劉友波，吳 浩，劉挺堅(jiān)，楊智宇，劉俊勇，李秋航

（1. 四川大學(xué)電氣工程學(xué)院，四川省成都市 610065；2. 國(guó)網(wǎng)成都供電公司，四川省成都市 610041）

0 引言

負(fù)荷預(yù)測(cè)是電力系統(tǒng)安全經(jīng)濟(jì)運(yùn)行與穩(wěn)定發(fā)展的重要內(nèi)容，其與電網(wǎng)的發(fā)展規(guī)劃、電力市場(chǎng)的運(yùn)行、電力調(diào)度緊密相關(guān)［1］。近年來(lái)，許多機(jī)器學(xué)習(xí)算法被應(yīng)用于負(fù)荷預(yù)測(cè)。文獻(xiàn)［2］采用協(xié)整-格蘭杰因果檢驗(yàn)分析用電量與長(zhǎng)期經(jīng)濟(jì)趨勢(shì)、循環(huán)分量以及季節(jié)分量之間的關(guān)系，減小了支持向量機(jī)對(duì)數(shù)據(jù)長(zhǎng)度、質(zhì)量的依賴，從而改善了預(yù)測(cè)效果。文獻(xiàn)［3］提出了一種核函數(shù)極限學(xué)習(xí)機(jī)模型并應(yīng)用于小容量微電網(wǎng)的短期負(fù)荷預(yù)測(cè)。隨著深度學(xué)習(xí)技術(shù)的興起，如深度置信網(wǎng)絡(luò)［4］、循環(huán)神經(jīng)網(wǎng)絡(luò)［5-6］、生成對(duì)抗網(wǎng)絡(luò)［7］已應(yīng)用于負(fù)荷預(yù)測(cè)并取得一定的成果。文獻(xiàn)［8］則利用長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)和輕梯度提升機(jī)進(jìn)行短期負(fù)荷組合預(yù)測(cè)，可降低單一模型機(jī)端預(yù)測(cè)誤差的風(fēng)險(xiǎn)，提高預(yù)測(cè)精度。上述方法都是通過(guò)數(shù)據(jù)擬合各因素和電力負(fù)荷的影響關(guān)系，直接預(yù)測(cè)負(fù)荷凈需求。然而，隨著用戶側(cè)分布式能源尤其是園區(qū)內(nèi)、表計(jì)后新能源的裝機(jī)容量增長(zhǎng)，用戶端口的凈負(fù)荷需求呈現(xiàn)出強(qiáng)隨機(jī)性和波動(dòng)性，給主動(dòng)配電網(wǎng)凈負(fù)荷預(yù)測(cè)帶來(lái)挑戰(zhàn)，成為當(dāng)前研究的重點(diǎn)與難點(diǎn)［9］。

用戶側(cè)凈負(fù)荷分離屬于一種單通道盲源分離（single channel blind source separation，SCBSS）問(wèn)題，即傳感器接收到一組信號(hào)的混合數(shù)據(jù)，研究人員期望將原始信號(hào)一一分離出來(lái)。如果在某些域中存在足夠大的差異，如時(shí)域、頻域、聯(lián)合域和其他變換域，則可以進(jìn)行信號(hào)分離?；诖斯沧R(shí)，文獻(xiàn)［10］通過(guò)變換域?yàn)V波實(shí)現(xiàn)了信號(hào)識(shí)別。此外，文獻(xiàn)［11］總結(jié)了一些通用的SCBSS 方案。目前大多數(shù)基于連續(xù)小波變換［12-13］的研究取得了不錯(cuò)的效果，是時(shí)頻分析中常用的數(shù)據(jù)處理工具，但是這種方法需要事先指定基函數(shù)并逐一進(jìn)行尺度搜索，計(jì)算冗余、計(jì)算量大，不具備自適應(yīng)性。而經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）無(wú)須預(yù)先設(shè)定任何基函數(shù)，依據(jù)原始時(shí)序數(shù)列自身特點(diǎn)從數(shù)據(jù)層面進(jìn)行SCBSS。因此，理論上EMD 可以處理任何類型的時(shí)間序列［14-15］。在針對(duì)用戶側(cè)凈負(fù)荷等非平穩(wěn)數(shù)據(jù)的處理上，數(shù)據(jù)分解是基于數(shù)據(jù)信號(hào)序列的各個(gè)時(shí)間尺度的局部特性。因此，其具有自適應(yīng)性和優(yōu)越性。文獻(xiàn)［16-17］介紹了EMD 算法在負(fù)荷預(yù)測(cè)中的簡(jiǎn)單應(yīng)用。自適應(yīng)噪聲的完全集成EMD（complete ensemble EMD with adaptive noise，CEEMDAN）作為一種改進(jìn)的EMD 算法，可以實(shí)現(xiàn)可忽略的重建誤差，并解決信號(hào)加噪聲的不同實(shí)現(xiàn)方式的“模式混合”問(wèn)題［18］，突出展示各頻率負(fù)荷特性，從而構(gòu)建不同頻率下的負(fù)荷預(yù)測(cè)模型，精準(zhǔn)刻畫用戶側(cè)凈負(fù)荷需求。

