PDF《基于配用电大数据的短期负荷预测》

・ 负荷预测专题・2018 年5月Electric Power Engineering Technology 第37 卷第3期基于配用电大数据的短期负荷预测丁晓1,孙 虹2,郑 海雁2,季 聪2,徐 金玲3,仲 春林2,熊 政2(1.

国网江苏省电力有限公司,江苏南京210024 ;

2. 江苏方天电力技术有限公司,江苏南京211102;

3. 国网江苏省电力有限公司电力科学研究院,江苏南京211103) 摘要:受限于数据信息的不完整和粗粒度,短期网供负荷预测的准确率一直难以进一步提升,而配用电信息系统数据的积累和大数据技术的快速发展为开展基于配用大数据的短期负荷预测提供了数据基础和技术支撑.本 文首先针对配用电大数据的特征分析了 脏 数据 的 来源与类型,并提出了相应的数据清洗方法;

其次基于大量的历史负荷、电量和气象数据,构建了行业负荷温度影响模型和行业电量节假日影响模型;

最后基于上述用电影响模型开展了江苏电网短期网供负荷预测,实际计算结果验证了预测效果的有效性和准确性.关键词:配用电大数据;

数据清洗;

负荷温度影响模型;

电量节假日影响模型;

短期负荷预测中图分类号:TM732 文献标志码:A文章编号:2096-3203( 2018) 03-0021-07 收稿日期:2017-12-19;

修回日期:2018-01-28 基金项目:国家重点研发计划资助项目(2016YFB0901100);

国家电网有限公司科技项目 提 升电力营销服务能力的大数据关键技术研究 0引言随着配电网信息化建设的推进,配电网在日常运行中产生了大量的配用电数据,但一直以来这些数据并未得到充分的挖掘和有效的利用.如 今电改政策试点、售电侧放开对电力客户服务提出了更高的要求,电力行业市场化进程的深入也对电力负荷预测提出了更高的要求.目 前,国内外专家和学者已经在大数据负荷预测领域展开了研究工作,也取得了一些成果.文 献[1-3]对配用电大数据背景下用电预测场景进行了研究和分析,认为用电预测是配用电大数据的关键技术和重要应用之一.文 献[4] 提出了一种基于并行随机森林的大数据负荷预测方法,取得了比决策树更高的预测精度.文 献[5] 将局部加权线性回归预测算法和云计算Map / Reduce 模型相结合,用于开展短期电力负荷预测研究.文 献[6]提出了基于用户的电网负荷预测方案,将大数据技术引入到负荷预测.文 献[7]采用基于大数据的神经网络算法将发电预测精度提高到接近99%. 江苏居住区配电一体化系统的全面建成、用电信息采集系统(下称 用采系统 )的 全面覆盖,积累了自2009 年以来全省47 万配变、26 万专变、3700 万用户的负荷和电量数据,营销系统保存着自2009 年以来全省26 万大用户的业扩报装、增容、减容数据,江苏省电力公司气象信息系统积累了自2006 年以来全省13 地市71 个气象站的10 min / 点温度、湿度、雨量、风速等气象数据,上述数据总量已累计达到180 TB, 且仍然在以每日30 GB 的速度快速增长.如 何充分利用这些数据资源,挖掘负荷、电量、业扩、气象、经济等因素的关系,建立更加精准的负荷和电量影响模型,提高短期负荷预测的精确度,是本文的重点研究内容.本文分析了大数据负荷预测方法的优势,介绍了配用电大数据的清洗方法,构建了多维负荷和电量模型,实现了基于配用电大数据的短期负荷预测方法,并且结合实际计算结果,验 证了方法的准确性.1大数据负荷预测方法的优势传统负荷预测方法大致可以分为统计算法和智能算法,统计算法包括时间序列模型、决策树、回归算法、随机森林等,智能算法包括人工神经网络、支持向量机、贝叶斯理论等基本算法及其改进算法,目前组合预测算法也受到了业界的青睐和关注[8-9].但上述方法由于建模时选取的样本较小,历史数据的选取直接影响负荷预测的效果.大 数据负荷预测方法存在以下3点优势.(1)考虑的影响因素更全.影 响负荷走势的因素众多,主要包括两大类型:用户用电行为中体现的随机性,以 及外部气象因素和节假日的影响[10-11].大数据负荷预测方法掌握着全面的用电行为数据和外部气象数据,可以通过聚类分析挖掘用户用电行为模式,对不同类型的用户用电行为特征进行详细的分析,可以通过相关性分析挖掘负荷走势受气象因素影响程度.12(2)数据的时间跨度更长.大 数据负荷预测方法选取了时间跨度更长的历史数据,用于发现负荷数据随月、季、年周期发生的变化规律,与选取相似日[12]负荷数据进行预测的一些传统方法相比,不存在相似日选取不当而造成预测误差较大的问题.(3)数据的空间粒度更细.大 数据负荷预测方法所采用的负荷数据粒度可以细化到地区、行业、变压器、线路、台区、用户等各个级别,而由于江苏地域广阔,存 在温度差异(南 北最高温差可达20 ℃) , 行业负荷特征明显,因此本文的大数据负荷预测方法采用分地区、行业预测再按比例叠加的思路.这 种方法能够考虑不同行业的负荷特性、不同地区的温度差异,而且也便于对预测结果进行成分分析和误差追踪.2数据源建设江苏电力大数据平台以营配集成、用电信息采集、省地县一体化电量系统为基础,结合外部气象和经济数据,建成了江苏配用电大数据中心,为江苏配用电大数据分析工作提供了丰富的数据资源.2.1 配用电大数据的来源与分类配用电大数据中心的数据体系架构如图1所示.图1配用电大数据中心的数据体系架构Fig.1 Structure of distribution and consumption big datacenter 数据主要来源于营配集成、用 电信息采集系统、调度省地县一体化电量系统,以及外部的气象数据和宏观经济数据.(1)营配集成数据.全 省3596 万居民用户档案信息、47 万配变及其与用户的户变关系、配网相关低压线路档案信息、电 力生产管理系统(power production management system,PMS)和地理信息系统(geographic information system, GIS) 数据.(2)用采系统数据.全 省3596 万居民用户、26 万负控用户自2009 年以来的负荷和电量数据.(3)调度省地县一体化电量系统数据.自