韩永磊
国网新疆电力有限公司和田供电公司 新疆和田市 848000
摘要：近年来，社会对电力的需求越来越大，电力工程建设的数量也逐渐增加。电力负荷的预测影响着电力储蓄和输送的工作质量，所以提高电力负荷预测的精准度对提高电力部门的效率具有重要意义。随着时代的发展，电力系统的机构变得越来越复杂，电力负荷的形式也越来越多样化，像非线性变化、事变、和不确定变化越来越突出，为了适应这一变化，诞生了人工神经网络，与传统的预测方法相比较，人工神经网络预测的精准度更高、非线性映射、自学能力都得到了提高，为电力负荷预测做出了卓越的贡献。本文就用于电力数据管理分析的负荷预测与异常检测展开探讨。
关键词：智能电网；电力数据；负荷预测；异常检测
引言
精准负荷预测为经济调度与电力系统安全运行的基础，在电力体制不断改革与电力市场创建背景下，经济性为电网运行的主要指标，所以对于短期负荷预测的精度要求也在不断提高。
1负荷预测的应用价值
负荷在电力系统中作为重要的一项元素，对电力系统的整个运行起着不可或缺的影响作用。因此，电力系统负荷预测就由此发展起来了，通过对负荷做出一个判断和预估，从而更好地帮助电力系统稳定、安全的运行，尤其是在现如今的电力市场中，电力负荷预测更是拥有着巨大的研究价值。电网企业应该充分认识到负荷预测的应用价值，更是未来电网行业工作人员所具备的基础技能之一，对电力负荷数据的预测可以有效估计出各地区的电力发展水平和输送量，从而保障一方经济的平稳运行，也是促进国家电力系统又好又快发展的有力措施。
2电力数据管理分析系统设计
为进一步开展面向电力数据的智能应用研究，提高网络服务架构下对电网大数据的分析与挖掘能力，结合已有数据管理架构和当前电网数据发展，设计了电力数据管理分析系统架构。整个电力数据管理与分析架构包括数据源、数据支撑、数据显示和数据应用4个模块，各个模块按网络层结构布设。数据源层的任务是获取与智能电网相关的数据，主要包括用电数据、配电数据、设备状态数据、监测系统数据以及营销数据等电网内部数据和气象数据、历史数据、地理数据、用户数据和调度数据等外部数据。数据支撑层的任务是为整个电力数据管理与分析系统提供全系列数据支持，主要包括数据分析技术、数据处理技术、数据展示技术、数据存储技术及数据管理技术等。数据应用层是系统的核心，主要由电源侧、用电侧和电网侧的电力数据应用服务组成，包括电源侧的电力负荷预测应用、用电侧的用电行为预测和电网侧的配网状态预警。数据展示层主要任务是面向供电、电网和用电提供原始数据及数据分析结果的各种可视化显示手段，包括发电、输电、用电和配电数据的直接展示，负荷预测结果和异常数据检测结果的展示。电力数据管理分析系统的关键是电力负荷预测算法和异常数据检测算法，即数据应用层的技术研究与开发，其它模块均采用当前计算机与网络领域成熟技术。
3用电负荷预测算法与异常检测
3.1电力短期负荷预测对于电网的运行和优化具有重要作用
（1）保障电网的运行。 随着各个行业的迅猛发展，国家经济、工业产量都得到的很大的提升，人们的生活水平也越来越高，对电的运用也越来越多，人们的生活已经离不开电，这就造成了电力行业的巨大压力。这就需要电力部门在电网安全的前提下，依据电力负荷预测的结果分析出实现电力系统高效控制办法，优化电资源，来保证电力的平衡。（2）优化电力调度方面。电力调度指的是电力公司根据实际的用电情况对电力进行调度分配，要想对调度进行优化就要做好负荷的预测，因为预测的结果数据能够直接反应调度的工作分配情况，所以，要对电力预测进行准确评估是电力调度的一项重要工作项目。在相关的规章制度中也明确地指出，工作人员在预测电力负荷、发电、运输等方面都要每天进行工作计划的编制，并严格按照计划执行。（3）提升经济效益。经济的飞速发展和电力的使用增加，让供应和需求之间得不到一种平衡的状态，要想打破这种不平衡就需要准确的电力预测分析，才能解决各种突发事件，从而达到对各机组启动优化，节约成本，让电力部门的经济灵活性得到提升。
