CN106529747A - 一种基于大数据的电力负荷预测方法与系统 - Google Patents

Abstract

本发明公开了一种基于大数据的电力负荷预测方法与系统，所述的方法包括以下步骤：S1.汇集目标对象的电力负荷历史数据，所述的电力负荷历史数据包括：不同时间信息下的电力负荷值数据、经济发展趋势数据天气数据和温度数据；S2.对目标对象的电力负荷历史数据进行预处理；S3.给定目标时间，通过大数据分析，对目标对象进行基于时间信息的电力负荷值预测，得到第一预测结果；S4.通过大数据分析，对目标对象进行基于经济发展趋势、温度和天气的电力负荷值预测，得到第二预测结果；S5.将第一预测结果和第二预测结果进行加权融合，获得最终的电力负荷预测结果。本发明提供一种基于大数据的电力负荷预测方法与系统，预测简单方便，且保证了预测结果的准确性。

Description

一种基于大数据的电力负荷预测方法与系统

技术领域

本发明涉及一种基于大数据的电力负荷预测方法与系统。

背景技术

电力负荷有两方面的含义：一方面是指电力工业的服务对象，包括使用电力的部门、机关、企事业单位、工厂、农村、车间、学校以及各种各样的用电设备；另一方面是指上述各用电单位、用电部门或用电设备使用电力和电量的具体数量或具体功率。

目前，对负荷特性的现状、影响负荷特性的主要因素和未来负荷特性的变化趋势等都进行了系统的分析和研究，得出了一些对电力规划和电网运行有指导意义和参考价值的结论，但缺乏对影响负荷的相关因素分析。

而事实上，对于特定的目标对象而言(目标对象可以是小区、企业、城市、省份等)，影响电力负荷的因素无非有两点：第一，时间因素，相同日期(同一天)中不同时间段的电路负荷不同，如目标对象为工厂或企业时，白天负荷值大，夜晚负荷值小；目标对象是小区时，早晨和傍晚负荷值大，白天也夜晚负荷值小；对于同一地区、城市、省份等，电力负荷都与同一日期中的不同时间段有着直接关系。第二是经济发展趋势、温度和天气：如在夏季和冬季，由于温度过高和过低，均可能会使用空调/暖通设备，这无疑会导致电力负荷增加；不同的季节中由于天气的原因，可能会对出行/活动等造成一些影响，导致目标对象电力负荷的变化；由于经济发展趋势的不同，也会导致目标对象的电力负荷变化。

限于过去的条件，在绝大多数系统中没有考虑经济发展趋势、气象、温度等因素对负荷的影响，预测精度不高。也有一些电力负荷预测方式虽然考虑了气象、温度等对负荷的影响，但依然忽略了经济发展趋势的重要作用，并且这些方式基本思想是建立一个大数据模型，将所有的相关因素统一建模，再通过大量的数据进行训练，一方面模型本身非常复杂，建立模型存在一定难度，另一方面模型的训练周期很长，会消耗大量的时间。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于大数据的电力负荷预测方法与系统，首先汇集电力负荷历史数据进行预处理以建立数据库，再进行大数据分析，对目标对象进行基于时间信息的电力负荷值预测，得到第一预测结果；对目标对象进行基于经济发展趋势、温度和天气的电力负荷值预测，得到第二预测结果；最后将第一预测结果和第二预测结果进行加权融合获得最终的电力负荷预测结果；预测简单方便，且保证了预测结果的准确性。

本发明的目的是通过以下技术方案来实现的：一种基于大数据的电力负荷预测方法，包括以下步骤：

S1.汇集目标对象的电力负荷历史数据，所述的电力负荷历史数据包括：不同时间信息下的电力负荷值数据、经济发展趋势数据、天气数据和温度数据；(注：目标对象可以是小区、企业、城市、省份等)

