国网山西省电力公司晋中供电公司 山西 晋中030600
摘要：本文针对某县域电网系统负荷特性分析主要针对玛钢产业密集型县域，通过建立大数据模型对玛钢产业密集型县域电力负荷特性分析和预测，例如负荷曲线数据、电量数据、煤改电负荷数据等等。并且通过不断调整模型对影响电力负荷特性分析和预测特性的主要因素进行分析，最后尽可能提高负荷预测的精准度才可以保障预测方法的准确性，进一步保证电力的正常供应。
关键词：大数据算法、数据模型、电力负荷
0引言
电力无线专网是建设泛在电力物联网必备的基础设施，无线专网建设在未来泛在物联网的通信网络中表现为无处不在、无时不有。对于电力无线专网的建设，需要遵循以下几点要求：一要充分利用已有的工业无线物联网技术，与现有的有线电力监控标准兼容互通；二要积极参与标准制定工作，争取标准制定权，尽快建立国家电网的无线物联网标准体系；三是积极开展相关产品研发，提前布局，促进相关技术快速发展。
1电网负荷的特性分析
电力负荷系统所指的概念是连接电力系统的所有用电设备的功率的总和。电力系统是一个时变的系统，只有对电力系统时刻进行监控和管理，保证发电、供电和用电过程中的动态平衡，才可以保证生产生活的顺利进行，也一定程度上避免了系统故障所带来的损失。因此就需要对电力系统的负荷特性做出分析，负荷分析所得的结果对电力系统企业有着很重大的参考意义和指导意义，可以进一步掌握电力系统的供求关系以及变化趋势，只有及时的掌握这些信息才可以改善负荷特性并进一步采取措施。
2前期调研和数据收集
通过走访太谷县玛钢生产企业以及通过电局相关部门了解，调查并收集近三年太供供电单位及玛钢产业的负荷曲线数据、电量数据、煤改电负荷数据、煤炭市场价格波动数据及环保指标数据。
收集数据完成之后根据不同的数据类型、不同台区等进行分类并通过制作的固定模版进行数据整理。每月负荷数据收集模板：
经过数据分类和预清洗之后统计出：共收集电量数据1152条，负荷数据2352条。
3负荷预测技术的使用
电力系统的负荷预测即寻找电力负荷与各种相关因素之间的内在联系，并通过这种调查对未来的电力负荷进行科学的预测。并且，只有通过合理有效科学的预测，才可以很好地掌握好电力负荷的特点，并及时对电力负荷的特性进行了解掌握，一定程度上提高电力负荷的预测精准度。对电力系统的负荷预测的技术目前有很多，例如趋势外推技术、回归模型预测技术、时间序列预测技术、灰色预测技术等等。就针对玛钢产业密集型县域范围内而言，本文将特别谈谈中长期负荷预测技术。
4中长期负荷预测
针对中长期负荷预测，采用空间负荷预测法进行某县供电单位及玛钢产业远期负荷预测。具体运用基于多级聚类分析和支持向量机的空间负荷预测方法，首先以等大小网格划分供电区域生成元胞，然后建立元胞属性集合，并依次根据元胞属性进行多级聚类分析，采用改进的k-均值算法来解决聚类中心初始值和聚类数目的选择问题；最后对不同类型的元胞分别建立相应的支持向量机学习预测模型，以此体现元胞负荷与相关属性之间的映射关系。
该方法根据元胞负荷与元胞多个属性之间的相关联系，通过多级聚类分析实现元胞的分级聚类，运用支持向量机方法建立分别对应于不同类型元胞的学习模型，经遗传算法寻优后用于预测目标年各元胞负荷最大值。其实质就是把所有元胞按属性精细分类，并对每类元胞分别建立预测模型，实现对各类元胞的最佳预测。
最后，利用用户均用电法、类比法对玛钢企业中、远期负荷进行校核修正，进一步提升玛钢企业电力需求预测准确性。
该方法的预测流程图如图1所示。
图1基于MCA-SVM的SLF方法流程图
首先将所生成元胞记作C(i,j),i和j分别表示元胞位置在第i列和第j行，则C(i,j)的年负荷最大值可表示为Pij,max(X1,X2,X3,tk)（其中X1，X2和X3为元胞的各属性；tk为年份，tk≤t0表示历史年份，tk＞t0表示待预测年份）；然后根据X1，X2和X3对所有元胞进行聚类分析，形成I，II，III层级，多级聚类结果即为III层级的元胞分类；其次对III层级中不同类的元胞分别进行样本训练，经参数优化后建立一组对应的SVM预测模型；最后将待预测元胞的相关属性输入对应的预测模型中，求取元胞负荷预测值。
5结论分析
通过算法模型对数据的进一步处理并得出一个初步结论，但这并不足以证明结论的准确性和真实性，所以就需要运用结论分析手段对结论进行进一步的论证，保证分析和预测的准确性。结论分析运用到以下分析手段：
因子分析：一种旨在寻找隐藏在多变量数据中、无法直接观察到却影响或支配可测变量的潜在因子、并估计潜在因子对可测变量的影响程度以及潜在因子之间的相关性的一种多元统计分析方法
与主成分分析比较：
相同：都能够起到済理多个原始变量内在结构关系的作用
不同：主成分分析重在综合原始变适的信息.而因子分析重在解释原始变量间的关系，是比主成分分析更深入的一种多元统计方法
时间序列分析：动态数据处理的统计方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题；时间序列通常由4种要素组成：趋势、季节变动、循环波动和不规则波动。
主要方法：移动平均滤波与指数平滑法、ARIMA横型、量ARIMA横型、ARIMAX模型、向呈自回归横型、ARCH族模型
主成分分析：将彼此相关的一组指标变适转化为彼此独立的一组新的指标变量，并用其中较少的几个新指标变量就能综合反应原多个指标变量中所包含的主要信息 。
典型相关分析：相关分析一般分析两个变里之间的关系，而典型相关分析是分析两组变里之间相关性的一种统计分析方法。
典型相关分析的基本思想和主成分分析的基本思想相似，它将一组变量与另一组变量之间单变量的多重线性相关性研究转化为对少数几对综合变量之间的简单线性相关性的研究，并且这少数几对变量所包含的线性相关性的信息几乎覆盖了原变量组所包含的全部相应信息。
6结束语
针对玛钢密集型县域电网系统的负荷特性分析预测可以为县域配电系统运行提出强有力的支撑，本文从大数据算法模型及结论分析手段出发，就玛钢密集型县域范围的电网系统进行分析，对影响负荷特性的主要因素展开一一分析，分析结论在一定程度上提高负荷预测精准度，从而有助于电网系统的稳定健康发展。
论文作者:韩照亚、曹琼、李昊阳、候鹏飞、韩照晶
论文发表刊物:《科技新时代》2019年10期
论文发表时间:2019/12/6
标签：负荷论文; 数据论文; 电力论文; 变量论文; 模型论文; 特性论文; 方法论文; 《科技新时代》2019年10期论文;