基于數(shù)據(jù)挖掘的電力負荷預測系統(tǒng)設計

郭大亮，沈 峰，于楚凡，宋子濤

（1.國家電力投資集團有限公司，北京 100029；2.國家電投集團中央研究院，北京 102209）

隨著我國在電力領域的不斷發(fā)展與進步，關于電力負荷所產(chǎn)生的問題也在不斷增加，因此如何有效規(guī)范地對電力負荷進行調(diào)度、規(guī)劃等預測成為我國研究的重點[1-2]。短期負荷預測是我國相關工作者制訂規(guī)劃與檢測安全的基礎，也是我國電力市場短期未來發(fā)展的根本參考，因此短期的負荷預測顯得尤為重要[3-4]。

近幾年來，我國的相關工作者對短期負荷預測這一項目點進行了不斷地研究，共總結(jié)出了3 類主要方式：分別為時間行列模型與回歸模型計算法、智能分析法、混沌計算法，但由于負荷變化過于龐大，所受干擾成分較多，因此這些方式在應用時都會存在一定的瑕疵和約束[5-6]。其中，時間行列與回歸模型計算法的計算量過小、進度較快，但得到的結(jié)果精密度卻并不高，且成本投入過大。智能分析預測法系統(tǒng)的魯棒性沒有安全保障，不具有權威性?；煦珙A測法的系統(tǒng)雖然可以避開復雜的數(shù)值計算，但還處于發(fā)展階段，因此其通用性較差，且缺乏學習能力[7-8]。

人造神經(jīng)網(wǎng)絡的保障性較高且非線性映射能力與學習能力較強，但其受環(huán)境因素的影響較大，并且該網(wǎng)絡實際上是依靠梯度下降法調(diào)試的方式使目標函數(shù)變小，因此其泛化性能不強，無法得到廣泛使用。

數(shù)據(jù)處理技術可以對負荷預測的歷史數(shù)據(jù)進行聚類分析，還可以將當日預測的負荷數(shù)據(jù)與之前的歷史負荷數(shù)據(jù)進行對比，并整合成一個完整的數(shù)據(jù)集合，然后再運用模糊神經(jīng)網(wǎng)絡（Fuzzy Neural Network，F(xiàn)NN）模型進行負荷預測。經(jīng)過對比結(jié)果顯示，文中系統(tǒng)方式跟上述所有方式相比具有更高的精確性與應用性。

1 系統(tǒng)硬件設計

文中系統(tǒng)的硬件結(jié)構如圖1 所示。

圖1 電力負荷預測系統(tǒng)硬件結(jié)構

觀察圖1 可知，基于數(shù)據(jù)挖掘的電力負荷預測系統(tǒng)硬件結(jié)構由數(shù)據(jù)源層、數(shù)據(jù)連接層、數(shù)據(jù)庫層、數(shù)據(jù)挖掘?qū)印⑾到y(tǒng)應用層、集成層、用戶層組成。

1）數(shù)據(jù)源層主要負責整合系統(tǒng)訪問的所有電力負荷數(shù)據(jù)，包含了社會用電數(shù)據(jù)、策劃數(shù)據(jù)、環(huán)境數(shù)據(jù)、水電站數(shù)據(jù)、社會整體電力負荷數(shù)據(jù)、線損數(shù)據(jù)等[9]。

2）數(shù)據(jù)連接層指的是系統(tǒng)與網(wǎng)絡之間的連接層，是系統(tǒng)訪問數(shù)據(jù)庫的主要渠道[10]。

3）數(shù)據(jù)庫層是電力負荷數(shù)據(jù)的暫存空間，當處理數(shù)據(jù)量過大時可將多余的數(shù)據(jù)交由數(shù)據(jù)庫層進行保存。

4）數(shù)據(jù)挖掘?qū)右詳?shù)據(jù)挖掘作為核心技術對所有的負荷數(shù)據(jù)進行深度挖掘，并構建相關模型從而為接下來的預測提供數(shù)據(jù)支持。

