楊朝赟, 夏圣峰,江南,黃毅標(biāo),李渴,張逸
(1.國網(wǎng)福建省電力有限公司福州供電公司,福州市 350009;2.福州大學(xué)電氣工程與自動化學(xué)院,福州市 350108)
分布式電源、電力電子負(fù)荷和各種新型負(fù)荷大量接入配電網(wǎng),使得配電臺區(qū)源荷的非線性和隨機(jī)性程度日漸加劇,各種電能質(zhì)量問題越發(fā)顯著[1-2]。電壓指標(biāo)對電能質(zhì)量技術(shù)研究、生產(chǎn)管理而言具有重要意義。準(zhǔn)確預(yù)測和分析電壓偏差、電壓總諧波畸變率等穩(wěn)態(tài)電壓質(zhì)量監(jiān)測數(shù)據(jù)的變化趨勢[3],提早發(fā)現(xiàn)指標(biāo)異?;虺瑯?biāo)問題,對于優(yōu)化電網(wǎng)運行方式、實施精確治理、提高配電臺區(qū)電能質(zhì)量水平尤為關(guān)鍵[4-5]。
近年來,穩(wěn)態(tài)電能質(zhì)量指標(biāo)的預(yù)測分析研究受到廣泛關(guān)注[6-7]?;诜€(wěn)態(tài)電能質(zhì)量監(jiān)測數(shù)據(jù)本身的規(guī)律,現(xiàn)有文獻(xiàn)分別從不同時間尺度對其進(jìn)行了預(yù)測研究。文獻(xiàn)[8-9]均建立了基于灰色預(yù)測模型、線性回歸模型和隨機(jī)時間序列模型的優(yōu)選組合預(yù)測模型,但局限于月穩(wěn)態(tài)指標(biāo)的預(yù)測,時間尺度大;文獻(xiàn)[4]從日指標(biāo)時間序列入手,實現(xiàn)未來15天的指標(biāo)預(yù)測;文獻(xiàn)[10]基于長短時記憶(long short-term memory,LSTM)網(wǎng)絡(luò)進(jìn)行了諧波監(jiān)測數(shù)據(jù)預(yù)測,涉及10 min、1 min和10 s這3種時間尺度的電壓總諧波畸變率和各次諧波電壓含有率等監(jiān)測值,能夠預(yù)測到秒級、分鐘級的指標(biāo)數(shù)據(jù),但只能得到未來1天內(nèi)的預(yù)測結(jié)果。上述文獻(xiàn)并未考慮穩(wěn)態(tài)指標(biāo)與外部信息的相關(guān)性。文獻(xiàn)[11]利用離網(wǎng)系統(tǒng)中穩(wěn)態(tài)指標(biāo)與溫度、電池狀態(tài)的關(guān)聯(lián)性進(jìn)行預(yù)測。文獻(xiàn)[12]在指標(biāo)預(yù)測時,更多地考慮了風(fēng)電場天氣因素。文獻(xiàn)[13]考慮有功功率和穩(wěn)態(tài)日指標(biāo)之間的相關(guān)性,在得到有功功率預(yù)測值的基礎(chǔ)上,再將其輸入到神經(jīng)網(wǎng)絡(luò)中用于電能質(zhì)量指標(biāo)預(yù)測,但存在的缺陷是直接處理時序數(shù)據(jù),沒有依據(jù)兩種數(shù)據(jù)之間的相關(guān)性進(jìn)行特征量篩選,有功功率的預(yù)測值極大程度上影響著穩(wěn)態(tài)指標(biāo)的預(yù)測結(jié)果,并且不同指標(biāo)預(yù)測精度差別較大。
在預(yù)測對象及場景限定上,為了降低考慮各種相關(guān)因素時帶來的預(yù)測分析復(fù)雜性,文獻(xiàn)[4]選取負(fù)荷類型和容量等處于相對恒定的分析時段。文獻(xiàn)[14]針對具有非線性、單相獨立性和隨機(jī)波動性等電鐵一類的用電負(fù)荷,提出了一種基于蒙特卡洛(Monte Carlo)抽樣的電鐵電能質(zhì)量預(yù)測方法,先處理牽引負(fù)荷的隨機(jī)波動性,再基于實測數(shù)據(jù)對諧波、負(fù)序電壓不平衡等指標(biāo)作預(yù)測分析。上述文獻(xiàn)所提的預(yù)測方法由于限定了分析場景,并不適用配電臺區(qū)實際源荷的特點。
