錢育樹,孔鈺婷,黃 聰

(1.中國能源建設(shè)集團(tuán)新疆電力設(shè)計院有限公司, 新疆 烏魯木齊 830002;2.新疆工程學(xué)院信息工程學(xué)院,新疆 烏魯木齊 830023;3.新疆大學(xué)軟件學(xué)院,新疆 烏魯木齊 830091)

0 引 言

電力工業(yè)是國民經(jīng)濟(jì)發(fā)展中的重要基礎(chǔ)性能源產(chǎn)業(yè),是保證國民經(jīng)濟(jì)和社會持續(xù)、穩(wěn)定、健康的發(fā)展的關(guān)鍵[1]。電力工業(yè)的發(fā)展建設(shè)對國家各行業(yè)起到至關(guān)重要的作用[2]。隨著改革開放后中國經(jīng)濟(jì)的高速發(fā)展,各領(lǐng)域的用電需求在不斷激增,推動著電力系統(tǒng)向數(shù)字化、智能化轉(zhuǎn)型發(fā)展[3]。

電力負(fù)荷預(yù)測是電力工業(yè)規(guī)劃中的一個重要過程,其通過電力歷史負(fù)荷數(shù)據(jù)和其他各類相關(guān)影響因素(如天氣條件、人類活動、工業(yè)過程類型、時間和季節(jié)特征等)對未來時段的電力負(fù)荷、用電形勢、用電需求、用電量等進(jìn)行綜合預(yù)測及推算[4]。電力負(fù)荷的準(zhǔn)確預(yù)測并快速響應(yīng)對電力系統(tǒng)運行的安全性、穩(wěn)定性、經(jīng)濟(jì)性具有重要意義。

為明確電力負(fù)荷預(yù)測的研究發(fā)展方向,需要掌握和了解電力負(fù)荷預(yù)測研究現(xiàn)狀,下面介紹了電力負(fù)荷預(yù)測的特性及分類、電力負(fù)荷預(yù)測的影響因素以及電力負(fù)荷預(yù)測的基本步驟;梳理并分析了電力系統(tǒng)負(fù)荷預(yù)測的現(xiàn)有研究成果并對電力負(fù)荷預(yù)測的未來發(fā)展方向進(jìn)行了展望。

1 電力負(fù)荷預(yù)測特性及分類

1.1 電力負(fù)荷預(yù)測特性

在對電力負(fù)荷進(jìn)行預(yù)測時,需依據(jù)歷史負(fù)荷數(shù)據(jù)及其影響因素,考慮電力負(fù)荷預(yù)測時段的外在條件和用戶需求,建立相關(guān)的預(yù)測模型并進(jìn)行模型擇優(yōu),實現(xiàn)對電力系統(tǒng)負(fù)荷的可靠預(yù)測[5]。電力負(fù)荷預(yù)測具有以下特性:

1)不確定性:電力負(fù)荷數(shù)據(jù)受各種不可預(yù)見的情況影響是不斷變化的;隨著電力負(fù)荷預(yù)測技術(shù)的更新迭代,電力負(fù)荷預(yù)測的精度要求也在不斷變化[6]。

2)條件性:無論使用何種預(yù)測方法或模型進(jìn)行電力負(fù)荷預(yù)測,都需要滿足相應(yīng)的預(yù)測條件[7]。

3)時間性:電力負(fù)荷預(yù)測需明確需要使用到的歷史負(fù)荷數(shù)據(jù)的時間范圍以及需要預(yù)測的未來負(fù)荷數(shù)據(jù)的時間范圍[8]。

4)多方案性:由于電力負(fù)荷的不確定性和條件性,需要依據(jù)多個預(yù)測方案的預(yù)測結(jié)果來挑選最優(yōu)的預(yù)測模型[8]。

5)相關(guān)性:電力負(fù)荷的自身發(fā)展過程存在相關(guān)性;電力負(fù)荷與外在影響因素之間也存在相關(guān)性[6]。

6)相似性:電力負(fù)荷在相近的年、季度、月、周、日、節(jié)假日呈現(xiàn)出相似的變化趨勢[9]。

7)地域多樣性:不同地區(qū)的經(jīng)濟(jì)發(fā)展能力、氣候變化、行為習(xí)慣存在差異,電力負(fù)荷在地域上存在多樣性,在進(jìn)行電力預(yù)測時需考慮地區(qū)的具體情況[10]。

