許青，張齡之，梁琛，李亞昕

(1.國網(wǎng)甘肅省電力公司，甘肅 蘭州 730030；2.國網(wǎng)甘肅省電力公司電力科學(xué)研究院，甘肅 蘭州 730070)

隨著我國“雙碳”目標(biāo)的提出，以高比例新能源接入為典型特征的新型電力系統(tǒng)建設(shè)不斷發(fā)展[1]。截至2023年4月底，全國非化石能源發(fā)電裝機容量13.5億kW，占總裝機容量的50.8%，其中風(fēng)電裝機3.8億kW，太陽能發(fā)電裝機4.4億kW[2]。風(fēng)光等新能源發(fā)電具有的隨機性和波動性特征，使得高比例新能源滲透率電網(wǎng)的短期負荷預(yù)測不僅受到天氣、日期、經(jīng)濟等條件的影響，也需要考慮新能源的發(fā)電情況[3-5]。

精準(zhǔn)的負荷預(yù)測對電力系統(tǒng)的安全、穩(wěn)定、經(jīng)濟運行具有重要意義。當(dāng)前，常見的預(yù)測方法主要有傳統(tǒng)統(tǒng)計學(xué)方法和人工智能方法2類。前者包括回歸分析法、馬爾科夫鏈、時間序列法等，優(yōu)點在于原理簡單易懂，計算快捷，但非線性擬合能力不強，預(yù)測效果較差。后者包括支持向量機(support vector regression，SVR)、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)及其相關(guān)改進網(wǎng)絡(luò)如卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)、時間卷積網(wǎng)絡(luò)(temporal convolutional network，TCN)、長短期神經(jīng)網(wǎng)絡(luò)(long short-term memory，LSTM)等[6-11]。這類算法一般將影響預(yù)測項的各種特征量和預(yù)測項分別作為輸入項和輸出項，通過大量訓(xùn)練求解，非線性擬合能力較強，但預(yù)測結(jié)果受輸入項選擇影響較大。此外，SVR和CNN對數(shù)據(jù)的時序特性考慮不多，而TCN針對時序問題對CNN進行了改進，有效降低了預(yù)測誤差，被廣泛應(yīng)用在機組出力預(yù)測、負荷預(yù)測等場景中。

文獻[12]提出一種CNN-SVR聯(lián)合負荷預(yù)測模型，指出其預(yù)測結(jié)果準(zhǔn)確率比SVR、CNN等方法更高；文獻[13]提出基于雙向LSTM的超短期負荷預(yù)測模型，指出通過篩選網(wǎng)絡(luò)輸入項有利于提高預(yù)測精度；文獻[14]同樣指出提取關(guān)鍵特征值能夠提高預(yù)測模型的準(zhǔn)確性。但上述研究都缺乏對預(yù)測結(jié)果的修正環(huán)節(jié)。文獻[15]將歷史光伏出力數(shù)據(jù)與天氣預(yù)報相關(guān)聯(lián)，提出一種考慮時序動態(tài)回歸的短期光伏出力預(yù)測方法；文獻[16]對風(fēng)電出力預(yù)測展開研究，指出針對不同天氣類型，分別建立預(yù)測模型能夠改進預(yù)測結(jié)果。可以看出，現(xiàn)有預(yù)測研究往往集中在風(fēng)、光出力和負荷等單一場景預(yù)測，很少將風(fēng)光出力因素納入負荷預(yù)測的研究范圍。而在高比例新能源電力系統(tǒng)中，風(fēng)光等新能源的隨機性與間歇性大大增加了電網(wǎng)調(diào)度的難度，在該場景下，有必要將新能源出力納入負荷預(yù)測研究范圍。文獻[17-19]對風(fēng)光聯(lián)合場景下的分布式電源規(guī)劃等進行研究，為本文提供了參考。

