智能电网背景下的大数据处理与短期负荷预测综述

汪威为 陈超洋

摘 要：文章简单介绍了现代大数据和电力系统的短期负荷预测两种技术，分析了智能电网中大数据的特点及应用，探讨了大数据在智能电网运行和调度上发挥的作用，并研究分析了智能电网中大数据的发展。然后论述了现代短期负荷预测的特点及影响其预测精度的相关因素，进一步综合了解各种预测方法的原理，相对地将优点和不足之处进行分析比较。最后简述了大数据处理与短期负荷预测的关系并分析了大数据处理在短期负荷预测中的作用。

关键词：智能电网；大数据；短期负荷预测

1 智能电网与大数据处理

1.1 概念认知

1.1.1 智能电网

智能电网是现代社会的新型电网，将现代6种先进技术：控制技术、通信技术、传感测量技术、计算机技术、信息技术与物理电网技术，高度集成在特高压电网骨干网架，并搭配各电压等级电网协调发展而形成的新型电网[1]。

1.1.2 大数据

大数据是当代社会研究中的高频词汇之一。我们通常这样定义大数据：以云计算的分布式处理、分布式数据库和云存储为基础，采取分布式的计算结构来收集海量信息源的这样的数据组，通过多样化的方式聚集起来而形成的庞大数据集。近些年，大数据的融入已经在日常生活中的各个方面得到体现，无论是个体的生活需求和发展，还是社会的政治经济建设，都已经与大数据技术息息相关[2]。

1.1.3 大数据处理技术

大数据处理技术指的是从大量的数据信息中快速获取有效信息的技术能力，是在科学技术飞速发展背景下的产物，主要有大数据的收集、输入、分析和输出总结4个分层技术。

1.2 大数据处理技术在智能电网中的现状

当今社会，随着云计算的广泛应用，产生了海量的异构数据，为了更加高效率、更加准确地去处理这庞大的数据，大数据技术也变得越来越重要。世界各地各个层次都在大数据技术方面做出了相关的工作，都想要做更深一步的研究。如谷歌、淘宝、百度等企业均在相关层面投入了大量的资金研究，而致使他们将大量资金投入的原因就是，大数据产生于智能电网中的各个环节，想要更好地去利用，就必须找到更好更有效更准确的方法去处理分析这些大数据。就近几年来说，大数据处理技术的关键技术已经相对成熟，全球大数据技术也在很大程度上得到了巨大的提升。但是需要正视的是，我们仍然在这方面有比较大的发展空间，如何将大数据技术进一步深入，进一步完善，仍然面临着一系列挑战[3]。

2 短期负荷预测

2.1 概念认知

对电力系统的管理调度来说，短期负荷预测可以说是最为重要的，如一小时到一周的短期负荷预测，可以为发电计划提供数据支持，来确定最满足经济要求、安全要求、环境自然要求和设备限制要求的发电计划，确保电力系统的经济安全运行[4]。

2.2 短期负荷预测的特点和影响因素

2.2.1 短期負荷预测的特点

短期电力负荷预测，是收集影响电力负荷的外在因素的历史数据，收集整合处理并建立相关的模型，然后对之后的电力负荷情况进行系统科学的预测。虽然是科学的预测，但是未来的电力负荷还是具有不确定性和随机性，这就导致了负荷预测具有如下的几个特点。（1）结果的不确定性。（2）预测后结果的时间性，即无论何种预测，一般来说都得存在一定的时间上的限制范围。（3）条件性，即需要满足在具体的条件下进行预测。（4）方案性，因为有上述的不确定等特点，所以通常准备多个方案[5]。

2.2.2 影响负荷预测精度的因素

因为负荷预测是利用适合的数学模型，收集历史的影响因素数据进行预测，所以主要有以下几个影响因素：（1）历史数据；（2）天气情况；（3）日期类型；（4）预测模型；（5）社会事件等。

2.3 短期负荷预测的研究现状

2.3.1 时间序列法

时间序列法是短期负荷预测的经典预测方法之一，其本质就是收集电力负荷的历史资料，建立数学模型，把电力负荷作为数学模型里的随机变量，根据统计规律性去研究随机变量的变化过程，推导出表达式来对负荷进行预测。方法大致可以分为以下几个过程：自回归（Autoregressive，AR）过程；滑动-平均（Moving Average，MA）过程；自回归滑动平均（Auto-Regressive Moving Average，ARMA）过程；积分型自回归滑动（Autoregressive Integrated Moving-Average，ARIMA）过程；用传递函数（Transfer Function，TF）建模的序列。经典的时间序列法对历史负荷资料的需求相对较少，不太需要人工上的干预，所以工作量也相对较少，整个预测过程计算速度优异且可以自动完成，这些都是本方法的优点。缺点是太过于依赖电力负荷资料数据，对其他变化因素处理不足，导致无法达到比较高的预测精度，一般只适应于本身就比较稳定均匀的负荷预测中[6]。

