丁 曉， 孫 虹， 鄭海雁，季 聰， 徐金玲， 仲春林， 熊 政

( 1． 國網(wǎng)江蘇省電力有限公司，江蘇 南京 210024 ；2． 江蘇方天電力技術(shù)有限公司，江蘇 南京 211102； 3． 國網(wǎng)江蘇省電力有限公司電力科學(xué)研究院，江蘇 南京 211103)

0 引言

隨著配電網(wǎng)信息化建設(shè)的推進(jìn)，配電網(wǎng)在日常運(yùn)行中產(chǎn)生了大量的配用電數(shù)據(jù)，但一直以來這些數(shù)據(jù)并未得到充分的挖掘和有效的利用。如今電改政策試點(diǎn)、售電側(cè)放開對電力客戶服務(wù)提出了更高的要求，電力行業(yè)市場化進(jìn)程的深入也對電力負(fù)荷預(yù)測提出了更高的要求。目前，國內(nèi)外專家和學(xué)者已經(jīng)在大數(shù)據(jù)負(fù)荷預(yù)測領(lǐng)域展開了研究工作，也取得了一些成果。文獻(xiàn)[1-3]對配用電大數(shù)據(jù)背景下用電預(yù)測場景進(jìn)行了研究和分析，認(rèn)為用電預(yù)測是配用電大數(shù)據(jù)的關(guān)鍵技術(shù)和重要應(yīng)用之一。文獻(xiàn)[4]提出了一種基于并行隨機(jī)森林的大數(shù)據(jù)負(fù)荷預(yù)測方法，取得了比決策樹更高的預(yù)測精度。文獻(xiàn)[5]將局部加權(quán)線性回歸預(yù)測算法和云計算Map/Reduce模型相結(jié)合，用于開展短期電力負(fù)荷預(yù)測研究。文獻(xiàn)[6]提出了基于用戶的電網(wǎng)負(fù)荷預(yù)測方案，將大數(shù)據(jù)技術(shù)引入到負(fù)荷預(yù)測。文獻(xiàn)[7]采用基于大數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)算法將發(fā)電預(yù)測精度提高到接近99%。

江蘇居住區(qū)配電一體化系統(tǒng)的全面建成、用電信息采集系統(tǒng)(下稱“用采系統(tǒng)”)的全面覆蓋，積累了自2009年以來全省47萬配變、26萬專變、3700萬用戶的負(fù)荷和電量數(shù)據(jù)，營銷系統(tǒng)保存著自2009年以來全省26萬大用戶的業(yè)擴(kuò)報裝、增容、減容數(shù)據(jù)，江蘇省電力公司氣象信息系統(tǒng)積累了自2006年以來全省13地市71個氣象站的10 min/點(diǎn)溫度、濕度、雨量、風(fēng)速等氣象數(shù)據(jù)，上述數(shù)據(jù)總量已累計達(dá)到180 TB，且仍然在以每日30 GB的速度快速增長。如何充分利用這些數(shù)據(jù)資源，挖掘負(fù)荷、電量、業(yè)擴(kuò)、氣象、經(jīng)濟(jì)等因素的關(guān)系，建立更加精準(zhǔn)的負(fù)荷和電量影響模型，提高短期負(fù)荷預(yù)測的精確度，是本文的重點(diǎn)研究內(nèi)容。

本文分析了大數(shù)據(jù)負(fù)荷預(yù)測方法的優(yōu)勢，介紹了配用電大數(shù)據(jù)的清洗方法，構(gòu)建了多維負(fù)荷和電量模型，實現(xiàn)了基于配用電大數(shù)據(jù)的短期負(fù)荷預(yù)測方法，并且結(jié)合實際計算結(jié)果，驗證了方法的準(zhǔn)確性。

1 大數(shù)據(jù)負(fù)荷預(yù)測方法的優(yōu)勢

傳統(tǒng)負(fù)荷預(yù)測方法大致可以分為統(tǒng)計算法和智能算法，統(tǒng)計算法包括時間序列模型、決策樹、回歸算法、隨機(jī)森林等，智能算法包括人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、貝葉斯理論等基本算法及其改進(jìn)算法，目前組合預(yù)測算法也受到了業(yè)界的青睞和關(guān)注[8-9]。但上述方法由于建模時選取的樣本較小，歷史數(shù)據(jù)的選取直接影響負(fù)荷預(yù)測的效果。大數(shù)據(jù)負(fù)荷預(yù)測方法存在以下3點(diǎn)優(yōu)勢。

