朱赫炎, 于長(zhǎng)永, 賀慶奎, 宋 坤, 劉靖波, 許言路, 盧天琪, 黃南天
(1.國(guó)網(wǎng)遼寧省電力有限公司 經(jīng)濟(jì)技術(shù)研究院, 遼寧 沈陽(yáng) 110015; 2.東北電力大學(xué) 電氣工程學(xué)院, 吉林吉林 132012)
母線峰值負(fù)荷預(yù)測(cè)是保障電力系統(tǒng)可靠穩(wěn)定運(yùn)行的重要依據(jù),也是評(píng)估系統(tǒng)清潔能源(光伏、風(fēng)電等可再生能源)消納能力的重要保障。 光伏DG 受溫度、風(fēng)速、濕度、不同氣象日的影響,其出力波動(dòng)劇烈,在接入配電網(wǎng)后,會(huì)加劇母線峰值負(fù)荷的波動(dòng)。 為了實(shí)現(xiàn)高精度母線峰值負(fù)荷預(yù)測(cè),有效提高配電系統(tǒng)清潔能源(特別是光伏電源)的消納能力,在高滲透率光伏電源接入場(chǎng)景下, 必須考慮DG 接入電網(wǎng)對(duì)母線峰荷預(yù)測(cè)的影響。
在母線負(fù)荷預(yù)測(cè)建模過(guò)程中,需要考慮多種因素對(duì)母線負(fù)荷的影響。 文獻(xiàn)[1]研究了環(huán)境因素對(duì)母線負(fù)荷的影響,通過(guò)快速屬性約簡(jiǎn)法研究影響因素與母線負(fù)荷間關(guān)系,找出對(duì)母線負(fù)荷影響大的因素,提高母線負(fù)荷預(yù)測(cè)精度。 文獻(xiàn)[2]建立了特征向量矩陣, 找出并調(diào)整數(shù)據(jù)中的異常數(shù)據(jù),分析相關(guān)因素與負(fù)荷間的相關(guān)性,構(gòu)建負(fù)荷水平相似集,根據(jù)待測(cè)負(fù)荷日與相似集選擇相似日,實(shí)現(xiàn)對(duì)母線負(fù)荷的綜合預(yù)測(cè)。 文獻(xiàn)[3]分析了母線源荷負(fù)荷屬性,然后將不同屬性負(fù)荷進(jìn)行分類,分別研究有源網(wǎng)絡(luò)中的電源和負(fù)荷成分,優(yōu)化了母線負(fù)荷預(yù)測(cè)。上述文獻(xiàn)優(yōu)化了母線負(fù)荷預(yù)測(cè),但是沒(méi)有充分分析自然氣象、 社會(huì)等因素對(duì)母線負(fù)荷的影響,沒(méi)有進(jìn)行特征選擇。
現(xiàn)有涉及峰荷預(yù)測(cè)的研究中, 多針對(duì)城市級(jí)電網(wǎng)峰值負(fù)荷的影響因素和預(yù)測(cè)方法開展。 傳統(tǒng)負(fù)荷預(yù)測(cè)方法有灰色模型和回歸分析等, 當(dāng)負(fù)荷發(fā)生非線性波動(dòng)時(shí), 傳統(tǒng)負(fù)荷預(yù)測(cè)方法預(yù)測(cè)精度受限[4]~[5]。 文獻(xiàn)[6]分析了城市負(fù)荷波動(dòng)的內(nèi)因,考慮了多源數(shù)據(jù)對(duì)負(fù)荷波動(dòng)的影響, 通過(guò)皮爾遜相關(guān)系數(shù)和互信息計(jì)算多源數(shù)據(jù)和負(fù)荷波動(dòng)的相關(guān)性,選擇與負(fù)荷波動(dòng)強(qiáng)相關(guān)的自然特征、社會(huì)特征和其它特征, 并應(yīng)用支持向量回歸模型預(yù)測(cè)峰值負(fù)荷。 文獻(xiàn)[7]提出了基于人工神經(jīng)網(wǎng)絡(luò)演變的峰值負(fù)荷預(yù)測(cè)模型, 通過(guò)最優(yōu)特征集合預(yù)測(cè)峰值負(fù)荷,且根據(jù)不同實(shí)驗(yàn)間的對(duì)比,驗(yàn)證了所提方法具有預(yù)測(cè)精度高的優(yōu)點(diǎn)。 文獻(xiàn)[8]針對(duì)負(fù)荷預(yù)測(cè)方法的缺點(diǎn), 優(yōu)化了基于模糊支持向量機(jī)的核回歸方法?,F(xiàn)有研究在一定程度上提高了峰荷預(yù)測(cè)精度,但尚未針對(duì)母線峰值負(fù)荷預(yù)測(cè)中, 歷史數(shù)據(jù)有限和接入光伏DG 后, 母線峰荷波動(dòng)特性復(fù)雜化的問(wèn)題開展分析。 極限學(xué)習(xí)機(jī) (Extreme Learning Machine,ELM)所需訓(xùn)練樣本少,能夠解決具有非線性波動(dòng)特點(diǎn)的母線峰值負(fù)荷預(yù)測(cè)的難題,且預(yù)測(cè)精度高[9],[10]。
