基哥 数禳 新霸籍簇 凰 灏 熙赫 螟型霸瘸 吕守旭 （国网山东枣庄供电公司，山东枣庄 ２７７５００） 摘要：针对智能电网降损效果动态估计结果误差较大的问题。提出基于大数据分析的智能电网降损效果估 计模型。其采用Ｍａｐ／Ｒｅｄｕｃｅ模型处理智能电网中的大数据．依据大数据统计和分析结果．将智能电网划分 成不同的子网，采用不同负荷预测模型预测各子网负荷。融合子网的预测结果修正总体智能电网的负荷预测 值 将负荷预测值输入智能电网降损概率评估模型．实现单一因素和组合因素约束下的智能电网降损分析． 对智能电网降损效果进行动态评估。实验结果表明．所设计模型对智能电网Ｔ作日和休息日的负荷预测效果 较好 关键词：大数据：智能电网：负荷预测：降损 中图分类号：ＴＭ７１１ 文献标志码：Ａ ＤｏＩ：１０．１ １９３０￣．ｉｓｓｎ．１００４—９６４９．２０１７．０４．１７２．０４ ０引言 电网的线损率是电力企业进行电能损耗评估 的天键依据．电力企业需要更为可靠的方法评估 线损率．并依据智能电网的网络结构和运行大数 型在智能电网负荷情况已知．并且精度较高的情 况下完成评估，具有较大的局限性．．文献Ｉ８ｌ采Ｊ｝＿ｆ｛ 概率的方法分析智能电网降损．通过运算智能电 网损耗的概率分布状态．对智能电『舣Ｊ的 损波动 情况进行评估．进而分析智能电网的降损评估情 据．制定合理的降损策略ｌ１＿３１ 当前的降损效果评 估疗法将线损率当成唯一分析依据．并制定降损 况．但是该种方法的评估精度和效率不够理想 为了解决当前智能电网降损评估巾存在的问 题．本义提出基于大数据分析的智能电网降损效 策略，对个人经验具有较高的要求． 并且无法准 确了解不同区域的负荷特ｉ＿ｉＦ．对智能电网中海量 果估计模型．对智能电网降损效果进行动态评估 、 数据的分析效果较差．没有充分利用大数据信息． 仔在运算资源匮乏的问题．得到的降损评估结果 偏差较大．不能制定更符合实际的降损方案ｌ４＿ 当前针对降损评估的方法较多．义献［５１Ｎ过 １ 基于大数据分析的智能电网降损效果估 计模型 智能电网有效提高了电力供应的技术含 ． 保证电能质量 与传统电网相比．智能电网的线 损略有减轻．但仍有进一步降损空间 丁负倚 过网电量和负荷对智能电网降损进行评估．也可 通过综合电源和损耗的结构对智能电网降损效果 进行评什．但是该种方法未考虑参量的波动情况． 获取的评估结果存在较大的偏差 文献『６１采用统 电量过于分散．负荷率偏低及输电半径过Ｋ．使 智能电网的线损容易超 可控范罔 、随着电网智 计方法评估智能电网降损效果．但是在实际评估 巾，统计中的结果受到智能电网损耗的影响出现 能化的不断发展．与降损相天的数据形成了大数 据特征．智能电网降损效果估汁模型先通过分析 智能电网的大数据．再将负荷值输入到智能电网 较大的误差．导致最终的降损评估结果精度降低 义献『７１提出一种给定负荷的概率模型，通过其完 成智能电网机组融合．获取智能电网降损的概率 分布函数．评估智能电网降损的概率分布．该模 收稿日期：２０ｌ６一ｌ１一Ｏ７ 降损概率评估模型中．对负荷波动条件下智能电 网降损概率进行分析，完成智能电网降损效果的 作者简介：吕守旭（１９６５一），男，山尔枣庄人，高级Ｔ 程师，从事用电管理、电力系统分析研究， Ｅ—ｍａｉｌ：ＬＶＳＸ＠Ｊ ２６．