(1) 考慮的影響因素更全。影響負(fù)荷走勢的因素眾多，主要包括兩大類型：用戶用電行為中體現(xiàn)的隨機(jī)性，以及外部氣象因素和節(jié)假日的影響[10-11]。大數(shù)據(jù)負(fù)荷預(yù)測方法掌握著全面的用電行為數(shù)據(jù)和外部氣象數(shù)據(jù)，可以通過聚類分析挖掘用戶用電行為模式，對不同類型的用戶用電行為特征進(jìn)行詳細(xì)的分析，可以通過相關(guān)性分析挖掘負(fù)荷走勢受氣象因素影響程度。

(2) 數(shù)據(jù)的時間跨度更長。大數(shù)據(jù)負(fù)荷預(yù)測方法選取了時間跨度更長的歷史數(shù)據(jù)，用于發(fā)現(xiàn)負(fù)荷數(shù)據(jù)隨月、季、年周期發(fā)生的變化規(guī)律，與選取相似日[12]負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測的一些傳統(tǒng)方法相比，不存在相似日選取不當(dāng)而造成預(yù)測誤差較大的問題。

(3) 數(shù)據(jù)的空間粒度更細(xì)。大數(shù)據(jù)負(fù)荷預(yù)測方法所采用的負(fù)荷數(shù)據(jù)粒度可以細(xì)化到地區(qū)、行業(yè)、變壓器、線路、臺區(qū)、用戶等各個級別，而由于江蘇地域廣闊，存在溫度差異(南北最高溫差可達(dá)20 ℃)，行業(yè)負(fù)荷特征明顯，因此本文的大數(shù)據(jù)負(fù)荷預(yù)測方法采用分地區(qū)、行業(yè)預(yù)測再按比例疊加的思路。這種方法能夠考慮不同行業(yè)的負(fù)荷特性、不同地區(qū)的溫度差異，而且也便于對預(yù)測結(jié)果進(jìn)行成分分析和誤差追蹤。

2 數(shù)據(jù)源建設(shè)

江蘇電力大數(shù)據(jù)平臺以營配集成、用電信息采集、省地縣一體化電量系統(tǒng)為基礎(chǔ)，結(jié)合外部氣象和經(jīng)濟(jì)數(shù)據(jù)，建成了江蘇配用電大數(shù)據(jù)中心，為江蘇配用電大數(shù)據(jù)分析工作提供了豐富的數(shù)據(jù)資源。

2.1 配用電大數(shù)據(jù)的來源與分類

配用電大數(shù)據(jù)中心的數(shù)據(jù)體系架構(gòu)如圖1所示。

圖1 配用電大數(shù)據(jù)中心的數(shù)據(jù)體系架構(gòu)Fig.1 Structure of distribution and consumption big datacenter

數(shù)據(jù)主要來源于營配集成、用電信息采集系統(tǒng)、調(diào)度省地縣一體化電量系統(tǒng)，以及外部的氣象數(shù)據(jù)和宏觀經(jīng)濟(jì)數(shù)據(jù)。

(1) 營配集成數(shù)據(jù)。全省3596萬居民用戶檔案信息、47萬配變及其與用戶的戶變關(guān)系、配網(wǎng)相關(guān)低壓線路檔案信息、電力生產(chǎn)管理系統(tǒng)(power production management system, PMS)和地理信息系統(tǒng)(geographic information system，GIS)數(shù)據(jù)。

(2) 用采系統(tǒng)數(shù)據(jù)。全省3596萬居民用戶、26萬負(fù)控用戶自2009年以來的負(fù)荷和電量數(shù)據(jù)。

(3) 調(diào)度省地縣一體化電量系統(tǒng)數(shù)據(jù)。自2005年以來全省約2500個廠站的超過40 000只電表的上下網(wǎng)電量數(shù)據(jù)和關(guān)口計量數(shù)據(jù)。