為分析復(fù)雜氣象數(shù)據(jù)和光伏DG 接入后對(duì)母線峰值負(fù)荷的影響,并解決母線峰值負(fù)荷歷史數(shù)據(jù)有限、預(yù)測(cè)精度低的不足,本文提出了計(jì)及復(fù)雜氣象影響的母線峰值負(fù)荷預(yù)測(cè)方法。根據(jù)不同氣象日母線峰值負(fù)荷的波動(dòng)情況, 在晴天、陰雨和多云3 種天氣情況下,分別通過(guò)條件互信息(Conditional Mutual Information, CMI)分析高維氣象、 社會(huì)等特征與母線峰值負(fù)荷間的相關(guān)性,獲得特征重要度排序。本文采用適合小樣本訓(xùn)練的改進(jìn)粒子群優(yōu)化極限學(xué)習(xí)機(jī)(Improved Particle Swarm Optimization -Extreme Learning Machine,IPSO-ELM) 作為預(yù)測(cè)器, 并以IPSOELM 預(yù)測(cè)精度為決策變量, 確定在不同氣象日下的最優(yōu)特征子集;根據(jù)最優(yōu)特征子集,分別建立了在不同氣象日下母線峰值負(fù)荷最優(yōu)預(yù)測(cè)模型。
某城市含高滲透率光伏電源的母線峰值負(fù)荷和日負(fù)荷實(shí)際值如圖1 所示。
圖1 含光伏DG 母線日負(fù)荷和峰值負(fù)荷Fig.1 Daily load and peak load for electric bus with PV DG
由圖1 可知,母線峰值負(fù)荷的最大值和最小值分別為160.7 MW,102.2 MW。 與電力負(fù)荷相比,母線波動(dòng)性更大。 母線峰值負(fù)荷每天僅累積一組數(shù)據(jù),歷史負(fù)荷數(shù)據(jù)有限,預(yù)測(cè)模型訓(xùn)練難度大。而且母線負(fù)荷由于有DG 的存在, 母線峰值負(fù)荷在不同氣象日下波動(dòng)情況也會(huì)不同,預(yù)測(cè)困難。
高維氣象(經(jīng)度、緯度、溫度、氣壓、濕度、風(fēng)速等)、社會(huì)(日期、節(jié)假日等)等多種因素都會(huì)導(dǎo)致母線峰值負(fù)荷發(fā)生波動(dòng), 同時(shí)考慮光伏DG 對(duì)母線負(fù)荷的影響,通過(guò)分析和研究相關(guān)文獻(xiàn),構(gòu)建的原始特征集合如表1 所示。
表1 母線峰值負(fù)荷預(yù)測(cè)原始特征集合Table 1 Original feature set of peak load prediction for electrical bus
由表1 可知, 含光伏DG 的母線峰值負(fù)荷影響因素眾多,如果考慮全部影響因素,將會(huì)造成信息冗余,母線峰值負(fù)荷預(yù)測(cè)精度低。為提高母線峰值負(fù)荷預(yù)測(cè)精度,通過(guò)CMI 分析各影響因素與母線峰值負(fù)荷間的相關(guān)性,并通過(guò)特征選擇,避免母線峰值負(fù)荷預(yù)測(cè)時(shí)出現(xiàn)特征冗余,提高預(yù)測(cè)精度。
在母線峰值負(fù)荷預(yù)測(cè)中,設(shè)D 為包含自然氣象、社會(huì)等多種因素的原始特征集合;d 為D 中某一特征;Q 為實(shí)測(cè)母線峰值負(fù)荷集合;q 為集合Q中某一母線峰值負(fù)荷集合;Z 為已選擇的特征集合。 D 和Q 間的互信息為
