李彥生

(大理供電局，云南 大理 671000)

0 引 言

配電網(wǎng)調(diào)度的主要依據(jù)為配電網(wǎng)短期負(fù)荷預(yù)測(cè)結(jié)果，因此預(yù)測(cè)精度對(duì)配電網(wǎng)運(yùn)行的可靠性及安全性具有重要意義[1]。配電網(wǎng)分布廣、網(wǎng)絡(luò)復(fù)雜、隨機(jī)性高；同時(shí)氣候等環(huán)境因素對(duì)光伏出力影響較大，配電網(wǎng)中分布式光伏的接入，可削減部分負(fù)荷，加大配電網(wǎng)凈負(fù)荷預(yù)測(cè)難度及波動(dòng)性[2]。

時(shí)間序列法、統(tǒng)計(jì)法及人工智能法等常被用于光伏出力預(yù)測(cè)及配電網(wǎng)負(fù)荷預(yù)測(cè)。楊文佳等[3]基于負(fù)荷預(yù)測(cè)誤差特性，對(duì)統(tǒng)計(jì)法進(jìn)行研究，綜合預(yù)測(cè)誤差統(tǒng)計(jì)分布規(guī)律及預(yù)測(cè)結(jié)果，獲得概率性負(fù)荷預(yù)測(cè)結(jié)果。連立軍等[4]通過時(shí)間序列法，綜合考慮季節(jié)因子光伏出力，建立差分整合移動(dòng)平均回歸模型，該模型誤差穩(wěn)定且精度較高。Mellit等[5]基于聚類法對(duì)光伏出力特征數(shù)據(jù)進(jìn)行篩選，通過GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)光伏出力，該預(yù)測(cè)精度較高，效果理想。時(shí)間序列法及統(tǒng)計(jì)法作為傳統(tǒng)方式，根據(jù)光伏出力、歷史負(fù)荷等數(shù)據(jù)的內(nèi)在規(guī)律進(jìn)行預(yù)測(cè)，該方法計(jì)算效率較高，模型簡(jiǎn)單，但忽略了外部因素對(duì)光伏出力及配電網(wǎng)負(fù)荷的影響。人工智能法通過機(jī)器學(xué)習(xí)，抽象并表示相關(guān)數(shù)據(jù)、歷史數(shù)據(jù)內(nèi)在線性及非線性關(guān)系，并綜合分析影響光伏出力及負(fù)荷因素，預(yù)測(cè)精度較高，且適應(yīng)性強(qiáng)。但傳統(tǒng)智能算法為淺層結(jié)構(gòu)，數(shù)據(jù)間非線性復(fù)雜結(jié)構(gòu)難以表示，且輸入特征對(duì)預(yù)測(cè)模型精度影響較大，無法獲得最優(yōu)預(yù)測(cè)特征集合[6]。

長(zhǎng)短期記憶(LSTM)為深度學(xué)習(xí)方法，較傳統(tǒng)人工智能法具有時(shí)序數(shù)據(jù)深挖分析優(yōu)勢(shì)，可深挖數(shù)據(jù)潛在關(guān)聯(lián)性，適用于高維度復(fù)雜模型構(gòu)建[7]。針對(duì)分布式高滲透率光伏配電網(wǎng)，基于LSTM提出凈負(fù)荷預(yù)測(cè)法，分別建立分布式光伏出力及配電網(wǎng)負(fù)荷預(yù)測(cè)模型，通過LSTM提取歷史相關(guān)特征，實(shí)現(xiàn)短/長(zhǎng)期特征綜合預(yù)測(cè)，以提升分布式光伏出力及配電網(wǎng)負(fù)荷的預(yù)測(cè)精度；對(duì)2個(gè)預(yù)測(cè)結(jié)果做差，得到凈負(fù)荷預(yù)測(cè)值。通過某地區(qū)分布式光伏出力數(shù)據(jù)及實(shí)測(cè)配電網(wǎng)負(fù)荷的實(shí)驗(yàn)進(jìn)行分析，以對(duì)預(yù)測(cè)方法的有效性進(jìn)行驗(yàn)證。