(4) 外部數(shù)據(jù)。自2006年以來全省13地市71個氣象站10 min/點(diǎn)的溫度、濕度、雨量、風(fēng)速等氣象數(shù)據(jù)，以及江蘇13地市54縣的宏觀經(jīng)濟(jì)數(shù)據(jù)。

2.2 配用電大數(shù)據(jù)的預(yù)處理

從大數(shù)據(jù)平臺目前集成的所有數(shù)據(jù)類型來看，“臟數(shù)據(jù)”主要有3種大類型，11個小類，如表1所示。

表1 “臟數(shù)據(jù)”類型Tab.1 Type of dirty data

數(shù)據(jù)異常從某種程度上來說，與數(shù)據(jù)缺失的結(jié)果是類似的，因此針對需預(yù)處理的3種數(shù)據(jù)類型，分別提出了兩種不同的數(shù)據(jù)清洗方法。

2.2.1 數(shù)據(jù)缺失/異常的清洗方法

數(shù)據(jù)缺失/異常的清洗主要采用了替代法和插值法。

(1) 插值法。負(fù)荷數(shù)據(jù)缺點(diǎn)(異常)較少時，可以基于當(dāng)日負(fù)荷曲線，采用插值法(如拉格朗日插值、三次樣條插值等)實現(xiàn)負(fù)荷曲線的補(bǔ)全；電量數(shù)據(jù)缺點(diǎn)(異常)較少時，可以基于當(dāng)月電量曲線，采用插值法實現(xiàn)電量數(shù)據(jù)補(bǔ)全。

(2) 替代法。負(fù)荷數(shù)據(jù)缺點(diǎn)(異常)較多，無法采用插值法時，可以用相似日(工作日選取上一周工作日，周末選取上一周周末)同一時段負(fù)荷數(shù)據(jù)替代；電量數(shù)據(jù)缺點(diǎn)(異常)較多時，可以用相似日(工作日選取上一月工作日，周末選取上一月周末)的電量數(shù)據(jù)替代；溫度數(shù)據(jù)為空時，處理方法類同負(fù)荷數(shù)據(jù)缺點(diǎn)。

2.2.2 數(shù)據(jù)不同步的清洗方法

數(shù)據(jù)不同步的情況下，通常采用平均值法、強(qiáng)制同步法進(jìn)行數(shù)據(jù)清洗。

(1) 平均值法。由于極少部分終端采集頻率為48 點(diǎn)/日，因此需要將48點(diǎn)負(fù)荷數(shù)據(jù)擴(kuò)展為96點(diǎn)負(fù)荷數(shù)據(jù)，可以采用平均值法(如8:45的數(shù)據(jù)取為8:30和9:00的平均值)進(jìn)行數(shù)據(jù)擴(kuò)展。

(2) 強(qiáng)制同步法。溫度數(shù)據(jù)為10 min/點(diǎn)，而負(fù)荷數(shù)據(jù)15 min/點(diǎn)，強(qiáng)制將00:10的溫度數(shù)據(jù)與00:15的負(fù)荷數(shù)據(jù)匹配，00:30的溫度數(shù)據(jù)與00:30的負(fù)荷數(shù)據(jù)匹配，00:40的溫度數(shù)據(jù)與00:45的負(fù)荷數(shù)據(jù)集匹配，以此類推。

3 多維用電影響因素模型的構(gòu)建

3.1 模型構(gòu)建的總體思路

用電量受氣象因素、節(jié)假日、經(jīng)濟(jì)形勢等眾多因素的影響，因此篩選合適的影響因素加以分析，建立精確的用電影響因素模型，是分析用電特性、開展用電預(yù)測的基礎(chǔ)。由于經(jīng)濟(jì)數(shù)據(jù)發(fā)布頻率太低，而且經(jīng)濟(jì)環(huán)境在一段時間內(nèi)相對于氣象因素而言比較穩(wěn)定，因此本文只考慮氣象因素和節(jié)假日建立用電影響因素模型。用電影響因素模型的總體構(gòu)建思路如圖2所示。

