CN104376384A

CN104376384A - 一种基于电力大数据分析的台风日最大日负荷预测系统

Info

Publication number: CN104376384A
Application number: CN201410706036.1A
Authority: CN
Inventors: 李滨; 吴茵; 龚利武; 杨小卫; 张智光; 朱桂兰; 黄佳; 巩德军; 覃芳璐; 苗增强; 韦化
Original assignee: GUANGXI XIDA YOUNENG ELECTRIC TECHNOLOGY Co Ltd; Guangxi University; Guangxi Power Grid Co Ltd
Current assignee: GUANGXI XIDA YOUNENG ELECTRIC TECHNOLOGY Co Ltd; Guangxi University; Guangxi Power Grid Co Ltd
Priority date: 2014-11-27
Filing date: 2014-11-27
Publication date: 2015-02-25
Anticipated expiration: 2034-11-27
Also published as: CN104376384B

Abstract

一种基于电力大数据分析的台风日最大日负荷预测系统，包括大数据采集模块、大数据筛选处理模块、台风期间负荷预测建模模块、台风日最大日负荷预测计算模块和软件图形界面模块。通过获取历史台风日的负荷数据及气象数据，针对台风影响的不同城市，运用现代优化理论，将台风影响分为台风前、台风中、台风后三个阶段，利用基准日预测方法建立受台风影响城市的负荷预测模型，从而求出台风期间损失的负荷量；利用修正综合气象因子叠加法建立台风期间统调基础负荷预测模型，在统调基础负荷预测上叠加台风期间损失的负荷量，从而预测出台风期间的统调负荷。本发明能够提高短期负荷预测的精度，为电网运行人员做好台风日发电计划提供依据。

Description

一种基于电力大数据分析的台风日最大日负荷预测系统

技术领域

本发明属于电力系统考虑气象因素影响的中短期负荷预测领域，具体涉及一种基于电力大数据分析的台风日最大日负荷预测系统。

背景技术

电力系统台风日最大日负荷预测是电网重要的工作内容之一，是电力系统中短期负荷预测领域的重要组成部分，准确的负荷预测有利于提高系统运行的经济性和可靠性。电力大数据包括电网运行大数据与气象大数据；台风日是指该地区受台风影响的日子。在负荷预测的技术发展的过程中，负荷预测较少考虑到台风的影响。其极端的气候变化，历史样本数据少的特点给负荷建模带来困难。

台风所造成的气候变化是影响电力系统负荷最重要的影响因素。在台风前，温度有明显的升高且天气闷热，台风影响我国的时间又大多都集中在7-9月，恰恰是天气最炎热的时候。这时空调等制冷用电设备的用电负荷居高不下，且处于全年的最高峰。两者的影响会使得负荷水平较平常日会有一个很明显的升高，即用电负荷增加。在台风中，由于台风眼外边是漩涡风雨区，盛行上升气流，形成低压，往往会有大范围的降雨并且降雨量会很大，再外边是外围大风区，一般会形成强劲的大风。此期间的大风和强降雨必定会直接导致温度降低，在对各气象因子和日最大负荷做回归分析，其中在夏季中最高温度的相关度最高，说明温度对负荷的影响很大。而强降雨，不仅会使得温度降低，而且也会使小水电增发。两者叠加会使得在台风中时，负荷降低，且下降的幅度也较大。在台风后，台风引起的大风和强降雨减弱，温度回升，小水电也少发，一些用电负荷也恢复正常。所以在台风后，电力统调负荷会升高。

一方面，台风的登陆时间、地点、强度的不同，对各城市负荷的影响也会有差异。再者台风期间的电力负荷水平一般较低，容易受到各种随机波动因素和潜在干扰因素的影响，这些因素使电网台风日负荷规律性变得很复杂，给电网非工作日负荷预测、负荷管理、电网规划带来许多困难。

