基于GRU 多步预测技术的云储能充放电策略

2021-05-07郭亦宗郭创新黄旭锐

电力系统自动化 2021年9期

冯斌，郭亦宗，陈页，郭创新，杨波，黄旭锐

（1. 浙江大学电气工程学院，浙江省杭州市310027；2. 广东电网有限责任公司广州供电局，广东省广州市510600）

0 引言

随着能源互联网的发展，电力系统通信和数据交互的能力越来越强，云平台的应用也越来越广泛［1-2］。在用户侧储能领域，有学者提出了云储能（cloud energy storage，CES）这一依托共享经济的储能商业模式，并对云储能未来发展的新形态做出了展望。云储能模式通过引入云储能提供商这一主体，汇集大量中小型用户的储能资源，利用用户储能行为的互补性和规模效应降低成本［3］。云储能区别于传统的储能模式，不再由用户自建储能，而是由云储能提供商投资建设实体储能和云平台，统一调度和控制；云储能提供商的实体储能行为与反映给用户的云平台虚拟储能行为不一定一致。文献［4］概述了采用共享模式进行用户侧储能配置、调度和控制的过程；文献［5］针对云储能商业模式进行了案例分析，深化了云储能模式的运营机制；文献［6］建立了云储能充放电策略模型，并应用于区域综合能源系统下的电/热云储能配置。上述文献较少涉及充放电策略预测，无法满足云储能调度计划的需求。

可以看出，云储能的相关研究正处于发展阶段。其中，云储能充放电策略的预测是研究云储能配置、实际运行调度和控制的基础，有必要研究适宜的预测方法和充放电策略模型［7］。随着用户侧参与电力市场程度的加深，云储能模式更多地面向拥有分布式光伏（PV）的中小型用户［8］。云储能提供商作为实体储能调度的执行者，期望提前制定云储能充放电计划，而云储能充放电策略与光伏出力、负荷大小有关，需要利用预测技术对光伏出力和负荷进行预测。

现有光伏和负荷预测成果较多，但大多针对算法进行研究，较少结合具体应用场景设计［9-10］。文献［11］提出了基于注意力机制（Attention）和长短期记忆（LSTM）网络的短期负荷预测模型，利用负荷的时序特性，改进预测精度和鲁棒性；文献［12］提出一种基于门控循环单元（GRU）和模型融合的负荷聚合体预测方法，验证了GRU 对大量聚合负荷的预测具有较好效果，满足云储能用户数量多的特点；文献［13］构建了基于GRU 的神经网络模型，进一步提高预测精度和速度。可见，GRU 技术加速收敛、预测速度较快的优势适用于用户数量较多的云储能充放电策略预测。储能充放电策略的研究大多立足于长期的储能配置规划或日内的储能运行优化［14-15］。文献［16］提出在主动配电网下储能配置的运行优化模型，并采用分支定界法求解，得到最优充放电计划；文献［17］提出了以提高机组调频效果的混合储能优化方法，求解得到储能参与自动发电控制（AGC）的充放电策略。

为解决云储能充放电策略预测问题，本文将光伏、负荷预测技术应用于云储能充放电，提出了基于GRU 多步预测技术的云储能充放电策略。首先，结合云储能充放电策略的优化需求，将用户按一定特征聚类，解决单用户负荷预测困难的问题；建立GRU 多步预测模型，预测一天内的负荷和光伏功率；然后分析云储能模式下用户和云储能提供商两主体的交互过程，并根据用户储能行为建立云储能提供商的充放电滚动优化模型。算例选取美国得克萨斯州实际数据，求得真实值和预测值下的云储能充放电策略。算例结果表明基于GRU 多步预测方法能够较好地预测负荷和光伏出力，并且验证了云储能模式能够削弱预测误差的影响，充放电策略预测更准确，为云储能后续相关研究打下了基础。

1 负荷与光伏预测

负荷与光伏预测的GRU 多步预测技术是云储能充放电策略预测的基础。由于单一用户负荷数值小，即使用户用电存在一定的规律，预测结果也往往表现出不确定性，导致难以针对单一用户进行负荷预测。在用户数量较多的情况下，若是对每个用户进行预测分析会导致计算量较大且准确性也不高。若是考虑先对用户负荷进行聚类，再对聚类后的用户负荷进行预测，既能减少运算量，提升预测速度，也能够消除单用户负荷预测的不确定性，减小用户负荷预测的误差［18］。此外在云储能模式下用户众多，一般云储能模式的实施对象是聚类后的用户，且需要的参与聚类数目较多，因此本文负荷聚类的用户类别数也应较多。