ｃｏｍ １７２ 评估。 １．１ 基于大数据分析的智能电网分布式负荷预测 智能电网的电力负荷具有较高的地域特征． 不同智能电网区域中的负荷也不同 通过传统的 集中式负荷预测方法无法准确掌握不同区域的负 荷波动情况 由于智能电网中数据呈现海量增加 趋势．使得智能电网电力负荷特征复杂化程度不 断加深 因此．通过分布式负荷预测方法．可综 合分析不同因素对智能电网负荷的影响．智能电 网分布式负荷预测详细实现过程描述如下 １．１．１ Ｍａｐ／Ｒｅｄｕｃｅ大数据处理模型设计 为了处理这些海量的数据．设计一种Ｍａｐ／ Ｒｅｄｕｃｅ数据处理模型．Ｍａｐ／Ｒｅｄｕｃｅ为处理分布式 智能电网中海量数据的模型，由Ｍａｐ和Ｒｅｄｕｃｅ ２ 个关键处理模块构成 Ｍａｐ描述智能电网损耗预 测任务后．将计算任务并行分布到多个子模块中． 每台机器只运算存储在本地存储器中的数据 Ｒｅｄｕｃｅ汇总Ｍａｐ中多模块的运算结果获取最终的 结果．Ｍａｐ／Ｒｅｄｕｃｅ的运行流程如图１所示 输入文件Ｍａｐ状态中『司文件Ｒｅｄｃｕｃｅ状态输出文件 图１ Ｍａｐ／Ｒｅｄｕｃｅ模型处理智能电网大数据的工作流程 Ｆｉｇ．１ Ｔｈｅ ｗｏｒｋｉｎｇ ｆｌｏｗｃｈａｒｔ ｏｆ Ｍａｐ／Ｒｅｄｕｃｅ ｍｏｄｅｌ ｆｏｒ ｐｒｏｃｅｓｓｉｎｇ ｔｈｅ ｓｍａｒｔ ｇｒｉｄ ｂｉｇ ｄａｔａ 图１描述的Ｍａｐ／Ｒｅｄｕｃｅ模型，呈现大数据本 地化特征，Ｍａｐ可分割智能电网大数据，Ｒｅｄｕｃｅ 汇总智能电网大数据．实现智能电网中大规模数 据的并行处理。ＭａＤ／Ｒｅｄｕｃｅ模型能够屏蔽底层电 网结构的差异．向上层用户提供可用数据处理接 口。避免大规模数据的集中上传。因此．在智能 配电网降损效果估计过程中．采用Ｍａｐ／Ｒｅｄｕｃｅ模 型处理其中的大数据．能够降低通信消耗．提高 运算效率 １．１．２基于大数据分析的智能电网负荷预测 为了准确得到降噪评估结果，需要得到智能 电网负荷情况．通过上文中的模型可以完成智能 电网负荷预测．具体的过程如下 在进行智能电网负荷预测之前．首先要提取 某地区的电力负荷数据．并对这些负荷数据进行 预处理．并用式（１）对缺损的智能电网负荷数据进 行补偿．获取完整的电力负荷数据 Ｑ ｗ，ｔ）＝ ｌ×Ｑ（Ｗ－，ｔ）＋ｆｌ２ｘＱ（Ｗ２，ｔ） （１） 式中：Ｑ（Ｗ，ｔ）为第Ｗ天ｔ时间的缺损数据； Ｑ（Ｗ ，ｔ）和Ｑ（Ｗ ，ｔ）为与第ｗ天相同日期类型的 电力负荷数据；｜Ｂ，， 为相应的数据权值。 依据智能电网所处区域的划分以及气候情况． 按照输入的数据集．利用式（２）获取不同时刻相似 度较高的序列．将其当成子网负荷预测模型的输 入量。 厂— 亍 ＝＝ ＝＝： 一 ｄ（ＩＹ Ｉ， ）：、／Ｖ 岛 兰 一 （２） Ｖｙｉ＋…＋ ｎ 式中：ｄ为数据 Ｉ，Ｊｙ ｌ之间的距离； 为约束权 重：Ｙ为负荷数据 设置一定的阈值 ．利用上述获取的相似度 较高的子网负荷预测模型的输入量．利用式（３）建 立子网负荷预测模型．逐点进行预测．当超过设 定的阈值时停止预测 Ｅ＝ｓｘ∑ｕ（ ） （３） ｉ＝１ 式中：ｓ为负荷预测的比例系数：ｒ为子网的个 数；Ｕ（ ）为ｔ时刻，子网ｉ负荷预测的平滑系数。 １．