葛 云

（酒泉鋼鐵（集團）有限責(zé)任公司）

0 引言

在電力系統(tǒng)的運行管理中，電網(wǎng)負荷預(yù)測始終是保障電網(wǎng)安全、穩(wěn)定和經(jīng)濟運行的核心［1-2］。精確的負荷預(yù)測能夠為電網(wǎng)的規(guī)劃設(shè)計、運行控制與市場運營提供決策支持，減少能源浪費，降低運營成本，并進一步優(yōu)化電力資源的配置。然而，由于電力負荷受多種因素的影響，如季節(jié)變化、氣候條件、用戶行為習(xí)慣以及社會經(jīng)濟活動等，使得電網(wǎng)負荷呈現(xiàn)出非線性、時間依賴性和難以精確預(yù)測的特性［3］。

與此同時，優(yōu)化調(diào)度作為電力系統(tǒng)穩(wěn)定性和經(jīng)濟性的另一重要環(huán)節(jié)，旨在根據(jù)負荷預(yù)測結(jié)果合理安排發(fā)電計劃，調(diào)配電力資源，實現(xiàn)在滿足用戶需求的同時，提升電網(wǎng)的運行效率和經(jīng)濟效益。優(yōu)化調(diào)度問題的復(fù)雜性在于必須在滿足眾多技術(shù)約束和操作規(guī)則的前提下，尋找最優(yōu)解決方案。這要求對大量歷史和實時數(shù)據(jù)進行處理和分析，以獲得最佳決策［4］。

當前，隨著智能電網(wǎng)系統(tǒng)的大規(guī)模建立和信息技術(shù)的快速發(fā)展，電力系統(tǒng)已經(jīng)積累了海量的數(shù)據(jù)，這為電網(wǎng)負荷預(yù)測和優(yōu)化調(diào)度提供了新的解決思路。大數(shù)據(jù)技術(shù)以其強大的數(shù)據(jù)處理能力和復(fù)雜模型構(gòu)建能力，為挖掘電網(wǎng)數(shù)據(jù)價值、提高預(yù)測精度、實現(xiàn)優(yōu)化調(diào)度提供了可能。然而，如何高效處理這些大數(shù)據(jù)，如何將數(shù)據(jù)分析轉(zhuǎn)化為電網(wǎng)運營的智能決策，依然是電力領(lǐng)域面臨的挑戰(zhàn)［5］。

因此，本研究利用大數(shù)據(jù)分析技術(shù)解決電網(wǎng)負荷預(yù)測和優(yōu)化調(diào)度的問題。通過深入分析電力數(shù)據(jù)的特征，運用先進的數(shù)據(jù)挖掘和機器學(xué)習(xí)方法，不僅能夠提升負荷預(yù)測的準確性，還能優(yōu)化電力系統(tǒng)的調(diào)度策略，對電力系統(tǒng)的可靠性、經(jīng)濟性和智能化水平的提升具有重要的實踐意義。

1 大數(shù)據(jù)分析技術(shù)在智能電網(wǎng)中的應(yīng)用

電力系統(tǒng)中的大數(shù)據(jù)技術(shù)主要應(yīng)用于電網(wǎng)負荷預(yù)測、用戶行為分析、電力設(shè)備狀態(tài)監(jiān)測和故障診斷等方面。通過對海量歷史和實時數(shù)據(jù)的分析，不僅可以預(yù)測電網(wǎng)的負荷趨勢，還可以實現(xiàn)對電力系統(tǒng)異常的早期預(yù)警，為電網(wǎng)的優(yōu)化調(diào)度提供科學(xué)依據(jù)。

數(shù)據(jù)挖掘是指從大量數(shù)據(jù)中通過算法搜索隱藏信息的過程。它是大數(shù)據(jù)技術(shù)的核心，結(jié)合了統(tǒng)計學(xué)、機器學(xué)習(xí)、模式識別等多個領(lǐng)域的方法論。數(shù)據(jù)挖掘的基本任務(wù)包括分類、回歸、聚類、關(guān)聯(lián)規(guī)則學(xué)習(xí)和異常檢測等。在電力系統(tǒng)的負荷預(yù)測中，分類和回歸算法可以用來預(yù)測負荷類型和負荷量；聚類算法能夠幫助我們識別不同的用電模式；關(guān)聯(lián)規(guī)則學(xué)習(xí)可以發(fā)現(xiàn)不同電網(wǎng)參數(shù)之間的內(nèi)在聯(lián)系；異常檢測則可以用來識別可能的故障和異常用電行為。

