基于大数据技术的电网输电负荷预测研究

云南电网有限责任公司文山供电局 张兆阳 申娟平 杨 俊 赵晓寅 赵树辉

电网输电负荷预测主要是指针对性地预测馈线、大用户等负荷单元，为后期配电化状态预判提供重要的依据和参考。负荷预测结果是否准确，直接影响了电网输电精细化管理水平以及供电的可靠性[1]。对于电网输电而言，其应用范围较广的预测方式主要包含短期预测和中长期预测。本文结合这两种预测方式，利用基于大数据技术解决方案，对电网输电负荷进行科学化预测。

1 数据存储

在进行电网输电负荷预测时，要做好对负荷、气象、算法模型等数据的整合处理，同时，还要将这些数据划分为实测值、分析值。为实现对负荷数据实测值的精确化采集，需要借助用电信息采集系统，将采集好的信息导入指定的文件格式中，然后，通过执行后台服务程序，筛选出满足相关数据实测值的数据，并下载、解析处理这些数据。为实现对气象数据实测值的全面化采集，要利用电力气象平台，对其进行采集和整理，并利用后台服务程序，将气象数据直接传输到大数据平台中。在采集设备容量变化数据、有序用电数据时，要利用电网抢修系统，将所采集的数据安全、可靠地传输到大数据平台中。

2 数据预处理

对于电网输电二次系统而言，在具体建设期间，存在设备分布点过多、数据维护不全面、数据易丢失等问题。目前，比较常见的数据缺失类型主要包含随机缺失类型和非随机缺失类型。相关人员要做好对数据缺失问题的有效处理。在具体实践中，当处理的数据缺失量相对较少时，要做好对缺失量的删除，并插补处理数据。此外，在预测电网输电负荷时，要做好对平均值的采集和整理，并采用贝叶斯预测法，做好对多个插补值的有效采集，并结合当前信息变化情况，获得所需要的插补数据。

3 电网输电负荷分析

3.1 影响电网输电负荷因素筛选

影响电网输电负荷因素相对较多，主要包含温度、湿度、风力、日照、气压等因素，进行电网输电负荷分析时，要从高维数据中筛选出属性集，确保计算复杂度降到最低，使得模型训练得以大幅度提高。随机森林理论主要是指借助多棵决策树，训练并预测样本数据，对数据进行分类。在分类数据时，要结合不同属性评分结果，评估不同属性在数据分类中应用价值[2]。为保证影响因素筛选效果，需要利用数据集，形成相应的决策树，单棵树主要用于对小部分属性的训练，并对相关属性进行统计分析处理。

3.2 气象影响分析

气象变化，通常会对电网输电负荷产生直接性的影响，气象这一因素具有时间滞后性等特点，因此，仅仅运用全局回归的方法，无法对气象数据进行全面化描述，而自适应分段线性模型树的构建和应用，可以有效地分析气象因素。

该方法在具体应用时，要运用分治策，对全局回归进行优化处理，从而保证目标分段处理效果。通过运用回归树，对叶子节点进行统一化处理，使得拟合误差出现概率降到最低。为了提高最终拟合结果的精确性，需要精细化处理叶子节点[3]，同时，还要拟合各叶子节点样本，使其拟合为相应的线性函数，从而实现对分段线性模型树的构建。

为保证模型训练结果精确性和真实性，要选用合适的算法，自动化生成相应模型参数，同时，采用自适应策略，对参数变化区间进行科学设置，并保证遍历循环效果，并结合最终模型误差评估结果，对相关参数进行科学设置。另外，向样本中分解相应的决策树，从而保证线性拟合处理结果的精确性和真实性，只有这样，才能确保气象与负荷定量两者之间形成较高的关联度。

4 预测算法及预测任务调度

4.1 动态自适应组合预测模型

对于预测模型而言，在进行自适应训练期间，为提升最终预测准确率，要优先构建和应用动态自适应组合预测模型，并对各个预测模型的历史准确率进行有效的评估和分析，从而实现对各模型权值比例系数的自动化修正。其中，在进行短期预测时，要并行运算指数外推模型、平均模型、决策树模型等；在进行中长期预测时，要综合运用线性回归模型、向量机模型、ARMA 模型等[4]。为保证最终预测结果的精确性和真实性，要结合预测日、工作日、节假日、双休日等日期类型，科学地评估和预测不同权重组合情况。