式中:P(d),P(q)分別為D,Q 的邊際密度函數(shù),其中,P(d)為D 中取d 的概率,P(q)為Q 中取q的概率,P(d,q)為D 和Q 的聯(lián)合概率密度;P(d,q)為D 中取d,Q 中取q 的聯(lián)合概率。
在已知Z 集合的條件下,集合D 與實(shí)測(cè)母線峰值負(fù)荷值Q 的條件互信息為
式中:P(d│z),P(q│z)分別為在Z 條件下D,Q的概率密度函數(shù);P(d,q│z)為在Z 條件下D,Q的聯(lián)合概率密度函數(shù);P (d,q,z) 為D,Q,Z 的聯(lián)合概率密度函數(shù)。
與傳統(tǒng)互信息方法相比,CMI 在分析過(guò)程中,考慮了特征集合內(nèi)特征間冗余性, 更加適合降低最優(yōu)特征子集中信息冗余。
以有限的母線峰值負(fù)荷數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)等預(yù)測(cè)器,難以獲得理想的預(yù)測(cè)模型。 因此,應(yīng)用適用于小樣本訓(xùn)練的ELM 構(gòu)建母線峰值負(fù)荷預(yù)測(cè)器。為避免參數(shù)選擇不當(dāng),應(yīng)用改進(jìn)粒子群算法優(yōu)化ELM 的初始值和閾值,進(jìn)一步提高預(yù)測(cè)精度。
設(shè)有N 個(gè)樣本{(xi,ti)}Ni=1,其中,輸入數(shù)據(jù)為xi=[xi1,xi2,…,xin]T∈Rn,目標(biāo)輸出值為ti=[ti1,ti2,…,tim]T∈Rm。 則單隱層神經(jīng)網(wǎng)絡(luò)(隱層節(jié)點(diǎn)的數(shù)目為L(zhǎng))的ELM 網(wǎng)絡(luò)模型為
式中:oj為網(wǎng)絡(luò)輸出值;g(x)為激活函數(shù);ωi為輸入權(quán)重;βi為輸出權(quán)重;bi為第i 個(gè)隱層單元的偏置。
無(wú)誤差時(shí), 激活函數(shù)無(wú)限接近任意N 個(gè)樣本,則N 個(gè)方程矩陣為
其中:H 為隱含層節(jié)點(diǎn)輸出;T 為期望輸出。
與式(5)等價(jià)的最小損失函數(shù)為
在ELM 算法中,ω 和b 被隨機(jī)確定后, 即可獲得唯一H,便可確定ELM 結(jié)構(gòu)。
3.2.1 改進(jìn)粒子群原理
傳統(tǒng)粒子群算法存在尋優(yōu)時(shí)間長(zhǎng)、 容易出現(xiàn)局部最優(yōu)的問(wèn)題[11]。本文采用改進(jìn)粒子群算法,通過(guò)改變慣性權(quán)重, 解決傳統(tǒng)粒子群算法全局最優(yōu)解易發(fā)生波動(dòng)的問(wèn)題。 慣性權(quán)重表達(dá)式為
式中:wmin,wmax分別為慣性權(quán)重最小值、最大值;f為粒子適應(yīng)度;favg為平均適應(yīng)度;fmin為最小適應(yīng)度。
為了快速確定全局最優(yōu)解, 對(duì)算法進(jìn)行動(dòng)態(tài)調(diào)整,即:
式中:c1s和c2s分別為c1和c2的初值;c1c和c2c分別為c1和c2的終值;iter 為當(dāng)前迭代的次數(shù);itermax為總迭代的次數(shù)。
3.2.2 基于改進(jìn)粒子群的ELM 參數(shù)優(yōu)化
以原始特征集合構(gòu)建含光伏母線峰值負(fù)荷預(yù)測(cè)模型最優(yōu)過(guò)程為例, 展示IPSO 優(yōu)化ELM 過(guò)程如下:
①基于原始特征集合構(gòu)建含光伏母線峰值負(fù)荷預(yù)測(cè)ELM(特征集合如表1 所示),并隨機(jī)產(chǎn)生ELM 的輸入權(quán)值ω 和閾值b;
②確定輸入含光伏母線負(fù)荷峰值預(yù)測(cè)所需原始特征集合信息的樣本X, 且以理想精度或迭代次數(shù)為結(jié)束條件;
③針對(duì)樣本數(shù)據(jù),開展歸一化處理;
④根據(jù)ELM 的含光伏母線峰荷預(yù)測(cè)的MAPE 獲得適應(yīng)度值, 并確定當(dāng)前個(gè)體和群體最佳適應(yīng)值;
