1.研究背景

隨著配電網(wǎng)信息化建設(shè)的推進，配電網(wǎng)在日常運行中產(chǎn)生了大量的配用電數(shù)據(jù)，但一直以來這些數(shù)據(jù)并未得到充分的挖掘和有效的利用。如今電改政策試點、售電側(cè)放開對電力客戶服務(wù)提出了更高的要求，電力行業(yè)市場化進程的深入也對電力負荷預測提出了更高的要求。目前，國內(nèi)外專家和學者已經(jīng)在大數(shù)據(jù)負荷預測領(lǐng)域展開了研究工作，也取得了一些成果。

江蘇居住區(qū)配電一體化系統(tǒng)的全面建成、用電信息采集系統(tǒng)（下稱“用采系統(tǒng)”）的全面覆蓋，積累了自2009年以來全省47萬配變、26萬專變、3700萬用戶的負荷和電量數(shù)據(jù)，營銷系統(tǒng)保存著自2009年以來全省26萬大用戶的業(yè)擴報裝、增容、減容數(shù)據(jù)，江蘇省電力公司氣象信息系統(tǒng)積累了自2006年以來全省13地市71個氣象站的10min/點溫度、濕度、雨量、風速等氣象數(shù)據(jù)，上述數(shù)據(jù)總量已累計達到180TB，且仍然在以每日30GB的速度快速增長。如何充分利用這些數(shù)據(jù)資源，挖掘負荷、電量、業(yè)擴、氣象、經(jīng)濟等因素的關(guān)系，建立更加精準的負荷和電量影響模型，提高短期負荷預測的精確度，是本文的重點研究內(nèi)容。

本文分析了大數(shù)據(jù)負荷預測方法的優(yōu)勢，介紹了配用電大數(shù)據(jù)的清洗方法，構(gòu)建了多維負荷和電量模型，實現(xiàn)了基于配用電大數(shù)據(jù)的短期負荷預測方法，并且結(jié)合實際計算結(jié)果，驗證了方法的準確性。

2.大數(shù)據(jù)負荷預測方法的優(yōu)勢

傳統(tǒng)負荷預測方法大致可以分為統(tǒng)計算法和智能算法，統(tǒng)計算法包括時間序列模型、決策樹、回歸算法、隨機森林等，智能算法包括人工神經(jīng)網(wǎng)絡(luò)、支持向量機、貝葉斯理論等基本算法及其改進算法，但上述方法由于建模時選取的樣本較小，歷史數(shù)據(jù)的選取直接影響負荷預測的效果。大數(shù)據(jù)負荷預測方法存在以下3點優(yōu)勢：

（1）考慮的影響因素更全。影響負荷走勢的因素眾多，主要包括兩大類型：用戶用電行為中體現(xiàn)的隨機性，以及外部氣象因素和節(jié)假日的影響。

（2）數(shù)據(jù)的時間跨度更長。大數(shù)據(jù)負荷預測方法選取了時間跨度更長的歷史數(shù)據(jù)，用于發(fā)現(xiàn)負荷數(shù)據(jù)隨月、季、年周期發(fā)生的變化規(guī)律。

（3）數(shù)據(jù)的空間粒度更細。大數(shù)據(jù)負荷預測方法所采用的負荷數(shù)據(jù)粒度可以細化到地區(qū)、行業(yè)、變壓器、線路、臺區(qū)、用戶等各個級別。

3.數(shù)據(jù)源建設(shè)

江蘇電力大數(shù)據(jù)平臺以營配集成、用電信息采集、省地縣一體化電量系統(tǒng)為基礎(chǔ)，結(jié)合外部氣象和經(jīng)濟數(shù)據(jù)，建成了江蘇配用電大數(shù)據(jù)中心，為江蘇配用電大數(shù)據(jù)分析工作提供了豐富的數(shù)據(jù)資源。

3.1配用電大數(shù)據(jù)的來源與分類

配用電大數(shù)據(jù)中心的數(shù)據(jù)體系架構(gòu)如圖1所示。數(shù)據(jù)主要來源于營配集成、用電信息采集系統(tǒng)、調(diào)度省地縣一體化電量系統(tǒng)，以及外部的氣象數(shù)據(jù)和宏觀經(jīng)濟數(shù)據(jù)。

圖1 配用電大數(shù)據(jù)中心的數(shù)據(jù)體系架構(gòu)

