基于短期電網負荷智能預測算法的新能源調度策略

常 云，蘇華堂，王來奎，張 鵬，王天佑

（1.國網甘肅省電力公司平涼供電公司，甘肅平涼 744000；2.國網甘肅省電力公司平涼市崆峒區供電公司，甘肅 平涼 744000）

“碳達峰”、“碳中和”國家戰略的貫徹落實，促進了新能源行業的高速發展。新能源的就地開發，能夠減少對傳統火力發電的使用，并降低對環境的污染危害。但新能源發電受自然條件等因素的影響較大，存在明顯的波動性和隨機性[1-2]。因此如何對新能源及負荷進行準確預測，并維持電力系統的穩定性、保障用戶的用電需求具有重要的研究意義。

傳統負荷預測通常采用經典數學模型，形成回歸分析、時間序列等多種經典預測算法[3-5]。隨著人工智能算法的興起，在負荷預測領域采用此類算法的研究也越來越多[6-8]。但隨著數字電網的建設發展，對負荷預測的準確度也提出了更高的要求[9]。基于此，該文開展了人工智能算法在短期電網負荷預測與新能源調度中的應用研究。

1 基于PSO-BPNN的短期負荷預測

1.1 粒子群算法

粒子群算法（PSO）是一種人工智能領域的尋優算法，該算法最初的仿生學思想是通過模擬鳥群飛行覓食過程，實現數學問題的自動尋優[10]。

對于局域i維變量的規劃問題，PSO 采用具有i個粒子的種群進行尋優，每個粒子代表一維變量。粒子種群在整個解空間進行飛行尋優，且每個粒子均具有位置和飛行速度兩個特征參數。隨著飛行尋優的進行，粒子特征參數更新方式如下[11-12]：

對于任意一個粒子i種群當前的最優位置更新方式如下：

對于整個粒子種群的當前最優位置，其值是所有粒子當前最優位置中的最優值，更新方式如式（3）所示：

隨著飛行過程的進行，粒子的位置與飛行速度不斷更新。種群中適應度值較小的劣質解逐漸被淘汰，而適應度值較大的優質解被保留。同時種群粒子向著最優解逐漸靠近，并最終得到規劃問題的最優解。

1.2 BP神經網絡

BP 神經網絡（BPNN）是一種模擬人的大腦神經細胞信息處理機制的智能算法。其通過誤差反向傳播機制實現神經網絡參數的調整，并使得輸出目標值符合預測，從而實現輸入數據與輸出目標之間的映射[13]。BPNN 結構如圖1 所示，其由輸入層、中間層和輸出層三層神經細胞相互連接形成[14-16]。輸入層包含x1,…,xm…,xM共M個神經細胞；中間層包含a1,a2,…,ai…,aI共I個神經細胞；輸出層包含z1,…,zn…,zN共N個神經細胞。

圖1 BPNN結構

由圖1 可知，中間層的輸入為：

式中，ai為中間層第i個神經細胞的輸入；umi為輸入層第m個神經細胞與中間層第i個神經細胞之間連接邊的權重系數。則中間層的輸出為：

式中，ai為中間層第i個神經細胞的輸出；f(·)為激活函數；δi為中間層第i個神經細胞的閾值。則輸出層第n個神經細胞的輸入γn為：

輸出層的輸出為：

式中，zn為輸出層第n個神經細胞的輸出；δn為輸出層第n個神經細胞的閾值。

根據輸出層實際輸出與目標值之間的誤差，通過梯度下降法進行反向傳播，實現權重和閾值的調整，誤差公式如下：

式中，E為BPNN 的計算誤差；為輸出層第n個神經細胞的目標值。

1.3 短期電網負荷預測算法

該文提出了基于PSO-BPNN 的短期電網負荷預測算法，該算法結構如圖2 所示。其利用與負荷大小相關的日屬性（節假日或工作日）、溫度以及歷史負荷（與預測日屬性相同的前一日負荷數據）等數據，通過BPNN 網絡預測負荷數據。由于初始權值與閾值對BPNN 的計算準確性及速度具有較大的影響，因此通過PSO 算法優化得到BPNN 模型的初始權值和閾值，從而進一步提高預測的準確性。

