[发明专利]基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统

权利要求书

1.一种基于大数据技术的电力负荷预测方法，其特征在于：它包括以下步骤：

步骤a、数据源建立，建立用电负荷、用户档案、电网设备台账、变电站信息、区域/行业/ 用电类别信息以及外部的天气信息、节假日信息；

步骤b、数据整合：融合kafka实时数据分布式消息队列、sqoop离线数据抽取技术，对异 构数据的快速接入，构建分布式数据整合功能，具备定时/实时数据的采集处理能力，实现 从数据源到平台存储的配置开发、过程监控；

步骤c、数据存储：对关系型数据存储、非关系型数据存储、分布式文件存储进行数据存 储，同时提供统一存储访问接口，提高数据存储低成本的横向扩展能力，提高在高并发条件 下的快速数据访问响应能力、满足海量数据实时与准实时存储需求；

步骤d、数据计算：包括流计算、批量计算、查询计算并支撑SQL查询，满足不同时效性计 算需求；批量计算支持大批量数据离线分析；流计算支持实时处理，如用电数据实时处理、 预警；同时提供类似SQL的查询分析技术，将查询语句转译为并行的分布式计算任务；

步骤e、数据分析：集成R语言和Mahout，形成分布式数据挖掘算法库，提供挖掘建模设 计工具，构建统一的分析建模能力和运行引擎；同时，通过提升改造分析决策平台，完善分 析建模、模型运行、模型发布能力，增加对大数据分布式计算的支持，满足实时、离线应用的 分析挖掘需求，为公司分析决策应用构建提供基础平台支撑；

步骤f、场景展现：实施电负荷特性分析以及电力负荷预测分析。

2.根据权利要求1所述的基于大数据技术的电力负荷预测方法，其特征在于：

步骤b的具体步骤如下：

1)通过sqoop定期将业务系统数据抽取到hive，数据包括用户信息表、客户联系信息 表、供电单位表、营销编码表、日测量点功率曲线表、变电站信息表、变电站坐标信息表、关 联表、变电站资源编码映射表、日气象数据表、月气象数据表；

2)大数据平台解析程序定期将CIS数据源区域负荷信息及变电站负荷信息原始数据进 行解析，并写入hive区域负荷信息解析表、变电站负荷信息解析表写入hive；

3)大数据平台定期数据计算，并将其中的区域信息表、行业信息表、用电类别信息表、 变电站信息表、用户信息表、区域用户数量信息表、行业用户数量信息表、用电类别用户数 量信息表、用户负荷信息表、行业负荷信息表、用电类别负荷信息表、负荷聚类模型宽表、负 荷预测模型宽表、负荷多因素影响分析预测模型宽表写入PostgreSQL；

4)智能分析决策平台每月读取负荷聚类模型宽表、负荷预测模型宽表、负荷多因素影 响分析预测模型宽表，挖掘生成负荷聚类模型输出表、负荷聚类模型输出结果描述表、负荷 预测模型输出表、负荷多因素影响分析预测模型输出表，并写入PostgreSQL；

5)前端展现定时读取postgreSQ中的计算结果进行展示。

3.根据权利要求1所述的基于大数据技术的电力负荷预测方法，其特征在于：

步骤e：数据分析中，包括分布式负荷特性分析，于负荷数据量非常大，采用基于Mahout 的分布式Conopy算法及K-Means算法实现对负荷数据的并行处理，识别客户用电模式，分布 式聚类算法可通过自动设定聚类类别个数或手动设定聚类类别个数两种方式实现对负荷 信息的聚类，解决传统聚类算法无法处理大数据量的局限性，Mahout是Hadoop家族中与众 不同的一个成员，是基于Hadoop的机器学习和数据挖掘的一个分布式框架，Mahout用 MapReduce实现了部分数据挖掘算法，解决了并行挖掘的问题，K-Means作为一种经典的聚 类算法，依赖于不断寻找簇中心直至其达至稳定实现对象的划分，K-Means的一个不足之处 是必须预先指定簇数K，在许多实际应用中要设定一个合理的K值不是一件容易的事，借助 Canopy算法可以完成簇数K及初始簇中心的估计。