1.2 電力負(fù)荷預(yù)測分類

電力負(fù)荷預(yù)測的內(nèi)容包括最大負(fù)荷功率、負(fù)荷電量及負(fù)荷曲線的預(yù)測[11]。電力負(fù)荷預(yù)測可按如下依據(jù)進(jìn)行分類:

1)行業(yè):商業(yè)負(fù)荷、工業(yè)負(fù)荷、農(nóng)用負(fù)荷、民用負(fù)荷以及其他負(fù)荷預(yù)測等[12]。

2)特性:最低負(fù)荷、最高負(fù)荷、平均負(fù)荷、負(fù)荷峰谷差、高峰負(fù)荷平均、低谷負(fù)荷平均、平峰負(fù)荷平均預(yù)測[12]。

3)時空特性:基于時間序列的負(fù)荷預(yù)測和基于空間范圍的負(fù)荷預(yù)測[12]。

4)預(yù)測時間周期:長期負(fù)荷預(yù)測(年)、中期負(fù)荷預(yù)測(月)、短期負(fù)荷預(yù)測(日)、超短期負(fù)荷預(yù)測(時)、節(jié)假日預(yù)測(時)[13]。

5)用戶等級:一類負(fù)荷、二類負(fù)荷和三類負(fù)荷[14]。

6)電能:用電負(fù)荷、供電負(fù)荷、發(fā)電負(fù)荷[14]。

2 電力負(fù)荷預(yù)測影響因素分析

電力負(fù)荷是指用戶在電力系統(tǒng)中某一時刻所需的用電功率,經(jīng)常受外在因素影響。開展電力系統(tǒng)負(fù)荷預(yù)測不僅要考慮預(yù)測模型,同時需要考慮外在因素對電力負(fù)荷變化的影響,以達(dá)到提升預(yù)測結(jié)果準(zhǔn)確性的目標(biāo)。對電力負(fù)荷預(yù)測的客觀影響因素主要有:

1)自然因素:室內(nèi)外氣溫、空氣濕度、太陽照射角、風(fēng)速、降水量、氣壓、天氣等自然環(huán)境的變化會影響用戶用電行為及用電設(shè)備發(fā)生變化,造成電力負(fù)荷變化[15]。

2)經(jīng)濟(jì)因素:經(jīng)濟(jì)因素在區(qū)域經(jīng)濟(jì)水準(zhǔn)、居民收入水準(zhǔn)兩方面影響著電力負(fù)荷的變化。區(qū)域經(jīng)濟(jì)水準(zhǔn)受地區(qū)的宏觀政策、產(chǎn)業(yè)總量增長、產(chǎn)業(yè)結(jié)構(gòu)、人口發(fā)展、電價等影響;居民收入水準(zhǔn)對居民用戶用電行為及設(shè)備所有權(quán)起決定性作用[16]。

3)時間因素:在較長的時間尺度中,電力負(fù)荷的變化趨勢隨著時間的推移呈現(xiàn)出周期性的變化,如周末與工作日以周為單位的變化、法定節(jié)假日等長假期與短假期帶來的變化、春夏秋冬等隨著季節(jié)變化電力負(fù)荷存在一定的變化規(guī)律[17]。

4)人文特點:某地區(qū)的居民密集度、住戶位置、生活習(xí)俗、居民職業(yè)特點、家庭人口年齡構(gòu)成等對用戶用電習(xí)慣與負(fù)荷高低會產(chǎn)生影響[15]。

5)突發(fā)事件:受自然災(zāi)害、人為因素不可預(yù)知的未來事件影響所導(dǎo)致的配電設(shè)施的臨時性維修、輸電線路的突然故障、變電系統(tǒng)故障等會造成電力負(fù)荷突變,影響電力系統(tǒng)的安全穩(wěn)定運行,同時對電力負(fù)荷預(yù)測增加難度[16]。

6)其他因素:例如大型賽事或演藝活動等短暫且無舉辦固定時間的活動會導(dǎo)致短期電力負(fù)荷增加;節(jié)能減排、新能源等政策實施會降低用戶用電量。這些短暫性的電力負(fù)荷變化因素在開展電力負(fù)荷預(yù)測工作時需要人工經(jīng)驗干預(yù)[18]。

