馮喜春張 菁王 濤翟廣心張 章

(國網(wǎng)河北省電力有限公司經(jīng)濟技術(shù)研究院,河北 石家莊 050021)

0 引言

數(shù)字孿生主動電網(wǎng)實現(xiàn)了信息空間與物理空間雙向互通與實時映射,并通過深度學(xué)習(xí)技術(shù)對數(shù)據(jù)特征學(xué)習(xí)以實現(xiàn)對多維模型數(shù)據(jù)預(yù)測,實現(xiàn)電網(wǎng)安全、高效和經(jīng)濟運行。數(shù)字孿生作為一種從物理空間向信息空間建模和仿真的信息化技術(shù),具有高保真,實時性等特點,從物理世界實時收集數(shù)據(jù)信息,并將數(shù)據(jù)信息在虛擬世界全方面仿真映射[1]。但是,數(shù)據(jù)在傳輸過程中存在時延,并不能真正的實現(xiàn)實時性,影響電網(wǎng)安全。利用人工智能的深度學(xué)習(xí)等技術(shù),對歷史數(shù)據(jù)進行特征學(xué)習(xí)并進行線性擬合,可實現(xiàn)對未來一個時間周期的數(shù)據(jù)精準(zhǔn)預(yù)測,使得數(shù)字孿生平臺更接近實時性,從而實現(xiàn)對電網(wǎng)歷史狀態(tài)的復(fù)現(xiàn)和未來狀態(tài)的預(yù)測[2-3]。

目前,數(shù)字孿生技術(shù)正逐步應(yīng)用在電網(wǎng)數(shù)字化轉(zhuǎn)型、電網(wǎng)運行規(guī)劃、電能存儲、電網(wǎng)狀態(tài)分析等方面,為了解決孿生過程同步、預(yù)測等問題,現(xiàn)已有諸多研究。西門子公司通過開發(fā)的Mind-Sphere與數(shù)據(jù)管理協(xié)同軟件結(jié)合,開發(fā)出能為數(shù)字孿生提供服務(wù)的平臺。GE 公司使用predix數(shù)字孿生服務(wù)平臺,并為每個設(shè)備建立數(shù)字孿生體,并構(gòu)建數(shù)字孿生風(fēng)力發(fā)電廠,為管理人員提供實時調(diào)度策略[4]。文獻[5]通過綜合城市的人口和GDP等指標(biāo)作為因變量建立多維預(yù)測模型,負荷與用電量作為因變量,以此建立多維度預(yù)測模型。文獻[6]從電網(wǎng)供電能力、氣象、經(jīng)濟增長、居民和服務(wù)業(yè)需求及城鎮(zhèn)化進程等維度,分別構(gòu)建負荷模型,以實現(xiàn)最大負荷預(yù)測。文獻[7]結(jié)合溫度、降雨量、濕度等因素建立多維度預(yù)測模型,從多角度分析,實現(xiàn)超短期負荷預(yù)測。文獻[8]從氣象敏感因子、穩(wěn)定負荷因子、日期類型因子、隨機負荷因子方面進行建模實現(xiàn)負荷預(yù)測。文獻[9]根據(jù)電網(wǎng)日負荷狀況,將電網(wǎng)狀態(tài)分時段處理,建立多維度預(yù)測模型實現(xiàn)電網(wǎng)多維度預(yù)測。以上文獻主要存在兩方面問題:(1)缺乏對多維度指標(biāo)的建立和對數(shù)字孿生電網(wǎng)的總體把控;(2)缺乏對相應(yīng)多維度預(yù)測模型,未實現(xiàn)數(shù)字孿生電網(wǎng)指標(biāo)預(yù)測。

