電力大數(shù)據(jù)實際案例分析

1.現(xiàn)狀需求

電力系統(tǒng)短期負荷預(yù)測結(jié)果關(guān)系到電力系統(tǒng)調(diào)度運行和生產(chǎn)計劃的制定，準確的短期負荷預(yù)測結(jié)果有助于提高系統(tǒng)的安全性和穩(wěn)定性，能夠減少發(fā)電成本。電網(wǎng)中短期負荷預(yù)測主要根據(jù)自然條件與人為影響等多個影響因素與負荷的非線性關(guān)系，在滿足一定精度要求的條件下，確定未來幾天的負荷數(shù)據(jù)，其中負荷是指電力需求量(功率)或用電量。負荷預(yù)測的建模與預(yù)測是根據(jù)歷史數(shù)據(jù)資料所包含的信息，建立理想的模型及處理隨機因素仍然是負荷預(yù)測的主要問題，影響負荷預(yù)測精度的原因是多方面的，具體可分為三個方面：

(1) 影響因素的不確定性導(dǎo)致負荷規(guī)律難以把握。影響負荷走勢的因素中包括溫度、降水等天氣因素，又包含重大設(shè)備檢修、重大文體活動等人為因素的影響。這些因素呈現(xiàn)顯著的隨機性和不確定性，因此負荷時間序列的變化呈現(xiàn)非平穩(wěn)的隨機過程。

(2) 負荷預(yù)測模型的質(zhì)量直接關(guān)乎預(yù)測精度的高低。負荷預(yù)測模型的建模與預(yù)測是依據(jù)歷史數(shù)據(jù)資料所包含的信息，因此預(yù)測模型反映歷史數(shù)據(jù)所包含信息的有效性和程度決定了預(yù)測水平的高低;

(3) 信息不完整。由于大量用戶的用電行為與影響因素(如氣象因素)之間的關(guān)系在歷史數(shù)據(jù)中是沒有記載的，信息的缺失和不完整是無法避免的，這些因素是負荷預(yù)測誤差進一步減小的瓶頸。

2.應(yīng)用場景

目前，電網(wǎng)公司根據(jù)其業(yè)務(wù)要求大踏步推進用電信息采集系統(tǒng)的建設(shè)。據(jù)國家電網(wǎng)公司相關(guān)報告指出，預(yù)計其用電信息采集系統(tǒng)智能電表數(shù)量到2015年將達到三億塊，用戶用電信息采集頻率更加頻繁：15分鐘甚至5分鐘就需要采集一次數(shù)據(jù)，且數(shù)據(jù)是雙向互動流轉(zhuǎn)，規(guī)模和頻率呈指數(shù)級增長，以河南省為例,河南全省實現(xiàn)全采集、全覆蓋后，用戶總量將達到4000萬，接入終端量接近300萬，采集數(shù)據(jù)總量接近60TB，年增量約為30TB。

實現(xiàn)對電網(wǎng)用戶的用電信息全采集為準確把握用戶級負荷變化規(guī)律提供了數(shù)據(jù)基礎(chǔ)。目前調(diào)度部門短期負荷預(yù)測的對象主要針對總量負荷，或者再深一層次變電站的母線負荷，通過母線負荷累加獲得總量負荷。而電網(wǎng)負荷是由眾多用戶負荷構(gòu)成，不同用戶的負荷受自身行業(yè)屬性和生產(chǎn)特點影響，負荷規(guī)律也是千差萬別，從電網(wǎng)負荷總量上分析負荷變化規(guī)律忽略了用戶的用電規(guī)律，因此分析結(jié)果必然存在一定的偏頗，更加無法精確定位負荷波動的源頭-用戶。而用電信息采集系統(tǒng)的海量用戶級負荷信息將使從用戶級負荷入手的短期負荷預(yù)測成為可能。

同時，隨著電網(wǎng)公司GIS數(shù)據(jù)平臺等業(yè)務(wù)輔助平臺的完善，以及多源數(shù)據(jù)平臺的融合。行業(yè)標準劃分數(shù)據(jù)、季節(jié)天氣等與短期負荷密切耦合的相關(guān)因素數(shù)據(jù)也將會納入到短期負荷預(yù)測的基礎(chǔ)數(shù)據(jù)庫中。眾所周知，負荷的影響因素眾多、非線性極強，結(jié)合負荷數(shù)據(jù)與影響因素數(shù)據(jù)，研究負荷隨多種因素的變化規(guī)律，進而總結(jié)用戶的用電規(guī)律，將是提高短期負荷預(yù)測精度的一種有效手段。

3.大數(shù)據(jù)解決方案

電網(wǎng)公司現(xiàn)有數(shù)據(jù)源頭已經(jīng)可以定位至用戶級負荷層面，結(jié)合其完備的業(yè)務(wù)輔助平臺數(shù)據(jù)庫。在這里，我們提出一個基于大數(shù)據(jù)技術(shù)的短期負荷預(yù)測解決方案。

該方案的主體思路采用對每個用戶的負荷進行獨立預(yù)測，最后累加的方法。數(shù)據(jù)源為電網(wǎng)用電信息采集系統(tǒng)數(shù)據(jù)庫及相關(guān)影響因素數(shù)據(jù)庫，軟件采用大數(shù)據(jù)技術(shù)(聚類分析、灰色關(guān)聯(lián)分析、決策樹等)對負荷數(shù)據(jù)進行預(yù)處理，把握每個用戶負荷與天氣、日類型等影響因素的密切關(guān)系。并根據(jù)不同用戶特性構(gòu)建預(yù)測模型，最后累加所有用戶的預(yù)測結(jié)果得到系統(tǒng)預(yù)測負荷，原理框架如下圖所示：

