盧偉輝,趙玉柱,李 鵬,劉興輝,張中林

(1. 中國南方電網(wǎng)有限責任公司調度控制中心, 廣東 廣州 510623;2. 南京華盾電力信息安全測評有限公司, 江蘇 南京 210013;3. 南京工程學院能源與動力工程學院, 江蘇 南京 211167)

當前,我國正將碳達峰、碳中和氣候承諾納入經濟社會發(fā)展和生態(tài)文明建設整體布局.一方面,建設以新能源為主體的新型電力系統(tǒng);另一方面,保障我國電力安全依然離不開煤電.截至2020年底,我國煤電裝機容量達到1.08×109kW,占全部裝機容量的49.1%,發(fā)電量占全網(wǎng)的70%.火電企業(yè)的安全穩(wěn)定運行對于電網(wǎng)的安全穩(wěn)定至關重要,而燃料問題是火電的核心問題.由于受到國際煤價、氣候、經濟發(fā)展、交通運輸和市場博弈等多種復雜因素的影響,燃料供應存在一定的隨機性和不確定性,且隨著風電和光伏等新能源的比重逐漸增加,火電深度調峰帶來了燃料消耗量的不確定性增加.南方電網(wǎng)(簡稱南網(wǎng))范圍內,水電比重較大,水電呈現(xiàn)出明顯的季節(jié)性,新能源和水電的負荷有著明顯的氣候季節(jié)性分布規(guī)律.電網(wǎng)的安全取決于用電側負荷和發(fā)電側負荷平衡,目前電網(wǎng)對用電負荷實時預測已經研究非常充分,基本能準確預測到短期和長期用電負荷的變化[1-4].發(fā)電側機組容量較大,負荷調度一般不存在問題,但是在尖端負荷和極端天氣條件下,發(fā)電側機組出力受限,特別是煤電燃料量問題影響煤電的出力,易造成電網(wǎng)大規(guī)模限電和停電事故.煤電企業(yè)的燃料量狀況是電網(wǎng)發(fā)電側負荷調度需要重點考慮的因素.

燃料是火電企業(yè)的重要問題,煤電企業(yè)均建有燃料信息化管理系統(tǒng)[5-6],對燃料實現(xiàn)了較好的管控.在南網(wǎng)范圍內,信息化系統(tǒng)是信息孤島,對全網(wǎng)的煤電燃料量沒有統(tǒng)一管理和預測分析.文獻[7]利用互聯(lián)網(wǎng)+技術構建南網(wǎng)燃料管理系統(tǒng),將南網(wǎng)范圍內火電燃料統(tǒng)一管理和分析,并對燃料量進行一定預測,防止發(fā)生燃料事故.在碳中和背景下,由于水電、風電、光伏和分布式能源的充分發(fā)展,燃煤電站作為后備能源參與深度調峰,給煤電燃料量帶來了更多不確定性.燃料庫存量太高造成煤電資金壓力過大,給經營帶來困難;庫存量太小,給電網(wǎng)安全運行帶來威脅.確保一個合適的、安全的燃料庫存量,依賴于對電網(wǎng)負荷及燃料用量的預測.為提高發(fā)電側燃料預測精度,本文提出一種基于自適應噪聲的完全集合經驗模態(tài)分解-樣本熵(CEEMDAN- SE)和深度信念網(wǎng)絡(DBN)的發(fā)電側燃料組合預測模型.該模型可提高南網(wǎng)發(fā)電側燃料庫存預測精度,降低煤電燃料庫存成本,提高燃料安全性、電網(wǎng)安全性.

1 南網(wǎng)發(fā)電側燃料綜合管理平臺

如圖1所示,南網(wǎng)綜合燃料管理系統(tǒng)主要由采集終端、服務器、采集網(wǎng)絡和防火墻等構成.建立一個綜合數(shù)據(jù)網(wǎng)絡,煤電燃煤燃料庫存信息通過該網(wǎng)絡上傳到主服務器.服務器的建設采用分區(qū)和分層方式,主服務器布置在安全三區(qū),DMZ服務器布置在隔離區(qū),服務區(qū)之間設置防火墻隔離.DMZ服務器作為主服務器安全備份,可供內部客戶和外部客戶訪問,內部客戶端可以直接訪問,移動終端外圍智能終端互聯(lián)網(wǎng)用戶需設置防火墻.

圖1 燃料管理系統(tǒng)網(wǎng)絡和硬件結構

綜合管理平臺采集南網(wǎng)區(qū)域內煤電燃煤庫存信息,及時掌握南網(wǎng)區(qū)域內煤電燃煤庫存情況,實現(xiàn)煤電燃料庫存統(tǒng)一管理,便于電力調度的科學性和合理性,確保電網(wǎng)安全.基于煤電燃煤庫大數(shù)據(jù),開發(fā)先進預測控制方法可以對煤電燃煤燃料庫存進行預測,指導煤電企業(yè)合理安排燃料采購,降低運行成本,提高經濟效益.

