基于大数据的用电负荷预测

      负荷预测在电力系统中起非常重要的作用，它是电网调度计划制定、市场交易和电网规划的重要依据，为电网运行和电网规划等众多应用提供基础数据，其预测精度既影响计划的合理性和校核的准确性，也会影响到电网的安全稳定运行，同时直接影响到配电网规划中电源的布点以及目标网架的结构和规模。负荷变化具有一定的周期性，但同时受到气象、地理、经济等各种因素的影响，加上不同的负荷类型本身的特性和变化规律，使得精确预测负荷具有一定的难度，现阶段负荷预测仍存在较大误差，在智能电网环境下，电源形式的多元化、供需双方的互动化与控制的智能化将对负荷预测提出更高的要求。负荷数据是负荷预测的基础，掌握负荷变化规律是提高负荷预测精度的重要手段。

       负荷数据包括实时负荷数据和历史负荷数据。实时负荷数据是当前时刻电网系统负荷的实际值；历史负荷数据是电网负荷的历史数据，通过历史负荷数据分析掌握负荷变化规律。对于用户负荷数据，包括全部负荷数据、分行业分类别负荷数据、用户负荷曲线等数据，通过用户负荷分析能够更细粒度掌握负荷需求和变化特征。

       负荷预测按照预测对象不同，分为系统负荷预测、母线负荷预测、空间负荷预测等，按照预测时间尺度不同，可以分为超短期、短期和中长期负荷预测。由于不同预测类型的不同特点，基于大数据技术的负荷预测也需要区别分析。综合电网运行负荷数据、气象数据、地理信息系统、人口、经济、节假日等数据，基于用户用电行为分析，通过关联分析、回归分析、神经网络等各种数据挖掘和分析方法，识别影响负荷的敏感成分，进而构建不同类型不同目标的负荷预测模型，如系统短期负荷预测模型。采用大数据分析和预测方法，对电网负荷进行预测计算，预测结果将应用到电网规划、节能经济调度等领域。

       负荷预测是一种典型的时间序列预测，目前负荷预测的方法主要有传统的数学拟合方法、机器学习方法以及灰色系统理论。传统的数学拟合的方法以自回归模型以及其衍生模型为代表，主要有自回归滑动平均法(auto-regressive and moving average，ARMA)以及累积自回归滑动平均(auto-regressive integrated moving average， ARIMA)。这类方法处理方式简单，易于应用，对数据量的要求也不高，但是对数据的平稳性要求很高，因此该类方法做负荷预测准确度不是很高。另一类负荷预测的方法是基于机器学习理论的，目前主要有神经网络方法、支持向量机方法以及小波分析理论等。其中神经网络具有强大的非线性拟合能力，并且有较强的适应性，因此在负荷预测领域得到广泛的应用。但是，神经网络也有本身的缺陷，如学习的时候容易陷入局部最优、迭代次数不好确定、泛化误差比较大以及隐层神经元难以确定等。针对这些缺陷，在负荷预测领域模糊与神经网络相结合、小波与神经网络相结合、极限学习机方法以及智能优化算法与神经网络相结合的方法被提出来。近年来，灰色系统理论也被广泛应用与负荷预测。灰色系统对于贫信息、不确定序列的预测有着本身的优势，而电力负荷序列属于典型的贫信息、随机波动不确定系统，因此负荷预测比较适宜采用灰色系统理论进行建模。

       电力负荷序列从数据特征上有明显的周期性，即有年度周期性又有24h周期性。但是目前所有的模型只是从数据本身进行建模分析，都没有很好地利用电力负荷序列的周期性特性。而数据的周期性特性对于序列预测而言是一个重要的辅助特性。为了能进一步提高负荷预测的准确性及稳定性，提出一种周期性截断灰色系统来对电力负荷进行预测。该方法改变了传统的灰色GM(1,1)的累加方式，通过周期截断累加生成操作实现序列的累加。该模型有效的利用了序列的周期性特性，提高了预测的准确性及可靠性。实际负荷序列的测试表明该方法比传统的神经网络、极限学习机、自回归模型以及传统的灰色系统模型准确度更高。