摘要：本文以德宏电网水电厂为例，首先介绍了该厂当前的运行现状以及项目的实施背景，并提出项目开发的总体目标。在大数据技术背景下，对低压台区负荷影响因素相关性分析，包括经济、时间、电价等，对负荷特性进行分析，最后分析了误差反向传播算法在负荷预测中的应用，力求提高发电厂负荷预测准确率。
关键词：大数据技术；负荷预测；负荷特性
引言：随着科学技术的不断发展，智能电网建设得到全面发展，在电力系统的运行、监控、管理中的数据量、类型逐渐多样，加大了管理难度。而负荷特性分析与预测能够为企业配电网规划、负荷调度提供依据，需要将大数据技术引入其中，使负荷的预测与分析更加精准、高效。
1.项目背景与目标
目前，德宏电网水电厂不断增加，单德宏电网下水电厂就有200多个，随着德宏地调的调管对象日益增多，电网运行状况也更加复杂。随着电网负荷峰谷差不断加大，其调峰调频日趋频繁，从而使承担主要调峰调频任务的水电机组运行工况更加恶劣，水电机组稳定运行面临新的考验。各类电源尤其是水力发电机组的健康稳定运行水平，对德宏电网稳定运行的影响力进一步提升。现阶段，德宏地区汛期窝电现象严重，德宏供电局负荷预测准确率在南网调度工作评价中排名一直不够理想。
本项目研究基于大数据技术的发电计划编制和负荷预测优化方法及基于移动技术调度数据监控管理系统的开发，实现以下目标：
（1）研究大数据分析算法在发电厂负荷预测中的应用；
（2）建设一套德宏调度数据统计分析系统：调度日报、跳闸记录统计、发电量统计、弃水电量统计、负荷统计、机组非停统计等；
（3）移动管理APP的开发包括：报表统计、业务联系、日常收发文处理、在线问题咨询、调度人员管理信息披露等功能。并与数据分析系统相连接；
（4）大数据分析的研究：建设居于大数据分析模块，并通过接口与小电管理技术支持系统数据对比分析。水调管理关键指标统计分析，减少复杂而重复的数据统计。基于大数据技术的发电厂负荷预测研究，实现发电厂负荷预测、发电量预测，提高发电厂负荷预测准确率。
2.台区负荷影响因素相关性分析
对台区负荷产生影响的因素众多，不但要对影响因素的作用趋势进行定性分析，还要对作用程度进行定量分析，从而对负荷的变化情况进行分析，分清主次。对电力负荷趋势产生影响的因素主要有以下几种：
（1）经济因素：GDP、人均收入等不但能够反映该地区的经济状况，同时也可对居民用电水平产生直接影响，通过对台区负荷趋势的影响，进而干扰到中长期负荷预测；
（2）时间因素：不同季节日照、白昼、温度变化不尽相同，这些都将影响台区的负荷。由于人们生活与工作交替进行，台区负荷也具有一定的周期性；法定节假日具有旅游、休息等，因此负荷与平时相比较低；
（3）电价因素：在电力市场中，电价呈现出动态变化，目前分时电价与阶梯电价已经开始实施，与台区负荷之间也存在着紧密关联。
为了对台区负荷进行深入分析，可采用相关分析法进行定量分析，将两个对等数列，通过数学计算的方式将二者间的变动关系体现出来。例如，对要素X与要素Y进行分析，如若样本值为Xi与Yi均有（i＝1，2，……，n），则二者间的相关系数表达式为：
式中，R代表相关系数；D（x）代表要素x的均方差；D（y）代表要素y的均方差，相关系数r的取值范围在-1到1之间。假设r的数值大于0，则意味着两要素为正比例关系；若r的数值小于0，则表示二者为反比例关系；当r的数值越接近1，表示要素x与要素y的线性关系越强；如若r数值越接近0，说明二者的线性关系越弱[1]。通常情况下：
当 的取值范围在0到1之间时，说明x与y具有相关关系；
当 大等于0.7时，说明x与y高度相关；
当 的取值范围在0.4到0.7之间时，说明x与y具有显著性相关；
当 小于0.4时，x与y属于弱相关。
3.BP神经网络算法在负荷预测中的应用
3.1BP算法
