基于云计算的智能电网负荷预测平台架构研究

基于云计算的智能电网负荷预测平台架构研究，有需要的自行下载第2期罗滇生等:基亍云计算的智能电网负荷预测平台架构研究103资源,安排不同节点采用不同算法进行预测,各类数汇总到主服务器,进行分析并反馈给用户据通过请求从存儐节点服务器获得.最后预测结果电力调度主云负荷预测国调网调云服务客户端主节点服务器响应需求Internet省调省调并行传输负荷预测数据调用算法\给闲置节点分配任务响应需求地调地调地调地调存储节点服务器集群并行传输计算节点服务器集群电力调度子云负荷预测数据县调县调节点1预测任务1节点2预测任务2节点n预测任务电力调度子云负荷预测云运行机制图2电力调度云Fig 2 Power dispatching cloud云”,而用户“端”主要通过桌面虚拟化等虚拟化技3智能电网负荷预测云架构术米呈现目前,负荷预测的工作主要集中在平台开发、预4基于云平台的负荷预测服务测技术研究、预测管理中心的建立.但是,电力系统内部预测的需求不是单一的,系统平台异构性问题云计算的关键技术包括:虚拟化技术、并行编程突岀(服务器等基础设施多样化,开发平台多样化,模型、海量数据分布冇储技术、海量数据管理技术数据标准多样化,预测技术多样化,对象多样化)建SOA构架等8.虚拟化技术与SOA构架融合的立基亍云计算的负荷预测系统,能够解决数据不能 SOAOV(Sccrvic-oricntced architecture of virtual-共亨、处理速度慢等冋题,适应了智能电网的发展. Ization)系统框架能够增加负荷预测应用系统的灵图3为基于云计算的负荷预测系统架构活性,提高资源利用率.调度的时效性要求负荷预测的期限越米越短,SOA是一种分布式、开放的架构,以一切服务甚至可能出现“超-超短期负荷预测”.这就需要云计最大化作为出发点,可以将现有的杂乱无章的负荷算的“虚拟化”技术,将分散在不同空间的服务器、数预测系统整合并形成一套新的系统.9-SOA提供据库、网络等设施,整合分散的资源、统一数据和服了一种与平台无关的、松散耦合、可扩展、可重用的务标准,构成一个“资源池”,通过负荷分配将任务分休系架构组织方式派给不同任务机器,进行分布式计算.如图3所示,SOA可以将传统的.NET和J2EE平台的负荷分布式技术是PaS的核心内谷,包含分布式基础预测系统,通过服务封装的形式进行组合,实现服务设施、分布式大规模数据处理(如σ oogle采用的交互.SOA构架与负荷预测云运行机制的契合性Hadoop mapreduce框架)、分布式数据库(如高.因此,负荷预测服务与云机制优势结合,大大提MySQI)技术,SaS在传统负荷预测系统的基础升了预测的整体性能上,着力研究大规模的负荷分析、典型用户负荷预传统的负荷预测主要采用直接预测的方法,目测、分布式负荷预测、多级协调机制、实现分析、预前也逐步涌现出间接预测方法,如考虑网损的爷地测、管理、服务一体化.而SOA( Service-Oriented区负荷之和来预测省级负荷的研究、考虑地方小水Architecture)真正地将以上系统重构和重组,形成电、检修、转供等因素的母线负荷预测米预测省级统个仝面有序的系统.以上几个部分形成构架的调负荷的研究等,都推动了负荷预测的发展,但存在1(4湖南大学学报(自然科学版)2016结果协调的问题.智能电网下将不同对象的负荷预呈现给用户测通过协调机制平衡各个结果,并转换成多种服务“端四屏Client电脑电视手机平板电脑互联网SOA[服务接口服务注册「服务搜索服务筛选」「服务访间」理开Sas系统负荷预测系统母线负荷预测系统负荷分析管理多级协调机制//发典型用户预测系统分布式负荷预测系统其他管粗用务真身份认证管理服务总线工作流撑PaaS访问控制数据挖掘其他平台基础服务「数据管理」「计算服务「负载管理备份虚拟化基础设施服务器群数据库网络其他硬件囹3基于云计算智能电网负荷预测架构图Fig 3 Architecture of smart grid load forecasting based on cloud computing4.1云平台基础化负荷分析服务3)典型大用户负荷预测.了解大型企业的生产负荷分析是负荷预测的基础.随着大量智能设计划、结合负荷分析,采用概率预测算法;考虑高铁备的投入,负荷数据的釆集更加细化.