S2.对目标对象的电力负荷历史数据进行预处理，建立数据库；

S3.给定目标时间，通过大数据分析，对目标对象进行基于时间信息的电力负荷值预测，得到第一预测结果Q₁；

S4.通过大数据分析，对目标对象进行基于经济发展趋势数据、天气数据和温度数据的电力负荷值预测，得到第二预测结果Q₂；

S5.将第一预测结果和第二预测结果进行加权融合，获得最终的电力负荷预测结果Q：

Q＝α₁Q₁+α₂Q₂，

α₁为第一预测结果的权重，α₂为第二预测结果的权重，且α₁+α₂＝1。

进一步地，所述的不同时间信息包括：不同的日期和每个日期中不同的时间段。

进一步地，所述的步骤S2包括以下子步骤：

按照时间信息的先后顺序对汇集的电力负荷历史数据进行排列，生成时间信息与电力负荷历史数据的对应关系表；

将对应关系表中电力负荷历史数据的空缺位置进行数据填充，填充内容为所述空缺位置临近的K个邻居的众数或平均值，完成电力负荷历史数据的预处理，使不同日期中的每个时间段均对应于一个电力负荷历史数据；

建立数据库，对预处理得到的数据进行存储。

其中，对所述空缺位置的电力负荷值数据、经济发展趋势数据和温度数据采用K个邻居的平均数进行填充，天气数据采用K个邻居的众数进行填充。

进一步地，所述的步骤S3包括以下子步骤：

建立数据阵列，数据阵列的每一行代表电力负荷值所属于的日期，且日期从上至下逐渐增加；数据阵列的每一列代表电力负荷值所属的时间段，且时间段从做至右逐渐增加；

提取数据库中各个电力负荷值及其对应的日期和在该日期中的时间段，填充到数据阵列中；

给定预测的目标时间，提取目标时间中的日期信息和在该日期中的时间段；找出数据阵列中该时间段对应的列数，将该列所有的电力负荷值求平均，得到基于时间的第一预测结果Q₁。

进一步地，所述的步骤S4包括以下子步骤：

建立电力负荷值与经济发展趋势数据、温度数据和天气数据之间的关系模型：

Y＝β₀+β₁M₁+β₂M₂+β₃M₃+ε；

式中，Y表示电量负荷值、β₀为常数，M₁为经济发展趋势数据，M₂为温度数据，M₃为天气数据，β₁，β₂，β₃为经济发展趋势数据、温度数据和天气数据的调节参数，ε为随机数，其均值为0，且方差σ²＞0，即ε～N(0，σ²)。

利用数据库中每一个电力负荷历史数据的对建立的关系模型进行训练，在训练过程中通过最小二乘法估计出β＝(β₀，β₁，β₂，β₃)^T，获得成熟的关系模型；

根据目标时间的日期信息和该日期的时间段，进行经济发展趋势数据、温度数据和天气数据的预估；

将经济发展趋势数据、温度数据和天气数据的预估信息输入成熟的关系模型中，得到基于温度和天气的第二预测结果Q₂。

一种基于大数据的电力负荷预测系统，包括：

数据汇集模块，用于汇集目标对象的电力负荷历史数据；

预处理模块，用于对目标对象的电力负荷历史数据进行预处理，并根据预处理结果建立数据库；

第一预测模块，用于给定目标时间，通过大数据分析，对目标对象进行基于时间信息的电力负荷值预测，得到第一预测结果；

第二预测模块，用于通过大数据分析，对目标对象进行基于经济发展趋势数据、天气数据和温度数据的电力负荷值预测，得到第二预测结果；

融合模块，用于将第一预测结果和第二预测结果进行加权融合，获得最终的电力负荷预测结果。

进一步地，所述的预处理模块包括：

数据整理单元，按照时间信息的先后顺序对汇集的电力负荷历史数据进行排列，生成时间信息与电力负荷历史数据的对应关系表；

空缺填充单元，用于将对应关系表中电力负荷历史数据的空缺位置进行数据填充，填充内容为所述空缺位置临近的K个邻居的众数或平均值，完成电力负荷历史数据的预处理，使不同日期中的每个时间段均对应于一个电力负荷历史数据；其中，对所述空缺位置的电力负荷值数据和温度数据采用K个邻居的平均数进行填充，天气数据采用K个邻居的众数进行填充；

数据库建立单元，用于建立数据库，对预处理得到的数据进行存储。

进一步地，所述的第一预测模块包括：

阵列建立单元，建立数据阵列，数据阵列的每一行代表电力负荷值所属于的日期，且日期从上至下逐渐增加；数据阵列的每一列代表电力负荷值所属的时间段，且时间段从做至右逐渐增加；

