雙碳背景下計及新能源大規模接入的電量趨勢預測與分析

賀春光，韓 光，趙 陽，宋 楠

（1.國網河北省電力有限公司經濟技術研究院，河北 石家莊 050000；2.國網河北省電力有限公司，河北石家莊 050000）

0 引言

近年來，隨著我國經濟社會的快速發展，能源消費也呈現大幅上升的趨勢。為了加快推進能源的綠色低碳轉型，積極參與全球氣候治理，我國在2020年第75屆聯合國大會上正式提出了“碳達峰”和“碳中和”的碳減排兩階段目標[1]。2020年，我國全社會碳排放約106億t，其中電力行業排放約占44%，因此，實現雙碳目標，電力行業是尤其重要的一環。在雙碳背景下，傳統的電力系統將迎來全面的轉型升級，新型電力系統在滿足經濟社會發展需求的前提下，承載了實現“碳達峰”、“碳中和”以及最大化消納新能源的任務。以智能電網為樞紐平臺，以“源-網-荷-儲”互動與多能互補為支撐，是具有清潔低碳、安全可控、靈活高效、智能友好、開放互動基本特征的電力系統[2]。在新型電力系統的發電側，風電、光伏等清潔能源發電的大規模接入，將增加電網調峰、調頻的壓力。新能源發電所具有的波動性、間歇性和不可預測性，也給電力系統的電量預測帶來一定的困難[3]，[4]。電力供應與需求之間處于動態平衡過程，當供大于求時，會造成電力過剩，從而導致棄風、棄光現象嚴重。因此，在各個不同區域，根據電網對風電、光伏的接納能力選擇新能源的并網方案，離不開準確的電量預測。對電量的準確預測可以為電網的規劃建設、優化調度以及負荷的最優分配提供可靠的依據[5]。

隨著新型電力系統消費終端電氣化水平的不斷提高和新能源電源的不斷接入，地區的電量呈現多因素化、不確定性增加和變化復雜等特點。這對地區電量的精準預測提出了挑戰。目前，國內外專家學者對電量預測進行了大量的研究，預測方法主要分為傳統預測和人工智能預測兩大類。傳統預測方法包括統計法、時間序列法、回歸分析法等[6]～[9]；人工智能預測方法有樹集成算法、支持向量機和神經網絡算法等[10]～[13]。

文獻[6]對地區的月用電量與經濟因素進行了研究分析，采用隨機森林算法對經濟因素和用電量進行針對性建模預測，模型的預測精度有所提升。文獻[8]考慮了多種因素對電量的影響，提出了基于K-L信息法和ARIMA誤差修正的月度電量預測方法。文獻[12]提出了一種灰色系統理論與BP神經網絡相結合的地區用電量預測方法。采用灰色關聯度分析法篩選出對用電量影響較大的因素，建立了BP神經網絡模型，實現地區用電量的預測。文獻[13]提出了一種時間卷積網絡與圖注意力網絡相結合的分行業日售電量預測方法，搭建了高維度變量分行業日售電預測模型。

目前，針對大規模新能源接入的電量趨勢預測研究較少。較多文獻注重于傳統電力系統的電量預測，未考慮新能源并網對電量的影響，且影響因素考慮較少，預測精度有待進一步提高。在新的電網背景下，本文面向新型電力系統，綜合考慮了大規模新能源接入、外部環境和節假日對地區電量的影響，通過定性和定量分析，探索了影響因素與地區電量之間的相關性。本文建立的Informer電量趨勢預測模型，采用了粒子群算法對模型的超參數進行尋優，得到最佳電量趨勢預測模型。通過算例分析，驗證了所提出模型的有效性和穩定性。

1 地區用電量的影響因素分析

在新型電力系統中，新能源電源不斷接入到電網中，對地區的用電量趨勢產生不同程度的影響。另外，溫度、濕度、風速、天氣類型等環境因素對地區的用電量也會產生一定的影響。綜合考慮各類因素對地區用電量趨勢的影響，可以進一步提升地區電量趨勢的預測精度。

1.1 定性分析

（1）新能源接入對用電量的影響

由于風電、光伏受天氣因素的影響較大，其出力具有不確定性的特點。根據電網的供需動態平衡關系，地區的電量等于傳統電源出力和新能源出力之和[14]。傳統電源具有較為平穩的出力特性，但風電、光伏等新能源出力具有較強的波動性，因此地區的電量也會出現較強的波動性、隨機性和不可預測性。不同規模的新能源接入電網，將產生不同程度的沖擊和波動，新能源接入規模越大，沖擊性和波動性越強。為了準確把握當地電力系統的未來電量變化趨勢，須考慮不同規模新能源接入對地區電量產生的影響。本文采用滲透比指標來衡量新能源接入對電量的影響。圖1為3種不同風電滲透率下的地區日電量曲線。由圖1可見，隨著新能源滲透率的提升，地區日電量曲線波動性增加。

