摘要：提出一种基于云计算的智能电网负荷预测平台架构.深入地阐述了云计算关键技术、负荷预测云架构、云平台负荷预测服务等.采用Hadoop 云计算技术，对负荷预测的资源调度和计算进行虚拟云计算仿真，验证了以电力私有云为基础建立的负荷预测机制更优良.同时在云平台负荷预测服务中引入多维多级协调优化机制，对原始预测结果进行修正与协调优化，显著地提升了基于云计算的智能电网负荷预测水平.由此搭建的平台架构将为智能电网负荷预测提供广阔的思路与有力的技术支持.
关键词：云计算；智能电网；负荷预测；电力云；架构
中图分类号：TM711 文献标识码：A
传统负荷预测技术的研究多处于技术层面，如预测模型的改进、预测过程的完善等，而智能电网下的负荷预测技术将进入管理阶段，如需求侧用户用电模式管理、分布式新能源管理、储能设备管理等，都将对提高负荷预测水平产生巨大的影响.
智能电网环境下的负荷预测面临以下问题.第一，随着大量终端设备（智能电表、嵌入式智能家电等）投用和“信息化、数字化、自动化、互动化”过程的推进，数据信息采集、处理、计算遇到瓶颈.第二，由于传统数学模型考虑到计算实时性的问题都做了相应的简化，使得多影响因素下的负荷模型通用性不强.随机性、间歇性负荷的涌入导致现阶段的负荷预测准确率不稳定.第三，现有负荷预测系统大多基于多层体系Browser/Server（B/S）结构，采用.NET或J2EE技术，针对的对象不同（有母线、大用户、系统等），异构现象突出，造成不合理的资源配置.第四，服务器CPU利用率低，大部分时间处于空闲状态或者不饱和状态，严重浪费了资源.
1智能电网负荷预测
2云计算及电力云
云计算是随着其构成（云基础设施作为服务， Infrastructure as a Service， IaaS；云平台作为服务， Platform as a Service， PaaS； 云软件作为服务， Software as a Service， SaaS）发展起来的.智能电网是电网2.0，云计算可以说是Web3.0，是一个诸如电网一样的云网，“按需即用，随需应变”，是一个创新的系统，因此云计算与智能电网有着天然的联系.
未来电力系统是超大规模的，电力计算是多节点、多任务、多目标、多层次、多策略、实时性的，依靠传统集中式的调度计算平台是远远达不到要求的.融入崭新的云计算，利用其独特的优点[1，8]，适用于电网这样快速增长的场景，实现配置优化、管理优化、计算优化、服务优化等等，因此电力云随之产生.
云计算按照其部署模式[1]可以分为：私有云、社区云、公共云和混合云.私有云优良的数据安全性、高效的服务质量、合理地整合资源能够满足电力云安全可靠稳定的需要.
图2所示为部署电力调度云，其中不同云层里包含一个负荷预测云，负荷预测云的运行原理是由用户（计划、方式、继保、调度、运行等不同专业）发出请求，通过互联网发送到主节点服务器，然后向存储节点服务器调用预测算法，向计算节点服务器分配资源，安排不同节点采用不同算法进行预测，各类数据通过请求从存储节点服务器获得.最后预测结果汇总到主服务器，进行分析并反馈给用户.
3 智能电网负荷预测云架构
目前，负荷预测的工作主要集中在平台开发、预测技术研究、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突出（服务器等基础设施多样化，开发平台多样化，数据标准多样化，预测技术多样化，对象多样化）.建立基于云计算的负荷预测系统，能够解决数据不能共享、处理速度慢等问题，适应了智能电网的发展.图3为基于云计算的负荷预测系统架构.
