輔助棄風消納的IVMD-LSTM電網典型時段負荷曲線擬合方法

胡 博，潘 霄 ，葛維春，崔 嘉，楊俊友，徐熙林

（1.國網遼寧省電力有限公司，遼寧 沈陽 110000；2.國網遼寧省電力有限公司經濟技術研究院，遼寧 沈陽110015；3.沈陽工業大學 電氣工程學院，遼寧 沈陽 110870）

0 前言

利用負荷側管理技術改善低谷期負荷曲線，可有效接納風電場的棄風發電量[1]。因此，準確擬合負荷曲線是改變負荷曲線優化電網調度以及減小棄 風的關 鍵環 節[2]，[3]。

在負荷數據處理方面，變分模態分解（Variational Mode Decomposition，VMD）可應用于負荷感知領域[4]，但其本征模態數K值需要人為輸入。目前，K值優化多依賴與其他算法的智能組合實現，增加了求解的不確定性。文獻[5]對分解后模態以及中心頻率進行觀察，通過主觀判斷選擇K值，但無法進行細致識別、過程繁復、工作量大。文獻[6]利用粒子群、雙閾值算法優化K值，有一定效果但較難選取其最優算法參數。負荷曲線擬合方面，針對擬合時間尺度，目前研究成果均針對全時段擬合，尚無針對電網典型時段如重大節假日和關鍵時間點等精細擬合。文獻[7]利用三階有理分式擬合和多項式擬合算法擬合功率曲線，對全時段負荷擬合有一定效果。但對典型時段負荷曲線的擬合缺少細節分析。文獻[8]，[9]采用分段擬合的方法擬合負荷功率以減小預測誤差，但擬合結果存在間斷點，部分時段誤差較大。文獻[10]提出一種基于L2范數組合云的功率擬合方法擬合功率數據，進而實現精確功率預測。但該算法在長期功率預測中抗擾動能力較差。文獻[11]采用多項式擬合方法擬合風電機組功率曲線，擬合速度快、誤差小。但多項式擬合方法并不適用于波動性較大的負荷功率曲線擬合，其中的函數逼近機制在擬合散點時會丟失部分曲線特性。文獻[12]采用遺傳算法優化的BP神經網絡擬合方法進行數據擬合，擬合結果優于傳統線性擬合方法。但BP神經網絡結構復雜，具有較高不確定性，容易出現局部極小化問題，收斂速度慢。

本文提出一種基于IVMD-LSTM的電網典型時段負荷曲線擬合方法。首先，利用曲率量化分析VMD分解后模態的瞬時頻率均值，確定分解模態數K值，減弱選擇最優K值不確定性。其次，將IVMD和長短期記憶網絡（LSTM）相結合，形成一種典型時段的電網峰谷負荷擬合方法。

1 基于瞬時頻率均值量化分析的K值確定方法

在實際應用中，VMD本征模態數K值需要人為根據經驗確定，具有較強的不確定性，是導致分解效果不符合實際需求的主要誤差源之一。在瞬時頻率均值量化分析中，本文首次將曲率應用于確定K值。VMD作為一種新的完全非遞歸模態變分方法，通過在變分框架內迭代尋找變分模型最優解的方式確定帶寬和中心頻率，最終將初始信號分解為K個具有不同頻率的本征模態分量，即完全分解時每個模態具有不同的頻率，但當出現過分解現象時，會出現頻率混疊。因此，本文在考慮VMD自身特性的基礎上，提出將瞬時頻率與曲率有機結合優化K值。瞬時頻率代表瞬時相位的變化率，隨時間變化，同時也是對相位斜率的一種度量，能夠準確反映各模態的頻率變化情況。另外，曲率尚未在算法參數優化中應用[13]。曲率可精細化捕捉不同K值對應的瞬時頻率均值之間存在的差異，繼而確定最優K值。

算法流程：①以測試數據VMD分解結果即本征模態分量作為輸入數據，分別進行希爾伯特

式中：ρ為曲率半徑；y為瞬時頻率均值。

選取遼寧某地區2018年國慶節期間電網負荷數據進行算例驗證，采集間隔為5 min，每天288個數據點。不同情況下分解模態瞬時頻率均值，不同K值對應瞬時頻率均值及曲線曲率如圖1，2 所示。變換；②以步驟①得到的頻域分量作為輸入數據，利用文獻[14]提出的方法計算各分量的瞬時頻率均值；③利用曲率對步驟②所得瞬時頻率均值進行量化分析，判斷瞬時頻率均值變化情況。