智能電網(wǎng)系統(tǒng)的優(yōu)化調(diào)度中，常用的優(yōu)化算法如線性規(guī)劃、非線性規(guī)劃、組合優(yōu)化等，為電網(wǎng)的發(fā)電、輸電和配電等多個環(huán)節(jié)提供決策支持。這些算法不僅幫助電力系統(tǒng)實現(xiàn)成本最小化和效率最大化，同時也保證了電力供應(yīng)的穩(wěn)定性和安全性。

綜上所述，大數(shù)據(jù)分析技術(shù)、數(shù)據(jù)挖掘與機器學(xué)習(xí)、以及預(yù)測與優(yōu)化算法的綜合應(yīng)用為電力系統(tǒng)的智能化管理和運營提供了強有力的技術(shù)支持。

2 電網(wǎng)負荷預(yù)測與優(yōu)化調(diào)度

2.1 基于大數(shù)據(jù)分析的電網(wǎng)負荷預(yù)測與優(yōu)化調(diào)度方法

基于大數(shù)據(jù)分析的電網(wǎng)負荷預(yù)測與優(yōu)化調(diào)度方法，如圖所示。

圖 基于大數(shù)據(jù)分析的電網(wǎng)負荷預(yù)測與優(yōu)化調(diào)度

2.2 基于長短時記憶網(wǎng)絡(luò)的電網(wǎng)負荷預(yù)測

長短期記憶網(wǎng)絡(luò)（LSTM）在電力負荷預(yù)測中的運用利用了其處理長期依賴關(guān)系的能力。LSTM通過其內(nèi)部的狀態(tài)和門控機制來實現(xiàn)這一點。首先遺忘門會評估并決定哪些歷史負荷信息不再重要而應(yīng)當被淡忘。這是通過評估當前的電力輸入xt和上一個時間點的隱藏狀態(tài)ht－1來完成的。遺忘門輸出的遺忘向量ft可以表示為：

式中，Wf代表遺忘門的權(quán)重；bf為偏置；σ為sigmoid激活函數(shù)，能夠?qū)⑤敵鰤嚎s至0～1之間，指示每個細胞狀態(tài)單元應(yīng)該遺忘多少信息。

輸入門的更新決策：輸入門負責(zé)決定新的信息如何被更新到細胞狀態(tài)中。它計算一個激活向量it和一個候選細胞狀態(tài)，如下式所示：

式中it表示在當前時刻哪些新的信息應(yīng)當被納入細胞狀態(tài)中，而提供了這些新信息的具體值。

隨后是進行細胞狀態(tài)的更新，基于遺忘門和輸入門的決策，細胞狀態(tài)會更新為新的狀態(tài)Ct，過程可以表示為：

其中，新的細胞狀態(tài)Ct綜合了來自過去的重要信息（通過遺忘門選擇）以及當前的相關(guān)信息（通過輸入門注入）。

最終通過輸出門形成最終的電力負荷預(yù)測結(jié)果。細胞狀態(tài)更新后，輸出門將確定下一個時間點的隱藏狀態(tài)ht，隱藏狀態(tài)中蘊含了當前輸入的信息，也是未來預(yù)測的基礎(chǔ)：

式中，Ot代表輸出向量，它通過tanh函數(shù)的激活和自身的調(diào)節(jié)，決定了最終輸出ht的內(nèi)容，即包含當前輸入信息的隱藏狀態(tài)。

應(yīng)用于電力負荷預(yù)測的LSTM網(wǎng)絡(luò)不僅能夠從歷史負荷數(shù)據(jù)中學(xué)習(xí)趨勢和模式，能整合諸如氣象條件、日期類型等因素，以更精確地預(yù)測未來的電力需求。通過這樣的大數(shù)據(jù)分析模型，我們能夠在保持系統(tǒng)穩(wěn)定性的同時，優(yōu)化電網(wǎng)的運行和管理。

