高滲透率分布式光伏接入的新型電力系統(tǒng)凈功率預測

郭威，張凱，魏新杰，張華銘

(1.國網(wǎng)河北省電力有限公司營銷服務中心，石家莊 050000； 2.國網(wǎng)河北省電力有限公司，石家莊 050000；3. 北京清軟創(chuàng)新科技股份有限公司，北京100080)

0 引 言

隨著我國經(jīng)濟發(fā)展方式轉變、能源結構優(yōu)化升級、電力體制改革逐步深入以及“雙碳”行動的積極推進，這對新型電力系統(tǒng)提出了更高的要求。依據(jù)“十四五”能源轉型發(fā)展的遠景規(guī)劃，對于傳統(tǒng)配電網(wǎng)應向安全可靠、綠色智能、友好互動、經(jīng)濟高效的智慧配電網(wǎng)轉變[1]。近年來，在碳中和背景下，可再生能源得到快速的發(fā)展，分布式電源滲透率和電能占終端能源消費的比重不斷提高，這對配電網(wǎng)的綜合承載能力提出了巨大的挑戰(zhàn)，使其具有清潔能源足額消納和多元負荷靈活接入的能力[2]。配電網(wǎng)負荷預測是電網(wǎng)規(guī)劃的重要環(huán)節(jié)，也是配電網(wǎng)調度的前提，對配電網(wǎng)運行的可靠和安全運行有著重大的影響。由于目前的配電網(wǎng)分布較廣，網(wǎng)絡結構復雜多變，不確定性較強，與此同時，高滲透率分布式光伏接入配電網(wǎng)，給配電網(wǎng)凈功率預測帶來了一定的困難[3]。光伏出力易受外界環(huán)境因素的影響，尤其是光照條件對其影響最為顯著，造成了光伏出力波動性增強，進一步增加了配電網(wǎng)凈功率預測的難度[4-5]。

目前，國內外學者在配電網(wǎng)負荷預測和光伏出力預測領域已經(jīng)做了大量的研究，眾多預測方法主要分為傳統(tǒng)方法、智能方法以及組合方法。統(tǒng)計法[6]、時間序列法[7]以及回歸分析法[8]是較為傳統(tǒng)的方法；隨機森林[9]、支持向量機(SVM)[10-11]、人工神經(jīng)網(wǎng)絡[12-14]等是比較新穎的智能方法，在負荷預測領域被廣泛應用；而組合方法[15-17]主要是由兩種算法相結合進行預測，兩種算法的組合在一定程度上會彌補了單一算法在負荷預測方面的缺陷。文獻[7]基于多變量時間序列相空間重構的負荷預測方法，文章根據(jù)相點間的歐氏距離和關聯(lián)度，提出了最優(yōu)近鄰預測法，通過確定的最近鄰點建立多變量序列一階局域預測模型；文獻[11]提出螢火蟲算法優(yōu)化的SVM光伏出力預測算法，首先通過經(jīng)驗模態(tài)分解法對光伏出力時間序列進行分解和重構，通過多個分量的SVM預測模型的疊加來實現(xiàn)光伏出力預測。文獻[18]提出了一種基于負荷預測誤差特性的統(tǒng)計分析的概率預測方法預測的方法；文獻[19]針對配電網(wǎng)負荷預測波動性和隨機性的特點，提出了K-means聚類和小波支持向量機相結合的配電網(wǎng)短期負荷預測。文獻[20]提出了一種模糊C均值樣本加權卷積神經(jīng)網(wǎng)絡模型實現(xiàn)光伏出力預測，文章首先基于模糊C均值聚類將歷史數(shù)據(jù)細分為不同天氣類別，通過隸屬度矩陣對訓練樣本進行加權，最后利用加權后的訓練數(shù)據(jù)構造FCM-WS-CNN模型。文獻[21]提出了基于貝葉斯概率的光伏出力組合預測方法，該方法具有較好的普適性和較高的預測精度。

目前，對于大規(guī)模新能源接入的配電網(wǎng)凈功率預測的研究較少。現(xiàn)有配電網(wǎng)凈功率預測方法中，多數(shù)都是負荷與新能源出力預測結果的簡單相減，且預測誤差較大。因此為了提高分布式光伏接入的新型配電網(wǎng)凈功率預測精度，文中提出了基于Attention機制的雙向GRU配電網(wǎng)凈功率預測方法。將Attention機制引入到雙向GRU神經(jīng)網(wǎng)絡中，增強了雙向GRU神經(jīng)網(wǎng)絡模型對凈負荷預測輸入特征的學習能力，能夠大大提高模型的泛化能力和預測精度。通過我國北方某地區(qū)的配電網(wǎng)用戶側負荷數(shù)據(jù)、大規(guī)模分布式光伏接入的出力數(shù)據(jù)以及天氣數(shù)據(jù)進行算例分析，從而驗證預測方法的有效性和可行性。

