基于LSTM 的數字孿生主動電網多維態勢預測方法

馮喜春張 菁王 濤翟廣心張 章

(國網河北省電力有限公司經濟技術研究院,河北 石家莊 050021)

0 引言

數字孿生主動電網實現了信息空間與物理空間雙向互通與實時映射,并通過深度學習技術對數據特征學習以實現對多維模型數據預測,實現電網安全、高效和經濟運行。數字孿生作為一種從物理空間向信息空間建模和仿真的信息化技術,具有高保真,實時性等特點,從物理世界實時收集數據信息,并將數據信息在虛擬世界全方面仿真映射[1]。但是,數據在傳輸過程中存在時延,并不能真正的實現實時性,影響電網安全。利用人工智能的深度學習等技術,對歷史數據進行特征學習并進行線性擬合,可實現對未來一個時間周期的數據精準預測,使得數字孿生平臺更接近實時性,從而實現對電網歷史狀態的復現和未來狀態的預測[2-3]。

目前,數字孿生技術正逐步應用在電網數字化轉型、電網運行規劃、電能存儲、電網狀態分析等方面,為了解決孿生過程同步、預測等問題,現已有諸多研究。西門子公司通過開發的Mind-Sphere與數據管理協同軟件結合,開發出能為數字孿生提供服務的平臺。GE 公司使用predix數字孿生服務平臺,并為每個設備建立數字孿生體,并構建數字孿生風力發電廠,為管理人員提供實時調度策略[4]。文獻[5]通過綜合城市的人口和GDP等指標作為因變量建立多維預測模型,負荷與用電量作為因變量,以此建立多維度預測模型。文獻[6]從電網供電能力、氣象、經濟增長、居民和服務業需求及城鎮化進程等維度,分別構建負荷模型,以實現最大負荷預測。文獻[7]結合溫度、降雨量、濕度等因素建立多維度預測模型,從多角度分析,實現超短期負荷預測。文獻[8]從氣象敏感因子、穩定負荷因子、日期類型因子、隨機負荷因子方面進行建模實現負荷預測。文獻[9]根據電網日負荷狀況,將電網狀態分時段處理,建立多維度預測模型實現電網多維度預測。以上文獻主要存在兩方面問題:(1)缺乏對多維度指標的建立和對數字孿生電網的總體把控;(2)缺乏對相應多維度預測模型,未實現數字孿生電網指標預測。

因此,本文引入人工智能深度學習理論,融合電力數字孿生技術開展相關研究,利用先進的數據收集傳感器、深度學習、人工智能技術等對真實世界中物理實體數據信息收集,并在虛擬空間等進行描述和建模。從數字孿生平臺及電網多維數據預測兩方面總結技術研究現狀,提出了基于深度學習的電網數字孿生系統的總體框架以及建立多維預測指標模型,并給出了具體的實施路線。

1 數字孿生電網多維態勢預測框架與多維指標

1.1 預測框架

數字孿生電網是物理維度上的實體電網和信息維度上的虛擬電網同生共存、虛實交融的電網形態。數據收集是通過物聯數據感知并進行多維信息傳輸,是由物理世界到信息世界轉換的前提,再通過數字孿生平臺進行實時全息模擬,并進行科學決策和智能控制,對物理電網的運行實現實時預測。物理電網和數字孿生電網不斷進行迭代,持續優化,逐步形成深度學習自我優化的內循環發展模式,實現電網運行的自主管理,數字孿生多維預測框架如圖1所示。

圖1 智能電網數字孿生多維預測框架

在本框架中測量指標包括負荷特征、光伏儲能、電能質量水平、智能電網資產利用率,且這些指標具有實際性、合理性、高效性與實時性,是實現對主動電網綜合評價指標的基礎。在物理實體電網采用智能化感知監測系統和數據采集裝置精確感知、實時采集設備運行數據、電網運行數據以及管理數據等物理實體電網的狀態信息,并通過數字孿生紐帶向數字孿生體傳輸數據。在孿生電網形成以多維數據資源體系、深度學習模塊、決策接口構成的電網大腦。多維數據資源體系是構建數字孿生電網的基礎,通過搭建數據中臺,實現數據采集、匯集和統一管理、使用[10]。

