基于深度學習的能源系統(tǒng)需求響應短期負荷預測

黃遠明，黃志生，周睿，向德軍

（廣東電力交易中心，廣東廣州 510000）

可再生能源以其自身的安全可靠、利用率高以及環(huán)境友好等特點，有效促進了能源的消納和利用[1-3]。能源系統(tǒng)電力預測可實現(xiàn)能源的有效規(guī)劃，同時也是保障能源系統(tǒng)可靠運行的基礎[4]。需求響應（Demand Response，DR）是指在有效確保能源系統(tǒng)平穩(wěn)可靠運行的基礎上，通過提升能源系統(tǒng)收益，使用戶在電價調整信號的作用下，改變原有用電習慣的短期行為。通過需求響應技術，可以在一定程度上提高負荷側相關數(shù)據(jù)的挖掘效率，在一定程度上延緩電力需求的緊張狀況[5]。

由于能源系統(tǒng)短期負荷預測過程中存在復雜度高、不確定性強的特點，因此，準確的能源系統(tǒng)負荷分析和高精準預測模型的建立是能源系統(tǒng)負荷預測的關鍵之處[6]。傳統(tǒng)的短期負荷預測方法雖然可以測得負荷變化，但是難以精準地描述負荷變化情況，而深度學習為一種全新的機器學習算法[7]，具備優(yōu)秀的數(shù)據(jù)處理能力。為此，文中提出一種棧式自編碼神經(jīng)網(wǎng)絡（SAE-NN），在充分考慮能源系統(tǒng)需求響應的基礎上，實現(xiàn)能源系統(tǒng)短期負荷預測。

1 能源系統(tǒng)需求響應短期負荷預測

1.1 SAE-NN深度學習模型的構建

由于在短期電力負荷預測過程中需要分析的環(huán)境數(shù)據(jù)和其他外部因素比較復雜，尤其是天氣因素、日期和時間類型等，容易影響預測結果的準確性[8]。而深度學習算法是一種能夠模擬出人腦神經(jīng)結構的機器學習方法，突破了傳統(tǒng)神經(jīng)網(wǎng)絡對分層節(jié)點數(shù)目的限制[9]。因此，可以較好地解決復雜因素影響下，短期電力負荷預測準確性的問題，為此構建棧式自編碼神經(jīng)網(wǎng)絡（SAE-NN）深度學習模型。

棧式自編碼器（SAE）和邏輯回歸（LR）模型共同組成了棧式自編碼神經(jīng)網(wǎng)絡（SAE-NN）深度學習模型[10]。SAE 模型處于SAE-NN 底層，由若干稀疏自編碼器羅列而成，為去除解碼層[11]。將當前自編碼隱藏層l的輸出h(l)視為下一自編碼隱藏層l+1 的輸入x(l+1)，表達式為：

式（1）中，n表示底層SAE 模型中自編碼器的數(shù)量。

能源系統(tǒng)的負荷不僅受到自身特性、氣象類型、溫度以及日型等因素影響，還受到用戶需求響應負荷調整變化的影響[12]，所以在SAE-NN 模型中輸入相關負荷資料、氣象類型、溫度、日型外，還需增加參與需求響應的負荷調整數(shù)據(jù)，以便提升能源系統(tǒng)短期負荷預測精度。

為了在能源系統(tǒng)中實現(xiàn)短期負荷預測目標，需要將LR 模型與底層SAE 模型相結合進行負荷預測，組成SAE-LR 模型，選擇sigmoi 非線性神經(jīng)元作為該模型的輸出節(jié)點[13]。利用SAE 對輸入樣本x(l)展開多次變換后，獲取包含重要預測目標信息的輸入樣本的n階特征h(n)，并將其作為LR 模型的輸入進行能源系統(tǒng)短期負荷預測。利用SAE 模型得到的不同層階的特征作為預測器的初始輸入，有效提升了網(wǎng)絡泛化能力，并采用無監(jiān)督方法訓練SAE-NN模型，獲取最優(yōu)SAE-NN 預測模型。

1.2 負荷預測的實現(xiàn)

多數(shù)現(xiàn)有電力負荷預測方法納入計算的因素較為單一，導致負荷預測結果不準確，不利于制定發(fā)電計劃及電力發(fā)展規(guī)劃。文中研究的電力負荷預測方法考慮了能源系統(tǒng)的需求響應負荷，并對其數(shù)據(jù)進行調整，以此提高預測結果的精度。

調整需求響應負荷的內(nèi)容有：中斷負荷和可轉移負荷。在能源系統(tǒng)需求響應發(fā)布之后，系統(tǒng)中的用戶就會根據(jù)發(fā)布的需求調整當前的用電負荷，并根據(jù)真實情況進行負荷轉移或者中斷操作[14-15]。在整個能源系統(tǒng)需求響應過程中，用戶主要基于電價和舒適度兩個角度調整負荷響應系統(tǒng)需求。分時電價需求響應和應急需求響應是能源系統(tǒng)需求響應的兩種主要方式，其中應急需求響應執(zhí)行后，主動降低負荷的用戶會得到一定的獎勵[16]。電價和舒適度分別從用戶經(jīng)濟效益和用戶舒適度體驗兩個角度影響著用戶的需求響應程度[17]。