綜上，本文提出基于聯(lián)合時序場景的改進型TCN高比例新能源電網(wǎng)短期負荷預(yù)測方法。首先通過相關(guān)性距離刻畫風(fēng)光出力和負荷的聯(lián)合場景特性，將負荷預(yù)測場景進行分類；然后建立隨機森林(random forest)-時間卷積網(wǎng)絡(luò)(RF-TCN)預(yù)測模型，并通過Bootstrap對預(yù)測結(jié)果進行修正；最后，以甘肅某地實際電網(wǎng)為例進行仿真驗證，驗證本文所提方法的有效性。

1 模型框架

隨著新型電力系統(tǒng)建設(shè)的不斷推進，我國電力系統(tǒng)新能源滲透率將不斷提高。本文所提負荷預(yù)測方法的核心在于考慮了風(fēng)光等新能源出力因素，并基于風(fēng)光出力與負荷關(guān)聯(lián)度劃分成不同預(yù)測場景。具體過程包括負荷與新能源出力相關(guān)性分析、RF-TCN短期負荷預(yù)測模型建立、未來負荷預(yù)測3個步驟，整體模型框架如圖1所示。

圖1 模型結(jié)構(gòu)框圖Fig.1 Model framework

整體模型簡述如下：

步驟1：利用3σ準(zhǔn)則剔除異常數(shù)據(jù)后，對負荷與新能源出力進行聯(lián)合時序場景分析，并劃分成不同的預(yù)測場景，方便后續(xù)對不同負荷預(yù)測場景進行精細化建模。

步驟2：建立改進型RF-TCN負荷預(yù)測模型，通過RF算法對負荷預(yù)測特征量進行篩選，訓(xùn)練模型參數(shù)，并加入預(yù)測結(jié)果修正環(huán)節(jié)。

步驟3：利用常規(guī)預(yù)測方法對預(yù)測日風(fēng)光負荷進行預(yù)測，判別預(yù)測日所屬天氣類型，選取對應(yīng)預(yù)測模型。

2 基于相關(guān)性距離的預(yù)測場景分類

3σ準(zhǔn)則是異常數(shù)據(jù)識別的常見方法，其內(nèi)涵在于將數(shù)值分布在均值3個標(biāo)準(zhǔn)差之外的數(shù)據(jù)看作異常數(shù)據(jù)并剔除。本文首先分析處理風(fēng)光負荷歷史數(shù)據(jù)，接著考慮各場景下新能源出力曲線和負荷曲線之間的相關(guān)性，構(gòu)建聯(lián)合時序場景曲線如下：

(1)

式中：α、β、χ、Q分別為光伏出力、風(fēng)電出力、負荷和風(fēng)光負荷聯(lián)合時序場景曲線；T為數(shù)據(jù)序列中的時段數(shù)。

引入指標(biāo)δ刻畫聯(lián)合時序場景下風(fēng)光負荷相關(guān)性：

(2)

式中：αi，t、βi，t和χi，t分別為i日t時段的光伏出力、風(fēng)電出力和電網(wǎng)負荷；δi為i日風(fēng)光負荷相關(guān)性距離向量，其數(shù)值含義為負荷中風(fēng)光新能源發(fā)電以外的發(fā)電量；Ji為i日風(fēng)光負荷相關(guān)性距離向量。

假定A、B這2日的風(fēng)光負荷相關(guān)性距離分別是δA、δB，該2日相似性用式(3)衡量，該值越大，則相似性越低：

(3)

式中λAB為A、B 2日的日間相似度指標(biāo)。

綜上，可通過風(fēng)光負荷相關(guān)性距離劃分出不同天氣類型，并通過日間相似度指標(biāo)評價聚類結(jié)果。

3 基于RF-TCN短期負荷預(yù)測模型

對影響負荷預(yù)測的各種因素進行篩選有利于提高TCN負荷預(yù)測的準(zhǔn)確性。本章首先通過RF算法篩選影響負荷預(yù)測的關(guān)鍵特征量，然后利用TCN進行負荷預(yù)測。

