黃文思 陸鑫 薛迎衛(wèi)

摘要：合理線損預(yù)測(cè)是實(shí)現(xiàn)線損精益化管理的前提。準(zhǔn)確的電力線損預(yù)測(cè)可以保證電力供應(yīng)的穩(wěn)定，降低用電成本，提高供電質(zhì)量。本文通過(guò)對(duì)國(guó)內(nèi)線損管理的研究現(xiàn)狀以及現(xiàn)有線損計(jì)算方式的介紹和分析，考慮到配電網(wǎng)的網(wǎng)架結(jié)構(gòu)特點(diǎn)和線損數(shù)據(jù)的時(shí)間相關(guān)性，將神經(jīng)網(wǎng)絡(luò)與時(shí)間序列預(yù)測(cè)模型相結(jié)合，在Spark上使用時(shí)間序列神經(jīng)網(wǎng)絡(luò)算法建立模型對(duì)售電量進(jìn)行短期預(yù)測(cè)，使用某省電力公司線損數(shù)據(jù)進(jìn)行模擬仿真，結(jié)果表明基于BP神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)模型可以有效地進(jìn)行同期線損預(yù)測(cè)，對(duì)線損率預(yù)測(cè)具有決策性意義。

關(guān)鍵詞：線損預(yù)測(cè) BP神經(jīng)網(wǎng)絡(luò) 時(shí)間序列

前言

智能電網(wǎng)的發(fā)展給線損治理帶來(lái)了新的機(jī)遇和挑戰(zhàn)。在智能電表覆蓋率完備的地區(qū)，智能電表采集數(shù)據(jù)計(jì)算同期線損，使以往復(fù)雜的配網(wǎng)線損計(jì)算變得簡(jiǎn)單明了。但受我國(guó)智能電網(wǎng)建設(shè)相對(duì)這一因素的影響，供電公司還普遍存在著智能電表等智能設(shè)備使用不全面的情況，使得統(tǒng)計(jì)電量工作大多需要人工完成，在很大程度上增加了統(tǒng)計(jì)電量的缺失率，繼而導(dǎo)致了線損匯總數(shù)據(jù)不夠精確，影響線損數(shù)據(jù)的適用范圍和四分線損達(dá)標(biāo)率。而隨著信息技術(shù)的不斷完善和大數(shù)據(jù)技術(shù)日趨成熟，為實(shí)現(xiàn)了運(yùn)用歷史數(shù)據(jù)和運(yùn)營(yíng)數(shù)據(jù)預(yù)測(cè)線損數(shù)據(jù)提供了有效的支持。本研究分析了現(xiàn)有的線損計(jì)算及預(yù)測(cè)方法，在此基礎(chǔ)上結(jié)合當(dāng)前智能電網(wǎng)的特點(diǎn)和發(fā)展提出了一種新型適用于配網(wǎng)環(huán)境的線損預(yù)測(cè)方法。

一、基于用戶用電量的時(shí)間序列一神經(jīng)網(wǎng)絡(luò)線損預(yù)測(cè)模型

由于售電量具有明顯的不確定性、復(fù)雜性、以及多方案性等特征，使得我們?cè)趯?duì)售電量進(jìn)行預(yù)測(cè)時(shí)，需要綜合考慮多種因素，常常面臨著預(yù)測(cè)不準(zhǔn)確的現(xiàn)。就目前而言，用于預(yù)測(cè)售電量的方法多為根據(jù)歷史售電量數(shù)據(jù)的規(guī)律預(yù)測(cè)后分析后期售電量，根本不能全買考慮影響售電量的所有因素，使得其可操作性和實(shí)用性都處于一種相對(duì)較低的水平。針對(duì)上述問(wèn)題，文章通過(guò)將時(shí)間序列算法與神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的方式預(yù)測(cè)售電量，運(yùn)用時(shí)間序列典型分解方法確定樣本售電量序列中存在的趨勢(shì)成分、周期性成分，并把售電量的主要影響因素作為BP神經(jīng)網(wǎng)絡(luò)輸入，并通過(guò)所預(yù)測(cè)的電量計(jì)算線損率，最終實(shí)現(xiàn)對(duì)異常線損進(jìn)行修復(fù)。為充分考慮售電量的多種影響因素，提高售電量預(yù)測(cè)精度，本文把BP神經(jīng)網(wǎng)絡(luò)和時(shí)間序列相結(jié)合來(lái)進(jìn)行售電量預(yù)測(cè)，圖1為本文建立的BP神經(jīng)網(wǎng)絡(luò) 時(shí)間序列的售電量訓(xùn)練模型：