3 電力負(fù)荷預(yù)測基本步驟

電力負(fù)荷預(yù)測需要確定預(yù)測對象,選取相應(yīng)的電力負(fù)荷歷史數(shù)據(jù)集,處理分析并挖掘出電力負(fù)荷數(shù)據(jù)的特征,建立合適的負(fù)荷預(yù)測模型,最后完成電力負(fù)荷預(yù)測任務(wù)[10]。

電力負(fù)荷預(yù)測任務(wù)的性能評價指標(biāo)通常有平均絕對誤差(mean absolute error,MAE)、均方根誤差(root mean square error, RMSE)、平均絕對百分比誤差(mean absolute percentage error, MAPE)、均方誤差(mean square error, MSE)、相對誤差(relative error,RE)、預(yù)測精度(forecast accuracy,FA)、預(yù)測區(qū)間覆蓋率(prediction intervals coverage probability,PICP)、平均區(qū)間寬度 (mean prediction intervals width,NMPIW)、考慮覆蓋率及寬度的綜合評價指標(biāo)(coverage width-based criterion,CWC)、平均誤差(mean error,ME)、準(zhǔn)確率 (accuracy,ACC)[19-25]。

電力負(fù)荷預(yù)測的基本步驟如下:

1)確定預(yù)測的目標(biāo)。針對電力負(fù)荷任務(wù),分析確定預(yù)測的對象、要求和目的等。

2)獲取電力負(fù)荷歷史數(shù)據(jù)。在明確預(yù)測目標(biāo)的基礎(chǔ)上搜集完整準(zhǔn)確的電力負(fù)荷歷史數(shù)據(jù)。

3)數(shù)據(jù)分析及處理。結(jié)合影響電力負(fù)荷的外在因素的歷史數(shù)據(jù),分析出電力負(fù)荷預(yù)測任務(wù)的數(shù)據(jù)特征,并進(jìn)行數(shù)據(jù)集的整合;對數(shù)據(jù)集進(jìn)行缺失值和異常值的處理,再開展數(shù)據(jù)的歸一化、標(biāo)準(zhǔn)化、特征編碼、數(shù)據(jù)集劃分等工作。

4)建立合適的電力負(fù)荷預(yù)測模型。數(shù)據(jù)處理完之后,結(jié)合數(shù)據(jù)的輸入特征和變化規(guī)律,建立合適的電力負(fù)荷預(yù)測模型。訓(xùn)練集用于訓(xùn)練預(yù)測模型,驗證集用于驗證和調(diào)優(yōu)模型。

5)模型測試及評估。在模型優(yōu)化完成后,輸入測試集開始模型的預(yù)測,對比預(yù)測負(fù)荷與真實負(fù)荷,通過性能評價指標(biāo)對模型預(yù)測結(jié)果和表現(xiàn)進(jìn)行定性分析,幫助研究人員從多個模型中選擇出當(dāng)前電力負(fù)荷任務(wù)的最優(yōu)模型[22]。

4 電力系統(tǒng)負(fù)荷預(yù)測方法

下面按照傳統(tǒng)預(yù)測方法、機器學(xué)習(xí)預(yù)測方法及深度學(xué)習(xí)預(yù)測方法等對電力系統(tǒng)負(fù)荷預(yù)測方法進(jìn)行劃分,并指出這些方法優(yōu)劣及適用的環(huán)境。

4.1 傳統(tǒng)預(yù)測方法

傳統(tǒng)預(yù)測方法包括時間序列分析法、趨勢分析法、回歸分析法、指數(shù)平滑法、灰色預(yù)測模型等多種方法[26]。

1)時間序列分析法,分析的是隨時間變化的連續(xù)的電力負(fù)荷歷史數(shù)據(jù)序列,建立數(shù)學(xué)模型來描述負(fù)荷值與時間的相互關(guān)系, 確定時間序列的表達(dá)式來進(jìn)行時間序列的負(fù)荷預(yù)測[27]。該方法的優(yōu)點在于所需的數(shù)據(jù)量少,且預(yù)測結(jié)果具有連續(xù)性;其劣勢在于只適用于短期電力負(fù)荷預(yù)測,對周期性因素考慮較多,對不確定因素如節(jié)假日、天氣等考慮較少。文獻(xiàn)[28]提升基于小波變換的時間序列分析方法來進(jìn)行電力負(fù)荷預(yù)測,采用提升小波變換對用戶電力負(fù)荷數(shù)據(jù)的主要特征進(jìn)行提取,避免用電量數(shù)據(jù)隨機和波動帶來的干擾。文獻(xiàn)[29]融合利用卡爾曼濾波算法的自適應(yīng)優(yōu)勢,較簡單地得到比較準(zhǔn)確的狀態(tài)方程和觀測方程,短期電力負(fù)荷預(yù)測精度得到提升。

