祖光鑫,武國(guó)良,王國(guó)良,于 洋
(1.國(guó)網(wǎng)黑龍江省電力有限公司電力科學(xué)研究院, 哈爾濱 150030;2.國(guó)網(wǎng)黑龍江省電力有限公司哈爾濱供電公司, 哈爾濱 150036)
實(shí)現(xiàn)負(fù)荷預(yù)測(cè)是保證電力輸送能夠按照計(jì)劃進(jìn)行,維持電網(wǎng)能量交換平衡的關(guān)鍵環(huán)節(jié)。電力市場(chǎng)穩(wěn)定運(yùn)行必須依靠負(fù)荷預(yù)測(cè),同時(shí)負(fù)荷預(yù)測(cè)也是電力規(guī)劃的重要依據(jù),負(fù)荷預(yù)測(cè)的精度越高,電力設(shè)備的利用率就越高,能量損耗就越低。現(xiàn)在的負(fù)荷預(yù)測(cè)方法主要有兩類(lèi):第一類(lèi)為時(shí)間序列法等統(tǒng)計(jì)模型,它是在分析歷史數(shù)據(jù)固有特性的基礎(chǔ)上發(fā)展起來(lái)的;第二類(lèi)為基于氣象因素或價(jià)格等相關(guān)因素的負(fù)荷預(yù)測(cè)模型,但量化不同氣候和荷載條件之間復(fù)雜的相互作用需要更多考慮,因此,該文使用第一種模型。
目前常用的負(fù)荷預(yù)測(cè)方法主要有時(shí)間序列法[1]、人工神經(jīng)網(wǎng)絡(luò)法[2-3]、模糊預(yù)測(cè)法[3]、數(shù)據(jù)挖掘預(yù)測(cè)法[4]、極限學(xué)習(xí)機(jī)預(yù)測(cè)法[5]和灰色預(yù)測(cè)模型法[6-7]等。而在文獻(xiàn)[8]中,采用了一種全新的基于根軌跡的短期負(fù)荷預(yù)測(cè)方法,不僅保證了誤差收斂,且對(duì)擬合方式進(jìn)行了探討。在文獻(xiàn)[9]中,以印度電力市場(chǎng)為研究對(duì)象,提出了基于極限學(xué)習(xí)機(jī)的短期電力負(fù)荷預(yù)測(cè)方法。文獻(xiàn)[10]中采用了一種基于反饋網(wǎng)絡(luò)與主成分分解的短期電力負(fù)荷預(yù)測(cè)模型。大數(shù)據(jù)理論被廣泛應(yīng)用于文獻(xiàn)[11]和[12]的負(fù)荷預(yù)測(cè)模型中,提出了一種基于小波網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)模型。在文獻(xiàn)[13]中,通過(guò) LSTM(long-short term memory)模型對(duì)用戶(hù)負(fù)荷進(jìn)行點(diǎn)預(yù)測(cè)。
小波分解(wavelet decomposition,WD)方法在文獻(xiàn)[14-17]中得到了廣泛的研究,它可以減少序列的非平穩(wěn)特征,提高預(yù)測(cè)精度。在文獻(xiàn)[14]中對(duì)母小波的選擇進(jìn)行研究,在此基礎(chǔ)上,對(duì)載荷序列進(jìn)行小波分解,并且將各分量分別建立模型[15-17]。針對(duì)最近的科研過(guò)程分析,在使用WD處理時(shí)間序列時(shí)出現(xiàn)了兩個(gè)問(wèn)題:一是沒(méi)有確定WD水平的理論依據(jù),二是缺乏預(yù)測(cè)高頻分量的能力。
針對(duì)第一個(gè)問(wèn)題,該文提出了一種增強(qiáng)迪基-富勒(augmented Dickey-Fuller,ADF)檢驗(yàn)的WD序列選擇方法。對(duì)于第二個(gè)問(wèn)題,采用了基于二階灰色預(yù)測(cè)模型的負(fù)荷預(yù)測(cè)模型。為得到二階灰色預(yù)測(cè)模型的最優(yōu)參數(shù),采用神經(jīng)網(wǎng)絡(luò)映射方法構(gòu)建了二階灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[gray neural network forecasting model,GNNM(2,1)]。
利用WD可以高效地分析非平穩(wěn)和非線(xiàn)性信號(hào)。該文采用WD對(duì)負(fù)荷序列進(jìn)行處理,可以減少負(fù)荷序列的非平穩(wěn)性,并以此作為提高預(yù)測(cè)精度的依據(jù)。WD由式(1)所示