圖1 不同新能源發電滲透率下的地區日電量曲線Fig.1 Regional daily electricity consumption curve under different permeability of new energy generation

（2）外部環境因素對用電量的影響

環境溫度、濕度、風速、天氣類型等外部環境因素對地區用電量也有影響。環境溫度的升高將會使電量增加。環境濕度與溫度之間呈現負相關關系，因此環境濕度的變化也會導致地區電量的變化。風速的大小直接影響風電的出力，從而對地區電量產生間接性的影響。天氣類型有晴天、陰天和雨雪天氣等。不同的天氣類型會引起地區電量的變化。因此，外部環境因素與地區電量之間存在一定的相關性。圖2給出了我國西部某地區2020年日電量與日平均溫度的關系。

圖2 我國西部某地2020年日電量與日平均溫度曲線Fig.2 The curve of daily electricity consumption and daily average temperature in a certain area of western China in 2020

（3）節假日對用電量的影響

由于人們在節假日的用電行為發生了改變，因此在節假日期間的地區用電量會發生較大的變化。

1.2 定量分析

采用灰色關聯度分析方法對各影響因素變量進行定量分析[15]。通過計算各因素與目標變量之間的關聯程度來判斷目標變量受因子的影響程度。如果一個因素與目標變量變化的趨勢具有一致性，則說明同步變化程度較高，即二者關聯程度較高；反之，則二者關聯程度較低。因此，灰色關聯分析方法是根據因素之間發展趨勢的相似或相異程度，亦即“灰色關聯度”，作為衡量影響因素間關聯程度的一種方法。

本文以上海市全社會月度電量作為特征因子，首先對初始值進行量綱化處理；然后求出特征因子x0（t）與影響因子xi（t）的差序列Δi（t），進而計算兩級最小差值e和最大差值E；再計算關聯系數；最后計算關聯度。計算公式如下。

通過計算影響因子與地區電量間的灰色關聯度，來篩選出對地區電量影響較大的關鍵因素。表1給出了接入電網風電規模、外部環境、節假日等影響因子與地區電量的關聯度。關聯度越大，影響因素對地區電量的影響程度越大，反之，影響程度越小。表1中除了濕度因素以外，其他各類因素與地區電量的關聯度都在0.5以上，對地區電量變化有著較明顯的影響。因此，將歷史電量數據、新能源歷史出力數據、溫度、風速、天氣類型以及節假日特征作為決策變量，輸入到預測模型中。為了研究新能源出力特性對地區電量造成的影響，引入滲透率指標，將不同滲透率下的新能源出力與電網電量進行關聯度計算。從表1可見，滲透率越高，關聯度越大，由此說明滲透率越高，對電量變化趨勢的影響越大。因此，可將不同新能源滲透率當作不同的場景，對電網電量預測展開研究。

表1 影響因素與電量關聯度定量分析Table 1 Quantitative analysis of correlation degree between influencing factors and electricity consumption

2 算法模型

2.1 Informer算法原理

Informer模型的提出為長時間序列預測（Long Sequence Time-series Forecasting，LSTF）問題提供了新的解決方案，能夠準確地捕捉輸出與輸入之間的長期依賴關系[16]。Informer模型是在Transformer模型的基礎上提出的一種LSTF模型。與Transformer模型相比，Informer模型具有三大顯著的特征：①提出了概率稀疏自注意力機制，在時間復雜度和計算復雜度方面得到了有效的提升；②使用自注意蒸餾技術縮短了每一層的輸入序列長度，降低了J個推疊層的內存使用量；③提出了生成式的解碼方式，只需一個前向步驟就可以獲得長序列輸出，避免了預測階段的累計誤差傳播。Informer模型保存了Encoder-Decoder的架構，其整體框架如圖3所示。

圖3 Informer整體框架圖Fig.3 Informer framework

（1）Informer模型的輸入輸出

Informer處理長時間序列過程即稀疏自適應機制算法流程如下。

電量數據、新能源出力數據及氣象等因素具有時間序列屬性，可以根據歷史數據進行預測函數擬合，通過歷史觀測值預測未來時刻的電量值。對于具有離散特性的節假日因素，可經過獨熱編碼處理變成連續變量。

t時刻的Informer模型輸入為Xt={x1t，x2t，…，xLxt|xit∈Rdx}，包括電量歷史數據、新能源歷史出力數據、氣象特征和節假日特征。模型輸出為需要預測的序列Yt={y1t，y2t， …，yLxt|yit∈Rdy}， 對于LSTF問題，要求更長的輸出序列長度Ly。