2.3 基于遺傳算法的資源優(yōu)化調(diào)度

對上述得到的基于電力負荷預(yù)測結(jié)果進行電力系統(tǒng)調(diào)度優(yōu)化，采用遺傳算法 （Genetic Algorithm，GA），這是一種受生物進化理論啟發(fā)的搜索算法，常用于解決大規(guī)模、復(fù)雜的優(yōu)化問題。遺傳算法特別適合于在大數(shù)據(jù)環(huán)境下對電力系統(tǒng)調(diào)度進行優(yōu)化，可以有效地搜索高維空間并找到全局最優(yōu)解或近似解。

2.3.1 電力系統(tǒng)調(diào)度優(yōu)化目標

在電力系統(tǒng)的優(yōu)化調(diào)度中，通常有多個優(yōu)化目標，如成本最小化、污染物排放最小化和系統(tǒng)穩(wěn)定性最大化。在此基礎(chǔ)上，我們可以構(gòu)建一個多目標優(yōu)化問題，并且利用遺傳算法來求解這個問題。以下是一個數(shù)學(xué)公式化的優(yōu)化目標及其對應(yīng)遺傳算法的求解過程。

首先定義如下優(yōu)化目標用于電力系統(tǒng)調(diào)度優(yōu)化，其中包括發(fā)電成本最小化F，污染物排放最小化E。

式中，F(xiàn)為系統(tǒng)總發(fā)電成本；T為在調(diào)度周期時間的總數(shù)；t為時期的數(shù)量；N為可以安排在系統(tǒng)內(nèi)的發(fā)電單元的總數(shù)和能源存儲設(shè)備；Pi為系統(tǒng)的實際輸出功率；F（Pi）為第i個發(fā)電單元的運營成本；Pbuy為從主電網(wǎng)購買的電力；Psell為主要銷售電給電網(wǎng)的電力；Ebuy為買電的價格；Esell為銷售電的價格。

式中，E（Pi）表示第i個單元的污染物排放量；α，β，γ，ζ，λ是描述第i個發(fā)電單元的污染排放特性的非負系數(shù)；Pi是第i個發(fā)電單元的實際輸出。

2.3.2 基于遺傳算法的調(diào)度優(yōu)化過程

初始化：生成初始種群，即不同的電力系統(tǒng)調(diào)度方案集合。每個個體（調(diào)度方案）由發(fā)電機的功率輸出Pi組成。

適應(yīng)度函數(shù)可以表示為下式：

式中，s為一個調(diào)度策略；F和E分別表示成本目標和污染排放目標；α，β是權(quán)重參數(shù)，它們反映了不同優(yōu)化目標的重要程度。

選擇：選擇操作基于個體的適應(yīng)度，采用“輪盤賭”方法來選擇優(yōu)良個體進入下一代。

交叉：交叉操作通過組合兩個父代個體的染色體來產(chǎn)生子代。例如，可以使用單點交叉、多點交叉或均勻交叉等技術(shù)。

變異：變異操作通過隨機改變某些個體的基因來引入新的遺傳多樣性。例如，可以隨機改變某個發(fā)電機的功率輸出。

新一代種群：選擇、交叉和變異操作產(chǎn)生的新個體構(gòu)成新的種群。

終止條件：如果達到了預(yù)定的迭代次數(shù)或者種群適應(yīng)度沒有顯著變化，則算法終止，得到最優(yōu)電力系統(tǒng)調(diào)度方案。

2.3.3 約束條件

在進行電力系統(tǒng)的優(yōu)化調(diào)度時，需要指定約束條件以保證系統(tǒng)的可靠運行和安全性。這些約束條件確保了供電的連續(xù)性和電網(wǎng)的穩(wěn)定性，同時考慮了設(shè)備的物理限制。

功率平衡約束確保在任何時間點，發(fā)電總功率等于總負荷加上系統(tǒng)損耗：

式中，Pgi是第i個發(fā)電機的發(fā)電功率；Pload是系統(tǒng)負荷；Ploss為系統(tǒng)損耗。

發(fā)電機輸出功率限制保證每個發(fā)電機的輸出功率必須在其最大和最小輸出限制之間。電網(wǎng)在運行中必須滿足一定的安全余量，即N-1安全準則，意味著在任何時候，如果任一設(shè)備出現(xiàn)故障，系統(tǒng)仍然能夠安全運行。節(jié)點電壓約束和輸電線路容量約束保證線路上的功率流不超過其熱限制。

