西南電網(wǎng)異步聯(lián)網(wǎng)后的負(fù)荷預(yù)測及頻率波動(dòng)抑制

羅衛(wèi)華,余銳,蘭強(qiáng),吳京馳,王民昆,肖嵩

(1. 國家電網(wǎng)有限公司西南分部,四川 成都 610041；2. 西南交通大學(xué)電氣工程學(xué)院,四川 成都 611756)

0 引言

電力系統(tǒng)負(fù)荷是電力系統(tǒng)穩(wěn)定分析的重要指標(biāo)之一,代表系統(tǒng)中所有用電設(shè)備瞬時(shí)消耗功率的總和。由于電力系統(tǒng)中電能儲(chǔ)存量有限,發(fā)電量與負(fù)荷量需實(shí)時(shí)保持供需平衡。2014年12月29日,四川、重慶電網(wǎng)分別脫離華中電網(wǎng)與原西藏電網(wǎng),組成了西南電網(wǎng)。2019年6月19日,隨著渝鄂直流工程全部投運(yùn),西南電網(wǎng)與華中電網(wǎng)脫離交流同步互聯(lián),兩大電網(wǎng)的交流輸電線路全部斷開。依靠背靠背直流輸電工程,西南電網(wǎng)互聯(lián)格局由交直流混聯(lián)變?yōu)橹绷鳟惒交ヂ?lián)。電網(wǎng)的異步互聯(lián)意味著兩端電網(wǎng)旋轉(zhuǎn)轉(zhuǎn)動(dòng)慣量相互分隔,各電網(wǎng)的頻率穩(wěn)定性能下降,增加了頻率失穩(wěn)風(fēng)險(xiǎn)。

西南電網(wǎng)異步互聯(lián)工程啟用以來,西南電網(wǎng)頻率波動(dòng)加劇,頻率波動(dòng)越過動(dòng)作頻率界限的情況頻發(fā),直流頻率控制(frequency control,FC)裝置動(dòng)作頻繁。電力系統(tǒng)有功瞬時(shí)不平衡將導(dǎo)致頻率波動(dòng),由于西南電網(wǎng)的異步運(yùn)行,有功不平衡對頻率造成的影響將擴(kuò)大,頻率波動(dòng)也隨之加劇。因此,有效準(zhǔn)確地預(yù)測有功出力及制定發(fā)電計(jì)劃對頻率偏差控制具有重大意義[1—4]。

隨著現(xiàn)代人工智能技術(shù)的發(fā)展,機(jī)器學(xué)習(xí)方法被逐漸用于電力系統(tǒng)負(fù)荷預(yù)測[5—8],如經(jīng)典時(shí)間序列預(yù)測法、人工神經(jīng)網(wǎng)絡(luò)方法、支持向量回歸(support vector regression,SVR)等。其中時(shí)間序列預(yù)測法建模簡單、預(yù)測速度快,但對于波動(dòng)性大的負(fù)荷,預(yù)測精度較低。文獻(xiàn)[9]采用雙鏈馬爾科夫方法預(yù)測負(fù)荷,達(dá)到了預(yù)期精度,但預(yù)測結(jié)果較為固定,無法跟隨預(yù)測日的實(shí)際工況改變預(yù)測趨勢。文獻(xiàn)[10—11]使用長短期記憶網(wǎng)絡(luò)(long short term memory,LSTM)進(jìn)行負(fù)荷預(yù)測,該方法基于時(shí)間序列進(jìn)行預(yù)測,未考慮多方面因素影響,故精度較低。人工神經(jīng)網(wǎng)絡(luò)預(yù)測精度高、優(yōu)化潛力大,但存在一定問題,如收斂速度慢、難以確定網(wǎng)絡(luò)結(jié)構(gòu)和易陷入局部最優(yōu)等。文獻(xiàn)[11]使用反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)對某電力系統(tǒng)的負(fù)荷進(jìn)行預(yù)測,考慮了氣溫對預(yù)測結(jié)果的影響,取得了一定效果。文獻(xiàn)[12]所述的雙層隨機(jī)森林算法也取得了較好的效果。通常SVR算法只能進(jìn)行單步預(yù)測,對于存在大量雜散干擾的數(shù)據(jù),預(yù)測誤差較大且預(yù)測效果滯后[13]。文獻(xiàn)[14]使用基于氣象綜合因素指數(shù)和關(guān)聯(lián)分析加權(quán)的最小二乘支持向量機(jī)(least squares support vector machine,LSSVM)算法,建立組合預(yù)測模型,氣象綜合指數(shù)僅表達(dá)了氣象對人體的影響程度,無法客觀反映氣象對負(fù)荷的影響程度。

