基于聯(lián)合時序場景和改進TCN的高比例新能源電網(wǎng)負荷預測

許青，張齡之，梁琛，李亞昕

(1.國網(wǎng)甘肅省電力公司，甘肅 蘭州 730030；2.國網(wǎng)甘肅省電力公司電力科學研究院，甘肅 蘭州 730070)

隨著我國“雙碳”目標的提出，以高比例新能源接入為典型特征的新型電力系統(tǒng)建設不斷發(fā)展[1]。截至2023年4月底，全國非化石能源發(fā)電裝機容量13.5億kW，占總裝機容量的50.8%，其中風電裝機3.8億kW，太陽能發(fā)電裝機4.4億kW[2]。風光等新能源發(fā)電具有的隨機性和波動性特征，使得高比例新能源滲透率電網(wǎng)的短期負荷預測不僅受到天氣、日期、經(jīng)濟等條件的影響，也需要考慮新能源的發(fā)電情況[3-5]。

精準的負荷預測對電力系統(tǒng)的安全、穩(wěn)定、經(jīng)濟運行具有重要意義。當前，常見的預測方法主要有傳統(tǒng)統(tǒng)計學方法和人工智能方法2類。前者包括回歸分析法、馬爾科夫鏈、時間序列法等，優(yōu)點在于原理簡單易懂，計算快捷，但非線性擬合能力不強，預測效果較差。后者包括支持向量機(support vector regression，SVR)、人工神經(jīng)網(wǎng)絡(artificial neural network，ANN)及其相關改進網(wǎng)絡如卷積神經(jīng)網(wǎng)絡(convolutional neural network，CNN)、時間卷積網(wǎng)絡(temporal convolutional network，TCN)、長短期神經(jīng)網(wǎng)絡(long short-term memory，LSTM)等[6-11]。這類算法一般將影響預測項的各種特征量和預測項分別作為輸入項和輸出項，通過大量訓練求解，非線性擬合能力較強，但預測結(jié)果受輸入項選擇影響較大。此外，SVR和CNN對數(shù)據(jù)的時序特性考慮不多，而TCN針對時序問題對CNN進行了改進，有效降低了預測誤差，被廣泛應用在機組出力預測、負荷預測等場景中。

文獻[12]提出一種CNN-SVR聯(lián)合負荷預測模型，指出其預測結(jié)果準確率比SVR、CNN等方法更高；文獻[13]提出基于雙向LSTM的超短期負荷預測模型，指出通過篩選網(wǎng)絡輸入項有利于提高預測精度；文獻[14]同樣指出提取關鍵特征值能夠提高預測模型的準確性。但上述研究都缺乏對預測結(jié)果的修正環(huán)節(jié)。文獻[15]將歷史光伏出力數(shù)據(jù)與天氣預報相關聯(lián)，提出一種考慮時序動態(tài)回歸的短期光伏出力預測方法；文獻[16]對風電出力預測展開研究，指出針對不同天氣類型，分別建立預測模型能夠改進預測結(jié)果。可以看出，現(xiàn)有預測研究往往集中在風、光出力和負荷等單一場景預測，很少將風光出力因素納入負荷預測的研究范圍。而在高比例新能源電力系統(tǒng)中，風光等新能源的隨機性與間歇性大大增加了電網(wǎng)調(diào)度的難度，在該場景下，有必要將新能源出力納入負荷預測研究范圍。文獻[17-19]對風光聯(lián)合場景下的分布式電源規(guī)劃等進行研究，為本文提供了參考。

綜上，本文提出基于聯(lián)合時序場景的改進型TCN高比例新能源電網(wǎng)短期負荷預測方法。首先通過相關性距離刻畫風光出力和負荷的聯(lián)合場景特性，將負荷預測場景進行分類；然后建立隨機森林(random forest)-時間卷積網(wǎng)絡(RF-TCN)預測模型，并通過Bootstrap對預測結(jié)果進行修正；最后，以甘肅某地實際電網(wǎng)為例進行仿真驗證，驗證本文所提方法的有效性。

1 模型框架

隨著新型電力系統(tǒng)建設的不斷推進，我國電力系統(tǒng)新能源滲透率將不斷提高。本文所提負荷預測方法的核心在于考慮了風光等新能源出力因素，并基于風光出力與負荷關聯(lián)度劃分成不同預測場景。具體過程包括負荷與新能源出力相關性分析、RF-TCN短期負荷預測模型建立、未來負荷預測3個步驟，整體模型框架如圖1所示。