圖1 短期負荷預(yù)測的原理框架圖

下面，將詳細介紹組成該方案的五個步驟。

步驟1：負荷曲線聚類分析。

由于負荷曲線的走勢與日類型，天氣因素等密切相關(guān),對歷史負荷曲線的聚類分析是負荷預(yù)測的基礎(chǔ)步驟。針對海量的用戶負荷，若無針對性的研究每個用戶的用電規(guī)律將會造成巨大的資源浪費。因此，合理的數(shù)據(jù)挖掘技術(shù)—聚類分析能夠?qū)⒂秒娨?guī)律相近的負荷日期歸為一類。聚類分析技術(shù)通過計算各個向量之間的空間距離，將其由零散分布的獨立樣本逐漸歸為趨勢相近的若干類。下圖所示為編號1的用戶其365天歷史負荷數(shù)據(jù)的層次聚類分析結(jié)果，a~f六個子圖為對應(yīng)每一類的負荷曲線，從圖中可以看出層次聚類算法具有極好的特征分離能力，能夠很好的區(qū)分出特性各異的負荷曲線。

步驟2：確立關(guān)鍵影響因素

對影響負荷的因素進行關(guān)聯(lián)度排序，剔除一些對負荷影響小的因素。達到約簡分類規(guī)則，簡化預(yù)測模型的目的。

在關(guān)聯(lián)分析方法中，灰色關(guān)聯(lián)分析法是一種應(yīng)用較多，效果得到普遍公認的關(guān)聯(lián)度量化方法。采用該算法計算每個因素(如日最高氣溫，日平均氣溫，平均濕度，日類型(星期幾)等)與負荷曲線之間的灰色關(guān)聯(lián)度。將預(yù)測日前一年的歷史負荷數(shù)據(jù)、氣象數(shù)據(jù)以及日類型數(shù)據(jù)集作為分析樣本，設(shè)定母序列為負荷值，天氣因素、日類型為若干子序列。采用灰色關(guān)聯(lián)分析算法分析各個子序列與母序列的相關(guān)性，最后將一年每天的灰色關(guān)聯(lián)度求均值即可得到各個影響因素的灰色關(guān)聯(lián)度。對灰色關(guān)聯(lián)度進行排序，選定值較大的前4個作為影響該用戶負荷的關(guān)鍵影響因素。

步驟3：建立分類規(guī)則

通過步驟1以及步驟2，得到了待預(yù)測日過去一年的歷史負荷曲線的分類結(jié)果和影響負荷的關(guān)鍵因素。步驟3需要找到分類結(jié)果與關(guān)鍵影響因素間的耦合關(guān)系，即造成聚類結(jié)果的依據(jù)。并以分類規(guī)則的形式表現(xiàn)出來，該步驟的作用是當(dāng)已知待預(yù)測日的關(guān)鍵影響因素值時，可以將預(yù)測日遵循分類規(guī)則分配到對應(yīng)的聚類中去，從而該類的結(jié)果就可以作為預(yù)測日的相似日數(shù)據(jù)集來訓(xùn)練模型。

CART決策樹算法是一種直觀的表征分類關(guān)系的規(guī)律表示方法，在每個節(jié)點(除葉節(jié)點外)將選用Gini指數(shù)最小的關(guān)鍵影響因素，將當(dāng)前節(jié)點的歷史負荷數(shù)據(jù)集分割為兩個子集，直到最后的分類結(jié)果與步驟1中的聚類結(jié)果吻合。該過程完成對歷史負荷及關(guān)鍵影響因素數(shù)據(jù)與聚類結(jié)果間耦合關(guān)系的學(xué)習(xí)，能夠清楚完善的表征分類規(guī)則。

步驟4：將待預(yù)測日分類

當(dāng)?shù)玫筋A(yù)測日的關(guān)鍵因素日特征向量(即關(guān)鍵因素值組成的向量)后，將其輸入步驟3建立的決策樹模型中，即可輸出相應(yīng)的分類結(jié)果。

步驟5：訓(xùn)練預(yù)測模型并預(yù)測

針對步驟1的分類結(jié)果，將每類的負荷數(shù)據(jù)及相應(yīng)的關(guān)鍵因素數(shù)據(jù)構(gòu)建訓(xùn)練樣本。針對每類負荷數(shù)據(jù)的變化規(guī)律和特征，選取匹配的預(yù)測模型來完成對該日負荷的預(yù)測。在這個過程中，我們選用支持向量機方法，該方法的核函數(shù)通常為RBF核函數(shù)，因為此核函數(shù)下需要確定的支持向量機參數(shù)有核函數(shù)參，不敏感系數(shù)和懲罰參數(shù)。不同的參數(shù)組合匹配不同類型的負荷，具有更強的建模針對性。根據(jù)步驟4中得出的待預(yù)測日的分類結(jié)果，選用對應(yīng)的支持向量機模型完成預(yù)測。

步驟6：計算系統(tǒng)負荷

根據(jù)目標預(yù)測系統(tǒng)，針對系統(tǒng)中的每個用戶重復(fù)步驟1~5，該過程涉及的數(shù)據(jù)體量巨大。可以采用Hadoop大數(shù)據(jù)平臺進行該過程計算，最后累加所有用戶負荷，并考慮網(wǎng)損即可得出最終的系統(tǒng)負荷。

Hadoop大數(shù)據(jù)平臺的使用主要包括涉及HDFS和HBase的數(shù)據(jù)存儲和管理系統(tǒng)，下表為該預(yù)測方案針對該地區(qū)120萬負荷的預(yù)測在Hadoop大數(shù)據(jù)平臺上實現(xiàn)的效果，預(yù)測結(jié)果滿足短期負荷預(yù)測時間要求。

4.具體案例