端口表計(jì)只可測(cè)量園區(qū)的綜合凈負(fù)荷需求，電網(wǎng)公司難以獲取用戶側(cè)負(fù)荷、風(fēng)光分布式能源各分量的數(shù)據(jù)信息，這是傳統(tǒng)預(yù)測(cè)方法的關(guān)鍵難點(diǎn)。因此，本文以盲源分離獨(dú)立預(yù)測(cè)的思路來(lái)研究含分布式電源智能園區(qū)的凈負(fù)荷需求預(yù)測(cè)問(wèn)題，采用CEEMDAN 方法對(duì)具有不同變化特征的信號(hào)進(jìn)行時(shí)序分解，配合深度信念網(wǎng)絡(luò)（deep belief network，DBN）獨(dú)立預(yù)測(cè)，實(shí)現(xiàn)用戶側(cè)凈負(fù)荷一次性精準(zhǔn)預(yù)測(cè)，可以有效避免進(jìn)行單獨(dú)預(yù)測(cè)產(chǎn)生的預(yù)測(cè)誤差累積，減少調(diào)度中心預(yù)測(cè)系統(tǒng)的配置成本。

1 時(shí)序數(shù)列的EMD 算法

1.1 凈負(fù)荷需求

隨著分布式能源的發(fā)展與智能電網(wǎng)的進(jìn)步，電網(wǎng)將會(huì)朝著各個(gè)智能化單元的方向發(fā)展，對(duì)于一個(gè)智能臺(tái)區(qū)中既含有風(fēng)能又含有太陽(yáng)能的系統(tǒng)，除開(kāi)自身運(yùn)行所需的電量外，其可向整個(gè)大電網(wǎng)提供的電量或其所需大電網(wǎng)供給的電量將是智能電網(wǎng)負(fù)荷預(yù)測(cè)所要考慮的一個(gè)重要指標(biāo)。這種“凈負(fù)荷”指標(biāo)的獲得依賴于給智能園區(qū)風(fēng)力發(fā)電功率、光伏發(fā)電功率、負(fù)荷功率帶來(lái)波動(dòng)后，進(jìn)行更加準(zhǔn)確的預(yù)測(cè)。

凈負(fù)荷需求主要包含3 個(gè)部分。在一個(gè)研究區(qū)域的原始負(fù)荷基礎(chǔ)上減去光伏、風(fēng)機(jī)等所有形式的分布式能源出力后，即可得到本文所研究對(duì)象的凈負(fù)荷需求。風(fēng)機(jī)和光伏出力的不確定性給凈負(fù)荷需求預(yù)測(cè)帶來(lái)了極大的挑戰(zhàn)。由于新能源的出力，光伏和風(fēng)機(jī)往往就地平衡了一些原始負(fù)荷，使得凈負(fù)荷發(fā)生波動(dòng)性變化，而電網(wǎng)運(yùn)營(yíng)公司只關(guān)注于用戶從電網(wǎng)獲得的電能，即凈負(fù)荷。

1.2 傳統(tǒng)EMD

EMD 由黃鍔等人提出，用于分析處理波動(dòng)性較大的非平穩(wěn)非線性信號(hào)［19］。它可以將任何信號(hào)分解為若干個(gè)本征模態(tài)函數(shù)（intrinsic mode function，IMF），每個(gè)IMF 代表著不同的振蕩成分，所生成的IMF 應(yīng)滿足以下2 個(gè)要求。

