郭威,張凱,魏新杰,張華銘
(1.國網(wǎng)河北省電力有限公司營銷服務(wù)中心,石家莊 050000; 2.國網(wǎng)河北省電力有限公司,石家莊 050000;3. 北京清軟創(chuàng)新科技股份有限公司,北京100080)
隨著我國經(jīng)濟(jì)發(fā)展方式轉(zhuǎn)變、能源結(jié)構(gòu)優(yōu)化升級(jí)、電力體制改革逐步深入以及“雙碳”行動(dòng)的積極推進(jìn),這對(duì)新型電力系統(tǒng)提出了更高的要求。依據(jù)“十四五”能源轉(zhuǎn)型發(fā)展的遠(yuǎn)景規(guī)劃,對(duì)于傳統(tǒng)配電網(wǎng)應(yīng)向安全可靠、綠色智能、友好互動(dòng)、經(jīng)濟(jì)高效的智慧配電網(wǎng)轉(zhuǎn)變[1]。近年來,在碳中和背景下,可再生能源得到快速的發(fā)展,分布式電源滲透率和電能占終端能源消費(fèi)的比重不斷提高,這對(duì)配電網(wǎng)的綜合承載能力提出了巨大的挑戰(zhàn),使其具有清潔能源足額消納和多元負(fù)荷靈活接入的能力[2]。配電網(wǎng)負(fù)荷預(yù)測(cè)是電網(wǎng)規(guī)劃的重要環(huán)節(jié),也是配電網(wǎng)調(diào)度的前提,對(duì)配電網(wǎng)運(yùn)行的可靠和安全運(yùn)行有著重大的影響。由于目前的配電網(wǎng)分布較廣,網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜多變,不確定性較強(qiáng),與此同時(shí),高滲透率分布式光伏接入配電網(wǎng),給配電網(wǎng)凈功率預(yù)測(cè)帶來了一定的困難[3]。光伏出力易受外界環(huán)境因素的影響,尤其是光照條件對(duì)其影響最為顯著,造成了光伏出力波動(dòng)性增強(qiáng),進(jìn)一步增加了配電網(wǎng)凈功率預(yù)測(cè)的難度[4-5]。
目前,國內(nèi)外學(xué)者在配電網(wǎng)負(fù)荷預(yù)測(cè)和光伏出力預(yù)測(cè)領(lǐng)域已經(jīng)做了大量的研究,眾多預(yù)測(cè)方法主要分為傳統(tǒng)方法、智能方法以及組合方法。統(tǒng)計(jì)法[6]、時(shí)間序列法[7]以及回歸分析法[8]是較為傳統(tǒng)的方法;隨機(jī)森林[9]、支持向量機(jī)(SVM)[10-11]、人工神經(jīng)網(wǎng)絡(luò)[12-14]等是比較新穎的智能方法,在負(fù)荷預(yù)測(cè)領(lǐng)域被廣泛應(yīng)用;而組合方法[15-17]主要是由兩種算法相結(jié)合進(jìn)行預(yù)測(cè),兩種算法的組合在一定程度上會(huì)彌補(bǔ)了單一算法在負(fù)荷預(yù)測(cè)方面的缺陷。文獻(xiàn)[7]基于多變量時(shí)間序列相空間重構(gòu)的負(fù)荷預(yù)測(cè)方法,文章根據(jù)相點(diǎn)間的歐氏距離和關(guān)聯(lián)度,提出了最優(yōu)近鄰預(yù)測(cè)法,通過確定的最近鄰點(diǎn)建立多變量序列一階局域預(yù)測(cè)模型;文獻(xiàn)[11]提出螢火蟲算法優(yōu)化的SVM光伏出力預(yù)測(cè)算法,首先通過經(jīng)驗(yàn)?zāi)B(tài)分解法對(duì)光伏出力時(shí)間序列進(jìn)行分解和重構(gòu),通過多個(gè)分量的SVM預(yù)測(cè)模型的疊加來實(shí)現(xiàn)光伏出力預(yù)測(cè)。