基于异构数据的电力短期负荷大数据预测方案

doi:10.11959/j.issn.1000-0801.2022292

电信科学 ›› 2022, Vol. 38 ›› Issue (12): 103-111.doi: 10.11959/j.issn.1000-0801.2022292

基于异构数据的电力短期负荷大数据预测方案

赵海波¹, 相志军², 肖林松¹

¹ 威胜信息技术股份技术有限公司，湖南长沙 410205
² 中国电力技术装备有限公司，北京 100052

修回日期:2022-12-06 出版日期:2022-12-20 发布日期:2022-12-01
作者简介:赵海波（1978- ），男，博士，威胜信息技术股份有限公司高级工程师，主要研究方向为电力大数据分析、移动通信、电力终端设计
相志军（1984- ），男，中国电力技术装备有限公司高级工程师，主要研究方向为AMI系统数据采集
肖林松（1980- ），男，威胜信息技术股份有限公司高级工程师，主要研究方向为电力终端设备开发、电力大数据分析
基金资助:
国家重点研发计划项目(2020YFB0906000);国家重点研发计划项目(2020YFB0906002)

A big data framework for short-term power load forecasting using heterogenous data

Haibo ZHAO¹, Zhijun XIANG², Linsong XIAO¹

¹ Willfar Information Technology Co., Ltd., Changsha 410205, China
² China Electronic Power Equipment and Technology Co., Ltd., Beijing 100052, China

Revised:2022-12-06 Online:2022-12-20 Published:2022-12-01
Supported by:
The National Key Research and Development Program of China(2020YFB0906000);The National Key Research and Development Program of China(2020YFB0906002)

摘要/Abstract

摘要：

随着多种可再生能源电力的接入，电力系统正在向更智能、更灵活、交互性更高的系统过渡。负荷预测，特别是针对单个电力客户的短期负荷预测在未来电网规划和运行中发挥着越来越重要的作用。提出了一个基于异构数据的电力短期负荷大数据预测方案，该方案收集来自智能电表和天气预报的数据，预处理后将其加载到非关系型数据库中进行存储并做进一步的异构数据处理；设计并实现了一个长短期记忆递归神经网络模型，用于确定负荷分布并预测未来24 h的住宅小区用电量；最后利用一个住宅小区的智能电表数据集对提出的短期负荷预测框架进行了测试，并使用均方根误差和平均绝对百分比误差两个指标，对比了预测模型与两种经典算法的性能，验证了所提模型的有效性。

关键词: 短期负荷预测, 长短期记忆网络, 递归神经网络, 聚类, 大数据

Abstract:

The power system is in a transition towards a more intelligent, flexible and interactive system with higher penetration of renewable energy generation, load forecasting, especially short-term load forecasting for individual electric customers plays an increasingly essential role in future grid planning and operation.A big data framework for short-term power load forcasting using heterogenous was proposed, which collected the data from smart meters and weather forecast, pre-processed and loaded it into a NoSQL database that was capable to store and further processing large volumes of heterogeneous data.Then, a long short-term memory (LSTM) recurrent neural network was designed and implemented to determine the load profiles and forecast the electricity consumption for the residential community for the next 24 hours.The proposed framework was tested with a publicly available smart meter dataset of a residential community, of which LSTM’s performance was compared with two benchmark algorithms in terms of root mean square error and mean absolute percentage error, and its validity has been verified.

Key words: short-term load forecasting, long short-term memory network, recurrent neural network, clustering, big data

中图分类号:

U416.216

赵海波, 相志军, 肖林松. 基于异构数据的电力短期负荷大数据预测方案[J]. 电信科学, 2022, 38(12): 103-111.

Haibo ZHAO, Zhijun XIANG, Linsong XIAO. A big data framework for short-term power load forecasting using heterogenous data[J]. Telecommunications Science, 2022, 38(12): 103-111.

