韋 波，焦豐順，鮑重廷，周 浩，張瑞鋒，高洪洋

（1.深圳供電局有限公司，廣東 深圳 5180015；2.清華大學(xué)深圳國際研究生院材料與器件檢測中心，廣東 深圳 518055）

0 引 言

深圳供電局在深圳灣科技生態(tài)園已建成的智能電網(wǎng)項(xiàng)目（B-TEC），是2014—2016 中美智能電網(wǎng)合作期間的4 個示范項(xiàng)目之一，是南方電網(wǎng)在智能配電網(wǎng)領(lǐng)域的代表性項(xiàng)目。該項(xiàng)目建設(shè)了智能光伏微電網(wǎng)，制定了需求側(cè)響應(yīng)策略，開發(fā)了基于云平臺的智能計(jì)量與高級用能系統(tǒng)，集成并檢驗(yàn)了智能化的調(diào)度、配電、用電、分布式能源及可視化展示等核心技術(shù)。通過技術(shù)集成與商業(yè)模式創(chuàng)新，為電網(wǎng)提升客戶服務(wù)能力進(jìn)行了積極探索，提升了客戶體驗(yàn)與價值。在未來亟需加強(qiáng)用戶電力預(yù)測方面的研究，短期高精度電網(wǎng)電力預(yù)測是實(shí)現(xiàn)智能電網(wǎng)的關(guān)鍵，可帶動“源-網(wǎng)-荷”智能化互聯(lián)，為綜合能源高效運(yùn)行提供基礎(chǔ)支撐，保障電網(wǎng)安全、可靠與高效運(yùn)行。

電力系統(tǒng)中的電力數(shù)據(jù)的精準(zhǔn)預(yù)測是主動配電網(wǎng)邁向智能化的重要步驟。短期電網(wǎng)預(yù)測是電網(wǎng)電力預(yù)測的重要分支。短期電網(wǎng)預(yù)測一般指對將來連續(xù)數(shù)小時到以天為單位的電網(wǎng)負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測，對電網(wǎng)調(diào)度電力的合理支配性[1-2]、發(fā)電機(jī)組的最佳出力組合、節(jié)點(diǎn)潮流最優(yōu)而言極為重要，尤其是對未來智能化配電網(wǎng)及其電力經(jīng)濟(jì)性具有重要意義[3-5]。電網(wǎng)電力的預(yù)測精度的提升，還有利于減緩發(fā)電設(shè)備投資建設(shè)，同時提高現(xiàn)有機(jī)組的設(shè)備利用率[6-7]。

短期電網(wǎng)電力預(yù)測的探索由來已久，清華大學(xué)、華北電力大學(xué)、上海交通大學(xué)、國家電網(wǎng)、深圳汽航院等單位和康重慶、夏清[8]、牛東曉[9]、Chow Moyuen[10]、Willis H L[11]等許多電力方面的研究員，在理論和方法上做出大量的研究，有力地促進(jìn)了電力預(yù)測精度的提升。在電力數(shù)據(jù)的預(yù)測過程中，大量的隨機(jī)因素不斷影響預(yù)測的精度，部分傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)因其擬合非線性的局限性，無法進(jìn)一步提高預(yù)測精度，因此亟需不同技術(shù)理論之間的相互融合發(fā)展，以推動電力電網(wǎng)的短期預(yù)測水平的發(fā)展。本文中樓宇的短期電網(wǎng)電力數(shù)據(jù)特點(diǎn)有工作日和節(jié)假日電力規(guī)律各自的周期性，其中包括不同種類日內(nèi)相同時段變化規(guī)律的相同性和近幾年法定節(jié)假日負(fù)荷數(shù)據(jù)規(guī)律的相似性。

針對電網(wǎng)電力負(fù)荷的短期數(shù)據(jù)預(yù)測，方法有同類型相似日預(yù)測、周期性時間序列法以及氣象因素的預(yù)測方法等。其中，BP 神經(jīng)網(wǎng)絡(luò)因在擬合非線性函數(shù)問題上的優(yōu)勢，在許多預(yù)測場景中被高頻使用，但其在訓(xùn)練過程中易陷入局部最優(yōu)，存在訓(xùn)練難以快速收斂等缺點(diǎn)[12-13]。經(jīng)研究得知，遺傳進(jìn)化算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)精度高于未優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)，但仍存在局部尋優(yōu)能力不足，易快速收斂、迭代速度慢等缺陷[14]。因此，本文提出PSO-BP 預(yù)測模型，避免了權(quán)值和閾值參數(shù)易陷入局部最優(yōu)的困境，具有較強(qiáng)的泛化能力。最后，通過對深圳灣科技生態(tài)園的樓層負(fù)荷進(jìn)行預(yù)測，分析優(yōu)化后與未優(yōu)化的各類指標(biāo)，證明了本文所建立的短期預(yù)測模型的有效性。

1 粒子群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)