文獻(xiàn)[18]提出了一種基于負(fù)荷預(yù)測(cè)誤差特性的統(tǒng)計(jì)分析的概率預(yù)測(cè)方法預(yù)測(cè)的方法;文獻(xiàn)[19]針對(duì)配電網(wǎng)負(fù)荷預(yù)測(cè)波動(dòng)性和隨機(jī)性的特點(diǎn),提出了K-means聚類和小波支持向量機(jī)相結(jié)合的配電網(wǎng)短期負(fù)荷預(yù)測(cè)。文獻(xiàn)[20]提出了一種模糊C均值樣本加權(quán)卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)光伏出力預(yù)測(cè),文章首先基于模糊C均值聚類將歷史數(shù)據(jù)細(xì)分為不同天氣類別,通過隸屬度矩陣對(duì)訓(xùn)練樣本進(jìn)行加權(quán),最后利用加權(quán)后的訓(xùn)練數(shù)據(jù)構(gòu)造FCM-WS-CNN模型。文獻(xiàn)[21]提出了基于貝葉斯概率的光伏出力組合預(yù)測(cè)方法,該方法具有較好的普適性和較高的預(yù)測(cè)精度。
目前,對(duì)于大規(guī)模新能源接入的配電網(wǎng)凈功率預(yù)測(cè)的研究較少。現(xiàn)有配電網(wǎng)凈功率預(yù)測(cè)方法中,多數(shù)都是負(fù)荷與新能源出力預(yù)測(cè)結(jié)果的簡單相減,且預(yù)測(cè)誤差較大。因此為了提高分布式光伏接入的新型配電網(wǎng)凈功率預(yù)測(cè)精度,文中提出了基于Attention機(jī)制的雙向GRU配電網(wǎng)凈功率預(yù)測(cè)方法。將Attention機(jī)制引入到雙向GRU神經(jīng)網(wǎng)絡(luò)中,增強(qiáng)了雙向GRU神經(jīng)網(wǎng)絡(luò)模型對(duì)凈負(fù)荷預(yù)測(cè)輸入特征的學(xué)習(xí)能力,能夠大大提高模型的泛化能力和預(yù)測(cè)精度。通過我國北方某地區(qū)的配電網(wǎng)用戶側(cè)負(fù)荷數(shù)據(jù)、大規(guī)模分布式光伏接入的出力數(shù)據(jù)以及天氣數(shù)據(jù)進(jìn)行算例分析,從而驗(yàn)證預(yù)測(cè)方法的有效性和可行性。
配電凈功率是用戶側(cè)負(fù)荷與光伏出力的差值,因此用戶側(cè)負(fù)荷與光伏出力的特性會(huì)直接影響到凈負(fù)荷的變化規(guī)律特性。在對(duì)凈功率進(jìn)行預(yù)測(cè)之前,需充分掌握凈功率的影響因素。分別從用負(fù)荷側(cè)和光伏出力側(cè)來分析其對(duì)凈功率所產(chǎn)生的直接或者間接的影響。
光伏的出力情況不僅與自身的設(shè)備固有參數(shù)有關(guān),同時(shí)還與外界環(huán)境因素有關(guān)。如光照強(qiáng)度、溫度、濕度、光照條件等,這些影響因素造成了光伏出力較強(qiáng)的隨機(jī)性和不確定性。在眾多外界環(huán)境影響因素中,光照強(qiáng)度、光照條件是影響光伏出力的直接因素,并且起到?jīng)Q定性的作用。光照條件主要取決于天氣類型,不同的天氣類型下,光伏電源接收到的太陽光輻射強(qiáng)度和光照時(shí)間有著顯著的差異。因此對(duì)光伏出力特性及影響因素的準(zhǔn)確把握能夠有效提升配電網(wǎng)凈功率預(yù)測(cè)精度。
圖1為5種不同天氣條件下光伏出力特性曲線。從圖1可以看出,光伏電源出力的主要時(shí)段集中在07∶00-18∶00,最大出力出現(xiàn)在正午時(shí)分。隨著一天光照強(qiáng)度的變化而變化,因此光伏出力與光照強(qiáng)度具有高度相關(guān)性。晴天太陽光照充足,光伏出力較好,而在陰雨天,光伏電站太陽能發(fā)電板得不到有利的光照條件,光伏出力較差。因此不同光照條件會(huì)直接影響到光伏的出力情況。