3.2配用電大數(shù)據(jù)的預處理

從大數(shù)據(jù)平臺目前集成的所有數(shù)據(jù)類型來看，“臟數(shù)據(jù)”主要有3種大類型，11個小類，如表1所示。

表1 “臟數(shù)據(jù)”類型

3.2.1數(shù)據(jù)缺失/異常的清洗方法

數(shù)據(jù)缺失/異常的清洗主要采用了替代法和插值法。

（1）插值法。負荷數(shù)據(jù)缺點（異常）較少時，可以基于當日負荷曲線，采用插值法（如拉格朗日插值、三次樣條插值等）實現(xiàn)負荷曲線的補全。

（2）替代法。負荷數(shù)據(jù)缺點（異常）較多，無法采用插值法時，可以用相似日（工作日選取上一周工作日，周末選取上一周周末）同一時段負荷數(shù)據(jù)替代;電量數(shù)據(jù)缺點（異常）較多時，可以用相似日（工作日選取上一月工作日，周末選取上一月周末）的電量數(shù)據(jù)替代。

3.2.2數(shù)據(jù)不同步的清洗方法

數(shù)據(jù)不同步的情況下，通常采用平均值法、強制同步法進行數(shù)據(jù)清洗。

（1）平均值法。由于極少部分終端采集頻率為48點/日，因此需要將48點負荷數(shù)據(jù)擴展為96點負荷數(shù)據(jù)，可以采用平均值法進行數(shù)據(jù)擴展。

（2）強制同步法。溫度數(shù)據(jù)為10min/點，而負荷數(shù)據(jù)15min/點，強制將00:10的溫度數(shù)據(jù)與00:15的負荷數(shù)據(jù)匹配，00:30的溫度數(shù)據(jù)與00:30的負荷數(shù)據(jù)匹配，00:40的溫度數(shù)據(jù)與00:45的負荷數(shù)據(jù)集匹配，以此類推。

4.多維用電影響因素模型的構(gòu)建

?4.1模型構(gòu)建的總體思路

由于經(jīng)濟數(shù)據(jù)發(fā)布頻率太低，而且經(jīng)濟環(huán)境在一段時間內(nèi)相對于氣象因素而言比較穩(wěn)定，因此本文只考慮氣象因素和節(jié)假日建立用電影響因素模型。用電影響因素模型的總體構(gòu)建思路如圖2所示。

圖2 用電影響因素模型構(gòu)建思路

模型構(gòu)建思路主要包括以下4個步驟：

（1）原始數(shù)據(jù)收集和清洗;

（2）相關(guān)因素分析;

（3）數(shù)據(jù)標準化處理;

（4）用電影響模型構(gòu)建。

4.2相關(guān)因素分析

用電量受氣象因素、節(jié)假日、經(jīng)濟形勢等眾多因素的影響，由于經(jīng)濟數(shù)據(jù)發(fā)布頻率太低，而且經(jīng)濟環(huán)境在一段時間內(nèi)相對于氣象因素而言比較穩(wěn)定，因此這里只考慮氣象因素和節(jié)假日與用電量的相關(guān)性。

目前氣象信息考慮溫度、濕度、雨量、云量、氣壓、風速六項指標，采用式（1）的相關(guān)性計算方法分別對各影響因素進行分析：

式中：xi為用戶第i天的日用電量數(shù)據(jù);x為用戶n天的日用電量平均值;yi為第i天的影響因素數(shù)據(jù)（例如溫度、濕度等）;y為n天的影響因素數(shù)據(jù)平均值。

4.3數(shù)據(jù)標準化處理

在構(gòu)建用電影響因素模型之前，需要通過計算選取合適的基準電量（負荷），實現(xiàn)電量（負荷）數(shù)據(jù)的標幺化，便于后期直觀地分析各影響因素對電量（負荷）的影響率。數(shù)據(jù)標準化處理主要包括以下幾個步驟：

（1）按度劃分溫度區(qū)間，將各溫度區(qū)間對應(yīng)的電量（負荷）數(shù)據(jù)歸并，得到各溫度區(qū)間內(nèi)的平均電量（負荷）。

（2）繪制電量（負荷）-溫度曲線，并采用七點平滑算法平滑曲線。

（3）按點計算（2）中曲線斜率，選擇曲線中較為平緩的溫度區(qū)間，計算該溫度區(qū)間內(nèi)的平均電量（負荷），作為基準電量（負荷）。

（4）采用（3）中的基準電量（負荷），標準化所有電量（負荷）數(shù)據(jù)。

圖3 南京商業(yè)電量-溫度曲線

圖4 蘇州居民電量-溫度曲線

4.4行業(yè)用電影響模型

由3.1可知，用電影響模型包括電量溫度影響模型、電量業(yè)擴影響模型、電量節(jié)假日影響模型、負荷溫度影響模型和負荷節(jié)假日影響模型，限于篇幅，這里主要介紹行業(yè)負荷溫度影響模型和行業(yè)電量節(jié)假日影響模型的構(gòu)建方法。