2)趨勢分析法又稱為趨勢曲線分析方法,是使用最廣、研究最多的定量預(yù)測方法[30]。趨勢分析法是根據(jù)已知的歷史數(shù)據(jù)來擬合一個函數(shù),使得函數(shù)能表達(dá)未來某個時間點電力系統(tǒng)負(fù)荷的預(yù)測值,常用的函數(shù)類型有多項式、對數(shù)、冪函數(shù)、指數(shù)等。趨勢分析法通常要求完全擬合歷史數(shù)據(jù),不考慮隨機誤差,預(yù)測精確度易受突發(fā)事件的影響。基于負(fù)荷曲線進(jìn)行的預(yù)測方法還有負(fù)荷極值分析、電力負(fù)荷密度等,均屬超短期負(fù)荷預(yù)測方法[31]。

3)回歸分析法又稱統(tǒng)計分析法,是確定預(yù)測值和影響因子之間關(guān)系的方法。在電力系統(tǒng)負(fù)荷預(yù)測中表現(xiàn)為分析天氣、區(qū)域經(jīng)濟(jì)水平和產(chǎn)業(yè)結(jié)構(gòu)等眾多因素與預(yù)測值之間的關(guān)系。但單純的回歸分析不能滿足日益復(fù)雜的數(shù)據(jù)和精度要求,通常會結(jié)合一些其他的數(shù)據(jù)處理方法,如文獻(xiàn)[32]通過對海上油田各生產(chǎn)環(huán)節(jié)的電力負(fù)荷需求和發(fā)展趨勢進(jìn)行分析,采用逐步回歸分析法進(jìn)行電力負(fù)荷預(yù)測特征量的強篩選,并建立電力負(fù)荷預(yù)測盲數(shù)化回歸模型提升電力負(fù)荷預(yù)測的精度?；貧w分析法的優(yōu)勢在于方法簡單、參數(shù)較少、預(yù)測的速度較快,但對于歷史數(shù)據(jù)要求較高,且無法將大量的影響因素考慮進(jìn)來?；貧w分析法適用于中期、長期電力負(fù)荷預(yù)測的應(yīng)用場景。

4)指數(shù)平滑法與回歸分析法類似,都是基于時間序列和負(fù)荷值建立預(yù)測模型,與回歸分析法不同的是指數(shù)平滑法更靈活,擬合性能也更好。指數(shù)平滑法采用過去數(shù)周的同類型日的相同時刻的負(fù)荷組成時間序列數(shù)據(jù),對時間序列數(shù)據(jù)進(jìn)行加權(quán)平均,得出待預(yù)測的負(fù)荷值。文獻(xiàn)[33]提出具有“厚近薄遠(yuǎn)”特性的指數(shù)平滑法,解決了中長期電力負(fù)荷預(yù)測中存在時間跨度大和廣域分布廣等難題。指數(shù)平滑法的優(yōu)勢在于對季節(jié)波動不敏感及對季節(jié)趨勢變化不明顯的時間序列數(shù)據(jù)預(yù)測效果較好;劣勢在于該方法的預(yù)測結(jié)果為變化趨勢,難以實現(xiàn)準(zhǔn)確的定量預(yù)測。該方法適用于短期、中期、長期電力負(fù)荷預(yù)測。

