基于云平臺的電力系統(tǒng)能源負(fù)荷預(yù)測研究

廖嘉煒 ，盧有飛，宋 強(qiáng)，徐炫東

(廣東電網(wǎng)有限責(zé)任公司廣州供電局,廣東 廣州 510665)

在“能源互聯(lián)網(wǎng)+新電改”的背景下，以云計(jì)算和大數(shù)據(jù)為代表的信息技術(shù)不斷與智能電網(wǎng)相融合，改變了電力企業(yè)傳統(tǒng)的生產(chǎn)經(jīng)營方式[1]。智能電網(wǎng)建設(shè)的不斷推進(jìn)和規(guī)模的不斷擴(kuò)大，電網(wǎng)用電側(cè)數(shù)據(jù)采集端產(chǎn)生的大數(shù)據(jù)日益劇增。面對電力系統(tǒng)產(chǎn)生的海量能源用電數(shù)據(jù)，如何快速采集和挖掘出電力系統(tǒng)能源數(shù)據(jù)中有價(jià)值的信息，指導(dǎo)電力企業(yè)的發(fā)展以及控制中心的協(xié)調(diào)與調(diào)度并更好地服務(wù)社會，成為當(dāng)前智能電網(wǎng)研究的熱點(diǎn)[2]。如何對能源負(fù)荷進(jìn)行高精度預(yù)測，國內(nèi)外很多學(xué)者進(jìn)行了大量研究。文獻(xiàn)[3]建立了考慮溫度修正和濕度的多元非線性負(fù)荷預(yù)測模型。文獻(xiàn)[4]運(yùn)用線性趨勢外推法進(jìn)行了短期負(fù)荷預(yù)測。這兩類方法的主要缺點(diǎn)是未考慮負(fù)荷的非線性和隨機(jī)因素。隨著人工智能和計(jì)算機(jī)技術(shù)的快速發(fā)展，神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于負(fù)荷預(yù)測。文獻(xiàn)[5]運(yùn)用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)進(jìn)行了負(fù)荷預(yù)測，并與多個(gè)模型進(jìn)行對比和評價(jià)；文獻(xiàn)[6]建立了基于綜合氣象因子的Elman網(wǎng)絡(luò)的短期負(fù)荷預(yù)測模型；文獻(xiàn)[7]建立了外部干擾項(xiàng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。這些研究雖然取得了一定成果，但是神經(jīng)網(wǎng)絡(luò)預(yù)測模型存在局部最優(yōu)和泛化能力弱的缺點(diǎn)。

隨著智能電網(wǎng)數(shù)據(jù)采集系統(tǒng)支撐業(yè)務(wù)的增多以及業(yè)務(wù)交叉的復(fù)雜化，數(shù)據(jù)的產(chǎn)生量呈現(xiàn)幾何級指數(shù)增加[8]。面對電力系統(tǒng)能源大數(shù)據(jù)的爆發(fā)式增長，傳統(tǒng)的數(shù)據(jù)采集與分析方法已經(jīng)無法滿足當(dāng)前的支撐業(yè)務(wù)需求，本文設(shè)計(jì)了電力系統(tǒng)能源數(shù)據(jù)采集的大數(shù)據(jù)云平臺，進(jìn)行了大數(shù)據(jù)云平臺設(shè)計(jì)，并在電力系統(tǒng)負(fù)荷預(yù)測中進(jìn)行了應(yīng)用，取得了較好的效果，為能源數(shù)據(jù)采集和應(yīng)用提供了新的方法和途徑。

1 大數(shù)據(jù)采集云平臺

為提高電力系統(tǒng)采集數(shù)據(jù)的入庫效率和查詢效率，對傳統(tǒng)的集中式數(shù)據(jù)采集系統(tǒng)進(jìn)行分布式改造，大數(shù)據(jù)采集云平臺流程圖如圖1所示。圖中智能電表、集中器等負(fù)責(zé)采集用戶側(cè)用電數(shù)據(jù)并將數(shù)據(jù)傳輸?shù)轿锫?lián)網(wǎng)云平臺，之后經(jīng)過流計(jì)算核查將清洗之后的數(shù)據(jù)分別推送到大數(shù)據(jù)云平臺、生產(chǎn)庫和中間庫。

圖1 大數(shù)據(jù)采集云平臺流程圖

2 大數(shù)據(jù)云平臺

在大數(shù)據(jù)采集云平臺的基礎(chǔ)上，建立基于Hadoop軟件的大數(shù)據(jù)平臺，進(jìn)行非實(shí)時(shí)分析和處理TB/PB級數(shù)據(jù)，可以提供海量數(shù)據(jù)的上傳與下載、混合現(xiàn)實(shí)(map reduce，MR)計(jì)算、結(jié)構(gòu)化查詢語言(structured query language，SQL)運(yùn)算和Graph圖計(jì)算等功能，支持?jǐn)?shù)據(jù)安全管理和數(shù)據(jù)挖掘，大數(shù)據(jù)云平臺框架如圖2所示。

圖2 大數(shù)據(jù)云平臺框架

3 負(fù)荷預(yù)測方法

假設(shè)存在N個(gè)訓(xùn)練樣本(xi,ti)，i=1,2,…,N，極限學(xué)習(xí)機(jī)(extreme learning machine，ELM)模型的隱含層節(jié)點(diǎn)數(shù)為M，xi和ti分別為輸入矩陣和目標(biāo)輸出矩陣，則ELM數(shù)學(xué)模型為[9]：