1 長(zhǎng)短期記憶

LSTM為具有長(zhǎng)短期記憶功能的循環(huán)神經(jīng)網(wǎng)絡(luò)，其神經(jīng)網(wǎng)絡(luò)各層結(jié)構(gòu)單元具有遺忘門、輸入門及輸出門等閘門[8]。通過“門”儲(chǔ)存任意距離及時(shí)間等信息，并對(duì)記憶狀態(tài)進(jìn)行控制。LSTM記憶結(jié)構(gòu)單元如圖1所示。

圖1 LSTM記憶結(jié)構(gòu)單元

由圖1可知，Ct-1為單元輸入，通過乘法器與系數(shù)ft作乘，并經(jīng)普通向量線性疊加，獲得輸出Ct。其中ft為：

ft=Sigmoid(bf+Wf·[ht-1,xt])

(1)

通過函數(shù)計(jì)算實(shí)現(xiàn)遺忘門，Sigmoid函數(shù)輸出值為1或0時(shí)，為完全記憶或完全忘記[9]。中間值為遺忘/記憶比例，Wf、bf可通過訓(xùn)練學(xué)習(xí)獲得，為待定系數(shù)[10]。

其它2個(gè)子神經(jīng)網(wǎng)絡(luò)層為：

it=Sigmoid(bi+Wi·[ht-1,xt])

(2)

C′t=tanh(bC+WC·[ht-1,xt])

(3)

式中，WC、bC為訓(xùn)練學(xué)習(xí)所得系數(shù)；tanh函數(shù)可將結(jié)果映射至[-1,1]。線性疊加計(jì)算Ct-1及C′t，以確定Ct中上一次遺留信息量及本次輸入信息量，即：

Ct=it·C′t+ft·Ct-1

(4)

輸出ht分為輸出至同一層下一單元及下一層單元2個(gè)部分，即：

Ot=Sigmoid(b0+W0·[ht-1,xt])

(5)

ht=tanh(Ct)·Ot

(6)

式中，Ot為遺忘門，確定從本單元?jiǎng)h除的信息。通過Ot與Ct的向量計(jì)算，輸出ht。通過閘門機(jī)制使LSTM具有長(zhǎng)期記憶功能。

2 數(shù)據(jù)規(guī)范化處理及數(shù)據(jù)集構(gòu)建

通過數(shù)據(jù)的標(biāo)準(zhǔn)化處理，使各列數(shù)據(jù)取值范圍為[0,1]，以提升模型泛化能力[11]。標(biāo)準(zhǔn)化處理序列y1,y2,…,yn，即：

(7)

LSTM模型訓(xùn)練前，標(biāo)準(zhǔn)化處理后歷史數(shù)據(jù)需劃分為3個(gè)部分，即測(cè)試集、訓(xùn)練集及驗(yàn)證集[12-13]。調(diào)節(jié)網(wǎng)絡(luò)超參數(shù)時(shí)，驗(yàn)證集可對(duì)網(wǎng)絡(luò)進(jìn)行評(píng)估。文中通過K折交叉驗(yàn)證，以避免模型可靠性評(píng)估受驗(yàn)證集過小或偶然性影響。將數(shù)據(jù)分為K個(gè)部分，并實(shí)例化K個(gè)相同模型，各模型的K-1個(gè)部分為該模型訓(xùn)練集，剩余的1個(gè)部分為驗(yàn)證集，以K次結(jié)果均值為算法誤差驗(yàn)證結(jié)果，文中K取為4。

3 算例分析

3.1 預(yù)測(cè)配電網(wǎng)負(fù)荷

文中分別采用LSTM及支持向量回歸(SVR)這2種方式建立負(fù)荷預(yù)測(cè)模型，同時(shí)預(yù)測(cè)凈負(fù)荷[14]。配電網(wǎng)凈負(fù)荷預(yù)測(cè)流程如圖2所示。