(1)
因此,對(duì)于與一個(gè)信號(hào)相關(guān)的所有a和b,所有小波系數(shù)WTx(b,a)的集合都與母小波相關(guān),其中a和b是實(shí)數(shù),表示復(fù)共軛。尺度參數(shù)a用于控制小波的擴(kuò)展,平移參數(shù)b則決定小波的中心位置。
(2)
式中:Ψk,s(t)為離散小波基函數(shù)。
小波反變換由下式描述:
(3)
Mallat算法是一種基于多分辨率分析的小波變換快速算法。將載荷序列投影到尺度空間與小波子空間中,求出近似和的詳細(xì)信號(hào)。Mallat算法流程如圖1所示。
圖1 Mallat算法Fig.1 Mallat algorithm
分解過(guò)程可以表示為
(4)
式中:j表示Mallat算法的分解級(jí)別;H(·)為低頻分解函數(shù),類(lèi)似于低通濾波器;G(·)表示高頻分解函數(shù),類(lèi)似于高通濾波器。
在這個(gè)過(guò)程中,重構(gòu)只需要系數(shù)向量,系數(shù)向量是通過(guò)將序列的長(zhǎng)度降采樣為一半產(chǎn)生的。因此,重構(gòu)前,需要對(duì)系數(shù)進(jìn)行修正,在樣本之間分配零點(diǎn)。
(5)
式中:H*是H(aj)的對(duì)偶算子;G*是G(dj)的對(duì)偶算子。
這一過(guò)程完成后,負(fù)載序列x可通過(guò)消除高頻或?qū)⑵浞譃楦哳l和低頻來(lái)平滑,該過(guò)程如下所示。
(6)
式中:Aj(t)表示近似信號(hào)或基元分量;Di(t)表示詳細(xì)信號(hào)或高頻分量。
為了得到二階灰色預(yù)測(cè)模型的最優(yōu)參數(shù),采用神經(jīng)網(wǎng)絡(luò)映射方法構(gòu)建GNNM(2,1)模型,重構(gòu)各自輸出,得到最終預(yù)測(cè)負(fù)荷。
分解層數(shù)和母小波的選取是影響預(yù)測(cè)結(jié)果的關(guān)鍵因素。該文對(duì)最優(yōu)WD水平進(jìn)行了研究。隨著分解水平的提高,低頻分量趨于穩(wěn)定,基本分量的預(yù)測(cè)精度提高。然而,高頻分量的數(shù)量也增加了。因此預(yù)測(cè)的準(zhǔn)確性隨著組件數(shù)量的增加而降低。故需要在WD水平和小波分量的穩(wěn)定性之間找到一個(gè)平衡。
為了保證平衡,該文采用一種基于A(yíng)DF檢驗(yàn)確定最優(yōu)分解水平的WD分組穩(wěn)定性評(píng)價(jià)模型。ADF檢驗(yàn)是單位根檢驗(yàn)的一種改進(jìn)方法。它的原理是檢查一個(gè)單位根是否在一個(gè)序列中出現(xiàn)。如果沒(méi)有單位根,則序列是平穩(wěn)的,否則便是非平穩(wěn)的。ADF檢驗(yàn)通常用于評(píng)價(jià)經(jīng)濟(jì)時(shí)間序列的平穩(wěn)程度,通過(guò)ADF檢驗(yàn)確定最佳WD水平步驟如下所述:
1)設(shè)j=1;
2)對(duì)負(fù)荷序列進(jìn)行j級(jí)小波變換,求出各個(gè)分量;
3)用ADF法評(píng)價(jià)WD各組分穩(wěn)定性;
4)如果每個(gè)部件都是穩(wěn)定的,j是最好的WD水平,否則,j=j+1,重復(fù)步驟(2)。
利用這種方法,可以提高預(yù)測(cè)的準(zhǔn)確性,得到WD的最優(yōu)層。
灰色系統(tǒng)理論的特征是利用灰色數(shù)學(xué)處理不確定性,充分利用已知參數(shù)尋找系統(tǒng)的規(guī)律?;诨疑到y(tǒng)理論的預(yù)測(cè)模型具有模型簡(jiǎn)潔易懂、所需歷史參數(shù)少、預(yù)測(cè)精度高、便于計(jì)算、不計(jì)分布特點(diǎn)等好處。GM(N,M)是階數(shù)為N,變量個(gè)數(shù)為M的灰色模型。二階灰色模型GM(2,1)共有兩個(gè)特征值,體現(xiàn)單調(diào)變化和非單調(diào)變化。計(jì)算結(jié)果可以很好地模擬出具有顯著振蕩特性的低頻分量和高頻分量。因此,該研究采用GM(2,1)模型。
歷史荷載數(shù)據(jù)經(jīng)小波分解后的分量如下:
X(0)=[x(0)(1),x(0)(2),…,x(0)(n)]