因此,本文引入人工智能深度學(xué)習(xí)理論,融合電力數(shù)字孿生技術(shù)開展相關(guān)研究,利用先進的數(shù)據(jù)收集傳感器、深度學(xué)習(xí)、人工智能技術(shù)等對真實世界中物理實體數(shù)據(jù)信息收集,并在虛擬空間等進行描述和建模。從數(shù)字孿生平臺及電網(wǎng)多維數(shù)據(jù)預(yù)測兩方面總結(jié)技術(shù)研究現(xiàn)狀,提出了基于深度學(xué)習(xí)的電網(wǎng)數(shù)字孿生系統(tǒng)的總體框架以及建立多維預(yù)測指標(biāo)模型,并給出了具體的實施路線。

1 數(shù)字孿生電網(wǎng)多維態(tài)勢預(yù)測框架與多維指標(biāo)

1.1 預(yù)測框架

數(shù)字孿生電網(wǎng)是物理維度上的實體電網(wǎng)和信息維度上的虛擬電網(wǎng)同生共存、虛實交融的電網(wǎng)形態(tài)。數(shù)據(jù)收集是通過物聯(lián)數(shù)據(jù)感知并進行多維信息傳輸,是由物理世界到信息世界轉(zhuǎn)換的前提,再通過數(shù)字孿生平臺進行實時全息模擬,并進行科學(xué)決策和智能控制,對物理電網(wǎng)的運行實現(xiàn)實時預(yù)測。物理電網(wǎng)和數(shù)字孿生電網(wǎng)不斷進行迭代,持續(xù)優(yōu)化,逐步形成深度學(xué)習(xí)自我優(yōu)化的內(nèi)循環(huán)發(fā)展模式,實現(xiàn)電網(wǎng)運行的自主管理,數(shù)字孿生多維預(yù)測框架如圖1所示。

圖1 智能電網(wǎng)數(shù)字孿生多維預(yù)測框架

在本框架中測量指標(biāo)包括負荷特征、光伏儲能、電能質(zhì)量水平、智能電網(wǎng)資產(chǎn)利用率,且這些指標(biāo)具有實際性、合理性、高效性與實時性,是實現(xiàn)對主動電網(wǎng)綜合評價指標(biāo)的基礎(chǔ)。在物理實體電網(wǎng)采用智能化感知監(jiān)測系統(tǒng)和數(shù)據(jù)采集裝置精確感知、實時采集設(shè)備運行數(shù)據(jù)、電網(wǎng)運行數(shù)據(jù)以及管理數(shù)據(jù)等物理實體電網(wǎng)的狀態(tài)信息,并通過數(shù)字孿生紐帶向數(shù)字孿生體傳輸數(shù)據(jù)。在孿生電網(wǎng)形成以多維數(shù)據(jù)資源體系、深度學(xué)習(xí)模塊、決策接口構(gòu)成的電網(wǎng)大腦。多維數(shù)據(jù)資源體系是構(gòu)建數(shù)字孿生電網(wǎng)的基礎(chǔ),通過搭建數(shù)據(jù)中臺,實現(xiàn)數(shù)據(jù)采集、匯集和統(tǒng)一管理、使用[10]。

1.2 典型應(yīng)用多維預(yù)測指標(biāo)

本文基于孿生電網(wǎng)主要要素,從負荷特征Pu、光伏儲能Pv、電能質(zhì)量水平Pf、智能電網(wǎng)資產(chǎn)利用率Pa等角度對數(shù)字孿生電網(wǎng)態(tài)勢進行感知與預(yù)測,并建立面向數(shù)字孿生電網(wǎng)的智能態(tài)勢感知綜合評估指標(biāo)。所以綜合感知模型如下

1.2.1 負荷特征

負荷代表電網(wǎng)總體運行的主要狀態(tài),負荷特征Pu是反映用戶用電狀態(tài)的重要參數(shù),合理地選取負荷特征是進行負荷辨識的首要步驟。通常,負荷特征可分為用電設(shè)備功率、對應(yīng)用電設(shè)備的負荷功率,對應(yīng)用電設(shè)備的使用時間,這些特征最終為準(zhǔn)確的負荷值提供數(shù)據(jù)保障。有功功率P和無功功率Q,在數(shù)學(xué)上是針對一個周期內(nèi)的采樣得到的電壓、電流實時數(shù)據(jù)進行統(tǒng)計的,其定義如下