實際中公共連接點(point of common coupling,PCC)的穩(wěn)態(tài)電壓質(zhì)量水平與主要干擾源用戶的用電行為有明顯關(guān)系[15]。由于配電臺區(qū)負(fù)荷變化具有較強(qiáng)隨機(jī)性和周期性[16],電能質(zhì)量監(jiān)測數(shù)據(jù)會隨干擾源用戶生產(chǎn)用電行為表現(xiàn)出明顯的變化規(guī)律。在進(jìn)行穩(wěn)態(tài)指標(biāo)預(yù)測建模時,預(yù)測精度在一定程度上依賴于建模數(shù)據(jù)合理性和全面性[17],如果忽略臺區(qū)不同用戶用電特征這一重要因素,在干擾源負(fù)荷發(fā)生一定變動時,電壓質(zhì)量監(jiān)測數(shù)據(jù)的單變量預(yù)測將丟失一些有價值的外部預(yù)測信息,會有較大偏差。
針對以上問題,本文將干擾源用戶用電和電壓質(zhì)量指標(biāo)變化結(jié)合起來,并且篩選出最具代表性的特征量,通過改進(jìn)多變量預(yù)測提高預(yù)測模型性能和效率。本文提出一種基于相關(guān)性分析和LSTM網(wǎng)絡(luò)的電壓質(zhì)量穩(wěn)態(tài)指標(biāo)預(yù)測模型。所提方法首先通過相關(guān)性分析篩選出強(qiáng)相關(guān)用戶數(shù)據(jù),并基于此得到模型訓(xùn)練的輸入量,接著建立基于LSTM的預(yù)測模型。最后,運用模型得到各個時刻的穩(wěn)態(tài)數(shù)據(jù),并對預(yù)測結(jié)果進(jìn)行分析評價。
電能質(zhì)量監(jiān)測系統(tǒng)的監(jiān)測數(shù)據(jù)和用電信息采集系統(tǒng)的平均有功功率數(shù)據(jù)分別反映了系統(tǒng)及所供電用戶綜合作用的電能質(zhì)量水平[15]和用戶用電特性。文獻(xiàn)[15]將這兩類數(shù)據(jù)相結(jié)合,分析了用戶平均有功功率與電壓總諧波畸變率的時序相關(guān)性。對于其他的穩(wěn)態(tài)電壓質(zhì)量指標(biāo)數(shù)據(jù),如電壓偏差、電壓不平衡等,也能借鑒數(shù)據(jù)相關(guān)性思想得到類似的關(guān)聯(lián)規(guī)律。
福建某配電臺區(qū)中接入電網(wǎng)PCC的各用戶實際有功功率如圖1所示。從圖1可以看出,各用戶的實際有功功率曲線數(shù)據(jù)表現(xiàn)出不同的時序特點,在用電行為上表現(xiàn)出夜間用電、單峰用電、雙峰用電等類型[16]。該P(yáng)CC處監(jiān)測終端采集到的實測穩(wěn)態(tài)指標(biāo)有電壓總諧波畸變率和電壓偏差等,圖2為同一天內(nèi)2種穩(wěn)態(tài)電壓質(zhì)量指標(biāo)實測數(shù)據(jù)的95%概率大值變化曲線?!峨娔苜|(zhì)量 公用電網(wǎng)諧波》(GB/T 14549—1993)中給出了實測值的95%概率值的近似獲取方法,即將實測值按降序排列,舍棄前面5%的大值,取剩余實測值中的大值。圖2(a)的電壓總畸變率時序呈現(xiàn)出夜間高峰、白天低平的形態(tài),而圖2(b)的電壓偏差在凌晨維持相對較高的數(shù)值,并且在午間有明顯突變。