為提高負(fù)荷預(yù)測精度并彌補(bǔ)上述算法的缺陷,文中結(jié)合BP神經(jīng)網(wǎng)絡(luò)與SVR各自的優(yōu)點(diǎn),提出一種新型混合算法模型。使用預(yù)測精度較高的BP神經(jīng)網(wǎng)絡(luò)對系統(tǒng)負(fù)荷水平進(jìn)行預(yù)測,使用不易陷入局部最優(yōu)的SVR預(yù)測最終負(fù)荷值。其中,BP神經(jīng)網(wǎng)絡(luò)利用訓(xùn)練集的氣象數(shù)據(jù)預(yù)測當(dāng)日最大負(fù)荷,確定當(dāng)日負(fù)荷水平?；谒秘?fù)荷水平,使用當(dāng)日一段已知的負(fù)荷數(shù)據(jù)確定訓(xùn)練集權(quán)重并訓(xùn)練SVR模型,進(jìn)而預(yù)測當(dāng)日剩余時(shí)間的負(fù)荷曲線。該混合算法模型每隔一段時(shí)間根據(jù)最新的已知負(fù)荷重新訓(xùn)練模型,實(shí)現(xiàn)滾動(dòng)預(yù)測,可適應(yīng)突發(fā)工況。為了應(yīng)對西南電網(wǎng)異步互聯(lián)后的頻率問題,使用BPA仿真將預(yù)測的負(fù)荷跟蹤系統(tǒng)的有功出力,結(jié)果表明預(yù)測方法相較于未考慮負(fù)荷分布特性的傳統(tǒng)預(yù)測方法,頻率偏移抑制效果更佳。文中所提模型及方法對未來電網(wǎng)發(fā)電計(jì)劃制定以及電力系統(tǒng)頻率穩(wěn)定性提升具有重要意義。

1 西南電網(wǎng)異步運(yùn)行現(xiàn)存頻率問題分析

西南電網(wǎng)異步運(yùn)行后與西北、華中和華東電網(wǎng)之間的輸電新格局如圖1所示。異步運(yùn)行的啟動(dòng),意味著西南電網(wǎng)與華中電網(wǎng)的頻率異步,依靠有功聯(lián)絡(luò)線輸送功率。頻率的變動(dòng)規(guī)律與異步互聯(lián)前有所變化。

圖1 西南電網(wǎng)與各大電網(wǎng)間的輸電新格局Fig.1 New transmission pattern between Southwest Power Grid and other major power grids

西南電網(wǎng)異步運(yùn)行前后相鄰兩周同一工作日的頻率見圖2。系統(tǒng)頻率由相量測量單元(pha-sor measurement unit,PMU)測得。

圖2 西南電網(wǎng)異步運(yùn)行前后的系統(tǒng)量測頻率Fig.2 Measured system frequency of Southwest Power Grid before and after asynchronous operation

西南電網(wǎng)異步運(yùn)行前后,t-1到t+12共14 d的頻率波動(dòng)量超過±0.07 Hz,對期間直流FC動(dòng)作次數(shù)進(jìn)行統(tǒng)計(jì),如表1所示。其中,t為異步運(yùn)行啟動(dòng)當(dāng)日,t-1為異步運(yùn)行前一日,t+1為異步運(yùn)行后一日,以此類推。

表1 直流FC動(dòng)作次數(shù)Table 1 Action times of direct current FC

結(jié)合圖2與表1可知,西南電網(wǎng)異步運(yùn)行后,系統(tǒng)頻率較異步運(yùn)行前波動(dòng)加劇,直流FC動(dòng)作較為頻繁。

