大數(shù)據(jù)分析在電力規(guī)劃中的應用

王成勇

（國網自貢供電公司，四川 自貢 643000）

1 背景及意義

傳統(tǒng)的電力需求預測僅局限于少量、單一數(shù)據(jù)的分析，缺少多變量數(shù)據(jù)、多行業(yè)數(shù)據(jù)的關聯(lián)分析，有時還受限于主觀經驗的影響，缺乏科學分析。以科學的電力需求預測分析為基礎，對電網規(guī)劃項目進行有序且合理的規(guī)劃，急需建立一套電力需求分析預測系統(tǒng)，通過對歷史負荷數(shù)據(jù)、電量數(shù)據(jù)、氣溫數(shù)據(jù)、地方經濟數(shù)據(jù)的綜合分析，主要通過因子分析、相關性分析、回歸分析，挖掘各數(shù)據(jù)之間的關聯(lián)，建立預測模型，以實現(xiàn)對某一特定時期最大負荷和電量的科學預測。

2 氣溫-電量（負荷）預測法

本文利用相關性分析找出各種因素對負荷與電量的影響程度，根據(jù)分析結果找出與負荷和電量有關聯(lián)的變量，然后通過因子分析，對多個變量進行降維處理，以盡可能減少變量個數(shù)。通過對氣溫數(shù)據(jù)（包含最高氣溫、最低氣溫和平均氣溫）、月份、電網負荷、電量數(shù)據(jù)曲線的觀察，發(fā)現(xiàn)數(shù)據(jù)之間存在著一定的關聯(lián)關系，并隨著時間的變化呈現(xiàn)出一定的周期性規(guī)律，因此依據(jù)最高氣溫、最低氣溫、平均氣溫和月份等變量，重點分析負荷和電量的變化。最后通過建立預測模型，實現(xiàn)對電力需求的預測。

（1）氣溫、負荷、電量的相關性分析。首先對整體數(shù)據(jù)進行描述性統(tǒng)計分析，以了解待分析數(shù)據(jù)的總體情況，包括各數(shù)據(jù)的均值、范圍、標準差等信息。日最大負荷與日電量兩個變量跟最高氣溫、最低氣溫和平均氣溫這3個變量的關聯(lián)程度較大，相關性顯著，尤其跟日最高氣溫的相關性最為顯著，日最大負荷、日電量與空氣質量指數(shù)、月份相關性較弱，可以認為基本不相關。因此，為減少計算量，在后面的分析中去除空氣質量指數(shù)變量數(shù)據(jù)，保留每日氣溫數(shù)據(jù)，同時保留月份數(shù)據(jù)。

（2）氣溫、負荷、電量因子分析。對最大負荷、日電量與當日的最高氣溫、最低氣溫、平均氣溫的4個變量進行因子分析，根據(jù)各自與負荷（電量）的相關程度抽取出對負荷（電量）有影響的成分，組成1組或1個能夠等效于上述4個變量的新的變量數(shù)據(jù)。事實上，因子個數(shù)小于原有變量的個數(shù)才是因子分析的目的，所以不可能提取全部特征根。第2列列出了按指定提取條件（這里為特征根大于1）提取特征根時的公因子。可以看到，與最大負荷（日電量）有關聯(lián)的3個氣溫變量的絕大部分信息（大于95.8%）可被因子解釋，這些變量信息丟失較少，而與最大負荷（日電量）關聯(lián)不大的月份變量僅提取了7.3%的成分。因此，本次因子提取的總體效果理想。圖1為因子分析的碎石圖，第1個因子的特征值很高（3左右），對解釋原有變量的貢獻最大；第1個以后的因子特征根都較小，取值都小于1，說明它們對解釋原有變量的貢獻很小，稱為可被忽略的“高山腳下的碎石”，因此可以提取第1個因子作為所有因子的代表。

圖1 因子分析碎石圖

因子分析完成后，數(shù)據(jù)末尾自動生成了1個公因子變量（FAC1_1），將其命名為“D”變量（影響電力負荷和電量的變量）。

（3）回歸分析。經分析，得到決定電力負荷和電量的單一變量（D），接著需要利用回歸分析找出最大負荷與D、日電量與D的變化關系。下面分別選取最大負荷和日電量為因變量，選取D為自變量，對最大負荷與D、日電量與D的變化曲線進行估計分析?？梢园l(fā)現(xiàn)，各個對最大負荷與D、日電量與D的變化曲線估計模型中，三次曲線的可決系數(shù)R2和F統(tǒng)計量均為最大，所以采用三次曲線對日最大負荷(Y1)-D和日電量(Y2)-D曲線進行估計，三次曲線參數(shù)估算值結果可得出日最大負荷(Y1)-D、日電量(Y2)-D的變化關系式為：

圖2 日電量擬合值與實際值對比圖（單位kWh）

從圖2可以看出，曲線表達式基本上的最大負荷和日電量值大致擬合。

3 建立時間序列預測模型

從前文的分析可以發(fā)現(xiàn)，要實現(xiàn)負荷和電量的預測，只需預測出（最高氣溫（V1）、最低氣溫（V2）、平均氣溫（V3）這3個溫度參數(shù)即可。本節(jié)采用月度氣象數(shù)據(jù)建立時間序列模型，對未來某月的3個溫度參數(shù)（V1、V2、V3）進行預測，然后利用插值實現(xiàn)每天的溫度參數(shù)，再次計算變量D，然后通過三次曲線方程實現(xiàn)對日負荷與電量的預測。建立分析模型如下。

表1 模型類型

由表1可知，最高氣溫和最低氣溫可以用簡單季節(jié)性模型擬合，而平均溫度可以用溫特斯加性模型擬合。通過觀察平穩(wěn)R方得到的預測模型，能夠較好的對變量進行擬合和預測。將得到的模型輸出并保存為xml模型文件（命名為月度氣溫預測模型），以便以后做預測時直接調用。

從圖3中的歷史氣溫擬合值與實際值的擬合程度可以看出，預測模型能夠較好的對預測變量進行預測。建立了月度氣溫預測模型后，便可以對未來某個指定日期內的氣溫數(shù)據(jù)進行預測。

圖3 氣溫預測模型曲線對比圖

4 模型的仿真與分析

以預測2018年某地區(qū)電網最大負荷和電量為例，進行仿真驗證。首先應用SPSS的時間序列預測分析中的“應用預測模型”功能，打開月度氣溫預測模型，選定2019年1月為預測時間終點，預測得到2017年11月~2019年1月的月氣溫數(shù)據(jù)。然后通過Excel中的TREND函數(shù)插值得到2018年的全年氣溫數(shù)據(jù)，如圖4。

圖4 2018年氣溫預測值

根據(jù)氣溫預測結果，采用本章第2節(jié)，對3個氣溫變量及月份做因子分析中的降維處理，得到變量D，進而利用第3節(jié)回歸分析中的曲線估計結果，得到2018年的日最大負荷與日電量。

5 結語

本文通過對某電網的歷史負荷數(shù)據(jù)、電量數(shù)據(jù)、氣溫數(shù)據(jù)、地方經濟數(shù)據(jù)的綜合分析，主要通過因子分析、相關性分析、回歸分析，挖掘各數(shù)據(jù)之間的關聯(lián)關系，并建立預測模型，以實現(xiàn)對某一特定時期（2018年）最大負荷和電量的科學預測。在以后的電力需求預測中，可以直接調用已經建立的模型，而不必再對龐大的數(shù)據(jù)進行重新建模，極大提高了電力需求預測的科學性和工作效率。