王惠中，侯璟琨，趙凱，李春霞

（1.蘭州理工大學電氣工程與信息工程學院，甘肅蘭州 730050；2.甘肅機電職業(yè)技術學院，甘肅 天水 741000）

根據(jù)國際、國內(nèi)慣例，電力系統(tǒng)負荷預測按預測周期長短分為：超短期、短期、中期和長期負荷預測，其中短期負荷預測可預測未來1—7日的負荷，用于火電分配、水火電協(xié)調(diào)、機組經(jīng)濟組合、交換功率計劃等[1]。

電力市場是電力工業(yè)引入競爭機制后的必然發(fā)展趨勢，在市場運營模式下，電力負荷受到的影響因素增多，僅靠改進或補充某個預測算法是無法滿足預測的準確度需求的，而且在實時電力市場環(huán)境下，實時電力交易要求短期負荷預測的預測周期從24 h縮短為2 h或幾小時。只有改進短期負荷預測的預測模式，盡可能多地引入最新的負荷相關信息參與預測，才能進一步提高預測精度。

常規(guī)的短期負荷預測的做法是：每天某一時刻（如上午10點），預測第2日或以后連續(xù)多天全天24 h的負荷值。通常只使用昨天及以前的負荷數(shù)據(jù)，當天10點前的負荷數(shù)據(jù)并不使用。實際上，利用近大遠小的原理，如果能利用這部分信息，對當日余下的點做負荷預測，其預測結(jié)果肯定會比前一日所做的預測結(jié)果更為準確。進一步，如果能把當日的負荷比較準確地估計出來，利用它們參與明日的負荷預測，則為預測補充了最新的參考信息，必然可以提高預測結(jié)果的準確度。因此清華大學的莫維仁等人提出了擴展短期負荷預測的概念[2]。

該方法利用歷史信息和當前可獲得的最新信息（包括負荷信息、氣象信息、電價等），預測當日當前時刻以后未知1～n h的負荷，以用于電力市場條件下對當日負荷計劃的調(diào)整。該方法提高預測精度的原理是引入了修正預測，就是在預測負荷與實際負荷出現(xiàn)較大偏差的時候（通常>3%），重新對偏差點之后的負荷進行預測。預測結(jié)果的偏差通常是實時信息突變導致的，因此需要將突變的信息引入負荷預測中。但是新信息的引入將提高樣本維數(shù)，這極易導致維數(shù)災難問題，另外由于新信息的引入，學習機需要重新訓練，將大大提高預測時間。因此本文提出將云計算引入擴展短期負荷預測中，利用其強大的并行計算能力解決維數(shù)災難問題，從而改善擴展短期負荷預測的性能。

1 云計算理論簡述

云計算是2006年由Google、Amazon等公司提出的概念，其目的是為減輕互聯(lián)網(wǎng)存儲和計算壓力。根據(jù)美國國家標準與技術研究院（NIST）的定義，云計算是一種利用互聯(lián)網(wǎng)實現(xiàn)隨時隨地、按需、便捷地訪問共享資源池（如計算設施、存儲設備、應用程序等）的計算模式[3]。

云計算最主要特點是按需使用和強大的并行計算能力。按需使用保證了存儲和計算資源的合理利用，這使得云計算用戶可以在不需要付出過多的硬件成本的前提下顯著提高系統(tǒng)運行效率。而并行計算能力則可以顯著提高計算效率，因為目前主要的計算方法都是串行計算，運算程序需要按部就班地進行，大量計算資源閑置，而并行計算可以將多個運算步驟分解開來同時計算，大大提高計算速度。

目前云計算技術正在蓬勃發(fā)展之中，各大IT企業(yè)都發(fā)布了自己的云產(chǎn)品，可供使用的云產(chǎn)品主要分為3類[4-7]：直接提供硬件服務（基礎設施即服務IaaS）、提供存儲計算資源（平臺即服務PaaS）、提供軟件資源（軟件即服務SaaS），這其中IaaS和PaaS可以應用于電力系統(tǒng)負荷預測中。IaaS就是指由服務提供商為客戶提供硬件組建私有云，這保證了信息的安全性，對于電力系統(tǒng)運行數(shù)據(jù)的敏感性是尤其重要的。PaaS則是指由服務提供商提供平臺，用戶可以在平臺上根據(jù)需要編程，適用于實驗和研究性質(zhì)的電力系統(tǒng)負荷預測，可以在很少的投入下實現(xiàn)云計算強大的計算能力。