結(jié)合數(shù)據(jù)與轉(zhuǎn)子運(yùn)動(dòng)方程的理論分析可知,西南電網(wǎng)異步運(yùn)行后系統(tǒng)的總慣量下降。當(dāng)系統(tǒng)有功功率與負(fù)荷不匹配時(shí),頻率波動(dòng)幅度加劇。因此,負(fù)荷預(yù)測可以預(yù)先把控有功平衡、提前制定發(fā)電計(jì)劃、實(shí)施自動(dòng)發(fā)電控制(automatic generation control,AGC)超前控制等,從負(fù)荷端抑制頻率波動(dòng)。

西南電網(wǎng)異步運(yùn)行前后共14 d的負(fù)荷曲線見圖3。圖中,14 d的最大、最小負(fù)荷分別為47 422 MW,27 840 MW。由圖3可知,西南電網(wǎng)的負(fù)荷呈周期性,負(fù)荷變化特征受異步互聯(lián)影響有限。異步互聯(lián)工程的啟用通常對負(fù)荷影響很小,電力負(fù)荷具有明顯的日周期特性。負(fù)荷存在極大值和極小值點(diǎn),在極大值點(diǎn),每日的負(fù)荷變化趨勢總體一致。但由于每日的負(fù)荷受生活習(xí)慣、氣象等因素影響,相同時(shí)間點(diǎn)的實(shí)時(shí)負(fù)荷存在一定差值。

圖3 西南電網(wǎng)異步運(yùn)行前后14 d的負(fù)荷曲線Fig.3 14-day load curve before and after asyn- chronous operation of Southwest Power Grid

西南地區(qū)分別以1 s,1 min為時(shí)間尺度的負(fù)荷波動(dòng)幅值概率分布如圖4所示?？梢钥闯?1 s時(shí)間尺度下,負(fù)荷波動(dòng)范圍限制在100 MW以內(nèi),波動(dòng)大于60 MW的概率不足1%,波動(dòng)比較平緩。1 min時(shí)間尺度下,負(fù)荷波動(dòng)主要集中在200 MW以內(nèi),波動(dòng)變化在200 MW以上的概率不足1%。文中將秒級與分鐘級的負(fù)荷波動(dòng)概率納入負(fù)荷預(yù)測過程,提高負(fù)荷預(yù)測精度。

圖4 西南地區(qū)負(fù)荷波動(dòng)幅值概率分布Fig.4 Probability distribution of load fluctuation amplitude in Southwest China

2 預(yù)測算法原理

根據(jù)西南電網(wǎng)負(fù)荷特點(diǎn),文中提出一種新型混合算法對負(fù)荷進(jìn)行預(yù)測。該算法在BP神經(jīng)網(wǎng)絡(luò)預(yù)測日負(fù)荷水平的基礎(chǔ)上,使用SVR算法預(yù)測負(fù)荷曲線,并將待預(yù)測日已知的一段負(fù)荷數(shù)據(jù)與歷史相同時(shí)間節(jié)點(diǎn)的負(fù)荷數(shù)據(jù)進(jìn)行比較,調(diào)整訓(xùn)練集的權(quán)重。根據(jù)歷史數(shù)據(jù)的負(fù)荷波動(dòng)幅值概率分布修正預(yù)測結(jié)果,提高模型預(yù)測精度及可靠性。

2.1 SVR原理

SVR算法分為ε-SVR模型和v-SVR模型[15]。ε-SVR模型的初始參數(shù)優(yōu)化較為困難,v-SVR模型使用改進(jìn)網(wǎng)格搜索算法可以得到較好的初始參數(shù)[16],文中所述SVR算法采用v-SVR模型。

對于訓(xùn)練數(shù)據(jù)x=[x1,x2,…,xi,…,xn],對應(yīng)的訓(xùn)練目標(biāo)為y,二者之間存在從特征集到目標(biāo)集的映射關(guān)系f,即求解目標(biāo)函數(shù)f(x) =wΦ(x) +b。其中Φ(x)為非線性函數(shù)；w,b為權(quán)值矩陣和對應(yīng)偏置。SVR可訓(xùn)練f(x)的風(fēng)險(xiǎn)函數(shù)最小化,即最大化分隔超平面。SVR訓(xùn)練過程如圖5所示。

圖5 SVR模型訓(xùn)練原理Fig.5 Training principle of SVR model

風(fēng)險(xiǎn)函數(shù)可表示為：

(1)