圖1 不同用戶同一天內(nèi)有功功率曲線Fig.1 Curves of active power of different users on the same day
圖2 穩(wěn)態(tài)電壓質(zhì)量指標(biāo)曲線Fig.2 Curves of voltage quality steady-state indices
從直觀上可以看出,在圖1所示這一天內(nèi),用戶4的用電負(fù)荷曲線和電壓總諧波畸變率的變化規(guī)律具有相似性,在夜間時段有峰值而白天保持平穩(wěn)且低值的特征,可認(rèn)為用戶4的用電行為與電壓總諧波畸變率存在正相關(guān)性。對比電壓偏差曲線和不同用戶有功功率曲線,用戶8對應(yīng)曲線的時序特點和電壓偏差趨勢正好相反,粗略認(rèn)為這一天中兩者有負(fù)相關(guān)性。
從實際數(shù)據(jù)的時間序列曲線來看,穩(wěn)態(tài)指標(biāo)和有功功率存在一定的關(guān)聯(lián)性,由此可進(jìn)一步定量這2種數(shù)據(jù)之間的相關(guān)性,從而進(jìn)行穩(wěn)態(tài)電壓質(zhì)量預(yù)測分析。
動態(tài)時間規(guī)整算法(dynamic time warping,DTW)[18],能夠衡量2個非對齊時間序列的相似程度。通過序列之間的動態(tài)化匹對,可以得到電壓質(zhì)量監(jiān)測數(shù)據(jù)和各個用戶有功功率時間序列之間的距離矩陣,從而定量分析各用戶平均有功功率與電能質(zhì)量指標(biāo)的相關(guān)性。
設(shè)分析時段內(nèi)電能質(zhì)量監(jiān)測終端采集的時段總數(shù)為n,用電采集系統(tǒng)采集的時段總數(shù)為η,則有2個時間序列的矩陣形式,分別表示為式(1)和式(2)。
X=[x1,x2,…,xi,…,xn]
(1)
Pk=[p1,p2,…,pj,…,pηk]
(2)
式中:X代表某類型電壓質(zhì)量穩(wěn)態(tài)監(jiān)測數(shù)據(jù)序列;xi代表第i個數(shù)值,共有n個數(shù);Pk代表某個用戶k的有功功率時序;pj代表第j個數(shù)值,共有ηk個數(shù)。監(jiān)測數(shù)據(jù)類型有電壓總諧波畸變率(total voltage harmonic distortion,THDu)、各次諧波電壓含有率、電壓偏差、電壓不平衡等。
定量計算電壓質(zhì)量監(jiān)測數(shù)據(jù)和某個用戶有功功率數(shù)據(jù)之間的距離時,定義一個大小為n×ηk的距離矩陣D,其中D[i,j]表示矩陣X中第i個數(shù)xi與用戶k的Pk矩陣中第j個數(shù)pj之間的歐氏距離,計算表達(dá)式為式(3)。
(3)
DTW距離基于距離矩陣D中的元素迭代而得,記累積距離矩陣為S,迭代初值S[1,1]為D[1,1]。
先計算矩陣S中第一行和第一列的所有元素項,第一列中第二行起行元素S[i,1]表達(dá)式為式(4),第一行中第二列起列元素S[1,j]表達(dá)式為式(5)。
S[i,1]=D[i,1]+S[i-1,1],2≤i≤n
(4)
S[1,j]=D[1,j]+S[1,j-1],2≤j≤ηk
(5)
然后,針對2≤i≤n,2≤j≤ηk的情況,基于矩陣S中已知的行元素和列元素,比較3個元素S[i,j-1],S[i-1,j],S[i-1,j-1]的最小值,將最小累積距離項加上此時的D[i,j],作為新元素S[i,j],再依次迭代計算新的累積距離項,更新S中的元素。具體的計算表達(dá)式如式(6)所示。
(6)
直至i=n且j=ηk時,S[n,ηk]的數(shù)值是整體最小累積距離[15],即為2個序列的DTW距離,代表該用戶k與電能質(zhì)量監(jiān)測數(shù)據(jù)在趨勢特征和時間特征上的相似度,距離值越小,則兩者相似度越高。