1）可中斷負荷收益模型

式（2）中，β0(i)和β(i)分別表示初始需求量和經(jīng)濟獎勵后的需求量。采取應急需求響應后的總經(jīng)濟獎勵為：

式（3）中A(i)表示時間段i的經(jīng)濟獎勵，則時間段i時用戶收益S的表達式為：

式（4）中，Bi用于描述經(jīng)濟獎勵補償前，處于時間段i內(nèi)的用戶供給量；k(i)表示補償后的電價。

求解式（4）的偏導數(shù)[18]，使得，那么此時用戶收益達到最大值：

則用戶收益函數(shù)計算表達式：

式（7）中，B0(i)、K0(i)分別表示初始收益、初始電價，E(i)表示價格彈性。

綜合式（5）、（6）可獲取用戶用電需求：

那么，用戶需求響應函數(shù)表達式為：

式（10）中，若k(i)的值為0，表示該時間段無經(jīng)濟獎勵，此時的電價未產(chǎn)生變化，不存在價格彈性[19]。

2）可轉移負荷收益模型

設定時間段i、j重疊部分的價格彈性表達式為：

若時間段i和時間段j為同一時間段，即i=j，那么E0(i,j)≤0；若時間段i、時間段j為不處于同一時間段，即i≠j，那么E0(i,j)≥0。

假設應急需求響應方式下，時間段j的經(jīng)濟獎勵用ω(j)描述，那么將其引入電價中可獲?。?/p>

當能源系統(tǒng)負荷處于用電高峰階段時，A(j)為正數(shù)，當能源系統(tǒng)負荷處于非高峰階段時，A(j)為0。

綜上，計及電價和經(jīng)濟獎勵的可轉移負荷模型中用戶需求響應函數(shù)表達式為：

遵循可中斷負荷模型以及可轉移負荷模型的需求響應函數(shù)，式（15）為能夠中斷的負荷、能夠轉移的負荷合并預測的模型，表達式為：

3）舒適度判斷

基于電價角度分析用戶收益，實現(xiàn)負荷調整是負荷調整的一個方面，舒適度角度是負荷調整的另一個方面。溫度變化和功率變化是用戶舒適度的兩個重要指標[20-21]。設定由溫度變化引起的舒適度用φw表示為：

式（16）中，γin(t)、γin,min(t)、γin,max(t)分別表示實際溫度、最小溫度、最大溫度；(γin,min(t)+γin,max(t))/2 表示預計溫度、T為預計時間周期。

伴隨功率的變化用戶的舒適度也會發(fā)生變化，用φp來表示發(fā)生變化的舒適度，其表達式為：

采用幾何加權方式結合溫度和功率的舒適度評判公式[22]，獲取用戶舒適度評判方程μcomfort為：

式（18）中，η1表示溫度變化對用戶舒適體驗影響的權重系數(shù)，η2表示功率變化對用戶舒適體驗影響的權重系數(shù)[23]。

綜上可知，基于需求響應某時間段的用戶負荷調整的判斷條件為：

式（19）中，B(t)、maxB(t)分別表示用戶預期收益、預期收益最大值；μcomfort、maxμcomfort分別表示用戶舒適度、舒適度最大值；BE(t)表示某時間段的預期收益，μE表示某時間段的預期用戶體驗舒適度。如果用戶收益和舒適度都滿足了預期，那么負荷就會得到調整。如果用戶收益和舒適度都不滿足預期，就不需要調整。

若使用者的真實收益與預計收益接近，則將一部分能夠調整的負荷轉移到其他時段。若使用者的真實體驗舒適度略高，就利用部分調整負荷的方式，中斷可調節(jié)的負荷。如果使用者的收益和舒適度均未滿足預期，則無需進行負荷調整；如果真實舒適度略高，但預期收益略低時，就利用部分調整負荷的方法，中斷可調節(jié)的負荷。

因此，預期收益和舒適度為需求響應過程中影響負荷變化的重要因素。能源系統(tǒng)短期負荷預測中，應重點考慮這兩個因素，以提升短期負荷的預測精度。

為了有效地獲取能源系統(tǒng)負荷的內(nèi)在變化特征、外在變化特征與負荷變化之間的內(nèi)在聯(lián)系，利用SAE-NN 模型進行負荷預測[24]，預測流程為：

1）修改、補充得到能源系統(tǒng)的非正常數(shù)據(jù)和丟失數(shù)據(jù)，并采用式（20）按照[0,1]標準進行歸一化處理后，對樣本數(shù)據(jù)實施重構以便獲取符合SAE-NN預測模型的輸入、輸出要求。

