基于联合模型的短期电力负荷预测方法.pdf

基于联合模型的短期电力负荷预测方法蔡君懿李琪林严 平(国网四川省电力公司计量中心四川 成都)摘 要:为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法以避免单一预测模型可能难以满足预测准确需求的情况 首先使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测然后使用改进的粒子群优化算法对联合模型权重进行寻优最后利用最优权重将单一模型预测结果进行合并得到最终的预测结果 验证结果表明所建立的联合模型能够对短期电力负荷进行准确的预测且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和 神经网络等单一模型具有一定的工程应用价值关键词:短期电力负荷预测 差分自回归滑动平均模型 长短期记忆神经网络 联合模型 混合粒子群算法中图分类号:文献标志码:文章编号:():./.():()().().().:引 言随着以新能源作为主要供给的新型电力系统不断发展为确保多元化新能源的高效消纳利用并发挥主体电源的电力支撑作用需提升电力系统灵活调节能力 准确的电力负荷预测可以在保障电网的基金项目:国家电网有限公司总部科技项目“新型电力系统电磁测量设备及系统标准体系建设与国际化战略研究”()安全前提下经济合理地安排电网内部发电机组的启停、安排机组检修计划为电力系统灵活调节、供需平衡提供基础 因此电力负荷预测对于整个电力系统的运营决策和控制至关重要 根据时间尺度划分电力负荷预测一般包括 种:)中长期负荷预测(以年度为单位给出预测结果)短期负荷预测(从次日到第 天的预测)超短期负荷预测(以下的电力负荷预测)其中短期负荷预期是电力系统运行和控制所需的所受关注最高四 川 电 力 技 术 年 月 第 卷 第 期 短期负荷预测技术主要有统计学方法和机器学习方法两类 统计学方法包括自回归滑动平均()、差分自回归滑动平均()、卡尔曼滤波、多元线性回归()等算法 由于基于时间序列的实际电力负荷数据存在非线性与非平稳若单独采用统计学方法进行负荷预测则可能会对其非线性部分或非平稳部分预测造成缺失 为了改善此情况基于机器学习的负荷预测方法得到了发展与应用 其中支持向量机、神经网络以及它们的拓展算法是最常见的用于短期负荷预测的机器学习算法 为了优化机器学习的效果学者们使用了一些结合方法来提高预测精度如:使用注意力机制、引入门控循环单元和时间认知分别对神经网络进行优化基于小波去噪强化神经网络来提升短期负荷预测需求使用变分模态分解负荷时间序列再进行支持向量机预测使用主成分分析法对负荷序列进行降维处理提升聚类效果等 总的来说机器学习算法的非线性拟合能力较强其短期负荷预测准确度普遍优于统计学方法由于电力系统中负荷数量多且短期负荷特征受天气、时间等诸多因素的影响单一预测模型可能难以满足预测的准确性要求 因此提出了一种预测短期电力负荷的联合模型方法该方法基于 模型和长短期记忆()神经网络模型的集成以考虑两种技术的优势来提升预测精度 首先描述了 和 基础模型然后提出了基于混合粒子群优化算法的联合模型最后通过实际负荷数据对比、分析来验证所提方法 基础模型.差分自回归滑动平均模型不同于自回归滑动平均()模型只能处理平稳序列差分自回归滑动平均()模型是一种可用于非平稳时间序列的模型 模型最为关键的 个参数是自回归阶次、差分阶次 以及滑动平均阶次 因此一般表示为()是()模型的扩展对于一个非平稳的时间序列 对第 个元素进行一阶差分的公式为 ()()式中 为延迟算子 阶差分后的时间序列 为 ()()在()模型中若差分阶次 为则()就变为()模型 因此非平稳时间序列经过若干次的差分后会变得平稳化从而可构建相应的 模型()的第 个元素如式()所示 ()式中:为服从均值为 正态分布的白噪声序列 的第 个元素为第 个自回归系数为第 个移动平均系数在实际运用时由于 阶差分之后信号通常可变得平稳因此差分阶次 可取 当信号平稳以后对信号进行偏自相关计算根据偏自相关函数的截断项确定自回归阶次 对信号进行自相关计算根据自相关函数的截断项确定滑动平均阶次.