劉江濤 延巧娜 周 濤 邵 雷 陳 中

(1.南京電力設(shè)計研究院有限公司 南京 210037；2.南京理工大學(xué)自動化學(xué)院 南京 210094；3.南京能云電力科技有限公司 南京 211100；4.東南大學(xué)電氣工程學(xué)院 南京 210096)

1 引言

隨著國民經(jīng)濟的迅速發(fā)展和城市交通線路數(shù)量的增長，地鐵在我國正得到廣泛的應(yīng)用。目前我國正處于城市軌道交通發(fā)展的黃金時期，許多大中型城市正在進行城市軌道交通的建設(shè)[1]。地鐵的耗電巨大，屬于耗能較大的負荷，對于地區(qū)電網(wǎng)而言是不可忽略的[2]。同時，地鐵車組的頻繁起停，使得地鐵負荷又具有波動較大的特點[3]。另外，地鐵作為公共交通，對城市生活、國民經(jīng)濟各方面影響很大，對供電的安全可靠性要求很高[4]。為了更好地掌握地鐵負荷對電網(wǎng)的影響，保證對地鐵的安全可靠供電，對地鐵供電系統(tǒng)進行精準的負荷預(yù)測就顯得十分重要。此外，負荷預(yù)測能夠有效地反映地鐵供電系統(tǒng)的未來運行狀態(tài)，有利于電力人員對地鐵供電系統(tǒng)進行調(diào)度工作，為地鐵供電系統(tǒng)規(guī)劃和決策工作提供重要的依據(jù)，對提高地鐵供電系統(tǒng)和城市電網(wǎng)運行的安全性、穩(wěn)定性、經(jīng)濟性有著重大意義。

地鐵供電系統(tǒng)的負荷預(yù)測屬于特殊場景下的電力負荷預(yù)測。電力負荷預(yù)測作為電力系統(tǒng)運行和管理中的一個重要研究領(lǐng)域，自電力系統(tǒng)發(fā)展之初就備受關(guān)注，其研究方法、技術(shù)都在日益拓展、成熟，眾多專業(yè)根據(jù)已有的預(yù)測問題模型及理論，針對電力負荷預(yù)測，進行了大量的研究與改進[5-6]?，F(xiàn)有的基本預(yù)測方法有線性回歸[7]、灰色理論[8]、模糊理論[9]、支持向量機[10]、人工神經(jīng)網(wǎng)絡(luò)[11]、遺傳算法[12]、小波變換[13]等。文獻[14]針對解決負荷規(guī)律會隨時間變化的問題，提出了改進線性回歸分析負荷預(yù)測法，以提高預(yù)測精度，適用于中期、近期的負荷預(yù)測，但對于長期負荷預(yù)測而言，沒有進行進一步的研究。文獻[15]提出了基于改進灰色理論的中長期負荷預(yù)測方法，在經(jīng)典灰色預(yù)測GM(1, 1)模型的基礎(chǔ)上進行優(yōu)化創(chuàng)新，最后用殘差處理方法對預(yù)測結(jié)果進行處理，以此來提高預(yù)測結(jié)果的準確度。文獻[16]提出了基于模糊理論的電力負荷預(yù)測方法，對加工處理過的歷史數(shù)據(jù)提煉出若干種典型模式，再由影響負荷變化的因素選擇未來負荷適用的模式，再進行預(yù)測，避免了建立數(shù)學(xué)模型的困難，適用于各種時間長度的負荷預(yù)測，但預(yù)測精度受方法限制效果一般。目前，針對地鐵供電系統(tǒng)這一大場景下的負荷預(yù)測問題，仍缺乏具有針對性、高效性的預(yù)測模型與方法，難以滿足地鐵供電系統(tǒng)對于精準負荷預(yù)測的要求?；诖耍疚尼槍Φ罔F供電系統(tǒng)負荷預(yù)測，提出了基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的地鐵供電系統(tǒng)負荷預(yù)測方法，可對短期、中長期地鐵未來負荷進行高精度預(yù)測。