圖2 用電影響因素模型構(gòu)建思路Fig.2 Construction of electricity consumption impact model

模型構(gòu)建思路主要包括以下4個步驟：

(1) 原始數(shù)據(jù)收集和清洗。收集電量、負(fù)荷數(shù)據(jù)，歷史氣象信息和節(jié)假日數(shù)據(jù)，按2.1～2.2所述方法處理電量和負(fù)荷數(shù)據(jù)，按2.3處理氣象數(shù)據(jù)，根據(jù)歷史節(jié)假日前后電量數(shù)據(jù)適當(dāng)增加節(jié)假日的長度(如春節(jié)假期規(guī)定7 d，但實際上春節(jié)前一周、后兩周很多行業(yè)都處于停工狀態(tài))，得到清洗后的各項數(shù)據(jù)。

(2) 相關(guān)因素分析。逐一計算氣象因素、節(jié)假日與電量、負(fù)荷的相關(guān)系數(shù)，得到與電量、負(fù)荷相關(guān)性最高的影響因素。

(3) 數(shù)據(jù)標(biāo)準(zhǔn)化處理。獲取(1)中清洗好的溫度、電量(負(fù)荷)數(shù)據(jù)，計算得到各溫度檔位下的平均電量(負(fù)荷)，繪制溫度電量(負(fù)荷)影響曲線，將電量(負(fù)荷)走勢較為平緩的溫度區(qū)間作為基準(zhǔn)電量(負(fù)荷)溫度區(qū)間。

(4) 用電影響模型構(gòu)建。以℃為單位，將各溫度區(qū)間下的電量(負(fù)荷)進(jìn)行歸類并計算平均值，對于負(fù)荷模型還要考慮分時特性，得到電量溫度影響模型、負(fù)荷溫度影響模型等。

3.2 相關(guān)因素分析

用電量受氣象因素、節(jié)假日、經(jīng)濟(jì)形勢等眾多因素的影響，由于經(jīng)濟(jì)數(shù)據(jù)發(fā)布頻率太低，而且經(jīng)濟(jì)環(huán)境在一段時間內(nèi)相對于氣象因素而言比較穩(wěn)定，因此這里只考慮氣象因素和節(jié)假日與用電量的相關(guān)性。

目前氣象信息考慮溫度、濕度、雨量、云量、氣壓、風(fēng)速六項指標(biāo)，采用式(1)的相關(guān)性計算方法分別對各影響因素進(jìn)行分析[13-16]：

(1)

一般認(rèn)為，r≥0.8視為兩個向量高度相關(guān)，0.3≤r<0.8時中度相關(guān)，r<0.3時不相關(guān)。以南京為例，選取2014年南京全年用電量、氣象和用電量數(shù)據(jù)，進(jìn)行相關(guān)性分析。需要說明的是：

(1) 由于溫度較高時與用電量呈正相關(guān)性，而溫度較低時與用電量呈負(fù)相關(guān)性，因此選取25 ℃及以上和10 ℃以下兩種情況分別進(jìn)行相關(guān)性分析。

(2) 節(jié)假日信息按工作日=1，周末=2，法定假日=3設(shè)定。

南京用電影響因素與用電量相關(guān)性計算結(jié)果如表2所示。

表2 用電量與影響因素的相關(guān)性計算結(jié)果Tab.2 Correlation calculation results of electricity consumption and influencing factors

可見用電量與溫度高度相關(guān)，與節(jié)假日中度相關(guān)，而與風(fēng)速、濕度、雨量、云量、氣壓不相關(guān)，因此構(gòu)建用電影響因素模型時，主要考慮溫度和節(jié)假日兩個關(guān)鍵因素。

3.3 數(shù)據(jù)標(biāo)準(zhǔn)化處理

在構(gòu)建用電影響因素模型之前，需要通過計算選取合適的基準(zhǔn)電量(負(fù)荷)，實現(xiàn)電量(負(fù)荷)數(shù)據(jù)的標(biāo)幺化，便于后期直觀地分析各影響因素對電量(負(fù)荷)的影響率。數(shù)據(jù)標(biāo)準(zhǔn)化處理主要包括以下幾個步驟：

(1) 按度劃分溫度區(qū)間，將各溫度區(qū)間對應(yīng)的電量(負(fù)荷)數(shù)據(jù)歸并，得到各溫度區(qū)間內(nèi)的平均電量(負(fù)荷)。