另一方面，随着智能电网建设的不断深入和推进，电网运行数据量呈指数级增长，逐渐构成了当今信息学界所关注的大数据。电网大数据具备4V特征：规模大(volume)——省地一体化系统数据，类型多(variety)——不同的气象因素，价值密度低(value)——有价值数据少，变化快(velocity)——负荷变化快。而气象数据包含地面观测、气象卫星遥感、天气雷达和数值预报产品四类数据，并且其历史数据及预测数据都是在实时的更新与变化，其数据量也是庞大的大数据。准确的预测台风日最大日负荷需要从这些大数据中提取足够有用的数据信息，掌握台风期间气象对电网负荷的影响。电力大数据的提取与分析也有一定的困难。

发明内容

本发明的目的是提供一种新的预测台风日最大日负荷的预测系统及方法。从电网运行大数据以及气象大数据中获取历史台风日的负荷数据及气象数据，通过最大日负荷、气象因素等历史数据，系统的分析在台风前、台风中、台风后负荷的波动变化趋势和受到的影响因素，对电网历史气象因子与台风日最大日负荷关联性进行分析研究，从而得到相关性较高的气象因素。针对台风影响的不同城市，运用现代优化理论，将台风影响分为台风前、台风中、台风后三个阶段，并建立三阶段的台风负荷预测模型，从而求出台风期间损失的负荷量；对统调负荷建立基础预测模型，在预测统调负荷基础上叠加台风期间损失的负荷量，从而预测出台风期间的统调负荷。该系统不仅考虑了台风影响城市的负荷变化，更重点考虑了多气象因素对台风日最大日负荷预测的影响。通过建立基于电力大数据分析的台风日最大日负荷预测模型，提高短期负荷预测的精度，为电网运行人员做好台风日发电计划提供依据。

本发明的技术解决方案是：

一种基于电力大数据分析的台风日最大日负荷预测系统，包括大数据采集模块、大数据筛选处理模块、台风期间负荷预测建模模块、台风日最大日负荷预测计算模块和软件图形界面模块；

大数据采集模块，从电网运行大数据以及气象大数据中获取历史台风日的负荷数据及气象数据；大数据筛选处理模块，根据采集的历史数据，将各市气象数据与负荷数据进行相关性分析，寻找主要气象因子，并根据台风影响地区的时间，将台风影响按照台风前、台风中、台风后三阶段进行分类；台风期间负荷预测建模模块，针对台风影响的城市，利用基准日预测方法建立三阶段台风负荷预测模型，从而求出台风期间损失的负荷量；利用修正综合气象因子叠加法建立台风期间统调基础负荷预测模型，在统调基础负荷预测上叠加台风期间损失的负荷量，从而建立统调台风日最大日负荷预测模型；台风日最大日负荷预测计算模块，获取未来台风日气象预测数据，通过台风日最大日负荷预测模型，预测台风日最大日负荷；软件图形界面模块，将预测的台风日最大日负荷在界面上显示。

一种基于电力大数据分析的台风日最大日负荷预测系统的预测方法，其核心是：台风期间的负荷值看成是正常日的负荷值再叠加上台风影响所造成的负荷变化值；具体步骤如下：

对受到台风影响城市的负荷预测建模：

(1)电力大数据的筛选，从电网运行大数据以及气象大数据中获取历史台风日的负荷数据及气象数据；

(2)电力大数据的筛选分析，根据中国天气台风网和各市的历史数据确定台风影响地区的时间，并按台风前、台风中、台风后三阶段进行分类；

(3)采用相关性分析方法，寻找台风影响城市负荷的主要气象因子；

(4)对各城市的每一个台风都选取一个基准日，基准日的选取准则：为天气状况良好的一天，且非节假日、周末或累积日，没有大风和强降雨的情况，基准日的选取范围为台风前一周；

(5)通过选取基准日的负荷及气象数据，屏蔽经济增长率的影响，同时也能准确的反映台风气象因素对城市负荷的影响，并形成台风影响城市的主要气象因子、时间与基准日负荷差值的建模因子，按照台风前、台风中、台风后三阶段建立相应的台风负荷预测模型；