本文首先介紹了地鐵供電系統(tǒng)的構(gòu)成及功能，通過研究其負荷組成及特性，找到適用于處理序列性質(zhì)非線性問題的深度循環(huán)神經(jīng)網(wǎng)絡(luò)模型，以地鐵歷史負荷信息、地鐵換乘站信息、地鐵地上/地下形式信息、天氣信息等多維度信息作為輸入數(shù)據(jù)。基于堆疊式降噪自動編碼器對輸入數(shù)據(jù)進行特征學(xué)習。將深度循環(huán)神經(jīng)網(wǎng)絡(luò)模型與學(xué)習過后的特征相結(jié)合，構(gòu)建負荷預(yù)測模型。最后，應(yīng)用本文提出的地鐵負荷預(yù)測模型對南京某地鐵站負荷進行預(yù)測，與傳統(tǒng)的 BP神經(jīng)網(wǎng)絡(luò)模型進行對比，驗證了本文方法的可行性和優(yōu)越性。針對南京地鐵待建的浦江地鐵站，進行中長期負荷預(yù)測，為其主站定容提供參考依據(jù)。

2 地鐵供電系統(tǒng)及其負荷特性

2.1 地鐵供電系統(tǒng)的構(gòu)成及功能

地鐵供電系統(tǒng)由兩部分構(gòu)成：地鐵內(nèi)部供電系統(tǒng)和電源。地鐵內(nèi)部供電系統(tǒng)由主變電所、供配電系統(tǒng)、牽引供電系統(tǒng)等構(gòu)成[17-18]。地鐵供電系統(tǒng)對于城市電網(wǎng)來說是用戶，而對于地鐵內(nèi)部的用電設(shè)備來說則是電源?，F(xiàn)在，在許多大中型城市當中，地鐵供電系統(tǒng)已然成為不可忽視的重要用戶。一般情況下，不需要另外建設(shè)電廠，可以直接從城市電網(wǎng)獲得電能[19]。

目前，地鐵的全部能源都來自電能，其中包括實現(xiàn)其主要功能性的牽引供電系統(tǒng)，電能的穩(wěn)定供應(yīng)是地鐵安全、可靠、穩(wěn)定運行的重要保證。我國的地鐵供電系統(tǒng)電壓等級有110 kV、63 kV、35 kV(33 kV)和10 kV[20]。供電系統(tǒng)的服務(wù)對象包括電動車輛、自動扶梯、自助售票機、自動檢票機、屏蔽門、通風換氣設(shè)施、空調(diào)、通信信號設(shè)備、排水排污設(shè)施、消防設(shè)施和各種照明等[21]。供電系統(tǒng)對地鐵中不同電壓等級、不同電壓制式的用電設(shè)備進行供電，要保證每種用電設(shè)施穩(wěn)定發(fā)揮自己的功能，保證地鐵的電動車輛安全、穩(wěn)定、快速地運送旅客。地鐵供電系統(tǒng)具備安全性高、可靠性強、經(jīng)濟性好、調(diào)度方便、技術(shù)先進、功能完善的特點[22]。

2.2 地鐵供電系統(tǒng)負荷組成及特性

地鐵供電系統(tǒng)負荷由動力照明負荷和牽引負荷組成[23]。動力照明負荷穩(wěn)定性強，變化緩慢。自動扶梯、電梯設(shè)備承載人群數(shù)量影響其耗電，氣溫和地鐵站人流量影響空調(diào)設(shè)備耗電，其他用電設(shè)備耗電一般趨于平穩(wěn)[24]。