数据填充单元，用于提取数据库中各个电力负荷值及其对应的日期和在该日期中的时间段，填充到数据阵列中；

时间信息提取单元，用于给定预测的目标时间，提取目标时间中的日期信息和在该日期中的时间段；

第一预测单元，找出数据阵列中该时间段对应的列数，将该列所有的电力负荷值求平均，得到基于时间的第一预测结果。

进一步地，所述的第二预测模块包括：

模型建立单元，用于建立电力负荷值与经济发展趋势数据、温度数据和天气数据之间的关系模型；

模型训练单元，用于利用数据库中每一个电力负荷历史数据的对建立的关系模型进行训练，获得成熟的关系模型；

温度与天气预估单元，根据目标时间的日期信息和该日期的时间段，进行经济发展趋势、温度和天气预估；

第二预测单元，用于将经济发展趋势数据、温度数据和天气数据的预估信息输入成熟的关系模型中，得到基于温度和天气的第二预测结果。

本发明的有益效果是：本发明首先汇集电力负荷历史数据进行预处理以建立数据库，再进行大数据分析，对目标对象进行基于时间信息的电力负荷值预测，得到第一预测结果；对目标对象进行基于经济发展趋势、温度和天气的电力负荷值预测，得到第二预测结果；最后将第一预测结果和第二预测结果进行加权融合获得最终的电力负荷预测结果；预测简单方便，且保证了预测结果的准确性。

附图说明

图1为本发明的方法流程图；

图2为本发明的系统原理框图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，一种基于大数据的电力负荷预测方法，包括以下步骤：

S1.汇集目标对象的电力负荷历史数据，所述的电力负荷历史数据包括：不同时间信息下的电力负荷值数据、经济发展趋势数据、天气数据和温度数据；(注：目标对象可以是小区、企业、城市、省份等)

S2.对目标对象的电力负荷历史数据进行预处理，建立数据库；

S3.给定目标时间，通过大数据分析，对目标对象进行基于时间信息的电力负荷值预测，得到第一预测结果Q₁；

S4.通过大数据分析，对目标对象进行基于经济发展趋势数据、天气数据和温度数据的电力负荷值预测，得到第二预测结果Q₂；

S5.将第一预测结果和第二预测结果进行加权融合，获得最终的电力负荷预测结果Q：

Q＝α₁Q₁+α₂Q₂，

α₁为第一预测结果的权重，α₂为第二预测结果的权重，且α₁+α₂＝1。

所述的不同时间信息包括：不同的日期和每个日期中不同的时间段。

例如，在本申请的实施例中，对目标对象的电力负荷历史数据进行汇集过程中，需要进行筛选统计，使得每一个电力负荷历史数据信息均包括：日期、时间段、天气、温度、负荷值；例如某一个电力负荷历史数据为2015.5.20、18:35～18:40、晴、25℃、20kw；

这里需要说明的是时间段可以是以5分钟为基准，如18:35～18:40，也可以是10分钟、半小时、一小时；也可以是2分钟、5分钟，根据电力负荷历史数据的汇集过程中的具体的统计情况来确定，时间段越小，预测越精确；这里的负荷值可以用功率来表示，如该实施例中的20kw,其代表的是时间段内的平均功率；

所述的步骤S2包括以下子步骤：

按照时间信息的先后顺序对汇集的电力负荷历史数据进行排列，生成时间信息与电力负荷历史数据的对应关系表；

将对应关系表中电力负荷历史数据的空缺位置进行数据填充，填充内容为所述空缺位置临近的K个邻居的众数或平均值，完成电力负荷历史数据的预处理，使不同日期中的每个时间段均对应于一个电力负荷历史数据；

建立数据库，对预处理得到的数据进行存储。

对所述空缺位置的电力负荷值数据、经济发展趋势数据和温度数据采用K个邻居的平均数进行填充，天气数据采用K个邻居的众数进行填充，K值可以自行设置。

在本申请的一个实施例中，K值为6，时间段以5分钟为基准，假设在日期为2014.10.20的数据中：有12：00～12：05、12:05～12:10、12:10～12:15、12：20～12:25、12：25～12:30、12：30～12:55等时间段的电力负荷值、温度、及天气数据，但可以看出在该日期的12:15～12:20的数据是空缺的；此时，该日期中12:15～12:20的电力负荷值和温度值都取上述6个时间段的平均数；天气数据取上述6个时间段的众数；