（2）稀疏自注意力機制

常規自注意力機制接受3個輸入query，key和value，然后使用縮放點積進行計算，即：

式中：Q∈RLQ×d，K∈RLK×d，V∈RLV×d，Q，K，V分別為輸入特征變量經過變換后的矩陣，且具有相同大小；T表示矩陣轉置；d為輸入的維度；softmax是一種激活函數，它可以將一個數值向量歸一化為一個概率分布向量，且各個概率之和為1。

第i個query的注意力被定義為一個概率形式的核平滑方法，即：

自注意機制通過計算p（kj|qi）來將所有的value進行加權求和，這個過程須使用O（LQ，LK）的時間復雜度和內存，這是解決LSTF問題的主要原因。

研究發現，自注意力機制具有潛在的稀疏性，其權重構成了一個長尾分布，部分權重的貢獻被忽略。為了度量query的稀疏性，引入了KL散度。

加入一個采樣因子c，設定u=clnLQ，使得稀疏自注意力算法僅須為每個query-key lookup計算o（lnLQ）點積，則層layer的內存使用量為O（LKlnLQ）。整體的時間復雜度為O（L，lnL）。

（3）Encoder-Decoder結構

①編碼器Encoder

編碼器的目標是在內存占用限制內，允許編碼器處理更長的序列輸入。編碼器主要功能是捕獲長序列輸入之間的長范圍依賴，將輸入送至多頭稀疏自注意力模塊。這里采用的是自注意力蒸餾操作，可以減少網絡參數，并且隨著堆疊層數增加，不斷“蒸餾”突出特征。“蒸餾”操作主要為使用一維卷積和最大池化，將上一層的輸出送至下一層的多頭注意力模塊之前，做維度修剪和降低內存占用。蒸餾第j層到第（j+1）層的操作如下式：

式中：[·]AB為多頭稀疏注意力機制以及其他必要的操作；Conv1d為在時間維度上執行一維卷積；σ為激活函數，這里采用ELU激活函數；MaxPool為最大池化。

②解碼器Decoder

解碼器的目標是進行一次前向計算，預測長序列輸出。該編碼器采用了類似的標準解碼器結構，由兩個相同的多頭注意力層組成。該編碼器與標準解碼器的區別是，Informer解碼器舍棄了動態解碼過程而采用了生成式預測，直接地一步輸出多步預測結果。該編碼器輸入格式為

式中：Xttoken為開始字符；X0為占位符；Concat表示將Xtoken和X0合并連接。

最后連接一個全連接層，再到輸出層，實現多步預測結果。

2.2 粒子群優化算法

粒子群優化算法（Particle Swarm Optimization，PSO）是一種進化計算技術，其基本思想源于對鳥群捕食行為的研究[17]。粒子群優化算法利用群體中個體信息的共享，使整個群體的運動在問題求解空間中產生從無序到有序的演化過程，從而獲得問題的可行解。首先給空間中的所有粒子分配初始隨機位置和初始隨機速度；隨后根據每個粒子的速度、問題空間中已知的最優全局位置和已知的最優位置，依次迭代更新每個粒子的位置；最后通過終止條件獲得粒子群的最優解。

假設在D維的目標搜索空間中，有m個粒子組成一個群體，其中第i個粒子（i=1，2，…，m）位置表示為Xi=（xi1，xi2，…，xiD）。每個粒子的位置是一個潛在解。通過計算粒子的適應度值來衡量粒子的優劣。粒子個體經歷的最好位置記為Pi=（Pi1，Pi2，…，PiD），整個群體所有粒子經歷過的最好位置Pg=（Pg1，Pg2，…，PgD），以νi=（νi1，νi2，…，νiD）表示第i個粒子的當前速度。粒子群優化算法采用公式（9），（10）對粒子所在位置不斷更新：

式中：ω為非負數，稱為慣性因子；加速常數c1和c2為非負常數；r1和r2為[0，1]內變換的隨機數；α為約束因子，目的是控制速度的權重。

當迭代搜索達到最大迭代次數，或到目前為止搜索粒子群的最優位置滿足目標函數的最小允許誤差時，停止迭代更新，輸出粒子群的最優解。

2.3 基于PSO優化的Informer電量趨勢預測方法

基于PSO-Informer模型對地區電量趨勢進行精準預測。首先通過灰色關聯度分析篩選出對地區電量影響較大的因素，將新能源歷史出力數據、環境溫度、風速、天氣類型以及節假日特征作為模型的輸入特征集；再對異常值、缺失值、歸一化等數據進行預處理。將預處理后的數據集按照8∶2的比例劃分為訓練集和測試集。訓練集用于訓練Informer電量預測模型，并通過PSO進行超參數尋優，找到Informer電量預測模型性能最佳的超參數組合。最后使用最優PSO-Informer模型進行電量預測，輸出地區電量的預測值。測試集用于評估Informer電量預測模型的效果。基于PSO優化的Informer模型地區電量趨勢預測流程圖如圖4所示。