4.4.1行業(yè)負荷溫度影響模型

（1）首先根據(jù)3.3的計算方法得到待計算行業(yè)的基準負荷（基準負荷為全年工作日96點負荷平均值Pi，其中i取值為1~96。

（2）逐日逐點計算負荷影響率：

式中：d表示工作日編號，R（d，i）為第d個工作日第i個點的負荷影響率。

（3）將溫度劃分為》40、《-4、-4～40這45個檔位，將所有工作日的96點負荷影響率歸類到對應(yīng)的溫度檔位，形成45×96的溫度—負荷影響率序列S（d，i，t），其中下標t為溫度標簽。

（4）逐一對S（d，i，t）中的數(shù)據(jù)集合求平均值，得到溫度綜合影響率C（i，t），若S（d，i，t）中某一格數(shù)據(jù)樣本太少，則溫度范圍上下擴展1 ℃ ，重新計算溫度綜合影響率，若果數(shù)據(jù)樣本依然過少，則將該點的溫度綜合影響率交給后續(xù)的模型擬合算法完成。

（5）形成負荷-溫度綜合影響率矩陣C（i，t）后，通過插值法修補殘缺數(shù)據(jù)點，通過平滑算法平抑模型中的異常數(shù)據(jù)點，最終得到負荷溫度影響模型。

（6）由于負荷數(shù)據(jù)更新較快，且過于久遠的歷史數(shù)據(jù)不具備參考價值，因此負荷溫度影響模型每月根據(jù)新增數(shù)據(jù)更新。

4.4.2行業(yè)電量節(jié)假日影響模型

以年為計算周期，計算每年所有節(jié)假日期間，行業(yè)日電量相對于節(jié)假日前正常電量的影響率，其計算流程如下：

（1）根據(jù)實時節(jié)假日放假時間及調(diào)休安排，配置節(jié)假日信息表，為了顯示節(jié)假對電量的連續(xù)影響趨勢，應(yīng)在實際節(jié)假日的基礎(chǔ)上前后多配置1d，對于春節(jié)這個特殊節(jié)假日，前后多配置一周。

（2）找節(jié)假日前最近5個工作日，計算這5個工作日的平均用電量，將該電量作為基準電量。

（3）根據(jù)下式計算節(jié)假日期間每天的電量影響率：

其中：Rd為節(jié)假日第d天的行業(yè)電量影響率;Ad為節(jié)假日第d天的行業(yè)用電量;Ad~5為節(jié)假日前的5個工作日的行業(yè)平均用電量。

5.短期負荷預測的實現(xiàn)與應(yīng)用

由于江蘇全省用戶數(shù)量高達4000萬，若全省網(wǎng)供負荷預測分解過細（到用戶）工作量太大，且用戶負荷隨機性較強，預測精確度反而較低。實踐表明，將全省網(wǎng)供負荷分解到行業(yè)級即可得到令人滿意的精確度，且計算量也在合理的范圍內(nèi)。圖5為基于配用電大數(shù)據(jù)的短期網(wǎng)供負荷預測方法。

圖5 基于配用電大數(shù)據(jù)的短期網(wǎng)供負荷預測方法示意圖

在傳統(tǒng)方法中，誤差逆向傳播神經(jīng)網(wǎng)絡(luò)（back propagation，BP）算法應(yīng)用廣泛、適應(yīng)性強，以BP算法為傳統(tǒng)方法的代表，與本文提出的大數(shù)據(jù)方法進行比較。圖6為BP算法和大數(shù)據(jù)方法的全省網(wǎng)供 負荷預測誤差率。

（1）最近相似日選取;

（2）相似日氣象因素剔除;

（3）預測日氣象因素加成;

（4）節(jié)假日因素考慮;

（5）構(gòu)建負荷占比模型;

（6）實現(xiàn)網(wǎng)供負荷預測。

6.結(jié)語

本文基于配用電大數(shù)據(jù)開展了大量的研究工作，主要進行了：

（1）配用電大數(shù)據(jù)的清洗?；谂溆秒姶髷?shù)據(jù)的特點以及實際業(yè)務(wù)的需要，分析了配用電大數(shù)據(jù)中“臟數(shù)據(jù)”的來源和類型，針對性地提出了數(shù)據(jù)清洗方法。

（2）基于配用電大數(shù)據(jù)，構(gòu)建了行業(yè)負荷溫度影響模型和行業(yè)電量節(jié)假日影響模型，為后期開展短期負荷預測打下基礎(chǔ)。

（3）提出了基于大數(shù)據(jù)的短期負荷預測方法?；诙嗑S用電影響因素模型，開展了分地區(qū)、行業(yè)的短期網(wǎng)供負荷預測，計算結(jié)果表明基于配用電大數(shù)據(jù)的網(wǎng)供負荷預測有著較高的準確性，可以為電網(wǎng)運行和規(guī)劃提供數(shù)據(jù)支撐。