通過以上分析,本文篩選出與穩(wěn)態(tài)電壓質(zhì)量數(shù)據(jù)相關(guān)性強(qiáng)的用戶有功數(shù)據(jù),將其作為預(yù)測模型的輸入量。在臺區(qū)負(fù)荷種類多且容量變化大、電能質(zhì)量問題復(fù)雜的背景下,結(jié)合2種數(shù)據(jù)的時序特性和內(nèi)在關(guān)聯(lián)性,能夠有效預(yù)測穩(wěn)態(tài)指標(biāo)的變化趨勢。
LSTM作為循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)的改進(jìn)形式,隱含層更為復(fù)雜。與RNN一樣,LSTM網(wǎng)絡(luò)專門用于處理序列數(shù)據(jù),且能夠處理過長的輸入序列[19]。LSTM網(wǎng)絡(luò)可設(shè)置為多輸入單輸出模型,適用于本文中的序列分析問題,即通過多特征量時序數(shù)據(jù)(穩(wěn)態(tài)電壓質(zhì)量指標(biāo)監(jiān)測數(shù)據(jù)、用戶有功功率數(shù)據(jù)等)進(jìn)行穩(wěn)態(tài)電壓質(zhì)量預(yù)測。LSTM存在多種變體形式[20-22],最基本的LSTM網(wǎng)絡(luò)中包括3個門控結(jié)構(gòu),通過遺忘門、輸入門和輸出門實現(xiàn)對信息的添加和刪除操作。
LSTM的內(nèi)部結(jié)構(gòu)如圖3所示,每個門包含一個Sigmoid神經(jīng)網(wǎng)絡(luò)層和一個點乘操作,用σ表示Sigmoid激活函數(shù)。
圖3 LSTM內(nèi)部結(jié)構(gòu)示意圖Fig.3 Schematic of LSTM cell structure
1)由遺忘門的Sigmoid層決定是否舍棄一些信息,其運算結(jié)果為1時代表保留,為0時即為舍棄信息。
ft=σ(Wf·[ht-1,xt]+bf)
(7)
式中:ft為遺忘門運算結(jié)果;Wf為遺忘門權(quán)重矩陣;xt、ht-1分別為當(dāng)前時刻的輸入與上一時刻LSTM的輸出;bf為遺忘門偏置項。
2)根據(jù)輸入門的Sigmoid層加入新信息,并結(jié)合tanh層得到的候選值,得到狀態(tài)更新量。
it=σ(Wi·[ht-1,xt]+bi)
(8)
(9)
綜合考慮1)中丟棄的信息,可以得到當(dāng)前時刻的單元狀態(tài)。
(10)
3)由輸出門的Sigmoid層決定輸出哪些信息,再結(jié)合經(jīng)tanh層處理后的候選單元狀態(tài),得到輸出。
Ot=σ(Wo·[ht-1,xt]+bo)
(11)
ht=Ot·tanh(Ct)
(12)
式中:Ot為輸出門的運算結(jié)果;ht為當(dāng)前時刻的輸出;Wo和bo分別為輸出門的權(quán)重矩陣和偏置項。
具體到本文,LSTM網(wǎng)絡(luò)模型的輸入x為電力用戶有功功率數(shù)據(jù)和穩(wěn)態(tài)電壓質(zhì)量歷史監(jiān)測數(shù)據(jù),最終預(yù)測模型輸出量即為穩(wěn)態(tài)監(jiān)測數(shù)據(jù)預(yù)測值。
本文預(yù)測模型的構(gòu)建步驟包含以下幾個內(nèi)容:
1)數(shù)據(jù)預(yù)處理,對某時段10 kV母線PCC處監(jiān)測終端采集的電壓質(zhì)量監(jiān)測數(shù)據(jù)和所接用戶的有功功率數(shù)據(jù)作缺失值填充和歸一化處理。