3.2BP神经网络
BP神经网络包括输入层、输出层和隐含层，一般输入层与输出层为单层，而隐含层为多层，且隐含层的个数直接影响了神经网络解决复杂问题的能力和训练效率。通常情况下，单隐含层的BP神经网络即可实现对复杂非线性问题的拟合，且具备实现简单、训练效率高的优点；而多隐含层BP神经网络虽然能够显著提升网络的泛化能力与拟合精度，但训练效率过低直接影响了其在工程中的可用性。针对电力负荷预测问题，本节首先建立了如图1所示的BP神经网络负荷预测模型，模型中包含输入层、输出层和隐含层各1个。输入层为前三天同一时刻的电力负荷以及温度、湿度等特征参数，隐含层节点数根据实验试探选择为12个，输出层输出为用电负荷预测结果。该网络的隐含层激活函数为logsigmoid函数，输出层激活函数为具有线性特点的purelin函数，训练算法采用自适应梯度下降算法。采用电力数据管理系统中的相关数据进行电力负荷预测实验结果表明，BP神经网络的初始权值和阈值对负荷预测精度的影响很大，但目前缺乏相关的初始值选择依据，为此，文中借助粒子群算法对BP神经网络的初始权值和阈值进行优化。
.png)
图1BP神经网络电力负荷预测模型
3.3粒子群优化算法
粒子群算法的描述如下：PSO将产生的每个解作为群中的粒子，每个粒子都具备自身速度向量与位置向量，还具备通过目标函数所决定的适应值。搜索空间中的粒子根据一定速度飞行，利用追随目前搜索的最优值实现全局最优。假设D维目标搜索空间的粒子有m个，每个粒子位置都是潜在解。第i个粒子位置向量为Xi=（xi1,xi2,...,xiD），速度向量为Vi=（vi1,vi2,...,viD），其所历经的最好位置为个体极值，表示为Pbest，整体粒子群所能够搜索的最优位置为全局极值，也就是Gbest。粒子速度在每次迭代中通过全局极值与个体极值进行更新，如式（1）所示。
.png)
（1）
式（1）中的Vi+b指更新之后的粒子速度，w指惯性权重，Vj指粒子速度，Xi指目前粒子算法，c1与c2指加速常数。在每次迭代过程中，粒子位置通过速度向量和位置向量的结合进行修改，如式（2）所示。
.png)
（2）
其中，Xi+1指更新之后的粒子位置。迭代终止条件以具体位置来选择粒子群能够搜索的最优位置，使预定最小适应阈值或者最大迭代次数得到满足。
3.4数据预处理
数据预处理任务是去除数据中的噪声，降低
不同类型数据之间量纲的影响，并将数据转换为需要的形式。对于电力异常数据检测，采用Z值归一化方法进行数据预处理，处理过程可以表示为：
.png)
（3）
式中，μ和σ分别表示样本数据的均值和标准差。经过Z值归一化处理后，输入数据遵从于均值为0，标准差为1的正态分布。
结语
为了尽快实现国家建设强大智能电网的目标，全国掀起了智能电网建设热潮。智能电网设备的使用不断增加，智能电网系统已经建立。与传统电网供应模式相比,电力供应和能源利用模式在智能电网环境下有所改变,电网企业从传统的垂直式管理转变为互通式管理。电力负荷预测是实现电力供需平衡的基础，为电力供应和电网的规划建设提供信息和依据。
参考文献
[1]周步祥.电力系统短期负荷预测方法的研究[J].电力系统自动化，2018（67）.
[2]王冰山.电力短期负荷的多变量时间序列线性回归预测方法研究[J].中国电机工程学报，2019（24）.
[3]邹鑫.智能电网负荷预测算法的研究[J].计算机与数字工程,2019,47（9）:2357-2363.