1 分布式光伏接入配電網(wǎng)凈功率特性分析

配電凈功率是用戶側負荷與光伏出力的差值，因此用戶側負荷與光伏出力的特性會直接影響到凈負荷的變化規(guī)律特性。在對凈功率進行預測之前，需充分掌握凈功率的影響因素。分別從用負荷側和光伏出力側來分析其對凈功率所產(chǎn)生的直接或者間接的影響。

1.1 光伏出力特性分析

光伏的出力情況不僅與自身的設備固有參數(shù)有關，同時還與外界環(huán)境因素有關。如光照強度、溫度、濕度、光照條件等，這些影響因素造成了光伏出力較強的隨機性和不確定性。在眾多外界環(huán)境影響因素中，光照強度、光照條件是影響光伏出力的直接因素，并且起到?jīng)Q定性的作用。光照條件主要取決于天氣類型，不同的天氣類型下，光伏電源接收到的太陽光輻射強度和光照時間有著顯著的差異。因此對光伏出力特性及影響因素的準確把握能夠有效提升配電網(wǎng)凈功率預測精度。

圖1為5種不同天氣條件下光伏出力特性曲線。從圖1可以看出，光伏電源出力的主要時段集中在07∶00-18∶00，最大出力出現(xiàn)在正午時分。隨著一天光照強度的變化而變化，因此光伏出力與光照強度具有高度相關性。晴天太陽光照充足，光伏出力較好，而在陰雨天，光伏電站太陽能發(fā)電板得不到有利的光照條件，光伏出力較差。因此不同光照條件會直接影響到光伏的出力情況。

圖1 天氣類型對光伏出力的影響

1.2 配電網(wǎng)用戶側負荷特性分析

通常情況下，配電網(wǎng)用戶側負荷表現(xiàn)出一定的規(guī)律性，包括周期性、季節(jié)性以及趨勢性。周期性表現(xiàn)在用電負荷變化呈現(xiàn)周期特性，在工作日負荷曲線變化規(guī)律大致相同，休息日的負荷曲線變化規(guī)律大致相同，呈現(xiàn)交替變化形態(tài)。季節(jié)性表現(xiàn)在用電負荷隨著季節(jié)的變化呈現(xiàn)不同的形態(tài)，比如夏季溫度高，用戶用冷增加，導致用電負荷的急劇上升，冬季溫度低，用戶用熱增加，熱能供應重要來源于供熱系統(tǒng)，因此用戶用電有所下降。趨勢性表現(xiàn)在隨著社會經(jīng)濟的快速發(fā)展，用電負荷出現(xiàn)逐年增長的態(tài)勢。圖2為配電網(wǎng)典型工作日和節(jié)假日負荷特性曲線圖，從圖2可以看出，工作日和節(jié)假日的負荷曲線呈現(xiàn)不同的變化規(guī)律。

圖2 配電網(wǎng)用戶側日負荷特性曲線

1.3 影響配電網(wǎng)凈功率的因素

1.3.1 配電網(wǎng)凈功率

配電網(wǎng)凈功率是指用戶側用電負荷與分布式能源出力之間的差值，即電力系統(tǒng)主網(wǎng)對配電網(wǎng)提供的負荷。分布式光伏接入下的配電網(wǎng)凈功率表達式見式(1)：

PN=P-PS

(1)

式中PN表示配電網(wǎng)凈功率；P表示用戶側負荷；PS表示分布式光伏出力。

1.3.2 分布式光伏接入對配電網(wǎng)凈功率的影響

圖3為一周內配電網(wǎng)各類負荷曲線，采用雙y軸坐標分別繪制負荷和光伏出力曲線，用戶側負荷和凈功率使用左側縱坐標軸，光伏出力使用右側縱坐標軸。從圖3中看出，配電網(wǎng)接入分布式光伏電站，其凈功率在07∶00-18∶00時段要顯著低于用戶負荷，這意味著在該時段電網(wǎng)向該配網(wǎng)用戶提供的能量小于用戶需要的消耗的能量，剩余部分由分布式電源提供。