通过对历史电力大数据的汇集和预处理,并建立数据库进行存储,进而得到了稳定、充足的大数据资源，为电力负荷的预测提供了依据。

所述的步骤S3包括以下子步骤：

建立数据阵列，数据阵列的每一行代表电力负荷值所属于的日期，且日期从上至下逐渐增加；数据阵列的每一列代表电力负荷值所属的时间段，且时间段从做至右逐渐增加；

提取数据库中各个电力负荷值及其对应的日期和在该日期中的时间段，填充到数据阵列中；

给定预测的目标时间，提取目标时间中的日期信息和在该日期中的时间段；找出数据阵列中该时间段对应的列数，将该列所有的电力负荷值求平均，得到基于时间的第一预测结果。

在本申请的实施例中，由于考虑到工作日和节假日的电力负荷情况会有差异，故可单独建立工作日的数据阵列和节假日(包括周末)的数据阵列；

目标时间的日期信息为工作日时，根据工作日的数据阵列来获取第一预测结果；目标时间的日期信息为节假日时，采用节假日的数据阵列来获取第一预测结果Q₁。

也就是说，该步骤通过对时间与电力负荷的大数据分析，可以获得基于时间的第一预测结果，作为最终预测结果的最重要的依据之一；

所述的步骤S4包括以下子步骤：

建立电力负荷值与经济发展趋势数据、温度数据和天气数据之间的关系模型：

Y＝β₀+β₁M₁+β₂M₂+β₃M₃+ε，

式中，Y表示电量负荷值、β₀为常数，M₁为经济发展趋势数据，M₂为温度数据，M₃为天气数据，β₁，β₂，β₃为经济发展趋势数据、温度数据和天气数据的调节参数，ε为随机数，其均值为0，且方差σ²＞0，即ε～N(0，σ²)；

具体的，在所述数的关系模型中，天气数据，如晴、阴、雨、多余、雷电等，分别用不同的天气参数表示，经济发展趋势数据也由对应的经济发展趋势参数表示(如GDP、GNP等)。

利用数据库中每一个电力负荷历史数据的对建立的关系模型进行训练，在训练过程中通过最小二乘法估计出β＝(β₀，β₁，β₂，β₃)^T，获得成熟的关系模型；

根据目标时间的日期信息和该日期的时间段，进行经济发展趋势数据、温度数据和天气数据的预估；具体的，经济发展趋势、温度与天气的预估采用常规的现有技术，温度与天气可与气象台通讯，根据气象台的预测来确定。

将经济发展趋势数据、温度数据和天气数据的预估信息输入成熟的关系模型中，得到基于温度和天气的第二预测结果。

在该步骤中，通过大数据建模，能够确定电力负荷与温度、天气之间的关系，进而根据目标时间的日期信息和该日期的时间段，进行温度和天气预估后，将预估得到的数据输入大数据模型，就能够获取对应的第二预测结果Q₂。

如图2所示，一种基于大数据的电力负荷预测系统，包括：

数据汇集模块，用于汇集目标对象的电力负荷历史数据；

预处理模块，用于对目标对象的电力负荷历史数据进行预处理，并根据预处理结果建立数据库；

第一预测模块，用于给定目标时间，通过大数据分析，对目标对象进行基于时间信息的电力负荷值预测，得到第一预测结果；

第二预测模块，用于通过大数据分析，对目标对象进行基于经济发展趋势数据、天气数据和温度数据的电力负荷值预测，得到第二预测结果；

融合模块，用于将第一预测结果和第二预测结果进行加权融合，获得最终的电力负荷预测结果。

进一步地，所述的预处理模块包括：

数据整理单元，按照时间信息的先后顺序对汇集的电力负荷历史数据进行排列，生成时间信息与电力负荷历史数据的对应关系表；

空缺填充单元，用于将对应关系表中电力负荷历史数据的空缺位置进行数据填充，填充内容为所述空缺位置临近的K个邻居的众数或平均值，完成电力负荷历史数据的预处理，使不同日期中的每个时间段均对应于一个电力负荷历史数据；其中，对所述空缺位置的电力负荷值数据和温度数据采用K个邻居的平均数进行填充，天气数据采用K个邻居的众数进行填充；

