計及分布式能源時序不確定性的短期負荷預測技術

楊小龍，姚陶，孫辰軍，魏新杰，張華銘，孫毅

（1.國網河北省電力有限公司信息通信分公司，河北 石家莊050000；2.國網河北省電力有限公司，河北 石家莊050021；3.北京清軟創新科技股份有限公司，北京100080；4.華北電力大學 電氣與電子工程學院，北京102206）

0 引言

目前，全球能源面臨著較為嚴峻的形式，我國正處于能源綠色低碳轉型的關鍵時期[1]，我國“十四五”規劃明確指出，要力爭在2025年實現“碳達峰”，因此加快構建以新能源為主體的新型電力系統對“雙碳”目標的實現有著極其重要的作用[2]。風電、光伏等新能源的大規模開發及高比例并網能夠大幅度降低碳排放量[3，4]，其中分布式光伏電源作為一種重要的新能源發電形式，對優化能源結構，推動節能減排，實現經濟可持續發展具有重要意義。在新型電力系統下，配電網也將迎來全面的升級改造，全面、準確地掌握負荷的變化規律將會為配電網的規劃建設以及電網運營者的經營決策提供可靠的信息和依據。但是，分布式光伏電源不同于傳統能源發電，它具有隨機性、波動性以及間歇性等特性，這給負荷預測帶來一定的困難，因此在新型電力系統建設過程中，要充分考慮分布式能源接入對新型電力系統的影響[5]。

短期負荷預測的方法有很多，主要方法有時間序列法[6]、回歸分析法[7]、XGBoost[8]、模糊預測法[9]、深度神經網絡法等。其中，文獻[10]提出了一種數據挖掘預處理的支持向量機預測系統，通過數據挖掘技術，找出與預測日具有相同天氣條件的歷史短期負荷組成數據序列，作為支持向量機的訓練數據，從而提高預測精度。文獻[11]提出了一種基于深度神經網絡混合模型的短期負荷預測方法，先采用卷積神經網絡提取特征向量，再采用長短期記憶神經網絡提取負荷時序特征，該方法在預測精度上有所提升。文獻[12]對傳統極限學習機（ELM）算法進行了改進，采用全局尋優法對ELM算法進行優化，該方法只是對ELM算法的參數進行了尋優，但是對負荷序列內部特征的學習還存在一定的局限性。文獻[13]提出了一種改進的集成經驗模態分解和深度信念網絡相結合的用戶側凈負荷預測方法，該方法首先通過改進的經驗模態分解算法將原始凈負荷分解為若干個本征模態函數（IMF），再使用深度信念網絡對每個IMF分量進行特征提取和預測，最后將多個目標預測結果累加得到最終用戶側凈負荷預測結果，該方法能夠解決分布式電源與負荷耦合下的負荷預測問題，但是未考慮外部環境因素對凈負荷的影響。綜上所述，目前大多數預測算法在負荷預測領域有著出色的表現，隨著分布式電源的大規模接入，用戶側負荷預測難度將大大增加，因此對電網調度工作者來說，研究新的預測方法和技術變得極其重要[14]。

本文基于分布式光伏接入對電網負荷的影響，提出了一種分布式光伏接入場景下的短期負荷預測方法。由于分布式電源主要部署在用戶側，因此對不同的用戶產生的影響不同。為了提高電網負荷短期預測的精度，文章首先基于大數據分析技術探索用戶負荷特性、分布式光伏出力特性以及外部因素對二者變化趨勢的影響。在上述分析基礎上，提出了融合自注意力的長短期記憶神經網絡短期凈負荷預測模型，充分提取時間序列之間的依賴關系，并采用灰狼優化算法對上述預測模型的參數進行優化，訓練出預測能力最優的模型。最后通過算例分析，驗證了本文所提方法的合理性和有效性。

1 考慮分布式光伏接入的配電網

光伏發電是一種將太陽能轉換為電能的新型發電技術，具有清潔、可再生的特點，具有廣闊的發展前景。目前分布式光伏主要有屋頂光伏、產業園區光伏以及農業養殖光伏等。如圖1所示，分布式光伏發電系統通過一系列變換輸出交流電供給用戶自身負載，多余發電量可以存儲起來或者上送電網。這種發電方式具有輸出功率小，發電用電共存，清潔高效，可靈活調節等特點，在一定程度上可以緩解局部地區的用電壓力。

