基于數(shù)據(jù)分析技術的高精度負荷預測與電網(wǎng)智能斷面調(diào)控

張建國，常 倩

(中國石油集團電能有限公司，黑龍江 大慶 163453)

0 引 言

大數(shù)據(jù)分析技術逐漸應用于電力系統(tǒng)，有效提升電力系統(tǒng)數(shù)據(jù)的多元性，為系統(tǒng)分析與規(guī)劃提供多元的數(shù)據(jù)基礎，有助于電力系統(tǒng)實現(xiàn)負荷預測和斷面控制。為此，需要對基于大數(shù)據(jù)分析技術的高精度負荷預測與智能斷面調(diào)控進行研究。針對負荷預測，文獻[1]提出一種基于EMD-DA-LSSVM的短期電力負荷預測方法，文獻[2]提出一種并行多模型融合的混合神經(jīng)網(wǎng)絡超短期負荷預測，文獻[3]提出一種利用溫度信息及深度學習方法實現(xiàn)高精度電力負荷預測方法，文獻[4]提出一種考慮多因素的深度學習融合方法實現(xiàn)負荷預測，文獻[5]提出基于改進多因素灰色模型的高耗能行業(yè)負荷預測方法；針對電網(wǎng)斷面調(diào)控策略，文獻[6]提出電網(wǎng)輸電斷面動態(tài)熱穩(wěn)定限值在線計算方法，文獻[7]針對考慮電網(wǎng)靜態(tài)安全的輸電線路動態(tài)增容系統(tǒng)進行了分析，文獻[8]提出一種特高壓交直流接入后電網(wǎng)斷面潮流綜合評價方法，文獻[9]針對考慮日內(nèi)來水不確定和電網(wǎng)斷面約束的梯級水電日前調(diào)度進行了分析，文獻[10]提出一種區(qū)域電網(wǎng)內(nèi)多輸電斷面有功協(xié)同控制策略在線生成方法?？梢?，目前高精度負荷預測主要是指短期負荷預測，已有利用深度融合等數(shù)據(jù)分析技術進行研究的內(nèi)容，而針對斷面調(diào)控策略，大多文獻主要研究斷面約束，具體的斷面調(diào)控策略與系統(tǒng)運行特性還需進一步分析。

因此，針對系統(tǒng)數(shù)據(jù)特點，分析基于循環(huán)神經(jīng)網(wǎng)絡的長短期記憶結(jié)構(gòu)，制定基于長短期記憶高精度預測流程；針對互聯(lián)系統(tǒng)聯(lián)絡線功率交換進行分析，提出智能斷面控制策略，建立考慮聯(lián)絡線功率的調(diào)度模型。

1 高精度負荷預測與電網(wǎng)智能斷面調(diào)控

電網(wǎng)斷面調(diào)控是對電力調(diào)度定義的斷面進行負荷、出力以及全網(wǎng)潮流控制的方法。由于斷面控制與電力系統(tǒng)潮流控制密切相關，而電力系統(tǒng)潮流對電力負荷進行預測需要通過潮流計算得到。因此，負荷預測的精度影響著潮流斷面的調(diào)控方式。

現(xiàn)階段，可再生能源以及隨機性負荷不斷接入電網(wǎng)，電網(wǎng)的負荷波動程度逐漸加大，并且隨著負荷的逐漸增長，負荷預測水平也亟需提高。在電網(wǎng)智能斷電調(diào)控方面，負荷預測與機組出力的安排計劃密切相關，電網(wǎng)智能斷面調(diào)控反映了電力系統(tǒng)斷面的穩(wěn)定程度以及潮流控制方法，因此，實現(xiàn)負荷高精度預測有助于提升電網(wǎng)調(diào)控的可靠性和智能化水平。在電力系統(tǒng)調(diào)度管理領域，斷面調(diào)控也是針對負荷預測以及機組出力安排條件下的優(yōu)化問題，輸入條件精度越高，優(yōu)化結(jié)果也會更佳。

2 負荷預測方法

2.1 基于循環(huán)神經(jīng)網(wǎng)絡的長短期記憶

循環(huán)神經(jīng)網(wǎng)絡(recurrent neural network，RNN)是一種特殊的神經(jīng)網(wǎng)絡，能夠與個體層之間的反饋結(jié)構(gòu)進行連接。循環(huán)神經(jīng)網(wǎng)絡能夠在序列中對所有的元素進行同樣操作，因此，能夠?qū)崿F(xiàn)與非循環(huán)神經(jīng)網(wǎng)絡之間的時間序列特征互補，從而不依賴于輸入數(shù)據(jù)之間的關系。