（5）閾值更新。我們可以根據(jù)網(wǎng)絡(luò)輸出與期望輸出兩者的關(guān)系，預(yù)測(cè)出售電量，具體情況如下圖2所示：

該模型在對(duì)樣本數(shù)據(jù)實(shí)行多次模擬訓(xùn)練后，建立了以每日溫度、每日類型、歷史售電量以及預(yù)測(cè)電量等數(shù)據(jù)之間的對(duì)應(yīng)關(guān)系，從而準(zhǔn)確預(yù)測(cè)出售電量，可將其計(jì)算公式表示為：

Pl=PSu PSa

（2-5）

其中，Pl表示線損電量，PSu表示供電量，PSa表示售電量。從該公式（25）中我們可以得出在知道當(dāng)日供電量之后，我們可以通過(guò)預(yù)測(cè)日供電量的方式，計(jì)算出日線損電量，通過(guò)BP神經(jīng)網(wǎng)絡(luò) 時(shí)間序列模型預(yù)測(cè)售電量后，可得到線損電量P1，結(jié)合線損率計(jì)算公式（2-6），就可以計(jì)算出某一區(qū)域的日線損率Lr。

Lr=PI/PSu

（2-6）

二、基于大數(shù)據(jù)平臺(tái)的新型預(yù)測(cè)算法

大數(shù)據(jù)平臺(tái)的建立，為業(yè)務(wù)系統(tǒng)大數(shù)據(jù)的開(kāi)發(fā)、運(yùn)用以及運(yùn)行奠定了堅(jiān)實(shí)的基礎(chǔ)，主要包含數(shù)據(jù)整合、數(shù)據(jù)儲(chǔ)存、數(shù)據(jù)計(jì)算、數(shù)據(jù)分析、平臺(tái)服務(wù)安全管理以及配置管理等模塊能提供各種業(yè)務(wù)應(yīng)用的服務(wù)。當(dāng)前，我們主要運(yùn)用大數(shù)據(jù)平臺(tái)的數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)計(jì)算、數(shù)據(jù)分析以及安全模塊等木塊開(kāi)展線損預(yù)測(cè)，下面對(duì)其進(jìn)行分別介紹[2]。其中數(shù)據(jù)存儲(chǔ)的主要作用是對(duì)大數(shù)據(jù)進(jìn)行存儲(chǔ)，用海量、規(guī)模的數(shù)據(jù)滿足計(jì)算需求。通常情況下，非結(jié)構(gòu)化數(shù)據(jù)主要存儲(chǔ)在分布式的文件系統(tǒng)中，半結(jié)構(gòu)化數(shù)據(jù)主要儲(chǔ)存在列式數(shù)據(jù)庫(kù)或鍵值數(shù)據(jù)庫(kù)中，結(jié)構(gòu)化數(shù)據(jù)主要儲(chǔ)存于行式儲(chǔ)存數(shù)據(jù)庫(kù)中具有極高的實(shí)時(shí)性全面性以及準(zhǔn)確性。數(shù)據(jù)計(jì)算指的是運(yùn)用多樣化的大數(shù)據(jù)進(jìn)行流計(jì)算、批量計(jì)算、內(nèi)存計(jì)算以及查詢計(jì)算，同時(shí)還可以計(jì)算分布式存儲(chǔ)數(shù)據(jù)和內(nèi)存數(shù)據(jù)，從而滿足實(shí)時(shí)決策、預(yù)警等等需求。數(shù)據(jù)分析指的是對(duì)多樣化數(shù)據(jù)進(jìn)行加工、處理、分析以及挖掘的功能，為獲取新的業(yè)務(wù)價(jià)值、制定正確的對(duì)發(fā)展規(guī)劃提供可靠的參考依據(jù)。而安全管理則是指確保大數(shù)據(jù)環(huán)境下采集、儲(chǔ)存、分析以及應(yīng)用數(shù)據(jù)所涉及的身份驗(yàn)證、授權(quán)以及輸入驗(yàn)證等環(huán)節(jié)安全的過(guò)程。例如，在對(duì)數(shù)據(jù)進(jìn)行分析和挖掘時(shí)，常常會(huì)涉及到企業(yè)相關(guān)業(yè)務(wù)的核心數(shù)據(jù)，如果缺乏安全管理，就會(huì)有可能出現(xiàn)數(shù)據(jù)泄露，而控制訪問(wèn)權(quán)限等安全措施在大數(shù)據(jù)應(yīng)用中尤為關(guān)鍵。

