(shí)間n＋T的預(yù)測(cè)值，指數(shù)平滑預(yù)測(cè)算法主要有以下幾個(gè)步驟:

第1 步 輸入具有n項(xiàng)時(shí)間序列的數(shù)據(jù)和平滑因子α的順序原始數(shù)據(jù)集

第2 步 計(jì)算單指數(shù)平滑

第3 步 計(jì)算雙指數(shù)平滑

第4 步 計(jì)算平滑系數(shù)an和bn

第5 步 計(jì)算預(yù)測(cè)值Yn＋T。

(3)STL 分解:STL 分解是一種用于分解時(shí)間序列的方法，其基本原理是一種非線(xiàn)性關(guān)系的估計(jì)方法，首先讀入數(shù)據(jù)，然后對(duì)數(shù)值矩陣進(jìn)行反變換，就可以獲得分解矩陣。將0＜λ＜1 的數(shù)據(jù)通過(guò)Box-Cox 變換獲得加法和乘法之間的分解值，其中λ＝0 的值對(duì)應(yīng)于乘法分解，λ＝1 的值對(duì)應(yīng)于加法分解。

2.2 數(shù)據(jù)分析算法設(shè)計(jì)及數(shù)據(jù)可視化

本文基于隨機(jī)森林算法對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行分析與預(yù)測(cè)，從原始數(shù)據(jù)集中隨機(jī)抽取訓(xùn)練樣本，訓(xùn)練得到單個(gè)學(xué)習(xí)機(jī)，這些學(xué)習(xí)機(jī)就是算法中的回歸樹(shù)，重復(fù)這一過(guò)程生成多個(gè)回歸樹(shù)組成隨機(jī)森林，并由所有樹(shù)的預(yù)測(cè)值的平均值決定最終預(yù)測(cè)結(jié)果。本文按照如下步驟構(gòu)建隨機(jī)森林算法:

(1)隨機(jī)有放回地從N個(gè)原始訓(xùn)練樣本中選擇n(n＜N)個(gè)樣本生成m個(gè)訓(xùn)練子集。

(2)使用訓(xùn)練子集訓(xùn)練回歸樹(shù)，在節(jié)點(diǎn)上所有的樣本特征中隨機(jī)選擇一部分樣本特征，依據(jù)最小均方差進(jìn)行回歸樹(shù)的左右子樹(shù)劃分，遞歸建樹(shù)直到滿(mǎn)足終止條件。

(3)重復(fù)以上步驟，將多棵回歸樹(shù)組成隨機(jī)森林。

(4)將測(cè)試樣本輸入隨機(jī)森林回歸模型，取所有樹(shù)預(yù)測(cè)值的平均值作為最終預(yù)測(cè)結(jié)果，并與實(shí)際值對(duì)比，評(píng)價(jià)模型的擬合效果。模型步驟如圖2 所示:

圖2 隨機(jī)森林算法設(shè)計(jì)示意圖

利用本文構(gòu)建的時(shí)間序列預(yù)測(cè)模型進(jìn)行智能電表大數(shù)據(jù)分析，采用apache spark 框架以及”R”語(yǔ)言實(shí)現(xiàn)數(shù)據(jù)可視化。各個(gè)行業(yè)頻率表如表3 所示:

表3 行業(yè)類(lèi)別與子行業(yè)頻率表

如圖3 所示是所有用電戶(hù)的建筑面積SQ－M 數(shù)據(jù)直方圖，由圖可見(jiàn)本文數(shù)據(jù)集的建筑物，大部分建筑面積都在20 000 m2以下。

圖3 用電戶(hù)的建筑面積直方圖

對(duì)4 個(gè)行業(yè)的建筑面積創(chuàng)建密度圖，如圖4 所示，由圖可見(jiàn)食品銷(xiāo)售與存儲(chǔ)業(yè)的建筑物的面積相對(duì)較小，而商業(yè)地產(chǎn)建筑物的面積變化很大。