如圖1所示，A為RNN神經(jīng)元，xt為t時刻序列輸入，ht為神經(jīng)元輸出，同時也是t+1時刻的輸入。循環(huán)神經(jīng)網(wǎng)絡擁有記憶功能，是依靠前一神經(jīng)元的輸出確定的。利用循環(huán)函數(shù)f可以計算時間序列的輸出，表達式如下：

ht=f(ht-1,xt)

(1)

圖1 長短期記憶示意圖

循環(huán)神經(jīng)網(wǎng)絡存在梯度消失問題，即在后向傳播過程中，誤差逐漸變小，導致靠前的網(wǎng)絡層學習效率逐漸降低。因此，利用長短期記憶可以有效克服這一問題，將神經(jīng)元狀態(tài)引入循環(huán)神經(jīng)元。在長短期記憶中，需要加入神經(jīng)元狀態(tài)和三種門，如圖2所示。長短期記憶的輸出如式(2)～(7)所示。

ft=σ(Wf[ht-1,xt]+bf)

(2)

it=σ(Wi[ht-1,xt]+bi)

(3)

ot=σ(Wo[ht-1,xt]+bo)

(4)

(5)

(6)

ht=ot·tanhCt

(7)

圖2 循環(huán)神經(jīng)網(wǎng)絡示意圖

為實現(xiàn)電力負荷的高精度預測，利用所提方法預測需要識別影響負荷預測的主要因素,如氣象條件、社會政策等。這些因素與負荷統(tǒng)計具有非線性關系，因此很難全面考慮這些因素對負荷預測的影響。同時，負荷有著很強的時間特性，每日、每周、每月的特性可能出現(xiàn)差異，負荷預測應當反映這些特點，基于長短期記憶的神經(jīng)網(wǎng)絡預測方法能夠有效解決上述問題，反映負荷波動以及相應因素之間的影響結(jié)果。所提方法的輸出可以作為下一日的小時負荷輸入。

小時負荷有著明顯的周期性，這與用戶的用電行為習慣有關。一方面，所提方法需要利用歷史負荷作為輸入，以反映負荷的變動趨勢，在利用歷史數(shù)據(jù)之前，需要對負荷進行時間序列分析，從而預測負荷變動趨勢、負荷特性以及異常狀況；另一方面，溫度的變化對于用電負荷的特性也有明顯的影響，人類的活動與溫度的變化密切相關，因此電力負荷與溫度之間的關系也呈現(xiàn)明顯的周期變化特點。

2.2 高精度負荷預測方法

利用大數(shù)據(jù)預測方法，結(jié)合所提的深度神經(jīng)網(wǎng)絡，將數(shù)據(jù)分為訓練數(shù)據(jù)和測試數(shù)據(jù)。訓練數(shù)據(jù)用于神經(jīng)網(wǎng)絡訓練，測試數(shù)據(jù)則用于測試訓練結(jié)果，并實現(xiàn)預測日的負荷輸出?；A數(shù)據(jù)結(jié)構(gòu)對于訓練數(shù)據(jù)和測試數(shù)據(jù)來說是相似的。因此將神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)輸入作為目標值，所提方法使用負荷的具體特征進行輸入。神經(jīng)網(wǎng)絡需要利用相應的層次進行對比訓練。訓練數(shù)據(jù)和測試數(shù)據(jù)包括兩種輸入、歷史數(shù)據(jù)及預測數(shù)據(jù)。文中歷史數(shù)據(jù)意味著用于負荷預測的最新輸出數(shù)據(jù)，包括前一日數(shù)據(jù)、前一周數(shù)據(jù)、小時溫度、平均負荷等。預測數(shù)據(jù)主要是預測日的數(shù)據(jù)，包括時間、預測溫度、預測的平均負荷等。

選擇合適的神經(jīng)網(wǎng)絡從數(shù)據(jù)中抽取相應的特征，并對數(shù)據(jù)之間的關系進行學習。負荷預測流程。如圖3所示，長短期記憶用于從歷史數(shù)據(jù)中抽取特征，除了歷史數(shù)據(jù)，預測數(shù)據(jù)也需要引入神經(jīng)網(wǎng)絡。所提方法能夠有效利用大數(shù)據(jù)所提供的歷史數(shù)據(jù)以及預測信息，對預測負荷進行計算所有來自神經(jīng)網(wǎng)絡和全連接層的輸出。