调度的时效性要求负荷预测的期限越来越短，甚至可能出现“超超短期负荷预测”.这就需要云计算的“虚拟化”技术，将分散在不同空间的服务器、数据库、网络等设施，整合分散的资源、统一数据和服务标准，构成一个“资源池”，通过负荷分配将任务分派给不同任务机器，进行分布式计算.如图3所示，分布式技术是PaaS的核心内容，包含分布式基础设施、分布式大规模数据处理（如Google采用的Hadoop Mapreduce框架）、分布式数据库（如MySQL）技术.SaaS在传统负荷预测系统的基础上，着力研究大规模的负荷分析、典型用户负荷预测、分布式负荷预测、多级协调机制、实现分析、预测、管理、服务一体化.而SOA （Service-Oriented Architecture）真正地将以上系统重构和重组，形成一个全面有序的系统.以上几个部分形成构架的“云”，而用户“端”主要通过桌面虚拟化等虚拟化技术来呈现. 4基于云平台的负荷预测服务
云计算的关键技术包括：虚拟化技术、并行编程模型、海量数据分布存储技术、海量数据管理技术、SOA构架等[8].虚拟化技术与SOA构架融合的SOAOV（Service-Oriented Architecture of Virtualization）系统框架能够增加负荷预测应用系统的灵活性，提高资源利用率.
SOA是一种分布式、开放的架构，以一切服务最大化作为出发点，可以将现有的杂乱无章的负荷预测系统整合并形成一套新的系统.[9-10]SOA提供了一种与平台无关的、松散耦合、可扩展、可重用的体系架构组织方式.
SOA可以将传统的.NET和J2EE平台的负荷预测系统，通过服务封装的形式进行组合，实现服务交互.SOA构架与负荷预测云运行机制的契合性高.因此，负荷预测服务与云机制优势结合，大大提升了预测的整体性能.
传统的负荷预测主要采用直接预测的方法，目前也逐步涌现出间接预测方法，如考虑网损的各地区负荷之和来预测省级负荷的研究、考虑地方小水电、检修、转供等因素的母线负荷预测来预测省级统调负荷的研究等，都推动了负荷预测的发展，但存在结果协调的问题.智能电网下将不同对象的负荷预测通过协调机制平衡各个结果，并转换成多种服务呈现给用户.
4.1云平台基础化负荷分析服务
负荷分析是负荷预测的基础.随着大量智能设备的投入，负荷数据的采集更加细化.在负荷聚类分析的基础上，可以将地区负荷分为各行业负荷进行实时滚动分析，克服以往通过负荷比重分析的不科学性；紧密结合实时气象要素、转供、检修等，展开对母线负荷的相关性分析；以集中空调负荷、居民空调负荷为主进行空调负荷分析；考虑企业生产计划、高速电气化铁路运行时刻表等的典型大用户波动性负荷特性分析；考虑气象、地理信息数据的光伏发电、风力发电功率分析；考虑运行状况、气象、路面状况等因素的电动汽车充电负荷分析.
4.2基于云平台负荷分析的负荷预测服务
在云计算平台下，负荷预测服务多样化、多级化，而负荷分析也更加精细化、科学化，因此基于负荷分析的研究方式更具实际意义.负荷预测服务主要包括：
1）行业负荷预测.将采集到的各行业（居民、商业、工业、农业、轻工业、服务业等）数据，分别进行预测，特别注重基于实时气象要素的商业负荷和居民负荷预测.
2）母线负荷预测.采用聚类方法进行母线分类，考虑气象、检修、小水电、转供对负荷的影响，建立面向电网安全校核的精细化母线负荷预测流程.
3）典型大用户负荷预测.了解大型企业的生产计划、结合负荷分析，采用概率预测算法；考虑高铁的运行时刻表，掌握随机性负荷的特点，归纳出一套针对波动性负荷的预测算法.
4）风力发电功率预测.以数值气象预报为基础，运用信息融合、数据挖掘、人工智能等理论，提出基于元学习（Metal-Learning）的前向评估自适应组合预测方法.
5）光伏发电功率预测.研究相关因子对光伏发电负荷的影响（如温度、阵列的高度、空隙、风速、覆尘率、湿度等），研究输入数据的筛选方法，提出基于主成分分析方法的数据同化、筛选与融合新方法.