BP算法主要包括两个方面，一是正向传播，即输入数经过输入层与隐含层的处理后，得出输出结果；二是反向修正过程，将期望值与输出值对比，利用误差反向传播的方式，对各层的权重值进行修正，以此来减少误差值。具体运算步骤为：
（1）全部权值与阈值设置在（0，1）之间随机选取；
（2）构建训练样本集，包括期望输出T、输入向量P；
（3）对隐藏层与输出层进行计算；
（4）求取输出与期望输出间的误差值；
（5）对权值与阈值进行修正，BP网络分为有师和无师两种，自学习模型为：
式中，h代表的是学习速率；a代表的是动量因子；D（n）代表的是第n次迭代的输出误差。
（6）循环到上述第2步，直至误差与规定相符合。
在基础三层BP神经网络结构中，主要包括输入层、隐含层、输出层三种，当数据被输入后，经过另外两个层次的处理后，便可得出最终的输出结果。但是，此种方式在解决非线性优化过程中存在一定的局限性，主要体现在自学缓慢、过度训练等，需要对其进行优化后再应用。
3.2BP算法的优化
BP算法在应用到负荷预测之前需要对该算法进行优化和修正，具体措施如下：
（1）学习因子优化
学习因子对算法运算效率、学习效率具有直接影响，需要在学习中不断对因子进行优化，从而提高运算速度、缩短迭代时间，本文采用的是变步长法，计算公式为：
式中，h代表学习因子；a代表的是调整步长，取值范围一般在0—1之间；
（2）隐藏层节点数优化
节点个数的设置将影响到神经网络算法效率与性能，如若隐藏的节点数量过多，则会导致神经网络结构复杂，计算速度自然减慢；如若节点数量过少，又会影响到容错能力，因此最佳节点数量计算公式如下：
式中，m代表的是节点数量；n代表的是输入节点数量，在计算后将数值取整[2]；
（3）BP样本数据优化
本文将输入变量选定为日期类型、日最高温度、日最低温度、日平均温度、前一天负荷，明确的样本数据能够减少训练次数，提高预测精度。在样本训练时最好选择待预测日负荷距离较近日期作为样本。
3.3BP网络负荷预测模型
要想对未来一周的日最大负荷、日平均负荷进行预测，需要构建5个神经网络，每个网络中具有5个输入节点、1个输出节点、4个隐含节点，在神经网络预测下，首先，将历史数据输入，然后进行数据处理，将天气情况、温度、日期等进行量化，对处理后的节点进行分析，使其生成多个类别，最后逐一计算预测日影响因素指标，计算公式为：
式中，Xik代表的是预测日特性指标向量； 代表的是聚类中心特性指标向量，将最短的类别作为预测日类别，并选择该类别中的样本为训练样本，构建BP神经网络，进行训练。在训练完毕后，将预测矩阵输入到训练后的神经网络中即可完成全部预测工作[3]。
结论：综上所述，本文采用神经网络算法，通过相似距离筛选获得预测日接近的类别，并将该类别作为训练样本进行BP神经网络训练，以此来提高算法的运算效率，进而提高预测的精准度，促进电厂的健康可持续发展。
参考文献：
[1]程潜善，方华亮.一种应用大数据技术的中长期负荷预测方法[J].武汉大学学报（工学版），2017，50（02）：81-86.
[2]王鸿玺，李飞，李翀，等.基于大数据分析的混沌神经网络模型在负荷预测中的应用[J].贵州电力技术，2017，20（8）：1-5.
[3]张晔.大数据技术在电力负荷预测中的应用研究[J].中国高新科技，2017，1（7）：76-78.
作者简介：
李相勇，1986年11月4日，土家族，男，湖北利川，大学本科，工程师，发电调度
刘珺斓，1982年2月20日，汉族，女，云南个旧，大学本科，工程师，电网运行方式
刘志国，1977年6月25日，白族，男，云南洱源，大学本科，工程师，调度中心电网运行
论文作者:李相勇,刘珺斓,刘志国
论文发表刊物:《电力设备》2018年第29期
论文发表时间:2019/3/29
标签：负荷论文; 的是论文; 神经网络论文; 节点论文; 数据论文; 算法论文; 电网论文; 《电力设备》2018年第29期论文;