圖1 天氣類型對(duì)光伏出力的影響
通常情況下,配電網(wǎng)用戶側(cè)負(fù)荷表現(xiàn)出一定的規(guī)律性,包括周期性、季節(jié)性以及趨勢(shì)性。周期性表現(xiàn)在用電負(fù)荷變化呈現(xiàn)周期特性,在工作日負(fù)荷曲線變化規(guī)律大致相同,休息日的負(fù)荷曲線變化規(guī)律大致相同,呈現(xiàn)交替變化形態(tài)。季節(jié)性表現(xiàn)在用電負(fù)荷隨著季節(jié)的變化呈現(xiàn)不同的形態(tài),比如夏季溫度高,用戶用冷增加,導(dǎo)致用電負(fù)荷的急劇上升,冬季溫度低,用戶用熱增加,熱能供應(yīng)重要來源于供熱系統(tǒng),因此用戶用電有所下降。趨勢(shì)性表現(xiàn)在隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展,用電負(fù)荷出現(xiàn)逐年增長的態(tài)勢(shì)。圖2為配電網(wǎng)典型工作日和節(jié)假日負(fù)荷特性曲線圖,從圖2可以看出,工作日和節(jié)假日的負(fù)荷曲線呈現(xiàn)不同的變化規(guī)律。
圖2 配電網(wǎng)用戶側(cè)日負(fù)荷特性曲線
1.3.1 配電網(wǎng)凈功率
配電網(wǎng)凈功率是指用戶側(cè)用電負(fù)荷與分布式能源出力之間的差值,即電力系統(tǒng)主網(wǎng)對(duì)配電網(wǎng)提供的負(fù)荷。分布式光伏接入下的配電網(wǎng)凈功率表達(dá)式見式(1):
PN=P-PS
(1)
式中PN表示配電網(wǎng)凈功率;P表示用戶側(cè)負(fù)荷;PS表示分布式光伏出力。
1.3.2 分布式光伏接入對(duì)配電網(wǎng)凈功率的影響
圖3為一周內(nèi)配電網(wǎng)各類負(fù)荷曲線,采用雙y軸坐標(biāo)分別繪制負(fù)荷和光伏出力曲線,用戶側(cè)負(fù)荷和凈功率使用左側(cè)縱坐標(biāo)軸,光伏出力使用右側(cè)縱坐標(biāo)軸。從圖3中看出,配電網(wǎng)接入分布式光伏電站,其凈功率在07∶00-18∶00時(shí)段要顯著低于用戶負(fù)荷,這意味著在該時(shí)段電網(wǎng)向該配網(wǎng)用戶提供的能量小于用戶需要的消耗的能量,剩余部分由分布式電源提供。
圖3 分布式光伏接入的配電網(wǎng)凈功率曲線
配電網(wǎng)凈功率是用戶側(cè)負(fù)荷與分布式電源有功功率的差值。因此配電網(wǎng)凈功率不僅會(huì)受到用戶側(cè)負(fù)荷變動(dòng)的影響,也會(huì)受到分布式光伏出力的影響。具體來說,用戶側(cè)負(fù)荷變化會(huì)受到用戶用電行為、天氣因素以及節(jié)假日類型等因素的影響,光伏出力會(huì)受到自身設(shè)備參數(shù)、光照強(qiáng)度、天氣因素等因素的影響,因此影響用戶側(cè)負(fù)荷變化以及光伏出力的相關(guān)因素同樣會(huì)影響到配電網(wǎng)凈功率變化。在對(duì)配電網(wǎng)凈功率進(jìn)行預(yù)測(cè)時(shí)要考慮更多的影響因素。