长短期记忆神经网络模型长短期记忆()神经网络模型的核心思想是通过加入遗忘门、输入门和输出门组成的高效结构使传统循环神经网络具备了学习长期信息的能力从而解决了传统循环神经网络存在的梯度消失或梯度爆炸的问题其细胞结构如图 所示图 细胞结构 个逻辑门中的主要功能分别为:)遗忘门:决定保留或删除 刻输出 的信息并将输入门处理后得到的状态信息与当前处理结果相加生成更新后的记忆单元状态()为 函数用于在 之间产生一个权值其 四川电力技术 第 卷表达式为()()式中为函数输入在遗忘门中 时刻的输出为()()式中:为 时刻的网络输入、分别为遗忘门 函数的权值和偏置)输入门:通过调整新信息的权重从而更新细胞状态 输入门 函数 时刻的输出为()()式中和 分别为输入门 函数的权值和偏置 函数的作用是将值归一化到 之间其表达式为 ()输入门 函数 时刻的输出为()()式中和 分别为输入门 函数的权值和偏置 利用遗忘门和输入门的输出即可对细胞 时刻的状态 进行更新如式()所示 ()输出门:控制 记忆模块的输出其依赖于上一个记忆单元的输出和当前遗忘门的状态 输出门 函数 时刻的输出为()()式中和 分别为输出门 函数的权值和偏置该 细胞结构的最终输出为 ()模型用于预测分析时可有两种方式:)每次预测时使用前一次预测结果作为函数的输入即使用预测值进行预测)对新序列进行预测时进行网络状态重置即使用观测值进行预测 算法最关键的参数为隐藏层神经元数量和学习率 由于 模型中的 个门是全连接层在算法执行的过程中会存在用隐藏层来做矩阵相乘运算 通常细胞数量和各隐藏层神经元数量相同若隐藏层神经元太少将导致欠拟合而隐藏层神经元太多可能会导致过拟合并增加训练时间 隐藏层神经元数量一般根据问题的复杂度和可用的计算资源进行经验调节确定 学习率是对 模型进行调整的幅度 学习率越大模型更新的幅度也越大模型的训练速度也会提高使模型不稳定甚至无法收敛学习率过小则会使模型训练速度缓慢也会导致无法收敛 一般而言初始学习率可以设置为较小的值然后如果模型的损失函数下降缓慢则可以适当增大学习率如果模型的损失函数出现不稳定或震荡则可以适当减小学习率 基于混合粒子群算法的联合预测方法.基于混合粒子群算法的预测模型在模型训练中若 模型得到的负荷序列为、模型得到的负荷序列为、相应的实际负荷序列为 各有 个采样点 对 模型负荷序列和 负荷序列分别赋予权重 和 且 则训练过程中联合预测模型的误差为 ()()以联合预测模型误差最小化作为优化目标求解权重得到 ()()为寻求最优联合模型权重通过随机优化搜索算法进行寻找 设置目标函数为()()()设置权重搜索范围为 ()粒子群优化算法()是目前常用的随机搜索算法具有参数少、收敛快等优点其迭代公式为:()()()()()()()()()()()()()式中:和 分别为第 个个体的速度和位置()为 之间的随机数 为迭代次数第 期 蔡君懿等:基于联合模型的短期电力负荷预测方法 为第 个粒子的最佳位置为所有个体的最佳位置和 为学习因子 为惯性权重由于粒子群优化算法的种群多样性易损失导致其易发生早期收敛性 为此使用混合粒子群优化算法增加收敛精度该混合粒子群优化算法使用差分进化()算法的变异、交叉操作来提高粒子群优化算法的种群多样性从而提高搜索准确度 变异操作是基于 个随机个体、进行的第 个个体的第 次迭代表达式为()()()()()式中 为缩放因子交叉操作是将有 维分量的第 个个体的第 分量进行交叉其规则为()()()或 ()()其他()式中 为交叉率其值在 之间通过寻找式()的最小值即可得到最优联合模型权重.联合模型预测方法联合模型预测方法的流程如图 所示 首先分别使用 模型和 模型得到单一模型的预测结果然后基于混合粒子群算法求出最优的联合模型权重从而对单一模型预测结果进行合成得到联合模型的预测结果图 联合模型预测方法流程 应用验证.原始负荷数据选用某地 年 月份 天的负荷数据作为案例进行分析验证 负荷数据每小时检测一次一天共有 个数据波形曲线如图 所示图 案例负荷数据波形利用最大谱峰搜索对负荷数据序列进行周期分解得到周期分量和剩余非周期分量如图 所示 可以看出其中周期分量幅值较小所占比例较少大部分为非周期分量 因此无法直接判断下一周期内的电力负荷须使用预测模型与算法进行预测图 案例负荷数据周期分量为分析不同预测模型的实际效果分别利用前 天、前 天和前 天的数据预测第 天、第 四川电力技术 第 卷天和第 天的负荷序列此 天的日内负荷曲线如图 所示图 第 天、第 天和第 天负荷曲线.模型预测结果负荷数据自相关与偏自相关在 阶时系数为 或接近于 且后续阶数基本落在 倍标准差范围如图 所示所以 与 皆取从而建立模型()根据模型参数进行程序编制输入进行训练的负荷数据得到使用 模型预测不同日期的电力负荷序列结果如图 所示 从图中可以看出 模型能够对电力负荷趋势进行一定的预测但是幅值上存在明显的偏移最大的预测误差绝对值达到了 这是由于原始负荷数据中存在较多的非周期成分导致 模型的适用性下降造成的.模型预测结果通过调节确定所使用的 模型的隐藏层神经元数量为 学习率为.