(6)获取未来台风影响城市的气象预测数据，通过台风影响城市的三阶段负荷预测模型进行负荷预测，并与基准日负荷做差值，得到台风期间损失的负荷量；

对统调负荷预测建模：

(1)采用相关性分析方法，寻找影响统调负荷的关键气象因子；

(2)利用关键气象因子和统调负荷做回归拟合，并建立考虑气象因素的电网统调基础负荷预测模型；

(3)对台风影响期间的气象数据进行还原：对台风影响的城市，取台风前的一个基值或者一段平缓的气象数据来替换台风期间的气象数据，非台风影响的城市气象数据不变；

(4)通过还原台风影响期间的气象数据，代入电网统调基础负荷预测模型，求出“不受台风影响”的台风期间统调负荷值，再叠加台风影响城市的台风期间损失的负荷量，建立统调台风日最大日负荷预测模型；

(5)获取未来台风日的气象预测数据，利用统调台风日最大日负荷预测模型，预测未来台风日最大日负荷；

(6)将预测得到的台风日最大日负荷在界面上显示。

本发明的有益效果是：

本发明提供了一种基于电力大数据分析的台风日最大日负荷预测模型，其由3个部分组成：1、从电网运行大数据以及气象大数据中获取历史台风日的负荷数据及气象数据；2、利用基准日预测方法建立受台风影响城市的负荷预测模型；3、利用修正综合气象因子叠加法建立台风期间统调负荷预测模型。由于不同的台风登陆的地点、路径、影响的时间都有不同，若是按一个整体来预测台风日的负荷，会造成比较大的误差。

把台风影响的城市直接筛选出单独预测，并且利用基准日分城市进行台风前、台风中、台风后的负荷预测，利用基准日对负荷进行预测，一方面屏蔽了经济增长率的影响，另一方面也能准确的反映台风期间的气象变化的城市的负荷影响。然后通过修正综合气象因子叠加法对台风期间统调负荷进行预测，得到初步的统调预测负荷；修正综合气象因子的依据在于台风期间统调损失的负荷量与台风影响城市的负荷损失量相关度较大，受台风影响的城市气象数据用台风前的气象数据来还原。没有被台风影响的城市在基础预测模型中按照正常的气象因子来处理；这样利用基础预测模型就可以得到“不受台风影响”的统调负荷值。然后将台风影响城市的负荷变化叠加到初步的统调预测负荷上，得到最终的统调台风日最大日负荷预测值。

在预测模型中通过对台风日最大日负荷与气象因子进行关联性分析，从中找出关联性高的气象因子来进行建模。这样一方面使得计算量大大的减少，而且也会屏蔽掉一些相关性较小的因素影响模型的准确性。能够准确的预测台风日的最大日负荷值，提高台风日负荷的预测精度。在台风影响期间为电网调度人员做好发电计划和预防措施提供了依据。

附图说明

图1为本发明所述的基于电力大数据分析的台风日最大日负荷预测系统的结构框图。

图2为本发明所述的台风期间负荷预测建模的大体实现过程。

图3为本发明所述的基于电力大数据分析的台风日最大日负荷预测方法的流程图。

图4为本发明实施例所述的台风前负荷预测效果图。

图5为本发明实施例所述的台风中负荷预测效果图。

图6为本发明实施例所述的台风后负荷预测效果图。

具体实施方式

下面参照附图，详细叙述本发明的具体实施方案。

如图1所示，本发明所述的一种基于电力大数据分析的台风日最大日负荷预测系统，包括大数据采集模块、大数据筛选处理模块、台风期间负荷预测建模模块、台风日最大日负荷预测计算模块和软件图形界面模块。

