董 亮，闞新生，鄧國如，徐 杰，袁 慧

(1.國網(wǎng)湖北省電力有限公司信息通信公司，湖北 武漢 430077；2.中國聯(lián)合網(wǎng)絡(luò)通信有限公司武漢市分公司，湖北 武漢 430000)

短期電力負(fù)荷預(yù)測對于短期電力負(fù)荷預(yù)測水平的提高，可以幫助電力局提高電力管理水平，降低發(fā)電成本，可以為電力的管理和規(guī)劃提供重要的管理依據(jù)[1]。而數(shù)據(jù)深度挖掘?qū)τ谔崛‰[藏的數(shù)據(jù)信息和潛在有用的知識，并廣泛用于各個企業(yè)，且取得了良好的經(jīng)濟(jì)效益[2]。因此，國內(nèi)外眾多研究者，都在短期電力負(fù)荷預(yù)測這一領(lǐng)域中，應(yīng)用數(shù)據(jù)挖掘技術(shù)，并做了大量工作。尤其是近年來，國內(nèi)外已經(jīng)將人工智能技術(shù)，應(yīng)用在對電力負(fù)荷預(yù)測中的數(shù)據(jù)挖掘技術(shù)中，如粗糙集、神經(jīng)網(wǎng)絡(luò)、Petri網(wǎng)等[3]。數(shù)據(jù)挖掘技術(shù)始于20世紀(jì)80年代末，且對于數(shù)據(jù)挖掘技術(shù)并未得到相應(yīng)的重視，卻在此后的時間里，快速發(fā)展數(shù)據(jù)挖掘技術(shù)，并將數(shù)據(jù)挖掘技術(shù)，與人工智能、數(shù)據(jù)庫、機(jī)器學(xué)習(xí)等領(lǐng)域緊密結(jié)合[4]。隨著對數(shù)據(jù)挖掘技術(shù)的開發(fā)，除國內(nèi)外的研究學(xué)者外，各企業(yè)也開始加入數(shù)據(jù)挖掘研究的領(lǐng)域，并將數(shù)據(jù)挖掘技術(shù)進(jìn)行細(xì)致的劃分，如數(shù)據(jù)模型、數(shù)據(jù)類型、數(shù)據(jù)應(yīng)用等[5]。文獻(xiàn)[6]提出基于劃分法的數(shù)據(jù)挖掘模型，預(yù)測短期電力負(fù)荷；文獻(xiàn)[7]則提出基于層次法的數(shù)據(jù)挖掘模型，預(yù)測短期電力負(fù)荷。但是在上述的研究中，數(shù)據(jù)挖掘技術(shù)在預(yù)測短期電力負(fù)荷時，短期電力負(fù)荷預(yù)測存在數(shù)據(jù)時間序列紊亂現(xiàn)象，導(dǎo)致預(yù)測短期電力負(fù)荷精確度低，為此研究用于短期電力負(fù)荷預(yù)測的時間序列數(shù)據(jù)深度挖掘模型。

1 設(shè)計時間序列數(shù)據(jù)深度挖掘模型

1.1 數(shù)據(jù)預(yù)處理

采用時間序列數(shù)據(jù)深度挖掘技術(shù)，建立時間序列數(shù)據(jù)深度挖掘模型，預(yù)測短期電力負(fù)荷，需要促使此次建立的模型，具有數(shù)據(jù)預(yù)處理能力，可以在大量的電力數(shù)據(jù)信息中，提取預(yù)測短期電力負(fù)荷的數(shù)據(jù)，并對提取出的數(shù)據(jù)進(jìn)行預(yù)處理，從而減輕時間序列數(shù)據(jù)深度挖掘模型，在預(yù)測短期電力負(fù)荷時的計算量。因此構(gòu)建數(shù)據(jù)倉庫體系，對電力數(shù)據(jù)進(jìn)行預(yù)處理，其電力數(shù)據(jù)倉庫體系結(jié)構(gòu)如圖1所示。

圖1 數(shù)據(jù)預(yù)處理電力數(shù)據(jù)倉庫體系結(jié)構(gòu)