3.1 RF特征量篩選

RF算法常用于對非線性數(shù)據(jù)進行回歸和分類，核心結(jié)構(gòu)為決策樹，每顆決策樹都進行預(yù)測，然后通過加權(quán)或取最大值等方法得到預(yù)測結(jié)果。圖2所示為RF算法結(jié)構(gòu)。

圖2 隨機森林算法示意圖Fig.2 Diagrammatic sketch of RF algorithm

RF算法基于重要性程度進行特征量提取時，通常通過基尼指數(shù)(Gini index，GI)或袋外數(shù)據(jù)錯誤率2種指標(biāo)來衡量。基于GI的方式介紹如下。

設(shè)定原始數(shù)據(jù)具有K個特征量，X1，X2，X3，…，XK，以及H個種類，則在決策樹節(jié)點m的GI為

(4)

式中3σ為節(jié)點m的樣本屬于第h類的概率估計值。

特征量Xk在節(jié)點m的重要性程度VGI，km通過其分枝前后ηGI的變化量表示為

VGI，km=ηGI，m-ηGI，q-ηGI，r.

(5)

式中ηGI，q和ηGI，r為節(jié)點m分枝后2個新節(jié)點q和r的GI。

假定一共有Z棵決策樹，則特征量Xk在第z棵樹的重要性

(6)

式中M為特征量Xk在第z棵決策樹中的節(jié)點集合。VGI，km通過式(4)、(5)求取。特征量Xk的重要性

(7)

綜上，通過式(4)—式(7)，實現(xiàn)數(shù)據(jù)原始特征量的排序和篩選。

3.2 TCN原理

TCN是在CNN基礎(chǔ)上的改進網(wǎng)絡(luò)，適用于處理時序問題。TCN具有一種擴張因果卷積結(jié)構(gòu)，能夠?qū)ι弦粚拥妮斎霐?shù)據(jù)進行擴張采樣，提取各種時序數(shù)據(jù)的特征。因果卷積能夠保證提取特征信息的因果性，t時刻的輸出yt依賴t及t時刻之前的輸入x0，x1，xt-2，…，xt-1。對于卷積核為2，擴張系數(shù)為別為1、2、4的TCN，擴張因果卷積結(jié)構(gòu)如圖3所示。

圖3 TCN擴張因果卷積結(jié)構(gòu)Fig.3 Dilated causal convolution structure of TCN

TCN擴張因果卷積通過跳過部分輸入，將卷積核拓展到更大的區(qū)域，通過改變膨脹系數(shù)d調(diào)整輸出數(shù)據(jù)所接收到的信息量。對于一維時序數(shù)據(jù)的輸入x∈Rn(Rn為n維實數(shù)空間)和濾波器f能夠通過濾波器系數(shù)u和膨脹系數(shù)d擴張視野，卷積運算如下[11]：

(8)

式中xs-d·i為輸入序列。

3.3 網(wǎng)絡(luò)輸入與輸出

考慮高比例新能源電網(wǎng)中風(fēng)光出力對負荷預(yù)測的影響，聯(lián)合時序場景法將歷史日期數(shù)據(jù)歸類。各個預(yù)測模型以相似日為基礎(chǔ)進行訓(xùn)練。將待預(yù)測日前2日的負荷、風(fēng)光出力數(shù)據(jù)和經(jīng)RF提取的關(guān)鍵特征量作為模型輸入，而模型輸出為預(yù)測日的負荷預(yù)測結(jié)果。

此外，在進行網(wǎng)絡(luò)訓(xùn)練時，需要對輸入數(shù)據(jù)進行預(yù)處理，本文采用歸一化方法，將輸入量中的負荷、氣溫、風(fēng)速等數(shù)值歸一化，而對于日期、星期、節(jié)假日等輸入量則另做處理[20-21]。

(9)

