引言

電力供需預測指標是反映國民經濟活動的敏感指標,電力供需預測的結果可作為國家宏觀經濟政策的決策參考依據,決定著電力企業(yè)自身發(fā)展的方向和速度。電力的發(fā)展與國民經濟發(fā)展高度關聯(lián),各級政府和電力企業(yè)高度關注電力供需預測工作,以滿足群眾生活對電力的需求,化解電力發(fā)展不均衡、不充分的主要矛盾。隨著電力需求長時期快速增長,電力供需矛盾也不斷加劇。面對多變波動的電力供需市場,傳統(tǒng)的預測方法已經很難較為精準地預測未來,需要引入新的預測方法,特別是在互聯(lián)網、物聯(lián)網、大數據、云計算、人工智能與實體經濟深度融合的時代背景下,更應借助大數據強大的智能預測功能做好電力供需預測工作,通過萬物互聯(lián)提取海量的電力供需信息,去偽存真,匯總至云端,經大數據加工、集成、分析,開發(fā)出更具價值、更加精準的電力供需預測數據,以滿足電力行業(yè)發(fā)展的需要。

1傳統(tǒng)電力供需預測方法的利弊

傳統(tǒng)電力供需預測方法是根據社會經濟發(fā)展和電力負荷等歷史數據,建立相應的數學模型,找出歷史數據的變化規(guī)律和各種相關因素的內在聯(lián)系,進而對未來電力需求進行預測。這一基于歷史數據處理的電力需求預測方法,依托所采集的歷史數據,采用數據外推法、彈性系數法、重點工程法、產值單耗法、人口綜合法等工具建立相應的數據模型,預測結果有一定的準確性,能較好地指導電力行業(yè)發(fā)展方向,進而保證國民經濟可持續(xù)發(fā)展。但是,傳統(tǒng)的電力供需預測方法主要采用自身外推法和相關性分析法。不論采用哪種方法,都要事先設定各種參數,參數的設定受主觀因素影響較大,導致負荷預測結果隨意性也較大,不夠嚴謹。傳統(tǒng)的供需負荷預測方法包含典型日負荷曲線,在歷史數據的基礎上,采用時間外推法,并結合社會經濟發(fā)展的要求和天氣等因素,用趨勢移動平均法、指數平滑法和神經網絡法,獲得預測結果。由歷史數據預測若干個行業(yè)典型年負荷值,綜合考慮各行業(yè)負荷增速、社會經濟運行、中長期氣候變化(氣溫、來水)、重點項目密集布局對電量增長潛力的挖掘能力、節(jié)能減排及大氣污染治理要求等外在因素,分類疊加,形成高、中、低三檔最大年負荷需求結果,用于指導電力工業(yè)均衡發(fā)展和電力生產調度。這種方法的供需預測都具有一個共性,即根據歷史數據外推無法獲得實時負荷預測,不能用于泛在電力物聯(lián)網的實時調控。

傳統(tǒng)的電力供需預測結果能夠較好地反映電力行業(yè)與國民經濟發(fā)展的內在聯(lián)系及電力企業(yè)自身發(fā)展規(guī)律,廣泛應用于政府的宏觀決策參考層面和電力企業(yè)的規(guī)劃發(fā)展上,并發(fā)揮著數據指導功效。但傳統(tǒng)的電力供需預測精度不高,已很難適應電力市場的快速發(fā)展和變化。用單一組的歷史數據對未來做預判的方法是限局單一的,對其他指標類型的預示功能有限,預測結果往往無法判定其他類別不確定因素的影響,無助于回避決策風險。在多變的市場環(huán)境中,不確定性是常態(tài),有時某些不確定因素還會上升為主要的關聯(lián)因素。僅考慮單一條件的分析結果,其精確度不高是不可避免的。

另一方面,傳統(tǒng)的電力供需預測手段多采用相關性分析法(如彈性系數法)和各類線性回歸數學模型法,這種靠對單一維度歷史數據進行推演而獲得的電力供需預測結果,有其固有的缺陷,即結果的不確定性。因為傳統(tǒng)的電力負荷預測模型很難模擬真實的運行環(huán)境,不能全面反映價格、氣候變化、城市規(guī)劃、人口變動等變量對電力需求的影響。多維度(變量)的數據模型計算工作量是呈指數級增長的,人工無法勝任。隨著高速計算技術的應用,對風、光電這類隨機性和不確定性強的電源類型進行電力負荷預測,需綜合考慮氣候變化等其他變量的影響,傳統(tǒng)的模型和方法難當重任,勢必引入新的計算方法和數字模型,如蒙特卡羅(Monte一Carlo)模型方法加以解決。這種方法既可避免多維度數據處理計算量巨大的負擔,又可較為客觀準確地預測風、光電的電力負荷。

隨著第三產業(yè)用電比重的增加和用電總量的快速增長,研究分析隨機性很大的第三產業(yè)電力消費趨勢,已成為電力需求預測工作的要點和難點。第三產業(yè)的電力消耗,不僅與人民群眾日常生活息息相關,還具有需求彈性大、價格彈性大、受低價驅動和消費心理影響等新特質。例如,隨著電動機車(電動汽車和電摩)存有量增長井噴式地爆發(fā),其電力消費呈現出隨機、無序的增長態(tài)勢,這類電力需求既無歷史數據可參照,又無密切相關的統(tǒng)計指標可比對,傳統(tǒng)的電力需求預測方法難以對電動機車這類波動負荷做出精確的預測,必須尋求新的方法和手段加以解決,大數據平臺的強大預測功能為我們提供了解決問題的途徑。