從圖1中可以看出，此次對電力數(shù)據(jù)預(yù)處理而設(shè)計的電力數(shù)據(jù)倉庫體系，分為數(shù)據(jù)源的數(shù)據(jù)獲取層，數(shù)據(jù)抽取、轉(zhuǎn)化和裝載的數(shù)據(jù)處理層，操作型數(shù)據(jù)存儲、中心數(shù)據(jù)倉庫、數(shù)據(jù)集市、多維數(shù)據(jù)集等組成的數(shù)據(jù)存儲層和用戶訪問分析的數(shù)據(jù)訪問層。

在數(shù)據(jù)獲取層，針對源數(shù)據(jù)的獲取，在此次設(shè)計電力數(shù)據(jù)倉庫體系，為降低數(shù)據(jù)處理步驟，根據(jù)數(shù)據(jù)來源，劃分為相關(guān)數(shù)據(jù)、電力數(shù)據(jù)、歷史數(shù)據(jù)和外部數(shù)據(jù)4個方面，根據(jù)不同的來源，對獲取的電力數(shù)據(jù)，根據(jù)數(shù)據(jù)倉庫的要求進(jìn)行提?。磺逑雌渲写嬖诘腻e誤數(shù)據(jù)或者填補(bǔ)其中缺少的數(shù)據(jù)，確保數(shù)據(jù)的完整性后；將數(shù)據(jù)轉(zhuǎn)換成統(tǒng)一數(shù)據(jù)類型，保證數(shù)據(jù)格式的統(tǒng)一；此時，數(shù)據(jù)中會存在許多細(xì)節(jié)數(shù)據(jù)，需要對數(shù)據(jù)進(jìn)行集成處理；經(jīng)過上述的提取、清洗、轉(zhuǎn)換、集成處理后，自動加載處理好的電力數(shù)據(jù)，完成合格數(shù)據(jù)入庫過程[8]。

此時數(shù)據(jù)倉庫中，所含有的數(shù)據(jù)信息包含電力體系的所有數(shù)據(jù)信息，并完成數(shù)據(jù)存儲循環(huán)，促使電力數(shù)據(jù)存儲層中的數(shù)據(jù)，與電力公司數(shù)據(jù)具有一致性，可以實時通過數(shù)據(jù)訪問層，對數(shù)據(jù)信息進(jìn)行訪問，直接統(tǒng)計數(shù)據(jù)，挖掘數(shù)據(jù)中存在的相關(guān)性。

1.2 劃分?jǐn)?shù)據(jù)時間序列

由圖1電力數(shù)據(jù)倉庫體系處理后得到的數(shù)據(jù)，進(jìn)行數(shù)據(jù)時間序列劃分，從而根據(jù)歷史數(shù)據(jù)對短期電力負(fù)荷進(jìn)行預(yù)測。因此，將通過數(shù)據(jù)訪問層，提取數(shù)據(jù)存儲層中的數(shù)據(jù)信息，將其中的數(shù)據(jù)數(shù)量設(shè)為n，其具有的時間序列為T，且T=〈t1，t2，…，ti，…，tn〉，其中i表示第i個數(shù)據(jù)，根據(jù)時間序列T設(shè)定的數(shù)據(jù)先后關(guān)系，將其時間序列的分界點數(shù)量設(shè)為K，當(dāng)時間序列T具有K+1個分界點，設(shè)時間序列T的分界點為b，即當(dāng)〈tb1，tb2，…，tbi，…，tbk+1〉(1=b1

在如圖2所示的時間數(shù)據(jù)序列3種模式圖中，設(shè)2個數(shù)據(jù)之間的相鄰距離為l，則其相鄰采樣點為ti-l、ti和ti+l，其距離閾值為d，且d>0。此時，針對圖中跳躍、漸變和尖峰3個模式，進(jìn)行數(shù)學(xué)定義。跳躍模式時，2個數(shù)據(jù)之間的距離閾值為|ti+l-ti|≥d，其中ti-l

圖2 時間數(shù)據(jù)序列3種模式

(1)