⑤在傳統(tǒng)PSO 基礎(chǔ)上,根據(jù)式(7),(8)更新粒子速度與位置;
⑥計(jì)算當(dāng)前粒子適應(yīng)度值。 然后與歷史最優(yōu)值比較,如更優(yōu),則更新粒子最優(yōu)解;否則維持個(gè)體最佳適應(yīng)度值;
⑦如果當(dāng)前粒子的適應(yīng)度值比群體最優(yōu)解更優(yōu),則更新群體最優(yōu)解;否則,維持群體最優(yōu)解不變;
⑧如未達(dá)到結(jié)束條件,則返回③;否則,將最優(yōu)解ω 和b 代入ELM,構(gòu)建最優(yōu)含光伏母線負(fù)荷峰值預(yù)測(cè)模型。
本文對(duì)不同維度特征集合構(gòu)建針對(duì)性最優(yōu)ELM 預(yù)測(cè)器,均采用以上方法。
本文應(yīng)用某地區(qū)2018 年母線峰值負(fù)荷和氣象信息數(shù)據(jù),在不同氣象日下,對(duì)含光伏DG 母線分別開展針對(duì)性特征選擇。 為證明新方法的先進(jìn)性, 以IPSO-ELM 與ELM 和BP 神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Model,BPNN)作對(duì)比實(shí)驗(yàn)。 以平均絕對(duì)百分比誤差 (Mean Absolute Percent Error,MAPE)、 均 方 根 誤 差 (Root Mean Square Error,RMSE)評(píng)估模型預(yù)測(cè)效果,指標(biāo)計(jì)算方法為
在含光伏DG 的母線峰值負(fù)荷預(yù)測(cè)中,首先,在晴天、 陰雨和多云3 種情況下, 分別通過(guò)CMI分析高維氣象、 社會(huì)等特征與母線峰值負(fù)荷間的相關(guān)性, 獲得特征重要度排序; 然后, 以IPSOELM 為預(yù)測(cè)器,把預(yù)測(cè)結(jié)果的MAPE 值作為決策變量,根據(jù)特征重要度排序結(jié)果,進(jìn)行前向特征選擇, 得到不同氣象日下母線峰值負(fù)荷預(yù)測(cè)的最優(yōu)特征子集,降低原始特征集合內(nèi)特征間的冗余性,提高含光伏DG 母線峰值負(fù)荷預(yù)測(cè)的精度。
為了展示在不同氣象日下、 不同特征對(duì)含光伏DG 母線峰值負(fù)荷的特征重要度不同, 通過(guò)CMI 計(jì)算各特征對(duì)母線峰值負(fù)荷的特征重要度。圖2 給出了某地區(qū)含光伏DG 的某條母線, 在晴天、多云和陰雨3 種氣象日下的特征重要度。
圖2 不同氣象日特征重要度分析Fig.2 Significance analysis of different meteorological daily features
由圖2 可知,不同氣象日?qǐng)鼍跋?,不同因素?duì)母線峰值負(fù)荷的特征重要度不同。 例如在10~20號(hào)特征中,晴天時(shí),F(xiàn)10和F12特征重要度高;在多云時(shí)F10、F17和F20特征重要度高;陰雨時(shí),F(xiàn)20特征重要度高。3 種氣象日最優(yōu)特征集合選擇如圖3 所示。
圖3 最優(yōu)特征集合選擇過(guò)程Fig.3 Optimal feature set selection
由圖3 可以看出,隨著特征維度的增加,母線峰值負(fù)荷預(yù)測(cè)的誤差越來(lái)越小, 當(dāng)特征維度增加到一定數(shù)量時(shí),母線峰荷的預(yù)測(cè)誤差達(dá)到最小值。此時(shí),輸入特征的集合為最優(yōu)特征集合,陰天、晴天和多云3 種氣象日下的最優(yōu)特征集合維數(shù)分別為22,25 和20, 且對(duì)應(yīng)預(yù)測(cè)的MAPE 值分別為2.98%,3.08%和3.04%。 因此,在含光伏DG 的母線峰值負(fù)荷預(yù)測(cè)中,為了避免出現(xiàn)特征冗余,需要進(jìn)行特征選擇,提高預(yù)測(cè)精度。
