大数据管理与应用概论 课件 8.2 应用案例-数据驱动的负荷预测与异常检测

8.2应用案例：数据驱动的负荷预测与异常检测应用案例：数据驱动的负荷预测（五）以数字化智能化电网支撑新型电力系统建设。提高负荷预测精度和新型电力负荷智能管理水平，推动负荷侧资源分层分级分类聚合及协同优化管理，加快推动负荷侧资源参与系统调节。《国家能源局关于加快推进能源数字化智能化发展的若干意见》，2023年3月28日负荷预测是指从已知的电力系统、经济、社会、气象等因素出发，通过对历史数据的分析和研究，探索各因素之间的内在联系和发展变化规律，对负荷的发展做出预先估计和推测。影响因素的不确定性导致负荷规律难以把握负荷预测模型的质量直接关乎预测准确度的高低信息不完整影响负荷预测准确度的因素针对不同的预测目的，负荷预测按照预测期限的不同划分。长期预测中期预测短期预测超短期预测负荷预测的概念应用案例：数据驱动的负荷预测不确定性时间性多方案性电能属于瞬时能源，难以像化石能源大量长期储存。因此电力负荷预测应保证电力的消费和生产在同一阶段进行。电力负荷是波动变化的，这种变化呈现周期性和连续性的特点，而时间是电力负荷预测最显著的影响因素之一。电力负荷预测是一项长期性工作，需要通过多种预测方法的实践，找寻出最符合实际情况、预测精度最高的预测结果。负荷预测还受到季节、温度、天气等因素的影响，因此在实际应用中需要将各类影响因素与先进预测方法结合起来综合考虑。负荷预测的特点应用案例：数据驱动的负荷预测负荷预测的基本流程负荷曲线聚类分析。对影响负荷的因素进行关联度排序。找到分类结果与关键影响因素间的耦合关系,建立分类规则。将关键因素日特征向量输入决策树模型，输出分类结果。训练预测模型，选取匹配的预测模型完成负荷预测。计算系统负荷测试值。123456应用案例：数据驱动的负荷预测长期负荷预测是对未来五到十年或更长时间的负荷趋势进行预测，为电网规划和建设提供决策参考。外推法仅以负荷历史数据为基础,分析得出其变化规律并将其外推，从而对未来的负荷发展进行预测。弹性系数法曲线外推法灰色系统预测法相关分析法考虑社会、经济等因素对负荷发展的影响，通过建立负荷与影响因素之间的关系进行预测。综合产值电耗法回归分析法长期负荷预测应用案例：数据驱动的负荷预测中期负荷预测通常是以月度负荷数据预测为目标，相比于长期负荷预测，周期性更强，一年内的各月通常具有规律性。按照年度发展序列构成的预测方法

一般是单调序列，因此常用各种回归曲线进行预测。这类预测方法的优点是数据的提取较为简单，预测模型的选择空间较大，可以采用成熟的预测方法，缺点在于对新数据利用程度不够。按照月度发展序列构成的预测方法

将月度量看成一个连续变化的时间序列，其总变动可分解为长期趋势变动项、季节性变动项和随机扰动项，如此可以将复杂的曲线分解为几种典型模式，分别进行预测，然后叠加。中期负荷预测应用案例：数据驱动的负荷预测主要是对未来15分钟、1个小时的负荷趋势进行预测，预测精度和速度是影响电力系统各参与主体决策的重要因素。不同日之间24小时整体变化规律的相似性不同星期、同一星期类型日的相似性工作日/休息日各自具有相似性不同年度的重大节假日负荷曲线具有相似性周期性短期和超短期负荷预测应用案例：数据驱动的负荷预测时间序列预测法时间序列模型是经典的、应用广泛的一类短期及超短期负荷预测方法。常用的时间序列模型有自回归（AR）模型、移动平均（MA）模型、自回归移动平均（ARMA）模型、整合移动平均自回归（ARIMA）模型。人工神经网络（ANN）方法对大量非结构性、非精确性规律具有自适应性，具有信息记忆、自主学习、知识推理和优化计算的特点，这些优势使得其适合于电力负荷预测问题，是在理论研究和实际应用中均得到认可的预测方法之一。两类负荷预测方法应用案例：数据驱动的负荷预测指导电价制定引导用户分时用电促进源-荷协调同步精准的负荷预测结果能够帮助电力部门及时获取信息，根据供需变化制定电力定价制度，提高售电部门和用户的共同利益，达到互利共赢的目标。供电部门根据预测结果，在用电高峰时期提高电价，用电低谷时期降电价，引导用户合理用电，达到对负荷曲线“削峰填谷”的作用，缓解电网压力。发电端根据负荷预测结果，合理制定发电计划，做到实际发电量与负荷需求尽可能匹配，进而在源端合理控制发电企业成本，在荷端即时消纳电能，提升环境友好度。负荷预测结果的应用应用案例：数据驱动的负荷预测异常检测是指对不符合预期模式或数据集中其他项目的项目、事件或观测值的识别。数据规模日益增大2018年底，国家电网公司累计智能电表招标量达到了6.08亿只，2019年全年国网公司智能电表招标量达到了7721万只，同比增长36.64%，采集的数量达到PB级别。电网规模日趋复杂