圖3 分布式光伏接入的配電網(wǎng)凈功率曲線

配電網(wǎng)凈功率是用戶側負荷與分布式電源有功功率的差值。因此配電網(wǎng)凈功率不僅會受到用戶側負荷變動的影響，也會受到分布式光伏出力的影響。具體來說，用戶側負荷變化會受到用戶用電行為、天氣因素以及節(jié)假日類型等因素的影響，光伏出力會受到自身設備參數(shù)、光照強度、天氣因素等因素的影響，因此影響用戶側負荷變化以及光伏出力的相關因素同樣會影響到配電網(wǎng)凈功率變化。在對配電網(wǎng)凈功率進行預測時要考慮更多的影響因素。

2 基于Attention機制和雙向GRU配電網(wǎng)凈功率預測模型

2.1 雙向門控循環(huán)單元

門控循環(huán)單元(Gate Recurrent Unit，GRU)是一種時間序列模型，可以提取時序特征。相比于循環(huán)神經(jīng)網(wǎng)絡(Rerrent Neural Network, RNN)，GRU能夠解決長期記憶和反向傳播過程中梯度消失的問題[22]。與長短期記憶神經(jīng)網(wǎng)絡(Long Short-term Memory, LSTM)不同的是，GRU只有更新門和重置門兩種門結構。更新門用于控制前一時刻的狀態(tài)信息被帶入當前狀態(tài)中的程度，有助于捕捉時間序列里長期依賴關系；重置門用于控制忽略前一時刻的狀態(tài)信息的程度，有助于捕捉時間序列里短期的依賴關系。GRU模型的單元結構如圖4所示。

圖4 GRU模型的單元結構圖

其表達式為：

Rt=σ(XtWxr+Ht-1Whr+br)

(2)

Zt=σ(XtWxz+Ht-1Whz+bz)

(3)

(4)

(5)

單向GRU神經(jīng)網(wǎng)絡的狀態(tài)傳輸只是簡單的單向傳遞，且GRU具有遺忘性，容易丟失重要的時序特征信息，因此文中 使用雙向GRU結構，基于時序數(shù)據(jù)同時訓練兩個GRU神經(jīng)網(wǎng)絡模型，一個采用前向學習，一個采用反向學習，將前向和反向的最后一個狀態(tài)對應向量連接得到最后結果輸出。雙向GRU模型能夠同時學習到過去和未來的信息，具有良好的特征提取能力，在功率預測方面取得了較好的效果，圖5為雙向GRU單元連接方式圖。

圖5 雙向GRU單元連接方式

2.2 注意力機制

注意力機制(Attention Mechanism)是一種基于人類的視覺注意力提出的機制，被廣泛應用于自然語言處理、計算機視覺以及時序預測等領域[23]。對于給定的目標，通過生成一個權重系數(shù)對輸入進行加權求和，給予強特征較大的權重，給予弱特征較小的權重，從而使得模型具有更好的學習效率，有助于對負荷進行精準的預測。

在雙向GRU神經(jīng)網(wǎng)絡中加入注意力機制，給予凈功率預測輸入特征不同的關注度，使得模型能夠學習到更好的特征表示，提高負荷預測精確度，降低模型陷入過擬合的風險。注意力機制實現(xiàn)步驟如下：

(1)對于長度為T的輸入序列x1,x2,…,xT,計算歷史輸入的隱藏狀態(tài)對于當前輸入狀態(tài)的注意力權重βti，其公式為：

(6)

sti=vtanh(WHt-1+UHi+b)

(7)

式中sti為t時刻隱藏層狀態(tài)Hi的能量值；v為輸入的值；W、U為權重系數(shù)矩陣；b為偏置項;

(2)將βti與輸入序列歷史節(jié)點的隱藏層狀態(tài)Hi相乘并累加求和，得到特征向量Ct，其表達式為：

(8)

(3)輸出末節(jié)點的狀態(tài)值Ht，表示為：

Ht=f(Ct,Ht-1,yt-1)

(9)