在负荷类分的运行时刻表,掌握随机性负荷的特点,归纳岀一套析的基础上,可以将地区负荷分为各行业负荷进行针对波动性负荷的预测算法实时滚动分析,克服以往通过负荷比重分析的不科1)风力发电功率预测.以数值气象预报为基础学性;紧密结合实时气象要素、转供、检修等,展开对运用信息融合、数据挖掘、人工智能等理论,提出基母线负荷的相关性分析;以集中空调负荷、居民空调于元学习( Mctal- caring)的前向评估自适应组合负荷为主进行空调负荷分析;考虑企业生产计划、高预测方法.速电气化铁路运行时刻表等的典型大用户波动性负5)光伏发电功率预测.研究相关因子对光伏发荷特性分析:考虑气象、地理信息数据的光伏发电、电负荷的影响(如温度、阵列的髙度、空隙、风速、覆风力发电功率分析:考虑运行状况、气象、路面状况尘率、湿度等),硏究输数据的筛选方法,提岀基丁等因素的电动汽车充电负荷分析主成分分析方法的数据同化、筛选与融合新方法4.2基于云平台负荷分析的负荷预测服务6)电动汽车充电负荷预测.考虑电动汽车类型、在云计算平台下,负荷预测服务多样化、多级日期类型、运行区域、气象、道路状况等因素,获取电化,而负荷分析也更加精细化、科学化,囚此基于负动汽车的日负荷曲线,采用概率方法进行预测荷分析的研究方式更具实际意义.负荷预测服务主4.3云平台多维多级协调负荷预测优化服务要包括:智能电网下负荷预测往往出现爷预测结果不平1)行业负荷预测.将采集到的各行业(居民、商衡的现象,需要建立协调机制1-1,如上下级电网业、工业、农业、轻工业、服务业等)数据,分别进行预之间、各个行业与地区之问、母线与系统之间等.将测,特别注重基丁实时气象要素的商业负荷和居民智能电网预测分为点、线、面、体多维多级负荷预测,负荷预测同时也带来了爷级之间的协调.如图4所示2)丹线负荷预测.采用聚类方法进行母线分类,“点”指的是典型用户、高铁以及间歇性分布式考气象、检修、小水电、转供对负荷的影响,建立闻负荷预测,“线”指的是母线负荷预测,“而”指的是传向电网安全校核的精细化母线负荷预测流程.统的地区系统负荷预测,“体”指的是省、网及全网负第2期罗滇生等:基亍云计算的智能电网负荷预测平台架构研究105荷预测min f体(2. To线在式(2)中,权重表示为预测精度的可信度,预测精度越高,ω越大.式(2)为一般的二次规划问题,可通过拉格朗日乘数法求解.构造的拉格朗日函数如下:L(x,x,)=点入(x(3)点体式(3)分别对x,x,,λ求偏导,可得协调1协调2协调3其他协调"0(-2r0+2x0)+A=0图4点、线、而、体四级协调(-2r;+2x;)-A=0(4)xFig 1 Coordination of point, lineplane and body协调1是指典型用户与母线负荷预测之间的协所以有:调.一方面有利于分析母线的负荷成分,为外一方面=0+(5通过预测结果对比校正母线负荷预测结果协调2是指母线负荷预测与地区系统负荷预测之间的协调1.这个过程往往在安全校核屮涉及到,母线是安全校核的节点,儿条母线构成一个安全C校核断面.通过母线结果米协调地区负荷,由地区结果米修整母线负荷.不难发现,各级预测协调结果是在原预测结果协调3是指各个省级电网与上级之间的协调的基础上加上对不平衡量(∑n-r)按照一定权协调过程考虑各个省级之间的外部联终线的负荷网损、同时率等.如式(1)重分配得到的.但是,以上建模过程并不能直接用于I:下级电网的协调,还必须考虑网间的电网损耗以P.=入1P1+入2P2+…+A,P,+△Pt+△P(1)及厂用电等负荷损失,统一称为网间损失.本文采用式中:P是上级电网预测负荷;P,是省网预测负文献15提出的最小二乘法求得网损预测负荷,用荷;;为考虑同时率和准确率的各个省级电网负荷用电率计算厂用电负荷,最后得到网间损失的预可信度系数(=1,2,…,n,n为省级电网数目);测值.网间损失用ΔPA、表示,根据气象要素、日类ΔP1为联络线综合负荷;△P.为网损负荷型等构成模糊化特征向量,接着采用灰色关联度相多级负荷预测协调可采用基本协调方法、关据△P,△f.取样本数据,选用一个月同一时刻数4.4云平台多维多级协调预测优化模型△P,0,有联协调模型1、负荷类指标协调方法等.本文采用△…8(4P,+△P,2+…+△P10),基本协调模型,如式(2)所示,并采用文献[11-14(7)的一般理论.