約束條件為：

(2)

式中：ε為線性不敏感損失函數(shù)。

構(gòu)建拉格朗日函數(shù)為：

(3)

考慮Karush Kuhn Tucker(KKT)邊界條件和對偶問題,最優(yōu)對偶變量和約束的乘積為0。

(4)

線性函數(shù)逼近式可表示為：

(5)

式中：K(x,xi)為SVR的核函數(shù)；b可由式(5)求得。

核函數(shù)通常分為4類。

(1) 線性核函數(shù)。

K(hi,hj)=〈hi·hj〉

(6)

式中：hi,hj為樣本集向量；〈hi·hj〉為hi和hj的內(nèi)積。

(2) 多項(xiàng)式核函數(shù)。

K(hi,hj)=(〈hi·hj〉+1)d

(7)

式中：d為多項(xiàng)式的次數(shù)。

(3) 徑向基核函數(shù)。

K(hi,hj)=e-‖hi-hj‖2/(2σ2)

(8)

式中：σ為徑向基核函數(shù)的帶寬。

(4) Sigmoid核函數(shù)。

K(hi,hj)=tanh(a〈hi,hj〉+c)

(9)

式中：tanh(·)為雙曲正切函數(shù)；a,c為相關(guān)參數(shù)。

2.2 基于相關(guān)影響因素的最大負(fù)荷值預(yù)測

文獻(xiàn)[17—20]指出,電力系統(tǒng)的負(fù)荷與負(fù)荷日的類型相關(guān)?？紤]天氣及是否工作日等因素,針對每日預(yù)測的最大負(fù)荷值,選取相關(guān)特征如表2所示。

表2 影響負(fù)荷的相關(guān)特征Table 2 Related features affecting load

上述每個(gè)相關(guān)特征都對應(yīng)BP神經(jīng)網(wǎng)絡(luò)的特征,將每個(gè)參數(shù)歸一化處理后,輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。對于西南地區(qū),每個(gè)小地區(qū)同一日的氣候數(shù)據(jù)通常不同。收集到的氣象數(shù)據(jù)僅代表局部區(qū)域特點(diǎn),不能很好地反映整個(gè)區(qū)域的氣象水平。針對西南大區(qū)域的負(fù)荷預(yù)測,采集到每個(gè)小區(qū)域的氣象數(shù)據(jù)后,大區(qū)域的總體氣象特征可以表示為：

(10)

式中：xij為小區(qū)域j中特征量i的氣象特征；Sj為小區(qū)域j的面積；N為區(qū)域數(shù)量。

針對該類型問題,通常使用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行預(yù)測。神經(jīng)網(wǎng)絡(luò)具有反饋調(diào)節(jié)網(wǎng)絡(luò)權(quán)值的能力,對于非線性回歸問題有較好的預(yù)測效果?；诒?中的特征,以每日最大負(fù)荷為目標(biāo)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),然后對目標(biāo)進(jìn)行預(yù)測。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)示意如圖6所示。

圖6 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)Fig.6 Training structure of BP neural network

訓(xùn)練神經(jīng)網(wǎng)絡(luò)可使特征量以各自的權(quán)重表達(dá)當(dāng)日最大負(fù)荷值,使預(yù)測值與實(shí)際值的誤差在訓(xùn)練集基礎(chǔ)上達(dá)到總體最小。模型訓(xùn)練完成后可以根據(jù)待預(yù)測日的天氣預(yù)測最大負(fù)荷值,為后續(xù)模型的準(zhǔn)確預(yù)測提供基礎(chǔ)。

2.3 新型混合算法

負(fù)荷量通常會(huì)根據(jù)工作日、休息日、節(jié)假日等特殊日期發(fā)生相應(yīng)變化。目前已有研究將該類特殊日期作為特征值對模型進(jìn)行訓(xùn)練[3,21]。同類型日期的負(fù)荷數(shù)據(jù)通常具有較高的重復(fù)度,不同類型日期的負(fù)荷數(shù)據(jù)通常差異較大。