5)灰色預(yù)測模型是對含有不確定因素的系統(tǒng)進(jìn)行電力負(fù)荷預(yù)測的方法。使用灰色預(yù)測模型時先鑒別系統(tǒng)的不確定因素以及不確定因素之間變化的相異程度;然后處理原始數(shù)據(jù),尋找系統(tǒng)變化的規(guī)律;最后生成有較強規(guī)律的時間序列數(shù)據(jù),以便開展電力系統(tǒng)中電力負(fù)荷趨勢的預(yù)測?；疑A(yù)測模型的優(yōu)勢在于預(yù)測的計算量小、所需的負(fù)荷數(shù)據(jù)少,對指數(shù)趨勢負(fù)荷預(yù)測效果較好;劣勢在于該方法未考慮到其他影響因素導(dǎo)致負(fù)荷變化規(guī)律不具有指數(shù)性時,電力負(fù)荷預(yù)測精度隨之降低。該方法適用于短期、中期、長期電力負(fù)荷預(yù)測。文獻(xiàn)[34-36]等對灰色預(yù)測模型進(jìn)行改進(jìn)應(yīng)用,電力負(fù)荷預(yù)測的精度和穩(wěn)定性得到提升。

早期電力系統(tǒng)的經(jīng)濟(jì)結(jié)構(gòu)相對簡單,影響電力負(fù)荷的因素較少,傳統(tǒng)的電力負(fù)荷預(yù)測模型能快速、準(zhǔn)確地預(yù)測電力負(fù)荷。隨著經(jīng)濟(jì)結(jié)構(gòu)的快速發(fā)展與變化,電力負(fù)荷中非線性和不確定性使得電力負(fù)荷預(yù)測愈發(fā)困難,傳統(tǒng)預(yù)測方法不能很好地預(yù)測結(jié)果,需要依據(jù)實際情況進(jìn)行預(yù)測方法的優(yōu)化改進(jìn),考慮到氣候、天氣等外界因素影響,實現(xiàn)對電力負(fù)荷的精準(zhǔn)穩(wěn)定預(yù)測。

4.2 機器學(xué)習(xí)預(yù)測方法

電力負(fù)荷預(yù)測受多種因素影響,具備一定的非線性。機器學(xué)習(xí)具有較強的非線性映射能力,能有效地處理電力負(fù)荷預(yù)測中的非線性問題。傳統(tǒng)的機器學(xué)習(xí)方法有支持向量機、決策樹、隨機森林等,這些方法能使用較少的數(shù)據(jù)處理非線性問題。

1)支持向量機(support vector machine,SVM)是尋找一個超平面來處理非線性問題,能處理分類問題和回歸問題。支持向量機用于處理回歸問題時被稱為支持向量回歸,該模型是尋找一個超平面擬合現(xiàn)有數(shù)據(jù),使得所有數(shù)據(jù)到超平面的損失值最小。支持向量機具備處理小樣本、非線性問題的優(yōu)勢;其劣勢在于支持向量機的參數(shù)量選擇困難。該方法適用于超短期、短期、中期、長期電力負(fù)荷預(yù)測。文獻(xiàn)[37]通過混沌類電磁學(xué)算法優(yōu)化支持向量機的參數(shù)選擇過程,算法收斂效率和尋優(yōu)能力得到了提升,適用于短期電力負(fù)荷預(yù)測。支持向量機還可以通過K-means[38]、最小二乘支持向量機[39]、麻雀搜索算法[40]、海鷗優(yōu)化算法[41]等進(jìn)行模型優(yōu)化。

決策樹(decision tree,DT)在機器學(xué)習(xí)中表示的是對象屬性與對象值之間的一種映射關(guān)系,是一種可以處理分類與回歸問題的方法。決策樹學(xué)習(xí)時,根據(jù)訓(xùn)練數(shù)據(jù)與損失函數(shù)最小化的原則構(gòu)建決策模型。決策樹具有分類速度快、生成模式簡單的優(yōu)點,其劣勢在于易受訓(xùn)練數(shù)據(jù)中對決策不相關(guān)屬性的影響。該方法的適用場景為短期、長期電力負(fù)荷預(yù)測。文獻(xiàn)[42]通過減少異質(zhì)數(shù)據(jù)的干擾,降低訓(xùn)練數(shù)據(jù)的規(guī)模,提出基于局部相似度取小綜合的相似度計算方法和加權(quán)相似度損失函數(shù),提升訓(xùn)練數(shù)據(jù)的相似度,改進(jìn)梯度提升決策樹學(xué)習(xí)算法,進(jìn)而提升電力負(fù)荷預(yù)測的性能。

