电力用户侧大数据分析与并行负荷预测

赵,霞

国网四川射洪市供电有限责任公司 四川遂宁 629200

摘要：随着科技不断进步，电子信息技术得到迅速的发展，尤其是大数据系统发展更为迅速，而且被广泛应用于各领域。居民企业生产生活的进行导致了人们对电量的需求越来越高，电力用户数量以惊人的速度增长着。同时伴随着国家科技水平的提高，一系列新型科技被应用到电力系统运营管理中来，具体有计算机网络技术、自动化控制技术、遥感技术等先进科技，这些先进技术的应用，对于电力系统网络智能化的发展起到了关键的促进作用。

关键词：电力用户侧；大数据；负荷预测；运行分析

0引言

电力用户作为智能主体，在电网需求中起了重要的作用。对于电力用户侧大数据实时的采集，传输和存储，还有庞大的历史数据进行有效而快速的分析。这些大数据不仅仅包括智能电表收集的用电量，还有各类传感器按照固定频率采集的温度、天气、湿度、地理信息和风速信息等。用户测数据复杂程度增大，数据存储规模将从目前的GB级增长到TB级，甚至PB级，逐步构成了用户侧大数据。而针对这些数据的分析支撑着智能电网的可靠安全地运行，对这些数据的分析具有跨时代的意义。

1电力用户侧大数据特点

如何对电力用户侧大数据进行快速准确的分析，是当前电力电工系统面临的重要问题之一。各式各样传感器的普及及智能家电的使用，导致电力用户侧大数据分析的任务量加大。电力用户侧大数据的特点如下：

（1）数据量大。根据调查，美国的太平洋天然气电力公司，每个月要从900万个智能电表中抽取出3TB的数据资料，每年的数据存储量高达39TB。

（2）数据结构类型繁多。随着各类的数据传感器广泛应用，数据收集由原来的单一类型，变成了现在复杂的类型。数据的收集包括：各种结构化数据收集、半结构化数据收集、非结构化数据收集。这些数据经过采集、传输、存储、发展形成了多元化的数据结构。

（3）数据的交互性。数据的交互性是智能电网的一个重要特性。目前，基于信息化技术平台的云计算是解决大数据管理的重要技术支撑。

2电力用户侧大数据管理存在的问题

伴随着电力用户数量的急剧增长，电力用户的各种用电数据越来越庞杂繁复。应对电力用户发展趋势电力用户侧大数据分析及并行负荷预测的研究提上了日程。通过自主研发同时加强对国外先进技术的引进来促使我国电力数据分析与预测水平的提高与电力用户侧大数据管理存在的问题的解决显得越来越迫切。

2.1大数据整合问题

大数据整合存在的问题是由电力系统中的数据传感器造成的。在现在的电力网络中数据的整合一般使用的设备一般是是智能电能表。智能电能表在数据整合方面有自身的缺陷。之所以会造成缺陷是由于在电网智能化环境下，电能表接收的电力数据具有繁杂庞大、差异显著的特点，因此对这些数据的整合是很困难的。

2.2大数据可用性问题

在现今的电力网络运营系统中，大数据的可用性十分低。大数据的质量以及真实性受到的严重的破坏致使大数据的可用性十分低，电力系统、电力设备智能化的发展，致使电力数据的来源越来越广泛，收集渠道越来越繁杂，在这种情况下大数据的质量就很难得到保证，因此在渠道来源上一定要加以严格控制，确保通信渠道的质量。因质量过低或者失真的大数据应用到电力用户侧大数据分析及并行负荷预测中时会对电力信息的真实性造成严重不良影响。

2.3大数据储存问题

大数据整合、可用性、存储三方面的问题是并存的。一系列新型的电力设备的引进以及各种电力设备使用量的不断增加，对大数据的存储要求不断提升，传统的大数据储存格式已经不能适应通信网络智能化传感器复杂化条件下对储存格式的要求了。面对大数据储存问题的存在，应该加强对储存格式的创新研发。

2.4大数据分析技术问题

完成了大数据的整合、大数据可用性的鉴定、以及大数据的储存问题后，接下来面临的是大数据的技术分析问题。显然传统的大数据分析技术已经远远达不到电力用户侧向大数据发展的分析技术要求。传统的分析技术会对电力用户侧大数据分析及并行负荷预测的发展造成严重的阻碍。