1.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

BP 神經(jīng)網(wǎng)絡(luò)的通用思想是梯度下降法，關(guān)鍵因素是信息沿著拓?fù)湔騻鬟f，并反饋計(jì)算結(jié)果誤差。在信息傳遞過程中，參數(shù)信息從輸入通道經(jīng)隱含層逐層處理到輸出通道。如果輸出的結(jié)果未能達(dá)到預(yù)期設(shè)定結(jié)果，需根據(jù)誤差結(jié)果和反向傳遞調(diào)整網(wǎng)絡(luò)權(quán)值和閾值參數(shù)，使得神經(jīng)網(wǎng)絡(luò)預(yù)測的結(jié)果和已知輸出結(jié)果盡可能一致。本文為了彌補(bǔ)天氣數(shù)據(jù)的不足，提高電網(wǎng)電力數(shù)據(jù)的預(yù)測精確度，把輸入層設(shè)置了包含一天最高溫度、最低溫度、天氣、星期幾、是否節(jié)假日、每天時刻、預(yù)測點(diǎn)前的兩個歷史負(fù)荷值輸入等8 個輸入神經(jīng)元。

隱含層節(jié)點(diǎn)數(shù)的選擇導(dǎo)致神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)變化，也影響著預(yù)測精度的高低。在經(jīng)驗(yàn)公式的指導(dǎo)下，反復(fù)測試，根據(jù)結(jié)果得知可能的最佳隱藏層神經(jīng)元的數(shù)量，并設(shè)置為最終訓(xùn)練用隱含層結(jié)構(gòu)。輸出層是預(yù)測的電力負(fù)荷Pout，為一個節(jié)點(diǎn)。BP 神經(jīng)網(wǎng)絡(luò)的整體構(gòu)造圖如圖1 所示。

圖1 BP 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

1.2 粒子群算法設(shè)計(jì)

BP 神經(jīng)網(wǎng)絡(luò)算法本身是非線性函數(shù)的“擬合器”，可將優(yōu)化算法加入尋找最優(yōu)目標(biāo)值，否則算法很快會陷入局部最優(yōu)值。

在一個D維的解空間內(nèi)，有n個個體集合的解集X=(X1,X2,…,Xn)，其中第i個個體代表一個D維的向量Xi=[xi1,xi2,…,xiD]T，表示第i個個體在D維解的區(qū)域的位置，也表示為該問題的一個可能優(yōu)質(zhì)解。根據(jù)目標(biāo)適應(yīng)度函數(shù)，可得出每個個體參數(shù)集Xi相對的個體函數(shù)值。第i個個體的速度為Vi=[Vi1,Vi2,…,ViD]T，其個體極值為Pi=[pi1,pi2,…,piD]T，個體集合的全部極值為Pg=[pg1,pg2,…,pgD]T。

在每一次迭代計(jì)算中，個體通過其最優(yōu)值和全局最優(yōu)更新自己的速度和位置，變換公式為：

式中，w為權(quán)重因子；i=1,2,…,N；d=1,2,…,D；k為目前迭代計(jì)算的代數(shù)；Vid為個體的速度大??；c1和c2為非負(fù)定值數(shù)，也為加速度因子；r1和r2為出現(xiàn)在[0,1]中的隨機(jī)數(shù)。為防止算法個體的盲目搜尋，可將位置的區(qū)域和速度大小限制在一定范圍內(nèi)；速度最大最小值[-Vmax,Vmax]及個體所在區(qū)域范圍[-Xmax,Xmax]對個體移動計(jì)算作限定。

粒子的適應(yīng)度即均方差為：

式中：n為訓(xùn)練集個數(shù)，c為結(jié)果輸出個數(shù)；Yij是第i個訓(xùn)練樣本的第j次訓(xùn)練的結(jié)果；Yij是第i個樣本的第j次輸出實(shí)際值。

采用粒子群進(jìn)化算法對網(wǎng)絡(luò)的權(quán)值和閾值迭代優(yōu)化，計(jì)算過程如下：

①設(shè)置個體個數(shù)、位置邊界[Xmin,Xmax]、個體移動速度的最大值和最小值[Vmin,Vmax]以及權(quán)重因子w、迭代終止條件和學(xué)習(xí)因子c1和c2，并對個體的位置xi與速度vi初始化；

遼東灣新區(qū)財(cái)政收支矛盾日趨突出,如何應(yīng)對財(cái)政收支矛盾尖銳和資金壓力日趨突出難題,成為擺在各級財(cái)政部門面前突出的問題。下面以盤錦遼東灣新區(qū)為例，簡要分析近年來財(cái)政運(yùn)行中存在的主要問題及困難，并從收入、支出以及財(cái)政預(yù)算管理等方面研究化解財(cái)政收支矛盾的對策思路。

②由輸入數(shù)據(jù)集和輸出數(shù)據(jù)集，利用式（3）算出每個個體適應(yīng)度函數(shù)值，同時調(diào)整并記錄粒子的極值pbest和群體極值Gbest；