圖1 用戶側接入分布式光伏接線圖Fig.1 Distributed photovoltaic wiring diagram for user access

分布式光伏一般安裝在電表之后，因此裝置采集到的數據為光伏出力和配電網用戶負荷的耦合結果，即配電網凈負荷[15]。如式（1）所示，凈負荷指用戶實際負荷與分布式光伏出力的差值。

式中：Pn為凈負荷；Pactual為用戶實際負荷；Ppv為光伏出力。

圖2為光伏出力特性以及含分布式光伏的負荷曲線，選取連續3 d的歷史數據，采樣頻率為15 min，共288個負荷點。從圖2中可以看出，間歇性分布式光伏接入配電網改變了原有的負荷特性，白天時段分布式光伏開始發電，凈負荷出現低估且伴有強的波動性和間歇性，夜晚光伏不出力，凈負荷保持原有特性。

圖2 含分布式光伏的負荷特性曲線Fig.2 Load characteristic curve with distributed PV

2 負荷特性及相關性分析

2.1 Pearson相關系數

Pearson相關系數通?？梢杂脕矶糠治鲎兞恐g的線性相關性，通過式（2）可以計算兩個變量之間的相關程度。

式中：ρX，Y為相關系數；X為自變量；Y為因變量。

2.2 用戶側負荷特性及其影響因素

按用電性質可將負荷大致分為工業負荷、商業負荷以及居民負荷[16]。不同類型的用戶負荷特性差異較大，工業用戶的用電量較大，負荷較為穩定。商業負荷主要指大型商場、寫字樓等商業場所的照明、空調、動力等用電負荷，覆蓋面積較大，且用電增長平穩，具有典型的季節性波動特性。居民負荷特性與人們的日常生活方式以及工作規律有著較為緊密的聯系，主要用電負荷是城鎮居民的家用電器，同樣有著明顯的季節性波動特點。圖3為三大類型用戶負荷的日特性曲線。

圖3 三大類型用戶日用電負荷特性曲線Fig.3 Daily power load characteristic curves of three types of users

為了探索外部環境因素對用戶側負荷的影響，文章通過計算Pearson相關系數定量分析變量間的相關性。表1給出了天氣因素與某商業用戶負荷之間的相關性系數，可以看出溫度對用戶負荷變化規律的影響較為顯著。因為當外界環境溫度過高時，大量制冷設備被投入使用，負荷也相應增加；溫度過低，用戶須要投入大量制熱設備來提高室內溫度，導致用電負荷也隨之增加。

表1 某商業用戶負荷與天氣因素之間的相關系數Table 1 Correlation coefficient between a commercial user's load and weather factors

2.3 光伏出力特性及其影響因素分析

圖4給出了4種不同天氣條件下光伏出力曲線。不同天氣類型下，光伏出力會出現較大的差異。晴天光伏出力較好，光伏出力呈現一個山峰型；多云天，光伏出力受云的影響，出現較大的波動性；當出現陰轉晴的情況時，分布式光伏出力將隨著陰轉晴的過程逐漸增強；在陰雨天，光伏出力較差。因此，不同類型的天氣造成了光伏出力的隨機性和不確定性。

圖4 不同類型天氣下光伏日出力特性Fig.4 Photovoltaic sunrise force characteristics under different types of weather

為了定量分析氣象因素對光伏出力的影響，表2給出了光伏出力與各影響因素之間的Pearson相關系數。由表2可以看出，溫度、濕度以及直接輻射度與光伏出力之間存在著較強的相關性，而風速、氣壓與光伏出力之間的相關性較弱。因此，溫度、濕度、直接輻射度對光伏出力有著較大的影響。

表2 光伏出力與各影響因素之間的相關系數Table 2 Correlation coefficients between photovoltaic output and various influencing factors

通過對光伏出力特性以及影響因素分析，可以得出在天氣晴朗條件下，光伏出力受光照強度和環境溫度的制約，表現出明顯的規律性和周期性；在天氣條件不好的情況下,其出力會出現不確定性和隨機性。

3 相關算法及預測模型

3.1 自注意力機制

在進行時間序列建模時，不同時刻點之間存在著一定的相互依賴關系，自注意力機制[17]（Self Attention Mechanism）可以最大程度上挖掘任意兩個點之間的關系，在進行時序預測時抽取強相關特征點的關鍵信息，使得預測更加準確。

