3 引發(fā)技術(shù)變革的電力大數(shù)據(jù)

3.1 數(shù)據(jù)規(guī)模大，數(shù)據(jù)處理時(shí)效性要求高——傳統(tǒng)技術(shù)手段不能經(jīng)濟(jì)地滿足業(yè)務(wù)性能需求

3.1.4實(shí)際案例：基于大數(shù)據(jù)的短期負(fù)荷預(yù)測

1、現(xiàn)狀和需求
電力系統(tǒng)短期負(fù)荷預(yù)測結(jié)果關(guān)系到電力系統(tǒng)調(diào)度運(yùn)行和生產(chǎn)計(jì)劃的制定，準(zhǔn)確的短期負(fù)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(fù)荷預(yù)測主要根據(jù)自然條件與人為影響等多個(gè)因素與負(fù)荷之間的非線性關(guān)系，在滿足一定準(zhǔn)確度要求的條件下，確定未來幾天的負(fù)荷數(shù)據(jù)，其中負(fù)荷足指電力需求攝（功率）或用電量。負(fù)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(jī)因素仍然是負(fù)荷預(yù)測的主要問題，影響負(fù)荷預(yù)測準(zhǔn)確度的原因是多方面的，典體可分為以下三個(gè)方面：
1）影響因素的不確定性導(dǎo)致負(fù)荷規(guī)律難以把握。影響負(fù)荷走勢的因素包括溫度、降水等天氣因素，也包含重大設(shè)備檢修、重大文體活動(dòng)等人為因素。這些因素呈現(xiàn)顯著的隨機(jī)性和不確定性，因此負(fù)荷時(shí)間序列的變化呈現(xiàn)非平穩(wěn)的隨機(jī)過程:，
2）負(fù)荷預(yù)測模型的質(zhì)量直接關(guān)乎預(yù)測準(zhǔn)確度的高低，負(fù)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(fù)荷預(yù)測誤差進(jìn)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(jìn)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(bào)告指出，預(yù)計(jì)其用電信息采集系統(tǒng)智能電表數(shù)量到2015年將達(dá)到三億塊，用戶用電信息采集頻率更加頻繁：每15分鐘甚至每5分鐘就需要采集一次數(shù)據(jù)，且數(shù)據(jù)是雙向互動(dòng)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(shí)現(xiàn)全采集、全覆蓋后，用戶總量將達(dá)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(shí)現(xiàn)對電網(wǎng)用戶的用電信息全采集，為準(zhǔn)確把握用戶級負(fù)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(fù)荷預(yù)測的對象主要針對總量負(fù)荷，或者再深一層次變電站的母線負(fù)荷，通過母線負(fù)荷累加獲得總量負(fù)荷。而電網(wǎng)負(fù)荷是由眾多用戶負(fù)荷構(gòu)成，不同用戶的負(fù)荷受自身行業(yè)屬性和生產(chǎn)特點(diǎn)影響，負(fù)荷規(guī)律也是千差萬別，從電網(wǎng)負(fù)荷總量上分析負(fù)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(fù)荷波動(dòng)的源頭(即用戶)。而用電信息采集系統(tǒng)的海量用戶級負(fù)荷信息將使從用戶級負(fù)荷入手的短期負(fù)荷預(yù)測成為可能。

同時(shí)，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(biāo)準(zhǔn)劃分?jǐn)?shù)據(jù)、季節(jié)天氣等與短期負(fù)荷密切耦合的相關(guān)因素?cái)?shù)據(jù)也將會納入到短期負(fù)荷預(yù)測的基礎(chǔ)數(shù)據(jù)庫中。眾所周知，負(fù)荷的影響因素眾多、非線性極強(qiáng)。結(jié)合負(fù)荷數(shù)據(jù)與影響因素?cái)?shù)據(jù)，研究負(fù)荷隨多種因素的變化規(guī)律。進(jìn)而總結(jié)用戶的用電規(guī)律，將是提高短期負(fù)荷預(yù)測準(zhǔn)確度的一種有效手段。