門控循環(huán)單元(Gate Recurrent Unit,GRU)是一種時(shí)間序列模型,可以提取時(shí)序特征。相比于循環(huán)神經(jīng)網(wǎng)絡(luò)(Rerrent Neural Network, RNN),GRU能夠解決長期記憶和反向傳播過程中梯度消失的問題[22]。與長短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short-term Memory, LSTM)不同的是,GRU只有更新門和重置門兩種門結(jié)構(gòu)。更新門用于控制前一時(shí)刻的狀態(tài)信息被帶入當(dāng)前狀態(tài)中的程度,有助于捕捉時(shí)間序列里長期依賴關(guān)系;重置門用于控制忽略前一時(shí)刻的狀態(tài)信息的程度,有助于捕捉時(shí)間序列里短期的依賴關(guān)系。GRU模型的單元結(jié)構(gòu)如圖4所示。
圖4 GRU模型的單元結(jié)構(gòu)圖
其表達(dá)式為:
Rt=σ(XtWxr+Ht-1Whr+br)
(2)
Zt=σ(XtWxz+Ht-1Whz+bz)
(3)
(4)
(5)
單向GRU神經(jīng)網(wǎng)絡(luò)的狀態(tài)傳輸只是簡單的單向傳遞,且GRU具有遺忘性,容易丟失重要的時(shí)序特征信息,因此文中 使用雙向GRU結(jié)構(gòu),基于時(shí)序數(shù)據(jù)同時(shí)訓(xùn)練兩個(gè)GRU神經(jīng)網(wǎng)絡(luò)模型,一個(gè)采用前向?qū)W習(xí),一個(gè)采用反向?qū)W習(xí),將前向和反向的最后一個(gè)狀態(tài)對(duì)應(yīng)向量連接得到最后結(jié)果輸出。雙向GRU模型能夠同時(shí)學(xué)習(xí)到過去和未來的信息,具有良好的特征提取能力,在功率預(yù)測(cè)方面取得了較好的效果,圖5為雙向GRU單元連接方式圖。
圖5 雙向GRU單元連接方式
注意力機(jī)制(Attention Mechanism)是一種基于人類的視覺注意力提出的機(jī)制,被廣泛應(yīng)用于自然語言處理、計(jì)算機(jī)視覺以及時(shí)序預(yù)測(cè)等領(lǐng)域[23]。對(duì)于給定的目標(biāo),通過生成一個(gè)權(quán)重系數(shù)對(duì)輸入進(jìn)行加權(quán)求和,給予強(qiáng)特征較大的權(quán)重,給予弱特征較小的權(quán)重,從而使得模型具有更好的學(xué)習(xí)效率,有助于對(duì)負(fù)荷進(jìn)行精準(zhǔn)的預(yù)測(cè)。
在雙向GRU神經(jīng)網(wǎng)絡(luò)中加入注意力機(jī)制,給予凈功率預(yù)測(cè)輸入特征不同的關(guān)注度,使得模型能夠?qū)W習(xí)到更好的特征表示,提高負(fù)荷預(yù)測(cè)精確度,降低模型陷入過擬合的風(fēng)險(xiǎn)。注意力機(jī)制實(shí)現(xiàn)步驟如下:
(1)對(duì)于長度為T的輸入序列x1,x2,…,xT,計(jì)算歷史輸入的隱藏狀態(tài)對(duì)于當(dāng)前輸入狀態(tài)的注意力權(quán)重βti,其公式為:
(6)
sti=vtanh(WHt-1+UHi+b)
(7)
式中sti為t時(shí)刻隱藏層狀態(tài)Hi的能量值;v為輸入的值;W、U為權(quán)重系數(shù)矩陣;b為偏置項(xiàng);
(2)將βti與輸入序列歷史節(jié)點(diǎn)的隱藏層狀態(tài)Hi相乘并累加求和,得到特征向量Ct,其表達(dá)式為:
(8)
(3)輸出末節(jié)點(diǎn)的狀態(tài)值Ht,表示為:
Ht=f(Ct,Ht-1,yt-1)
(9)