目前我國已經(jīng)開始了云計算在電力系統(tǒng)中的應用研究。例如文獻[8]提出將電力數(shù)據(jù)中心構(gòu)建在云平臺上，文獻[9]進行了基于云計算的智能電網(wǎng)信息平臺建設的探索，文獻[10]在總結(jié)傳統(tǒng)電力系統(tǒng)計算方法不足的基礎上展望了云計算在電力系統(tǒng)分析中的應用前景，文獻[11]提出聯(lián)通公司將憑借其豐富的固網(wǎng)資源和先進的3 G技術，依托云計算打造一個電力行業(yè)應用的基礎平臺。

2 系統(tǒng)組成及設計

影響負荷預測結(jié)果的因素多種多樣，傳統(tǒng)的負荷預測方法因為要考慮預測速度而將部分對預測結(jié)果影響較小的因素排除出預測模型，這勢必會影響預測的精度，傳統(tǒng)預測方法就是在預測速度與精度之間的折中。而因為云計算強大的并行計算能力，可以通過巧妙地設計云計算結(jié)構(gòu)而將盡可能多的因素考慮進來，這樣可以在不影響計算速度的情況下提高預測精度。

2.1 負荷預測樣本分類

影響負荷預測結(jié)果的因素大致可以分為兩類：第一類是歷史負荷數(shù)據(jù)、第二類是氣象數(shù)據(jù)。將歷史負荷數(shù)據(jù)樣本分為5組，第一組樣本為預測日之前一個月內(nèi)每天的負荷曲線；第二組樣本為預測日之前6個月內(nèi)與預測日星期屬性相同的日期的負荷曲線；第三組樣本為前一年與預測日相同日期的前一個月內(nèi)每天的負荷曲線；第四組樣本為前一年與預測日相同日期的前6個月星期屬性相同的日期的負荷曲線；第五組樣本為2年內(nèi)節(jié)假日負荷曲線。

這樣可以將負荷預測樣本分為6組。其中第一和第三組是根據(jù)近大遠小原則分出的，第二組和第四組是根據(jù)相似性原則分出的，第五組是根據(jù)特殊性原則分出的，第六組則是為了考慮天氣因素。

因為擴展短期負荷預測需要考慮更多的因素，所以另外引出一組實時監(jiān)控的樣本集，該樣本集中包含預測日當日已過時間點的負荷值，是擴展短期負荷預測中修正預測的基礎。

2.2 預測模型

將預測樣本分為7組，主要目的是可以在常規(guī)短期負荷預測和擴展短期負荷預測之間進行切換，其中前6組樣本用于常規(guī)短期負荷預測中，第七組樣本在出現(xiàn)負荷預測值與常規(guī)預測值出現(xiàn)較大偏差時引入預測模型，達到擴展短期負荷預測的目的。預測模型如圖1所示。

建立由一個主節(jié)點和7個子節(jié)點構(gòu)成的云計算模型，主節(jié)點負責數(shù)據(jù)的輸入與預測模型的選擇，將7組預測樣本分別放入7個子節(jié)點中，其中前6個子節(jié)點作為子云1，第7個子節(jié)點作為子云2，每個子節(jié)點分別利用支持向量機進行回歸預測，再將每個子節(jié)點的計算結(jié)果歸入主節(jié)點，最后在主節(jié)點進行加權(quán)得到最終預測結(jié)果[12-13]。

圖1 基于云計算的擴展短期負荷預測模型Fig.1 Model of extended short-term load forecasting based on cloud computing

