基于区域负荷分解与迁移学习的电能替代潜力动态估计算法

邹 运

引言

区域负荷分解是依据该区域的用电总数据，对该区域内的用电情况进行判断，通过事件检测、特征提取和负荷识别三项核心技术完成，可判断用电用户类别。迁移学习属于一种机器学习方法，其可完成源域的学习，并迁移到目标域中，完成目标域模型构建。本文为实现电能替代潜力估计[1]，提出基于区域负荷分解与迁移学习的电能替代潜力动态估计算法。

一、电能替代潜力动态估计

（一）电能替代用电设备运行状态识别

为精准识别电能替代用电设备运行状态，采用模糊决策树方法完成，每一颗决策树输出的结果，即为对应电能替代电器的运行状态。信息增益为[2]：

（二）电能替代量预测

依据上述小节获取电能替代用电设备识别结果，通过三次指数平滑法对识别的电能替代用电设备实际电能替代量进行预测，依据预测的实际电能替代量估计电能替代潜力。

电能终端使用量占比和能源替代量之间的关系为：

（三）基于迁移学习的电能替代潜力动态估计

步骤1：模型构建

步骤2：单位节能量估计

依据基期模型计算得出能源消耗量结果，并通过调试期模型计算能源消耗量，获取两个消耗量之间的差值，即可得出电能替代后设备的单位节能量，依据该结果即可判断电能替代潜力结果。其计算公式为：

二、测试分析

为验证本文算法对于电能替代潜力动态估计的应用效果，以某电力企业管辖范围内某市的电能替代区域为例，展开相关测试。该区域覆盖10个区，获取该区域运行的基期数据。测试案例中采用了以电代煤的替代方式替代该区域内的部分燃煤锅炉，以实现能源清洁。参数设定为迭代次数120，学习率0.001。将获取数据的75%作为训练数据，剩余数据作为测试数据。

在进行应用效果测试前，需先确定修正系数α的最佳取值。文中以电能替代量预测误差作为衡量标准，测试在不同α取值下误差的变化情况，获取最小误差对应的取值。经过对测试结果的分析，发现随着α取值的逐渐增加，本文方法对于电能替代量的预测误差也发生不同程度的变化。其中α取值为0.7时，电能替代量预测误差值最小，为0.024。因此，确定α的最佳取值为0.7，并将该结果用于后续试验中。

为直观验证本文算法对于电能替代量的预测效果，获取在不同电能使用量占能源使用量比例下，电能替代量的预测结果，如图1所示。

图1 电能替代量的预测结果

依据图1可知：在不同电能使用量占能源使用量比例下，随着用电量的逐渐增加，本文算法均能够实现电能替代量的预测，并获取预测结果。因此，本文方法具有电能替代量预测能力，能够完成不同电能使用量占能源使用量比例下电能替代量的预测。

为验证本文算法对于电能替代潜力动态估计效果，获取在不同程度的电能需求下，随机抽取替换的10台电锅炉的单位节能量计算结果，如图2所示。

图2 单位节能量计算结果

依据图2可知：本文算法能够计算出不同用电需求下替换的10台电锅炉的单位节能量，具有单位节能量计算效果，可获取电能替换后的单位节能量，并且节能量均在0.060m2.kJ以上。

结论

本文提出基于区域负荷分解与迁移学习的电能替代潜力动态估计算法，具有可靠的电能替换设备识别能力，并能够可靠预测电能替代量，计算电能替换后的单位节能量大于0.060m2.kJ。