圖4 基于PSO優化的Informer模型地區電量趨勢預測流程圖Fig.4 Flow chart of regional electric quantity trend prediction based on Informer model optimized by PSO

粒子群算法優化的Informer電量預測算法的具體步驟如下。

步驟1：樣本數據預處理。

由于電量預測模型的輸入為多維數據，變量之間存在一定的量綱差異，因此在對模型進行訓練及尋優之前首先對輸入數據進行預處理。通過最大最小值歸一化，消除各維度數據之間的量綱。如公式（11）所示，將輸入數據轉換為[0，1]之間的數。

式中：x為全體樣本數據；xmax，xmin分別為樣本數據的最大值和最小值。

步驟2：確定Informer的超參數及其搜索范圍。

根據Informer的算法原理，確定影響Informer模型的主要超參數，將其作為粒子群優化的搜索空間，并確定超參數的搜索范圍。

步驟3：確定粒子群算法的參數搜索空間。

將粒子群中粒子的位置、速度與Informer的超參數相對應，學習因子c1和c2取值為[1，3]。

步驟4：粒子位置與速度初始化。

初始化所有粒子的速度、位置，并將個體的歷史最優pbest設為當前位置，群體中最優的個體作為當前的gbest。

步驟5：計算粒子的適應度，獲取個體的全局極值與個體極值。

本文采用均方誤差作為適應度函數，在每一代的進化中，計算各個粒子的適應度函數值。通過對比各個粒子的適應度值獲得個體的全局極值gbest和個體極值pbest。若該粒子當前的適應度函數值好于其歷史最優值，那么歷史最優將會被當前位置所替代；若該粒子的歷史最優好于全局最優，則全局最優將會被該粒子的歷史最優所替代。

步驟6：按照式（8），（9）對各個粒子的位置和速度進行更新。

步驟7：完成迭代，輸出最優解。

當滿足誤差要求或者達到設定迭代次數時，停止迭代，輸出Informer模型超參數的最優解。若未滿足上述條件，則返回步驟5繼續進行迭代求解。將進行超參數尋優后的Informer模型作為最終的電量趨勢預測模型。

3 算例分析

為了驗證本文提出的PSO優化的Informer電量趨勢預測模型的有效性，采用我國西部某地區2019年1月1日-2021年12月31日的日電量數據、不同規模風電接入電網的出力數據、天氣數據，采集間隔為1 d。將其中80%的數據集作為訓練集，20%的數據集作為測試集。

3.1 數據預處理

在模型訓練之前，須對原始采集數據集進行數據預處理工作，其中包括異常值與缺失值處理、數據歸一化等。在數據采集過程中，由于設備故障、停電等原因造成數據丟失或者異常，這些值的存在會造成數據集不完整而影響到后續的預測工作。因此，采取一定的手段對數據集中出現的缺失或異常值進行處理。當模型的輸入數據有多維特征時，維度間數據的量綱是不同的，須對其進行歸一化處理，消除量綱不同造成的影響。如式（11）所示，本文采用最大、最小值歸一化的方式，將數據集按維度轉換到[0，1]之間。

3.2 評價指標

為了驗證本文所提電量趨勢預測模型的預測效果，須評估模型在測試集上的表現。目前，對于預測領域的評價指標較多，本文主要采用平均絕對誤差（Mean Absolute Error，MAE）、均方根誤差（Root Mean Square Error，RMSE）、平均絕對百分誤差（Mean Absolute Percentage Error，MAPE）等3個評價指標：

式中：yi為真實值；y^i為預測值；n為測試集樣本容量。

3.3 確定Informer的最優超參數

采用PSO算法對Informer電量趨勢預測模型的超參數進行尋優。研究發現，影響Informer模型性能的超參數主要有batchsize、編碼器層數、解碼器層數、注意力頭數、編碼器的輸入長度、解碼器的輸入長度和優化器。將這些超參數作為PSO算法的尋優變量進行求解。經過優化后的最優超參數以及PSO算法的參數初始設置如表2所示。