(2) 繪制電量(負(fù)荷)-溫度曲線，并采用七點(diǎn)平滑算法平滑曲線。

(3) 按點(diǎn)計算(2)中曲線斜率，選擇曲線中較為平緩的溫度區(qū)間，計算該溫度區(qū)間內(nèi)的平均電量(負(fù)荷)，作為基準(zhǔn)電量(負(fù)荷)。

(4) 采用(3)中的基準(zhǔn)電量(負(fù)荷)，標(biāo)準(zhǔn)化所有電量(負(fù)荷)數(shù)據(jù)。

圖3、4分別為南京商業(yè)和蘇州居民的電量-溫度曲線。

圖3 南京商業(yè)電量-溫度曲線Fig.3 Electricity consumption-temperature curve of Nanjing Commercial Industry

可見南京商業(yè)在11～19 ℃之間用電量較為穩(wěn)定，溫度小于11 ℃或者大于19 ℃時用電量逐漸上升；蘇州居民在8～23 ℃之間用電量較為平穩(wěn)，在小于9 ℃時急劇略有上升，而大于23 ℃時用電量急劇上升，說明蘇州居民用電對高溫天氣非常敏感。

3.4 行業(yè)用電影響模型

由3.1可知，用電影響模型包括電量溫度影響模型、電量業(yè)擴(kuò)影響模型、電量節(jié)假日影響模型、負(fù)荷溫度影響模型和負(fù)荷節(jié)假日影響模型，限于篇幅，這里主要介紹行業(yè)負(fù)荷溫度影響模型和行業(yè)電量節(jié)假日影響模型的構(gòu)建方法。

3.4.1 行業(yè)負(fù)荷溫度影響模型

(2) 逐日逐點(diǎn)計算負(fù)荷影響率：

(3)

式中：d表示工作日編號，R(d,i)為第d個工作日第i個點(diǎn)的負(fù)荷影響率。

(3) 將溫度劃分為>40、<-4、-4～40這45個檔位，將所有工作日的96點(diǎn)負(fù)荷影響率歸類到對應(yīng)的溫度檔位，形成45×96的溫度—負(fù)荷影響率序列S(d,i,t)，其中下標(biāo)t為溫度標(biāo)簽。

(4) 逐一對S(d,i,t)中的數(shù)據(jù)集合求平均值，得到溫度綜合影響率C(i,t)，若S(d,i,t)中某一格數(shù)據(jù)樣本太少，則溫度范圍上下擴(kuò)展1 ℃，重新計算溫度綜合影響率，若果數(shù)據(jù)樣本依然過少，則將該點(diǎn)的溫度綜合影響率交給后續(xù)的模型擬合算法完成。

(5) 形成負(fù)荷-溫度綜合影響率矩陣C(i,t)后，通過插值法修補(bǔ)殘缺數(shù)據(jù)點(diǎn)，通過平滑算法平抑模型中的異常數(shù)據(jù)點(diǎn)，最終得到負(fù)荷溫度影響模型。

(6) 由于負(fù)荷數(shù)據(jù)更新較快，且過于久遠(yuǎn)的歷史數(shù)據(jù)不具備參考價值，因此負(fù)荷溫度影響模型每月根據(jù)新增數(shù)據(jù)更新。

圖5為某地區(qū)住宿餐飲業(yè)的負(fù)荷-溫度影響模型?？梢娫撔袠I(yè)分時負(fù)荷特性為白天負(fù)荷較高、午飯和晚飯時間出現(xiàn)高峰、下午略降；該行業(yè)的溫度影響率為溫度較低、較高時影響率較高，說明炎熱/寒冷天氣下用于制冷/取暖負(fù)荷較高，而溫度適宜時影響率較低。

圖5 某地區(qū)住宿餐飲業(yè)負(fù)荷-溫度影響模型Fig.5 Load-temperature impact model of accommodation and catering industry

3.4.2 行業(yè)電量節(jié)假日影響模型

目前節(jié)假日包括下列七類：元旦、清明、勞動、端午、國慶、中秋、春節(jié)。以年為計算周期，計算每年所有節(jié)假日期間，行業(yè)日電量相對于節(jié)假日前正常電量的影響率，其計算流程如下：