一维二级协调中,下级电网负荷预测的因此,式(5)和(6)变为:总和等于上级电网负荷预测的结果,即r=>n;,(rb-△P,s)n为下级电网个数.多级负荷预测协调的目标是得(r-△P,sg到上下级电网的负荷预测修正值x;(i=0,1,,),考虑各级电网的负荷预测可信度;,使得相对,avg(8)修正量的加权平方和最小.106湖南大学学报(自然科学版)2016机数目)满足计算需求时,采用云计算所需的计算时=r;间增长并不明显,这说明在负荷预测资源调度和计△1.n)算中采用云计算的优势非常明显.当预测计算计划节点个数超过了云平台所能提供的最大计算资源数(∑r,-0+△P.m)9)时,计算时间又开始有一定的增加,但仍然远远低于将一个月内各上、下级电网的平均预测准确率单机服务器模式的计算时间.若需要在较短时间內应电网一个月的日负荷预测准确率,有,获得更多数量节点预测计算结果,只需要在云平台作为∞;(i=0,1,2,…,n),A,1,A.2,内增加一定计算资源节点即可表1单机计算与云计算结果对比(A:,+4.2+…A(10)Tab. I The comparing results of single computerOcalculation and cloud computing用式(8),(9以及(10)求得上、下级电网负荷预节点数日单机计算厶计算虚拟机测协调结果.按照上述思想,完成如图4中的Lay时间/s时向间/s使用数目er1(体)-ayer2(而), Layer2(而)-aye3(线)和Layer3(线)-L-ayer4(点)三次一维级协调.125485算例分析1535.1基于云计算的负荷预测计算仿真通过本文分析,云平台屮包含的计算资源构成100l589一个服务器集群,客户端提供负荷预测计算服1502455务.实验仿真使用 Hadoop平台,采用的版本为IIa-doop-0.23.2. Hadoop平台是一个上作在Unix系2500统坏境下的软件框架,通过安装 Linux虚拟机或者■单机计算时间一云计算时间用( ygwin软件来模拟∪nix运行环境.本文的仿真虚拟机个数实验中要求参与搭建云平台的计算机能正常运行1500Linux系统.单机的详细配置为: Intel(R) CoreTm2Quad CPu c9400,3.19GHz,4GB的内存,500G1000硬盘.将这些计算机连接到一个局域网里而,网终带宽为2M,每台计算机分配一个固定I地址,即完500成云计算平台的硬件部署.将实验集群搭建好后,在每个节点上配置运行环境.其中任务调度器采用虚0100120140160节点个数拟 Linux服务器,它是服务器集群的唯一入∏,类似图5计算时间变化趋势个髙性能服务器.当客户端提交计算请求时,任务Fig 5 Computation time trends调度器可根据请求内容选择服务器执行操作.以负5.2云平台多维多级预测优化协调模型仿真荷预测计算为例,针对云计算对资源的调度的要求木文采用某省基于气象要素的省地一体化负荷将各节点负荷预测分为小的计算单元,并且选取不预测系统、母线负荷预测系统以及地区典型大用户同数量的节点的负荷预测计算,分别采用单机服务负荷分析管理系统数据库样本数据进行负荷预测计备计算和云计算(本文中云平台提供不超过40个虚算.分别通过“三系统”下的一般修正和基于云平台拟机)方法进行仿真对比所谓单机模式是在一台计多级短期负荷预测协调优化方法,对原始预测结果算机上进行算例伤真,云计算模型是在多台计算机进行修正与协调,表2所示为某月某一时刻的预测组成的计算集群上进行算例仿真,又简称多机模式数据对比.其中地区1~14表示为某省各个市网供两种方法的计算时间及使用的虚拟机个数如表1所负荷;母线1~9为求属于地风8不同电压等级的变示,图5给出了计算时间的变化趋势.电站高压侧负荷;用户1~3为所属丹线3的典型用通过实验仿真结果可以发现,随着负荷预测计户负荷.图6给出了各方法预测值与实际负荷百分算屮的节点数目增加,使用单机服务器进行负荷预比误差对比.图中,一般修正指的是单一的下(上)级测计算的时间几乎呈线性增长.而在计算资源(虚拟第2期罗滇生等:基亍云计算的智能电网负荷预测平台架构研究107负荷对上(下)级负荷的修正.它和优化协调都减小图7为某省级统调和14个所属地区短期负荷了原始预测负荷的误差,但是后者效果更佳,提高了预测结果经过协调后得到的负荷预测准确率变化情整休预测精度.上下级电网的预测水平都冇显著提况统计.