2.3.2 回归分析法

回归分析法也是以负荷的历史资料数据作为基础进行的经典预测方法之一，只是回归分析法在历史数据的基础上，也加入了对影响负荷的外在因素的考虑。大致上可以分为线性回归和非线性回归，线性回归又可以分为一元和多元线性回归。其优点是简单方便，但是缺点也比较明显，即在实际的负荷变化中，该方法所需要假定的函数基本形式通常在实际上是一种变化的函数关系，所以，回归模型对实际负荷与影响因素间的变化达不到完全真实的反映。

2.3.3 指数平滑法

指数平滑法指采用电力系统负荷趋势外推预测技术，是用过去数周的同类型日的相同时间负荷组成一组时间上有序的数组y（t） ，y（t?1），y（t?2），…，接着对该数组进行加权平均，其迭代公式为：

Lt+1=axt+a[1-a]xt-1+a[1-a]2xt-2+…。其中，t+1时刻的负荷值是Lt+1，a=1/n，n为所有数据累积的个数。

指数平滑法的核心是将电力负荷资料中的关键数据组成一组有序的序列，即将以往负荷资料中同时间同类型日的负荷收集，作为数据，以时间顺序组合成一组序列，然后对此序列进行加权平均并根据电力负荷预测中规则来分配加权系数。但是其平滑系数的选择，在很大程度上只能靠以往的经验得来，如果选取的序列波动较大，就会产生无法适应，预测不理想的结果[7]。

2.3.4 灰色系统理论预测法

灰色预测技术，以灰色系统理论作为基础，需要的数据量少，根据电力系统每个时期的不同，找出其每个时间段里的规律来完成预测模型的搭建。就整个灰色预测方法来说，其优点大致体现在数据需求量小，计算便利。缺点则是预测精度与数据的离散程度相关，数据越离散，预测效果越差，所以一般不适用于长期的电力系统负荷预测[8]。

2.3.5 人工神经网络预测法

在电力负荷预测中，天气与电力负荷值之间存在着非线性关系，于是在短期的负荷预测中，把天气因素考虑进去就成为可能。而神经网络技术，具有强大的多元非线性捕捉映射能力，可以做到精确地获取分析天气与电力负荷值之间的关系。相对于前面所提到的几种负荷预测技术，神经网络技术具有极好的函数能力，基本上不需要提供负荷模型就能进行预测分析，能够比较直观地反映天气、温度等与电力负荷的关系。它的缺点是受制于天气的地域化，比较受限于局部状态、极小状态等。

2.3.6 模糊逻辑预测方法

近年来，随着计算机算法、模糊数学理论等技术的发展完善，电力系统负荷预测技术也在这两种技术上得到体现。模糊预测法是以上述两种技术为基础而来，以规则的形式把电力系统的经验、信息给表示出来，然后转化成算法在计算机上运行。这种方法十分实用，在电力系统的各个领域中都有应用，其预测精准度也较高，能够做到较好地解决电力需求中各种模糊因素产生的影响。

2.3.7 小波分析预测法

在现代社会的各个领域中，小波分析理论都受到了极大的重视和关注。在负荷预测中亦是如此，小波分析预测法通过对小波进行选择分类，将不同性质的负荷区分出来，然后针对不同的性质，挑选某种负荷，分析其规律来决定采用相对应的预测方法，将挑选的负荷进行分别预测，分解出序列后对序列进行重新构成，最后达到预测的目的。小波预测法可以观察到信号中的细节，尤其是信号中的某些奇异信号，其反应尤为敏感，可以做到很好地处理突变的或者某些微弱的信号。

2.3.8 支持向量机预测法

此方法是在以统计学理论作为基础和核心的情况下，由Vapnik提出的一种通用学习算法，将支持向量机应用到电力系统中，来进行短期的负荷预测，优点是比神经网络等预测方法具有更高的精准度和更好的鲁棒性。

3 智能电网大数据与短期负荷预测的关系

3.1 智能电力大数据对短期负荷的意义

3.1.1 电力大数据的概念

当代社会，可持续发展是大趋势，低碳化的经济发展和清洁化的能源是社会的主流，而电力系统、智能电网的发展就是这个趋势里极其重要的一环，智能电网的发展最终形态，便是建设成覆盖整个电力系统生产过程的智能电网。整个电力系统的生产过程包括电力系统前期的发电、输电、变电、配电等环节，还囊括后期的电网用电情况、电力调度和通信等。要建设成这样一个包括整个电力生产过程的智能电网全景实时系统，就必需要有大数据技术的支持，在所有环节做到数据的实时采集、实时传输和储存，并且可以对大量的、来源多元的、结构各异的、多模态的数据进行快速准确地分析处理。这样才可以保证和支撑整个智能电网，做到安全的、自愈的、可靠的、绿色的发展[9]。