使用 模型预测不同日期的电力负荷序列结果如图 所示可以看出 模型均能对电力负荷进行一定的预测其中有重置网络的 模型预测结果相较于无重置网络的 模型预测结果更贴近于实际曲线 无重置网络的 模型预测结果的最大预测误差绝对值为 而有重置网络的 模型预测结果的最大预测误差绝对值仅为 进一步以均方根误差()作为预测评价指标表达式为 ()()图 负荷数据自相关与偏自相关分析式中:为预测序列的数据点数量为第 个预测值为第 个实际值有无重置网络 模型预测性能对比结果如表 所示 结果显示有重置网络的 模型的预测结果 比无重置网络的 模型的预测结果 至少减少了.这表明当 模型随预测结果进行重置网络后可以大幅有效地提升预测结果性能这是因为重置网络状态可防止先前的预测影响对新数据的预测 因此后续使用有重置网络的 模型进行联合模型预测表 有无重置网络 模型预测性能对比预测日期预测结果/无重置有重置第 天.第 天.第 天.联合模型预测结果使用混合粒子群算法以第 天 模型和有重置网络的 模型预测结果进行联合模型权重系数寻优得到.进第 期 蔡君懿等:基于联合模型的短期电力负荷预测方法 图 模型预测结果一步得到第 天、第 天、第 天的联合模型预测结果如图 所示 可以看出联合模型的预测结果与实际曲线非常接近各日期下预测误差均较小.对比分析除了所使用的 和 这两种单一模型以外还将常用于预测分析的 神经网络()与联合模型的结果进行对比如图 所示 图 显示 模型的预测曲线与真实曲线的偏差较大而 模型、模型和联合模型的预测曲线与真实曲线较为相似单一模型与联合模型预测性能对比如表 所示从表中可以看出模型和模型的图 模型预测结果预测效果优于 模型预测效果这是因此负荷序列存在非平稳、非线性部分机器学习方法更为适用而联合模型相较于单一模型取得了更好的预测精度这是因为联合模型可以消除单一模型在不同方向上的误差从而提升预测性能 综上所述 联合模型的预测精度最优可以较准确地对短期电力负荷进行预测表 单一模型与联合模型预测性能对比预测日期预测结果/模型模型模型联合模型第 天.第 天.第 天.四川电力技术 第 卷图 联合模型预测结果 结 论为进一步提高短期电力负荷预测的准确度上面提出了基于 和 的联合模型实现对电力系统短期负荷进行精准预测 实验验证结果表明:)混合粒子群算法可以准确计算出联合模型中各单一模型的最优权重实现基于 和 单一模型的联合优化)相较于单一预测模型 联合模型可以消除单一模型在不同方向上的误差使短期电力负荷预测精度提升具有较高的工程实用价值所提方法为多种负荷预测算法的联合使用提供了一种思路除所使用的和算法以图 单一模型与联合模型预测结果对比外所提出的算法联合使用计算方法也望应用于其他算法来提高短期电力负荷预测精度参考文献 .:.全国 电 网 运 行 与 控 制 标 准 化 技 术 委 员 会./电网运行准则.北京:中国标准出版社.钟光耀 邰能灵 黄文焘 等.基于多维聚类的配变负荷注意力短期预测方法.上海交通大学学报():.于群 张铮 屈玉清 等.基于 组合模型的电网大停电事故损失负荷预测.中国电力():.第 期 蔡君懿等:基于联合模型的短期电力负荷预测方法 麦鸿坤 肖坚红 吴熙辰 等.基于 语言的负荷预测 模 型 并 行 化 研 究 .电 网 技 术():.刘鑫 滕欢 宫毓斌 等.基于改进卡尔曼滤波算法的短期负荷预测.电测与仪表 ():.邓带雨 李坚 张真源 等.基于 的短期电力负荷预测.电网技术 ():.赵佩 代业明.基于实时电价和加权灰色关联投影的 电力负荷预测.电网技术():.杨邓 杨俊杰 胡晨阳 等.基于改进 的短期电力负荷预测.电子测量技术 ():.马松龄 代一楠 徐军昶 等.改进人工蜂群优化神经网络的短期负荷预测.机械设计与制造():.蔡秋娜 潮铸 苏炳洪 等.基于一种新型鲁棒损失的神经网络短期负荷预测方法.电网技术():.吕海灿 王伟峰 赵兵 等.基于 模型的短期台区负荷预测.电网技术():.朱凌建 荀子涵 王裕鑫 等.基于 的短期电力负荷预测.电网技术 ():.王保义 王冬阳 张少敏.基于 和的短期分布式电力负荷预测算法.电力自动化设备 ():.陈纬楠 胡志坚 岳菁鹏 等.基于长短期记忆网络和 组合模型的短期负荷预测.电力系统自动化 ():.赵兵 王增平 纪维佳 等.基于注意力机制的 短期电力负荷预测方法.电网技术():.王增平 赵兵 纪维佳 等.基于 模型的短期负荷预测方法.电力系统自动化 ():.:.:.赵凤展 郝帅 张宇 等.基于变分模态分解算法的配电网短期负荷预测.农业工程学报():.:.():.:.陈振宇刘金波李晨等.基于 与 组合模型的超短期电力负荷预测.电网技术():.():.:.:.:.():.():.:.作者简介:蔡君懿()女博士工程师从事电能计量与电气设备检测工作李琪林()男博士教授级高级工程师从事电能计量工作严 平()男硕士高级工程师从事电能计量工作(收稿日期:)四川电力技术 第 卷