如图2-图3所示，建立一种基于电力大数据分析的台风日最大日负荷预测模型，包括如下步骤：

(1)电力大数据的筛选与分析。从电网运行大数据以及气象大数据中获取历史台风日的负荷数据及气象数据，并对掌握的历史数据进行查漏补缺等预处理。

通过从气象网、SCADA系统以及数据库中提取气象大数据与电网运行大数据，并进一步获取历史台风日的负荷数据及气象数据；对数据进行整理分析，剔除有错误数据并对有缺失的数据进行标注。

(2)气象数据筛选与分析。根据中国天气台风网和各市的历史数据确定台风影响的时间。

当有台风即将影响地区时，当温度降低3℃以上，风速达到11km/s就进入到台风模式。当在台风影响期间，有温度回升时，或者风速减弱为小于11km/s就判定为台风后。若台风中的天数仅为一天时，则台风前、后也只取一天，当台风中有2天或以上的，台风前、后则取2天。存在的一种特殊的情况，当在2天的时间里面温度持续降低，但第2天的风速低于11km/s，则这类就不认定其受台风影响。

(3)采用相关性分析方法，寻找台风影响城市负荷的主要气象因子。分析历史台风日气象数据中的最大温度、平均温度、最低温度、最大湿度、平均湿度、最低湿度、最大风速、平均风速、最低风速、最大降雨量、平均降雨量、最低降雨量等，得到台风影响城市的最大日负荷与上述气象因子的相关度，相关度较大的即为主要气象因子。

(4)对各城市的每一个台风都选取一个基准日。

基准日的选取准则：为天气状况良好的一天，且非节假日、周末、累积日，没有大风和强降雨的情况。利用基准日对负荷进行预测，一方面屏蔽了经济增长率的影响，同时也能准确的反映台风气象因素对城市负荷的影响。

(5)建立受台风影响城市的负荷预测工程化模型。对基准日和台风期间的负荷、气象数据做差值。分台风前、台风中、台风后分别建立二次模型。并通过编程求出系数。从而得到受台风影响城市的负荷预测模型。

受台风影响城市的负荷预测模型为：

L_max.x＝L₀+ΔL

L_{\max . x} = L_{0} + f (ΔT, ΔV, Δrain, Δ {\overset{&OverBar;}{T}}_{e}, Δt)

建立二次模型

\begin{matrix} ΔL = c {+ a}_{1} * ΔT * ΔT + a_{2} * ΔV * ΔV + a_{3} * Δrain * Δrain + a_{4} * {\overset{&OverBar;}{ΔT}}_{e} * Δ {\overset{&OverBar;}{T}}_{e} + a_{5} * Δt * Δt \\ + a_{6} * ΔT * ΔV + a_{7} * ΔT * Δrain + a_{8} * ΔT * Δ {\overset{&OverBar;}{T}}_{e} + a_{9} * ΔT * Δt + a_{10} * ΔV * Δrain \\ + a_{11} * ΔV * {\overset{&OverBar;}{ΔT}}_{e} + a_{12} * ΔV * Δt + a_{13} * Δrain * Δ {\overset{&OverBar;}{T}}_{e} + a_{14} * Δrain * Δt + a_{15} * {\overset{&OverBar;}{ΔT}}_{e} * Δt \\ + a_{16} * ΔT + a_{17} * ΔV {+ a}_{18} * Δrain + a_{19} * {\overset{&OverBar;}{ΔT}}_{e} + a_{20} * Δt \end{matrix}

其中：L₀：台风来之前的基准负荷，ΔL：由于台风影响而减少的负荷量，ΔT：与基准日的最高温度差，ΔV：与基准日的最高风速差，Δrain：与基准日的降雨量差，与基准日的平均实感温度差，Δt：与基准日的时间差。