2)根據(jù)DTW算法,對各類用戶的有功功率數(shù)據(jù)與穩(wěn)態(tài)電壓質(zhì)量數(shù)據(jù)進(jìn)行相關(guān)性分析,選擇關(guān)聯(lián)性較強(qiáng)的用戶用電數(shù)據(jù),和穩(wěn)態(tài)監(jiān)測數(shù)據(jù)一同作為構(gòu)建LSTM模型的數(shù)據(jù)集。
3)將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集,并基于LSTM網(wǎng)絡(luò)構(gòu)建DTW-LSTM預(yù)測模型。
4)在訓(xùn)練好預(yù)測模型的基礎(chǔ)上,利用測試數(shù)據(jù)集獲得預(yù)測值,并作反歸一化處理,對比真實值來評估模型性能。
3.1.1原始數(shù)據(jù)集
2020年4月15日至21日的原始THDu時序數(shù)據(jù)圖4所示,同一時段內(nèi)10個用戶的有功功率時序數(shù)據(jù)如圖5所示,圖5中用2個子圖依次展示大工業(yè)用戶(用戶2、用戶9、用戶10)和普通工業(yè)用戶的生產(chǎn)用電情況。
圖4 電壓總諧波畸變率時間序列Fig.4 Time series of total harmonic distortion of the voltage
圖5 多用戶有功功率時間序列Fig.5 Time-series of active power of the users
3.1.2關(guān)聯(lián)性篩選
由圖4和圖5可知,2種時序數(shù)據(jù)都表現(xiàn)出一定的變化規(guī)律。經(jīng)歸一化等預(yù)處理以后,序列之間通過DTW算法進(jìn)行動態(tài)化匹配,取滑窗T=96,可以得到相關(guān)系數(shù),即DTW距離。THDu與有功功率的相關(guān)性測度如表1所示。根據(jù)1.2節(jié)的相關(guān)性測度思想,DTW距離值越小,則相應(yīng)用戶有功數(shù)據(jù)與THDu相似度越高。表1中用戶x2、x9、x10對應(yīng)的DTW數(shù)值相對較小,可以認(rèn)為,在分析時段內(nèi),用戶2、用戶9和用戶10的有功功率時序與THDu時序具有較強(qiáng)相關(guān)性,后續(xù)將這3個用戶的有功功率數(shù)據(jù)作為模型輸入量。
表1 THDu與有功功率的相關(guān)性測度Table 1 Correlation measure between THDu and active power
3.1.3數(shù)據(jù)集拆分
考慮到用戶采集數(shù)據(jù)與監(jiān)測數(shù)據(jù)的存儲周期不同,前者每個數(shù)據(jù)點間隔15 min,后者為每3 min一個點,所以在同一分析時段內(nèi),2種數(shù)據(jù)的總數(shù)是不一致的。為了使輸入特征量和預(yù)測輸出量的時刻一一對應(yīng),在此作簡化處理,對于穩(wěn)態(tài)電壓質(zhì)量指標(biāo)依次間隔15 min,即每5個數(shù)據(jù)點,取相應(yīng)監(jiān)測數(shù)據(jù)作為新的數(shù)據(jù)點。由此,把篩選出的用戶群有功功率數(shù)據(jù)和THDu數(shù)據(jù)整合成若干組對應(yīng)同一時刻的數(shù)據(jù)集。