文中結(jié)合注意力機(jī)制提出了雙向GRU神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)凈功率預(yù)測(cè)模型。在Attention-雙向GRU模型中,其輸入數(shù)據(jù)特征由歷史凈功率數(shù)據(jù),節(jié)假日類型、天氣類型以及溫度、濕度等氣象因素組成,輸入數(shù)據(jù)特征經(jīng)過雙向GRU網(wǎng)絡(luò)層進(jìn)行時(shí)序特征提取,將雙向GRU末節(jié)點(diǎn)狀態(tài)對(duì)應(yīng)的向量連接進(jìn)行輸出,然后通過注意力機(jī)制對(duì)輸入特征進(jìn)行選擇性的淘汰,給予強(qiáng)特征較大權(quán)重,弱特征較小特征,從而識(shí)別出哪些輸入特征對(duì)目標(biāo)是重要的,哪些輸入特征是不重要的,使得模型在學(xué)習(xí)過程中給予特征不同的關(guān)注度,模型的表示能力更強(qiáng),最后通過全連接層輸出凈功率預(yù)測(cè)結(jié)果。模型的輸出為未來1 h的凈功率預(yù)測(cè)值。圖6為融入Attention機(jī)制的雙向GRU配電網(wǎng)凈功率預(yù)測(cè)模型結(jié)構(gòu)圖。
圖6 融入Attention機(jī)制的雙向GRU配電網(wǎng)凈功率預(yù)測(cè)模型結(jié)構(gòu)圖
文中的算例數(shù)據(jù)來自中國北方某城市配電網(wǎng)采集數(shù)據(jù),該地區(qū)的配電網(wǎng)接入了大規(guī)模分布式光伏。該數(shù)據(jù)集包括該地區(qū)2021年12個(gè)月的配電網(wǎng)負(fù)荷數(shù)據(jù),光伏電站的出力數(shù)據(jù)以及氣象數(shù)據(jù),采集頻率為1 h,一天采集24個(gè)樣本數(shù)據(jù),一年共8 784個(gè)樣本數(shù)據(jù)。對(duì)采集的樣本數(shù)據(jù)進(jìn)行預(yù)處理,然后根據(jù)用戶側(cè)負(fù)荷特性、光伏出力特性以及二者各自的影響因素分析來構(gòu)建模型輸入特征集。在進(jìn)行預(yù)測(cè)之前對(duì)輸入特征數(shù)據(jù)集按照7∶3的比例劃分為訓(xùn)練集和測(cè)試集。訓(xùn)練集用于預(yù)測(cè)模型的訓(xùn)練過程,測(cè)試集用于檢驗(yàn)訓(xùn)練模型的預(yù)測(cè)效果。
3.1.1 異常與缺失值處理
從配電網(wǎng)采集的負(fù)荷數(shù)據(jù)以及接入配電網(wǎng)的光伏出力數(shù)據(jù)難免會(huì)出現(xiàn)數(shù)據(jù)不完整或者存在壞數(shù)據(jù)的情況,造成這種情況發(fā)生的主要原因是采集設(shè)備發(fā)生停電、故障或者數(shù)據(jù)在存儲(chǔ)過程中出現(xiàn)丟失等。然而數(shù)據(jù)質(zhì)量的好壞會(huì)嚴(yán)重影響到后續(xù)的數(shù)據(jù)挖掘工作,因此在對(duì)數(shù)據(jù)進(jìn)行深度探索之前,需要對(duì)其進(jìn)行相應(yīng)的預(yù)處理。通常情況下,原始采集數(shù)據(jù)中一般會(huì)存在異常值和缺失值,異常值是指數(shù)據(jù)在某些點(diǎn)處出現(xiàn)極端值的情況,即離群點(diǎn);缺失值是指數(shù)據(jù)在某些點(diǎn)處出現(xiàn)空值得情況。異常值的存在會(huì)導(dǎo)致數(shù)據(jù)的內(nèi)在特征值發(fā)生畸變,不利于數(shù)據(jù)內(nèi)部特征的挖掘;缺失值的存在會(huì)導(dǎo)致數(shù)據(jù)內(nèi)部信息的丟失,數(shù)據(jù)變得不完整。
