基于电力大数据的负荷预测模型构建与实现.pdf

2023 年 8 月基于电力大数据的负荷预测模型构建与实现张传海袁李昂袁夏贤明袁梁昆（国网安徽省电力有限公司合肥供电公司，安徽 合肥 230000）【摘要】随着经济发展袁各大工厂企业兴起袁人们对电力的需求越来越大袁合理分配电力负荷至关重要遥 电力负荷分配过多会导致资源浪费袁电力负荷分配过少则会导致部分人群用电紧张袁因此负荷预测在电力市场中发挥着重要作用遥 负荷预测结果准确有利于减少负荷分配不合理现象袁提高社会效益袁为协调各条线路负荷提供便利遥 将分析影响负荷变化的因素袁使用大量数据归纳总结出负荷变化与影响因素之间的不变定律袁使用相对误差评价方法对比预测结果与实际负荷袁以验证该负荷预测方法的可行性遥【关键词】大数据曰负荷预测曰聚类曰决策树曰相对误差评价【中图分类号】TM75【文献标识码】A【文章编号】1006-4222（2023）08-0121-030 引言随着国民经济增长和国家电力事业的快速发展，电力供应量与日俱增。电力供给不足会造成停电停产，对电网构成威胁，电力供给过量会导致资源浪费，电力行业的负荷预测也成为大众关注点之一1。电力负荷预测合理与否将直接决定各行业的经济和文化发展。合理预测电力负荷有利于减少资源冗余，合理安排机组运行容量，提高机组利用率，降低能源损耗，保障电能质量。经过对大量负荷数据的研究，发现负荷的变动具有多样性，因此人为预测负荷已不能保证结果可靠。为保障负荷预测结果精准，电力行业对负荷预测工具也有了更高的要求。电力负荷预测在电力市场竞争中至关重要，将决定电网的建设与改造，是我国电力市场发展的必备条件，具有重要的理论意义和实用价值。在大数据环境下，只有科学合理地预测电力负荷，才能提高电网运行的经济性，保障企业和劳动者的正常工作生活，同时维护国家长治久安，促进我国社会经济发展，构建和谐社会。1 实现思路与做法采集大量电力负荷数据和天气情况用于支撑负荷预测工作，包括各天的最高温度、最低温度、天气特征等数据，将其按工作日与节假日划分。通过对比多组负荷数据，观察多天连续高温后出现低温、多天连续低温后出现高温、高低温交互更替 3 种情况，发现前两种情况较后一种负荷变化趋势较小。由于人处在同一温度下时间较长，产生了温度顿感，较难感知突然的温差变化。通过对比节假日与工作日数据得出结论，电力负荷于周一的 04：00 之前有一定下降，且节假日比工作日消耗的负荷少。在初冬和初春季节，一天中温差较大，应采取分时段方法进行负荷预测，确保负荷预测结果准确。同时，多组数据表明连续相同温度的天气状态多变也会导致负荷变化，天气由阴转多云、多云转晴对负荷产生了较小的影响。随着社会经济发展，涌现了大量企业和人才，通过对比近几年的负荷数据，观察到负荷值逐年递增。由于地理位置不同，所接触的温度、湿度、天气状态都有差距，每个地区的负荷都不尽相同，更无法准确推断全国负荷，且人的主观温度和舒适度是主要决定因素，因此，负荷预测难度更大。根据大量负荷数据，总结出影响负荷变化较大的因素，包括温度、天气、节假日、时间，分析各因素占比情况，得出负荷预测模型。统计一段时间内的负荷值，保持其他因素相同，比较各因素对负荷的影响情况。常规负荷预测方法有绝对误差评价方法和相对误差评价方法两种。绝对误差评价方法可以直接比较预测结果，但无法表示预测值的好坏程度，因此选取相对误差评价方法进行结果对比，以验证负荷预测模型的完整性和负荷预测结果准确性。2 电力负荷预测模型设计2.1 指标设计表 1 为负荷预测指标设计。2.2 电力负荷数据聚类预测短期电力负荷的基础是获取气象和负荷等原始数据2。气象数据包括天气情况和温度，其中温度可以通过历史数据计算当日的升降温指标。这些因素是影响负荷变化的主要因素。因此，在进行短期电力信息1212023 年 8 月电力负荷预测之前，首先需要获取相关数据。本文采用 C 均值模糊聚类算法对所需数据进行聚类处理。