（广东电网有限责任公司惠州供电局 516003）
摘要：我国的经济社会不断发展，科学技术水平不断提升。网络信息技术是现代化技术的代表，随着网络信息技术应用范围的不断扩大，海量数据产生，人们进入到了大数据的时代之中。海量数据为电力负荷短期预测分析提供了新方法，建立数据模型进行分析，可以提高电力负荷预测的水平。本文将具体探讨基于海量数据下的电力负荷短期预测问题，希望能为相关人士提供一些参考。
关键词：海量数据；电力负荷；短期预测
引言：进入新世纪以来，我国的社会主义市场经济持续繁荣，电力行业迎来了前所未有的发展机遇和挑战。在电力系统中，电力负荷预测具有重要作用，只有提高电力负荷的预测水平，才能对电力系统进行科学规划，保证电力系统的正常运转。在大数据时代背景下，传统的电力负荷预测方法已经不能满足社会需要，建立数学模型对电力负荷进行精准预测势在必行。
1基于海量数据下的电力负荷短期预测的必要性
1.1传统电力负荷短期预测的局限
我国的电力行业不断发展，为了向社会提供充足的电力，必须进行电力负荷短期预测，得出精确的计算结果。我国的现代技术突飞猛进，一定程度上优化了传统的电力负荷短期预测方法[1]。从整体来上来，我国的负荷预测理论不断更新，实现了和国际理论的接轨。在进行电力负荷短期预测的过程中，可以采用序列方法、模型分析方法、向量方法等等。但是传统方法都带有不可避免的局限性：第一，传统电力负荷短期预测方法会在应用的过程中出现过拟合问题。第二，传统的电力负荷短期预测方法获取结果的速度比较慢，而且对历史数据的敏感程度较低。第三，传统的电力负荷短期预测方法受外界环境要素影响较大，一旦出现恶劣天气，预测结果就会出现变化。第四，传统的电力负荷短期预测方法对变量之间的数量关系描述不清，经常会出现数据遗漏问题。
1.2以海量数据为基础的电力负荷短期预测方法优势
随着网络信息技术的不断普及，海量数据出现，并呈现出信息爆炸的趋势。电力行业需要满足社会生产生活的用电需求，因此在工作中需要对大量数据进行分析处理。在这种背景下，传统的电力负荷短期预测方法已经失去了实效性，只有采用新型计算方法，才能迎合电力行业的发展要求。与传统的预测方法相比，数据模型分析方法具有以下几种优势：第一，新型的电力负荷短期预测方法精确度比较高，得出的预测结果稳定性相对较好。第二，新型的电力负荷短期预测方法运算时间比较短，可以实现对海量数据的快速处理[2]。
2基于海量数据下的电力负荷短期预测方法概述
2.1建立数学模型
首先，在海量数据的背景下，采用新型的电力负荷短期预测方法，应该建立数学分析模型。根据电力行业数据的特点，可以形成线性回归模型，并建立回归曲线，对回归曲线进行分析。每一段回归曲线上有不同的数据，数据整体呈现出上升或下移的趋势，根据数据特征，可以对数据变化规律进行总结。在对数据点进行分析的过程中，可以采用邻近算法，计算数据点和其他数据的距离之和，判断数据点和其他数据的相互关系。在计算的过程中，经常用集合来表示预测点的相关数据集合，并应用邻近距离公式，对数据点距离进行计算。在数学模型的建构中，需要应用大量的数学计算方法，一般来说，常用的方法有梯度下降方法、加权线性回归算法等等。
才初步构建模型之后，应该明确模型中的各个参数。以系统结构为例，为了方便对数据模型进行分析，应该形成数据系统。传统电力负荷短期预测方法之所以存在缺陷，是因为无法对海量数据进行计算，因此在采用新型电力负荷短期预测方法时，应该采用云计算技术，扩大数据系统的储存空间。为了对海量数据进行集中处理，可以采用MapReduce的编程模式，先对局部进行编程，然后对系统总体进行编程。具体来说，MapReduce包括以下的几个编程阶段：第一个阶段是Map阶段，第二个阶段是整合阶段，第三个阶段是Reduce阶段[3]。不同阶段有不同的数据，可以通过数据节点进行转换。在第一个阶段中，需要做到以下几点：应该对输入的数据进行集中分析，并按照类型划分为不同的子集，如Key和Value。Key中应该记录着数据点的位置，而Value记录着数据点的标准坐标。根据这两个参数，可以在模型分析中，计算数据点到其他数据的距离。在第二个阶段中，需要做到以下几点：不同的数据具有相似之处，在对数据进行分析之后，要把同一类型的数据进行整合，并形成一个新的数据单元。在第三个阶段中，需要做到以下几点：形成数据单元之后，要根据数据点的坐标值，计算数据距离，并根据混合高斯模型计算出加权值，把计算结果上传到总系统之中。
在对海量数据进行分析之前，首先要做到数据收集工作。电力行业中有大量信息，这些数据信息的采集难度比较大，因此应该形成不同的设备信息计量点，并在每个点上设置数据的采集中心，通过网络传送到通信管理机中。在电力系统中，信息数据可以被分为机械设备信息、电能信息、能源信息等等，为了对不同类型的信息进行集中处理，应该架构数据采集网络，如图1所示。
电力系统会在外界环境的影响下受到运行阻碍，数据也会在外界环境的影响下出现问题。为了对结构破坏的数据进行分析，可以采用最大熵算法。我国引入最大熵算法的时间并不长，在构建算法模型的过程中，应该提供训练样本，形成约束模型。除了对数据采用最大熵算法之外，还可以采用枚举型数据方法，对数据距离进行科学计算[4]。
2.2进行负荷预测
其次，在海量数据的背景下，采用新型的电力负荷短期预测方法，应该进行负荷预测的估算。虽然新型的电力负荷短期预测方法精确度较高，其实际结果和预测结果仍然会呈现处较大的差异。对差异原因进行分析，可以发现主要由以下几个要素导致的：第一是数学模型的构建漏洞。第二是数据的不可靠性。第三是参数获取的不足。
为了最大化缩小预算结果和实际结果的差值，应该采集负荷数据和天气数据，并建立回归方程，判断电力负荷和外界环境的关系。影响电力负荷的要素除了自然环境外，还有节假日等等，此时要采用线性回归算法，计算关联强度，保障预测值的精确性[5]。
结论：综上所述，为了保障电力系统的正常运转，必须在海量数据的背景下，提高电力负荷短期预测水平。
参考文献：
[1]刘映,翟明岳,刘永笑,刑林敏. 一种改进的基于分形插值和小波分析的电力负荷短期预测方法[J]. 电网技术,2013,01:276-280.
[2]金鑫,李龙威,季佳男,李祉歧,胡宇,赵永彬. 基于大数据和优化神经网络短期电力负荷预测[J]. 通信学报,2016,S1:36-42.
[3]高庆敏,孟繁为,王利平,蔡宇飞. 智能电网中电力负荷短期预测数据挖掘模型[J]. 华北水利水电学院学报,2011,03:43-45.
[4]杨文佳,张国维. 基于负荷频谱分析的电力系统短期负荷预测[J]. 陕西电力,2014,11:56-60.
[5]包晓晖,陈冲,肖方顺. 一种基于聚类分析的短期电力负荷预测方法研究[J]. 浙江水利水电学院学报,2015,03:73-76+89.
论文作者:邓星野
论文发表刊物:《电力设备》2017年第6期
论文发表时间:2017/6/13
标签：数据论文; 负荷论文; 电力论文; 方法论文; 海量论文; 进行分析论文; 阶段论文; 《电力设备》2017年第6期论文;