国网江苏省电力有限公司沛县供电分公司221600
摘要：随着社会经济的高度发展，我国的电力事业得到了长足的进步，人们对于电力负荷数据的准确性也给予了高度重视。电力系统负荷预测精度越高，就越能提高发电设备的利用率和经济调度的有效性，而电力系统负荷数据的准确与否对负荷预测效果的影响也是非常重要的。为此，我们在进行电力负荷数据预处理的应用过程中，通常是通过先采用减法聚类算法得到历史负荷数据的聚类数目和聚类中心，进而再以此作为起点，建立负荷曲线图，并从中找到不良数据并进行修改，得到连续准确的负荷数据。季玉翠，本文将对电力负荷预处理的应用进行详细的分析和探究，希望可以相关从业人员带来一定的参考与借鉴。
关键词：电力；负荷数据；预处理；应用
现阶段，准确的电力系统负荷预测对我国电力系统的发展有着重要意义，其具体的表现为在电网管理中准确的负荷预测效果可以为电网经济调度以及生产计划制订提供有力的帮助，为此，我们需要及时的对负荷数据进行调整，做好预测处理工作，这样才能使其效用得到完美的发挥。但是在实际进行电力符合数据预处理的过程中，由于一些随机的小干扰或特殊事件发生，使得符合无数据的准确性无法被保障，进而产生了一些不良数据，这些不良数据会导致高野设备出现故障，进而影响到电力系统的正常运行。所以，对不良数据进行调整，并得到准确的数据，就是进行电力负荷数据预处理应用的关键点。
1、数据的预处理
1.1缺失负荷数据的修补
对于缺失数据的处理通常可以利用相邻时刻的正常数据进行补遗。可用下式进行加权平均处理：x（d，t）=ω1x（d，t1）+ω2x（d，t2）+ω3x（d1，t）+ω4x（d2，t）（1）式中x（d，t）是第d天第t小时的负荷值，x（d，ti）是与t时刻相邻的两个时刻负荷值，x（dj，t）是第d天前后各一天t时刻的负荷值，ωi则是加权平均的权重。该文中，ωi=0.25。
1.2数据的垂直处理
在历史负荷序列中，由于随机性因素的影响，负荷会在一天内某段时间产生不同于以往运行方式的异常负荷点，称之为异点。这些异点掺入到正常的负荷序列中，会使负荷序列的整体噪声增大，降低了负荷曲线的相似性，增加了其不可预测性。因此，必须进行异点数据的剔除与负荷曲线的平滑处理。由于电力负荷是有周期性的，进行负荷数据预处理时首先要考虑其24小时的小周期，即认为不同日期的同一时刻的负荷应该具有相似性，同时刻的负荷值应维持在一定的范围内，对于超出范围的不良数据可采用如下方法进行修正：假设负荷序列用x（d，t）表示，t=0，1，…，96表示一天中的96个负荷点，d=1，2，…，N表示第N天的负荷数据。可以通过下式求出96个负荷点中每个负荷点N天负荷的均值E（t）及方差V（t）：E（t）=1/N｛N/Σ/d=1[x（d，t）]｝（2）;V（t）=1/N｛N/Σ/d=1[（x（d，t）-E（t）]｝（3）;设第d天t时刻负荷的偏离率为ρ（d，t），则：ρ（d，t）=(|x（d，t）-E（t）|)/V（t）（4）；其中t=0，1，…，96，d=1，2，…，N。设η为预测允许的负荷偏离率，在对负荷数据的实际处理时，可用以下判断：当ρ（i，t）≥η时，负荷点为异常点；当ρ（i，t）≤η时，负荷点为正常点。通过调节η的大小，可以控制修正负荷的偏离程度。如果负荷点为异常点，则需要进一步进行处理。可用下式的x（d，t）来取代异常点数据x（d，t）：x（d，t）=｛x（d-1，t）+x（d+1，t）｝/2（5）；利用上式对原始数据进行处理后，原始数据中空穴数据和较明显的异常数据得到了初步的预处理，负荷的原序列更加趋于合理。考虑到这一步是对原始数据的初步预处理，且用前一天与后一天同一时刻的平均值取代异常数据，对原有数据的特性改变较小，可以对较多的原始数据进行垂直平滑处理，以便使所得数据质量更好。η取值1.3，有大约13%的数据得到了垂直平滑处理。