3.数据挖掘在电力系统负荷预测中的应用

首先要对数据挖掘的概念进行简单的介绍，数据挖掘就是对电力系统数据进行科学合理的归类后然后选取具有不同信息功能的数据加以利用。经过对电力系统数据进行科学合理的分类后会得到各种类型的数据，通过分析不同类型数据之间的内在联系得出其中的一般规律，从而实现了数据的利用。

数据挖掘在电力系统负荷预测中的应用十分广泛。具体包括数据预处理、典型负荷预测模型、负荷模式分析等几方面的应用。数据预处理针对的是电力数据中的劣质信息进行的。对劣质信息进行预处理可以有效的提高电力信息的质量，从而为负荷预测起到了很好的保障作用。除此之外还有就是可以对电力系统负荷出现的不正常现象进行及时的预防。数据预处理是电力系统负荷预测不可避免的关键环节，具有重要意义。

典型负荷预测模型也是数据挖掘在电力系统负荷预测中的重要应用，该模型具有较高的专业性、准确性、高效性，是电力系统负荷预测中不可缺少的内容。相比较于传统的负荷预测方法有不可比拟的优越性。该模型的组成主要包括由气象总局发布的气象数据和负荷数据两部分。

4基于大数据的并行负荷预测

4.1电力负荷预测

预测常用的方法，主要有决策树、极限学习和遗传算法等。这几种短期负荷预测常见的方法存在不足。随着大数据的产生，这几种方法难以满足大数据统计的需求。像我们熟悉的云计算技术，在各个领域得到了广泛的应用，在外面的电力系统也可以用到。针对智能电网中负荷数据的一些特征，云计算技术，极限学习进行负荷预测，使其具有分布式能力和多Agent思想，提升了负荷预测算法预测准确率和速度。以上方法取得了相应的研究成果。

4.2并行处理

负荷、温度、风速等数据进行并行化分析，人们提出基于随机森林算法的并行负荷预测方法。利用随机森林算法进行并行化，可以大大地缩短负荷预测时间和提高随机森林算法对大数据的处理能力。通过数据集群和管理、数据管理和预测分类算法库等功能。针对大大小小的数据集进行负荷测试试验，并行化随机森林算法进行负荷预测试验。这种方法也是目前应用于负荷预测用的得比较多的一种方法。相比传统的计算方法，并行化随机森林算法的预测精度不管是在预测的精度，还是在预测的准确性也得到了明显的提高。对于庞大的电力用户测数据能够较好的进行了分析处理。可以结合智能负荷预测方法，较多的智能算法被引入并应用到负荷预测工作当中。这些智能负荷预测方法发展主要分为两个方面。一种是新型的数学方法的应用；另一种是从负荷原理上着手。从原理上改进这些负荷预测。面对庞大的电力用户数据分析也可以使用云计算来并行负荷预测。利用互联网知识，利用云端技术对于这些数据进行分析和处理，从而得出对于大数据库数据的分析。这样相对于传统的计算方法来的更快捷和方便，计算速度很快，数据的准确性也得到了提高。

5结语

本文主要是通过分析电力用户侧大数据的特征，提出了并行负荷预测的方法，主要是除了传统的计算方法，也可以结合随机森林算法来预测，利用现代化的云端技术对于这些数据的分析，对历史庞大的数据和现在智能化数据的分析。这三者并行化处理，可以得到负荷预测，对于我们电力系统的分析起了很大的作用。我们还要从很多方面来提高这种计算的准确性，以后是我们重点要研究的课题，也许面对将来更巨大的电力用户侧数据还需要更多更好的方法来计算。

参考文献

[1]黄庆仕，陈冬沣，肖建华.电力用户侧大数据分析与并行负荷预测研究[J].自动化应用，2016（11）.

[2]马坤隆.基于大数据的分布式短期负荷预测方法[D].湖南大学，2014.

[3]王德文，孙志伟.电力用户侧大数据分析与并行负荷预测[J].中国电机工程学报，2015（3）.