(1)

式中：βj為隱含層與輸出層之間的連接權(quán)值；g(·)為激活函數(shù)；wj為輸入層權(quán)值；bj為隱含層閾值；οi為ELM模型的輸出。

假設(shè)存在βj，wj和bj，使得所有樣本(xi,ti)可以零誤差逼近，則有：

(2)

式(2)矩陣形式為：

Hβ=T

(3)

式中：β=[β1,β2, …,βM]T；T=[t1,t2, …,tN]T；H為隱含層輸出矩陣。

一般地，在實(shí)際訓(xùn)練中ELM模型隱含層的節(jié)點(diǎn)數(shù)小于訓(xùn)練樣本數(shù)N，且wj和bj在訓(xùn)練過程中是隨機(jī)產(chǎn)生的，則輸出權(quán)重β的最小二乘解為：

β*=H*T

(4)

式中：H*為矩陣H的Moore-Penrose廣義逆陣。

4 電力能源大數(shù)據(jù)與負(fù)荷預(yù)測

為提升配電變壓器運(yùn)行情況的預(yù)判能力，基于大數(shù)據(jù)采集系統(tǒng)采集的數(shù)據(jù)開展精準(zhǔn)的負(fù)荷預(yù)測，對確保電網(wǎng)安全運(yùn)行和可靠調(diào)度具有重要意義。

1)日負(fù)荷預(yù)測。

大量研究表明，日負(fù)荷與空氣質(zhì)量指數(shù)(air quality index，AQI)、PM2.5、氣溫、降雨量和濕度等因素有關(guān)[10]。為準(zhǔn)確預(yù)測日負(fù)荷情況，通過相關(guān)分析確定影響日負(fù)荷的關(guān)聯(lián)因素，分析結(jié)果見表1。由表可知，PM2.5、氣溫以及降雨量相關(guān)性絕對值大于0.1，說明PM2.5、氣溫以及降雨量為負(fù)荷預(yù)測的重要因素。

表1 相關(guān)分析結(jié)果

本文中選擇ELM作為負(fù)荷預(yù)測方法，預(yù)測2020年2月15日—2月18日這段時(shí)間的負(fù)荷，負(fù)荷預(yù)測結(jié)果如表2和圖3、圖4所示。由表2可知，日最大負(fù)荷值和最小負(fù)荷值預(yù)測準(zhǔn)確率分別為95.4%和92.9%。

表2 某區(qū)負(fù)荷預(yù)測結(jié)果 單位：103 kW

為衡量預(yù)測效果，選擇平均相對誤差eMAPE作為評價(jià)指標(biāo)：

(5)

表3 不同模型對比結(jié)果

由表3可知，ELM模型的最大負(fù)荷、最小負(fù)荷的預(yù)測精度和運(yùn)行時(shí)間均優(yōu)于BPNN神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，從而說明本文方法可以有效提高預(yù)測效率和預(yù)測精度。

2)超載臺區(qū)、過載臺區(qū)預(yù)測。

某市超載臺區(qū)和過載臺區(qū)預(yù)測結(jié)果見表4，其中超載臺區(qū)數(shù)量和過載臺區(qū)數(shù)量分別為359個(gè)和705個(gè)，與實(shí)際結(jié)果相比較，準(zhǔn)確預(yù)測的超載臺區(qū)數(shù)量為289個(gè)，準(zhǔn)確度為80.5%，準(zhǔn)確預(yù)測的過載臺區(qū)數(shù)量為562個(gè)，準(zhǔn)確度為79.7%。通過超載臺區(qū)數(shù)和過載臺區(qū)數(shù)預(yù)測，系統(tǒng)以工單的形式，發(fā)送超載和過載臺區(qū)明細(xì)，幫助該市制定相應(yīng)的電力負(fù)荷調(diào)度措施，引導(dǎo)電力管理與調(diào)度部門調(diào)整用戶臺區(qū)198個(gè)、修正檔案234個(gè)，及時(shí)避免臺區(qū)發(fā)生過超載狀況，調(diào)整結(jié)果如圖3所示。

表4 超載臺區(qū)、過載臺區(qū)預(yù)測結(jié)果 單位：個(gè)

圖3 某市過載、超載臺區(qū)調(diào)整圖

高精度的負(fù)荷預(yù)測，可以幫助電力管理和調(diào)度部門及時(shí)制定調(diào)度計(jì)劃與運(yùn)控策略，提高工作效率，更好地指導(dǎo)電力企業(yè)服務(wù)社會。

5 結(jié)束語

為了更好地挖掘電力系統(tǒng)采集終端數(shù)據(jù)的有價(jià)值信息，本文創(chuàng)新地提出了基于云平臺的電力系統(tǒng)能源數(shù)據(jù)采集與負(fù)荷預(yù)測系統(tǒng)，為電力管理和調(diào)度部門及時(shí)制定調(diào)度計(jì)劃與運(yùn)控策略提供了科學(xué)決策的依據(jù)。然而，本文只對采集到的負(fù)荷數(shù)據(jù)進(jìn)行了預(yù)測，后續(xù)將研究能源數(shù)據(jù)與線損管理和環(huán)境污染之間的關(guān)系，以提高模型的適用性。