歷史數(shù)據(jù)中，D為日數(shù)據(jù)，H為小時數(shù)據(jù)，T為溫度數(shù)據(jù)，L為負荷，AL為平均數(shù)據(jù)；預測數(shù)據(jù)中，PD為預測日數(shù)據(jù)，PH為預測時間數(shù)據(jù)，PT為預測溫度，F(xiàn)L為預測負荷。最終輸出層和目標值之間相差均方誤差，并需要將該誤差控制在指定范圍。

圖3 負荷預測流程

3 智能斷面控制方法

3.1 聯(lián)絡線功率

自動發(fā)電控制是聯(lián)絡系統(tǒng)間功率控制的重要過程，也是用于平衡系統(tǒng)之間有功出力、負荷以及網(wǎng)損的重要方法。自動發(fā)電控制能夠保證聯(lián)絡系統(tǒng)之間頻率的穩(wěn)定以及功率交換的穩(wěn)定，因此也被稱為聯(lián)絡線偏差控制。聯(lián)絡線功率交換示意圖如圖4所示。

圖4 聯(lián)絡線功率交換示意圖

自動發(fā)電控制利用比例積分控制，相應的自動發(fā)電控制參數(shù)是電力系統(tǒng)設計中的重要內(nèi)容。每一區(qū)域的自動發(fā)電控制需要將系統(tǒng)頻率保持在額定值。另外，區(qū)域1的自動發(fā)電控制能夠基于區(qū)域2的PMU(power management unit, 電源管理單元)量測信息對聯(lián)絡線功率進行調(diào)節(jié)[11]。理想狀態(tài)下，聯(lián)絡線的功率(areacontrol error, ACE)等于0。計算式如下。

ACE=ΔP1-2-λ·Δf

(9)

式中：Δf為頻率偏差；ΔP1-2為聯(lián)絡線功率偏差；λ為偏差因子。

某地區(qū)典型的功率偏差曲線如圖5所示。

圖5 頻率偏差曲線

自動發(fā)電控制能夠以每秒為間隔調(diào)整系統(tǒng)之間的機組處理，自動發(fā)電控制的響應時間之和與全系統(tǒng)相比大于該間隔。也就是說，在時間t時刻自動發(fā)電控制的輸入能夠在一個時間間隔之后提供相應的改變量。該時間延遲也就是自動發(fā)電控制的響應時間，聯(lián)絡線的參考功率會隨著區(qū)域內(nèi)機組的發(fā)電量進行動態(tài)調(diào)整，聯(lián)絡線功率不考慮這個時延。因此，聯(lián)絡線功率的偏差可以進行最小化優(yōu)化。

3.2 考慮聯(lián)絡線功率的調(diào)度控制模型

以系統(tǒng)發(fā)電機組成本最小為目標，建立相應斷面控制模型。

(9)

|dijsin[eij(Pij,min-Pij)]|

(10)

式中：aij,t，bij,t，cij,t為機組i的成本系數(shù)；dij，eij為區(qū)域j火力機組i的燃料消耗系數(shù)；Pij,t為區(qū)域j機組i在t時刻的出力；f為目標函數(shù)；F為成本函數(shù)。

1)機組出力限值

Pij,min≤Pij,t≤Pij,max

(11)

式中：Pij,min和Pij,max分別為區(qū)域j機組i有功出力下限和上限。

2)聯(lián)絡線功率限值

PTjk,min≤PTjk,t≤PTjk,max

(12)

式中：PTjk,t為區(qū)域j和k的聯(lián)絡線功率；PTjk,min和PTjk,max為傳輸功率下限和上限。

3)區(qū)域功率平衡約束

(13)

式中：PL為傳輸網(wǎng)損；PDj為區(qū)域j的負荷需求。

4)網(wǎng)損約束

(14)

式中：Bij、B0j、B00為輸電線路網(wǎng)損系數(shù)。

3.3 斷面控制方法

由上述內(nèi)容可知，ACE是反映電網(wǎng)負荷與發(fā)電之間偏差的指標。ACE等于0是電網(wǎng)理想狀態(tài)，表明發(fā)電與負荷平衡；當ACE為正數(shù)時，表明發(fā)電過多，此時需下調(diào)發(fā)電出力；當ACE為負數(shù)時，表明負荷增大，此時需上調(diào)發(fā)電出力。

而在對聯(lián)絡線偏差進行調(diào)節(jié)時，必然會對機組、負荷相關的斷面有功產(chǎn)生影響，為了保證各網(wǎng)架斷面在安全限值內(nèi)運行，因此，在進行聯(lián)絡線調(diào)節(jié)時需兼顧斷面的安全，當斷面越限時，斷面下關聯(lián)的機組將優(yōu)先對斷面進行調(diào)節(jié)，保障斷面的安全運行。