3)隨機森林(random forest)是一種由決策樹構(gòu)成的集成算法,屬于Bagging類型。隨機森林處理回歸問題時稱為隨機森林回歸。隨機森林回歸模型通過隨機抽取樣本和特征,建立多顆互不關(guān)聯(lián)的決策樹,綜合所有決策樹的結(jié)果得出最終預(yù)測結(jié)果。通過集成多顆決策樹,使得模型具有較高的精確度和泛化性能。隨機森林的優(yōu)勢在于對異常值有較高的容忍度,且不容易出現(xiàn)過擬合;劣勢在于當(dāng)數(shù)據(jù)不平衡時會導(dǎo)致分類準(zhǔn)確率降低。該方法適用于短期、中期、長期電力負(fù)荷預(yù)測。文獻(xiàn)[43]在電力預(yù)測中采用隨機森林對不同產(chǎn)業(yè)進(jìn)行針對性建模,提升了中短期電力負(fù)荷預(yù)測的精度。將隨機森林與其他機器學(xué)習(xí)的方法相結(jié)合同樣能提升模型的精度,文獻(xiàn)[44]通過將模糊聚類與隨機森林回歸相結(jié)合,預(yù)測北愛爾蘭短期電力負(fù)荷,預(yù)測結(jié)果表明了模糊聚類與隨機森林相結(jié)合的有效性。

傳統(tǒng)的基于機器學(xué)習(xí)預(yù)測方法相比于傳統(tǒng)的預(yù)測方法可以提升預(yù)測精度,得到較好的預(yù)測結(jié)果,但傳統(tǒng)的機器學(xué)習(xí)方法對數(shù)據(jù)特征的挖掘還是略顯不足,面對復(fù)雜的電力系統(tǒng)時不能很好地預(yù)測電力負(fù)荷。

4.3 深度學(xué)習(xí)預(yù)測方法

深度學(xué)習(xí)預(yù)測方法是用神經(jīng)網(wǎng)絡(luò)作為參數(shù)結(jié)構(gòu)進(jìn)行優(yōu)化的機器學(xué)習(xí)方法。神經(jīng)網(wǎng)絡(luò)也稱人工神經(jīng)網(wǎng)絡(luò),是一種模仿生物神經(jīng)網(wǎng)絡(luò)信息傳遞和處理的數(shù)學(xué)模型。該模型通過大量節(jié)點并行或串行處理輸入的信息,得到一個或多個輸出目標(biāo)。該模式具有復(fù)雜度高、適應(yīng)性強、能自適應(yīng)的學(xué)習(xí)數(shù)據(jù)特征,因此被廣泛使用。神經(jīng)網(wǎng)絡(luò)的基本單元是感知機,能夠接收多個輸入特征(x1,x2,…,xn),經(jīng)過可學(xué)習(xí)的權(quán)重(w1,w2,…,wn)和偏置b加權(quán)融合所有信息。加權(quán)融合并不能增加模型的非線性映射能力,因此通過一個非線性的激活函數(shù)θ(·)增加模型的非線性能力。電力行業(yè)經(jīng)過多年的發(fā)展已經(jīng)累積了大量珍貴的數(shù)據(jù),深度學(xué)習(xí)的自適應(yīng)學(xué)習(xí)特性非常有利于擬合這些數(shù)據(jù)特征,進(jìn)行電力負(fù)荷預(yù)測。目前廣泛應(yīng)用于電力負(fù)荷預(yù)測的神經(jīng)網(wǎng)絡(luò)有誤差逆?zhèn)鞑?back propagation,BP)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)以及新興的Transformer模型[15]。

1)BP神經(jīng)網(wǎng)絡(luò)是通過反向傳播算法進(jìn)行訓(xùn)練的多層神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)分為兩個過程,即信息的前向傳播和誤差的反向傳播。前向傳播中,信息從輸入層開始,經(jīng)過隱含層提取信息和特征,最后由輸出層輸出結(jié)果。反向傳播中,誤差通過鏈?zhǔn)角髮?dǎo)更新每個權(quán)重和偏置。文獻(xiàn)[45]將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于短期電力預(yù)測,取得較好的預(yù)測結(jié)果。BP神經(jīng)網(wǎng)絡(luò)具有較好的非線性擬合性能,與其他算法結(jié)合能取得更好的預(yù)測結(jié)果,文獻(xiàn)[46]提出將主成分分析和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合,提升影響因子的細(xì)粒度,降低冗余信息的干擾,提升預(yù)測精度。文獻(xiàn)[47]發(fā)現(xiàn)將負(fù)荷數(shù)據(jù)與氣象信息作為輸入,結(jié)合貓群優(yōu)化算法與BP神經(jīng)網(wǎng)絡(luò)能獲得更好的預(yù)測結(jié)果。BP神經(jīng)網(wǎng)絡(luò)雖然具有較強的非線性映射能力、高度的自適應(yīng)和自學(xué)習(xí)能力、較強的泛化能力以及具有一定的容錯能力,但BP神經(jīng)網(wǎng)絡(luò)的參數(shù)冗余、收斂速度慢、局部極小化問題不容忽視。BP神經(jīng)網(wǎng)絡(luò)適用于短期、中期、長期電力負(fù)荷預(yù)測。