图/表 11

图1

图2

图3

表1

图4

图5

图6

表2

表3

表4

表5

参考文献 12

[1]	张东霞, 王继业, 刘科研 ,等. 大数据技术在配用电系统的应用[J]. 供用电, 2015,32(8): 6-11.
	ZHANG D X , WANG J Y , LIU K Y ,et al. Application of big data technologies in power distribution and utilization system[J]. Distribution ＆ Utilization, 2015,32(8): 6-11.
[2]	赵明欣, 张春雷, 宋曼诗 ,等. 基于居民小区负荷成长周期的负荷预测方法[J]. 供用电, 2016,33(8): 64-68.
	ZHAO M X , ZHANG C L , SONG M S ,et al. A load forecasting method based on load growth cycle of residential community[J]. Distribution ＆ Utilization, 2016,33(8): 64-68.
[3]	JIANG H , WANG K , WANG Y H ,et al. Energy big data:a survey[J]. IEEE Access, 2016(4): 3844-3861.
[4]	DAKI H , EL HANNANI A , AQQAL A ,et al. Big data management in smart grid:concepts,requirements and implementation[J]. Journal of Big Data, 2017(4): 13.
[5]	HONG T , GUI M , BARAN M E ,et al. Modeling and forecasting hourly electric load by multiple linear regression with interactions[C]// Proceedings of IEEE PES General Meeting. Piscataway:IEEE Press, 2010.
[6]	王克杰, 张瑞 . 基于改进 BP 神经网络的短期电力负荷预测方法研究[J]. 电测与仪表, 2019,56(24): 70-75.
	WANG K J , ZHANG R . Research on short-term power load forecasting method based on improved BP neural network[J]. Electrical Measurement ＆ Instrumentation, 2019,56(24): 70-75.
[7]	OPREA S V , BARA A . Machine learning algorithms for short-term load forecast in residential buildings using smart meters,sensors and big data solutions[J]. IEEE Access, 2019(7): 177874-177889.
[8]	王德文, 周昉昉 . 基于无监督极限学习机的用电负荷模式提取[J]. 电网技术, 2018,42(10): 3393-3400.
	WANG D W , ZHOU F F . Extraction of electricity consumption load pattern based on unsupervised extreme learning machine[J]. Power System Technology, 2018,42(10): 3393-3400.
[9]	ZHOU H X , ZHANG Y J , YANG L F ,et al. Short-term photovoltaic power forecasting based on long short term memory neural network and attention mechanism[J]. IEEE Access, 2019(7): 78063-78074.
[10]	MOR G , VILAPLANA J , DANOV S ,et al. EMPOWERING,a smart big data framework for sustainable electricity suppliers[J]. IEEE Access, 2018(6): 71132-71142.
[11]	MOGHADDASS R , WANG J H . A hierarchical framework for smart grid anomaly detection using large-scale smart meter data[J]. IEEE Transactions on Smart Grid, 2018,9(6): 5820-5830.
[12]	ZHAO T , ZHOU Z Q , ZHANG Y ,et al. Spatio-temporal analysis and forecasting of distributed PV systems diffusion:a case study of Shanghai using a data-driven approach[J]. IEEE Access, 2017(5): 5135-5148.

影响因素	SelectKBest	LassoCV
温度	2 213.146 5	0.831 2
体感温度	1 945.258 6	0.694 6
气压	314.621 4	0.152 3
相对湿度	129.316 7	0.028 7
降水概率	131.612 9	0.101 2
风速	2.644 2	-0.004 5
风向	1.571 7	0
能见度	0.482 4	0

模型	聚类0	聚类1	聚类2	聚类3	聚类4
本文模型	2.31	1.31	2.09	2.31	1.42
多元线性回归	3.12	3.53	2.84	3.08	2.51
BP神经网络	2.96	2.86	2.38	3.15	3.24

