基于差分分解的有源配電網網供負荷預測方法

胡壯麗，羅毅初，劉 斌，黃文琦，梁凌宇

（1.廣東電網有限責任公司佛山供電局，廣東佛山 528000；2.南方電網數字電網研究院有限公司，廣東廣州 510000）

目前，關于電力系統中的負載預測已成為一個熱點問題。有源配電網網供負荷預測就是利用以往的用電負荷、溫度、濕度、日期類型等數據，預測未來的網供負荷。對負荷進行正確的預測，既能對電網進行實時宏觀控制，并且還能夠對配電網運行起到指導性作用。但日常用電量受到諸多因素的制約，很難對其進行精確預測。隨著有源配電網結構的日益復雜，負荷預測將會成為今后研究的一個重點問題。

文獻[1]提出了基于寬度深度學習的預測方法，通過對某一天24 小時進行監測，提取有源配電網網供負荷特征，匯總監測結果計算平均值，將計算結果與設定閾值對比，以此為依據進行負荷預測。文獻[2]提出了基于小波神經網絡的預測方法，該方法通過構建小波神經網絡，預測冷熱電短期負荷，計算平均百分比誤差，以此為依據進行負荷預測。然而，以上兩種方法容易受到天氣突變影響，預測誤差大。因此，結合差分分解法，預測有源配電網網供負荷。

1 有源配電網網供負荷差分分解

有源配電網在運行過程中，容易受到不穩定性負載影響，為了避免分析結果出現較大誤差，利用差分分解方法對負荷序列進行分解[3-4]。將負荷連續分解，能夠獲取多個低頻和高頻分量，疊加全部分量，獲取最終預測結果。

采用差分分解方法進行有源配電網網供負荷分解時，設負荷序列長為L，能夠分解出負荷保持序列Q1和負荷差分序列Q2，其表達式為：

式中，qT表示第T個初始負荷；ΔqT表示第T個負荷變化量。

將負荷序列作為下一個負載點進行預測，然后把它轉換為差分序列中的負載點變化問題，差分分解后的數據就是該問題的解[5]。對原負荷序列進行了劃分，并將其分為兩類：一類是固定序列，另一類是動態序列。在已知前一負荷點的情況下，使用差分序列預測方法預測短期負荷，就可以避免傳統的主流分解方法對多個低頻成分的預測錯誤[6-7]。

2 基于差分分解的有源配電網網供負荷預測

根據有源配電網網供負荷差分分解結果，對參數進行離散化處理，方便負荷預測。詳細過程如下：首先，確定種群規模和迭代次數，通過插值方式生成初始種群，獲取各個分量的產生方式。之后，對不同迭代下的每個目標向量進行差分進化處理，獲取各個分量產生結果[8]。然后，采用交叉方法，對迭代目標向量進行交叉處理，獲取各個分量交叉處理結果，最后，進行全局搜索[9]。由于有源配電網網供負荷的時間序列系數是離散的，所以在進行預測前需要調整運算對參數進行離散化處理[10]。

結合差分分解方法，預測有源配電網網供負荷，具體步驟如下：

步驟1：采集有源配電網網供的用電負荷、發電功率負荷、不同區域互供功率負荷、歷史數據、氣溫參數、降雨量參數[11]。

步驟2：根據有源配電網網供負荷差分分解原理，將網供負荷WW分解成如下組合：

式中，WL表示用電負荷；WS表示發電功率負荷；WH表示不同區域互供功率負荷。

步驟3：網供負荷預測模型構建：采用區域電力負荷曲線、預測日的分時分區溫度、分時分區降水量等數據，構建了網供負荷曲線的LSTM 神經網絡預測模型，如圖1 所示。

圖1 LSTM神經網絡預測模型

圖1 中的預測模型是由五個基本組件組成的，分別是單元狀態、隱藏狀態、輸入門、遺忘門和輸出門[12]。其中單位狀態是一個儲存單位，用于儲存短期和長期的記憶；隱藏狀態是指根據當前輸入、前一隱藏狀態、當前狀態信息來計算輸出狀態信息；輸入門和輸出門分別負責控制從輸入、輸出到單元狀態的信息量；遺忘門負責控制從輸入門到單元狀態之間信息的流失量[13]。

根據差分分解結果，對參數進行離散化處理，并設計有源配電網網供負荷預測流程，構建LSTM 神經網絡預測模型，采用時間序列分析。

步驟4：利用時序神經網絡，對有源配電網網供電負荷進行了預測。通過訓練歷史參數，能夠獲取最優訓練結果，輸入到模型中，從而減小訓練誤差[14]。代入預測日前1 日的功率曲線和前n日的分時分區降雨量等輸入參數，得到預測日的最大和最小發電功率：