與動力照明負荷相比，牽引負荷具有規(guī)律性和流動性的特點。規(guī)律性包括發(fā)車時間間隔與列車行程的規(guī)律性。列車運行過程中有起動、惰行、制動和停車4種運行狀態(tài)。列車從牽引供電系統(tǒng)獲取電流，起動加速運行，到一定速度后，所需電流開始下降，直至斷電，進入惰性運行狀態(tài)，即將進站時，列車開始制動，向電網(wǎng)反饋電流，短暫停車后再次起動駛向前方地鐵站[25]。因此，牽引負荷具有明顯的規(guī)律性。流動性體現(xiàn)在列車在規(guī)劃路線上行駛，負荷根據(jù)列車位置的變化而變化。列車電流既是隨時變化的也是間斷的，只有1/3或更低的運行時間列車取用電流[26]。同時，一天的運行時間當中，在不同時刻其車流密度也不同。例如，在高峰時段達到 30對/h，而在低谷時段為20對/h或10對/h。這些決定了牽引負荷在運行時隨時間的變化而變化。此外，在高峰時段，地鐵牽引用電變化頻繁且始終大于零，故可以將此時牽引負荷視為持續(xù)性負荷[27]。

3 基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的地鐵供電系統(tǒng)負荷預(yù)測

3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent neural network，RNN)是用于對序列的非線性特征進行學(xué)習的深度神經(jīng)網(wǎng)絡(luò)。循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入是有前后關(guān)聯(lián)的序列。循環(huán)神經(jīng)網(wǎng)絡(luò)可以用來解決與序列有關(guān)的問題，如序列回歸、序列分類和序列標注等任務(wù)。

循環(huán)神經(jīng)網(wǎng)絡(luò)的基本單元如圖1a所示。類似隱馬爾科夫鏈，把循環(huán)神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)的中間部分作為隱層，向量s標記了隱層的狀態(tài)。隱層的輸出有兩個，一個是y，另一個反饋到自身。到自身的反饋將與下一步的輸入共同改變隱層的狀態(tài)s。因此，隱層的輸入也有兩個，分別是當輸入x和來自自身的反饋(首步?jīng)]有來自自身的反饋)。

循環(huán)神經(jīng)網(wǎng)絡(luò)具備處理序列的能力是因為其擁有記憶功能，這要得益于它的反饋機制。如圖1b所示，將基本(單元)元素按照每一步的輸入進行展開，x1，x2，x3，…，xn是每一步的輸入；s1，s2，s3，…，sn是每一步的狀態(tài)；y1，y2，y3，…，yn是每一步的輸出。圖1中的A、B、C是矩陣，分別是從輸入到隱層狀態(tài)、隱層狀態(tài)到輸出、現(xiàn)在狀態(tài)到下一步狀態(tài)的變換參數(shù)，它們是要學(xué)習的內(nèi)容。需要注意的是，圖1b所展示的是針對圖1a所示的基本元素進行展開，對每個階段進行展示，而不是有多個基本元素，則圖1中的A、B、C矩陣是同一矩陣。

圖1 循環(huán)神經(jīng)網(wǎng)絡(luò)基本單元

如圖1所示，xn表示n時刻的輸入，Sn表示n時刻的隱含層輸出，yn表示n時刻的輸出，bh、by為偏置項。循環(huán)神經(jīng)網(wǎng)絡(luò)的前向過程有

常用的循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有三種：one to many結(jié)構(gòu)是單輸入多輸出的結(jié)構(gòu)，一般用于輸入圖片給出文字注釋；many to one結(jié)構(gòu)是多輸入單輸出的結(jié)構(gòu)，一般用于進行文本分類；many to many結(jié)構(gòu)是多輸入多輸出的結(jié)構(gòu)，一般適合于完成標注類任務(wù)，循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。本文研究的地鐵供電系統(tǒng)的負荷預(yù)測，所運用的結(jié)構(gòu)是many to one結(jié)構(gòu)。

圖2 循環(huán)神經(jīng)網(wǎng)絡(luò)常用結(jié)構(gòu)圖

3.2 深度循環(huán)神經(jīng)網(wǎng)絡(luò)