4 預(yù)測修正與評價

本文的負荷預(yù)測結(jié)果是1日96個時段的負荷預(yù)測值，是一個有關(guān)時間的序列，各預(yù)測點對應(yīng)的負荷預(yù)測誤差也構(gòu)成一個時間序列。為了提升模型預(yù)測的準(zhǔn)確性，本文引入Bootstrap算法構(gòu)建預(yù)測誤差修正模型。

Bootstrap是用于估計統(tǒng)計量的采樣方法，它通過從樣本中有放回地抽取(即每次抽取都從全部樣本中抽取)多個子樣本，得到該統(tǒng)計量的抽樣分布，并由此計算置信區(qū)間。在Bootstrap中，通過計算每個子樣本與全樣本均值的差異來估計偏差。因此，利用Bootstrap對負荷預(yù)測誤差的分布特性進行統(tǒng)計推斷，并設(shè)置對應(yīng)的置信度區(qū)間劃分不同預(yù)測誤差范圍。當(dāng)負荷預(yù)測誤差在區(qū)間內(nèi)，則不修正預(yù)測數(shù)據(jù)，當(dāng)負荷預(yù)測誤差在區(qū)間外，則需要修正。具體計算原理見文獻[22]。

此外，常見的負荷預(yù)測評價指標(biāo)有均方根誤差(mean square error，MSE)和平均百分比誤差(mean absolute percentage error，MAPE)2項[1，23-25]，本文創(chuàng)新性地引入最大絕對誤差(maximum absolute error，MAE)來評價負荷預(yù)測的準(zhǔn)確度，衡量負荷預(yù)測方法的局部最大誤差。

(10)

(11)

(12)

式中：ρMSE、ρMAE、ρMAPE分別為負荷預(yù)測的均方誤差、最大絕對誤差和平均百分比誤差；3σ、3σ為負荷預(yù)測真實值和預(yù)測值。

5 算例仿真

本文使用甘肅省某地區(qū)2022年1月1日至2022年12月31日的數(shù)據(jù)對所提出的負荷預(yù)測模型進行仿真驗證。截至2022年底，甘肅全省電力裝機容量6 803萬kW，包括風(fēng)電2 076萬kW、光伏1 445萬kW，新能源裝機占比52%?？梢?，利用甘肅省相關(guān)數(shù)據(jù)對高比例新能源電網(wǎng)的負荷預(yù)測問題進行研究具有高度適用性。

5.1 風(fēng)光負荷聯(lián)合場景分析

通過第2章述方法，在利用3σ準(zhǔn)則剔除異常數(shù)據(jù)后，針對365個風(fēng)光負荷的相關(guān)性開展聯(lián)合分析。受制于當(dāng)前數(shù)據(jù)樣本數(shù)目不足，本文認為采用更多的分類意味著每類情況下樣本量降低，不利于TCN網(wǎng)絡(luò)的訓(xùn)練效果。因此，以1月1日為對比日，求取各日與該日的相似性距離，并據(jù)此將天氣共分為5種類別，如圖4所示(日期序號1對應(yīng)1月2日，364對應(yīng)12月31日，其他以此類推)，各類別數(shù)目見表1。

表1 各日與1月1日相似性距離聚類類別數(shù)Tab.1 Clustering classification numbers of similarity distance between each day and January 1st

圖4 各日與1月1日相似性距離聚類結(jié)果Fig.4 Clustering results of similarity distance between each day and January 1st

由圖4可見，各個類型的天氣僅有第1種和第5種相對日期而言比較集中，其余3種分布較為分散。具體而言，第1種類型主要對應(yīng)冬季，第5種對應(yīng)的季節(jié)主要為夏季。這是因為本文的日期相似度指標(biāo)〔式(2)和式(3)〕，本質(zhì)上是衡量該日期負荷中除風(fēng)光出力外其余負荷曲線的相似度，在冬季/夏季時，風(fēng)電和光伏發(fā)電對負荷曲線的影響更集中。