2 南網(wǎng)煤電燃料量預測模型

2.1 預測模型選擇

隨著智能化技術和大數(shù)據(jù)的不斷應用,人工智能方法逐漸取代傳統(tǒng)預測方法廣泛應用在預測領域.人工智能預測方法主要包括神經網(wǎng)絡(ANN)、支持向量機(SVM)和專家系統(tǒng)[8].

BP神經網(wǎng)絡在處理非線性問題上應用廣泛, BP神經網(wǎng)絡在初始化時,初始化參數(shù)存在一定的隨機性,造成預測結果局部最優(yōu),難以達到整體最優(yōu).BP神經網(wǎng)絡屬于淺層神經網(wǎng)絡,不能對樣本數(shù)據(jù)進行充分提取,最后預測結果精度不高.DBN是一種由多層受限波爾茲曼機(RBM)堆疊成的深層網(wǎng)絡,解決了BP神經網(wǎng)絡淺層問題,精度更高,廣泛應用于各種過程預測,通過無監(jiān)督算法逐層預訓練網(wǎng)絡得到較好的初始參數(shù),能對原始數(shù)據(jù)特征進行充分提取,獲得較好的預測結果[9-10].

通過分析,南網(wǎng)范圍內煤電燃料量信息是一種非平穩(wěn)的時間序列,單一預測模型進行直接預測一般難以獲得較好結果,DBN屬于單一預測模型,將原始數(shù)據(jù)分解,利用DBN構建預測模型,再建立組合預測模型,可獲得更高的預測精度.原始數(shù)據(jù)分解有多種方法,常用的有小波分解和經驗模態(tài)分解(EMD)[11-12].小波分解需要預設基函數(shù),EMD可以不用基函數(shù),但是分解過程中易出現(xiàn)模態(tài)混疊現(xiàn)象.

CEEMDAN方法在EMD基礎上添加自適應高斯白噪聲,分解過程更加完整、模型重構誤差低,解決了EMD模態(tài)混疊問題,分解效率高,能完全消除噪聲[13].樣本熵(SE)用于表示時間序列中新信息或新模式發(fā)生率的非線性動力學參數(shù),不依賴數(shù)據(jù)長度,與時間序列具有更好的一致性.對于一個時間序列,熵值大小反映時間序列復雜度,樣本熵越大,序列越復雜;反之,樣本熵越小,序列越簡單[14].

本文基于CEEMDAN-SE和DBN構建南網(wǎng)區(qū)域內煤電燃料預測模型的流程如圖2所示.利用南網(wǎng)發(fā)電側燃料綜合管理系統(tǒng)采集的煤電燃料原始庫存數(shù)據(jù),采用CEEMDAN方法將原始數(shù)據(jù)分解為若干個本征模態(tài)函數(shù)(IMF),每個IMF代表不同的振蕩成分.為了降低IMF復雜度和計算量、提高計算效率,利用樣本熵計算每個IMF的復雜度并重組.對每個重組分量分別建立各自的DBN預測模型,最終的預測模型由各重組分量的預測模型疊加而成,與單一預測模型相比,建立的最終預測模型具有較高的精度.

圖2 基于CEEMDAN-SE和DBN煤電燃料量預測模型

2.2 CEEMDAN算法

為了克服EMD模態(tài)混疊現(xiàn)象,CEEMDAN在模態(tài)分量分解過程中添加自適應白噪聲以及計算獨特信號殘差.CEEMDAN方法通過計算唯一余量信號得到各個模態(tài)分量,分解過程完整、重構誤差低,重建后的信號幾乎與原始信號相同,具體過程為：

1) 構建煤電燃料庫存原始序列曲線X(t)+ε0ni(t),其中,ε0為高斯白噪聲幅值常數(shù),ni(t)為第i次加入的滿足標準正態(tài)分布的高斯白噪聲;

2) 采用EMD方法對原始曲線進行N次重復分解,通過均值計算得到第一個模態(tài)分量：

(1)

計算得到第一個余量信號：

(2)

3) 構建序列r1(t)+ε1E1(ni(t)),其中,E1為EMD運算符;

4) 繼續(xù)對構建序列進行N次EMD重復分解,得到第二個模態(tài)分量：

(3)

計算得到第二個余量信號：

(4)

5) 重復步驟3)和4),當余量信號滿足終止分解條件,得到第k個模態(tài)分量：

(5)

分解最終殘差信號為：

(6)

通過以上方法,煤電燃料庫存原始信號可以分解為：

(7)

2.3 樣本熵計算方法

時間序列為X{x(1),x(2),…,x(n)}(n=1,2,…,N).樣本熵計算過程為：

1) 將原始序列按順序重構一組m維向量：

Xm(i)={x(i),x(i+1),…,x(i+m-1)}

(8)

2) 定義向量Xm(i)和Xm(j)中對應元素相差最大值的絕對值為其距離：

d[Xm(i),Xm(j)]=max[|x(i+k)-x(j+k)|]

(9)

3) 設定一個閾值r,計算d[Xm(i),Xm(j)]

(10)

4) 重復以上步驟,可計算得到理論樣本熵值：

(11)

對于有限的N,計算SE近似值：

(12)

2.4 DBN預測模型

DBN本質上是一種概率型深層網(wǎng)絡,把無監(jiān)督學習和有監(jiān)督學習結合,主要由RBM堆疊構成.對DBN的訓練主要分為無監(jiān)督訓練和微調兩個步驟;對RBM預訓練一般采用無監(jiān)督貪婪逐層算法得到網(wǎng)絡初值; 然后利用BP 網(wǎng)絡有監(jiān)督地對網(wǎng)絡參數(shù)進行反向微調.