2.3 結合注意力機制的雙向GRU模型構造

文中結合注意力機制提出了雙向GRU神經(jīng)網(wǎng)絡的配電網(wǎng)凈功率預測模型。在Attention-雙向GRU模型中，其輸入數(shù)據(jù)特征由歷史凈功率數(shù)據(jù)，節(jié)假日類型、天氣類型以及溫度、濕度等氣象因素組成，輸入數(shù)據(jù)特征經(jīng)過雙向GRU網(wǎng)絡層進行時序特征提取，將雙向GRU末節(jié)點狀態(tài)對應的向量連接進行輸出，然后通過注意力機制對輸入特征進行選擇性的淘汰，給予強特征較大權重，弱特征較小特征，從而識別出哪些輸入特征對目標是重要的，哪些輸入特征是不重要的，使得模型在學習過程中給予特征不同的關注度，模型的表示能力更強，最后通過全連接層輸出凈功率預測結果。模型的輸出為未來1 h的凈功率預測值。圖6為融入Attention機制的雙向GRU配電網(wǎng)凈功率預測模型結構圖。

圖6 融入Attention機制的雙向GRU配電網(wǎng)凈功率預測模型結構圖

3 算例分析

文中的算例數(shù)據(jù)來自中國北方某城市配電網(wǎng)采集數(shù)據(jù)，該地區(qū)的配電網(wǎng)接入了大規(guī)模分布式光伏。該數(shù)據(jù)集包括該地區(qū)2021年12個月的配電網(wǎng)負荷數(shù)據(jù)，光伏電站的出力數(shù)據(jù)以及氣象數(shù)據(jù)，采集頻率為1 h，一天采集24個樣本數(shù)據(jù)，一年共8 784個樣本數(shù)據(jù)。對采集的樣本數(shù)據(jù)進行預處理，然后根據(jù)用戶側負荷特性、光伏出力特性以及二者各自的影響因素分析來構建模型輸入特征集。在進行預測之前對輸入特征數(shù)據(jù)集按照7∶3的比例劃分為訓練集和測試集。訓練集用于預測模型的訓練過程，測試集用于檢驗訓練模型的預測效果。

3.1 數(shù)據(jù)預處理

3.1.1 異常與缺失值處理

從配電網(wǎng)采集的負荷數(shù)據(jù)以及接入配電網(wǎng)的光伏出力數(shù)據(jù)難免會出現(xiàn)數(shù)據(jù)不完整或者存在壞數(shù)據(jù)的情況，造成這種情況發(fā)生的主要原因是采集設備發(fā)生停電、故障或者數(shù)據(jù)在存儲過程中出現(xiàn)丟失等。然而數(shù)據(jù)質量的好壞會嚴重影響到后續(xù)的數(shù)據(jù)挖掘工作，因此在對數(shù)據(jù)進行深度探索之前，需要對其進行相應的預處理。通常情況下，原始采集數(shù)據(jù)中一般會存在異常值和缺失值，異常值是指數(shù)據(jù)在某些點處出現(xiàn)極端值的情況，即離群點；缺失值是指數(shù)據(jù)在某些點處出現(xiàn)空值得情況。異常值的存在會導致數(shù)據(jù)的內在特征值發(fā)生畸變，不利于數(shù)據(jù)內部特征的挖掘；缺失值的存在會導致數(shù)據(jù)內部信息的丟失，數(shù)據(jù)變得不完整。

針對原始采集數(shù)據(jù)中存在的異常值和缺失值，需采取一定的方法進行預處理。文中首先采用孤立森林進行異常值檢測[24]，然后將缺失值和檢測出的異常值一起采用拉格朗日插補法對其進行修正[25]。

3.1.2 數(shù)據(jù)歸一化與獨熱編碼

數(shù)據(jù)歸一化是將數(shù)據(jù)的每一維度特征值映射到[0,1]或者[-1,1]之間，進過轉化的數(shù)據(jù)只是消除量綱之間的影響，并沒有改變特征的內部規(guī)律。歸一化處理的數(shù)據(jù)可以加快模型的訓練速度，同時也能夠簡化模型內部的計算過程。文中采用最大-最小歸一化方法，使原始時間序列數(shù)據(jù)映射到[0,1]之間，具體轉換公式如下：

(10)

對于節(jié)假日類型、天氣類型等離散特征需進行特殊處理，文中采用獨熱編碼來處理離散特征數(shù)據(jù)。例如，節(jié)假日類型分為工作日和節(jié)假日，用2位二進制編碼進行處理，分別為工作日01、節(jié)假日10。天氣類型大致可以分為晴、陰、多云、霧天、雨、雪五種類型，用6位二進制編碼進行處理，分別為晴天000001、陰天000010、多云000100、霧天001000、雨天010000、下雪天100000。

