考慮多能互動的農村區(qū)域電網負荷預測方法

韓璟琳，胡 平，韓天華，王 聰，趙 輝

（1.國網河北省電力有限公司經濟技術研究院，石家莊 050000；2.國網河北省電力有限公司，石家莊 050000；3.國網河北省電力有限公司邢臺供電分公司，邢臺 054000；4.國網河北省電力有限公司石家莊供電分公司，石家莊 050000）

為深化大氣污染防治，北方廣大農村地區(qū)積極開展煤改電業(yè)務，推動清潔能源在終端消費中的占比。“煤改電”工程的推進，使電力需求激增，電網運行峰谷差增大，電網運行面臨穩(wěn)定性、經濟性等挑戰(zhàn)[1?2]。尤其是農村地區(qū)配電網處于配電網末端，網架結構薄弱，經常存在波動的季節(jié)性負荷進而影響安全供電[3]。

在含可再生能源的農村電網中存在電、熱和氣等多種負荷，形成綜合能源系統。面對海量的數據信息，國內外對如何實現準確、可靠的負荷預測開展了大量研究。常用的負荷預測方法可分為傳統方法和人工智能方法兩類。傳統方法包括線性回歸、指數平滑、自回歸積分滑動平均ARIMA（autore?gressive integrated moving average）等；人工智能方法包括支持向量機和人工神經網絡等。近年來，越來越多的智能算法被應用于處理負荷預測的非線性問題。結合冷、熱、電負荷的歷史時間序列，文獻[4]運用自適應線性時間序列模型預測單戶住宅短期熱負荷；文獻[5]采用非線性自回歸模型預測某大型社區(qū)的冷、熱、電負荷；文獻[6]構建了一個由多層受限玻爾茲曼機組成的改進深度信念網絡模型，用于電力負荷預測；文獻[7?8]在熱、冷負荷預測方面，利用長短期記憶LSTM（long short?term memory）網絡來預測周期性冷負荷消耗；文獻[9]分別通過徑向基函數神經網絡和LSTM 構建了冷?熱?電負荷預測模型，利用Pearson 相關系數分析不同類型能源系統之間的耦合關系；文獻[10]在改進LSTM預測模型中加入注意力機制，建立了電?熱?冷?氣聯合負荷預測模型。

綜上所述，冷、熱、電負荷時間序列是典型的混沌時間序列，呈現出復雜性、不確定性、非線性等特點。已有成果較少考慮多能源負荷預測模型來充分挖掘各種能源系統之間耦合關系。而利用多元負荷間的耦合特性，結合先進深度學習網絡和多任務學習MTL（multi?task learning）策略是實現多元負荷準確預測的關鍵。因此，復雜的耦合關系給負荷預測的準確性和可靠性提出了更高的要求。綜合考慮農村場景負荷需求響應的協同電網負荷預測研究并不多見。

本文在已有研究的基礎上，綜合考慮農村區(qū)域電網中多能負荷之間的橫向和縱向信息交互特性，提出一種基于LSTM考慮多能互動的農村區(qū)域電網負荷預測方法。并行LSTM技術可實現多能源?負荷信息交互的短期負荷預測。采用多能負荷的橫向和縱向“信息交互”模式，從信息交互的角度建立并行LSTM的MTL模型，實現農村地區(qū)電網的負荷預測。

1 農村區(qū)域多能耦合分析

（1）電網能量流模型采用直流潮流模型，具有Ne個節(jié)點和Be條支路的矩陣形式的電網能量流模型可以表示為

式中：φ為Ne維節(jié)點電壓相角列向量；Ye為Ne階節(jié)點電納矩陣；Re為Ne維單位行向量；⊙表示矩陣對應位置元素相乘；diag（）括號中為列向量時表示以該向量元素為對角元素的對角矩陣[11]，當括號內為矩陣時表示該矩陣的對角元素組成的列向量。

（2）熱網能量流模型采用統一能路理論的水路和熱路模型，具有Nh個節(jié)點和Bh條支路的矩陣形式的熱網能量流模型可以表示為

式中：ph為Nh維節(jié)點壓力列向量；Yh為Nh階水力節(jié)點導納矩陣；Cp為水的比熱容；Τs、Τinj分別為Nh維節(jié)點供熱、回熱溫度向量；Ehb為Nh階支路水壓源參數矩陣；Ah為Nh維單位行向量。

