大数据时代的新型电力供需预测方法探究

引言

电力供需预测指标是反映国民经济活动的敏感指标,电力供需预测的结果可作为国家宏观经济政策的决策参考依据,决定着电力企业自身发展的方向和速度。电力的发展与国民经济发展高度关联,各级政府和电力企业高度关注电力供需预测工作,以满足群众生活对电力的需求,化解电力发展不均衡、不充分的主要矛盾。随着电力需求长时期快速增长,电力供需矛盾也不断加剧。面对多变波动的电力供需市场,传统的预测方法已经很难较为精准地预测未来,需要引入新的预测方法,特别是在互联网、物联网、大数据、云计算、人工智能与实体经济深度融合的时代背景下,更应借助大数据强大的智能预测功能做好电力供需预测工作,通过万物互联提取海量的电力供需信息,去伪存真,汇总至云端,经大数据加工、集成、分析,开发出更具价值、更加精准的电力供需预测数据,以满足电力行业发展的需要。

1传统电力供需预测方法的利弊

传统电力供需预测方法是根据社会经济发展和电力负荷等历史数据,建立相应的数学模型,找出历史数据的变化规律和各种相关因素的内在联系,进而对未来电力需求进行预测。这一基于历史数据处理的电力需求预测方法,依托所采集的历史数据,采用数据外推法、弹性系数法、重点工程法、产值单耗法、人口综合法等工具建立相应的数据模型,预测结果有一定的准确性,能较好地指导电力行业发展方向,进而保证国民经济可持续发展。但是,传统的电力供需预测方法主要采用自身外推法和相关性分析法。不论采用哪种方法,都要事先设定各种参数,参数的设定受主观因素影响较大,导致负荷预测结果随意性也较大,不够严谨。传统的供需负荷预测方法包含典型日负荷曲线,在历史数据的基础上,采用时间外推法,并结合社会经济发展的要求和天气等因素,用趋势移动平均法、指数平滑法和神经网络法,获得预测结果。由历史数据预测若干个行业典型年负荷值,综合考虑各行业负荷增速、社会经济运行、中长期气候变化(气温、来水)、重点项目密集布局对电量增长潜力的挖掘能力、节能减排及大气污染治理要求等外在因素,分类叠加,形成高、中、低三档最大年负荷需求结果,用于指导电力工业均衡发展和电力生产调度。这种方法的供需预测都具有一个共性,即根据历史数据外推无法获得实时负荷预测,不能用于泛在电力物联网的实时调控。

传统的电力供需预测结果能够较好地反映电力行业与国民经济发展的内在联系及电力企业自身发展规律,广泛应用于政府的宏观决策参考层面和电力企业的规划发展上,并发挥着数据指导功效。但传统的电力供需预测精度不高,已很难适应电力市场的快速发展和变化。用单一组的历史数据对未来做预判的方法是限局单一的,对其他指标类型的预示功能有限,预测结果往往无法判定其他类别不确定因素的影响,无助于回避决策风险。在多变的市场环境中,不确定性是常态,有时某些不确定因素还会上升为主要的关联因素。仅考虑单一条件的分析结果,其精确度不高是不可避免的。

另一方面,传统的电力供需预测手段多采用相关性分析法(如弹性系数法)和各类线性回归数学模型法,这种靠对单一维度历史数据进行推演而获得的电力供需预测结果,有其固有的缺陷,即结果的不确定性。因为传统的电力负荷预测模型很难模拟真实的运行环境,不能全面反映价格、气候变化、城市规划、人口变动等变量对电力需求的影响。多维度(变量)的数据模型计算工作量是呈指数级增长的,人工无法胜任。随着高速计算技术的应用,对风、光电这类随机性和不确定性强的电源类型进行电力负荷预测,需综合考虑气候变化等其他变量的影响,传统的模型和方法难当重任,势必引入新的计算方法和数字模型,如蒙特卡罗(Monte一Carlo)模型方法加以解决。这种方法既可避免多维度数据处理计算量巨大的负担,又可较为客观准确地预测风、光电的电力负荷。

随着第三产业用电比重的增加和用电总量的快速增长,研究分析随机性很大的第三产业电力消费趋势,已成为电力需求预测工作的要点和难点。第三产业的电力消耗,不仅与人民群众日常生活息息相关,还具有需求弹性大、价格弹性大、受低价驱动和消费心理影响等新特质。例如,随着电动机车(电动汽车和电摩)存有量增长井喷式地爆发,其电力消费呈现出随机、无序的增长态势,这类电力需求既无历史数据可参照,又无密切相关的统计指标可比对,传统的电力需求预测方法难以对电动机车这类波动负荷做出精确的预测,必须寻求新的方法和手段加以解决,大数据平台的强大预测功能为我们提供了解决问题的途径。