２智能电网降损的概率评估模型设计 在获得分布式智能电网负荷数据后．将获取 的智能电网负荷预测值输入到概率评估模型中． 实现智能电网降损效果的评估。但是，实际智能 电网降损效果评估存在随机性和动态波动。因此． 应设计负荷波动约束条件下智能电网降损的概率 评估模型．实现单一因素以及组合因素干扰下的 智能电网降损分析．对智能电网降损效果进行动 态评估 传统的智能电网降损的概率评估建模主 要采用序贯蒙特卡罗模拟法．但是当实际智能电 网降损数据呈指数型上涨时．这种方法在实际的 最优滤波中是很难实现的 因此．本文利用非序贯蒙特卡罗模拟抽样算 法进行智能电网降损的概率评估模型优化设计． 智能电网降损的概率评估模型建立过程描述为： 首先通过非序贯蒙特卡罗模拟形成一个概率 空间，ｑ （ １，２，…，ｎ）为空间内的一系列随机数 １７３ 据，将Ｗ （ ｌ，２，…，ｎ）设定为这些随机数据的 统计值 ｈ 对待测智能电网休息日的６０点负荷进行预测．获 取的对比结果如图３所示 Ｗｉ＝ １∑ｑ ｉ＝１ （４） 分析图３可得．本文方法的负荷预测曲线能 够对智能电网负荷的波动进行高效定位．预测效 果较佳：而集中式神经网络负荷预测方法．在高 负荷和低负荷区域的预测值与实际值相差较大． 式中： 为有界约束函数。通过非序贯蒙特卡罗 模拟法对智能电网降损数据进行约束后．将这些 数当成各时间点的负荷波动概率 通过潮流运算 方法获取智能电网每天的供电量、线损电量以及 线损率，在负荷波动条件下．利用式（５）建立智能 电网降损的概率评估模型 ＰＩ （￡）＿厂（ＱＧ（ｔ），ＱＬ（ｔ）， ） （５） 式中：Ｑ （ ）为智能电网的线路损失负荷；Ｑ （ ）为 供电负荷：线损率 通过两者相除获取。 ２实验测试分析 配电网休息日的负荷低于工作日的负荷 实 验分别选择工作日和休息日．对待测区域２０１５年 ８月１０日（休息日）和２０１５年９月２０日（工作日） 的配电线路负荷进行预测．并与集中式负荷预测 方法进行对比分析．以验证本文方法的有效性和 优越性 ２．１ 工作日负荷预测 分别采用本文方法和集中式神经网络负荷预 测方法．对实验智能电网工作日的负荷进行预测． ２种方法获取的智能电网工作１３负荷预测曲线结 果如图２所示 分析图２可得．相对于集中式神 经网络预测方法．本文方法的预测曲线与实际负 荷曲线更加匹配．取得了较好的预测效果 主 柱 图２智能电网工作日负荷预测曲线 Ｆｉｇ．２ Ｔｈｅ ｗｅｅｋｄａｙ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ｃｕｒｖｅ ｏｆ ｓｍａｒｔ ｐｏｗｅｒ ｇｒｉｄ ２．２休息日负荷预测 分别采用本文方法和集中式神经网络方法． １７４ 总体负荷预测效果较差 至 柱 图３智能电网休息日负荷预测曲线 Ｆｉｇ．３ Ｔｈｅ ｄａｙ—ｏｆｆ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ｃｕｒｖｅ ｏｆ ｓｍａｒｔ ｐｏｗｅｒ ｇｒｉｄ ２．３降损评估结果对比 分别采用本文方法和传统的集中式神经网络 方法每次运算一天的数值．对２种方法下智能电 网降损效果进行估计．将电量损失率与实际值做 比较．将与实际值的吻合程度作为验证本文降损 效果估计的标准．