式中:T為一個波形周期內(nèi)的采樣數(shù);V(t)為電路在t時刻的電壓;I(t)為對應(yīng)t時刻的電流。

1.2.2 光伏儲能

新型電力系統(tǒng)需要海量新能源接入,本文以光伏電源接入為例進行綜合感知。光伏電源的儲能功率主要由光照強度、實際環(huán)境溫度和標(biāo)準(zhǔn)測試條件下的輸出功率決定。

式中:Pstr、Gstr分別為標(biāo)準(zhǔn)狀態(tài)下光伏電源最大的輸出功率和光照強度;Gact、Tact分別為實際光照的強度和溫度;Tref、k分別為溫度參考值和功率溫度系數(shù)。

1.2.3 電能質(zhì)量水平

電能質(zhì)量為保證智能電網(wǎng)穩(wěn)定趨優(yōu)運行的一個重要指標(biāo),智能電網(wǎng)多維態(tài)勢感知系統(tǒng)需要實時監(jiān)測、反饋電網(wǎng)電能質(zhì)量,并實時反饋主動電網(wǎng)中隱藏的危害因素。電能質(zhì)量檢測水平用潮流越限率代替,其中潮流越限率表示在主動電網(wǎng)中某一區(qū)域范圍和某一時間范圍內(nèi)的節(jié)點潮流越限程度,其計算公式為

式中:N1為該區(qū)域內(nèi)電網(wǎng)支路數(shù);Si,max為在支路i額定狀態(tài)下潮流上限;Si(t)為支路i在t時刻態(tài)下潮流大小。

1.2.4 智能電網(wǎng)資產(chǎn)利用率

數(shù)字孿生電網(wǎng)急需反應(yīng)電網(wǎng)運營狀態(tài),智能電網(wǎng)資產(chǎn)利用率是反映電力市場和電網(wǎng)調(diào)度效果的一個指標(biāo),并反映電網(wǎng)狀態(tài),是實現(xiàn)優(yōu)化調(diào)度與電力市場的關(guān)鍵特征,間接反映多維電網(wǎng)態(tài)勢理解、預(yù)測的實現(xiàn)效果,并完成電網(wǎng)評估和預(yù)測,推動數(shù)字孿生電網(wǎng)的預(yù)測和再現(xiàn)功能。智能電網(wǎng)資產(chǎn)利用率表示某一區(qū)域內(nèi)運行收益與總電力消耗成本的比值,即

式中:ESj和IMj分別為第j小時時間段的售電收益和環(huán)境收益;SPn為電力設(shè)備n的消耗成本;ADn為電力設(shè)備n的老化系數(shù);TW為所選取的時間范圍。

2 基于LSTM 的數(shù)字孿生電網(wǎng)多維態(tài)勢預(yù)測方法

數(shù)字孿生體系不僅僅形成現(xiàn)實物理域中物理實體對象的鏡像,更重要的是與物理實體對象實現(xiàn)雙向數(shù)據(jù)傳輸,一方面要接受現(xiàn)實物理域的實時信息,另一方面要反過來驅(qū)動現(xiàn)實物理域,實現(xiàn)物理實體對象掌控。LSTM 算法通過對歷史數(shù)據(jù)的特征進行學(xué)習(xí),可以實現(xiàn)對未來電網(wǎng)預(yù)測。數(shù)字孿生平臺收集數(shù)據(jù)與預(yù)測數(shù)據(jù)實現(xiàn)主動電網(wǎng)狀態(tài)的把控。因此,通過對負荷特征、光伏儲能、電能質(zhì)量水平、智能電網(wǎng)資產(chǎn)利用率指標(biāo)的數(shù)據(jù)進行收集,使用LSTM 算法學(xué)習(xí)收集到數(shù)據(jù)的特征,根據(jù)數(shù)據(jù)特征進行下一時間段的預(yù)測。