数据库建立单元，用于建立数据库，对预处理得到的数据进行存储。

进一步地，所述的第一预测模块包括：

阵列建立单元，建立数据阵列，数据阵列的每一行代表电力负荷值所属于的日期，且日期从上至下逐渐增加；数据阵列的每一列代表电力负荷值所属的时间段，且时间段从做至右逐渐增加；

数据填充单元，用于提取数据库中各个电力负荷值及其对应的日期和在该日期中的时间段，填充到数据阵列中；

时间信息提取单元，用于给定预测的目标时间，提取目标时间中的日期信息和在该日期中的时间段；

第一预测单元，找出数据阵列中该时间段对应的列数，将该列所有的电力负荷值求平均，得到基于时间的第一预测结果。

进一步地，所述的第二预测模块包括：

模型建立单元，用于建立电力负荷值与经济发展趋势数据、温度数据和天气数据之间的关系模型；

模型训练单元，用于利用数据库中每一个电力负荷历史数据的对建立的关系模型进行训练，获得成熟的关系模型；

温度与天气预估单元，根据目标时间的日期信息和该日期的时间段，进行经济发展趋势、温度和天气预估；

第二预测单元，用于将经济发展趋势数据、温度数据和天气数据的预估信息输入成熟的关系模型中，得到基于温度和天气的第二预测结果。

本发明首先汇集电力负荷历史数据进行预处理，得到大数据资源以建立数据库，再进行大数据分析，对目标对象进行基于时间信息的电力负荷值预测，得到第一预测结果；对目标对象进行基于经济发展趋势、温度和天气的电力负荷值预测，得到第二预测结果；最后将第一预测结果和第二预测结果进行加权融合获得最终的电力负荷预测结果；预测简单方便，且保证了预测结果的准确性。

Claims (10)

1.一种基于大数据的电力负荷预测方法，其特征在于：包括以下步骤：

S1.汇集目标对象的电力负荷历史数据，所述的电力负荷历史数据包括：不同时间信息下的电力负荷值数据、经济发展趋势数据、天气数据和温度数据；

S2.对目标对象的电力负荷历史数据进行预处理，建立数据库；

S3.给定目标时间，通过大数据分析，对目标对象进行基于时间信息的电力负荷值预测，得到第一预测结果Q₁；

S4.通过大数据分析，对目标对象进行基于经济发展趋势数据、天气数据和温度数据的电力负荷值预测，得到第二预测结果Q₂；

S5.将第一预测结果和第二预测结果进行加权融合，获得最终的电力负荷预测结果Q：

Q＝α₁Q₁+α₂Q₂，

α₁为第一预测结果的权重，α₂为第二预测结果的权重，且α₁+α₂＝1。

2.根据权利要求1所述的一种基于大数据的电力负荷预测方法，其特征在于：所述的不同时间信息包括：不同的日期和每个日期中不同的时间段。

3.根据权利要求1所述的一种基于大数据的电力负荷预测方法，其特征在于：所述的步骤S2包括以下子步骤：

按照时间信息的先后顺序对汇集的电力负荷历史数据进行排列，生成时间信息与电力负荷历史数据的对应关系表；

将对应关系表中电力负荷历史数据的空缺位置进行数据填充，填充内容为所述空缺位置临近的K个邻居的众数或平均值，完成电力负荷历史数据的预处理，使不同日期中的每个时间段均对应于一个电力负荷历史数据；

建立数据库，对预处理得到的数据进行存储。

4.根据权利要求3所述的一种基于大数据的电力负荷预测方法，其特征在于：对所述空缺位置的电力负荷值数据、经济发展趋势数据和温度数据采用K个邻居的平均数进行填充，天气数据采用K个邻居的众数进行填充。

5.根据权利要求1所述的一种基于大数据的电力负荷预测方法，其特征在于：所述的步骤S3包括以下子步骤：

建立数据阵列，数据阵列的每一行代表电力负荷值所属于的日期，且日期从上至下逐渐增加；数据阵列的每一列代表电力负荷值所属的时间段，且时间段从做至右逐渐增加；

提取数据库中各个电力负荷值及其对应的日期和在该日期中的时间段，填充到数据阵列中；

给定预测的目标时间，提取目标时间中的日期信息和在该日期中的时间段；找出数据阵列中该时间段对应的列数，将该列所有的电力负荷值求平均，得到基于时间的第一预测结果Q₁。