6）电动汽车充电负荷预测.考虑电动汽车类型、日期类型、运行区域、气象、道路状况等因素，获取电动汽车的日负荷曲线，采用概率方法进行预测.
4.3云平台多维多级协调负荷预测优化服务
智能电网下负荷预测往往出现各预测结果不平衡的现象，需要建立协调机制[11-14]，如上下级电网之间、各个行业与地区之间、母线与系统之间等.将智能电网预测分为点、线、面、体多维多级负荷预测，同时也带来了各级之间的协调.如图4所示.
“点”指的是典型用户、高铁以及间歇性分布式负荷预测，“线”指的是母线负荷预测，“面”指的是传统的地区系统负荷预测，“体”指的是省、网及全网负荷预测.
协调1是指典型用户与母线负荷预测之间的协调.一方面有利于分析母线的负荷成分，另外一方面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[11].这个过程往往在安全校核中涉及到，母线是安全校核的节点，几条母线构成一个安全校核断面.通过母线结果来协调地区负荷，由地区结果来修整母线负荷.
协调3是指各个省级电网与上级之间的协调.协调过程考虑各个省级之间的外部联络线的负荷、网损、同时率等.如式（1）.
5算例分析
5.1基于云计算的负荷预测计算仿真
通过本文分析，云平台中包含的计算资源构成了一个服务器集群，为客户端提供负荷预测计算服务.实验仿真使用Hadoop平台，采用的版本为Hadoop-0.23.2.Hadoop平台是一个工作在Unix系统环境下的软件框架，通过安装Linux虚拟机或者用Cygwin软件来模拟Unix运行环境.
5.2云平台多维多级预测优化协调模型仿真
本文采用某省基于气象要素的省地一体化负荷预测系统、母线负荷预测系统以及地区典型大用户负荷分析管理系统数据库样本数据进行负荷预测计算.分别通过“三系统”下的一般修正和基于云平台多级短期负荷预测协调优化方法，对原始预测结果进行修正与协调，表2所示为某月某一时刻的预测数据对比.其中地区1～14表示为某省各个市网供负荷；母线1～9为隶属于地区8不同电压等级的变电站高压侧负荷；用户1～3为所属母线3的典型用户负荷.图6给出了各方法预测值与实际负荷百分比误差对比.图中，一般修正指的是单一的下（上）级负荷对上（下）级负荷的修正.它和优化协调都减小了原始预测负荷的误差，但是后者效果更佳，提高了整体预测精度.上下级电网的预测水平都有显著提升.本文方法同样适用于超短期、中长期等其他时间尺度的协调预测.
图7为某省级统调和14个所属地区短期负荷预测结果经过协调后得到的负荷预测准确率变化情况统计.图中采用连续10个负荷点进行统计，地区级短期负荷预测准确率提高的地区个数都多于降低个数，总体上提高了地区级短期负荷预测准确率.表3为省级短期负荷预测准确率变化统计情况.在省级短期负荷预测有7次协调结果得到了提高，而4，7，9号负荷点由于地区级准确率降低个数增多，直接导致了省级短期负荷预测出现了3次协调结果降低的情况.出现该情况主要基于以下两点原因：第一，本文采用的协调过程只进行了一个循环周期，可通过设置一定的约束进行多次循环协调，寻求最优协调解.第二，本文的算法只能在原先预测结果的基础上加上一个不平衡量或者减去一个不平衡量，不能随机改变不平衡量的增减，有可能会增大误差.因此，在智能电网云平台下要继续研究负荷预测优化协调技术，寻找更加合理的算法，采用诸如关联协调模型、负荷类指标协调方法等，提高基于云平台的智能电网负荷预测水平.
6结语
本文针对传统负荷预测出现的不足，结合智能电网下负荷预测的新需求，提出了构建基于云计算的智能电网负荷预测平台架构，描绘了电力调度云、云平台的关键技术以及负荷预测服务.