1.3数据的标准化
为避免出现计算饱和现象，要对负荷数据进行归一化处理，使输入的负荷数据在[0，1]之间，负荷数据可用下面的公式进行归一化处理：L=Lt-Lmin/(1.2Lmax-Lmin)（6）；式中：Lmax，Lmin分别为训练样本集中负荷的最大和最小值。
2、数据预处理对精度的影响
2．1异常值平稳化处理
数据预处理是指在进行主要处理前对数据进行的一些处理。异常值平稳化是电力负荷预测预处理常采用的方法。电力负荷预测中收集到的历史数据经常会出现异常值或缺失个别数据，如果直接以这样的原始数据进行预测，预测结果不够准确，因此，需要识别出异常值并进行一定的处理。可以先设定一个变动范围，如待处理的原始数据超过这个范围，即可视为异常数据，可采用平均值的方法平稳其变化。
2．2考虑同类型日调整数据顺序
对负荷特性进一步的研究表明，不仅重大节假日、双休日与工作日的负荷特性有明显差异，工作日内周一至周五的负荷特性也存在差异。预测有一个基本原则：近期数据对预测影响大，远期数据影响小，基于这个原则，将同类型日期的数据调整为近期数据(建议优先调整前两三周的同类型日负荷数据)，具体应根据负荷特性来选择。对多组数据进行分析比较后发现：该方法较适用于春、秋季负荷较平稳时；夏、冬季温度变化较大，同类型日数据往往是一周或两周前的数据，时间跨度大、温度变动大，负荷受温度的影响也大，这种调整方法不适宜。采取4种预测方法对淮阴地区春季某工作日24h的负荷进行预测，考虑同类型日调整数据顺序，不仅可以显著降低平均误差，而且误差大于5％的点数也明显减少。
3、改进FCM算法进行数据预处理
由以上介绍可知，减法聚类算法的聚类中心出现的顺序与其密度指标的大小有关，密度指标越大，则聚类中心越早出现。即越早出现的聚类中心越有可能是FCM初始化时的合理聚类中心。因此，在进行FCM的计算时，若希望得到个聚类中心，则只需要选取通过减法聚类算法产生的前i个聚类中心作为FCM的初始聚类中心来进行计算，而不需要再重新进行初始化，大大提高了FCM算法的效率。
4、算例分析
以某地1998年负荷数据为例验证算法的有效性。采用日48点负荷数据，随机抽取其中一天的数据作为样本。
4．1负荷数据预处理
通过对数据处理前后的结过进行分析比较我们可以知道，数据处理前存在着很多的问题，有一些不良数据的出现；而数据处理后这些不良数据就被及时的修正了，从而保证了数据的准确性。
4．2数据处理前后负荷预测结果对比
通过对某日的48点历史负荷数据处理前和处理后对后一天的的负荷预测结果进行对比我们可以清楚的知道，数据处理后的负荷预测效果更好。而在通过对数据处理前后进行负荷预测的误差进行比较有可以知道，相对于负荷预测结果而言，数据处理后误差明显减小，这极大的提高了负荷预测的精准度，同时通过数据处理前后各时刻的平均误差，我们也可以知道数据预处理的重要性和必要性，从而明确负荷数据预处理工作对于电力系统正常运行的作用有多巨大。
结语：
总而言之，通过本文的详细介绍我们可以明白，将减法聚类算法与模糊c一均值聚类相结合，并将其应用在电力负荷数据的预处理问题上，我们就可以做到对负荷冲击、负荷毛刺、极大极小值等不良数据的全面监测，并对这些不良数据进行及时的优化处理，从而得到了准确度极高的电力系统负荷预测数据，从而使电力系统的正常运行得到了保障，为人们的生活用电安全带来了保护，并极大的推动了我国电力事业的可持续发展与进步。
参考文献：
[1]基于小波分析的电力负荷数据研究[J].朱加豪,赵振华,李建涛.中国新技术新产品.2017(10)
[2]基于滤波技术的上海日最大电力负荷气象预报模型[J].傅新姝,谈建国.气象科技.2015(06)
[3]基于相空间分析的电力负荷序列预测算法[J].陆兴华,郑永涛.电力与能源.2016(03)