图中采用连续10个负荷点进行统计,地区升.本文方法同样适用亍超知期、中长期等其他时间级知期负荷预测准确率提高的地区个数都多于降低尺度的协调预测个数,总体上提高了地区级短期负荷预测准确率.表表2原始预测与一般修正、优化协调预测数据对比3为省级短期负荷预测准确率变化统计情况.在省Tab. 2 The contrast of forecast data of original forecastgeneral correction and optimization c ordination级短期负荷预测有7次协调结果得到了提高,而4,7,9号负荷点由亍地区级准确率降低个数增多,直顶测项实际原始预测一般修正云平台协调负何/MW值/MW值/MW预测值/MW接导致了省级知期负荷预测出现了3次协调结果降网省统调14136.214334.314278.1411251.58低的情况.出现该情况主要基于以下两点原因:第地区1724.12754.22758.1本文采用的协调过程只进行了一个循环周期地区21446.41408.21425.81427.1通过设置一定的约束进行多次循环协调,寻求最优地区31253.51232.61236.31238协调解.第二,本文的算法只能在原先预测结果的基地区41095.11068.11072.81084.9地区5258.2251.3252.6253.4础上加上一个不平衡量或者减去一个不平衡量,不地区421.4429.6428.7能随机改变不平衡量的增减,有可能会增大误差.因地区C18.966.2C65.1C63.0此,在智能电网云平台下要继续研究负荷预测优化地区21.1609.8611.2612.7办调技术,寻找更加合理的算法,采用诸如关联协调地区9048.510691051.1060.2地区101167,81189.01180.9l180.4模型、负荷类指标协调方法等,提高基于云平台的智地区788,3780.1能电网负荷预测水平地区12地区13欣测准确提高的地区个数地区1466l68.6预测准确率烽低的地区个数用户20.9用户21.5用户325.14.8母线1母线25.6母线384.085.1母线81.5母线536.436.2母线672.5母线773.872.8678母线84,541.1负荷节点序号母线966.0i7.1图7地区负荷预测准确卒变化统计ig. 7 Regional load forecasting accuracy rate changes1.0表3省级负荷预测准确率变化统计Tab 3 Provincial load forecasting accuracy rate changes35原始预测方法晋一般修正预测方法平台协调优化预测方法负荷点序号省级准确负荷点序号省级准确时刻)率变化情况时刻率变化情况3.0提高提高2.5提高降低提高提高20降低降低5(13:45提高提高al.0结语0.58地区负荷序号本文针对传统负荷预测出现的不足,结合智能图6预测结果误差比较电网下负荷预测的新需求,提出了构建基于云计算FigContrast of prediction error results的智能电网负荷预测平台架构.描绘了电力调度云、108湖南大学学报(自然科学版)2016云平台的关键技术以及负荷预测服务7]何近,刘俊勇.基于云计算平台的电能网损计算分析实验系统云计算作为一种崭新的计算方式,以其优异的设计[].实验技术与管理,2011,28(7):112-116.HE Mai, LIU Jun yong Experimental system design of power特性已运用于广大领域.本文通过实验仿真,充分证network loss calculation and analysis based on cloud computin叨云计算技术能在智能电网负荷预测中的资源调度platform [J]. Experimental T'echnology and Management和计算等方面发挥巨大优势.本文还阐述了基于云2011,28(7):112-116.( In chinese)L8]陈仝,邓倩妮.云计算及其关键技术[J].