2.1 預(yù)測模型

數(shù)字孿生平臺可實現(xiàn)對未來電網(wǎng)狀態(tài)的預(yù)測,其通過基于LSTM 算法來實現(xiàn)預(yù)測。LSTM利用前一周期數(shù)據(jù)可以實現(xiàn)下一周期數(shù)據(jù)預(yù)測等。在孿生電網(wǎng)模型中,將前一個周期綜合評估指標(biāo)Psum作為xt輸入并作為LSTM 的訓(xùn)練數(shù)據(jù),通過LSTM 可以實現(xiàn)對綜合評估指標(biāo)下一個周期的預(yù)測判斷。LSTM 通過遺忘門、輸入門及輸出門來保護和控制信息的輸入與輸出,其模型如圖2所示。遺忘門決定了從狀態(tài)中是否丟棄掉某個信息,遺忘門讀取ht-1和xt,反饋一個0～1的數(shù)值給Ct-1,其中0表示全部舍棄,1表示全部保留。輸入門決定了當(dāng)前狀態(tài)中是否更新某些信息,最后通過輸出門來決定是否需要輸出某些信息[11-14]。

圖2 LSTM 模型

首先,LSTM 基礎(chǔ)單元利用遺忘門處理前一個神經(jīng)元狀態(tài)的信息,并會輸出一個0～1的數(shù)值。

在輸入門中,其作用是記憶和輸出隱藏層狀態(tài),更新規(guī)則如式(11)-(12)。

模型經(jīng)過訓(xùn)練,最終輸出[h1,h2,h3,…,hn],即為多維度數(shù)據(jù)預(yù)測結(jié)果[11]。為了實現(xiàn)模型記憶更新,采用的是上一時刻的細胞狀態(tài)與遺忘門相乘,然后當(dāng)前時刻信息與輸入門相乘,具體規(guī)則如式(13)。

2.2 基于LSTM 電網(wǎng)多維度指標(biāo)預(yù)測方法

首先,將負荷特征、光伏儲能、電能質(zhì)量水平、智能電網(wǎng)資產(chǎn)利用率等多維全景信息通過數(shù)據(jù)鏈輸入到數(shù)據(jù)庫管理模塊,構(gòu)建智慧微電網(wǎng)的虛擬數(shù)字鏡像,接著基于LSTM 算法進行多維度數(shù)據(jù)預(yù)測;然后將數(shù)據(jù)分割成訓(xùn)練集與測試集,并學(xué)習(xí)到各個時間段各種指標(biāo)的特征;最后進行交叉驗證,使得訓(xùn)練得到的深度學(xué)習(xí)模型具有魯棒性。

模型基于2層的LSTM 神經(jīng)網(wǎng)絡(luò)來處理輸入電網(wǎng)收集的數(shù)據(jù),然后在輸出層中加入Dropout層、全連接層來處理Softmax函數(shù)?；贚STM的預(yù)測模型結(jié)構(gòu)如圖3所示。

圖3 基于LSTM 的預(yù)測模型結(jié)構(gòu)

基于LSTM 的數(shù)字孿生電網(wǎng)多維度預(yù)測模型使訓(xùn)練誤差盡可能小,同時追求在新樣本上泛化能力強,模型使用的LSTM 正則化方法為Dropout,通過隨機置零神經(jīng)元實現(xiàn)算法的優(yōu)化。