(7)
式中:n是序列的個(gè)數(shù)。
將這些序列疊加產(chǎn)生新的序列,定義為1-AGO [使用上標(biāo)“(1)”],即
X(1)=[x(1)(1),x(1)(2),…,x(1)(n)]
(8)
x(1)(n)定義為
(9)
基于一階累積生成操作建立二階微分模型,如下式所示:
(10)
這個(gè)方程的解如下:
(11)
式(11)為λ1和λ2預(yù)測(cè)值的解析表達(dá)式,揭示了λ2+a1λ+a2=0特征方程的特征根。最后,我們使用以下式獲得最后的預(yù)測(cè)結(jié)果。
x(0)(t)=x(1)(t)-x(1)(t-1)
(12)
灰色模型的參數(shù)計(jì)算一般采用最小二乘估計(jì)法,這需要更新計(jì)算結(jié)果。想要加快模型的訓(xùn)練速度,減少計(jì)算時(shí)間,就需要進(jìn)行大量的計(jì)算。同時(shí),為了提高計(jì)算效率,利用最小二乘估計(jì)方法對(duì)灰色模型的初始值進(jìn)行估計(jì)。最后通過(guò)訓(xùn)練灰色神經(jīng)網(wǎng)絡(luò),得到最優(yōu)模型參數(shù)。
采用最小二乘估計(jì)法計(jì)算初始值來(lái)確定式(10)中a1、a2、b的初始值(灰色神經(jīng)網(wǎng)絡(luò)的初始權(quán)值),公式如下所示:
(13)
其中:
z(1)(t)=0.5x(1)(t)+0.5x(1)(t-1),t=2,3,…,n
參數(shù)C1和C2由下面的推導(dǎo)得到,可用一階差分替換積分項(xiàng)如:
(14)
對(duì)(11)中的t求導(dǎo),即
(15)
將式(15)代入式(14)可得
x(0)(t)=C1λ1eλ1t+C2λ2eλ2t
(16)
參數(shù)C1和C2通過(guò)求解(11)和式(16)得到。為了構(gòu)造GNNM,將式(11)進(jìn)行如下變換
(17)
根據(jù)(17)構(gòu)造神經(jīng)網(wǎng)絡(luò)圖,如圖2所示。
圖2 GNNM(2,1)網(wǎng)絡(luò)原理圖Fig.2 Schematic diagramof the GNNM (2,1) network
得到模型的最優(yōu)參數(shù),神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程遵循以下過(guò)程。
步驟1:輸入初始權(quán)值[見(jiàn)式(13)~(16)]和網(wǎng)絡(luò)閾值。
U=[U1U2]=[λ1λ2]
W=[1+eλ1t1+eλ1t1+eλ2t]T
LD層的閾值表示為
步驟2:計(jì)算每一層的輸出。
LB神經(jīng)元的輸出定義為
LC神經(jīng)元的輸出定義為
c1(t)=V11b1(t)
c2(t)=V12b1(t)
c3(t)=V23b2(t)
LD神經(jīng)元的輸出定義為
d(t)=y1(t)=W1c1(t)+W2c2(t)+W3c3(t)
步驟3:計(jì)算逆誤差。
LD層誤差定義為
δd=y(t)-y1(t)
式中:y(t)是實(shí)際數(shù)據(jù)。
LC層誤差定義為
δc1=δdW1;δc2=δdW2;δc3=δdW3
LB層誤差定義為
步驟4:更新權(quán)重和閾值。
ΔU和ΔV分別為U和V的修正權(quán)值,η為學(xué)習(xí)速率,μ為慣性系數(shù)。
ΔU1(s)=μΔU1(s-1)+ηδb1t
ΔU2(s)=μΔU2(s-1)+ηδb2t
ΔV1(s)=μΔV1(s-1)+ηδc1t
ΔV2(s)=μΔV2(s-1)+ηδc2t
ΔV3(s)=μΔV3(s-1)+ηδc2t
矩陣V的剩余修正量為零,s表示訓(xùn)練次數(shù)。
U(s+1)=U(s)+ΔU(s)
V(s+1)=V(s)+ΔV(s)
矩陣W更新如下:
W1=W2=1+eU1t;W3=1+eU2t
步驟5:重復(fù)步驟2~4,直到達(dá)到收斂條件。
完整的算法流程如下圖所示:
圖3 程序流程框圖Fig.3 Program flow diagram
以中國(guó)西南某變電站2016年連續(xù)負(fù)荷時(shí)間間隔為1 h的1 000個(gè)數(shù)據(jù)點(diǎn)為研究對(duì)象。采用樣本中前900個(gè)測(cè)量數(shù)據(jù)用來(lái)訓(xùn)練,后100個(gè)測(cè)量數(shù)據(jù)用來(lái)測(cè)試。圖4為樣本圖示。