圖2 短期電網負荷預測算法結構

該算法流程如圖3 所示，包括以下步驟：

圖3 基于PSO-BPNN的短期電網負荷預測算法流程

1）構建BPNN 模型，初始化模型的權值和閾值等參數；

2）利用PSO 算法對BPNN 模型的權值與閾值的初始值進行編碼，一個粒子代表一個權值或閾值參數；

3）輸入歷史負荷、日屬性、最高溫度和最低溫度等數據，并進行標準化等數據預處理；

4）將BPNN 模型訓練得到的誤差值作為當前位置的適應度值；

5）更新每個粒子的最優位置與粒子種群的最優位置；

6）更新每個粒子的位置與飛行速度，并計算當前位置的適應度值；

7）判斷是否滿足PSO 終止條件，若是進行下一步，否則轉至步驟5）；

8）得到BPNN 模型最優的初始權值和閾值；

9）計算訓練誤差，并調整權值和閾值；

10）判斷是否滿足BPNN 訓練終止條件，若是則輸出預測結果，否則轉至步驟9），直至輸出預測結果。

2 新能源優化調度策略

含多類型新能源的典型微電網結構如圖4 所示，其包含光伏、風電等新能源發電設備、柴油發電機、蓄電池儲能系統等，微電網通過并網斷路器可實現脫網/并網運行。

圖4 含多類型新能源的典型微電網結構

2.1 目標函數

1）經濟性目標。使含多類型新能源的微電網運行成本降至最低，目標函數為：

式中，CE為從配電網購電的費用；CF為燃料費用；Com為維護費用。

2）環保性目標。使微電網的污染物排放量最小，函數可表示為：

式中，αk為柴油發電機生產單位電能第k種污染物的排放系數；βk為配電網傳輸電能第k種污染物的平均排放系數；M為污染物種類。

2.2 約束條件

1）功率供需約束，函數如下所示：

式中，為t時段微電網的負荷。

2）蓄電池系統運行約束，函數可表示為：

3）設備運行約束，函數為：

2.3 求解方法

對于上述含多類型新能源系統的多目標調度模型，其經濟性和環保性目標采用加權法進行處理，然后進一步采用商業軟件CPLEX 來求解該混合整數規劃模型。求解過程如下：

式中，w1、w2分別為經濟性目標及環保性目標的權重系數。

3 算例分析

以甘肅省某微電網的運行數據集進行仿真分析，驗證文中所提短期負荷預測以及新能源調度算法的有效性和準確性。微電網中設備的運行維護成本參數、柴油發電機的污染物排放參數分別如表1、2所示。

表1 設備的運行維護成本參數

表2 污染物排放參數

3.1 短期負荷預測分析

為驗證文中所提方法在短期負荷預測方面的準確性，將所提PSO-BPNN 算法與BPNN 算法進行對比，結果如圖5 所示。

圖5 不同算法的性能對比

由圖可知，對于某個預測日，BPNN 算法所得負荷預測結果與實際負荷值之間的差值明顯大于PSO-BPNN 算法。BPNN 算法的最大誤差達到了約10%，而PSO-BPNN 算法僅有約1%。這是因為所提算法通過PSO 算法對BPNN 模型的初始化參數進行了優化，從而提高算法的整體性能。

3.2 新能源調度結果分析

將文中所提的多目標調度策略與以經濟性、環保性為目標的單目標調度策略進行對比，結果如表3所示。

表3 單目標與多目標調度結果對比

由表3 數據可得，文中所提調度策略相比于經濟性最優的單目標調度策略，雖然運行成本升高了約4%，但污染物排放量降低了33%；相比于環保性最優的單目標調度策略，雖污染物排放量增加了4%，但運行成本降低了29%。由此可見，所提多目標調度策略能夠在降低微電網運行成本的同時，減少污染物的排放量。

4 結束語

該文提出了基于PSO-BPNN 算法的短期電網負荷預測算法以及新能源多目標調度預測模型。通過算例分析表明，所提PSO-BPNN 算法相比于BPNN算法，負荷預測誤差由10%降至約1%，短期負荷預測的準確率更高，所提多目標調度策略能夠降低微電網運行成本和污染物排放量。但文中對微電網中長期負荷預測及微電網新能源設備的優化配置方面仍缺少研究，這將在后續研究中進行。