本节首先采用K-means 算法对用户负荷聚类，然后采用GRU 多步预测技术。由于本文考虑的是地理位置相近用户的云储能充放电策略，每个用户的光伏曲线特性十分相似，因此可采用前人研究较多的负荷聚类方法对用户负荷进行聚类，以间接实现对充放电需求曲线进行聚类。

1.1 负荷聚类与预测模型

1.1.1 用户负荷聚类方法

K-means 算法作为一种基于距离划分的聚类方法，具有简单、收敛速度快、可扩展且效率高的特点，在电网用户负荷聚类中应用广泛。针对每个用户日负荷序列计算平均负荷、峰时负载值、谷时负载值等描述用户日用电量序列的静态特征以及日负荷增长率、日负荷峰谷值增长率等描述用户日用电量变化的动态特征［19］，并将各维度特征归一化处理。利用基于信息熵的特征赋权法［20］以及K-means++算法初始化聚类中心，结合K-means 算法实现用户负荷聚类分析，输出聚类结果。

1.1.2 负荷预测模型与方法

在负荷预测的人工智能方法中，常采用LSTM神经网络模型［21］。它能够捕获长期依赖关系，适用于时间序列数据的分析，但是它的内部结构相对复杂，训练和测试的时间较长。考虑到需要预测的负荷数量较多，为方便计算、加快计算速度，可以采用与LSTM 效果类似的GRU 预测模型。GRU 由Cho等人于2014 年首次提出［22］，它在LSTM 的基础上优化改进，减少了网络参数，加速收敛，适合于用户数量较多的预测场景，因此本文采用GRU 模型预测云储能用户光伏出力和负荷大小。

LSTM 和GRU 都是标准循环神经网络的一种变式。循环神经网络最突出的特点就是具有重复的单元结构。单元结构内的参数在训练完成后就固定不再变化。LSTM 的单元结构内有3 个控制门单元，分别是输入门、遗忘门和输出门。相比于LSTM，GRU 仅包含重置门和更新门，在计算量上比LSTM 小了很多，但是模型性能效果差异不大［23］。重置门本质上决定了过去有多少信息需要遗忘，数值越小遗忘的信息越多。更新门相当于LSTM 中的输入门和遗忘门。更新门控制前一时刻的状态信息保留至当前状态的程度，数值越大，保留下来的信息越多。

GRU 模型结构如图1 所示。图中“+”代表加法运算，“×”代表矩阵的哈达马乘积，σ 和tanh 分别代表sigmoid 和tanh 激活函数，xt为输入量，rt为重置门，zt为更新门，h't为当前记忆内容，ht和ht-1分别为当前和上一时间步的最终记忆。

图1 GRU 模型Fig.1 GRU model

式中：W(z)和W(r)分别为更新门和重置门输入量的权重矩阵；U(z)和U(r)分别为更新门和重置门上一时间步记忆内容的权重矩阵。

考虑到云储能需要一天内24 个点的负荷预测数据。结合循环神经网络多步输出的特点，依据多天历史数据的输入，输出预测日的24 点负荷功率。

网络的损失函数是均方误差函数，如式（5）所示。

式中：eMSE为网络的损失值；pk和p'k分别为第k 点时刻功率真实值和预测值；m 为预测的功率点数，本文需要预测24 点功率，故m=24。

模型优化以及超参数调整详见附录A。

1.2 光伏预测模型

依据1.1.1 节得到的用户聚类情况，将用户的分布式光伏功率数据进行聚类，得到每类用户的光伏处理曲线。光伏预测模型与负荷预测模型均采用GRU 网络模型，损失函数、超参数调优等方法也相同，不同点在于输入输出量和激活函数。

天气中的温度和湿度对光伏组件出力影响很大，其中前者主要影响光伏组件的光电转换效率，后者主要影响太阳光辐射到组件表面的光照强度。因此光伏预测模型的输入值主要有历史光伏预测值以及天气数据（温度和湿度）。除光伏出力需要归一化外，天气数据也需要归一化后再输入模型中进行训练或测试。