计算机应用,2009,29平台的负荷预测服务,并建立云平台多维多级预测(9):2562-2566优化协调模型进行仿真硏究,通过引进多级协调优CHEN Quan, DENg Qian-ni. Cloud computing and its keytechniques. Journal of Computer Applications, 2009, 29(9)化机制,同时进行上级和下级双侧负荷修正预测,有2562-2566.(In Chinese)效地提升了上下级电网的预测准确率,智能电网负[9]宋志良,苑海涛,宋杰,等.SOA与云计算:竞争还是融合[二荷预测鳘体水平也有明显的提高.本文提出的协调计算机科学,2011,;8(12):6-11ZHU Zhi liang, YUan Hai tao, SONG Jie, et aL. SOA and优化预测过程思路非常简单,已经成功应用于某省cloud computing competition or integration [J]. Computer基于气象要素的省地一休化负荷预测系统、集中式Science, 2011.38(12):6-11(In Chinese)省地一体化母线负荷预测系统以及地区典型大用户10~秦辉,史维峰,张冂.面向服务的动态体系结构描述语言SO.DADL I.计算机T程与应用,2011,47(6):68-74负荷分析管理系统屮QIn Hui, Shi Wei-feng, ZHANG Dan. Service oriented dy-云计算与电力负荷预测的结合,才刚刚荫芽.虽然namic architecture description language SO-DADLLJJ. Com-本文提出了基本的框架和一部分负荷预测服务,但是puter Engineering and Applications, 2011, 47(6): 68-74. (In随着智能电网的发展,也要随之拓展.云平台关键技术「11-康重庆,牟涛,夏淸.电力系统多级负荷预测及其协调问题(-)与电网负荷预测如何更好地协同上作以及云平台安全研究框架[J].电力系统自动化,2008,32(7):34-38.KANG Chong-qing, MU Tao, XIA Qing Puwer system multi性方而的提升,将是接下来研究的核心內容.level load forecasting and coordinating part one research frame-work. Automation of Electric Power System, 2008,32(7)参考文献34-38.(In Chinese)12牟涛,康重庆,夏清,等.电力系统多级负荷预测及其协调问题1]雷万云,宋近之,峰,等.云计算技术、平台及应用案例LM(二)基本协调模型[J.电力系统自动化,2008,32(8):14-18.北京:清华大学出版社,2011:7-8MU Tao, KANG Chong ging, XIA Qing, et al. Power systemLEI Wanl-yunl, ZHU Jin-zhi, XUE Feng,et al. Cloud conpumultilevel load forecasting and coordinating part two basic co-ting technologies, platforms and applications]. Beijing:'Iordinating model[J]. Automation of Electric Power Systeminghua University Press, 2011: 7-8.(In Chinese)2008,32(8):11-18.( In Chinese)2]饶威,丁坚勇,路庆凯云计算:智能电冈云计算平台构建J[13ˉ牟涛,康重庆夏清,等电力系统多级负荷预测及其协调问题华东电力,2011,39(9):14931496(三)关联协调模型[].电力系统自动化,2008,32(9):20-24RAO Wei, DiNg Jian-yong, LU Qing-kai Cloud computingMU Tao, KANG Chong-qing, XIA Qing, et al. Power systemplatform construction for smart grid [J. East China Electricmultilevel load forecasting and coordinating part three correlaPwer,2011,39(9):1493-1496.