模型	聚类0	聚类1	聚类2	聚类3	聚类4
本文模型	8.14%	7.28%	7.32%	7.98%	8.06%
多元线性回归	23.83%	24.56%	23.76%	19.26%	20.44%
BP神经网络	14.32%	13.38%	14.27%	13.48%	14.34%

模型	聚类0	聚类1	聚类2	聚类3	聚类4
本文模型	2.24	1.28	2.18	2.42	1.46
多元线性回归	3.64	4.21	3.78	3.97	2.89
BP神经网络	3.49	3.25	2.98	3.65	4.03

模型	聚类0	聚类1	聚类2	聚类3	聚类4
本文模型	8.34%	7.42%	7.61%	8.32%	8.12%
多元线性回归	35.13%	43.74%	36.46%	37.13%	31.93%
BP神经网络	24.52%	35.83%	26.18%	27.12%	30.82%

基于异构数据的电力短期负荷大数据预测方案

A big data framework for short-term power load forecasting using heterogenous data

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 12

相关文章 15

Metrics

推荐阅读 0

[1]	韩璐, 陈威宇, 张斐, 何建锋, 苏怀振. 差异化需求下的非关系型分布式报送信息大数据分类方法[J]. 电信科学, 2023, 39(6): 114-121.
[2]	韩雪. 基于电力大数据的电力骨干通信网络毁伤韧性评估方法[J]. 电信科学, 2023, 39(5): 136-143.
[3]	刘昊双, 张永, 曹莹波. 基于K-means聚类的子结构相关适配迁移学习方法[J]. 电信科学, 2023, 39(3): 124-134.
[4]	孙玉娣. 基于电信大数据的5G网络海量用户复访行为预测模型[J]. 电信科学, 2023, 39(2): 157-162.
[5]	李爱华, 吴晓波, 陈超, 魏彬, 史嫄嫄. 5G网络大数据智能分析技术[J]. 电信科学, 2022, 38(8): 129-139.
[6]	黄更生, 黄宇红, 郭漫雪, 郑健平, 葛欣. DT时代面向数据服务的新型基础设施架构[J]. 电信科学, 2022, 38(7): 138-145.
[7]	李攀攀, 谢正霞, 乐光学, 刘鑫. 基于深度学习的无线通信接收方法研究进展与趋势[J]. 电信科学, 2022, 38(2): 1-17.
[8]	金宁, 王庆扬. 基于聚类算法的6G典型应用场景研究[J]. 电信科学, 2022, 38(1): 121-131.
[9]	陆勰, 徐雷, 张曼君. 基于聚类的安全分级虚拟网络映射方法[J]. 电信科学, 2021, 37(9): 112-117.
[10]	马学森, 陈树友, 许向东, 储昭坤. 基于神经网络与马尔可夫组合模型的视频流行度预测算法[J]. 电信科学, 2021, 37(8): 18-26.
[11]	孙金杨, 刘柏嵩, 任豪, 钱江波. TAGAN：一种融合细粒度语义特征的学术论文对抗推荐算法[J]. 电信科学, 2021, 37(8): 57-65.
[12]	刘志勇, 何忠江, 阮宜龙, 单俊峰, 张超. 大数据安全特征与运营实践[J]. 电信科学, 2021, 37(5): 160-169.
[13]	刘子豪, 贾小军, 张素兰, 徐志玲, 张俊. 一种融合MeanShift聚类分析和卷积神经网络的Vibe++背景分割方法[J]. 电信科学, 2021, 37(3): 133-145.
[14]	吴季桦, 朱鹏宇, 吴子辰, 顾彬, 洪涛, 郭波, 王晶, 王敬宇. 基于无监督聚类和频繁子图挖掘的电力通信网缺陷诊断与自动派单[J]. 电信科学, 2021, 37(11): 51-63.
[15]	李想,李原,张子飞,杨哲. 基于密度聚类的网络性能故障大数据分析方法[J]. 电信科学, 2020, 36(9): 51-58.