瞬時頻率均值曲線曲率K1為

圖1 瞬時頻率均值Fig.1 Instantaneous frequency mean

圖2 曲率量化分析Fig.2 Curvature quantitative analysis

由圖1，2可知，當K＞4時，各本征模態順勢頻率均值曲率發生明顯變化，即K=4時，為最優值。

2 IVMD-LSTM負荷降噪擬合流程

2.1 LSTM擬合算法

現階段電網典型時段負荷具有極強波動性，傳統的線性擬合方法無法實現準確擬合。文獻[12]利用BP神經網絡實現數據擬合，仿真結果證明了BP神經網絡在數據擬合方面的優越性。考慮到電網典型時段負荷特點及BP神經網絡存在的局部極小化、收斂速度慢等問題，本文選用LSTM實現數據擬合。現有研究成果顯示出LSTM在很多方面的優越性能，特別是在處理中長期數據時能夠充分保留數據特征。

LSTM通過一種重復模塊的鏈式結構對輸入數據進行訓練，依靠其內部獨特的設計來避免長期依賴問題。其中，每一個模塊都含有輸入門、遺忘門以及輸出門。LSTM工作流程如下。

①通過遺忘門決定丟棄的信息，即：

式中：ft為遺忘門狀態；Wf，bf分別為遺忘門的權重、偏置；σ為sigmoid層激活函數；xt為電網負荷數據；ht-1為中間輸出狀態。

②通過輸入門確定需要更新的信息，并利用tanh模塊創建新的候選向量。但在進行負荷數據擬合時，由于該函數存在計算量大、梯度消失、收斂速度慢等問題，使得擬合精度不高。本文創新性地采用Relu函數作為激活函數，其表達式為

式中：h（xt）為 Relu分段線性激活函數；it為輸入門狀態；Wi，bi分別為輸入門權重、偏置；t，Ct分別為狀態記憶單元狀態；WC，bC分別為狀態記憶單元權重、偏置。

Relu函數使網絡具有稀疏性，能夠緩解過擬合的問題，更好地挖掘樣本特征。Relu函數的梯度在非負區間為常數，因此，梯度不會消失，模型收斂較快[15]。

③確定需要輸出的信息更新細胞狀態。通過sigmoid層與Relu層之間的配合確定輸出信息為

式中：ot為輸出門狀態；Wo，bo分別為輸出門權重、偏置；ht為最終輸出，即擬合結果。

2.2 算法流程

本文提出的電網典型時段負荷曲線擬合算法主要包括數據處理和數據擬合兩部分。算法優化及數據處理整體流程如圖3所示。

圖3 算法優化及數據處理整體流程Fig.3 Algorithm optimization and data processing

3 算例分析

為了驗證本文所提方法的準確性，選取遼寧某地區2018年電網負荷數據進行算例驗證，采集間隔為5 min，每天288個數據點，一年共105 120個數據點。截取其中國慶節、春節、勞動節等典型時段負荷數據作為輸入數據進行算例分析。

3.1 IVMD降噪有效性分析

為驗證本文所提IVMD算法在典型負荷數據降噪方面的有效性，選取該地區2018年國慶節負荷數據作為輸入數據，為充分保留典型時段負荷特征，將數據前后各延長96點，將IVMD運行結果與小波包降噪、WP-SVD降噪運行結果進行對比。

在初始負荷數據上加入噪聲，設定信噪比（SNR）為 40，如圖 4 所示。

圖4 含噪數據Fig.4 Raw data with noise

以圖4含有噪聲的典型時段負荷數據作為輸入數據進行降噪，利用求取瞬時頻率均值曲率的方法確定K值，最終確定IVMD算法輸入參數，如表1所示。

表1 IVMD算法參數Table 1 IVMD algorithm parameters

IVMD部分運行結果及3種降噪方法運行結果如圖5，6所示。

圖5 IVMD部分運行結果Fig.5 IVMD operation results

圖6 算法降噪效果對比Fig.6 Comparison of noise reductioneffect of algorithm

由圖6可知，IVMD降噪效果最好，充分保留初始負荷數據特征，小波包及WP-SVD降噪效果相對較差，且偏離初始負荷數據基本趨勢。

為更直觀體現出IVMD算法在數據降噪方面的優勢，改變噪聲強度，分別設置SNR為20，30。采用相關性系數（Correlation Coefficient）作為評價指標，結果如圖7所示。

圖7 不同信噪比下的降噪結果比較Fig.7 Comparison of noisereduction results with different signal-to-noise ratios