智能斷面調(diào)控是在聯(lián)絡線功率控制基礎上，將斷面的越限情況作為功率分配的參考，實現(xiàn)剩余調(diào)節(jié)功率?？刂七^程中，根據(jù)斷面有功和設定的斷面限值將斷面分為正常區(qū)、幫助區(qū)、緊急區(qū)和越限區(qū)。斷面在正常區(qū)時，機組跟蹤ACE進行調(diào)節(jié)，不受斷面影響。而在越限區(qū)，需要計算斷面越限調(diào)節(jié)量，將斷面下可參與調(diào)節(jié)的機組按負荷率進行排序，如果斷面越正向限值，排序靠前的機組依次下調(diào)一個步長，直到斷面有功恢復到限值內(nèi)；如果斷面越反向限值，排序靠后的機組依次上調(diào)一個步長，直到斷面有功恢復到限值內(nèi)。

斷面既包括電網(wǎng)實際斷面，也包括調(diào)度定義的虛擬斷面，如全網(wǎng)機組總出力、各區(qū)域總出力等。在進行斷面控制時，需要先計算出控制斷面的控制偏差，該控制偏差為斷面輸出潮流限值與斷面實際潮流值，并留有一定的穩(wěn)定裕度。

聯(lián)絡線控制功能模塊自動將斷面控制偏差按照給定的機組功率分配策略分配給各個參與調(diào)整的區(qū)域，參與斷面控制分配得到的分配量對參與調(diào)整區(qū)域電量按原計劃進行修正得到控制目標后，再將其發(fā)送至各個子系統(tǒng)。

斷面調(diào)節(jié)功率分配算法流程如圖6所示。各層次的斷面的優(yōu)化搜索過程類似，因此采用遞歸算法將復雜的多級優(yōu)化問題層層轉(zhuǎn)化為一個與原問題相似的規(guī)模較小的問題來求解。

圖6 斷面控制流程圖

4 算例分析

4.1 負荷預測

為說明所提方法的有效性，將所提長短期記憶預測方法與短期負荷預測方法進行對比。將某地區(qū)3日24 h負荷作為歷史數(shù)據(jù)進行輸入。

定義負荷預測誤差[12]如下式：

(15)

式中：Lm,t為時間t的負荷量測值；Lf,t為時間t的負荷預測值；n為時間步長。

日內(nèi)平均負荷誤差結(jié)果見表1。與短期負荷預測方法相比，所提方法的誤差更??；短期負荷預測中，后兩日的負荷是根據(jù)之前三日的負荷進行預測的，因此傳統(tǒng)短期預測方法不能反映相鄰日之間負荷的相關性；而所提方法利用相鄰日的數(shù)據(jù)進行輸入，彌補了傳統(tǒng)方法的不足。

4.2 聯(lián)絡線功率控制

采用兩區(qū)域6機進行仿真，考慮含有聯(lián)絡線控制和不含聯(lián)絡線控制兩種情況進行分析。含有聯(lián)絡線控制的功率求解結(jié)果見表2。

表1 日內(nèi)平均負荷誤差結(jié)果

表2 考慮聯(lián)絡線功率求解結(jié)果

采用同樣的方法，對不含有聯(lián)絡線控制約束的模型進行仿真分析，功率求解結(jié)果見表3。

表3 不考慮聯(lián)絡線功率求解結(jié)果

可以看出，對于含有聯(lián)絡線功率控制的模型，機組的出力更加保守、成本更低，考慮到聯(lián)絡線功率之間的交換，雖然存在一定誤差，但可以實現(xiàn)不同區(qū)域之間機組功率的協(xié)調(diào)匹配;而沒有含聯(lián)絡線功率控制的模型求解，功率結(jié)果偏大，成本也較高。

5 結(jié) 語

利用所提方法進行負荷預測與電網(wǎng)智能斷面調(diào)控仿真，通過仿真試驗得到如下結(jié)論。

1)長短期記憶負荷預測能夠有效利用數(shù)據(jù)的歷史，反映歷史數(shù)據(jù)與預測數(shù)據(jù)之間的相關性，彌補了傳統(tǒng)方法的不足，預測精度更高；

2)聯(lián)絡線斷面預測模型利用機組最優(yōu)控制策略，能夠確定機組出力、聯(lián)絡線功率，實現(xiàn)機組出力和區(qū)域控制偏差的最優(yōu)結(jié)果，有效控制了系統(tǒng)成本。