5.2 特征量提取

以氣象、日期因素等構(gòu)建影響負荷預(yù)測的特征集，見表2所示。然后通過RF對特征量重要性進行排序，圖5所示為重要性分析結(jié)果。

表2 影響負荷預(yù)測的特征量Tab.2 Characteristic quantities affecting load prediction

圖5 隨機森林特征變量重要性分析結(jié)果Fig.5 Importance analysis results of RF algorithm

由圖5可知在選定的11個特征量中，前6個重要性得分較高，因此選取小時、最低氣溫、節(jié)假日、分時電價、平均氣溫、月份和待預(yù)測日前2日的負荷、風(fēng)光出力數(shù)據(jù)作為輸入項。

5.3 預(yù)測結(jié)果

分別用本文模型和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)、SVM和不含預(yù)測修正的TCN方法對2022年12月31日數(shù)據(jù)進行負荷預(yù)測。其中BP神經(jīng)網(wǎng)絡(luò)、SVM這2種方法不劃分天氣類型，且不修正預(yù)測結(jié)果。不經(jīng)分類和不經(jīng)修正方法與本文方法的區(qū)別僅在于不經(jīng)天氣類型劃分且不經(jīng)預(yù)測誤差修正，其余部分相同。各種方法的預(yù)測結(jié)果、預(yù)測結(jié)果MAE和預(yù)測結(jié)果評價依次如圖6、圖7和表3所示。需要說明的是，在本文的RF提取部分，已經(jīng)考慮預(yù)測日是否為工作日等因素，并得到影響負荷預(yù)測的關(guān)鍵特征量作為TCN的輸入項，因此預(yù)測日是否為工作日等因素對預(yù)測模型沒有影響。

表3 不同預(yù)測方法結(jié)果評價Tab.3 Evaluation of the results of different prediction methods

圖6 不同預(yù)測方法預(yù)測結(jié)果Fig.6 Prediction results of different prediction methods

圖7 不同預(yù)測方法預(yù)測結(jié)果MAE Fig.7 Absolute errors of prediction results of different prediction methods

分析圖6、圖7和表3，得出如下結(jié)論：

a)本文預(yù)測方法的預(yù)測精度明顯優(yōu)于其他方法，MAE為2.62%，MSE為16.55 MW，而MAPE為1.65%，就MAE和MAPE這2個指標(biāo)而言，相較其他方法分別提高了36%、43%、19%、11%和46%、48%、19%、10%，預(yù)測效果好。

b)BP神經(jīng)網(wǎng)絡(luò)和SVM預(yù)測精度明顯劣于其他3種方法，原因在于模型較為簡單，沒有深層挖掘數(shù)據(jù)信息。

c)通過對比本文方法、不經(jīng)天氣類型分類方法和不經(jīng)預(yù)測誤差修正方法發(fā)現(xiàn)，不經(jīng)預(yù)測誤差修正方法的預(yù)測精度略優(yōu)于不經(jīng)天氣類型分類方法，這說明，有必要對含大規(guī)模新能源電網(wǎng)進行天氣類型劃分，以及對負荷預(yù)測結(jié)果進行誤差修正。

6 結(jié)論

針對高比例新能源并網(wǎng)電網(wǎng)，提出一種基于聯(lián)合時序場景的改進型TCN短期負荷預(yù)測方法。通過算例仿真，得出結(jié)論：

a)為充分考慮新能源出力對負荷預(yù)測的影響，通過聯(lián)合時序場景法劃分不同負荷預(yù)測場景，分別建立預(yù)測模型，能提升預(yù)測精度。

b)利用TCN充分考慮負荷的時序特征，并通過RF算法提取影響負荷預(yù)測的關(guān)鍵特征量，能提高預(yù)測精度。

c)通過Bootstrap算法對預(yù)測結(jié)果進行修正能夠提升預(yù)測準(zhǔn)確性。

仿真結(jié)果表明，本文方法能夠有效提高預(yù)測精度，并較好地解決高比例新能源電網(wǎng)的短期負荷預(yù)測問題。