结果如表１所示。 表１ 配电线路降损评估结果对比情况 Ｔａｂｌｅ １ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｌｏｓｓ ｒｅｄｕｃｔｉｏｎ ａｓｓｅｓｓｍｅｎｔ ｒｅｓｕｌｔｓ ｆｏｒ ｄｉｓｔｒｉｂｕｔｉｏｎ ｌｉｎｅｓ ｗｉｔｈ ｄｉｆｅｒｅｎｔ ｍｅｔｈｏｄｓ 分析表１可知．在不同的时间段条件下，进 行智能电网降损效果评估时．本文方法计算的电 量线损率与实际值高度吻合．而传统方法进行的 智能电网线损率与实际值相差较大．验证了本义 方法进行智能电网降损效果估计的精度。 第４期 吕守旭：基于大数据分析的智能电网降损效果估计模型仿真 ３结语 本文提出基于大数据分析的智能电网降损效 果估计模型．其采用Ｍａｐ／Ｒｅｄｕｃｅ模型处理智能电 网中的大数据．依据大数据统计和分析结果．将 智能电网划分成不同的子网。采用不同负荷预｛受４ ｌａｒｇｅ ｄａｔａ ａｎａｌｙｓｉｓ ｓｙｓｔｅｍ ｏｆ ｐｏｗｅｒ ｇｒｏｕｐ ｉｎｆｏｒｍａｔｉｏｎ ｌｏａｄ［Ｊ１． Ｐｏｗｅｒ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ，２０１６（１）：１５—１８． ［４］葛少云，董佳霖，刘福潮，等．配智能电网谐波治理降损效果实 证方法…．电力系统及其自动化学报，２０１５，２７（３）：ｌ一４． ＧＥ Ｓｈａｏｙｕｎ，ＤＯＮＧ Ｊｉａｌｉｎ。ＬＩＵ Ｆｕｃｈａｏ，ｅｔ ａ１．Ｅｍｐｉｒｉｃａｌ ｍｅｔｈｏｄ ｏｆ ｈａｒｍｏｎｉｃ ｃｏｎｔｒｏｌ ｌｏｓｓ ｒｅｄｕｃｔｉｏｎ ｅｆｆｅｃｔ ｉｎ ｄｉｓｔｒｉｂｕｔｉｏｎ ｎｅｔｗｏｒｋ 模型预测各子网负荷 融合子网的预测结果获取 总体智能电网的负荷预测值 将负荷预测值输入 ［ＪＪ＿Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＣＳＵ—ＥＰＳＡ，２０１５，２７（３）：１－４． ［５］ Ｌ舒红．配电网节能降损的技术措施分析『ＪＪ．电气时代，２０１４ （１）：５９—６１． ＫＯＮＧ Ｓｈｕｈｏｎｇ．Ａｎａｌｙｓｉｓ ｏｆ ｔｅｃｈｎｉｃａｌ ｍｅａｓｕｒｅｓ ｆｏｒ ｅｎｅｒｇｙ ｓａｖｉｎｇ 智能电网降损概率评估模型．实现单一因素和组 合因素干扰下的智能电网降损分析．对智能电网 降损效果进行动态评估 实验结果表明．所设计 ａｎｄ ｒｅｄｕｃｉｎｇ ｌｏｓｓ ｏｆ ｐｏｗｅｒ ｄｉｓｔｉｒｂｕｔｉｏｎ ｎｅｔｗｏｒｋ［Ｊ１．Ｅｌｅｃｔｒｉｃａｌ 模型对智能电网工作日和休息日的负荷预测效果 较好．并且线损率较低。降损效果估计更加准确。 Ａｇｅ，２０１４（１）：５９—６１． ［６］杨少昆，李可．基于农村智能电网规划综合降损技术模型的研 究【Ｊ］．农机化研究，２０１５（１０）：２５０—２５３． 参考文献： ［１］李珏，马晓东，张果谋，等．大数据分析在用电采集数据分析与 智能监测系统的设计与实现ｆＪ１．电气应用，２０１５（Ｓ１）：５５８—５６１． ＬＩ Ｙｕ，ＭＡ Ｘｉａｏｄｏｎｇ，ＺＨＡＮＧ Ｇｕｏｍｏｕ，ｅｔ ａ１．