1.2 典型應用多維預測指標

本文基于孿生電網主要要素,從負荷特征Pu、光伏儲能Pv、電能質量水平Pf、智能電網資產利用率Pa等角度對數字孿生電網態勢進行感知與預測,并建立面向數字孿生電網的智能態勢感知綜合評估指標。所以綜合感知模型如下

1.2.1 負荷特征

負荷代表電網總體運行的主要狀態,負荷特征Pu是反映用戶用電狀態的重要參數,合理地選取負荷特征是進行負荷辨識的首要步驟。通常,負荷特征可分為用電設備功率、對應用電設備的負荷功率,對應用電設備的使用時間,這些特征最終為準確的負荷值提供數據保障。有功功率P和無功功率Q,在數學上是針對一個周期內的采樣得到的電壓、電流實時數據進行統計的,其定義如下

式中:T為一個波形周期內的采樣數;V(t)為電路在t時刻的電壓;I(t)為對應t時刻的電流。

1.2.2 光伏儲能

新型電力系統需要海量新能源接入,本文以光伏電源接入為例進行綜合感知。光伏電源的儲能功率主要由光照強度、實際環境溫度和標準測試條件下的輸出功率決定。

式中:Pstr、Gstr分別為標準狀態下光伏電源最大的輸出功率和光照強度;Gact、Tact分別為實際光照的強度和溫度;Tref、k分別為溫度參考值和功率溫度系數。

1.2.3 電能質量水平

電能質量為保證智能電網穩定趨優運行的一個重要指標,智能電網多維態勢感知系統需要實時監測、反饋電網電能質量,并實時反饋主動電網中隱藏的危害因素。電能質量檢測水平用潮流越限率代替,其中潮流越限率表示在主動電網中某一區域范圍和某一時間范圍內的節點潮流越限程度,其計算公式為

式中:N1為該區域內電網支路數;Si,max為在支路i額定狀態下潮流上限;Si(t)為支路i在t時刻態下潮流大小。

1.2.4 智能電網資產利用率

數字孿生電網急需反應電網運營狀態,智能電網資產利用率是反映電力市場和電網調度效果的一個指標,并反映電網狀態,是實現優化調度與電力市場的關鍵特征,間接反映多維電網態勢理解、預測的實現效果,并完成電網評估和預測,推動數字孿生電網的預測和再現功能。智能電網資產利用率表示某一區域內運行收益與總電力消耗成本的比值,即

式中:ESj和IMj分別為第j小時時間段的售電收益和環境收益;SPn為電力設備n的消耗成本;ADn為電力設備n的老化系數;TW為所選取的時間范圍。

2 基于LSTM 的數字孿生電網多維態勢預測方法

數字孿生體系不僅僅形成現實物理域中物理實體對象的鏡像,更重要的是與物理實體對象實現雙向數據傳輸,一方面要接受現實物理域的實時信息,另一方面要反過來驅動現實物理域,實現物理實體對象掌控。LSTM 算法通過對歷史數據的特征進行學習,可以實現對未來電網預測。數字孿生平臺收集數據與預測數據實現主動電網狀態的把控。因此,通過對負荷特征、光伏儲能、電能質量水平、智能電網資產利用率指標的數據進行收集,使用LSTM 算法學習收集到數據的特征,根據數據特征進行下一時間段的預測。

2.1 預測模型

數字孿生平臺可實現對未來電網狀態的預測,其通過基于LSTM 算法來實現預測。LSTM利用前一周期數據可以實現下一周期數據預測等。在孿生電網模型中,將前一個周期綜合評估指標Psum作為xt輸入并作為LSTM 的訓練數據,通過LSTM 可以實現對綜合評估指標下一個周期的預測判斷。LSTM 通過遺忘門、輸入門及輸出門來保護和控制信息的輸入與輸出,其模型如圖2所示。遺忘門決定了從狀態中是否丟棄掉某個信息,遺忘門讀取ht-1和xt,反饋一個0～1的數值給Ct-1,其中0表示全部舍棄,1表示全部保留。輸入門決定了當前狀態中是否更新某些信息,最后通過輸出門來決定是否需要輸出某些信息[11-14]。