（一）spark平臺(tái)

Spark平臺(tái)與Hadoop相比，有著較高的準(zhǔn)確性、安全性以及全面性，是目前大規(guī)模處理分布式數(shù)據(jù)的最有效平臺(tái)。在傳統(tǒng)的Hadoop框架中，需要對(duì)數(shù)據(jù)進(jìn)行大量的磁盤(pán)I/O后才能進(jìn)行信息處理，在進(jìn)行信息處理過(guò)程中需要對(duì)數(shù)據(jù)進(jìn)行大量的磁盤(pán)，運(yùn)行效率相對(duì)較低，而基于內(nèi)存的分布式計(jì)算框架Spark平臺(tái)，則有效的解決了頻繁的磁盤(pán)I/O問(wèn)題。這主要是由于Spark平臺(tái)可以實(shí)現(xiàn)計(jì)算節(jié)點(diǎn)將中間結(jié)果緩存與內(nèi)存中，避免了反復(fù)迭代等高密度計(jì)算過(guò)程中的磁盤(pán)頻繁I/O操作。Spark主要囊括了分布式文件系統(tǒng)、彈性分布式數(shù)據(jù)集以及容錯(cuò)機(jī)制等幾個(gè)模塊。

1.分布式文件系統(tǒng)

Spark平臺(tái)繼續(xù)使用了分布式文件系統(tǒng)HDFS，在極大程度上簡(jiǎn)化了數(shù)據(jù)的儲(chǔ)存流程，使其可以進(jìn)行大規(guī)模的數(shù)據(jù)處理，此外，HDFS系統(tǒng)中還使用了高容錯(cuò)性策略：首先，數(shù)據(jù)復(fù)寫(xiě)機(jī)制可以將同一份數(shù)據(jù)在不同的節(jié)點(diǎn)上產(chǎn)生副本，及時(shí)某一個(gè)節(jié)點(diǎn)發(fā)生故障，我們依然可以存取其他節(jié)點(diǎn)的數(shù)據(jù)。其次通過(guò)心跳機(jī)制檢測(cè)節(jié)點(diǎn)的可用性。HDFS系統(tǒng)只有一個(gè)主節(jié)點(diǎn)（namenode）和多個(gè)從節(jié)點(diǎn)（datanode），主節(jié)點(diǎn)的作用是管理HDFS文件系統(tǒng)命名空間，而從節(jié)點(diǎn)的作用則是將數(shù)據(jù)以塊為單位進(jìn)行存儲(chǔ)，并周期性的將心跳包發(fā)送給主節(jié)點(diǎn)，如果主節(jié)點(diǎn)不能獲取集群上從節(jié)點(diǎn)的心跳包，則介意判斷該節(jié)點(diǎn)已經(jīng)思想，放棄對(duì)其進(jìn)行I/O操作。

2.彈性分布式數(shù)據(jù)集（RDD）

在存儲(chǔ)方面，Spark平臺(tái)運(yùn)用了以分布式共享內(nèi)存為基礎(chǔ)的彈性分布式數(shù)據(jù)集（Resilient Distributed Datasets，RDD）作為數(shù)據(jù)結(jié)構(gòu)，同時(shí)兼容HDFS系統(tǒng)，可將HDFS系統(tǒng)中存在的海量數(shù)據(jù)作為數(shù)據(jù)源，并加載至RDD中進(jìn)行數(shù)據(jù)處理同時(shí)，它還可以在內(nèi)存中對(duì)必要的數(shù)據(jù)進(jìn)行容錯(cuò)緩存，為高性能的迭代計(jì)算提供依據(jù)。在計(jì)算模型方面，Spark平臺(tái)有著更高的靈活性和更加豐富的操作符、操作符間的組合方式。RDD是一種分布式彈性數(shù)據(jù)集，將數(shù)據(jù)分布存儲(chǔ)在不同節(jié)點(diǎn)的計(jì)算機(jī)內(nèi)存中進(jìn)行存儲(chǔ)和處理。每次RDD處理數(shù)據(jù)的結(jié)果都會(huì)被存放在不同的節(jié)點(diǎn)中，在需要進(jìn)行下一步數(shù)據(jù)處理時(shí)，可實(shí)現(xiàn)從內(nèi)存中直接提取數(shù)據(jù)，從而省去了大量的I/O操作，這對(duì)于傳統(tǒng)的MapReduce操作來(lái)說(shuō)，更便于使用迭代運(yùn)算提升效率。