每個子節(jié)點計算結(jié)果的權(quán)值通過式（1）得出

式中，w（j）為第j個子節(jié)點的權(quán)值；lit為第i天t時刻的負荷值；l贊（j）it為第j個子節(jié)點在第i天t時刻的虛擬預測結(jié)果，該式就是追求虛擬預測殘差平方和的最小化。通過求解這個最小化問題可以得到一組權(quán)值，則最終負荷預測結(jié)果如式（2）所示：

2.3 系統(tǒng)流程

系統(tǒng)流程：

1）進行常規(guī)短期負荷預測，此時主節(jié)點控制子云1中各子節(jié)點進行回歸運算，將得到的結(jié)果輸入主節(jié)點進行加權(quán)，得到常規(guī)短期負荷預測結(jié)果，子云2中節(jié)點不動作；

2）逐點觀測預測值與實際值之差并判斷差值（ΔL）是否大于3%，此過程在主節(jié)點中進行，并將已過時間點的負荷值輸入子云2中的子節(jié)點7備用；

3）若偏差（ΔL）小于3%系統(tǒng)不動作，若偏差（ΔL）大于3%則引入擴展短期負荷預測，此時子云1不動作，子云2進行回歸運算，將得到結(jié)果輸入主節(jié)點，主節(jié)點將此前子云1中各子節(jié)點得到的結(jié)果與此時子云2中子節(jié)點7得到的結(jié)果進行加權(quán)運算，得到擴展短期負荷預測結(jié)果；

4）重復步驟2）和3）直到預測周期結(jié)束。

系統(tǒng)流程圖如圖2表示。

圖2 擴展短期負荷預測系統(tǒng)流程Fig.2 System flow of extended short-term load forecasting

3 實驗分析

本文選擇1998年4月10日到16日一周作為預測日期，預測每日48點負荷曲線，其中10日為假日，12日和13日為周末兼假日，并且是春季，天氣變化較極端，因此以此作為預測目標日期更具有代表性。

預測結(jié)果如表1所示。

表1 SVM和Cloud-SVM預測結(jié)果對比Tab.1 Comparison between forecast results by SVM and Cloud-SVM

預測結(jié)果分析，本文先利用基于SVM的短期負荷預測方法進行預測，因為預測日期中包含多個節(jié)日，使預測結(jié)果不盡如人意，最大相對誤差達到了5.25%，且最大相對誤差超過3%的時間點達到了47個；而基于云計算和SVM的擴展短期負荷預測因為引入了修正預測，在最大相對誤差超過3%的時候會進行調(diào)整，因此最大相對誤差只有3.70%，而平均相對誤差只有1.37%，最大相對誤差超過3%的時間點只有13個。

擴展短期負荷預測對于預測值的修正效果可以在圖3中體現(xiàn)出來。

圖3 擴展短期負荷預測的修正效果Fig.3 Correction effect of extended short-term load forecasting

11：30后各時間點誤差值如表2所示。

圖3是4月12日10：00到14：30的負荷曲線，因為該日是西方的復活節(jié)，屬于節(jié)假日，因此SVM方法和Cloud-SVM方法的預測值都要高于實際負荷值，但在11：30之后，由于偏差超過3%，Cloud-SVM方法引入了修正預測，在12：00時將誤差控制在了3%以下，雖然在12：30時偏差再次超過3%，但在13：00又將偏差調(diào)整回來，從而提高了預測精度；而SVM由于沒有修正預測，所以導致誤差持續(xù)升高，直到13：30達到最高值。在曲線中可以發(fā)現(xiàn)，在11：30之前，2種預測方法的曲線是重合的，因為此時并沒有引入擴展短期負荷預測，而在11：30之后，由于擴展短期負荷預測的引入，使該負荷曲線得到了修正，避免了偏差的增大，有效地改善了預測的精確度。

4 結(jié)論與展望

本文將云計算引入負荷預測中，尤其是子節(jié)點的使用，使當電力市場化要求將實時電價、分布式發(fā)電等新的參數(shù)考慮進負荷預測時，可以通過子節(jié)點的增減達到目的，而不需要對模型進行大規(guī)模的改造，使其更適應電力市場發(fā)展的要求。

由于云計算是近幾年才提出的概念，還在探索與發(fā)展階段，并沒有完全成熟的產(chǎn)品，而且其信息安全方面的問題也沒能得到很好的解決，但作為計算機科學未來的發(fā)展方向，其必然會在未來的電力系統(tǒng)分析與運行控制中占有一席之地。

[1]康重慶，夏清，劉梅.電力系統(tǒng)負荷預測[M].北京：中國電力出版社，2007.