3.1.2 大数据在电力系统负荷预测中的作用

电力负荷的来源多种多样，无论是工业上的用电还是农业上的用电，是城乡用电还是农村用电，是商业用电还是市政用电，是个体用电还是集体用电，都是整个电力负荷的构成。所以，电力负荷受制于非常多的不稳定因素，随这些因素变化而变化。这些因素通常具有地域性和时间性，而且对电力负荷变化有着不同程度、互不相同的影响。所以在电力系统的负荷预测中，有着太多的不确定影响因素，而大数据生来就是为了处理这类问题，其核心作用就是分析和预测，所以很显然，大数据技术对电力系统的负荷预测有着极大的意义。

3.2 智能电网大数据在短期负荷预测中的应用

3.2.1 优化负荷预测的意义

目前，电力市场发展日益成熟，随着电力系统的不断发展完善，对电力系统负荷预测的要求也越来越高。虽然已经有了比较成熟的传统方法，但是传统方法普遍有预测精准度方面的问题，预测出来的结果虽然有着一定的参考价值，但是还远远达不到电力企业的期望水平。随着现代科学理论研究的不断进步，出现了新一批的新兴电力负荷预测手段，如神经网路理论、模糊数学、支持向量机等，这些都是电力负荷预测的进步和发展，在预测精度上都有了进一步的提高。但是，随着大数据处理技术的普及，为优化负荷预测提供了理论依据和基础，对电力系统的负荷预测提出了更高的要求[10]。

3.2.2 大数据在短期负荷预测中的应用

将电力系统负荷预测进一步精细化，这是电力大数据目前最可能的方向之一。通过大数据技术，进一步加强对电力负荷预测中的各个因素的精细化处理分析，如加强分析气象因素对电力负荷产生的影响，加强对特殊日期的负荷特性的分析，加强对电力系统各种负荷类型的识别和分析。这样可以将众多相关因素对负荷特性变化的影响精细化，更加容易把握每一地区、每一个局部区域的电荷变化规律，找到其发展趋势，大幅度提高负荷预测在短期内的精准度。在提高电力系统经济水平的同时，为电力企业下一步的营销、电力市场的开拓、电源结构的调整、资源的进一步优化配置等，提供最坚实的理论基础和最科学的决策依据。同时，将负荷预测精细化并提高精确度后，可以进一步掌控不同区域的负荷变化规律及整体的发展趋势，然后针对采取实行具体的方法，来调控区域的电力负荷，达到使区域电荷分布趋于平稳的效果，从而提高电力企业发电机组、发电设备运行的稳定性、安全性、可靠性，有利于保护设备良好运行，提高电力设备的利用率并延长电力设备的使用寿命，减少了电力系统运行的不必要的成本支出。如此将大数据技术结合电力系统的负荷预测，既为电力用户提供了稳定、合适、可靠的电力能源，又强化了电力企业的经济发展效益。

[参考文献]

[1]杨悦，戴茜璐.智能电网大数据处理技术现状与挑战研究[J].科技创新导报，2017（25）：149-150.

[2]骆杨阳.浅谈大数据处理技术在智能电网中的应用[J].通信电源技术，2017（4）：186-187.

[3]LEVIN M A，WANDERER J P，EHRENFELD J M.Data，big data，and meta data in anesthesiology[J].Anesthesia & Analgesia，2015（6）：1661-1667.

[4]MICHAEL S，HOLMER H，CHRISTOPH B，et al.Big data[J].Wirtschaftsinformatik，2014（5）：261-266.

[5]孫宝贵，王欣红，王振世.智能电网中大数据处理技术分析[J].通讯世界，2016（23）：150-151.

[6]曲燕燕，蒋玲芳，林烽.论大数据技术在智能电网中的应用[J].中国新技术新产品，2016（22）：14-15.

[7]MING LI.Research for strategies of visual literacy cultivation in the age of big data[J].Cross-Cultural Communication，2015（10）：166-168.

[8]吴亚盼，邵佩佩，杨岸.中国特色智能电网的结构框架及技术应用[J].黑龙江科技信息，2016（4）：114-115.

[9]屈鹏飞.复杂产品生命周期设计知识大数据集成和应用研究[D].杭州：浙江大学，2016.

[10]USLAR M，ROHJANS S，GONZ?LEZ J M，et al.Smart grid standardization – an overview[J].E&I Elektrotechnique and Informationstechnique，2011（4）：128.