电力大数据下的短期电力负荷预测

电力大数据下的短期电力负荷预测

李晓黎

深圳新能电力开发设计院有限公司 518052

摘要：随着信息技术的不断成熟与发展，为各行各业的发展都带来了众多的便利，与此同时，各行各业都在不断的进行在信息化建设，电力企业也不例外，也在积极的进行着智能电网的建设，以推动电力系统运行质量的不断提升，这是时代发展的必然要求。在电力系统的运行过程当中，每天都会产生大量的电力数据。在这样的发展背景之下，我们进入了电力大数据时代，这对电力负荷的预算也提出了更高的要求与标准。电力负荷的预算准确性与时效性不仅与电力系统运行的稳定与可靠有着直接的关系，而且直接关系着社会的正常用电。因此有效保障电力负荷短期预测的准确性与时效性至关重要。基于此，本文在概述电力大数据的特点，以及分析电力大数据下的短期电力负荷预测必要性的基础上对电力大数据下的短期电力负荷预测进行了深入的研究，以供参阅

关键词：电力大数据；短期；电力负荷；预测

1电力大数据的特点

随着电力企业不断在加强电力的信息化建设进程的不断推进，与此同时，电力企业产生数据的速度也在大大提升，电力大数据呈现出数据量大、生产速度快的特点。这些数据往往涵盖电力企业的生产、运行、营销以及管理等方面的数据，呈现出类型多的特点。对这些海量数据中蕴含的价值进行充分的挖掘与分析，并根据分析结果及时对电力系统运行状态进行调整，能够更好的维护电力系统运行的平衡。另外，对于电力企业的形势判断以及企业管理模式的转型升级有着十分重要的意义，其能够适应新时代带来的新要求与新标准。因此，电力大数据还具有价值高的特点。

2电力大数据下的短期电力负荷预测必要性分析

目前，电能需求量日益增加，在满足电能供应需求的前提下，需要避免出现生产过剩这一问题，以免电能资源浪费。与此同时，还应客观掌握不同领域电能使用情况，以便制定合理的电网配送计划，确保电能供需维持平衡状态，借此提高电能资源利用率。这对电网企业稳定发展、顺利转型有促进意义。随着科技水平的逐年提高，负荷预测技术应运而生，利用这一技术完成短期电力负荷预测任务，既能保证预测结果的准确性，又能实现电力资源经济性调度目的，继而提升电力企业影响力和信誉度，并扩大电力企业经济利润空间，这对社会经济稳健发展有积极影响。此外，短期电力负荷预测结果的准确性得到保证后，电网调度决策有效性会自此发挥，最终使得电力企业长期发展战略能够顺利实现。足以见之，电力大数据视域下，分析短期电力负荷预测的必要性。

3电力大数据下的短期电力负荷预测研究

3.1常用方法

近年来，电力系统发展步伐不断加快，电网覆盖范围日渐扩大。为高效处理短期电力负荷预测环节产生的问题，时间序列法、人工智能法、机器学习法随之出现，并不同程度的参与负荷预测活动。由于此项工作具有操作复杂性，加之，影响负荷预测的因素过多，为在短时间内高效完成负荷预测任务，减少预测误差，务必选用适合的预测方法。目前，BP网络是在预测工作中用的最多的一种方法。而且不断的出现了对此方法的改进，本文就是应用BP神经网络的方法对电力负荷进行预测。

3.2模型构建

电力负荷影响因素包括四种，分别为气候因素、政策因素、随机因素、供应因素，故而，电力负荷表达形式即天气因素负荷分量+特别事件负荷分量+随机因素负荷分量+系统因素负荷分量。模型构建的过程中，各分量在其中的作用直观显现，其中，系统因素负荷分量呈线性变化，短期负荷预测环节，其周期性特征十分明显。简言之，这一负荷分量兼具线性特征和周期特征。