圖1 模型結(jié)構(gòu)框圖Fig.1 Model framework

整體模型簡述如下：

步驟1：利用3σ準則剔除異常數(shù)據(jù)后，對負荷與新能源出力進行聯(lián)合時序場景分析，并劃分成不同的預測場景，方便后續(xù)對不同負荷預測場景進行精細化建模。

步驟2：建立改進型RF-TCN負荷預測模型，通過RF算法對負荷預測特征量進行篩選，訓練模型參數(shù)，并加入預測結(jié)果修正環(huán)節(jié)。

步驟3：利用常規(guī)預測方法對預測日風光負荷進行預測，判別預測日所屬天氣類型，選取對應預測模型。

2 基于相關性距離的預測場景分類

3σ準則是異常數(shù)據(jù)識別的常見方法，其內(nèi)涵在于將數(shù)值分布在均值3個標準差之外的數(shù)據(jù)看作異常數(shù)據(jù)并剔除。本文首先分析處理風光負荷歷史數(shù)據(jù)，接著考慮各場景下新能源出力曲線和負荷曲線之間的相關性，構(gòu)建聯(lián)合時序場景曲線如下：

(1)

式中：α、β、χ、Q分別為光伏出力、風電出力、負荷和風光負荷聯(lián)合時序場景曲線；T為數(shù)據(jù)序列中的時段數(shù)。

引入指標δ刻畫聯(lián)合時序場景下風光負荷相關性：

(2)

式中：αi，t、βi，t和χi，t分別為i日t時段的光伏出力、風電出力和電網(wǎng)負荷；δi為i日風光負荷相關性距離向量，其數(shù)值含義為負荷中風光新能源發(fā)電以外的發(fā)電量；Ji為i日風光負荷相關性距離向量。

假定A、B這2日的風光負荷相關性距離分別是δA、δB，該2日相似性用式(3)衡量，該值越大，則相似性越低：

(3)

式中λAB為A、B 2日的日間相似度指標。

綜上，可通過風光負荷相關性距離劃分出不同天氣類型，并通過日間相似度指標評價聚類結(jié)果。

3 基于RF-TCN短期負荷預測模型

對影響負荷預測的各種因素進行篩選有利于提高TCN負荷預測的準確性。本章首先通過RF算法篩選影響負荷預測的關鍵特征量，然后利用TCN進行負荷預測。

3.1 RF特征量篩選

RF算法常用于對非線性數(shù)據(jù)進行回歸和分類，核心結(jié)構(gòu)為決策樹，每顆決策樹都進行預測，然后通過加權(quán)或取最大值等方法得到預測結(jié)果。圖2所示為RF算法結(jié)構(gòu)。

圖2 隨機森林算法示意圖Fig.2 Diagrammatic sketch of RF algorithm

RF算法基于重要性程度進行特征量提取時，通常通過基尼指數(shù)(Gini index，GI)或袋外數(shù)據(jù)錯誤率2種指標來衡量。基于GI的方式介紹如下。

設定原始數(shù)據(jù)具有K個特征量，X1，X2，X3，…，XK，以及H個種類，則在決策樹節(jié)點m的GI為

(4)

式中3σ為節(jié)點m的樣本屬于第h類的概率估計值。

特征量Xk在節(jié)點m的重要性程度VGI，km通過其分枝前后ηGI的變化量表示為

VGI，km=ηGI，m-ηGI，q-ηGI，r.

(5)

式中ηGI，q和ηGI，r為節(jié)點m分枝后2個新節(jié)點q和r的GI。

假定一共有Z棵決策樹，則特征量Xk在第z棵樹的重要性

(6)

式中M為特征量Xk在第z棵決策樹中的節(jié)點集合。VGI，km通過式(4)、(5)求取。特征量Xk的重要性

(7)

綜上，通過式(4)—式(7)，實現(xiàn)數(shù)據(jù)原始特征量的排序和篩選。

3.2 TCN原理

TCN是在CNN基礎上的改進網(wǎng)絡，適用于處理時序問題。TCN具有一種擴張因果卷積結(jié)構(gòu)，能夠?qū)ι弦粚拥妮斎霐?shù)據(jù)進行擴張采樣，提取各種時序數(shù)據(jù)的特征。因果卷積能夠保證提取特征信息的因果性，t時刻的輸出yt依賴t及t時刻之前的輸入x0，x1，xt-2，…，xt-1。對于卷積核為2，擴張系數(shù)為別為1、2、4的TCN，擴張因果卷積結(jié)構(gòu)如圖3所示。

