基于并行粒子群算法的電力系統(tǒng)極限負(fù)荷預(yù)測研究

劉 卓，許 晨，葉 攀，盧 波

（國網(wǎng)湖北省電力有限公司黃石供電公司，湖北 黃石 435000）

0 引 言

隨著現(xiàn)代社會(huì)的飛速發(fā)展，電力系統(tǒng)的負(fù)荷預(yù)測成為一個(gè)關(guān)鍵環(huán)節(jié)，對(duì)于城市電網(wǎng)規(guī)劃設(shè)計(jì)具有重要作用。在電力系統(tǒng)的負(fù)荷預(yù)測過程中，如何提高預(yù)測的準(zhǔn)確性是當(dāng)前電力系統(tǒng)研究的重要方向。運(yùn)用負(fù)荷預(yù)測能夠保證電力系統(tǒng)的穩(wěn)定運(yùn)行，防止設(shè)備損壞。通過不斷集成電力需求，能夠準(zhǔn)確預(yù)測電力系統(tǒng)的極限負(fù)荷。在電力系統(tǒng)中，運(yùn)行方式正在發(fā)生深刻變化，導(dǎo)致實(shí)際操作存在許多不確定性因素，而可再生能源的輸出變化更復(fù)雜。預(yù)測過程中，針對(duì)不同時(shí)期的預(yù)測需求提供相應(yīng)的解決方案，能夠提高負(fù)荷的預(yù)測精度。為避免負(fù)荷造成大量的經(jīng)濟(jì)損失，滿足電能供需平衡，需要提升預(yù)測準(zhǔn)確性來確保電網(wǎng)運(yùn)行的安全穩(wěn)定性，以達(dá)到節(jié)約成本的目的。在電力負(fù)荷預(yù)測過程中，預(yù)測電力的需求量，選擇電力系統(tǒng)需要新增的容量，有助于提升電網(wǎng)的供電質(zhì)量。通過全面掌握負(fù)荷發(fā)展規(guī)律，有利于實(shí)時(shí)分析數(shù)據(jù)安全，實(shí)現(xiàn)對(duì)故障的有效預(yù)防，同時(shí)需要校驗(yàn)和多級(jí)協(xié)調(diào)負(fù)荷預(yù)測結(jié)果，制訂合理的調(diào)度計(jì)劃，完成負(fù)荷預(yù)測。傳統(tǒng)的負(fù)荷預(yù)測方法難以滿足現(xiàn)代電力系統(tǒng)的需求，當(dāng)電力需求波動(dòng)時(shí)，可能影響電力系統(tǒng)的極限負(fù)荷[1]。規(guī)律性方面的處理能力不足，會(huì)導(dǎo)致預(yù)測誤差較大，電力系統(tǒng)過載，嚴(yán)重時(shí)可能引發(fā)電網(wǎng)崩潰，造成大面積停電，使負(fù)荷預(yù)測結(jié)果難以達(dá)到預(yù)期[2]。本文以電力系統(tǒng)極限負(fù)荷預(yù)測為研究對(duì)象，運(yùn)用并行粒子群算法，結(jié)合實(shí)際情況進(jìn)行實(shí)驗(yàn)與分析。

1 電力系統(tǒng)極限負(fù)荷預(yù)測

1.1 電力系統(tǒng)極限負(fù)荷數(shù)據(jù)預(yù)處理

電力負(fù)荷根據(jù)供電地區(qū)的重要程度分成多種類型。在負(fù)荷結(jié)構(gòu)中，掌握電力負(fù)荷特性是達(dá)成電力系統(tǒng)整體調(diào)度的前提[3]。根據(jù)已知的負(fù)荷序列，可預(yù)測未來一段時(shí)間內(nèi)的電力負(fù)荷值。為減少預(yù)測誤差，需要建立科學(xué)合理的負(fù)荷預(yù)測模型，選擇真實(shí)的電力負(fù)荷數(shù)據(jù)，并預(yù)處理原始負(fù)荷序列數(shù)據(jù)。預(yù)測過程中，原始負(fù)荷序列數(shù)據(jù)中不符合規(guī)律的值為異常值。根據(jù)電力負(fù)荷具有的周期性，處理誤差數(shù)據(jù)的公式為