預(yù)測模型樣本輸入特征量包括經(jīng)篩選后若干用戶的有功功率數(shù)據(jù)和PCC處穩(wěn)態(tài)電壓質(zhì)量歷史監(jiān)測數(shù)據(jù),各輸入特征量的樣本總數(shù)均為1 343。同一時刻的數(shù)據(jù)點看作一組數(shù)據(jù),則得到對應(yīng)1 343個時刻的輸入樣本對。本文構(gòu)建的預(yù)測模型為單輸出模型,以每一組輸入特征量數(shù)據(jù)作為前一狀態(tài)量,輸出下一時間點的穩(wěn)態(tài)電壓質(zhì)量監(jiān)測數(shù)據(jù)。
針對為期2周的數(shù)據(jù)集,本文取前7天的數(shù)據(jù)按6:2:2的比例劃分為模型訓(xùn)練集、驗證集和測試集,訓(xùn)練集和驗證集數(shù)據(jù)用于建模,剩下數(shù)據(jù)作為測試數(shù)據(jù),用來檢驗LSTM模型的預(yù)測準(zhǔn)確性。
評估模型預(yù)測結(jié)果時,本文采用平均絕對誤差(mean absolute error,MAE)和均方根誤差(root mean square error,RMSE),分別按式(13)、(14)計算,值越小則代表預(yù)測值與實際值越接近,預(yù)測模型性能好。
為了消除刀片淬火時產(chǎn)生的內(nèi)應(yīng)力以及得到硬度較高、穩(wěn)定性好的回火馬氏體,采用回火溫度為150~250℃的低溫回火,試驗中選擇170℃進(jìn)行低溫回火。
(13)
(14)
本文通過Keras深度學(xué)習(xí)框架搭建一個2層隱層的LSTM網(wǎng)絡(luò),首先建立一個Keras序列模型Sequential[10],在此框架中依次加入輸入層、隱含層和輸出層。分為以下2種情況進(jìn)行分析,標(biāo)識為“情況一”“情況二”。
3.3.1用戶日用電行為相對恒定(情況一)
這里以3.1.2節(jié)的篩選結(jié)果為例,所以輸入層有4個特征量,即3個強(qiáng)相關(guān)的用戶數(shù)據(jù)和歷史THDu數(shù)據(jù);設(shè)置2個隱層,分別有50、32個神經(jīng)元,激活函數(shù)均為線性整流函數(shù)(rectified linear unit,ReLU);預(yù)測模型為單輸出,故輸出層包含1個神經(jīng)元,選擇線性函數(shù)作為激活函數(shù)。優(yōu)化算法利用自適應(yīng)時刻估計法[23](adaptive moment estimation, ADAM)。當(dāng)監(jiān)測數(shù)據(jù)類型或監(jiān)測點類型發(fā)生變化時,需要調(diào)整模型結(jié)構(gòu)參數(shù),以達(dá)到較好的預(yù)測效果。
本文將前7天的數(shù)據(jù)按6:2:2的比例劃分,測試集記為測試樣本1。為了驗證預(yù)測模型的泛化性,將后6天的數(shù)據(jù),即2020年4月23日至28日的數(shù)據(jù)全部作為測試集,記為測試樣本2。
基于相關(guān)性分析得到的訓(xùn)練數(shù)據(jù)集,考慮了監(jiān)測點處歷史穩(wěn)態(tài)電壓指標(biāo)監(jiān)測數(shù)據(jù)和用戶有功功率數(shù)據(jù)這2種類型數(shù)據(jù)的關(guān)聯(lián)關(guān)系,篩選高相關(guān)度的用戶數(shù)據(jù)作為輸入量,即為改進(jìn)多輸入量的輸入方式,并將此構(gòu)建的模型記為DTW-LSTM模型。對比另外2種情況構(gòu)建的LSTM模型,一是僅依據(jù)穩(wěn)態(tài)電壓指標(biāo)歷史監(jiān)測數(shù)據(jù)進(jìn)行預(yù)測,即為單輸入量模型;二是在歷史監(jiān)測數(shù)據(jù)的基礎(chǔ)上,引入對應(yīng)監(jiān)測點下所有用戶有功變量作為輸入量,即為多輸入量模型。情況一中THDu的預(yù)測誤差統(tǒng)計結(jié)果如表2所示。