由于光伏组件在夜晚无光情况下，长时间出力为零，因此需要在神经网络输出层后加一层线性整流激活函数f (x)=max(0，x)。该函数保证输出值能够归零，有效提高光伏预测准确率。

2 云储能充放电策略

图2 云储能模式运行过程Fig.2 Operation process of CES mode

2.1 云储能用户的储能行为策略

本文研究的用户群体自建分布式光伏，一般情况用户不会考虑复杂的储能控制策略，而是根据电价等因素设计满足供需平衡的经济性充放电策略。

云储能赋予了用户“即买即用”的福利，用户可提前规划购买的储能容量。用户购买的云储能容量越大，充放电范围就越大，能够有效减小一天内的运营成本，但是相应的购买成本约高。因此，每一个用户期望根据自身的负荷曲线、光伏出力等数据制定最优储能需求，以实现经济成本的降低。

需要说明，本文采用分时电价来分析，更符合中国电力市场实际情况。并且，每一用户都有自身的期望充电临界价格和放电临界价格，为分析方便，将充电临界价格设定为低于平时电价的5%，放电临界价格设定为高于平时电价的5%。

根据上述分析，建立用户i 的充放电行为模型。为方便表示，定义运算(x)+如下：

结合上述分析过程，得出用户在每一时段的充放电行为的数学模型如下：

储能的应用提高了新能源的消纳率。在用户用能行为的设计中，应首先消纳过剩光伏出力，不足部分再向电网购买。单一用户云储能充电功率中的光伏过剩功率可表示为：

式中：ECES为云储能用户的集合。

各时段所有云储能用户放电需求总和pe，FΣt为：

2.2 云储能提供商的储能行为策略

云储能提供商需要在日前综合所有用户的充放电需求，在满足用户需求的基础上，基于成本最小优化云储能充放电策略。调度过程中，用户在自己的云端虚拟储能发出充放电需求后，云储能提供商只需及时响应用户的放电需求，不需要立刻操作其储能装置充电，而是可以选择有利于自身利益的充电时段，这也是云储能模式盈利的主要方式之一。

根据t 时段用户放电需求以及光伏出力，建立云储能提供商的充放电策略数学模型。云储能提供商的储能从电网购买的电功率总和表示为：

云储能提供商在集聚所有用户的储能行为后再统一优化得出储能的充放电策略。对于单一用户，存在光伏和负荷的预测误差，一方面可通过聚类预测方法减小误差；另一方面，预测误差往往呈现正态分布趋势，云储能模式利用所有用户的互补性进行储能充放电策略优化，能够在一定程度上削减预测误差的影响。

2.3 云储能充放电策略滚动优化模型

在本文云储能充放电策略研究中，为分析方便，考虑购买成本和调度过程的运营成本，暂不考虑残值回收、设备损耗等成本因素。

为应对云储能充放电策略的预测误差及不确定性，本文基于模型预测理论，采取滚动优化算法求解云储能充放电策略［24］，见附录A 图A1。

本文的滚动优化时间尺度选取储能充放电的时间尺度，即1 h。为使云储能充放电策略误差更小，在每一次的滚动优化中，输入数据为该时段及后一天时段的光伏和负荷预测值；输出结果包含两部分：下一时段充放电策略作为最终优化结果和一天内其余时段结果仅作辅助优化。每一次优化后，选取最终优化结果作为下一时段滚动优化的初始值，以表征储能的连续充放电属性。

综合2.1 节和2.2 节描述的2 个主体储能行为，得到每次滚动优化的目标函数如下：

云储能模式依然需要满足储能的物理特性约束，即储能各时段充放电功率不能超出最大功率限额，各时段所剩容量不能超出最大容量限额并且不能低于最小容量限额，每一时段的容量与上一时段的容量、该时段的充放电之间存在递推关系。据此列出储能物理特性约束条件如式（17）至式（19）所示，并与式（6）至式（14）共同组成全部约束条件。

由于目标函数中含有形如(x)+的分段函数，因此引入辅助变量z，将z=x 代入原目标函数中，并加入如下约束条件：

经过上述转化后，整个模型化为便于求解的线性规划问题，能够在MATLAB 内调用CPLEX 求解器对上述优化模型进行求解。

2.4 云储能充放电策略算法流程

本文所提的云储能充放电策略是基于光伏、负荷预测而制定的，为便于理解，现给出云储能充放电策略算法流程见附录A 图A2。

本文讨论的云储能充放电策略是通过4 个步骤完成：用户充放电需求聚类、GRU 多步预测、形成用户充放电需求、形成云储能充放电策略。4 个步骤是串联递进关系，光伏和负荷GRU 多步预测是云储能充放电策略的基础。