（3）氣網能量流模型采用統一能路理論的氣路模型，具有Ng個節(jié)點和Bg條支路的氣網能量流模型可以表示為

式中：pg為節(jié)點壓力列向量；Egb和Kgb分別為各管道支路氣壓源、受控氣壓源參數組成的Ng階矩陣；Yg為氣網節(jié)點導納矩陣；Ag為Ng維單位行向量。

農村區(qū)域電網的橫向多能信息耦合相關性表現為電、氣、熱、風光分布式電源等不同能量流子系統之間的相關性。橫向多能耦合示意如圖1所示，耦合單元連接不同的能量流子系統，并消耗一種或多種能源來產生其他能源。不同的能量流子系統具有強多能系統數據中存在大量的橫向多能耦合信息。橫向信息交互模式基于多能轉換信息共享，在獲取多能流子系統測量數據的基礎上，利用深度學習技術對多能數據進行并行處理，有效利用能量轉換的復雜共享信息，識別訓練的抽象特征數據，提高能源管理子任務預測精度[12]。農村區(qū)域電網的縱向源?荷耦合相關性表示為源側的多能源供應與用戶用能行為之間的相關性。不同的能量行為對應著不同的負載特性，從用戶能量行為的角度來看，電網中多個能量負載之間存在多重耦合關系。

圖1 橫向多能耦合示意Fig.1 Schematic of transverse multi-energy coupling

2 基于并行LSTM 的區(qū)域負荷預測方法

2.1 深度學習能量預測MTL 機制選擇

MTL利用多個任務之間的相關性，能夠充分挖掘隱藏的共同特征，避免模型訓練的欠擬合。供能系統源側的電、氣、熱負荷預測可以看作是MTL 中的不同任務。在負荷預測領域，現有關于單負荷預測的研究，基于LSTM 網絡的預測方法占有較高比例且預測性能較好。因此，本文提出的基于LSTM網絡的MTL預測模型通過硬參數共享方法，同時訓練多能量預測任務對應的訓練數據，考慮任務之間的相關信息，提高所有預測任務的學習能力?；贚STM 網絡的單任務和MTL 對比如圖2 所示，其中多源歷史數據是風電、光伏、電負荷、熱負荷和冷負荷，x為網絡的輸入值。

圖2 基于LSTM 網絡的單任務和MTL 比較Fig.2 Comparison between single-and multi-task learning based on LSTM network

2.2 考慮多能耦合的農村區(qū)域電網負荷預測方法

農村區(qū)域電網源端和負荷端都存在不確定性，源側主要包括風電和光伏功率預測，負荷側主要包括電、熱、冷負荷預測。由于多個能量負荷之間存在錯綜復雜的相互耦合關系，源側與負荷側的不確定資源預測任務具有很強的相關性。通過聯合預測訓練學習這種耦合關系，可以有效提高區(qū)域負荷不確定資源的整體預測精度。為此，本文提出了“并行預測”的概念，利用LSTM 深度學習網絡強大的非線性學習能力和歷史記憶優(yōu)勢，對源側和負載側的不確定資源進行綜合預測?；诓⑿蠰STM的信息交互式能量預測模型如圖3所示。

圖3 基于并行LSTM 的信息交互式能量預測模型Fig.3 Information interactive energy prediction model based on parallel LSTM

根據第1 節(jié)中關于農村多能耦合關系的分析，將不同能源的典型歷史數據共享為橫向交互信息，作為預測模型各任務中的輸入量，主要應用并行LSTM 預測網絡的MTL參數共享機制；其次，通過多能耦合關系分析，提取用能特征參數，將用戶行為信息共享的縱向交互信息應用于調節(jié)源?荷多任務預測模型參數。

2.3 數預處理和任務構建

訓練樣本選取源側風力發(fā)電時間序列、光伏發(fā)電時間序列，以及負荷側電負荷、熱負荷、冷負荷時間序列和光照負荷序列數據。為了避免神經元飽和，將數據歸一化并映射在[?1，1]之間。歸一化計算公式為

式中；x為實際輸入或輸出數據；xmax和xmin分別為數據的最大值、最小值。

使用MTL 方法進行多能負荷集成預測的本質在于每個預測子任務的密切相關性。一方面，MTL集成預測使用源側和負荷側的多維數據作為有效利用樣本的共同輸入；另一方面，通過共享隱層節(jié)點劃分方法，同時預測風、光伏、電、熱、冷負荷5個屬性，起到感應偏置作用，提高預測精度。