深度循環(huán)神經(jīng)網(wǎng)絡(luò)(Deep recurrent neural network，DRNN)是在循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進行建立，是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種變種，結(jié)構(gòu)如圖3所示。為了增強模型的表達能力，深度循環(huán)神經(jīng)網(wǎng)絡(luò)是將多個循環(huán)神經(jīng)網(wǎng)絡(luò)上下疊加，設(shè)置多個循環(huán)層，下層的輸出作為上層的輸入。從圖1b中可以看到，在單層循環(huán)網(wǎng)絡(luò)中，每一時刻的輸入xn到輸出yn之間只有一個全連接層，因此，在xn到輸出yn的路徑上是一個很淺的神經(jīng)網(wǎng)絡(luò)，從輸入中提取抽象信息的能力受到了限制。從圖3可以看出，在一個M層的深度循環(huán)神經(jīng)網(wǎng)絡(luò)中，每一時刻的輸入xn到輸出yn之間有M個循環(huán)體，因此可以從輸入中抽取更加高層的信息，循環(huán)深度循環(huán)神經(jīng)網(wǎng)絡(luò)會比單層的循環(huán)神經(jīng)網(wǎng)絡(luò)取得更好的效果。

圖3 深度循環(huán)神經(jīng)網(wǎng)絡(luò)

3.3 基于堆疊式降噪自動編碼器的特征學(xué)習

負荷預(yù)測的效果一定程度上依賴于輸入數(shù)據(jù)的選擇、預(yù)處理以及特征學(xué)習。根據(jù)地鐵供電系統(tǒng)負荷的自身特點，將歷史負荷、客流量、天氣、溫度、節(jié)假日等作為多維度輸入，為了使負荷預(yù)測的效果更佳，本文采用了一種稱為堆疊式降噪自動編碼器[28]的深度特征學(xué)習方法，它可以自適應(yīng)地從未標記的數(shù)據(jù)和非線性映射中提取特征。

自動編碼器如圖4所示，由編碼器和解碼器組成，編碼器、解碼器具有隱藏層：通過編碼器將輸入轉(zhuǎn)換為隱含層中的潛在表征，然后通過解碼器將內(nèi)部表征轉(zhuǎn)換為輸出，輸出相當于是對于輸入的重構(gòu)，要盡可能接近輸入。

圖4 自動編碼器結(jié)構(gòu)圖

選擇輸入樣本集合X，X由N組樣本x1，x2，…，xn組成，其中，N為樣本組數(shù)，n為每組樣本中的樣本個數(shù)。設(shè)隱含層特征向量集合為H，H由N組特征向量h1，h2，…，hm組成，其中，m為每組特征向量中向量個數(shù)，則X與H的編碼關(guān)系為

式中，W為輸入層與隱含層的權(quán)值矩陣；B為輸入層與隱含層閾值矩陣；sf為編碼器的神經(jīng)元激活函數(shù)，通常采用 sigmoid函數(shù)，其具有良好的特征辨識度。

式中，z為輸入向量。

解碼器是編碼器的逆運算，以隱含層的特征向量作為輸入向量，設(shè)Y為輸出向量集合，共有N組，維數(shù)為n，則解碼器的表達式為

式中，W'為隱含層與輸出層的權(quán)值矩陣；B'為隱含層與輸出層的閾值矩陣；sg為解碼器的神經(jīng)元激活函數(shù)。

自動編碼器通過最小化輸出向量與輸入向量之間的重構(gòu)誤差來達到特征學(xué)習的目的，重構(gòu)誤差如式(6)所示

利用梯度下降算法不斷調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，降低重構(gòu)誤差。但是自動編碼器的學(xué)習可能僅僅簡單地保留原始輸入數(shù)據(jù)信息，不能確保獲得一種有效的特征信息表達。