1）IMF 極值的數(shù)量與穿越零值的次數(shù)必須相等或最多相差1。

2）在IMF 的任意一點(diǎn)，由局部最大值定義所形成的上包絡(luò)線的平均值和局部最小值定義所形成的下包絡(luò)線的平均值應(yīng)等于零。其分解流程如圖1 所示，步驟如下。

圖1 EMD 流程圖Fig.1 Flow chart of EMD

步驟1：獲取凈負(fù)荷需求數(shù)據(jù)P(t)，通過(guò)局部最大值和局部最小值的3 次樣條插值來(lái)創(chuàng)建其上包絡(luò)和下包絡(luò)線。

步驟2：計(jì)算上下包絡(luò)線的平均值m(t)。

步驟3：在原始凈負(fù)荷需求數(shù)據(jù)P（t）中減去m(t)，檢驗(yàn)剩余部分h(t)是否滿足之前所述的IMF的2 個(gè)要求，如果滿足則h(t)為其中一個(gè)IMF 分量，記為Ii(t)，如果不滿足則將h(t)作為新的輸入重復(fù)步驟1 至步驟3，直至滿足要求。

步驟4：將所有IMF 從P（t）中分離出來(lái)，令I(lǐng)MF總個(gè)數(shù)為N，得到N個(gè)IMF 分量Ii(t)，其中，i=1，2，…，N。檢驗(yàn)殘余序列Res（t），停止條件為殘余序列是否為常數(shù)或單調(diào)函數(shù)，如果不滿足則繼續(xù)尋找IMF，如果滿足則停止分解，最終的凈負(fù)荷信號(hào)分解結(jié)果如式（1）所示。

1.3 CEEMDAN

CEEMDAN 方法通過(guò)添加自適應(yīng)白噪聲以及計(jì)算獨(dú)特信號(hào)殘差來(lái)克服EMD 的不足，從而獲得IMF，使重建后的信號(hào)幾乎與原始信號(hào)相同。CEEMDAN 方法不僅克服了現(xiàn)有的EMD 模式混合現(xiàn)象，而且通過(guò)增加分解次數(shù)減少了重構(gòu)誤差。

定義Ej(·)為通過(guò)EMD 獲得的第j個(gè)模式分量的計(jì)算算子，則待分解的原始凈負(fù)荷曲線P(t)經(jīng)過(guò)CEEMDAN 的第k個(gè)IMF 為Iˉk，其算法步驟如下。

步驟1：CEEMDAN 采用原始凈負(fù)荷曲線P(t)+ε0ωi(t)在第1 階段（k=1）時(shí)進(jìn)行M次實(shí)驗(yàn)，其中ωi(t)為符合正態(tài)分布的高斯白噪聲，i=1，2，…，M，ε0為高斯白噪聲幅值常數(shù)。通過(guò)EMD對(duì)其進(jìn)行分解，來(lái)獲取第1 個(gè)本征模態(tài)函數(shù)Ii，1，則CEEMDAN 得到的一個(gè)分量Iˉ1為M次實(shí)驗(yàn)所有Ii，1的均值，即

步驟2：在第1 階段，計(jì)算第1 次的殘余序列r1（t）。

步驟3：對(duì)序列r1(t)+ε1E1(ωi(t))進(jìn)行M次EMD，直到獲得其第1 個(gè)IMF，其中ε1為第1 階段后添加的高斯白噪聲自適應(yīng)系數(shù)，E1(·)為EMD 得到的第1 個(gè)分量。此時(shí)，可以計(jì)算得到CEEMDAN 的第2 個(gè)分量。

步驟4：對(duì)于其余每個(gè)階段k，需要重復(fù)步驟3，并按以下方式計(jì)算k+1 模態(tài)分量。

式中：rk(t)為第k次的殘差序列；εk為第k階段后添加的高斯白噪聲對(duì)應(yīng)自適應(yīng)系數(shù)；Ek(·)為由EMD得到的第k個(gè)分量。

步驟5：執(zhí)行步驟4 直至獲得的殘差信號(hào)不再執(zhí)行任何IMF，且標(biāo)準(zhǔn)條件是無(wú)法從殘差中提取IMF，極端點(diǎn)的數(shù)量不超過(guò)2。