3.2 模型輸入特征構建

配電網(wǎng)凈功率不僅與用戶側負荷、光伏出力有較大的關聯(lián)性，同時受到環(huán)境溫度、光照強度、濕度、天氣類型等氣象因素的影響，因此在構建模型輸入特征時，要充分考慮相關因素對配電網(wǎng)凈功率的影響。首先，用戶側負荷減去光伏出力得到配網(wǎng)凈功率值，然后取預測時刻前48 h的凈功率作為輸入特征，考慮溫度、濕度、光照強度等對配電網(wǎng)凈功率的間接性影響，分別取預測時刻前24 h的歷史數(shù)據(jù)也作為輸入特征，同時將預測時刻的日期類型及天氣類型也作為輸入特征。通過輸入特征構建，模型能夠高效地學習到輸入到輸出的映射關系，同時對凈功率未來的變化規(guī)律有更好的把握。表1為配電網(wǎng)凈功率預測模型的輸入特征。

表1 配電網(wǎng)凈功率預測模型的輸入特征

3.3 評價指標

目前，點預測的評價指標較多，應用較為廣泛的主要有均方誤差(MSE)、均方根誤差(RMSE)、平均絕對誤差(MAE)、平均絕對百分比誤差(MAPE)等。文章主要選取RMSE和MAPE這種評價指標，來評估配電網(wǎng)負荷預測和光伏出力預測的效果。式(11)、式(12)分別為RMSE和MAPE指標：

(11)

(12)

3.4 模型預測框架及參數(shù)設置

如圖7為基于Attention-雙向GRU凈功率預測模型框架圖，原始采集數(shù)據(jù)經(jīng)過預處理操作之后，構建神經(jīng)網(wǎng)絡預測模型的輸入特征，然后將輸入數(shù)據(jù)劃分為訓練集和測試，訓練集用來訓練和調試模型，測試集用來評估已經(jīng)訓練好的模型。訓練和評估之后保存模型，用于在線預測時調用模型。Attention-雙向GRU凈功率預測模型在訓練時，需要設置合理有效的模型超參數(shù)，將模型訓練迭代次數(shù)epochs，批量處理大小batch_size、GRU網(wǎng)絡層神經(jīng)元個數(shù)N、GRU隱含層的個數(shù)n_layers分別設置為200、64、1、40。模型的優(yōu)化算法選擇Adam算法，激活函數(shù)選擇Relu函數(shù)。

圖7 基于Attention-雙向GRU配電網(wǎng)凈功率預測模型框架圖

3.5 配電網(wǎng)凈功率預測結果及分析

文中只考慮分布式光伏接入配電網(wǎng)的情況，其配電網(wǎng)凈功率為用戶側負荷與光伏出力的差值，為了驗證文中提出的凈負荷預測方法的有效性和優(yōu)越性，分別采用長短期記憶神經(jīng)網(wǎng)絡(LSTM)、支持向量機(SVM)兩種預測模型與Attention-雙向GRU預測模型進行對比分析。表2分別從RMSE和MAPE兩種評價指標來分析三種模型在測試集上的表現(xiàn)。其中，Attention-雙向GRU配電網(wǎng)凈功率預測方法的RMSE和MAPE都低于另外兩種預測方法，該方法將Attention機制融入到雙向GRU神經(jīng)網(wǎng)絡中，大大提升了模型對輸入數(shù)據(jù)的特征的學習能力，提取貢獻度較高的特征，并對特征給予不同的關注度，使得模型能夠學習到更加有用的特征信息。

表2 三種模型凈功率預測精度對比

圖8為Attention-雙向GRU模型與另外兩種模型的配電網(wǎng)負荷預測效果圖，從圖8中可以看出Attention-雙向GRU模型在配電網(wǎng)凈功率預測效果上要優(yōu)于另外兩種預測模型，且凈功率預測值更接近于實際凈功率值。

圖8 三種模型凈功率預測效果對比圖

4 結束語

文章提出了一種基于Attention機制的雙向GRU神經(jīng)網(wǎng)絡新型配電網(wǎng)凈功率預測方法。首先通過分析用戶側負荷、光伏出力特性以及相關影響因素進行輸入特征構建，豐富的特征信息有利于減少模型預測誤差。其次結合Attention機制構建雙向GRU神經(jīng)網(wǎng)絡凈功率預測模型，采用Attention機制給予了輸入特征不同關注度，大大提升了雙向GRU神經(jīng)網(wǎng)絡預測模型的表示能力。最后通過算例分析來驗證所提凈功率預測方法的可行性和有效性，并與其他模型進行對比分析，得出文章所提方法具有較高的預測精度，預測效果優(yōu)于對比模型。