4.2 基于Spark 流计算的预测任务调度

在进行电网输电负荷预测时，计算效率提升，可以提高用户使用体验，保证高频次滚动计算效率。受计算资源的限制，需要在优化算法流程的基础上，将预测任务科学地分配到相应的节点中，使得计算效率得以显著提升[5]。此外，通过应用流计算技术，对数据进行转换，使其转换为无状态数据、有状态数据。在进行无状态转换时，仅仅用到当前批次数据；在进行有状态操作时，仅仅用到之前批次数据。运用电网输电负荷预测算法，对滑动窗口操作进行短期预测。

4.2.1 基于滑动窗口操作的短期负荷预测

为保证最终短期负荷预测结果的准确率，结合滑动窗口实际操作情况，综合运用历史数据、气象数据、检修数据等，开展相应的短期负荷预测工作，促使滑动窗口操作变得更加规范化、科学化。滑动窗口计算如图1所示。

图1 滑动窗口计算

图1中T1-Tn代表各个批次所输入的负荷数据、气象数据等预测数据。通过对数据进行汇集，使其汇集到足够的窗口长度。在导入新批次数据时，需要筛选和剔除最早的数据，完成对批次数据集的组合和构建。预测触发在具体设计和实现时，需要科学地调整和控制滑动窗口时间间隔。这种预测方式的运用，可以提高数据查询效率，缩短数据查询所需时间，最大限度地提高最终计算效率。

4.2.2 基于无状态操作的中长期负荷预测

中长期预测模式存在计算强度大、触发频率低、计算资源浪费等问题。为实现对中长期负荷预测模型的精确化定义，除了要做好对预测日期范围的定义外，还要选用合适的算法。为保证中长期负荷预测结果的准确率，技术人员要重视对基于无状态操作实现方案的制订和使用，在运用该方案时，要做好对任务流的触发处理，当计算操作完成后，触发流程自动退出。当系统监听到人工制定的任务时，会向队列中添加适量的任务，同时，结合CPU 核数，分解和分配当前任务情况。

为进一步地提高中长期预测结果的精确度，简化计算任务的复杂度，避免因出现任务阻塞而降低其他计算任务处理效率，需要利用多线程技术，依次执行和处理多种不同的计算任务，并做好对执行情况的及时报告。

5 应用效果分析

5.1 计算效率提升效果分析

在进行最终计算效率评估期间，分别运用传统模式、微型机群、小型机群三种模式，对某省域电网输电负荷进行中长期预测，输入数据内容见表1。由于受某一条件限制，在以上三种模式下，计算资源配置与性能存在一定的差异，但并未影响最终结果。

表1 输入数据内容

总耗时计算时间对比结果见表2。

表2 计算时间对比

从表2中的数据可以看出，随着机群规模不断提升，计算效率呈现出不断增加的趋势，通过运用基于大数据技术预测方案，达到高效化计算的目的。

5.2 预测准确率提升效果分析

为保证预测准确率评估操作的有效性和可靠性，本文重点分析和对比传统预测方案、基于大数据技术预测方案所获得的预测准确率情况。

首先，采用随机抽取的方式，抽取出1000个负荷样本，并将执行时间控制为1个月，预测准确率对比结果见表3。在传统预测方案中，主要将指数外推法和ARMA 模型法进行有效地结合，滚动执行时间间隔为12h，每天滚动执行2次。在基于大数据技术预测方案，将指数外推法、ARMA 模型法和决策树模型法进行有效的结合，滚动执行时间间隔为4h，每天滚动执行6次。这表明，通过运用基于大数据技术预测方案，可以精细化、详细化呈现出影响因素计算结果，同时，还促使最终分析预测频次不断提升，确保最终预测准确率得以大幅度提高。

表3 预测准确率对比

6 结语

综上所述，大数据技术的出现和应用，为电网输电负荷预测提供重要的技术支持，通过应用该技术，进行数据存储、数据预处理、负荷分析、预测模型构建等环节，不仅提高最终预测结果的准确率，还确保负荷计算效率得以大幅度提高，完全符合实际应用需求，极大地提高用户的使用体验。因此，本文所提出的基于大数据技术的预测方案具有操作简单、实用性强、预测准确率高等特点，完全符合实际应用需求。