6.根据权利要求1所述的一种基于大数据的电力负荷预测方法，其特征在于：所述的步骤S4包括以下子步骤：

建立电力负荷值与经济发展趋势数据、温度数据和天气数据之间的关系模型：

Y＝β₀+β₁M₁+β₂M₂+β₃M₃+ε，

式中，Y表示电量负荷值、β₀为常数，M₁为经济发展趋势数据，M₂为温度数据，M₃为天气数据，β₁，β₂，β₃为经济发展趋势数据、温度数据和天气数据的调节参数，ε为随机数，其均值为0，且方差σ²＞0，即ε～N(0，σ²)；

利用数据库中每一个电力负荷历史数据的对建立的关系模型进行训练，在训练过程中通过最小二乘法估计出β＝(β₀，β₁，β₂，β₃)^T，获得成熟的关系模型；

根据目标时间的日期信息和该日期的时间段，进行经济发展趋势数据、温度数据和天气数据的预估；

将经济发展趋势数据、温度数据和天气数据的预估信息输入成熟的关系模型中，得到基于温度和天气的第二预测结果Q₂。

7.一种基于大数据的电力负荷预测系统，其特征在于：包括：

数据汇集模块，用于汇集目标对象的电力负荷历史数据；

预处理模块，用于对目标对象的电力负荷历史数据进行预处理，并根据预处理结果建立数据库；

第一预测模块，用于给定目标时间，通过大数据分析，对目标对象进行基于时间信息的电力负荷值预测，得到第一预测结果；

第二预测模块，用于通过大数据分析，对目标对象进行基于经济发展趋势数据、天气数据和温度数据的电力负荷值预测，得到第二预测结果；

融合模块，用于将第一预测结果和第二预测结果进行加权融合，获得最终的电力负荷预测结果。

8.根据权利要求7所述的一种基于大数据的电力负荷预测系统，其特征在于：所述的预处理模块包括：

数据整理单元，按照时间信息的先后顺序对汇集的电力负荷历史数据进行排列，生成时间信息与电力负荷历史数据的对应关系表；

空缺填充单元，用于将对应关系表中电力负荷历史数据的空缺位置进行数据填充，填充内容为所述空缺位置临近的K个邻居的众数或平均值，完成电力负荷历史数据的预处理，使不同日期中的每个时间段均对应于一个电力负荷历史数据；其中，对所述空缺位置的电力负荷值数据和温度数据采用K个邻居的平均数进行填充，天气数据采用K个邻居的众数进行填充；

数据库建立单元，用于建立数据库，对预处理得到的数据进行存储。

9.根据权利要求7所述的一种基于大数据的电力负荷预测系统，其特征在于：所述的第一预测模块包括：

阵列建立单元，建立数据阵列，数据阵列的每一行代表电力负荷值所属于的日期，且日期从上至下逐渐增加；数据阵列的每一列代表电力负荷值所属的时间段，且时间段从做至右逐渐增加；

数据填充单元，用于提取数据库中各个电力负荷值及其对应的日期和在该日期中的时间段，填充到数据阵列中；

时间信息提取单元，用于给定预测的目标时间，提取目标时间中的日期信息和在该日期中的时间段；

第一预测单元，找出数据阵列中该时间段对应的列数，将该列所有的电力负荷值求平均，得到基于时间的第一预测结果。

10.根据权利要求7所述的一种基于大数据的电力负荷预测系统，其特征在于：所述的第二预测模块包括：

模型建立单元，用于建立电力负荷值与经济发展趋势数据、温度数据和天气数据之间的关系模型；

模型训练单元，用于利用数据库中每一个电力负荷历史数据的对建立的关系模型进行训练，获得成熟的关系模型；

温度与天气预估单元，根据目标时间的日期信息和该日期的时间段，进行经济发展趋势、温度和天气预估；

第二预测单元，用于将经济发展趋势数据、温度数据和天气数据的预估信息输入成熟的关系模型中，得到基于温度和天气的第二预测结果。