本文提出的考慮多能互動的負荷預測LSTM結構如圖4所示，其中輸入層與隱藏層共同實現農村分布式電源及多類型負荷數據時間順序相關性提取，并以歷史計量數據作為隱藏層的輸出列向量，經回歸分析后獲得區(qū)域負荷預測值。遺忘門、輸入門和輸出門可以分別表示為

圖4 所構建用于負荷預測的LSTM 單元結構Fig.4 LSTM cell structure built for load prediction

構建的負荷預測的LSTM記憶單元狀態(tài)為

2.4 模型訓練評價指標

基于LSTM 的源?荷集成預測模型的主要參數包括：輸入層維度、輸入層時間步長、隱藏層個數、每個隱藏層維度和輸出層維度，其中輸入層時間步長一般用于源?荷聯合預測的可變時間序列的長度。根據預測對象序列的周期性特征，設置輸入層時間步長為24，即輸入前7 d分辨率為1 h的歷史數據，每天占用1 個輸入節(jié)點。輸入層維度為節(jié)點數，本文輸入層節(jié)點包含風力發(fā)電時間序列、光伏發(fā)電時間序列、充電負荷、熱負荷、冷負荷時間序列和照明負荷時間序列6 個對象，共構成42 個節(jié)點，因此輸入層維度設置為42。由于本文同時預測風電、光伏、電力、熱力和冷負荷6個屬性，輸出層有5個節(jié)點，故輸出層維度設置為5。

多能負荷集成預測同時訓練多個預測任務。為了全面衡量預測效果，需要對綜合預測的準確性進行整體評估。為此，本文提出了帶權重系數的平均精度評價指標。根據電網兩側不同能量的重要程度，對不同的能量輸出類型賦予相應的權重系數。源側風、光等不確定資源的不確定性較大，對系統的穩(wěn)定運行和能源調度管理有很大影響，因此源側風、光預測設置的權重系數較高。同時，由于電網憑借完善的架構和中心樞紐優(yōu)勢，在多能源系統中占據主導地位，相應地，電力負荷預測設置的權重系數也較高。本文采用平均絕對百分比誤差MAPE（mean absolute percentage error）、平均準確度MA（mean accuracy）和加權平均精度WMA（weight?ed mean accuracy）3個評價指標，即

表1 源-荷兩側能量預測任務的權重設置Tab.1 Weights setting of source-load bilateral energy prediction tasks

2.5 基于農村區(qū)域電網負荷預測流程

基于LSTM 及互動的電網負荷預測流程如圖5所示。本文首先采用模態(tài)分解技術[13]，將原始負荷時間序列分解為本征模函數分量和殘差分量；其次，對各分量進行數據預處理，形成各分量的原始輸入特征集；然后，根據負荷的用能頻率特征建立分量負荷預測模型，并對每個分量采用并行LSTM技術分別進行負荷預測；最后，加權疊加所有分量預測值得到電網整體負荷預測結果。

圖5 基于LSTM 及互動的電網負荷預測流程Fig.5 Flow chart of power grid load prediction based on LSTM and interactions

3 算例分析

3.1 數據說明

本文實驗數據來源于河北雄安某農村區(qū)域實測數據。農村電網由電力系統、熱力系統、天然氣系統組成。為了驗證源?荷縱向信息交互的有效性，還采樣了反映用戶典型用電行為的照明負荷歷史數據。所有歷史能源數據采樣間隔為1 h，將總共57 168個樣本分為兩部分，選擇92%的樣本為訓練集和8%的樣本作為測試集。根據前7 d 的歷史數據對次日的能源供應和能源需求進行負荷預測。預測模型由訓練數據集訓練并在測試數據集上驗證。上述數據集的統計信息如表2 所示。本文根據經驗和多次實驗比較，設置隱藏層數量為2，隱藏層維度為30，Batch_size 為42，學習率為0.80，學習延遲率為0.05。風電出力、光伏出力、電負荷、熱負荷、冷負荷的能量預測結果如圖6所示。

表2 模擬數據集的描述Tab.2 Description of simulation dataset

圖6 源-荷兩側能量預測結果Fig.6 Results of source-load bilateral energy prediction

由圖6 可見，本文所提出的源?荷并行LSTM 學習模型在風電、光伏、電負荷、熱負荷和冷負荷能量預測均能獲得理想的預測結果，驗證了本文所提模型的有效性。并行預測結果中每個子任務的預測效果差異很大，與源側光伏、風電功率預測相比，電、熱、冷負荷預測曲線更接近實際曲線,這是由于源側光伏和風電的間歇性和隨機性引起的。對比圖6（c）～（e）可以發(fā)現，因為熱慣性和冷慣性更大且波動性也更小，故電負荷比熱、冷負荷波動更大。