圖2 配電網(wǎng)凈負(fù)荷預(yù)測(cè)流程圖

LSTM模型輸入特征參數(shù)如表1所示。由于LSTM可自行分析歷史負(fù)荷特征及預(yù)測(cè)目標(biāo)之間的相關(guān)性，因此，表1中特征以連續(xù)歷史負(fù)荷、溫度等綜合日期特征進(jìn)行構(gòu)建，未做優(yōu)選。

表1 LSTM預(yù)測(cè)模型輸入特征

文中通過深度學(xué)習(xí)程序庫(kù)Keras預(yù)測(cè)配電網(wǎng)小時(shí)負(fù)荷[15-16]。選擇某地區(qū)2014—2018年間的43824組溫度特征歷史數(shù)據(jù)及配電網(wǎng)小時(shí)負(fù)荷。將2018年數(shù)據(jù)作為測(cè)試集，通過4折交叉驗(yàn)證評(píng)估模型，以保證模型評(píng)估的可靠性。按照1∶3的比例，以年為單位，將2014—2018年的歷史數(shù)據(jù)劃分為驗(yàn)證集及訓(xùn)練集。

對(duì)比分析SVR、LSTM模型預(yù)測(cè)結(jié)果，以驗(yàn)證模型有效性，模型輸入特征如表1所示。通過Keras搭建LSTM模型，其主要參數(shù)time_step為每日的24 h負(fù)荷；batch_size為100；input_dim與輸入數(shù)據(jù)特征數(shù)相同。隱含層隱藏節(jié)點(diǎn)數(shù)為300，LSTM層為1。為了降低擬合過程對(duì)預(yù)測(cè)模型的影響，加入dropout值為0.2的正規(guī)化，以Sigmoid函數(shù)為激活函數(shù)，以平均絕對(duì)誤差為損失函數(shù)，即：

(8)

SVR模型輸入特征如表2所示。

表2 SVR預(yù)測(cè)模型輸入特征

配電網(wǎng)當(dāng)前時(shí)刻負(fù)荷預(yù)測(cè)值為輸出特征Lh，建立SVR預(yù)測(cè)模型[17-18]。分別選取2018年各季節(jié)一周數(shù)據(jù)，分別通過LSTM、SVR模型進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖3所示。

(a) 2018年1月23日—2018年1月29日預(yù)測(cè)結(jié)果對(duì)比

(b) 2018年3月6日—2018年3月12日預(yù)測(cè)結(jié)果對(duì)比

(c) 2018年7月17日—2018年7月23日預(yù)測(cè)結(jié)果對(duì)比

(d) 2018年10月23日—2018年10月29日預(yù)測(cè)結(jié)果對(duì)比

LSTM及SVR這2種預(yù)測(cè)方法預(yù)測(cè)值與真實(shí)值誤差如表3所示。為了充分體現(xiàn)對(duì)比結(jié)果，本文通過平均絕對(duì)百分比誤差進(jìn)行對(duì)比[19]，即:

(9)

表3 配電網(wǎng)負(fù)荷預(yù)測(cè)精度對(duì)比

綜合表3及圖3，根據(jù)各季節(jié)168 h配電網(wǎng)負(fù)荷預(yù)測(cè)結(jié)果，LSTM預(yù)測(cè)法較SVR預(yù)測(cè)法預(yù)測(cè)精度高，更適用于配電網(wǎng)負(fù)荷預(yù)測(cè)。

3.2 預(yù)測(cè)光伏出力

與配電網(wǎng)負(fù)荷預(yù)測(cè)相同，分別通過LSTM及SVR法對(duì)光伏出力進(jìn)行預(yù)測(cè)，LSTM模型輸入特征如表4所示，SVR模型輸入特征如表5所示。光伏出力當(dāng)前時(shí)刻預(yù)測(cè)值為輸出特征Ph。