2)卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)是帶有卷積結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò),可以高效地處理圖像數(shù)據(jù)或圖像序列數(shù)據(jù),同樣可以處理電力數(shù)據(jù)。與BP神經(jīng)網(wǎng)絡(luò)不同的是,卷積神經(jīng)網(wǎng)絡(luò)的上下層神經(jīng)元并不直接連接,而是通過共享卷積核連接,極大地減少神經(jīng)網(wǎng)絡(luò)中的參數(shù)量,避免參數(shù)冗余。卷積運算是指將輸入的特征圖通過多個不同的卷積核做加權(quán)融合運算,得到新的特征圖或特征序列。其中卷積核提取需要的各種特征,每個輸入的特征都有權(quán)重與之相乘。權(quán)值共享方式能大幅度降低神經(jīng)網(wǎng)絡(luò)中的參數(shù)量。不同的任務(wù)使用不同大小的卷積核,小尺寸卷積核能有效降低模型的參數(shù)量,但也限制了模型的感受野,在相同參數(shù)量時堆疊多個小尺寸的卷積核性能更優(yōu)。卷積神經(jīng)網(wǎng)絡(luò)適用于短期電力負(fù)荷預(yù)測。文獻(xiàn)[48]通過全卷積網(wǎng)絡(luò)和因果邏輯約束增強時間序列特征表達(dá),通過多尺度卷積核提取不同時間長度的特征,進(jìn)而提高模型預(yù)測電力負(fù)荷的精度和穩(wěn)定性。卷積神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)類似,可以結(jié)合一些傳統(tǒng)的機器學(xué)習(xí)方法提升模型的預(yù)測精度,例如文獻(xiàn)[49]通過結(jié)合K-means與卷積神經(jīng)網(wǎng)絡(luò)預(yù)測短期電力負(fù)荷:首先,通過K-means將用戶分為日相關(guān)強的類和日相關(guān)弱的類;然后,對相關(guān)性強的類采用相鄰時刻的數(shù)據(jù)和日數(shù)據(jù)作為輸入,對相關(guān)性弱的類,僅使用相鄰時刻的數(shù)據(jù)作為輸入;最后,通過CNN提取特征,用實驗結(jié)果表明了算法的可行性。

3)循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)是一種將輸出作為下次輸入一部分的神經(jīng)網(wǎng)絡(luò)模型[50]。該模型能捕獲前后輸出之間的相關(guān)性,其特性也能用于電力負(fù)荷預(yù)測,但RNN不善于學(xué)習(xí)長期依賴,僅適用于短期依賴,即應(yīng)用于短期電力負(fù)荷預(yù)測場景。文獻(xiàn)[51]提出長短時記憶網(wǎng)絡(luò)(long short-term memory,LSTM)有效地解決RNN中長期依賴問題。LSTM增加了輸入門、遺忘門和輸出門。輸入門決定隱藏層信息是否更新,遺忘門決定更新的隱藏層是否包含上一時刻的信息,輸出門決定輸出那部分信息。電力系統(tǒng)負(fù)荷預(yù)測任務(wù)具有時間屬性,這與循環(huán)神經(jīng)網(wǎng)絡(luò)的特性相符合。文獻(xiàn)[52]中當(dāng)訓(xùn)練數(shù)據(jù)較少、數(shù)據(jù)中時間間隔較短時,RNN能較好地學(xué)習(xí)數(shù)據(jù)特征并較為準(zhǔn)確地預(yù)測電力系統(tǒng)負(fù)荷;但隨著數(shù)據(jù)中時間間隔增長,RNN難以達(dá)到理想的預(yù)測結(jié)果。電力負(fù)荷數(shù)據(jù)中,不同尺度的信息側(cè)重點不同,結(jié)合不同尺度的信息能有效地提升預(yù)測的精度,如基于多尺度跳躍[53]、利用自適應(yīng)柯西變異粒子群算法[54]等進(jìn)行模型優(yōu)化。卷積神經(jīng)網(wǎng)絡(luò)按步長滑動卷積核計算的方式雖然降低了參數(shù)量,但造成互不相干的特征提取無法采用矩陣運算,進(jìn)而限制了模型的推理速度。循環(huán)神經(jīng)網(wǎng)絡(luò)能很好地適應(yīng)電力數(shù)據(jù)的時間特性,LSTM能自發(fā)記憶長期依賴,但訓(xùn)練速度慢、訓(xùn)練難度高和模型的可解釋性差,使得基于LSTM的電力預(yù)測模型還需進(jìn)一步研究。