对某电网2008—2013年受台风影响城市分阶段进行负荷预测，预测得到的模型系数如表1所示。

表1 受台风影响各城市的负荷预测模型系数

(6)采用相关性分析方法，寻找影响统调负荷的关键气象因子。分析历史台风日气象数据中的最大温度、平均温度、最低温度、最大风速、平均风速、最低风速、最大降雨量、平均降雨量、最低降雨量等，得到台风日统调最大日负荷与上述气象因子的相关度，相关度较大的即为关键气象因子。

由于夏季与冬季统调最大日负荷与气象因子的关联性分析呈现不一样的规律，所以将历史数据分为夏季数据与冬季数据。关联性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。本发明对台风日最大日负荷与气象因子进行关联性分析，得到台风日最大日负荷与气象因子的关联度。

以某地区实际电网为例，对2008年到2013年夏季、冬季节台风日最大日负荷和气象数据进行分析，负荷与气象因子之间的关联程度如表2所示。

表2 某电网夏季、冬季台风日最大日负荷与气象因子的关联度

从表内可以看出，在各年夏季中，最大温度及平均实感温度的相关度最高，说明这两个因素在该电网区域，对夏季最大日负荷的影响相对较大且影响较为稳定；在各年冬季中，平均温度及平均舒适度指数的相关度最高，说明这两个因素在该电网区域，对冬季最大日负荷的影响相对较大且影响较为稳定。这四个量就是对应季节的主要气象因子。

(7)利用关键气象因子和统调负荷做回归拟合，并通过累积日的修正建立考虑气象因素的电网统调基础负荷预测模型；

分别对夏季、冬季统调负荷进行基础负荷预测建模

L″＝L_r+ΔL_T+ΔL_time+f(ΔT₁,ΔT₂)

其中，L_r为参考日的全区统调负荷。ΔL_time为年经济负荷增长量，ΔL_T为气象变化而引起的负荷变化量f(ΔT₁,ΔT₂)。为累积效应而影响的负荷变化量(备注：如果没有累积效应，这部分为零)。

ΔL = ΔT * f (\frac{ΔT}{2} + T_{r})

f(ΔT₁,ΔT₂)＝k₁ΔT₁ ²+k₂T₂ ²+k₃ΔT₁ΔT₂+k₄ΔT₁+k₅ΔT₂+k₆

其中，T_r表示参考日的温度。ΔT₁＝T₀-T_-1，ΔT₂＝T₀-T_-2，其中T₀是气温突变日的气温，T_-1、T_-2分别是突变日前一天和两天的气温。

按最高温度预测

预测基础模型为：

P = P_{0} + {ΔP}_{T} = P_{0} + ΔT \times [20.952 \times (\frac{ΔT}{2} + T_{0}) - 449.12]

式中：P₀为基准日负荷，ΔT为最高温度变化量，T₀为基准日最高温度。

累积日线性修正模型：

\begin{matrix} L^{''} {= L}_{r} + {ΔL}_{T} + {ΔL}_{time} + f ({ΔT}_{1}, {ΔT}_{2}) \\ = P_{0} + ΔT \times [20.952 \times (\frac{ΔT}{2} + T_{0}) - 449.12] - 1.58 Δ T_{1} - 58.9047 Δ T_{2} - 113.324 \end{matrix}

累积日二次修正模型：

\begin{matrix} L^{''} = L_{r} + {ΔL}_{T} + {ΔL}_{time} + f ({ΔT}_{1}, Δ T_{2}) \\ = P_{0} + ΔT \times [20.952 \times (\frac{ΔT}{2} + T_{0}) - 449.12] - {0.9705 ΔT}_{1}^{2} - {2.4019 ΔT}_{2}^{2} \\ - 1.7148 Δ T_{1} Δ T_{2} - 17.3149 Δ T_{1} - 60.4574 Δ T_{2} - 4.6055 \end{matrix}

按平均实感温度预测

{P = P}_{0} + {ΔP}_{T} = P_{0} + Δ T_{e} \times [21.891 \times (\frac{Δ T_{e}}{2} + T_{e 0}) - 172.94]