式（20）中，αˉ為歸一化后的數(shù)值，α為歸一化前的樣本數(shù)據(jù)；αmax為歸一化前數(shù)據(jù)中的最大值，αmin為歸一化前數(shù)據(jù)中的最小值。

2）將訓練樣本輸入SAE-NN 模型中進行訓練，獲取重構后的負荷、氣象、溫度、日型、需求響應等數(shù)據(jù)，微調參數(shù)后獲取最優(yōu)預測模型。

3）在最優(yōu)SAE-NN 中輸入測試樣本，預測能源系統(tǒng)短期負荷，并利用預測結果對模型性能實施評價。

2 仿真實驗與分析

選取某市某紡織工業(yè)園區(qū)2019 年6 月1 日至2019 年7 月31 日的實際運行數(shù)據(jù)為樣本驗證所提方法的預測性能，信息采樣頻率為10 min。將6 月1 日至7 月21 的數(shù)據(jù)作為訓練樣本，剩余數(shù)據(jù)作為測試樣本，采樣點缺失樣本不參與計算。實驗在Matlab 2015a 平臺進行，運行系統(tǒng)為Windows2010，Intel core i5 9400 CPU，8 GB 運行內(nèi)存。

基于上述數(shù)據(jù)與實驗環(huán)境，為驗證所提方法對短期負荷預測的精度，對比充分考慮用戶預期收益和用戶舒適度需求響應的短期負荷預測結果，和未考慮該方面的預測結果，經(jīng)過100 min 的測試，并以實際負荷作為參考，越接近實際負荷值說明預測精度越精準。實驗對比結果如圖1 所示。

圖1 未考慮需求響應、考慮需求響應的預測值與實際負荷對比

由圖1 數(shù)據(jù)可知，相較于未考慮需求響應的模型預測值，考慮基于用戶預期收益和用戶舒適度需求響應后的模型預測結果與實際負荷結果更加接近，說明在模型中計及需求響應可顯著提升模型的預測精準度。原因在于文中方法在預測模型中不但加入了能源系統(tǒng)負荷的內(nèi)在變化特性及氣象特征、溫度、日型等外在影響因素，還充分考慮了需求響應下的負荷調整，因此，文中方法的預測精度較高，可得到與實際負荷值基本一致的負荷預測值。

為進一步驗證所提方法的預測性能，選擇基于支持向量機（SVR）模型的短期負荷預測方法以及基于GRU-NN 模型的短期負荷預測方法為對比方法，選擇相對誤差（RE）、平均絕對誤差（MAPE）、均方根誤差（RMSE）以及希爾不等系數(shù)（TIC）4 個指標為預測結果評估指標，對研究區(qū)域的短期負荷進行預測。各個指標評估結果如表1 所示。

表1 各指標評估結果

分析表1 數(shù)據(jù)可知，文中方法的負荷預測相對誤差（RE）最大值為3.24%，相比另外兩種對比方法的負荷預測最大相對誤差分別小3.79%、3.75%；所提方法的負荷預測相對誤差（RE）最小值僅為0.61%，遠遠小于對比方法的負荷預測相對誤差最小值。表明文中方法的短期負荷預測誤差波動范圍較小，負荷預測結果精確度高。平均絕對誤差（MAPE）可有效衡量預測結果的整體預測精度，從表1 可知，文中方法的預測MAPE 僅為1.88%，顯著低于另外兩種對比方法，結果表明所提方法的短期負荷預測誤差低，短期負荷預測效果較好。文中方法負荷預測均方根誤差（RMSE）為0.523，顯著低于另外兩種對比方法，結果表明所提方法的非線性擬合能力強，獲取的短期負荷預測結果與實際負荷值間的偏差較小，預測精度較高。希爾不等系數(shù)（TIC）可有效體現(xiàn)估計值與真實測量值的差別，TIC 的值越小兩者之間的差異越小。如表1 所示，另外兩種對比方法的TIC值均為0.023，所提方法的TIC 值僅為0.009，所提方法的差異數(shù)值小于對比的兩種方法。

綜上可知，文中方法具備較高的短期負荷預測精度。原因在于所提方法利用SAE 逐層學習提取深層特征，利用LR 模型預測能源系統(tǒng)短期負荷，進而提升了短期負荷預測的精度。

3 結論

文中研究有效利用基于深度學習算法的優(yōu)秀信息表達能力，采用由底層棧式自編碼器（SAE）和頂層邏輯回歸（LR）模型組成的棧式自編碼神經(jīng)網(wǎng)絡（SAE-NN）模型預測能源系統(tǒng)短期負荷。為提升預測精度充分考慮需求響應對能源系統(tǒng)的負荷調整，將需求響應與氣象類型、溫度以及日型等因素共同作為預測模型輸入。仿真分析驗證了文中方法具備較高預測精度和預測可行性。