2.2 用戶短期用電負荷預測技術

2.2.1 智能電網的互動特性

智能電網是以特高壓電網為骨干網架、各級電網協調發展的堅強電網為基礎，利用先進的通信、信息和控制技術，構建以信息化、自動化、互動化為特征的統一堅強智能化電網。而其中“互動化”，即廣泛的用戶參與是智能電網的一個重要特征。智能電網將徹底改變電網公司與用戶之間的距離，客戶變得觸手可及，并且心甘情愿地參與與電網公司的交互，并從中獲得經濟效益。隨著智能電網技術的普及和發展，基于智能電網的用戶參與行為將迅猛發展，形式也更加快捷方便。

通過用戶的廣泛參與和高級計量體系（Advanced Metering Infrastructure, AMI）的廣泛應用，電網公司可以準確掌握用戶的用電習慣，獲取實時用電信息，并存儲用戶的歷史用電信息。利用這些信息可以有效地加強用戶需求側管理，為實現實時或準實時電價提供基礎，從而達到“削峰填谷”，提高發電效率，最終實現“節能減排”的效果。比如在美國典型峰荷日的峰荷時刻，居民用電功率占到峰荷的30%，而其中2/3即20%屬于可與電網友好合作的負荷，其值超過占峰荷13%的旋轉儲備容量。通過信息通信技術的支撐，利用電力公司與終端用戶的互動（需求響應或用電管理），可以實現電力負荷曲線的“削峰填谷”。

隨著智能電網建設的推進，電網交互性不斷加強，通過利用一些經濟手段，鼓勵用戶積極參與短期電力負荷預測，從而利用群體智慧有效地提高電力短期負荷預測的準確性。用戶通過互聯網或智能終端將自己將來一段時間（小時或天）的用電負荷預測信息報告給電網公司，電網公司利用收集的大量用戶數據進行分析、匯總，并進而利用統計知識修正電網公司的負荷預測數據，從而達到利用群體智慧提高電力負荷預測的準確性。為了使用戶更準確和方便地預測自己將來一段時間內的用電負荷信息，電網公司應為用戶提供歷史用電數據和將來一段時間的用電預測數據的參考值，并將這些數據推送給用戶，幫助用戶更好地預測或調整自己的負荷預測，進而幫助提高電網公司的預測準確性。

然而在智能電網中，同時存在可能達上億或幾億的用戶參與與電網的互動。需要為幾億用戶提供實時短期電力負荷預測數據，這對電力系統的計算能力及通信帶寬提出了很高的要求。

與此同時，近年來在IT領域，云計算技術獲得了產業界和學術界的廣泛關注。云計算利用大量廉價的普通計算機以并行計算的方式可以有效地處理海量數據，完成大規模的計算。因此，通過云計算技術為海量用戶計算短期電力負荷預測數據是一種有效的方式。

基于上述論述，本文提出了基于云計算的智能電網用戶側短期用電負荷預測分析技術。首先對原始數據進行劃分，通過Map函數將同一用戶的數據映射到一個節點；然后對每個節點上同一用戶的數據進行排序；最后通過Reduce函數預測下一個時間段的負荷數據。通過這種方式實現了負荷數據的并行計算，提高了計算效率，并可以有效地處理大數量，具有良好的可擴展性。

2.2.2 電力短期負荷預測

電網短期負荷預測是保證電網安全穩定經濟運行的一項重要的基礎性工作，是合理安排電網開機方式、電力電量平衡的重要依據。同時，有效的電力短期負荷預測也是實現實時電價的基礎。電力短期負荷預測通常是指1小時或24小時的日負荷預測或168小時的周負荷預測，主要預測的是時或日平均負荷，對于短期負荷預測，一般要求具有較高的準確性和能夠實時預測（預測算法的運行效率較高）。

由于電力短期負荷預測的重要性，一些學者提出了大量有效的預測理論和技術，有多種方法可以用于短期負荷預測，其中常用的技術包括趨勢分析法、回歸分析法、指數平滑法、單耗法、灰色模型法、負荷密度法和彈性系數法等，這些技術有各自的特點和適用范圍。通過這些技術有效地提高了電力短期負荷預測的準確性。隨著用電信息采集系統的大規模建設，用戶的日常用電信息按一定頻率記錄下來，這些數據的體量很大。而當前的預測技術較少考慮基于海量歷史用電信息，進行短期負荷預測。而對海量數據進行處理，需要借助云計算技術。

由于云計算在處理海量數據及可擴展性方面的優勢，云計算在智能電網海量數據處理領域獲得了廣泛關注。相關學者提出了基于云計算的智能電網信息平臺的概念，討論了該平臺的體系結構，并針對智能電網狀態監測的特點，結合開源的Hadoop框架云計算技術，提出了智能電網狀態監測云計算平臺的解決方案，并進一步研究了云計算中的虛擬化、分布式存儲與并行編程模型等問題，實現智能電網海量信息的可靠存儲與快速并行處理。

2.2.3 基于MapReduce的用戶短期電力負荷預測技術

在智能電網應用中，電網公司收集了用戶的海量用電信息，并將這些信息存儲在歷史數據庫中，作為電力負荷預測的歷史數據。某一個用戶的用電信息形成了一個時間序列，在綜合考慮天氣、政治等多方面的因素上，可以基于時間序列或其他技術預測用戶下一天或下一個小時的電力負荷數據，并將這些數據推送給用戶，用戶進而根據自己的實際情況對預測數據進行調整，并將調整后的數據返回電網公司，從而最終提高電網公司負荷預測的準確性，提高發電效率。

然而對上億用戶和海量數據進行短期電力負荷預測是一項非常有挑戰性的任務，需要電網公司具有計算能力很強的數據處理中心。而建設這樣的數據中心，造價昂貴且周期很長。而云計算可以將一些價格低廉的設備組合，滿足大數據快速的處理要求。于是，本文提出了基于MapReduce的用戶電力短期負荷預測技術。

在智能電網中收集的用戶歷史用電信息可以以表2-1所示的方式進行存儲。

根據MapReduce的執行過程，將基于MapReduce的短期電力負荷預測技術分為如下幾個步驟。

（1）劃分：對原始數據進行劃分，分割為多個數據塊，每個塊單獨處理；在數據存儲過程中盡量將某一用戶的所有數據存儲在一個節點，從而減少數據的移動。

（2）Map：選取合適的映射函數，比如取余運算等，對劃分后的每個塊并行處理，將相同用戶ID的數據映射到同一個節點，并完成數據格式的轉換。

（3）Shuffle：每個節點對自己的數據根據時間進行排序，排序依據月、日、時進行。

（4）Reduce：每一個節點上排序后的數據組成一個時間序列，應用一種成熟的電力負荷預測技術，預測下一個時段的電力負荷數據。

（5）輸出結果：得到每一個用戶的下一個時間段的電力負荷預測數據，并通過寬帶網絡推送給用戶，從而保證用戶及時獲取這些數據。

整個流程可以用圖2-3表示。

如圖2-3所示，假設有三個用戶，用戶ID分別為1、2、3，預測用戶9：00—10：00的電力負荷。預測算法使用的是簡單的基于時間序列的簡單移動平均法。在實際應用中，電網公司根據自己公司的情況，選取更復雜和準確的預測技術，比如基于神經網絡、小波分析等技術的預測方法。