圖3 TCN擴張因果卷積結(jié)構(gòu)Fig.3 Dilated causal convolution structure of TCN

TCN擴張因果卷積通過跳過部分輸入，將卷積核拓展到更大的區(qū)域，通過改變膨脹系數(shù)d調(diào)整輸出數(shù)據(jù)所接收到的信息量。對于一維時序數(shù)據(jù)的輸入x∈Rn(Rn為n維實數(shù)空間)和濾波器f能夠通過濾波器系數(shù)u和膨脹系數(shù)d擴張視野，卷積運算如下[11]：

(8)

式中xs-d·i為輸入序列。

3.3 網(wǎng)絡輸入與輸出

考慮高比例新能源電網(wǎng)中風光出力對負荷預測的影響，聯(lián)合時序場景法將歷史日期數(shù)據(jù)歸類。各個預測模型以相似日為基礎進行訓練。將待預測日前2日的負荷、風光出力數(shù)據(jù)和經(jīng)RF提取的關鍵特征量作為模型輸入，而模型輸出為預測日的負荷預測結(jié)果。

此外，在進行網(wǎng)絡訓練時，需要對輸入數(shù)據(jù)進行預處理，本文采用歸一化方法，將輸入量中的負荷、氣溫、風速等數(shù)值歸一化，而對于日期、星期、節(jié)假日等輸入量則另做處理[20-21]。

(9)

4 預測修正與評價

本文的負荷預測結(jié)果是1日96個時段的負荷預測值，是一個有關時間的序列，各預測點對應的負荷預測誤差也構(gòu)成一個時間序列。為了提升模型預測的準確性，本文引入Bootstrap算法構(gòu)建預測誤差修正模型。

Bootstrap是用于估計統(tǒng)計量的采樣方法，它通過從樣本中有放回地抽取(即每次抽取都從全部樣本中抽取)多個子樣本，得到該統(tǒng)計量的抽樣分布，并由此計算置信區(qū)間。在Bootstrap中，通過計算每個子樣本與全樣本均值的差異來估計偏差。因此，利用Bootstrap對負荷預測誤差的分布特性進行統(tǒng)計推斷，并設置對應的置信度區(qū)間劃分不同預測誤差范圍。當負荷預測誤差在區(qū)間內(nèi)，則不修正預測數(shù)據(jù)，當負荷預測誤差在區(qū)間外，則需要修正。具體計算原理見文獻[22]。

此外，常見的負荷預測評價指標有均方根誤差(mean square error，MSE)和平均百分比誤差(mean absolute percentage error，MAPE)2項[1，23-25]，本文創(chuàng)新性地引入最大絕對誤差(maximum absolute error，MAE)來評價負荷預測的準確度，衡量負荷預測方法的局部最大誤差。

(10)

(11)

(12)

式中：ρMSE、ρMAE、ρMAPE分別為負荷預測的均方誤差、最大絕對誤差和平均百分比誤差；3σ、3σ為負荷預測真實值和預測值。

5 算例仿真

本文使用甘肅省某地區(qū)2022年1月1日至2022年12月31日的數(shù)據(jù)對所提出的負荷預測模型進行仿真驗證。截至2022年底，甘肅全省電力裝機容量6 803萬kW，包括風電2 076萬kW、光伏1 445萬kW，新能源裝機占比52%?？梢?，利用甘肅省相關數(shù)據(jù)對高比例新能源電網(wǎng)的負荷預測問題進行研究具有高度適用性。

5.1 風光負荷聯(lián)合場景分析

通過第2章述方法，在利用3σ準則剔除異常數(shù)據(jù)后，針對365個風光負荷的相關性開展聯(lián)合分析。受制于當前數(shù)據(jù)樣本數(shù)目不足，本文認為采用更多的分類意味著每類情況下樣本量降低，不利于TCN網(wǎng)絡的訓練效果。因此，以1月1日為對比日，求取各日與該日的相似性距離，并據(jù)此將天氣共分為5種類別，如圖4所示(日期序號1對應1月2日，364對應12月31日，其他以此類推)，各類別數(shù)目見表1。