表2 對(duì)應(yīng)圖3 中3 種氣象日下, 最優(yōu)特征集合選擇結(jié)果。
表2 最優(yōu)特征集合Table 2 Optimal feature set
由表2 可知, 不同氣象日最優(yōu)特征集合包含的特征個(gè)數(shù)不同,晴天時(shí)特征個(gè)數(shù)最多,多云時(shí)特征個(gè)數(shù)最少。且同一特征在不同氣象日,對(duì)母線峰值負(fù)荷的特征重要度排序不同,F(xiàn)1 的特征重要度在晴天時(shí)排在第一, 在多云時(shí)排在第三,在陰雨天時(shí)排在第九。 對(duì)于含光伏DG 母線峰值負(fù)荷預(yù)測(cè),在3 種不同氣象日下,最優(yōu)特征集合存在差異,因此,需要針對(duì)不同氣象日,分別進(jìn)行特征選擇,確定不同的最優(yōu)特征集合,針對(duì)性建立不同氣象日下,最優(yōu)預(yù)測(cè)模型。
本文列出2018 年7 月第1 周, 某條含光伏DG 的母線峰值負(fù)荷預(yù)測(cè)結(jié)果。 圖4 為母線針對(duì)性建模和采用原始特征集合建模的預(yù)測(cè)結(jié)果。
圖4 最優(yōu)模型和原始預(yù)測(cè)模型峰值負(fù)荷預(yù)測(cè)Fig.4 Optimal model and original prediction model for peak load prediction
表3 為對(duì)應(yīng)圖4 中母線峰值負(fù)荷預(yù)測(cè)曲線的誤差結(jié)果。
表3 母線峰值負(fù)荷預(yù)測(cè)誤差Table 3 Error of peak load prediction for electric bus
在最優(yōu)模型下, 母線峰值負(fù)荷預(yù)測(cè)的MAPE值為3.021%;利用原始特征集合建模時(shí),母線峰值負(fù)荷預(yù)測(cè)的MAPE 值為4.352%。 對(duì)比可知,根據(jù)不同氣象日開展的特征選擇, 并建立不同母線峰值負(fù)荷預(yù)測(cè)模型, 可有效提高不同氣象日下含DG 的母線峰值負(fù)荷預(yù)測(cè)精度。
不同算法,在第2 周的母線峰值負(fù)荷預(yù)測(cè)結(jié)果如圖5 所示。
圖5 3 種方法的峰值負(fù)荷預(yù)測(cè)Fig.5 Three methods of peak load prediction
表4 對(duì)應(yīng)圖5 中3 種預(yù)測(cè)方法下的預(yù)測(cè)曲線誤差結(jié)果。
表4 3 種方法的母線峰值負(fù)荷預(yù)測(cè)誤差Table 4 The peak load prediction errors of the three methods
由表4 中可以看出,分別應(yīng)用BPNN,ELM 和IPSO-ELM 預(yù)測(cè)母線峰值負(fù)荷時(shí),MAPE 值分別為5.135%,3.961%和3.072%,IPSO-ELM 對(duì)含DG 母線負(fù)荷預(yù)測(cè)的MAPE 值最小。 因此,本文應(yīng)用DG 的IPSO-ELM 預(yù)測(cè)器, 對(duì)于含光伏DG 的母線峰值負(fù)荷進(jìn)行預(yù)測(cè),預(yù)測(cè)精度高。
本文提出計(jì)及復(fù)雜氣象影響的母線峰值負(fù)荷預(yù)測(cè)方法,該方法具有以下優(yōu)點(diǎn):①以CMI 值為依據(jù),開展母線峰值負(fù)荷預(yù)測(cè)特征選擇,降低了母線峰值負(fù)荷預(yù)測(cè)時(shí),特征冗余對(duì)預(yù)測(cè)精度的影響;②針對(duì)晴天、 多云和陰雨3 種氣象日分別構(gòu)建最優(yōu)預(yù)測(cè)模型, 含光伏DG 母線峰值的預(yù)測(cè)精度顯著提高;③對(duì)于母線峰值負(fù)荷歷史數(shù)據(jù)少的問(wèn)題,提出應(yīng)用IPSO-ELM 作為預(yù)測(cè)器,滿足小樣本場(chǎng)景下預(yù)測(cè)精度需要。