圖2 LSTM 模型

首先,LSTM 基礎單元利用遺忘門處理前一個神經元狀態的信息,并會輸出一個0～1的數值。

在輸入門中,其作用是記憶和輸出隱藏層狀態,更新規則如式(11)-(12)。

模型經過訓練,最終輸出[h1,h2,h3,…,hn],即為多維度數據預測結果[11]。為了實現模型記憶更新,采用的是上一時刻的細胞狀態與遺忘門相乘,然后當前時刻信息與輸入門相乘,具體規則如式(13)。

2.2 基于LSTM 電網多維度指標預測方法

首先,將負荷特征、光伏儲能、電能質量水平、智能電網資產利用率等多維全景信息通過數據鏈輸入到數據庫管理模塊,構建智慧微電網的虛擬數字鏡像,接著基于LSTM 算法進行多維度數據預測;然后將數據分割成訓練集與測試集,并學習到各個時間段各種指標的特征;最后進行交叉驗證,使得訓練得到的深度學習模型具有魯棒性。

模型基于2層的LSTM 神經網絡來處理輸入電網收集的數據,然后在輸出層中加入Dropout層、全連接層來處理Softmax函數。基于LSTM的預測模型結構如圖3所示。

圖3 基于LSTM 的預測模型結構

基于LSTM 的數字孿生電網多維度預測模型使訓練誤差盡可能小,同時追求在新樣本上泛化能力強,模型使用的LSTM 正則化方法為Dropout,通過隨機置零神經元實現算法的優化。

3 算例分析

為驗證本方法的可行性和有效性,采用某個省級的電網大數據平臺12月份的實時數據,共布置了1 000套遠程監測設備。每個設備按1次/min的頻率采集數據并計算,每天產生數據約50萬條,每條數據包括負荷特征、光伏儲能、電能質量水平、智能電網資產利用率。實驗過程中,將每條數據按照監測點位置處理好后的1 s向系統發送1條,然后將60條數據同時輸入基于流式計算的電力無線數據處理框架中。

為了驗證模型對電網運行態勢判別的準確性,選取準確率滿足要求的2種深度學習算法[深度置信網絡(DBN)和循環神經網絡(RNN)]與本模型進行對比,以搜集到的數據測試樣本對3種模型進行測試,最終獲取測試結果的正確率、召回率,如表1所示。

表1 3種算法準確率、召回率 %

此外,由于不同算法對數據的特征提取不一致,因此在算法訓練初期或者數據樣本極少的情況下,對算法進行判別更顯重要,所以本文設計了基于不同特征量下的準確率、召回率、負荷預測、功率預測對比,結果如圖4—7所示。

圖4 檢測準確率對比

由圖4可知,基于LSTM 分類算法判斷準確率可以達到95%以上,在訓練樣本達到80%時,分類準確率達到了98.84%。因此,可以認為充足的訓練樣本有助于提高檢測準確率。通過圖5可以分析得到,LSTM 的召回率大于DBN 和RNN算法,算法更加穩定。由圖6可知,LSTM 的負荷預測值比DBN、RNN 負荷預測值更接近真實值,LSTM 模型在波峰和波谷中更為接近真實值,DBN 和RNN 模型負荷預測值都明顯大于真實值。由圖7可知,在設備儲能階段,LSTM 模型的波峰更加接近原始數據,DBN、RNN 模型其預測值稍高于LSTM。

圖5 檢測召回率對比

圖6 負荷預測對比

圖7 功率預測對比

4 結束語

本文結合數字孿生電網多維態勢預測框架,分析典型應用多維預測指標,提出基于LSTM 的數字孿生電網多維態勢預測方法,通過算例檢驗所提方法檢測準確度在95%以上。利用現存的數據,通過數據模擬與數據挖掘的深度學習算法等相關技術,實現對未來態勢數據的預測,賦予電力領域智能化,實現數字孿生與電網真實空間協同與優化反饋。通過數字孿生技術在實際中可實現的典型應用,構建實時完整預測模型,并將預測模型反饋給的數字孿生體,基于深度學習的算法進行多維度預測,從而為實現主動配電網提供前提保障。下一步,將改進預測模型,實現對單個指標數據的精準預測,為數字孿生電網提供更有力的信息支撐。