表2 情況一中THDu的預(yù)測誤差統(tǒng)計Table 2 Forecast error statistics of THDu in the first case
類似地,根據(jù)電壓偏差與用戶用電數(shù)據(jù)相關(guān)性分析結(jié)果,篩選出特征數(shù)據(jù),并仍以6:2:2的比例構(gòu)建數(shù)據(jù)集,進(jìn)行該穩(wěn)態(tài)指標(biāo)的模型訓(xùn)練和預(yù)測分析。表3展示了3種預(yù)測模型的誤差結(jié)果,其中“測試樣本1”和“測試樣本2”對應(yīng)的時段與表2中2個測試樣本數(shù)據(jù)的一樣。
表3 情況一中電壓偏差的預(yù)測誤差統(tǒng)計Table 3 Forecast error statistics of voltage deviation in the first case
通過對比該監(jiān)測點的電壓總諧波畸變率和電壓偏差預(yù)測結(jié)果,可以看出:
1)當(dāng)所有用戶數(shù)據(jù)都作為模型訓(xùn)練集時(LSTM+多輸入量),RMSE數(shù)值相對較大,甚至不如單純依靠歷史監(jiān)測數(shù)據(jù)時(LSTM+單輸入量)的預(yù)測結(jié)果;
2)選取和穩(wěn)態(tài)數(shù)據(jù)相關(guān)性較強(qiáng)的干擾源用戶數(shù)據(jù),也就是DTW-LSTM,基于測試樣本1得到的誤差指標(biāo)MAE和RMSE數(shù)值小,改善了穩(wěn)態(tài)監(jiān)測數(shù)據(jù)的短期預(yù)測效果;
3)預(yù)測模型在預(yù)測未來時段的穩(wěn)態(tài)指標(biāo)數(shù)據(jù)(測試樣本2)時,MAE和RMSE指標(biāo)數(shù)值變大,DTW-LSTM模型預(yù)測精度有明顯降低趨勢。
本文從多輸入量中舍棄與穩(wěn)態(tài)電壓質(zhì)量指標(biāo)弱相關(guān)或無關(guān)的用戶用電數(shù)據(jù),充分利用了對指標(biāo)預(yù)測有價值的數(shù)據(jù)。將相關(guān)程度高的變量作為訓(xùn)練參數(shù),在提高模型短期預(yù)測精度上有優(yōu)勢。但在所分析的時間尺度下,該監(jiān)測點負(fù)荷類型和容量等相對恒定,無法涵蓋用戶所有的運行工況,且可能遺漏了監(jiān)測數(shù)據(jù)重要的趨勢特征和變化規(guī)律,使模型在預(yù)測樣本2時的效果不夠好。
3.3.2用戶日用電行為發(fā)生變化(情況二)
針對3.3.1節(jié)DTW-LSTM在預(yù)測測試樣本2時效果不佳的情況,鑒于該建模數(shù)據(jù)集對應(yīng)時間段內(nèi)各個用戶日用電特性較為穩(wěn)定,故選取另一監(jiān)測點的電壓質(zhì)量監(jiān)測數(shù)據(jù)和用戶用電數(shù)據(jù)作預(yù)測分析。該點接有明顯用電行為變化的用戶,由此盡可能多地捕捉用戶用電與電能質(zhì)量數(shù)據(jù)之間的關(guān)聯(lián)特征,進(jìn)一步檢驗DTW-LSTM模型在預(yù)測未來時段穩(wěn)態(tài)指標(biāo)的效果。
用戶“飛龍塑鋼”有功功率時間序列如圖6所示,不同于圖5中各個用戶每天保持相對穩(wěn)定的生產(chǎn)作業(yè)情況,該用戶存在周末停產(chǎn)休息的工況。
圖6 某用戶有功功率時間序列Fig.6 Time series of active power of a power user
