董靚媛，于騰凱，胡文平，李鐵成，李曉明，張 蕊

(國網(wǎng)河北省電力有限公司電力科學研究院，石家莊 050021)

新冠肺炎疫情蔓延對社會產(chǎn)生重大影響。電力行業(yè)作為國計民生的基礎行業(yè)，其運行數(shù)據(jù)直接反映社會發(fā)展狀態(tài)，對電力調(diào)度和電力系統(tǒng)規(guī)劃具有重要意義。高峰負荷可能導致電網(wǎng)出現(xiàn)電力供應缺口、局部設備重載或過載問題。應用長短期記憶網(wǎng)絡(Long Short-Ter m Me mor y，LST M)建立高峰負荷預測模型，采用Ada m算法優(yōu)化網(wǎng)絡權(quán)重參數(shù)，提出高精度負荷預測結(jié)果，對電力平衡、系統(tǒng)調(diào)峰、合理安排檢修計劃、降低電網(wǎng)運行風險具有重要意義。

1 疫情前后電力供需影響分析

新冠肺炎于春節(jié)前夕在全國廣泛傳播，在春節(jié)前10天左右電網(wǎng)負荷逐步降低，春節(jié)出現(xiàn)負荷低谷，節(jié)后隨著企業(yè)逐步開工，負荷逐漸恢復，負荷曲線呈現(xiàn)“U”型。以某省級電網(wǎng)2018—2020年春節(jié)前后61 d電網(wǎng)運行數(shù)據(jù)為例，分析疫情對電網(wǎng)產(chǎn)生的影響。

1.1 新冠肺炎疫情對電網(wǎng)每日最大負荷影響

2018—2020年春節(jié)前后某省級電網(wǎng)每日最大負荷曲線如圖1所示，其中，時間t為正月初一。

圖1 春節(jié)前后某省級電網(wǎng)每日最大負荷數(shù)據(jù)

以春節(jié)前后10天為節(jié)點將數(shù)據(jù)分為3段進行分析，春節(jié)前，2019年、2020年每日最大負荷分別同比去年平均增長4.44%、9.47%。春節(jié)后，2018年、2019年負荷均有逐步恢復趨勢，2020年受疫情影響，負荷持續(xù)低谷，2019年每日最大負荷同比2018年增長6.38%，2020年每日最大負荷同比2019年降低17.18%。2018年、2019年春節(jié)后每日最大負荷平均恢復至春節(jié)前每日最大負荷的87.6%、88.98%，2020年受疫情影響，春節(jié)后負荷恢復至春節(jié)前的67.31%，影響23.51%負荷恢復。

1.2 新冠肺炎疫情對各地市每日最大負荷影響

新冠疫情對各地市負荷影響變化與全網(wǎng)基本一致。以A市為例，2018—2020年春節(jié)前后每日最大負荷曲線如圖2所示，其中，時間t為正月初一。

圖2 春節(jié)前后A市每日最大負荷數(shù)據(jù)示意

春節(jié)前，2019年、2020年A市每日最大負荷分別同比前一年平均增長1.55%、8.08%。春節(jié)后，2018年、2019年A市負荷均有逐步恢復趨勢，2020年受疫情影響，負荷持續(xù)低谷，2019年A市每日最大負荷同比去年增長5.41%，2020年A市每日最大負荷同比去年降低15.95%。2018年、2019年春節(jié)后A市每日最大負荷平均恢復至春節(jié)前每日最大負荷的85.7%、88.44%，2020年受疫情影響，春節(jié)后負荷恢復至春節(jié)前的68.7%，影響21.03%負荷恢復。

1.3 新冠肺炎疫情對日負荷影響

2020年疫情期間平均時點負荷、2019年同期平均時點負荷如圖3所示，2020年夜間平均最大負荷較2019年降低15%左右，日間最大負荷降幅最高達到25%。疫情期間，白天工作時段企業(yè)、工商業(yè)受影響較大。

