面向智能电网负荷预测的电力大数据关键技术

With the rapid development of the smart grid, data on electric power show explosive growth. Big data on electric power has been formed. The traditional data processing technologies have been challenged by the big data on electric power with huge data volume, various data types, and fast processing speed. To satisfy the real-time requirement for load forecasting accuracy, the project studies on the key technology of big data integration, quality control, storage method, analysis and processing etc. The research contents include: (1) the data integration technology of the multi-source heterogeneous data; (2) the high-performance storage and efficient data access technologies of the big data on electric power; (3) the accurate and efficient load forecasting algorithms under the distributed environment. The research results of the project will effectively improve the accuracy of real time power load forecasting and promote the in-depth applications of big data in the smart grid.

随着坚强智能电网的快速发展,电力数据呈现爆炸性的增长，电力大数据的格局已经形成。电力大数据的"数据体量巨大，数据类型繁多，处理速度快"特性对传统的数据处理技术提出了新的挑战。传统的数据处理方法以及电力应用技术远远不能适应电力大数据的应用需求。本项目针对智能电网负荷预测的准确性和实时性要求，对大数据的集成、质量控制、存储方法、分析与处理等关键技术展开深入研究。重点研究：（1）多源异构的电力大数据集成技术；（2）电力大数据的高性能存储及高效数据访问；（3）分布式环境下准确、高效的电力负荷预测算法。本项目的研究成果将有效提升电力负荷预测的准确性和实时性，推动电力大数据技术在智能电网建设中广泛和深入的应用。

电力大数据的产生为负荷预测的准确性提供了保障和挑战。然而传统的电力负荷预测技术无法适应从电力大数据环境中挖掘出预测模型并进行预测的过程，其实时性也将无法得到保证。本项目针对智能电网负荷预测的准确性和实时性要求，对大数据的集成、质量控制、存储方法、分析与处理等关键技术展开深入研究。取得了如下研究成果：.（1）在多源异构的电力大数据集成技术方面，提出了电力大数据的异常检测方法，利用本体方法构建了多源异构电力大数据的统一数据模型。（2）在电力大数据的高性能存储及高效数据访问中，构建了适合电力大数据需求的分层存储、分布式可扩展技术以及高效访问技术，实现对多源异构数据的高效存储，对电力大数据分析与处理提供有力支撑。（3）研究分布式环境下属性的全局约简方法，从而选取与负荷预测相关的一些参数，大大减少数据处理的工作量。提出了一种“聚类-回归”模型的短期电力负荷预测方法，能够在分布式环境下准确、高效的进行电力负荷预测。本项目的研究成果能够有效提升电力负荷预测的准确性和实时性，推动电力大数据技术在智能电网建设中广泛和深入的应用。