式中：y為采樣時(shí)間；d(y)為設(shè)定閾值；d(x,y)為不同時(shí)刻的負(fù)荷值。運(yùn)用式（1）將差值與閾值進(jìn)行比較，處理發(fā)現(xiàn)的異常值[4]。在消除異常值后，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，經(jīng)過歸一化處理得到的數(shù)據(jù)為

式中：xmax為最大值；xmin為最小值；x'為計(jì)算值。如果數(shù)據(jù)不在區(qū)間內(nèi)，則需要標(biāo)準(zhǔn)化處理數(shù)據(jù)，使數(shù)據(jù)能夠按照一定的比例縮放后存放在特定的區(qū)間中，即為無量綱數(shù)據(jù)。通過一系列數(shù)據(jù)處理后能夠補(bǔ)償電力系統(tǒng)的缺失數(shù)據(jù)。根據(jù)負(fù)荷的實(shí)際情況選擇合適的模型，將信號(hào)分解成負(fù)荷序列，并運(yùn)用算法進(jìn)行優(yōu)化，將數(shù)據(jù)重構(gòu)后帶入預(yù)測模型。

1.2 并行粒子群算法在模型中的極限負(fù)荷預(yù)測

根據(jù)電力負(fù)荷歷史數(shù)據(jù)的變化規(guī)律預(yù)估未來的負(fù)荷需求。在并行預(yù)測體系中，根據(jù)不同日期的負(fù)荷在相同時(shí)刻的相似性，建立一天中不同時(shí)刻點(diǎn)的預(yù)測模型進(jìn)行單獨(dú)預(yù)測[5]。從歷史預(yù)測數(shù)據(jù)出發(fā)，結(jié)合未來電力負(fù)荷的時(shí)間與空間分布，安排電力系統(tǒng)的調(diào)度運(yùn)行。具體的并行預(yù)測模型體系結(jié)構(gòu)如圖1 所示。

圖1 并行預(yù)測模型體系結(jié)構(gòu)

訓(xùn)練模型時(shí)，選擇灰色神經(jīng)網(wǎng)絡(luò)的輸入變量減少預(yù)測偏差[6]。將預(yù)處理后的數(shù)據(jù)輸入模型中進(jìn)行訓(xùn)練與反歸一化處理，得到預(yù)測結(jié)果。使用粒子群算法進(jìn)行預(yù)測，通過群體中個(gè)體間的相互協(xié)作與信息共享得到最優(yōu)解。設(shè)定模型中存在一組粒子，不同粒子表示不同解的維數(shù)空間，通過改變粒子的位置得到最優(yōu)解。在當(dāng)前時(shí)刻，第i個(gè)粒子搜索到的最好位置記為pi。通過迭代能夠得到當(dāng)前時(shí)刻的最優(yōu)粒子，粒子的位置更新公式為

式中：t+1 為粒子更新位置；t為初始位置；v為當(dāng)前速度。為了防止v過大，需要進(jìn)行約束，約束范圍為v∈[-vmax,vmax]。確定隨機(jī)初始化粒子的位置，并計(jì)算不同粒子的適應(yīng)度函數(shù)。對(duì)比粒子的適應(yīng)度值與當(dāng)前個(gè)體的解，并進(jìn)行位置更新。引入慣性權(quán)重w來增加全局與局部的搜索能力，通過調(diào)整w進(jìn)行動(dòng)態(tài)取值。調(diào)整公式為

式中：w0為權(quán)重初始值；w1為權(quán)重最終值；tmax為迭代最大值。通過調(diào)整可增強(qiáng)粒子搜索能力[7]。在搜索過程中，比較當(dāng)前種群的適應(yīng)度值與最佳適應(yīng)度值，位置更優(yōu)則進(jìn)行替換，直到滿足條件后結(jié)束。如果預(yù)測結(jié)果滿足預(yù)先設(shè)定的閾值，則停止，反之則繼續(xù)尋優(yōu)。通過并行粒子群算法在模型中預(yù)測短期負(fù)荷數(shù)據(jù)，可有效改善算法的收斂問題，提升全局的預(yù)測能力。