云计算作为一种崭新的计算方式，以其优异的特性已运用于广大领域.本文通过实验仿真，充分证明云计算技术能在智能电网负荷预测中的资源调度和计算等方面发挥巨大优势.本文还阐述了基于云平台的负荷预测服务，并建立云平台多维多级预测优化协调模型进行仿真研究，通过引进多级协调优化机制，同时进行上级和下级双侧负荷修正预测，有效地提升了上下级电网的预测准确率，智能电网负荷预测整体水平也有明显的提高.本文提出的协调优化预测过程思路非常简单，已经成功应用于某省基于气象要素的省地一体化负荷预测系统、集中式省地一体化母线负荷预测系统以及地区典型大用户负荷分析管理系统中.
云计算与电力负荷预测的结合，才刚刚萌芽.虽然本文提出了基本的框架和一部分负荷预测服务，但是随着智能电网的发展，也要随之拓展.云平台关键技术与电网负荷预测如何更好地协同工作以及云平台安全性方面的提升，将是接下来研究的核心内容.
参考文献
LEI Wan-yun， ZHU Jin-zhi， XUE Feng， et al. Cloud computing technologies， platforms and applications[J]. Beijing： Tsinghua University Press， 2011：7-8.（In Chinese）
[2]饶威，丁坚勇，路庆凯.云计算：智能电网云计算平台构建[J].华东电力，2011，39（9） ：1493-1496.
RAO Wei，DING Jian-yong，LU Qing-kai.Cloud computing platform construction for smart grid [J].East China Electric Power，2011，39（9） ：1493-1496.（In Chinese）
[3]潘睿，刘俊勇，郭晓鸣.面向智能电网的电力系统云计算[J].四川电力，2009，32（Z1）：6-10.
PAN Rui，LIU Jun-yong，GUO Xiao-ming.Power system cloud computing about smart grid [J].Sichuan Electric Power Technology，2009，32（Z1）：6-10.（In Chinese）
[4]赵俊华，文福拴，薛禹胜，等.云计算：构建未来电力系统的核心计算平台[J].电力系统自动化，2010，34（15）：1-7.
BAI Hong-wei，MA Zhi-wei，SONG Ya-qi.Processing of smart grid monitoring data based on cloud computing [J]. East China Electric Power，2011，39（9）：1485-1487.（In Chinese）
[8]陈全，邓倩妮.云计算及其关键技术[J].计算机应用，2009，29（9）：2562-2566.
CHEN Quan，DENG Qian-ni.Cloud computing and its key techniques[J].Journal of Computer Applications，2009，29（9）：2562-2566.（In Chinese）
QIN Hui，SHI Wei-feng，ZHANG Dan.Service oriented dynamic architecture description language SO-DADL[J]. Computer Engineering and Applications，2011，47（6）：68-74. （In Chinese）
KANG Chong-qing，MU Tao，XIA Qing.Power system multilevel load forecasting and coordinating part one research framework[J]. Automation of Electric Power System，2008，32（7）：34-38.（In Chinese）
MU Tao，KANG Chong-qing，XIA Qing，et al.Power system multilevel load forecasting and coordinating part two basic coordinating model[J].Automation of Electric Power System，2008，32（8）：14-18.（In Chinese）
MU Tao，KANG Chong-qing，XIA Qing，et al.Power system multilevel load forecasting and coordinating part three correlative coordinating model[J]. Automation of Electric Power System，2008，32（9）：20-24.（In Chinese）
KANG Chong-qing，ZHAO Ran，CHEN Xin-yu，et al. Fundamental analysis of multilevel load forecasting[J]. Power System Protection and Control，2009，37（9）：1-7.（In Chinese）
LIAO Feng， LIU Qing-liang， HE Hui， et al. A bus load of improved grey model and combined forecasting based on weather factors[J]. Power System Technology， 2011， 35（10）： 183-188. （In Chinese）