5）系統(tǒng)應用層主要負責對構建的模型進行剖析與總結(jié)，為用戶與負責人提供更加直觀的表達。

6）集成層負責對所要挖掘的數(shù)據(jù)進行收集與規(guī)劃。

7）用戶層主要分為系統(tǒng)負責人員與客戶兩大類，他們是該系統(tǒng)的主要參與者與應用者。

系統(tǒng)電路圖如圖2 所示。

圖2 系統(tǒng)電路圖

1.1 電力負荷數(shù)據(jù)預處理模塊

電力負荷數(shù)據(jù)預處理模塊主要針對數(shù)據(jù)源層中的所有歷史負荷數(shù)據(jù)，這些歷史負荷數(shù)據(jù)并不是絕對完整與可用的，因此需要電力負荷數(shù)據(jù)預處理模塊對這些數(shù)據(jù)進行預處理，以方便接下來使用[11-13]。電力負荷數(shù)據(jù)預處理模塊內(nèi)部芯片為美國Intel 公司生產(chǎn)的IT20154 芯片，芯片結(jié)構如圖3 所示。

圖3 電力負荷數(shù)據(jù)預處理芯片結(jié)構

觀察圖3 可知，模塊預處理的內(nèi)容主要分為兩個方面，分別為偏差數(shù)據(jù)處理和不可用數(shù)據(jù)處理，其中對偏差數(shù)據(jù)的處理主要采用定性推理方法，對缺失數(shù)據(jù)則采用關聯(lián)規(guī)則填充方法[14]。對于歷史數(shù)據(jù)中的不可用數(shù)據(jù)來說，該類數(shù)據(jù)的產(chǎn)生主要是由于在存放與傳輸?shù)倪^程中受到了彼此之間的影響，出現(xiàn)了數(shù)據(jù)紊亂與糾紛的現(xiàn)象，電力負荷數(shù)據(jù)預處理模塊針對這一類數(shù)據(jù)主要采取修復與處理的方式來進行解決，保證不會影響到接下來的一系列過程。電力負荷數(shù)據(jù)處理模塊電路圖如圖4 所示。

圖4 電力負荷數(shù)據(jù)處理模塊電路圖

1.2 數(shù)據(jù)倉庫與多維分析

數(shù)據(jù)倉庫中包含了許多緩存數(shù)據(jù)，該類數(shù)據(jù)的存在是為了填補偏差數(shù)據(jù)之間的空白以及幫助不可用數(shù)據(jù)進行修復與銷毀。文中系統(tǒng)在數(shù)據(jù)庫的應用中，采取了緩存數(shù)據(jù)分布式處理，這些緩存數(shù)據(jù)對偏差數(shù)據(jù)與不可用數(shù)據(jù)的填補與修復不會影響這兩類負荷數(shù)據(jù)的整體結(jié)構，而是減少這兩類數(shù)據(jù)所受環(huán)境以及天氣因素的影響，從根本上彌補了這兩類數(shù)據(jù)的不足，以完成接下來的多維分析，從而實現(xiàn)對數(shù)據(jù)的多維統(tǒng)計分析與查詢，分析和查詢結(jié)果可以通過報刊、圖像等不同形式形象地表示出來，并支持相關客戶端獲取所得分析結(jié)果[15]。

2 系統(tǒng)軟件設計

數(shù)據(jù)挖掘是一個從大量數(shù)據(jù)中挖掘出未知并且有價值的負荷數(shù)據(jù)規(guī)律的過程，文中所設計的系統(tǒng)軟件主要具有歸類、合并、維系和總結(jié)4 種功能。

其中，歸類是指將所有數(shù)據(jù)對象根據(jù)其具有的特征性分組成為多個區(qū)域的一項具體操作，而合并則是通過數(shù)據(jù)挖掘理念對這些區(qū)域的負荷數(shù)據(jù)對象依次進行挖掘，并找到它們總相似性的過程，維系的目的在于確定原始數(shù)據(jù)在該類別中的穩(wěn)定現(xiàn)象，上述三大功能是實現(xiàn)總結(jié)功能的基礎[16]。

在總結(jié)的過程中，文中所設計的軟件不但需要找到這些負荷數(shù)據(jù)的差異性與相似性，還需要對最終模型的構建進行預覽與分析，因為電力負荷所處的環(huán)境中所包含的溫度、濕度、降雨量、空氣波動等因素對最終模型的構建都有一定的影響，而這些因素彼此之間的相互影響又難以進行絕對比較，因此在總結(jié)的過程中需要通過數(shù)據(jù)挖掘理念將這些因素數(shù)據(jù)指標標準化，方便最終總結(jié)功能的正常運行。電力負荷預測系統(tǒng)軟件流程如圖5 所示。

圖5 電力負荷預測系統(tǒng)軟件流程

文中利用BP 神經(jīng)網(wǎng)絡單向傳播的多層前向特點，將輸入信號節(jié)點通過節(jié)點依次傳輸，而彼此節(jié)點之間又具有不相互影響的特點，這使得負荷預測誤差趨向極小值，降低了上述總結(jié)過程中其他因素的影響。