圖4 負(fù)荷時(shí)間序列Fig.4 Load time series
現(xiàn)有的一些利用小波變換進(jìn)行電力負(fù)荷預(yù)測(cè)的研究,通常采用四階Daubechies小波。從ADF檢驗(yàn)中,我們選擇WD級(jí)別為5。設(shè)給定長(zhǎng)度為N的信號(hào)為s,離散小波變換至多包含log2n個(gè)階段,樣本最多分解9層,圖5表示按頻率分解的電負(fù)荷。
圖5 利用離散小波變換對(duì)電力負(fù)荷進(jìn)行分解Fig.5 Decomposed electric load using discrete wavelet transform
應(yīng)用WD各分量的二階灰色神經(jīng)網(wǎng)絡(luò)模型[GNNM(2,1)]清楚地顯示了基于WD的預(yù)測(cè)結(jié)果,如圖6所示。使用WD-Elman(五層WD結(jié)合Elman神經(jīng)網(wǎng)絡(luò))和GNNM(2,1)比較所提出的WD GNNM(2,1)的性能。圖7表示負(fù)荷預(yù)測(cè)結(jié)果及不同模型的結(jié)果。
圖6 基于各分量WD-GNNM(2,1)的預(yù)測(cè)結(jié)果Fig.6 Forecasting results based on WD-GNNM (2, 1) of each component
圖7 不同模型的負(fù)荷預(yù)測(cè)結(jié)果Fig.7 Load forecasting results of different models
為了驗(yàn)證ADF檢驗(yàn)以確定WD的最優(yōu)層,單層WD到九層WD基于A(yíng)DF檢驗(yàn)的穩(wěn)定性結(jié)果列于表1。使用平均絕對(duì)百分比誤差(mean absolute percentage error,MAPE)來(lái)評(píng)估我們的結(jié)果。表2列出了不同時(shí)期的計(jì)算映射。
(18)
式中:y′(i)為預(yù)測(cè)值;y(i)為實(shí)際數(shù)據(jù);N為序列個(gè)數(shù)。
表1 ADF的測(cè)試結(jié)果Table 1 ADF test results
表2 不同分解層的MAPE指數(shù)Table 2 MAPE index of different decomposition layers
在表1中,0表示序列為非平穩(wěn)狀態(tài),1表示序列為平穩(wěn)狀態(tài)。在單層WD中,A1為非平穩(wěn)分量,D1為平穩(wěn)分量。繼續(xù)分解A1,求出兩層WD的結(jié)果;然而A2仍然是一個(gè)非平穩(wěn)分量。隨著Aj的不斷分解,各成分在五層WD中變得穩(wěn)定。從表2可以看出,隨著WD層數(shù)的增加,誤差減小。在五層WD中,基本分量是平穩(wěn)分量。此時(shí)累積誤差最小。當(dāng)分解水平大于5時(shí),由于各分量都是穩(wěn)定的,因此保證了各分量的預(yù)測(cè)精度。然而,隨著WD的推進(jìn),累積誤差逐漸增大。
表3和圖7給出了該文提出的WD-GNNM(2,1)和其他兩種方法的詳細(xì)誤差分析。理論分析和試驗(yàn)評(píng)價(jià)表明,所提出的WD-GNNM(2,1)是一個(gè)最優(yōu)解,有利于建立高精度的負(fù)載模型,證明了WD可以提高預(yù)測(cè)精度。
表3 MAPE指數(shù)的不同方法Table 3 Different methods of MAPE index
該文提出了一種基于WD的二階灰色神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)方法,WD后各分解分量的平穩(wěn)性采用ADF檢驗(yàn)。首先,小波變換可以降低負(fù)荷序列的非平穩(wěn)性,提高預(yù)測(cè)精度。其次,基于A(yíng)DF檢驗(yàn)確定最優(yōu)WD水平的方法能夠在最優(yōu)WD水平與小波分量穩(wěn)定性之間找到平衡,預(yù)測(cè)誤差降到最低,最后所提出的WD-GNNM(2,1)能有效提高預(yù)測(cè)精度。