實(shí)際電網(wǎng)運(yùn)行中,特征值的選擇不限于表2,還可能存在國民經(jīng)濟(jì)提升、產(chǎn)業(yè)結(jié)構(gòu)改變、自然天氣突變等不可預(yù)知因素。這些因素特征不穩(wěn)定且提取困難。文中提出一種新型混合算法,將SVR算法和BP神經(jīng)網(wǎng)絡(luò)算法相結(jié)合。基于氣象數(shù)據(jù)采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測負(fù)荷水平,利用所得負(fù)荷水平作為SVR算法訓(xùn)練集的選取依據(jù)。從歷史數(shù)據(jù)中選取接近該日預(yù)測負(fù)荷最大值的數(shù)據(jù)作為SVR的訓(xùn)練集。模型訓(xùn)練過程中使用搜索網(wǎng)格算法優(yōu)化SVR的參數(shù)與核函數(shù)。獲得混合算法模型的預(yù)測結(jié)果后,通過西南地區(qū)歷史負(fù)荷波動(dòng)幅值概率分布修正SVR結(jié)果并滾動(dòng)更新負(fù)荷預(yù)測結(jié)果,使預(yù)測結(jié)果能更適應(yīng)西南地區(qū)的負(fù)荷特點(diǎn)。具體模型訓(xùn)練流程如圖7所示。

圖7 新型混合算法模型訓(xùn)練流程Fig.7 Training process of novel hybrid algorithm model

SVR模型的訓(xùn)練從訓(xùn)練集選取待預(yù)測日已知的一段時(shí)間負(fù)荷數(shù)據(jù)作為測試樣本的特征集,用于輸入模型預(yù)測整日的負(fù)荷曲線。訓(xùn)練集的選取通過歷史日負(fù)荷峰值與當(dāng)日預(yù)測峰值的差異調(diào)整訓(xùn)練集的權(quán)重,差異較小的權(quán)重大,差異較大的權(quán)重小。目標(biāo)集選取剩下時(shí)間段待預(yù)測的負(fù)荷。將當(dāng)日已知一段時(shí)間的負(fù)荷測試樣本輸入模型,預(yù)測當(dāng)日剩余時(shí)間的負(fù)荷。并隨著時(shí)間推移,對當(dāng)日負(fù)荷進(jìn)行滾動(dòng)預(yù)測。訓(xùn)練SVR的數(shù)據(jù)劃分方式見圖8。

圖8 訓(xùn)練SVR的數(shù)據(jù)具體劃分方式Fig.8 The specific division of data for training SVR

2.4 誤差評價(jià)標(biāo)準(zhǔn)

誤差評價(jià)標(biāo)準(zhǔn)是用于比較預(yù)測值與實(shí)際值之間誤差的指標(biāo)。用平均絕對百分比誤差(mean absolute percentage error,MAPE)和均方根誤差(root mean square error,RMSE)表示短期負(fù)荷Pl的預(yù)測誤差。MAPE用來衡量預(yù)測值與實(shí)際值之間的相對誤差大小,RMSE用來衡量預(yù)測值與實(shí)際值之間誤差的離散程度。

(11)

(12)

式中：M為誤差評價(jià)的樣本數(shù)；Pl,pre,Pl,real分別為負(fù)荷預(yù)測值和實(shí)際值。

3 負(fù)荷預(yù)測算例

算例選取西南區(qū)域電網(wǎng)異步運(yùn)行后一個(gè)月的歷史負(fù)荷作為新型混合算法模型的訓(xùn)練集數(shù)據(jù)庫,同時(shí)采集對應(yīng)時(shí)間段的相關(guān)氣象數(shù)據(jù)作為特征預(yù)測當(dāng)日最大負(fù)荷值。

3.1 工作日負(fù)荷預(yù)測結(jié)果分析

此次預(yù)測選擇周一至周五任意工作日作為測試樣本。將已知待預(yù)測日負(fù)荷的前30 min數(shù)據(jù)作為測試樣本的特征集,后23.5 h的數(shù)據(jù)作為測試樣本的目標(biāo)集。采用圖7的訓(xùn)練流程,模型訓(xùn)練完成后,使用測試集進(jìn)行檢驗(yàn)。使用新型混合算法所得的第1次負(fù)荷預(yù)測結(jié)果及絕對誤差(預(yù)測值與實(shí)際值之差的絕對值)如圖9所示。