2电力供需预测的价值内涵和特征

在互联网大数据平台推算生成的电力供需预测数据具有信息化时代的烙印,更具活力和价值。

(l)在大数据时代,电力供需预测一改过去由历史数据推演未来的方法,直接采集泛在物联网用户终端数据和SCADA、DCS的数据,过滤清洗后借助HBaSe数据库管理框架汇集到云端,使用Mapreduce、Spark等计算框架整理挖掘出数据的内在规律,形成更为精确、有价值的电力需求预测数据,融汇生成电力供需预测结果。预测结果兼具实时和中长期预测功效,精准度也得到极大提高,可直接应用于电力生产监控和电力消费终端的电力资源配置,有效平抑电力峰谷差幅度,具有极高的数据价值和实用性。由历史数据推演转变为云端数据计算,是电力供需预测方法从量变到质变的一大飞跃。

(2）影响电力供需预测结果的变量很多,如国民经济运行方式、时间、空间(区域）、人文、政策等。多维度(变量）数据的模拟合成计算量巨大,借助现代高速计算技术,可大胆选择多维度数据模型进行模拟运算。与过去使用一维数据(往往是对结果影响最大的变量数据）进行模拟运算相比较,多维度的数据模型能更客观、全面反映电力供需趋势和分布。例如,在对某一特定区域的电力消费市场进行预测时,全面考虑时间、空间(区域）、城市化进程以及人口单耗电能诸多因素,模拟生成的预测结果更具价值,直接成为当地建设分布式能源站的决策依据。

(3）互联网大数据平台下的电力供需预测及采用的数据处理方法也发生了质的变化。传统的数据处理技术仅对单一的历史数据进行分析、模拟计算,少有导入诸如风场风速分布、气象雷达云图信息等非结构化数据参与分析计算。互联网大数据平台为电力供需预测提供了更为强大的算法工具,不仅能完整地处理历史数据和实时数据流(结构化数据）,也能同步处理与电力供需预测高度关联的非结构化数据(如气象雷达图像、微博信息数据、电力管理者急待把控的爬虫数据等）。这种新的计算技术的应用,极大地提高了预测的精确度,能较为客观地把握电力供需的变化规律与发展趋势。

(4）大数据计算的成果是多样的,不但有电力供需预测分析结果,还具有数据挖掘功能,对所采集的数据按区域、行业及其他属性进行分类统计,智能决策,指导精确营销和行业对标管理。

3新型电力供需预测结果的应用

互联网大数据平台为电力供需预测方法赋予了新的内涵和活力,其预测结果具有精准性、全面性、实时性等优势,在泛在电力物联网系统中更能体现其预测的数据价值。例如,随着电力体制改革的深入,风、光电等新能源高密度大规模地并入电网,不确定电力扰动增加,对不确定性、随机性很高的风、光电出力进行预测显得愈加重要。通过导入卫星云图和太阳辐射分布数据,采用更先进的模拟算法,得到相对精准的风、光电力负荷预测结果,正向引导物联网中特定电力消耗负荷,最大限度地吸纳风、光电不确定性的随机电力。

泛在电力物联网背景下的新型电力负荷预测具有很大的发展潜力和价值。随着泛在电力物联网的建设逐渐深入,各类主动负荷将不断涌现。大数据平台下的电力供需预测结果,直接实时地引导主动负荷的电力消费,有效平抑电力峰谷差,为电力需求侧管理(DSM）开辟了新的管理途径和手段。

云计算数据将是巨大的财富和资产,其价值可能远超过其对应的实体资产。云计算数据的预测分析结果,作为一种新的生产要素,直接运用到电力系统各类经营生产活动中。数字经济是充满活力、代表未来的新经济,站在网络空间利益共同体的高度,各级政府、企业、社会组织和个体利益主体都要以开放包容的态度,深化合作,优势互补,共同打造泛在能源物联网系统,让更多的群体共享大数据服务的成果,共享智能互联释放出来的大数据红利。

4结语

传统的电力供需预测方法已呈现出其局限性,不能全面、准确地反映电力市场需求的快速变化,但仍可作为电力行业中长期规划的参考依据。

互联网大数据平台的应用,为我们更精准地预测未来打开一扇窗,创造性地开发电力供需预测的新办法、新手段。新的电力供需预测方法和结果具有网络数字时代的特征,实时、精准、更具活力和使用价值。