(1) 根據(jù)實時節(jié)假日放假時間及調(diào)休安排，配置節(jié)假日信息表，為了顯示節(jié)假對電量的連續(xù)影響趨勢，應(yīng)在實際節(jié)假日的基礎(chǔ)上前后多配置1 d，對于春節(jié)這個特殊節(jié)假日，前后多配置一周。

(2) 找節(jié)假日前最近5個工作日，計算這5個工作日的平均用電量，將該電量作為基準(zhǔn)電量。

(3) 根據(jù)下式計算節(jié)假日期間每天的電量影響率：

(4)

圖6為某地區(qū)商業(yè)的電量節(jié)假日影響模型。

圖6 某地區(qū)商業(yè)電量節(jié)假日影響模型Fig.6 Electricity-holiday consumption impact model of commercial industry

可見春節(jié)、清明節(jié)、國慶節(jié)都對商業(yè)產(chǎn)生了負(fù)影響，主要是因為春節(jié)、國慶長假歸鄉(xiāng)、旅游人數(shù)較多，而清明節(jié)更多人回歸家庭，也一定程度上影響了商業(yè)的用電量。

4 短期負(fù)荷預(yù)測的實現(xiàn)與應(yīng)用

由于江蘇全省用戶數(shù)量高達(dá)4000萬，若全省網(wǎng)供負(fù)荷預(yù)測分解過細(xì)(到用戶)工作量太大，且用戶負(fù)荷隨機(jī)性較強(qiáng)，預(yù)測精確度反而較低。實踐表明，將全省網(wǎng)供負(fù)荷分解到行業(yè)級即可得到令人滿意的精確度，且計算量也在合理的范圍內(nèi)。圖7為基于配用電大數(shù)據(jù)的短期網(wǎng)供負(fù)荷預(yù)測方法。

圖7 基于配用電大數(shù)據(jù)的短期網(wǎng)供負(fù)荷預(yù)測方法示意圖Fig.7 Sketch of short-term load forecasting method based on distribution and consumption big data

(1) 最近相似日選取。周二～周五以其前一日為最近相似日，周六、周日、周一以上周同一天為最近相似日，周休日以上周周休日為最近相似日(部分行業(yè)周休日并非周六、周日)。

(2) 相似日氣象因素剔除。從歷史氣象庫中匹配得到行業(yè)所在地區(qū)最近相似日的溫度數(shù)據(jù)，對照3.4.1的行業(yè)負(fù)荷溫度影響模型，按下式剔除行業(yè)相似日負(fù)荷中的溫度因素：

Pi1=Pi/(1+C(i,t))

(5)

式中：i取值范圍為1～96；Pi為相似日的第i個有功負(fù)荷；C(i,t)為第i個負(fù)荷數(shù)據(jù)對應(yīng)溫度為t時的溫度綜合影響率；Pi1為剔除氣象因素后的相似日負(fù)荷。

(3) 預(yù)測日氣象因素加成。從預(yù)測氣象庫中匹配得到行業(yè)所在地區(qū)預(yù)測日的溫度數(shù)據(jù)，對照3.4.1的行業(yè)負(fù)荷溫度影響模型，按下式向(2)式中的Pi1加成影響因素：

Pi2=Pi1(1+C(i,t))

(6)

其中Pi2即為加成預(yù)測日氣象影響因素的負(fù)荷數(shù)據(jù)。

(4) 節(jié)假日因素考慮。對于節(jié)假日，還需要基于行業(yè)電量節(jié)假日影響模型進(jìn)行修正，具體方法同步驟(2)(3)中的氣象因素修正方法。

(5) 構(gòu)建負(fù)荷占比模型。由于統(tǒng)計口徑的差異和統(tǒng)計誤差的存在，分行業(yè)、地區(qū)負(fù)荷匯總到網(wǎng)供負(fù)荷時會與調(diào)度口徑數(shù)據(jù)存在一定的差異，因此根據(jù)相似日分行業(yè)、地區(qū)負(fù)荷和全省網(wǎng)供負(fù)荷，按比例得到全網(wǎng)負(fù)荷的占比模型。

(6) 實現(xiàn)網(wǎng)供負(fù)荷預(yù)測。根據(jù)負(fù)荷占比模型和(4)中得到的分行業(yè)、地區(qū)負(fù)荷數(shù)據(jù)，匯總得到全省網(wǎng)供負(fù)荷預(yù)測結(jié)果。