降噪自動編碼器(Denoising auto encoder，DAE)是對自動編碼器的改進，其架構(gòu)如圖5所示。在自動編碼器的基礎(chǔ)上，通過在一部分輸入值中增加噪聲，訓(xùn)練它以恢復(fù)原始的無噪聲輸入。這種方法阻止了自動編碼器簡單地復(fù)制其輸入到輸出，最終必須找到數(shù)據(jù)中的模式。噪聲可以是添加到輸入中的純高斯噪聲，或者是隨機打斷輸入的噪聲，本文所用噪聲是采用Dropout方法選取。選用降噪自動編碼器后隱含層可學(xué)習出更加有效的數(shù)據(jù)表征，更好地反映輸入數(shù)據(jù)的特征，挖掘更深的隱藏信息。

圖5 降噪自動編碼器結(jié)構(gòu)圖

堆疊式降噪自動編碼器由多個DAE組成，如圖6所示。Wn為第n-1層隱含層與第n層隱含層的權(quán)重矩陣，Bn為第n-1層隱含層與第n層隱含層的閾值矩陣。訓(xùn)練過程為貪婪逐層無監(jiān)督訓(xùn)練，貪婪逐層無監(jiān)督訓(xùn)練通過逐層訓(xùn)練得到網(wǎng)絡(luò)的初始化權(quán)重和閾值，第一層DAE的輸入為原始數(shù)據(jù)，隱含層輸出數(shù)據(jù)作為上層DAE輸入數(shù)據(jù)，且每一層的訓(xùn)練前都要對輸入數(shù)據(jù)添加噪聲。

圖6 堆疊式降噪自動編碼器架構(gòu)圖

堆疊式降噪自動編碼器通過訓(xùn)練可以高效地提取數(shù)據(jù)的高階特征，更優(yōu)地擬合復(fù)雜函數(shù)，提升獲得網(wǎng)絡(luò)參數(shù)的速度，提高神經(jīng)網(wǎng)絡(luò)的深層特征學(xué)習能力。

3.4 基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的地鐵供電系統(tǒng)負荷預(yù)測流程

獲取的數(shù)據(jù)包括地鐵歷史負荷信息、地鐵換乘站信息、地鐵地上/地下建設(shè)形式信息、客流量信息、天氣信息、溫度信息、節(jié)假日信息，對以上多維度數(shù)據(jù)進行預(yù)處理，預(yù)處理包括數(shù)據(jù)去噪處理、對采集缺失的數(shù)據(jù)進行補充處理、對有誤或超過許可范圍的數(shù)據(jù)進行修正處理。對數(shù)據(jù)進行歸一化處理，劃分訓(xùn)練集與驗證集，將80%的原始數(shù)據(jù)作為訓(xùn)練集，剩下的20%作為驗證集，生成訓(xùn)練和驗證數(shù)據(jù)。進行逐層貪婪無監(jiān)督預(yù)訓(xùn)練，以添加噪聲后的訓(xùn)練樣本作為輸入數(shù)據(jù)，并采用Dropout技術(shù)，隨機選取部分神經(jīng)元暫時不工作，減輕了特定節(jié)點之間的共同作用，有效提高泛化能力，避免過擬合問題。依次迭代，逐層訓(xùn)練，得到特征。構(gòu)建一個DRNN，設(shè)置隱含層層數(shù)以及每層隱含層神經(jīng)元的個數(shù)。利用DRNN原理，求解網(wǎng)絡(luò)的輸入權(quán)重矩陣、隱含層特征向量與輸出樣本的權(quán)重矩陣，網(wǎng)絡(luò)參數(shù)訓(xùn)練結(jié)束。使用訓(xùn)練好的模型進行預(yù)測，得到預(yù)測的結(jié)果；可視化模型預(yù)測的結(jié)果，將預(yù)測的數(shù)據(jù)與原始數(shù)據(jù)進行直觀對比。具體實現(xiàn)流程如圖7所示。

圖7 基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的地鐵供電系統(tǒng)負荷預(yù)測流程圖