3 算例分析

為驗證本方法的可行性和有效性,采用某個省級的電網(wǎng)大數(shù)據(jù)平臺12月份的實時數(shù)據(jù),共布置了1 000套遠程監(jiān)測設(shè)備。每個設(shè)備按1次/min的頻率采集數(shù)據(jù)并計算,每天產(chǎn)生數(shù)據(jù)約50萬條,每條數(shù)據(jù)包括負荷特征、光伏儲能、電能質(zhì)量水平、智能電網(wǎng)資產(chǎn)利用率。實驗過程中,將每條數(shù)據(jù)按照監(jiān)測點位置處理好后的1 s向系統(tǒng)發(fā)送1條,然后將60條數(shù)據(jù)同時輸入基于流式計算的電力無線數(shù)據(jù)處理框架中。

為了驗證模型對電網(wǎng)運行態(tài)勢判別的準(zhǔn)確性,選取準(zhǔn)確率滿足要求的2種深度學(xué)習(xí)算法[深度置信網(wǎng)絡(luò)(DBN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)]與本模型進行對比,以搜集到的數(shù)據(jù)測試樣本對3種模型進行測試,最終獲取測試結(jié)果的正確率、召回率,如表1所示。

表1 3種算法準(zhǔn)確率、召回率 %

此外,由于不同算法對數(shù)據(jù)的特征提取不一致,因此在算法訓(xùn)練初期或者數(shù)據(jù)樣本極少的情況下,對算法進行判別更顯重要,所以本文設(shè)計了基于不同特征量下的準(zhǔn)確率、召回率、負荷預(yù)測、功率預(yù)測對比,結(jié)果如圖4—7所示。

圖4 檢測準(zhǔn)確率對比

由圖4可知,基于LSTM 分類算法判斷準(zhǔn)確率可以達到95%以上,在訓(xùn)練樣本達到80%時,分類準(zhǔn)確率達到了98.84%。因此,可以認(rèn)為充足的訓(xùn)練樣本有助于提高檢測準(zhǔn)確率。通過圖5可以分析得到,LSTM 的召回率大于DBN 和RNN算法,算法更加穩(wěn)定。由圖6可知,LSTM 的負荷預(yù)測值比DBN、RNN 負荷預(yù)測值更接近真實值,LSTM 模型在波峰和波谷中更為接近真實值,DBN 和RNN 模型負荷預(yù)測值都明顯大于真實值。由圖7可知,在設(shè)備儲能階段,LSTM 模型的波峰更加接近原始數(shù)據(jù),DBN、RNN 模型其預(yù)測值稍高于LSTM。

圖5 檢測召回率對比

圖6 負荷預(yù)測對比

圖7 功率預(yù)測對比

4 結(jié)束語

本文結(jié)合數(shù)字孿生電網(wǎng)多維態(tài)勢預(yù)測框架,分析典型應(yīng)用多維預(yù)測指標(biāo),提出基于LSTM 的數(shù)字孿生電網(wǎng)多維態(tài)勢預(yù)測方法,通過算例檢驗所提方法檢測準(zhǔn)確度在95%以上。利用現(xiàn)存的數(shù)據(jù),通過數(shù)據(jù)模擬與數(shù)據(jù)挖掘的深度學(xué)習(xí)算法等相關(guān)技術(shù),實現(xiàn)對未來態(tài)勢數(shù)據(jù)的預(yù)測,賦予電力領(lǐng)域智能化,實現(xiàn)數(shù)字孿生與電網(wǎng)真實空間協(xié)同與優(yōu)化反饋。通過數(shù)字孿生技術(shù)在實際中可實現(xiàn)的典型應(yīng)用,構(gòu)建實時完整預(yù)測模型,并將預(yù)測模型反饋給的數(shù)字孿生體,基于深度學(xué)習(xí)的算法進行多維度預(yù)測,從而為實現(xiàn)主動配電網(wǎng)提供前提保障。下一步,將改進預(yù)測模型,實現(xiàn)對單個指標(biāo)數(shù)據(jù)的精準(zhǔn)預(yù)測,為數(shù)字孿生電網(wǎng)提供更有力的信息支撐。