最終殘差信號(hào)為：

式中：K為模態(tài)分量的總數(shù)。

因此，原始凈負(fù)荷信號(hào)序列P(t) 經(jīng)過(guò)CEEMDAN 最終分解為：

CEEMDAN 方法通過(guò)添加標(biāo)準(zhǔn)正態(tài)分布的白噪聲可以解決傳統(tǒng)的EMD 模態(tài)混疊問(wèn)題，在電力用戶側(cè)凈負(fù)荷信號(hào)分解上更具備自適應(yīng)性［20-21］。

2 用戶側(cè)凈負(fù)荷預(yù)測(cè)模型

2.1 受限玻爾茲曼機(jī)

玻爾茲曼機(jī)由Hinton 和Sejnowski 于1986 年首次提出［22］。后來(lái)，Smolensky 提出了一種改進(jìn)的玻爾茲曼機(jī)，也稱為受限玻爾茲曼機(jī)（restricted Boltzmann machine，RBM）。RBM 是一種能量生成模型，通常由2 層組成，即可見(jiàn)層和隱藏層，層間全連接。RBM 的體系結(jié)構(gòu)如附錄A 圖A1 所示。

在圖A1 中，可見(jiàn)層V用于輸入訓(xùn)練數(shù)據(jù)，而隱藏層H包含特征檢測(cè)器。第σ個(gè)可見(jiàn)和隱藏單元分別用vσ和hσ表示，每一層可見(jiàn)單元數(shù)量和隱藏單元數(shù)量分別用nv和nh表示，aσ和bσ為偏差。同一層的各個(gè)單元之間沒(méi)有連接，但是每個(gè)單元仍然通過(guò)對(duì)稱權(quán)重矩陣W與另一層的單元完全連接。可見(jiàn)和隱藏單元的能量表示為：式中：wστ為可見(jiàn)層第σ個(gè)單元vσ與隱藏層第τ個(gè)單元hτ之間的權(quán)重參數(shù)。

可見(jiàn)層的概率分布函數(shù)為：

為了學(xué)習(xí)RBM 權(quán)重參數(shù)w、可見(jiàn)層偏置參數(shù)a、隱藏層偏置參數(shù)b的集合θ={w，a，b}的值，需要把方程式給出的似然函數(shù)最大化。似然函數(shù)形式定義為L(zhǎng)=lnp(V)，因此梯度為：

2.2 DBN

DBN［23］是一種導(dǎo)入的深度學(xué)習(xí)模型，而RBM是其基本模型之一，DBN 通過(guò)若干層RBM 堆疊后加一層反向傳播（back-propagation，BP）神經(jīng)網(wǎng)絡(luò)構(gòu)成，其架構(gòu)和訓(xùn)練過(guò)程如附錄A 圖A2 所示。圖中所示的DBN 是通過(guò)堆疊若干個(gè)RBM 形成的。它的訓(xùn)練過(guò)程分為2 個(gè)步驟：無(wú)監(jiān)督訓(xùn)練和微調(diào)。在步驟1 即無(wú)監(jiān)督訓(xùn)練期間，使用CD 算法以能量函數(shù)最低來(lái)訓(xùn)練第1 個(gè)RBM。得到第1 個(gè)訓(xùn)練完成的RBM 后，其隱藏層用作第2 層RBM 的可見(jiàn)層，以訓(xùn)練第2 個(gè)RBM，以此類推直至所有的RBM 全部訓(xùn)練完成。步驟2 使用從步驟1 獲得的參數(shù)作為初始值，通過(guò)BP 對(duì)DBN 進(jìn)行微調(diào)。值得注意的是，通過(guò)使用從步驟1 獲得的參數(shù)初始化網(wǎng)絡(luò)而不是隨機(jī)初始化，可以避免訓(xùn)練過(guò)程中的局部最優(yōu)。

3 某地區(qū)實(shí)際數(shù)據(jù)算例測(cè)試

為解決電表后分布式能源不可觀帶來(lái)的用戶側(cè)凈負(fù)荷難以精準(zhǔn)預(yù)測(cè)問(wèn)題，本文提出基于CEEMDAN-DBN 的電力用戶側(cè)凈負(fù)荷需求預(yù)測(cè)框架模型，如圖2 所示。