4 算例與分析

本文基于南京地鐵供電系統(tǒng)實際運行和負荷數(shù)據(jù)進行驗證。南京地鐵線路如圖8所示，截至2020年12月，南京地鐵已開通運營線路共有10條，包括 1、2、3、4、10、S1、S3、S7、S8 及 S9 號線，均采用地鐵系統(tǒng)，共174座車站(換乘站重復(fù)計算)。針對地鐵安德門站進行短期負荷預(yù)測和中長期負荷預(yù)測，目前安德門站為換乘站，有地鐵1號線、地鐵10號線兩條線路經(jīng)過，安德門站1號線車站為高架二層島側(cè)式車站，東北-西南走向，總建筑面積4 861 m2，10號線車站為地下二層島式車站，南北走向，共設(shè)有6個出入口，分別通向小行路和安德門大街，設(shè)有公交樞紐站。針對南京地鐵待建的浦江地鐵站，進行中長期負荷預(yù)測，為其主站定容提供參考依據(jù)。浦江地鐵站規(guī)劃為換乘站，規(guī)劃地鐵4號線、地鐵11號線兩條線路經(jīng)過，目前地鐵4號線二期工程中該地鐵站正在進行建設(shè)。

圖8 南京地鐵線路圖

4.1 短期負荷預(yù)測

采用南京地鐵安德門站一個月的小時負荷數(shù)據(jù)與客流量數(shù)據(jù)、天氣數(shù)據(jù)等作為數(shù)據(jù)集。對數(shù)據(jù)進行去噪等預(yù)處理，對數(shù)據(jù)進行歸一化處理，將原始數(shù)據(jù)按照8∶2的比例劃分成訓(xùn)練集與驗證集。進行逐層貪婪無監(jiān)督預(yù)訓(xùn)練，以添加噪聲后的訓(xùn)練樣本作為輸入數(shù)據(jù)，并采用Dropout技術(shù)，隨機選取部分神經(jīng)元暫時不工作。依次迭代，逐層訓(xùn)練，得到特征。構(gòu)建一個 DRNN，設(shè)置隱含層層數(shù)以及每層隱含層神經(jīng)元的個數(shù)。利用DRNN原理求解網(wǎng)絡(luò)，網(wǎng)絡(luò)參數(shù)訓(xùn)練結(jié)束。使用訓(xùn)練好的模型進行預(yù)測，得到預(yù)測的結(jié)果。再以負荷數(shù)據(jù)作為單一輸入數(shù)據(jù)，進行預(yù)測。建立基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，分別選用多輸入數(shù)據(jù)和單一輸入數(shù)據(jù)作為數(shù)據(jù)集，使用模型完成負荷預(yù)測，與基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的地鐵供電系統(tǒng)模型負荷預(yù)測形成對比。短期負荷預(yù)測結(jié)果如圖9所示，預(yù)測評價結(jié)果統(tǒng)計如表1所示。

從圖9和表1可以發(fā)現(xiàn)，基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的地鐵供電系統(tǒng)負荷預(yù)測模型預(yù)測更接近實際數(shù)據(jù)，方均差更小，效果優(yōu)于基于 BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，且基于多輸入數(shù)據(jù)訓(xùn)練的模型預(yù)測效果也優(yōu)于單輸入數(shù)據(jù)訓(xùn)練的模型預(yù)測效果。