( In Chinese)tive coordinating model[J]. Autorna lion of Electric Power Sys3]潘睿,刘俊勇,郭哓鸣.亩向智能电网的电力系统厶计算[冂.四tem,2008.32(9):20—24.( In Chinese)川电力,2009,32(71):6-10「14康重庆,赵燃,陈新宇,等.多级负荷预测的基础问题分析[JPAN Rui, LIU Jun yong, GUO Xiao ming Power system cloud电力系统保护与控制,2009,37(9):1-7.computing about smart grid [J]. Sichuan Electric Power TechKANG Chong-qing, ZHAO Ran, CHEN Xin-yu, et al. Funda-nology, 2009,32(Z1): 610(In Chinese)mental analysis of multilevel laad forecasting]. Power Sys-「4]赵俊华,文福拴,萚禹胜.等.云计算:构建未米电力系统的核心tem protection and Control. 2009.37(9):1-7.(In Chinese)计算平台[刀].电力系统自动化,2010,34(15):1-715程义明,罗滇生,蔡剑彪,等.分步预测法在省级电网短期负荷ZHAO Jun-hua, WEn Fu-shuan, XU Yu-sheng, et al. Cloud预测中的应用[冂.电力系统及其自动化学报,2012,24(4):54omputing: implementing an essential computing platform forfuture power systerms [J]. Automa tion of Electric Power Sys-CHENG Yi ming, LUO Dian sheng, Cai Jian biao, et altems, 2010,34(15):1-7(In Chinese)Step by step forecasting method in short term load forecasting5]白红伟,马志伟,宋亚有.基丁云计算的智能电网状态监测数据in the provincial power grid[J]. Automation of Electric Power的处理[J].华乐电力,2011,39(9):1485-1487Systems, 2012, 24(4): 54-58. (In Chinese)BAI HOng-wei, MA Zhi-wei, SONG Ya-qi. Processing of smart[16-廖峰,刘清良,贺辉,等.基于改进灰色模型与综合气象因素的grid monitoring data based on cloud computing [J]. East China母线负荷预测[J.电网技术,2011,35(10):183-188Electric Power, 2011,39(9):1185-1187(In Chinese)LIAO Feng, LiU Qing-liang, HE Hui, et al. a bus load of6]范寅秋,弭娟.云计算技术在智能配网自动化中的应用研究improved grey Inodel and combined forecasling basedL冂.电脑知识与技术,2911,7(25):6168-6170weather factors [I]. Power System Technology, 2011, 33FAN Yin-qiu, MI Juan. Cloud computing in the smart distribu-(10):183-188.( In chinese)tion automation applied research J. Computer Knowledge andTechnology, 2011,7(25):6168-6170(In Chinese)