Ｄｅｓｉｇｎ ａｎｄ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ｄａｔａ ａｎａｌｙｓｉｓ ａｎｄ ｉｎｔｅｌｌｉｇｅｎｔ ｍｏｎｉｔｏｒｉｎｇ ｓｙｓｔｅｍ ＹＡＮＧ Ｓｈａｏｋｕｎ，ＬＩ Ｋｅ．Ｓｔｕｄｙ ｏｎ ｓｙｎｔｈｅｓｉｓ ｌｏｓｓ ｒｅｄｕｃｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｅｔｈｏｄ ｃｏｎｓｉｄｅｒｉｎｇ ｆｏｒ ｍｒａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｎｅｔｗｏｒｋ ｐｌａｎｎｉｎｇ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍｅｃｈａｎｉｚａｔｉｏｎ Ｒｅｓｅａｒｃｈ，２０１５ ｆ１０、：２５０—２５３． ［７］祝习宇．配智能电网经济运行及降损效果分析［ＪＪ＿城市建设理 论研究（电子版），２０１５（１８）：３２—３５． ＺＨＵ Ｈｏｎｇｙｕ．Ａｎａｌｙｓｉｓ ｏｆ ｅｃｏｎｏｍｉｃ ｏｐｅｒａｔｉｏｎ ａｎｄ ｒｅｄｕｃｉｎｇ ｌｏｓｓ ｆｏｒ ｌａｒｇｅ ｄａｔａ ａｎａｌｙｓｉｓ［Ｊ］．Ｅｌｅｃｔｉｒｃａｌ Ａｐｐｌｉｃａｔｉｏｎｓ，２０１５（Ｓ１）：５５８— ５６１． ｅｆｆｅｃｔ ｏｆ ｓｍａｒｔ ｇｒｉｄ【Ｊ１．Ｕｒｂａｎ Ｃｏｎｓｔｒｕｃｔｉｏｎ Ｔｈｅｍｙ Ｒｅｓｅａｒｃｈ ［２］张明明．基于大数据分析的电能损耗预测模型的仿真分析【Ｊｌ＿ 现代电子技术，２０１６，３９（６）：１５３—１５６． ＺＨＡＮＧ Ｍｉｎｇｍｉｎｇ．Ｓｉｍｕｌａｔｉｏｎ ａｎａｌｙｓｉｓ ｏｆ ｅｌｅｃｔｉｃ ｅｎｅｒｇｙ ｌｒｏｓｓ （Ｅｌｅｃｔｒｏｎｉｃ Ｅｄｉｔｉｏｎ），２０１５（１８）：３２—３５． 【８］郑立登．基于实测数据的线损分析及降损策略的探讨【Ｊ］．电子 技术与软件工程，２０１４（１４）：１６０． ＺＨＥＮＧ Ｌｉｄｅｎｇ．Ａｎａｌｙｓｉｓ ａｎｄ ｄｉｓｃｕｓｓｉｏｎ ｏｎ ｔｈｅ ｌｏｓｓ ｒｅｄｕｃｔｉｏｎ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｂｉｇ ｄａｔａ ａｎａｌｙｓｉｓ［Ｊ１．Ｍｏｄｅｒｎ Ｅｌｅｃｔｒｏｎｉｃ Ｔｅｃｈｎｏｌｏｇｙ，２０１６，３９（６）：１５３—１５６． ｓｔｒａｔｅｇｙ ｏｆ ｌｉｎｅ ｌｏｓｓ ｂａｓｅｄ ｏｎ ｍｅａｓｕｒｅｄ ｄａｔａ［ＪＪ．Ｅｌｅｃｔｒｏｎｉｃ 【３］梅沁，黄敏，徐甍．电力班组信息化负荷大数据分析系统研究 及应用［ＪＪ．电力信息与通信技术，２０１６（１）：１５—１８． Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｓｏｆｔｗａｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１４（１４）：１６０． ＭＥＩ Ｑｉｎ．ＨＵＡＮＧ Ｍ ．ＸＵ Ｍｅｎｇ．