圖2 凈負(fù)荷需求預(yù)測(cè)框架模型Fig.2 Framework model of net load demand forecasting

首先獲取原始凈負(fù)荷數(shù)據(jù)信號(hào)，通過(guò)CEEMDAN 得到若干個(gè)IMF 分量及殘差分量r。之后引入電力用戶當(dāng)?shù)氐臍庀髷?shù)據(jù)，包括光照、溫度、風(fēng)速等，這些因素關(guān)系到用戶電表后的光伏發(fā)電出力、風(fēng)機(jī)發(fā)電出力和負(fù)荷數(shù)據(jù)，對(duì)凈負(fù)荷有至關(guān)重要的影響，通過(guò)氣象數(shù)據(jù)與凈負(fù)荷數(shù)據(jù)構(gòu)成訓(xùn)練集合，針對(duì)每個(gè)IMF 分量獨(dú)立并行訓(xùn)練DBN 模型，得到各自最佳預(yù)測(cè)模型。最后，通過(guò)測(cè)試集驗(yàn)證，將所有DBN 的輸出結(jié)果相加得到最終的用戶凈負(fù)荷預(yù)測(cè)結(jié)果。為了驗(yàn)證本文所提方法的優(yōu)越性和有效性，采用某地區(qū)實(shí)際凈負(fù)荷數(shù)據(jù)（該地區(qū)含有大量光伏發(fā)電與風(fēng)機(jī)發(fā)電裝置，波動(dòng)性清潔能源占比高）疊加到負(fù)荷數(shù)據(jù)上，導(dǎo)致凈負(fù)荷需求不平穩(wěn)性增強(qiáng)，體現(xiàn)了本文所提方法在非平穩(wěn)時(shí)序數(shù)列上預(yù)測(cè)的優(yōu)勢(shì)。

3.1 CEEMDAN 算例

為了比較凈負(fù)荷需求信號(hào)的EMD 和CEEMDAN 的分解效果，選擇504 個(gè)用戶側(cè)負(fù)荷時(shí)序數(shù)據(jù)點(diǎn)進(jìn)行分析，分解效果如圖3 和圖4 所示。根據(jù)CEEMDAN 的建議，ε0和M是非常重要的參數(shù)。ε0的合適值在0.01 至0.5 間，而較大的M會(huì)延長(zhǎng)算法的運(yùn)行時(shí)間?？紤]到實(shí)際的計(jì)算條件，選擇ε0=0.2 和M=500。同時(shí)，EMD 和CEEMDAN 算法分解負(fù)荷曲線所用時(shí)間分別為0.665 s 和6.472 s，均滿足小時(shí)級(jí)尺度的短期負(fù)荷預(yù)測(cè)要求。

圖3 EMD 結(jié)果Fig.3 EMD results

圖4 CEEMDAN 結(jié)果Fig.4 CEEMDAN results

通過(guò)對(duì)比可以看到，與EMD 相比，CEEMDAN的IMF 更多，可以更有效地獲得信號(hào)的頻率分量，且IMF 更集中在特定的頻率上。CEEMDAN 的IMF 分量中IMF1 至IMF3 為幅值較低（均值為-0.015 MW）的高頻分量，是原始凈負(fù)荷中波動(dòng)性難以預(yù)測(cè)的重要因素，但由于其幅值較低，預(yù)測(cè)誤差在凈負(fù)荷預(yù)測(cè)全局中顯得非常小。IMF4 至IMF6 為中等頻率分量，其幅值均值也在-0.015 MW 附近。IMF7 至IMF9 的頻率更低，波動(dòng)較小，幅值較大，均值為1.221 MW。r為單調(diào)曲線，數(shù)值較大，幅值均值為32.501 MW。DBN 具有強(qiáng)大的非線性擬合能力，在面對(duì)較為平穩(wěn)的時(shí)序數(shù)列預(yù)測(cè)時(shí)能夠更好地發(fā)揮其預(yù)測(cè)能力。

3.2 某地區(qū)配電網(wǎng)凈負(fù)荷預(yù)測(cè)算例

本文采用了某地區(qū)的實(shí)際負(fù)荷數(shù)據(jù)，同樣引入當(dāng)?shù)氐臍庀髷?shù)據(jù)，包括溫度、氣壓、光照、風(fēng)速等，所選擇因素能夠影響用戶凈負(fù)荷。為了驗(yàn)證本文所提方法的有效性，選擇平均絕對(duì)百分誤差eMAPE和均方根誤差eRMSE用于評(píng)判時(shí)序數(shù)列預(yù)測(cè)模型，作為評(píng)價(jià)預(yù)測(cè)模型準(zhǔn)確性的指標(biāo)，其計(jì)算公式為：