假设给定的原始数据集用 Xx1，x2，xn表示，对其实行聚类处理，获取的类别数量用 c 表示，聚类中心用 mj（j=1，2，c）表示。xk表示 X 中的任意样本，以 xi为参照，第 k 个样本对其的隶属程度用 uij=uxi（xk）表示，其也表示 xi对应的隶属函数。聚类损失指标函数计算公式如下：J=kj=1移ni=1移uj（xi）b|xi-mj|2。（1）式中：b平滑因子；uj（xi）第 i 个样本的隶属函数。以 mj、uj（xi）为参照，J对两者的偏导均为 0，依据下述约束条件，获取 J的最小值，计算公式如下：mj=ni=1移uj（xi）bxini=1移uj（xi）；（2）Uj（xi）=|xi-mj|-2b-1ks=1移|xi-ms|-2b-1。（3）式中：mj各个聚类中心。对 mj进行初始化处理后，按照式（2）和式（3），实行循环处理，获取聚类中心 ms，满足所需的精度标准后，确定聚类中心和隶属函数，完成所需数据聚类，聚类效果测试结果如图 1所示。2.3 基于决策树的短期电力负荷预测当完成数据聚类后，可以获得短期电力负荷预测所需的完整大数据集。本文旨在确保预测结果的可靠性3，因此采用梯度提升决策树模型进行短期电力负荷预测。该模型的核心思想是生成 m 个弱回归树，并且这些回归树应位于损失函数负梯度的方向上。为了获得强回归树4，通过组合 m 个弱回归树来构建负荷预测模型。假设负荷预测模型中日属性向量用 A 表示，模型的初始值为 f0，以属性向量为依据，各个弱回归树的预测输出值用 fi（A）表示，其中 i=1，2，m，所有的预测输出值累加值为 f（A），其计算公式如下：f（A）=f0+X（f1+f2+fm）+P赘。（4）将填补获取的数据作为给定训练样本集，用T社=（A1，y1），（A2，y2），（AN，yN）表示，其中训练样本总数量为 N；Ai沂x哿Rn，表示变量矩阵；其存在的变量为（a1i，a2i，azi），该变量的数量为 z，其中包含历史负荷数据和气象数据；yj沂y哿R，y 表示负荷真实值，短期电力负荷预测可行性测试结果如图 2 所示。3 技术架构图 3 为技术架构。4 验证负荷预测科学、公正、合理的预测结果评价是考量短期电力负荷预测结果的标准，本文选取相对误差评价方一级指标一级指标说明二级指标温度提取每天天气情况，获取温度值，通过算法模型得出温度指数分值，反映对电力负荷的影响程度升温影响温度影响降温影响时间提取负荷预测时间点，通过算法模型得出时间指数分值，反映对电力负荷的影响程度年份影响节假日影响负荷时间点影响天气提取负荷预测天气情况，通过算法模型得出天气指数分值，反映对电力负荷的影响程度雨天影响多云影响晴天影响表 1 负荷预测指标设计图 1 聚类效果测试结果图 2 短期电力负荷预测可行性测试结果图 3 技术架构业务应用层负荷预测准确率负荷预测结果存储层云平台关系型数据库服务云平台关系型数据库服务云平台关系型数据库服务数据分析层分析层数据分析数据分析数据分析共享层数据层贴源层SCADA 系统D5000 系统天气系统电力信息1222023 年 8 月法作为结果评价的标准。设 Yt表示实际值，Y赞t表示预测值，则预测的相对误差计算公式如下：dt=|Yt-Y赞t|/Yt。（5）相对误差评价方法的优点是结果为一个比值，与数值大小与计量单位无关。相对误差评价方法既能反映误差的大小，又能反映预测的准确程度，相对于绝对误差评价方法，能更好地体现预测值的好坏程度。该方法也有一定缺点，就是不能体现被预测对象的差异性。例如，一个地区负荷主要由居民用电负荷组成，用电稳定性也较高，预测平均相对误差甚至可达到 97%左右；而另一个地区内存在几家大型用电企业，冲击负荷比例较高，预测平均相对误差仅86%左右。单从相对误差水平上来看，认为前一个地区优于后一个地区显然是不科学的。因此，负荷预测不仅与预测人员、预测水平有关，还与预测对象本身的规律性密切相关。