圖9 工作日第1次預(yù)測結(jié)果及絕對誤差Fig.9 The first forecasting result and absolute error on weekdays

第1次負(fù)荷預(yù)測的eMAPE為0.940 9%,eRMSE為348.46 MW。預(yù)測間隔選取30 min,該日一共進(jìn)行47次滾動(dòng)預(yù)測,從當(dāng)日00:30開始,每次時(shí)間步進(jìn)30 min,將實(shí)時(shí)獲得的每30 min負(fù)荷數(shù)據(jù)作為SVR的特征集,進(jìn)而預(yù)測后續(xù)負(fù)荷,每次預(yù)測誤差如圖10所示。

圖10 工作日負(fù)荷預(yù)測誤差Fig.10 Load forecasting error on weekdays

由圖10可知,工作日負(fù)荷預(yù)測eMAPE均處于2.7%以下,eMAPE的平均值為1.401 2%,eRMSE均處于950 MW以下。

3.2 休息日負(fù)荷預(yù)測結(jié)果分析

與工作日預(yù)測方法相似,休息日同樣選取30 min作為模型更新步長,第1次預(yù)測將前30 min作為測試樣本特征集,后23.5 h為目標(biāo)集。第1次預(yù)測結(jié)果如圖11所示。

圖11 休息日第1次預(yù)測結(jié)果及絕對誤差Fig.11 The first forecasting result and absolute error on weekends

由圖11可知,當(dāng)對休息日進(jìn)行預(yù)測時(shí),混合模型對前半日的預(yù)測較為準(zhǔn)確,后半日預(yù)測誤差較大。隨著待預(yù)測日時(shí)間的推移,模型將進(jìn)行多次預(yù)測,每次步長30 min,當(dāng)進(jìn)行第27次預(yù)測時(shí),模型受實(shí)時(shí)負(fù)荷影響,不斷修正預(yù)測結(jié)果,如圖12所示。

圖12 休息日第27次預(yù)測結(jié)果及絕對誤差Fig.12 The 27th forecasting result and absolute error on weekends

隨著預(yù)測日當(dāng)天時(shí)間的推移,不斷會(huì)有當(dāng)天的實(shí)際負(fù)荷數(shù)據(jù)生成,這些數(shù)據(jù)比歷史數(shù)據(jù)更有意義。每隔30 min,模型將最近30 min的實(shí)時(shí)負(fù)荷數(shù)據(jù)作為模型的輸入,預(yù)測當(dāng)日的后續(xù)負(fù)荷。當(dāng)突發(fā)事件發(fā)生時(shí),模型會(huì)根據(jù)實(shí)時(shí)數(shù)據(jù)滾動(dòng)更新后續(xù)預(yù)測結(jié)果。該新型混合預(yù)測算法選定的時(shí)間步長為30 min,每經(jīng)過30 min,訓(xùn)練模型會(huì)拋棄預(yù)測當(dāng)天相對久遠(yuǎn)的數(shù)據(jù),使用新數(shù)據(jù)作為SVR測試集特征,回歸預(yù)測當(dāng)日剩余時(shí)間的負(fù)荷,每日一共滾動(dòng)預(yù)測47次。使用此方法可以一定程度減小隨機(jī)事件造成的誤差。預(yù)測日共47次預(yù)測誤差如圖13所示。

圖13 休息日負(fù)荷預(yù)測誤差Fig.13 Load forecasting error on weekends

由圖13可知,當(dāng)待預(yù)測日為休息日時(shí),使用模型進(jìn)行第1次預(yù)測,結(jié)果顯示該日后半段負(fù)荷預(yù)測誤差較大。經(jīng)過27次預(yù)測后,實(shí)際負(fù)荷參與混合模型訓(xùn)練,可對預(yù)測結(jié)果進(jìn)行調(diào)整。待預(yù)測日的后半段預(yù)測結(jié)果與實(shí)際負(fù)荷誤差減小,預(yù)測精度提升。從第27次預(yù)測開始,eMAPE和eRMSE減小,可見實(shí)時(shí)負(fù)荷數(shù)據(jù)的更新可對模型進(jìn)行修正。