由圖7可知，針對具有不同信噪比的負荷數據，IVMD算法降噪效果皆優于其他兩種算法，且相關系數保持在0.96以上，充分保留負荷數據特征。其他兩種降噪算法效果相對較差，當信噪比發生變化時降噪性能不穩定。

3.2 IVMD-LSTM擬合準確性分析

根據現階段電網典型時段負荷數據波動較大且含有噪聲的特點，為提高擬合精度，本文將IVMD與LSTM相結合應用于中長期典型時段負荷數據擬合，為后續電網規劃及負荷預測提供數據支持。

為驗證本文所提IVMD-LSTM算法性能，現以遼寧某地區2018年國慶節期間負荷數據作為輸入數據，經IVMD進行降噪處理后分別采用局部補償有理分式擬合、BP神經網絡擬合方法進行擬合，將擬合結果與本文所提算法擬合結果進行對比。算法參數見表2，最終擬合結果如圖8所示。

表2 LSTM算法參數Table 2 LSTM algorithm parameters

圖8 擬合結果對比Fig.8 Comparison of fitting results

由圖8可知，3種不同擬合方法擬合結果中，局部補償有理分式擬合算法對應曲線雖然符合曲線整體變化趨勢，但是在負荷數據波動較大處誤差較大擬合結果偏離原始數據較遠，出現欠擬合現象，而在數據末端出現過擬合現象。由此可見，在中長期典型時段負荷數據擬合中常規的函數逼近方法并不能很好地體現數據特征做出精確地擬合。相比之下，BP神經網絡擬合方法對于典型時段負荷數據的適應性較好，但是在擬合部分峰值時誤差較大，丟失了部分數據特征，總體來看擬合效果優于局部補償有理分式擬合。與上述兩種擬合方法相比，本文提出的IVMDLSTM典型時段負荷曲線擬合結果不僅符合曲線整體趨勢，同時誤差極小，在負荷數據出現劇烈波動時仍然能夠實現穩定而精確的擬合。為驗證算法穩定性，選取春節、勞動節、中秋節3個典型時段負荷數據進行算例分析，結合國慶節擬合結果做誤差對比，如表3所示。

表3 誤差對比Table 3 Error comparison

將表3中4個不同節日的IVMD-LSTM、BP神經元擬合、局部補償有理分式擬合的擬合結果誤差進行對比。其中，局部補償有理分式擬合的擬合誤差最大，BP神經元擬合相對于前者有所提高，但是在典型時段擬合效果不穩定，出現欠擬合現象，導致在某些工況下擬合效果不理想。而IVMD-LSTM擬合誤差明顯小于另外兩種擬合算法，根據數據情況不同誤差減少22.09%～49.58%。證明本文所提方法更能準確擬合典型時段電網負荷曲線，反映曲線變化趨勢，且具有較強的穩定性。

本文所提算法主要應用于電網負荷典型時段的曲線擬合，進而提升風電預測精度輔助棄風消納。參考國內外最新研究成果，以文獻[16]提出的棄風消納方法驗證本文所提算法的輔助作用。棄風消納過程中所消耗的成本及棄風消納量如表4所示。

表4 棄風消納效果對比Table 4 Comparison of effects of wind abandonment

從表4中可以看出，本文提出的電網負荷典型時段曲線擬合方法與其他三種方法進行對比，風電消納總量有明顯提升，最高達到37.63%。由此可知，采用本文所提算法對初始數據處理后，能夠顯著提升數據預測精度繼而輔助棄風消納，提升風電消納量。

4 結束語

本文提出了將IVMD-LSTM算法應用于電網負荷典型時段的曲線擬合，經過算例分析得出以下結論。

①基于瞬時頻率均值量化分析的K值確定方法可準確判斷分解模態數K，有效減小了數據處理工作量，明顯減小了傳統參數優化算法的不穩定性以及人為依靠經驗判斷的主觀性。

②初始數據在經過IVMD處理后有效去除其中的壞點及噪聲，再利用LSTM算法進行擬合，典型時段負荷曲線擬合誤差減小22.09%～49.58%，有效解決了壞點及噪聲增大擬合誤差的問題。

③本文所提方法對典型時段的負荷數據擬合效果優勢明顯，且效果特別穩定，在擬合中長期典型負荷數據能夠充分保留數據特征，精確擬合峰值及低谷數據。

④本文所提算法在輔助棄風消納方面效果顯著，風電消納總量提升37.63%。