2.5 技术指标

2.5.1 聚类技术指标

选取聚类有效性指标为轮廓系数（SC）和CHI（Calinski-Harabasz index，CHI）。轮廓系数和CHI计算公式详见附录B。SC 的取值范围为［-1，1］，其值越接近1，代表聚类结果内聚度和分离度越好；CHI 值越大，表示类簇间的分散性和类簇内的紧凑性越好。

2.5.2 负荷和光伏预测技术指标

利用平方均方误差（RMSE）和平均相对百分比误差（MAPE）这2 种常见的预测评价指标评价负荷预测效果。RMSE 与MAPE 的值越接近零，表示预测误差越小，模型的预测效果越好。定义RMSE 值为eRMSE，MAPE 值为eMAPE，有

2.5.3 云储能充放电策略预测指标

为验证云储能模式能够进一步削弱光伏负荷预测误差的影响，与负荷预测指标类似，选定MAPE作为云储能充放电预测误差评价指标。下文中利用该指标对比了不同预测方法以及不同聚类数目对云储能充放电策略误差的影响。

3 算例分析

本算例采用改进的K-means 算法将用户聚类为4、8、12 类，并利用GRU 多步预测方法预测得到一天内的光伏和负荷功率；然后，将3 种聚类结果分别输入云储能滚动优化模型中，对比不同的聚类数目对云储能充放电策略的影响；同时，将预测值和实际值分别输入云储能滚动优化模型中，对比实际值和预测值下的充放电计划。算例反映了聚类数量对云储能充放电策略的影响，同时验证了云储能模式能够一定程度上削弱预测误差的影响，并体现云储能模式的经济性优势。

3.1 算例原始数据

3.1.1 云储能滚动优化模型相关数据

云储能模式能够盈利和运营的关键是聚拢具有互异性的大量用户。聚类形成的4、8、12 类用户光伏和负荷的实际值已知，预测值由GRU 多步预测方法得到。根据上文云储能充放电策略的滚动优化模型，参考文献［25-26］的数据，列出本算例云储能参数值见附录B 表B1。中国部分省份已开始实行分时电价，因此算例在分时电价下计算更具应用性。本文选取某地分时电价数据见附录B 表B2。

此外，下文算例结果分析需要验证聚类数量对云储能充放电策略的影响、GRU 多步预测与其他预测方法在云储能充放电的优势，设定以下5 个算例场景。

场景1：对云储能用户聚类为4 类，采用GRU 预测云储能充放电策略。

场景2：对云储能用户聚类为8 类，采用GRU 预测云储能充放电策略。

场景3：对云储能用户聚类为12 类，采用GRU预测云储能充放电策略。

场景4：对云储能用户聚类为12 类，采用时间序列预测云储能充放电策略。

场景5：真实值下的云储能充放电策略。

3.1.2 光伏和负荷预测相关数据

本文算例使用美国得克萨斯州100 户家庭用户一年的光伏和负荷数据进行分析预测［27］。选取前10 个月的数据作为训练集训练GRU 多步预测网络，剩余2 个月数据作为测试集。

3.2 聚类结果分析

使用K-Means 算法分析100 户用户负荷特性，尝试将其分类至2～12 类，并分析它们的聚类有效性指标，即SC 和CHI。绘制得到聚类有效性指标随聚类数量变化的曲线，见附录B 图B1。聚类数目对SC 和CHI 并没有特别显著的影响，即不存在显著最优的聚类数。因而本文选择聚类数为4、8、12 作为研究对象。其中12 类典型用户负荷详见附录B 图B2。这12 类用户负荷曲线在负荷峰谷数、峰谷维持时间等方面都有差异。对相似的用户负荷聚类，能减小单用户负荷预测的随机性，同时能够更好地体现每类用户用电的互补性。