首先，對樣本的m個序列[x1，x2，…，xm]進行自適應線性映射，樣本被轉換成3個長度為d的向量qi，ki，vi，再將3個向量并聯組合成矩陣Q，K，V，根據式（3）計算矩陣S，S為m個序列間的權值集合；再經過式（4）標準化后變成Sn[Sn1，Sn2，…，Snm]T。

根據式（5），使用Soft max函數將權值轉換成概率形式P=[P1，P2，…，Pm]。

最后，根據式（6）獲取加權矩陣Z：

因此，自注意力過程如下：

3.2 長短期記憶神經網絡

時間序列具有較強的歷史依賴性，相鄰時間點的關聯性較大。為了更好地學習這種時序特征，本文采用長短期記憶神經網絡（Long Short Term Memory，LSTM）[18，19]，LSTM延續了RNN主體結構，區別在于LSTM在隱藏層中增加了門控結構，分別是遺忘門、輸入門、輸出門，同時新增了一個記憶單元，通過記憶單元ct來保持長期記憶，具體更新流程如下：

式中：xt表示t時刻的輸入；ht-1表示t-1時刻的隱藏層狀態值；ft，it，ot分別表示t時刻遺忘門、輸入門、輸出門的值；wf，wi，wo分別表示遺忘門、輸入門、輸出門在特征提取過程中ht-1的權重系數；vf，vi，vo分別表示遺忘門、輸入門、輸出門在特征提取過程中xt的權重系數；at表示t時刻對ht-1和xt的初步特征提??；tanh表示正切雙曲線函數；σ表示激活函數Sigmoid。

3.3 灰狼優化算法

灰狼優化算法（Grey Wolf Optimizer，GWO）是一種智能優化算法[20]，具有收斂性能強、參數少、易實現等優點。GWO優化大致包含灰狼的社會等級分層、跟蹤、包圍和攻擊獵物等捕獵過程[21]，其優化過程如下。

①社會等級分層

GWO優化須建立灰狼社會等級層次模型，主要有4層社會等級。通過計算種群個體適應度，將狼群中適應度最好的3匹灰狼依次標記為α，β，δ，剩下的灰狼標記為ω。

②包圍獵物

灰狼在狩獵過程中的圍獵行為可表示為

式中：t為當前迭代次數；Xp（t），X（t）分別表示當前獵物和灰狼的位置向量；D表示個體與獵物之間的距離；A，C為系數向量。

由式（17），（18）計算可得：

式中：a為收斂因子，隨迭代次數增加線性遞減；r1，r2是[0，1]中的隨機向量。

③狩獵

灰狼能夠識別獵物的位置并包圍它們。當灰狼識別出獵物的位置后，在α，β，δ的帶領下指導狼群包圍獵物?；依莻€體跟蹤獵物位置的數學模型如下：

式中：Xα，Xβ，Xδ分別表示當前狼群中α，β，δ的位置向量；Dα，Dβ，Dδ分別表示當前候選灰狼與最優灰狼α，β，δ之間的距離；當時，灰狼之間盡量分散在各區域并搜尋獵物，當時，灰狼將集中搜尋特定區域的獵物。

④攻擊獵物

當獵物停止移動時，灰狼通過攻擊來完成狩獵過程。

3.4 考慮分布式光伏接入的負荷預測模型

①模型輸入輸出

通過負荷特性及相關性分析，選擇光照輻射度、環境溫度、相對濕度以及歷史凈負荷數據構造凈負荷預測的輸入特征集，預測輸出為下一個時刻的凈負荷。

②融合自注意力機制的LSTM神經網絡預測模型

由于分布式光伏的接入，使得原有負荷預測變為凈負荷預測，圖5是融合自注意力機制的LSTM神經網絡預測模型。在進行凈負荷預測之前，須要構造用于模型訓練的輸入輸出數據，基于相關性分析，在影響光伏出力和負荷變化規律的關鍵因素中篩選出最優的特征集作為輸入輸出數據。輸入數據經過輸入層傳遞到LSTM神經網絡層，經過3層LSTM，可以充分學習特征序列的長期依賴性，形成持久的信息記憶，時序的變化規律特性也能夠得到更好的學習。在Self Attention層，對序列中強相關特征賦予更高的權重，使得預測更加準確。最后，通過全連接層將其堆疊起來，直接生成凈負荷預測值。

圖5 融合自注意力機制的LSTM神經網絡模型Fig.5 LSTM neural network model integrated with self-attention mechanism