式中：yi和分別為第i個(gè)時(shí)刻的凈負(fù)荷需求實(shí)際值和凈負(fù)荷需求預(yù)測(cè)值；N為所有作為測(cè)試集的樣本個(gè)數(shù)。從計(jì)算公式上可以看到，eMAPE值代表了預(yù)測(cè)結(jié)果偏移的百分比，而eRMSE值代表了預(yù)測(cè)結(jié)果實(shí)際偏差的絕對(duì)值。eMAPE和eRMSE值越小說(shuō)明預(yù)測(cè)效果越好。

凈負(fù)荷需求在經(jīng)過(guò)EMD 和CEEMDAN 后，分別形成了7 個(gè)和10 個(gè)IMF 分量，通過(guò)DBN 對(duì)每個(gè)IMF 分量各自的DBN 最佳模型進(jìn)行獨(dú)立并行訓(xùn)練，輸出預(yù)測(cè)結(jié)果并計(jì)算2 個(gè)誤差指標(biāo)，如表1 和表2 所示。在使用DBN 獨(dú)立預(yù)測(cè)各IMF 分量時(shí)，選取日期、時(shí)間等要素和溫度、風(fēng)速、光照強(qiáng)度等和負(fù)荷強(qiáng)相關(guān)的環(huán)境因素作為其輸入數(shù)據(jù)，負(fù)荷作為預(yù)測(cè)模型的輸出結(jié)果，采用貪婪訓(xùn)練法逐一搜索各DBN 的最佳層數(shù)與神經(jīng)單元數(shù)的最佳組合，選取前78%作為訓(xùn)練集，剩余部份作為測(cè)試集進(jìn)行模型有效性的驗(yàn)證?？梢钥吹?，DBN 在預(yù)測(cè)高頻信號(hào)分量時(shí)，雖然eMAPE值較大，但由于其幅值較小，產(chǎn)生的代表絕對(duì)誤差的eRMSE值并不大，因此高頻信號(hào)分量的預(yù)測(cè)誤差對(duì)最后的實(shí)際預(yù)測(cè)結(jié)果影響不會(huì)太大。在對(duì)中等頻率和低頻信號(hào)分量預(yù)測(cè)時(shí)，DBN 能夠展現(xiàn)出強(qiáng)大精準(zhǔn)的預(yù)測(cè)能力，特別是對(duì)規(guī)律性較強(qiáng)、幅值較大的殘項(xiàng)，兩者的eMAPE值分別達(dá)到0.540% 和0.024%，eRMSE值分別為0.057 5 MW 和0.010 6 MW，能夠較好地克服傳統(tǒng)方法對(duì)高頻信號(hào)難以準(zhǔn)確預(yù)測(cè)的不足，弱化其對(duì)最終負(fù)荷預(yù)測(cè)結(jié)果準(zhǔn)確性的影響。

表1 EMD 各IMF 預(yù)測(cè)誤差Table 1 EMD forecasting error of each IMF

表2 CEEMDAN 各IMF 預(yù)測(cè)誤差Table 2 CEEMDAN forecasting error of each IMF

最后，將每個(gè)IMF 分量的預(yù)測(cè)結(jié)果疊加，可以得到最終的凈負(fù)荷需求預(yù)測(cè)結(jié)果，如圖5 所示。

圖5 不同算法負(fù)荷預(yù)測(cè)結(jié)果Fig.5 Load forecasting results with different algorithms

通過(guò)式（13）和式（14）計(jì)算可以得到，采用EMD-DBN 和CEEMDAN-DBN 方法得到的最終預(yù)測(cè)誤差eMAPE值分別為4.79%和4.32%，而采用DBN直接預(yù)測(cè)的誤差eMAPE值為5.55%，2 種方法分別將eMAPE值降低了13.69%和22.16%。同時(shí)，每個(gè)IMF預(yù)測(cè)的時(shí)間均在3 s 以內(nèi)，足以滿足日前凈負(fù)荷小時(shí)級(jí)時(shí)間尺度的預(yù)測(cè)需求。此外，本文還將通過(guò)對(duì)比預(yù)測(cè)需求的算法，進(jìn)一步論述分離方案。