表2 PSO和Informer算法的參數設置Table 2 Parameter settings of PSO and Informer algorithms

續表2

3.4 實驗結果及分析

新能源的大規模接入會影響電量的變化趨勢。為了研究新能源發電接入電網對地區電量預測的影響，將其分為兩種預測場景：考慮新能源接入的影響和不考慮新能源接入的影響。兩種預測場景均采用文章提出的PSO-Informer模型進行驗證。前者在構建模型的輸入數據時，考慮了新能源出力數據，將其歷史出力數據作為重要的輸入特征；后者在構建模型的輸入數據時，沒有考慮新能源出力數據，只是將電量歷史數據、天氣特征及節假日特征作為模型的輸入。圖5給出了PSOInformer在考慮和不考慮新能源接入影響時，對地區電量趨勢的預測結果。圖5顯示，考慮新能源接入因素的影響，有利于PSO-Informer模型對電量變化趨勢的把握，從而做出準確的預判。

圖5 考慮和不考慮新能源接入的PSO-Informer模型電量趨勢預測Fig.5 Power trend prediction of PSO-Informer model with and without new energy access

為了進一步細化新能源接入電網對電量預測的影響，設置了15%，20%，30%滲透率下3種不同預測場景，構建了3種不同滲透率下的電量預測模型。通過電量預測結果對比，來具體刻畫新能源并網運行對地區電量預測的影響。表3給出了不同滲透率預測場景下，新能源出力對地區電量預測的影響。從表3中可以看出，不同滲透率下，PSO-Informer模型的電量預測效果不同，滲透率越低，預測精度越高。這說明滲透率越高，新能源接入電網對地區電量的影響越大。

表3 不同滲透率預測場景下，PSO-Informer模型對地區電量預測的效果Table 3 Effects of PSO-Informer model on regional electric quantity prediction under different permeability prediction scenarios

為了驗證本文提出的PSO優化的Informer地區電量趨勢預測方法對電量預測的有效性以及預測精度的提升，使用訓練集訓練Informer模型，并通過PSO進行超參數尋優，將訓練后的電量趨勢預測模型在測試集上進行評估和預測。為了突出PSO-Informer模型對地區電量趨勢預測的效果，分別采用BP神經網絡和支持向量機（SVM）作為對比模型。圖6給出了PSO-Informer、BP網絡、SVM等3種方法對電量趨勢的預測結果。

圖6 3種模型的電量趨勢預測效果圖Fig.6 Effect diagram of electric quantity trend prediction of the three models

從圖6中可以看出，本文提出的PSOInformer預測方法具有更好的預測效果，在電量趨勢發生較大波動時，能夠做出有效的預測。BP神經網絡模型和SVM模型在電量趨勢變化轉折處的預測偏差較大，對未來一個月日電量趨勢的擬合度不太理想，而Informer模型在電量趨勢轉折處的預測偏差較小且擬合度較高。通過預測結果對比發現，Informer模型在對長時間序列進行預測時，準確地捕捉輸出與輸入之間的依賴關系，具有較高的預測精確度。

圖7給出了兩種對比模型與PSO-Informe模型的預測誤差圖。由圖7可見，BP神經網絡模型和SVM模型的日電量趨勢預測誤差較大，且波動范圍較大；PSO-Informer模型的日電量趨勢預測誤差較小，波動在合理的誤差范圍內。顯然，在長時間預測問題上，PSO-Informer模型優勢明顯。

圖7 3種模型的電量趨勢預測誤差圖Fig.7 Error chart of electric quantity trend prediction of the three models

表4給出了采用MSE，RMSE和MAPE指標評價3種預測模型在測試集上的表現。從表4中數據可以看出，與另外兩種模型相比，本文提出的PSO-Informer模型的3種評價指標值較低，預測誤差較小。

表4 3種模型在測試集上的表現Table 4 Performance of the three models on the test set

4 結論

為了提高地區中長期電量趨勢預測精度，本文提出了一種采用PSO優化的Informer模型，有效地解決了長時間序列預測問題。首先從定性和定量角度分析大規模新能源電源接入新型電力系統、外部環境以及節假日等因素對地區電量的影響，在此基礎上，建立了Informer電量趨勢預測模型。通過概率稀疏自注意力機制和蒸餾操作，解決了模型的時間復雜度和內存使用的問題，并以生成式解碼方式輸出多步預測值。為了提升Informer模型的預測能力，采用PSO算法對Informer模型的超參數進行尋優，獲得最優的電量趨勢預測模型。

研究結果表明，與BP神經網絡模型和SVM模型相比，Informer模型的預測誤差更小，泛化性能更強，適應于中長期電量趨勢預測。