RBM作為DBN的重要組成部分,由一層顯層和一層隱層組成,結構如圖3所示.

圖3 RBM結構示意圖

在RBM中能量函數(shù)定義為：

For impedance matching, the equivalent input impedance of port 2 should be satisfied as follows,

(13)

式中 ：wij為隱層和顯層間的連接權值;vi為顯層;ai為顯層偏置;hi為隱層;bi為隱層偏置.

顯層概率分布函數(shù)為：

(14)

為了學習RBM權重參數(shù)w、顯層偏置參數(shù)a、隱層偏置參數(shù)b集合θ={w,a,b}的值,需要把方程式給出的似然函數(shù)最大化,似然函數(shù)形式定義為：

L=lnP(v)

(15)

采用帶有一步Gibbs采樣的對比發(fā)散(contrastive divergence,CD)算法來獲取釋然函數(shù)梯度：

(16)

采用式(16),利用CD算法訓練RBM.

3 南網(wǎng)發(fā)電側燃料量預測算例

以南網(wǎng)2019年全年的燃煤庫存數(shù)據(jù)為樣本,數(shù)據(jù)集包含同期電網(wǎng)負荷、新能源負荷、水電負荷和同期氣象數(shù)據(jù)等.選取2019年南網(wǎng)全年每天燃煤庫存數(shù)據(jù)作為訓練集,輔助數(shù)據(jù)為同期新能源負荷、水電負荷和氣象數(shù)據(jù)等.

3.1 數(shù)據(jù)預處理

發(fā)電側原始燃料庫存量序列屬于隨機非平穩(wěn)序列,針對這一特性,基于CEEMDAN對庫存訓練集數(shù)據(jù)進行分解,即對365個連續(xù)數(shù)據(jù)點進行分解,添加白噪聲組數(shù)NR=100,標準差Nstd=0.2,庫存信號序列通過CEEMDAN算法被分解為7個特征互異的模態(tài)分量和1個殘差信號,分解結果如圖4所示.

3.2 基于樣本熵模態(tài)分量重組

模態(tài)分量的數(shù)量決定預測模型的規(guī)模,為了降低整體計算規(guī)模和模型復雜度,本文采用樣本熵對每個IMF分量復雜度進行評估,計算過程中嵌入維數(shù)取m=2,相似容限取r=0.25,得到各IMF熵值曲線如圖5所示.

根據(jù)圖5,將復雜程度接近的分量進行重組,其中IMF1、IMF2、IMF3重組為分量F1,IMF6、IMF7重組為分量F4,結果如圖6所示.

3.3 基于DBN模型燃料預測模型

將圖6所示的每一個重組分量建立DBN模型,然后將模型進行重組,利用重組后的模型對南網(wǎng)2020年發(fā)電側燃料量進行預測,預測結果如圖7所示.

由圖7可見,綜合考慮南網(wǎng)電網(wǎng)側負荷構成和氣象條件等因素,利用DBN模型預測的南網(wǎng)2020年發(fā)電側燃料量具有一定的精度,能夠較好地反映情況:在夏季水電負荷較高,煤電燃料庫存偏高;在冬季水電負荷較低,煤電燃料庫存偏低;光伏和風電等新能源對煤電燃料庫存有影響.

圖4 庫存信號CEEMDAN模態(tài)分量分解

圖5 模態(tài)分量和余量樣本熵

圖6 模態(tài)分量重組

圖7 DBN模型燃料量預測值和實際值

4 結語

本文構建了南網(wǎng)發(fā)電側燃料庫存統(tǒng)一信息管理平臺,避免了發(fā)電側和電網(wǎng)側煤電庫存的信息孤島問題,為電力調度提供參考依據(jù),提高了電網(wǎng)安全穩(wěn)定性.利用管理平臺采集的南網(wǎng)煤電燃料庫存信息,將CEEMDAN算法引入到發(fā)電側燃煤庫存預測問題中,進行原始燃料庫存數(shù)據(jù)的模態(tài)分量分解,采用樣本熵對各模態(tài)分量進行復雜度分析,以此對各分量進行重組,降低了模型整體復雜度;對各重組序列進行周期性和影響因素分析,采用DBN作為后續(xù)預測模型;預測結果證明所提出的CEEMDAN-SE和DBN組合預測模型在南網(wǎng)發(fā)電側煤量庫存預測領域具有一定優(yōu)勢,有效地提高了煤電庫存預測精度,對于確保電力生產和電網(wǎng)安全具有一定的研究意義.