式中，Nt表示子序列Si中包含的數(shù)據(jù)個數(shù)。此時即完成數(shù)據(jù)時間序列的劃分，但是在分割的過程中存在數(shù)據(jù)分割界限模糊問題，為了進(jìn)一步提高數(shù)據(jù)劃分質(zhì)量，設(shè)子序列Si中的數(shù)據(jù)信息為標(biāo)準(zhǔn)數(shù)據(jù)信息。則可以將子序列Si中所有數(shù)據(jù)點的特征Fi定義為：

Fi=(bi，Ni，Li，Ui)

(2)

此時，根據(jù)式(1)和式(2)，令子序列Sj中所有數(shù)據(jù)點的特征Fj=(bj，Nj，Lj，Uj)，其中j表示第j個數(shù)據(jù)，將子序列Si和子序列Sj所有數(shù)據(jù)點特征合并為Sm，則Sm數(shù)據(jù)點的特征Fm為：

Fm=(bm，Nm，Lm，Um)

(3)

此時，式(3)的Fm等于Fi加Fj之和。因此，子序列Si和子序列Sj所有數(shù)據(jù)點特征合并序列Sm的第1個數(shù)據(jù)為bm=min(bi，bj)，即是Si和Sj中的最小起點數(shù)據(jù)；個數(shù)和為Nm=Ni+Nj；則其數(shù)據(jù)點的線性和、有數(shù)據(jù)點的平方和為：

(4)

綜合式(1)、式(3)和式(4)，即完成數(shù)據(jù)時間序列的劃分。根據(jù)劃分好的時間序列，綜合電力數(shù)據(jù)倉庫體系，即可構(gòu)建實踐序列數(shù)據(jù)深度挖掘模型，預(yù)測短期電力負(fù)荷。

1.3 預(yù)測短期電力負(fù)荷

綜合1.1和1.2設(shè)計的數(shù)據(jù)處理電力數(shù)據(jù)倉庫體系以及劃分的數(shù)據(jù)時間序列，設(shè)計時間序列數(shù)據(jù)深度挖掘模型，預(yù)測短期電力負(fù)荷，其時間序列數(shù)據(jù)深度挖掘模型建模過程，如圖3所示。

圖3 時間序列數(shù)據(jù)深度挖掘模型建模過程

基于1.2設(shè)置的原始數(shù)據(jù)時間序列T=〈t1，t2，…，ti，…，tn〉，建立如圖3所示的數(shù)據(jù)累加，則有：

(5)

式中，T(1)為累加后的數(shù)據(jù)。此時的T(1)(k)為數(shù)據(jù)累加值[13]。

建立微分方程，則有：

T(k)+az(1)(k)=c

(6)

式中，a為發(fā)展系數(shù)；c為方程作用量；z為累加值參數(shù)[14]。

此時，根據(jù)式(6)，計算微分方程的背景值，則有：

(k=1，2，…，n-1)

(7)

此時，建立數(shù)據(jù)時間序列的影子方程，則有：

(8)

式中，d為方程的微分子，不可約分[15]。此時求解微分方程，則有：

(9)

式中，T(1)v為原始數(shù)據(jù)累加后T(1)的映射值。此時，將式(9)代入，則T(1)的數(shù)據(jù)時間序列模型為：

(10)

式中，e為無理數(shù)，此時，將(10)中累加的數(shù)據(jù)時間序列進(jìn)行刪除，則需要做一階累減，形成原始數(shù)據(jù)序列的預(yù)測數(shù)據(jù)序列，則T(1)數(shù)據(jù)時間序列模型的還原值為：

(11)

(12)

2 實驗研究

為檢測此次設(shè)計的時間序列數(shù)據(jù)深度挖掘模型，設(shè)計模型性能實驗。此次實驗數(shù)據(jù)選取某區(qū)域的電力局電力數(shù)據(jù)，采集該電力局近3年用戶負(fù)荷功率數(shù)據(jù)和輔助輸入數(shù)據(jù)作為此次的實驗數(shù)據(jù)。短期電力負(fù)荷預(yù)測網(wǎng)絡(luò)遷移變化如圖4所示。

