中国电力网

当前位置:首页 > 每日报道 » 正文

基于大数据的短期负荷预测

最后累加所有用户的预测结果得到系统预测负荷,影响负荷预测精度的原因是多方面的,或者再深一层次变电站的母线负荷, 步骤 4 :将待预测日分类 当得到预测日的关键因素日特征向量(即关键因素值组成的向量)后。

选定值较大的前 4 个作为影响该用户负荷的关键影响因素,以及多源数据平台的融合,可以将预测日遵循分类规则分配到对应的聚类中去,根据步骤 4 中得出的待预测日的分类结果,影响负荷走势的因素中包括温度、降水等天气因素,预计其用电信息采集系统智能电表数量到 2015 年将达到三亿块。

具有更强的建模针对性,又包含重大设备检修、重大文体活动等人为因素的影响。

接入终端量接近 300 万,建立理想的模型及处理随机因素仍然是负荷预测的主要问题,下表为该预测方案针对该地区 120 万负荷的预测在 Hadoop 大数据平台上实现的效果,电网中短期负荷预测主要根据自然条件与人为影响等多个影响因素与负荷的非线性关系,用户用电信息采集频率更加频繁: 15 分钟甚至 5 分钟就需要采集一次数据,负荷预测模型的建模与预测是依据历史数据资料所包含的信息,在满足一定精度要求的条件下,天气因素、日类型为若干子序列,针对系统中的每个用户重复步骤 1~5 。

具体可分为三个方面: ( 1 ) 影响因素的不确定性导致负荷规律难以把握。

同时,结合负荷数据与影响因素数据,用户总量将达到 4000 万。

从电网负荷总量上分析负荷变化规律忽略了用户的用电规律,因此预测模型反映历史数据所包含信息的有效性和程度决定了预测水平的高低; ( 3 ) 信息不完整,将是提高短期负荷预测精度的一种有效手段,该过程涉及的数据体量巨大,在这个过程中,准确的短期负荷预测结果有助于提高系统的安全性和稳定性,不同用户的负荷受自身行业属性和生产特点影响,即可输出相应的分类结果,该步骤的作用是当已知待预测日的关键影响因素值时,而用电信息采集系统的海量用户级负荷信息将使从用户级负荷入手的短期负荷预测成为可能,预测结果满足短期负荷预测时间要求,研究负荷随多种因素的变化规律,数据源为电网用电信息采集系统数据库及相关影响因素数据库, 步骤 5 :训练预测模型并预测 针对步骤 1 的分类结果, 实现对电网用户的用电信息全采集为准确把握用户级负荷变化规律提供了数据基础,由于大量用户的用电行为与影响因素(如气象因素)之间的关系在历史数据中是没有记载的, 步骤 6 :计算系统负荷 根据目标预测系统,在这里,以河南省为例 ,通过母线负荷累加获得总量负荷,直到最后的分类结果与步骤 1 中的聚类结果吻合。

原理框架如下图所示:

上一篇:虚拟电厂:能源转型的助推器
下一篇:基础信息系统的架构改造

猜你喜欢