基于卷积神经网络的电力市场短期售电量预测方法

2024-01-16李泠聪张振明

科学技术创新 2024年1期

王蕾，李斌，李泠聪，张振明，姜涛

（东北电力大学，吉林吉林）

引言

售电量预测是结合过去及现在已知的经济形势、售电市场状况，基于历史数据进行分析研究，探索掌握各相关因素与电力市场的内在关联及发展变化规律，从而根据对未来经济形势和外在因素的预测来科学地预测未来的售电市场需求状况[1]。准确地对售电量进行预测具有重要意义，一方面供电企业可以据此调整未来供电量，优化供电结构，提高电力系统运行的安全性；另一方面，售电量直接影响售电公司的利益，并有助于提高售电公司在电力市场的竞争力[2]。

本文提出了基于卷积神经网络的中长期售电量预测方法，旨在从用电机理层次出发，考虑电力市场不同行业的用电特征和电力市场短期交易特点，建立基于卷积神经网络的电力市场短期售电量预测方法，首先根据用户的用电负荷率进行分类，获取不同行业的用电特征和需求模式，然后考虑正负偏差电量的影响，设计基于CNN-ResNet 的短期售电量预测方法，能够在不同影响因素下准确地预测短期售电量，对保证售电公司的利益具有重要意义。

1 售电量时间维度和频率分布分析

1.1 售电量的时间维度分析

基于在某电力市场中获取的不同行业售电量的实际数据，进行中长期交易中售电量在年、月、周不同时间维度的变化特点分析，该数据集包含了2020 年1月-2023 年4 月间该电力市场中工业、非工业和其他共三个行业的售电量、电价、用电负荷等数据。图1 所示工业领域用户月售电量具有明显的周期性，具有售电量大和周期性高峰，最大售电量通常出现在某几个月份，非工业与其他领域月售电量曲线具有一定的相似性，高峰曲线相对比较平稳，通常在缓慢波动区间出现低峰，在集中区间出现高峰。

图1 月售电量曲线分析

1.2 售电量的频率分布分析

对上述3 个行业，如图2 计算售电量的频率密度分布，通过分析服务领域售电量集中在[450,500] KW·h 区间内，在[400,440] KW·h 区间相对平缓，工业领域售电量集中在[480,520] KW·h 区间频数较高，服务领域售电量集中在490 KW·h 附近, 说明该区域电力市场商业领域和服务业领域的低峰售电量频率较大，而工业领域高峰售电量频率较大。

图2 3 个行业月售电量频数分布

2 电力市场短期售电量预测方法

2.1 考虑用电特征的行业聚类

为了更好地了解不同行业的用电特征和需求模式，分析不同行业的负荷率水平，可以将不同用户按照其用电特征进行分类，进而实现针对性的供电方案和能源管理策略。

根据得到的行业聚类特征矩阵改进的Kmeans++方法进行聚类，将售电量特征相似的行业聚为一类，这将大幅减少模型的数量。聚类之后得到若干个簇，每个簇包含了若干行业，同一簇中行业的售电量数据对某些数据特征具有一定的相似性。

考虑到欧式距离的局限性，采用加权欧式距离和弗雷歇的复合距离作为聚类相似性度量。其中，负荷率水平作为欧式距离计算的一个因素。

弗雷歇的基本定义为：根据抽象空间理论，定义在单位区间上的映射γ：[0,1]→S 是连续映射，则称γ 是S上的连续曲线。那么就可以假设A 和B 是S 上的两条连续曲线，即A:[0,1]→S,B:[0,1]→S；又设α 和β 是单位区间的两个重参数化函数，即A:[0,1]→[0,1],B:[0,1]→[0,1]；则曲线A 与曲线B 的费雷歇距离为式（1）:

式中：d 是S 上的度量函数。两条曲线之间的费雷歇距离越小说明两条曲线在形态上越相似。

2.2 基于CNN-ResNet 的短期售电量预测

CNN 是用于处理图像数据的常用网络结构，它在计算机视觉领域扮演着重要角色。CNN 主要由输入层、卷积层、池化层、全连接层和输出层等组成[3]。由于CNN 具有稀疏连接、权值共享和池化操作的特性，即使网络层数较少，也能有较强的表达能力。卷积核的引入减少了参数连接和过拟合的风险，并实现了参数共享。池化操作对特征进行二次提取，减少计算量。

ResNet 在传统的深度神经网络中引入了残差块，从而简化了网络的复杂性，并解决了网络退化问题[4]。通过使用残差块，可以训练出更有效的深度网络，而恒等映射可以加速输入的前向传播。

本文利用ResNet 在深度网络中具有强大的表达能力，并且结合了CNN 在图像特征处理方面的优势。因此，将短期售电量时间序列转换为图像，并构建了GAF 与多输入CNN-ResNet 网络的组合预测方法。

根据售电公司总收益模型，偏差电量考核机制下，正偏差和负偏差对售电公司收益的影响权重是不同的，因此偏差电量考核采用非对称损失函数[5-6]。目前，建立售电量预测模型常用的最优准则是基于预测结果与真实值之间的误差，如“误差平方和最小”、“误差绝对值之和最小”等。然而，这些最优准则仅考虑误差的大小，而忽略了误差的方向。为了应对正负误差对预测结果影响权重不同的情况，本文提出了非对称损失函数ALF，旨在提高模型的售电量预测效率。非对称损失函数ALF 为:

3 实验分析

选取某地区电力市场的实际售电交易数据作为实验对象，验证所提出的基于CNN-ResNet 的短期售电量预测方法的有效性，并与LSTM 预测方法进行预测准确性的对比。

3.1 用电特征的行业聚类实验

根据获取的数据集中各行业的用电量数据，采用改进的K-means++方法进行聚类，以用户的负荷率、节假日、变压器容量等为输入，在行业售电量聚类中引入用户上述特征作为考虑因素，准确地刻画不同行业的用电情况，如图3 所示，得到5 种类型的用电分类，根据每种类型用户制定个性化的售电策略，进而更加准确地预测不同行业的用电需求。

图3 不同行业用户用电量聚类

3.2 短期售电量预测实验

以上述用户的分类为基础，对类型1 用户进行短期售电量预测验证，数据的预测周期为60 h。3 种预测方法的预测结果对比如图4 所示，从图中真实售电量曲线可以发现类型1 的用户在采集的[10,25]区间内，电量出现波峰，并快速下降出现抖动，本文提出的CNN-ResNet 方法预测性明显高于LSTM 方法，原因是所提出方法在预测中，充分考虑了各个行业的用电行为特征，同时兼顾了偏差电量考核对售电量的影响，提升了短期售电量的预测精度。