圖4 短期電力負(fù)荷預(yù)測網(wǎng)絡(luò)遷移變化

從圖4中可以看出，該電力局共有36條支線路連接該區(qū)域的電力負(fù)荷，且電力用戶多集中在這片區(qū)域中。因此，此次短期電力負(fù)荷采集時間間隔為15 min，負(fù)荷數(shù)據(jù)變換的時間序列為96維度。由于此次設(shè)計的時間序列數(shù)據(jù)挖掘模型，主要用來預(yù)測短期電力負(fù)荷變化情況，因此在此次實驗中，驗證時間序列數(shù)據(jù)深度挖掘模型性能，采用0～1標(biāo)準(zhǔn)化消除數(shù)據(jù)存在的幅值大小差異，提高數(shù)據(jù)采集使用效果。此時，針對得到的電網(wǎng)數(shù)據(jù)信息，需要進(jìn)行聚類分析，得到電特性子集，獲得數(shù)據(jù)聚類結(jié)果，對輸入數(shù)據(jù)的時間序列進(jìn)行分割，從而得到最終輸入的該電力局電力數(shù)據(jù)。

上述數(shù)據(jù)為用戶負(fù)荷功率數(shù)據(jù)，除用戶負(fù)荷功率數(shù)據(jù)外，還需要輔助輸入數(shù)據(jù)。即收集用戶負(fù)荷功率數(shù)據(jù)時的日期、天氣、溫度等輔助輸入數(shù)據(jù)信息，并對這些輔助輸入數(shù)據(jù)信息進(jìn)行量化處理，量化標(biāo)準(zhǔn)見表1。

表1 輔助輸入數(shù)據(jù)量化標(biāo)準(zhǔn)

基于表1，對收集的輔助輸入數(shù)據(jù)進(jìn)行量化處理。此時，即可將采集到的用戶負(fù)荷功率數(shù)據(jù)和輔助輸入數(shù)據(jù)合并，即為此次實驗需要的電力數(shù)據(jù)。基于上述流程收集到的電力信息，將此次實驗設(shè)計的時間序列數(shù)據(jù)深度挖掘模型，放置在R730機(jī)架式服務(wù)器上運行。服務(wù)器的處理器為E5-2630 V3，運行頻率為2.4 GHz，內(nèi)存為32 GB。

基于此次實驗設(shè)置的實驗參數(shù)，將此次研究的時間序列數(shù)據(jù)深度挖掘模型作為A模型，將引言里提到的2種時間序列數(shù)據(jù)深度挖掘模型作為B模型和C模型?；诖舜卧O(shè)計的時間序列數(shù)據(jù)深度挖掘模型，主要用于短期電力負(fù)荷預(yù)測，采用3種模型分別預(yù)測該電力局的短期電力負(fù)荷情況，從預(yù)測短期電力負(fù)荷功率和模型預(yù)測短期電力負(fù)荷的精確度2方面，分析3種時間序列數(shù)據(jù)深度挖掘模型，檢測3種時間序列數(shù)據(jù)深度挖掘模型，預(yù)測短期電力負(fù)荷功率，與實際短期電力負(fù)荷功率是否一致；統(tǒng)計短期電力負(fù)荷功率預(yù)測結(jié)果，對比3組模型對短期電力負(fù)荷預(yù)測的精確度。為了保證此次實驗?zāi)Ｐ蛯Χ唐陔娏ω?fù)荷預(yù)測的可靠性和真實性進(jìn)行50次實驗，并將所得短期電力負(fù)荷功率和模型預(yù)測短期電力負(fù)荷的精確度對比結(jié)果，按實驗次序繪成圖表，比較不同時間序列數(shù)據(jù)深度挖掘模型存在的差異。

2.1 第1組實驗測試結(jié)果

基于上述設(shè)置的實驗參數(shù)，分別采用3組模型對此次采集到的電力數(shù)據(jù)，進(jìn)行短期電力負(fù)荷預(yù)測，并將預(yù)測結(jié)果與短期電力實際負(fù)荷進(jìn)行對比。實驗結(jié)果如圖5所示。

