北极星

搜索历史清空

  • 水处理
您的位置:电力技术正文

电力大数据实际案例:基于大数据的短期负荷预测

2016-01-13 09:19来源:机械工业出版社E视界关键词:电力大数据电力系统用电信息采集系统收藏点赞

投稿

我要投稿

同时,随着电网公司GIS数据平台等业务辅助平台的完善,以及多源数据平台的融合。行业标准划分数据、季节天气等与短期负荷密切耦合的相关因素数据也将会纳入到短期负荷预测的基础数据库中。众所周知,负荷的影响因素众多、非线性极强,结合负荷数据与影响因素数据,研究负荷随多种因素的变化规律,进而总结用户的用电规律,将是提高短期负荷预测精度的一种有效手段。

3.大数据解决方案

电网公司现有数据源头已经可以定位至用户级负荷层面,结合其完备的业务辅助平台数据库。在这里,我们提出一个基于大数据技术的短期负荷预测解决方案。

该方案的主体思路采用对每个用户的负荷进行独立预测,最后累加的方法。数据源为电网用电信息采集系统数据库及相关影响因素数据库,软件采用大数据技术(聚类分析、灰色关联分析、决策树等)对负荷数据进行预处理,把握每个用户负荷与天气、日类型等影响因素的密切关系。并根据不同用户特性构建预测模型,最后累加所有用户的预测结果得到系统预测负荷,原理框架如下图所示:

图1 短期负荷预测的原理框架图

下面,将详细介绍组成该方案的五个步骤。

步骤1:负荷曲线聚类分析。

由于负荷曲线的走势与日类型,天气因素等密切相关,对历史负荷曲线的聚类分析是负荷预测的基础步骤。针对海量的用户负荷,若无针对性的研究每个用户的用电规律将会造成巨大的资源浪费。因此,合理的数据挖掘技术—聚类分析能够将用电规律相近的负荷日期归为一类。聚类分析技术通过计算各个向量之间的空间距离,将其由零散分布的独立样本逐渐归为趋势相近的若干类。下图所示为编号1的用户其365天历史负荷数据的层次聚类分析结果,a~f六个子图为对应每一类的负荷曲线,从图中可以看出层次聚类算法具有极好的特征分离能力,能够很好的区分出特性各异的负荷曲线。

原标题:电力大数据实际案例:基于大数据的短期负荷预测
投稿与新闻线索:陈女士 微信/手机:13693626116 邮箱:chenchen#bjxmail.com(请将#改成@)

特别声明:北极星转载其他网站内容,出于传递更多信息而非盈利之目的,同时并不代表赞成其观点或证实其描述,内容仅供参考。版权归原作者所有,若有侵权,请联系我们删除。

凡来源注明北极星*网的内容为北极星原创,转载需获授权。

电力大数据查看更多>电力系统查看更多>用电信息采集系统查看更多>