3.2 多能信息交互的比較分析

為了驗證橫向和縱向多能量信息交互學習的效果，對考慮用戶用能行為的并行LSTM預測、不考慮用戶用能行為的并行LSTM預測及不考慮用戶用能行為的單LSTM預測結果進行對比分析。使用相同的數據集進行訓練和測試。對比實驗設置如表3所示。多能電荷信息交互對比實驗的預測精度如表4 所示。由表4 可知，模型A、B、C 的平均預測精度分別為90.09%、89.17%、87.28%，模型A 的預測結果為最好。這表明考慮縱向和橫向信息的交互作用后，源側和荷側的能量預測具有更好的預測精度。對比模型B和模型C的預測結果可知，對于5個預測子任務，當并行預測不同能量時，可以獲得比單個預測更高的精度。這表明考慮橫向多能信息交互的并行LSTM學習可以利用不同能源系統之間的耦合數據，從而提高對某一能源的預測性能。此外，考慮多能橫向信息交互，荷側的電負荷、熱負荷、冷負荷的預測精度分別增加了3.13%、2.53%和2.67%，而源側的風電和光伏的預測精度分別提高了1.52%和1.46%，荷側的能量預測精度較高。對比模型A和模型B的預測結果可知，考慮用戶能量行為信息的縱向交互，整體預測的平均精度提高了1.03%。對比5 個預測子任務可以發(fā)現，光伏預測精度提升了1.85%，提升效果最好，其次是電力負荷，而風電、熱負荷、冷負荷的預測精度也有明顯提升。這表明考慮源?荷縱向信息交互可以提高源側?荷側的能量預測精度。

表3 多源信息交互對比實驗設置Tab.3 Experimental setup for compering multisource information interaction

表4 信息交互比較實驗的3 種模型預測結果Tab.4 Three kinds of model prediction result of information interaction contrast experiment

3.3 LSTM 參數選擇

（1）LSTM 節(jié)點數代表隱藏層神經元個數，決定了參數規(guī)模。對于大量數據訓練，存在訓練時間長、延時及誤差等問題，本文將節(jié)點數分別設置為32、64 和128。LSTM 節(jié)點數選擇結果如表5 所示。設置60%的樣本為訓練集進行實驗，結果表明LSTM 節(jié)點數（即隱藏層神經元個數）為64 時預測效果達到較優(yōu)。

表5 LSTM 節(jié)點數選擇結果Tab.5 Selection results of LSTM node numbers

（2）LSTM 層數會影響時序數據的處理時間。實驗中LSTM 層數選擇結果如表6 所示。結果表明，過量的疊加層數會弱化模型效果，導致擬合性能變差，因此選擇雙層LSTM便能取得最好的效果。

表6 LSTM 層數選擇結果Tab.6 Selection results of LSTM layer numbers

3.4 深度神經網絡算法與其他算法的比較

將本文所提的LSTM模型和ARIMA模型算法、反向傳播神經網絡BPNN（back propagation neural network）算法進行比較分析。3 種算法均使用相同的數據集進行訓練和測試，且均采用單任務預測策略，預測結果如圖7所示。由圖7可見，本文所提的LSTM深度學習預測算法每個任務的預測精度均最高，其次為BPNN算法，再次為ARIMA算法。另外，將LSTM 和BPNN 算法的能量預測結果逐一比較，可以看出LSTM算法對熱負荷和冷負荷預測的準確性更高。這是由于熱系統慣性較大、變化規(guī)律的時間尺度較長，使得長期和短期深度學習對熱負荷和冷負荷的預測精度明顯高于電負荷。

圖7 3 種算法的預測效果比較Fig.7 Comparison of prediction effect of three algorithms

4 結 語

本文針對農村區(qū)域中用能改進導致的電網負荷預測復雜性提升的問題，提出了一種考慮多能互動的農村區(qū)域電網負荷預測方法。首先分析了農村區(qū)域電?熱?氣多能耦合關系；然后利用MTL機制和LSTM網絡構建多預測任務并行處理的農村區(qū)域電網負荷預測模型；最后通過河北雄安某農村區(qū)域實測數據從預測模型預測的精準度、適用性角度驗證了所提方法的可行性。相比于傳統農村區(qū)域的負荷預測方法，本文方法的預測誤差和模型擬合優(yōu)度均有所提高，更適合農村區(qū)域的復雜用能場景。