2電力供需預測的價值內涵和特征

在互聯(lián)網大數據平臺推算生成的電力供需預測數據具有信息化時代的烙印,更具活力和價值。

(l)在大數據時代,電力供需預測一改過去由歷史數據推演未來的方法,直接采集泛在物聯(lián)網用戶終端數據和SCADA、DCS的數據,過濾清洗后借助HBaSe數據庫管理框架匯集到云端,使用Mapreduce、Spark等計算框架整理挖掘出數據的內在規(guī)律,形成更為精確、有價值的電力需求預測數據,融匯生成電力供需預測結果。預測結果兼具實時和中長期預測功效,精準度也得到極大提高,可直接應用于電力生產監(jiān)控和電力消費終端的電力資源配置,有效平抑電力峰谷差幅度,具有極高的數據價值和實用性。由歷史數據推演轉變?yōu)樵贫藬祿嬎?是電力供需預測方法從量變到質變的一大飛躍。

(2）影響電力供需預測結果的變量很多,如國民經濟運行方式、時間、空間(區(qū)域）、人文、政策等。多維度(變量）數據的模擬合成計算量巨大,借助現代高速計算技術,可大膽選擇多維度數據模型進行模擬運算。與過去使用一維數據(往往是對結果影響最大的變量數據）進行模擬運算相比較,多維度的數據模型能更客觀、全面反映電力供需趨勢和分布。例如,在對某一特定區(qū)域的電力消費市場進行預測時,全面考慮時間、空間(區(qū)域）、城市化進程以及人口單耗電能諸多因素,模擬生成的預測結果更具價值,直接成為當地建設分布式能源站的決策依據。

(3）互聯(lián)網大數據平臺下的電力供需預測及采用的數據處理方法也發(fā)生了質的變化。傳統(tǒng)的數據處理技術僅對單一的歷史數據進行分析、模擬計算,少有導入諸如風場風速分布、氣象雷達云圖信息等非結構化數據參與分析計算。互聯(lián)網大數據平臺為電力供需預測提供了更為強大的算法工具,不僅能完整地處理歷史數據和實時數據流(結構化數據）,也能同步處理與電力供需預測高度關聯(lián)的非結構化數據(如氣象雷達圖像、微博信息數據、電力管理者急待把控的爬蟲數據等）。這種新的計算技術的應用,極大地提高了預測的精確度,能較為客觀地把握電力供需的變化規(guī)律與發(fā)展趨勢。

(4）大數據計算的成果是多樣的,不但有電力供需預測分析結果,還具有數據挖掘功能,對所采集的數據按區(qū)域、行業(yè)及其他屬性進行分類統(tǒng)計,智能決策,指導精確營銷和行業(yè)對標管理。

3新型電力供需預測結果的應用

互聯(lián)網大數據平臺為電力供需預測方法賦予了新的內涵和活力,其預測結果具有精準性、全面性、實時性等優(yōu)勢,在泛在電力物聯(lián)網系統(tǒng)中更能體現其預測的數據價值。例如,隨著電力體制改革的深入,風、光電等新能源高密度大規(guī)模地并入電網,不確定電力擾動增加,對不確定性、隨機性很高的風、光電出力進行預測顯得愈加重要。通過導入衛(wèi)星云圖和太陽輻射分布數據,采用更先進的模擬算法,得到相對精準的風、光電力負荷預測結果,正向引導物聯(lián)網中特定電力消耗負荷,最大限度地吸納風、光電不確定性的隨機電力。

泛在電力物聯(lián)網背景下的新型電力負荷預測具有很大的發(fā)展?jié)摿蛢r值。隨著泛在電力物聯(lián)網的建設逐漸深入,各類主動負荷將不斷涌現。大數據平臺下的電力供需預測結果,直接實時地引導主動負荷的電力消費,有效平抑電力峰谷差,為電力需求側管理(DSM）開辟了新的管理途徑和手段。

云計算數據將是巨大的財富和資產,其價值可能遠超過其對應的實體資產。云計算數據的預測分析結果,作為一種新的生產要素,直接運用到電力系統(tǒng)各類經營生產活動中。數字經濟是充滿活力、代表未來的新經濟,站在網絡空間利益共同體的高度,各級政府、企業(yè)、社會組織和個體利益主體都要以開放包容的態(tài)度,深化合作,優(yōu)勢互補,共同打造泛在能源物聯(lián)網系統(tǒng),讓更多的群體共享大數據服務的成果,共享智能互聯(lián)釋放出來的大數據紅利。

4結語

傳統(tǒng)的電力供需預測方法已呈現出其局限性,不能全面、準確地反映電力市場需求的快速變化,但仍可作為電力行業(yè)中長期規(guī)劃的參考依據。

互聯(lián)網大數據平臺的應用,為我們更精準地預測未來打開一扇窗,創(chuàng)造性地開發(fā)電力供需預測的新辦法、新手段。新的電力供需預測方法和結果具有網絡數字時代的特征,實時、精準、更具活力和使用價值。