采集的电力数据不仅包括了设备各类异常信号、运行过程中各类传感器的状态信息，同时还包含了大量的相关数据，这些数据时间密度大，结构化、非结构化数据混杂，各类数据之间都可能存在隐含的相关性。

能源大数据异常检测面临严峻的挑战！应用案例：数据驱动的异常检测特点能源供给设备的状态监测数据体量巨大多源异构数据的相关性时间和空间属性处理速度要求高价值密度低能源大数据异常检测的特点应用案例：数据驱动的异常检测

通过寻找与其他数据最不匹配的示例来检测出标记测试数据的异常。无监督异常检测

需要一个已经被标记“正常”与“异常”的数据集，并涉及到训练分类器。监督式异常检测

根据一个给定的正常训练数据集产，用来创建出一个表示正常行为的模型，然后检测由学习模型生成的测试实例的可能性。半监督式异常检测方法异常检测的常用方法应用案例：数据驱动的异常检测采集分析数据，筛选重载及过载严重线路和变压器，加强关注。利用大数据异常检测算法分析规律，实现有效预警。针对结构化能源大数据的电异常检测对数据的分布做出假设，并找出假设下所定义的“异常”，因此往往会使用极值分析或者假设检验。基于概率统计的异常检测将数据集随机划分成多个子训练集，再在每个训练集上训练一个独立的模型，最后综合所有模型的结果。基于集成的异常检测模型异常点因为和正常点的分布不同，因此相似度较低，由此衍生了一系列算法，这些算法通过相似度来识别异常点。基于相似度的异常检测假设数据是镶嵌在低维子空间中的，则这些数据在低维空间上投影后表现不好的数据可以认为是离散点。基于线性模型的异常检测负荷异常检测应用案例：数据驱动的异常检测信号检测阶段特征参数提取阶段

各变电站对需要进行检测的电气设备安装声音传感器或利用巡检机器人实时采集声音信号。并在每个变电站内设置一个多路信号采集站，负责采集全站的多路音频数据，并通过有线、无线网络传送至远方的监测中心。

基于声音频谱导出的参数将得到普遍关注，之后利用故障识别算法进行判断。主流的识别算法包括基于核的判别、神经网络、模糊分类、支持向量机、马尔可夫模型等。诊断决策阶段

对这些提取到的特征参数进行模式识别。将特征提取过程所得到的特征参数序列通过已知模型库进行模式匹配。因此，相关模式匹配算法的优劣也在很大程度上决定了故障诊断系统的准确率。变电站异常检测应用案例：数据驱动的异常检测基于图像的异常检测主要采用聚类算法、人工神经网络、分布式存储技术、并行计算等方法，流程通常可以划分为图像提取与预处理，图像识别/目标检测，和图像处理三个阶段。将原始图像进行校正、去噪、增强，以改善原始图像质量。一般可以采用典型的聚类算法，如K-Means等，对红外热成像图像进行提取。利用不同电气设备的轮廓、边界特征，设计人工神经网络网络对现成采集的图像进行分类识别。将处理任务分