本文同樣構(gòu)建了單輸入量、多輸入量LSTM模型以及DTW-LSTM模型來預(yù)測該點穩(wěn)態(tài)電壓質(zhì)量指標(biāo)數(shù)值。
預(yù)測模型需要使用新的數(shù)據(jù),類似于3.3.1節(jié)中的數(shù)據(jù)集拆分規(guī)則,依次劃分出訓(xùn)練集和測試樣本。同樣在新數(shù)據(jù)集中形成2份測試樣本,規(guī)則為:前7天的新數(shù)據(jù)集按訓(xùn)練集、驗證集、測試集三者比例為6:2:2劃分,其中測試集記為測試樣本3;將后6天的數(shù)據(jù)全部作為測試集,記為測試樣本4。并設(shè)置模型參數(shù),重新訓(xùn)練后再進(jìn)行預(yù)測。以新監(jiān)測點的THDu和電壓偏差為例,其預(yù)測誤差結(jié)果見表4、表5。
表4 情況二中THDu的預(yù)測誤差統(tǒng)計Table 4 Forecast error statistics of THDu in the second case
根據(jù)表4、表5中的預(yù)測誤差結(jié)果可以得出,與3.3.1節(jié)存在一致性的2點結(jié)論,即:1)對比分別以單輸入量和多輸入量作為訓(xùn)練數(shù)據(jù)集的LSTM模型,后者預(yù)測誤差指標(biāo)MAE和RMSE均大于前者,換句話說,多輸入量的LSTM模型并不能提升預(yù)測性能;2)通過改進(jìn)多輸入量建立的DTW-LSTM模型,在預(yù)測短期測試樣本數(shù)據(jù)(測試樣本3)時,MAE及RMSE指標(biāo)數(shù)值比其他2種預(yù)測模型的小,預(yù)測效果好。
表5 情況二中電壓偏差的預(yù)測誤差統(tǒng)計Table 5 Forecast error statistics of voltage deviation in the second case
同時,通過對比測試樣本3和測試樣本4的預(yù)測誤差可知,在用戶用電特性變化大時,考慮了強(qiáng)相關(guān)特征量的DTW-LSTM模型在預(yù)測未來的穩(wěn)態(tài)指標(biāo)數(shù)據(jù)變化情況時效果顯著。
本文建立了基于DTW-LSTM網(wǎng)絡(luò)的穩(wěn)態(tài)電壓質(zhì)量指標(biāo)預(yù)測模型,通過對實際數(shù)據(jù)應(yīng)用與分析,得到以下結(jié)論:
1)不加以特征篩選的多輸入量LSTM模型,會引入對預(yù)測分析意義不大的特征量,使得預(yù)測誤差較大;
2)不同場景下,DTW-LSTM預(yù)測模型都使得穩(wěn)態(tài)指標(biāo)短期預(yù)測誤差減?。?/p>
3)當(dāng)分析時段內(nèi),用戶每日用電特征具有明顯差異時,改進(jìn)多輸入量DTW-LSTM模型由于結(jié)合了監(jiān)測點下各類用電負(fù)荷不同的運行情況,所以能夠更好地挖掘出與穩(wěn)態(tài)指標(biāo)關(guān)聯(lián)的數(shù)據(jù)特點,提高了穩(wěn)態(tài)指標(biāo)短期及長期預(yù)測精度。
后續(xù)將考慮臺區(qū)用戶長期用電特性,結(jié)合監(jiān)測點下各個用戶不同的用電特點進(jìn)行特征提取和篩選,并研究多尺度數(shù)據(jù)融合技術(shù),得到數(shù)據(jù)量和信息量比較完整的建模數(shù)據(jù)集。同時針對除電壓質(zhì)量指標(biāo)以外的其他穩(wěn)態(tài)電能質(zhì)量指標(biāo),開展進(jìn)一步的應(yīng)用研究。