3.3 基于CEEMDAN 的凈負(fù)荷預(yù)測(cè)算例對(duì)比

為對(duì)比直接預(yù)測(cè)凈負(fù)荷需求和獨(dú)立預(yù)測(cè)疊加后的準(zhǔn)確性，本文采用6 種常用的機(jī)器學(xué)習(xí)方法進(jìn)行測(cè)試：多元線性回歸（MLR）、最小二乘支持向量機(jī)（LSSVM）、支持向量回歸（SVR）、高斯過(guò)程（GP）、LSTM 網(wǎng)絡(luò)和DBN，分別對(duì)比各自獨(dú)立預(yù)測(cè)與直接預(yù)測(cè)效果，并計(jì)算本文所用方法的性能提升效果。各個(gè)算法采用獨(dú)立預(yù)測(cè)方法和直接預(yù)測(cè)方法的誤差如表3 所示，同時(shí)給出了采用獨(dú)立預(yù)測(cè)算法后對(duì)預(yù)測(cè)模型的性能提升效果。

表3 不同方法預(yù)測(cè)誤差Table 3 Forecasting errors of different methods

與直接預(yù)測(cè)相比，獨(dú)立預(yù)測(cè)提高了4 組預(yù)測(cè)精度，平均預(yù)測(cè)誤差降低了14.08%。這是因?yàn)楠?dú)立預(yù)測(cè)不僅基于實(shí)測(cè)數(shù)據(jù)，而且借助CEEMDAN 后形成幅值較低的高頻信號(hào)和幅值較大的低頻信號(hào)。在高頻信號(hào)預(yù)測(cè)時(shí)，預(yù)測(cè)誤差盡管偏移百分比較大，但對(duì)于凈負(fù)荷需求整體而言偏移量在可接受范圍內(nèi)。而在低頻信號(hào)預(yù)測(cè)時(shí)，能夠很好地?cái)M合凈負(fù)荷需求曲線，淡化由高頻信號(hào)預(yù)測(cè)引入的誤差分量，從而提高了預(yù)測(cè)精度，進(jìn)一步驗(yàn)證了分離法的高效性。

4 結(jié)語(yǔ)

為了解決用戶側(cè)可再生能源發(fā)電量無(wú)法監(jiān)測(cè)、配電網(wǎng)內(nèi)部分布式電源不可觀而帶來(lái)的凈負(fù)荷需求難以精準(zhǔn)預(yù)測(cè)的問(wèn)題，本文從數(shù)據(jù)層面出發(fā)，將原始凈負(fù)荷數(shù)據(jù)分解為若干個(gè)頻率、幅值不一的時(shí)序分量，提出了一種基于CEEMDAN-DBN 的凈負(fù)荷需求預(yù)測(cè)方法。通過(guò)某地區(qū)實(shí)際凈負(fù)荷數(shù)據(jù)進(jìn)行測(cè)試，可以得出如下結(jié)論。

1）CEEMDAN 能夠解決EMD 過(guò)程中的模態(tài)混疊問(wèn)題，同常用的EMD 方法相比，有效地減少了迭代次數(shù)，增加了重構(gòu)精度，更加適合非線性信號(hào)的分析。

2）DBN 通過(guò)其強(qiáng)大的特征提取和函數(shù)表征能力，在處理高度復(fù)雜的隱性非線性時(shí)序數(shù)據(jù)擬合方面展現(xiàn)出明顯優(yōu)勢(shì)。

3）通過(guò)CEEMDAN 可以將原始的非平穩(wěn)序列分解為若干個(gè)幅值較低的高頻信號(hào)和幅值較大的低頻信號(hào)，配合DBN 智能算法，適用于非線性非平穩(wěn)的凈負(fù)荷需求，有助于降低凈負(fù)荷需求整體預(yù)測(cè)誤差。

后續(xù)研究將結(jié)合遷移學(xué)習(xí)、增量學(xué)習(xí)等技術(shù)手段，實(shí)現(xiàn)預(yù)測(cè)模型對(duì)用戶側(cè)模態(tài)變化的跟蹤與學(xué)習(xí)更新，提高預(yù)測(cè)模型的適應(yīng)性與泛化能力。

附錄見(jiàn)本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。