表1 各日與1月1日相似性距離聚類類別數(shù)Tab.1 Clustering classification numbers of similarity distance between each day and January 1st

圖4 各日與1月1日相似性距離聚類結(jié)果Fig.4 Clustering results of similarity distance between each day and January 1st

由圖4可見，各個類型的天氣僅有第1種和第5種相對日期而言比較集中，其余3種分布較為分散。具體而言，第1種類型主要對應冬季，第5種對應的季節(jié)主要為夏季。這是因為本文的日期相似度指標〔式(2)和式(3)〕，本質(zhì)上是衡量該日期負荷中除風光出力外其余負荷曲線的相似度，在冬季/夏季時，風電和光伏發(fā)電對負荷曲線的影響更集中。

5.2 特征量提取

以氣象、日期因素等構(gòu)建影響負荷預測的特征集，見表2所示。然后通過RF對特征量重要性進行排序，圖5所示為重要性分析結(jié)果。

表2 影響負荷預測的特征量Tab.2 Characteristic quantities affecting load prediction

圖5 隨機森林特征變量重要性分析結(jié)果Fig.5 Importance analysis results of RF algorithm

由圖5可知在選定的11個特征量中，前6個重要性得分較高，因此選取小時、最低氣溫、節(jié)假日、分時電價、平均氣溫、月份和待預測日前2日的負荷、風光出力數(shù)據(jù)作為輸入項。

5.3 預測結(jié)果

分別用本文模型和傳統(tǒng)BP神經(jīng)網(wǎng)絡、SVM和不含預測修正的TCN方法對2022年12月31日數(shù)據(jù)進行負荷預測。其中BP神經(jīng)網(wǎng)絡、SVM這2種方法不劃分天氣類型，且不修正預測結(jié)果。不經(jīng)分類和不經(jīng)修正方法與本文方法的區(qū)別僅在于不經(jīng)天氣類型劃分且不經(jīng)預測誤差修正，其余部分相同。各種方法的預測結(jié)果、預測結(jié)果MAE和預測結(jié)果評價依次如圖6、圖7和表3所示。需要說明的是，在本文的RF提取部分，已經(jīng)考慮預測日是否為工作日等因素，并得到影響負荷預測的關鍵特征量作為TCN的輸入項，因此預測日是否為工作日等因素對預測模型沒有影響。

表3 不同預測方法結(jié)果評價Tab.3 Evaluation of the results of different prediction methods

圖6 不同預測方法預測結(jié)果Fig.6 Prediction results of different prediction methods

圖7 不同預測方法預測結(jié)果MAE Fig.7 Absolute errors of prediction results of different prediction methods

分析圖6、圖7和表3，得出如下結(jié)論：

a)本文預測方法的預測精度明顯優(yōu)于其他方法，MAE為2.62%，MSE為16.55 MW，而MAPE為1.65%，就MAE和MAPE這2個指標而言，相較其他方法分別提高了36%、43%、19%、11%和46%、48%、19%、10%，預測效果好。

b)BP神經(jīng)網(wǎng)絡和SVM預測精度明顯劣于其他3種方法，原因在于模型較為簡單，沒有深層挖掘數(shù)據(jù)信息。

c)通過對比本文方法、不經(jīng)天氣類型分類方法和不經(jīng)預測誤差修正方法發(fā)現(xiàn)，不經(jīng)預測誤差修正方法的預測精度略優(yōu)于不經(jīng)天氣類型分類方法，這說明，有必要對含大規(guī)模新能源電網(wǎng)進行天氣類型劃分，以及對負荷預測結(jié)果進行誤差修正。

6 結(jié)論

針對高比例新能源并網(wǎng)電網(wǎng)，提出一種基于聯(lián)合時序場景的改進型TCN短期負荷預測方法。通過算例仿真，得出結(jié)論：

a)為充分考慮新能源出力對負荷預測的影響，通過聯(lián)合時序場景法劃分不同負荷預測場景，分別建立預測模型，能提升預測精度。

b)利用TCN充分考慮負荷的時序特征，并通過RF算法提取影響負荷預測的關鍵特征量，能提高預測精度。

c)通過Bootstrap算法對預測結(jié)果進行修正能夠提升預測準確性。

仿真結(jié)果表明，本文方法能夠有效提高預測精度，并較好地解決高比例新能源電網(wǎng)的短期負荷預測問題。