在傳統(tǒng)方法中，誤差逆向傳播神經(jīng)網(wǎng)絡(luò)(back propagation，BP)算法應(yīng)用廣泛、適應(yīng)性強(qiáng)，以BP算法為傳統(tǒng)方法的代表，與本文提出的大數(shù)據(jù)方法進(jìn)行比較。圖8為BP算法和大數(shù)據(jù)方法的全省網(wǎng)供負(fù)荷預(yù)測誤差率。

圖8 短期網(wǎng)供負(fù)荷預(yù)測結(jié)果Fig.8 Result of short-term load forecasting

BP算法的平均預(yù)測誤差率為1.038 2%，而大數(shù)據(jù)方法的平均預(yù)測誤差率僅為0.623 9%，且96個預(yù)測點(diǎn)中，有61個點(diǎn)誤差率低于BP算法?？梢?，基于大數(shù)據(jù)的網(wǎng)供負(fù)荷預(yù)測方法可以與傳統(tǒng)方法優(yōu)勢互補(bǔ)，共同提升負(fù)荷預(yù)測的準(zhǔn)確率。

5 結(jié)語

本文基于配用電大數(shù)據(jù)開展了大量的研究工作，主要進(jìn)行了：(1) 配用電大數(shù)據(jù)的清洗?；谂溆秒姶髷?shù)據(jù)的特點(diǎn)以及實際業(yè)務(wù)的需要，分析了配用電大數(shù)據(jù)中“臟數(shù)據(jù)”的來源和類型，針對性地提出了數(shù)據(jù)清洗方法。(2) 基于配用電大數(shù)據(jù)，構(gòu)建了行業(yè)負(fù)荷溫度影響模型和行業(yè)電量節(jié)假日影響模型，為后期開展短期負(fù)荷預(yù)測打下基礎(chǔ)。(3) 提出了基于大數(shù)據(jù)的短期負(fù)荷預(yù)測方法?；诙嗑S用電影響因素模型，開展了分地區(qū)、行業(yè)的短期網(wǎng)供負(fù)荷預(yù)測，計算結(jié)果表明基于配用電大數(shù)據(jù)的網(wǎng)供負(fù)荷預(yù)測有著較高的準(zhǔn)確性，可以為電網(wǎng)運(yùn)行和規(guī)劃提供數(shù)據(jù)支撐。

參考文獻(xiàn)：

[1] 趙 騰，張 焰，張東霞，等． 智能配電網(wǎng)大數(shù)據(jù)應(yīng)用技術(shù)與前景分析[J]． 電網(wǎng)技術(shù)，2014，38(12)：3305-3312．

ZHAO Teng，ZHANG Yan，ZHANG Dongxia，et al．Application technology of big data in smart distribution grid and its prospect analysis[J]．Power System Technology，2014，38(12)：3305-3312．

[2] 劉科研，盛萬興，張東霞，等． 智能配電網(wǎng)大數(shù)據(jù)應(yīng)用需求和場景分析研究[J]． 中國電機(jī)工程學(xué)報，2015，35(2)：287-293．

LIU Keyan，SHENG Wanxing，ZHANG Dongxia，et al．Big data application requirements and scenario analysis in smart distribution network[J]．Proceedings of the CSEE，2015，35(2)：287-293．

[3] 田世明，楊增輝，時志雄，等． 智能配用電大數(shù)據(jù)關(guān)鍵技術(shù)研究[J]． 供用電，2015，32(8)：12-18．

TIAN Shiming，YANG Zenghui，SHI Zhixiong，et al． Research on the key technology of big data for smart power distribution and utilization[J]． Distribution and Utilization，2015，32(8)：12-18．

[4] 王 璟，楊德昌，李 錳，等． 配電網(wǎng)大數(shù)據(jù)技術(shù)分析與典型應(yīng)用案例[J]． 電網(wǎng)技術(shù)，2015，39(11)：3114-3121．

WANG Jing，YANG Dechang，LI Meng，et al．Analysis of big data technology in power distribution system and typical applications[J]． Power System Technology，2015，39(11)：3114-3121．

[5] 張素香，趙丙鎮(zhèn)，王風(fēng)雨，等． 海量數(shù)據(jù)下的電力負(fù)荷短期預(yù)測[J]． 中國電機(jī)工程學(xué)報，2015，35(1)：37-42．