圖4 4 個(gè)行業(yè)的建筑面積密度圖

之后將建筑面積數(shù)據(jù)與實(shí)際用電量數(shù)據(jù)結(jié)合，就可以得到建筑面積與用電量的關(guān)系，如圖5 所示是子行業(yè)的平均負(fù)荷條形圖，由圖可知，平均而言用電量最大的用戶(hù)是制造業(yè)、購(gòu)物中心和商業(yè)服務(wù)大樓；而用電量最低的用戶(hù)是學(xué)校。

圖5 子行業(yè)的平均用電負(fù)載條形圖

如圖6 所示是用電消耗量和SQ－M 之間的依賴(lài)關(guān)系，采用中位數(shù)負(fù)荷和簡(jiǎn)單的線(xiàn)性回歸對(duì)該關(guān)系進(jìn)行分析，圖6 顯示了回歸線(xiàn)SQ－M 與中位數(shù)負(fù)載的關(guān)系。由圖中可見(jiàn)負(fù)載的中位數(shù)與用電戶(hù)的建筑面積之間存在明顯的相關(guān)性。

圖6 回歸線(xiàn)SQ-M 與中位負(fù)載

3 結(jié)果與討論

如圖7 所示是學(xué)校用電戶(hù)的日用電、周用電和月用電消耗量，以及相應(yīng)的時(shí)間序列數(shù)據(jù)，由圖中可見(jiàn)用電量的多少與時(shí)間有顯著的依賴(lài)關(guān)系，表明用電量隨著時(shí)間的不同可能存在周期性的變化。

圖7 一個(gè)ID 的每月消費(fèi)(學(xué)校)

將時(shí)間序列匯總到較小的維度，從而將數(shù)據(jù)維度從每天288 個(gè)測(cè)量值減少到每天48 個(gè)，如圖8 所示是4 個(gè)子行業(yè)組的典型用電數(shù)據(jù)。其中ID 213數(shù)據(jù)取自中學(xué)；ID 401 取自購(gòu)物商場(chǎng)和市場(chǎng)；ID 832取自公司辦公室；ID 9 取自工廠(chǎng)用電數(shù)據(jù)。

圖8 4 個(gè)子行業(yè)組的代表

對(duì)于電網(wǎng)公司來(lái)說(shuō)，創(chuàng)建消費(fèi)者的每日用電信息資料或某個(gè)區(qū)域的每日用電信息非常有幫助，該資料有助于了解消費(fèi)者的典型電力消費(fèi)行為。為此本文采用MAD(中位數(shù)絕對(duì)偏差)創(chuàng)建了總用電的每日中位數(shù)，如圖9 所示:

圖9 MAD 每日總消費(fèi)中位數(shù)

從圖9 可以看出，最大的負(fù)載峰值出現(xiàn)的時(shí)間是在傍晚。同樣使用周用電量模式來(lái)執(zhí)行此操作，同樣可根據(jù)MAD 得出每周總消費(fèi)的中位數(shù)，如圖10 所示:

圖10 MAD 每周總消費(fèi)中位數(shù)

由圖10、圖11 可以看出一周內(nèi)用電戶(hù)的電力消費(fèi)行為具有5 種不同模式(以垂直線(xiàn)分隔):從星期一到星期五，電力消費(fèi)量非常相似，但是星期一開(kāi)始時(shí)的消費(fèi)量較低，因此與其他消費(fèi)量有所不同。周五的情況與此類(lèi)似，但消費(fèi)量比周四低一些。顯然，周末與工作日完全不同，而星期六和星期日也不同。如果按照MAD(中位數(shù)絕對(duì)偏差)對(duì)子行業(yè)進(jìn)行每周中位數(shù)計(jì)算，將會(huì)得到不同的用電模式，對(duì)于制造業(yè)得到的結(jié)果如圖11 所示:

圖11 每周制造業(yè)中位數(shù)