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(fù)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(gè)基于大數(shù)據(jù)技術(shù)的短期負(fù)荷預(yù)測解決方案。
該方案的主體思路是采用對每個(gè)用戶的負(fù)荷進(jìn)行獨(dú)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?cái)?shù)據(jù)庫，軟件采用大數(shù)據(jù)技術(shù)（如聚類分析、灰色關(guān)聯(lián)分析、決策樹等）對負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理，把握每個(gè)用戶負(fù)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(fù)荷，原理框架如下圖所示。

下面，將詳細(xì)介紹組成該方案的五個(gè)步驟。
步驟1：負(fù)荷曲線聚類分析
甶于負(fù)荷曲線的走勢與日類型、天氣因素等密切相關(guān)，對歷史負(fù)荷曲線的聚類分析是負(fù)荷預(yù)測的基礎(chǔ)步驟。針對海量的用戶負(fù)荷，若無針對性地研究每個(gè)用戶的用電規(guī)律將會造成巨大的資源浪費(fèi)。因此，合理的數(shù)據(jù)挖掘技術(shù)（即聚類分析）能夠?qū)⒂秒娨?guī)律相近的負(fù)荷日期歸為一類。聚類分析技術(shù)通過計(jì)算各個(gè)向量之間的空間距離，將其由零散分布的獨(dú)立樣本逐漸歸為趨勢相近的若干類。

步驟2：確立關(guān)鍵影響因素
對影響負(fù)荷的因素進(jìn)行關(guān)聯(lián)度排序，剔除一些對負(fù)荷影響小的因素，從而達(dá)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(rèn)的關(guān)聯(lián)度量化方法。采用該算法計(jì)算每個(gè)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(fù)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(fù)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(fù)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(gè)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(gè)影響因素的灰色關(guān)聯(lián)度。對灰色關(guān)聯(lián)度進(jìn)行排序，選定值較大的前四個(gè)作為影響該用戶負(fù)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(fù)荷曲線的分類結(jié)果和影響負(fù)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(shí)，可以將預(yù)測口遵循分類規(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(gè)節(jié)點(diǎn)（除葉節(jié)點(diǎn)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(diǎn)的歷史負(fù)荷數(shù)據(jù)集分割為兩個(gè)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。該過程完成了對歷史負(fù)荷及關(guān)鍵影響因素?cái)?shù)據(jù)與聚類結(jié)果間耦合關(guān)系的學(xué)習(xí)，能夠消楚完善地表征分類規(guī)則。

步驟4：將待測日分類
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(fù)荷數(shù)據(jù)及相應(yīng)的關(guān)鍵因素?cái)?shù)據(jù)構(gòu)建訓(xùn)練樣本針對每類負(fù)荷數(shù)據(jù)的變化規(guī)律和特征，選取匹配的預(yù)測模型完成對該日負(fù)荷的預(yù)測。在這個(gè)過程中，我們選用支持向量機(jī)方法，該方法的核函數(shù)通常為RBF核函數(shù)，因?yàn)榇撕撕瘮?shù)下需要確定的支持向量機(jī)參數(shù)有核參數(shù)，不敏感洗漱和懲罰參數(shù)。不同的參數(shù)組合，匹配不同類型的負(fù)荷，具有更強(qiáng)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(jī)模型完成預(yù)測。

步驟6: 計(jì)算系統(tǒng)負(fù)荷
根據(jù)目標(biāo)預(yù)測系統(tǒng)，針對系統(tǒng)中的每個(gè)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(jìn)行計(jì)算，最后累加所有用戶負(fù)荷，并考慮網(wǎng)損即可得出最終的系統(tǒng)負(fù)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(fù)荷的預(yù)測在Hadoop大數(shù)據(jù)平臺上實(shí)現(xiàn)的效果，預(yù)測結(jié)果滿足短期負(fù)荷預(yù)測時(shí)間要求。

表3-1Hadoop大數(shù)據(jù)平臺的預(yù)測效果

書名：電力大數(shù)據(jù)：能源互聯(lián)網(wǎng)時(shí)代的電力企業(yè)轉(zhuǎn)型與價(jià)值創(chuàng)造

ISBN：978-7-111-51693-4

作者：賴征田

出版日期：2016-01

出版社：機(jī)械工業(yè)出版社