3.3 負(fù)荷預(yù)測誤差比較

為體現(xiàn)BP神經(jīng)網(wǎng)絡(luò)對負(fù)荷預(yù)測結(jié)果的影響,基于預(yù)測和實(shí)際負(fù)荷分別對模型進(jìn)行訓(xùn)練,14 d的eMAPE平均值分別為1.67%,1.55%?？梢?BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度與實(shí)際情況的誤差較小,即精度較高。

使用文中所提新型混合算法與文獻(xiàn)[10—11]所述的LSTM、文獻(xiàn)[22]所述的雙層隨機(jī)森林算法進(jìn)行比較,eMAPE結(jié)果如表3所示。

表3 3種機(jī)器學(xué)習(xí)方法的eMAPE比較Table 3 eMAPE comparison of three machine learning methods %

4 基于負(fù)荷預(yù)測結(jié)果的頻率仿真

為驗(yàn)證負(fù)荷預(yù)測結(jié)果對西南電網(wǎng)的頻率控制效果,基于幾種機(jī)器學(xué)習(xí)方法的負(fù)荷預(yù)測結(jié)果,利用BPA仿真軟件對負(fù)荷波動(dòng)下的西南電網(wǎng)頻率響應(yīng)進(jìn)行仿真。仿真模型基于西南異步后的系統(tǒng),選取真實(shí)系統(tǒng)平衡運(yùn)行時(shí)某一時(shí)刻的潮流作為潮流仿真數(shù)據(jù),選取該時(shí)間節(jié)點(diǎn)后15 min的負(fù)荷數(shù)據(jù)進(jìn)行頻率響應(yīng)仿真。實(shí)際及預(yù)測負(fù)荷如圖14所示,圖中選取與文中預(yù)測精度更接近的雙層隨機(jī)森林算法進(jìn)行比較。

圖14 實(shí)際負(fù)荷及兩種算法的負(fù)荷預(yù)測結(jié)果Fig.14 Actual load and load forecasting results of two algorithms

仿真過程中,設(shè)置負(fù)荷波動(dòng)為：

ΔPL(i)=PL(i+1)-PL(i)

(13)

式中：PL(i)為當(dāng)前時(shí)刻的實(shí)際負(fù)荷；PL(i+1)為下一仿真時(shí)刻的實(shí)際負(fù)荷；ΔPL(i)為仿真設(shè)置的負(fù)荷變化量。

根據(jù)算法預(yù)測結(jié)果,可提前安排有功功率。設(shè)置系統(tǒng)有功增量為：

ΔPG(i)=PG(i+1)-PG(i)

(14)

式中：PG(i)為當(dāng)前時(shí)刻的系統(tǒng)有功發(fā)出值；PG(i+1)為下一仿真時(shí)刻的負(fù)荷預(yù)測值；ΔPG(i)為仿真設(shè)置的有功變化量。

仿真基于實(shí)際西南電網(wǎng)簡化后的模型,包括282臺發(fā)電機(jī),1 825條母線。模型考慮了發(fā)電機(jī)的勵(lì)磁系統(tǒng)、系統(tǒng)穩(wěn)定器、調(diào)速器等數(shù)學(xué)模型。設(shè)置仿真步長為0.01 s,總時(shí)長為900 s,負(fù)荷類型為40%恒功率負(fù)荷及60%恒阻抗負(fù)荷。負(fù)荷每隔6 s產(chǎn)生一次擾動(dòng),負(fù)荷擾動(dòng)曲線如圖15所示。