圖3 臘月二十八至二月初二期間平均時點負荷示意

1.4 新冠肺炎疫情期間新能源發(fā)電情況

春節(jié)前后光伏電站、風電場平均每日最大出力數(shù)據(jù)如圖4、5所示。

圖4 春節(jié)前后光伏每日最大出力數(shù)據(jù)示意

圖5 春節(jié)前后風電每日最大出力數(shù)據(jù)示意

光伏電站、風電場出力主要受新增投產(chǎn)容量及天氣變化因素影響。疫情期間負荷持續(xù)較低，光伏、風電出力并未降低，為維持發(fā)供平衡，勢必會減少火電機組出力，機組調(diào)峰難度增大。

2 基于LSTM的2020年電網(wǎng)高峰負荷預測

LST M神經(jīng)網(wǎng)絡由記憶塊循環(huán)子網(wǎng)構(gòu)成，每個記憶塊包括輸入門、遺忘門以及輸出門，LST M神經(jīng)網(wǎng)絡結(jié)構(gòu)示意如圖6所示。

圖6 LST M神經(jīng)網(wǎng)絡結(jié)構(gòu)示意

輸入門i t、遺忘門f t、輸出門o t均由t時刻輸入值x t和t-1時刻隱藏層輸出h t-1共同決定。輸入門i t、遺忘門f t、輸出門o t計算公式如下:

式(1)-(3)中:w i為t時刻輸入門i t的權(quán)值矩陣;w f為t時刻遺忘門f t的權(quán)值矩陣;wo為t時刻輸出門o t的權(quán)值矩陣;b i、b f、bo為偏置量;σ采用Sig moid激活函數(shù)。

LST M通過對歷史數(shù)據(jù)深度學習，根據(jù)歷史狀態(tài)不斷更新調(diào)節(jié)輸出。因此在處理時間序列數(shù)據(jù)方面，LST M具有較好的效果。

電力作為國民經(jīng)濟的重要基礎產(chǎn)業(yè)，負荷大小與GDP變化存在相對的一致性，歷年GDP與負荷變化趨勢如表1所示，其中負荷(n-1)為上年度負荷，增速(n)為本年度較上年度GDP增速。據(jù)相關機構(gòu)測算，受疫情影響，該地區(qū)4個季度的累計產(chǎn)值分別降低4%、2%、1.5%與1%左右，該地區(qū)4個季度累計生產(chǎn)總值增速分別為2.8%、4.7%、5.5%、6%。

表1 歷年GDP與電網(wǎng)統(tǒng)調(diào)高峰負荷

所建LST M預測模型考慮歷史負荷數(shù)據(jù)、GDP增速、時間等變量，根據(jù)n-1時刻負荷、n時刻GDP增長率分季度構(gòu)建數(shù)據(jù)集，預測n時刻高峰負荷。在訓練樣本過程中采用Adam算法優(yōu)化權(quán)重，每個數(shù)據(jù)集選取前70%的數(shù)據(jù)作為訓練樣本，后30%的數(shù)據(jù)作為檢驗樣本。

選取均方根誤差(RMSE)監(jiān)視計算過程中預測值與真實值之間的誤差關系變化，計算公式見(4)

式中:m為預測的個數(shù);x為真實值;x?為預測值。各季度負荷預測誤差如表2所示。

表2 各季度負荷預測誤差

2020年電網(wǎng)各季度高峰負荷預測結(jié)果如表3所示。

表3 2020各季度統(tǒng)調(diào)高峰負荷預測結(jié)果

由此，考慮1 000 MW小火電后，地區(qū)全年全口徑高峰負荷43 610 MW，較2019年增長3 480 MW左右。

3 結(jié)論

受新冠肺炎疫情影響，截至2020年3月1日，企業(yè)、工商業(yè)并未全面復工，某省級電網(wǎng)負荷持續(xù)春節(jié)較低水平，同比降低17.18%。新冠疫情對各地市電網(wǎng)負荷影響變化與全網(wǎng)基本一致。新能源發(fā)電受疫情影響不大，同比出力增加，某省級電網(wǎng)調(diào)峰壓力增大。根據(jù)所建LST M預測模型，預測2020年電網(wǎng)全口徑高峰負荷43 610 M W，較2019年增長約3 480 MW。