ZHANG Suxiang，ZHAO Bingzhen，WANG Fengyu，et al． Short-term power load forecasting based on big data[J]．Proceedings of the CSEE，2015，35(1)：37-42．

[6] 王德金． 基于大數(shù)據(jù)技術(shù)的短期負(fù)荷分析與預(yù)測[J]． 華東電力，2014，42(10)：2007-2010．

WANG Dejin． Short-term load analysis and forecast based on big data technology[J]． East China Electric Power，2014，42(10)：2007-2010．

[7] RAHMAN M N，ESMAILPOUR A． An efficient electricity generation forecasting system using artificial neural network approach with big data[C]∥IEEE First International Conference on Big Data Computing Service and Applications(Big Data Service)．Redwood，CA：IEEE，2015：213-217.

[8] 程建東，杜積貴． 組合預(yù)測方法在電力負(fù)荷預(yù)測中的應(yīng)用[J]． 江蘇電機(jī)工程，2011，30(6)：38-40，44．

CHENG Jiandong，DU Jigui．Application of combined method in power load forecasting[J]． Jiangsu Electrical Engineering，2011，30(6)：38-40，44．

[9] 廖旎煥，胡智宏，馬瑩瑩，等． 電力系統(tǒng)短期負(fù)荷預(yù)測方法綜述[J]． 電力系統(tǒng)保護(hù)與控制，2011，39(1)：147-152．

LIAO Nihuan，HU Zhihong，MA Yingying，et al．Review of the short-term load forecasting methods of electric power system[J]．Power System Protection and Control，2011，39(1)：147-152．

[10] 張翠芝，智 明． 泰州電網(wǎng)負(fù)荷特性分析及負(fù)荷預(yù)測[J]． 江蘇電機(jī)工程，2011，30(4)：45-47．

ZHANG Cuizhi，ZHI Ming． Load characteristics and load Forecasting of Taizhou Power Grid[J]． Jiangsu Electrical Engineering，2011，30(4)：45-47．

[11] 許 琦，曾 凌． 南京電網(wǎng)負(fù)荷與氣溫敏感性分析[J]． 江蘇電機(jī)工程，2012，31(5)：55-57，61．

XU Qi，ZENG Ling．Analysis on load and temperature sensitivity of Nanjing Grid[J]． Jiangsu Electrical Engineering，2012，31(5)：55-57，61．

[12] 黎燦兵，李曉輝，趙 瑞，等． 電力短期負(fù)荷預(yù)測相似日選取算法[J]． 電力系統(tǒng)自動化，2008，32(9)：69-73．

LI Canbing，LI Xiaohui，ZHAO Rui，et al． A novel algorithm of selecting similar days for short-term power load forecasting[J]．Automation of Electric Power Systems，2008，32(9)：69-73．

[13] 賀春光． 夏季電網(wǎng)最大負(fù)荷與氣溫的相關(guān)性分析[J]． 華北電力技術(shù)，2011，30(5)：5-17．

HE Chunguang． Correlation analysis on system peak load and temperature[J]． Hebei Electric Power，2011，30(5)：15-17．

[14] 刁贏龍，盛萬興，劉科研，等． 大規(guī)模配電網(wǎng)負(fù)荷數(shù)據(jù)在線清洗與修復(fù)方法研究[J]． 電網(wǎng)技術(shù)，2015，39(11)：3134-3140．

DIAO Yinglong，SHENG Wanxing，LIU Keyan，et al．Research on online cleaning and repair methods of large-scale distribution network load data[J]． Power System Technology，2015，39(11)：3134-3140．

[15] 柯人觀，周金輝，汪東輝. 微電網(wǎng)規(guī)劃體系研究[J]. 浙江電力，2016，35(2):23-26.

KE Renguan，ZHOU Jinhui，WANG donghui. Study on planning system of microgrid[J]. Zhejiang Electric Power,2016，35(2):23-26.

[16] 蘭 嵐. 配電線路故障衍化分析[J]. 浙江電力，2016，35(4):28-31.

LAN Lan. Analysis of fault evolution in distribution lines[J].Zhejiang Electric Power,2016，35(4):28-31.