基于以上約束條件構(gòu)建電網(wǎng)負荷調(diào)度優(yōu)化的遺傳算法個體產(chǎn)生機制，指導(dǎo)遺傳算法在求解空間中尋找最優(yōu)解，保證調(diào)度方案的可行性。

3 試驗設(shè)計與結(jié)果分析

針對電網(wǎng)負荷預(yù)測部分，本文為了驗證LSTM模型在電網(wǎng)負荷預(yù)測上的準確性和有效性。針對某微型智能電網(wǎng)的實際運行數(shù)據(jù)，包括負載數(shù)據(jù)，和氣象觀測數(shù)據(jù)，選取2022年全年數(shù)據(jù)進行數(shù)據(jù)集構(gòu)建，將時間步長劃分為1H為一個樣本，共獲取到8760個樣本，以4：1的比例進行訓(xùn)練集和測試集的劃分，針對遺傳算法在電力系統(tǒng)調(diào)度優(yōu)化中的性能，獲取發(fā)電機組參數(shù)μ、運行成本以及啟停機限制等。進一步加入上述系統(tǒng)預(yù)測的電力負荷數(shù)據(jù)，可以對未來一段時間的電網(wǎng)負荷形成預(yù)測，基于該結(jié)果進行遺傳算法初始化和適應(yīng)度函數(shù)目標的選擇。平均絕對誤差（MAE），均方根誤差（MSE）用來評估負荷預(yù)測的準確度，而成本效益優(yōu)化后的總發(fā)電成本與未優(yōu)化前的總成本之差 （基于上述智能電網(wǎng)的歷史運營數(shù)據(jù)），用于評估調(diào)度優(yōu)化的好壞。并通過N-1安全準則，測試調(diào)度優(yōu)化過程中的系統(tǒng)穩(wěn)定性，為了便于分析，其中用于調(diào)度優(yōu)化的樣本共選取前2000個樣本。電網(wǎng)負荷預(yù)測實驗結(jié)果見表1。優(yōu)化調(diào)度結(jié)果見表2。

表1 電網(wǎng)負荷預(yù)測實驗結(jié)果

表2 電網(wǎng)優(yōu)化調(diào)度實驗結(jié)果

從上表可以看出本文所提出的基于LSTM的電網(wǎng)負荷預(yù)測方法可以在一定程度上更好地精準預(yù)測未來一段時間的電網(wǎng)負荷情況，從而為后續(xù)實現(xiàn)電網(wǎng)優(yōu)化調(diào)度提供數(shù)據(jù)支持。另一方面，通過電網(wǎng)調(diào)度實驗的結(jié)果可以看出，通過引入約束條件，可以保證N-1安全準則，保證調(diào)度優(yōu)化的穩(wěn)定性，并且相對于原始不經(jīng)過優(yōu)化調(diào)度的結(jié)果，運行成本有所降低，并且可以通過調(diào)整不同效益的比例系數(shù)α，β保證優(yōu)化調(diào)度的不同目標（成本，污染）最優(yōu)。

4 結(jié)束語

本研究利用大數(shù)據(jù)分析技術(shù)，采用LSTM進行電網(wǎng)運行數(shù)據(jù)挖掘，并通過遺傳算法進行問題優(yōu)化求解解決電網(wǎng)負荷預(yù)測和優(yōu)化調(diào)度的問題。通過實驗驗證，本文所提出的基于大數(shù)據(jù)分析的電網(wǎng)負荷預(yù)測和優(yōu)化方法，較好地實現(xiàn)了電網(wǎng)負荷的精準預(yù)測，并基于該結(jié)果完成了電網(wǎng)調(diào)度的優(yōu)化，通過調(diào)整算法中的效益系數(shù)可以從不同效益目標的角度實現(xiàn)優(yōu)化的資源分配。對電力系統(tǒng)的可靠性、經(jīng)濟性和智能化水平的提升具有重要的實踐意義。