摘要：在对大数据技术展开分析的基础上，本文结合电力项目实际情况，对大数据技术在电力负荷预测中的应用方法进行了探讨，提出了大数据技术应用方案和电力负荷预测功能架构，对电力负荷预测模型和流程进行了分析，为关注这一话题的人们提供参考。
关键词：大数据技术；电力负荷预测；发电计划
引言：在电力大数据管理方面，需要通过电力负荷预测实现电力资源高效利用，从而使用电服务质量得到保证。得到准确电力负荷预测结果，能够制定科学发电计划，实现电力资源有效调度，保证用电系统安全。而面对海量电力数据信息，需要加强大数据技术的应用，才能实现电力负荷科学预测，满足电网安全稳定运行要求。
1大数据技术概述
所谓的大数据技术，其实就是针对大量数据展开分析的一种技术体系，需要对数据融合、挖掘和分析等系列算法进行运用，以便从海量数据信息中完成有价值信息的抽取，为决策制定提供科学依据。现阶段，大数据技术在发电、输电等多个领域得到了广泛运用。而常用的大数据技术包含统计分析、关联分析、聚类分析等。采用统计分析技术，能够完成数据基础搜集、整理和分析，确定数据内在规律，使数据整体数量特征得到反映[1]。采用关联分析技术，可以通过挖掘数据内在关联确定数据发展规律，在数据挖掘领域得到了广泛应用。采用聚类分析技术，能够根据数据密度、层次等不同特征进行类型划分，然后对数据规律进行挖掘。实际在应用大数据技术时，需要结合数据分析需求进行适合方法的选用。
2大数据技术在电力负荷预测中的实践应用
2.1项目概况
德宏电网下属水电厂数量达200多，拥有诸多调管对象，运行状况复杂。伴随着电网负荷峰谷差增加，调峰调频日趋频繁，给负责调峰任务的水电机组带来了较大运行压力。目前，德宏地区汛期窝电现象严重，为加强水情预测，实现电网优化调度，建设了水调自动化系统，对200多座电站水情信息进行采集、监视，提供发电计划管理等功能。实际预测中短期水情时，需要加强多座电站数据信息及现有小水电管理系统数据分析比较，实现电力负荷准确预测，才能根据用户需求实现发电计划优化，满足电力调度要求。采用大数据技术进行电力负荷预测，能够实现德宏电网现有负荷预测方法的优化，为电力调度数据监控管理系统的开发提供支持。
2.2大数据技术应用方案
在实际应用大数据技术时，需要采用大数据技术完成电力负荷预测模型的建立，对系统采集的各种数据信息进行分析，包含电站发电量、弃水电量、电力调度数据、电力负荷、跳闸次数等。通过采用数据挖掘预测算法，能够实现电力需求峰谷预测、电力负荷预测等各种预测功能，从而实现发电计划的科学编制。考虑到电力调度工作需求，需要完成移动管理APP的开发，通过与大数据分析系统连接开展业务联系、报表统计、报文收发等工作。利用大数据分析模块实现与小水电管理技术支持系统连接，可以通过数据对比完成水调管理关键指标数据分析，实现电站发电量的预测，促使电力负荷预测准确率得到提高。
2.3电力负荷预测功能架构
从电力负荷预测功能架构上来看，大数据分析系统由显示层、系统服务层和数据采集层构成。其中，显示层为系统功能调用界面，能够提供数据采集、模型管理、负荷预测、有序用电等数据查询、显示和管理功能。系统数据采集层能够为电力负荷预测分析提供数据支撑，能够对采集系统接口进行调用，从中完成有用数据的抽取，存储到系统业务数据库中用于负荷分析与预测[2]。在数据存储过程中，主要将电力数据划分为电网数据、客服数据、营销数据和设备数据四大类，能够借助数据交换平台实现电力大数据的综合过滤和应用，抽取电力负荷预测需要的数据。系统服务层用于实现数据分析，能够结合大数据分析结果完成电力负荷模型的建立，对电力调度情况进行监控。作为系统核心组成部分，服务层包含各种数据管理工具，能够实现不同类型数据的预处理，并采用系列数据挖掘技术进行各种数据的分析，完成电力负荷、电力需求等相关内容预测，为发电计划的制定提供科学数据依据。
2.4电力负荷预测模型
在电力负荷预测功能实现时，关键在于完成电力负荷预测模型的建立。电力大数据分布较广，带有地域性特点，同时受多种因素影响，所以负荷发展规律带有多元化特征。针对这一情况，采用大数据挖掘算法需要完成不同电力负荷数据分区，对不同区域客户用电规律进行挖掘。采用聚类分析算法，能够对不同负荷类型进行区分，实现拥有相同变化规律的负荷归类，然后对分区内电站运行情况、水情等影响因子展开关联性分析[3]。结合区域用电结构，可以综合不同负荷预测模型，实现电力负荷准确预测。实际在大数据技术应用时，需要采用K均值聚类算法，将给定数据集分为K类，利用隶属度wij对不同数据相似度进行表示，满足wij∈[0，1]，得到最小目标函数，如式（1）。式中，dij指的是数据簇类中心距离，m则是模糊权重因子。
2.5电力大数据预测流程
通过对各种电力数据源进行整合，并对多种数据预测算法进行集成应用，系统能够对电力数据特征进行提取，从而实现电力负荷的科学预测。在实际进行电力负荷预测时，系统将根据预测内容进行数据源选择，然后完成数据预处理。将得到的数据输入到训练集和测试集中，完成预测算法的选择，可以建立相应预测模型。通过对测试集数据进行分析，可以对各种模型结果进行综合，得到最终电力负荷预测结果。实际在对电力需求量进行预测时，需要选择电力营销数据，确定客户用电需求峰谷值。对电力需求进行预测，需要对电力营销数据和电力客服数据展开综合分析。对电力生产危险进行预测，需要对电网建设数据展开分析。对电力负荷进行预测，需要对电站发电量、电力需求量等进行综合分析。根据弃水电量和电力负荷预测结果等各种数据信息，能够实现电力调度数据综合分析，制定科学发电计划，加强水电机组运行管理，实现科学调峰调频管理。采取该种措施，能够实现弃水电量的充分利用，减少汛期窝电现象的发生，同时使用电高峰的供电压力得到减轻，因此能够为电网的稳定运行提供保障。
结论：采用上述方法实现电力负荷预测，预测值和实际值的误差率能够控制在2.2%以内，为电力调度计划的制定提供科学数据依据。而在电力负荷数据量不断增长的情况下，想要提高电力数据处理效率，实现电力负荷准确预测分析，势必要加强大数据技术的应用。因此，相信伴随着电力资源的不断增长，大数据技术在电力负荷预测方面将获得较好应用前景。
参考文献：
[1]刘南艳，贺敏，赵建文.基于大数据平台的电力负荷预测[J].现代电子技术，2018，41（20）：153-156.
[2]夏博，杨超，郑凯文.大数据平台下的电力负荷预测系统设计与实现[J].自动化仪表，2018，39（06）：81-84.
[3]张淑清，任爽，陈荣飞等.基于大数据简约及PCA改进RBF网络的短期电力负荷预测[J].计量学报，2018，39（03）：392-396.
作者简介：
刘志钢，1983年3月20日，汉族，男，吉林桦甸，本科，工程师，电力调度。
论文作者:刘志钢
论文发表刊物:《电力设备》2018年第29期
论文发表时间:2019/3/27
标签：电力论文; 数据论文; 负荷论文; 技术论文; 电网论文; 系统论文; 模型论文; 《电力设备》2018年第29期论文;