3.Spark平臺(tái)的容錯(cuò)機(jī)制

Spark平臺(tái)有著極高的容錯(cuò)性，這主要是由于在只讀權(quán)限的RDD數(shù)據(jù)結(jié)構(gòu)中，當(dāng)數(shù)據(jù)集的某一分片丟失時(shí)，Spark平臺(tái)就會(huì)對(duì)原始的RDD提出新的申請(qǐng)，運(yùn)用transformation操作對(duì)分片信息進(jìn)行重新計(jì)算，lineage機(jī)制的主要作用是保存和記錄RDD與transformation之間的操作，并把集中式元數(shù)據(jù)存儲(chǔ)于主節(jié)點(diǎn)中，lineage機(jī)智的存在，可以實(shí)現(xiàn)對(duì)RDD數(shù)據(jù)的重新計(jì)算，并且只讀權(quán)限的RDD還能夠確保當(dāng)需要重新執(zhí)行l(wèi)ineage中已被執(zhí)行過(guò)的某個(gè)操作，可以獲得相同的計(jì)算結(jié)果。

（二）新型預(yù)測(cè)算法在大數(shù)據(jù)平臺(tái)中的應(yīng)用

基于spark的BP神經(jīng)網(wǎng)絡(luò)并行化方法，通過(guò)采用spark并行編程對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行全局進(jìn)化迅游，經(jīng)過(guò)一定次數(shù)的迭代后，得到優(yōu)化的神經(jīng)網(wǎng)絡(luò)初始權(quán)值，在使用并行的BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行迭代，最終輸出網(wǎng)絡(luò)結(jié)構(gòu)。在訓(xùn)練過(guò)程中，各個(gè)階段均能進(jìn)行多節(jié)點(diǎn)的并行處理，有效增強(qiáng)了BP神經(jīng)網(wǎng)絡(luò)的收斂速度，在提升訓(xùn)練質(zhì)量和訓(xùn)練效率等方面均起到了至關(guān)重要的作用。

三、結(jié)束語(yǔ)

綜上所述，基于用戶用電量的時(shí)間序列 神經(jīng)網(wǎng)絡(luò)線損預(yù)測(cè)模型有著極高的準(zhǔn)確性和實(shí)用性，能夠有效地幫助我們判斷實(shí)際線損是否存在異常，且能準(zhǔn)確定位線損異常的原因和位置，是目前提升電網(wǎng)安全性和穩(wěn)定的有效預(yù)測(cè)模型。與此同時(shí)，在同期線損數(shù)據(jù)急劇增加這一背景，我們還可以通過(guò)將該模型與大數(shù)據(jù)平臺(tái)相結(jié)合的方式，在sIJark上使用時(shí)間序列神經(jīng)網(wǎng)絡(luò)算法對(duì)售電量進(jìn)行并行預(yù)測(cè)，可保證數(shù)據(jù)的存儲(chǔ)空間和運(yùn)算效率。從預(yù)測(cè)結(jié)果可知，該模型對(duì)售電量預(yù)測(cè)精度較高，對(duì)線損率預(yù)測(cè)具有決策性意義。

參考文獻(xiàn)

[1]劉晶，朱鋒峰，林輝，等.基于相似日負(fù)荷修正算法的短期負(fù)荷預(yù)測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì).2010.31 （06）：1279-1282.

[2]李翔，歐陽(yáng)森，馮天瑞，等.一種基于用電行業(yè)分類的中長(zhǎng)期電量預(yù)測(cè)方法[J].現(xiàn)代電力.2015，32 （06）：86-91.

[3]劉耀年，王衛(wèi)，楊冬峰.基于模糊劃分聚類的中長(zhǎng)期用電量預(yù)測(cè)[J].東北電力大學(xué)學(xué)報(bào).2004，24 （04）：3942.

[4]張?chǎng)?，韋鋼，周敏，等.灰色理論在城市年用電量預(yù)測(cè)中的應(yīng)用[J].上海電力學(xué)院學(xué)報(bào)，2002，18 （02）：9-12.

[5]張士強(qiáng)，王雯，王健.ARIMA模型在城市年用電量預(yù)測(cè)中的應(yīng)用[J].電力需求側(cè)管理.2010，12 《06）：31-34.