③根據(jù)式（1）和式（2）對個體的速度和位置進(jìn)行迭代更新；

④根據(jù)下式計(jì)算個體的速度和位置，不符合條件的按約束調(diào)整；

若Vi＞Vmax，則Vi=Vmax；若Vi＜Vmin，則Vi=Vmin；

若xi＞Xmax，則xi=Xmax；若xi＜Xmin，則xi=Xmin。

⑤重新計(jì)算粒子適應(yīng)度值；

⑥是否達(dá)到結(jié)束要求，若目前迭代次數(shù)計(jì)算等于之前設(shè)定的停止條件，則結(jié)束迭代；否則，返回步驟①進(jìn)行循環(huán)操作。

2 算例仿真

案例中，輸入?yún)?shù)與BP 神經(jīng)網(wǎng)絡(luò)預(yù)測負(fù)荷相同，有8 個參數(shù)輸入和1 個誤差參數(shù)輸出。該神經(jīng)網(wǎng)絡(luò)的構(gòu)造為8-5-1，據(jù)神經(jīng)網(wǎng)絡(luò)計(jì)算法則得45 個權(quán)值和6 個閾值，因此算法設(shè)置的個體長度是51。粒子群參數(shù)設(shè)置為：學(xué)習(xí)因子1.49，迭代次數(shù)100，種群規(guī)模20，速度上下限和位置邊界的絕對值為5。

圖2 算法流程

由圖3～圖7 可知，10 棟A 座8 樓上半年幾乎沒有負(fù)荷數(shù)據(jù)產(chǎn)生，下半年數(shù)據(jù)是典型的M 型寫字樓工作日負(fù)荷曲線，與辦公用電性質(zhì)吻合、特點(diǎn)明顯。因此，選取數(shù)據(jù)較為完整且有意義的下半年數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練用以預(yù)測。選取深圳灣科技生態(tài)園10 棟A 座8 層7月1日至12月27日負(fù)荷及天氣得到4 320 組輸入輸出數(shù)據(jù)。前4 296 組數(shù)據(jù)將作為訓(xùn)練數(shù)據(jù)，用于網(wǎng)絡(luò)訓(xùn)練；剩余24 組作為測試數(shù)據(jù)，即預(yù)測27日負(fù)荷。把訓(xùn)練數(shù)據(jù)的均方差作為個體適應(yīng)度值，個體適應(yīng)度值越小，該個體越優(yōu)。此外，7月1日至12月31日最高最低溫度如圖8 所示。

圖3 2018年深圳灣10 棟 A 座 8 層負(fù)荷

圖4 2018年深圳灣10 棟A 座8 層半年負(fù)荷

圖5 2018年1月1日至 6月30日負(fù)荷

圖6 2018年7月1日至 12月31日負(fù)荷

圖7 7月1日至12月31日星期類型負(fù)荷

圖8 7月1日至12月31日最高最低溫度

從圖9、圖10 和表1 可以看出，經(jīng)過PSO 優(yōu)化過的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測精度提高明顯，具有重要的實(shí)際應(yīng)用意義。

圖9 PSO-BP 與BP 預(yù)測值對比

圖10 PSO-BP 與BP 絕對誤差百分比對比

為進(jìn)一步驗(yàn)證預(yù)測算法的合理性和有效性，采用該算法分別預(yù)測連續(xù)工作日、星期五和星期六、星期日和星期一的兩日負(fù)荷，預(yù)測結(jié)果如圖11～圖13 所示。

圖11 預(yù)測連續(xù)工作日負(fù)荷

負(fù)荷預(yù)測值用于實(shí)際調(diào)度規(guī)劃時，須考慮預(yù)測誤差給調(diào)度帶來的影響。本文提出的方法中需要考慮以預(yù)測值的±10%作為負(fù)荷波動的上下限考慮調(diào)度優(yōu)化，如圖14 所示。

3 結(jié) 論

通過采用PSO 算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值與閾值，可以解決BP 神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值確定的低效性、訓(xùn)練易早期陷入局部最優(yōu)。建立的PSO-BP模型可以預(yù)測負(fù)荷趨勢，可較為精確地預(yù)測居民用電，提高電網(wǎng)電力數(shù)據(jù)預(yù)測精度，具有較好的全局尋優(yōu)能力，較為精確地預(yù)測了科技園區(qū)用戶用電規(guī)律，具有一定的現(xiàn)實(shí)指導(dǎo)意義。后續(xù)工作可以通過改變進(jìn)化代數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)等方法，進(jìn)一步提高電力負(fù)荷預(yù)測精度。

表1 兩種方法預(yù)測指標(biāo)

圖12 預(yù)測星期五和星期六

圖13 預(yù)測12月23日和24日負(fù)荷

圖14 預(yù)測負(fù)荷用于調(diào)度使用的誤差帶