4)Transformer模型最初提出用于解決自然語言處理中循環(huán)神經(jīng)網(wǎng)絡(luò)難以并行加速的問題[52]。標(biāo)準(zhǔn)Transformer模型由編碼器(encode)和解碼器(decode)組成,decode相比于encode多了一個多頭注意力模塊和規(guī)范化網(wǎng)絡(luò)層(layer normalization)用于接收encode輸出。除了encode的輸出,decode的輸入還包括上一個decode的輸出,依次類推完成解碼。電力負(fù)荷預(yù)測的非線性、時間性和不確定性提高了負(fù)荷預(yù)測的難度,但Transformer模型能充分捕獲電力負(fù)荷序列的位置、周期性、趨勢和時間信息,能有效地降低預(yù)測難度,提高預(yù)測精度。該方法適用于短期、中期、長期電力負(fù)荷預(yù)測場景。文獻(xiàn)[55]提出基于特征嵌入和Transformer的負(fù)荷預(yù)測模型,首先通過融合負(fù)荷位置、趨勢、周期性、時間和天氣信息得到負(fù)荷特征向量,再通過Transformer模型挖掘特征向量中的非線性時序依賴關(guān)系,最后通過全連接預(yù)測電力負(fù)荷。Transformer模型能有效挖掘電力負(fù)荷數(shù)據(jù)中長期的依賴關(guān)系,進(jìn)而提高電力負(fù)荷預(yù)測的精度。利用Transformer捕獲電力負(fù)荷數(shù)據(jù)中長距離依賴關(guān)系的模型還有基于XGBoost、GRU的改進(jìn)模型[56-57〗,可進(jìn)一步提高電力負(fù)荷預(yù)測的精度和效率。

5 結(jié) 論

上面總結(jié)了電力負(fù)荷預(yù)測的特性、影響因素、預(yù)測基本步驟及性能評價,并從傳統(tǒng)預(yù)測方法、機器學(xué)習(xí)預(yù)測方法、深度學(xué)習(xí)預(yù)測方法等三方面梳理并分析了電力系統(tǒng)負(fù)荷預(yù)測的研究成果。隨著新能源汽車、儲能系統(tǒng)等技術(shù)的快速發(fā)展,電力系統(tǒng)即產(chǎn)即用的特征將發(fā)生重大轉(zhuǎn)變,風(fēng)能、太陽能等不穩(wěn)定能源發(fā)電的潛力將得到極大釋放,因此電力系統(tǒng)負(fù)荷預(yù)測技術(shù)也應(yīng)在以下幾個方面進(jìn)一步發(fā)展:

1)隨著儲能技術(shù)的發(fā)展,不穩(wěn)定能源將得到極大開發(fā),電力負(fù)荷預(yù)測應(yīng)細(xì)化天氣、地理環(huán)境、風(fēng)能和太陽能儲備等因素的影響,以獲得更準(zhǔn)確、更合理的長期預(yù)測結(jié)果,為電力規(guī)劃部門提供更有力的依據(jù);

2)傳統(tǒng)方法雖然存在一定的局限性,但在特定領(lǐng)域仍發(fā)揮著重要的作用,如何更有效地結(jié)合傳統(tǒng)方法與最新的深度學(xué)習(xí)方法仍值得研究;

3)電力負(fù)荷受地區(qū)政策、經(jīng)濟(jì)影響較大,應(yīng)多考慮研究融合時間和空間的電力負(fù)荷預(yù)測技術(shù)。