2.2 用户短期用电负荷预测技术

2.2.1 智能电网的互动特性

智能电网是以特高压电网为骨干网架、各级电网协调发展的坚强电网为基础，利用先进的通信、信息和控制技术，构建以信息化、自动化、互动化为特征的统一坚强智能化电网。而其中“互动化”，即广泛的用户参与是智能电网的一个重要特征。智能电网将彻底改变电网公司与用户之间的距离，客户变得触手可及，并且心甘情愿地参与与电网公司的交互，并从中获得经济效益。随着智能电网技术的普及和发展，基于智能电网的用户参与行为将迅猛发展，形式也更加快捷方便。

通过用户的广泛参与和高级计量体系（Advanced Metering Infrastructure, AMI）的广泛应用，电网公司可以准确掌握用户的用电习惯，获取实时用电信息，并存储用户的历史用电信息。利用这些信息可以有效地加强用户需求侧管理，为实现实时或准实时电价提供基础，从而达到“削峰填谷”，提高发电效率，最终实现“节能减排”的效果。比如在美国典型峰荷日的峰荷时刻，居民用电功率占到峰荷的30%，而其中2/3即20%属于可与电网友好合作的负荷，其值超过占峰荷13%的旋转储备容量。通过信息通信技术的支撑，利用电力公司与终端用户的互动（需求响应或用电管理），可以实现电力负荷曲线的“削峰填谷”。

随着智能电网建设的推进，电网交互性不断加强，通过利用一些经济手段，鼓励用户积极参与短期电力负荷预测，从而利用群体智慧有效地提高电力短期负荷预测的准确性。用户通过互联网或智能终端将自己将来一段时间（小时或天）的用电负荷预测信息报告给电网公司，电网公司利用收集的大量用户数据进行分析、汇总，并进而利用统计知识修正电网公司的负荷预测数据，从而达到利用群体智慧提高电力负荷预测的准确性。为了使用户更准确和方便地预测自己将来一段时间内的用电负荷信息，电网公司应为用户提供历史用电数据和将来一段时间的用电预测数据的参考值，并将这些数据推送给用户，帮助用户更好地预测或调整自己的负荷预测，进而帮助提高电网公司的预测准确性。

然而在智能电网中，同时存在可能达上亿或几亿的用户参与与电网的互动。需要为几亿用户提供实时短期电力负荷预测数据，这对电力系统的计算能力及通信带宽提出了很高的要求。

与此同时，近年来在IT领域，云计算技术获得了产业界和学术界的广泛关注。云计算利用大量廉价的普通计算机以并行计算的方式可以有效地处理海量数据，完成大规模的计算。因此，通过云计算技术为海量用户计算短期电力负荷预测数据是一种有效的方式。

基于上述论述，本文提出了基于云计算的智能电网用户侧短期用电负荷预测分析技术。首先对原始数据进行划分，通过Map函数将同一用户的数据映射到一个节点；然后对每个节点上同一用户的数据进行排序；最后通过Reduce函数预测下一个时间段的负荷数据。通过这种方式实现了负荷数据的并行计算，提高了计算效率，并可以有效地处理大数量，具有良好的可扩展性。

2.2.2 电力短期负荷预测

电网短期负荷预测是保证电网安全稳定经济运行的一项重要的基础性工作，是合理安排电网开机方式、电力电量平衡的重要依据。同时，有效的电力短期负荷预测也是实现实时电价的基础。电力短期负荷预测通常是指1小时或24小时的日负荷预测或168小时的周负荷预测，主要预测的是时或日平均负荷，对于短期负荷预测，一般要求具有较高的准确性和能够实时预测（预测算法的运行效率较高）。

由于电力短期负荷预测的重要性，一些学者提出了大量有效的预测理论和技术，有多种方法可以用于短期负荷预测，其中常用的技术包括趋势分析法、回归分析法、指数平滑法、单耗法、灰色模型法、负荷密度法和弹性系数法等，这些技术有各自的特点和适用范围。通过这些技术有效地提高了电力短期负荷预测的准确性。随着用电信息采集系统的大规模建设，用户的日常用电信息按一定频率记录下来，这些数据的体量很大。而当前的预测技术较少考虑基于海量历史用电信息，进行短期负荷预测。而对海量数据进行处理，需要借助云计算技术。

由于云计算在处理海量数据及可扩展性方面的优势，云计算在智能电网海量数据处理领域获得了广泛关注。相关学者提出了基于云计算的智能电网信息平台的概念，讨论了该平台的体系结构，并针对智能电网状态监测的特点，结合开源的Hadoop框架云计算技术，提出了智能电网状态监测云计算平台的解决方案，并进一步研究了云计算中的虚拟化、分布式存储与并行编程模型等问题，实现智能电网海量信息的可靠存储与快速并行处理。

2.2.3 基于MapReduce的用户短期电力负荷预测技术

在智能电网应用中，电网公司收集了用户的海量用电信息，并将这些信息存储在历史数据库中，作为电力负荷预测的历史数据。某一个用户的用电信息形成了一个时间序列，在综合考虑天气、政治等多方面的因素上，可以基于时间序列或其他技术预测用户下一天或下一个小时的电力负荷数据，并将这些数据推送给用户，用户进而根据自己的实际情况对预测数据进行调整，并将调整后的数据返回电网公司，从而最终提高电网公司负荷预测的准确性，提高发电效率。

然而对上亿用户和海量数据进行短期电力负荷预测是一项非常有挑战性的任务，需要电网公司具有计算能力很强的数据处理中心。而建设这样的数据中心，造价昂贵且周期很长。而云计算可以将一些价格低廉的设备组合，满足大数据快速的处理要求。于是，本文提出了基于MapReduce的用户电力短期负荷预测技术。

在智能电网中收集的用户历史用电信息可以以表2-1所示的方式进行存储。

根据MapReduce的执行过程，将基于MapReduce的短期电力负荷预测技术分为如下几个步骤。

（1）划分：对原始数据进行划分，分割为多个数据块，每个块单独处理；在数据存储过程中尽量将某一用户的所有数据存储在一个节点，从而减少数据的移动。

（2）Map：选取合适的映射函数，比如取余运算等，对划分后的每个块并行处理，将相同用户ID的数据映射到同一个节点，并完成数据格式的转换。

（3）Shuffle：每个节点对自己的数据根据时间进行排序，排序依据月、日、时进行。

（4）Reduce：每一个节点上排序后的数据组成一个时间序列，应用一种成熟的电力负荷预测技术，预测下一个时段的电力负荷数据。

（5）输出结果：得到每一个用户的下一个时间段的电力负荷预测数据，并通过宽带网络推送给用户，从而保证用户及时获取这些数据。

整个流程可以用图2-3表示。

如图2-3所示，假设有三个用户，用户ID分别为1、2、3，预测用户9：00—10：00的电力负荷。预测算法使用的是简单的基于时间序列的简单移动平均法。在实际应用中，电网公司根据自己公司的情况，选取更复杂和准确的预测技术，比如基于神经网络、小波分析等技术的预测方法。