式中：P₀为基准日负荷，ΔT_e为平均实感温度变化量，T_e0为基准日平均实感温度。

累积日线性修正模型：

\begin{matrix} L^{''} {= L}_{r} + {ΔL}_{T} + {ΔL}_{time} + f ({ΔT}_{1}, {ΔT}_{2}) \\ = P_{0} + ΔT \times [21.891 \times (\frac{Δ T_{e}}{2} + T_{e 0}) - 172.94] + . 9.493 Δ T_{1} - 23.6331 Δ T_{2} - 67.5674 \end{matrix}

累积日二次修正模型：

\begin{matrix} L^{''} = L_{r} + {ΔL}_{T} + {ΔL}_{time} + f ({ΔT}_{1}, Δ T_{2}) \\ = P_{0} + ΔT \times [21.891 \times (\frac{Δ T_{e}}{2} + T_{e 0}) - 172.94] - {1.9347 ΔT}_{1}^{2} - {1.3784 ΔT}_{2}^{2} \\ - 2.6001 Δ T_{1} Δ T_{2} - 8.8271 Δ T_{1} - 24.5205 Δ T_{2} - 36.5136 \end{matrix}

(8)对台风影响期间的气象数据进行还原。对台风影响的城市，取台风前的一个基值或者一段平缓的气象数据来替换台风期间的数据。非台风影响的城市气象数据不变。这样处理的依据在于台风期间统调损失的负荷量与台风影响城市的负荷损失量相关度较大。

(9)通过还原台风影响期间的气象数据，代入电网统调基础负荷预测模型，求出“不受台风影响”的台风期间统调负荷值，再叠加台风影响城市的台风期间损失的负荷量，建立统调台风日最大日负荷预测模型；

首先计算出台风影响城市的负荷变化后，再叠加到统调负荷上，即可得到最后结果。

L_统调＝L″+ΔP_台风

ΔP_台风＝P_台预测-P_台基准

其中：L″为基础负荷预测模型预测的统调负荷值，P_台预测为台风影响不同城市的负荷预测值，P_台基准为台风影响不同城市的负荷的基准值。

(10)获取未来台风日的气象预测数据，再统调台风日最大日负荷预测模型，预测未来统调台风日最大日负荷；

(11)效果验证。

通过分析比较台风日各阶段真实的最大日负荷曲线和预测的最大日负荷曲线，可以很直观的看到预测的各阶段台风日最大日负荷跟踪真实台风日最大日负荷的情况。图4-图6分别为台风期间在台风前、台风中、台风后的最大日负荷预测效果图。

通过误差分析，可以得台风日最大日负荷预测模型对实际台风日最大日负荷预测误差分析，得到评价指标如表3所示：

表3 台风期间预测统调负荷的评价指标

由表3可以看出台风期间统调负荷的预测情况，直观的看出基于电力大数据分析的台风日最大日负荷预测系统，从整体上来说对负荷进行最高温度和平均实感温度的二次累积修正后，预测精度有所提高。评价指标中的平均误差率为2.7278505％，平均准确度达到97.2102927％。其预测精度均满足电网台风日统调负荷的预测精度要求。进一步通过图4-图6也可以很直观的看到该系统能较好的跟踪真实负荷的情况。该系统不仅将电力大数据成功应用于台风日最大负荷预测，更重点考虑了台风期间各阶段的负荷特性，提高了台风日负荷预测的精度，为电网运行人员做好非工作日发电计划提供依据。

Claims

1.一种基于电力大数据分析的台风日最大日负荷预测系统，其特征在于，包括大数据采集模块、大数据筛选处理模块、台风期间负荷预测建模模块、台风日最大日负荷预测计算模块和软件图形界面模块；

2.权利要求1所述的基于电力大数据分析的台风日最大日负荷预测系统的预测方法，包括以下步骤：

对受到台风影响城市的负荷预测建模：

对统调负荷预测建模：

(6)将预测得到的台风日最大日负荷在界面上显示。