式中，Hd表示降雨量；λ1、λ2分別表示預測日最大、最小功率的相關因素，根據連續多日降雨量確定時間序列間的相似度[15]。

根據預測日和當天的同一天變換理論，選擇最佳預測距離LSTM 參數，從而獲得最佳的預測參數。基于最優LSTM 的預測模型，結合預報日的輸入參數，對預測日的最大和最小發電功率進行精準預測[16]。

為了提高LSTM 神經網絡的預測精度，提出了基于余弦相似性的估計方法，除了可以更好地學習誤差特征之外，還能方便評價負荷序列誤差平穩性。相似度計算公式為：

式中，s0表示實際誤差；sr表示輔助誤差；Variance()· 表示方差計算函數。

步驟5：為了提高預測精度，需要進行誤差補償，補償模型如圖2 所示。

圖2 誤差補償模型

由于實際的負荷序列和輔助預測的負荷序列誤差是比較穩定的，因此可以通過對最終負荷點的預測偏差進行估算，公式為：

式中，δ0、δr分別表示預測序列中的最后一組的負荷對；εr、ε0分別表示輔助預測初始負荷值和實際預測負荷值；分別表示輔助預測負荷值和實際預測負荷值。基于此，可得到補償值的n個初步估計結果，公式為：

將初步補償值（即式（7）計算結果）和時間序列間的相似度（即式（5）計算結果）輸入到LSTM 神經網絡預測模型中，通過對輸出結果誤差補償值進行加權，由此得到的網供負荷預測結果更精準。

3 實 驗

3.1 實驗過程

以某區域提供的2021 年電力負荷數據為依據進行實驗研究，該區域的有源配電網結構如圖3所示。

圖3 有源配電網結構

由圖3 可知，有源配電網網供電1 具有較短的采樣間隔，且負荷波動較為平穩。有源配電網網供電2具有較長的采樣間隔，且負荷波動幅度較大。從供電1 和供電2 中隨機選擇兩組數據，分別作為訓練集和測試集。對于選取的一系列連續歷史負荷序列，對其進行了預測。在此基礎上，根據輔助預測序列中的相關負荷點，選擇下一次采樣過程的實際值。

3.2 實驗數據及指標

當供電公司監測有源配電網網供負荷時，每間隔2 小時采集一次數據，在一天內共采集24 次，得到的采集結果即為實驗數據，如表1 所示。

表1 實驗數據

負荷預測準確率計算公式為：

式中，si表示預測和實際差值；n表示預測負荷系數。

供電公司評價預測精準的準則：對于日用電負荷高于1 GW 的有源配電網，式（8）計算結果應小于等于5%；對于日用電負荷低于1 GW 的有源配電網，式（8）計算結果應小于等于6%。根據該標準，進行實驗驗證分析。

3.3 實驗結果與分析

分別使用基于進化深度學習特征提取預測方法、基于小波神經網絡的預測方法和基于差分分解的預測方法，對比分析正常天氣和連續降雨天氣下有源配電網網供負荷預測結果精準度，結果如圖4、5所示。

圖4 正常天氣三種方法預測精準度對比分析

由圖4 可知，使用基于進化深度學習特征提取預測方法在0～2 h 時，負荷預測精準度達到64%的最大值，在12～14 h 時，負荷預測精準度達到33%的最小值；使用基于小波神經網絡的預測方法在0～2 h時，負荷預測精準度達到83%的最大值，在18～20 h時，負荷預測精準度達到48%的最小值；使用基于差分分解的預測方法在0～2 h 時，負荷預測精準度達到95%的最大值，在10～12 h 時，負荷預測精準度達到90%的最小值。

由圖5 可知，使用基于進化深度學習特征提取預測方法在0～2 h 時，負荷預測精準度達到47%的最大值，在10～12 h 時，負荷預測精準度達到3%的最小值；使用基于小波神經網絡的預測方法在0～2 h 時，負荷預測精準度達到63%的最大值，在14～16 h 時，負荷預測精準度達到12%的最小值；使用基于差分分解的預測方法在2～4 h 時，負荷預測精準度達到92%的最大值，在8～10 h 時，負荷預測精準度達到86%的最小值。

圖5 連續降雨天氣三種方法預測精準度對比分析

通過上述分析結果可知，使用基于差分分解的預測方法預測結果更加精準。

4 結束語

該文基于差分分解方法預測有源配電網網供負荷，首先，根據差分分解原理將負荷預測問題轉化為負荷變化量預測問題；然后，結合LSTM 神經網絡預測模型進行網供負荷預測；最后，通過誤差補償提高預測精度，經過實驗驗證了該方法能夠得到精準的預測結果。