影响负荷的气候因素有很多，严格说来，大部分的气候因素都会对生产生活产生影响，进而影响电力负荷数据。常见的气候因素有风力大小、空气湿度、温度、阴、晴、雨、雪等。分析气候因素影响电力负荷的表现时，首先需要收集较多的天气数据以及对应天的负荷数据，对其进行数据处理，如清洗、去噪、归一化等，接下来各种不同类型因素和负荷进行分析确定因子及权值，然后构建天气敏感负荷模型，最后以线性模型方式表示负荷分量。分析变化显著的负荷分量时，务必运用专家系统法完成模型构建任务，以确保电能资源合理配置以及有效调度。

3.3算法应用

将上述样本数据逐项置入BP神经网络模型，本文的电力负荷预测BP神经网络模型的处理过程大致包括如下步骤：初始化→主成分分析→神经网络输入→隐层计算、输出层输出→隐层计算、输出层误差检验→权值及阈值更正→误差对比分析→电力负荷预测这一程序获得精确度较高的预测数值。

3.4预测分析

创设BP神经网络法应用的实验情境，借助MATLAB软件助力于算法开发，同时，为数据分析和数值计算创设网络信息技术环境，最后通过模型训练获知误差率。具体来说，收集、筛选电流值统计表→将样本数据输入神经网络模型→设置相关函数→调节网络参数→更正迭代次数→设置误差值及学习速率→进入网络训练环节。最后预测分析电流值，通过数值对比来检验误差值与预期目标的一致性，直到符合既定目标，顺利完成模型训练任务。若实际误差率小于既定误差率0.3，则意味着所创设的实验场景，以及应用的BP神经网络法能够迎合负荷预测需求，换言之，所选用的电力负荷预测法的实用性较高。例如，某省某地区在预测短期电力负荷的过程中，工作人员客观分析所在区域电能使用情况，并制定合理的神经网络方案，同时，具体总结负荷预测问题，通过创设仿真环境来控制预测精度，使其满足小于百分之三的预测标准。对比于常规预测法，神经网络法的实用性较强，并能更好的迎合电力系统调度需要，为电网配置操作提供可靠支持。

3.5预测总结

随着电力负荷的不断变化，以及预测需求的动态调整，BP神经网络法的应用性能日渐降低，若该预测法未能及时升级，亦或是定期创新，那么BP神经网络法预测活动极易受外界影响，继而预测精度得不到可靠保障。此外，这一预测法适用范围日渐缩小，若重大政治活动或节假日用此方法预测电力负荷，所得到的预测结果存在一定误差。如果预测阶段出现突发情况，或者受到人为干扰，那么预测结果的真实性和准确性也会自此降低。从中能够看出，BP神经网络法改进工作刻不容缓，这既是电力企业持续发展的基本要求，也是电力资源高效配置的有效路径，只有与时俱进的优化BP神经网络法，才能满足优质电能供应需求，大大提高电能资源利用率。和发达国家相比，我国短期电力负荷预测精度有待提高，为弥补这一方面的不足，国内研究学者应主动向发达国家借鉴先进经验，并创新、引进最新大数据技术，这对电力企业转型发展、改革深化有推动作用。除此之外，电力企业应培养优秀人才，以便为短期电力负荷预测工作提供可靠的人才支持，使得电力企业能够实现双赢的目的，确保经济效益最大化。

4结束语

本文分析了BP神经网络法的具体应用，通过模型构建、算法应用、预测分析等环节来提升该预测法在其中的重要地位，以便为后续负荷预测法升级和创新起到基础铺垫作用。同时还结合了具体案例探究BP神经网络法未来应用前景，并积极探索这一方法改进路径，以期为短期电力负荷预测工作助力。

参考文献

[1]徐敏，杨三美.基于云计算的电力大数据分析技术与应用[J].计算机产品与流通，2019(11):70-70.

[2]赵肖旭，耿玲娜，许冠亚，邵平，笪涛.面向智能电网的电力大数据分析技术探讨[J].机电信息，2019(29):165-166.