為了增強文中所設計軟件的包容性，該軟件所應用的神經(jīng)網(wǎng)絡在構建模型時需要經(jīng)過輸入、生成、推理、干預共4 個過程才能完成，各過程之間所依據(jù)的信息語言、學習概念、應用規(guī)則都存在著一定的差異性，使得在應用該系統(tǒng)進行最終總結(jié)模型構建時大大地增強了涵蓋指數(shù)與包容性。

3 系統(tǒng)功能

為了檢測文中提出的基于數(shù)據(jù)挖掘的電力負荷預測系統(tǒng)與傳統(tǒng)的電力負荷預測系統(tǒng)的功能，進行實驗對比，系統(tǒng)實驗環(huán)境如圖6 所示。

圖6 實驗環(huán)境

設定實驗參數(shù)如表1 所示。

表1 實驗參數(shù)

根據(jù)實驗參數(shù)和實驗環(huán)境，選用文中設計的基于數(shù)據(jù)挖掘的電力負荷預測系統(tǒng)、傳統(tǒng)的基于動態(tài)測量的電力負荷預測系統(tǒng)與基于人工智能的電力負荷預測系統(tǒng)。

系統(tǒng)對電力負荷的辨識率實驗結(jié)果如圖7所示。

圖7 系統(tǒng)對電力負荷的辨識率實驗結(jié)果

系統(tǒng)對電力負荷的辨識時間實驗結(jié)果如圖8所示。

圖8 系統(tǒng)對電力負荷的辨識時間

觀察圖8 可知，文中提出的基于數(shù)據(jù)挖掘的電力負荷預測系統(tǒng)預測辨識的時間遠遠小于傳統(tǒng)系統(tǒng)，這是因為文中所設計的系統(tǒng)在進行預測時不但需要從理論概念出發(fā)，還需要從社會、環(huán)境、發(fā)電站等多個與電力負荷相關聯(lián)的方面依次進行采集與建模分析，這是文中系統(tǒng)的一大亮點，即具有極大的包容性，而正是因為該系統(tǒng)需要對多種狀態(tài)下的電力負荷都進行分析，所以它對任何狀態(tài)下的電力負荷都具有極高的識別度，這也是文中提出的基于數(shù)據(jù)挖掘的電力負荷預測系統(tǒng)的預測辨識時間遠遠小于傳統(tǒng)系統(tǒng)的重要原因。

在對電力負荷進行精準預測的過程中，所需要的電力負荷數(shù)據(jù)是十分巨大且不間斷的，因為電力負荷數(shù)據(jù)的特征性會隨著時間的流逝一直在改變，所以只有對電力負荷進行24 小時的不間斷預測，才能盡可能降低系統(tǒng)對電力負荷的預測結(jié)構和實際數(shù)據(jù)結(jié)果之間的偏差，而文中系統(tǒng)的集成接口主要負責對負荷數(shù)據(jù)自動采集的工作，并且它的工作狀態(tài)并不會受到該系統(tǒng)工作狀態(tài)的影響，具有極強的自主工作能力，而這也是文中系統(tǒng)的特色開發(fā)工具之一。該系統(tǒng)的主要挖掘?qū)ο鬄樗娯摵珊蜕鐣摵?，通過深度挖掘技術來建立相關模型與多元線性同歸神經(jīng)網(wǎng)絡是該文采取的主要手段，在經(jīng)過大量的實驗與實際操作驗證后，發(fā)現(xiàn)文中系統(tǒng)對電力負荷預測的精確性最高，抗外界干擾性最強。

4 結(jié)束語

數(shù)據(jù)挖掘技術是一種抗干擾較強且設計范圍較廣的多層次應用技術，在經(jīng)過大量的實際操作與實驗總結(jié)后，發(fā)現(xiàn)該技術所具有的特征點對我國的電力負荷預測領域有著極大的突破與幫助，因此文中基于該技術核心理念設計了相對應的預測系統(tǒng)，事實證明，文中所設計系統(tǒng)的抗干擾性與針對性是傳統(tǒng)預測系統(tǒng)遠遠不具備的，在電力負荷預測領域有著極高的研究價值與發(fā)展前景，另外，隨著我國該領域的不斷發(fā)展與創(chuàng)新，也希望該系統(tǒng)在未來可以獲得更大的提升，發(fā)揮更大的使用價值。