[2]莫維仁，張伯明，孫宏斌，等.擴展短期負荷預測的原理和方法[J].中國電機工程學報，2003，23（3）:1-4.MO Weiren，ZHANG Boming，SUN Hongbin，et al.Extended short-term load forecasting principle and method[J].Proceedings of the CSEE，2003，23（3）：1-4（in Chinese）.

[3]羅軍舟，金嘉暉，宋愛波，等.云計算：體系架構(gòu)與關鍵技術[J].通信學報，2011，32（7）:3-21.LUO Junzhou，JIN Jiahui，SONG Aibo，et al.Cloud computing:architecture and key technologies[J].Journal on Communications，2011，32（7）:3-21（in Chinese）.

[4]（美）John W.Rittinghouse等著.田思源等譯.云計算實現(xiàn)、管理與安全[M].北京：機械工業(yè)出版社，2010.

[5]CHRISTOPHER S.YOO.Cloud Computing:architectural and policy implications[J].Review of Industrial Organization，2011，38（4）:405-421.

[6]DUDIN E B，SMETANIN YU G.A review of cloud computing[J].Scientific and Technical Information Porcessing，2011，38（4）:280-284.

[7]FREDERICO DURAO，JOSE FEMANDO S CARVALHO.A systematic review on cloud computing[J].The Journal of Supercomputing.DOI10.1007/s11227-014-1089.

[8]王德文.基于云計算的電力數(shù)據(jù)中心基礎架構(gòu)及其關鍵技術[J].電力系統(tǒng)自動化，2012，36（11）:67-71，107.WANG Dewen.Infrastructure and key technologies of electric power data center based on cloud computing[J].Automation of Electric Power Systems，2012，36（11）：67-71，107（in Chinese）.

[9]王德文，宋亞奇，朱永利.基于云計算的智能電網(wǎng)信息平臺[J].電力系統(tǒng)自動化，2010，34（22）:7-12.WANG Dewen，SONG Yaqi，ZHU Yongli.Smart grid information platform based on cloud computing[J].Automation of Electric Power Systems，2010，34（22）:7-12（in Chinese）.

[10]趙俊華，文福拴，薛禹勝，等.云計算：構(gòu)建未來電力系統(tǒng)的核心計算平臺[J].電力系統(tǒng)自動化，2010，34（15）:1-8.ZHAO Junhua，WEN Fushuan，XUE Yusheng，et al.Cloud computing:the core computing platform of building the future power system[J].Automation of Electric Power Systems，2010，34（15）:1-8（in Chinese）.

[11]張余，李東艷，等.中國聯(lián)通3G服務智能電網(wǎng)的應用研究[J].電網(wǎng)與清潔能源，2010，26（8）:4-10.ZHANG Yu，LI Dongyan，et al.Study on application of China unicom 3G technology in smart grid[J].Power System and Clean Energy，2010，26（8）:4-10（in Chinese）.

[12]程旭，康重慶，夏清，等.短期負荷預測的綜合模型[J].電力系統(tǒng)自動化，2000，24（9）:42-44.CHENG Xu，KANG Chongqing，XIA Qing，et al.Comprehensive model of short-term load forecasting[J].Automation of Electric Power Systems，2000，24（9）:42-44（in Chinese）.

[13]卓元志，劉家軍，王明軍，等.基于熵值法的組合模型用電量預測方法研究[J].電網(wǎng)與清潔能源，2011，27（5）:47-50，54.ZHUO Yuanzhi，LIU Jiajun，WANG Mingjun，et al.A combination model based on entropy method for annual electricity consumption forecasting[J].Power System and Clean Energy，2011，27（5）:47-50，54（in Chinese）.