圖15 負(fù)荷擾動(dòng)曲線Fig.15 Load disturbance curve

作為典型含高比例水電的電網(wǎng),西南電網(wǎng)水電裝機(jī)總?cè)萘客黄? 000萬kW,水電容量占比70%以上,頻率穩(wěn)定需要網(wǎng)內(nèi)機(jī)組一次調(diào)頻與AGC相互配合動(dòng)作。調(diào)頻主要依靠水電機(jī)組完成,由于水電機(jī)組水錘效應(yīng),初始功率變化與導(dǎo)葉開度變化相反,造成水輪機(jī)環(huán)節(jié)相位滯后,高比例水電系統(tǒng)調(diào)頻過程中小干擾穩(wěn)定問題突出。大型水電機(jī)組的AGC信號傳輸延遲大約20 s,AGC控制調(diào)節(jié)到位的時(shí)間則需按照爬坡速率折算(1 min可調(diào)整裝機(jī)容量的15%～20%,即8 000 MW/min)。由圖15可知,15 min內(nèi)的負(fù)荷波動(dòng)在200 MW以內(nèi),故AGC控制在2 s內(nèi)自動(dòng)調(diào)用發(fā)電機(jī)旋轉(zhuǎn)備用容量。算例負(fù)荷數(shù)據(jù)選取該時(shí)間節(jié)點(diǎn)后15 min的負(fù)荷進(jìn)行仿真,西南電網(wǎng)各電站可根據(jù)30 s時(shí)段負(fù)荷預(yù)測結(jié)果調(diào)整發(fā)電出力。故在15 min內(nèi),AGC控制可根據(jù)負(fù)荷預(yù)測結(jié)果實(shí)時(shí)調(diào)整發(fā)電計(jì)劃約30次。對西南電網(wǎng)一次調(diào)頻下該段負(fù)荷的頻率響應(yīng)進(jìn)行仿真,不同負(fù)荷預(yù)測算法的頻率響應(yīng)結(jié)果如圖16所示。

圖16 不同算法預(yù)測的西南電網(wǎng)一次調(diào)頻頻率波動(dòng)Fig.16 Frequency fluctuation of primary frequency modulation in Southwest Power Grid predicted by different algorithms

由圖16可知,在一次調(diào)頻作用下,相對未采用負(fù)荷預(yù)測算法(實(shí)際的頻率波動(dòng))而言,根據(jù)負(fù)荷預(yù)測結(jié)果制定的發(fā)電計(jì)劃可極大抑制頻率波動(dòng)最大值,且在電網(wǎng)一次調(diào)頻作用下,系統(tǒng)頻率波動(dòng)有所減緩。采用文中新型混合算法、雙層隨機(jī)森林算法、未采用負(fù)荷預(yù)測算法的頻率響應(yīng)eRMSE分別為0.022 7 Hz,0.026 0 Hz,0.037 1 Hz。相較雙層隨機(jī)森林算法的預(yù)測結(jié)果,使用文中提出的新型混合算法的預(yù)測結(jié)果對系統(tǒng)進(jìn)行一次調(diào)頻,頻率波動(dòng)更小。

5 結(jié)語

西南電網(wǎng)異步運(yùn)行后,有功不平衡導(dǎo)致頻率問題突出、直流FC裝置動(dòng)作頻繁。為解決有功不平衡導(dǎo)致的頻率問題,文中提出了采用組合BP神經(jīng)網(wǎng)絡(luò)和SVR算法的新型混合算法用于電力系統(tǒng)負(fù)荷預(yù)測?；跉庀髷?shù)據(jù)、電力系統(tǒng)歷史數(shù)據(jù)以及預(yù)測日當(dāng)天已有數(shù)據(jù),采用BP神經(jīng)網(wǎng)絡(luò)對當(dāng)日最大負(fù)荷進(jìn)行預(yù)測,從歷史數(shù)據(jù)選擇與最大負(fù)荷最相近的訓(xùn)練樣本建立模型。采用當(dāng)日一段已知數(shù)據(jù)作為SVR模型的輸入,結(jié)合BP神經(jīng)網(wǎng)絡(luò)劃分的訓(xùn)練集訓(xùn)練模型,預(yù)測當(dāng)日剩余時(shí)間的負(fù)荷。誤差分析結(jié)果表明,新型混合算法所得結(jié)果滿足負(fù)荷預(yù)測需求。同時(shí),基于新型混合算法所得負(fù)荷預(yù)測結(jié)果制定的發(fā)電計(jì)劃對頻率控制有著積極作用,可極大改善系統(tǒng)頻率偏移與波動(dòng)程度。

下一步可從如下方面開展研究：基于豐富的歷史數(shù)據(jù)庫建立考慮多特征的預(yù)測模型；優(yōu)化預(yù)測模型結(jié)構(gòu)、核心算法等,如選擇預(yù)測精度更高的人工智能網(wǎng)絡(luò)。旨在進(jìn)一步提高電力系統(tǒng)負(fù)荷預(yù)測精度,有效制定發(fā)電計(jì)劃,抑制電網(wǎng)頻率波動(dòng)。