大数据分析在电力规划中的应用

王成勇

（国网自贡供电公司，四川 自贡 643000）

1 背景及意义

传统的电力需求预测仅局限于少量、单一数据的分析，缺少多变量数据、多行业数据的关联分析，有时还受限于主观经验的影响，缺乏科学分析。以科学的电力需求预测分析为基础，对电网规划项目进行有序且合理的规划，急需建立一套电力需求分析预测系统，通过对历史负荷数据、电量数据、气温数据、地方经济数据的综合分析，主要通过因子分析、相关性分析、回归分析，挖掘各数据之间的关联，建立预测模型，以实现对某一特定时期最大负荷和电量的科学预测。

2 气温-电量（负荷）预测法

本文利用相关性分析找出各种因素对负荷与电量的影响程度，根据分析结果找出与负荷和电量有关联的变量，然后通过因子分析，对多个变量进行降维处理，以尽可能减少变量个数。通过对气温数据（包含最高气温、最低气温和平均气温）、月份、电网负荷、电量数据曲线的观察，发现数据之间存在着一定的关联关系，并随着时间的变化呈现出一定的周期性规律，因此依据最高气温、最低气温、平均气温和月份等变量，重点分析负荷和电量的变化。最后通过建立预测模型，实现对电力需求的预测。

（1）气温、负荷、电量的相关性分析。首先对整体数据进行描述性统计分析，以了解待分析数据的总体情况，包括各数据的均值、范围、标准差等信息。日最大负荷与日电量两个变量跟最高气温、最低气温和平均气温这3个变量的关联程度较大，相关性显著，尤其跟日最高气温的相关性最为显著，日最大负荷、日电量与空气质量指数、月份相关性较弱，可以认为基本不相关。因此，为减少计算量，在后面的分析中去除空气质量指数变量数据，保留每日气温数据，同时保留月份数据。

（2）气温、负荷、电量因子分析。对最大负荷、日电量与当日的最高气温、最低气温、平均气温的4个变量进行因子分析，根据各自与负荷（电量）的相关程度抽取出对负荷（电量）有影响的成分，组成1组或1个能够等效于上述4个变量的新的变量数据。事实上，因子个数小于原有变量的个数才是因子分析的目的，所以不可能提取全部特征根。第2列列出了按指定提取条件（这里为特征根大于1）提取特征根时的公因子。可以看到，与最大负荷（日电量）有关联的3个气温变量的绝大部分信息（大于95.8%）可被因子解释，这些变量信息丢失较少，而与最大负荷（日电量）关联不大的月份变量仅提取了7.3%的成分。因此，本次因子提取的总体效果理想。图1为因子分析的碎石图，第1个因子的特征值很高（3左右），对解释原有变量的贡献最大；第1个以后的因子特征根都较小，取值都小于1，说明它们对解释原有变量的贡献很小，称为可被忽略的“高山脚下的碎石”，因此可以提取第1个因子作为所有因子的代表。

图1 因子分析碎石图

因子分析完成后，数据末尾自动生成了1个公因子变量（FAC1_1），将其命名为“D”变量（影响电力负荷和电量的变量）。

（3）回归分析。经分析，得到决定电力负荷和电量的单一变量（D），接着需要利用回归分析找出最大负荷与D、日电量与D的变化关系。下面分别选取最大负荷和日电量为因变量，选取D为自变量，对最大负荷与D、日电量与D的变化曲线进行估计分析。可以发现，各个对最大负荷与D、日电量与D的变化曲线估计模型中，三次曲线的可决系数R2和F统计量均为最大，所以采用三次曲线对日最大负荷(Y1)-D和日电量(Y2)-D曲线进行估计，三次曲线参数估算值结果可得出日最大负荷(Y1)-D、日电量(Y2)-D的变化关系式为：

图2 日电量拟合值与实际值对比图（单位kWh）

从图2可以看出，曲线表达式基本上的最大负荷和日电量值大致拟合。

3 建立时间序列预测模型

从前文的分析可以发现，要实现负荷和电量的预测，只需预测出（最高气温（V1）、最低气温（V2）、平均气温（V3）这3个温度参数即可。本节采用月度气象数据建立时间序列模型，对未来某月的3个温度参数（V1、V2、V3）进行预测，然后利用插值实现每天的温度参数，再次计算变量D，然后通过三次曲线方程实现对日负荷与电量的预测。建立分析模型如下。

表1 模型类型

由表1可知，最高气温和最低气温可以用简单季节性模型拟合，而平均温度可以用温特斯加性模型拟合。通过观察平稳R方得到的预测模型，能够较好的对变量进行拟合和预测。将得到的模型输出并保存为xml模型文件（命名为月度气温预测模型），以便以后做预测时直接调用。

从图3中的历史气温拟合值与实际值的拟合程度可以看出，预测模型能够较好的对预测变量进行预测。建立了月度气温预测模型后，便可以对未来某个指定日期内的气温数据进行预测。

图3 气温预测模型曲线对比图

4 模型的仿真与分析

以预测2018年某地区电网最大负荷和电量为例，进行仿真验证。首先应用SPSS的时间序列预测分析中的“应用预测模型”功能，打开月度气温预测模型，选定2019年1月为预测时间终点，预测得到2017年11月~2019年1月的月气温数据。然后通过Excel中的TREND函数插值得到2018年的全年气温数据，如图4。

图4 2018年气温预测值

根据气温预测结果，采用本章第2节，对3个气温变量及月份做因子分析中的降维处理，得到变量D，进而利用第3节回归分析中的曲线估计结果，得到2018年的日最大负荷与日电量。

5 结语

本文通过对某电网的历史负荷数据、电量数据、气温数据、地方经济数据的综合分析，主要通过因子分析、相关性分析、回归分析，挖掘各数据之间的关联关系，并建立预测模型，以实现对某一特定时期（2018年）最大负荷和电量的科学预测。在以后的电力需求预测中，可以直接调用已经建立的模型，而不必再对庞大的数据进行重新建模，极大提高了电力需求预测的科学性和工作效率。