針對(duì)原始采集數(shù)據(jù)中存在的異常值和缺失值,需采取一定的方法進(jìn)行預(yù)處理。文中首先采用孤立森林進(jìn)行異常值檢測(cè)[24],然后將缺失值和檢測(cè)出的異常值一起采用拉格朗日插補(bǔ)法對(duì)其進(jìn)行修正[25]。
3.1.2 數(shù)據(jù)歸一化與獨(dú)熱編碼
數(shù)據(jù)歸一化是將數(shù)據(jù)的每一維度特征值映射到[0,1]或者[-1,1]之間,進(jìn)過轉(zhuǎn)化的數(shù)據(jù)只是消除量綱之間的影響,并沒有改變特征的內(nèi)部規(guī)律。歸一化處理的數(shù)據(jù)可以加快模型的訓(xùn)練速度,同時(shí)也能夠簡化模型內(nèi)部的計(jì)算過程。文中采用最大-最小歸一化方法,使原始時(shí)間序列數(shù)據(jù)映射到[0,1]之間,具體轉(zhuǎn)換公式如下:
(10)
對(duì)于節(jié)假日類型、天氣類型等離散特征需進(jìn)行特殊處理,文中采用獨(dú)熱編碼來處理離散特征數(shù)據(jù)。例如,節(jié)假日類型分為工作日和節(jié)假日,用2位二進(jìn)制編碼進(jìn)行處理,分別為工作日01、節(jié)假日10。天氣類型大致可以分為晴、陰、多云、霧天、雨、雪五種類型,用6位二進(jìn)制編碼進(jìn)行處理,分別為晴天000001、陰天000010、多云000100、霧天001000、雨天010000、下雪天100000。
配電網(wǎng)凈功率不僅與用戶側(cè)負(fù)荷、光伏出力有較大的關(guān)聯(lián)性,同時(shí)受到環(huán)境溫度、光照強(qiáng)度、濕度、天氣類型等氣象因素的影響,因此在構(gòu)建模型輸入特征時(shí),要充分考慮相關(guān)因素對(duì)配電網(wǎng)凈功率的影響。首先,用戶側(cè)負(fù)荷減去光伏出力得到配網(wǎng)凈功率值,然后取預(yù)測(cè)時(shí)刻前48 h的凈功率作為輸入特征,考慮溫度、濕度、光照強(qiáng)度等對(duì)配電網(wǎng)凈功率的間接性影響,分別取預(yù)測(cè)時(shí)刻前24 h的歷史數(shù)據(jù)也作為輸入特征,同時(shí)將預(yù)測(cè)時(shí)刻的日期類型及天氣類型也作為輸入特征。通過輸入特征構(gòu)建,模型能夠高效地學(xué)習(xí)到輸入到輸出的映射關(guān)系,同時(shí)對(duì)凈功率未來的變化規(guī)律有更好的把握。表1為配電網(wǎng)凈功率預(yù)測(cè)模型的輸入特征。
表1 配電網(wǎng)凈功率預(yù)測(cè)模型的輸入特征
目前,點(diǎn)預(yù)測(cè)的評(píng)價(jià)指標(biāo)較多,應(yīng)用較為廣泛的主要有均方誤差(MSE)、均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)、平均絕對(duì)百分比誤差(MAPE)等。文章主要選取RMSE和MAPE這種評(píng)價(jià)指標(biāo),來評(píng)估配電網(wǎng)負(fù)荷預(yù)測(cè)和光伏出力預(yù)測(cè)的效果。式(11)、式(12)分別為RMSE和MAPE指標(biāo):
(11)
(12)