③GWO優化Self Attention-LSTM神經網絡預測模型的步驟

圖6為GWO優化Self Attention-LSTM預測模型流程圖。通過構建Self Attention-LSTM神經網絡模型來實現對考慮分布式光伏接入場景的凈負荷預測，基于輸入數據僅僅是對預測模型進行初步的訓練，要想使模型具有更出色的性能和預測效果，還須對其進行優化，尋找最優的參數組合。因此，本文采用GWO算法對Self Attention-LSTM預測模型進行尋優，使得模型在最優狀態下，輸出誤差較小的凈負荷預測結果。

圖6 GWO優化的Self Attention-LSTM預測模型流程Fig.6 Flow chart of GWO optimized Self Attention-LSTM prediction model

4 算例分析

本文算例使用在中國北方某城市含分布式光伏的用戶側采集的數據，數據集包括該地區2020年6-8月份的用戶側負荷數據、分布式光伏的出力數據以及相應的氣象數據。首先對采集的樣本數據進行預處理，然后通過相關性分析來構建模型輸入特征集。70%的樣本數據作為訓練集，30%的樣本數據作為測試集。

4.1 數據預處理

本文通過最大-最小數據歸一化方法，將模型輸入數據轉換為[0，1]的數據，消除量綱之間的影響，其轉換關系如式（22）所示。

式中：x*為數據歸一化后的值；x為原樣本數據；xmax為原樣本數據中的最大值；xmin為原樣本數據中的最小值。

4.2 數據預處理

為了檢驗本文所提方法對考慮分布式光伏接入場景的負荷預測效果，采用均方根誤差（Root Mean Squared Error，RMSE）和平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）兩種評價方法，具體見式（23），（24）。

式中：n為樣本容量；y^i為預測值；yi為實際值。

4.3 模型超參數設置

本文在搭建深度神經網絡預測模型過程中，會產生訓練迭代次數、數據批量處理大小、網絡層數、每層神經元的數目等一系列超參數，而且GWO算法在優化預測模型過程中，也須要設置迭代次數、種群大小以及調控參數等。本文所提預測模型的具體參數設置如表3所示，表3給出了模型在訓練及尋優過程中產生的超參數以及最優數值。在尋優過程中，選擇預測模型訓練迭代次數、批量處理大小、LSTM層數、每層LSTM神經元數目以及全連接層神經元數目作為GWO的尋參變量，因此GWO優化的變量維度為5。

表3 預測模型及優化算法參數設置Table 3 Parameter Settings of prediction model and optimization algorithm

4.4 預測結果及分析

圖7為采用GWO優化的Self Attention-LSTM神經網絡預測模型的凈負荷預測效果圖。從圖7中可以看出，本文所提方法有著出色的凈負荷預測效果，且凈負荷預測值更接近于實際凈負荷值。

圖7 GWO優化的Self Attention-LSTM神經網絡預測模型的凈負荷預測效果Fig.7 Net load prediction effect diagram of GWO optimized Self Attention-LSTM neural network prediction model

為了驗證本文提出的凈負荷預測方法的有效性和優越性，分別采用長短期記憶神經網絡（LSTM），XGBoost以及BP神經網絡3種預測模型與GWO優化的Self Attention-LSTM神經網絡預測模型進行對比分析。表4給出了4種模型的測試結果，分別從RMSE和MAPE兩個方面進行評價。其中，本文所提考慮分布式光伏的凈負荷預測模型的RMSE和MAPE低于其他3種預測方法。

表4 4種方法凈負荷預測精度對比Table 4 Net power prediction accuracy comparison of the four models

5 結束語

考慮分布式光伏接入對用戶側負荷的影響，本文提出了一種基于灰狼算法優化的自注意力LSTM神經網絡模型，實現對含分布式光伏的負荷預測。首先，對用戶側負荷、分布式光伏出力特性及其影響因素進行分析，采用Pearson相關系數定量分析天氣因素對負荷及光伏出力的影響，篩選出了影響較強的因素作為輸入特征集。其次，將自注意力機制和LSTM神經網絡融合到一起，給予輸入特征不同的關注度，使得LSTM神經網絡具有更好的學習能力。最后，采用灰狼算法對Self Attention-LSTM神經網絡預測模型進行參數尋優，得到預測效果更佳的模型。通過算例分析驗證了本文所提預測方法的有效性和可行性，并與其他預測模型進行對比，本文所提方法具有較高的預測精度。