3.3 预测结果分析

针对每类用户的负荷和光伏发电量采用GRU多步预测方法，选取某类用户两日的负荷功率和光伏发电功率，结果如附录C 图C1 和图C2 所示。

基于聚类用户的负荷预测，改善了单用户预测值不稳定的问题，提升了负荷预测精度，也有利于云储能模式的充放电策略优化。12 类负荷和光伏的RMSE 和MAPE 均值如表1 所示，其中考虑到很多时刻光伏出力为零，在计算光伏MAPE 时要先除去出力为零的值。12类负荷预测的RMSE值从2.23 kW到6.45 kW，均值为4.23 kW，MAPE 值从3.98%到7.04%，均值为5.87%。12 类光伏预测的RMSE 值从1.78 kW 到3.50 kW，均值为2.54 kW，MAPE 值从3.30%到4.49%，均值为4.05%。对比MAPE 值以及附录C 图C1 和图C2 可知光伏预测较负荷预测效果更好，这是因为光伏预测考虑了气象差异而负荷预测仅将历史负荷值作为输入数据，且光伏的出力模式固定，通常只有一个峰值，相比于负荷的变化模式更容易被学习。此外，算例还对比了LSTM 和GRU 模型在预测算法上的性能差异，对比结果见附录C 表C1。

表1 预测评价指标对比Table 1 Comparison of prediction evaluation indicators

3.4 云储能充放电滚动优化结果及分析

根据上文云储能充放电策略滚动优化模型及算例数据，得到各场景结果。为对比分析聚类数量对云储能充放电策略的影响，绘制场景1、2、3、5 的结果，如图3 和图4 所示；为对比分析GRU 多步预测与其他预测方法在云储能充放电的优势，绘制场景3，4，5 的结果，如图5 所示。本文设定充电为负值，放电为正值。同时依据2.5 节的预测指标以及场景5真实值下的云储能充放电策略数值分析这4 种场景下云储能充放电策略的预测误差，结果见表2。

图3 不同聚类下的云储能放电策略Fig.3 Discharging strategies of CES with different clusters

图4 不同聚类下的云储能充电策略Fig.4 Charging strategies of CES with different clusters

图5 各预测方法下云储能充放电预测值和实际值Fig.5 Predicted and actual values of charging and discharging of CES with various prediction methods

表2 云储能充放电策略误差Table 2 Errors of charging and discharging strategies of CES

根据图3 和图4 可以发现，云储能提供商储能充电时段均为时段4 至9 和时段13 至18，放电时段均为时段9 至13 和时段18 至22，其他时段既不充电也不放电。该结果验证了电价对储能充放电策略的引导作用，即储能在谷时充电、峰时放电的经济性最优。

对比场景1、2、3、5，即对比在不同聚类下云储能充电和放电的预测误差。图3 和图4 结果表明，在放电时段，不同聚类数量对各时段的放电策略没有影响，这是由于云储能需要及时满足所有用户的用电需求，因此聚类数量的不同不影响云储能的放电策略；在充电时段，不同聚类数量对各时段的充电策略有着较大影响，在该算例的优化结果中体现为时段13 至15，随着聚类数量从4 到8 再到12，云储能充电得到进一步优化，对比真实值，平均相对误差从4.78%减小到4.12%，再减小到3.76%。同时，随着聚类数的增加，云储能充电成本也进一步减小，体现了聚类对经济性优势的影响。

对比场景3、4、5，即对比GRU 和传统的时间序列预测方法下云储能充放电的预测效果。图5 的结果表明，无论在放电还是充电时段，GRU 多步预测下的云储能充放电策略更接近真实值，误差更小。在放电时段，由于云储能需要及时满足所有用户的储能放电需求，因此放电策略的误差是由2 种预测方法下的光伏、负荷预测误差所产生的，传统时间序列预测方法下的云储能放电策略误差为4.37%，相比之下，GRU 多步预测的云储能放电策略误差为3.92%，精度得到提高；在充电时段，云储能可通过优化制定合适的充电策略，由于充电策略的误差在原有光伏、负荷预测误差的基础上，还叠加了充电优化所减小的误差，传统时间序列预测方法下的云储能充电策略误差为4.19%，相比之下，GRU 多步预测的云储能放电策略误差为3.76%，精度得到提高。同时，该误差3.76%小于光伏和负荷预测的平均相对误差4.05%和5.87%，也验证了云储能模式能够削弱光伏和负荷预测误差。

本算例也可验证云储能模式的经济性，具体见附录D。