由圖10～12 的分析可見(jiàn)，不同行業(yè)的電力消耗各自具有不同的特點(diǎn)，各個(gè)行業(yè)的電力消耗隨著時(shí)間變化表現(xiàn)出不同的周?chē)砸?guī)律，如此一來(lái)即可作為原始時(shí)間序列樣本輸入到模型中，從而為一周時(shí)間內(nèi)的不同日期創(chuàng)建預(yù)測(cè)模型。使用相似日方法針對(duì)以每天為單位的用電數(shù)據(jù)建立預(yù)測(cè)模型。

首先定義基本的預(yù)測(cè)方法函數(shù)，這些函數(shù)用于產(chǎn)生預(yù)測(cè)結(jié)果。本文使用基于時(shí)間序列分解的STL＋ARIMA 方法、STL＋指數(shù)平滑方法以及傳統(tǒng)時(shí)間序列方法進(jìn)行預(yù)測(cè)。最后基于Loess 回歸方法和STL分解對(duì)季節(jié)性時(shí)間序列進(jìn)行分解，通過(guò)打包預(yù)測(cè)序列，可以將其組合以生成非常準(zhǔn)確的預(yù)測(cè)結(jié)果。本文同時(shí)使用STL＋ARIMA 方法和STL＋指數(shù)平滑方法進(jìn)行預(yù)測(cè)并對(duì)比其預(yù)測(cè)結(jié)果，如圖12 所示:

圖12 兩種模型的預(yù)測(cè)結(jié)果

其中黑色虛線(xiàn)是真實(shí)用電數(shù)據(jù)，原點(diǎn)數(shù)據(jù)是采用指數(shù)平滑的預(yù)測(cè)結(jié)果；實(shí)線(xiàn)是采用ARIMA 模型的預(yù)測(cè)結(jié)果。由圖中可見(jiàn)ARIMA 模型對(duì)于電力消費(fèi)行為預(yù)測(cè)更加準(zhǔn)確。如圖13 所示是未來(lái)一周的電力消費(fèi)量預(yù)測(cè)圖，表4 所示是各種預(yù)測(cè)模型的平均誤差。

圖13 未來(lái)一周的電力消費(fèi)預(yù)測(cè)結(jié)果圖

表4 預(yù)測(cè)模型誤差統(tǒng)計(jì)表

由圖14 和表4 可見(jiàn)采用本文預(yù)測(cè)模型得到的預(yù)測(cè)結(jié)果比指數(shù)平滑模型得到的預(yù)測(cè)結(jié)果更加準(zhǔn)確。綜上所述，本文提出的基于智能電表大數(shù)據(jù)的電力消費(fèi)量預(yù)測(cè)模型，不僅能夠根據(jù)用電的日、周、月數(shù)據(jù)進(jìn)行對(duì)應(yīng)時(shí)間周期的電力消費(fèi)行為預(yù)測(cè)，而且預(yù)測(cè)精度比指數(shù)預(yù)測(cè)模型更加精確。

4 結(jié)論

智能電表數(shù)據(jù)分析是一個(gè)復(fù)雜的過(guò)程，涉及數(shù)據(jù)提取、預(yù)處理、分析和可視化。為此本文對(duì)100 個(gè)匿名商業(yè)建筑的5 min 智能電表數(shù)據(jù)集進(jìn)行了全面分析，得到以下幾個(gè)主要結(jié)論:

(1)電力消耗量與用電戶(hù)的建筑面積具有明顯相關(guān)性，表明智能電表的廣泛應(yīng)用，有助于電網(wǎng)單位增強(qiáng)客戶(hù)用電服務(wù)、降低成本和提高能源效率。

(2)通過(guò)應(yīng)用ARIMA、指數(shù)平滑等方法對(duì)不同行業(yè)的各個(gè)子行業(yè)層面進(jìn)行的分析對(duì)比，表明本文構(gòu)建的預(yù)測(cè)模型具有更高的預(yù)測(cè)精度。