Ｒｅｓｅａｒｃｈ ａｎｄ ａｐｐＫｃａｔｉｏｎ ｏｆ （责任编辑辛培裕） Ｅｓｔｉｍａｔｉｏｎ Ｍｏｄｅｌ Ｓｉｍｕｌａｔｉｏｎ ｏｎ ｔｈｅ Ｌｏｓｓ—Ｒｅｄｕｃｔｉｏｎ Ｅｆｆｅｃｔ ｏｆ Ｓｍａｒｔ Ｇｒｉｄ Ｂａｓｅｄ ｏｎ Ｂｉｇ Ｄａｔａ Ａｎａｌｙｓｉｓ ＬＶ Ｓｈｏｕｘｕ （Ｓｔａｔｅ Ｇｒｉｄ Ｓｈａｎｄｏｎｇ Ｚａｏｚｈｕａｎｇ Ｐｏｗｅｒ Ｓｕｐｐｌｙ Ｃｏｍｐａｎｙ，Ｚａｏｚｈｕａｎｇ ２７７５００，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｎ ｖｉｅｗ ｏｆ ｔｈｅ ｌａｒｇｅ ｄｙｎａｍｉｃ ｅｓｔｉｍａｔｉｏｎ ｅｒｒｏｒ ｏｆ ｌｏｓｓ—ｒｅｄｕｃｔｉｏｎ ｅｆｆｅｃｔ ｏｆ ｓｍａ￣ｇｒｉｄ．ａ ｓｍａｒｔ ｇｒｉｄ ｌｏｓｓ—ｒｅｄｕｃｔｉｏｎ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌ ｉｓ ｐｒｏｐｏｓｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ ｂａｓｅｄ ｏｎ ｂｉｇ ｄａｔａ ａｎａｌｙｓｉｓ．ｗｈｉｃｈ ａｐｐｌｉｅｓ ｔｈｅ Ｍａｐ／Ｒｅｄｕｃｅ ｍｏｄｅｌ ｔｏ ｐｒｏｃｅｓｓ ｔｈｅ ｂｉｇ ｄａｔａ ｏｆ ｓｍａｒｔ ｇｒｉｄ．Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｓｔａｔｉｓｔｉｃ ａｎｄ ａｎａｌｙｔｉｃａｌ ｒｅｓｕｌｔｓ．ｔｈｅ ｓｍａｎ ｇｒｉｄ ｃａｎ ｂｅ ｄｉｖｉｄｅｄ ｉｎｔｏ ｄｉｆｆｅｒｅｎｔ ｓｕｂｎｅｔｓ．ａｎｄ ｄｉｆｆｅｒｅｎｔ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌｓ ａｒｅ ａｐｐｌｉｅｄ ｔｏ ｐｒｅｄｉｃｔ ｔｈｅ ｌｏａｄｓ ｏｆ ｓｕｂｎｅｔｓ．Ｔｈｅ ｅｓｔｉｍａｔｅｄ ｏｖｅｒａｌｌ ｌｏａｄ ｏｆ ｓｍａｒｔ ｇｒｉｄ ｉｓ ｃｏｒｒｅｃｔｅｄ ｔｈｒｏｕｇｈ ｆｕｓｓｉｎｇ ｔｈｅ ｐｒｅｄｉｃｔｅｄ ｌｏａｄｓ ｏｆ ｓｕｂｎｅｔｓ．Ｂｙ ｉｎｐｕｔｔｉｎｇ ｔｈｅ ｌｏａｄ ｐｒｅｄｉｃｔｉｏｎｓ ｉｎｔｏ ｔｈｅ ｓｍａｒｔ ｇｒｉｄ ｌｏｓｓ ｐｒｏｂａｂｉｌｉｔｙ ｅｖａｌｕａｔｉｏｎ ｍｏｄｅｌ，ｔｈｅ ｓｍａｒｔ ｇｒｉｄ ｌｏｓｓ。ｒｅｄｕｃｔｉｏｎ ａｎａｌｙｓｉｓ ｃａｎ ｂｅ ｒｅａｌｉｚｅｄ ｕｎｄｅｒ ｔｈｅ ｒｅｓｔｒｉｃｔｉｏｎ ｏｆ ｂｏｔｈ ｓｉｎｇｌｅ ａｎｄ ｃｏｍｂｉｎｅｄ ｆａｃｔｏｒｓ，ａｎｄ ａ ｄｙｎａｍｉｃ ａｓｓｅｓｓｍｅｎｔ ｃａｎ ｂｅ ｍａｄｅ ｏｎ ｔｈｅ ｌｏｓｓ—ｒｅｄｕｃｔｉｏｎ ｅｆｆｅｃｔ ｏｆ ｔｈｅ ｓｍａｒｔ ｇｒｉｄ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｏｄｅｌ ｉｓ ｖｅｒｙ ｅｆｆｅｃｔｉｖｅ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｔｈｅ ｌｏａｄｓ ｏｆ ｓｍａｒｔ ｇｒｉｄ ｏｎ ｂｏｔｈ ｗｅｅｋｄａｙｓ ａｎｄ ｐｌａｙｄａｙｓ． Ｋｅｙｗｏｒｄｓ：ｂｉｇ ｄａｔａ；ｓｍａｒｔ ｇｒｉｄ；ｌｏａｄ ｐｒｅｄｉｃｔｉｏｎ；ｌｏｓｓ ｒｅｄｕｃｔｉｏｎ １７５
