张蒙 李伟 霍为民 杨承佐 吴洪文 张卫东
北京京能高安屯燃气热电有限责任公司 北京市100024
摘要：由于采集电力数据所需成本的减少，以及互联网技术在电网中的大规模发展等，给电网带来了日益丰富的数据类型。京能高安屯燃气热电有限责任公司利用已实施的大数据平台技术，基于数据挖掘架构实现发电侧短期负荷预测，以提升经营生产的盈利能力。传统的集中预测法面对大规模的电力数据，只能简单的实现基本的生产任务分配，而各个电厂在进行检修计划及工况调整时，往往面临着无数据支撑的经验性判断计划安排。因此，本文对以往负荷预测法中的不足，以及负荷分析阶段引入大数据技术带来的优势进行了阐述，通过大数据技术的引入，在分析负荷的同时对各项影响因素进行样本分析，以此来削弱误差从而更加精准预测相关负荷，为电力系统的短期负荷预测提供参考。
关键词：电力系统；大数据；短期负荷预测
电力系统的现代化管理标志之一就是电力系统高水平的负荷预测工作。短期负荷预测是电力系统中最为重要的负荷预测部分。由于电力市场的不断改革，短期电力负荷能否得到高精度的预测，关系着电网和发电厂能否取得良好的经济效益。国内电力市场的逐步放开，标志着电力负荷预测将通过大数据技术获得全新的发展和机遇。
一、短期负荷预测的特点及相关影响
（一）负荷预测的优势
从实质上来说，通过负荷预测能够在以往的电力负荷值的基础上对未来值进行推测。预测所提供的高精度结果能够带来以下优势：首先，对负荷的准确预测能够使电网公司所指定的发电计划更加合理，使电力获得更加高效的运转，并且能够实现对运营成本的大幅减少；其次，通过相关信息对电力调度的实时管理，能够使系统具备更高的负荷率；再次，对短期负荷的准确预测，能够为投标竞价阶段的发电商提供依据，能够作为各电网公司之间的合同谈判指导，有着十分重要的作用；最后，通过对短期负荷的准确预测能够作为基础，促进电价预测和未来电力市场对期货交易的展开，依次为依据，能够使电力市场更加有效的进行投资规划[1]。
（二）影响负荷预测的因素
1.历史数据
负荷预测在电力系统中的结果会受到来自历史数据的极大影响，然而由于传统技术原因无法通过与历史数据的结合，不具备检修计划插入、供热季非供热季调整功能，无法实现对负荷值在未来特定时间内的变化情况进行准确的预测。本厂基于数字化电厂成果，完成历史全数据收集，建立独立模型数据库。从本厂实际角度出发，基于利润角度建立本厂厂级经济模型，实现基于利润最优的、支持检修时间插入的
2.数据标签
采集数据的标签也会导致负荷值出现变化，例如时间标签：也就是在特定时间内，负荷变化对特定规律的呈现，城市夜晚比白天或深夜有着更大的用电量，由于下午下班后的城市居民在休息时间对电量的集中使用。因此在进行样本标签标定时，选用全量标签，例如：时间、机组工况、环境温度、环境湿度、天然气压力、调峰时段、各类成本单价、税率、节假日、检修时段、发电量与供热量等。
3.政策、电力市场因素
从“十三五”开始，能源利用率在我国不断上升，通过对能源结构的优化，实现了对能源技术的改革，因此电力部门从速度上对电力市场的建设进行了提升，为市场提供了一个符合我国国情的、具有统一性以及开放性的电力体系。针对新环境下的电力市场来说，电力部门根据相关计划通过对日负荷的制定和调整，能够使周期得到缩短，由于以往所采用的预测负荷的方法缺乏高精度以及快速性，因此无法做到对电力部门需求的满足，所以在预测负荷的过程中，必须要根据负荷变化对政策影响进行相关的考虑，同时需要考虑实时电价在电力市场中会对用户用电模式带来怎样的影响[2]。
二、电力短期负荷中的大数据预测技术路线
利用基于大数据平台进行厂内生产、经营数据的生产成本统计、收入计算、利润测算；根据发电、供热等生产类及经营类历史数据建立大数据经济分析模型。历史样本根据供热季、非供热季进行区分，进行同时期生产任务基于利润最优的预分配。以利润最优工况匹配以及下发的全年生产任务计划，实现全年生产任务按照日、月、季度等不同维度的分配。
如图1 京能高安屯燃气热电有限责任公司厂级经济模型四维图所示，经济性分析模型是将生产任务分配进行“天到月、月到年”的最优利润组合分配，以天为精度，边界条件为：检修期、机组运行方式（一拖一/二拖一）、分采暖季或非采暖季、社会用电增长率（取前五年均值）、环境温度（取历史平均）、（天样本中要剔除抽凝背压、一拖一转二拖一等变工况的样本）等，找出对应年度最优利润生产任务计划。
.png)
三、电力短期负荷中的预测算法
BP神经网络算法
神经网络作为非线性系统其中包含了大量的神经元，各个神经元都有着较为简单的功能和单一的结构，然而神经网络系统中包含着大量复杂的神经网络，在该系统状态中通过对外部信息的输入，能够实现对相关信息的动态处理。BP神经网络作为多层网络其传播具有单向性，主要涉及到了输入层、隐含层以及输出层这三层，能够进行正向传播和反向传播。根据正向和反向两者的传播误差来对各层权值进行调整，BP神经网络在调整权值的过程中能够得到学习和训练，进而实现对输出误差的减小，这一过程会反复进行，指导满足终止条件为止。
（一）与大数据的结合
在BP神经网络模型中逐渐输入年度生产任务数据，包括年度计划发电量及年度计划供热量，然后经过初始化—分析主样本—输入神经网络—隐层和输出层的计算和输出—检查隐层天级生产任务组合结果、输出层输出结果的误差—月度最大生产任务修正—返回代替主样本—判断误差满足——权值修正—对比分析误差—预测基于利润最优的生产任务分配这一过程，完成短期负荷预测[3]。
根据BP神经网络法通过对相关应用实验情境的创设，以及对MATLAB 软件的借助，能够使算法得到更好的开发，同时，采用了网络信息技术对相关的数据和数值进行了计算分析，最后对误差率的获取采用了模型训练的方式。详细的来说就是：在统计表中对电流值的收集、筛选—在BP神经网络模型中输入样本数据—对相关函数的设置—对网络参数的调节—对迭代次数的更新—对误差值、学习效率的设置—在网络中进行训练。最后对电流值进行预测分析，并采用相关数值来对误差值和预期目标进行比对，检验两者是否一致，直到与既定目标相符为止，才能够说明模型顺利完成了训练任务。
结束语：
在以往的负荷方法中通过对大数据技术的引入，以及对大数据的利用，能够在分析负荷的同时，比对各项影响因素和大数据，以此来对误差进行减少，从而更加精准的预测相关负荷，使短期负荷预测阶段的电力系统获得了参考借鉴。
参考文献：
[1]朱俊丞,杨之乐,郭媛君等.深度学习在电力负荷预测中的应用综述[J].郑州大学学报(工学版):1-10.
[2]吴尚尚.短期电力负荷预测影响因素分析与研究[J].中国新技术新产品,2019(1).
[3]王帅哲,王金梅,王永奇等.基于改进遗传算法的BP神经网络短期电力负荷预测[J].国外电子测量技术,2019(1).