表4 光伏出力LSTM預(yù)測(cè)模型輸入特征

表5 光伏出力SVR預(yù)測(cè)模型輸入特征

日出時(shí)太陽輻照度較低，且綜合光伏發(fā)電啟動(dòng)閾值，光伏出力預(yù)測(cè)時(shí)間段為8:00—17:00的10 h[20-21]。LSTM模型通過Keras搭建，設(shè)定主要參數(shù)time_step為每日的10 h光伏出力；batch_size為40；input_dim與輸入數(shù)據(jù)特征數(shù)相同。LSTM層為1，隱含層節(jié)點(diǎn)數(shù)取為300。為了降低過擬合，加入dropout值為0.2的正規(guī)化，以Sigmoid函數(shù)為激活函數(shù)，MAE為損失函數(shù)。LSTM及SVR這2種方法所得預(yù)測(cè)值及真實(shí)值對(duì)比圖如圖4所示，MAE及MAPE誤差對(duì)比如表6所示。

(a) 2018年1月23日—2018年1月29日預(yù)測(cè)結(jié)果對(duì)比

(b) 2018年3月6日—2018年3月12日預(yù)測(cè)結(jié)果對(duì)比

(c) 2018年7月17日—2018年7月23日預(yù)測(cè)結(jié)果對(duì)比

(d) 2018年10月23日—2018年10月29日預(yù)測(cè)結(jié)果對(duì)比

綜合圖4及表6，由各季節(jié)光伏出力預(yù)測(cè)結(jié)果可知，LSTM法預(yù)測(cè)誤差低于SVR法，因此LSTM預(yù)測(cè)方法對(duì)于光伏出力預(yù)測(cè)同樣具有優(yōu)勢(shì)。

3.3 預(yù)測(cè)配電網(wǎng)凈負(fù)荷

若電網(wǎng)內(nèi)分布式電源僅為分布式光伏，則配電網(wǎng)凈負(fù)荷為配電網(wǎng)負(fù)荷與光伏出力的差值[22-23]，即：

L′h=Lh-Ph

(10)

式中，Lh為某時(shí)刻配電網(wǎng)負(fù)荷；Ph為某時(shí)刻光伏出力；L′h為某時(shí)刻配電網(wǎng)凈負(fù)荷。由計(jì)算可得，基于LSTM、SVR的配電網(wǎng)凈負(fù)荷預(yù)測(cè)值與真實(shí)值曲線如圖5所示，各季節(jié)配電網(wǎng)凈負(fù)荷預(yù)測(cè)誤差對(duì)比如表7所示。

(a) 2018年1月23日—2018年1月29日預(yù)測(cè)結(jié)果對(duì)比

(b) 2018年3月6日—2018年3月12日預(yù)測(cè)結(jié)果對(duì)比

(c) 2018年7月17日—2018年7月23日預(yù)測(cè)結(jié)果對(duì)比

(d) 2018年10月23日—2018年10月29日預(yù)測(cè)結(jié)果對(duì)比

表7 LSTM及SVR法預(yù)測(cè)凈負(fù)荷值與真實(shí)值誤差對(duì)比

由MAE及MAPE對(duì)比結(jié)果可知，LSTM于各季度預(yù)測(cè)精度較高，顯著優(yōu)于SVR。由此可知，本文預(yù)測(cè)方法具有較高的有效性。

4 結(jié)束語

本文通過LSTM方法構(gòu)建神經(jīng)網(wǎng)絡(luò)短期預(yù)測(cè)模型，并分別對(duì)配電網(wǎng)負(fù)荷及光伏出力進(jìn)行短時(shí)預(yù)測(cè)，通過做差獲得配電網(wǎng)凈負(fù)荷預(yù)測(cè)值。由實(shí)驗(yàn)數(shù)據(jù)分析可知，LSTM方法可自適應(yīng)挖掘光伏出力特征和歷史負(fù)荷預(yù)測(cè)對(duì)象之間的相關(guān)性，在無需開展特征工程前提下，在不同氣象條件及不同季節(jié)，均具有較好的預(yù)測(cè)精度。該方法滿足配電網(wǎng)調(diào)度需求，具有較好的實(shí)用性及較高的有效性。