圖9 短期負荷預(yù)測結(jié)果示意圖

表1 短期負荷預(yù)測評價結(jié)果

4.2 中長期負荷預(yù)測

采用南京地鐵安德門站 6個月的天負荷數(shù)據(jù)(部分數(shù)據(jù)處于疫情解封初始階段)與客流量數(shù)據(jù)、天氣數(shù)據(jù)、溫度數(shù)據(jù)、節(jié)假日數(shù)據(jù)等作為數(shù)據(jù)集。根據(jù)獲得的實際數(shù)據(jù)進行數(shù)據(jù)預(yù)處理，處理完成后，基于SDAE進行特征學(xué)習，建立基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的地鐵供電系統(tǒng)負荷預(yù)測模型，并基于模型進行負荷預(yù)測。再以負荷數(shù)據(jù)作為單一輸入數(shù)據(jù)，進行預(yù)測。建立基于 BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，分別選用多輸入數(shù)據(jù)和單一輸入數(shù)據(jù)作為數(shù)據(jù)集，使用模型完成負荷預(yù)測，與基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的地鐵供電系統(tǒng)模型負荷預(yù)測形成對比，顯示預(yù)測的結(jié)果，將兩種模型預(yù)測的結(jié)果與原始數(shù)據(jù)進行直觀對比。具體中長期負荷預(yù)測結(jié)果示意圖如圖10所示，預(yù)測評價結(jié)果統(tǒng)計如表2所示。

表2 中長期負荷預(yù)測評價結(jié)果

圖10 中長期負荷預(yù)測結(jié)果示意圖

從圖10和表2可以發(fā)現(xiàn)，本文提出的負荷預(yù)測模型結(jié)合多輸入數(shù)據(jù)在中長期負荷預(yù)測中同樣取得較好的預(yù)測效果。

4.3 待建站中長期負荷預(yù)測

南京地鐵待建的浦江地鐵站規(guī)劃為換乘站，規(guī)劃地鐵4號線、地鐵11號線兩條線路經(jīng)過。采用本文所述方法并使用多個地鐵站數(shù)據(jù)構(gòu)建中長期負荷預(yù)測模型，同時采用南京現(xiàn)有地鐵6個月的平均天負荷數(shù)據(jù)(部分數(shù)據(jù)處于疫情解封初始階段)與南京地鐵浦江站周邊站點平均客流量數(shù)據(jù)、天氣數(shù)據(jù)、溫度數(shù)據(jù)等作為數(shù)據(jù)集，基于中長期負荷預(yù)測模型進行負荷預(yù)測。浦江站負荷預(yù)測結(jié)果如圖11所示。

圖11 待建站中長期負荷預(yù)測結(jié)果示意圖

根據(jù)負荷預(yù)測結(jié)果，考慮主變壓器過載能力，結(jié)合主變電所資源共享方案，考慮與本工程工期同步的交叉接駁線路的負荷供電需要，結(jié)合南京市線網(wǎng)規(guī)劃、各共享工程的近、遠期負荷以及工程投資等因素，建議浦江主變電所設(shè)計容量為近期 2×50 MV·A，并按照 2×63 MV·A 預(yù)留土建基礎(chǔ)。

5 結(jié)論

本文基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建了地鐵供電系統(tǒng)負荷預(yù)測模型，實現(xiàn)了短期負荷預(yù)測與中長期負荷預(yù)測功能，通過實際算例分析，得到以下結(jié)論。

(1) 本文模型能夠考慮地鐵歷史負荷數(shù)據(jù)、地鐵換乘站信息、地鐵地上/地下形式信息、天氣信息等多種因素，多維度輸入數(shù)據(jù)相比于單一的歷史負荷數(shù)據(jù)在負荷預(yù)測中有其明顯的優(yōu)勢。

(2) 深度循環(huán)神經(jīng)網(wǎng)絡(luò)相比于傳統(tǒng)的 BP神經(jīng)網(wǎng)絡(luò)更適合處理具有序列性質(zhì)非線性問題的供電系統(tǒng)負荷預(yù)測，其準確度更高、預(yù)測效果更理想。

(3) 深度循環(huán)神經(jīng)網(wǎng)絡(luò)在短期、中長期地鐵供電系統(tǒng)負荷預(yù)測中均有著較好的適用性和準確性，能夠為后續(xù)供電系統(tǒng)設(shè)計與規(guī)劃、地鐵運行線路的規(guī)劃提供參考和技術(shù)支撐。