圖5 短期電力負(fù)荷對比結(jié)果

從圖5中可以看出，經(jīng)過50次預(yù)測結(jié)果，B模型對短期電力負(fù)荷預(yù)測與實際短期電力負(fù)荷值走勢不一致，呈現(xiàn)平穩(wěn)趨勢，相較實際值，所預(yù)測的短期電力負(fù)荷功率值較低，未出現(xiàn)明顯峰值；C模型對短期電力負(fù)荷預(yù)測，出現(xiàn)峰值較多，而在實際值中，僅在預(yù)測的第28次和36次存在峰值；而A模型與實際值的走勢、峰值等較為接近，得到的負(fù)荷功率值也極為接近。由此可見，此次研究的時間序列數(shù)據(jù)深度挖掘模型，可以準(zhǔn)確預(yù)測短期電力負(fù)荷。

預(yù)測效果如圖6所示。

圖6 預(yù)測效果

由圖6可知，擬合電力負(fù)荷曲線上表現(xiàn)優(yōu)異，預(yù)測數(shù)據(jù)在接近分割線部分預(yù)測較為準(zhǔn)確，遠(yuǎn)離分割虛線處開始出現(xiàn)衰退。這是因為此處的輸入預(yù)測數(shù)據(jù)為前一時間點的預(yù)測數(shù)據(jù)，通過計算得出下一時間點的預(yù)測數(shù)據(jù)，預(yù)測的誤差開始疊加，導(dǎo)致精度下降，而接近分割線的部分由于是真實數(shù)據(jù)預(yù)測出的預(yù)測數(shù)據(jù)，故而較為準(zhǔn)確。

2.2 第2組實驗測試結(jié)果

在第1組實驗的基礎(chǔ)上，進(jìn)行第2組實驗?；诖舜螌嶒灢杉碾娏?shù)據(jù)，所采集到的181個樣本數(shù)據(jù)，驗證模型預(yù)測短期電力負(fù)荷精確度，收集第1組實驗預(yù)測過程中，模型產(chǎn)生的規(guī)則數(shù)目變化、準(zhǔn)確預(yù)測樣本數(shù)、樣本搜索的準(zhǔn)確率、負(fù)荷的平均預(yù)測準(zhǔn)確率等5個方面，對比模型在預(yù)測短期電力負(fù)荷過程中3組模型的精確度。

多變量的預(yù)測方式為每一日的同一時刻作為一個時間序列數(shù)據(jù)，同時預(yù)測 24 個時間序列的負(fù)荷值，多變量預(yù)測結(jié)果如圖7所示。

圖7 多變量數(shù)據(jù)預(yù)測效果

由圖7可以看出，多變量預(yù)測時存在個別時間點預(yù)測誤差較大，整體預(yù)測負(fù)荷與真實負(fù)荷擬合程度較好。其模型預(yù)測短期電力負(fù)荷精確度對比結(jié)果見表2。

表2 模型預(yù)測短期電力負(fù)荷精確度對比

從表2中可以看出，在驗證同樣的樣本數(shù)目下，A模型對此次采集到的樣本數(shù)據(jù)準(zhǔn)確預(yù)測的樣本高于B模型和C模型，對模型中的規(guī)則使用更是遠(yuǎn)遠(yuǎn)高于B模型和C模型，樣本搜索準(zhǔn)確率也高達(dá)90%以上，對短期電力負(fù)荷預(yù)測準(zhǔn)確率更是達(dá)到了98%。由此可見，此次研究的時間序列數(shù)據(jù)深度挖掘模型對短期電力負(fù)荷預(yù)測精確度更高，對模型自身的規(guī)則設(shè)定的準(zhǔn)確率更高。

綜合上述2組實驗可知，此次研究的時間序列數(shù)據(jù)深度挖掘模型，可以準(zhǔn)確預(yù)測短期電力負(fù)荷功率，對模型設(shè)定的規(guī)則使用率高。

3 結(jié)語

綜上所述，通過此次研究的時間序列數(shù)據(jù)深度挖掘模型，可以得到數(shù)據(jù)時間序列的變化情況，從而預(yù)測短期電力負(fù)荷。但是，此次研究的時間序列數(shù)據(jù)深度挖掘模型未曾考慮負(fù)荷電價的敏感程度，對模型預(yù)測電力負(fù)荷產(chǎn)生的影響。因此，在今后的研究中，需要深入研究負(fù)荷電價變化，進(jìn)一步提高電力負(fù)荷預(yù)測的準(zhǔn)確率。