如圖7為基于Attention-雙向GRU凈功率預(yù)測(cè)模型框架圖,原始采集數(shù)據(jù)經(jīng)過預(yù)處理操作之后,構(gòu)建神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入特征,然后將輸入數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試,訓(xùn)練集用來訓(xùn)練和調(diào)試模型,測(cè)試集用來評(píng)估已經(jīng)訓(xùn)練好的模型。訓(xùn)練和評(píng)估之后保存模型,用于在線預(yù)測(cè)時(shí)調(diào)用模型。Attention-雙向GRU凈功率預(yù)測(cè)模型在訓(xùn)練時(shí),需要設(shè)置合理有效的模型超參數(shù),將模型訓(xùn)練迭代次數(shù)epochs,批量處理大小batch_size、GRU網(wǎng)絡(luò)層神經(jīng)元個(gè)數(shù)N、GRU隱含層的個(gè)數(shù)n_layers分別設(shè)置為200、64、1、40。模型的優(yōu)化算法選擇Adam算法,激活函數(shù)選擇Relu函數(shù)。
圖7 基于Attention-雙向GRU配電網(wǎng)凈功率預(yù)測(cè)模型框架圖
文中只考慮分布式光伏接入配電網(wǎng)的情況,其配電網(wǎng)凈功率為用戶側(cè)負(fù)荷與光伏出力的差值,為了驗(yàn)證文中提出的凈負(fù)荷預(yù)測(cè)方法的有效性和優(yōu)越性,分別采用長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)、支持向量機(jī)(SVM)兩種預(yù)測(cè)模型與Attention-雙向GRU預(yù)測(cè)模型進(jìn)行對(duì)比分析。表2分別從RMSE和MAPE兩種評(píng)價(jià)指標(biāo)來分析三種模型在測(cè)試集上的表現(xiàn)。其中,Attention-雙向GRU配電網(wǎng)凈功率預(yù)測(cè)方法的RMSE和MAPE都低于另外兩種預(yù)測(cè)方法,該方法將Attention機(jī)制融入到雙向GRU神經(jīng)網(wǎng)絡(luò)中,大大提升了模型對(duì)輸入數(shù)據(jù)的特征的學(xué)習(xí)能力,提取貢獻(xiàn)度較高的特征,并對(duì)特征給予不同的關(guān)注度,使得模型能夠?qū)W習(xí)到更加有用的特征信息。
表2 三種模型凈功率預(yù)測(cè)精度對(duì)比
圖8為Attention-雙向GRU模型與另外兩種模型的配電網(wǎng)負(fù)荷預(yù)測(cè)效果圖,從圖8中可以看出Attention-雙向GRU模型在配電網(wǎng)凈功率預(yù)測(cè)效果上要優(yōu)于另外兩種預(yù)測(cè)模型,且凈功率預(yù)測(cè)值更接近于實(shí)際凈功率值。
圖8 三種模型凈功率預(yù)測(cè)效果對(duì)比圖
文章提出了一種基于Attention機(jī)制的雙向GRU神經(jīng)網(wǎng)絡(luò)新型配電網(wǎng)凈功率預(yù)測(cè)方法。首先通過分析用戶側(cè)負(fù)荷、光伏出力特性以及相關(guān)影響因素進(jìn)行輸入特征構(gòu)建,豐富的特征信息有利于減少模型預(yù)測(cè)誤差。其次結(jié)合Attention機(jī)制構(gòu)建雙向GRU神經(jīng)網(wǎng)絡(luò)凈功率預(yù)測(cè)模型,采用Attention機(jī)制給予了輸入特征不同關(guān)注度,大大提升了雙向GRU神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的表示能力。最后通過算例分析來驗(yàn)證所提凈功率預(yù)測(cè)方法的可行性和有效性,并與其他模型進(jìn)行對(duì)比分析,得出文章所提方法具有較高的預(yù)測(cè)精度,預(yù)測(cè)效果優(yōu)于對(duì)比模型。