实验选取了一段时间内的负荷情况，包含温度、时间、天气、负荷值、负荷预测值及负荷偏差比等信息。数据集合及偏差比如表 2 所示。根据表 2 中的多组数据，观察到连续温度情况的第一次升温、第一次降温所导致的负荷变化不大，同一温度在工作日和节假日产生的负荷差距明显，在时间的推动下，负荷随着社会发展逐步增加。通过相对误差评价方法得到偏差比，认为负荷预测误差在-0.10.1 均为有效值5。5 结语可靠预测短期电力负荷，对于掌握电力系统的规划和运行状态掌握具有重要意义，电力负荷预测在电力市场、民生生活、国际发展中发挥着重要的作用，电力负荷预测技术应专注于提高数据准确性、面向技术成熟性发展。本文通过分析大量历史负荷数据，综合考虑影响负荷变化的因素，归纳得出影响程度最大的几个因素，梳理拆分影响因素的分子，设置因素与分子影响占比情况，依据影响因素对电力负荷的影响特点，构建基于决策树算法的短期电力负荷预测模型，建立电力负荷预测指标，再将负荷值与预测值进行对比，根据相对误差评价方法验证了预测方法的可行性。参考文献1 康重庆，夏清，张伯明援电力系统负荷预测研究综述与发展方向的探讨J.电力系统自动化，2004（17）：1-11.2 刘旭，罗滇生，姚建刚，等.基于负荷分解和实时气象因素的短期负荷预测J.电网技术，2009，33（12）：94-100.3 孙超，吕奇，朱思曈，等.基于双层 XGBoost 算法考虑多特征影响的超短期电力负荷预测J.高电压技术，2021，47（8）：2885-2898.4 陈晓江，刘晔，张金波，等.基于智能集中器的短期电力负荷预测J.电力系统及其自动化学报，2020，32（6）：140-145.5 陈国栋，姚建刚，钱卫华，等.基于误差预测修正的负荷预测研究J.现代电力，2007（3）：11-15援作者简介院张传海（1983），男，汉族，安徽肥东人，本科，高级工程师，主要从事电力系统运行工作。日期节假日温度/益天气负荷值/（万 kW h）预测值/（万 kW h）偏差比2019 年 6 月 3 日否29.6晴709.10711.3-0.003 102 5242019 年 6 月 4 日否29.7晴711.10711.9-0.001 125 0182019 年 6 月 5 日否32.0晴715.60721.4-0.008 105 0872019 年 6 月 6 日是32.1晴701.83702.144-0.000 447 4022019 年 6 月 7 日是32.2晴671.20672.888-0.002 514 8992020 年 6 月 3 日否29.5晴723.10725.526-0.003 354 9992020 年 6 月 4 日否29.5晴727.01726.1380.001 199 4332020 年 6 月 5 日否30.0晴750.00746.0280.005 2962020 年 10 月 12 日否17.6晴623.80624.5-0.001 122 1552020 年 10 月 13 日否17.4晴624.80625.4-0.000 960 3072020 年 10 月 14 日否13.1晴615.50620.3-0.007 798 5382021 年 3 月 1 日否19.8晴653.90655.4-0.002 293 9292021 年 3 月 2 日否19.6阴674.10675.062-0.001 427 0882021 年 3 月 3 日否19.7多云669.20668.311 380.001 327 8842021 年 3 月 4 日否19.8晴660.90661.628 266 2-0.001 101 9312021 年 3 月 5 日否19.7多云670.40668.244 548 90.003 215 172表 2 数据集合及偏差比电力信息123