2 實(shí)驗(yàn)測試與分析

2.1 搭建實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)在Python 2.3.6的Keras 1.2學(xué)習(xí)框架下進(jìn)行。實(shí)驗(yàn)所用的數(shù)據(jù)集包含歷史負(fù)荷數(shù)據(jù)等，采集數(shù)據(jù)的頻率為30 s/次。訓(xùn)練數(shù)據(jù)并生成訓(xùn)練集與預(yù)測集，經(jīng)過篩選后將數(shù)據(jù)作為模型的輸入數(shù)據(jù)，歸一化處理數(shù)據(jù)并輸入全連接層，得到最終的預(yù)測結(jié)果。運(yùn)用3種方法進(jìn)行預(yù)測，其中本文方法預(yù)測的小組為實(shí)驗(yàn)組，傳統(tǒng)方法預(yù)測的小組分為對(duì)照A 組和對(duì)照B 組。采用獨(dú)熱編碼處理日期數(shù)據(jù)，并設(shè)置模型參數(shù)，具體設(shè)置如表1 所示。

表1 模型參數(shù)設(shè)置

運(yùn)用不同預(yù)測方法迭代訓(xùn)練模型，并計(jì)算所有實(shí)驗(yàn)需要的數(shù)值。

2.2 結(jié)果與分析

針對(duì)3 個(gè)小組的輸出模型，得到1 月30 日—4 月10 日的預(yù)測負(fù)荷曲線對(duì)比圖，如圖2 所示。

圖2 模型預(yù)測對(duì)比圖

由圖2 結(jié)果可知，2 個(gè)對(duì)照組的模型預(yù)測結(jié)果不太理想，對(duì)照B 組存在2 個(gè)波谷階段，增大了預(yù)測過程的誤差，預(yù)測結(jié)果與真實(shí)值存在差異。相比對(duì)照組，實(shí)驗(yàn)組模型的表現(xiàn)較好，其預(yù)測結(jié)果與真實(shí)值更相符，說明使用本文預(yù)測方法能夠較好地處理具有時(shí)序性特征的問題，使極限負(fù)荷預(yù)測結(jié)果更加準(zhǔn)確和理想。

運(yùn)用本文預(yù)測方法計(jì)算模型輸出評(píng)價(jià)指標(biāo)中的平均絕對(duì)誤差值，計(jì)算公式為

式中：m為預(yù)測樣本個(gè)數(shù)；(x,y)為樣本預(yù)測值；G為樣本平均值。10 次預(yù)測后，得到計(jì)算的平均絕對(duì)誤差結(jié)果，判斷該模型的擬合效果（規(guī)定誤差范圍為0.00 ～0.40 MW），結(jié)果如表2 所示。

表2 預(yù)測平均誤差結(jié)果

由表2 數(shù)據(jù)可知，10 次實(shí)驗(yàn)后，計(jì)算的平均誤差結(jié)果為0.32 ～0.36 MW，在規(guī)定誤差范圍內(nèi)，符合預(yù)期要求，說明運(yùn)用本文預(yù)測方法能夠提升電力系統(tǒng)極限負(fù)荷預(yù)測的準(zhǔn)確性，使整體的預(yù)測效果更佳。通過負(fù)荷變化特征，可達(dá)到對(duì)未來負(fù)荷的準(zhǔn)確預(yù)測。

綜上所述，運(yùn)用本文電力系統(tǒng)極限負(fù)荷預(yù)測方法，當(dāng)負(fù)荷變動(dòng)頻繁時(shí)能夠提高預(yù)測穩(wěn)定性，提取極限負(fù)荷的高維動(dòng)態(tài)特征，使曲線擬合效果分別在不同階段達(dá)到最佳。通過挖掘電力負(fù)荷的內(nèi)在規(guī)律，可提升預(yù)測精度。

3 結(jié) 論

本文探究基于并行粒子群算法的電力系統(tǒng)極限負(fù)荷預(yù)測，分析短期電力負(fù)荷的特性，歸類負(fù)荷，充分考慮溫度和氣象等因素，實(shí)現(xiàn)對(duì)電力系統(tǒng)極限負(fù)荷的有效預(yù)測。方法中存在不足，如非線性預(yù)測能力、不同頻率特征分量及負(fù)荷數(shù)值相似性等問題。在今后的研究中，運(yùn)用并行粒子群算法進(jìn)行預(yù)測，避免網(wǎng)絡(luò)在尋優(yōu)過程中陷入局部最小值。通過使用預(yù)測方法得到較好的泛化能力，不斷提高預(yù)測結(jié)果的準(zhǔn)確度。